大规模多输入多输出正交频分复用系统关键技术综述

唐剑　白光富　徐亮　唐艳玲

摘要：隨着第五代移动通信技术（5G）商用化和5G智能终端的普及，移动通信步入了一个极速物联网时代。大规模多输入多输出（massive multiple-input multiple-output，Massive MIMO）技术通过增加通信系统中的天线数量，在不增加频谱资源的条件下大幅提升了系统的频谱效率与能量效率，成为了5G的核心技术之一。针对该技术面临的很多挑战，从系统基站端、传输过程、用户端和整体架构四个方面综述其研究动态，并对大规模多输入多输出正交频分复用系统存在的问题进行总结和展望。

关键词：大规模多输入多输出;复杂度;信道模型;毫米波;导频污染;分布式天线系统

中图分类号：TN929.5文献标志码：A

无线通信技术出现于19世纪末，在经历了百余年的发展后，于上世纪90年代，以模拟调制与频分多址技术（frequency division multiple access，FDMA）为基础的模拟蜂窝移动电话系统出现，被称为第一代移动通信技术（1G）。但由于其通信容量低、易受干扰和覆盖范围小等明显缺陷，很快被第二代移动通信技术（2G）替代。2G使用了数字调制、时分多址（time division multiple access，TDMA）或码分多址（code division multiple access，CDMA）技术，大幅改善了通信效果，同时支持低速的数据交互。之后的第三代移动通信技术（3G）则是通过使用CDMA技术特征，伴以带宽扩展，极大提升了数据传输速率，拓宽了业务范围。3G技术真正让移动通信步入了互联网时代，大量移动终端的接入和不同用户的数据需求使频谱资源越来越紧缺，因而促使了第四代移动通信技术（4G）的出现。4G系统采用了多种新兴技术，其中正交频分复用（orthogonal frequency division multiplexing，OFDM）技术，使系统抗信道衰落能力更强，通信稳定性更优以及频谱效率更高;多输入多输出（multiple-input multiple-output，MIMO）技术在不增加频谱资源的前提下，大幅提升了通信容量;智能天线技术则是实现了在空域上编码信号的功能，进一步提升了信号的辨别能力;而软件定义的无线电（software defined radio，SDR）技术则通过软件来定义通用集成电路的通信功能，避免硬件的无意义更替，降低了通信成本。虽然通过以上技术，系统性能有了大幅提升，但是“信道阻塞”现象还是存在，比如在人员大量聚集的场所，4G网络便会瘫痪。5G通过毫米波、Massive MIMO、三维波束赋形以及小基站等技术实现了扩频，提升了信道容量，通信速率最快可达20 Gibit/s，相比于4G提升了至少一个数量级，同时还具有低延迟、覆盖广和支持高移动性的优势，是当下移动通信领域的研究焦点之一[1]。在以上扩频技术中，Massive MIMO无论在S（2～4 GHz）、C（4～8 GHz）等低频波段，还是在U（40～60 GHz）、V（60～80 GHz）、W（80～100 GHz）等高频波段，均是扩频的核心架构和关键技术。尽管Massive MIMO技术尚存在诸多的挑战，随着研究的深入，其在5G中的应用被寄予了厚望。

本文从基站端系统复杂度与成本降低，系统传输过程中信道建模与融合，用户端导频问题的处理方式，系统整体架构中两种排布方式的区别与联系，这四个方面综述了Massive MIMO-OFDM系统的关键技术，并进行总结和展望。

1 Massive MIMO-OFDM系统

Massive MIMO-OFDM系统的本质就是利用数以百计的天线进行通信，并采用OFDM技术调制信号，其基本结构如图1所示。相较于传统MIMO-OFDM系统，Massive MIMO-OFDM系统主要优势在于：天线数量的大幅增加增强了系统的空间分集增益与空间复用增益，同时又借助于天线选择、毫米波等技术，使得系统在频谱效率、能量效率和通信速率等方面得到了极大提升。表1比较了两者主要性能。

从表1可以看出，随着天线数量的大幅增加，Massive MIMO-OFDM系统硬件复杂性急剧升高。对于该问题，解决方案主要集中于以下两个方面：其一，简化射频链路。较为成熟的方案有降低射频链路中的模-数转换器（analog to digital converter，ADC）采样精度及量化精度[3]，但这样会使系统的传输速率大幅降低，故而文献[4]提出了高、低精度ADC结合使用的方式，降低了系统性能的损耗。其二，减少或避免使用射频链路。MO等[5]提出了借助移相器处理模拟信号的方案，但随后被证实无法有效降低射频链路的复杂度;MÁNDEZ-RIAL等[6]提出更优的方案为借助天线选择技术，但需要突破的问题是随之带来的庞大运算量以及干扰造成的效率降低。此外，大量天线也带来了系统软件计算量的增加，系统中的预编码过程及信道估计算法的计算复杂度将成倍提高，因此，优化算法，降低计算量是关键问题之一。

另一个关键问题是系统的信道状态有大幅改变。首先，某些信道参数从无规律波动变为有律可循;其次，因为大量天线和OFDM技术的使用，子信道数量成倍扩展，信道矩阵维度大幅提高。因此，建立符合高纬度信道的信道模型成为了关键。早期相关研究多集中于天线数量少于100的“准Massive MIMO”系统[7-8]，而对于Massive MIMO系统信道的研究主要由来自瑞典隆德大学的Fredrik Tufvesson团队[9-10]及美国Bell实验室[11]开展。近年来，通过总结前人工作，毫米波技术、信道非平稳性[12-13]、海量信道测量数据，以及高频段波束覆盖面积成为了主要研究问题。

表1中有关噪声干扰的信息表明，Massive MIMO-OFDM系统受传播路径中的噪声与衰落影响较弱，新增的干扰为“导频污染”。对于该问题，已有研究发现，在时分双工（time-division duplex，TDD）制式的系统中，由于信道存在上下行互易性，导频开销正比于用户数，而用户数相对较少，因此主要问题为“导频污染”[14]。其产生原因为基站端在估计信道状态信息（channel state information，CSI）时，受到临近小区使用相同导频的用户干扰，导致估计结果出现偏差。而在频分双工（frequency-division duplex，FDD）制式的系统中，因为信道不存在互易性，导频开销与基站端的天线数量成正比，极大降低了系统的频谱效率与传输速率[15]。因此，关于导频的问题便分为两种不同的研究方向：TDD制式下，关键是降低“导频污染”的影响;FDD制式下，关键是降低导频开销。

除此之外，为优化用户体验，系统的排布方式也成为了讨论热点之一[1]。其不仅有将天线集中于一个基站的集中式系统（如图2所示），也有引用中继概念的中继式系统，以及将天线分开放置的分布式系统。相较于集中式系统，中继式系统和分布式系统在某些方面都有所改进。例如，中继式系统应对突发事件应急通信、大规模赛事或峰会时有极大优势，而分布式系统在提升小区覆盖范围、边缘用户吞吐量、系统可达速率，以及消除室内盲区等方面有更好的性能。目前，这两者主要研究工作是探究并优化系统性能，且中继式系统需要更多地考虑物理层安全性。

2 Massive MIMO-OFDM系统中的复杂度及成本、功耗降低Massive MIMO-OFDM系统中的复杂度及成本、功耗问题中，硬件方面主要涉及混合ADC结构与天线选择算法，软件方面主要涉及信道估计算法。

2.1 混合ADC结构

研究表明，采用混合ADC结构的系统不仅可以有效降低硬件复杂度，还对系统性能有较大影响。文献[16-18]分别从频谱效率、能量效率和用户功率分配等角度进行了分析。结果表明，系统中高、低精度ADC数量之比可作为系统参数之一，直接影响频谱效率、能量效率和传输速率等性能。因此，通过改变这一比值，找到系统各项性能的最佳折中点，成为了研究的主要方向。

VERENZUELA等[19]讨论了不同ADC精度分配方案对系统频谱效率和能量效率之和的影响。结果表明，当ADC精度低于6位时，对于使用正则化迫零的协作式无蜂窝Massive MIMO系统，文中所提分配方案相比于平均分配方案有30%的性能提升。AHMED等[20]提出了一种在功率约束条件下，对装有可变精度ADC毫米波Massive MIMO系统的最优能量有效比特分配算法，优化系统能量效率，同时降低了计算复杂度。SHI等[21]从混合ADC结构对系统波束到达角估计的影响出发，推导了该结构对应的克莱美-罗界（Cramér-Rao Bound），并通过求根多信号分类理论进行了详细分析。结果表明：混合ADC结构可以实现系统性能、成本及能量效率的平衡，仅使用1～4位低精度的ADC便可以达到较好的系统性能。JIN等[22]基于深度学习理论，提出了两种上行链路信道估计方法，两者皆可利用高、低精度ADC同时接收并处理导频信息，提高了信道估计精度。相较于原算法，改进的选择性输入预深度神经网络算法可以在不降低系统性能的前提下减少高精度ADC数量。

上述研究只单纯讨论了使用混合ADC结构的普通Massive MIMO-OFDM系统。近年来，将混合ADC结构应用于其他复杂系统的研究也得到了重视。文献[23]和[24]研究了在使用了天线选择技术的毫米波Massive MIMO系统中，混合ADC结构的应用问题。前者为了提高系统的能量效率，提出了一种动态分配ADC精度的算法。结果表明，该算法进一步降低了复杂度，可以得出系统具有最优能量效率时所需的ADC数量，并从信噪比的角度验证其性能。后者则是从系统性能及功率优化两个方面进行了分析，通过推导系统可达速率的闭合表达式，提出了一种发射功率一定时，最大化系统可达速率的算法，同时找出了系统能量效率随ADC精度的变换趋势以及频谱效率与能量效率的最佳折中点。SAID等[25]将双精度ADC与双向中继式Massive MIMO系统结合，该结构可以提升系统的可达速率和能量效率，同时降低了系统功耗。

综上所述，混合ADC结构的研究重心是精度分配，其在射频链路中有多种精度ADC供选择，灵活性更高，但这不可避免地导致资源浪费，所以采用与可调精度ADC和动态分配等方案结合的方式，可以进一步提升系统性能，避免增加硬件成本。

2.2 天线选择技术

天线选择技术的核心是在大量天线中选出最优的天线，并自适应配置在少量射频链路上进行信号的收发，从而降低系统硬件复杂度、功耗和成本。经典的天线选择算法有：穷举法、递增递减算法、基于范数的算法等。但当这些算法直接应用于Massive MIMO-OFDM系统时，皆会面临严重的复杂度问题。

在早期研究中，主要研究工作集中在提出符合Massive MIMO-OFDM系统的天线选择算法[26-27]，后续工作重心转向了降低算法复杂度及处理干扰问题上。GAO等[28]考虑了多用户间的干扰问题，提出了一种干扰感知天线选择算法，将用户分为干扰组与非干扰组。对干扰组选择大功率的天线波束，对非干扰组采用基于速率最大化准则的低复杂度增量算法选择合适天线波束。结果表明，对比传统方案，该方案具有更高的能量效率与接近最优的和速率性能。ILANGO等[29]从避免天线相关因子在波束空间引起的干扰来提高系统能量效率的角度出发，提出了3种天线选择算法。仿真结果表明：所提出的方案在不增加系统硬件复杂度的前提下，提高了系统能量效率与可达速率;同时，其中两种方案相比于其他传统方案，计算量更少。SHEIKH等[30]研究了TDD制式下的用户分组问题，从获取最大信道增益的角度，找出了一种拥有最大系统和速率的天线选择方案。

对于利用天线选择算法优化其他系统环节也有许多研究。GAO等[31]考虑了全双工制式下的Massive MIMO-OFDM系統，建立系统最大保密容量与系统能量效率的优化函数，通过一种新的天线选择算法实现了两者的平衡。KHALID等[32]根据深度学习理论提出了一种借助天线选择的联合混合预编码方案，该方案使得系统的频谱效率与计算复杂度有所优化。LIN等[33]利用深度学习理论研究了毫米波系统中获取CSI的简化方案，通过建立天线之间的外推方案，简化了天线选择算法，从而降低了获取CSI的算法复杂度。

天线选择算法的核心问题是对不同用户配备合适的选择方法。因此，合理的用户分组以及多种应对不同用户特性的选择方案是关键。对于用户分组，可以从其对应的传输信道出发，亦可从其所需服务要求出发;而对于不同的分组，则要抓住其特性中的主要矛盾，选择对该问题有最优效果的天线选择方式。例如，对于所处环境复杂，易受多径干扰的用户，应尽量减少天线数量，提升各天线的功率;而对受信道干扰较少的用户，应使用多个低功耗的天线同时传输的方式。

2.3 信道估计算法

信道估计算法是Massive MIMO-OFDM系统的关键算法，因为系统中诸如天线选择算法、导频设计等众多环节皆以知悉良好的CSI为前提，其重要性不言而喻。

目前，适用于Massive MIMO-OFDM系统的信道估计算法多基于压缩感知理论提出。这些算法可以在使用少量导频的情况下较好地估计信道信息，使得频谱资源利用率提高;同时，相比于传统方案，计算复杂度亦有所降低。黄源等[34]基于深度学习理论，在不了解稀疏度的情况下，从测量矩阵出发，利用逆变换求出信号矩阵，解决了FDD制式下行链路中压缩感知框架下的欠定最优化问题，实现了对原始稀疏信道的重建，同时借助仿真证明其可行性与准确性。UMA等[35]利用自相关矩阵与块相关矩阵联合，分析了多用户MIMO系统的训练序列模型，并采用布谷鸟优化对其进行了改进，从而得到了较高的系统信噪比。

信道估计算法除了本身问题的解决与优化，在不同通信环境下的兼容问题也逐渐被重视。YI等[36]研究了高速车载通信场景下的信道估计问题。该系统使用毫米波频段，通过建立快速时变信道的数学模型，预测其先验信息，得到站与机车间的时变规律与到达角，基于此完成了信道估计。仿真结果表明，该方案相比于传统方法提升了传输速率。RAUT等[37]将视野定位于多媒体领域，研究并提出了一种新的信道估计算法，以保障其系统性能。

目前，信道估计算法的研究不仅要考虑提升估计精度和降低复杂度等基本要求，还需考虑不同通信环境下和不同使用功能系统的适应问题。对于不同系统条件下，信道估计算法的切入点应有所区别。例如，高速或多径效应严重场景，应多考虑时延所带来的干扰。

3 Massive MIMO-OFDM系统中的信道模型建立及融合从理论上研究系统的输入输出关系，并在实际场景中进行实测，是通信系统信道模型建立的普遍手段。目前，在Massive MIMO-OFDM系统的信道模型建立中，一方面，传统建模方式无法反映信道的非平稳特性;另一方面，海量的信道实测数据难以处理，而随着毫米波技术的引入，高频段波束通信覆盖面积小的问题亦急需解决。

3.1 信道建模

传统建模方法可分为统计性建模方法与确定性建模方法。前者所建模型通用性强，算法复杂度较低，但对具体环境要分析其与建模环境的匹配程度，并且需要大量实测数据支撑。典型的几何随机模型如下：

假设收发两端为理想的点源信号。接收信号为不同电磁波的叠加，使用信道冲击响应表征信道特性，则第k个发射阵元信道的冲激响应表示为

由式（2）可以看出，信道模型参数与系统周围环境有密切关系，所以用该方案建模的模型都有明确的场景分类。例如宏蜂窝与微蜂窝，对应于不同场景;再如均匀分布、瑞利分布等，对应于不同分布方式。

而确定性建模方法是依据传播环境的地理地形，根据电磁波传播理论或光学射线理论分析并预测无线传播模型。该方案可以辨别信道中的多径，计算结果准确，但计算量极大，一般只针对某一特定地理结构，灵活性较差。

对于Massive MIMO-OFDM系统的信道建模而言，传统方法中的统计性建模方案尚可采用，但无法体现Massive MIMO-OFDM信道的非平稳特性;而确定性建模方案因计算复杂度的问题已不适用。基于此，闭宇铭[39]讨论了Massive MIMO非平稳信道的建模方案。首先，基于Massive MIMO信道特性论证了将动态簇引入建模的可行性;其次，分析了天线流型、极化特性与互耦效应对信道模型的影响，并通过仿真实验验证了合理性;再次，借助几何统计的方法充分利用簇的生灭过程来体现信道的非平稳特性，从而建立了Massive MIMO信道。对比只考虑天线数量、间距的信道模型，该方案所得信道模型更接近于实测数据，但由于采用了统计性建模方法，精确性仍不足。

为提升建模准确度，解决系统信道测量数据庞大和难以处理的问题，文献[40-42]提出使用大数据与人工智能的手段辅助建立信道模型。其优势在于通过大量的信道模型训练，可以将统计性建模方法中的不确定因素基于真实信道通信数据进行固化，从而建立一个最优参数集，使得在环境发生变化时，信道模型可以精准调整。但关于该建模方法的研究处于起步阶段，研究成果较少，尚未形成正式的技术方案。研究内容主要聚焦于聚簇算法的信道参数估计，以降低信道维度为手段的信道模型建立以及神经网络等细节层次。

信道建模技术今后需要改进的方向，除了上述几点，还需考虑天线阵列的排布所带来的影响。因为单纯的一维或二维天线阵列已经无法满足Massive MIMO-OFDM的要求，三维天线阵列将是未来系统的主流，届时系统的信道状态将更为复杂。

3.2 毫米波信道

国际电联于2015年所拟定的毫米波通信建议频段为：24.25～27.50 GHz，31.80～33.40 GHz，37.00～40.50 GHz，40.50～43.50 GHz等频段。此外，美国联邦通信委员会于2017年规划了共10.85 GHz的毫米波频段用于移动通信，包含27.50～28.35 GHz，37.00～38.60 GHz，38.60～40.00 GHz三个频段[43]。由此我们可以看出：毫米波频段频谱资源相较于低频频段频谱资源有了极大提升，在Massive MIMO-OFDM系统的發展中有极为重要的地位;并且在前文所述研究中，毫米波技术已经广为运用，是未来扩展带宽和提升速率不可或缺的途径。

毫米波频段在实际应用中，会面临以下问题：空间传播的路径衰减较大，穿透和绕射能力差，易受环境遮挡物影响等。针对该问题，可以使用天线阵列技术形成定向性高的窄波束来对抗损耗，即波束赋形技术。

已有的波束赋形技术分为数字预编码、模拟波束赋形以及两者结合的混合预编码技术，其中，混合预编码技术进一步提升了系统频谱效率，得到了广泛关注。JIAN等[44]结合Dinkelbach算法与加权最小均方误差进行毫米波Massive MIMO-OFDM系统的混合预编码优化，有效降低系统的误码率，频谱效率与能量效率获得提升。WANG等[45]利用等效信道的概念，将发送端一部分预编码方案移至接收端，从而降低了算法复杂度。LIU等[46]采用将压缩采样匹配追踪算法与字典学习算法结合的迭代算法，增强毫米波Massive MIMO-OFDM系统的码本。

上述研究都是对预编码方案的优化，但是没有解决该技术的另一个问题，即信号的物理覆盖面较小，难以适用于高速移动场景。针对此问题，KIBAROGLU等[47]提出了通过动态波束赋形技术等来实现动态空间波束调整，以扩大信号覆盖范围。

此外，部分研究者也着手于其他细节问题。钱堃等[48]研究了系统中的用户定位问题，利用系统CSI与天线排布信息估计基站到各用户间的信号离开角，提出了一种具有高追踪精度的定位系统。蒯乐等[49]研究了天线阵列因失效而对系统造成的影响，对不同数量通道失效以及失效通道处于不同失效状态时的辐射特性进行了统计性分析，建立了Massive MIMO-OFDM阵列部分通道失效的方向图参数概率模型，并通过仿真验证了其正确性与有效性。

总之，波束赋形技术的主要难点是高频段、大通信带宽下的CSI获取和高计算复杂度。因此，设计出对CSI依赖性弱，避免遍历搜寻的波束搜索方案是当务之急。

4 Massive MIMO-OFDM系统中的导频优化导频问题作为Massive MIMO-OFDM系统的瓶颈问题，一直受到大量关注。在FDD制式下，主要导频问题是导频开销与天线数成正比导致導频开销极大;而TDD制式下，主要导频问题是导频数量有限，当应对多小区情况时，会存在“导频污染”。

4.1 FDD下的导频开销

因为TDD制式下有导频开销小的优越性，FDD制式下导频问题讨论度不高。但由于现行通信系统的上下行链路多采用FDD制式，所以考虑系统更新的过渡性，该问题仍有讨论价值。早期关于该问题的研究中，ADHIKARY等[50]提出了联合空分复用方案，利用信道相关性与稀疏性，将预编码过程分为两级。新加入的一级方案为在原预编码方案外层借助用户调度手段，将具有类似空间特性的用户分配至同一组，并使用信道统计信息进行第一层预编码;这样原始高维信道转化为低维有效信道，从而大幅降低了信道估计所需的导频开销，同时简化了预编码方案设计。后续仿真实验虽然验证了其可行性，但该方案的主要问题是导频开销优化、信道估计方案、有效信道降维程度等内容设计并不明确，同时外层预编码方案也需要定期更新。CHEN等[51]从这一方面进行了改进，在时变信道下，设计了一种低复杂度的在线更新算法，用于跟踪信道统计变化时的外层预编码。

上述研究不足之处在于，一方面，将信道估计与数据传输两阶段分离，特别在设计最优导频时，采用了最小化均方误差设计标准，忽视了信道估计精度与传输速率的关系;另一方面，没有做好系统性能与功耗的平衡。基于此，王毅[52]联合考虑了两个阶段的过程，从能耗角度出发，提出了一种避免遍历搜索的中复杂度资源分配算法。

因此，FDD制式下导频开销大的问题主要由各天线都发送导频信息引起。若对相似用户、经历相似信道的天线之间使用算法建立合理的推演关系，那么便可以避免全部天线需要发送导频的问题。

4.2 TDD下的导频污染

TDD制式下的导频污染问题无法随着天线数量增多而消失，因此成为了系统中干扰的主要来源。对于该问题的研究内容很多。早期研究中，文献[53] 和[54]分别提出了利用信号到达角空间分布情况和基于子空间映射的信道估计算法。两者都具有良好的导频消除效果，前者将协作式信道估计与导频分配方案相结合;后者使用了非协作方案，通过将接收信号进行子空间映射以消去小区间干扰，进一步利用导频信号估计降维后有效信道信息。

最近的研究中，GUO等[55]提出了一种基于时移导频的固定分配算法，实现了上行数据功率的重新分配，提升了系统中边缘终端的通信能力，降低了导频污染的影响。智慧[56]提出了一种将用户分组与联盟博弈联合的动态导频分配方案。该方案通过提高导频分配灵活性，从而有效提高了用户的平均服务速率。

TDD制式下“导频污染”问题产生的根源是导频重复利用，则解决问题的关键便是给导频做好“标记”用以区分或是岔开使用时间。因而研究的主要方向，一方面，根据不同小区间使用相同导频用户在信道上或物理位置上的区别来消除干扰;另一方面，亦可抓住动态分配思路，做好不同小区间的协作来解决该问题。

近年来，结合两种制式优势的全双工系统研究逐渐提升[1]。相比于TDD或FDD制式，该技术理论上提升了一半的无线资源，但面临的一个严重问题是由于收发两端信号功率差极大而带来的自干扰问题。关于该方面的理论研究较多，包括模拟端干扰抵消、对已知干扰信号的数字端干扰抵消、两者的混合方案，以及利用附加天线进行干扰抵消等。同时，虽然从实验上验证了可行性，但参考实验较少，并且现有结果也表示全双工技术不能在所有条件下获得理想增益。另外，对于全双工制式下的导频问题讨论较少，缺乏参考，需要深入研究。

5 Massive MIMO-OFDM系统的排布方式选择一般情况下，Massive MIMO-OFDM系统的排布方式为集中式，但由于其覆盖面积受基站功耗及长距离通信的干扰等限制，导致无法覆盖边缘地区或复杂地形的室内场所，因此，实际应用中还应考虑其他排布方式。

5.1 中继式排布方式

中继式排布方式是集中式排布方式的改进方案，通过在基站端与用户端之间增加中继节点，使得系统在边缘用户容量提升、链路可靠性增强、小区覆盖扩展、应急保障通信等方面的性能有所提升。同时，中继技术本身在无线携能传输与物理层安全通信中存在技术优势，并且易于部署，不需要回程链路，所以采用中继式排布方式的系统架构是未来异构网络中不可缺少的组成部分。

但中继式排布方式自引入Massive MIMO-OFDM系统就面临严重的用户间干扰问题。为解决该问题，研究人员首先将大规模天线阵列引入到中继节点，利用Massive MIMO技术中简单的线性预编码，接收机方案在不增加时频开销的情况下，获得了良好的用户间干扰消除特性;进一步结合毫米波技术将中继节点的天线阵元尺寸减小，为在中继节点、小区基站部署大规模天线阵列提供了可能。2013年，文献[57-58]以此为基础，提出在TDD制式下于中继节点部署大量天线的中继式系统，并分别从多用户传输与物理层安全两个方面做了初步的性能研究。

后续研究的重点之一便是对中继系统性能的优化。WAQAR等[59]研究了基于点对点解码转发的Massive MIMO-OFDM中继网络的无线携能通信问题，假设系统能量受限，中继节点的能量来源只有源终端，并通过限制性能约束条件，分析得到了中继天线最佳数量的封闭解。而SAID等[25]亦从系统和速率封闭表达式出发，讨论了其与中继天线数量的问题。NGUYEN等[60]基于全双工中继MIMO系统，讨论了信道估计误差、收发器硬件损伤和残余自干扰对系统性能的影响。通过建立系统符号误码率与三者的精确闭合表达式，分析得到三者之中信道估计误差与收发器硬件损伤对系统影响更甚。CHU等[61]研究了双向中继网络中频谱效率与能量效率的权衡问题，同时设计了一种最优分配算法，在不同中继节点中选取最优的传输节点，整体提升了系统能量效率与传输效率。

此外，因为中继节点的引入，物理层安全性也成为了需要考虑的问题。丁青锋等[62]以采用混合ADC结构的Massive MIMO-OFDM中继系统为基础，通过在基站采用最大比合并算法接收信号，推导出系统保密频谱效率与保密能量效率表达式，并分析了兩者的平衡关系，揭示了天线数与ADC精度对安全性能的影响。仿真结果表明，随着窃听者增加窃听天线数，系统需要降低频谱效率才可保证安全。SONG等[63]提出一种算法，解决了在具有协同窃听的物联网网络中，无线携能节点作为中继节点时，其使用寿命与保密能量效率的平衡问题。

中继式排布方式未来的焦点问题仍在于安全性。现有技术在发现窃听者时，皆会通过损耗系统性能来保证通信保密性，这是权宜之计。今后，增强系统发现窃听者的能力，进一步提升窃听者窃取难度，改善码本、限制波束发散等方式都是可行之策。

5.2 分布式排布方式

广义的分布式天线系统指将配备不同天线的多个远端射频单元（remote radio unit，RRU）部署在小区不同位置，再通过高速链路将各RRU连接至中央处理单元（central unit，CU），在CU处对所有RRU的信号进行联合处理。简单来说，就是将基站端的天线平均分布于基站覆盖范围内的各处。其优势在于通过各RRU拉近了用户到基站射频单元的距离，降低了路径损耗;各RRU之间的协作处理，使系统获得了良好的分集增益，提升了系统的覆盖能力以及频谱与能量效率，进一步提升了传输容量[64-65]。

近年来，对分布式排布方式的研究主要集中于优化其系统性能上。SEKI等[66]提出了一种动态分配用户设备的方法，将宏小区中的用户设备分为不重叠的簇集，并以时分的方式激活，从而避免了簇间干扰的问题，降低了计算复杂度，提升了系统容量。同时，分布式排布方式与中继式排布方式的结合问题也受到了研究人员的关注。SIRKECI-MERGEN等[67]通过在分布式架构中于远端射频单元与中央处理单元之间设置中继节点，构建了一个多级通信网络，并分析了其性能优越性。

分布式排布方式今后研究的重点，一是优化各RRU之间的位置关系，根据用户数量将通信容量做到灵活分配，避免小区域内的资源浪费或资源紧缺造成拥堵问题;二是进一步减小天线的体积以缩小总体架构的占地面积。因为引入中继节点或者扩大小区规模时，为保障通信性能，天线数量势必增加，故而天线体积小，功耗低尤为重要。

6 总结

本文从基站端其硬件与软件易实现度、传输过程中的信道模型、用户端的导频问题和整体架构中天线排布方式四个方面综述了Massive MIMO-OFDM系统中几个关键技术，并分析了近期研究进展和热点问题。

从当下研究内容与成果来看，在后续研究中，上述几个关键技术的改善将围绕智能化、标准化与微型化展开。其中，智能化体现在混合ADC系统的精度分配及天线选择技术中，需要借助动态分配系统与负反馈机制寻找通信质量与系统效能的最佳平衡点;在信道估计、信道建模与FDD下的导频开销问题中，利用大数据与深度学习系统可以更好地对用户进行分组，以降低系统数据处理量。而标准化则是基于智能化提出的更深层次要求，需要各协会与通信企业间借助已有的通信数据建立起对不同自然环境、不同应用场景等大环境下的系统标准参数库。该参数库可以使系统在工作时直接从标准参数出发，更快地寻找到最优参数点而避免资源浪费，并且借助地缘关系扩展及迭代更新，最终形成一个网状标准化结构。至于微型化，一方面，旨在解决大量天线带来的功耗、占地面积与维护等问题，将天线集成不仅可以大幅降低上述成本问题，而且也对获取CSI、基站与用户间到达角等参数有极大帮助;另一方面，在需要将天线安装到基站外的中继式或分布式系统中，集成化天线系统也大幅降低了运输与安装成本。除此之外，为解决“导频污染”、通信安全性等问题，现有技术都会增加编码成本导致系统性能损失，对该问题目前尚未有明确的解决方案，需要进一步探索。随着研究的不断深入，以Massive MIMO-OFDM系统为核心的5G移动通信系统将会获得快速发展，未来也将主导6G移动通信技术的发展方向。参考文献：

[1]尤肖虎， 潘志文， 高西奇， 等. 5G移动通信发展趋势与若干关键技术[J]. 中国科学： 信息科学， 2014， 44（5）： 551-563.

[2] 张中山， 王兴， 张成勇， 等. 大规模MIMO关键技术及应用[J]. 中国科学： 信息科学， 2015， 45（9）： 1095-1110.

[3] WANG S C， LI Y Z， WANG J. Multiuser detection in massive spatial modulation MIMO with low-resolution ADCs[J]. IEEE Transactions on Wireless Communications， 2015， 14（4）： 2156-2168.

[4] LIANG N， ZHANG W Y. Mixed-ADC massive MIMO[J]. IEEE Journal on Selected Areas in Communications. 2016， 34（4）： 983-997.

[5] MO J H， ALKHATEEB A， ABU-SURRA S， et al. Hybrid architectures with few-bit ADC receivers： achievable rates and energy-rate tradeoffs[J]. IEEE Transactions on Wireless Communications， 2017， 16（4）： 2274-2287.

[6] MÉNDEZ-RIAL R， RUSU C， GONZÁLEZ-PRELCIC N， et al. Hybrid MIMO architectures for millimeter wave communications： phase shifters or switches？[J]. IEEE Acces， 2016， 4： 247-267.

[7] CHIZHIK D， LING J， WOLNIANSKY P W， et al. Multiple-input-multiple-output measurements and modeling in Manhattan[J]. IEEE Journal on Selected Areas in Communications， 2003， 21（3）： 321-331.

[8] KYRITSI P， COX D C， VALENZUELA R A， et al. Effect of antenna polarization on the capacity of a multiple element system in an indoor environment[J]. IEEE Journal on Selected Areas in Communications， 2002， 20（6）： 1227-1239.

[9] GAO X， EDFORS O， RUSEK F， et al. Linear pre-coding performance in measured very-large MIMO channels[C]// IEEE Vehicular Technology Conference. Piscataway： IEEE， 2011： 1-5.

[10]GAO X， TUFVESSON F， EDFORS O， et al. Measured propagation characteristics for very-large MIMO at 2.6 GHz[C]// IEEE Conference Record of the Forty Sixth Asilomar Conference on Signals， Systems and Computers. Piscataway： IEEE， 2012： 295-299.

[11]HOYDIS J， HOEK C， WILD T， et al. Channel measurements for large antenna arrays[C]// IEEE International Symposium on Wireless Communication Systems. Piscataway： IEEE， 2012： 811-815.

[12]LI J Z， AI B， HE R S， et al. Measurement-based characterizations of indoor massive MIMO channels at 2 GHz， 4 GHz， and 6 GHz frequency bands[C]// IEEE 83rd Vehicular Technology Conference. Piscataway： IEEE， 2016： 1-5.

[13]PRATSCHNER S， BLAZEK T， GROLL H， et al. Measured user correlation in outdoor-to-indoor massive MIMO scenarios[J]. IEEE Access， 2020， 8： 178269-178282.

[14]MARZETTA T L. Noncooperative cellular wireless with unlimited numbers of base station antennas[J]. IEEE Transactions on Wireless Communications， 2010， 9（11）： 3590-3600.

[15]RAO X B， LAU V K N. Distributed compressive CSIT estimation and feedback for FDD multi-user massive MIMO systems[J]. IEEE Transactions on Signal Processing， 2014， 62（12）： 3261-3271.

[16]DING Q F， JING Y D. Spectral-energy efficiency tradeoff in mixed-ADC massive MIMO uplink with imperfect CSI[J]. Chinese Journal of Electronics， 2019， 28（3）： 618-624.

[17]PIRZADEH H， SWINDLEHURST A L. Spectral efficiency of mixed-ADC massive MIMO[J]. IEEE Transactions on Signal Processing， 2018， 66（13）： 3599-3613.

[18]GAO H， XIAO K X， XIA B， et al. Mutual information analysis of mixed-ADC MIMO systems over Rayleigh channels based on random matrix theory[J]. IEEE Transactions on Wireless Communications， 2020， 19（7）： 4894-4906.

[19]VERENZUELA D， BJRNSON E， MATTHAIOU M. Optimal per-antenna ADC bit allocation in correlated and cell-free massive MIMO[J]. IEEE Transactions on Communications， 2021， 69（7）： 4767-4780.

[20]AHMED I Z， SADJADPOUR H， YOUSEFI S. An optimal low-complexity energy-efficient ADC bit allocation for massive MIMO[J]. IEEE Transactions on Green Communications and Networking， 2021， 5（1）： 61-71.

[21]SHI B H， ZHU L L， CAI W L， et al. On performance loss of DOA measurement using massive MIMO receiver with Mixed-ADCs[DB/OL].（2021-04-06）[2021-11-24]. https：//arxiv.org/abs/2104.02447.

[22]JIN Z C， GAO S， LIU N， et al. Deep Learning based channel estimation for massive-MIMO with mixed-resolution ADCs and low-resolution information utilization[J]. IEEE Access， 2021， 9： 54938-54950.

[23]HU C C， LI Y S， LIN C Y. Dynamic ADC resolution-mapping for millimeter-wave massive MIMO systems [J]. IEEE Access， 2021， 9： 52414-52424.

[24]ZHOU T， CHEN G C， WANG C X， et al. Performance analysis and power allocation of mixed-ADC multi-cell millimeter-wave massive MIMO systems with antenna selection[J]. Frontiers of Information Technology & Electronic Engineering， 2021， 22（4）： 571-585.

[25]SAID S， SAAD W， SHOKAIR M， et al. On the performance of massive MIMO two-way relaying systems using double precision technique[J]. Analog Integrated Circuits and Signal Processing， 2021， 108： 7-16.

[26]LIU A， LAU V K N. Joint power and antenna selection optimization for energy-efficient large distributed MIMO networks[C]// IEEE International Conference on Communication Systems. Piscataway： IEEE， 2012： 230-234.

[27]MAHBOOB S， RUBY R， LEUNG V C M. Transmit antenna selection for downlink transmission in a massively distributed antenna system using convex optimization[C]// IEEE Seventh International Conference on Broadband， Wireless Computing， Communication and Applications. Piscataway： IEEE， 2012： 228-233.

[28]GAO X Y， DAI L L， CHEN Z J， et al. Near-Optimal beam selection for beamspace mmWave massive MIMO systems[J]. IEEE Communications Letters， 2016， 20（5）： 1054-1057.

[29]ILANGO P， SUDHA V. Energy efficient transmit antenna selection scheme for correlation relied beamspace mmWave MIMO system[J]. AEU-International Journal of Electronics and Communications， 2021， 137： 153783.1-153783.7.

[30]SHEIKH T A， BORA J， HUSSAIN M A. Sum-rate improvement in massive MIMO system with user grouping and selection， and antenna scheduling scheme[J]. Wireless Personal Communications， 2021， 120： 1043-1056.

[31]GAO H Y， SU Y M， ZHANG S B， et al. Joint antenna selection and power allocation for secure co-time co-frequency full-duplex massive MIMO systems[J]. IEEE Transactions on Vehicular Technology， 2021， 70（1）： 655-665.

[32]KHALID S， ABBAS W B， KHALID F. Deep learning based joint precoder design and antenna selection for partially connected hybrid massive MIMO systems[DB/OL]. （2021-02-02）[2021-11-24]. https：//arxiv.org/abs/2102.01495.

[33]LIN B， GAO F F， ZHANG S， et al. Deep learning-based antenna selection and CSI extrapolation in massive MIMO systems[J]. IEEE Transactions on Wireless Communications， 2021， 20（11）： 7669-7681.

[34]黄源， 何怡刚， 吴裕庭， 等. 基于深度学习的压缩感知FDD大规模MIMO系统稀疏信道估计算法[J]. 通信学报， 2021， 42（8）： 61-69.

[35]UMA M R， SUMANTH K C， VENKATA N K G. Design of training sequences for multi user： MIMO with accurate channel estimation considering channel reliability under perfect channel state information using cuckoo optimization[J]. Journal of Electrical Engineering & Technology， 2021， 16： 2743-2756.

[36]YI Z， ZOU W X， SUN X B. Prior information based channel estimation for millimeter-wave massive MIMO vehicular communications in 5G and beyond[J]. Frontiers of Information Technology & Electronic Engineering.2021，22（6）：777-789.

[37]RAUT S N， JALNEKAR R M. Taylor-based least square estimation in MIMO-OFDM systems for multimedia applications[J]. Wireless Personal Communications， 2021， 120： 609-631.

[38]HRYCAK T， DAS S， MATZ G， et al. Low complexity equalization for doubly selective channels modeled by a basis expansion[J]. IEEE Transact-ions on Signal Processing， 2010， 58（11）： 5706-5719.

[39]閉宇铭. 非平稳无线信道建模及其仿真技术研究[D]. 北京： 北京邮电大学， 2017.

[40]HE R S， LI Q Y， AI B， et al. A kernel-power-density-based algorithm for channel multipath components clustering[J]. IEEE Transactions on Wireless Communications， 2017， 16（11）： 7138-7151.

[41]MA X C， ZHANG J H， ZHANG Y X， et al. A PCA-based modeling method for wireless MIMO channel[C]// IEEE Conference on Computer Communications Workshops. Piscataway： IEEE， 2017： 874-879.

[42]POPOOLA S I， JEFIA A， ATAYERO A A， et al. Determination of neural network parameters for path loss prediction in very high frequency wireless channel[J]. IEEE Access， 2019， 7： 150462-150483.

[43]杨彬祺. 5G毫米波大规模MIMO收发系统及其关键技术研究[D]. 南京： 东南大学， 2019.

[44]JIAN R L， CHEN Y Y， LIU Z， et al. Energy-efficiency optimization for multi-user multi-stream massive MIMO hybrid precoding[J]. International Journal of Wireless Information Networks， 2021， 28： 319-331.

[45]WANG S G， HE M Y， ZHANG Y J， et al. Equivalent channel-based joint hybrid precoding/combining for large-scale MIMO systems[J]. Physical Communication， 2021， 47： 101287.1-101287.6.

[46]LIU G， DENG H G， YANG K， et al. A new design of codebook for hybrid precoding in millimeter-wave massive MIMO systems[J]. Symmetry， 2021， 13（5）： 743.1-743.13.

[47]KIBAROGLU K， SAYGINER M， REBEIZ G M. A quad-core 28-32 GHz transmit/receive 5G phased-array IC with flip-chip packaging in SiGe BiCMOS[C]// IEEE MTT-S International Microwave Symposium. Piscataway： IEEE， 2017：1892-1894.

[48]钱堃， 张新宇， 杨铮， 等. 基于离开角的商用毫米波设备定位方法研究[J]. 中国科学： 信息科学， 2021， 51（1）： 122-138.

[49]蒯乐， 周后型， 陈继新， 等. 5G毫米波大规模MIMO阵列失效特性分析[J]. 中国科学： 信息科学， 2021， 51（7）： 1156-1167.

[50]ADHIKARY A， NAM J， AHN J Y， et al. Joint spatial division and multiplexing： the large-scale array rregime[J]. IEEE Transactions on Information Theory， 2013， 59（10）： 6441-6463.

[51]CHEN J T， LAU V K N. Two-tier precoding for FDD multi-cell massive MIMO time-varying interference networks[J]. IEEE Journal on Selected Areas in Communications， 2014， 32（6）： 1230-1238.

[52]王毅. 面向B4G/5G的大規模MIMO无线通信系统关键技术研究[D]. 南京： 东南大学， 2016.

[53]YIN H F， GESBERT D， FILIPPOU M， et al. A coordinated approach to channel estimation in large-scale multiple-antenna systems[J]. IEEE Journal on Selected Areas in Communications， 2013， 31（2）： 264-273.

[54]MLLER R R， COTTATELLUCCI L， VEHKAPER M. Blind pilot decontamination[J]. IEEE Journal of Selected Topics in Signal Processing， 2014， 8（5）： 773-786.

[55]GUO Z J， XIONG R J， DENG H G. Fixed power allocation algorithm based on time-shift pilot in massive MIMO System[J]. Journal of Physics： Conference Series， 2020，1631： 012078.1-012078.6.

[56]智慧， 王飞跃， 黄子菊. 大规模MIMO系统中联合用户分组和联盟博弈的动态导频分配方案[J]. 电子与信息学报， 2020， 42（7）： 1686-1693.

[57]SURAWEERA H A， NGO H Q， DUONG T Q， et al. Multi-pair amplify-and-forward relaying with very large antenna arrays[C]// IEEE International Conference on Communications. Piscataway： IEEE， 2013：4635-4640.

[58]CHEN X M， LEI L， ZHANG H Z， et al. On the secrecy outage capacity of physical layer security in large-scale MIMO relaying systems with imperfect CSI[C]// IEEE International Conference on Communications. Piscataway： IEEE， 2014：2052-2057.

[59]WAQAR O， ALI M A， LIAQAT M， et al. On the ergodic capacities of decode-and-forward MIMO relay network with simultaneous wireless information and power transfer[J]. Transactions on Emerging Telecommunications Technologies， 2021， 32： e4126.1-e4126.25.

[60]NGUYEN B C， TRI P V， TRAN X N， et al. SER performance of MIMO full-duplex relay system with channel estimation errors and transceivers hardware impairments[J]. AEU-International Journal of Electronics and Communications， 2021， 136： 153751.1-153751.10.

[61]CHU M J， QIU R H， JIANG X Q. Spectrum-energy efficiency tradeoff in decode-and-forward two-way multi-relay networks[J]. IEEE Access， 2021， 9： 16825-16836.

[62]丁青锋， 刘梦霞. 基于混合精度ADC的大规模MIMO中继系统物理层安全性能研究[J]. 电子学报， 2021， 49（6）： 1142-1150.

[63]SONG K， NIE M Y， JIANG J， et al. On the secrecy for relay-aided SWIPT internet of things system with cooperative eavesdroppers[J]. IEEE Access， 2021， 9： 28204-28212.

[64]YOU X H， WANG D M， SHENG B， et al. Cooperative distributed antenna systems for mobile communications[J]. IEEE wireless communications， 2010， 17（3）： 35-43.

[65]TAO X F， XU X D， CUI Q M. An overview of cooperative communications[J]. IEEE Communications Magazine， 2012， 50（6）： 65-71.

[66]SEKI Y， SAITO T， ADACHI F. Dynamic UE clustering for distributed MIMO cooperative transmission[J]. IEICE Communications Express， 2019， 8（5）： 160-165.

[67]SIRKECI-MERGEN B. Combine-and-forward： a linear cooperative multi-level communication strategy for distributed MIMO relays [J]. Physical Communication， 2020， 38： 100922.1-100922.11.

（責任编辑：周晓南）

Overview of Key Technologies of Massive MIMO-OFDM

TANG Jian BAI Guangfu XU Liang TANG Yanling

（College of Physics， Guizhou University， Guiyang 550025， China）Abstract： With the gradual commercialization of 5G and the popularization of intelligent terminals， mobile communication is beginning to merge with Internet of things and getting faster and faster. As a core technology of 5G， massive MIMO increases the number of antennas. The spectrum efficiency and energy efficiency have been greatly improved without more spectrum resources. For it still has many challenges， this paper reviews the research trends of 5G， including its base station， transmission process， client， and architecture，summaries and prospects the problems of Massive MIMO-OFDM system.

Key words： massive multiple-input multiple-output; complexity; channel model; millimeter wave; pilot pollution; distributed antenna system