BẢN DỊCH FULLTEXT02

Massive MIMO Communications

Tóm tắt Mỗi thế hệ mạng mới cần thực hiện một bước nhảy vọt về thông lượng dữ liệu
khu vực, để quản lý lưu lượng dữ liệu không dây đang phát triển. Công nghệ Massive
MIMO có thể mang lại ít nhất mười lần cải thiện về thông lượng khu vực bằng cách tăng
hiệu suất phổ (bit / s / Hz / cell), trong khi sử dụng cùng băng thông và mật độ của các
trạm gốc như trong các mạng hiện tại. Những lợi ích phi thường này đạt được bằng cách
bỏ qua các trạm cơ sở với các mảng gồm một trăm ăng ten để cho phép ghép kênh
không gian của hàng chục thiết bị đầu cuối người dùng. Chương này giải thích các động
lực cơ bản và lý thuyết truyền thông đằng sau công nghệ Massive MIMO và cung cấp các
hướng dẫn thiết kế có liên quan
1 Introduction

Thông lượng dữ liệu khu vực cao hơn nhiều được yêu cầu trong các mạng di động trong
tương lai, do nhu cầu lưu lượng dữ liệu không dây toàn cầu liên tục tăng. Mục tiêu này
có thể đạt được mà không cần thêm băng thông hoặc các trạm gốc bổ sung nếu hiệu
quả phổ (được đo bằng bit / s / Hz / ô) được cải thiện. Chương này giải thích tại sao
công nghệ truyền thông Massive MIMO (nhiều đầu vào đa đầu ra), trong đó các trạm cơ
sở đa ăng-ten ghép nhiều không gian của nhiều thiết bị đầu cuối trên toàn bộ băng
thông, rất phù hợp cho mục đích này. Lý do đằng sau khái niệm Massive MIMO và giao
thức truyền tải của nó được giải thích từ góc độ lịch sử trong Sect. 2. Tiếp theo, môn
phái. 3 cung cấp một phân tích hiệu suất lý thuyết truyền thông cơ bản. Các biểu thức
hiệu suất phổ dạng đóng được lấy và các thuộc tính chính và giới hạn hiệu suất của
Massive MIMO được tô sáng. Các chương kết luận bởi Giáo phái. 4 trong đó các hướng
dẫn thiết kế liên quan đến thực hiện được đưa ra, đặc biệt là về phân bổ công suất và
tái sử dụng các chuỗi thí điểm để ước tính kênh hiệu quả. Mô phỏng đa tế bào được
cung cấp để xác định rằng công nghệ Massive MIMO có thể cung cấp các cải tiến gấp
mười hoặc thậm chí 50 lần về hiệu quả quang phổ so với công nghệ hiện đại, mà không
cần xử lý tín hiệu tiên tiến hoặc phối hợp mạng. Cuối cùng, các chi tiết toán học đầy đủ
được cung cấp trong Phụ lục ở cuối chương này
2 Importance of Improving the Spectral Efficiency

Lưu lượng thông tin không dây đã tăng gấp đôi cứ sau hai năm rưỡi kể từ khi bắt đầu
truyền thông không dây, theo quan sát của Martin Cooper tại ArrayComm vào những
năm 1990. Các công nghệ và trường hợp sử dụng khác nhau đã chiếm ưu thế trong khác
nhau
thời gian, nhưng sự gia tăng theo cấp số nhân hiện đang được thúc đẩy bởi lưu lượng
dữ liệu không dây trong các mạng di động và khu vực địa phương. Không có dấu hiệu
cho thấy xu hướng này sẽ sớm bị phá vỡ; trên thực tế, tốc độ tăng trưởng lưu lượng
truy cập nhanh hơn một chút được dự đoán trong Chỉ số mạng di động của Cisco và Báo
cáo di động của Ericsson có uy tín.
Để theo kịp tốc độ tăng trưởng lưu lượng nhanh chóng, mục tiêu chính của các công
nghệ 5G là cải thiện thông lượng khu vực theo các đơn đặt hàng lớn; Thông lượng cao
hơn 100 × và thậm chí 1000 × thường được đề cập là mục tiêu thiết kế 5G. Thông lượng
diện tích của mạng không dây được đo bằng bit / s / km2 và có thể được mô hình hóa
như sau:
Area throughput (bit/s/km2) =
Bandwidth (Hz)×Cell density (cells/km2)×Spectral efficiency
(bit/s/Hz/cell):

Công thức đơn giản này cho thấy có ba thành phần chính có thể được cải thiện để mang
lại thông lượng diện tích cao hơn: (1) băng thông có thể được phân bổ nhiều hơn cho
các dịch vụ 5G; (2) mạng có thể được tăng cường bằng cách thêm nhiều ô với các điểm
truy cập hoạt động độc lập; và (3) hiệu quả của việc truyền dữ liệu (trên mỗi ô và cho
một lượng băng thông nhất định) có thể được cải thiện.
Những cải thiện về thông lượng khu vực trong các thế hệ mạng trước đó là kết quả rất
lớn từ việc tăng mật độ tế bào và phân bổ băng thông nhiều hơn. Trong môi trường đô
thị, nơi các mạng hiện đại đang phải đối mặt với nhu cầu giao thông cao nhất,
Mạng di động hiện nay được triển khai với khoảng cách vài trăm mét giữa các trang web
và mạng cục bộ không dây (WLAN) có sẵn ở hầu hết mọi nơi. Sự tăng cường tế bào hơn
nữa là chắc chắn có thể, nhưng có vẻ như chúng ta đang đạt đến điểm bão hòa. Hơn
nữa, các dải tần có giá trị nhất là dưới 6 GHz vì các tần số này có thể cung cấp vùng phủ
sóng và chất lượng dịch vụ tốt, trong khi các băng tần cao hơn chỉ có thể hoạt động tốt
trong các điều kiện tầm nhìn ngắn.
Ở một quốc gia điển hình như Thụy Điển, các công nghệ di động và mạng WLAN đã
được phân bổ tổng cộng hơn 1 GHz băng thông trong khoảng dưới 6 GHz và do đó
chúng tôi không thể mong đợi bất kỳ cải thiện băng thông lớn nào
Ngược lại, hiệu suất phổ (SE) không thấy bất kỳ cải tiến lớn nào trong các thế hệ mạng
trước đó. Do đó, nó có thể là một yếu tố có thể được cải thiện rất nhiều trong tương lai
và có thể trở thành cách chính để đạt được thông lượng khu vực cao trong mạng 5G.
Trong chương này, chúng tôi mô tả cơ sở lý luận và nền tảng của công nghệ lớp vật lý
Nhiều đầu ra đa đầu vào (MIMO), cung cấp phương tiện để cải thiện SE của các mạng
trong tương lai theo một hoặc hai bậc độ lớn.

2.1 Multi-User MIMO Communication

SE của kênh truyền thông đầu ra đơn đầu vào (SISO), từ một máy phát ăng ten đơn đến
máy thu ăng ten đơn, được giới hạn trên bởi công suất Shannon, có bit / s dạng log2 (1 +
SNR) / Hz đối với các kênh nhiễu Gaussian trắng (AWGN) phụ gia. Do đó, công suất SISO
là một hàm logarit của tỷ lệ tín hiệu / nhiễu (SNR), được ký hiệu ở đây là SNR. Để cải
thiện SE chúng ta cần tăng SNR, tương ứng với việc tăng công suất của tín hiệu truyền
đi. Ví dụ: giả sử chúng tôi có một hệ thống hoạt động ở mức 2 bit / s / Hz và chúng tôi
muốn tăng gấp đôi SE của nó lên 4 bit / s / Hz, thì điều này tương ứng với việc cải thiện
SNR theo hệ số 5, từ 3 đến 15. Việc nhân đôi tiếp theo của SE, từ 4 đến 8 bit / s / Hz, đòi
hỏi thêm 17 lần năng lượng. Nói cách khác, logarit của biểu thức SE buộc chúng ta phải
tăng công suất truyền nhanh theo cấp số nhân để đạt được mức tăng tuyến tính trong
SE của kênh SISO. Đây rõ ràng là một cách rất không hiệu quả và không thể mở rộng để
cải thiện SE, và cách tiếp cận cũng bị phá vỡ khi có sự can thiệp truyền trong các tế bào
khác có quy mô công suất truyền của chúng theo cách tương tự. Do đó, chúng ta cần xác
định một cách khác để cải thiện SE của các mạng di động.
Mỗi trạm gốc (BS) trong mạng di động phục vụ vô số thiết bị đầu cuối người dùng. Theo
truyền thống, tài nguyên thời gian / tần số đã được chia thành các khối tài nguyên và chỉ
một trong số các thiết bị đầu cuối người dùng được kích hoạt trên mỗi khối. Thiết bị đầu
cuối này sau đó có thể nhận được một luồng dữ liệu duy nhất với SE được định lượng là
log2 (1 + SNR). Cách hiệu quả để tăng SE của mạng di động là có nhiều đường truyền
song song. Nếu có G truyền song song và truyền độc lập, tổng SE trở thành Glog2 (1 +
SNR) trong đó G đóng vai trò là hệ số tiền đăng nhập nhân. Việc truyền song song có thể
được nhận ra bằng cách có nhiều anten phát và nhiều anten thu. Có hai trường hợp
riêng biệt:
1. MIMO điểm-điểm [39], trong đó một BS có nhiều ăng-ten giao tiếp với một thiết bị
đầu cuối người dùng có nhiều ăng-ten.
2. MIMO nhiều người dùng [34], trong đó một BS có nhiều ăng ten giao tiếp với nhiều
thiết bị đầu cuối của người dùng, mỗi thiết bị có một hoặc nhiều ăng ten
Có nhiều lý do tại sao MIMO nhiều người dùng là giải pháp có khả năng mở rộng và hấp
dẫn nhất [17]. Thứ nhất, bước sóng là 5-30 cm trong dải tần số của thông tin di động (1-
6 GHz). Điều này giới hạn số lượng ăng-ten có thể được triển khai trong thiết bị đầu cuối
người dùng nhỏ gọn cho MIMO điểm-điểm, trong khi người ta có thể có hầu hết số
lượng thiết bị đầu cuối ăng-ten đơn tách biệt trong MIMO nhiều người dùng. Đây là một
sự khác biệt quan trọng vì số lượng luồng dữ liệu đồng thời có thể được phân tách bằng
xử lý MIMO bằng với mức tối thiểu của số lượng anten phát và thu. Thứ hai, kênh
truyền không dây đến thiết bị đầu cuối người dùng có thể chỉ có một vài đường dẫn
thống trị, điều này hạn chế khả năng truyền nhiều luồng dữ liệu song song đến một thiết
bị đầu cuối trong MIMO điểm-điểm. Hạn chế tương ứng đối với MIMO nhiều người
dùng là người dùng cần cách nhau vài mét để có đủ các đặc điểm kênh khác nhau, đây là
một hạn chế rất lỏng lẻo trong hầu hết các tình huống thực tế. Thứ ba, cần xử lý tín hiệu
nâng cao tại các thiết bị đầu cuối trong MIMO điểm-điểm để phát hiện nhiều luồng dữ
liệu, trong khi mỗi thiết bị đầu cuối trong MIMO nhiều người dùng chỉ cần phát hiện một
luồng dữ liệu duy nhất

Hệ thống MIMO đa người dùng chính tắc bao gồm một BS với ăng ten M phục vụ các
đầu cuối ăng ten đơn K; xem hình 1 cho một minh họa sơ đồ. BS ghép một luồng dữ liệu
cho mỗi người dùng trong đường xuống và nhận một luồng cho mỗi người dùng trong
đường lên. Nói một cách đơn giản, BS sử dụng ăng-ten của nó để hướng từng tín hiệu về
phía máy thu mong muốn của nó trong đường xuống và để tách nhiều tín hiệu nhận
được trong đường lên. Nếu thiết bị đầu cuối được trang bị nhiều ăng ten, thường có lợi
khi sử dụng các ăng ten bổ sung này để giảm nhiễu và cải thiện SNR thay vì gửi nhiều
luồng dữ liệu [6]. Để dễ giải thích, chương này tập trung vào các đầu nối ăng ten đơn.
Trong trường hợp này, min (M; K) đại diện cho số lượng luồng dữ liệu tối đa có thể được
truyền đồng thời trong ô, trong khi vẫn có thể tách rời trong miền không gian. Số min
(M; K) được gọi là mức tăng ghép kênh của hệ thống MIMO nhiều người dùng
2.2 Lessons Learned

Nghiên cứu về MIMO đa người dùng, đặc biệt là với các BS đa ăng ten, đã được thực
hiện trong nhiều thập kỷ. Một số công việc ban đầu đáng chú ý là các tài liệu xử lý mảng
[1, 38, 44, 47], bằng sáng chế [36] về đa truy nhập phân chia không gian (SDMA) và các
công trình lý thuyết thông tin tinh dịch [11, 18, 42, 43, 46 ] đặc trưng cho các vùng năng
lực đa người dùng có thể đạt được, giả sử rằng thông tin trạng thái kênh hoàn hảo (CSI)
có sẵn trong hệ thống. Trong phần này, chúng tôi tóm tắt một số hiểu biết thiết kế chính
đã đạt được trong những năm qua
Các sơ đồ truyền đạt công suất cho MIMO nhiều người dùng dựa trên xử lý tín hiệu phi
tuyến tính; ví dụ, lược đồ mã hóa giấy bẩn (DPC) đạt được dung lượng đường xuống và
lược đồ khử nhiễu liên tiếp (SIC) để đạt được dung lượng đường lên. Trực giác đằng sau
các sơ đồ này là sự can thiệp giữa người dùng cần phải được triệt tiêu, bằng cách xử lý
truyền nhận biết nhiễu, hoặc xử lý nhận nhận nhiễu, để đạt được hiệu suất tối ưu. Các
sơ đồ phi tuyến tính này tự nhiên đòi hỏi phải tính toán rộng rãi và CSI chính xác, bởi vì
nếu không, các nỗ lực để trừ nhiễu gây ra nhiều tác hại hơn là tốt

Hình 1 Minh họa về truyền dẫn đường xuống và đường lên trong hệ thống MIMO nhiều
người dùng, trong đó BS được trang bị ăng-ten M và phục vụ đồng thời các thiết bị đầu
cuối của người dùng K. Hình minh họa này tập trung vào lan truyền tầm nhìn trong đó
tín hiệu đường xuống có thể được xem là chùm tia góc, nhưng MIMO đa người dùng
hoạt động tốt như nhau trong điều kiện không nhìn thấy đường truyền. (a) Đường
xuống trong MIMO nhiều người dùng. (b) Đường lên trong MIMO nhiều người dùng

Làm thế nào lớn đến mức tăng của xử lý phi tuyến tính tối ưu (ví dụ, DPC và SIC) so với
các sơ đồ xử lý tuyến tính đơn giản hóa trong đó mỗi thiết bị đầu cuối người dùng được
xử lý riêng? Để điều tra điều này, chúng tôi cung cấp một ví dụ bằng số trong đó thiết bị
đầu cuối người dùng K = 10 được cung cấp đồng thời bởi một BS có ăng ten M. Để đơn
giản, mỗi người dùng được giả định có SNR trung bình là 5 dB, có CSI hoàn hảo có sẵn ở
mọi nơi và các kênh được mô hình hóa là fading Rayleigh không tương thích (điều này
được xác định chi tiết trong Phần 3). Hình 2 cho thấy tổng SE trung bình, như là một
hàm của M, đạt được bằng cách xử lý phi tuyến tính đạt được năng lực tổng thể và sơ
đồ xử lý tuyến tính đơn giản được gọi là zero-cưỡng bức (ZF), cố gắng triệt tiêu mọi
nhiễu. Các kết quả là đại diện cho cả truyền dẫn đường lên và đường xuống.
Mô phỏng này cho thấy việc xử lý phi tuyến tính vượt trội rất nhiều so với ZF tuyến tính
khi M ≈ K. Điểm vận hành M = K có ý nghĩa đặc biệt từ góc độ ghép kênh vì mức tăng
ghép kênh tối thiểu (M; K) không cải thiện nếu chúng ta tăng M một K. cố định, tuy
nhiên, Hình 2 cho thấy có những lý do khác để xem xét M> K; công suất tăng và hiệu
suất với xử lý ZF tuyến tính tiếp cận công suất. Đã ở M = 20 (tức là, M = K = 2) chỉ có một
khoảng cách nhỏ giữa xử lý phi tuyến tính tối ưu và ZF tuyến tính. Trên thực tế, cả hai
lược đồ cũng tiếp cận đường cong trên trong Hình 2, biểu thị giới hạn trên nơi mà sự
can thiệp giữa người dùng bị bỏ qua. Điều này cho thấy về cơ bản chúng tôi có thể phục
vụ tất cả người dùng K như thể mỗi người trong số họ ở một mình trong phòng giam

Hình 2 Hiệu suất phổ trung bình trong hệ thống MIMO nhiều người dùng với
K = 10 người dùng và số lượng ăng ten BS khác nhau. Mỗi người dùng có SNR trung bình
là 5 dB và các kênh đang mờ dần Rayleigh. Công suất tổng được so sánh với hiệu suất xử
lý ZF tuyến tính và giới hạn trên khi bỏ qua tất cả nhiễu. Kết quả là đại diện cho cả
đường lên và đường xuống

Bài học đầu tiên rút ra: Xử lý tuyến tính, chẳng hạn như ZF, cung cấp hiệu suất phổ tổng
gần với công suất tổng khi M >> K
(K là số user , M là số anten)
Phân tích hiệu suất và tối ưu hóa các sơ đồ xử lý tuyến tính đã nhận được nhiều sự chú ý
từ các nhà nghiên cứu học thuật. Trong khi các sơ đồ phi tuyến tính khó thực hiện
nhưng tương đối dễ phân tích và tối ưu hóa, các sơ đồ xử lý tuyến tính đã được chứng
minh là có các đặc điểm ngược lại. Cụ thể, tính toán tiền mã hóa tuyến tính đường
xuống tối ưu là một vấn đề khó NP trong nhiều trường hợp [27], trong đó yêu cầu các
công cụ tối ưu hóa đơn điệu để giải quyết; xem ví dụ [9]. Tuy nhiên, đường cong ZF dưới
mức tối ưu trong Hình 2 được tạo ra mà không có bất kỳ tối ưu hóa phức tạp nào, do đó
cho thấy rằng xử lý tuyến tính tối ưu thu được trong [9] chỉ có thể mang lại lợi ích đáng
chú ý so với ZF đơn giản cho M ≈ K, đó là chế độ mà chúng ta đã học không hoạt động

Như đã đề cập trước đó, BS cần CSI trong các hệ thống MIMO nhiều người dùng để
phân tách các tín hiệu liên quan đến những người dùng khác nhau. CSI hoàn hảo thường
không thể đạt được trong thực tế, vì các kênh đang thay đổi theo thời gian và tần suất,
và do đó phải được ước tính bằng cách sử dụng các nguồn lực hạn chế. Ước tính kênh
của kênh chọn tần số có thể được xử lý bằng cách chia tài nguyên tần số thành nhiều
kênh con phẳng tần số độc lập có thể được ước tính riêng.
Một chuỗi thí điểm đã biết được truyền qua mỗi kênh con như vậy và tín hiệu nhận
được được sử dụng để ước tính đáp ứng kênh. Để khám phá tất cả các kích thước kênh
không gian, chuỗi này ít nhất phải có cùng độ dài với số lượng anten phát [8]. Điều này
có nghĩa là chuỗi thử nghiệm được gửi bởi BS cần phải có độ dài M, trong khi chuỗi thử
nghiệm kết hợp được gửi bởi các đầu cuối người dùng ăng ten đơn cần có độ dài K
Có hai cách để thực hiện truyền dẫn đường xuống và đường lên trên một dải tần số nhất
định. Trong chế độ song công phân chia tần số (FDD), băng thông được chia thành hai
phần riêng biệt: một cho đường lên và một cho đường xuống. Trình tự thí điểm là cần
thiết trong cả đường xuống và đường lên do sự mờ dần chọn lọc, cho độ dài trung bình
của thí điểm là (M + K) = 2 trên mỗi kênh con. Có một chế độ song công phân chia thời
gian thay thế (TDD) trong đó toàn bộ băng thông được sử dụng cho cả truyền dẫn
đường xuống và đường lên, nhưng được phân tách theo thời gian. Nếu hệ thống chuyển
đổi giữa đường xuống và đường lên nhanh hơn các kênh đang thay đổi, thì việc học các
kênh chỉ theo một trong các hướng là đủ. Điều này dẫn đến độ dài thí điểm trung bình
tối thiểu (M; K) trên mỗi kênh con, nếu chúng tôi chỉ gửi phi công theo hướng hiệu quả
nhất. Trong chế độ hoạt động tốt hơn của M K, chúng tôi lưu ý rằng các hệ thống TDD
chỉ nên gửi phi công trong đường lên và chiều dài phi công trở thành tối thiểu (M; K) = K.
Chúng tôi kết luận rằng TDD là chế độ thích hợp hơn vì nó không chỉ yêu cầu ngắn hơn
phi công hơn FDD, nhưng cũng có khả năng mở rộng cao vì chiều dài phi công không phụ
thuộc vào số lượng ăng ten BS
Chúng tôi đưa ra một ví dụ số cụ thể trong Hình 3 cho truyền dẫn đường xuống với
người dùng K = 10, SNR là 5 dB và các kênh fading Rayleigh không tương thích. Hai sơ đồ
tiền mã hóa tuyến tính được xem xét; (a) tỷ lệ tối đa (MR) và (b) zeroforcing (ZF). Các sơ
đồ này sau đó được định nghĩa toán học trong Giáo phái. 3. Mô phỏng này so sánh SE
thu được khi có CSI hoàn hảo với hiệu suất khi ước tính CSI với các chuỗi thí điểm có
chiều dài tp. SE được hiển thị dưới dạng hàm số lượng anten BS, M và chúng tôi so sánh
chế độ TDD bằng cách sử dụng tp = K = 10 với chế độ FDD bằng cách sử dụng tp = 10, tp
= M hoặc tp = min (M; 50), trong đó các mô hình sau có độ dài tối đa được chọn tùy ý là
50 (ví dụ: được thúc đẩy bởi các ràng buộc trên không của phi công)
Trong chế độ TDD, có sự mất hiệu năng rõ rệt trong Hình 3 so với việc có CSI hoàn hảo.
Mất mát với tiền mã hóa MR là rất nhỏ, điều này cho thấy rằng nó rất mạnh đối với các
lỗi ước tính. Mất hiệu suất lớn hơn đối với tiền mã hóa ZF, vì các lỗi ước tính làm cho
việc ngăn chặn nhiễu trở nên khó khăn hơn, nhưng chúng tôi nhận thấy rằng ZF dù sao
cũng cung cấp hiệu suất cao hơn MR cho tất cả các M. được xem xét. Chúng tôi nhận
thấy rằng tổn thất hiệu suất không đổi bất kể số lượng BS ăng ten, do đó hệ thống TDD
luôn được hưởng lợi từ việc thêm nhiều ăng ten. Ngược lại, các hệ thống FDD chỉ được
hưởng lợi từ việc thêm nhiều ăng-ten nếu các chuỗi thử nghiệm cũng được thực hiện
lâu hơn, như trong trường hợp tp = M. Với tp = 10, không có lợi ích gì khi có nhiều hơn
10 ăng-ten, trong khi hiệu suất bão hòa ở 50 ăng-ten khi tp = phút (M; 50). Tóm lại, hoạt
động TDD hoàn toàn có thể mở rộng liên quan đến số lượng ăng-ten BS, trong khi hoạt
động FDD chỉ có thể xử lý nhiều ăng-ten hơn bằng cách tăng chi phí thử nghiệm. Thực tế
là khả thi khi triển khai các hệ thống FDD có nhiều ăng ten, đặc biệt đối với các kênh
thay đổi chậm, trong đó chúng tôi có thể chấp nhận một chi phí thí điểm lớn, nhưng
TDD luôn là lựa chọn tốt hơn trong khía cạnh này
Bài học thứ hai rút ra: Ước tính kênh được đơn giản hóa khi hoạt động ở chế độ TDD, vì
các chuỗi thí điểm chỉ cần có độ dài K bất kể số lượng anten BS M.
Lưu ý rằng đường lên hoạt động theo cùng một cách trong chế độ TDD và FDD, trong khi
lợi ích khác biệt của TDD về khả năng mở rộng xuất hiện trong đường xuống
2.2.1 Tuyên truyền thuận lợi
Nhớ lại từ Hình 2 rằng bằng cách thêm nhiều anten BS, cả xử lý phi tuyến tính tổng dung
lượng và xử lý ZF tuyến tính đơn giản đã tiếp cận trường hợp mà không bị nhiễu. Đây
không phải là sự trùng hợp ngẫu nhiên mà là một tài sản cơ bản được gọi là tuyên
truyền thuận lợi
Đặt h1; h2 thuộc CM đại diện cho các phản hồi kênh giữa BS và hai thiết bị đầu cuối
người dùng khác nhau. Nếu các vectơ này khác không và trực giao theo nghĩa là
Trong đó (·) H biểu thị chuyển vị liên hợp, sau đó BS có thể tách hoàn toàn các tín hiệu
s1; s2 được truyền bởi người dùng khi quan sát y = h1s1 + h2s2. Chỉ cần tính toán sản
phẩm bên trong giữa y và h1, BS có được

trong đó sự can thiệp giữa người dùng biến mất do (1). Điều tương tự có thể được thực

hiện cho người dùng thứ hai Lưu ý rằng BS cần có kiến thức hoàn
hảo về h1 và h2 để tính toán các sản phẩm bên trong này. Tính trực giao của kênh trong
(1) được gọi là lan truyền thuận lợi, vì hai người dùng có thể giao tiếp với BS mà không
ảnh hưởng lẫn nhau.
Có một cơ hội mà các kênh thực tế cung cấp tuyên truyền thuận lợi? Có lẽ không theo
định nghĩa chặt chẽ rằng hH 1 h2 = 0, nhưng một hình thức lan truyền thuận lợi gần
đúng đạt được trong các tình huống không nhìn thấy với sự tán xạ phong phú:
Bổ đề 1. Giả sử h1 2 CM và h2 2 CM có các mục ngẫu nhiên độc lập với giá trị trung bình
bằng 0, phân phối giống hệt nhau và các khoảnh khắc bậc bốn bị ràng buộc, sau đó hH1
h2 / M-> 0 (3)
gần như chắc chắn là M -> vô cùng.
Bằng chứng. Đây là một hệ quả của luật số lượng lớn. Một bằng chứng trực tiếp được
cung cấp cùng với Định lý 3.7 trong [14]
 Hình 3 Hiệu suất phổ đường xuống trung bình, như là một hàm của số lượng
anten BS, với các sơ đồ xử lý khác nhau và các loại CSI khác nhau có sẵn tại BS. (a) Mô
phỏng đường xuống với tiền mã hóa tỷ lệ tối đa. (b) Mô phỏng đường xuống với tiền mã
hóa không bắt buộc
Bổ đề này cho thấy sản phẩm bên trong giữa h1 và h2, nếu được chuẩn hóa với số lượng
anten BS, sẽ không có triệu chứng về 0 khi M tăng. Chúng tôi đề cập đến điều này như là
sự lan truyền thuận lợi không triệu chứng và lưu ý rằng hiện tượng này giải thích các
hành vi trong Hình 2; sự khác biệt giữa việc không có nhiễu giữa người dùng và triệt tiêu
nhiễu bởi ZF trở nên nhỏ hơn và nhỏ hơn khi số lượng anten tăng lên, vì mất tín hiệu
mong muốn khi sử dụng ZF giảm khi các kênh của người dùng trở nên trực giao hơn
Một trường hợp đặc biệt trong đó Bổ đề 1 giữ là h1; h2 CN (0; IM), trong đó CN (·; ·)
biểu thị một phân bố Gaussian phức tạp đối xứng đa phương và IM là ma trận nhận
dạng M × M. Điều này được gọi là fading Rayleigh không tương thích và trong trường
hợp này, người ta thậm chí có thể chứng minh rằng phương sai của sản phẩm bên trong
trong (3) là 1 = M và do đó giảm tuyến tính với số lượng anten [31]. Nhiều công trình
học thuật trên các hệ thống MIMO khổng lồ xem xét các kênh fading Rayleigh, do khả
năng phân tích của các phân phối Gaussian. Tuy nhiên, Bổ đề 1 cho thấy rằng việc truyền
bá thuận lợi tiệm cận cũng giữ cho các phân phối kênh ngẫu nhiên khác. Kết quả toán
học này có thể được mở rộng để bao gồm cả mối tương quan giữa các yếu tố trong một
vectơ kênh. Người ta cũng có thể rút ra kết quả phân tích tương tự đối với lan truyền thị
giác [31] và các hành vi giống với lan truyền thuận lợi không triệu chứng cũng đã được
quan sát trong các phép đo kênh MIMO đa người dùng trong thế giới thực được trình
bày trong [16, 20].
Bài học thứ ba rút ra: Hầu hết các kênh không dây dường như cung cấp sự lan truyền
thuận lợi không có triệu chứng.
Bài học này là một lý do khác để thiết kế hệ thống MIMO nhiều người dùng với M >> K.
Tuy nhiên, điều quan trọng cần lưu ý là (hH 1 h2) = M -> 0, vì M -> vô, không ngụ ý rằng
hH 1 h2! 0. Lan truyền thuận lợi nghiêm ngặt không có khả năng xuất hiện trong các
kênh thực tế hoặc lý thuyết. Trên thực tế, sản phẩm bên trong hH 1 h2 phát triển gần
như pM cho các kênh fading Rayleigh. Điểm mấu chốt là mối tương quan này có tác
động không đáng kể, vì SE phụ thuộc vào (hH 1 h2) = M mà về 0 gần bằng 1 = pM.
Hơn nữa, sự triệt tiêu chính của nhiễu giữa các người dùng đã xuất hiện với số lượng
ăng ten tương đối nhỏ do căn bậc hai.
2.3 Khái niệm lớn về MIMO
Khái niệm Massive MIMO đã được đề xuất trong bài báo chuyên đề [28] và được mô tả
trong bằng sáng chế [29], cả hai đều nhận được nhiều giải thưởng khoa học. Massive
MIMO đưa giao tiếp MIMO nhiều người dùng lên một tầm cao mới bằng cách thiết kế
một giao thức truyền thông có khả năng mở rộng cao, sử dụng ba bài học được mô tả
trong Sect. 2.2. Các giới hạn lý thuyết thông tin và truyền thông cơ bản của công nghệ
5G này đã được thiết lập trong các công trình đầu tiên như [3, 19, 21, 23, 30]. Trong
chương này, chúng tôi định nghĩa MIMO lớn như sau

Hình 4 Minh họa về giao thức truyền MIMO Massive cơ bản, trong đó
các tài nguyên tần số thời gian được chia thành các khoảng kết hợp, mỗi khoảng chứa
các ký hiệu truyền tc = BcTc. truyền dựa trên hoạt động TDD
Massive MIMO là một hệ thống MIMO nhiều người dùng với ăng ten M và K người
dùng trên mỗi BS. Hệ thống được đặc trưng bởi M >> K và hoạt động ở chế độ TDD
bằng cách sử dụng xử lý đường lên và đường xuống tuyến tính

Định nghĩa này không biểu thị bất kỳ tỷ lệ cụ thể nào giữa M và K, hoặc bất kỳ thứ tự
cường độ cụ thể nào mà các tham số này nên có. Một ví dụ hấp dẫn là một hệ thống có
M trong phạm vi từ 100 đến 200 ăng ten, phục vụ giữa người dùng K = 1 và K = 40 tùy
thuộc vào các biến thể lưu lượng dữ liệu. Việc triển khai Massive MIMO trong thời gian
thực đầu tiên là thử nghiệm LuMaMi được mô tả trong [41], có tính năng M = 100 và K =
10. Chúng tôi nhấn mạnh rằng các định nghĩa khác về Massive MIMO có sẵn trong các
tác phẩm khác và cả hai có thể hạn chế hơn (ví dụ: yêu cầu một số chiều nhất định của
M và K) và lỏng hơn (ví dụ, cũng bao gồm chế độ FDD), nhưng trong chương này chúng
tôi chỉ xem xét định nghĩa ở trên.
Mảng ăng ten BS thường bao gồm các ăng ten lưỡng cực M, mỗi ăng ten có kích thước
hiệu dụng l = 2 × l = 2, trong đó l là bước sóng. Điều này có nghĩa là diện tích mảng 1 m2
có thể phù hợp với 100 ăng-ten ở tần số sóng mang 1,5 GHz và 400 ăng-ten ở tốc độ 3
GHz. Mỗi ăng ten được gắn vào một chuỗi thu phát riêng biệt, để hệ thống có thể
truy cập tín hiệu riêng nhận được ở mỗi ăng ten và chọn các tín hiệu riêng được truyền
từ mỗi ăng ten. Các mảng có thể có bất kỳ hình học; mảng tuyến tính, hình chữ nhật,
hình trụ và phân tán được mô tả trong [25]. Điều quan trọng cần lưu ý là không có mô
hình nào của hình học mảng được khai thác trong quá trình xử lý MIMO lớn, do đó, ăng
ten có thể được triển khai tùy ý mà không cần hiệu chỉnh mảng hình học.
Giao thức truyền tải Massive MIMO cơ bản được minh họa trong hình 4. Tài nguyên thời
gian được chia thành các khối có kích thước Bc Hz và Tc s, với mục đích làm cho mỗi
kênh người dùng xấp xỉ tần số và tĩnh trong một khối.
Do đó, băng thông Bc được chọn nhỏ hơn hoặc bằng băng thông kết hợp kênh dự đoán
giữa những người dùng, trong khi Tc nhỏ hơn hoặc bằng thời gian kết hợp kênh dự đoán
của người dùng. Vì lý do cụ thể này, mỗi khối được gọi là một khoảng kết hợp. Số lượng
các ký hiệu truyền phù hợp với một khoảng kết hợp được đưa ra bởi tc = BcTc, do định
lý lấy mẫu Nyquist - Shannon. Thứ nguyên của khoảng kết hợp phụ thuộc rất lớn vào
ứng dụng hệ thống dự đoán. Ví dụ, có thể thu được khoảng kết hợp của các ký hiệu tc =
200 với Bc = 200 kHz và Tc = 1 ms, hỗ trợ vận tốc của người dùng đường cao tốc trong
môi trường đô thị ở tần số sóng mang 2 GHz. Khoảng thời gian kết hợp lớn hơn nhiều (ví
dụ: tc theo thứ tự 103 hoặc 104) có thể thu được bằng cách giới hạn ứng dụng trong các
tình huống có tính di động thấp của người dùng và độ trễ lan truyền ngắn
Mỗi khoảng thời gian kết hợp được vận hành trong chế độ TDD và có thể chứa cả truyền
tải trọng đường xuống và đường lên. Để cho phép ước tính kênh tại BS, tp của các ký
hiệu trong mỗi khoảng kết hợp được phân bổ để truyền đường lên của chuỗi thí điểm
(trong đó tp ≥ K), trong khi các ký hiệu tc - tp còn lại có thể được phân bổ tùy ý giữa
truyền dữ liệu tải lên đường xuống và đường xuống
Chúng tôi để gUL và gDL lần lượt biểu thị các phân số của truyền tải trọng tải đường lên
và đường xuống. Điều này có nghĩa là đường lên chứa các ký hiệu dữ liệu gUL (tc - tp) và
đường xuống chứa các ký hiệu dữ liệu gDL (tc - tp) trên mỗi khoảng thời gian kết hợp.
Đương nhiên, các phân số này thỏa mãn gUL + gDL = 1 và gUL; gDL 0. Lưu ý rằng không
có phi công đường xuống nào được giả định trong giao thức này, vì các kênh tiền mã
hóa hiệu quả hội tụ đến giá trị trung bình của chúng khi BS có nhiều ăng ten (do luật của
số lượng lớn). Chắc chắn cũng có thể gửi một lượng nhỏ phi công đường xuống, đặc biệt
là để ước tính các biến thể mờ nhỏ của tiền mã hóa hiệu quả các kênh, nhưng lợi ích bổ
sung từ việc này dường như là nhỏ trong nhiều trường hợp MIMO lớn có liên quan [33].
Dựa trên định nghĩa này về Massive MIMO, các phần tiếp theo sẽ phân tích các SE lớn
mà giao thức truyền có thể cung cấp trong các mạng di động 5G
3 Phân tích hiệu suất
Trong phần này, chúng tôi mô tả phát hiện đường lên và tiền mã hóa đường xuống của
mạng MIMO lớn và phân tích hiệu suất hệ thống có thể đạt được. Chúng tôi xem xét
một mạng MIMO Massive cơ bản bao gồm các tế bào L, mỗi tế bào bao gồm một BS với
ăng ten M và thiết bị đầu cuối người dùng ăng ten đơn K.
Phản hồi kênh giữa BS thứ l và người dùng k trong ô thứ i được ký hiệu là hl i; k = [hl i; k;
1 ::: hl i; k; M] T 2 CM, trong đó (·) T biểu thị chuyển vị. Các vectơ kênh này là các biến
ngẫu nhiên ergodic được giả định để thực hiện các độc lập mới trong mỗi khoảng thời
gian kết hợp; nhớ lại giao thức Massive MIMO được mô tả trong Sect. 2.3. Để chỉ ra rằng
khái niệm chung về Massive MIMO được áp dụng trong
bất kỳ môi trường lan truyền nào, chúng tôi giữ nguyên phân tích hiệu suất chung bằng
cách chỉ xác định các thuộc tính kênh thống kê cơ bản: giá trị trung bình và phương sai
của từng hệ số kênh hli; k; m (lưu ý rằng m là viết tắt của ăng ten thứ m tại BS l, với m =
1 ; :::; M). Chúng tôi để

Chúng ta hãy biểu thị các vectơ của các giá trị trung bình. Phương sai của hệ số thứ m
của hli; k được ký hiệu là

không phụ thuộc vào chỉ số anten m (giả sử rằng fading quy mô lớn đứng yên
trên mảng BS). Chúng tôi cũng giả định rằng mỗi BS và người dùng có thể theo dõi hoàn
hảo các thuộc tính thống kê dài hạn này và các kênh người dùng độc lập thống kê.
Sử dụng các thuộc tính kênh này, bây giờ chúng tôi phân tích đường lên và đường
xuống
3.1 Đường lên với Phát hiện tuyến tính
Đối với mỗi ký hiệu đường lên, tín hiệu băng cơ sở nhận được yl 2 CM tại BS thứ l
được mô hình hóa là

Trong đó xi; k là ký hiệu truyền chuẩn hóa (với Efjxi; kj2g = 1) và pi; k là công suất
truyền của người dùng k trong ô i. Phần cứng máy thu tại BS bị ô nhiễm bởi nhiễu trắng
phụ gia, như được mô hình hóa bởi vectơ nl 2 CM là phức Gaussian đối xứng tròn trung
bình phân bố với phương sai sUL 2; nghĩa là, nl CN (0; sUL 2 IM)

Các ký hiệu ma trận

có thể được sử dụng để viết mô hình hệ thống MIMO đa người dùng từ (6) dưới dạng
ma trận nhỏ gọn:

Các kênh hli; k cần được ước tính tại BS l để thực hiện phát hiện tốt và điều
này được thực hiện trong đường lên bằng cách cho phép mỗi người dùng truyền một
chuỗi các ký hiệu thí điểm tp; xem hình 4. Chúng ta để tp = f K cho một số nguyên dương
f (ví dụ: 1; 2; :: :) được gọi là hệ số tái sử dụng thí điểm. Điều này cho phép độc lập tuyến
tính giữa tổng số các chuỗi thí điểm khác nhau. Điều này, theo thiết kế, đủ để phân bổ
trình tự thí điểm độc lập cho người dùng K trong mỗi ô và cũng phân chia các tế bào L
thành các nhóm tế bào khác nhau có trình tự thí điểm hoàn toàn độc lập. Lợi ích của
việc có nhiều nhóm tế bào là giảm nhiễu trong quá trình truyền thử nghiệm và mức tăng
tương ứng trong chất lượng ước tính được định lượng dưới đây.

Tín hiệu đường lên nhận được tại BS thứ l trong quá trình truyền thí
điểm là
Bằng cách sử dụng giá trị trung bình và phương sai của kênh, được xác định trong phần
đầu của môn phái. 3, chúng ta có thể sử dụng công cụ ước tính sai số trung bình bình
phương tối thiểu tuyến tính (LMMSE) để thu riêng từng phần tử của hl i; k từ tín hiệu
hoa tiêu nhận được (8), được đề xuất trong [37] dưới dạng sơ đồ ước tính độ phức tạp
thấp. Ước tính kênh hˆl i; k liên quan đến đáp ứng kênh thực sự hl i; k được đưa ra bởi
bổ đề sau.
Bổ đề 2. Giả sử BS l ước tính từng hệ số kênh riêng biệt với tín hiệu nhận được (8) bằng
công cụ ước tính LMMSE. BS l sau đó có thể ước tính kênh cho người dùng thứ k trong ô
thứ j là

Mỗi phần tử của lỗi ước lượng không tương quan có giá trị trung
bình bằng 0 và phương sai là :

Cần nhấn mạnh rằng phương sai lỗi ước tính trong (10) không phụ thuộc vào M, do đó
chất lượng ước tính trên mỗi hệ số kênh không bị ảnh hưởng bằng cách thêm nhiều ăng
ten tại BS. Lưu ý rằng Bổ đề 2 giữ cho bất kỳ mối tương quan giữa các hệ số kênh, vì mỗi
hệ số được ước tính riêng. Nếu các hệ số kênh tương quan, với cấu trúc và phân phối
tương quan đã biết, chất lượng ước tính sẽ được cải thiện với số lượng anten nếu công
cụ ước tính được sửa đổi phù hợp [8]. Chúng tôi cũng nhấn mạnh rằng lỗi ước tính chỉ bị
ảnh hưởng bởi tiếng ồn và nhiễu từ những người dùng trong cùng một nhóm tế bào
được phân bổ cùng một chuỗi thí điểm. Ngoài ra, chúng tôi nhận thấy rằng ước tính
trong (9) có thể được tính bằng các phép toán đại số tuyến tính cơ bản, với độ phức tạp
tính toán thấp.
Sử dụng các ước tính kênh có được trong Bổ đề 2, trong chương này, chúng tôi phân
tích hiệu suất của mạng MIMO lớn với các BS không hợp tác. Trong quá trình truyền dữ
liệu tải trọng đường lên, điều này có nghĩa là BS trong ô l chỉ sử dụng tín hiệu nhận được
của chính nó trong (6) và chỉ nhắm mục tiêu để phát hiện các tín hiệu được gửi bởi
người dùng K của chính nó. Tín hiệu đến từ người dùng trong các tế bào khác được coi
là nhiễu giữa các tế bào và cuối cùng được coi là tiếng ồn bổ sung. BS trong ô l phân biệt
tín hiệu được truyền bởi người dùng thứ k của nó khỏi nhiễu bằng cách nhân tín hiệu

nhận được trong (6) với vectơ phát hiện tuyến tính như sau:

Trong đó xi, t là ký hiệu dữ liệu được truyền từ người dùng t trong ô i. Như đã thấy từ
(11), tín hiệu thu được xử lý là sự chồng chất của bốn phần: tín hiệu mong muốn, nhiễu
nội tế bào, nhiễu giữa các tế bào và nhiễu dư. Do vectơ phát hiện tuyến tính vl; k xuất
hiện trong tất cả các thuật ngữ này, nên nó có thể được sử dụng để khuếch đại tín
hiệu mong muốn, triệt tiêu nhiễu và / hoặc triệt nhiễu. Chính xác hơn, bằng cách thu

thập các vectơ phát hiện tại BS l ở dạng ma trận là , có hai

sơ đồ chính đang được xem xét trong tài liệu MIMO lớn: tỷ lệ tối đa (MR ) và không bắt
buộc (ZF). Chúng được đưa ra bởi

Phát hiện MR khai thác các quan sát M trong yl để tối đa hóa tỷ lệ giữa mức tăng
tín hiệu trung bình trong (11) và định mức của vectơ phát hiện:
 trong đó kỳ vọng được tính toán liên quan đến lỗi ước tính kênh trung bình
bằng không. Bất đẳng thức trong (13) được thỏa mãn với đẳng thức bởi vl; k = hˆl l; k
(dẫn đến phát hiện MR với Vl = Hˆ l l).
Ngược lại, ma trận phát hiện ZF sử dụng các quan sát M trên anten để giảm thiểu nhiễu
trung bình trong tế bào, trong khi vẫn giữ được các tín hiệu mong muốn:

trong đó kỳ vọng được tính toán liên quan đến lỗi ước tính kênh trung bình bằng 0 và
đẳng thức thứ hai theo định nghĩa ma trận phát hiện ZF

Tín hiệu được xử lý trung bình trở thành , không

chứa nhiễu nội tế bào.
 Hình 5 Sơ đồ khối của truyền dẫn đường lên với phát hiện tuyến tính trong
mạng MIMO đa người dùng đa ô, trong đó BS l nhận được tổ hợp tuyến tính của các tín
hiệu được truyền từ tất cả người dùng K trong tất cả các ô L

Một sơ đồ khối của truyền dẫn đường lên với phát hiện tuyến tính được cung cấp trong
Hình 5. Mục đích của phát hiện là làm cho tín hiệu được phát hiện tại BS l bằng với

tín hiệu thực , ít nhất là lên đến tỷ lệ hệ số. Do lỗi nhiễu và ước lượng, luôn có sự
không khớp giữa các tín hiệu, đó là lý do tại sao liên kết truyền thông có dung lượng hạn

chế. Nếu tín hiệu thực xuất phát từ một chòm sao rời rạc X (ví dụ: điều chế biên độ

cầu phương (QAM)), được chọn dựa trên bằng cách tìm khoảng cách tối
thiểu trên tất cả các ứng cử viên
Biểu thức này có thể được sử dụng để tính tỷ lệ lỗi bit và các số liệu hiệu suất chưa được
giải mã tương tự. Do các hệ thống truyền thông hiện đại áp dụng mã hóa kênh trên các
khối dữ liệu tương đối dài, để bảo vệ chống lại lỗi, dung lượng kênh ergodic là một chỉ
số hiệu suất phù hợp hơn trong các mạng 5G. Điều đáng lưu ý là các điện dung ergodic
của các liên kết truyền thông riêng lẻ khó có thể mô tả chính xác, đặc biệt là theo kiến
thức kênh không hoàn hảo, nhưng các giới hạn dưới có thể điều chỉnh được thu được
theo định lý sau.
Định lý 1. Trong đường lên, giới hạn dưới của khả năng ergodic của người dùng k tùy ý
trong ô l là

trong đó tỷ lệ nhiễu tín hiệu và nhiễu (SINR) là

Định lý 1 chứng minh rằng SE có thể đạt được của người dùng k tùy ý trong ô l trong

mạng MIMO lớn có thể được mô tả bằng thuật ngữ SINRUL có chứa các kỳ vọng
liên quan đến mờ dần kênh quy mô nhỏ. Tử số chứa mức tăng của tín hiệu mong muốn,
trong khi mẫu số chứa ba số hạng khác nhau : Thuật ngữ đầu tiên là công suất trung
bình của tất cả các tín hiệu, bao gồm cả nhiễu đa người dùng và tín hiệu mong muốn,
trong khi thuật ngữ thứ hai trừ đi một phần công suất tín hiệu mong muốn có thể sử
dụng để giải mã. Thuật ngữ thứ ba là công suất tiếng ồn hiệu quả. Hệ số tiền đăng nhập
(1 – tp/tc) bù cho thực tế là tp = tc của các ký hiệu truyền có chứa các phi công thay vì

dữ liệu tải trọng. SE cũng được nhân với , được xác định trước đó là phần dữ liệu
đường lên. Rõ ràng, phát hiện MR nhằm tối đa hóa tử số của SINRUL l; k, trong khi phát
hiện ZF cố gắng giảm thiểu nhiễu trong tế bào
Để trình bày các thuộc tính này một cách chi tiết, bây giờ chúng tôi xem xét trường hợp
đặc biệt trong đó kênh giữa BS l và người dùng k trong ô i không bị mờ dần Ray Ray

Do đó , có nghĩa là không có thành phần kênh tầm nhìn.

Trường hợp đặc biệt này có liên quan trong các môi trường phân tán phong phú, nơi
kênh không có bất kỳ chỉ đạo thống trị thống kê nào.

Sau đó, ước tính LMMSE trong Bổ đề 2 đơn giản hóa thành.

và trở thành phức tạp đối xứng Gaussian phân bố tròn:

Có một mối quan hệ quan trọng giữa hai kênh ước tính đối với

các chỉ số ô i và l như được biểu thị bởi

Phương trình này cho thấy BS l không thể phân biệt các kênh của người dùng gửi
cùng một chuỗi thử nghiệm; các ước tính là giống nhau cho đến một hệ số tỷ lệ. Thực tế
này là nguyên nhân gây ô nhiễm thí điểm và sẽ có tác động chính đến hiệu suất, như thể
hiện sau.
Hơn nữa, công cụ ước tính LMMSE trong (19) cũng là công cụ ước tính MMSE
trong trường hợp đặc biệt của Ray Ray fading, vì các kênh được phân phối Gaussian
[24]. Bằng cách sử dụng các thuộc tính quan trọng này, SE ergodic trong Định lý 1 có thể
được tính toán ở dạng đóng để phát hiện MR và ZF, như được hiển thị bởi các hệ quả
sau
 4. Nguyên tắc thiết kế và lợi nhuận hiệu quả phổ dự kiến
Trong phần này, chúng tôi cung cấp một số hướng dẫn thiết kế cơ bản cho các
mạng MIMO khổng lồ và giới thiệu các SE mà công nghệ có thể cung cấp cho các mạng
5G theo lý thuyết được phát triển trong Sect. 3. hoặc mục đích minh họa, chúng tôi xem
xét cấu trúc liên kết mạng di động cổ điển với các ô hình lục giác, trong đó mỗi ô có thể
được minh họa như trong Hình 1. Nói cách khác, BS được triển khai ở trung tâm của ô,
trong khi người dùng K được phân phối trên khu vực tế bào. Khi nhiều ô thuộc loại này
được đặt cạnh nhau, mạng di động có hình dạng như trong Hình 7.
Trong khi các mạng di động thông thường sử dụng phân vùng để phân chia từng
ô thành ba ô tĩnh, điều này không được giả định ở đây. Điều này là do quá trình thu phát
không gian tại BS trong Massive MIMO về cơ bản tạo ra các thành phần ảo K, thích ứng
linh hoạt với các vị trí của nhóm người dùng hiện tại.

4.1 Phân bổ nguồn

Công suất truyền trung bình của người dùng k trong ô j được ký hiệu là pj; k trong
đường lên và bởi rj; k trong đường xuống. Đây là các thông số thiết kế quan trọng xác
định SE của người dùng; xem Định lý 1 (đối với đường lên) và Định lý 2 (đối với đường
xuống).
Do nhiễu giữa người dùng là một yếu tố quan trọng trong bất kỳ hệ thống MIMO
nhiều người dùng nào, mỗi hệ số công suất truyền không chỉ ảnh hưởng đến cường độ
tín hiệu mong muốn ở người dùng mong muốn mà còn cả mức nhiễu gây ra cho tất cả
người dùng khác trong mạng (mặc dù sự can thiệp là nghiêm trọng nhất trong một tế
bào và giữa các tế bào lân cận). Việc lựa chọn các hệ số công suất phát này được gọi là
phân bổ công suất và cần được giải quyết đúng cách.

Một đặc tính quan trọng của Massive MIMO là sự mờ dần ở quy mô nhỏ theo
thời gian và các biến thể mờ dần theo tần số là không đáng kể, vì về cơ bản chúng vượt
quá nhiều ăng ten ở mỗi BS. Ví dụ: các biểu thức SE cho các kênh fading Rayleigh trong
Hệ quả 1 chỉ4 phụ thuộc vào các phương sai kênh là hai tỷ lệ chứ không phụ thuộc vào
việc thực hiện tức thời của các vectơ kênh tương ứng hli; k. Do đó, không cần thay đổi
phân bổ công suất giữa mỗi khoảng thời gian kết hợp, mà chỉ trong khung thời gian dài
hơn khi phương sai kênh thay đổi, do sửa đổi trong hành vi lan truyền quy mô lớn (ví dụ:
do tính di động của người dùng). Đây là một sự gia tăng đáng kể của khung thời gian
trong đó các quyết định phân bổ năng lượng được đưa ra, từ mili giây đến giây. Thực tế
này cho phép tối ưu hóa và phối hợp phân bổ năng lượng giữa các ô, theo những cách
mà trước đây không thể thực hiện được do các hạn chế tính toán hoặc trì hoãn
Một cách tiếp cận có cấu trúc để phân bổ công suất là tìm các công suất phát
cùng nhau tối đa hóa các chức năng tiện ích mạng UUL (fRUL l; k g) và UDL (fRDL l; k g)
trong đường lên và đường xuống, tương ứng. Các tiện ích này đang tăng chức năng của
người dùng SE SE, trong đó fRUL l; k g và fRDL l; k g biểu thị các bộ của tất cả các SE. Một
số ví dụ cụ thể về các chức năng tiện ích mạng là nơi chúng tôi đã bỏ qua các siêu ký tự
đường lên / đường xuống do cùng loại chức năng tiện ích có thể được sử dụng trong cả
hai trường hợp. Các tiện ích này thường được tối đa hóa đối với ngân sách năng lượng
nhất định cho mỗi người dùng (trong đường lên) và trên mỗi BS (trong đường xuống).
Để cho ngắn gọn, chúng tôi sẽ không cung cấp thêm bất kỳ chi tiết toán học nào, nhưng
phác thảo ngắn gọn những gì được biết xung quanh việc phân bổ công suất cho Massive
MIMO.
Tối đa hóa tiện ích tổng (SU) cung cấp SE cao cho người dùng có điều kiện kênh
trung bình tốt, với chi phí SE thấp cho người dùng có điều kiện kênh trung bình xấu.
Ngược lại, tính công bằng tối đa (MMF) cho thấy mỗi người dùng nên có SE bằng nhau,
điều đó có nghĩa là người dùng có kênh tốt giảm SE của họ để gây ra ít can thiệp hơn
cho người dùng có kênh xấu. Sự công bằng theo tỷ lệ (PF) có thể được thể hiện nằm ở
giữa những thái cực này. SU đạt được tổng SE cao nhất, vì đây thực sự là những gì được
tối ưu hóa bởi chức năng tiện ích này, trong khi MMF giao dịch một số tổng SE để có
được trải nghiệm người dùng thống nhất. Sự lựa chọn chức năng tiện ích mạng là một
vấn đề của thị hiếu chủ quan, vì không có chức năng tiện ích tối ưu khách quan [5]. Tuy
nhiên, dường như có một xu hướng hướng tới các tiện ích công bằng hơn trong tài liệu
MIMO khổng lồ [7, 32, 45], được thúc đẩy bởi thực tế là các mạng hiện đại được thiết kế
để cung cấp tốc độ cao nhất, trong khi hiệu suất cạnh tế bào còn khiêm tốn và cần được
cải thiện trong 5G. Trong đường lên, một khía cạnh quan trọng khác cần xem xét trong
phân bổ công suất là việc BS không thể đồng thời nhận được tín hiệu người dùng mong
muốn ở các mức công suất rất khác nhau, từ đó các tín hiệu yếu sẽ chìm trong nhiễu
lượng tử hóa do tín hiệu tương tự gây ra chuyển đổi kỹ thuật số. Do đó, ngay cả khi độ
suy giảm kênh có thể khác nhau 50 dB trong một ô, các biến thể này cần được đưa
xuống, giả sử, 10 dB theo phân bổ công suất đường lên
Minh họa các mẫu tái sử dụng đối xứng tiềm năng được tạo bởi ba yếu tố tái sử dụng thí
điểm khác nhau, f, trong một mạng di động với các ô lục giác. Trong trường hợp dưới
bên phải, mỗi ô được chia thành hai ô phụ với các bộ phi công khác nhau. Nếu j là chỉ
mục của một ô cụ thể, thì Pj là tập chỉ mục của tất cả các ô có cùng màu. Chỉ các ô có
cùng màu sử dụng cùng một chuỗi thí điểm và do đó làm giảm chất lượng ước tính CSI
của nhau và gây ra nhiễu sóng thí điểm

Tóm lại, phân bổ công suất được sử dụng trong Massive MIMO để phân phối tổng SE
cho từng người dùng. Có rất nhiều thuật toán có thể được sử dụng để tối ưu hóa việc
phân bổ năng lượng, tùy thuộc vào chức năng tiện ích được sử dụng trong hệ thống