课题组在非地面网络（NTN）辅助的物联网（IoT）通信方面取得研究进展

2023年10月，课题组在IEEE Internet of Things Magazine上发表综述论文“Key Issues in Wireless Transmission for NTN-Assisted Internet of Things”，探讨了非地面网络（Non-Terrestrial Network，NTN）辅助的物联网（Internet of Things，IoT）通信中的关键技术。

图1 NTN辅助的IoT系统框图

3GPP R17版本已对NTN进行了标准化，使得5G无线网络能充分支持NTN。通常将NTN分为天基网络和空基网络，其中，天基网络由地球同步轨道（Geosynchronous Earth Orbit，GEO）、中轨（Medium Earth Orbit，MEO）、低轨（Low Earth Orbit，LEO）卫星等构成，而空基网络由飞机、飞艇、热气球、直升机、无人机等构成。基于NTN的IoT通信主要可分为间接NTN通信和直接NTN通信。间接NTN通信是指IoT设备通过地面上的IoT网关连接到NTN基站（Non-Terrestrial Base Station，NTBS），主要包括NTBS信号无法到达的室内，例如智能楼宇、自动泊车系统和智能组装等应用场景，此外，还包括一些IoT设备分布比较密集的室外场景，需要通过IoT网关来提高传输效率。直接NTN通信是指IoT设备直接连接到NTBS，对于分布得比较稀疏零散或者快速移动的IoT设备，建设固定于地面的IoT网关来服务它们显得不太经济，也不够高效，直接NTN通信例如智能物流或者为偏远地区送快递等应用场景。

图2 NTN辅助的IoT系统的关键技术

论文探讨了三项关键技术，包括巨连接（Massive Connection）、信道状态信息获取（CSI Acquisition）和资源分配（Resource Allocation），如图2所示。

首先讨论NTN辅助的IoT通信中的巨连接问题。与基于地面网络的IoT通信相比，基于NTN的IoT通信场景中，NTBS和IoT设备之间通常有很大的距离，会造成更大的传输时延，因此免授权（Grant-free）的通信技术比基于授权（Grant-based）的通信技术更适用。IoT通信一般包括建立连接阶段和数据传输阶段，其中建立连接阶段通常采用随机接入（Random Access，RA），而数据传输阶段一般采用多址接入（Multiple Access，MA）。RA又可以细分为有源RA（Sourced RA，SRA）和无源RA（Unsourced RA，URA）两类。对于SRA，NTBS会获得活跃IoT设备的ID及其数据；而对于URA，NTBS只会获得活跃IoT设备的数据而不需要知道其ID。SRA又可以细分为Grant-based RA和Grant-free RA。Grant-based RA需要前导码（Preamble）发送、RA响应、连接请求和竞争解决这四个步骤来建立连接，Grant-free RA为了减少信令开销，其活跃IoT设备可直接向NTBS发送前导码，因此只需要两个连接步骤。根据传输的数据块结构，URA可以进一步分为基于缝合的URA和基于签名的URA。基于缝合的URA将传输的数据块分为若干子块，随后NTBS联合检测子块以恢复原始前导码；基于签名的URA将传输数据块分为签名序列和信息序列，其签名序列用以操控信息序列，然后进行多用户检测。在数据传输阶段，为支持IoT标准中高连接密度和低资源消耗的要求，非正交多址接入（Non-orthogonal Multiple Access，NOMA）是一种有效的解决方案，其可以细分为功率域NOMA和码域NOMA。功率域NOMA利用IoT设备间信道增益的差异，为待传输的数据流分配不同的功率，接收端通过串行干扰消除（Successive Interference Cancellation，SIC）以恢复原始数据流；码域NOMA将数据流复用到不同扩频序列对应的IoT设备上，这些扩频序列通常具有稀疏性、低密度性和低互相关性。除此之外，Grant-free NOMA将链路建立和数据传输两个阶段合二为一，允许IoT设备将数据和前导码一起发送到NTBS，且不需要等待NTBS的响应，因此Grant-free NOMA有效减小了功率消耗及信令开销。

然后基于NTN信道的特点，将NTN辅助的IoT通信系统中的信道状态信息获取问题分为信道估计（Channel Estimation）与波束训练（Beam Training）两类讨论。对于信道估计，一方面，针对NTBS与IoT设备的高传播延迟所导致的过时CSI，通过分析NTN信道模型的时间和空间相关性，建立过时CSI与瞬时CSI的关系，并基于此关系设计线性预测器，以提高CSI获取的准确性；另一方面，快速移动的NTBS将导致多普勒频移，为了减小多普勒频移造成的不良影响，正交频时空（Orthogonal Time Frequency Space，OTFS）调制技术被采用，可在压缩感知（Compressed sensing）框架下利用时延-多普勒（Delay-Doppler，DD）域的稀疏性进行信道估计和导频优化，同时，NOMA技术与OTFS技术的结合使得活跃用户检测（Active Device Detection，ADD）与信道估计可以联合执行，进一步减少了导频开销。对于波束训练，面对NTN信道高延迟与快时变的挑战，地面网络中所使用的静态码本性能将下降，因此可以考虑动态码本（Dynamic Codebook），根据时变参数批量调整码字，减少了IoT通信的计算负担并提升了波束训练性能。为了快速执行波束训练，可进一步使用动态分层码本（Hierarchical Codebook）。同时为了获得更高精度的波束，NTBS或者IoT设备的先验知识，例如移动轨迹，可被用于实时波束成形，通过引入机器学习（Machine Learning，ML）和深度神经网络（Deep Neural Network，DNN）等技术，有助于进一步降低训练开销。

图3 从空时频及功率分配四个维度研究资源分配

最后探讨了NTN辅助的IoT通信中的资源分配问题，分别从功率域、频域、时域和空域四个维度展开讨论，如图3所示。对于功率域，考虑到NTBS与IoT设备之间的距离较长，需要较大的功率来满足长距离传输的要求，而另一方面，功耗过大会导致IoT设备或NTBS需要频繁充电，因此，需要优化功率分配，从而在保证服务质量的前提下最小化系统总功率。对于功率域NOMA，根据信道增益来优化功率分配可保证串行干扰消除的有效性，从而提高NOMA的性能。对于频域，由于IoT设备数量庞大而频谱资源有限，采用频谱共享能有效缓解频谱紧缺。为了实现频谱共享，考虑认知无线电（Cognitive Radio，CR）技术，它可以检测可用的频谱，在不影响主要用户的情况下提高空闲频谱的利用率。对于时域，由于大部分IoT设备仅在一定时间内处于活跃状态，大部分时间内不需要数据传输，使得跳波束（Beam Hopping，BH）技术成为一种提高资源利用率的有效手段。通过利用BH技术，同一时隙仅有少量的波束被点亮从而降低所需的硬件资源，可根据需求量动态分配时隙资源从而提高资源利用率，避免了在同一时隙点亮相邻的波束减少了波束之间的共信道干扰（Co Channel Interference，CCI）。对于空域，可通过设计波束成形包括波束指向、波束宽度、波束形状来提高频谱效率和能量效率。通过提高波束指向的精确性从而提高波束对准增益，来补偿NTBS长距离传输带来的信号衰减；通过设计波束宽度，一方面考虑扩大波束宽度来覆盖更多的IoT设备，另一方面考虑缩小波束宽度来保证IoT设备的波束增益及服务质量，并进行合理的折中优化；通过设计波束形状，例如包含波束零点的多主瓣波束，减少不同IoT设备之间的空域干扰。除了设计模拟波束成形之外，还可以设计数字波束成形来提高频谱效率和能量效率。

论文最后对未来可能的研究方向进行展望，主要包括架构、软件复杂度、硬件复杂度和安全四个方面。在架构方面，可以考虑异构网络和多个NTBS之间的协作等。在降低软件复杂度方面，可以考虑采用AI。在降低硬件复杂度方面，可以考虑采用可重构智能表面（Reconfigurable Intelligent Surface，RIS）。在安全性方面，可以考虑安全速率、安全容量及安全中断概率等方面。