🔢 mathematics

Network-Wide PAoI Guarantee in CF-mMIMO Networks with S&C Coexistence: A Unified Framework for Spatial Partitioning Toward xURLLC

本文提出了一种结合随机几何与随机网络演算的统一分析框架，通过推导峰值信息年龄违反概率的上界，解决了无蜂窝大规模 MIMO 网络中感知与通信功能的空间划分优化问题，从而为面向 xURLLC 的网络提供高效的信息新鲜度保障。

原作者： Yanxi Zhang, Mingwu Yao, Qinghai Yang, Muyu Mei

发布于 2026-04-09

📖 1 分钟阅读🧠 深度阅读

原作者： Yanxi Zhang, Mingwu Yao, Qinghai Yang, Muyu Mei

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

这篇文章主要讲的是：在6G 网络（未来的超级高速网络）中，如何巧妙地安排“感知”（像雷达一样看世界）和“通信”（像手机一样传数据）这两项任务，以确保信息既新鲜又可靠。

为了让你更容易理解，我们可以把整个网络想象成一个巨大的、由无数个小机器人组成的“智能城市”。

1. 核心挑战：资源是有限的，就像“时间”和“精力”

在这个“智能城市”里，有一大堆小机器人（也就是文中的接入点 AP）。它们有两个主要工作：

感知（Sensing）：像巡逻的保安，用雷达扫描周围，发现有没有车、有没有人（生成“新鲜”的情报）。
通信（Communication）：像快递员，把保安发现的情报迅速送到用户的手机上（保证情报“及时”送达）。

问题出在哪？
机器人的数量是有限的，带宽（路）也是有限的。

如果你派更多机器人去当保安（感知），情报产生得就快，但负责送快递的快递员就少了，情报容易堵在路上。
如果你派更多机器人去当快递员（通信），送得快了，但没人去扫描发现新情报，大家收到的都是“过期的旧闻”。

这就好比一个餐厅：厨师（感知）做得太快，服务员（通信）不够，菜就凉在厨房里；服务员再多，厨师不炒菜，客人也吃不到东西。

2. 研究目标：寻找“黄金比例”

这篇文章就是要解决一个数学难题：到底应该派多少机器人当保安，多少当快递员，才能让整个城市的“信息新鲜度”达到最佳？

作者提出了一个统一的数学框架（就像给城市设计了一套完美的调度算法），用来计算这种“新鲜度”的指标，叫做峰值信息年龄（PAoI）。

简单说，PAoI 就是衡量“你收到的最新一条消息，距离它产生已经过了多久”。时间越短，越新鲜。
对于自动驾驶、远程手术这种xURLLC（超可靠低时延通信）应用，如果信息“不新鲜”（比如手术指令晚了 1 秒），后果可能是灾难性的。

3. 他们是怎么做的？（三大法宝）

为了算出这个“黄金比例”，作者用了三个高深的数学工具，我们可以把它们比喻成：

法宝一：随机几何（Stochastic Geometry）
- 比喻：想象城市里的机器人和行人位置都是随机分布的，像撒豆子一样。作者用这个工具来模拟这种混乱中的规律，计算在随机分布下，雷达能扫到目标的概率，以及信号传输的可靠性。
法宝二：随机网络微积分（SNC）
- 比喻：这就像是一个排队论的超级计算器。它不仅能算平均等待时间，还能算出“最坏情况”下，信息会在路上堵多久。这对于保证“绝对不迟到”至关重要。
法宝三：有限块长编码（FBC）
- 比喻：传统的通信理论假设数据包像无限长的河流，但 6G 要求数据包像短小的子弹（短包）。作者用这个工具来模拟这种“短包”在传输中容易出错、需要重传的情况，让模型更贴近现实。

4. 核心发现：没有“万能公式”，只有“动态平衡”

通过复杂的计算和模拟，作者发现：

极端分配行不通：全派去感知或全派去通信，效果都很差。
存在一个“最佳点”：总有一个特定的比例（比如 30% 做感知，70% 做通信），能让信息最新鲜。
这个比例是动态的：
- 如果目标很难被发现（比如雷达扫不到），就需要多派点机器人去感知，否则根本产生不出情报。
- 如果路况很堵（用户太多，干扰大），就需要多派点机器人去通信，否则情报送不出去。
- 如果对时间要求极严（比如手术中），就需要多派点机器人去感知，确保情报源源不断地产生，哪怕送得稍微慢一点点，也比没有情报强。

5. 这篇文章有什么用？

以前，网络工程师设计这种系统，只能靠试错（比如：先试 30%，不行再试 40%……），这需要跑成千上万次模拟，非常慢且昂贵。

这篇文章提供的数学公式，就像是一个高精度的“导航仪”。

工程师只要输入当前的网络环境（有多少机器人、用户多密、干扰多大），这个公式就能直接算出最佳的分配比例。
它不需要跑复杂的模拟，计算速度极快，能帮工程师在规划网络时，迅速找到那个“黄金比例”，确保 6G 网络既聪明又可靠。

总结

这就好比给未来的 6G 网络设计了一套智能调度系统。它告诉我们：在“发现新情况”和“传递新消息”之间，必须根据环境动态调整资源。作者用一套精妙的数学工具，帮我们找到了那个让信息永远保持“最新鲜”的平衡点，为自动驾驶、远程医疗等关键应用提供了坚实的理论基础。

这是一篇关于6G 网络中感知与通信（S&C）共存的学术论文，主要研究了在**无蜂窝大规模多输入多输出（CF-mMIMO）架构下，如何保障面向下一代超可靠低时延通信（xURLLC）**应用的网络级信息新鲜度。

以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

背景： 6G 网络不仅需要通信能力，还需要具备环境感知能力。xURLLC 应用（如自动驾驶、远程手术）对数据的时效性（Freshness）和可靠性要求极高。传统的时延和可靠性指标不足以衡量信息的新鲜程度，因此**信息年龄（AoI）**及其峰值（PAoI）成为关键指标。
挑战：
- 资源竞争： 在无蜂窝网络中，接入点（AP）需要同时承担感知和通信任务。将更多 AP 分配给感知可以提高更新生成的频率，但会减少用于可靠传输的通信资源；反之亦然。这种**空间资源划分（Spatial Partitioning）**的权衡是核心难点。
- 分析复杂性： 大规模分布式部署中，AP 和用户的位置是随机的（空间随机性），信道存在估计误差、小尺度衰落，且 xURLLC 要求短包传输（有限块长编码，FBC）和重传机制。这些因素交织在一起，使得直接计算网络级的 PAoI 违反概率（PAVP）在数学上极其困难。
目标： 建立一个统一的分析框架，量化空间资源划分对网络级 PAoI 的影响，并找到最优的 AP 划分策略以最小化 PAVP。

2. 方法论 (Methodology)

论文提出了一种结合**随机几何（Stochastic Geometry）和随机网络演算（Stochastic Network Calculus, SNC）**的统一分析框架：

系统建模：
- 网络架构： 采用 CF-mMIMO 架构，AP 和用户位置服从泊松点过程（PPP）。
- 资源划分： 引入划分因子 $\beta$ ，将 AP 分为感知集（ $\Phi_s$ ）和通信集（ $\Phi_c$ ）。
- 工作流程： 感知 AP 周期性扫描目标 $\rightarrow$ 生成短包 $\rightarrow$ 通信 AP 协作传输给用户。
- 物理层特性： 考虑了有限块长（FBC）下的速率 - 可靠性权衡、 imperfect CSI（信道状态信息不完美）、导频污染以及 ARQ 重传机制。
理论推导：
- 感知侧（到达过程）： 利用随机几何推导网络级感知覆盖概率 $P_s^{cv}$ ，进而得到感知包到达间隔时间的矩生成函数（MGF）。
- 通信侧（服务过程）： 结合导频污染下的 LMMSE 信道估计和共轭波束成形，推导下行 SINR 的确定性等价（DE）表达式。利用随机几何推导通信覆盖概率 $P_c^{cv}$ ，并结合 FBC 理论推导服务时间的 MGF。
- SNC 框架应用： 将上述 MGF 代入 SNC 理论，推导出网络级 PAoI 违反概率（PAVP）的可处理上界。该上界将物理层参数（如 AP 密度、信道条件）与应用层指标（PAoI）联系起来。
优化问题：
- 构建优化问题，以 PAVP 上界为目标函数，寻找最优的划分因子 $\beta^*$ ，使得网络级信息新鲜度最大化（即 PAVP 最小化）。

3. 主要贡献 (Key Contributions)

建立了网络级共存框架： 首次为支持 xURLLC 的大规模 CF-mMIMO 感知 - 通信共存网络建立了分析框架，利用 PPP 建模空间分布，并引入空间划分方案。
推导了关键统计量： 显式推导了考虑拓扑随机性和信道动态的感知覆盖概率、到达间隔 MGF、通信覆盖概率以及服务时间 MGF。
提出了统一的 PAVP 上界： 利用 SNC 将感知和通信性能关联到端到端信息新鲜度，推导出了网络级 PAVP 的解析上界。该上界不仅是一个保守的性能保证，还能用于指导系统优化。
揭示了 S&C 权衡机制： 通过优化分析发现，不存在极端的资源分配（全感知或全通信），而是存在一个最优的中间划分点。该最优解随应用需求（如 PAoI 阈值）和环境条件（如目标 RCS）动态变化。
低复杂度设计工具： 证明了该解析上界能准确捕捉性能趋势和最优划分因子，为网络规划提供了一种比蒙特卡洛仿真低得多的复杂度的设计工具。

4. 数值结果与发现 (Results)

通过大量蒙特卡洛仿真验证了理论框架的准确性，主要发现包括：

框架准确性： 理论推导的 PAVP 上界与仿真结果高度吻合，能够准确预测性能趋势和最优 $\beta$ 值。
非单调性与权衡：
- 感知间隔 ( $T_s$ )： 存在一个最优的感知周期。过快会导致通信队列拥塞，过慢会导致信息陈旧。
- 资源划分 ( $\beta$ )： PAVP 随 $\beta$ $β$ 呈准凸形状。
  - 当 PAoI 要求极严时，最优策略倾向于分配更多资源给感知（加快更新生成）。
  - 当 PAoI 要求较宽松时，最优策略倾向于分配更多资源给通信（提高传输可靠性）。
环境适应性：
- 目标 RCS 增大： 感知更容易，最优 $\beta$ 向右移动（更多资源给通信），因为感知瓶颈解除，通信可靠性成为主要矛盾。
- 用户密度增加： 导频污染加剧，通信覆盖下降，需要更多资源保障通信或增加导频长度。
网络密度影响： 在密集网络中，增加 AP 密度带来的收益递减（干扰受限），而增加天线阵列规模或优化导频资源更为有效。

5. 意义与价值 (Significance)

理论突破： 填补了大规模分布式 S&C 共存网络中信息新鲜度分析的空白，特别是结合了 FBC、CSI 误差和空间随机性。
工程指导： 为 6G 网络规划提供了具体的量化依据。网络运营商可以根据具体的 xURLLC 业务需求（如时延敏感度）和环境条件，动态调整 AP 的功能划分比例，而无需进行耗时的全网络仿真。
架构设计： 强调了在 xURLLC 场景下，单纯追求通信性能或感知性能是不够的，必须通过联合优化来平衡“信息生成”与“信息传输”两个环节，以实现系统级的最优性能。

总结： 该论文通过严谨的数学推导，解决了 6G 无蜂窝网络中感知与通信资源分配的难题，提出了一种高效、低复杂度的设计框架，确保了在极端可靠性要求下的信息新鲜度，对 xURLLC 系统的实际部署具有重要的指导意义。