⚡ electrical engineering

Practical RIS Gain without the Pain: Randomization and Opportunistic Scheduling in 5G NR

本文通过 OpenAirInterface 框架下的真实 5G NR 实验系统证明，利用 5G 固有的比例公平调度机制配合随机 RIS 相位配置，即可在极低开销下实现与优化设计相当的吞吐量性能。

原作者： L. Yashvanth, Raju Malleboina, Venkatareddy Akumalla, Nekkanti Guna Sai Kiran, Debdeep Sarkar, Chandra R. Murthy

发布于 2026-02-16

📖 1 分钟阅读☕ 轻松阅读

原作者： L. Yashvanth, Raju Malleboina, Venkatareddy Akumalla, Nekkanti Guna Sai Kiran, Debdeep Sarkar, Chandra R. Murthy

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

这篇论文讲述了一个关于5G 网络如何变得更聪明、更省钱的有趣故事。

想象一下，你正在一个巨大的、复杂的迷宫里玩捉迷藏（这就是无线信号在建筑物和障碍物中传播的样子）。通常，信号很容易迷路或被挡住，导致网速变慢。

为了解决这个问题，科学家们发明了一种叫**RIS（可重构智能表面）**的“魔法镜子”。这面镜子可以智能地反射信号，把原本散掉的信号集中起来，像聚光灯一样照向你的手机，从而让网速飞起来。

但是，这面“魔法镜子”有个大麻烦：
为了让它发挥最大作用，你需要知道迷宫里每个人的确切位置，然后实时计算并调整镜子的角度。这就像你需要一个超级大脑，每秒钟都要重新计算成千上万个镜子的角度，还要不停地发指令给镜子。这不仅计算量巨大，而且非常耗电、昂贵，就像为了送一杯水，非要派一架直升机去计算最佳飞行路线一样，“杀鸡用牛刀”，太麻烦了。

这篇论文提出了一个“笨办法”，结果却出奇地好用：
作者们想：“我们能不能不计算，直接把镜子的角度随机乱变，然后让 5G 网络自己来‘挑’最好的时机？”

他们的实验就像这样：

搭建舞台：他们真的造了一面由 1024 个小镜子组成的“魔法墙”（RIS），并把它接入了真实的 5G 网络测试环境（就像在真实的实验室里跑 5G 基站）。
随机乱变：他们不再费心去计算怎么调整镜子。相反，他们让镜子的角度随机切换。有时候镜子朝左，有时候朝右，完全看运气。
聪明的调度员（PF 调度器）：5G 基站里有一个内置的“调度员”（叫比例公平调度器）。这个调度员的工作是决定把网速资源分给谁。
- 传统做法：调度员看谁信号好就给谁，但前提是镜子得先调好。
- 新做法：镜子在随机乱变。当镜子碰巧把信号反射到用户 A 身上时，A 的信号瞬间变强；当镜子转向用户 B 时，B 的信号变强。
- 关键点：调度员非常聪明，它发现：“哦！现在用户 A 的信号特别好（因为镜子碰巧照着他），那我就赶紧把数据发给 A！”等一会儿镜子转向 B 了，B 的信号变好了，调度员就赶紧发给 B。

结果如何？

作者们发现了一个惊人的现象：
虽然镜子是随机乱变的，但 5G 基站通过“见缝插针”地抓住那些信号变好的瞬间，最终达到的网速，竟然和“精心计算、完美调整”的镜子几乎一样快！

用生活中的比喻来总结：

传统优化方法：就像你要给两个人送外卖。你需要先派无人机去侦察路况，计算最优路线，然后精准地把饭送到每个人手里。这很精准，但无人机太贵，计算太累。
这篇论文的方法：你派一个外卖员在两个小区之间随机乱跑。
- 当外卖员碰巧走到小区 A 门口时，A 正好开门了（信号好），外卖员就把 A 的饭给了 A。
- 当外卖员碰巧走到小区 B 门口时，B 正好开门了，外卖员就把 B 的饭给了 B。
- 结果：虽然外卖员没有规划路线，但因为他在“对的时间”出现在了“对的地方”（利用了多用户多样性），大家最终都吃到了热乎的饭，而且速度还很快！

这篇论文的核心贡献：

去掉了“超级大脑”：不需要复杂的计算和实时调整，大大降低了成本和难度。
利用“运气”变“实力”：利用 5G 基站自带的“挑肥拣瘦”（机会主义调度）能力，把随机性变成了优势。
实测验证：这不是纸上谈兵，而是真的在实验室里用真实的 5G 设备跑出来的结果，证明了这种“简单粗暴”的方法在现实中完全行得通。

一句话总结：
这篇论文告诉我们，在 5G 网络里，有时候不需要把智能镜子调得完美无缺，只要让它随机乱动，配合基站聪明的“抓时机”策略，就能以极低的成本，获得几乎完美的网速提升。这就是所谓的“没有痛苦的增益”（Gain without the Pain）。

这是一份关于论文《Practical RIS Gain without the Pain: Randomization and Opportunistic Scheduling in 5G NR》（无需痛苦的实用 RIS 增益：5G NR 中的随机化与机会调度）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：
可重构智能表面（RIS）被视为增强下一代无线网络的关键技术，通过控制无线电传播环境来提升吞吐量。理论上，通过优化 RIS 单元的相位偏移可以显著改善信道条件。

核心痛点：

高开销： 传统的优化方法需要精确的信道状态信息（CSI）估计、复杂的相位优化算法以及大量的控制信令，导致实现成本高昂且延迟较大。
缺乏实证： 现有的 RIS 研究多基于理论仿真或使用矢量信号发生器/矢量网络分析仪（VNA）的离线测试，缺乏在实时 5G 新空口（NR）系统中与真实协议栈（如基站调度、MCS 选择等）集成的实验验证。
集成难度： 将 RIS 硬件与实时 5G 基站（gNB）和用户设备（UE）无缝集成并验证其实际增益，在文献中鲜有报道。

研究目标：
探索一种低复杂度的方法，即随机配置 RIS 相位，并利用 5G NR 系统内置的**机会调度（Opportunistic Scheduling）**机制，在不进行显式相位优化的情况下，实现接近最优的 RIS 性能增益。

2. 方法论 (Methodology)

A. 实验平台搭建

硬件： 使用自制的 1 比特编码 RIS 原型（5 GHz 中心频率，300 MHz 带宽，32x32 单元阵列，共 1024 个单元，基于 PIN 二极管）。
软件与协议栈： 基于 OpenAirInterface (OAI) 框架构建实时 5G NR 独立组网（SA）测试床。
- 基站（gNB）和用户设备（UE）运行在 Intel i7 计算机上。
- 使用 USRP 作为射频单元（RU）进行空口通信。
- 系统配置：40 MHz 带宽，30 kHz 子载波间隔，TDD 模式。
实验设置：
- 设置 2 个 UE，直接链路被物理遮挡，仅通过 RIS 通信。
- UE 位置：方位角分别为 30° 和 45°。
- 随机化策略： RIS 相位状态在两个预定义的波束指向（分别对准两个 UE）之间以 50% 的概率随机切换，切换间隔 $T_s$ 设为 9 秒。

B. 核心机制：随机 RIS + 比例公平（PF）调度

随机 RIS： RIS 不根据当前调度哪个 UE 来调整相位，而是独立随机地在不同状态间切换。
机会调度（PF Scheduler）： 5G NR 基站内置的比例公平（Proportional Fair, PF）调度器会根据瞬时信道质量选择 UE。
- 当 RIS 随机切换到对准某个 UE 的状态时，该 UE 的瞬时信噪比（RSRP）最高。
- PF 调度器自然倾向于在信道条件好时（即 RIS 波束对准该 UE 时）为该 UE 分配资源。
- 通过调整 PF 调度器的指数加权移动平均（EWMA）参数 $\alpha$ ，可以平衡公平性与吞吐量。较小的 $\alpha$ 更倾向于机会主义调度（优先服务信道好的用户）。

C. 评估指标

实验收集并分析了以下关键性能指标（KPI）：

参考信号接收功率（RSRP）
块错误率（BLER）
调制与编码方案（MCS）索引
吞吐量（Throughput）

3. 主要贡献 (Key Contributions)

首个实时 5G NR RIS 集成实验： 构建了基于 OAI 框架的实时 5G NR 测试床，并集成了自研 RIS，首次在实际 5G 协议栈中验证了 RIS 的增益。
提出“随机化 + 机会调度”范式： 证明了无需复杂的 CSI 估计和相位优化，仅通过随机配置 RIS 相位并结合 5G 内置的PF 调度器，即可利用多用户分集（Multi-user Diversity）获得近最优性能。
参数敏感性分析： 实验量化了 PF 调度器中的平滑参数 $\alpha$ 和 RIS 切换间隔 $T_s$ 对系统性能的影响，证明了只要参数选择得当，随机 RIS 即可达到优化 RIS 的性能。
全面的实测数据验证： 提供了 RSRP、BLER、MCS 和吞吐量在随机 RIS 配置下的时间演化轨迹，揭示了系统动态适应机制。

4. 实验结果 (Results)

A. RIS 带来的基础增益

RSRP 提升： 引入 RIS 后，UE 的 RSRP 提升了约 7-8 dB（接收功率增加约 7 倍）。
吞吐量提升： 在单用户场景下，数据速率提升了 20-25%（例如 UE-1 从 40.7 Mbps 提升至 50.1 Mbps）。

B. 随机 RIS 与 PF 调度的协同效应

RSRP 波动： 在双用户场景下，随着 RIS 随机切换，两个 UE 的 RSRP 呈现周期性波动（一个高时另一个低）。
MCS 与 BLER 的动态适应：
- 当 RIS 波束对准某 UE 时，该 UE 信道质量变好，BLER 暂时下降，基站自动提升 MCS 索引以利用高信噪比。
- 当 RIS 波束偏离时，信道变差，BLER 上升，基站降低 MCS 以维持可靠性。
- 这种动态调整使得系统始终在信道条件最佳时传输数据。
吞吐量表现：
- 通过调整 PF 调度器的 $\alpha$ 值（实验中使用 $\alpha=0.00005$ ），系统能够显著优先调度当前信道条件好的 UE。
- 关键发现： 随机 RIS + 优化后的 PF 调度器，其聚合吞吐量不仅远超无 RIS 系统，而且接近于“ genie-aided"（即已知信道并完美优化 RIS 相位）的理想情况。

C. 调度行为分析

直方图显示，尽管 RIS 是随机配置的，但 PF 调度器在 80% 以上 的时间片内，都会选择将资源分配给当前 RIS 波束对准的 UE（即信道条件最好的 UE）。
这证明了 5G 内置调度机制能够自动“捕捉”到随机 RIS 带来的瞬时增益，无需显式的控制信令。

5. 意义与结论 (Significance & Conclusion)

降低部署复杂度： 该研究证明了在 5G 网络中部署 RIS 不需要昂贵的实时 CSI 反馈和复杂的优化算法。利用 5G 现有的机会调度机制，随机 RIS 即可发挥巨大作用。
实用性强： 实验在真实的 5G NR 协议栈（包含 HARQ、MCS 自适应、资源块分配等）中进行，结果比纯理论仿真更具指导意义，表明该方案在实际网络中可行。
成本效益： 避免了复杂的控制信令开销，使得 RIS 技术更容易大规模商业化落地。
未来方向： 虽然当前实验是在室内双天线、双用户环境下进行，但该方法论可直接扩展至多天线、多用户的大规模 5G 网络。未来的工作将深入研究 RIS 切换间隔与调度参数之间的理论依赖关系。

总结一句话： 本文通过实时 5G 实验证明，“随机 RIS + 5G 机会调度” 是一种无需复杂优化即可实现接近最优 RIS 增益的低成本、高实用性的解决方案。