⚡ electrical engineering

Conjugate Beamforming Variants for Multicasting in Cell-Free Massive MIMO Systems

本文研究了面向全分布式预编码的细胞自由大规模 MIMO 系统中的可缩放共轭波束成形变体，通过基于大尺度衰落相似性的用户分组策略，评估了经典、归一化及增强型共轭波束成形在不同用户空间几何分布下的聚合频谱效率，揭示了归一化共轭波束成形在多数场景下具有最佳的性能 - 复杂度权衡，并明确了组播传输在集群及异构部署中的必要性。

原作者： Alejandro de la Fuente, Adrián Espinosa, Jan García-Morales, Guillem Femenias, Felip Riera-Palou

发布于 2026-04-21

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Alejandro de la Fuente, Adrián Espinosa, Jan García-Morales, Guillem Femenias, Felip Riera-Palou

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

这篇文章主要探讨了一种名为**“无蜂窝大规模 MIMO"（Cell-Free Massive MIMO）的下一代通信技术，以及如何在其中更高效地“群发”**（多播）数据。

为了让你轻松理解，我们可以把整个通信网络想象成一个巨大的、没有围墙的“超级广播站”，里面有很多个**“信号发射塔”（接入点 AP），它们共同为一群“听众”**（用户 UE）提供服务。

以下是这篇论文的核心内容，用生活中的比喻来解释：

1. 核心问题：如何给一群人发同样的消息？

想象你要给一个大型活动里的所有人发同一个通知（比如“演出马上开始”）。你有三种发法：

单播（Unicast）： 你拿着大喇叭，走到每个人面前，单独对他喊一遍。如果人只有几个，这很清晰；但如果有一万人，你会累死，而且后面的人听不清（因为前面的人声音太大，干扰了后面）。
全网群发（Single Multicast）： 你只喊一声，希望所有人都能听见。但这有个大问题：如果有个听众耳朵不好（信号差），为了让他听见，你只能把音量调到最大，结果其他耳朵好的人会被震聋，或者整个系统的效率极低。
分组群发（Subgroup Multicast）： 这是论文提倡的方法。你把听众按**“位置”或“听力状况”**分成几个小组。离得近、听得清的归一组，离得远、听得难的归另一组。然后你针对每一组，用合适的音量喊话。

论文发现：

如果听众均匀分布在整个场地（像散沙一样），单播（单独喊）效果最好。
如果听众聚集成团（像几个密集的人群），分组群发效果最好。因为同一团里的人，信号状况差不多，一起喊话效率最高。

2. 技术难点：信号怎么“对准”？

在无蜂窝网络中，没有传统的“小区”边界，所有发射塔都要协同工作。为了让信号准确打中听众，发射塔需要一种“波束成形”技术（Beamforming），就像用手电筒的光束去照人，而不是把光漫无目的地散开。

论文研究了三种不同的“手电筒握法”（预编码方案）：

经典握法（CB）： 直接拿着手电筒照过去。
- 特点： 简单、省力，但在信号忽强忽弱时，光束容易抖动，照得不稳。
标准化握法（NCB）： 在照之前，先根据当前手电筒的亮度自动调节一下，保证光束强度稳定。
- 特点： 比经典握法更稳，适合大多数情况，是**“性价比之王”**。
增强版握法（ECB）： 不仅调节亮度，还根据距离平方来精细调节，试图让光束像激光一样稳。
- 特点： 理论上最稳，但只有在发射塔天线特别多（手电筒特别大）且环境比较理想时，才能看出比“标准化握法”好。如果天线不够多，反而可能因为太复杂而没优势。

3. 实验结果：不同场景，不同策略

作者通过计算机模拟了三种不同的听众分布场景：

场景一：听众均匀散开（Uniform）
- 比喻： 像撒在操场上的芝麻。
- 结论： 别搞群发了，直接单播（单独喊）效率最高。这时候，稍微高级一点的“标准化握法”（NCB）比“经典握法”好一点点。
场景二：听众聚成小团（Clustered）
- 比喻： 像操场上的几个小圈子在聊天。
- 结论： 分组群发是必须的！因为同一圈子里的人信号差不多。这时候，“经典握法”（CB） 反而表现最稳，因为它简单直接，不需要复杂的计算，就能很好地应对这种聚集情况。
场景三：混合场景（Heterogeneous）
- 比喻： 既有散落的听众，又有几个密集的人群（比如体育场看台 + 散客）。
- 结论： 这是最现实的情况。研究发现，没有一种“万能”的握法。
  - 如果人群很密集，分组少一点，用简单的“经典握法”。
  - 如果人群比较散，分组多一点，用“标准化握法”或“增强版”。
  - 关键点： 最重要的不是选哪种“手电筒”，而是怎么把听众分组。分组的策略（根据位置相似度）比具体的信号调节技术更能决定最终效果。

4. 总结与启示

这篇论文告诉我们，在构建未来的 6G 网络（特别是那种没有围墙、到处都有发射塔的网络）时：

不要一刀切： 不能对所有用户都用同一种发送方式。要看用户是“散沙”还是“聚团”。
分组是关键： 把信号状况相似的用户分在一组，是提升效率的核心。
简单往往很强大： 在用户聚集的场景下，不需要最复杂的算法，简单可靠的“经典握法”往往就能胜任，而且更省电、更省算力。
灵活应变： 最好的策略是根据现场情况，动态决定是“单独喊”还是“分组喊”，以及用哪种“手电筒握法”。

一句话总结：
这就好比在嘈杂的房间里喊话，如果人站得散，就一个个喊；如果人聚成堆，就按堆喊；至于怎么喊（大声喊还是调节音量喊），要看你手里的喇叭够不够大，以及那群人离得有多近。这篇论文就是教你在不同情况下，如何最省力、最清晰地传达信息。

这是一份关于论文《Conjugate Beamforming Variants for Multicasting in Cell-Free Massive MIMO Systems》（无蜂窝大规模 MIMO 系统中多播的共轭波束成形变体）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）是 6G 及后 5G 系统的关键技术，通过大量分布式接入点（AP）协同工作，消除小区边界并提供均匀的高频谱效率。与此同时，物理层多播（Multicasting）对于多媒体传输、公共安全等场景至关重要。

核心问题：
在 CF-mMIMO 系统中，传统的多播传输方式面临效率瓶颈：

单一多播流： 受限于网络中信道条件最差的用户（“木桶效应”），导致整体效率低下。
单播（Unicast）： 当用户数量巨大时，会导致严重的导频污染（Pilot Contamination）和资源过度消耗。
扩展性挑战： 现有的集中式方案在大规模网络中扩展性差。需要一种低复杂度、分布式的波束成形方案，且需适应不同的用户空间分布（均匀分布、簇状分布或混合分布）。

研究目标：
评估在基于子群（Subgroup-centric）的多播框架下，三种分布式共轭波束成形（CB）变体（经典 CB、归一化 CB、增强型 CB）在不同用户空间几何分布下的性能，以寻找最佳的传输模式和预编码策略。

2. 方法论 (Methodology)

系统模型：

网络架构： 由 $L$ 个分布式 AP（每个配备 $N$ 根天线）和一个中央处理单元（CPU）组成，通过理想前传链路连接。
信道模型： 假设空间相关的瑞利块衰落信道，利用大尺度衰落统计特性进行用户分群。
子群多播框架：
- 将 $K$ 个用户根据大尺度衰落向量的相似性（即空间位置与 AP 的相对关系）划分为 $G$ 个互斥的多播子群。
- 同一子群内的用户共享上行导频和下行预编码，利用 K-means 聚类算法实现。
- 采用动态合作聚类（DCC）策略，每个 AP 根据观测到的平均信道增益选择服务的子群。

预编码方案（三种变体）：
所有方案均为完全分布式，AP 仅利用本地估计的复合信道 $\hat{h}_l^g$ 进行预编码，无需全网 CSI 交换：

经典共轭波束成形 (CB)： 直接使用 MMSE 估计值作为波束成形方向。计算复杂度最低，但信道硬化（Channel Hardening）效果有限。
归一化共轭波束成形 (NCB)： 将波束方向除以其瞬时范数（ $\|\hat{h}\|$ ）。强制满足 AP 的瞬时功率约束，显著降低有效信道增益的波动，增强信道硬化。
增强型共轭波束成形 (ECB)： 将波束方向除以其瞬时范数的平方（ $\|\hat{h}\|^2$ ）。提供最强的信道硬化效果，但计算量稍大（需离线计算归一化因子）。

性能评估指标：

聚合频谱效率 (ASE)： 所有子群频谱效率的总和。
仿真设置： 蒙特卡洛仿真，涵盖三种典型用户几何分布：
1. 均匀分布： 用户均匀散布。
2. 空间簇状分布： 用户聚集在特定区域（中等簇状和高度集中簇状）。
3. 混合分布： 结合均匀分布用户和热点区域（簇状）的异构场景。

3. 主要贡献 (Key Contributions)

统一仿真框架： 开发了一个结合复合信道估计、分布式预编码和自适应 AP 合作聚类的子群中心化 CF-mMIMO 仿真框架。
全面性能评估： 首次深入比较了 CB、NCB 和 ECB 三种预编码方案在均匀、簇状和混合异构用户分布下的性能表现。
归一化策略分析： 量化了瞬时归一化（NCB）和平方范数归一化（ECB）相对于经典 CB 的性能增益与权衡，明确了各方案适用的信道硬化条件。
空间几何依赖性分析： 揭示了用户空间分布对最优多播模式（单播、单多播、子群多播）的决定性作用，并提出了针对低复杂度分布式多播的实用指导原则。

4. 关键结果 (Key Results)

仿真结果揭示了用户空间几何分布对系统性能具有决定性影响：

均匀分布场景：
- 最佳模式： 单播（Unicast） 表现最佳，能充分利用空间复用增益。
- 预编码选择： NCB 通过降低增益波动，系统性地优于经典 CB；ECB 仅在 AP 天线数较多（如 $N=16$ ）时提供额外增益，在小规模天线阵列下优势不明显。
空间簇状分布场景（中等及高度集中）：
- 最佳模式： 基于子群的多播（Subgroup Multicasting） 成为首选。单播因严重的导频污染和簇内干扰而性能急剧下降甚至崩溃。
- 预编码选择： 在簇状几何下，经典 CB 表现出最稳健的性能，略优于或等同于 NCB 和 ECB。这是因为簇内用户信道条件高度相似，瞬时归一化带来的硬化收益被削弱，且 ECB 所需的强信道硬化条件未完全满足。
混合/异构场景：
- 子群数量优化： 存在一个最优的子群数量 $G$ ，使得 ASE 最大化。该最优值取决于簇状程度：簇状越严重，最优 $G$ 越小；均匀用户比例越高，最优 $G$ 越大。
- 预编码选择： 没有一种预编码方案在所有场景下都是最优的。NCB 和 ECB 并不总是优于 CB。ECB 仅在 AP 天线数多且用户分布较分散时才有明显优势。
- 结论： 子群多播是一种鲁棒的策略，能有效桥接簇状和均匀分布。最优子群划分主要由空间几何决定，而预编码方案主要影响绝对 ASE 水平。

5. 意义与启示 (Significance)

理论价值： 填补了 CF-mMIMO 多播系统中分布式预编码变体在不同空间几何下性能对比的空白，特别是揭示了“空间几何”是决定多播模式选择的首要因素。
工程指导：
- 在均匀分布的广域覆盖中，应优先考虑单播传输，并可采用 NCB 或 ECB 提升性能。
- 在高密度热点或簇状分布（如体育场、大型集会）中，必须采用基于子群的多播传输，且经典 CB 因其低复杂度和高鲁棒性，往往是最佳选择，无需过度追求复杂的归一化方案。
- 系统设计应动态调整子群数量和预编码策略，以适应实时的用户空间分布特征。
未来展望： 论文建议未来可研究 AP 天线数异构的 CF-mMIMO 系统，开发基于本地参数（如子群用户数、AP 天线数）自适应选择 CB/NCB/ECB 的分布式算法，以进一步提升扩展性和性能。

总结： 该论文证明了在 CF-mMIMO 多播系统中，不存在“万能”的预编码方案。实际部署中，必须根据用户的大尺度空间分布特性，在传输模式（单播/多播）、子群划分粒度以及预编码复杂度之间进行权衡，以实现频谱效率的最大化。