Polar码基础概念及入门——Sionna平台的使用（1）

诺尔实验室研发的Sionna平台不管是对长码还是短码都有非常有帮助。

作为方向是Polar码的学习者，可以直接利用Sionna平台上的提供的开源代码直接搭建自己的encoder或者decoder。

下面是sionna平台的 网址：Polar Codes — Sionna 0.19.0 documentation

Sionna平台界面

鉴于翻遍了全网也没找到sionna平台的指导手册，在此按照在自己的经验制作了一个手册。

此博客只针对我自己的方向（Polar码）编写了手册，如果要参考LDPC或者Turbo码，建议登录Sionna平台进行查看。

Let's Begin！ 

点击这个链接可以跳转sionna的产品介绍。此示例笔记本将指导大家了解基本原理并说明Sionna。

只需几个命令，我们就可以模拟许多 5G 兼容组件的 PHY 层链路级性能，包括轻松可视化结果。

加载所需的包 

必须安装Sionna python 软件包。

如果有多个 GPU 可用，我们将这款笔记本电脑限制为单 GPU 使用。如果只有一个 GPU 可用，则可以忽略此命令。

此外，我们希望避免该笔记本在初始化并设置memory_growth为活动状态时实例化整个 GPU 内存。

备注：Sionna 不需要 GPU。一切都可以在您的 CPU 上运行 - 但您可能需要等待更长的时间。

Sionna 数据流和设计范式 

Sionna 本质上(inherently)通过批处理(batchig)来并行化模拟(parrallelization)，即批处理维度(batch dimention)中的每个元素(element)都是独立模拟的(is simulated independently)。

这意味着第一个张量维度(tensor dimention)始终用于帧间(inter-frame)并行化(parrallelization)，类似于Matlab/NumPy 模拟中的外部for 循环。

为了保持数据流高效，Sionna 遵循一些简单的设计原则：

1. 信号处理组件作为单独的Keras 层实现(信号处理组件 ：siganl-processing complement)。
2. tf.float32分别用作首选数据类型(prefrred datatype)和tf.complex64复值数据类型。这允许更简单地重用组件（例如，相同的加扰层（scrambling layer）可以用于二进制输入(binary input)和LLR值）。
3. 模型可以在渴望模式（eagar made）下开发，允许简单（快速）地修改(modifacation)系统参数。
4. 数字运算模拟(number crunching simulations )可以在更快的图形模式下执行，甚至大多数组件都可以使用XLA加速。
5. 只要有可能，组件(components)就会通过自动分级(autogard)来自动微分（differentiable），以简化深度学习设计流程。
6. 代码被构造成用于不同任务的子包(sub-packages)，例如通道编码(channel coding)、映射(mapping)……（有关详细信息(detail)，请参阅API 文档）。

划分(division)为各个块简化了部署(deployment)，所有层和功能都带有单元测试(unittest)以确保其正确行为。

这些范例简化了我们组件的可重用性和可靠性，适用于各种通信相关应用。

让我们开始吧 - 第一层（渴望模式）  (Eager Mode) 

每层在使用之前都需要初始化（initialize）一次。

提示：使用API 文档来查找所有现有组件的概述(overview)。

我们现在想要通过 AWGN 信道传输一些符号。首先，我们需要初始化相应的层(corresponding layer)。

channel = sionna.channel.AWGN() # init AWGN channel layer

解释一下通过 AWGN 信道传输的符号包含什么：

将复杂的 AWGN 添加到具有一定方差的输入中。

该类继承自 Keras Layer类，可以用作 Keras 模型中的层。

该层no向输入添加具有方差的复杂 AWGN 噪声。噪声no/2在每个实际维度上都有方差。它可以是标量或张量，可以广播到输入的形状。

• Example

Setting-up:

 awgn_channel = AWGN()

Running:

>>> # x is the channel input>>> # no is the noise variance>>>

y = awgn_channel((x, no))

在第一个示例中，我们希望将高斯噪声添加到的某些给定值中x。

请记住 - 第一个维度是批处理维度(batch dimention)。

我们模拟 2 个消息帧（message frames），每个消息帧包含 4 个符号（symbols）。

备注：AWGN 信道被定义为复值（complex-valued）。

# define a (complex-valued) tensor to be transmitted
x = tf.constant([[0., 1.5, 1., 0.],[-1., 0., -2, 3 ]], dtype=tf.complex64)
# let's have look at the shapeprint("Shape of x: ", x.shape)print("Values of x: ", x)
Shape of x:  (2, 4)
Values of x:  tf.Tensor(
[[ 0. +0.j  1.5+0.j  1. +0.j  0. +0.j]
 [-1. +0.j  0. +0.j -2. +0.j  3. +0.j]], shape=(2, 4), dtype=complex64)

我们希望以 5 dB 的 SNR 模拟信道。为此，我们可以简单地调用之前定义的层channel。

如果您从未使用过Keras，您可以将层视为一个函数：它有一个输入并返回处理后的输出。

备注：每次执行此单元时都会绘制新的噪声实现。

ebno_db = 5
# calculate noise variance from given EbNono = sionna.utils.ebnodb2no(ebno_db = ebno_db,
                            num_bits_per_symbol=2, # QPSK
                            coderate=1)y = channel([x, no])
print("Noisy symbols are: ", y)

输出： 

Noisy symbols are:  tf.Tensor(
[[ 0.17642795-0.21076633j  1.540727  +0.2577709j   0.676615  -0.14763176j
  -0.14807788-0.01961605j]
 [-0.9018068 -0.04732923j -0.55583185+0.41312575j -1.8852113 -0.23232108j
   3.3803759 +0.2269492j ]], shape=(2, 4), dtype=complex64)

 批次和多维张量

Sionna 本身支持多维张量。

大多数层在最后一个维度上运行，并且可以具有任意输入形状（在输出时保留）。

假设我们想要向长度为 500 的 64 个码字(codewords)添加 CRC-24 校验(check)（例如，每个子载波(sub-carrier)不同的 CRC）。此外，我们希望对一批 100 个样本(a batch of 100 samples)进行并行模拟。

batch_size = 100 # outer level of parallelism
num_codewords = 64 # codewords per batch sample
info_bit_length = 500 # info bits PER codeword
source = sionna.utils.BinarySource() # yields random bits
u = source([batch_size, num_codewords, info_bit_length]) # call the source layerprint("Shape of u: ", u.shape)
# initialize an CRC encoder with the standard compliant "CRC24A" polynomial
encoder_crc = sionna.fec.crc.CRCEncoder("CRC24A")
decoder_crc = sionna.fec.crc.CRCDecoder(encoder_crc) # connect to encoder
# add the CRC to the information bits u
c = encoder_crc(u) # returns a list [c, crc_valid]
print("Shape of c: ", c.shape)
print("Processed bits: ", np.size(c.numpy()))
# we can also verify the results# returns list of [info bits without CRC bits, indicator if CRC holds]
u_hat, crc_valid = decoder_crc(c)
print("Shape of u_hat: ", u_hat.shape)
print("Shape of crc_valid: ", crc_valid.shape)
print("Valid CRC check of first codeword: ", crc_valid.numpy()[0,0,0])

输出：

u 的形状：(100, 64, 500) 
c 的形状：(100, 64, 524)
已处理的位：3353600 
u_hat 的形状：(100, 64, 500) 
crc_valid 的形状：(100, 64, 1)
有效 CRC检查第一个码字：True

我们想要再进行一次模拟，但针对 5 个独立用户。

我们可以简单地添加另一个维度，而不是定义 5 个不同的张量。

num_users = 5
u = source([batch_size, num_users, num_codewords, info_bit_length])
print("New shape of u: ", u.shape)
# We can re-use the same encoder as beforec = encoder_crc(u)print("New shape of c: ", c.shape)print("Processed bits: ", np.size(c.numpy()))

输出：

u 的新形状：(100, 5, 64, 500) 
c 的新形状：(100, 5, 64, 524)
已处理的位数：16768000

通常，良好的结果可视化有助于获得新的研究想法。因此，Sionna 具有内置绘图功能。

让我们看一下 16-QAM 星座图（constellation）。

constellation = sionna.mapping.Constellation("qam", num_bits_per_symbol=4)constellation.show();

输出的星座图：

 

目前我们已经了解了sionna平台的定义和基本的入门概念，下一篇文章我们将进行仿真。