Reconfigurable Intelligent Surface for Green Edge Inference in Machine Learning

Abstract

Reconfigurable intelligent surface (RIS) as an emerging cost-effective technology can enhance the spectrum-and energy-efficiency of wireless networks. In this paper, we consider an RIS-aided green edge inference system, where the inference tasks generated from resource-limited mobile devices (MDs) are uploaded to and cooperatively performed at multiple resourceenhanced base stations (BSs). Taking into account both the computation and uplink/downlink transmit power consumption, we formulate an overall network power consumption minimization problem, which calls for the joint design of the set of tasks performed by each BS, transmit and receive beamforming vectors of the BSs, transmit power of the MDs, and uplink/downlink phase-shift matrices at the RIS. Such a problem is a mixed combinatorial optimization problem with nonconvex constraints and is highly intractable. To address the challenge of the combinatorial objective, a group sparse reformulation is proposed by exploiting the group sparsity structure of the beamforming vectors, while a block-structured optimization (BSO) approach is proposed to decouple the optimization variables. Finally, we propose a BSO with mixed 1,2-norm and difference-of-convex-functions (DC) based three-stage framework to solve the problem, where the mixed 1,2-norm is adopted to induce the group sparsity of beamforming vectors and DC is adopted to effectively handle the nonconvex rank-one constraint after matrix lifting. Numerical results demonstrate the supreme gain of deploying an RIS and confirm the effectiveness of the proposed algorithm over the baseline algorithms.Index Terms-Reconfigurable intelligent surface, joint uplink and downlink, green edge inference, block-structured optimization, mixed 1,2-norm,

Smart Radio Environments Empowered by Reconfigurable Intelligent Surfaces: How It Works, State of Research, and The Road Ahead

“…In [236], the authors consider an RIS-aided system model in which inference tasks generated from mobile devices are uploaded to and cooperatively performed by multiple base stations. The objective is to minimize the network power consumption as a function of the set of tasks performed by each base station, the base stations transmit and receive beamforming vectors, the transmit power of the mobile devices, and the RIS phase shifts.…”

Towards intelligent reflecting surface empowered 6G terahertz communications: A survey

“…The IRS can alleviate the congestion problem existing in the MEC systems with low cost and low latency, so as to ensure the real-time computation offloading for the computing requirements. Some works are devoted to minimizing the energy consumption of IRS assisted wireless MEC scenarios [79][80][81].…”

Truyền Thông Không Dây Qua Bề Mặt Phản Xạ Thông Minh

“…Các kịch bản ứng dụng của RIS khá đa dạng, từ hệ thống Wi-Fi chia sẻ phương tiện đến vùng mmWave, THz, thậm chí cả truyền thông quang học, bao phủ dải tần băng thông rộng, v.v. Hình 2 mô tả một số ứng dụng của RIS vào các công nghệ mới, triển vọng như: giải pháp hiệu quả khi liên kết trạm gốc (bộ phát) BS (Base Station) với người dùng (User) ở những vùng tín hiệu không tốt [22], RIS đóng vai trò là một điểm truy cập PSK (Pre-Shared Key) ảo [23], một bộ tạo tín hiệu RF truyền một sóng mang không điều chế tới RIS với kiến trúc không có bộ khuếch đại công suất, bộ trộn, bộ lọc [24], RIS đáp ứng điều chế không gian ở cả hai phía truyền và nhận, một giải pháp thay thế massive MIMO [25], [26], hệ thống MISO/MIMO ảo dựa trên RIS [27], [28], RIS làm tăng cường bảo mật PHY (một tính năng quan trọng còn thiếu trong 5G) [29], [30], ứng dụng của RIS trong mạng giao thông (mạng xe cộ Vehicular Networks) để tăng sự tin cậy, an ninh, khắc phục tắc nghẽn LOS, cảm biến phát hiện người đi bộ [31], [32], RIS trong mạng NOMA [33]- [35], trong hệ thống MIMO phức tạp thấp (Low-Complexity MIMO) [36], [37] giúp giảm nhiễu, tăng công suất, RIS trong mạng trên không, trên phương tiện không người lái UAV (Unmanned Aerial Vehicle) để khắc phục tắc nghẽn LOS, hỗ trợ mạng mặt đất, người dùng trên không và vận chuyển hàng hóa backhauling [38], [39], RIS cải thiện tỷ lệ người dùng thứ cấp/người nhận (SU-Rx) trong mạng vô tuyến nhận thức CR [40], giảm hiệu ứng Doppler [41], RIS giúp mở rộng vùng phủ sóng trong mạng 5G, B5G và 6G [42], khả năng của RIS trong hệ thống OFDM [43], RIS hỗ trợ nhận dạng tư thế người [44], bản địa hóa vô tuyến (định vị nội bộ) RL (Radio Localization) [45], điện toán biên di động MEC (Mobile Edge Computing) [46], v.v, và nhiều ứng dụng trong các hệ thống lai khác [47].…”