DI-LB:一种用于免授权无蜂窝大规模 MIMO 物联网网络中信息年龄与能耗权衡的低复杂度去中心化算法

《Internet of Things》:DI-LB: A low-complexity decentralized algorithm for AoI–energy trade-off in grant-free cell-free massive MIMO IoT networks

【字体: 大 中 小 】 时间:2026年09月30日 来源:Internet of Things 7.1

编辑推荐:

   # 摘要 在大规模物联网(IoT)网络中维护新鲜的状态信息颇具挑战,因为频繁传输会消耗电池能量,并加剧导频冲突和多用户干扰。本文研究了一个能量收集、免授权、无小区大规模多输入多输出(MIMO)网络中信息年龄(AoI)与电池能量的联合权衡。该模型纳入了因果能量到达、有限电池容

  

# 摘要

在大规模物联网(IoT)网络中维护新鲜的状态信息颇具挑战,因为频繁传输会消耗电池能量,并加剧导频冲突和多用户干扰。本文研究了一个能量收集、免授权、无小区大规模多输入多输出(MIMO)网络中信息年龄(AoI)与电池能量的联合权衡。该模型纳入了因果能量到达、有限电池容量、占空比约束、活动检测错误以及信道估计不确定性。我们提出了延迟干扰Lyapunov块坐标下降(DI-LB)算法,该算法将漂移加惩罚优化与受块坐标下降启发的设备分解相结合。每台设备使用其本地电池、AoI和虚拟队列状态,以及一个延迟一个块的接收信息元组,执行一次闭式接入和数据功率更新。因此,DI-LB避免了块内控制迭代,并且每台设备所需的标量操作数为常数。分析建立了瞬时功率和电池可行性、在虚拟队列平均速率稳定性下的占空比可行性,以及延迟干扰误差的定量界。在每块每设备约5 μJ的电池能量下,DI-LB的时平均AoI在离线集中式Genie-BCD基准的7.6%范围内,在当前干扰预言机的2.7%范围内。当设备数量为500时,DI-LB的有条件更新成功概率为0.53,相对于传统免授权基准将平均AoI最多降低63.9%。将时间信道相关性从0.5增加到0.99,使归一化干扰误差方差降低97.4%,DI-LB与预言机的AoI差异从约61 ms降至1 ms。这些结果表明了一种可扩展且能量感知的分布式状态更新方法,且无需块内协调。

# 引言

物联网(IoT)的快速增长增加了对可扩展、节能和低开销无线连接的需求[1]。在监控和控制应用中,状态更新的价值[2]不仅取决于其成功交付,还取决于其新鲜度。信息年龄(AoI)量化了自最近一次接收的更新生成以来经过的时间,因此已成为面向时间敏感IoT应用的重要性能指标[3]、[4]、[5]。然而,对于电池受限的能量收集(EH)设备,维持低AoI颇具挑战,因为频繁传输虽然能提升新鲜度,但会消耗额外能量,并可能增加导频冲突和多用户干扰(MUI)[6]、[7]。

无小区(CF)大规模多输入多输出(mMIMO)接收与免授权(GF)随机接入的集成,为大规模IoT连接提供了一种有前景的架构。分布式接入点(AP)提供空间分集和相干接收,而GF接入消除了传统的请求-授权流程,降低了接入开销[5]、[8]。然而,设备同时激活会引入导频冲突、活动检测错误、信道估计不确定性和MUI[9]、[10]、[11]。这些效应还与随机能量到达、有限电池容量[12]以及信息新鲜度要求[13]、[14]进一步耦合。

现有的AoI感知GF研究通常通过解析方法、马尔可夫方法或学习方法来优化接入概率、导频长度、年龄阈值或帧结构[3]、[4]、[5]、[9]、[15]。能量感知的IoT研究已采用马尔可夫决策过程(MDP)、部分可观测控制模型、强化学习和Lyapunov优化来处理随机能量到达和长期约束[16]、[17]、[18]、[19]。然而,在GF CF mMIMO网络中联合控制接入和发射功率仍然困难,因为不同设备的决策通过导频冲突和干扰相互耦合。

传统的集中式迭代优化器需要多个设备的当前决策或功率在同一相干块内交换并反复更新。这种块内控制迭代与本文所考虑的低开销GF操作不相容。此外,使用前一个块的干扰而不明确表征其近似误差,在信道或活动集快速变化时可能导致不可靠的功率和接入决策。

为应对这些挑战,我们提出了延迟干扰Lyapunov-BCD(DI-LB)算法。DI-LB将Lyapunov漂移加惩罚优化与受块坐标下降(BCD)启发的坐标分解相结合。DI-LB不在相干块内执行循环BCD迭代,而是使用前一个块获取的接收信息执行一次并行设备更新。每台设备使用其本地电池、AoI和虚拟队列状态,以及由中央处理器(CP)广播的延迟接收信息元组来确定其接入决策和数据功率。所得策略无需块内控制迭代或设备决策的瞬时交换。

本文的主要贡献总结如下:

- **一致的GF CF系统模型:** 我们为具有因果电池动态、有限电池容量和长期占空比约束的EH GF CF mMIMO网络建立了AoI-能量控制问题。该模型显式地将信道估计误差协方差传播到数据检测的信干噪比(SINR)中,并考虑了导频冲突、漏检以及来自活跃但未检测设备的残余干扰。

- **延迟干扰分布式控制:** 我们将DI-LB开发为一种去中心化的延迟信息策略。设备级的代理问题具有闭式接入和数据功率决策。每台设备评估固定数量的标量操作,产生每设备$\mathcal{O}(1)$的复杂度。设备侧和CP侧的总工作量被分别表征,并且不声称其为$\mathcal{O}(1)$。

- **可行性和近似分析:** 我们建立了瞬时导频功率、数据功率和电池可行性,并证明虚拟队列的平均速率稳定性意味着满足长期占空比约束。我们进一步推导出以块间发射功率和有效信道变化为条件的定量延迟干扰误差界。因此,对于延迟单次策略不作全局$\mathcal{O}(1/V)$最优性声明。

- **集中式和分布式性能评估:** 我们将DI-LB与离线集中式Genie-BCD基准、部分集中式PC-OneShot方法、当前干扰预言机CI-LB以及传统GF基准进行了比较。在每设备每块约5 μJ的电池能量下,DI-LB的时平均AoI在Genie-BCD的约7.6%范围内,在CI-LB的2.7%范围内。在$I=500$的大规模加载下,DI-LB的有条件更新成功概率约为0.53,相对于Greedy-AoI、Age-ALOHA和随机接入(RA)-MP分别将平均AoI降低50.0%、54.7%和63.9%。

- **复杂度和延迟误差验证:** 运行时测量为每设备$\mathcal{O}(1)$决策复杂度提供了直接数值证据。经验延迟干扰分析表明,将时间相关性从$\rho=0.5$增加到$\rho=0.99$,使平均归一化绝对误差降低83.7%,方差降低97.4%,DI-LB与CI-LB的AoI差异从约61 ms降至1 ms。

本文其余部分组织如下。第2节回顾了AoI感知的GF接入、CF mMIMO和能量感知的随机控制。第3节介绍了网络、信道、电池和AoI模型。第4节开发了DI-LB及其可行性和近似分析。第5节展示了数值结果,第6节总结全文。

# 相关工作

相关文献按用于建模序贯决策问题的框架和用于求解的方法进行分类。具体而言,MDP或部分可观测MDP是一种建模框架,而Lyapunov优化、动态规划、强化学习和BCD是求解方法。这种区分避免了将MDP和Lyapunov优化归类为平行的建模方法。

# 系统模型

我们考虑一个具有CF接收、EH设备和严格信息新鲜度要求的GF上行IoT网络。如图1所示的架构包括大量间歇性发送状态更新的单天线IoT设备、多个地理分布的AP,以及通过无差错、高容量前传链路连接到AP的CP。跨AP执行相干合并。接收端考虑GF导频冲突、活动检测错误、

# 所提方案

我们为问题(43)中的EH设备接入和数据功率控制开发了一种可扩展的在线算法。所提方法将Lyapunov漂移加惩罚优化与瞬时控制问题的坐标分解相结合。由于在严格的GF协议中,设备无法在传输前交换当前的接入和功率决策,因此所得的坐标更新使用前一个相干块的接收统计量来实现。

# 数值结果与讨论

本节通过对所考虑GF CF IoT网络的系统级蒙特卡洛仿真来评估所提DI-LB算法。数值评估有四个目标。首先,通过在不同工作范围内变化能量权重和可用收集能量来量化AoI-能量权衡。其次,将所提分布式策略与集中式、部分集中式、预言机辅助和传统GF基准在AoI、电池能量方面进行比较

# 结论

本文研究了具有EH设备的GF CF mMIMO IoT网络中AoI-能量权衡,考虑了导频冲突、活动检测错误、信道估计不确定性、因果电池和占空比约束。我们开发了DI-LB,该算法将Lyapunov优化与受BCD启发的分解相结合,使用本地状态和延迟一个块的接收信息元组获得一次闭式设备更新。该方法无需块内控制迭代,强制执行

# CRediT作者贡献声明

Hussain Alshahrani:初稿撰写、方法论、资金获取、概念化;Eatedal Alabdulkreem:初稿撰写、验证、数据整理、资金获取;Alhanof Almutairi:审稿与编辑、资源、调查、形式分析、资金获取;Abdulaziz Seraj Alnori:审稿与编辑、可视化、软件、数据整理;Nadhem Nemri:审稿与编辑、监督、资源、资金获取;Rowida Mohammed Alharbi;Rakan Alanazi

# 致谢

作者感谢King Khalid University研究与研究生院通过大型研究项目(项目编号RGP2/320/46)为本工作提供资助。本工作还得到了Saudi Arabia King Faisal University科学研究主任处、研究生院与科学研究副总统处的项目资助(项目编号KFU265295)。Princess Nourah bint Abdulrahman University研究人员支持项目(项目编号PNURSP2026R161)。

# 利益冲突声明

作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

Hussain Alshahrani | Eatedal Alabdulkreem | Alhanof Almutairi | Abdulaziz Seraj Alnori | Nadhem Nemri | Rowida Mohammed Alharbi | Rakan Alanazi

计算机科学系,计算与信息技术学院,沙特阿拉伯Shaqra大学,Shaqra,沙特阿拉伯
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号