Reviewed by : @刘大 @D.Han;
前置知识:矩阵论/矩阵分析,概率论,通信原理,凸优化。
自从第一代移动通信系统(大哥大)出现以来,移动通信的爆发式发展带来了无线通信系统使用人群的暴增。从此之后,通信和信号处理领域的关注重点,也从传统的点对点通信场景,逐步拓展到多用户通信场景。
时至今日,多用户场景已经成为通信和信号处理领域最重要的基础场景之一,它的数学结构和特征也是事实上的、很多新兴研究方向的参考基础。从干扰对齐(Interference Alignment)到近期新兴的智能反射面(Intelligent Reflecting Surface),再到跨领域的雷达通信一体化(Radar-Communication Co-design)和雷达通信共存(Radar-Communication Co-existence),多用户通信模型和基于其上的凸优化算法都经久不衰。这些用户间是可能协作也可能非协作,亦或存在恶意;这些用户的目标可能是能量有效、单用户传输速率最大、亦或希望总信道容量最大,不论如何,上述问题每年都有数十篇文章发表。
对于一个通信科研/学术问题,重点并不是研究人员是否知道某些特性,而是是否能够通过一种合理的简化/假设,抓住主要矛盾,把现实问题数学化,也就是是否能够建立或者找到合适的模型。比如,如果你想要做MU-MIMO的研究,那么同样是MIMO场景,MU-MIMO和SU-MIMO的数学差异到底是什么?
为了解决这个问题,在这篇文章里,我将基于我自己的一些经验,尽量用人话介绍:
1) 多用户通信中的数学模型、
2)以干扰信道模型为基础,所产生的一类特殊的优化问题---信道容量优化
3) 以及该场景下一些常见的优化约束条件。
希望本文能够作为研究生/低年级博士生入门此领域的概要介绍。
多用户通信,如果我们细究下去,「多址信道(Multiple Access Channel,MAC)」和「广播信道(Broadcast Channel,BC)」是其中最简单的两种信道模型。当然即使如此,这两种简单信道的应用也包罗万象,包括卫星广播(卫星单一发射,多个地面站接收)、基站多址接入(多终端发射,单基站接收)等等。
多址信道(多个发射端一个接收端)和广播信道(一个发射端多个接收端)
通常,当多个通信用户共享同一个无线电(信道)资源、同时、各自独立地传输信息时,我们称这种方式为多用户通信。多用户通信目前活跃的场景有很多,大范围上可以分为MAC、BC和干扰信道(Interference Channel)。
让我们从基础的MAC信道开始。
1. MAC信道模型。MAC信道模型通常适合基站上行/下行链路建模,目前在多用户MIMO(MU-MIMO)研究中应用广泛。如上所述,MAC信道的特点是对于每个用户,发送/接收的信息不同。
有人说多址和常用的复用(multiplexing)技术体系近似,因为都需要通过考虑信道资源的正交性(可以是空间/时间/频率),在同样的信道资源下划分子信道,从而完成对不同用户不同信息的收发。也正因为如此,MAC信道模型非常适合MU-MIMO/or OFDM技术体系。此外逻辑上需要考虑到每个用户都会经历不同的信道衰落。
那么我们如何把这个特点提现在数学模型里呢?对于 K个上行用户来说,等价基带数学模型可以简化为:
其中, 是基站接收到的M维信号向量;因为存在K个用户,那么每个用户所发送的信息可能长度不同,对k个用户,我们记为 。这样,第k个用户发送的信息 会经过各自的信道 才能到达基站端,我们用 来表示基站所接收到的高斯白噪声。
特别强调,对于重点不是信道优化的MAC场景模型来说,我们通常需要假设信道是慢衰落或者块衰落,并假设完美的信道估计算法,以保证所有的信道 都是确定值,不然会显著增加该模型里优化问题的数学计算难度。这个强调也适用于下边的广播信道(BC)模型和干扰信道(IC)模型。
2. BC信道模型。BC信道通常适合卫星通信建模,它的特点是对于每个用户,都会收发相同的信息,这同样需要在逻辑上考虑各个用户所经历的不同信道衰落。对于 K个广播用户来说,等价基带数学模型可以简化为:
因为发送的信息相同,接收方不有多个,所以我们获得了K个联立方程组。其中, 是第K个用户接收到的 维接收信号向量,而 是一个M维的发送信号向量。为了和MAC信道模型统一,从而简化模型,我们不重新定义符号,而是对 进行Hermitian变换,得到了BC信道中的对第k个用户的信道矩阵。
针对不同场景,BC信道同样有很多变种。 比如,因为信息x带有相同的信息,但是接收用户可能会因为一些原因被分组(比如用户簇),这时候BC信道会进化为多播信道(multicast),或者更进一步,如果这个用户簇里只有一个用户,那么它被称做unicast。
3.IC信道模型。上述MAC、BC信道模型是一些比较简单的多用户信道模型,这些信道模型之所以实用,是因为存在一些基础设施假设,我们称它们为Infrastructure-specified场景,如上所述,基站、卫星通信等等。它们利用Infrastructure假设,避免了一些对于特定问题很trivial的数学假设。
但是,如果我们不知道当前网络基础结构,或者网络结构是自组织的话,比如Ad-hoc网络,那么这时候常用的信道模型需要更加泛化,即是干扰信道(Interference Channel,IC)模型。
在IC信道模型中,我们去除了MAC信道中的子信道正交化前提,去掉了BC信道中的相同信息假设,同样,我们不限制场景中所有用户的收发。这时候,对于K个用户共存的场景,信道就变成了:
这同样是K个方程组联立的形式,我在这里强烈各位对比MAC和BC信道模型,找到区别。其中 代表第k个用户发射机到接收机的直连信道(direct link),传输的是它自己想要的信息,而 代表着从第i个用户到第k个用户的接收机链路(cross-user link),传输的信息是干扰,所以被称作干扰信道模型。
这里其它符号都有解释过,我就不再赘述。
这也是基础的信道模型,还有很多同类的数学模型,比如信息安全中的wiretap channel,雷达通信中的Mutual Interference Channel,比如刚才提到的Intelligent Reflecting Surface,或者cell-free的通信模型,或者One-bit问题。
目前通信领域挖大坑,(除了机器学习以外)基本都是找到了一个比较practical的问题,简化出了新的数学模型。这也助长了比较高端的灌水方式,就是传说中的大杂烩灌水法,这里不展开说了。
(当然我也没资格评价这种挖坑和大杂烩的好坏,毕竟我还是个菜鸡,说不定也还指望这种灌水法跟大牛混口饭吃。)
我们现在有了一个最基本的信道模型,稍加改动它就可以被应用在空/时/频域场景中,并通过某些凸优化模式,对空/时/频域中的可控自由度进行修改,从而求得一类或者多类凸优化问题的解。
这里的可控自由度,
您可以看到,可控自由度有很多,优化问题自然也有很多。
以空间域优化为例,它可以是天线的beam-pattern,可以是3dB波束宽度,可以是SINR,可以是点对点的信道容量,可以是outage capacity,可以是检测概率(detection probability),可以是平均误码率(Mean Error Rate),更可以是各种跨层指标,比如能量利用率。当然也可以是多用户场景中的一个比较重要的指标,就是下文我主要描述的这类比较foundamental的问题,总速率优化问题(Sum-Rate Optimization Problem)。
那么,什么是Sum-Rate Optimization Problem?
众所周知,自从香农祖师爷以来,通信中最关键的指标就是信道容量(Channel Capacity),信道容量的计算方式有很多种,但是在涉及矩阵的、比较优雅的信道容量计算中,都离不开信号的协方差矩阵(covariance matrix)。
一个well-known的结论是(当然也欢迎各位自己推导一下试试看)。
很多人都知道的定理 1: 在点对点单用户信道中,如果我们已知发送信号的协方差矩阵 ,假设干扰加噪声协方差矩阵是单位矩阵,那么单用户的信道容量就是 。
这个结论可以扩展到多用户IC信道,此时干扰加噪声协方差矩阵(interference-plus-noise covariance matrix)就不会再成为单位矩阵,它是 多用户信道容量就变成了:
。
我们考虑它更广义的形式[1],对于第 个用户,加入效用因子 。当效用因子都是1时,就和上式等价,问题就变成了:
,这里我们标记为问题1。
其中,为了便于大家和传统的香农公式比较, 这部分可以理解为有用信号能量, 是干扰信号能量。这就是在多用户IC信道中,非常非常常见的一个优化问题 Sum-Rate Optimization的目标函数。
我们要优化的目标有了,那么优化的可控自由度在哪儿体现呢?
关键依然在协方差矩阵。我们分为两种主流的优化问题来介绍:
拆解后,假如OFDM信号中共有L个子载波可用,那么问题1就可以写作 ,其中 是 的第l个对角元素,q, r 的符号标记同理。这是一个比较典型的log形式的凹问题,其中需要优化求解的变量是K+L个q因子。这个问题的正统求解方式比较简单,在一些弱约束条件下可以直接用KKT方法求得解析解。强约束条件下,需要自己寻找计算途径。
2. Beamforming/Precoding问题。Beamformer/Precoder通过修改各个天线的相位/功率分配来改变波束指向(形状),而对于Beamformer/Precoder,通常需要一个复矩阵来描述其可控参数和波束指向角度 ,这里我们记为 (这里我没有标注维度,它可以使一个beamforming vector or precoding matrix,维度请自行思考,很简单)。
此时实际上,发送信号的协方差矩阵也因此发生了变化,。
这里需要特别强调一下, 是一种非常重要的数学/凸优化表示形式,你们能看到的很多论文,包括大多beamforming论文,都离不开这种数学表达。实际上,为了更简单的表达,或者为了解决其他的一些细分问题, 存在很多变种。
在通信里,我们更倾向于采用Precoding定义,因为通信用户往往更倾向于获得多个互不相关数据流,而向量形式的beamformer 仅能提供单空间流输出,主要目的是为了调整波束角度和形状,矩阵形式的precoder 可以提供多流输出。当然我这里表述并不严谨,precoder 和beamformer的区别物理意义不仅仅是这样的,感兴趣的同学可以自行查阅论文。事实上两种数学表述都有道理,向量形式的数学计算更简单一点。但这里我们为了下文表述方便,把它写成矩阵形式。
此时,问题的重心是寻找最优矩阵 ,发送信号的协方差矩阵变成了次要因素,我们可以认为 已知。更进一步,我们可以假设 是一个单位矩阵。问题1就变成了:
,
这里其它用户所造成干扰的数学表达形式也发生了变化, 这就是比较典型的总速率优化问题的目标函数了。这个问题的实际解法和问题1类似,因为可以通过一些数学符号代入,转换回问题1。
当然,如我们这里取消 是一个单位矩阵的假设,这个问题的数学构型就发生了变化,需要更多数学变换才能求解,我这里不赘述。
凸优化算法在通信中的应用,基本是优化目标和约束条件两者一起发展。目前来看,学术领域中优化目标发展接近停滞,因为衡量系统参数的方式其实目前已经比较确定了。大多常见构型都存在套路解法,所以寻找多样的实际约束(大多是非凸的),并把这些约束数学化,relax解决这些约束,是常见的Top论文思路。
这里我们列举一些在通信领域比较常用的约束。
其它约束有很多,比如单天线功率约束[5]...等等等等。上述约束在实际应用中的选取,也会引入一些非凸性质,需要根据实际情况自行判断。
完。