IRS辅助RSMA系统鲁棒波束成形设计：应对硬件损伤与CSI误差

1. 项目概述当智能反射面遇上速率分割多址接入在6G及未来无线通信系统的演进蓝图中我们正面临着两个看似矛盾的核心挑战一方面用户对数据速率和连接可靠性的需求呈指数级增长另一方面可用的频谱资源却日益紧张。为了在这对矛盾中寻找突破口学术界和工业界将目光投向了两种极具潜力的技术智能反射面IRS和速率分割多址接入RSMA。IRS这个由大量低成本、无源反射单元组成的平面能够像“智能镜子”一样动态地调控无线信号的传播环境将信号“引导”至原本难以覆盖的盲区或用户从而在不增加发射功率的前提下显著增强信号强度、扩展覆盖范围。而RSMA则是一种革命性的多址接入和干扰管理范式。它不再像传统的空分多址SDMA那样简单地将干扰视为噪声也不像非正交多址NOMA那样要求用户完全解码干扰而是巧妙地将每个用户的信息流拆分为一个所有用户都能解码的“公共部分”和一个仅针对特定用户的“私有部分”。这种拆分赋予了系统前所未有的灵活性能够根据实时的信道条件动态地在消除干扰和利用干扰之间取得最佳平衡。然而任何美好的理论设想在走向实际部署时都必须直面“现实的不完美”。对于IRS-RSMA这套组合拳而言三大“现实枷锁”尤为突出首先是硬件损伤。无论是基站端的功放非线性、相位噪声还是用户端的接收机噪声系数、I/Q不平衡这些无法通过校准完全消除的残余损伤会像信号传输路径上的“砂纸”不断磨损信号质量产生与信号功率相关的附加失真噪声。其次是信道状态信息误差。由于IRS的无源特性其辅助的信道估计异常复杂有限的导频资源和反馈延迟使得我们永远无法获得完美的CSI这种不确定性会直接导致波束成形“指歪了方向”增益大打折扣。最后是IRS离散相位偏移。受限于硬件成本和功耗IRS的每个反射单元通常只能在有限几个离散的相位值中进行切换例如用3比特控制只能选择8个相位而非理想的连续可调这相当于给波束成形设计套上了一副“离散化”的镣铐。因此本项目的核心命题就是在一个同时受到硬件损伤、CSI误差和离散相位偏移“三重打击”的IRS辅助多用户RSMA系统中如何设计一套鲁棒的波束成形方案我们的目标不是在天真的理想模型下追求纸面性能而是在承认并建模这些不完美因素的前提下通过联合优化基站的有源波束成形矩阵和IRS的无源相位偏移向量最大化系统的加权和速率从而榨取出系统在严苛现实条件下的每一分潜力。这不仅是理论上的优化问题更是通向高可靠、高容量6G网络必须攻克的工程实践堡垒。2. 系统模型与问题构建在“不完美”中定义通信要设计鲁棒的方案第一步是建立一个能够准确刻画所有关键不完美因素的系统模型。这是我们所有分析与优化的基石。2.1 信号接收模型从发射机到接收机的失真之旅我们考虑一个下行多用户MISO系统。基站配备NB根天线服务K个单天线用户并有一个由NI个反射单元构成的IRS提供辅助。在考虑了硬件损伤后第k个用户的接收信号可以建模为yk (h_{BU,k}^H ξ^T H_{eff,k}^H) x n_k κ_{R,k}这个公式看似复杂但拆解开来非常直观h_{BU,k}和H_{eff,k}分别代表从基站到用户的直接链路信道以及从基站到IRS再到用户的级联链路等效信道。ξ是IRS的相位偏移向量其每个元素e^{jθ_m}的相位θ_m只能从一个离散集合T中选取例如3比特量化对应8个相位选项。x基站的发射信号向量。在RSMA的“一层”架构下它包含了为所有用户服务的信号x w_c s_c Σ_{k1}^K w_{p,k} s_{p,k} κ_T。这里w_c和w_{p,k}分别是公共流和用户k私有流的预编码向量s_c和s_{p,k}是对应的数据流。κ_T是发射机硬件损伤引入的失真噪声其功率与发射信号功率成正比即κ_T ~ CN(0, β_T^2 · diag(W W^H))其中β_T是归一化的发射机损伤水平。n_k用户k处的高斯白噪声。κ_{R,k}接收机硬件损伤引入的失真噪声。其模型为κ_{R,k} ~ CN(0, β_{R,k}^2 · E{|ỹ_k|^2})其中ỹ_k是理想接收信号β_{R,k}是接收机损伤水平。这意味着接收失真噪声的功率与到达接收机的信号总功率相关。关键点解析将硬件损伤建模为加性高斯噪声且其方差与信号功率成正比是基于大量实测数据和分析的经典模型。它抓住了损伤的核心特征信号越强产生的失真也越大从而在高信噪比区域会形成一个不可逾越的“性能天花板”。2.2 不完美CSI建模与不确定性共舞我们无法获得完美的信道H_{eff,k}和h_{BU,k}只能得到其估计值H̃_{eff,k}和h̃_{BU,k}。真实的信道与估计值之间存在误差H_{eff,k} H̃_{eff,k} ΔH_{eff,k},h_{BU,k} h̃_{BU,k} Δh_{BU,k}其中信道误差ΔH_{eff,k}和Δh_{BU,k}被建模为均值为零、方差为δ_k^2的复高斯随机向量。δ_k^2的大小量化了信道估计的不准确程度。2.3 RSMA的速率拆分与SIC解码流程RSMA的精髓在于其独特的编解码结构发射端基站将发给每个用户的消息拆分为一个公共部分s_c和一个私有部分s_{p,k}。所有用户的公共部分被合并成一个公共流用预编码向量w_c发送每个用户的私有部分则形成各自的私有流用w_{p,k}发送。所有流叠加后通过天线发射。接收端以用户k为例第一步 - 解码公共流用户k将收到的信号y_k中的所有私有流、硬件损伤噪声和背景噪声都视为干扰尝试解码公共流s_c。其信干噪比SINR记为γ_{c,k}对应的瞬时可达速率为R_{c,k} log2(1γ_{c,k})。为了确保所有用户都能成功解码公共流系统的公共速率R_c由所有用户中最差的那个R_{c,k}决定即R_c min_k (R_{c,k})。这个公共速率R_c随后会在用户间进行分配用户k分得r_{c,k}且Σ_k r_{c,k} R_c。第二步 - 串行干扰消除SIC用户k从接收信号中减去已解码的公共流成分。第三步 - 解码私有流在消除了公共流干扰后用户k将其他用户的私有流和剩余噪声视为干扰解码自己的私有流s_{p,k}。其SINR为γ_{p,k}瞬时私有速率为R_{p,k} log2(1γ_{p,k})。最终速率用户k的总可达速率是其分配到的公共部分速率与其私有速率之和R_k r_{c,k} R_{p,k}。2.4 鲁棒优化问题的形式化我们的目标是在发射功率约束、离散相位约束、以及所有用户满足最低速率需求 (R_k^{th}) 的前提下最大化所有用户的加权和速率。由于CSI是随机的存在误差直接优化瞬时速率不现实。因此我们转向优化平均加权和速率即对信道误差的分布取期望。然而R_{c,k}和R_{p,k}都是关于信道包含随机误差的复杂函数直接求期望非常困难。这里用到了一个重要的关系遍历容量对真实信道求期望等于对估计信道条件下的平均容量再求期望。即E_{H}[R] E_{H̃}[ E_{H|H̃}[R | H̃] ]因此我们可以将问题转化为对于每一组给定的信道估计值H̃最大化在该估计条件下的平均加权和速率。这样我们就把一个随机优化问题转化为了一个以大量信道误差样本为基础的确定性优化问题。最终我们得到如下优化问题P1最大化 Σ_{k1}^K η_k (r_{c,k} R̄_{p,k}) 约束条件 1. 功率约束(1β_T^2) * tr(W W^H) ≤ P 2. 公共速率拆分约束Σ_{k1}^K r_{c,k} ≤ R̄_{c,k}, ∀k 3. 服务质量约束r_{c,k} R̄_{p,k} ≥ R_k^{th}, ∀k 4. 离散相位约束θ_m ∈ T, ∀m其中R̄_{c,k}和R̄_{p,k}是在给定信道估计H̃下对信道误差分布取平均后的平均速率。η_k是用户k的权重因子体现其优先级。核心难点这个问题是“难啃的骨头”。目标函数和约束条件由于速率函数的对数形式而非凸离散相位约束是组合优化问题而平均速率R̄涉及高维积分是随机优化问题。传统的凸优化方法无法直接应用。3. 基于样本平均近似SAA的鲁棒算法设计面对上述三重难题我们提出了一套基于样本平均近似SAA和加权最小均方误差WMMSE框架的迭代优化算法。其核心思想是“分而治之”和“迭代逼近”。3.1 算法总体框架从随机到确定从非凸到凸算法的流程可以概括为以下几个关键步骤样本平均近似SAA我们无法解析地计算平均速率R̄但可以用蒙特卡洛方法进行近似。我们生成A个例如5000个独立同分布的信道误差样本{ΔH^a, Δh^a}叠加到信道估计值上得到A组“可能的”真实信道实现{H^a}。然后用这A个样本上速率的算术平均(1/A) Σ_a R^a来近似R̄。根据大数定律当A足够大时这个近似会非常精确。这样我们将随机优化问题P1转化为了一个大规模的确定性优化问题P2。WMMSE变换即使问题变为确定性目标函数中的log2(1SINR)形式仍然是非凸的。这里我们引入了通信优化中一个非常强大的工具——WMMSE等价关系。其核心发现是最大化速率问题等价于在引入一组辅助变量均衡器g和权重λ后最小化一个加权均方误差MSE和的问题。这个等价变换将非凸的速率函数转化为了关于预编码矩阵W和相位向量ξ的二次型形式当g和λ固定时从而变得易于处理。交替优化AO即使经过WMMSE变换变量W、r_c和ξ仍然耦合在一起。我们采用交替优化的策略固定ξ优化W和r_c此时问题关于W和r_c是一个凸优化问题具体表现为二阶锥规划或二次约束二次规划可以使用内点法等标准凸优化工具高效求解。固定W和r_c优化ξ这是整个算法的难点所在因为ξ不仅有单位模约束|ξ_i|1还有离散相位约束θ_m ∈ T。3.2 IRS离散相位偏移的优化ADMM破局优化带有离散约束的ξ是组合优化问题直接搜索复杂度随NI指数增长不可行。我们采用了交替方向乘子法ADMM来巧妙处理。思路如下问题重构我们引入2K1个与ξ相等的辅助变量{z_i}将原问题转化为一个带有多个约束的QCQP问题。这样做的目的是将复杂的耦合约束拆解。ADMM迭代求解ADMM框架将问题分解为三个可并行求解的子问题子问题1更新ξ固定{z_i}更新ξ。这是一个无约束的二次规划问题有闭式解通过求导令梯度为零即可得到。子问题2更新部分z_i这部分z_i对应速率约束。问题形式为“最小化二次函数受一个二次不等式约束”。这是一个仅含一个约束的QCQP可以通过拉格朗日乘子法结合二分搜索高效求解。子问题3更新离散相位对应的z_{2K1}这个子问题要求z_{2K1}的每个元素相位属于离散集合T。令人惊喜的是当其他变量固定时这个问题可以完全解耦到每一个IRS单元上每个单元m的优化问题简化为最小化 cos(∠[ς]_m - ∠[z_{2K1}]_m)约束 ∠[z_{2K1}]_m ∈ T其中ς是一个已知向量。这个问题的解直观而优美选择离散集合T中与ς的相位角∠[ς]_m最接近的那个相位值。这相当于一个简单的“四舍五入”或“最近邻投影”操作计算复杂度极低。乘子更新按照标准ADMM步骤更新拉格朗日乘子。迭代与收敛重复以上步骤直到ξ和所有{z_i}足够接近满足约束且目标函数不再显著提升。实操心得ADMM方法将一个复杂的离散优化问题分解为一系列具有闭式解或极易求解的子问题。其中离散相位子问题的解耦特性是算法高效的关键。在实际编程实现中为ADMM的惩罚参数ρ选择一个合适的值例如设为目标函数中二次项矩阵的最大特征值能显著加快收敛速度。3.3 完整算法流程与初始化策略将以上步骤整合我们得到如下所示的鲁棒波束成形与相位偏移联合设计算法算法1基于SAA的IRS-RSMA鲁棒设计算法初始化设置外循环迭代索引t_O 1。初始化W^0,r_c^0,ξ^0。一个有效的策略是将r_c^0设为零向量此时RSMA退化为SDMA问题。我们可以先用现有文献中如Tao et al., 2022针对SDMA的鲁棒算法求解出一个可行的W^0和ξ^0。初始化ADMM内部变量z_i^0 ξ^0,μ_i^0 0。外循环主迭代 a.更新均衡器与权重根据当前的信道样本和变量(W, ξ)利用公式g_{c,k}^a (w_c^H (h_{BU,k}^a H_{eff,k}^a ξ*)) / d_{c,k}^a和λ_{c,k}^a 1 γ_{c,k}^a私有流类似更新所有样本a和用户k的g和λ。 b.优化基站波束成形W和公共速率分配r_c固定ξ求解凸优化问题P4-1更新W^{t_O}和r_c^{t_O}。 c.优化IRS相位偏移ξ内循环 i. 设置内循环索引t_I 1。 ii. 固定W和r_c执行ADMM迭代直至收敛 - 按公式ξ [Σ η_k Ω_p,k^ξ (2K1)ρ I]^{-1} [Σ η_k ψ_p,k^ξ ρ Σ (z_i μ_i)]更新ξ。 - 按公式z_k (η_{1,k} Ω_{c,k}^ξ I)^{-1} (η_{1,k} ψ_{c,k}^ξ - μ_k ξ)更新与公共速率约束相关的z_k其中η_{1,k}通过二分搜索确定。 - 类似地更新与私有速率约束相关的z_{Kk}。 - 按公式[z_{2K1}]_m e^{j * argmin_{ϑ∈T} {mod(|ϑ - ∠ς_m|, 2π) - π}}更新离散相位变量z_{2K1}。 - 更新乘子μ_i。 iii. 内循环结束后得到ξ^{t_O}。 d. 检查外循环收敛条件如果加权和速率的变化小于阈值或达到最大迭代次数则停止否则t_O t_O 1返回步骤2a。3.4 算法复杂度与收敛性分析收敛性算法在每次迭代中WMMSE步骤的均衡器和权重更新是最优的固定ξ优化W和r_c是求解一个凸问题保证目标函数不降固定W和r_c优化ξ的ADMM过程也已被证明是收敛的。因此整个交替优化过程能保证目标函数单调非减且由于功率约束目标函数有上界故算法最终收敛。复杂度算法的主要计算开销在于计算权重和均衡器O(A K N_B N_I)。求解基站波束成形凸问题使用内点法复杂度约为O(N_B^{3.5} K^{3.5})。优化IRS相位矩阵求逆和ADMM迭代复杂度约为O(K N_I^3 log l)其中l是二分搜索区间长度。 总体复杂度在多项式范围内对于中等规模的系统如N_B4, K4, N_I16是可实现的。注意事项虽然算法理论上是收敛的但初始点的选择会影响收敛速度和最终解的质量。采用退化的SDMA解作为RSMA的“热启动”是一个行之有效的策略。此外SAA中样本数A的选择需要在计算精度和复杂度之间权衡通常几百到几千个样本足以获得稳定的统计特性。4. 仿真结果与性能分析RSMA的鲁棒性优势我们通过大量的蒙特卡洛仿真来验证所提算法的有效性并揭示IRS-RSMA系统在实际不完美因素下的性能特性。仿真场景设置如下基站位于(0,0,0)IRS位于(100,0,0)用户随机分布在以IRS为中心、半径10米的圆内。大尺度路径损耗采用C0 * d^{-α}模型其中C0-30dBBS-用户、BS-IRS、IRS-用户的路径损耗指数分别为3.5, 2.2, 2.2。小尺度衰落为莱斯衰落莱斯因子为5。默认参数用户数K4基站天线N_B4IRS单元数N_I16发射功率P30dBm噪声功率σ_k^2 -100dBm硬件损伤水平β_T β_R 0.08CSI误差方差δ_k^2 0.2SAA样本数A5000。4.1 收敛性与性能基准对比首先算法在不同用户数、发射功率和IRS单元数下的收敛曲线表明算法通常在10-15次外循环迭代内即可收敛证明了其良好的实用性和效率。我们对比了以下几种关键场景下的系统加权和速率理想场景无硬件损伤、完美CSI、连续相位IRS。这是性能上界。RSMA (所提算法)在硬件损伤、CSI误差、3比特离散相位下使用我们提出的鲁棒算法。SDMA (鲁棒算法)在相同不完美条件下将RSMA退化为SDMA即不进行速率拆分r_c0并采用类似的鲁棒设计。RSMA/SDMA with 随机相位其他条件相同但IRS相位随机选择用于凸显优化的重要性。核心发现一RSMA的固有鲁棒性在所有包含不完美因素的场景中RSMA架构都一致地、显著地优于SDMA。例如在某个典型设置下RSMA的加权和速率比SDMA高出约20%-40%。这是因为RSMA的公共流扮演了一个“干扰缓冲器”的角色。当CSI存在误差或硬件损伤导致干扰加剧时SDMA将所有干扰视为噪声性能急剧恶化。而RSMA则通过公共流承载一部分共性的干扰信息允许用户在解码公共流时部分地消除这些干扰从而更稳健地维持了私有流的通信质量。4.2 各类不完美因素的独立影响分析为了深入理解每种缺陷的影响我们进行了控制变量分析硬件损伤水平 (β) 的影响 随着硬件损伤水平β从0.02增加到0.2所有系统的性能都出现下降。但关键观察点是性能地板效应在高β区域如β0.3即使继续增加发射功率系统速率也无法提升形成了一个明显的“性能地板”。这是因为硬件损伤噪声的功率与信号功率成正比当信号功率足够大时损伤噪声成为主导因素。我们的鲁棒算法通过在设计时预先考虑损伤噪声的统计特性能够部分缓解这一效应但无法从根本上消除这个理论上限。算法对比我们将所提算法与两种忽略硬件损伤的基准算法HI-1, HI-2对比。仿真显示在β0.08时忽略硬件损伤的算法性能损失可达15%以上。这强调了在波束成形设计中显式建模硬件损伤的必要性。CSI误差方差 (δ^2) 的影响 随着CSI不确定性增大系统性能同样下降。我们对比了所提算法与两种处理CSI误差的基准算法CSI-1, CSI-2。所提算法通过SAA方法利用大量信道样本来“感知”误差的分布从而设计出对误差不敏感的波束成形。基准算法CSI-2采用了基于最大比传输MRT的固定波束成形策略其在多用户干扰严重的场景下性能受限。仿真结果表明在中等CSI误差下所提算法能获得约10%-25%的性能增益。IRS相位量化比特数 (b) 的影响 我们比较了理想连续相位、3比特量化8个相位选项和1比特量化2个相位选项即0和π下的性能。性能饱和现象令人鼓舞的是3比特量化的性能已经非常接近理想连续相位损失仅在5%以内。而1比特量化则会产生约20%-30%的性能损失。工程启示这意味着在实际IRS硬件设计中采用3-4比特的移相器是一个性价比极高的选择。它能够在硬件复杂度、成本和系统性能之间取得很好的平衡。我们的ADMM算法能够高效地处理这种离散约束找到接近最优的离散相位组合。4.3 所提算法与各类基准算法的全面较量我们将所提算法与第4节开头列举的9种基准算法进行了全面对比主要结论如下表所示对比维度基准算法核心缺陷所提算法优势抗硬件损伤HI-1, HI-2 (忽略损伤)未建模损伤噪声设计过于乐观实际性能严重下降。显式建模损伤噪声方差波束成形和相位设计更具鲁棒性性能更接近“完美硬件”上界。抗CSI误差CSI-1, CSI-2 (固定波束/简化处理)CSI-1忽略误差CSI-2采用MRT等固定策略无法自适应抑制由CSI误差引发的多用户干扰。采用SAA框架直接基于误差样本分布进行优化能动态调整波束方向以对抗不确定性干扰管理能力更强。处理离散相位DPS-1 (随机相位), DPS-2 (独立优化)DPS-1性能最差DPS-2可能未与波束成形联合优化陷入局部最优。采用ADMM框架将离散约束巧妙转化为可并行求解的投影问题并与波束成形交替优化能联合找到全局更优解。综合不完美多数基准算法只考虑1-2种不完美在实际系统中多种不完美因素并存且相互耦合。仅针对部分因素设计在实际综合场景下性能不佳。同时、联合优化对抗硬件损伤、CSI误差和离散相位算法设计更贴近实际在综合不完美场景下性能优势最明显。仿真曲线清晰地显示在横轴为发射功率、纵轴为加权和速率的图中所提算法的性能曲线始终位于其他所有只考虑部分不完美的基准算法之上并且最逼近考虑了所有不完美因素后的“理论上界”即分别用完美硬件、完美CSI、连续相位替代对应不完美因素后的性能。5. 工程实现考量与未来扩展在实际部署本文所提方案时有几个工程细节需要重点关注信道估计与反馈本算法依赖于信道估计值H̃和误差统计量δ^2。在实际系统中需要设计低开销的信道估计方案如基于压缩感知或深度学习的方案来获取这些信息。误差方差δ^2可以通过长期测量或理论分析进行标定。算法计算延迟虽然算法复杂度是多项式的但对于大规模IRS如N_I256和用户数中央处理器的计算压力依然存在。可以考虑两种路径一是开发更低复杂度的近似算法如基于深度学习的方法二是采用分布式或分层计算架构将部分计算任务下放。扩展场景宽带频率选择性信道当前模型适于窄带平坦衰落信道。对于宽带系统需要将模型扩展为OFDM子载波模型并考虑各子载波上IRS相位的一致性如果IRS是频率无选择的或可调性如果IRS是频率选择的。动态环境与移动性本文假设信道在优化周期内是准静态的。对于高速移动用户需要研究低复杂度的自适应算法或者将深度强化学习与模型驱动方法结合实现快速波束跟踪。多IRS协作单个IRS的覆盖和自由度有限。未来可以研究多个IRS协作辅助的RSMA系统此时需要解决更复杂的联合波束成形、相位设计以及IRS之间的关联性问题。与其它先进技术结合例如将RSMA与毫米波/太赫兹通信、通感一体化ISAC、移动天线MA等技术结合探索在更前沿场景下的鲁棒性设计。个人实操体会在这个项目中最深刻的体会是“模型的力量”。一开始面对硬件损伤、CSI误差、离散相位这三个“麻烦”时感觉无从下手。但当我们严格地用数学公式将它们建模到系统方程和优化问题中后混乱变得清晰。SAA方法像一台“显微镜”让我们能通过大量样本窥见随机性的规律WMMSE变换像一把“钥匙”打开了非凸问题的锁而ADMM则像一把“手术刀”精准地解剖了离散约束这个难题。这套“建模-转化-分解”的流程对于解决通信中其他复杂的联合优化问题如资源分配、网络切片等具有很强的借鉴意义。最终仿真中RSMA曲线始终稳健地站在SDMA上方那一刻让人确信在充满不确定性的现实信道中为系统保留一层公共流用于“协商”和“缓冲”干扰的灵活性是多么有价值的设计哲学。