[发明专利]一种面向6G全解耦网络的下行链路自适应方法及系统

说明书

本发明公开了一种面向6G全解耦网络的下行链路自适应方法及系统，能够在长延时反馈下实现有效的链路自适应。本发明首先构建一个基于信干噪比的低维信道特征向量，以表示当前频率选择性衰落信道的状态；然后根据低维信道特征向量的历史数据，对未来传输时刻的信道特征向量进行预测；再构建一个基于神经网络的误帧率FER估计模型，其以信道特征向量和调制编码方案MCS为输入，以相应的FER为输出；最后根据模型估计的FER选择期望吞吐量最大的MCS方案，并通过长反馈链路向下行基站报告，实现下行的链路自适应传输。本发明可以缓解6G全解耦网络中长反馈延时造成的链路自适应性能下降，为全解耦网络的自适应传输提供了可行方案。

技术领域

本发明属于无线移动通信技术领域，具体涉及一种面向6G全解耦网络的下行链路自适应方法及系统。

背景技术

为了满足消费者和工业用户日益增长的流量需求，第五代蜂窝系统(5G)目前正在全球范围内部署。然而，5G仍然存在频谱稀缺和网络运营成本高的问题。在此背景下，于全院士等人在《A Fully-Decoupled RAN Architecture for 6G Inspired byNeurotransmission》中提出了一种6G全解耦无线接入网络架构来解决这些挑战。在全解耦网络中，基站在物理上解耦为控制基站、上行基站和下行基站。完全物理解耦的架构可以实现灵活的频谱利用和网络协作，并提高频效和能效。然而，全解耦网络中控制基站和下行基站的解耦使得下行基站很难获得实时的用户反馈信息，这影响了一些先进通信技术如链路自适应在全解耦网络中的应用。链路自适应是提高链路吞吐量的关键技术。它根据基站和用户之间的时变信道来动态调整传输参数，例如调制和编码方案(MCS)。在全解耦网络中，由于完全的物理解耦，MCS通过长反馈链路报告给下行基站。长反馈链路带来的时延导致在下行链路BS处接收到的MCS和信道状态不匹配，从而降低了链路自适应性能。我们可以通过信道预测缓解延时带来的性能下降。传统的线性预测器仅在反馈时延很小的情况下有效，而基于LSTM等神经网络的预测方法具有较高计算复杂度，不适合实时性要求高的链路自适应机制。此外，链路自适应需要动态选择MCS。传统基于查找表的链路自适应方法利用一维信道质量和每个MCS的误帧率(FER)之间的静态映射来选择最佳MCS。然而，在全解耦网络中，一维信道质量不能有效表达多载波MIMO信道的状态，同时静态映射方法也不能应对复杂动态的信道和多天线场景。

综上所述，6G全解耦网络中链路自适应面临的问题包括：(1)全解耦的长反馈延时降低了链路自适应的性能。(2)传统基于查找表的链路自适应方法不能应对全解耦网络复杂的信道条件。因此需要研究适用于全解耦网络的高效链路自适应方法。

发明内容

发明目的：针对现有技术的不足，本发明的目的是提供一种适用于6G全解耦网络的高效下行链路自适应方法及系统，能在全解耦网络的长反馈时延下获得显著的吞吐量性能提升，对全解耦网络的实际应用具有很好的指导意义。

技术方案：为实现上述发明目的，本发明采用如下技术方案：一种面向6G全解耦网络的下行链路自适应方法，包括以下步骤：

步骤1：基于所有子载波和空间流上的信干噪比SINR集合，构建信道特征向量，以表示频率选择性衰落信道的状态；其中，信道特征向量维数低于SINR集合中元素个数；

步骤2：根据信道特征向量的历史时刻数据序列，对未来传输时刻的信道特征进行预测；

步骤3：构建基于神经网络的误帧率(FER)估计模型，其以信道特征向量和调制编码方案(MCS)为输入，以FER为输出；根据模型估计的FER选择期望吞吐量最大的MCS方案，作为下行链路自适应传输方案。

进一步地，在步骤1中，计算当前传输帧的所有子载波和空间流上的SINR构成SINR集合，并进行采样以构建信道特征向量，信道特征向量中元素分布特征与SINR集合分布特征近似，在降低特征维度的同时能够对较好表征信道状态。