Massive MIMO中通信高效的分布式预编码设计.pdf
《Massive MIMO中通信高效的分布式预编码设计.pdf》由会员分享,可在线阅读,更多相关《Massive MIMO中通信高效的分布式预编码设计.pdf(12页珍藏版)》请在咨信网上搜索。
1、2023 年 8 月 Journal on Communications August 2023 第 44 卷第 8 期 通 信 学 报 Vol.44 No.8Massive MIMO 中通信高效的分布式预编码设计 李勉1,2,3,李洋2,3,4,张纵辉1,2,史清江2,5(1.香港中文大学(深圳)理工学院,广东 深圳 518172;2.深圳市大数据研究院,广东 深圳 518172;3.鹏城国家实验室,广东 深圳 518055;4.琶洲实验室(黄埔),广东 广州 510555;5.同济大学软件学院,上海 200092)摘 要:针对多 BBU 基带处理架构,提出一种通信高效的分布式预编码方案,旨
2、在降低 BBU 间前传交互和计算复杂度。首先,提出基于 R-WMMSE 算法的分布式框架,利用最优解的子空间特性无损压缩交互数据,降低数据交互量。然后设计了 2 种基于矩阵乘法的可学习压缩模块,通过优化的计算结构和矩阵参数减少参数和计算量,并保持函数表达能力。最后,以可达速率为优化目标,将可学习模块和分布式预编码算法框架联合优化得到最终模型。所提方案可以在更低的数据交互和计算复杂度要求下,实现预编码性能的保障。关键词:分布式预编码;数据压缩;深度学习;联合优化 中图分类号:TN929.53 文献标志码:A DOI:10.11959/j.issn.1000436x.2023147 Communi
3、cation-efficient distributed precoding design for Massive MIMO LI Mian1,2,3,LI Yang2,3,4,ZHANG Zonghui1,2,SHI Qingjiang2,5 1.School of Science and Engineering,The Chinese University of Hong Kong(Shenzhen),Shenzhen 518172,China 2.Shenzhen Research Institute of Big Data,Shenzhen 518172,China 3.Pengche
4、ng Laboratory,Shenzhen 518055,China 4.Pazhou Laboratory(Huangpu),Guangzhou 510555,China 5.School of Software Engineering,Tongji University,Shanghai 200092,China Abstract:A communication-efficient distributed precoding scheme was proposed for multi-baseband processing unit(BBU)baseband processing arc
5、hitecture,aiming to reduce fronthaul data exchange and computational complexity be-tween BBUs.Firstly,a distributed framework based on R-WMMSE algorithm was proposed,which utilized the subspace property of the optimal solution to compress the interactive data losslessly,thereby reducing data exchang
6、e.Furthermore,two learnable compression modules based on matrix multiplication were designed,using optimized computing structures and matrix parameters to reduce the parameters and computations while maintaining function expressiveness.Finally,the learnable modules and the distributed precoding fram
7、ework were jointly optimized with achievable rate as the optimiza-tion objective to obtain the final model.The proposed scheme can achieve guaranteed precoding performance under low-er requirements on data interaction and computational complexity Keywords:distributed precoding,data compression,deep
8、learning,joint optimization 收稿日期:20221205;修回日期:20230421 通信作者:史清江, 基金项目:国家重点研发计划基金资助项目(No.2022YFA1003900);国家自然科学基金资助项目(No.62071409,No.62231019,No.62101349);深圳市科技基金资助项目(No.RCJC20210609104448114);鹏城实验室重点基金资助项目(No.PCL2023AS1-2)Foundation Items:The National Key Research and Development Program of China(N
9、o.2022YFA1003900),The National NaturalScience Foundation of China(No.62071409,No.62231019,No.62101349),Shenzhen Science and Technology Program(No.RCJC20210609104448114),Major Key Project of Pengcheng Laboratory(No.PCL2023AS1-2)38 通 信 学 报 第 44 卷 0 引言 大规模多输入多输出(Massive MIMO)是 5G及未来无线通信系统中的核心技术1-2,其核心思
10、想是给基站配置几十乃至数百根天线,同时为几十个用户提供高质量的通信服务。大量天线的加持极大地提高了基带处理的空间分辨率,从而有效提升了通信系统的频谱效率3。此外,Massive MIMO 可以利用终端移动的随机性、信道衰落的不相关性、不同用户间信道的近似正交性降低用户间干扰和误码率,实现多用户空分复用。基于以上特点,近年来,Massive MIMO 在 LTE 演进、5G 和 6G 领域被广泛讨论4。Massive MIMO 也给无线系统的实现带来了巨大的挑战。一方面,天线数量的增加大幅提高了基带处理任务的复杂度,这对芯片的处理性能提出了极高的要求;另一方面,Massive MIMO 系统需要
11、支持大量天线,因此需要在芯片设计中综合考虑天线数量、布局、尺寸等复杂因素。这两方面因素导致单基带处理单元(BBU)芯片系统在成本和技术难度上缺乏优势,因此无线设施供应商都转向了多BBU 芯片基站系统的方案。多 BBU 系统支持灵活可扩展的部署,根据基站天线数量要求调整芯片数量。将基带处理任务分配到多块芯片上进行,降低了对芯片处理性能的要求,是一种可行且经济的设计。主流的基于多 BBU系统的天线阵列可以把天线数量做到 192 甚至更多,但是在进一步增加天线数量时会遇到数据交互,也就是前传流量带宽的瓶颈。具体而言,当多个BBU 芯片联合进行基带处理时,芯片间的数据交互量随着天线数量的增加而增长,最
12、终变得难以承载。例如,考虑一个配备 256 根天线、12 bit 模数转换器(ADC,analog to digital converter)的基站,当带宽为 80 MHz 时,基站 BBU 的前传速率需求将达到 1 Tbit/s,而这样的高数据速率已经超出了现有数据互联标准的承受能力5-7。分布式基带处理系统的 BBU 间过高的前传流量是阻碍更大规模天线阵列发展的重要因素,是工业界在攻克512天线乃至1 024天线Massive MIMO系统的过程中必须解决的问题。除了研究更高数据交换速度的总线互联接口,另一个值得重点研究的问题是如何从算法层面降低多 BBU 系统的前传流量。工业界的多 BB
13、U 系统通常基于“中心节点分布式节点”的系统架构,其特点是分布式节点处理局部天线数据,中心节点融合处理全局天线数据,达到和集中式算法等效的结果,通用的优化前传流量的手段主要还是直接的数据压缩,如离散傅里叶变换(DFT)去噪、量化压缩8等。如何在保证性能的前提下优化分布式预编码算法的性能是本文考虑的核心问题。学术界关于分布式预编码算法已经有一部分工作。最早的相关工作来自文献9-10。文献9-10首次提出了下行的分布式基带处理架构,并在该架构上设计了基于交替方向乘子法(ADMM,alternating di-rection method of multiplier)的迫零(ZF,zero forc
14、ing)11预编码算法。后来学术界又提出了基于坐标下降(CD,coordinate descent)5、维纳滤波(WF,Wiener filter)12、消息传递(MP,message passing)的近似 ZF 和最大比传输(MRT,maximal ratio transmission)的方法13。以上工作假定节点之间的连接速率十分受限,因此和工业界的应用仍存在一定割裂的现象,并且由于 MRC 和 ZF 预编码的性能不佳,应用潜力不大。在线性预编码算法领域,WMMSE(weighted minimum mean squared error)14在至今十多年来一直被视为性能上界的标准。尽管其
15、计算复杂度很高,但是随着移动互联网对预编码算法性能要求的不断提升,WMMSE 也逐渐被部署到现网中。目前,学术界还没有关于 WMMSE 的分布式预编码算法的工作,而前述分布式预编码工作以 ZF 预编码作为近似性能的上界,同场景下参考价值较低。因此在评估本文算法的性能时,将以集中式 ZF、集中式 WMMSE 算法作为对比算法。本文提出了一种通信高效的分布式预编码方案,其核心思想为分布式算法框架与可学习数据压缩模块的有机结合。该方案的基础是一种基于WMMSE 预编码的分布式变体,被称为分布式R-WMMSE15算法。通过向该算法框架中引入可学习模块并进行联合优化,保证了预编码的性能并实现了前传交互的
16、优化。所提方案对可学习压缩模块采用极简的设计,实现了预编码性能和前传交互之间的良好折中。仿真表明,相对于经典的 WMMSE算法,本文所提算法在保证预编码性能的前提下,大大降低了前传流量带宽。1 系统模型 1.1 预编码问题 本节首先介绍 Massive MIMO 中预编码问题的第 8 期 李勉等:Massive MIMO 中通信高效的分布式预编码设计 39 数学建模。考虑一个M 根天线的基站向K 个用户发送信号,其中,用户k的数据流数为kD,总流数为kkDD;天线数为kN,总天线数为kkNN。用户k和基站间的信道矩阵为kNMkH,用户k的接收信号1kNky可以表示为 1,Kkkkkkjjkjj
17、 kkyH P sH P sn 用户 的目标信号多用户信号干扰(1)其 中,1kDks表 示 用 户k的 数 据,满 足Hkks sI;kM DkP表示用户k的预编码矩阵;1kNkn表 示 用 户k处 的 加 性 白 高 斯 噪 声(AWGN),满足2 CN 0,kknI,2k表示用户k天线处的噪声功率。基站端根据下行信道信息求解不同用户的预编码矩阵。数学上,以最大化加权和速率(WSRM,weighted sum rate maximization)为目标,该问题可以表示为 11Hmax1maxlogdet ISINRs.t.T rkKKkkkkKkkkkPPPP P (2)其中,0k表示用户
18、k的权重,maxP表示基站的最大发射总功率。事实上,式(2)中目标函数是频谱效率的加权之和,其与带宽的积才是加权和速率。带宽在该优化问题中是常量,因此将频谱效率和可达速率作为目标函数是等效的,故本文也沿用相关工作14,16对该问题的称呼。用户k的信干噪比(SINR,signal-to-interference-and-noise ratio)为 HH112HHSINRKkkkkkkmmkkkkkmPP HIH P P HH P (3)Massive MIMO的一个重要优势是当基站天线数M大于用户天线数N时,随着M的增加,线性预编码的频谱效率可以逐渐接近理想的频谱效率17。反之,当MN时,信道线
19、性自相关程度会增加,导致频谱效率降低。在实际应用中,正常情况下基站工作于MN的状态。为了实现单用户频谱效率和能耗之间的良好折中,通常采用用户调度和天线关断等手段,以维持比值MN1在一个适当的范围内。本文的讨论也仅考虑MN的情形。1.2 分布式预编码 多BBU系统采用星形拓扑架构执行分布式预编码。具体而言,系统将基站天线分成不同的簇,每簇天线对应一个局部的BBU,使每个BBU只负责局部信号的处理。同时,一个中央BBU节点处理对应的全局数据。这种多BBU系统能够适应更加灵活的天线数量和分布式的部署,相对于单BBU系统,它能够降低对处理芯片性能的要求。将基站天线划分为C簇,每个天线簇中的天线数为Mc
20、=MC,对应地,信道矩阵和预编码矩阵可以分别划分为 121111222212CCCKKKHHHHHHHHHH 111122221212KKCCCKPPPPPPPPPP(4)其中,kcNMckH表示第c簇天线和第k个用户间的信道矩阵,ckMDckP表示相应的预编码矩阵。第c簇天线对应的BBU存储了N MH的第c个列块12,ccccKHHHH。通过BBU的局部计算和联合交互处理,第c簇天线对应的BBU最终计算得到预编码M DP1KkkDD的第c行分块cP 12,cccKPPP,用于对应簇天线数据的预编码。本文考虑如图1所示的分布式基带处理星形架构,其由一个中心节点和C个局部节点(对应C簇天线的BB
21、U)组成。这种架构广为采用,其原因是它能够很好地适应天线分簇所产生的处理流程。天线分簇自然会产生“局部数据”和对应的局部节点;高性能算法需要综合全局数据进行运算,这对应于中心节点的数据处理;而数据汇总和分发的过程则需要中心节点和局部节点之间的数据通路。40 通 信 学 报 第 44 卷 图 1 分布式基带处理星形架构 分布式预编码的前传数据交互是一个往返的过程。局部节点首先对局部信道矩阵cH进行预处理和压缩,然后将压缩结果汇总到中心节点进行进一步运算;中心节点在运算完毕后,将运算结果压缩并传回各个局部节点,然后由各个局部节点计算得到其各自的预编码矩阵。2 通信高效的分布式预编码设计 本节主要介
22、绍所提方案的技术细节。首先简要介绍了WMMSE预编码算法,接着介绍了该算法的一种变体,即R-WMMSE分布式预编码,并将其作为本文方案所使用的优化算法框架。在学习方法部分,分别详述了可学习数据压缩模块的设计思路与分析,以及模块与算法框架的整合和联合优化的细节。分布式预编码算法框架与可学习的数据压缩模块共同构成了一个完整的分布式预编码方案。2.1 WMMSE 预编码算法简介 WMMSE14是一种高性能MIMO线性预编码算法。其核心在于将原始的最大化加权和速率问题式(2)等价转化为,1Hmax1min(Tr()logdet()s.t.Tr kkkKkkkkkKkkkPW UPW EWP P(5)其
23、中,kW为新引入的辅助变量,kE为用户端均方误差矩阵,定义为 HHHHHH2H(kkkkkkkkkmmkkkkkm kEIU H PIU H PU H P P H UU U(6)其中,kU为用户端接收合并矩阵。通过对问题式(5)采用块坐标下降(BCD,block coordinate descent)法,可以得到经典的 WMMSE算法。每次迭代依次更新kU、kW、kP 12HH1KkkkmmkkkmUIH P P HH P(7)1HkkkkWIU H P(8)1HHH1KkkmmmmmmkkkkmPIH U W U HH U W(9)对kP的子问题求解涉及能量约束,因此需要优化对偶变量k。预编
24、码矩阵的能量是关于k的单调函数,所以在优化k时需要使用二分法14。WMMSE 预编码算法如算法 1 所示。算法 1 WMMSE 预编码算法 输入 2max,ckkkP H,1,2,cC,1,k 2,K 输出 ,1,2,1,2,ckCckKP 1)局部节点c向中心节点传输12,cccKHHH 1,2,cC 2)中心节点初始化kP使Hmax1TrKkkkPP P 3)中心节点重复 4)1 2,kkkK WW 5)按照式(7)式(9)依次更新kU、kW、,kP 1,2,kK 6)直到1(logdet(logdet()kkKkkWW 7)中心节点将12,cccKPPP传输至局部节点c,1,2,cC W
25、MMSE预编码的数据交互量分析如下。在算法1的第1行,每个局部节点 c 需要向中心节点传输12,cccKHHH,共传输MN 个复数;在第7行,中心节点向局部节点c 分发预编码矩阵12,cccKPPP,共传输 MD 个复数。所以,总的数据交互量为M(N+D)个复数。当基站天线数量 M 巨大时,产生极大的前传流量,这样的设计直接阻碍了更大的Massive MIMO天线阵的发展。2.2 R-WMMSE 分布式预编码算法 本文的分布式预编码方案使用一种WMMSE算法的分布式变体(称为R-WMMSE)作为算法框架,可提供较好的可解释性。利用优化问题中最优解的子空间特性,R-WMMSE分布式预编码将BBU
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- Massive MIMO中通信高效的分布式预编码设计 MIMO 通信 高效 分布式 预编 设计
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。