面向5G-R大规模物联网的新型多址方案

薛 珍，艾 渤，马国玉，马毅琰，李庚乾

(1.北京交通大学 轨道交通控制与安全国家重点实验室, 北京 100044；2.郑州中建深铁轨道交通有限公司，河南 郑州 450000)

高速铁路是一种快捷便利的出行方式，极大地提高了人们的出行效率，对国家和地区的经济发展具有重要的意义。如今，我国高速铁路建设与发展全面提速，高速铁路的智能化发展已成为国家重大战略需求。与此同时，世界高速铁路发达国家已相继提出智能化发展战略，智能高速铁路已成为世界高速铁路领域新的增长点与竞争点[1]。我国高速铁路也在逐步向智能铁路转型升级[2]，研究人员将时下热门的先进技术，如人工智能(Artificial Intelligence, AI)、云计算(Cloud Computing)、物联网(Internet of Things，IoT)、大数据(Big Data)、区块链(Blockchain)、建筑信息模型(Building Information Model，BIM)等应用到高速铁路中，并不断进行技术创新来提升铁路信息化、智能化水平，我国智慧铁路建设的总体技术水平已处于世界领先行列。智能高速铁路的研究由面向车体的智能装备技术、面向旅客的智能服务与运营技术、面向列车的智能建造技术三个方面组成，5G技术在高速轨道场景下的研究是实现上述三方面复杂的智慧型高速铁路建设的必要条件[3]。随着5G技术的成熟，5G公网在高速铁路上的部署已经开始了相关试验，而5G专网系统即铁路5G系统(5G for Railway，5G-R)也已进入了研究探索阶段[4]。中国国家铁路集团发布的《新时代交通强国铁路先行规划纲要》中，明确表示科研人员要勇于创新，构建属于自己的先进技术装备体系，推进完善5G移动通信网络、万物互联等基建应用，统筹规划新一代移动通信专网建设，赋予铁路智慧发展[5]。5G-R技术将在列车及其沿线地面间构建新型通信链路，满足数据高传输速率、列车高速移动、信息高实时性、传输高可靠性的需求，在为乘客提供便利的同时，也将为铁路商业用户提供更多高水平、高性能的业务。由此可见，5G-R专网的建设对未来智能高速铁路具有十分重要的意义, 国内外学术界和工业界对未来智能高速铁路的关注度和期待值也越来越高[6]。

相较于之前的铁路通信系统，5G-R专网不仅在原有移动宽带的基础上进一步提升用户速率，并且也考虑了用户的连接性需求及传输可靠性需求。国际电信联盟在2015年定义了5G的三大应用场景：增强型移动宽带(enhanced Mobile Broadband，eMBB)、超可靠与低时延通信(Ultra-Reliable Low Latency Communications，URLLC)、大规模机器类通信(massive Machine-Type Communications，mMTC)[7]在5G-R系统中同样适用。随着高速铁路发展的大众化和普遍化，人们对未来铁路的旅客信息服务业务的期待与要求逐渐变高。eMBB适用于提高乘客乘车体验的场景，主要特点为超高的数据传输速率和广覆盖下的移动性保证，5G-R专网下的车站将利用这一技术为高速铁路乘客提供大带宽无线服务、实时信息发布服务、应急告警服务等用以满足旅客多种多样的通信服务需求。同时，高速铁路运输生产业务的智能化要求也越来越高，URLLC场景在满足毫秒级低时延的同时能够保证列车高速移动情况下设备的高可靠性连接，5G-R专网下的未来高速铁路轨将利用这一技术采集高清的轨道线路图像，地面铁路综合监控中心可定点运算调取前方轨道情况视频并进行智能分析，列车接收到分析结果后进行危情预警，从而能够有效地检测异物入侵、隧道结构、铁轨等病害。此外，我国国土幅员辽阔，铁路覆盖范围广，沿线场景繁多复杂，铁路的围栏与出入口较多，若要实现智能铁路的全覆盖，必须配备并应用大规模的传感器节点。mMTC场景包含大规模的设备，设备间的通信主要以小数据包的形式进行，主要应用在通信活跃度低及设备功耗低的环境中，所有设备并不会同时进行数据的传输，具有零星传输的特点[7]，适用于5G-R系统中使能未来物联网中大规模的小型化传感及作动设备。

在高速轨道交通中，海量的机器设备形成的大规模物联网可以应用于设备故障检测、列车状态实时监测、环境监测、旅客上网等多种业务，是实现高速铁路与轨道运营维护智能化的关键，但海量接入设备为多址技术带来了更大的挑战。在mMTC中，为尽可能减少或消除基于授权的随机接入带来的控制信令和开销巨大等不足，研究人员将目光转向免授权随机接入技术。然而，由于免授权随机接入技术中接入点与用户之间缺乏协作、不再进行信令交互，接入点接收到的数据包都是匿名的，因此接入点需要对接收到的数据进行用户识别。同时，高速铁路的迅猛发展使得用户数量急剧增加，然而受限于有限的无线电资源[8]，mMTC系统不能满足海量用户的激活与接入。为解决此类问题，各界学者针对mMTC免授权随机接入过程提出了若干实现在码域上的非正交多址技术[9]，主要包含基于码本、交织及扩频序列这三类多址技术[10]。图样分割多址(Patten Division Multiple Access, PDMA)技术是一种满足5G无线网络对大容量、大连接数的多样化需求而提出的一种基于码本的非正交多址接入方案。这一技术利用图样矩阵来表示数据与资源间的稀疏映射关系，模式的稀疏性直接影响到系统的容量性能和检测复杂度[11]。稀疏码分多址(Sparse Code Multiple Access, SCMA)是一种很有前景的基于码本的非正交多址技术，它可以提供更高的频谱效率和大规模连接，满足5G无线通信系统的要求[12]。交织分割多址(Interleaved-Division Multiple Access, IDMA)技术是一种支持同一带宽内大量用户多址接入的基于交织的多址技术[13]。基于压缩感知的多用户检测(Compressive Sensing Based Multi-User Detection, CSMUD)技术是一种基于扩频序列的多址技术，它利用压缩感知理论有效地缓解了非正交扩频序列间的互相关对用户识别和数据检测的影响[14]。但上述多址技术解决接收端碰撞的算法具有局限性，且未能解决多种系统性能需求的兼顾和权衡问题。此外，高速轨道交通中列车的超高速移动会带来严重的多普勒效应，对系统性能的影响不可忽视。

最近，一种新兴的面向mMTC场景的基于免授权随机接入的多址方案被提出，称为串联扩频多址(Tandem Spreading Multiple Access，TSMA)[15]。TSMA解决了mMTC场景中大规模用户免授权随机接入与有限的无线电资源这一矛盾，它将用户发送的数据包进行分段，位于各个数据段上的经过调制后的符号将利用若干正交的扩展序列进行串联扩展。TSMA利用有限的正交扩展序列生成大量的串联扩展组合，将非正交的串联扩展组合随机分配给大规模的机器用户，系统中所有用户都将获得一个非正交的串联扩展组合。串联扩展码是TSMA通过特定的算法来筛选相应的序列组合形成的一个集合，该码本内包含的串联扩展组合具有一定特性，使其能够保证大规模连接用户在进行零星匿名上行传输时的用户识别及数据检测性能。高速轨道交通中利用海量物联网设备对列车进行监测，这些大规模物联网设备具有稀疏零星传输、小数据包传输数据、设备功耗较小及活跃度较低等特点。基于段编码及串联扩展，TSMA通过牺牲一定程度的用户速率实现了mMTC系统中更高的连接性及可靠性，这与高速轨道交通中海量物联网设备的通信需求相吻合。因此，TSMA具有支撑高速轨道交通场景中大规模终端可靠接入的潜力。

然而，在高速移动场景下系统不可避免地会受到多普勒效应的影响，目前TSMA尚未考虑到高速轨道交通中多普勒效应所带来的载波频率偏移(Carrier Frequency Offset，CFO)，因而本文在TSMA的基础上研究面向5G-R大规模物联网场景下高速移动对系统性能的影响。本文首先在正交频分复用(Orthogonal Frequency Division Multiplex，OFDM)的基础上介绍了多载波串联扩展多址接入(Multi-Carrier Tandem Spreading Multiple Access，MC-TSMA)；同时研究了高速轨道交通中CFO对MC-TSMA性能的影响，得出每个子载波上CFO干扰的闭式表达式，并提出相应的改进方案；最后，基于高速移动对MC-TSMA进行了性能评估。结果表明，所提出方案可以有效地缓解高速轨道场景中由CFO引起的MC-TSMA性能下降。

1 系统模型

针对上述高速轨道交通mMTC场景，本文考虑一个单小区上行免授权随机接入系统，包含单个车载基站及K个地面用户终端。基站与用户都配备了单天线，且以时隙的方式进行传输。由于mMTC业务中零星传输与小尺寸数据包传输特性，假设单个时隙内所有用户激活的概率为pa且pa<<1，激活用户将进行数据传输且数据包的尺寸要小于时隙长度。因此每个时隙内活跃用户的数量是遵循二项分布B(K;pa)的。此外，MC-TSMA考虑单个用户仅占用单个子载波，不同的用户可占用相同的子载波，其数据的扩展在时域上进行，即时域扩展。因而，假设该系统在频域中占用Nc个子载波，且Ka(i)表示第i个子载波上的激活用户数，i=1,2,…,Nc，则全部的激活用户Ka可以表示为

( 1 )

针对第i个子载波上第k个激活用户，k=1,2,…,Ka(i)，考虑用户数据传输将利用TSMA方案进行处理，因而单个子载波内能够支持的最大用户数量等于TSMA中串联扩展码本的尺寸。另外对于第l个OFDM符号，其所经历的信道衰落表示为

hi,k,l=[hi,k,l,0hi,k,l,1…hi,k,l,Lh-10]T

( 2 )

式中：Lh为信道抽头数。由于假设一个编码段的用户数据长度小于信道的相干时间，因而同一段中的数据符号所经历的信道衰落是相同的。现有文献中，开阔空间、路堑、高架桥、丘陵等不同场景下的高速轨道交通信道衰落随机特性均利用莱斯分布刻画[16-17]。此类模型下所经历的信道衰落为

( 3 )

此外，在上行数据传输中，第i个子载波上第k个激活用户所受到的归一化CFOεi,k表示为

(4)

式中：fc为载波频率；μ为高速列车移动速度；c为光速；Δf为子载波间隔；αi,k为该用户与列车接收天线的角度。本文假设αi,k服从[-π,π]上的均匀分布，且CFO的幅度|εi,k|<1。这里若考虑窄子载波间隔Δf=3.75 kHz，载波频率fc=2 GHz，在列车移动速度为500 km/h时|εi,k|仅约为0.25，因此对于CFO的假设合理。OFDM框架中的多址系统对小数量级的εi,k很敏感，其所带来的载波间干扰(Inter-Carrier Interference，ICI)对系统性能产生明显影响[18]。在原先OFDM框架下的扩频系统中，ICI会破坏大量用户扩频码片的正交性，从而严重降低系统性能。同时，在这种条件下进行CFO估计和估计复杂度很高。因而如前文所述，本文中系统采用时域扩展形式生成码片，从而更易于保持扩频码片的正交性。

2 发射机设计

MC-TSMA系统结构见图1。

图1 MC-TSMA系统结构

2.1 段编码

( 5 )

2.2 串联扩展

在串联扩展中，串联扩展码本C由广义里德所罗门(General Reed-Solomon，GRS)码生成[16]。设q为扩展因子，r表示码本中任意两两串联扩展组合能发生碰撞的最大次数，则码本的最大尺寸为qr+1[16]。同时MC-TSMA在时域上进行扩展，因此每个子载波上可以支持最多qr+1个用户。针对子载波i上激活用户k第j段编码段上的数据符号si,k,j，j=1,2,…,n，发射机根据扩展码本C从正交扩展序列集合E选取相应的扩展序列进行扩展，其扩展后的码片表示为

ζi,k,j=Ci,k,jsi,k,j

( 6 )

式中：Ci,k,j∈Cq(bm+Lp)×(bm+Lp)表示为

( 7 )

其中，ci,k,j为针对数据符号si,k,j所选取的扩展序列。

完成串联扩展后，发射机将n段数据段的扩展码片进行合并，而后将其映射至第i个子载波以生成频域发送信号Xi,k∈CNc×qn(bm+Lp)，即矩阵Xi,k的第i行为扩展码片。将Xi,k的第l列表示为Xi,k,l∈CNc×1，l=1,2,…,qn(bm+Lp)，即第l个OFDM符号，为了对抗符号间干扰(Inter-Symbol Interference，ISI)，发射机对Xi,k执行反快速傅里叶变换(Inverse Fast Fourier Transform，IFFT)，并添加长度为LCP>Lh的循环前缀(Cyclic Prefix，CP)。

3 接收机设计

3.1 接收信号

在接收端，本文假设全部激活用户的信号同步到达接收机，异步到达的情况已在文献[19]中进行了详细研究。接收的合成信号可以写为Y=[Y:,1Y:,2…Y:,qn(bm+Lp)]。在高速移动场景下，针对第l个OFDM符号的合成信号，即Y的第l列，将依次执行去CP操作和FFT后，可表示为

( 8 )

式中：Y:,l∈CNc×1，l=1,2,…,qn(bm+Lp)。Hi,k,l为第l个OFDM符号的信道卷积的矩阵形式，由于CP的添加，Hi,k,l为循环矩阵；F和FH分别表示FFT矩阵和IFFT矩阵，(·)H表示复共轭转置操作；n:,l为加性高斯白噪声，其分布为CN(0,σ2)，σ2为噪声功率；Δi,k为CFO对角矩阵，其第u个对角元素可以表示为

( 9 )

3.2 用户识别

公式(8)可以重写为

(10)

其中

Yi,k,l=FHi,k,lΔi,kFHXi,k,l

(11)

(12)

(13)

其中,

(14)

式中:Ii,l为在第l个OFDM符号上第i个子载波受到的干扰，其来自相邻子载波的数据，表示为

(15)

另外，在高速移动中，用户识别必须考虑来自CFO的影响。对于BPSK调制系统而言，公式(15)中Ii,l的上界可以表达为

(16)

由于用户激活服从伯努利分布，信道服从莱斯分布，则Ii,l服从伯努利高斯分布[20]。对于其他调制方式，也可根据Xi,k,l的调制符号值得出相应上界。综上，基于高斯分布的累加特性，式(16)的期望可以写为

(17)

式(17)即为CFO干扰的一个期望上界值。在能量检测过程中减去正交扩展序列集合E与Bi的相关值便可得到新的检测门限，从而消除了CFO对用户识别的影响。

3.3 数据检测

(18)

(19)

此后，利用所插入的导频符号sp进行信道估计和信道补偿。在信道估计中，本文基于最小二乘估计(Least Square Estimation，LSE)[21]得出

(20)

(21)

(22)

4 性能评估

考虑在郊区环境下，列车在高架桥上高速移动时，由列控中心、轨旁电子单元、调度集中、站间通信及安全数据网等组成的地面大规模设备与车载设备间的通信，通过链路级仿真来评估MC-TSMA的用户识别性能和数据检测性能。在本仿真中，地面设备用户数量规模远小于大规模物联网系统中单个基站可承载的百万级别连接用户数量规模，大规模特性主要体现在设备用户数量和扩展因子的比值。综合前文所述，亦考虑列车可能处于富散射体环境的通信场景，故分别基于莱斯分布和瑞利分布的信道模型进行仿真分析，重点关注用户识别和数据检测的性能。此外，在相同资源分配和传输环境下，选取了“未进行CFO干扰估计和消除的MC-TSMA方案”(以下简称“原方案”)和“接收端已知信道状态信息(Channel State Information，CSI)的MC-TSMA方案”(以下简称“CSI已知方案”)作为所提改进方案的性能比较基准。仿真参数如表1所示。

表1 仿真参数

高速移动场景下，用户接收到的有用信号和噪声都在不断变化，因此，本节评估了改进方案在不同信噪比下的用户识别性能和数据检测性能，系统的用户激活概率设定为pa=0.02。

图2评估了改进方案在不同信噪比下的用户识别性能。观察可知，随着SNR变大，噪声对系统的干扰逐渐变弱，原方案漏警概率、改进方案虚警概率和漏警概率也随之减小。但在不同SNR下，原方案虚警概率持续较高且不随SNR而变化，这是由于原方案进行用户识别时所设判决门限未考虑列车高速移动的影响，故出现了大量虚警用户。此外，对比不同SNR下原方案和所提方案性能发现，所提方案较大改善了MC-TSMA系统在高速移动下的用户识别性能，也反映出所提CFO估计方案和改进的用户识别方式的可行性。

图2 用户激活概率pa=0.02时不同SNR下的用户识别性能

图3评估了改进方案在不同信噪比下的数据检测性能。值得注意的是这里误码率定义为：当激活用户的身份被正确识别且其数据包被完全正确解码才被认定为该激活用户被正确检测，否则均记为误码。观察可知，随着SNR升高，三种方案的误码率均不断降低，且在不同SNR下，所提出的CFO估计和用户识别方式使得改进方案与原方案相比实现了较大的性能增益。在低SNR区域，所提方案的误码率略优于CSI已知的方案，这是由降低的判决门限带来的，使得噪声对用户识别的影响得以减弱。然而，在高SNR区域，改进方案要达到足够小的误码率的速度比CSI已知方案慢得多，这是因为改进方案没有完全消除深衰落片段对数据恢复的影响，导致存在深衰落片段的用户数据恢复失败。这可以在之后工作中通过改进信道均衡方式和段解码方式加以完善。与此同时，图2和图3说明，基于莱斯分布信道模型的系统性能优于基于瑞利分布的方案性能，这是由于主径分量降低了信道深衰落的概率。

此外，基于5G-R大规模设备通信零星传输的特点，用户激活概率不是一成不变的。因此，在固定信噪比为30 dB的条件下，本节评估了改进方案在不同用户激活概率下的数据检测性能，见图4。这里误码率定义与图3一致。观察可知，在不同pa下原方案误码率均较高且在0.5附近，这反映出原方案不具备对高速场景下大量用户接入的鲁棒性。然而，改进方案和CSI已知方案在低pa区域误码率表现均较低，说明在所设置系统参数下，改进MC-TSMA方案能够实现高速移动场景下pa较低时大量用户可靠接入。此外，pa较低时，改进方案的误码率略高于CSI已知方案，与在图3中的性能差距成因相同，是由深度衰落导致的。随着pa升高，改进方案和CSI已知方案的误码率均逐渐升高，这是因为MC-TSMA所能支持用户数受限于有限的码本容量。由于激活用户数目增加，不同用户间的碰撞段不断增多，由段解码理论可知，若碰撞段数目超过n-m则该用户即无法识别和正常恢复，这可以在之后工作中通过增大码本容量和n-m加以改进。

5 结束语

本文在串联扩展多址的基础上针对高速轨道交通中由高速移动引起的多普勒频移进行了研究。基于多载波形式的串联扩展多址接入方案，本文分析了由高速移动带来的载波间干扰，提出相应的适应性方案，并利用数值仿真进行了性能评估。结果表明，所提出方案可以有效地缓解载波频偏对多载波串联扩展多址方案的影响，从而使串联扩展多址具有潜力支撑5G大规模机器通信系统在高速轨道交通中的应用。