💻 computer science

Dynamic Interference Prediction for In-X 6G Sub-networks

原作者： Pramesh Gautam, Ravi Sharan Bhagavathula, Paolo Baracca, Carsten Bockelmann, Thorsten Wild, Armin Dekorsy

发布于 2026-02-05

📖 1 分钟阅读☕ 轻松阅读

原作者： Pramesh Gautam, Ravi Sharan Bhagavathula, Paolo Baracca, Carsten Bockelmann, Thorsten Wild, Armin Dekorsy

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个繁忙的工厂车间，数十个小型、独立的无线网络（称为“子网络”）正试图同时进行通信。把它们想象成一个个微型且自给自足的广播电台，每个电台都有一个主塔（接入点）和一些工作人员（用户设备）。

目标是让消息传输得既快又可靠，使其在不到一毫秒的时间内以近乎完美的准确度到达。这就是 6G 工业网络 的愿景。

然而，存在一个重大问题：干扰。

问题所在：“拥挤的房间”效应

想象一下，你试图在一个拥挤的房间里进行私人对话，而其他人都在大声叫喊。在我们的工厂里，当一个网络发送信号时，它会产生“噪声”，从而淹没其邻近网络的信号。由于这些网络分布得非常紧密且处于移动状态，噪声会瞬间发生不可预测的变化。

为了解决这个问题，网络需要调整其“音量”和“语言”（这个过程称为链路自适应），以确保消息能够成功传递。为此，主塔需要精确地知道此时此刻背景噪声的大小。

难点在于： 主塔并没有一个直接的麦克风来监听噪声。它只能从其工作人员设备那里获得一份延迟的、经过汇总的报告，称为 CQI 报告。这就像是通过观察一个五分钟前读取的、且已取整到最接近整数的温度计，来猜测房间现在的温度。

解决方案：“聪明侦探”（EKF）

论文作者提出了一种利用名为**扩展卡尔曼滤波（EKF）**的数学工具来猜测噪声水平的新方法。

以下是他们如何使用简单的类比来解释这一过程：

隐藏变量： 实际的噪声水平是一个“秘密”（一个潜变量），主塔无法直接看到它。
线索： CQI 报告是主塔拥有的唯一“线索”。
预测： 作者构建了一个动态状态空间模型（DSSM）。你可以把它想象成一本精密的规则手册，上面写着：“如果昨天的噪声很高，且天气（信道）很稳定，那么今天噪声可能仍然很高，但可能会略有不同。”
滤波器： EKF 扮演着聪明侦探的角色。它获取旧的“线索”（延迟的 CQI 报告），结合其“规则手册”（噪声运动的模型），从而对当前的噪声水平做出最佳猜测，甚至在新的报告到达之前就能完成预测。

他们是如何实现的

其背后的数学原理非常复杂，但作者通过两种巧妙的方式进行了简化：

平滑跳变： 他们意识到无线信号不会发生瞬时变化；它们是平滑波动的。他们使用了一个数学曲线（贝塞尔函数）来预测噪声在每一时刻是如何“波动”的。
处理杂乱数据： 由于 CQI 报告并不完美（存在取整误差、延迟等问题），这位侦探会假设线索中存在某种“静态”或误差，并据此调整其猜测。

结果：奏效了吗？

研究人员将他们的“聪明侦探”与另外两种方法进行了对比测试：

“移动平均法”（老派做法）： 这种方法只是观察过去几次的噪声报告并取其平均值。这就像是仅仅通过过去三天的天气来猜测明天的天气。它无法跟上快速变化的节奏。
“LSTM”（重量级 AI）： 这是一个复杂的人工智能模型，需要海量的训练数据和庞大的计算能力。这就像是雇佣一支超级计算机团队来预测天气。

结果显示：

“聪明侦探”（EKF） 比“老派做法”表现得好得多，显著降低了预测误差。
出人意籍的是，尽管不需要任何训练数据或沉重的计算能力，“聪明侦探” 的表现几乎与**“重量级 AI（LSTM）”** 不相上下。
它非常接近“精灵（Genie）”场景（即主塔能瞬间获知噪声水平的理论完美场景），而这正是衡量性能的金标准。

核心结论

这篇论文表明，要解决一个难题，并不一定需要超级复杂的 AI。通过使用一种理解无线信号随时间变化规律的巧妙数学模型，工厂网络仅凭现有的有限且延迟的报告，就能准确预测干扰。这使得网络能够即时调整其设置，即使在混乱、拥挤的环境中，也能确保消息快速、可靠地传输。

技术摘要：In-X 6G 子网中的动态干扰预测

问题陈述
本文解决了 In-X 6G 子网（SN）中的干扰管理（IM）挑战，这些子网旨在支持超可靠低延迟通信（HRLLC），其延迟要求为 0.1–1 ms，可靠性高达 99.99999 百分位。在超密集子网环境中，由于信道特性、移动性和资源限制，干扰变化极快。

传统的链路自适应（LA）方案依赖于信道质量指示（CQI）报告以及 ACK/NACK 反馈，但在这种背景下面临显著障碍：

干扰变化剧烈： HRLLC 流量利用短数据包，每个传输时间间隔（TTI）仅占用物理资源的一小部分，导致干扰的变化速度超过了传统跟踪方法的处理能力。
报告延迟： CQI 报告机制固有的延迟使得干扰信息在到达接入点（AP）时已经过时。
重传限制： 极端的延迟约束通常将重传限制在单次尝试以内，这使得准确的初始调制与编码策略（MCS）选择变得至关重要。

现有解决方案通常需要来自干扰设备的显式信道估计（增加了开销），或者依赖于需要地面真值（ground-truth）干扰标签的监督学习模型（难以实时获取）。此外，许多现有方法仅关注干扰分布的尾部概率，简化了链路自适应问题。

方法论
作者提出了一种在线、无监督、仅基于可用 CQI 报告的 AP 端干扰预测方法，无需显式反馈或地面真值标签。核心方法包括三个步骤：

系统建模：
- 作者使用空间一致的 3GPP 信道模型和 ON-OFF 流量模型对子网间干扰进行建模。
- 干扰功率值（IPV）被定义为来自干扰子网贡献的总和，其中包含了路径损耗、小尺度衰落（视距 LOS 为莱斯衰落，非视距 NLOS 为瑞利衰落）以及阴影衰落。
离散时间状态空间模型（DSSM）：
- 构建了一个高斯 DSSM，其中 IPV 被视为一个隐（隐藏）状态变量，而 CQI 报告作为观测值。
- 过程模型： 描述了 IPV 在各个 TTI 上的动态演变，并引入过程噪声以解释建模误差和传输延迟。
- 测量模型： 将观测到的 CQI（映射到 SINR）与潜在的 IPV 相关联，并考虑了有效信噪比映射（ESM）压缩和 CQI 量化带来的误差。
扩展卡尔曼滤波（EKF）近似：
- 为了将 EKF 高效地应用于该非线性系统，作者引入了特定的近似方法：
  - 转移动力学： 使用零阶贝塞尔函数来近似小尺度衰落的相关性。通过相关性匹配准则将转移函数线性化，形成最近两个 IPV 估计值的凸组合。
  - 测量噪声： 将测量噪声近似为代表 ESM 误差和 CQI 量化误差的两个边缘高斯变量的乘积。
- EKF 以标准的两步过程（预测和更新）运行，用于在每个 TTI 估计 IPV，进而用于调整 SINR 估计以实现最优 MCS 选择。

主要贡献

形式化表征： 本文结合空间一致的 3GPP 信道模型与 ON-OFF 流量模型，对子网间干扰进行了形式化表征。
新颖的 DSSM 构建： 提出了一个离散时间高斯 DSSM，将 IPV 建模为隐变量，并将 CQI 报告作为观测值。与以往方法不同，该方法对全范围的 IPV 进行建模，而非仅关注尾部概率。
基于 EKF 的预测： 引入了对 DSSM 的必要近似，以便利用扩展卡尔曼滤波器进行基于仅有 CQI 报告的在线 IPV 预测。
性能验证： 数值结果表明，所提出的方法优于传统的基准方法，并且在不需要显式干扰标签的情况下，达到了与监督学习方法（LSTM）和理想“Genie”基准相当的性能。

数值结果
仿真在 20x20 m² 区域内进行，包含 16 个子网，使用 6 GHz 载波频率和 0.1 ms TTI。

预测误差： 所提出的 EKF 预测器实现的相对绝对误差（RAE）比移动平均（MA）预测器低约 8 dB。尽管 EKF 是无监督的模型驱动方法，但其性能与预训练的 LSTM 预测器几乎相当。
链路自适应性能： 在链路自适应方面，基于 EKF 的 LA 在 95% 的案例中达到了 $10^{-5}$ 的目标误块率（BLER）。
对比： EKF 方法的表现紧随“Genie”LA（假设具有完美 SINR 知识）和 LSTM 基准。它显著优于移动平均预测器，后者难以跟踪非线性干扰动态。

意义与主张
本文声称，其提出的方法提供了一种适用于小型化尺寸子网设备的低复杂度、计算高效的解决方案。通过利用 CQI 报告与 IPV 之间的相互依赖关系，该方法实现了与复杂的机器学习基准（LSTM）以及最优理论极限（Genie）相媲美的性能，且无需训练数据或显式干扰反馈。作者总结道，通过适当的建模与近似，低复杂度的状态空间建模是 6G HRLLC 场景下动态干扰预测的一种可行替代方案。他们指出，将此方法扩展到每个 AP 包含多个用户设备的向量值 DSSM 仍是未来研究的一个开放领域。