Secure Computation Efficiency Resource Allocation for Massive MIMO-Enabled Mobile Edge Computing Networks

In this article,the secure computation efficiency(SCE)problem is studied in a massive multipleinput multiple-output(mMIMO)-assisted mobile edge computing(MEC)network.We first derive the secure transmission rate based on the mMIMO under imperfect channel state information.Based on this,the SCE maximization problem is formulated by jointly optimizing the local computation frequency,the offloading time,the downloading time,the users and the base station transmit power.Due to its difficulty to directly solve the formulated problem,we first transform the fractional objective function into the subtractive form one via the dinkelbach method.Next,the original problem is transformed into a convex one by applying the successive convex approximation technique,and an iteration algorithm is proposed to obtain the solutions.Finally,the stimulations are conducted to show that the performance of the proposed schemes is superior to that of the other schemes.

面向Massive MIMO低轨卫星通信系统的鲁棒高效波束成形设计

以低轨卫星通信系统能量效率最大化为优化目标,重点研究鲁棒波束成形设计。假设卫星侧配备大规模多输入多输出技术,综合考虑传播延迟和多普勒频移造成的信道状态信息误差影响,在发射功率受限和用户服务质量约束下,提出了一种鲁棒高效的波束成形方案。考虑到遍历用户速率和遍历信干噪比都没有闭合表达式,采用具备闭合表达式的近似值代替,同时,采用半正定规划算法将非凸二次约束二次规划形式问题进行等价转换,并提出了一种联合二次变换分式规划和凹凸过程的内外两层嵌套迭代算法。最后,采用一种惩罚函数算法解决半正定规划算法中存在的秩1约束问题。仿真结果表明,所提算法性能优于传统算法,且鲁棒性较高。

低复杂度的大规模MIMO分布式信道估计

针对大规模多输入多输出(multiple-input multiple-output,MIMO)系统传统信道矩阵获取方式导频开销大、计算复杂度高的问题,提出了一种低复杂度的二阶段分布式信道估计方案。该方案的初始阶段在基站侧采用传统压缩感知算法恢复信道矩阵,第2阶段在用户端利用信道的时间相关性,将大规模MIMO的角度域信道分解为密集部分和稀疏部分,并分别估计以实现连续信道追踪。稀疏部分信道通过所提的分布式自适应弱匹配追踪(distributed adaptive weak matching pursuit,DAWMP)算法,利用子信道的联合稀疏性进行多维重建。相比于线性最小均方误差(linear minimum mean square error,LMMSE)算法,所提方案的信道分解策略有效减少了在用户端进行信道估计的计算复杂度。仿真结果表明,所提算法与经典压缩感知信道估计算法相比,计算复杂度降低了约33%,算法性能提升了约0.5 dB。

面向5G Massive MIMO窄波束及下倾角的探讨

大规模天线技术(Massive Multiple Input Multiple Output,Massive MIMO)作为5G新空口的关键技术之一,具有高容量、高增益以及灵活的波束赋形等特点。5G Massive MIMO的窄波束和可调整的动态下倾角不仅进一步提高信号的覆盖深度,还可以降低小区间的干扰。文章介绍5G Massive MIMO的窄波束分类,提出不同场景下波束的规划方案,并介绍5G下倾角,列出不同波束的下倾角计算方法,为5G网络的设计、建设以及日常优化提供参考。

双IRS辅助大规模MIMO系统中基于双时间尺度的信道估计方案

在双智能反射面(IRS)辅助的大规模多入多出(MIMO)通信系统中,为获取信道状态信息(CSI)而进行的信道估计需要较大的导频开销。考虑到基站(BS)-IRS信道与IRS-IRS信道具有高维且准静态的特性,而IRS-用户(UE)信道具有低维且时变的特性,本文提出一种基于双时间尺度的信道估计方案。首先,对于准静态信道,由BS发送导频并基于坐标下降算法和最小二乘法分别估计BS-IRS信道和IRS-IRS信道。然后根据准静态信道的估计结果进一步基于最小二乘法估计IRS-UE信道。仿真结果表明,本文所提出的方案可以采用低于对比方案50%的导频开销来获取低于对比方案近10 dB的估计归一化均方误差(NMSE),实现用更少的导频开销获取更高的信道估计精度。

基于SWIPT的无小区大规模MIMO-NOMA系统能量效率研究

无小区大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)与非正交多址接入(Non-Orthogonal Multiple Access,NOMA)都是未来6G的使能技术。无线携能通信(Simultaneous Wireless Information and Power Transfer,SWIPT)技术在进行信息解码的同时收集能量,与无小区大规模MIMO-NOMA优势互补。文中基于SWIPT研究无小区大规模MIMO-NOMA系统中的能量效率问题,通过联合优化功率分配系数和SWIPT的时隙切换(Time Switching,TS)系数,提高系统的能量效率。为了最大化能量效率,采用布谷鸟算法设计功率分配系数。考虑一种特殊情况,将所有终端的TS系数设置相同,进而推导了最佳TS系数的封闭表达式。仿真结果表明,相较于几种已有方案,文中提出的优化方案可以显著提升系统的能量效率。

基于延迟线组合调相的高能效自适应混合预编码方案

针对毫米波大规模多输入多输出系统采用混合预编码技术所带来的高功耗影响,基于延迟线组合调相器件设计了一种间接全连接型混合预编码系统结构,并提出一种自适应连接的混合预编码方案,可大幅减少与天线直连的调相器数量从而降低硬件造成的功耗损失。方案将编码矩阵的求解分为数字编码矩阵、模拟编码矩阵和开关组成的连接交换矩阵3个部分进行交替优化;提出一种基于互补正交投影矩阵的算法来解决模拟编码矩阵的优化;利用功率约束条件和最小二乘算法简化数字编码矩阵的求解;针对连接交换矩阵的离散组合优化问题,利用低复杂度的交叉熵算法进行优化。仿真结果表明,所提方案可以保证系统性能在接近纯数字预编码方案的同时有效提高系统的能量效率。

具有无线携能技术的MIMO-NOMA系统

用户干扰降低了毫米波大规模多输入多输出(MIMO)非正交多址接入(NOMA)系统的频谱效率和能量效率,针对这一问题,提出将无线携能技术(SWIPT)引入基于混合预编码(HP)的MIMO-NOMA系统,并设计了用户分组、混合预编码以及功率分配方案。首先,提出了簇头选择算法,以设计模拟预编码,基于等效信道相关性进行用户分组,并最大化等效信道增益设计数字预编码;其次,为追求用户间的公平性,提出一种基于二分的功率分配方案,以实现最小可达速率最大化。理论分析和仿真结果表明,信噪比(SNR)为5dB时,相较于现有的具有无限携能的正交多址方案,所提方案在全连接架构下频谱效率提升约24.8%,在子连接架构下能量效率提升约24.6%。

基于统计CSI的空中智能反射面辅助大规模MIMO系统传输优化方案

智能反射面(IRS,intelligent reflecting surface)被认为是下一代移动通信的核心技术,其在增强网络覆盖、频谱效率、能源效率和部署成本方面具有显著优势。空中智能反射面(AIRS,aerial intelligent reflecting surface)结合了空中平台的高移动性和智能反射面提供的优质链路特性,可以有效解决复杂通信场景中基站与用户之间易受障碍物阻挡的问题,从而增强网络覆盖。针对AIRS辅助的多用户大规模多输入多输出(MIMO,multiple input multiple output)系统,研究了基站波束成形、AIRS部署位置与相移设计的联合优化问题。在已知统计信道状态信息(CSI,channel state information)的条件下,提出了一种基于块坐标下降(BCD,block coordinate descent)的系统遍历和速率优化方案。首先,建立了一个联合优化基站端波束成形、AIRS的部署位置与AIRS相移的复杂优化模型。其次,通过BCD算法,将非凸优化问题解耦成3个易于处理的子问题。最后,分别采用拉格朗日乘子法、松弛变量法和RMSProp梯度下降算法求解子问题。仿真结果表明,所提出的优化方案有效地提高了系统的遍历和速率,并且具有较好的收敛性。

超大规模MIMO阵列可视区域空间分布数据集

可视区域(VR)信息可用于降低超大规模多输入多输出(XL-MIMO)系统传输设计复杂度,但现有理论分析与传输设计多基于简化的VR统计分布模型。为评估分析XL-MIMO在实际物理传播场景中的性能,该文公开了XL-MIMO阵列VR空间分布数据集,其由环境参数设置、射线追踪仿真、天线场强数据预处理和VR判定准则等步骤构建。该数据集针对典型城区无线传播场景,建立了用户位置采样与场强数据、VR数据之间的关联,总数据条目数量达上亿级。进一步对其中VR形态、VR分布进行了可视化展示与分析,并以基于VR的XL-MIMO用户接入协议为例,利用该数据集对其在真实传播场景中的性能进行了仿真,为该数据集的应用提供了典型样例。

基于级联角度的AIRS辅助大规模MIMO系统波束跟踪方案

智能反射表面(intelligent reflecting surface,IRS)可以通过提供额外的视线(line of sight,LoS)路径补偿传播损耗或解决阻塞问题,有效地提高毫米波(millimeter wave,mmWave)通信系统的性能,被认为是下一代移动通信的核心技术。与传统的地面IRS相比,部署在无人机、热气球等空中平台上的空中IRS(aerial IRS,AIRS)结合了空中平台的高移动特性/旋转特性和IRS提供的优质链路特性,可以提供更广阔的信号覆盖范围。考虑到现实场景中用户的移动性,通信系统有必要实时调整波束成形以使波束对准移动用户。然而,AIRS不具备有源射频链,难以在AIRS处获取离开角和到达角,增加了波束跟踪的复杂性。针对这一问题,建立了具有时变信道的AIRS辅助mmWave大规模多输入多输出(multiple input multiple output,MIMO)系统模型,结合基站端有源波束成形、AIRS的旋转角度和无源波束成形设计,提出了一种基于级联角度的无迹卡尔曼滤波波束跟踪方案。仿真结果表明,提出的方案具有较高的跟踪精度,同时AIRS的旋转特性对提升系统可达速率起着重要作用。

大规模多输入多输出可见光通感一体化系统的信道状态信息还原和定位

得益于丰富的频谱和光源,可见光通信感知一体化(IVLCP)系统为解决高性能通信定位的室内无线网络需求提供强有力的技术支撑。同时,大规模多输入多输出(m-MIMO)技术能有效提高IVLCP网络的服务范围和质量。然而,m-MIMO赋能的IVLCP网络的信道环境更加复杂且先验信息更易变化,这使得传统方法难以快速准确地完成信道估计和定位。针对此,该文提出一种信道状态信息还原和定位(CSIRP)网络,该网络不仅能够有效地捕捉复杂分布的可见光通信信道特征,同时能够应对信道状态的时变性,从而提高信道和位置估计的鲁棒性和动态适应性。具体而言,CSIRP网络首先基于条件生成对抗思想自适应训练生成器和鉴别器,进而实现根据接收信号进行信道估计,接着结合长短期记忆网络(LSTM)从估计的信道中获取接收终端的位置估计值。仿真结果表明,采用CSIRP网络所获得的信道状态准确度和定位精度均优于现有的深度学习参考方法,这为m-MIMO赋能的IVLCP系统提供了可靠和精准的信道状态信息和位置感知能力。

基于稀疏贝叶斯学习的混合mMIMO系统波达方向估计

波达方向估计是混合mMIMO系统波束成形得以应用的前提,基于协方差矩阵重构的子空间方法在相干信号和有限快拍数条件下性能损失较大。为了应对上述挑战,提出了一种基于稀疏贝叶斯学习的混合mMIMO系统波达方向估计方法,主要创新之处在于:将混合mMIMO系统的波达方向估计问题转化为稀疏信号恢复问题,从而绕过空间协方差矩阵重构,避免了其带来的性能损失。为了便于进行贝叶斯推断,进一步利用变分贝叶斯近似思想,在恢复稀疏信号的同时,自适应估计出未知参数,显著改善了对噪声和相干信号的鲁棒性,提升了有限快拍数情况下的波达方向估计性能。数值模拟结果验证了所提方法的优越性。

IRS辅助大规模MIMO系统中抑制残余硬件损伤的AQBFO无源波束赋形方案

由通信收发机硬件非理想特性导致的残余硬件损伤在智能反射面(Intelligent reflecting surface,IRS)辅助的大规模多输入多输出(Multiple-input multiple-output,MIMO)系统中难以避免,并且会严重降低上行用户的可达和速率。针对这一问题,本文提出了一种基于自适应量子菌群觅食优化(Adaptive quantum bacterial foraging optimization,AQBFO)算法的无源波束赋形方案,用于抑制残余硬件损伤对系统性能的影响。首先,基于统计信道状态信息(Channel state information,CSI)推导出系统上行可达和速率的近似解析表达式。然后,以最大化和速率为目标,基于AQBFO算法对无源波束赋形进行优化。仿真结果验证了在IRS辅助大规模MIMO系统中,基于AQBFO算法的无源波束赋形方案能够有效抑制残余硬件损伤的影响,并显著提升系统的上行遍历和速率。

基于广义投影梯度下降算法的深度学习大规模MIMO信号检测

为了提升大规模MIMO系统的信号检测性能,对由投影和梯度下降(gradient descent,GD)这2个基础操作构成的投影梯度下降(projected gradient descent,PGD)算法进行研究.在基于PGD算法的大规模MIMO检测器中,由于投影和GD操作的损失函数不同,迭代时需要使两者达到平衡,因此通过广义投影梯度下降(generalized projected gradient descent,GPGD)方法实现了投影和GD操作的灵活选取.GPGD方法中在多次的GD步骤后执行1次投影,与传统方式中交替进行投影和GD操作相比,具有显著优势;同时为了保证算法的收敛效率,也对GD操作的步长进行了探究.另外,通过对GPGD算法进行基于深度神经网络的迭代展开,进一步构建了自纠错自动检测器的检测框架,有效提升检测性能和效率.仿真结果表明,GPGD方法带来了明显的系统增益,具有显著的优越性.

基于人工蜂群算法的去蜂窝大规模MIMO系统AP选择技术

为了提升去蜂窝大规模多输入多输出(multiple input multiple output,MIMO)系统中接入点(access point,AP)选择方案的性能,结合迫零(zero forcing,ZF)预编码技术和人工蜂群算法,提出了针对去蜂窝大规模MIMO系统用户端的AP选择算法。基于各个用户所需接收的信号,采用ZF预编码算法,使得所有AP都参与预编码,从而获得预编码信号;针对每个用户,利用人工蜂群算法,在优化目标为最大化用户的信道容量的前提下,求解相应的AP选择方案。仿真结果表明,相比于不进行AP选择的方案,提出的去蜂窝大规模MIMO系统的AP选择方案在信道容量性能方面表现更优。当用户数量为5、信噪比(signal to noise ratio,SNR)为40 dB、AP数量为40时,提出的AP选择算法对应的信道容量为14.8 bit/(s·Hz),与不进行AP选择的算法相比,信道容量提高5 bit/(s·Hz)。

Massive MIMO系统基于子空间的半盲信道估计

针对大规模MIMO系统中存在的导频污染问题,结合目前研究的基于奇异值(SVD)分解的信道估计算法,在考虑到该算法中的协方差矩阵是用有限的样本数据代替真实数据必然存在偏差的问题,给出了一种联合ILSP(Iterative Least Square with Projection)的基于SVD的半盲信道估计算法。仿真结果表明改进后的信道估计算法能够有效减小已有算法中存在的偏差问题,提高信道估计精确度,有效减轻导频污染给大规模MIMO系统带来的影响,从而实现大规模MIMO系统性能的提升。

RIS辅助的无蜂窝大规模MIMO关键技术研究

针对密集蜂窝组网干扰受限难题,无蜂窝大规模MIMO利用大规模宏分集,构建以用户为中心的新架构,大规模灵活协作显著提升每个用户性能。同时,无蜂窝辅以智能超表面技术,以低成本和低功耗极大提升网络容量。聚焦研究了RIS辅助的无蜂窝大规模MIMO天线校准和导频分配两个关键问题。针对大规模RAU校准难题,首先在最低校准信噪比和校准相干时间约束下,提出动态分簇的可自愈校准拓扑构建方法,然后为降低校准时域开销,设计了RAU簇内和簇间校准时序,研究了可扩展的天线校准算法,能实现任意多RAU联合相位校准。针对导频分配问题,首先提出基于空间高相关性的用户动态簇的构建新方法,然后提出用户簇内基于信道相关性最低和用户簇间最小复用概率的导频分配方法。仿真结果表明,提出的校准算法具有较小的校准误差和较好的扩展性。同时,提出的导频分配算法性能可逼近最大化容量导频分配算法,且复杂度大幅降低。

LOS环境下零导频Massive MIMO通信方法

针对频分双工大规模多输入多输出系统中导频开销过大和现有信道估计算法计算复杂度高等问题,提出一种零导频的通信方法.在该方法中,发射端不发送导频,利用位置信息估计波达角,对发射信号进行调整,形成定向波束;接收端直接对接收数据进行解调.仿真结果表明,与传统频分双工大规模多输入多输出系统相比,所提通信方法大大降低了导频开销和计算复杂度,提高了频谱效率,且在高信噪比下,系统和速率提高了约4.6dB.

一种深度学习的波束空间信道估计算法

在时分双工(TDD)毫米波大规模多输入多输出(MIMO)系统中,因为波束空间信道具有稀疏性,导致将低维测量数据重建为原始高维信道时会带来较高的复杂度。针对上行链路,在不考虑稀疏度的情况下,将传统优化算法和基于数据驱动的深度学习方法相结合,提出一种改进的基于深度学习的波束空间信道估计算法。从重建过程入手,通过交替建立梯度下降模块(GDM)和近端映射模块(PMM)来构建网络。首先根据SalehValenzuela信道模型进行理论公式推导并生成信道数据;其次构建一个由传统迭代收缩阈值算法(ISTA)的更新步骤所展开的多层网络,并将数据传输到该网络,每层对应于一次类似ISTA的迭代;最后对训练好的模型进行在线测试,恢复出待估计的信道。构建Py Torch环境,将该算法与正交匹配追踪(OMP)算法、近似消息传递(AMP)算法、可学习的近似消息传递(LAMP)算法、高斯混合LAMP(GM-LAMP)算法进行对比,结果表明:在估计精度方面,所提算法相对表现较好的深度学习算法LAMP、GM-LAMP分别提升约3.07和2.61 d B,较传统算法OMP、AMP分别提升约11.12和9.57 d B;在参数量方面,所提算法较LAMP、GM-LAMP分别减少约39%和69%。