物联网中免授权非正交多址接入技术研究

王君健1 ,张哲2 ,李飞3

摘要: 物联网中免授权多址接入系统可以减少时延，但是在大规模机器通信应用场景会遇到诸多问题，本文针对免授权非正交多址中的接入签名方法、免授权NOMA的压缩感知的活跃用户检测以及机器学习在免授权NOMA整个系统的优化方法三方面进行研究，并且给出了机器学习方法在免授权NOMA系统中待解决的问题。

关  键  词: 压缩感知; 大规模机器通信; 机器学习; 时延

中图分类号: TN911.22文献标识码: A

Research on Grant-Free Non-Orthogonal Multiple Access in Internet of Things

Abstract: The grant-free multiple access system in Internet of Things can reduce the time delay, but many problems may be encountered during deployment in a large-scale machine-to-machine communication application scenario.. For the access signature method in the authorization-free non-orthogonal multiple access, the authorization-free NOMA Active user detection of compressed sensing and machine learning are studied in three aspects of the optimization method of the license-free NOMA system, and the problems to be solved by the machine learning method in the license-free NOMA system are given.

Key words: Compress Sensing; Massive machine communications; Machine learning; Delay

0 引言

国际电信联盟（International telecommunication Union, ITU）定义了三种业务应用场景，，包括增强移动宽带（enhanced Mobile Broadband，eMBB）、大规模机器通信（massive Machine-type Communication，mMTC）和超可靠低时延（Ultra-reliable Low-latency communications，URLLC），不同应用场景服务质量（Quality of Service,QoS）要求不同。其中eMBB是关于人与人通信的业务，而mMTC和URLLC则是面向物联网的两种业务场景。

在海量的物联网或机器设备通信中(例如云接入设备采集、智能建筑、物流跟踪和智能农业)，其关键的通信特征是：大量的上行链路(Up-Link,UL)通信流量、每个设备的传输数据量非常小、能效要求高、部分/完全自治的通信以及大量零星的重要传输。。另一种关键通信的物联网URLLC场景(如远程手术、智能交通等)，其主要关注数据的可靠性和传输时延。例如，在关键医疗应用中，机器人辅助手术和增强现实辅助手术的端到端延迟目标分别小于2毫秒和750秒[1-3]。考虑到这些不同的服务需求，需要对现有通信技术进行重大升级，以支持这些物联网应用。

在海量设备接入的物联网中，其多址方式主要分为两大类，即正交/非正交多址接入方式和授权/非授权多址接入方式。在正交/非正交多址接入方式中，正交接入方式有时分多址、码分多址和频分多址等方式，非正交多址接入方式大多数采用功率-非正交多址方式。在现有的无线网络中，每个设备都通过基于竞争的随机接入过程请求数据传输时隙，此方法带来过度延迟和信令开销。在大规模接入物联网中，考虑到零星的mMTC流量，逐步转向无授权通信接入是不可避免的，在这种情况下，设备可以根据自己的需要传输数据，而无需经过随机接入/授权过程，或者通过合并随机接入和数据传输。在这种情况下，使用NOMA的无授权/基于竞争的传输被认为是一种有效的解决方案。与现有的正交接入相比，非正交多址接入能够提供接入设备的数量较大，频谱效率较高。同时随着非授权接入技术的引入，比较适合URLLC这种对时延要求苛刻的业务场景[4-6]

，当然也会对接入安全带来挑战，可以采用物理层认证以及物理层安全传输手段来解决此类非授权接入方案的接入安全问题[7]。

1无授权NOMA接入签名

在无授权NOMA的上行链路中，基站可能没有复用用户的完整信息，其他相关传输参数也处于未知或者部分已知的状态[8]。为了能够通过无授权的接入，竞争的多址资源（如时间、频率块）和多址接入签名是接入的必要组成部分。其包括码本/码子、序列、交织和映射形式，解调相关信号等[9-10]。对于多接入签名的选择，一种为大量接入的机器设备随机选择，另一种为接入的机器设备签名是预定结构或者预先定义的。通过接入签名，各种非授权的NOMA传输被引入到大规模机器接入中。一些潜在的基于非授权上行策略（如扩展、加扰和交织等）接入签名方法被相继提出。

第一种，基于功率的非授权NOMA，功率域NOMA工作原理主要是基于使用不同的电平将多个用户的数据流叠加在同一时频功率块上。当多个用户使用不同的功率发送它们的消息信号时，基站利用接收到的功率差，使用串行干扰消除的接收方式执行多用户检测。这种基于功率NOMA的方案大量的应用在数字电视标准和美国国家安全电视3.0标准。然而这些应用是基于授权的PD-NOMA方案，由于该方案在很大程度上依赖于用户之间的接收功率差，在没有闭环功率控制的情况下，这种方案的有效性对于无授权解决方案来说可能是有限的。因此，在基站接收的多个用户/移动终端的信号之间保持足够的功率差是一个巨大的挑战。

基于功率的NOMA方案采用远近用户的大尺度衰落，来保证方案的顺利实施。但是在无授权接入的情况下，PD-NOMA的远近效应无法应用。根据相关研究可以得出，信道增益和功率分配对于复用资源块的用户性能很重要。目前有在一些基于分组数据网的UL无授权方案，例如将ALOHA或时隙ALOHA协议与PD-NOMA相结合。另一种方案是基于码正交化的NOMA传输方案，其核心思想是利用用户的扩频序列的正交化，传输多个用户的信息，实现多用户检测，这种方案进一步分为低密度传播和非低密度传播。这两种序列中第一种可以消除多用户干扰。

总之，所有基于签名的NOMA多址接入均可以实现无授权的上行传输。其中，性能较优的基于扩频的NOMA传输方案，可以将扩频码设置成短序列或者长序列。为了实现无授权接入，一种竞争传输单元（Contention Transmission Unit，CTU）被采用。机器传输装置可以选择相应的CTU进行传输数据包。

为了实现提供大规模的连接，一种基于非授权的稀疏码多址如图1所示，CTU联合了时间、频率、码本以及导频序列的分配。在每个时间-频率块中，有J个唯一的码本。对于每一码本，对应着L个导频序列。多个用户在相同的时间可以重复使用相同的码本，从而实现大量用户的接入。

图1.CTU 时-频码本分配图

需要注意的是，整个时频区域不需要支持竞争。出于实际目的，只有一部分UL带宽配置需要竞争得到，而另一部分可用于常规调度的UL数据传输。基于竞争的NOMA和预定访问在学术界和工业界得到了广泛的支持。为了进行多用户检测，研究提出了不同类型的接收器。其中三种形式的接收器性能较优，即最大后验概率检测、最大后验概率配合串行干扰消除检测和最大后验概率检测配合Turbo解码。

多个CTU和大规模机器接入系统可以采用盲检测的方法进行接收，接收机基本上由两个部分组成，其中第一部分起到预滤波的作用来控制接收复杂度和效率；第二部分，即数据检测部分，信道估计器只需要估计接入用户的信道。其具体过程如图2所示。

图2. 非授权NOMA的多用户检测

2基于压缩感知免授权NOMA

由于mMTC中设备数据传输的偶发性，活跃设备的检测和数据恢复至关重要，其中基站需要从T个用户中识别一些在特定时隙中活跃并传输数据的K个用户。为此，在无授权的情况下，使用压缩感知方法进行接收机设计显得十分必要。值得注意的是，NOMA传输仍然通过第一部分描述的多址特征来实现，而压缩感知仅用于有效的多用户检测。

压缩感知是一种有效的信号处理技术，它利用信号的稀疏性，从比奈奎斯特准则要求的少得多的样本中恢复信号。在当前的无线系统中，活动用户的数量通常比系统中可用用户的总数少得多，即使在繁忙时间也是如此。这一特性也适用于mMTC场景。因此，在UL免授权NOMA系统中，用户活动的固有稀疏性可以通过使用压缩感知算法来解决多用户检测问题。利用低用户活动率，压缩感知技术使基站能够处理更多的用户，因为如果假设信号稀疏，压缩感知使得从比总信号维数少得多的测量中恢复期望的信号成为可能。基于码分多址的NOMA方案允许用户/移动终端随时传输它们的数据，而无需任何控制信令。

考虑到与实际数量相比活跃用户的数量较少，研究使用了两个模型来将NOMA问题公式化为压缩感知问题。第一种模型被称为基于单个测量向量的压缩感知(SMV-CS)，当用户数量增加时，该感测矩阵的大小变得巨大，这导致较差的采样矩阵特性，并因此限制了系统在检测速度方面的可扩展性。为了应对此问题，基于多测量向量的压缩感知系统(MMV-CS)将接收信号视为矩阵Y，矩阵Y是两个矩阵的乘积，即感知矩阵A和数据符号矩阵D，其中D的每一行包含单个用户的数据帧，每一列代表一个时刻来自所有用户的符号。这样做是为了减小传感矩阵A的大小。因此，与单测量向量压缩感知模型相比，多测量向量压缩感知模型可以更好地减轻由于用户数量增加而导致的更高的复杂性。这些模型已经被大量用于上行多设备传输场景中表示基于稀疏传播的非正交多址接入。此外，为了执行压缩感知多用户检测，经常采用最大后验概率的算法和贪婪算法。

3免授权NOMA机器学习方法

研究显示最大似然技术在提高无线通信发射机/接收机设计效率方面具有强大的能力。与传统方法相比，最大似然法能够以更快、更准确和更鲁棒的方式解决NP难优化问题。最大似然算法不依赖于模型和方程，而是在数据中寻找模式，以做出最好的、接近最优的决策。由于网络的动态特性，无论是快速变化的信道状态、动态网络流量，甚至是网络拓扑和调度，最大似然算法的鲁棒性在无线通信中是特别理想的。对于NOMA系统，最大似然法可以应用于以下NP难问题，包括(1)获得信道状态信息，(2)资源分配，(3)功率分配，(4)用户分类，(5)复杂的联合解码以及以上五个方面的折中方案。

在物理层的信号处理中，机器学习算法已经应用于解调、信道码、压缩感知、相干检测和盲检测等方面。对于更高层的信号处理，机器学习算法已经被应用于业务负载预测、控制和信道接入方案。学习算法改变了解决通信问题的方式。学习技术的方法试图同时完成多个任务。深度学习被用来解决无授权NOMA变分优化问题。神经网络模型包括编码、活动用户检测、签名序列生成和解码，该过程具有非常低的延迟，适合触觉物联网应用。使用深度多任务学习为NOMA设计了一个通用/统一的框架。通过将训练数据输入所设计的深度神经网络，所提出的活跃用户检测方案学习接收的NOMA信号和主动设备的索引之间的非线性映射。相应地，经过训练的网络可以处理整个主动用户检测过程，实现对主动用户的准确检测。深度学习的非授权NOMA传输过程如图3所示。

图3 面向非授权NOMA深度学习传输方法

机器学习在非授权NOMA系统中应用，也会遇到一些问题需要解决，第一，采用机器学习算法所得到的性能与极限性能的差距很难评估，所以需要研究极限性能，才能充分评估机器学习算法的优劣；第二，信道信息在机器学习方案中很重要，以便学习算法可以实时动态调整参数，针对信道模型的随机性，可以研究一种对信道具有鲁棒性的机器学习方法。第三，对于机器学习的方法，多数是在用户检测以及参数估计方面，然而，大量的用户冲突造成了性能的严重损失，针对此问题，应该研究一种基于免授权的NOMA用户接入冲突检测，从而突破性能瓶颈。

4结束语

免授权NOMA接入系统，适合大规模机器通信的业务场景，本文首先给出了免授权NOMA上行链路的签名方案，随后研究了免授权NOMA上行链路的多用户检测技术，提出了基于压缩感知的用户活跃检测方法，最后给出了机器学习在免授权NOMA上行链路的方法，同时指出了后续的研究方向。

参考文献:

[1]Y. Du et al., “Joint channel estimation and multiuser detection for uplink grant-free NOMA,” IEEE Wireless Commun. Lett., vol. 7, no. 4, pp. 682–685, Aug. 2018.

[2]F. Wei, W. Chen, Y. Wu, J. Ma, and T. A. Tsiftsis, “Message-passing receiver design for joint channel estimation and data decoding in uplink grant-free SCMA systems,” IEEE Trans. Wireless Commun., vol. 18, no. 1, pp. 167–181, Jan. 2019.

[3]J. Ahn, B. Shim, and K. B. Lee, “EP-based joint active user detection and channel estimation for massive machine-type communications,” IEEE Trans. Commun., vol. 67, no. 7, pp. 5178–5189, Jul. 2019.

[4]S. Jiang, X. Yuan, X. Wang, and C. Xu, “Joint user identifification, channel estimation, and signal detection for grant-free NOMA,” in Proc. IEEE Global Commun. Conf. (GLOBECOM), Waikoloa, HI, USA, Dec. 2019, pp. 1–6.

[5]J. T. Parker, P. Schniter, and V. Cevher, “Bilinear generalized approximate message passing—Part I: Derivation,” IEEE Trans. Signal Process., vol. 62, no. 22, pp. 5839–5853, Nov. 2014.

[6]L. Liu, E. G. Larsson, W. Yu, P. Popovski, C. Stefanovic, and E. de Carvalho, “Sparse signal processing for grant-free massive connectivity: A future paradigm for random access protocols in the Internet of Things,” IEEE Signal Process. Mag., vol. 35, no. 5, pp. 88–99, Sep. 2018.

[7]L. Dai, B. Wang, Y. Yuan, S. Han, C.-L. I, and Z. Wang, “Nonorthogonal multiple access for 5G: Solutions, challenges, opportunities, and future research trends,” IEEE Commun. Mag., vol. 53, no. 9, pp. 74–81, Sep. 2015.

[8]N. Xia, H.-H. Chen, and C.-S. Yang, “Radio resource management in machine-to-machine communications—A survey,” IEEE Commun. Surveys Tuts., vol. 20, no. 1, pp. 791–828, 1st Quart., 2018.

[9]C. Wei, H. Liu, Z. Zhang, J. Dang, and L. Wu, “Approximate message passing-based joint user activity and data detection for NOMA,” IEEE Commun. Lett., vol. 21, no. 3, pp. 640–643, Mar. 2017.

[10]Y. Zhang, Q. Guo, Z. Wang, J. Xi, and N. Wu, “Block sparse Bayesian learning based joint user activity detection and channel estimation for grant-free NOMA systems,” IEEE Trans. Veh. Technol., vol. 67, no. 10, pp. 9631–9640, Oct. 2018.