Distributed vs. Centralized Precoding in Cell-Free Systems: Impact of Realistic Per-AP Power Limits

本文指出，在考虑实际每接入点功率限制后，传统集中式预编码因需不切实际的功率分配而丧失性能优势，使得分布式预编码成为更稳健的选择。

要点

这篇论文探讨了一个关于无线通信网络（特别是“无蜂窝”系统）的有趣发现：理论上看起来“高大上”的集中式方案，在实际硬件限制下，竟然不如看起来“土气”的分布式方案好用。

为了让你轻松理解，我们可以把这个系统想象成一个大型交响乐团在指挥一场演出。

1. 背景：乐团与指挥（无蜂窝系统）

想象一下，我们要在一个巨大的城市里（覆盖区域）为许多听众（用户）播放音乐（传输数据）。

• 传统的蜂窝网络：就像每个街区有一个小指挥家（基站），只负责指挥自己街区的小提琴手（天线）。
• 无蜂窝网络（Cell-Free）：这里没有固定的街区。全城有 50 个分散的“分指挥”（接入点 AP），每个分指挥手里都有几把小提琴（天线）。他们共同为一个听众服务。

2. 两种指挥策略：集中式 vs. 分布式

论文主要比较了两种指挥方式：

A. 集中式指挥（Centralized Precoding）—— “全能总指挥”

• 理论上的完美：想象有一个坐在中央控制室的“总指挥”。他手里拿着全城的地图，知道每个分指挥和每个听众之间的确切距离和路况（信道状态信息）。
• 优势：理论上，总指挥可以完美协调所有分指挥，让他们的声音在听众耳边完美叠加，消除噪音和干扰。这就像总指挥能精确计算，让所有小提琴手在同一毫秒以完美的力度和相位演奏。
• 论文指出的问题：总指挥在计算时，通常假设整个乐团有一个总的音量预算（比如总音量是 100 分贝）。为了达到最好的效果，他可能会把 90 分贝的音量都分配给离听众最近的那几个分指挥，而让远处的分指挥几乎不出声。
  • 比喻：这就像总指挥对最近的那个分指挥喊：“你拼命喊！喊到嗓子冒烟！”而对远处的说：“你轻轻哼一下。”
  • 现实打击：但是，每个分指挥（AP）的嗓子（硬件功率放大器）都有极限。如果总指挥让某个分指挥喊到 200 分贝（超过硬件极限），那个分指挥的嗓子会破音甚至坏掉（硬件饱和/失真）。
  • 后果：为了不让嗓子坏掉，大家不得不强行把总音量调低，或者强行让那个“拼命喊”的分指挥闭嘴。结果就是，原本完美的“总指挥”方案，效果大打折扣，甚至不如大家各自为战。

B. 分布式指挥（Distributed Precoding）—— “各自为战的本地指挥”

• 做法：没有总指挥。每个分指挥只负责自己附近的听众。他们只根据自己听到的声音来调整音量，确保自己不会喊破嗓子。
• 优势：虽然理论上他们配合得没那么完美（可能会有一点杂音），但他们非常稳健。因为每个分指挥都严格遵守自己的音量限制，永远不会“喊破嗓子”。
• 论文发现：当考虑到每个分指挥都有音量上限时，这种“各自为战”的方案，在实际表现上竟然打败了那个原本理论上无敌的“总指挥”方案。

3. 论文的核心发现：为什么“总指挥”输了？

论文通过数学模拟发现了一个叫**“功率集中效应”**的现象：

1. 路障效应：在无蜂窝网络中，有的分指挥离听众很近（信号好），有的很远（信号差）。
2. 错误的分配：集中式算法为了追求整体效果，倾向于把大部分能量都“压”在离听众近的那几个分指挥身上，试图用“大力出奇迹”来覆盖全局。
3. 硬件崩溃：这导致少数几个分指挥需要超负荷工作（超过硬件极限），而大多数分指挥却在“摸鱼”。
4. 强行修正的代价：为了不让少数分指挥过载，我们不得不使用两种“笨办法”来修正：
   • 方法一（全局缩放）：既然有人喊太大声，那就把所有人的音量都按比例调低。结果：大家都听不清了，整体效果变差。
   • 方法二（局部归一化）：强行让每个分指挥都只按自己的最大音量唱，不管总指挥怎么安排。结果：破坏了原本精心设计的“和声”（空间波束成形），导致声音杂乱，效果也变差。

结论：一旦加上“每个分指挥音量不能超标”这个现实限制，集中式指挥的“理论优势”就荡然无存了。

4. 通俗总结

这就好比一个足球队：

• 集中式策略：教练（总指挥）制定了一个完美的战术，要求前锋（离球门近的 AP）全力冲刺射门，后卫（离球门远的 AP）原地不动。理论上这能进球。
• 现实限制：前锋的腿跑不动了（功率限制），或者教练发现前锋跑太快会受伤。
• 修正后：教练被迫让前锋减速，或者让后卫也动起来分担压力。结果，原本完美的战术变得不伦不类，进球率反而下降了。
• 分布式策略：没有总教练，每个球员根据自己的体力（功率限制）和位置，自己决定怎么跑。虽然配合没那么默契，但每个人都能发挥稳定，整体胜率反而更高。

5. 这篇论文告诉我们什么？

1. 理论很丰满，现实很骨感：很多通信理论假设“总功率”可以随意分配，忽略了每个设备（AP）的硬件极限。
2. 简单即稳健：在真实的硬件限制下，看似简单的分布式方案（大家各自管好自己）比复杂的集中式方案（试图控制全局）更可靠，性能更好。
3. 未来方向：未来的网络设计不能只追求理论上的“最优解”，必须把“每个设备不能过载”这个现实约束考虑进去。

一句话总结：
在无线通信里，试图用一个“超级大脑”控制所有设备往往因为硬件限制而翻车；让每个设备“管好自己”，反而在现实中更靠谱、更强大。

技术摘要

这是一份关于论文《Distributed vs. Centralized Precoding in Cell-Free Systems: Impact of Realistic Per-AP Power Limits》（无蜂窝系统中分布式与集中式预编码：现实每接入点功率限制的影响）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：
无蜂窝大规模多输入多输出（Cell-Free Massive MIMO, CF-mMIMO）系统因其能提供均匀的服务质量而备受关注。从信息论角度看，利用全网信道状态信息（CSI）的集中式预编码（Centralized Precoding）理论上优于分布式预编码（Distributed Precoding），因为分布式预编码的可行集是集中式的一个子集。现有文献通常表明，集中式零强制（ZF）或最小均方误差（MMSE）预编码在频谱效率（SE）上显著优于分布式共轭波束成形（CBF）或局部 MMSE。

核心问题：
然而，现有的集中式预编码设计通常基于系统总功率约束（Sum-Power Constraint），即假设总功率预算可以在所有接入点（AP）之间任意分配。

• 功率集中效应（Power Concentration Effect）： 在无蜂窝部署中，AP 与用户的距离差异巨大，导致路径损耗相差几个数量级。为了满足集中式预编码的全局空间指向性要求，算法往往将大部分发射功率集中在少数几个靠近用户的 AP 上。
• 硬件限制冲突： 这种“跨 AP"的功率分配会导致部分 AP 的瞬时发射功率远超其硬件（功率放大器 PA）的饱和极限。
• 实际后果： 当引入现实的每 AP 瞬时功率约束（Per-AP Instantaneous Power Constraint）时，必须对集中式预编码进行强制修正（如全局缩放或局部归一化）。论文指出，这种修正会导致集中式预编码的理论优势完全消失，甚至使其性能低于分布式方案。

2. 方法论 (Methodology)

论文通过建立数学模型和数值仿真，对比了在不同功率约束下的集中式与分布式预编码性能。

系统模型：

• 包含 $L$ 个 AP（每个 $N_t$ 天线）和 $K$ 个单天线用户。
• 采用用户为中心的动态聚类策略（User-centric clustering）。
• 信道模型为空间相关的 Rician 衰落（包含视距 LoS 和非视距 NLoS 分量）。
• 考虑了导频污染和信道估计误差。

预编码策略对比：

1. 分布式策略： 每个 AP 独立计算预编码向量，仅利用本地 CSI。
   • 采用短时归一化（Short-term normalization），确保每个 AP 在任何信道实现下的瞬时功率不超过限制。
2. 集中式策略： 中央处理单元（CPU）利用全网 CSI 联合计算所有 AP 的预编码向量。
   • 传统设计： 基于总功率约束推导（如 ZF, RZF, MMSE）。
   • 修正设计（针对每 AP 约束）： 论文提出了两种启发式方法来强制满足每 AP 功率限制：
     • 全局功率缩放 (Global Power Scaling, PS)： 如果某个 AP 功率超标，按比例缩小所有用户的功率系数，使最大功率 AP 满足限制。这保留了空间指向性但大幅降低了总发射功率。
     • 预编码局部归一化 (Local Normalization, LN)： 对集中式预编码向量的每个 AP 分量独立归一化。这保证了功率合规，但严重扭曲了原本设计的全局空间指向性。

评估指标：

• 下行链路可达频谱效率（SE）。
• 重点关注95% 概率的频谱效率（即 CDF 曲线的 5% 分位点），用于衡量系统的公平性和最差用户体验。

3. 主要贡献 (Key Contributions)

1. 揭示了被忽视的实际限制： 指出以往关于集中式预编码优越性的结论大多基于不切实际的“总功率约束”，忽略了无蜂窝网络中因路径损耗差异导致的“功率集中”问题，这在实际硬件中是不可行的。
2. 证明了集中式优势的丧失： 通过理论推导和仿真证明，一旦施加严格的每 AP 瞬时功率约束，集中式预编码（无论是通过全局缩放还是局部归一化）的性能优势将不复存在，甚至不如分布式方案。
3. 提出了两种修正方案并分析其缺陷：
   • PS 方案： 虽然保留了方向性，但导致总功率大幅下降，牺牲了系统整体容量。
   • LN 方案： 虽然满足了功率限制，但破坏了集中式预编码的核心优势（全局干扰消除和波束成形），导致性能急剧下降。
4. 确立了分布式预编码的鲁棒性： 在考虑硬件限制的现实场景下，分布式预编码（如局部 MMSE）表现出更高的鲁棒性和公平性，且无需高复杂度的全局优化和 fronthaul 传输。

4. 仿真结果 (Results)

仿真设置：50 个 AP，每个 4 天线，10 个用户，采用用户聚类（每个用户服务 10 个最近 AP）。

• MR (最大比) 预编码：
  • 分布式方案（dist-MM）在公平性上表现稳健。
  • 集中式方案在施加功率约束后（特别是 LN 方案），频谱效率显著下降，95% 分位点 SE 远低于分布式方案。
• RZF (正则化零强制) 预编码：
  • 由于 AP 天线数少于用户数，必须使用 RZF。
  • 集中式 RZF 在 LN 方案下性能最差，CDF 曲线整体左移。PS 方案虽有改善，但仍无法超越分布式方案。
• MMSE 预编码：
  • 这是最关键的对比。以往文献（如 [3]）认为集中式 MMSE 远优于局部 MMSE。
  • 本论文结果： 在每 AP 功率约束下，分布式 MMSE (dist-MM) 表现最佳，95% 分位点 SE 达到 2.38 bps/Hz。
  • 集中式 MMSE 中，PS 方案虽然 95% 分位点略高（2.42 bps/Hz），但牺牲了高百分位用户（即好信道用户）的性能；而 LN 方案性能极差（95% 分位点仅 1.23-1.72 bps/Hz）。
• 高天线用户比场景： 即使在 $N_t=8, K=4$ 的有利条件下，集中式方案在功率约束下依然表现不佳。

5. 意义与结论 (Significance & Conclusion)

• 理论修正： 该研究纠正了学术界对集中式预编码在无蜂窝系统中绝对优势的盲目乐观，强调了**硬件约束（特别是每 AP 瞬时功率限制）**在系统设计中的决定性作用。
• 工程指导： 对于实际部署的无蜂窝系统，由于 fronthaul 开销、处理延迟和硬件限制，分布式预编码是更优且更鲁棒的选择。它避免了复杂的集中式优化，同时在实际约束下能提供可比的甚至更好的性能。
• 未来方向： 论文指出，设计低复杂度、感知每 AP 约束的集中式优化算法（而非简单的启发式修正）是未来的研究方向，但在当前技术条件下，分布式方案更具实用价值。

总结一句话： 在考虑真实的每接入点功率限制时，集中式预编码因功率集中效应和强制修正带来的性能损失，其理论优势不再存在，分布式预编码成为无蜂窝系统中更稳健、更实用的选择。