面向未來移動網絡密集連接的關鍵技術綜述

錢志鴻，肖琳，王雪

（吉林大學通信工程學院，吉林 長春 130012）

1 引言

移動通信（5G、6G 等）與無線網絡技術（Wi-Fi、藍牙和RFID 等）結合，構建了應用面越來越寬的移動網絡。隨著工業互聯網、物聯網、智能網聯交通[1]和其他各類應用需求的激增，移動網絡的大規模組網和密集連接的難度陡然增加。近年來，移動網絡的飛速發展改變了人們的生活方式，國家制造強國建設戰略咨詢委員會主辦的《中國制造2025》重點領域技術創新路線圖顯示，中國通信設備將步入世界領先行列，同時，國際市場將受到增強型移動帶寬（eMBB,enhanced mobile broadband）、大規模機器類通信（mMTC,massive machine type communication）[2-3]以及高可靠低時延通信（URLLC,ultra-reliable and low latency communication）的推動，實現精度更高、吞吐量更大以及能處理大量數據的實時性高效通信。上述3 個場景中，特別是eMBB 和mMTC 場景，都需要通信系統支持海量終端接入網絡。根據國際調研機構Gartner 預計，2021 年企業和汽車物聯網終端設備將比2020 年的58 億上漲21%，智能醫療保健終端設備將增長29%，建筑自動化終端設備將達到最大增長速度42%，全球聯網設備將達到280 億個，用戶數量可能要翻倍幾個數量級，到2025 年，全球聯網設備將超過754 億。與此同時，各種新興業務和網絡應用井噴式涌現，網絡流量也在迅速增長，5G 網絡能實現比4G 網絡高達千倍的移動數據流量增長[4-5]。但據ITU 預測，隨著自動駕駛、高精度智能工業、全息通信等對網絡性能的要求不斷升級，預計2030 年左右，5G 系統的開發與應用將達到極限。因此，隨著5G 系統開始全面商用，人們對未來移動通信系統的設想也在逐漸展開，2020 年2 月，ITU-R 啟動了面向2030 及6G 的研究工作。貝爾實驗室認為未來移動網絡將是物理、數字、生物世界的完全融合，將支持整個世界的數字化，真正達成“數字孿生、智慧泛在”的美好愿景[6]。

未來移動網絡應用場景將是對eMBB、mMTC、URLLC 等傳統場景的多方面融合[7]，比如基礎設施智能化的超能交通；超高帶寬、超低時延和超可靠性等需求的人機物協同高精度智能工業；超高移動性、全覆蓋的空中高速聯網；極高吞吐量和極低時延需求的全息通信；全覆蓋、超低功耗、超高精度的應急搶險等場景。為了達到未來移動通信網絡的場景需求，《6G 無線智能無處不在的關鍵驅動與研究挑戰》白皮書給出了如表1 所示的KPI（key performance indicator）。

更高標準的性能指標，會伴隨更加困難、復雜的技術挑戰。在通信系統不斷地向以上愿景演進的過程中，連接密度的持續加大將使整個網絡負擔加重。由此可見，面向未來移動通信網絡時，密集連接并不局限于mMTC 場景，而是更加多樣的、復雜的場景融合。

表1 6G 網絡的KPI

近年來，伴隨智慧家庭、社區、醫療、工業、農業、電網、交通乃至智慧城市的需求和移動網絡技術的發展，各種面向應用的移動網絡已開始規劃或布設，但從理論和技術層面，遠沒有達到能應對未來工業互聯網、物聯網[8]等大規模、高密度移動網絡所要求的技術水平。可喜的是，國內外學者針對未來移動網絡密集連接的研究已經取得了具有前瞻性的研究成果和進展。

2 研究進展

隨著接入終端設備數量的急劇增加，以及新業務類型的井噴式涌出，通信網絡的網絡架構、接入技術等方面都在持續發展，本節選取了一些支撐移動通信網絡密集連接的關鍵技術進行了現狀總結分析。首先，對使能技術進行了劃分，從網絡架構、傳輸技術、接入技術3 個方面進行了歸納。其次，對這些關鍵技術在研究和發展過程中遇到的瓶頸問題進行了分析。

2.1 網絡架構及相關技術

隨著網絡規模和網絡密度不斷增加，密集終端連接將面臨越來越多的挑戰，催生出各種創新性的解決方案。平面的通信網絡已經成為歷史，在未來的通信網絡中，有承載覆蓋的宏基站，有負責連接的微基站，還有承擔密集連接的微微基站，構成立體化的、多層次的、分布與協同工作的網絡結構。網絡中的密集連接具有多樣性和靈活性，可以保證用戶獲得高質量服務，緩解網絡擁塞，降低時延。

1) 網絡架構

異構網絡（HetNet,heterogeneous network）是一種有效的網絡體系結構，是實現密集終端連接的有效手段。在宏蜂窩范圍內部署小基站[9]、微微基站、家庭基站以及中繼站等低功耗節點，可為密集終端提供高質量服務。宏基站可以實現廣域覆蓋，小基站可以彌補宏基站的覆蓋漏洞。微微基站負責熱點區域的覆蓋，有效卸載宏蜂窩的流量，減少用戶擁塞。家庭基站又稱飛蜂窩基站，由用戶自行購買部署，產生的流量通過家庭有線寬帶鏈路傳輸到移動核心網。中繼站用來轉發宏基站與終端之間的數據信息，可以提升距離宏基站比較遠的邊緣終端設備的服務質量。表2 總結了異構網絡中不同類型基站的特性。

表2 異構網絡中不同類型基站的特性

隨著移動通信技術的演進，如大規模多輸入多輸出（MIMO,multi input multi output）、毫米波、空中基站等無線接入和組網技術逐漸引入蜂窩網，與運營商部署的Wi-Fi 接入點共同為數量不斷增長的終端提供高質量服務，形成融合的異構無線網絡。異構無線網絡的組網結構分為松耦合、緊耦合、超緊耦合3 種類型。松耦合結構是指不同的網絡之間相互獨立并且通過接口相連，使用移動IP 實現不同網絡之間的融合，該結構的使用范圍更廣、可擴展性更強。緊耦合結構是指通過連接單元組件將無線接入網絡和蜂窩核心網相連接，網絡的互聯點在核心網一側，這種結構下終端的網絡切換時延和失敗概率較小。與緊耦合結構不同的是，超緊耦合結構下網絡的互聯點在接入網端，終端的網絡切換性能最好。

異構無線網絡所需技術的演進從來不是一蹴而就的，在這個漫長的過程中，各種無線技術相互補充，不同技術的無線網絡將會共存且覆蓋范圍重疊，這種立體化的網絡結構將是未來移動通信發展的重要趨勢。在異構無線網絡中，密集終端設備通常在多種類型基站的覆蓋之下。目前，通常將終端設備的接入和資源分配放在一起進行研究，統稱為資源管理問題。本節將首先介紹異構網絡中常用的接入方法，并分析各類方法的特性以及對密集終端接入場景的適用性，然后總結資源分配的相關研究。終端設備接入是指選擇某個網絡為設備提供連接服務。在密集終端接入情形下，終端業務更加多樣，無線網絡信道傳輸質量差異性更大。考慮到這些因素，需要高效的接入選擇算法，使密集用戶可以接入最合適的網絡進行數據傳輸。常用的接入選擇方法有基于max-RSS[10]、基于偏置用戶[11]、基于代價函數、基于組合優化、基于負載均衡、基于博弈論等方法的接入選擇方案。表3 分析了目前4 類較常用的接入方法性能[12-17]。除了這幾類以外，有研究者將馬爾可夫模型加入接入選擇方案中[18]，以最大化期望總回報和最小化平均切換次數為目標，并使用遺傳算法找到最優決策，確保了基于優先級的服務質量之間的最佳權衡。

盡管研究者對異構網絡的接入問題進行了大量的研究且取得了一些成果，但是對未來移動網絡密集終端請求接入時，網絡接入選擇方法還存在許多需解決和優化的地方。1) 大多數接入選擇方法沒能考慮到異構無線網絡資源的整體利用，需要在終端設備的接入過程中兼顧用戶側服務質量的保證與網絡側整體性能的提升。2) 隨著用戶規模的擴大，很多用戶的偏好是不同的，在考慮用戶偏好這一因素時需進行區分。3) 在用戶規模擴大的同時，業務類型更加繁多，因此在考慮網絡綜合性能并保證負載盡量均衡的同時，要將業務類型考慮在內。

表3 異構無線網絡接入方法性能分析

由于嚴重的干擾和負載不均衡的問題限制了異構網絡性能，需采用高效的資源管理技術予以解決。文獻[19]提出了一種具有干擾預消除的資源管理算法RMIP，如果移動臺（MS,mobile station）的干擾源能識別出來，在MS 上就能獲取預期的信號，排除干擾。結果表明，在密集部署的立體網中，如果所有干擾能被精準識別，RMIP 算法可以達到至少19.03%的吞吐量。為了抑制兩層異構大規模MIMO 網絡的上行干擾，有學者提出了一種聯合上行功率控制和小區范圍擴展方案[20]，而對于三層或更多層次的混合蜂窩網絡的研究則剛剛起步。在這種立體化結構中，前兩層采用微波（μ 波）鏈路，第三層采用毫米波鏈路，對不同的網絡層次，天線部署的方式不同[21]，利用最小速率模型可以獲得覆蓋率、區域頻譜效率和能效等關鍵性能指標數據。目前，為了使立體化網絡部署簡化，基于云平臺輔助的方式引起了人們的關注。云輔助無線網絡正在成為下一代蜂窩網絡的變革性范例架構。Younis 等[22]以提高無線網絡的能源效率為目標，提出了新的資源分配方案，并在云輔助模式下實現計算任務的卸載，通過協調微蜂窩的傳輸，實現對網絡資源的集中管理，有效地利用了網絡資源[23]。

由于現有異構網絡資源管理研究主要以擴大網絡覆蓋、提升頻譜效率為目標，但是異構網絡的能效是運營商關心的重要指標，這與運營成本息息相關。因此，異構網絡能量效率、頻譜效率、覆蓋率之間的均衡問題，有待于進一步研究。而且部分用戶可能具有高移動特性，將導致頻繁的網絡切換，因此，為密集用戶提供平滑切換、降低能源消耗及保證安全性是至關重要的問題[24]。

2) 相關技術

人們對未來移動通信網最強烈的期待是眾連接、高智能，即將物聯網技術引入移動通信系統中[25]，實現人?人、物?物、人?物?機器的泛在通信。而通信網絡的密集連接將會導致網絡不堪重負、多層蜂窩網絡之間負載不均衡等問題，必須尋求更具靈活性的組網方式，從根本上解決眾連接的問題。利用D2D 技術對負載過高的基站進行分流，保證大量無法接入網絡的用戶連接入網或實時通信，可降低通信系統中心節點的數據壓力，提升頻譜利用率，擴大網絡容量，使終端設備具備多種接入選擇模式，實現網絡廣覆蓋，為設備的零時延通信、終端密集接入及數據傳輸開辟了新的途徑[26]。

運用D2D技術的關鍵是建立D2D的連接機制，即2 個設備如何發現彼此并建立D2D 鏈路。在下一代移動通信場景中，會有密集用戶設備存在，所以需要一種快速、精準、高效的D2D 連接機制。D2D 的連接機制包括分布式連接和集中式連接[27]。分布式的連接機制對于基礎設施遭到破壞的公共安全網絡非常有效，而對于密集連接的高密度場景，集中式的連接機制更好。文獻[28]研究了集中式面向密集連接的D2D 連接機制，提出了基于信念空間搜索的機制，覆蓋區域根據設備過去的歷史信息以及移動模式劃分為不同的信念子空間，降低了設備發現復雜度、時延，未來可以擴展到多小區的快速移動設備問題。在5G D2D 中，這2 種發現過程并存，共同保證設備之間的可靠連接，增強覆蓋范圍，對D2D 可持續性發展至關重要。針對密集連接場景，有學者提出了一種新的D2D 通信輔助移動流量卸載（DATO,D2D communication assisted traffic offloading）方案[29]，在數據傳輸過程中，一些設備可以通過D2D 將流量從宏基站卸載到小基站，從而提高整體網絡容量。將DATO 問題公式化為0-1 線性規劃，并使用動態規劃為確定用戶設備的訪問模式提供最優解。結果表明，在支持用戶訪問數量和用戶能量消耗等方面，此方案有明顯優勢。

近年來，將D2D 與其他技術結合的研究成為熱點，比如D2D-MIMO、D2D-NOMA 傳輸策略等，可以充分利用信道資源，擴大網絡容量，是一項值得探討和期待的研究工作。大規模MIMO 與D2D的集成可以進一步提高頻譜效率，但也會增加覆蓋區域內和區間干擾，該研究主要集中在資源分配與干擾管理[30]、接收機的設計、性能與復雜度之間的權衡[31]等方面。Lin 等[32]提出了基于和速率最大化的D2D 多用戶MIMO 系統收發機設計方法。與大多數研究不同，該方法假設蜂窩和D2D 傳輸具有同等的優先級，并且每個設備可以在蜂窩模式和D2D 模式之間自由切換。D2D-NOMA 傳輸策略首次將NOMA 技術與基于蜂窩的D2D 網絡相結合，在這種場景下引入了全新的“D2D 簇”的概念[33]，一個D2D 發射機通過NOMA 技術，使用相同的信道資源同時向多個D2D 接收機傳輸數據。將D2D和NOMA 二者結合起來更加提高了頻譜利用率，是支持未來密集終端接入網絡的重要潛力。在D2D-NOMA 方案中，也可以運用聯合子信道和功率分配算法，為每個D2D 組分配一個信道，并使用KKT（Karush-Kuhn-Tucker）條件求解最優功率分配，獲得較高的能量效率和吞吐量[34]。而NOMA 的重要延伸——分層多路復用，與mmWave、大規模MIMO 系統、D2D 相結合[35]，能同時提供廣播和單播服務，保證更少的自干擾，提高系統容量。

隨著終端數量的增長，數據量也呈現出爆炸式增長，需要新方法減輕蜂窩網絡的流量負擔，避免反復下載相同的數據內容。緩存技術被用來減少來自蜂窩網絡的流量負載、緩解擁塞以及內容請求時延[36]。由于D2D 技術在數據卸載與分發中同樣發揮著巨大作用，因此將D2D 通信與緩存技術相結合不僅可以降低傳輸時延和傳輸功率，還可以提高網絡性能。為了降低D2D 蜂窩網絡的流量負載，有研究者通過深度學習和社會關系的綜合協作緩存策略獲得最大化數據卸載率，針對內容請求預測，運用神經網絡協同過濾（NCF,neural collaborative filtering）算法提高了預測精度[37]。目前已有研究利用人工智能（AI,artificial intelligence）分析框架來解決單小區、異構網絡、D2D 等場景的緩存問題[38]，在基站、微基站以及用戶設備等基礎設施和終端設備上進行智能計算及內容緩存，當用戶需要這些內容時直接從緩存節點處獲取，這不但可以避免回程鏈路的容量受限問題，還可以減少用戶請求時間和傳輸時延，提高服務質量。終端通過D2D通信分享緩存內容，進一步增加了任務的卸載率和網絡吞吐量。但由于緩存節點的緩存容量有限，而終端設備可能請求的內容是海量的，如何選擇適當的內容進行緩存，以保證較高的緩存命中率和卸載率，是實現密集連接的關鍵性問題。

2.2 密集連接的傳輸技術

密集連接必然產生大量的數據，這為充分利用有限的頻譜資源進行高效的無線傳輸和射頻傳輸提出了新的研究課題。隨著新興應用和智能終端的發展，預計未來10 年移動數據流量將增長1 000 倍左右[39]，要實現未來移動通信網絡海量密集終端數據接入以及數據的高速傳輸，就一定要充分利用有限的頻譜資源。本節總結了全雙工通信、大規模MIMO技術的研究現狀，并分析了部署每種技術的挑戰。

1) 全雙工通信

目前的蜂窩網絡技術無法支撐密集的無線用戶設備接入，為了在有限的頻帶資源下滿足日益增長的移動無線通信的需求，研究者開始研究并改善一些關鍵技術以應對頻譜稀缺問題，例如全雙工（FD,full duplex）通信技術[40]。全雙工通信技術能夠同時同頻完成信息的發送和接收，在理想狀態下，該技術能夠倍增頻譜效率。已有學者研究并實現了基于全雙工技術的無線通信實驗平臺[41-42]，證明了采用全雙工技術的系統信道容量是半雙工技術信道容量的兩倍，這樣的技術優勢受到了業界內的廣泛關注。目前，全雙工通信技術已被應用到了全雙工蜂窩通信、全雙工雙向通信以及全雙工中繼通信等場景，如圖1 所示。

圖1 全雙工通信的3 種場景

在全雙工收發機的模型中，發射天線Tx 到接收天線Rx 之間的信道是環路信道，發射信號Ts 經過環路信道衰減，到達接收端形成了自干擾信號Is，除了Is 以外，接收端還接收到其他終端的有用信號Rs。因為收發機體積受限，Tx 與Rx 之間距離短，所以有用信號的衰減要大于自干擾信號的衰減。由此看來，全雙工技術引入的自干擾如果不能被有效抑制，會影響其工作性能。在近幾年的研究中，采用數字域自干擾消除、射頻域自干擾消除、天線抵消等方法較有成效。

自干擾消除通常分為被動和主動兩大類[43]。被動自干擾消除是指由于路徑損耗效應，使自干擾信號到達Rx 的功率降低，減少其對接收信號的影響。被動自干擾包括天線抵消、定向天線、天線隔離等技術，目前主流方法是天線抵消技術，此項技術是指利用Tx 與Rx 之間的部署距離和信號波長之間的數學關系式達到干擾抵消的效果。天線抵消技術能夠實現約30 dB 的信號干擾抑制[44]，若與主動干擾消除等方法結合，可以實現高達60 dB 的抵消能力。這證明了只使用被動干擾消除不足以得到更精確的接收信號，為了將信噪比降低到噪聲水平以下，必須使用主動干擾消除技術進一步抑制干擾。

主動消除主要包括射頻域和數字域2 種干擾消除方式，其原理是在Rx 處構造抵消信號，進而與自干擾信號相加或相減，以此消除自干擾對有用信號的影響。現有研究表明，射頻消除技術能夠將自干擾信號強度降低幾十分貝，例如，有研究者以最小化剩余自干擾信號功率為準則，在寬帶場景下研究全雙工通信的直接耦合模擬消除，實現了多抽頭結構下的模擬域自干擾信號抵消，實驗分析得到最佳自干擾抑制能力約為80 dB[45]。與直接耦合模擬消除相比，間接耦合需額外增加一條發射鏈路來重構自干擾信號，有實驗表明當系統帶寬為10 MHz、載波頻率為2.4 GHz 時，自干擾抑制能力約為32 dB[46]。從結構上看，直接耦合模擬消除要比間接耦合簡單，開銷更低。射頻消除后會有殘余信號干擾，需要借助數字域消除技術進一步降低。根據現有研究可知，數字域消除可以歸為3 類：基于導頻的數字域自干擾消除[47]、自適應數字自干擾對消[48]以及基于預編碼的數字域自干擾消除[49]。有研究者基于最小均方算法的參數學習設計自適應數字自干擾抵消方案，在20 MHz 的帶寬條件下，實現了約100 dB的自干擾抑制能力[47]。表4 為自干擾消除技術的性能優勢對比。

在未來移動通信系統中，要實現海量且密集用戶設備接入及產生的數據高速傳輸，就一定要做到充分利用有限的頻譜資源。隨著各類干擾消除技術的進步，全雙工通信提升頻譜效率的優勢也愈發顯著，但是原有的通信協議并不能完全發揮出全雙工的優勢，因此如何設計高效的適用于全雙工的通信協議，同時可以完成自干擾消除過程，是一個值得深入研究的課題。

2) 大規模MIMO 技術

陣列天線從最初的多天線接收分集到發射分集，再到空時編碼、空間復用、預編碼、混合波束成形，最終形成了大規模MIMO 技術[57]。大規模MIMO 技術在基站端配置大規模天線陣列，能將無線能量傳播方向指向目標用戶所在位置，將干擾程度保持在盡可能低的水平[58-59]，充分利用空間資源實現同一時頻上大量用戶與基站通信，大幅提升了系統的頻譜利用率與能量效率，在不增加基站密度和帶寬的條件下，大規模MIMO 技術通過增加基站天線數目提高系統容量，其基本形式已經在3GPP蜂窩標準中采用[60-63]。

學術界和工業界搭建了一系列實驗平臺驗證大規模MIMO 技術的性能優勢。2016 年，瑞典隆德大學和英國布里斯托大學合作研發了具有128 根天線的大規模MIMO 實驗平臺[64]，系統的頻譜效率達到了79.4 bit/(s.Hz)?1。2017 年，中興公司與日本軟銀完成了在商用場景下，大規模MIMO 系統TDD 模式下的性能驗證，使用24 臺終端設備進行同步數據下載，在20 MHz 帶寬下實現了956 Mbit/s峰值傳輸速率。目前，大規模MIMO 技術伴隨著5G 的發展逐漸開始商用，在未來6G 通信系統中大規模MIMO 技術也將扮演重要角色[65]。

表4 自干擾消除技術的性能優勢對比

與傳統的MIMO 技術相比，大規模MIMO 具有空間分辨率高、能量傳輸高效、運算復雜度低、有效降低空口時延等優點。對于一般連接密度的通信網絡，大規模MIMO 服務天線數量大于用戶數，通過產生過量的信道增益來服務有限數目的用戶。但在未來移動通信網絡密集終端請求接入的場景下，用戶的數量遠遠超過服務天線的數量，一些研究顯示了利用大規模MIMO 支持密集連接的可行性[66-67]。基于MIMO 的蜂窩系統中大規模連接方案，可以運用稀疏幀結構和基于字典學習的非協調接入協議[66]，使大量設備不需要任何事先的調度過程傳輸數據，與傳統的方案相比，該方案可以極大地提高資源利用率和能源效率。大規模MIMO 應用于工業物聯網中[67]，可以為需要低功耗和中等數據速率的系統帶來處理增益。

大規模MIMO 技術雖然取得了不錯的研究進展，但仍有許多問題亟待解決。此技術主要支持2 種通信模式，即時分雙工（TDD,time division duplexing）模式和頻分雙工（FDD,frequency division duplexing）模式。目前商用的主要是基于TDD 模式的大規模MIMO 系統，在TDD 模式下，基站需要精準捕獲當前的信道狀態信息（CSI,channel state information）[68]，才可以保證可靠的上下行數據傳輸。捕獲信道狀態信息的方法主要分為基于導頻的信道估計和盲信道估計，但后者誤碼率和復雜度較高，因此，基于導頻的信道估計更常用。基于TDD的大規模MIMO 系統利用上下行的互易性獲得期望值，這種方式可降低信道開銷，復雜度較低且對基站天線數目沒有限制要求。實際系統會給不同小區用戶分配同一正交或非正交導頻序列，這使目標基站無法區分其是否為本小區用戶，這種干擾即導頻污染[69]。當用戶設備數量非常大時，TDD 模式大規模MIMO 系統的研究重點是設計導頻序列以消除導頻污染，捕獲準確的CSI。已有很多研究針對導頻污染對大規模MIMO 性能的影響進行了分析[59]，表5 中總結了典型的抑制導頻污染的方法。

盡管目前TDD 模式大規模MIMO 系統應用的更多，但FDD 模式下的傳輸信號穩定性和對復雜電磁環境適應性要優于TDD 模式，在未來大規模系統中也具備良好的前景。FDD 模式下實現大規模MIMO 系統重要的挑戰是基站獲取下行CSI 需要巨大的開銷。與TDD 不同的是，FDD 模式需要通過終端設備進行基于導頻的信號估計，然后通過上行信道反饋將下行CSI 傳給基站。若用戶數目非常大，導頻開銷的急劇增加與有限的時頻資源是相沖突的。因此，如何在保證低反饋開銷的前提下，精準捕獲CSI 是極具挑戰性的問題之一。文獻[78]提出一種聯合空分復用方案，先將用戶進行分組，第一級預編碼利用每個組協方差矩陣相互正交性消除組間干擾，得到降維的等效信道，進而降低了反饋開銷。Bazzi 等[79]利用最小均方誤差（MMSE,minimum mean square error）估計信道，提出一種迭代導頻優化方案。Kuo 等[80]首次將壓縮感知算法引入大規模MIMO 系統的CSI 反饋中，根據信道條件動態地調整CSI 反饋方案。壓縮感知算法通常使用迭代法恢復CSI，隨著密集用戶接入網絡，將無法保證CSI 重構實時性，而且壓縮感知經常依賴大規模MIMO 信道某些基向量的稀疏性假設，這與現實還是有很大差別的。隨著AI 技術的發展，將AI 與移動網絡相結合，滲透到核心網、傳輸網、接入網等各個層面，有助于實現高效的網絡資源管理，增強網絡各項使能技術的性能，提升系統安全的智能化水平和移動網絡的內生安全性。有研究者提出基于深度學習CSI 反饋方案CsiNet[81]，該方案與壓縮感知算法相比獲得了更快的CSI 重構速度以及CSI反饋準確性，但此類方案仍然面臨在復雜場景下CSI 重構準確性較低的問題，在低反饋開銷以及室外復雜場景下仍面臨CSI 重構精度較低的問題。

表5 典型的抑制導頻污染的方法分析

隨著大規模MIMO 技術的不斷發展，目前Cell-free 大規模MIMO 系統頗受關注。這是一種分布式系統，小區無邊界，所有的單天線在Cell-free大規模MIMO 系統中同時為全部目標用戶服務。Cell-free 大規模MIMO 有95%的可能性將單用戶吞吐量提高近5倍[82]，在相關陰影衰落條件下提高10倍。特別是目前初步研究的基于無線電條帶網絡結構的Cell-free 大規模MIMO 系統[83]，能使移動通信網絡的部署更加容易和靈活，具有更高頻譜效率和優異的空間分集。在未來通信網絡中將其應用于密集街道、公共交通、大型會議場館、地鐵車站，是一個值得期待的選擇。綜上所述，大規模MIMO 是支持未來移動通信密集連接的關鍵技術之一，其信道信息獲取技術、預編碼、接收機等設計都是需要深入研究的理論和技術問題[84]，同時也是未來實現密集終端連接的需求。

2.3 密集連接的接入技術

在未來移動通信網絡中，傳統的正交多址（OMA,orthogonal multiple access）技術，如時分多址（TDMA,time division multiple access）、頻分多址（FDMA,frequency division multiple access）和正交頻分多址（OFDM,orthogonal frequency division multiple）[85]等技術，難以支持密集終端接入網絡。因此，必須采用新型接入技術，根據現有研究成果，本節從物理層和媒體訪問控制（MAC,media access control）層進行歸納分析。

1) 物理層接入技術

多址技術對無線網絡的接入密度起著決定性的作用，傳統的OMA 技術受限于正交的無線資源劃分，已無法滿足無線網絡對密集連接和超高數據速率的要求。作為一種非正交接入方式，NOMA 能在有限的頻譜上增加訪問設備的數量，并允許多個設備同時接入而不受可用正交資源的限制，共享相同的時頻資源塊[86-89]，可顯著提高頻譜效率，幫助信道狀態信息較差的網絡邊緣用戶接入網絡，具備支持密集連接的潛力。但是，這會增加接收機的復雜度，產生嚴重的共信道干擾，因此，實現NOMA的關鍵是干擾管理。到目前為止，已提出的NOMA 方案基本分為2 類，即功率域NOMA（PD-NOMA）[90-91]和碼域NOMA（CD-NOMA）[92-93]方案。

PD-NOMA 實現了功率域的多路復用，使多個用戶共享相同的時頻資源。在發送端將不同用戶產生的信號經過信道編碼和調制后疊加發送，使用串行干擾消除法（SIC,successive interference cancellation）完成接收信號解調[94]。文獻[95-96]提出了一種傳輸速率回退算法，有效地緩解了信道估計誤差的影響。實驗結果表明，在存在信道估計誤差的情況下，NOMA 能比OMA 獲得更大的用戶吞吐量增益。NOMA 技術有如下問題需要繼續深入研究。1)高效SIC 接收機設計。目前基于線性檢測算法的SIC 每一步都會有殘余，這對NOMA 系統性能影響很大。因此，需要設計高性能的非線性檢測算法。Li 等[97]基于最小輸出能量準則設計了新的接收機，將期望信號與產生干擾的用戶設備分離。還有研究者分析了使用聯合多用戶檢測器JMuD 的NOMA系統性能，它可以同時檢測所有用戶的信號，從而降低檢測時間要求[98]。2) 信道估計。大多數研究都假設系統已知完全信道狀態信息。隨著未來移動通信系統中用戶數目的增加，干擾會更加復雜，信道估計誤差會更嚴重。因此，NOMA 系統需要精確的信道估計，Kara 等[99]分析了具有不完善的SIC 和CSI 的NOMA 系統的錯誤性能，推導了閉式的精確誤碼概率。文獻[100]通過推導迭代線性最小均方誤差（LMMSE,linear minimum mean square error）算法，以加權最小二乘算法為初始化點，實現了信道估計。3) 資源分配。NOMA 用戶之間功率分配的準確性會影響系統的吞吐量。最優資源分配方案復雜度極高，是因為要對可行域內多維搜索空間進行搜索。設計低復雜度資源分配算法至關重要，當然也必須做好性能和復雜性之間的權衡。文獻[101]提出了有效的功率分配方案，保證了上下行鏈路的服務質量（QoS,quality of service）。也有學者研究了基于公平性的最優資源分配方法，在系統和速率方面提高了35%[102]。

CD-NOMA 中的擴頻序列是稀疏序列或非正交弱相關序列[103]，衍生出稀疏擴頻碼分多址（LDS-CDMA,low-density spreading CDMA）[104]。LDS-CDMA 利用CDMA 中的稀疏擴頻序列提高系統性能，以減少每個芯片的干擾。將LDS-CDMA與OFDM 結合，又衍生出了稀疏擴頻正交頻分復用（LDS-OFDM,low-density spreading aided OFDM）[105]，LDS-OFDM 可以將發送的符號映射到稀疏擴頻序列，然后在不同的子載波上發送，且允許符號數量大于子載波數量，達到提高頻譜效率的作用。為了應對設備的密集連接，2014 年，AL-Imari 等[106]提出了多用戶共享訪問（MUSA,multi-user shared access），能在沒有任何容量損失的情況下，保證多路復用用戶之間的公平性。文獻[107]討論了MUSA上行鏈路，運用復雜多域碼設計和接收端SIC 多用戶檢測，證明在相同正交資源下支持密集終端的高可靠性訪問，且復雜度低，更適合在免授權情況下傳輸。基于LDS-CDMA，有學者提出了稀疏碼分多址接入技術（SCMA,sparse code multiple access）[108-110]，秉承了低復雜度的特點。Lu 等[111]提出了一種信道估計和數據譯碼聯合的SCMA 方案。Yuan 等[112]采用稀疏塊循環矩陣作為導頻矩陣，結合正交匹配追蹤算法，在未知的主動用戶稀疏度條件下，實現了上行免授權SCMA 中的主動用戶檢測，獲取了稀疏信道響應模型，保證在不超過窄帶物聯網（NB-IoT,narrow band Internet of things）標準要求的最大重傳輸次數（128 次）的情況下，基于稀疏塊循環矩陣的主動用戶檢測可降低導頻開銷。Miuccio等[113]針對大規模機器類通信的場景，提出了物理隨機接入信道和物理上行共享信道之間的動態資源分配的聯合控制，對物理上行共享信道資源采用了SCMA 技術，實驗表明，此方案顯著提高了通信成功率，降低了能耗。

綜上所述，PD-NOMA 和CD-NOMA 都利用了信道共享的新自由度來支持密集終端接入網絡。然而，這2 種非正交接入技術都需設計有效的收發機對抗共信道干擾。考慮到密集連接中的高維信道矩陣，可以設計簡單有效的收發機，更好地應對密集終端接入網絡的場景。

事實上，NOMA 技術并非伴隨MIMO 技術而產生，但研究者發現，兩者的結合能帶來珠聯璧合的效果。尤其針對密集連接情形，這種結合更加受到關注。但由于單天線情形下，用戶的信道增益是標量，通過比較大小可以判斷信道條件的好與壞，然而，MIMO 場景中的信道是矩陣表示，導致NOMA在MIMO技術上的擴展存在困難。文獻[114]利用物聯網用戶對服務質量需求不同的特點，設計了面向對象服務質量的MIMO-NOMA 控制系統，提出了一種新的預編碼和功率分配策略，確保在大量用戶信道條件相似的情況下，也能發揮NOMA的優勢。另一種大規模MIMO-NOMA 方案采用接收天線選擇模式，在提高用戶公平性和降低復雜度的前提下，能顯著地增加總速率容量和連接設備的數量[115]。與其他MIMO-NOMA 方案相比，這個方案保證了公平性，且可以擴展到任意用戶數的應用場景，能解決未來海量用戶密集接入網絡的公平性問題。

2) MAC 層接入技術

MAC 層中，隨機接入模塊控制著通信系統中接入終端的總數量，所采用的多址接入方法與系統容量、吞吐量等性能指標息息相關。MAC 層的新型多址接入技術基本上是對ALOHA 技術的改進，ALOHA 協議是一種免授權隨機接入方式，其內容是只要有數據待發就可以進行發送，不考慮接收端的狀態，傳統的ALOHA 協議采用了OMA 的方式，很容易導致碰撞問題的發生，進而會導致時延過高、吞吐量較低，系統的吞吐量最大只能達到0.18 packet/slot[116]。隨后，研究者提出了ALOHA的一系列改進版本，基于時隙的ALOHA（SA,slotted ALOHA）引入了時隙的概念，用戶只能在下一時隙到來時才可以發送數據，系統最大吞吐量可提升到0.36 packet/slot。在SA 的基礎上，分集時隙ALOHA（DSA,diversity slotted aloha）[117]是指一個包可多次發送，增加了發送成功概率。DSA 衍生出基于競爭解決的分集時隙ALOHA（CRDSA,contention resolution diversity slotted aloha），在接收端引入了SIC，一個終端在一個幀中只能發送一次數據包，并伴隨著包含位置信息的復制包，以便在解析時可通過成功解出的數據包消除復制包帶來的干擾，吞吐量可達到0.55 packet/slot。Alvi 等[118]提出了具有發射功率分集的CRDSA，每個復制包是以隨機選擇的功率電平發射的，利用加權二分圖分析了低密度奇偶校驗（LDPC,low density parity check）碼的性能，并使用基于圖的消息傳遞算法模擬SIC 解碼。基于非規則的LDPC 碼，不規則重復時隙的ALOHA（IRSA,irregular repetition slotted ALOHA）允許每個用戶可重復發送不同的數據包，在接收端使用迭代置信傳播解碼，可達到比CRDSA 更高的吞吐量。研究者對基于幀的IRSA 吞吐量和分組解碼概率進行了分析[119-120]，通常是根據每個幀中用戶設備和時隙的數量趨于無窮大的漸近狀態進行分析。Saha 等[121]以最小化無授權大規模機器類型通信中的平均信息年齡為目標，對基于幀的IRSA 協議進行了優化設計。以上幾種方法的性能對比如表6 所示。

2015 年，Paolini 等[122]將上述改進型技術結合成了更為通用的編碼時隙ALOHA（CSA,code slotted ALOHA）技術。用戶采用數據包刪余糾錯碼，以用戶數據包為單位對多個數據包編碼以產生冗余數據包，并在接收端使用SIC 解決碰撞。為了在mMTC 中利用稀缺的無線電資源實現密集終端接入，Ma 等[123]將物理層的多址接入技術CTSMA 與MAC 層編碼時隙ALOHA 相結合，通過提高這種多時隙設計的沖突解決能力，可以為潛在的IIoT 應用實現大型機器類型設備之間的高可靠性通信。

雖然現有的新型多址接入技術可以從物理層、MAC 層解決海量密集終端接入網絡時發生碰撞問題并且提高系統容量，但仍然存在以下挑戰。1) 由于物理層技術是針對單個數據包的傳輸，無法利用多個時隙解決碰撞。而MAC 層是多個數據包的傳輸，針對單個時隙解決碰撞能力有限，因此需要實現物理層和MAC 層多址接入技術的聯合使用。2)目前接收端常采用SIC 或者置信傳播解碼，這2 類迭代算法復雜程度偏高，尤其是針對密集用戶接入的情形。因此需要降低接收算法的復雜度或者設計新的高效接收算法。

3 方案探討

隨著智能移動終端的大規模普及，通信網絡發展呈現出大容量、多終端、移動性的發展趨勢，旨在為海量終端設備提供多元化、差異化服務和隨時隨地的最佳連接。在當下及未來的通信網絡發展中，密集終端接入網絡時，通信鏈路的構建、靈活的網絡架構將成為持久的研究主題。在傳統蜂窩網絡中，終端的上行和下行會與同一個基站傳輸數據，終端會根據下行接收信號強度選擇基站接入。但由于上行時用戶設備的發射功率差異不明顯，而下行宏蜂窩的覆蓋范圍要比小基站覆蓋范圍大得多，導致基站的上下行覆蓋范圍不重疊。這就需要在多種技術融合的未來移動通信網絡中，靈活應對上下行基站覆蓋不對稱問題，因此，有必要設計一個考慮用戶差異化QoS 需求、聯合考慮上下行不同關聯基站的需求的網絡架構和接入方案，為用戶提供最佳的連接，提高密集終端接入網絡成功率。

2019 年3 月，6G 旗艦計劃組織的“6G 無線峰會”在芬蘭召開，發布了6G 白皮書——《6G 泛在無線智能的關鍵驅動因素及其研究挑戰》。在通信系統不斷演進以及市場巨大的需求下，新型移動通信業務對未來移動通信網絡提出了新的需求和挑戰，換句話說，需要在更新的通信體系架構下解決新的問題。但由于多種獨立接入網絡缺乏更有效的協調，未來的移動無線通信網絡將是多種技術的融合，通信體系在演進的同時不斷融入新興的無線通信技術，如何協同這些技術擴展、完備網絡架構成為重點。例如，D2D 技術可以均衡分流通信系統中的數據量，減輕基站的負載，同時豐富通信網絡接入方式。若將非正交多址技術與D2D 技術結合起來，基站僅與一個用戶同步后就可以將數據傳給多個用戶，減少信令開銷，同時提高頻譜效率。由此可見，未來通信系統需要基于多種技術融合的網絡架構，考慮用戶QoS 需求的差異化建立可靠高效的通信鏈路、考慮低時延支持密集連接等科學問題。

表6 基于ALOHA 改進的多址接入技術的性能對比

在通信網絡演進的過程中，密集終端特征越發明顯，由多種接入網絡、多種新興技術、多種頻譜接入等構成的多元化、多層次、廣連接的立體化網絡將會成為未來移動通信網絡的重要場景。中國移動提出了集中式無線接入網絡（C-RAN,centralized RAN）的概念[124]，與傳統的無線網絡相比，C-RAN有如下幾點優勢。1) 將大量業務轉移出核心網，為互聯網業務減負；2) 面向協作的天線提高網絡容量、頻譜效率；3) 基于負載的自適應資源分配；4)降低部署成本、減小能源消耗；5) 節約5G 建設中的資本支出和運營成本。根據上述演進目標，本文針對未來移動通信網絡密集連接的需求，運用D2D、非正交多址接入、移動邊緣計算（MEC,mobile edge computing）[125]等多種技術，設計了基于上下行分離網絡架構的密集終端接入方案。除了傳統的D2D 通信技術以外，D2D 和NOMA 組成的新興連接方式也是一個值得考慮的選擇。由于NOMA 允許多個用戶在時間和頻率上共享相同的資源，因此一個D2D 發射機可以通過NOMA 技術同時向多個D2D 接收機發送信息，可以提升網絡容量、降低時延、提升通信服務質量。相比于傳統的LTE 系統，架構中考慮了D-RAN、C-RAN 這2 種連接形式，負責接入的宏基站與小基站立體化并存獲得了高容量和廣覆蓋，由小基站相互連接組成的蜂窩Mesh網絡具有網絡穩定、部署速度快、改善邊緣區域網絡性能的特點。終端接入網絡時有多種網絡可以選擇，基于以上網絡架構的設計，本文提出的聯合網絡與用戶側的上行接入方案如圖2 所示。

本文考慮密集終端接入網絡，上行鏈路一是聯合考慮網絡本身的部署情況和用戶的異質QoS 需求選擇網絡，二是主要通過D2D、D2D-NOMA 的靈活通信形式減輕基站負擔、擴大網絡容量；下行鏈路接入網充分利用異構網絡架構帶來的性能優勢，將用戶以MEC 輔助基站的方式分配至異構網絡中共存的各類型基站，實現高效的資源利用和管理，最終實現靈活的上下行密集用戶入網方案。

在上行鏈路中，針對密集連接的需求，從設備接入網絡的角度出發，引入D2D、NOMA 技術，盡可能分擔網絡流量，發揮新興技術的優勢。目前大多數研究只考慮網絡側的客觀評價，這可能會導致在密集接入時用戶都選擇同一個網絡而發生擁擠。本文為了兼顧用戶側和網絡雙側的利益，提出了一種聯合考慮用戶和網絡側接入選擇策略。在構建網絡側參數時，傳統的簡單加權法獲得的效用函數會導致各個指標間相互補償。所以本文采用乘法指數加權法（MEW,multiplicative exponent weighting）來表示，即

圖2 聯合網絡與用戶側的上行接入方案

其中，N表示所考慮因素的總數目，xn表示網絡參數n的值，wn表示權重值，Un(·)表示網絡參數n的效用函數。

首先，構建屬性參數矩陣，此矩陣既考慮網絡側參數，也考慮用戶側參數，網絡側參數包括檢測到的網絡信息，如網絡負載、系統帶寬、網絡資費、能耗、吞吐量、時延等，用戶側考慮用戶偏好的信息，如用戶的業務需求。圖2 中由一個泛指類型的基站獲取網絡的信息，這個基站可表示網絡中任意類型的基站。屬性參數矩陣由效用函數和用戶偏好因子共同構成，用戶偏好因子包括用戶對網絡的要求，如資費、帶寬等。其次，對網絡進行初次排除，去掉明顯不符合需求的網絡，如吞吐量、帶寬等指標不符合的網絡。然后，重新對屬性參數矩陣進行自適應修正以及歸一化。計算權重因子并進行動態調整，之后與屬性參數矩陣共同對剩余候選網絡進行排序，最終用戶通過此接入選擇策略接入最佳網絡。

由于智能通信是未來發展趨勢[126]，因此采用機器學習解決密集終端接入網絡是值得研究的問題，盡管在此場景中找到最佳策略是一個挑戰，但是深度強化學習（DRL,deep reinforcement learning）可以克服高維空間的決策困難，賦予無線網絡認知的能力。與博弈論或者其他靜態優化理論相比，DRL 為密集連接提供了更加靈活高效的途徑。1) DRL的智能體在與環境交互過程中，不需要復雜的信息就可以推導出最優接入策略；2) DRL 的目標是長期累積回報最大化，而不是瞬間值最大化，可以避免頻繁切換。上行密集終端接入是從用戶角度考慮多網絡接入選擇，本文提出利用馬爾可夫決策過程（MDP,Markov decision process）智能地確定接入網絡策略，并且建模不同網絡中用戶數量的變化。利用基于深度強化學習的策略解決密集用戶上行接入問題，每個用戶設備自主地與動態未知的環境交互。通過在每個用戶設備的接入決策和本地觀察之間確定最佳策略，使用戶智能地接入一個合適的基站，以提高系統的長期吞吐量。由于環境狀態和狀態轉移概率經常是未知狀態，這使密集終端接入是一個無模型問題。近端策略優化（PPO,proximal policy optimization）是一種無模型、基于行動者?評論家（AC,actor-critic）和策略梯度的算法。PPO可以避免較大的策略更新，使用變化率來表征新舊策略的不同，保證策略更新不會太大，可提高可靠性能，減小計算復雜度。因此，可以使用PPO 算法對目標函數進行優化，以此得到最佳的用戶接入網絡策略。

密集終端接入網絡是一個合作多智能體問題，需要對MDP 進行擴展，M={S,A,N,?,P,Z,O,?}。其中，S表示網絡狀態集st∈S，比如用戶的業務、候選網絡中的用戶數量、終端到不同網絡的距離等；智能體的動作空間A為終端的基站選擇方案，聯合動作空間集合表示為A=A1×???×AN，∈A是指終端n在時刻t做出的動作，u∈{0,1}表示終端是否接入宏基站，0 表示未接入，1 表示已接入，v∈{0,1,???,k}表示終端可選擇接入k個小基站，以下都用來代表；智能體的個數為N，n∈N={1,2,???,N}；基于聯合動作空間的回報函數?由所有智能體共享，在MDP 模型中，智能體以長期累積最大化收益為目標，因此?是以提升整個網絡的性能為目標，回報值是一個與網絡狀態相關的函數；P表示狀態轉移概率，若終端n在決策時刻t執行了一個動作，狀態由轉移到下一個確定的狀態，此過程并不發生狀態轉移，P(st+1|st,at):S×A×S=1；Z表示智能體的本地觀察集合，如是終端n的本地觀察，；O表示觀察函數，O(s):S→Z；?表示決策過程中的折扣因子。本文考慮3 個參數：網絡吞吐量μ、網絡平均時延τ和網絡抖動η。動作執行后，若網絡吞吐量提高、網絡時延和抖動降低，則被視為正向接入，反之視為負向接入。正向接入比負向接入有更高的回報值，回報值定義為各個網絡的QoS 參數加權。為了消除量綱的影響，需要對參數進行歸一化，吞吐量、時延、抖動的歸一化函數分別為

其中，U和L代表其對應參數的最大值和最小值。

由歸一化后的參數加權后，對于終端n得到的回報為

其中，智能體n是基于策略Z×A→{0,1}選擇接入網絡的動作；ω表示權重值。

由于智能體在采取接入網絡動作時會考慮其他智能體的接入策略情況，可采取針對其他智能體聯合動作的最優接入動作。于是，多智能體共享的回報函數?表示為

依據每個終端的本地觀察做出決策，會導致過高的信令開銷。使用單智能體強化學習訓練集中式策略的復雜度較低，但是，隨著海量用戶數增加，策略π的作用空間呈指數增長，使算法很難獲取最優解。因此，本文目標是通過多智能體集中學習，為每個終端確定分散策略，而不是集中策略。若確定了最優的分散策略，終端可以基于本地局部觀察做出決策。

為了求解此優化問題，可以通過局部迭代上升來確定最佳聯合策略。令ξ(π)代表預期的回報函數?(π1,π2,???,πN)，于是，優化問題轉換為求解maxξ(π)問題，設π0為初始策略，由初始策略更新到策略，目標函數會隨著迭代次數增加而增加，即ξ(π)>ξ(π0)。

ξ(π)的梯度為

因此，優化問題可以表示為

其中，約束條件中DKL(? || ?)函數可以度量2 個概率分布的相似性。

為了求解上述優化問題，采用強化學習中的PPO 算法，在多智能體的PPO 中，每個智能體的學習信息可以由RRU 向其他智能體廣播，使用全局信息為每一個智能體訓練分散策略。根據梯度上升法，優化問題的梯度為

顯然，策略梯度與聯合政策函數有關，集中式評論家基于聯合價值函數給出評價，分散式行動者根據本地觀察做出決策，智能體做出接入選擇網絡的動作。雖然每個智能體有獨立的評論家，但是他們基于相同的數據進行訓練學習，所有的評論家也基于相同的狀態值函數給出評價。在密集用戶有接入需求時，由各個終端通過基于強化學習的智能合作接入方式，以全網QoS 需求為目標完成接入策略。

在下行用戶關聯時，采用基于MEC 框架的方法，使用戶設備能夠選擇正確的網絡，實現大吞吐量、廣連接和高效率。當部署的網絡包含多種無線接入技術、多頻譜時，或者宏、微蜂窩聯合部署時，用戶關聯方法變得更復雜。而基于定位信息[128]或基于接收信號強度等傳統方法無法支持密集連接。本文采用在3GPP 中定義的MEC 體系結構[129]輔助基站進行下行密集用戶關聯，如圖3 所示。

圖3 基于MEC 輔助的下行用戶關聯機制

圖3 中，3GPP 網絡架構控制面由網絡開放功能（NEF,network exposure function）、統一數據管理功能（UDM,unified data management）、策略控制功能（PCF,policy control function）、統一數據倉庫（UDR,unified data repository）、網絡倉儲功能（NRF,network repository function）、訪問和移動性管理功能（AMF,access and mobility management function）、會話管理功能（SMF,session management function）、網絡切片選擇功能（NSSF,network slice selection function）組成。SMF 經過N4 端口來控制用戶面功能（UPF,user port function），UPF 與邊緣應用服務器（EAS,edge application server）之間建立MEC 數據鏈路，EAS 用來提供MEC 服務，同時EAS 與應用客戶端之間也可以建立應用數據傳輸。邊緣使能服務器（EES,edge enabler server）用來維護終端的數據信息，EES 中的數據集合一般包括終端的位置、身份ID 或網絡部署的信息等，EES可以將獲取的數據傳遞給終端中的邊緣使能客戶端（EEC,edge enabler client）。EEC 協助終端中的應用程序使用MEC 服務。EES 可以提供終端的異質需求、終端的數目信息、基站的負載情況和網絡的容量信息等數據，能滿足海量密集終端設備的異質QoS 需求，關聯到更合適的網絡。不同終端的EEC 可以互相建立D2D 連接，由于終端設備的密集部署，不可能每個終端都在有接入需求的時候獲得EES 的數據集合。在這個情形下，EEC 之間可以通過D2D 連接的方式獲取所需的網絡信息，從而實現通信網絡的密集接入。

面向密集終端請求接入網絡的情形，提出基于上下行分離網絡架構的靈活接入方案，綜合考量了D2D、NOMA 等具備密集連接特性和低時延保證技術的協作，使網絡更具靈活性。基于MEC 輔助的下行終端用戶關聯，為密集終端提供更合適的網絡選擇，使具備異質需求特性的終端易于接入網絡。面向未來移動通信網絡的架構、技術都不再是孤立存在的，更立體化的架構和更靈活的方案體現了未來密集連接特性的大方向。

4 技術展望

目前，關于密集連接的研究主要集中在二維度的平面網絡、計算功能偏弱的通信系統、頻譜資源不足或沒有被充分利用的頻段，不能完全解決未來高密度移動網絡發展帶來的問題或瓶頸。未來移動通信網絡將在全球范圍內實現萬億級、全天候、智能化連接服務，因此，本文面向未來網絡復雜性特征[130]，對相應的關鍵技術及其發展給出預判。

4.1 網絡架構立體化

受網絡容量和覆蓋范圍的限制，僅依靠地面通信系統無法在地球上的任何地方提供高質量無線接入服務[131]。當務之急是開發新的網絡架構，以適應各種場景中具有不同QoS 需求的服務和應用。空天地一體化網絡（SAGIN,space-air-ground integrated network）[132]基于現有通信技術，把天基網絡、空基網絡以及陸基網絡連接成一個最大化容量、泛在密集連接和高致密頻譜的立體化全覆蓋空間，以期提供全天候、無縫式、無死角的連接服務，非常適合未來大規模組網或密集連接的應用場景。天基網絡由衛星網絡組成，具有非常廣的覆蓋范圍，組網靈活性高。空基網絡包括無人機、飛艇等空中平臺，空中平臺可充當長距離通信的中繼節點，在天基和陸基網絡間起到承上啟下的作用，促進陸地與非陸地網絡的融合。與天基網絡相比，空基網絡往返時延低，具有快速部署和響應的特點。陸基網絡包括蜂窩網絡、無線局域網絡、衛星地面站以及地面數據處理中心等，將支持太赫茲頻段，但是覆蓋范圍有限。三層立體化網絡既可以獨立工作又可以互聯互通，在這樣多種通信方式并存的立體化網絡中協同傳輸意味著允許不同的通信系統動態地共享無線資源，利用移動節點的分布式協作來擴大網絡容量和資源利用率。目前，空天地一體化通信系統尚未成熟，面臨的挑戰性問題還有很多，需設計統一的空口技術和核心網架構，空天地之間不同的傳輸模式使三者之間的高效協同傳輸困難重重，如何組建有效的空天地協同傳輸機制以提供高質量通信服務是當下需重點研究的課題。

4.2 通信計算一體化

未來通信網絡的超大組網規模和超高連接密度，是現代通信與網絡技術無法企及的。為實現未來通信網絡的眾連接、高速率和大容量，通信與計算不應該獨立地進行，也不應該局限于通信系統的智能單元內，二者的融合應貫穿于基帶、頻帶、空口乃至整個信道中。未來的超密集連接將導致收發系統的頻帶和空口負荷大大加重，這就要求基帶部分具有高效的計算能力，實現快速、精準的編解碼，高精度的采樣量化過程和適配性靈活的數字接口，形成所謂智能或彈性基帶處理架構。業界正在關注的幾種新型調制或復用方式包括低峰均比調制方式、OFDM、正交時頻空（OTFS,orthogonal time frequency space）、高頻譜效率頻分復用（SEFDM,spectrally efficient frequency division multiplexing），都可以通過通信系統硬件獨立實現，但不能在實質上解決信道擁塞和干擾問題。而頻帶傳輸與計算的融合，通過波形組合、靈活切換、分時控制、最優選擇，大大提升信道容量、傳輸質量和效率。空中計算提供了一種通信和計算一體化的架構[132]，在不需要恢復出每個節點個體數據的前提下，通過所有節點的并發傳輸，利用無線信道的疊加特性，實現目標函數在空口信道中的直接運算，計算傳播途徑、傳播角度、所需功率、極化參數，以及全雙工通信自干擾消除策略。

超密集連接必然產生海量的數據，要獨立地為每個設備分配無線資源，會導致過高的資源消耗，這大大增加了無線網絡的負擔。目前，基于傳統通信理論設計的通信系統極大地限制了進一步的性能改進。因此，有必要通過通信與計算融合技術來提高網絡的效率。由于未來的移動通信網絡一定是感知、計算和通信三位一體的新型網絡[134]，基站必須處理密集終端設備的無線接入請求，已有研究表明，人工智能技術具有優化無線通信的潛力，應用于無線通信的資源分配、信號處理、信道估計和收發器設計等問題[135]，有望大幅降低復雜度。目前，將人工智能模型訓練過程拓展到邊緣節點實現了邊緣智能，利用多個分布式終端設備采取協作的方式，共同訓練一個人工智能模型。單獨的設備只需要根據自身的數據計算局部的模型，最后融合全部設備的計算結果，實現對全局模型的更新，時效性更高。但是為邊緣智能尋找統一的框架通常是不可行的，需要根據任務類型和各參與節點的特點進行設計。Huang 等[136]提出了基于深度學習的NOMA、MIMO、毫米波通信框架，然而許多技術的實現還處于起步階段，存在許多未解決的問題或瓶頸，缺乏應用于未來移動通信的智能化通信與計算融合框架，這是未來要解決的重點問題，通信與計算融合技術將是下一代移動通信網絡中的值得期待的發展方向。

4.3 頻段向上延伸

目前的蜂窩網絡運行在低于6 GHz 的頻段，過于擁擠且帶寬有限。為了實現頻域的密集連接，使用mmWave[137]甚至是太赫茲波段是有前景的選擇[138-140]。2020 年以后，mmWave 通信系統將徹底改變傳統的無線通信系統，也將徹底改變大數據和物聯網環境下設備之間的交互方式[139]。為了解決mmWave 由于嚴重的傳輸損耗導致傳輸距離過短的問題，其常與大規模MIMO 技術結合，甚至使用超過1 000 個天線的超大規模MIMO[141]。因此，在mmWave 的應用中，基站的CSI 捕獲和預編碼變得更加復雜，對此可運用基于深度學習的大規模mmWave 與MIMO 系統聯合混合處理方案，利用神經網絡輸出收發信機的混合處理矩陣，將檢測到的符號映射到原始比特[142]，可以證明，在CSI 和信道不匹配的情況下，此方案也能有效降低誤碼率。文獻[143]提出了一種基于深度神經網絡的預編碼架構，名為“ComcepNet”。該架構結合了復卷積塊和初始網絡的特點，與目前的自動編碼器網絡相比，在準確性和可實現的數據方面具有優越的性能。利用mmWave 頻段的巨大可用帶寬和大規模MIMO 可實現高復用增益，顯著提高用戶吞吐量、頻譜效率、能源效率以及增加移動網絡容量，具備支持未來密集終端設備接入的潛力。

2019 年年初，美國聯邦通信委員會開放了太赫茲的頻段（0.1～10 THz），這將能獲得比mmWave更加豐富的帶寬資源，可以為擴頻和復用技術提供更加有力的支持[144]，也可以為廣連接和大容量傳輸打開了一條基礎通道，更能支持眾連接、大容量的密集終端通信。未來移動通信系統中應用太赫茲的挑戰有很多，諸如路徑損耗大、相位噪聲高、調制和復用難度大等。由于太赫茲比mmWave 的路徑損耗更高，所需的天線數量更多，太赫茲通信技術與其他技術相結合更能夠發揮其技術優勢，如太赫茲和大規模MIMO 技術相結合，利用大規模MIMO減輕信道多普勒效應和時延色散效應，增強太赫茲頻段的連通性。全向組網技術是節點利用全向天線完成全方向的鄰居發現，但是易受干擾，能耗較高，而太赫茲通信中使用定向天線完成組網，并要求發射天線具有高增益、接收天線具有高靈敏度，進一步研究波束成形與調控技術，快速發現滿足傳輸條件的波束鏈路，運用通信與計算融合技術及人工智能理論，實現波束跟蹤及鏈路重建，提高網絡吞吐量和降低能耗，構建超廣覆蓋和高密集連接通信體系。此外，未來需要適合太赫茲波段的高精度寬帶混頻器、高效率功率放大器和高靈活性的天線設備，以及更加高效的資源管理技術，與新興技術有效結合，共同保障太赫茲技術發揮技術優勢，完成密集終端的高質量通信。

4.4 頻譜資源共享

毋庸置疑，網絡連接的密度越大，頻譜資源越稀缺，運用區塊鏈技術，能在一定程度上解決頻譜資源稀缺問題。區塊鏈是一種按照時間順序將數據區塊以鏈條式結構組織，并以密碼學方式保證的一種技術體系。區塊鏈上的數據具有公開透明、安全、可追溯、不可篡改等特點，在分布式點對點（P2P,peer-to-peer）服務平臺上建立對等實體之間的交易信任。此項技術可以在提升未來移動通信網絡的頻譜、數據、設備等資源利用率的同時，實現資源動態共享。區塊鏈的工作過程如圖4 所示[145]。

我國工業和信息化部啟動了區塊鏈?5G 項目，允許中國移動、中國聯通和中國電信在全國現有5G平臺上部署區塊鏈。區塊鏈與5G 結合的主要動機源于區塊鏈在解決5G 網絡在安全、隱私、網絡和服務管理方面的挑戰有巨大優勢[145]。隨著用戶數目不斷倍增，無論何時何地，海量用戶都有接入需求，無線網絡中的頻譜稀缺阻礙了吞吐量和服務質量的快速提高，因此，迫切地需要更多頻譜或者更有效地利用頻譜資源。有研究者提出引入次級用戶，次級用戶可以監控頻譜，在頻譜空閑時傳輸數據[146]。但是，這種情況下的頻譜共享會引起安全問題，與傳統的頻譜管理方案相比，區塊鏈給5G網絡帶來了更好的解決方案。區塊鏈通過表7 所示的性能優勢來支持高效頻譜管理。

2018 年移動世界大會上，美國聯邦通信委員會（FCC,Federal Communications Commission）委員在展望6G 的演講中提到，網絡不斷地邁向密集化，基于區塊鏈的動態頻譜共享技術是趨勢[147]，這不但可以增加接入等級和接入用戶，還可以提高頻譜利用率，實現網絡運營商之間的共建共享、密集終端設備間租賃共享、未來天地一體化網絡頻譜共享、數據共享、資源共享。文獻[148]比較好地總結了區塊鏈技術在頻譜共享中的潛在應用。

圖4 區塊鏈的工作過程

表7 區塊鏈支持頻譜共享的性能優勢

區塊鏈在應用于移動通信系統時，也面臨一些瓶頸，由于數據塊大小限制，將事物加入鏈中會有很長的排隊時間，當數據塊生成時間快速增加時，系統的吞吐量會降低。而且隨著終端設備數量日益龐大，區塊鏈處理設備產生了海量數據，每個節點都必須處理、存儲交易數據副本[149]，這造成了區塊鏈網絡的存儲效率低下、計算負擔過重等問題。因此，必須設計針對具體場景的共識協議、大型數據庫劃分為數據碎片的分片技術，高效的存儲技術，以及將區塊鏈與邊緣計算、人工智能等新興技術結合，實現跨網跨域、安全可靠、智能高效的互聯互通。

5 結束語

隨著各種服務應用的飛速發展，驅動了人、物、空間之間的互聯互通。本文圍繞未來移動網絡密集連接問題展開，總結了對其發展有支撐作用的關鍵技術，分別從網絡架構、傳輸技術和接入技術3 個方面對研究進展進行了總結與分析；并考慮到上下行覆蓋不對稱問題，提出了基于上下行分離的密集終端接入方案。上行采用聯合網絡與用戶側接入選擇策略，應用DRL 技術，迎合了通信發展智能化新趨勢。下行利用MEC 輔助基站進行用戶關聯，降低時延且滿足不同用戶的異質QoS 需求。在此基礎上，根據大規模組網以及密集連接未來發展需求，對將涉及的關鍵技術給出前瞻性描述。未來移動網絡應擁有更立體化的網絡架構、高度協同融合的通信與計算能力、更加豐富且可充分利用的頻譜資源，共同為大規模組網以及密集終端接入網絡提供有力保證。