王志敏,宋荣方,2
(1.南京邮电大学通信与信息工程学院;2.南京邮电大学江苏省通信与网络技术工程研究中心,江苏南京 210003)
随着工业物联网(Industrial Internet of Things,IIoT)设备数量的迅猛增加,构建强大的IIoT网络连接各种IIoT设备才能保护相关大数据。巨量设备的大规模连通性是目前无线网络面临的巨大挑战,为了支持这种大规模连接,数据中心需要一个强大通用的数据处理单元,大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)技术因为能够明显提高频谱效率(spectral efficiency,SE)以及其可靠性而被广泛关注。文献[5-11]阐述了利用大规模MIMO技术来支持IIoT设备的可行性。在典型的情况下,大规模MIMO的服务天线数量比用户实体数多很多,一个显著特点是通道硬化效应,这种效应使得快速变化的信道收敛到恒定的信道,从而简化了网络操作。但是,在IIoT网络中使用大规模MIMO来支持大规模连接,用户终端的数量会远大于服务天线的数量,这将和传统情况大不相同。
研究表明,大规模MIMO可以很好地适用于蜂窝网络。在蜂窝网络中,每个基站服务于一组专属的用户设备,这种网络拓扑已经使用了几十年,应用于IIoT方面的研究也非常丰富。如文献[14]研究了单小区中基于巨连接大规模MIMO的IIoT网络上行链路性能,并研究了有效支持大量IIoT设备的方法,提出一个由单小区巨连接大规模MIMO支持的具有经济效益的IIoT网络;文献[15-16]考虑了一种可以替代蜂窝网络的网络基础设施,命名为无小区大规模MIMO,如图1所示。在网络中部署大量的分布式接入点(Access Points,AP),这些AP共同连接到中央处理单元(Central Processing Unit,CPU)服务于所有的用户终端,没有单元边界,提倡在每个AP局部使用最大比(maximum-ratio,MR)处理;文献[16-17]则认为,在CPU上部分或完全集中式处理可以获得更高的SE;文献[18]中将AP间的合作程度分为4个等级,并比较了无小区MIMO和传统小区MIMO的性能。但上述文献没有考虑到用户设备数量非常大的情况,因此不能应用于IIoT具有庞大设备数量场景。
Fig.1 Cell-freemassive MIMO network图1无小区大规模MIMO网络
鉴于IIoT需要中等的数据速率和较低的成本,本文集中研究了一个以成本为中心的系统,即将无小区巨连接的大规模MIMO应用于IIoT网络场景,研究有效支持大量IIoT设备的方法。与传统的大规模MIMO不同,巨连接的大规模MIMO系统中用户设备数量庞大,大于AP天线数。采用最小化均方误差(Minimum mean-square error,MMSE)处理及MR处理,将AP间的合作等级分为完全集中式处理以及分布式处理。完全集中式处理是将每个AP接收到的导频信号和数据信号通过前传链路发送到CPU上,执行信道估计和数据检测;分布式处理是在每个AP局部估计信道并应用一个任意的接收组合器来获得终端数据的局部估计,然后在CPU上收集这些数据并取局部估计的平均值来执行检测。只有信道统计信息可以被CPU利用,因为导频信号没有在前传链路上被共享。同文献[14]相同,本文假设服务天线数小于用户终端的天线数,对比不同AP合作方式时不同数据处理方法下系统的SE和SINR,并将本文提出的面向IIoT的无小区巨连接大规模MIMO方案同文献[14]中单小区方案进行比较。仿真结果表明,集中式MR处理的无小区巨连接大规模MIMO技术可同时支持大量低复杂度和低延迟的IIoT设备,并且比单小区方案更有优势。因此,本文提出的方案可以应用于需要中等数据速率和低成本的IIoT网络。
M
个AP和K
个用户都配有一个天线,随机分布在一个很大的区域(如图1所示),所有的AP通过前传链路连接到CPU,假设M
个AP同时服务于同一时频资源中的K
个用户。在典型的IIoT场景中,设备数量庞大,同时处于活动状态的设备数量也非常大,所以与传统的大规模MIMO不同,这里的K
可以比M
大得多,即K>M
,因此用于信道估计的导频会被复用。本文考虑上行链路,相干间隔为τ
,分为信道估计和上行数据传输两个阶段。用户k
与第m
个AP间的信道系数用g
表示,g
建模如下:m
个接入点接收到的导频信号为:使用最小化均方误差准则进行信道估计,则信道系数的估计为:
其中:
η
加权后分别发送给每个接入点。本文采用全功率发送,即η
=1,令上行数据符号向量为q
∈C,第l
组的第j
个用户发送的符号为q
。假设q
为零均值方差为1且不相关的向量,即E(I
,则接入点m
接到的信号为:式(9)中,p
是用户上行链路发射功率,这里假设所有用户采用相同的发射功率,w~CN(0,1)是第m
个接入点处的附加噪声矢量。M
个接入点将接收到的导频信号和数据信号都发送到CPU,由CPU进行导频估计和信号检测,接入点可以看成是中继器。在一个相干块内,每个接入点发送τ
个复标量的导频信号和τ
-τ
个复标量的数据信号,M
个接入点总计τM
个,并且假设在CPU处已知信道信息,则在CPU处的接收信号为:由得到的导频信号和信道信息计算出信道估计,这些估计可以单独计算且不失最佳性,为:
估计的均方误差为:
采用文献[18]相同的证明方法可得用户的瞬时有效SINR为:
分子是通过估计信道接收到的期望信号功率,分母是干扰加上噪声。计算用户的SE为:
当为MMSE合并时,合并向量为:
MMSE处理计算复杂度很高,但系统的CPU具有很强的计算能力,所以可以考虑实施。
ττ
)K
个复标量给CPU,总计(τ
-τ
)KM
个。数据信号的局部估计为:经过CPU处理后得到最终的信号估计值为:
用户的瞬时有效SINR为:
用户的SE为:
当选择MMSE合并时,合并向量为:
γ
为第k
个用户到第m
个接入点的距离。T
≥1ms
情况下,即使用户数大于总服务天线数时,系统的SE依然随着K
或者L
的增加而增加,直至一个特定点之后下降,这说明本文考虑的无小区巨连接大规模MIMO系统可以支持大量IIoT设备,而SE损耗或者宕机的情况很少。Fig.2 Spectral efficiency(bit/s/Hz)changing with the number of users K when using MR processing图2 MR处理时频谱效率(bit/s/HZ)随用户数K的变化情况
图3展示了使用MMSE处理时,不同相干时间下SE随用户数的变化。图3中采用MMSE方法集中处理的性能优势巨大,在用户数等于两倍服务天线数时性能优势也非常明显。由前面的分析可知,集中式需要的前向信令数为τ
M
,分布式需要的前向信令数为(τ
-τ
)KM
,由于:Fig.3 Spectral efficiency(bit/s/Hz)changing with the number of users K when using MMSE processing图3 MMSE处理时频谱效率(bit/s/HZ)随用户数K的变化情况
Fig.4 Cumulativedistribution function of SNR图4 信干噪比的累计分布函数
在T
=1ms,M=
40的情况下,将本文提出的支持IIoT场景的无小区巨连接大规模MIMO集中式MR处理方案与文献[14]的单小区巨连接大规模MIMO方案进行对比,可以看出本文提出的方案具有一定优势,如图5所示。Fig.5 Comparison between centralized cell-free missive MIMO and single-cell missive MIMO when using MR processing图5 无小区集中式MR处理与单小区MR处理对比
本文研究了无小区巨连接大规模MIMO用于支持大量设备的IIoT场景可行性。首先,将接入点的合作程度分为集中式和分布式处理两种,然后对比MR和MMSE处理后系统的频谱效率和信干噪比,最后考虑计算复杂度、需要的前向信令数及系统性能,提出采用集中式MR处理的无小区巨连接大规模MIMO技术来支持大量IIoT设备的方案。与文献[14]提出的单小区方案进行对比,本文方案具有一定优势。因为IIoT需要中等的数据速率和较低的成本,因此该方案可以成功应用于IIoT网络中。后续将对AP不同的合作方式进行研究。