The increasing demand for wireless data traffic poses a significant challenge for current cellular networks, requiring each new technology generation to enhance network capacity and coverage, and spectral efficiency (SE) per connected device. Massive multiple-input multiple-output (MIMO) technology has emerged as a key component of 5G and leverages a large number of antennas at each access point (AP) to spatially multiplex many user equipments (UEs) over the same time-frequency resources. Looking beyond 5G, the new cell-free massive MIMO technology has gained considerable attention due to its ability to exploit spatial macro diversity and achieve higher interference resilience. Unlike traditional cellular networks, the cell-free architecture consists of a dense deployment of distributed APs that collaboratively serve UEs across a large coverage area without predefined cell boundaries. This architecture improves the mobile network coverage and aims to provide a more uniform quality of service throughout the network. However, the primary challenges of cell-free massive MIMO include the high computational complexity required for signal processing and the substantial fronthaul capacity needed for information exchange between APs. Moreover, another major challenge is handover management to cope with changing channel conditions and UE mobility; since in a cell-free network handover needs to consider how to dynamically evolve the serving set of APs to each UE, which is more complicated than in a cellular network where each UE is served by a single AP and handover means changing the serving AP.

In this doctoral thesis, we provide distributed solutions to research problems related to power allocation and mobility management to address some of the inherent challenges of the cell-free network architecture. Additionally, we introduce a new method for characterizing unknown interference in wireless networks. Moreover, we propose efficient optimization procedures in the context of multicast beamforming optimization and establish a novel method for rank reduction in conjunction with semidefinite relaxation (SDR).

For the problem related to power allocation, a distributed machine learning-based solution that provides a good trade-off between SE performance and applicability for implementation in large-scale networks is developed with reduced fronthaul requirements and computational complexity as compared to a centralized solution, where the power allocation for all APs is computed at a central processor. The solution is divided in a way that enables each AP, or group of APs, to separately decide on the power coefficients to the UEs based on the locally available information at the AP without exchanging information with the other APs, however, still attempting to achieve a network wide optimization objective. 

Regarding mobility management, a new soft handover procedure is devised for updating the serving sets of APs and assigning pilot signals to each UE in a dynamic scenario considering UE mobility. The algorithm is tailored to reduce the required number of handovers per UE and changes in pilot assignment. Numerical results show that our proposed solution identifies the essential refinements since it can deliver comparable SE to the case when the AP-UE association is completely redone.

As for interference modeling, we developed a new Bayesian-based technique to model the distribution of the unknown interference arising from scheduling variations in neighbouring cells. The method is shown to provide accurate statistical modeling of the unknown interference power and an effective tool for robust rate allocation in the uplink with a guaranteed target outage performance. The method was later extended to account for the unknown interference of neighbouring clusters in a cell-free network architecture.

Many wireless communication applications require sending the same data to multiple UEs; for example, in streaming live events, distributing software updates, or training of federated learning models. Physical-layer multicasting presents an efficient transmission topology to exploit the beamforming capabilities at the transmitting nodes and broadcast nature of the wireless channel to satisfy the demand for the same content from several UEs. The uniform service quality and improved coverage of the cell-free network architecture are particularly suitable for this transmission topology. In this regard, we propose a novel successive elimination algorithm coupled with SDR to extract a near-global optimal rank-1 beamforming solution to the max-min fairness (MMF) multicast problem in a cell-free massive MIMO network. A specifically tailored optimization algorithm is then designed, leveraging the alternating direction method of multipliers (ADMM) and offering significant improvements in computational requirements.

Den ökande efterfrågan på trådlös datatrafik utgör en betydande utmaning för dagens cellulära nätverk, vilket kräver att varje ny teknikgeneration förbättrar nätverkskapacitet och täckningen, samt spektraleffektivitet (SE) per uppkopplad enhet. Massiv MIMO-teknik (multiple-input multiple-output) har dykt upp som en viktig komponent i 5G då den använder ett stort antal antenner på varje accesspunkt (AP) för att rumsligt multiplexa många användarutrustningar (UE) över samma tidsfrekvensresurser. Om man ser bortom 5G så har den nya cellfria massiva MIMO-tekniken fått stor uppmärksamhet på grund av sin förmåga att utnyttja rumslig makrodiversitet och uppnå högre interferensmotståndskraft. Till skillnad från traditionella cellulära nätverk består den cellfria arkitekturen av en tät uppsättning av distribuerade AP:er som samarbetar för att betjäna UE:er över ett stort täckningsområde utan fördefinierade cellgränser. Denna arkitektur förbättrar mobilnätets täckning och syftar till att ge en mer enhetlig tjänstekvalitet i hela nätverket. De primära utmaningarna med cellfri massiv MIMO inkluderar den höga beräkningskomplexiteten som krävs för signalbehandling och den betydande fronthaul-kapacitet som behövs för informationsutbyte mellan AP:er. En annan stor utmaning är dessutom överräcknings-hantering för att klara av ändrade kanalförhållanden och UE-mobilitet; eftersom överräckning i ett cellfritt nätverk måste överväga hur man dynamiskt förändrar den betjänande uppsättningen av AP:er till varje UE, vilket är mer komplicerat än i ett cellulärt nätverk där varje UE betjänas av en enda AP och överräckning endast innebär att byta ansvarig AP.

I den här doktorsavhandlingen presenterar vi distribuerade lösningar på forskningsproblem relaterade till effektreglering och mobilitetshantering för att hantera några av de inneboende utmaningarna med den cellfria nätverksarkitekturen. Dessutom introducerar vi en ny metod för att karakterisera okända störningar i trådlösa nätverk. Vi föreslår även effektiva optimeringsprocedurer för optimering av multicast-lobformning och etablerar en ny metod för rangreduktion i samband med semidefinit relaxering (SDR).

För problemen kopplade till effektreglering utvecklas en distribuerad maskininlärningsbaserad lösning som ger en bra avvägning mellan SE-prestanda och tillämpbarhet för implementering i storskaliga nätverk med minskade fronthaulkrav och beräkningskomplexitet jämfört med en centraliserad lösning, där effektregleringen för alla AP:er beräknas på en central processor. Lösningen är uppdelat på ett sätt som gör det möjligt för varje AP, eller grupp av AP:er, att separat besluta om effektkoefficienterna till UE:er baserat på den lokalt tillgängliga informationen vid AP:erna utan att utbyta information med de övriga AP:erna, men ändå försöka uppnå ett nätverksomfattande optimeringsmål. 

När det gäller mobilitetshantering utformas en ny överräcknings-procedur för uppdatering av de betjänande uppsättningarna av AP:er och tilldelas pilotsignaler till varje UE i ett dynamiskt scenario med hänsyn till UE-mobilitet. Algoritmen är skräddarsydd för att minska det nödvändiga antalet överräckningar per UE och förändringar i pilottilldelningen. Våra numeriska resultat visar att den föreslagna lösningen identifierar de väsentliga förfiningarna eftersom den kan leverera jämförbar SE som i fallet där AP-UE-associationen görs om helt.

När det gäller störningsmodellering utvecklade vi en ny Bayesiansk metod för att modellera fördelningen av de okända störningar som uppstår på grund av schemaläggningsvariationer i närliggande celler. Metoden har visat sig ge korrekt statistisk modellering av störningseffekten och är ett effektivt verktyg för robust hastighetsallokering i upplänken med en garanterad avbrottsprestanda. Metoden utökades senare för att ta hänsyn till de okända störningarna från angränsande kluster i en cellfri nätverksarkitektur.

Många trådlösa kommunikationstillämpningar kräver att samma data skickas till flera UE:er, till exempel vid streaming av liveevenemang, distribution av programuppdateringar eller träning av federerade inlärningsmodeller. Multicasting på det fysiska lagret är en effektiv överföringsmetod som utnyttjar lobformningsförmågan vid AP:erna och spridningsförmågan hos den trådlösa kanalen för att tillfredsställa efterfrågan på samma innehåll från flera UE:er. Den enhetliga servicekvaliteten och förbättrade täckningen hos den cellfria nätverksarkitekturen är särskilt lämplig för denna överföringstopologi. I detta fall föreslår vi en ny gradvis elimineringsalgoritm kopplad till SDR för att extrahera en nästan globalt optimal rang-1-lobformningslösning för multicastproblemet med max-min-rättvisa i ett cellfritt massivt MIMO-nätverk. En skräddarsydd optimeringsalgoritm designas sedan för att utnyttja en metod som kallas alternating direction method of multipliers (ADMM) och erbjuder betydande förbättringar av beräkningsbehov.