Consensus methods for distributed inference in dense cooperative wireless networks

Distributed processing techniques have become a key approach for statistical inference in self-organizing networks. In these networks, centralized solution is unfeasible as all information coming from network nodes is gathered by a fusion center, requiring high computation/communication costs for processing data. Distributed algorithms are considered as they enable all nodes in the network to cooperatively infer some parameters of interest from noisy measurements - also in critical dynamic scenarios - without any central aggregation unit, facilitating energy-efficient and low-latency network communications. In this thesis, focus is on consensus-based approaches, where nodes are able to reach an agreement on a common parameter, by relying solely on local data and on interactions with neighbors. We propose a number of innovative weighted consensus-based methodologies, in which each node uses proper weights to iteratively refine its local estimate, exchanged among neighbours, so as to reach the same performances of centralized solution and to enhance performance of conventional consensus approaches. Fundamental limits and convergence properties are also derived for all the proposed algorithms. The novel distributed approaches are exploited to solve a number of inference problems in large-scale autonomous networks. Firstly, they are employed for self-learning of channel-state information and network localization. The analysis of the proposed methods is extended so as to manage critical scenarios (e.g., under-determined settings, reduced connectivity and/or non-linear model) and validated on indoor field measurements. I Then, we consider the problem of spectrum sensing and resource management in multiple networks sharing the same spectrum resources. In this context, we design a consensus-based sensing algorithm so as to enable users of a sensing network to cooperatively detect the time-varying spectrum occupancy. Interference detection is also corroborated by experimental tests in both indoor and outdoor scenarios for monitoring and control of industrial infrastructures. Based on the sensed interference level, we also design a novel distributed scheduling where multiple node-to-node links self-adapt their allocation by dynamically inflating/deflating their spectrum region, till an equilibrium is reached. Finally, we propose a novel implicit cooperative positioning technique for improving vehicle location accuracy in the context of vehicular networks. We develop a distributed message passing algorithm to solve the positioning problem, where a set of noncooperating objects, acting as unknown reference points, are cooperatively localized by a set of vehicles so as to implicitly enhance their own location accuracy.

Negli ultimi anni, le tecniche di elaborazione distribuita sono diventate di fondamentale importanza per l'inferenza statistica in reti auto-organizzanti. In queste tipologie di reti, un approccio centralizzato, che prevede da parte di unità centrale la raccolta di tutte le informazioni provenienti dai nodi della rete, richiede costi di comunicazione e di calcolo elevati per l'elaborazione dei dati. Per questo motivo, in letteratura sono stati sviluppati degli algoritmi di stima distribuita, in quanto consentono a tutti i nodi della rete di stimare in modo cooperativo alcuni parametri di interesse - anche in scenari dinamici molto critici - facilitando quindi le comunicazioni di rete a bassa latenza ed efficienza energetica. Il contributo principale di questa tesi di dottorato è quello di proporre ed analizzare nuovi algoritmi distribuiti basati sul consenso, in cui i nodi sono in grado di raggiungere un accordo su parametri di interesse, comuni a tutta la rete, basandosi esclusivamente sull’elaborazione locale dei dati e sulle interazioni con i nodi vicini. In particolare, in questa tesi sono state sviluppate una serie di metodologie innovative basate sul consenso pesato, in cui ogni nodo della rete utilizza pesi adeguati per affinare in modo iterativo la stima locale dei parametri di interesse, scambiati con i nodi vicini, in modo da raggiungere le stesse prestazioni di una soluzione centralizzata e per migliorare le prestazioni di approcci di consenso convenzionali. Inoltre, per tutti gli algoritmi proposti sono stati derivati analiticamente i limiti fondamentali e le proprietà di convergenza. I nuovi approcci distribuiti sono poi considerati per risolvere un certo numero di problemi di inferenza in reti autonome di larga scala, come la stima distribuita dei macro-parametri del modello di canale che caratterizzano lo stato di una rete wireless peer-to-peer in ambiente indoor, la localizzazione di sensori in una rete wireless peer-to-peer, il sensing dello spettro, l’allocazione distribuita delle risorse radio e la localizzazione cooperativa in reti dinamiche auto-organizzanti (in particolare, reti veicolari).