大规模接入协议

前言

在B5G通信系统中，每平方千米的通信用户数规模可能达到$10^7$数量级，因此大规模接入或者超大规模接入在未来通信系统中变得越来越重要。虽然用户规模极其巨大，但幸运地是同一时间节点下，随机的活跃用户群规模却远远小于总用户数。因此，为了协调用户与基站(Base Station, BS)间的通信，就需要定义一种大规模接入协议。经典的随机接入协议有两种：基于授权的(Grant-based)接入协议和不需要授权的(Grant-free)接入协议。除此之外，还有一种新的随机接入范式：无源大规模随机接入(unsourced massive random access)。下面将做具体介绍。

基于授权的随机接入协议(Grant-based Random Access)

现行的5G窄带Iot(Internet of things)所采用的就是基于授权的接入协议。对于该协议，每一个活跃用户都需要获得BS的许可或者授权来接入网络，具体过程如下图所示：

具体过程描述如下：
（1）步骤1：每个活跃用户从一组正交序列里随机地选择一个序列(preamble or say signature)，将该序列发送给基站。
（2）步骤2：基站对每个活跃用户做出回应，授权它们发送连接请求。
（3）步骤3：活跃用户发送连接请求，请求基站分配资源来传输数据。
（4）步骤4：如果步骤1发送的序列(preamble)是唯一的，那么基站就会对相应的请求授权，并且发送一条contention-resolution消息来告知该活跃用户可用的资源。否则，如果不唯一，就不会被授权。

基于授权的随机接入协议的优缺点：
优点：接收机基站端处理方便，复杂度相对较低。
缺点：
（1）因为相干时间较短，正交的序列是有限的，不能满足大规模用户的随机接入，具体来讲，就是当用户数很多时，两个用户变得更有可能选择同一个序列，导致碰撞概率增加，这将导致接入的延时显著增高。
（2）基于授权的协议需要4步传输，这会导致很大的信令开销(high signaling overhead)。因为信道容量有限，该信令开销在大规模接入场景下会变得更加让人难以忍受。

不需要授权的随机接入协议(Grant-free Random Access)

该协议只需要两步，第一步是活跃用户发送代表用户ID（唯一的）的导频序列到基站，第二步是发送数据。不需要授权的随机接入协议中，有一个重要的点是，基站端根据用户发送的导频序列来识别哪些用户是活跃的。但因为用户规模很大，序列之间不再满足正交性，因此会额外地引入多址干扰(multi-access interference, or say co-channel interference)，接收机处理的复杂度也会因此而增加。一般地，接收机的相关处理普遍利用压缩感知来恢复稀疏信号，也有部分学者使用基于方差的方法。

压缩感知问题模型

在该随机接入场景中，压缩感知算法所利用的稀疏性来自于活跃用户规模远小于总用户规模。我们将该压缩感知问题描述为（半盲，已知$A\text{A}A$）

$$\begin{gathered} \underset{X}{\min }{\Vert X\text{X}X\Vert }_0 \\ \text{subject to }{\Vert Y\text{Y}Y-AX\text{AX}AX\Vert }_F\le \delta \text{\hspace{1em}(1)} \end{gathered}$$

其中，$Y\text{Y}Y\in {\mathbb{C}}^{L\times M}$就是接收到的时空信号，$L$表示导频序列的长度，$M$表示天线数，$A\text{A}A=[{a\text{a}a}_1,\dots ,{a\text{a}a}_K]$是感知矩阵，而${a\text{a}a}_k$指的是第$k$个用户的导频序列，$X\text{X}X=[{\alpha }_1{h\text{h}h}_1,\dots ,{\alpha }_K{h\text{h}h}_K{]}^T$是信道状态矩阵， α i ∈ { 0 , 1 } \alpha_i \in \{ 0,1\} αi​∈{0,1}指用户是否活跃(1为活跃)，${h\text{h}h}_i$表示第$i$个用户的信道响应。所以可以看出，矩阵$X\text{X}X$有一个重要的性质就是它是行稀疏的，而且问题(1)描述的是一个半盲问题，因为导频矩阵$A\text{A}A$被看作是已知的。

备注：一般地，我们考虑多个测量向量的问题(Multiple-measurement vector, MMV)，从矩阵$Y\text{Y}Y$的角度来讲，就是BS的天线数$M>1$，如果是单个观测向量(Single-measurement vector, SMV)，即$y\text{y}y\in {\mathbb{C}}^{L\times 1}$，可以认为是BS只有一根天线，或者BS并行地处理多个SMV。

感知矩阵的设计（导频的设计）

实际上，感知矩阵的设计就是考虑不同的导频序列，不同的导频序列总结如下：

压缩感知算法

1.基于优化的方法
1.1 线性规划（Linear Programming）
问题模型为SMV，优化问题为

$$\begin{gathered} \underset{x\text{x}x}{\min }{1\text{1}1}^{T}x\text{x}x \\ \text{subject to }y\text{y}y=Ax\text{Ax}Ax\text{\hspace{1em}(2)} \end{gathered}$$

当$x\text{x}x$足够稀疏以及没有噪声时，可以被证明，该线性规划方法与(1)所描述的解是等价的。

1.2 基于$l_1$范数
该问题模型同样是SMV，优化问题为

$$\begin{gathered} \underset{x\text{x}x}{\min }{\Vert x\Vert }_1 \\ \text{subject to }{\Vert y\text{y}y-A\text{A}Ax\text{x}x\Vert }_2\le \delta \end{gathered}$$

当$x\text{x}x$足够稀疏时，可以被证明，即使测量向量含噪声，该方法也能够准确地恢复出$x\text{x}x$。

1.3 基于低秩的方法(low rank)
考虑到基站端天线之间的相关性，矩阵$X\text{X}X$可能是低秩的，为此可以考虑如下优化问题：

$$\begin{gathered} \arg \underset{X\text{X}X}{\min }\text{Card}(supp(X\text{X}X)) \\ \text{subject to }{\Vert Y\text{Y}Y-AX\text{AX}AX\Vert }_2\le \delta , \\ \text{rank}(X\text{X}X)\le r \end{gathered}$$

1.4 基于核范数的方法(nuclear norm)
同样考虑天线之间的相关性，因为一般来讲，我们都只是大概了解，而不是具体地知道说rank为多大，所以进一步引入一下三种优化问题（基于$l_2/l_1$混合范数，和核范数）

矩阵$X\text{X}X$的$l_2/l_1$范数是指对$X\text{X}X$的每一行的2范数求和。

① 将核范数设为正则参数

$$\begin{gathered} \arg \underset{X\text{X}X}{\min }{\Vert X\text{X}X\Vert }_{2,1} \\ \text{subject to }{\Vert Y\text{Y}Y-AX\text{AX}AX\Vert }_2\le \delta \\ {\Vert X\text{X}X\Vert }_{\ast }\le \tau \end{gathered}$$

② 将$l_2/l_1$混合范数设为正则参数

$$\begin{gathered} \arg \underset{X\text{X}X}{\min }{\Vert X\text{X}X\Vert }_{\ast } \\ \text{subject to }{\Vert Y\text{Y}Y-AX\text{AX}AX\Vert }_2\le \delta \\ {\Vert X\text{X}X\Vert }_{2,1}\le \tau \end{gathered}$$

③ 两者结合

$$\begin{gathered} \arg \underset{X\text{X}X}{\min }{\Vert X\text{X}X\Vert }_{2,1}+\lambda {\Vert X\text{X}X\Vert }_{\ast } \\ \text{subject to }{\Vert Y\text{Y}Y-AX\text{AX}AX\Vert }_2\le \delta \end{gathered}$$

1.5 基于$l_p$范数的方法($0<l_p<1$)

$$\underset{x\text{x}x\in {\mathbb{R}}^N}{\min }\frac{1}{2}{\Vert y\text{y}y-Ax\text{Ax}Ax\Vert }_2+\lambda {\Vert x\text{x}x\Vert }_p^p$$

$l_p$范数虽然可以得到更好的检测性能，但是因为其非凸性，计算复杂度很高。

2.基于贪婪算法
在这里，贪婪算法是一种迭代方法，在每一步迭代中选取局部最优点，最终得到一个局部最优解。在大规模接入场景中常用的贪婪算法是以下两种。
2.1 Group orthogonal matching pursuit (GOMP)
2.2 Hierarchical Hard Thresholding (HiHTP)

3.基于Bayesian的方法
3.1 MMV-AMP算法：适用于窄带场景

3.2 GMMV-AMP算法: 考虑了宽带场景，利用了OFDM中角域的稀疏性，多个频带的处理是并行的，即多个AMP算法并行，场景如下，左图中的一个载波场景利用的就是3.1中的MMV-AMP算法。左图只考虑了用户的稀疏性，右图不仅考虑用户的稀疏性，还考虑了OFDM中角域的稀疏性。

3.3 OAMP-MMV
OAMP-MMV较AMP-MMV的性能略有改善，并且OAMP考虑了时空上的相关性。

无源的随机接入协议(Unsourced Random Access)

在无源接入协议中，所有用户共享一个码本，当用户活跃时，随机地选择码本中的一个序列发送。已经被验证，大规模无源接入可以显著地减少达到可靠通信所要求的$E_b/N_0$。

参考文献

[1] X. Chen, D. W. K. Ng, W. Yu, E. G. Larsson, N. Al-Dhahir and R. Schober, “Massive Access for 5G and Beyond,” in IEEE Journal on Selected Areas in Communications, vol. 39, no. 3, pp. 615-637, March 2021, doi: 10.1109/JSAC.2020.3019724.
[2] M. Ke, Z. Gao, Y. Wu, X. Gao and R. Schober, “Compressive Sensing-Based Adaptive Active User Detection and Channel Estimation: Massive Access Meets Massive MIMO,” in IEEE Transactions on Signal Processing, vol. 68, pp. 764-779, 2020, doi: 10.1109/TSP.2020.2967175.
[3] Y. Cheng, L. Liu and L. Ping, “Orthogonal AMP for Massive Access in Channels With Spatial and Temporal Correlations,” in IEEE Journal on Selected Areas in Communications, vol. 39, no. 3, pp. 726-740, March 2021, doi: 10.1109/JSAC.2020.3018799.