联合循环前缀和调制编码的链路自适应技术研究

罗海鹏，刘玉军，刘潇然，龚广伟，赵海涛

(1.国防科技大学， 湖南 长沙 410073； 2.陆军装甲兵学院， 北京 100072)

0 引 言

面对未来多样化的应用场景的和动态变化的信道环境，无线通信需要更为灵活的链路自适应技术。链路自适应技术可以根据信道条件动态地调整通信系统参数，以满足不同场景下的用户需求，提高系统整体性能[1]。

链路自适应技术通常通过功率控制[2]、自适应编码调制[3]或者多天线发射模式[4]等来适应信道质量的变化。当信道环境动态改变时，信道的多径时延变化可能对通信波形产生严重影响，传统链路自适应技术难以应对这些情况。因此，改变通信波形的设计成为链路自适应技术又一重要设计维度[5]。

文献[5]中首次提出在OFDM系统中使用不同长度的循环前缀(Cyclic Prefix，CP)设计以应对不同信道下的时延扩展。文献[6-7]进一步将子载波间隔作为可变波形参数使得CP等比例放缩以适应不同的信道环境。在文献[8]的研究中采用了更多的候选参数，包含更多的子载波间隔和CP长度选项，并提出了一种启发式算法以达到可选参数数量与用户需求之间的折中。文献[9]提出了一种基于机器学习的波形参数分配机制，描绘了可配置通信波形设计方式的应用前景。

近年来机器学习技术在无线通信领域得到了广泛研究[10]。文献[11]指出查找表的方法仅可以用于离散化的链路质量信息，而复杂系统中仅利用较少的链路质量信息难以刻画OFDM系统的信道条件，提出使用各个子载波上信噪比(Signal-Noise Ratio, SNR)值排序后的子集作为信道特征维度。文献[12-13]在相同的信道特征下，进一步提出使用更为先进的监督学习的方法和随机神经网络(Random Neural Network，RNN)实现自适应调制编码(Adaptive Modulation Coding，AMC)过程。文献[14]则利用深度神经网络(Deep Neural Network，DNN)的强大计算能力，将排序后的SNR作为特征输入，研究扩大输入维度后的AMC性能。但是以上研究均没有考虑波形参数的自适应问题，并且其训练过程依赖大量的训练数据，训练完成后难以适应信道环境动态变化的情况。

可以看出，现有工作重点是对通信波形参数或调制编码策略(Modulation and Coding Scheme，MCS)单独进行研究，而将通信波形参数设计与MCS相结合，可以应对信道的变化实现更灵活的通信链路。本文将OFDM系统的CP设计与MCS相结合开展链路自适应技术研究。为了最大化吞吐量，将该链路自适应过程等效为一个多分类问题，采用机器学习技术进行求解。由于传统机器学习中单个分类器难以拟合多分类问题中复杂的多区域边界，因此，采用多个二分类器的设计结构。每个二分类器对应一组系统参数，用于预测当前系统参数是否能够在当前信道中成功传输。在所有预测成功的结果中选择吞吐量最高的作为当前系统参数。为了降低每个分类器的特征输入维度，对后处理SNR的排序和抽取结果进行特征降维。同时，所提算法通过“探索”、“利用”的在线学习过程，将传输中获取到的信息构成新的训练数据以适应当前的信道环境。最后，通过仿真验证所提算法的性能。

1 系统模型

图1给出了联合考虑CP和MCS的链路自适应系统模型。发送数据加入循环冗余校验(Cyclic Redundancy Check，CRC)后进行编码，编码比特映射为星座符号后通过N点长IFFT调制为OFDM符号，之后在每个符号前加入长度为Lj的CP进行传输。系统采用自动请求重传(Automatic Repeat Query，ARQ)机制，接收端经过校验后，返回ACK/NACK表示当前帧是否传输成功。本文考虑的链路自适应模型不同于传统的地方在于：除发送端除编码和调制方式可以改变外，发送OFDM符号的CP长度也可以根据算法进行自适应调整。

图1 联合考虑CP与MCS的链路自适应场景

信道中多径时延扩展造成符号间干扰(Inter-Symbol Interference，ISI)对通信波形产生严重影响。时延扩展带来的频率选择性衰落反映在接收端所有子载波的后处理SNR构成的N维信道特征向量Zw=[γ(1),γ(2),…,γ(N)]，其中γ(n)表示第n个子载波后处理SNR，由式(1)得到[11]。

(1)

式中：N为OFDM子载波数目；H(n)为第n个子载波处的频域冲激响应；σ2为噪声方差；Es为发射信号功率。用H表示N维频域冲激响应，上述信道信息集合可以表示为w={Es,σ2,H}。

链路自适应算法根据当前信道特征信息决定传输采用的CP长度和MCS，可选系统参数记为Pi={Lj,Mk}共I种，其中，Lj为CP长度，Mk为MCS方案。数据传输速率Ri=RM·RL，其中RM为采用MCS的数据速率；RL为采用CP长度Lj时的频带利用率RL=1-(Lj/N)。

使用Pi传输一个数据帧，系统吞吐量Ti为

Ti=Ri·Ci

(2)

式中：Ci为传输标签，若返回ACK，则Ci=1，否则Ci=0。

综上所述，以系统吞吐量最大为目标的联合CP与MCS的链路自适应过程可以建模为

(3)

在问题(3)的优化模型中，链路自适应问题等效于I个候选系统参数Pi在观测到的信道特征集{Zw}中进行边界划分的问题。这一多分类问题可以使用机器学习技术进行求解。

2 基于在线学习的链路自适应算法

2.1 算法设计

图2 多分类器的自适应结构

将实际传输中获取到的信息作为训练数据，训练数据分布不均匀，有的分类器会因训练数据不足而性能下降。为了避免这个问题，本文在分类器预测到Pbest后，综合考虑预测结果和各训练数据集大小，通过概率选择确定最终系统参数。选择系统参数Pj的概率pj为

(4)

(5)

式中：si为分类器i当前训练数据集大小；S为设定的训练数据集大小;εj表示一个逻辑值，若预测最佳系统参数为Pj，则εj=1，否则εj=0。

链路自适应需要快速准确决策以应对信道变化，本文选择高效快速的K-最近邻算法(K-Nearest Neighbor，K-NN)验证所提的链路自适应在线学习框架。K-NN算法是一种基于实例学习的监督学习算法，使用距离度量的方式确定训练数据与待预测数据之间的相似程度，距离度量越小，相似程度越大。通过搜索训练数据集中与待预测数据最相似的k个训练数据进行分类和预测，如果与待预测数据最相似的k个训练数据中的大多数均属于某一个类别，则预测结果为这个类别。

采用K-NN实现的联合CP和MCS的链路自适应在线算法流程如图3所示。

图3 链路自适应在线算法流程图

具体步骤为：

步骤1 为I个分类器分别建立I个训练数据集{S1,S2,…,SI}，初始化训练数据集为空，训练数据集大小si=0。一个传输进程传输一个数据帧，初始化传输进程计数ε=0，设置目标训练数据集大小为S。

(6)

(7)

步骤4 由式(2)计算系统参数Pi带来的吞吐量性能Ti，比较得到最佳系统参数Pbestε。由式(4)～(5)计算选择各系统参数的概率{p1,p2,…,pI}并确定第ε个进程的系统参数Pε=Pμ。其中，Pμ为{P1,P2,…,PI}内第μ个系统参数。

使用Pμ进行物理层设计传输信息比特，记录接收端反馈ACK/NACK作为传输标签Cε，记录系统吞吐量大小Tε。

(8)

(9)

2.2 复杂度分析

表1给出了信道特征维度为p、训练数据集大小为S时，本文所提算法与多分类器设计的传统链路自适应算法[16]、单分类器设计的传统链路自适应算法[17]的计算复杂度。可以看出，多分类器的设计较单个分类器的加法和乘法次数随分类器数目线性增加。值得注意的是，多分类器之间相互独立，通过并行计算的方式可以节约运行时间。此外三种算法均采用了信道特征降维，训练数据由N维减小到z维，算法整体计算复杂度均降低到N/z左右，有效避免了信道维度过高带来的复杂度过高、收敛较慢的问题。

表1 算法计算复杂度

3 仿真分析

本节通过仿真实验对所提算法的性能进行验证。OFDM系统及链路自适应算法仿真参数如表2所示。

表2 仿真参数设置

3种可选CP长度和8种可选MCS共组成I=24种可选系统参数。8种IEEE 802.11标准MCS参数如表3所示[11]。

表3 IEEE802.11标准的8种MCS参数

图4展示了不同系统参数在最大多径时延为3.6 μs的2-径信道下的BER-SNR曲线。可以看出，随着SNR增大，仅通过改变MCS并不总能实现任意低的误码率，当CP长度不足以消除多径时延带来的ISI时，即使选择BPSK和1/2码率组合的MCS，也无法使误码率进一步降低。针对多径时延选择合适的CP设计，能够有效提升误码性能。

图4 不同系统参数误码性能曲线

图5和图6展示了频率选择性信道中本文所提算法所达到的吞吐量性能。假设一个数据帧传输中信道的时延扩展不变，仿真中信道的均方根(Root Mean Square, RMS)时延扩展在0～20 us均匀分布。

图5仿真了SNR为30 dB的频率选择性信道下，本文所提算法与传统链路自适应在线算法[16]、随机策略的吞吐量性能随仿真时间变化曲线。其中，本文所提算法参数设计如表2所示；传统链路自适应在线算法CP固定为8点长，可选系统参数仅包括8种IEEE 802.11标准的MCS，其余仿真参数不变；随机策略可选系统参数与传统链路自适应在线算法相同，每次传输系统参数为随机选取。

图5 不同算法吞吐量性能曲线

可以看出，本文提出的算法随着传输的进行，性能不断提高，在150 ms后达到15 Mbps左右，较传统链路自适应和随机策略取得近五倍性能提升。而传统链路自适应在线算法由于无法克服随机时延扩展带来的影响，性能严重恶化，仅略高于随机选择策略。

信道质量突然恶化的情况下，本文所提算法与链路自适应离线算法[17]以及随机策略的吞吐量性能对比如图6所示。图中，0～300 ms信道SNR为30 dB，之后信道质量恶化，SNR降低到20 dB，离线算法可选系统参数与在线算法相同。离线算法选取SNR为30 dB时采集的数据作为训练数据进行离线学习。可以看出，离线算法和所提在线算法在SNR为30 dB时都能取得较高的吞吐量性能。但是信道质量恶化后，离线算法性能严重下降，无法适应变化之后的信道；在线算法经历短暂性能下降后，在150 ms内重新适应当前的信道环境。需要说明的是，由于受SNR降低的影响，在线算法稳定后较信道变化前的吞吐量性能下降。此外，随机策略吞吐量性能始终远低于本文提出的链路自适应算法性能。

图6 信道质量恶化的情况下性能曲线

以MATLAB为仿真实验工具，主机CPU为英特尔酷睿i7-10875H处理器，本文所提算法的一次运算时间为30 μs左右，通常小于大多数场景下信道的相干时间，根据当前信道条件得到的传输参数能够适用于下一帧传输的信道条件。

4 结 语

本文联合CP和MCS开展新型链路自适应技术研究。以系统吞吐量最大为目标，采用多分类器的结构设计了一种链路自适应在线算法。仿真实验结果表明，在RMS时延扩展在0～20 μs均匀分布的频率选择性信道中，所提算法能够达到15 Mbps左右的吞吐量性能。与离线算法相比，所提算法在信道质量突然恶化后能通过更新训练数据重新适应当前信道环境，在150 ms内重新达到了较好的性能。