佳文选读 | 面向6G物联网的分布式译码技术

随着5G商业化和标准化的逐步推进，对6G技术的研究也提上了日程。由于其在6G无线通信系统中的巨大应用前景，物联网(IoT)技术引起了人们广泛的兴趣。面向6G的物联网网络需要允许大量设备接入并支持海量数据传输，其鲁棒性和可扩展性至关重要。在物联网中，所述“事物”(用户)可以通过采用各种多功能无线传感器实时收集环境数据。通常来说，收集的数据将反馈到中央单元以进行进一步处理。但是这一机制依赖于中央单元的正常工作，鲁棒性较差。

为解决该问题，小编推荐新南威尔士大学电子工程与通信学院袁伟杰团队发表于《电子与信息学报》2021年43卷第1期的文章：面向6G物联网的分布式译码技术。

该文提出一种分布式译码算法，该算法通过让各用户之间互相协作，交换信息来实现在各个用户处完成译码。利用分布式译码算法，每个用户可以得到与中心化处理相似的译码性能，从而提高了网络的鲁棒性和可扩展性。同时，相比传统分布式译码算法，该算法不需要每个用户了解网络的拓扑结构，因此为面向6G的高动态物联网提供了技术支撑。

关键词：6G；物联网；译码方法；消息传递

DOI:  10.11999/JEIT200343

论文目录

↓论文内容摘要↓

 引  言 

01

本文首先给出了系统模型，并根据系统模型设计了相应的中心化译码算法，作为后续分布式算法设计的基础。其次，通过对似然函数的分解和运算，介绍了一种现有的基于对数似然比共识的分布式译码算法[12]。通过该算法，IoT网络中的每个用户均可以得到基于全部观测的信息，因此其译码性能可以达到中心化处理算法的性能。然而，该算法要求每个用户均完美获得网络的拓扑结构。但在实际IoT网络中，由于用户具有高动态特性，网络拓扑结构实时变化，很难满足上述假设。因此，受到图模型译码算法启发，本文设计了一种基于“外”信息的分布式译码方法，本方法可以有效克服网络拓扑结构未知的问题。最后，考虑实际IoT网络中的量化问题，对所提算法进行了改进，使其可以应用于实际系统中。  系统模型  

02

本文考虑一个一般化的IoT网络，其中有K个用户在网络中随机分布，每个用户均配置了适当的传感器可以接收AP广播的消息并进行简单的信号处理。由于AP的移动和噪声干扰导致接收信噪比(Signal-to-Noise Ratio, SNR)低，每个用户仅依靠单独的观测对AP广播的消息进行译码会导致较大的误差。假设在某一时刻，AP向网络广播了一则消息 。不失一般性地，假设AP发出的消息可以表示为一个J维二进制矢量，即xi ∈ {0, 1}, 1 ≤ i ≤ J。则对于第K个用户，有其中，Zk为双边功率谱密度为Vzk的加性噪声。假设网络中存在一中心单元可以收集并整合所有用户接受到的消息，即y = [y1, y2, · · · , yK]T，则上述网络译码问题等效于最大似然估计，表示为其中，Pr(y |xi )表示联合似然函数，A为对应的取值集合。对中心式的处理算法而言，对广播消息x的估计等效于对x中各个元素进行判决。具体来说，判断第i个元素xi = 0或xi = 1可以通过式(3)关于xi的对数似然比(Log-Likelihood Ratio, LLR)得到若γi < 0，则判定xi是0，反之，则判定广播消息中xi = 1。另外，求取边缘似然函数Pr (y |xi )可以通过许多现有算法，例如BCJR算法、消息传递算法等，在此不再赘述。在完成译码后，中心处理单元将译码结果反馈至各个用户。然而，当中心单元无法正常工作时，各个用户仅能依靠各自接收的消息进行译码，由此产生很大的译码误差，从而对整个IoT网络的正常工作构成巨大挑战。因此，本文将提出一种分布式的网络译码算法，该算法可以在中心单元失效时解决网络译码问题。 分布式网络译码 

03

分布式处理依赖于用户各自的本地处理和用户间的信息传递。利用适当的通信技术，在一定距离内的两个用户可以进行信息交换。一般而言，可以用一个如图1所示的“网络拓扑图”(network topology graph)来描述某一时刻IoT网络的通信链路。在图1中，每一个节点表示网络中的一个用户，当且仅当两个用户可以通信时，他们之间存在一条相互连接的边。为方便下文表述，在此定义可以与第k个节点通信的用户为第 个节点的邻居用户，则用Sk来表示第k个用户的所有邻居用户的集合。当所有用户的邻居用户集合Sk,1 ≤ k ≤ K均不为空时，则称“网络拓扑图”为连通的(connected)。

分布式协作译码问题本质上是要设计网络中的信息交换机制，使得每个用户都可以获得“全局”度量。关于这一问题最直接的思路是将每个用户得到“本地”度量发送给其他用户，但这一机制往往带来巨大的通信开销，可扩展性较差，特别当两个用户无法直接通信并需要通过其他用户进行中继的时候。因此，本文将采用共识算法，通过用户本地计算以及在邻居用户间建立通信链路，使得各个用户均可以获得“全局”度量L (y, x)。此外由于共识算法仅依赖于邻居间的信息传输，其通信开销大大降低，可扩展性较强。图2给出了基于共识机制和基于非共识机制的分布式算法通信开销随用户数目的增长。在非共识算法中，每一个用户均需要与别的用户进行通信，其通信开销可以写为O(N^2)。对基于共识机制的分布式算法，其通信开销可以表示为O(SmaxN)，其中Smax表示网络中所有用户具有的最大邻居个数。由图2可以看出，基于共识机制的分布式算法通信开销随用户数的增长速度远小于基于非共识机制的分布式算法。3.1 传统共识算法共识算法是一种并行处理算法，每个用户基于从邻居用户收到的信息迭代更新其“本地”度量。在第1次迭代时，第K个用户的“本地”度量初始化为Lk(0) = L(yk, x)。则在第 次迭代时，其“本地”度量的更新可以表示为在实际应用中，数次迭代往往已经可以保证足够的近似精度。在各个用户均得到“本地”度量Lk (n)后，可以计算出“全局”度量L(y,x)，从而可以在各个用户处计算出“全局”似然函数Pr(y |x)并进行译码。由“本地”度量的表达式可以看出，每个用户共享相同的待估计量x 。因此在迭代更新“本地”度量时，仅需要交换加性噪声的统计特性Vzk。然而，当噪声的统计特性比较复杂，例如噪声的统计特性随时间变化时，直接传递统计特性的能效性很低。因此接下来我们提出一种基于对数似然比更新的算法。3.2 基于对数似然比的改进共识算法[12]

由式(3)和式(7)可以看出，由于不同用户处得到的观测yk相互独立，“全局”似然函数Pr(y|x)也可以因式分解为

                  (10)

从而式(3)可以改写为

显然，与前述对“本地”和“全局”度量的定义相似，可以定义γi为第个符号的“全局”对数似然比，而γ(k)为第个符号的“本地”对数似然比，从而有。在文献[12]提出了一种通过对在用户间传递“本地”对数似然比以达成共识的分布式译码算法。根据式(9)，用户k的“本地”对数似然比在第n次迭代时的更新可以表示为

在此，可以看出虽然式(12)中给出的更新式可以有效地在各个用户获得“全局”对数似然比，但其权值的大小往往对整个网络的收敛性至关重要。理论上其权值的设置需要获悉整个网络拓扑结构和每个用户的邻居个数。然而，在面向6G的IoT网络中，网络的拓扑结构随着时间有着较快的变化，而且由于低传输延时的限制，每个网络用户往往难以获取整个网络的拓扑结构以及相邻的邻居个数。因此，文献[12]中提出的现有分布式译码算法并不适用于面向6G的高动态、低延时IoT网络。

3.3 基于和积算法的改进共识算法

接下来本文提出一种基于和积算法(Sum-Product Algorithm, SPA)的共识算法[14]。回顾传统基于图模型的低密度奇偶校验(Low-DensityParity-Check, LDPC)码的译码算法[15]，变量节点将“外”(extrinsic)信息发送到校验节点以更新相应的信息[7]。上述过程类似于本文所考虑的网络译码问题。因此，本文拟将和积算法进行推广来解决网络译码问题。具体来讲，将每个用户抽象为一种特殊类型的网络节点，该节点接收来自邻居用户发送的“外”信息并对自己的“本地”信息进行更新，并通过更新后的“本地”信息获得相应的“外”信息，并将得到的“外”信息送还给所有邻居用户，其具体结构如图3所示。

利用“外”信息更新规则，用户k在第n次迭代时对第i个元素的“本地”信息的更新可以表示为

其中，γ(k→k)定义为“内”(intrinsic)信息，表征用户k仅从本身观测获得的信息，定义为在第n-1次迭代时用户 传给用户k的“外”信息。同时，“外”信息的更新可以表示为

需要注意的是，“内”信息是完全基于本地观测得到的信息，在迭代过程中保持不变。但是，“外”信息在每次迭代中都会根据来自相邻用户的信息进行更新。经过数次迭代后，各用户即可达成共识，这与基于和积算法的常规译码算法相似。通过多次迭代，每个用户“本地”信息将收敛到“全局”信息，从而使得各个用户都可以译出从AP发出的消息。将式(12)与式(14)相比较可知，基于和积算法的共识算法不需要掌握网络的动态结构，所有用户可以直接广播其信息，并根据收到的信息更新其“本地”信息。

为了控制用户间交互的信息量，可以通过数据压缩、高阶调制或者仅传递部分信息等方法来实现。然而，目前学术界对网络用户之间信息量的分析还没有确切结论，有待于进一步研究。

 仿真结果  

04

本文考虑一个具有K=64个用户的IoT网络，其中所有用户随机分布在面积为100×100m^2的2维平面内。任意两个用户的通信距离设为75m，即当两个用户的距离小于等于75 m时可以通信。对于AP广播至用户的消息x，本文假设其为二进制相位键控(Binary Phase Shift Keying, BPSK)信号，长度为J=100。假设AP到用户的信道为独立的加性高斯白噪声(Additive White Gaussian Noise,AWGN)信道，其中白噪声功率谱密度为N0。为了更好地验证本文提出的算法的优势，对于中心式处理方法，假设从用户传至用户的通信链路是无噪的。另外，考虑将提出的基于和积算法的改进共识算法作为分布式处理方法。为了更好地模拟实际网络场景，考虑将网络节点之间的消息传输方式分为无损消息传递以及有损消息传递两种情况。对于无损消息传递，本文假设邻居用户可以完全准确地获取当前用户的“外”信息；对于有损消息传递，假设当前用户的“外”信息经过了Q bit进行量化处理、BPSK调制后经由AWGN信道传输至邻居用户。

图4中给出了不同迭代次数时6G IoT网络分布式译码算法的平均误码率(Bit-Error-Rate, BER)性能随AP-用户链路信噪比变化的曲线。在此，考虑无损消息传递，即用户间的通信链路假设为无噪。作为性能下界，采用中心化处理的集中式译码算法性能也被绘出。其中，仅有1次迭代时的分布式译码算法性能等效于各个用户依靠自己收到信号进行译码的结果。可以看出，此时各个用户无法译码出来自AP广播的消息，性能损失很大，造成IoT网络功能失效。但是，在3次迭代后，分布式译码算法的性能已经接近于性能下界。进一步增加迭代次数已无法带来明显的性能提升。

图5中绘出了6G IoT网络中，用户之间有损消息传递时的平均误码率性能。不失一般性地，将AP-用户链路的信噪比设为10 dB，用户的“外”信息采用了Q=4 bit量化处理。为了表征用户之间通信链路的状态，定义用户之间信道的信噪比为Eb/N0=Q*Es/N0，表征每一个LLR采用了Q bit进行传输，其中N0为白噪声的功率谱密度，Es为平均符号能量。考虑用户间信息传输信噪比为0 dB, 5 dB, 10 dB和15 dB。同时，将中心化处理的集中式译码算法的对应结果作为性能下界。从图4可以看出，随信噪比增大，分布式译码算法的性能得到明显改善。此外，随迭代次数增加，分布式译码算法性能明显提升。在用户-用户链路信噪比为10 dB时，采用3,4, 5次迭代的分布式译码算法性能与性能下界已经十分接近，验证了所提分布式译码算法在实际IoT网络中的有效性.

结  论‍‍‍‍‍‍‍‍‍‍‍ 

05

在面向6G的物联网中，用户需要在链路中断(link failure)和中心单元无法正常工作的情况下有效处理信息并作出决策。本文针对以上问题，提出了一种分布式的译码算法。通过用户间的通信和“本地”信息处理，用户可以不依赖于中心单元完成译码。与中心式处理算法相比，分布式算法具有更好的可扩展性和鲁棒性。仿真结果表明，采用分布式译码算法可以获得与中心式算法几乎相同的译码性能，显示了所提算法在面向6G物联网应用中的巨大潜力。

作者简介：

袁伟杰：男，1991年生，博士后，研究方向为无线通信和信号处理.

李双洋：男，1991年生，博士生，研究方向为带宽有效调制技术、均衡算法以及应用信息论.

种若汐：女，1997年生，硕士生，研究方向为无线通信和机器学习.

白宝明：男，1966年生，博士，教授，研究方向为信息论与信道编码、无线通信和量子通信.

D W K NG：男，1984年生，博士，高级讲师，研究方向为无线通信和信号处理.

点击 “阅读原文” 获取全文

本文系《电子与信息学报》独家稿件

内容仅供学习交流

版权属于原作者

欢迎大家关注转发！

END

编辑：鄢港澳、马秀强

校对：余蓉、刘艳玲

审核：陈倩

温馨提示

如果您关注的公众号较多，不能及时看到本刊的推送，建议您给本刊公众号加星标或置顶。【点击文章标题下方的蓝色字体“电子与信息学报”进入本刊公众号，点击右上角“...”选择设为星标，置顶公众号】

声明

本文系《电子与信息学报》独家稿件，内容仅供学习交流，版权属于原作者。

欢迎评论、转载和分享本公众号原创内容，转载请与本号联系授权，标注原作者和信息来源《电子与信息学报》。

本号发布信息旨在传播交流。如涉及文字、图片、版权等问题，请在20日内与本号联系，我们将第一时间处理。《电子与信息学报》拥有最终解释权。

号外

为促进学术交流，拉进编辑团队和作者，读者，专家之间的距离，电子与信息学报2021年正式开通4个微信学术讨论群啦，欢迎大同行小同行们扫码入群转发推荐扫码可选择通信与信号信息处理、网络与信息安全、自动化与模式识别、电路与系统技术等4个专业方向入口：

由于微信群既定机制，200人以后无法直接扫码，只能通过邀请入群。如此，请与您的好友互邀，更欢迎您通过加小编微信入群。进群请更改真实姓名+单位，欢迎把我们推荐给您的同行朋友们，大家一起寻找志同道合的伙伴！

往期回顾

中国工程院发布 “中国电子信息工程科技发展十四大趋势(2021)”

关注我们