IRS综述:面向6G无线网络 - ITS文库 - 智慧交通网 ITS114.COM|领先的智能交通门户网站
  • 首页 > ITS百科 > ITS文库 > 正文

    IRS综述:面向6G无线网络

    2021-09-28 10:22:50 来源:知乎 作者:游走的鱼 评论:
    分享到:

    摘要

    本文对IRS进行了概述。IRS的最新研究分类如下(1)IRS辅助通信,包括容量/数据速率分析、功率/频谱优化、信道估计、基于深度学习的设计和可靠性分析;(2)IRS的实现及IRS在安全通信中的应用。文章提出IRS未来研究方向,并构想了IRS技术在6G通信网络中的作用。

    第一部分 引言

    1 智能反射面

    IRS包括一组IRS单元阵列,每个IRS单元都可以独立地对入射信号进行更改,如相位、幅度、频率甚至极化等。目前大多数研究仅改变入射信号相移,因此IRS不消耗任何发射功率。当直接通信质量较差时,IRS可以智能地配置无线环境来辅助发射端和接收端间的信息传输。放置IRS的位置有墙壁、建筑物外墙和天花板等。下图为BS与MU、UAV、智能车辆或任何其他终端间的IRS辅助通信,其中树遮挡了直射路径。

    2 IRS与大规模MIMO及其他相关技术比较

    IRS与大规模MIMO技术有关,通过在基站侧配置大规模天线阵列,大规模MIMO技术可以有效地提升频谱和能量效率。与5G中大规模MIMO技术相似,IRS很可能在6G中扮演至关重要的角色,帮助实现大规模MIMO 2.0[1]。IRS与大规模MIMO的不同之处在于IRS改变了通信系统的无线传播环境。

    第二部分 智能反射表面的分类研究

    本节主要主要讨论了IRS辅助通信中的容量/数据速率分析、功率/频谱优化、信道估计、基于深度学习的设计和可靠性分析以及IRS实现和在安全通信中的应用。

    1 IRS辅助通信的容量/数据速率分析

    文献[2]指出IRS的每平方米表面积获得的容量与平均发射功率成线性比例,而不是像大规模MIMO那样具有对数关系。文献[3]分析了单天线终端与IRS通信的情况。文章首先考虑了将整个表面视为接收天线阵列。 在这种情况下,只要表面积足够大,匹配滤波操作后的接收信号可以由类似sinc函数的符号间干扰信道表示。 然后,文章推导出每平方米表面积的容量,证明了当波长趋于零时每平方米表面积容量收敛到P/(2N0) [nats / s / Hz /体积单位],其中P是每体积单位的发射功率 (m,m2或m3),N0表示加性高斯白噪声的功率谱密度。文献[4]验证了当IRS有硬件损伤时系统容量会下降,但如果将IRS分成由多个小型IRS单元组成的阵列可以减轻性能下降。

    文献[5]给出基于IRS通信系统中上行数据速率的渐近性分析,并分析了信道估计误差和模型干扰信道是空间相关的莱斯衰落。 此外,文章还考虑了channel hardening效应,并证明了随着天线和移动设备数量的增加,渐进性容量结果与确切的互信息一致。文献[6]]通过找到最佳的基站有源波束成型向量和IRS无源波束成型向量来最大化下行速率的加权总和,其中每个权重代表移动用户的优先级。 此外,为了优化分析的实用性和简便性,文章将仅采用离散IRS相移值。文献[7]考虑一种单小区多用户系统,其中具有多个天线的BS通过IRS与多个单天线用户进行通信。 文章研究了如何通过优化BS处的线性预编码器和功率分配及IRS相位矩阵来最大化下行链路SINR,其分析涉及BS和IRS间信道矩阵的不同秩结构,以及IRS元素间的空间相关性。

    2 IRS辅助通信系统的功率/频谱最优化

    文献[8]通过找到IRS相位矩阵和BS处的最佳功率分配,最大限度地提高下行链路的每焦耳比特能量效率。 为了简化分析,文章假设BS采用了设计良好的ZF预编码矩阵来在移动用户接收的信号间实现完美的干扰抑制。文献[9]通过优化BS处的发射波束成型向量和IRS处的相移矩阵,来解决IRS辅助多址网络的下行链路发射功率最小化问题。

    文献[11]考虑了IRS辅助系统的频谱效率最大化问题。作者考虑了使用导频信号来获取信道状态信息的典型设置,因此导频训练结构会影响可达频谱效率。文章首先得出频谱效率的渐近值,然后基于该结果来找到使渐近频谱效率最大化的最佳导频训练长度。

    3 IRS辅助通信信道估计

    在典型设置中,IRS是无源的,不具备感知能力,因此基站会通过控制信号来估计下行信道CSI。 然后基站将得到的CSI传输到IRS控制器,该控制器相应地设置相移。

    文献[12]提出了一种基于最小均方误差(MMSE)的信道估计协议。 具体来说,文章将总信道估计时间划分为多个子阶段。 在第一子阶段中,所有IRS单元都将关闭,基站为所有用户估计直接信道。 在接下来的每个子阶段中,每个IRS元素轮流打开,而所有其他IRS单元都关闭,以允许基站进行估计。 在该协议末尾,使用MMSE方法将所有子阶段的估计结果汇总在一起,以获得全面的信道估计图谱。

    文献[13]使用三阶段机制来解决IRS辅助MIMO系统信道估计问题。这三个阶段分别包括稀疏矩阵分解、歧义消除及矩阵完成。第一阶段获取接收到的信号,并使用矩阵分解来导出基站与IRS间的信道矩阵及IRS与移动用户间的信道矩阵。第二阶段使用IRS状态矩阵的信息消除矩阵分解方案的歧义,该信息包含每次每个IRS单元的ON / OFF信息。第三阶段使用信道矩阵的属性来恢复丢失的条目。通过双线性广义近似消息传递算法、贪婪追踪和黎曼流形梯度算法分别解决这三个阶段的问题。文献[14]设计了一种信道估计机制,用于IRS辅助的能量从具有多个天线的功率信标到单天线用户的能量传输。文章使用估计结果分别在功率信标和IRS处设计有源和无源能量波束成形向量。

    4 基于深度学习的IRS辅助通信

    文献[15]使用深度学习来配置IRS以辅助无线通信。作者将无线传播视为一个深层神经网络,其中IRS单元是神经元,其交叉交互作用为链路。 经过数据训练后,无线网络学习IRS的传播基础,并将其配置为最佳设置。文献[16]利用深度学习在IRS辅助通信中进行信道估计。 所有IRS单元的无线信道质量都是通过深度神经网络运用仅在那些与IRS控制器的基带相连的IRS单元上可见信道来学习的。 此外,深度学习还可用于指导IRS去学习与入射信号的最佳交互。

    5 IRS辅助通信的可靠性分析

    文献[17]根据上行链路速率分布和中断概率,提出了IRS辅助通信的可靠性分析。 数据总和率的分布通过Lyapunov中心极限定理获得,中断概率由总速率低于所需值的概率给出。

    6 IRS实现

    文献[18]将通过天线单元网格实现IRS。 受制于每个天线占据一个信号空间尺寸的约束,文章证明六边形晶格在给定所需数量的独立信号尺寸的情况下可以实现IRS表面积最小化。文献[18]基于经典的格点理论进行分析。除了无线通信外,格点理论还有多种应用,包括信息理论、密码学、机器学习和knowledge representation。

    文献[19,20]提出了由两种类型的IRS单元组成的IRS体系结构:主动和被动IRS单元。 主动IRS单元连接到IRS控制器的基带,而被动IRS单元未连接。 然后,可以从有源IRS单元中的信道信息启动系统优化,以捕获环境条件和发送者/接收者的位置。

    7 IRS安全通信

    最近的许多研究都利用IRS来保护无线通信的物理层安全。IRS可用于窃听信道下的安全通信:IRS用于提高合法接收者的数据速率,同时降低窃听者的数据速率。这样可以改善两个速率间的差异,即保密数据速率。

    文献[21-23]研究IRS辅助的通信系统,该系统在窃听者存在的情况下多天线发射器与单天线合法接收器进行通信。三篇论文均考虑了在基站发射功率受约束的情况下,基站发射波束成形和IRS反射波束成形的最佳设计以实现合法通信链路保密速率最大化。 文章间的差异在于解决优化问题的具体细节。

    与文献[21-23]不同,文献[24]研究了多个合法接收者和多个窃听者的情况。具体而言,文献[62]考虑的IRS辅助下行链路广播系统,包括一个多天线基站、多个合法接收器(每个接收器具有单个天线)和多个窃听器。然后,[62]通过交替优化找到最优发射波束成形和IRS相移,从而实现所有合法接收机之间的最小保密数据速率最大化,其中考虑了采用离散值和连续值的两种相移情况。此外,文献[24]还研究了允许IRS反射幅度小于1的情况。文章使用包括路径跟踪迭代算法和启发式投影方法等优化技术。

    第三部分 智能反射平面的未来研究方向

    IRS将在6G无线通信网络中扮演类似于5G网络中的大规模MIMO一样的基本角色,并可以用于帮助实现大规模MIMO 2.0。IRS研究的三个未来方向如下:

    • 现有IRS及其在无线通信中应用的大多数研究都是以仿真作为验证的理论分析。因此,一个重要的研究方向是确认实际系统实现和实验数据结果的一致性。

    • 相对于依赖物理材料和制造过程的IRS性能,如何改变入射信号的现有模型较为简单。考虑到这些问题的模型可以更准确地指导IRS的优化,以帮助无线通信。

    • 为基本理解IRS辅助通信中的性能限制建立定律。需要深入了解IRS如何影响传统的信息理论模型。

    • 参考文献:

    • [1]L. Sanguinetti, E. Bjornson, and J. Hoydis, “Towards massive MIMO 2.0: Understanding spatial correlation, interference suppression, and pilot contamination,” arXiv preprint arXiv:1904.03406, 2019.

    • [2]S. Hu, F. Rusek, and O. Edfors, “The potential of using large antenna arrays on intelligent surfaces,”in Proc. IEEE 85th Vehicular Technology Conference (VTC Spring), 2017, pp. 1–6.

    • [3]S. Hu, F. Rusek, and O. Edfors, “Beyond massive MIMO: The potential of data transmission with large intelligent surfaces,” IEEE Transactions on Signal Processing, vol. 66, no. 10, pp. 2746–2758, 2018.

    • [4]S. Hu, F. Rusek, and O. Edfors, “Capacity degradation with modeling hardware impairment in large intelligent surface,” in Proc. IEEE Global Communications Conference (GLOBECOM), 2018, pp. 1–6.

    • [5]M. Jung, W. Saad, Y. Jang, G. Kong, and S. Choi, “Performance analysis of large intelligence surfaces (LISs): Asymptotic data rate and channel hardening effects,” arXiv preprint arXiv:1810.05667, 2018.

    • [6]H. Guo, Y.-C. Liang, J. Chen, and E. G. Larsson, “Weighted sumrate optimization for intelligent reflecting surface enhanced wireless networks,” arXiv preprint arXiv:1905.07920, 2019.

    • [7]Q.-U.-A. Nadeem, A. Kammoun, A. Chaaban, M. Debbah, and M.-S. Alouini, “Asymptotic analysis of large intelligent surface assisted MIMO communication,” arXiv preprint arXiv:1903.08127, 2019.

    • [8]C. Huang, A. Zappone, G. C. Alexandropoulos, M. Debbah, and C. Yuen, “Reconfigurable intelligent surfaces for energy efficiency in wireless communication,” IEEE Transactions on Wireless Communications, vol. 18, no. 8, pp. 4157-4170, 2019.

    • [10]M. Fu, Y. Zhou, and Y. Shi, “Intelligent reflecting surface for downlink non-orthogonal multiple access networks,” arXiv preprint arXiv:1906.09434, 2019.

    • [11]M. Jung, W. Saad, and G. Kong, “Performance analysis of large intelligent surfaces (LISs): Uplink spectral efficiency and pilot training,” arXiv preprint arXiv:1904.00453, 2019.

    • [12] Q.-U.-A. Nadeem, A. Kammoun, A. Chaaban, M. Debbah, and M.- S. Alouini, “Intelligent reflecting surface assisted multi-user MISO communication,” arXiv preprint arXiv:1906.02360, 2019.

    • [13]Z.-Q. He and X. Yuan, “Cascaded channel estimation for large intelligent metasurface assisted massive MIMO,” arXiv preprint arXiv:1905.07948, 2019.

    • [14]D. Mishra and H. Johansson, “Channel estimation and low-complexity beamforming design for passive intelligent surface assisted MISO wireless energy transfer,” in IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2019, pp. 4659–4663.

    • [15]C. Liaskos, A. Tsioliaridou, S. Nie, A. Pitsillides, S. Ioannidis, and I. Akyildiz, “An interpretable neural network for configuring programmable wireless environments,” IEEE International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), 2019.

    • [16]A. Taha, M. Alrabeiah, and A. Alkhateeb, “Enabling large intelligent surfaces with compressive sensing and deep learning,” arXiv preprint arXiv:1904.10136, 2019.

    • [17]Q. Wu and R. Zhang, “Intelligent reflecting surface enhanced wireless network: Joint active and passive beamforming design,” in IEEE Global Communications Conference (GLOBECOM), 2018, pp. 1–6.

    • [18]S. Hu, F. Rusek, and O. Edfors, “Beyond massive MIMO: The potential of data transmission with large intelligent surfaces,” IEEE Transactions on Signal Processing, vol. 66, no. 10, pp. 2746–2758, 2018.

    • [19]A. Taha, M. Alrabeiah, and A. Alkhateeb, “Enabling large intelligent surfaces with compressive sensing and deep learning,” arXiv preprint arXiv:1904.10136, 2019.

    • [20]A. Taha, M. Alrabeiah, and A. Alkhateeb, “Deep learning for large intelligent surfaces in millimeter wave and massive MIMO systems,” May 2019. [Online].

    • [21]M. Cui, G. Zhang, and R. Zhang, “Secure wireless communication via intelligent reflecting surface,” IEEE Wireless Communications Letters, 2019.

    • [22]X. Yu, D. Xu, and R. Schober, “Enabling secure wireless communications via intelligent reflecting surfaces,” arXiv preprint arXiv:1904.09573, 2019.

    • [23]H. Shen, W. Xu, S. Gong, Z. He, and C. Zhao, “Secrecy rate maximization for intelligent reflecting surface assisted multi-antenna communications,” IEEE Communications Letters, 2019.

    • [24]J. Chen, Y.-C. Liang, Y. Pei, and H. Guo, “Intelligent reflecting surface: A programmable wireless environment for physical layer security,” arXiv preprint arXiv:1905.03689, 2019.

  • 关键字: IRS
  •    责任编辑:zhuoqun
  • 延伸阅读!

  • 每周新闻精选

  • 关于我们
  • 联系我们
  • 广告赞助