具有用户QoS要求的无小区mMIMO系统最优下行功率分配策略.pdf

1006Radio Communications TechnologyVol.49 No.6 2023doi:10.3969/j.issn.1003-3114.2023.06.003引用格式:牛海斌,苏昕,孙文龙,等.具有用户 QoS 要求的无小区 mMIMO 系统最优下行功率分配策略J.无线电通信技术,2023,49(6):1006-1012.NIU Haibin,SU Xin,SUN Wenlong,et al.Optimal Downlink Power Allocation Strategy for Cell Free mMIMO Systems with User QoS Requirements J.Radio Communications Technology,2023,49(6):1006-1012.具有用户 QoS 要求的无小区 mMIMO 系统最优下行功率分配策略牛海斌1,2,苏 昕1,2,孙文龙1,2,王 雷1,孙韶辉1,2(1.中信科移动通信技术股份有限公司,北京 100083;2.中国信息通信科技集团无线移动通信全国重点实验室,北京 100191)摘 要:无小区大规模天线多输入多输出(Multiple-Input Multiple-Output,MIMO)系统采用部署大量的分布式接入点,在相同的时频资源上同时服务所有用户,可以满足用户日益不断增长的高数据速率需求,因此在未来 6G 中被寄予厚望。针对未来 6G 中用户的业务流量呈现多样性的特点,可把用户分为两大类:一类为时延敏感用户;另一类为时延容忍用户。考虑了一个在保证时延敏感用户服务质量(Quality of Service,QoS)的前提下,最大化用户最小速率的优化问题,通过优化每个接入点的功率分配系数,求解优化问题得到最优解。通过数值仿真将所提出的优化算法求出的最优功率分配系数与均匀功率分配基准算法求得功率分配系数进行了对比,实验结果表明所提出算法在各种指标下均优于对比基准。关键词:无小区大规模多输入多输出;6G;服务质量;功率分配中图分类号:TN929.53 文献标志码:A 开放科学(资源服务)标识码(OSID):文章编号:1003-3114(2023)06-1006-07Optimal Downlink Power Allocation Strategy for Cell Free mMIMO Systems with User QoS RequirementsNIU Haibin1,2,SU Xin1,2,SUN Wenlong1,2,WANG Lei1,SUN Shaohui1,2(1.CICT Mobile Communications Technology Co.,Ltd.,Beijing 100083,China;2.State Key Laboratory of Wireless Mobile Communications,China Information Communication Technology Group Co.,Ltd.(CICT),Beijing 100191,China)Abstract:The cell free massive Multiple-Input Multiple-Output(MIMO)system adopts the deployment of a large number of dis-tributed access points,serving all users simultaneously on the same time-frequency resources,which can meet the increasing high data rate needs of users.Therefore,it is expected to be of great importance in the sixth generation wireless communication(6G)in the fu-ture.In response to the diversity of user traffic in future 6G,users are divided into two categories:delay sensitive users and delay tolerant users.This paper considers an optimization problem to maximize the minimum user rate under the premise of guaranteeing the Quality of Service(QoS)of delay sensitive users.By optimizing power allocation coefficient of each access point,the optimization problem is solved to obtain optimal solution.Finally,through numerical simulation,the optimal power allocation coefficient obtained by our proposed optimization algorithm is compared with the power allocation coefficient obtained by uniform power distribution benchmark algorithm.Experimental results show that the proposed algorithm is better than the comparison experiment under various indicators.Keywords:cell free massive MIMO;6G;QoS;power allocation收稿日期:2023-09-25基金项目:湖北省科技创新人才及服务专项科技服务人才类项目“面向下一代移动通信系统(6G)的关键技术研究”(2022EJD016)Foundation Item:Hubei Province Science&Technology Innovation Project“Research on Key Technologies for Next-Generation Mobile Communication System(6G)”(2022EJD016)2023年第49卷第6期无线电通信技术10070 引言5G 在 2020 年开始商用,大规模多输入多输出(massive Multiple-Input Multiple-Output,mMIMO)天线技术是其实现高吞吐量、高可靠性和高能效的物理层重要的关键技术之一。mMIMO 是在一个基站上安装大量的天线单元在相同的时频资源上同时服务多个用户1。目前 5G 中部署 mMIMO 方式是以集中部署为主,该部署方式可以为基站附近的用户带来较大的性能增益2。但是小区边沿用户的性能会受到相邻小区信号的干扰,随着对未来 6G 系统高容量的进一步追求,小区半径会进一步减小,小区边沿用户受到的邻区干扰更加严重。根据 mMI-MO 理论,mMIMO 的接入点(Access Point,AP)也支持分布式部署,也就是 mMIMO 天线阵列的各个天线子集可分布在一个空间区域。鉴于集中式 mMI-MO 的缺点,本文对分布式 mMIMO 的一种具体实施架构 无小区 mMIMO(Cell Free mMIMO,CF-mMIMO)进行了研究。其具体部署方式是在一个规划区域内,分布式地部署若干个 AP,所有的 AP 在相同的时频资源上同时服务所有的用户,并且此系统采用了时分双工(Time Division Duplexing,TDD)的模式3-6。CF-mMIMO 系统中的所有 AP 被连接到一个中央处理器(Central Processing Unit,CPU),为了减少 AP 与 CPU 之间传输数据的压力,仅在它们之间传输负载数据和低频次的功率控制信令,CPU 主要执行编码和解码工作。信道估计工作是AP 根据信道互易性通过接收到的上行导频信号估计下行信道。在 CF-mMIMO 系统中信道状态信息(Channel State Information,CSI)不在 AP 和 CPU 之间共享7。目前针对 CF-mMIMO 进行的研究工作有不少。根据信号的传输方向主要可以分为两大类:上行传输8-10和下行传输11-13。功率控制技术对下行传输性能有重大影响,目前已有不同的下行控制技术被提出,例如在文献14-16中,AP 采用了一个简单的基于大尺度的均匀功率分配算法服务不同的用户时信道增益得到了增加。文献6在下行链路上采用共轭波束赋形和最优功率控制技术来使所有服务的用户得到均等的服务。把取得的最小服务速率与均匀功率分配方法取得最小服务速率进行了仿真比较,最优控制的速率明显优于均匀分配速率所取得最小服务速率。文献17采用了基于在线训练的深度神经网络来解决最大化最小功率分配的问题,使所有用户得到公平服务。文献18考虑在莱斯信道衰落条件下,联合导频和下行链路功率控制来最大化下行链路和数据速率。但是以上工作都没有考虑到不同用户业务的差异性,也就是不同用户有不同的服务质量(Quality of Service,QoS)要求,没有用来保证每个用户的 QoS 使用户得到最优的服务,从而使网络性能最好。因此,本文研究了在保证时延敏感用户 QoS 的前提下,通过最优化功率分配算法使时延容忍用户得到公平服务的问题。1 系统模型图 1 考虑一个 TDD 模式的 CF-mMIMO 系统,在一个区域内有 M 个 AP 在相同的时频资源上服务K 个用户,它们的集合可以分别表示为 和 ,且AP 的数量远大于用户的数量,即 MK。其中,每个AP 和每个用户都是安装了单天线。另外假设 AP 和用户随机分布在一个区域内,所有 AP 通过光纤后向链路(Backhaul Link)都被连接到一个 CPU。图 1 无小区 mMIMO 系统Fig.1 CF-mMIMO systems关注点是从 AP 到用户之间的下行链路性能。假设符号长度为 的相干间隔,所谓相干间隔是相干时间和相干带宽的乘积,包含两阶段:上行训练和1008Radio Communications TechnologyVol.49 No.6 2023下行负载数据传输。在第一阶段时所有用户同时发送导频序列到所有 AP,当每个 AP 收到所有用户的导频序列后进行信道估计;在第二阶段,AP 使用信道估计进行预编码发送数据。1.1 上行训练阶段假设长度为 p的上行训练序列为pkC Cp1,其中k2=1 是来自第 k1,2,K个用户。进一步假设所有的导频序列是相互正交的,即 Hkj=0,其中 kj,且 pK。那么,第 m 个 AP接收到的信号为:ym=ppKk=1gmkk+wm,m,(1)式中:p代表导频符号的归一化信噪比(Signal-Noise Ratio,SNR),wm为第 m 个 AP 的白噪声向量,它的每一个元素都是独立同分布的高斯白噪声CN(0,1);gmk为第 m 个 AP 和第 k 个用户之间的信道,其被建模为:gmk=1/2mkhmk,m,k,(2)式中:mk表示大尺度路径损耗,hmk为小尺度衰落系数,本文被假设它们为独立同分布的瑞利衰落信道 hmkCN(0,1)。根据文献3,当利用式(1)接收到的导频序列和最小均方误差(Minimum Mean Squared Error,MMSE)技术对信道 gmk进行估计。通过下式计算得到 gmk的信道估计 g mk为:gmk=ppmk1+ppmkHkym,m,k。(3)用 gmk=gmk-g mk表示信道估计误差,且 g mk和gmk是不相关的,可以得到:gmk CN 0,pp2mk1+ppmk(),gmkCN 0,mk-pp2mk1+ppmk()。1.2 下行负载数据传输把获得的信道估计 g mk作为从第 m 个 AP 到第k 个用户之间真实的信道,所有 AP 的信道状态信息不需要相互交换,AP 利用信道估计信息来针对用户 k 做共轭波束赋形。设发送给第 k 个用户的符号为 qk,且有 E qk2=1,k=1,2,K。第 m 个 AP发送 K 个用户的信号为 xm,可表示为:xm=dKk=1mkgmkqk,m,(4)式中:mk为对第 k 个用户的功率控制系数,也可以表示为集合的形式 =mkm,k;d为每一个 AP 的最大发射功率,可以表示为:Exm2d,m。(5)由式(2)采用的信道模型对式(5)进行重写为:Kk=1mkmk1,m,(6)式中:mkEgmk2=pp2mk1+ppmk。(7)第 k 个用户的接收信号 rk为:rk=Mm=1gmkxm+nk=Mm=1dmkpp2mk1+ppmkqkT1+Mm=1 0KikdmigmkgmiqiT2+Mm=1dmkgmk2-pp2mk1+ppmk()T3qk+Mm=10Ki=1dmigmkgmiqiT4+nk,(8)式中:T1为期望接收信号,T2为来自其他用户的干扰信号,T3为在仅已知 E(g mk2)而不知道确切的有效信道增益下引起的误差,T4为信道估计误差,nk为服从 CN(0,1)的加性高斯白噪声。根据文献3可知,通过使用共轭波束赋形技术,第 k 个用户信干噪比(Signal to Interference Noise Ratio,SINR)为:SINRk=dMm=1mkpp2mk1+ppmk()21+dKi=10Mm=1mimipp2mi1+ppmi。(9)把 K 个用户的 QoS 要求分为两类:一类包含K1个用户是时延非敏感用户,其集合可以表示为 11,2,K1,那么其余的 K-K1个用户就是时延敏感用户,所在集合被表示为 2K1+1,K1+2,K。时延非敏感用户传送数据为非实时数据,为了保证时延敏感用户的 QoS,一定要满足它们的最小信干噪比要求:SINRkSINRk,min,k 2,(10)2023年第49卷第6期无线电通信技术1009式中:SINRk,min表示保证 QoS 的最小信干噪比。根据文献19可知,第 k 个用户的频谱效率为:Sek=1-p()lb(1+SINRk)(bit/s/Hz),(11)式中:1-p为下行数据传输在相干传输块中的占比。2 优化问题定义在保证时延敏感用户 QoS 的前提下,通过优化K 个用户的功率分配系数来最大化时延非敏感用户的最小频谱效率,由此上述优化问题可以被定义为:max mink 1 Seks.t.C1:SINRkSINRk,min,k 2C2:Exm2d,m=1,2,MC3:0mk,k,m,(12)式中:C2表示对第 m 个 AP 的功率约束,可以变形为 Exm2=dKk=1mkpp2mk1+ppmk;C3为功率分配系数的约束。通过引入一个松弛变量=mink 1Sek,式(12)被重写为:max,s.t.C1:dMm=1mkpp2mk1+ppmk()21+dKi=1ik0Mm=1mimipp2mi1+ppmiSINRk,min,k 2C2:Kk=1mkpp2mk1+ppmk1,m=1,2,MC3:0mk,k,mC4:1-p()lb 1+dMm=1mkpp2mk1+ppmk()21+dKi=1ik0Mm=1mimipp2mi1+ppmi(),k 1。(13)对式(13)再次松弛变量 2=1+dKi=1ikMm=1mimipp2mi1+ppmi,m,ik,式(13)可以转化为:max,s.t.C1:dMm=1mkpp2mk1+ppmk()22SINRk,min,k 2C2:Kk=1mkpp2mk1+ppmk1,m=1,2,MC3:0mk,k,mC4:1-p()lb1+dMm=1mkpp2mk1+ppmk()2212(),k 1C5:1+dKi=1ikMm=1mimipp2mi1+ppmi2。(14)性性质质 1 1:约束条件 C1为凸约束。证明:式(14)的约束 C1:dMm=1mkpp2mk1+ppmk()22SINRk,min,通过变形可以得到:Mm=1mkpp2mk1+ppmk1dSINRk,min。(15)对式(15)进行移项变形得:Mm=1mkpp2mk1+ppmk-1dSINRk,min0。(16)由于不等式(16)左边的前 M 项中每一项是都是关于 mk的凹函数,第 M+1 项是关于 的凹函数,所以不等式(16)的左边是关于 mk和 的联合凹函数,故式(14)的不等式约束 C1是凸约束。性性质质 2 2:约束条件 C4为凸约束。证明:设函数 f(x)=1-p()lb(1+x),h(,)=dMm=1mkpp2mk1+ppmk()22,那么函数 f(h(,)=1-p()lb 1+dMm=1mkpp2mk1+ppmk()2212是关于 和 的联合凹函数。1010Radio Communications TechnologyVol.49 No.6 2023根据性质 1 知 h(,)=dMm=1mkpp2mk1+ppmk()22,h(,)是 关 于 和 的 联 合 凹 函 数。由 于1-p()0,所以函数 f(x)=1-p()lb(1+x)是关于x的增凹函数。据复合函数凸凹性结论可知 f(h(,)=1-p()lb 1+dMm=1mkpp2mk1+ppmk()2212是关于 和 联合的凹函数。根据凹函数的保凹性可知,函数 f(h(,)-是关于、和 联合的凹函数。所以式(14)的 C4约束是凸约束。约束条件 C1是凸约束、约束条件 C2是线性约束、约束条件 C3是凸约束、约束条件 C4是凸约束、约束条件 C5根据凸函数的连加和保凸性知其是凸约束,式(14)是凸问题,可以采用标准的 CVX 来求解。3 数值仿真验证本节采用数值仿真的结果来验证提出的最优功率分配算法的有效性。考虑一个所有的 AP 和用户全部都是随机分布在 500 m500 m 区域内,AP 的数量设为 196。采用 COST Hata 模型来建模大尺度信道衰落:mk=10-13.6-3.5lg(dmk)+Xmk10,(17)式中:dmk为第 m 个 AP 到第 k 个用户的距离(km),XmkN(0,2shad),其中 shad=8。假设在接收端的噪声功率为 N0=290BNF,其中=1.380 64910-23是玻尔兹曼常数,B=20 MHz 是带宽,NF=9 dB 是噪声系数;AP 的发射功率为 200 mW,用户的发射功率为100 mW;设=200 和 p=K;设总共有 K=12个用户,用户 16 是时延非敏感用户,用户 712 是时延敏感用户;时延敏感用户的最小 SINR 全部都相等,SINRk,min=6 dB。本文仿真没有特别说明情况下,以上述假设的数据为准。把功率均匀分配的算法作为提出算法的基准对比,功率分配系数可以计算得到:mk=1Ki=1pp2mi1+ppmi。(18)图 2 为 AP 数量变化与频谱效率的关系,可以看出,随着 AP 的数量增加,无论是采用均匀功率分配算法还是采用所提的最优功率分配算法,得到的频谱效率都是增加的。同时由图 2 可以看出,所提的最优功率算法一直优于均匀功率分配算法,随着 AP 数量的增加,频谱效率增加可以解释为 AP 数量的增加提高了阵列增益,从而提高了频谱效率。图 2 AP 数量与频谱效率的关系Fig.2 Number of AP versus spectral efficiency图 3 为 AP 发射功率与频谱效率的变化,可以看出,在发射功率小于 0.4 W 时,频谱效率随着发射功率的增加而变大;当发射功率大于 0.4 W 时,频谱效率趋于不变,主要是由于 AP 的发射功率增大后,用户接收到的干扰信号功率也在变大,导致SINR 逐渐减小。图 3 发射功率与频谱效率的关系Fig.3 Transmit power versus spectral efficiency2023年第49卷第6期无线电通信技术1011图 4 表示时延敏感用户 712 的最小 SINR 值与频谱效率的关系,可以看出,随着 SINR 的值变大,即用户 712 对时延的要求变得严格,为了保证用户712 的时延要求,更多的功率倾向于分配到用户 712,导致频谱效率随着 SINR 值变大而减小。图 4 最小 SINR 与频谱效率的关系Fig.4 Minimum SINR versus spectral efficiency4 结论在 CF-mMIMO 系统中,把用户分为两类:一类是时延容忍用户,另一类是时延敏感用户。提出了一个最优功率分配算法,在保证时延敏感用户的QoS 的前提下,使时延容忍用户得到公平的服务速率。设置了一个均匀功率分配算法作为对比基准,通过数值对比,提出的最优功率算法在各项数值对比中均优于对比基准。参 考 文 献1 LARSSON E G,EDFORS O,TUFVESSON F,et al,Mas-sive MIMO for Next Generation Wireless SystemsJ.IEEE Communications Magazine,2014,52(2):186-195.2 WANG Z Y,LIU G H,ZHANG D C,et al.Edge-assisted Massive Video Delivery over Cell-free Massive MIMOJ/OL.IEEE Transactions on Multimedia,2023:1-14(2023-01-20)2023-09-23.https:ieeexplore.ieee.org/document/10023971.3 NAYEBI E,ASHIKHMIN A,MARZETTA T L,et al.Cell-free Massive MIMO SystemsC2015 49th Asilomar Conference on Signals,Systems and Computers.Pacific Grove:IEEE,2015:695-699.4 AMMAR H A,ADVE R,SHAHBAZPANAHI S,et al.User-centric Cell-free Massive MIMO Networks:A Survey of Opportunities,Challenges and Solutions J.IEEE Communications Surveys&Tutorials,2022,24(1):611-652.5 ZHANG J Y,CHEN S F,LIN Y,et al.Cell-free Massive MIMO:A New Next-generation ParadigmJ.IEEE Ac-cess,2019,7:99878-99888.6 NGO H Q,ASHIKHMIN A,YANG H,et al.Cell-free Massive MIMO Versus Small CellsJ.IEEE Transactions on Wireless Communications,2017,16(3):1834-1850.7 ELHOUSHY S,IBRAHIM M,HAMOUDA W.Cell-free Massive MIMO:A SurveyJ.IEEE Communications Sur-veys&Tutorials,2022,24(1):492-523.8 BJRNSON E,SANGUINETTI L.Making Cell-free Mas-sive MIMO Competitive with MMSE Processing and Cen-tralized ImplementationJ.IEEE Transactions on Wire-less Communications,2020,19(1):77-90.9 ZHENG J,ZHANG J,ZHANG L,et al.Efficient Receiver Design for Uplink Cell-free Massive MIMO with Hardware ImpairmentsJ.IEEE Transactions on Vehicular Tech-nology,2020,69(4):4537-4541.10 WANG Z,ZHANG J,NGO H Q,et al.Uplink Precoding Design for Cell-free Massive MIMO with Iteratively Weighted MMSEJ.IEEE Transactions on Communica-tions,2023,71(3):1646-1664.11 MYUNG J,KIM K,KO Y J.Transmit Power Control Game with a Sum Power Constraint in Cell-free Massive MIMO Downlink J.IEEE Wireless Communications Letters,2022,11(3):632-635.12 ZHOU M,LI J,XIE M,et al.Average Sum Rate of D2D Underlaid Multigroup Multicast Cell-free Massive MIMO with Multi-antenna UsersJ.IEEE Wireless Communica-tions Letters,2023,12(1):60-64.13 QIAO Y,QIAO X,LUO R,et al.Joint Precoding Scheme with Enhanced Spectral Efficiency for Cell-free Massive MIMO DownlinkC2022 IEEE 8th International Con-ference on Computer and Communications(ICCC).Chengdu:IEEE,2022:950-955.14 ATTARIFAR M,ABBASFAR A,LOZANO A.Modified Conjugate Beamforming for Cell-free Massive MIMOJ.IEEE Wireless Communications Letters,2019,8(2):616-619.15 BJRNSON E,SANGUINETTI L.Scalable Cell-free Mas-sive MIMO SystemsJ.IEEE Transactions on Communi-cations,2020,68(7):4247-4261.1012Radio Communications TechnologyVol.49 No.6 202316 INTERDONATO G,KARLSSON M,BJRNSON E,et al.Local Partial Zero-forcing Precoding for Cell-free Massive MIMOJ.IEEE Transactions on Wireless Communica-tions,2020,19(7):4758-4774.17 CHAKRABORTY S,BJRNSON E,SANGUINETTI L.Centralized and Distributed Power Allocation for Max-Min Fairness in Cell-free Massive MIMOC2019 53rd Asi-lomar Conference on Signals,Systems,and Computers.Pa-cific Grove:IEEE,2019:576-580.18 JIN S N,YUE D W,NGUYEN H H.Spectral and Energy Efficiency in Cell-free Massive MIMO Systems over Corre-lated Rician FadingJ.IEEE Systems Journal,2021,15(2):2822-2833.19 MARZETTA T L,LARSSON E G,YANG H,et al.Funda-mentals of Massive MIMO M.Cambridge:Cambridge University Press,2016.作者简介:牛海斌 男,(1986),博士。目前在中信科移动创新中心和中国信息通信科技集团无线移动通信全国重点实验室从事博士后研究工作。主要研究方向:超大规模天线和智能超表面等。苏 昕男,(1979),博士,教授级高级工程师。就职于中信科移动创新中心。长期从事无线移动通信系统的研究和标准化工作。曾担任 IMT-2020 大规模天线技术专题组组长,IMT-2030 通信感知一体化技术组副组长,并曾承担及参与多项国家重大专项、重点研发计划等课题工作。孙文龙 男,(1997),硕士。目前在北京航空航天大学攻读博士学位,就职于 CATT 无线移动通信国家重点实验室。主要研究方向:重构智能表面、通信感知一体化以及MIMO。王 雷 男,(1990),博士。主要研究方向:3GPP 高层协议标准化,主要涉及移动性增强、MIMO 增强、广播多播业务等。孙韶辉 男,(1972),博士,教授级高级工程师,博士生导师。目前担任中信科移动副总经理、CATT 无线移动通信国家重点实验室高级专家。主要研究方向:5G/6G 先进技术。荣获国家科技进步特等奖等多项奖项。