Быстрое расширение беспроводной связи в густонаселенных городских центрах поставило беспрецедентные требования к пропускной способности и надежности сети. Технология многовходного многовыходного устройства (MIMO), которая использует несколько антенн как в передатчике, так и в приемнике, стала краеугольным камнем современных сотовых систем, таких как 4G LTE, 5G NR и предстоящий 6G. Используя богатые среды рассеяния, типичные для городов, системы MIMO могут достичь более высоких скоростей передачи данных, лучшей спектральной эффективности и улучшенной надежности связи. Однако одним из факторов, который значительно влияет на эти преимущества, является плотность пользователей - количество активных пользователей на единицу площади. В городских сценариях, где тысячи пользователей могут собираться в одном городском блоке, влияние плотности пользователей на пропускную способность MIMO становится как критическим, так и сложным. Эта статья обеспечивает всесторонний анализ того, как плотность пользователей формирует производительность системы MIMO в городских условиях, изучая основные механизмы, методы смягчения и будущие направления исследований.

Понимание систем MIMO в городских условиях

Системы MIMO используют несколько антенн для передачи и приема нескольких потоков данных одновременно в одной и той же полосе частот. В городской среде физическая среда характеризуется высокими зданиями, движущимися транспортными средствами, вывесками и другими препятствиями, которые вызывают богатое распространение по нескольким путям. Сигналы отражают, дифрактируют и рассеивают, создавая несколько различных путей между передатчиком и приемником. Это богатство по нескольким путям на самом деле полезно для MIMO: оно позволяет системе создавать независимые пространственные каналы, позволяя пространственное мультиплексирование и увеличение разнообразия.

Пространственное мультиплексирование увеличивает скорость передачи данных за счёт передачи независимых потоков данных с каждой антенны, эффективно умножая пропускную способность без необходимости дополнительной пропускной способности или мощности.Разнообразие увеличивает надёжность за счёт отправки избыточных копий одного и того же сигнала по разным антеннам, уменьшая вероятность глубокого затухания.В плотных городских условиях угловое распространение входящих сигналов велико, что улучшает число состояний матрицы канала MIMO и облегчает более высокий порядок пространственного мультиплексирования.Однако эта же среда также вносит быстрые вариации каналов за счёт движущихся рассеивателей и мобильности пользователей, бросая вызов алгоритмам оценки каналов и формирования луча.

На производительность систем MIMO в городах также влияет развертывание базовых станций. Городские макроячейки часто используют секторированные антенны с несколькими элементами, а небольшие ячейки развернуты на уровне улиц для повышения охвата и пропускной способности. Взаимодействие между макро- и малыми ячейками в сочетании с моделями мобильности пользователей создает динамический ландшафт помех. Понимание этих фундаментальных аспектов имеет важное значение, прежде чем анализировать, как плотность пользователей влияет на пропускную способность.

Влияние плотности пользователей на пропускную способность

Плотность пользователей напрямую влияет на количество активных потоков данных в ячейке или зоне покрытия. По мере роста плотности пользователей общая пропускная способность, которую может обеспечить сеть, должна быть разделена между большим количеством пользователей, что неизбежно снижает скорость передачи данных на пользователя, если общая емкость системы не масштабируется пропорционально. Однако связь не является просто линейной. Более высокая плотность пользователей вводит три основных эффекта, которые формируют пропускную способность системы: помехи, проблемы с распределением ресурсов и измененные условия канала.

Вмешательство в сценарии высокой плотности

Помехи соканала возникают, когда несколько пользователей совместно используют одни и те же ресурсы с частотой времени. В системах MIMO пользователи часто пространственно разделены, но в плотных городских средах угловое разделение может быть недостаточным для предотвращения взаимных помех. Это особенно проблематично в восходящей линии связи, где несколько пользователей одновременно передают на одну и ту же базовую станцию. Без эффективной пространственной обработки помехи могут резко снизить отношение сигнал-интерференция-плюс-шум (SINR), что приводит к снижению модуляции и схем кодирования и, следовательно, к снижению пропускной способности.

Межклеточные помехи — ещё один существенный фактор. В городских районах ячейки малы и перекрываются из-за плотного развертывания макро- и малых ячеек. Пользователи вблизи края ячейки испытывают сильные помехи от соседних базовых станций. Методы MIMO, такие как скоординированное формирование луча и совместная передача через ячейки, могут смягчить это, но эти методы требуют обширного обмена информацией о состоянии канала и тесной синхронизации сети, что становится более сложным по мере увеличения плотности пользователей.

Кроме того, загрязнение пилотов возникает в массивных системах MIMO (обсуждается позже), когда пилотные последовательности, используемые для повторного использования оценки канала через клетки, коррелируют, повреждая оценки канала и ухудшая производительность формирования луча. Этот эффект усугубляется высокой плотностью пользователей, поскольку требуется больше пилотов, увеличивая вероятность повторного использования.

Вызовы распределения ресурсов

Поскольку все больше пользователей борются за ограниченные радиоресурсы, алгоритмы планирования должны стать более сложными. Пропорциональное справедливое планирование направлено на баланс пропускной способности и справедливости, но по мере роста плотности пользователей планировщик сталкивается с более высокой вычислительной сложностью и более частыми передачами. Необходимость обслуживать многих пользователей с различными требованиями к качеству обслуживания (QoS) - голосовые, видео, данные датчиков IoT - требует динамического распределения ресурсов, которое может адаптироваться к быстро меняющимся условиям канала и шаблонам трафика.

Управление мощностью также становится критическим.В плотных средах мощность передачи каждого пользователя должна тщательно регулироваться, чтобы избежать чрезмерных помех при сохранении адекватной силы сигнала. Алгоритмы управления распределенной мощностью (например, DPC, используемые в системах CDMA) могут помочь, но системы MIMO добавляют пространственные измерения, которые дополнительно усложняют оптимизацию.Недавние исследования предлагают обучение многоагентному усилению для распределенного управления мощностью в плотных городских сетях MIMO.

Условия на каналах в городских условиях высокой плотности

Плотность пользователей напрямую не изменяет среду физического распространения, но влияет на статистическое распределение условий канала. В переполненных районах присутствие многих пользователей создает дополнительные рассеиватели и блокировщики. Например, кластер пользователей вблизи базовой станции может затенять друг друга, приводя к быстрым колебаниям принимаемой силы сигнала. Этот эффект быстрого затухания заставляет процесс оценки канала обновляться чаще, увеличивая накладные расходы и уменьшая пропускную способность, доступную для данных.

Теневая реакция больших групп людей, движущихся вместе (например, во время спортивного события или концерта), может вызвать коррелированные падения сигнала, которые влияют на многих пользователей одновременно. MIMO-системы с большими антенными массивами все еще могут преодолевать такие блокировки посредством формирования луча, который управляет препятствиями, но требуемые вычислительные ресурсы растут с количеством отслеживаемых пользователей. Кроме того, распространение задержки — распространение задержек времени из-за многолучевого распространения — может увеличиться в плотных городских каньонах, что может вызвать интерсимволические помехи, если циклический префикс недостаточно длинный.

Ключевые методы для смягчения эффектов высокой плотности пользователей

Несмотря на проблемы, связанные с высокой плотностью пользователей, было разработано несколько методов MIMO для поддержания или даже улучшения пропускной способности системы в условиях переполненности городов.

формирование луча

Бимформинг использует антенную решётку для создания направленной лучевой системы, которая фокусирует энергию сигнала на определённом пользователе, отключая помехи другим. Цифровое лучеобразование позволяет каждому пользователю обслуживаться с помощью пользовательского луча, значительно улучшая SINR. Гибридное лучеобразование, которое сочетает в себе аналоговые и цифровые этапы, предлагает практический компромисс между производительностью и стоимостью оборудования. Алгоритмы адаптивного лучеобразования могут отслеживать движущихся пользователей и обновлять лучи в реальном времени. Например, линейное минимальное среднеквадратичное лучеобразование (LMMSE) может максимизировать SINR для каждого пользователя, заданного известным каналом. Исследования показывают, что в плотных городских сценариях со многими пользователями лучеобразование может увеличить пропускную способность системы до 300% по сравнению с всенаправленной передачей.

Пространственное мультиплексирование и многопользовательская MIMO

Многопользовательская MIMO (MU-MIMO) позволяет базовой станции обслуживать одновременно нескольких пользователей на одном и том же ресурсе с частотой времени, разделяя их в пространстве. По мере увеличения плотности пользователей увеличивается и вероятность того, что несколько пользователей могут быть пространственно мультиплексированы, поскольку их пространственные сигнатуры, вероятно, будут достаточно разными. С большим количеством антенн на базовой станции (FLT:0)) становится возможным обслуживать десятки пользователей в одном и том же блоке ресурсов с минимальными помехами. Эта масштабируемость является ключевой технологией для городских развертываний 5G. Исследование 2022 года продемонстрировало, что массивная MIMO с 128 антеннами достигла в 10 раз большей пропускной способности в плотном городском моделировании, чем обычная MIMO с 4 антеннами, даже с плотностью пользователей, превышающей 500 пользователей на ячейку.

Передовые методы распределения ресурсов

Обычные планировщики, такие как круговой или max-C/I, не подходят для плотных городских сред. Передовые методы включают игровые теоретико-методы , которые моделируют поведение пользователей и распределяют ресурсы для достижения равновесия Нэша, и , основанные на обучении машины, планировщики , которые изучают модели трафика и динамику каналов с течением времени. Глубокое обучение усилению (DRL) показало особое обещание: глубокая Q-сеть (DQN) может распределять пользователей на поднесущие и антенны для максимизации долгосрочной пропускной способности при сохранении справедливости. Исследователи предложили многоагентную структуру DRL для совместного планирования пользователей и распределения мощности в плотных городских системах MU-MIMO, достигая 20% прироста суммарной пропускной способности по сравнению с традиционными методами.

Массивные MIMO и полноразмерные MIMO

Массивный MIMO — развертывание сотен или даже тысяч антенн на базовой станции — пожалуй, самый мощный инструмент для преодоления высокой плотности пользователей. Используя закон больших чисел, массивный MIMO может усреднять мелкомасштабное выцветание и шум, что приводит к очень высокой спектральной эффективности. В городских условиях массивный MIMO может достигать высокого коэффициента усиления луча и обслуживать многих пользователей одновременно с почти ортогональными пространственными каналами. Полноразмерный MIMO (FD-MIMO), расширение для 3D-формирования луча, может обслуживать пользователей как в азимуте, так и в возвышении, что особенно полезно в плотных вертикальных городских средах с высотными зданиями. Сочетание массивных MIMO и FD-MIMO позволяет то, что называется «ультраплотными сетями» (UDN), где сеть может эффективно поддерживать миллионы подключенных устройств на квадратный километр.

Проблемы и ограничения

Несмотря на потенциал описанных методов, при развертывании систем MIMO в густонаселенных городских районах сохраняются некоторые практические проблемы.

Программная сложность является серьезной проблемой. Каждая антенна требует отдельной радиочастотной (RF) цепи — смесители, фильтры, аналого-цифровые преобразователи — что увеличивает энергопотребление, стоимость и форм-фактор. Гибридное формирование луча уменьшает количество радиочастотных цепей, но все еще требует сложных фазовых переключателей и переключателей. Термические проблемы упаковки сотен антенн на небольшой площади (особенно на небольших ячейках уличного уровня) должны управляться.

Загрязнение фотоэлементов остаётся открытой проблемой в массивных MIMO. В плотных городских сценариях со многими пользователями и небольшими ячейками повторное использование пилотных последовательностей через ячейки приводит к ошибкам оценки каналов, которые не исчезают даже с бесконечными антеннами. Расширенные алгоритмы, такие как обеззараживание пилотов на основе собственных значений или оценка каналов на основе сжатия, могут помочь, но добавить вычислительные накладные расходы.

Оценка каналов накладных расходов сама по себе становится узким местом. Для обслуживания многих пользователей с формированием луча базовая станция должна получать точную информацию о состоянии канала (CSI) для каждого пользователя. В условиях высокой мобильности, таких как городская улица с быстрыми автомобилями и пешеходами, CSI может быстро устаревать. Это заставляет более частые пилотные передачи, которые потребляют ресурсы времени-частоты, которые в противном случае могли бы нести данные. Некоторые исследования показывают, что в сценариях с чрезвычайно высокой плотностью пользователей и мобильностью накладные расходы могут потреблять до 30% доступных ресурсов, отрицая часть прироста MIMO.

Ограничения пропускной способности на бэк-холдинге и на переднем транспорте также ограничивают преимущества. В плотных городских развертываниях небольшие ячейки часто соединяются по волокну, но если связь на обратном пути недостаточна, выгоды от обработки MIMO не могут быть реализованы. Скоординированные многоточечные (CoMP) методы, которые требуют обмена CSI и данными между ячейками, требуют малозадержной и высокопроизводительной обратной связи, которая может быть доступна не во всех городских районах.

Будущие направления

Исследования продолжают раздвигать границы производительности MIMO в городских сценариях высокой плотности. Появляется несколько перспективных направлений.

Машинное обучение для окончательной оптимизации

Глубокое обучение применяется почти ко всем аспектам проектирования системы MIMO: оценка канала, разработка кодовой книги для формирования луча, распределение ресурсов и даже замена обратной связи канала автокодировщиками. Недавнее исследование подчеркивает, что подходы на основе нейронных сетей могут изучать пространственные корреляции и шаблоны плотности пользователей из данных, что позволяет адаптивные конфигурации, которые превосходят обычную оптимизацию. В частности, для формирования луча в плотных городских условиях, обучение усилению позволяет базовой станции изучать оптимальные шаблоны луча с течением времени без явного моделирования сложной среды.

Интеллектуальные отражающие поверхности (IRS)

IRS, также называемая реконфигурируемыми интеллектуальными поверхностями (RIS), состоит из множества пассивных отражающих элементов, которые могут быть сконфигурированы для формирования среды распространения. Размещая IRS на фасадах зданий в городских каньонах, сеть может создавать виртуальные пути прямой видимости вокруг препятствий, улучшать покрытие для затененных пользователей и даже уменьшать помехи. В плотных высотных районах IRS может направлять сигналы вертикально, чтобы обслуживать пользователей на разных этажах, эффективно увеличивая диафрагму антенны без добавления дорогостоящих радиочастотных цепей. Ранние модели показывают, что MIMO с помощью IRS может увеличить пропускную способность более чем на 50% в плотных городских сценариях.

Полнодуплексный MIMO

Полнодуплексные радиостанции могут передавать и принимать одновременно на одной и той же частоте, потенциально удваивая спектральную эффективность. В системах MIMO полнодуплексная работа добавляет проблемы отмены самоинтерференции, но недавние достижения в аналоговой и цифровой отмене сделали это возможным. В плотных городских сетях полнодуплексная может позволить базовой станции обслуживать одного пользователя в нисходящей линии связи при приеме от другого в восходящей линии связи в том же блоке ресурсов, эффективно увеличивая пропускную способность системы без необходимости дополнительной полосы пропускания.

Интеграция с более высокими частотными полосами

Городские сети движутся в направлении миллиметровых волн (mmWave) и суб-THz частот, где доступны большие полосы пропускания. MIMO-формирование на этих частотах чрезвычайно узкое, обеспечивающее высокие усиления антенн. Однако сигналы mmWave более восприимчивы к блокировкам (например, зданиями, деревьями и даже человеческими телами). Высокая плотность пользователей может усугубить блокировку, потому что многие пользователи физически занимают одно и то же пространство. Изучаются гибридные подходы, которые объединяют MIMO с частотой до 6 ГГц для надежности и MIMO с пропускной способностью mmWave. Кроме того, использование распределенных антенных систем (DAS) или массивных MIMO без ячеек, где многие точки доступа распределены по городу и подключены через центральный процессор, может смягчить проблему блокировки и обеспечить равномерное покрытие даже с высокой плотностью пользователей.

Заключение

Плотность пользователей является определяющим фактором в производительности систем MIMO, развернутых в городских сценариях. В то время как она создает значительные проблемы - помехи, напряжение распределения ресурсов и неблагоприятные условия канала - она также создает возможности для передовых методов MIMO, чтобы сиять. Благодаря пространственному мультиплексированию, массивному MIMO, интеллектуальному лучевому формированию и управлению ресурсами на основе машинного обучения, современные беспроводные сети могут поддерживать высокую пропускную способность даже в самых переполненных городах мира. По мере того, как городское население продолжает расти и аппетит к мобильным данным расширяется, эволюция технологии MIMO останется центральной для видения повсеместного, высокой емкости беспроводной связи. Продолжение исследований в практическом развертывании, эффективности оборудования и новых методов физического уровня обеспечит, что системы MIMO могут изящно масштабироваться для удовлетворения потребностей завтрашних умных городов.