Быстрое распространение мобильных устройств и ненасытный спрос на высокоскоростные данные в городских условиях привели к значительным достижениям в области беспроводной связи. В основе этих достижений лежат системы с несколькими входными много выходными (MIMO), которые используют несколько антенн как в передатчике, так и в приемнике для повышения пропускной способности и надежности сети. Однако плотная, динамичная природа городов создает уникальные проблемы - главным среди них является явление кластеризации пользователей. Понимание того, как кластеры пользователей влияют на производительность MIMO, имеет решающее значение для проектирования сетей, которые могут обеспечить последовательное, высококачественное обслуживание в многолюдных городских районах. В этой статье рассматривается взаимодействие между кластеризацией пользователей и производительностью системы MIMO, а также стратегии, которые операторы могут использовать для оптимизации своих сетей.

Понимание систем MIMO

Технология MIMO является краеугольным камнем современных беспроводных стандартов, включая 4G LTE, 5G NR и новые 6G фреймворки. Развертывая несколько антенн на базовой станции (например, gNodeB) и на пользовательском оборудовании, MIMO использует пространственное разнообразие и пространственное мультиплексирование для улучшения пропускной способности без необходимости дополнительного спектра. В типичной городской макросоте система MIMO с 64-128 антенными элементами может поддерживать несколько одновременных потоков данных для нескольких пользователей, резко увеличивая спектральную эффективность области.

Основные преимущества MIMO обусловлены тремя механизмами:

  • Система направляет передаваемую энергию к конкретным пользователям, уменьшая помехи и улучшая отношение сигнал/шум (SNR).
  • Пространственное мультиплексирование: Несколько потоков данных отправляются по одному и тому же ресурсу с частотой времени, умножая скорость передачи данных на пользователя.
  • Увеличение диверсии: Несколько копий одного и того же сигнала передаются по независимо угасающим путям, снижая вероятность глубокого выцветания.

Городские условия — с их высокими зданиями, движущимися транспортными средствами и плотной концентрацией толпы — создают богатые пути рассеяния и распространения, которые MIMO может использовать. Тем не менее, та же среда также производит кластеризацию пользователей, которая коренным образом меняет способ настройки системы.

Роль кластеризации пользователей

Кластеризация пользователей относится к пространственной и поведенческой группировке мобильных пользователей в городских районах. Эти кластеры могут быть статичными (например, толпа на стадионе во время события) или динамическими (например, пассажиры, перемещающиеся через транзитный хаб). Кластерные шаблоны возникают из естественной городской активности - деловые районы видят пиковую кластеризацию в рабочее время, в то время как развлекательные зоны группируются по вечерам и выходным. Понимание этих шаблонов имеет важное значение, потому что системы MIMO, которые рассматривают всех пользователей как равномерно распределенных, могут работать хуже в реальных, кластеризированных условиях.

Кластерные модели в городской среде

Исследования, в которых использовались реальные сетевые следы из таких городов, как Нью-Йорк, Лондон и Шанхай, выявили несколько типов кластеров:

  • Горячие кластеры: Небольшие географические районы (например, парк, кафе) с высокой плотностью пользователей; часто продолжительностью от минут до часов.
  • Коридорные кластеры: Линейные образования вдоль дорог, линий метро или пешеходных дорожек, где пользователи перемещаются в потоке.
  • Макрокластеры: Целые кварталы, которые видят повышенное использование в определенное время (например, финансовый район в обеденное время).

Для MIMO проблема заключается в том, что пространственная корреляция каналов в кластере высока, что может уменьшить мультиплексирование, если не обрабатываться должным образом. Базовая станция должна одновременно обслуживать пользователей внутри и снаружи кластеров, требуя адаптивных алгоритмов, которые могут различать кластерные и некластеризованные области.

Влияние на качество сигнала и помехи

Кластеризация пользователей оказывает двоякое влияние на качество сигнала. С одной стороны, формирование луча становится более эффективным при концентрации пользователей: базовая станция может образовывать узкий луч, который охватывает весь кластер, доставляя более высокую принятую мощность всем внутри него. С другой стороны, интерпользовательские помехи могут резко возрастать, поскольку лучи, предназначенные для разных кластеров, могут перекрываться, особенно когда кластеры находятся близко друг к другу.

Рассмотрим плотный городской квадрат с двумя кластерами, разделенными всего на 50 метров. Луч, направленный на первый кластер, будет иметь сильные боковые области, которые мешают второму кластеру. Расширенное предварительное кодирование MIMO - такое как предусилительная ошибка нулевого или минимального среднего квадрата (MMSE) - может подавить эту помеху, но только если информация о состоянии канала (CSI) точна. Кластеры с быстро движущимися пользователями (например, те, которые выходят из поезда) могут привести к устареванию CSI, что приводит к остаточной помехе, которая ухудшает качество сигнала для всех пользователей в окрестностях.

Влияние на емкость системы и спектральную эффективность

Вместимость в системе MIMO является функцией числа пространственных потоков, которые могут поддерживаться. Кластеризация пользователей может как помочь, так и помешать этому:

  • Положительный эффект: В пределах кластера базовая станция может обслуживать несколько пользователей на одном и том же ресурсе с частотой времени с использованием многопользовательского MIMO (MU-MIMO).Поскольку пользователи физически близки, их каналы часто полуортогональные, что позволяет планировщику эффективно спаривать их.Это пространственное повторное использование повышает спектральную эффективность на кластер.
  • Отрицательный эффект: Высокая плотность кластеров может привести к тому, что система станет помехо-ограниченной. Пространственные степени свободы потребляются необходимостью отмены межкластерных помех, оставляя меньше потоков для фактических данных. Более того, если кластер слишком плотный (например, тысячи пользователей на стадионе), базовая станция может не иметь достаточно антенн для обслуживания всех пользователей одновременно, что приводит к сокращению пропускной способности каждого пользователя.

Моделирование показывает, что в типичной городской макроячейке с четырьмя кластерами по 20 пользователей MU-MIMO может достигать до 3x спектральной эффективности по сравнению с однопользовательским MIMO базовым уровнем при условии, что предварительное кодирование адаптировано к геометрии кластера.

Стратегии оптимизации производительности MIMO

Сетевые операторы разработали набор методов, позволяющих превратить кластеризацию пользователей из задачи в возможность. Эти стратегии охватывают физический уровень, управление ресурсами и интеллектуальное прогнозирование.

Адаптивное формирование луча и предварительное кодирование

Узоры фиксированного луча неэффективны перед движущимися кластерами. Современные системы MIMO используют адаптивное формирование луча , которое обновляет веса луча каждую миллисекунду на основе CSI в реальном времени. Цифровое формирование луча (доступно в массивном MIMO) позволяет передатчику формировать несколько одновременных лучей, каждый из которых адаптирован к конкретному пользователю или кластеру.

Гибридное формирование луча — комбинация аналоговой и цифровой обработки — особенно привлекательно для городских развертываний, поскольку оно снижает сложность аппаратного обеспечения, в то же время обеспечивая гибкость для направления лучей к кластерам. Например, 64-антенна массив с гибридной архитектурой может образовывать 8 независимых лучей, каждый из которых покрывает отдельный кластер. Когда кластеры сливаются или расщепляются, весы формирования луча пересчитываются для поддержания покрытия.

Предложены схемы предварительного кодирования, которые явно учитывают структуру кластера, такие как кластерное нулевое нажатие и диагонализация блоков. Эти методы рассматривают каждый кластер как виртуальную группу пользователей, проектируя прекодер для устранения помех между группами, позволяя пространственное мультиплексирование в каждой группе.

Расширенный график и распределение ресурсов

Планирование играет ключевую роль в кластерных средах. Пропорционально-справедливые планировщики, широко используемые в LTE, могут быть расширены до вариантов, учитывающих кластеры. Планировщик может расставлять приоритеты пользователей в менее переполненных кластерах для балансировки нагрузки или он может использовать размер кластера в качестве весового фактора для обеспечения того, чтобы пользователи в небольших кластерах не испытывали голода ресурсов.

Другим мощным инструментом является координированная многоточечная (CoMP) передача и прием. В CoMP несколько базовых станций в регионе совместно планируют передачи пользователю или кластеру. Это особенно эффективно в плотных городских районах, где один кластер может находиться в пределах нескольких небольших ячеек. Координируя, сеть может превращать межсотовые помехи в полезный сигнал, значительно увеличивая пропускную способность ячейки для кластерных пользователей. 3GPP Release 16 ввела расширенные механизмы CoMP, которые работают по интерфейсу Xn между gNodeBs, делая такую координацию возможной в коммерческих сетях.

Машинное обучение для прогнозирования кластеризации

Прогнозная аналитика на основе машинного обучения (ML) становится ключевым фактором оптимизации MIMO в городских районах. Путем обучения моделей на исторических сетевых данных - следов местоположения пользователя, спроса на трафик, времени суток - операторы могут предвидеть, где будут формироваться кластеры и как они будут двигаться. Рекуррентные нейронные сети (RNN) и трансформаторы могут прогнозировать плотность кластера на 30-60 секунд вперед, давая лучогенератору достаточно времени для предварительной вычисления предкодирующих весов.

Агенты по усилению обучения (RL) могут изучать политики планирования и переключения лучей, которые адаптируются к быстро меняющимся конфигурациям кластеров. Например, планировщик на основе RL, развернутый в испытании в Сеуле, уменьшил задержку пакетов на 40% во время кластеризации в час пик, научившись распределять ресурсы для кластеров, которые собирались рассеиваться, тем самым избегая ненужных помех.

Внешние ресурсы, такие как , позволяют глубже изучить эти методы. Аналогично, технический отчет 3GPP по анализу сетевых данных (TR 23.700-91) описывает стандартизированные интерфейсы ML для таких прогнозов.

Массивная MIMO и клеточная денисификация

Массивная MIMO — системы с 64, 128 или даже 256 антеннами — является естественным ответом на кластеризацию пользователей. Большая антенная решетка обеспечивает множество пространственных степеней свободы, позволяя базовой станции обслуживать многих пользователей внутри кластера одновременно и отменять помехи от других кластеров. На практике массивная базовая станция MIMO может поддерживать до 12—16 потоков на сектор в городской среде в зависимости от геометрии кластера.

Уплотнение ячеек дополняет массивные MIMO. Развертывая множество мелких ячеек (микросот, пикосот или фемтосот) в кластерно-склонных областях, операторы выгружают трафик из макрослоя и уменьшают расстояние между пользователями и антенной решеткой. Маленькая ячейка, размещенная непосредственно в точке кластера, может обеспечить выделенные ресурсы формирования луча и значительно снизить задержку. Архитектура HetNet (гетерогенная сеть), которая сочетает макро-MIMO с плотными малыми ячейками, уже стандартна в городских развертываниях 5G.

Реальные мировые тематические исследования

Несколько испытаний иллюстрируют влияние оптимизации MIMO с учетом кластеров. В транспортном узле Шанхай Хунцяо массивная система MIMO, развернутая China Mobile, достигла улучшения пропускной способности на 300% в часы пик за счет динамической группировки пассажиров в кластеры и применения выделенных лучевых шаблонов. Система использовала комбинацию данных о местоположении в реальном времени из сети и планирования на основе RL.

На Таймс-сквер в Нью-Йорке Verizon протестировал алгоритм формирования луча, который уменьшил интерпользовательские помехи на 50% в переполненной пешеходной площади. Алгоритм использовал оценки направления прибытия пользователя (DoA) от восходящей линии связи и предсказал движение с помощью фильтра Калмана, регулируя лучи каждые 10 мс.

Эти примеры подчеркивают, что теоретические достижения MIMO полностью реализуются в городских условиях только тогда, когда сеть активно моделирует и реагирует на кластеризацию пользователей.

Будущие направления и исследования

По мере продвижения к 6G, кластеризация пользователей станет еще более влиятельной. Сообщения Terahertz (THz), которые полагаются на чрезвычайно узкие карандашные лучи, очень чувствительны к геометрии кластера — если луч пропускает центроид кластера даже на несколько метров, пользователь может потерять связь. Интегрированное зондирование и связь (ISAC) позволят базовым станциям «видеть» кластеры с использованием возможностей, подобных радарам, обеспечивая мгновенную локализацию кластера без накладных расходов на обратную связь CSI.

Еще одним рубежом является использование реконфигурируемых интеллектуальных поверхностей (RIS) для управления средой распространения. РИС, развернутый на фасаде здания, может отражать сигналы в направлении кластера пользователей, эффективно превращая городской ландшафт в программируемый луч-бывший. Исследования из IEEE Communications Magazine показывают, что РИС может увеличить пропускную способность MIMO на 20-30% в кластерных городских сценариях.

Наконец, распределенная MIMO (D-MIMO) — где элементы антенн распределены по многим местам, а не централизованы на одной базовой станции — сломает узкие места корреляции, которые ограничивают сегодняшние системы. С D-MIMO каждый пользователь в кластере видит уникальный набор географически разделенных антенн, что делает планирование MU-MIMO гораздо более эффективным. Альянс O-RAN стандартизирует интерфейсы, которые позволяют такие распределенные архитектуры.

Заключение

Кластеризация пользователей — это не проблема, которую нужно решить, а особенность городских беспроводных сред, которые можно использовать для повышения производительности MIMO. Понимая пространственные и временные модели кластеров, сетевые операторы могут развертывать адаптивное формирование луча, интеллектуальное планирование и машинное обучение, чтобы превратить плотность в емкость. Стратегии, изложенные здесь — от массивных MIMO и CoMP до прогнозной аналитики и RIS — образуют набор инструментов, который определит следующее поколение городских беспроводных сетей. По мере роста городов и спроса продолжают расти, системы, которые осваивают кластеризацию пользователей, будут теми, которые обеспечивают наиболее надежную высокоскоростную связь для миллионов пользователей.