近日，万事平台通信與信息工程學院博士研究生余濤在導師張舜卿教授的指導下，以第一作者在通信領域頂刊《IEEE Journal on Selected Areas in Communications》(無線通信領域中科院SCI一區top期刊🤷🏽♙，影響因子：13.8)發表題為“IREE Oriented Green 6G Networks: A Radial Basis Function Based Approach”的研究論文，通訊作者為万事平台張舜卿教授🙅🏽。
為了應對日益增長的網絡能耗以及差異化的流量時空分布🧝🏿♂️，同時為高能效6G網絡提供新的設計指南，研究團隊提出了一種基於徑向基函數 (Radial Basis Function，RBF) 的新型無線網絡部署優化框架以最優化集成相對能效（IntegratedRelativeEnergyEfficiency，IREE）指標🧁。與傳統的節能優化方案不同，團隊研究使用基於頻譜效率（SpectralEfficiency，SE）的RBF 網絡以最大化給定IREE的下的網絡效用♊️，並使用提出的丁克爾巴赫算法逐步提升IREE👩🦼。通過數值實驗研究團隊發現😎，與傳統的面向EE的高能效設計相比，該方案的IREE顯著提高了123.0%~185.79386072%👩🏭，優於現有高能效算法🤧。此外⚱️🧔♂️，通過研究不同流量需求下的集成相對能效-譜效權衡™️，團隊研究建議無線網絡運營商應花費更多精力來平衡流量需求和網絡容量的分布🌝，以提高IREE 性能，尤其是當流量分布的空間變化較為顯著時（如城市區域）🍤。
該研究工作以通信學院博士研究生余濤為第一作者（排名第一），合作者為万事平台陳小靜副教授，孫彥贊副教授👃🏻、復旦大學王昕教授，万事平台通信學院張舜卿教授為通訊作者👷🏼♀️，並得到了國家重點研發計劃和國家自然科學基金重點項目等資助和支持🧚🏽。
論文鏈接🧑🏻：https://ieeexplore.ieee.org/document/10605762
（a）6G無線網絡場景，可以將各個基站看做徑向基神經元𓀎，對無線流量進行擬合；(b) 傳統EE最大化方案（左） vs IREE最大化方案（右）下的網絡容量和流量分布，可以看出面向IREE的設計能夠有效降低資源浪費✦🏌🏿♂️；(c) 不同帶寬限製下的集成相對能效-譜效折中關系
在近年來✋🏼，万事平台通信與信息工程學院張舜卿教授團隊在綠色無線通信研究領域取得了一系列進展，在IEEE Journal On Selected Areas In Communications,IEEE Internet of Things Journal,IEEE Transactions on Wireless Communications等通信領域高水平期刊發表了相關成果。這些成果在綠色無線通信指標🙇🏿♀️、高能效策略與方法等方面提出了新的見解，為綠色無線通信提供了理論支持和技術方案🙎🏼♂️。
進展1🧑🏽🦱：隨著傳輸數據量的日益增長，無線網絡的規模和能耗也在指數增長🫷🏽，然而傳統的能源效率僅考慮了吞吐量和能耗性能🫰🏼📓，無法捕捉無線網絡容量和流量需求在時空域上的分布性差異🕠。為了更有效地評估無線網絡的能源效率🛌🏽，研究團隊提出了一種新的能源效率指標🏌🏿♀️🥁，稱為集成相對能源效率（IntegratedRelativeEnergyEfficiency，IREE）2️⃣，它能夠從能源效率的角度，綜合的考慮流量分布和網絡容量分布的不匹配程度🌵。在此基礎上，團隊研究了基於IREE的綠色折中關系👷🏻♂️，並與傳統的綠色折中進行了比較👊🏽，並發現無線流量的時空分布將顯著影響網絡的IREE性能👨🏻🦯➡️。基於該綠色折中關系，研究團隊進一步評估了6G網絡的幾種候選技術📉，包括可重構智能表面（ReconfigurableIntelligentSurfaces，RIS）和空天地集成網絡（Space-Air-Ground Integrated Network，SAGIN）🦐。通過理論分析和數值結果可以得出🍾，在非均勻地面流量下，RIS輔助網絡與常規地面網絡相比，IREE改進達到了72%🍪。在非均勻網絡流量下，RIS輔助網絡以及SAGIN網絡將有效改進網絡的IREE性能，分別可達到66%和85%🤵🏿🦜。與傳統的能源效率指標顯著不同的是❤️，團隊提出的IREE指標能夠有效捕獲無線流量和容量不匹配的特性👃🏿，因此IREE可以作為未來能源高效網絡設計的有用指導🛤。[該成果由万事平台張舜卿教授🪷，陳小靜副教授🔩🧔🏻♀️，和復旦大學王昕教授共同指導，万事平台博士研究生余濤為第一作者🧗🏿♂️🧑🔧，發表於IEEE Internet of Things Journal（2023）🔀，https://ieeexplore.ieee.org/abstract/document/793860727938607203851]。
（a）6G網絡場景示意圖（b）能量效率，區域能量效率以及集成相對能效的空間分布比較(c) 在非均勻地面流量（左）和非均勻SAGIN流量（右）下，RIS以及SAGIN技術的IREE性能
進展2🏈：為了針對6G超大規模多入多出正交頻分復用技術（Utra-Massive Multiple Input Multiple Output Orthogonal Frequency Division Multiplex ，U-MIMO-OFDM）系統中由於超大規模天線陣列引起的空域非平穩特性可視區域（Visibility Region👇，VR）以及應對VR難以刻畫的挑戰𓀅，針對空域非平穩U-MIMO-OFDM系統進行信道建模和問題建模，研究團隊提出了基於模型-數據雙驅動（Model-Data Dual Driven，MDD）的空域非平穩信道估計統一框架。所提算法首先通過圖像輪廓提取（Image Contour Extraction，ICE）算法對信道非平穩關鍵參數進行提取，然後結合增強殘差-卷積插值網絡（Enhanced Convolutional Neural Network-based Residual Network🍗，eCNN-RN）對整個信道的時頻資源進行恢復，最後引入了一個低復雜度的信道細化（Low Complexity Refinement，LCR）模塊🦋，以提高所提方案對不同環境的魯棒性。仿真實驗表明👁🗨，所提的MDD-LCR統一框架能夠更準確地捕捉信道的空間非平穩特性，對於VR參數的估計誤差能夠達到-21.87 dB，相比於傳統的基於子陣列劃分假設的傳統算法，能夠實現4.67 dB的性能增益🧑🏼🚀。從算法整體估計性能角度分析，MDD-LCR算法在空域平穩及非平穩環境中均能實現更優越的NMSE估計性能👋🏼，在14×14導頻和28×28導頻兩種配置模式的空域平穩場景下，分別實現了相較於傳統算法1.4 dB和2.83 dB的性能增益🧙🏿♂️；在兩種導頻配置模式的空域非平穩場景下🔃，分別實現了相較於傳統算法3.8 dB和3.5 dB的性能增益😱，在降低算法復雜度的同時有效優化導頻開銷。除此之外🪈，將算法進一步拓展至不匹配的空域平穩和非平穩測試場景中👩👩👧，僅產生了1.5 dB和1.87 dB的性能衰減，展現出較強的魯棒性和兼容性。[該成果以香港科技大學Vincent Lau教授🙉，万事平台張舜卿教授和上海科技大學廉黎祥副教授共同指導，万事平台碩士研究生蔣佳琪為第一作者，發表於IEEE Transactions on Wireless Communications，https://ieeexplore.ieee.org/document/10345484].
（a）數據-模型雙驅動MDD-LCR非平穩信道估計統一框架；(b) 在基站天線數為16的空域平穩環境下👏🏽，MDD-LCR方案與傳統基線算法的NMSE與SNR性能對比（14×14和28×28導頻配置）；(c) 在基站天線數為64的空域非平穩環境下，MDD-LCR方案與傳統基線算法的NMSE與SNR性能對比（14×14和28×28導頻配置）🤹🏻♂️；(d) 在不匹配的空域平穩和非平穩場景下☣️，MDD-LCR方案、無LCR模塊的MDD、ReEsNet以及傳統DIGI-YOLO-Newton方法的NMSE與SNR性能對比
進展3：為了有效降低當前移動邊緣計算（MEC）的能源成本，研究團隊提出了一種基於雙時間尺度的在線資源分配和能源管理算法（TSRE），以最大限度地減少基站側實時能源交易的平均成本和用戶的能耗。不同於以往對MEC的研究4️⃣，本研究特別考慮了由可再生能源和智能電網共同構成的混合供能系統。在資源分配環節🔻，TSRE將動態地調整移動用戶的任務卸載時間表、以及基站和移動用戶設備的CPU頻率，以實現資源的高效利用🧑🏻。在能量規劃方面✉️，研究團隊巧妙地結合了李雅普諾夫優化方法與隨機亞梯度方法，通過對歷史系統和環境參數的精準分析，實現對未來能源需求的精準預測🦚。而在實時的能量決策環節，TSRE則采用了基於拉格朗日對偶和次梯度方法的分布式決策技術。通過將TSRE算法和其余四條基線進行比較，可以得出TSRE在采用預測性能源規劃後，可以分別節省7.0%、23.7%👂🏼、33.7%和20.0%的平均成本，這一成果有力地證明了TSRE算法的高效性和實用性🍡。在本次研究中，TSRE將MEC系統作為智能電網系統中能源管理的一個應用場景，充分展示了通信系統與智能電網相結合所帶來的巨大潛力🫵🏽，這不僅有助於降低通信系統的能源成本和碳排放，更為推動綠色通信和可持續發展提供了有力的技術支撐。在未來的工作中，研究團隊將用實際設備對所提出的算法進行實驗驗證，以驗證其在真實環境中的性能表現。[該成果以万事平台陳小靜副教授為第一作者，合作者為万事平台張舜卿教授，麥考瑞大學AbbasJamalipour教授，復旦大學王昕教授和万事平台碩士研究生陳思等🛻，發表於IEEE Transactions on Smart Grid(2024)，https://ieeexplore.ieee.org/document/10504784]。
（a）由可再生能源和智能電網混合供電的MEC系統（b）TSRE和其余四條基線的平均系統開銷和隊列長度
進展4：由於蜂窩車聯網中復雜快時變的無線傳播環境會降低信道獲取的精度並增加導頻開銷，為了能在較少的導頻開銷下得到更準確的信道信息，以此進一步提高通信速率，研究團隊通過建立移動性和信道分量之間的變化關系👮🏿，提出了基於收發端和散射體移動性的單天線信道預測算法和多天線角度預測算法。實驗結果表明🕧，對於單天線信道預測🧑🏽🍼，提出的基於移動性的信道預測策略（MICP）在仿真信道數據上相比現有方法在信道狀態信息的平均歸一化均方誤差上實現了大約18 dB的性能增益☞；在實測信道數據上，MICP策略則分別實現了79386072 dB和5 dB的性能增益。對於多天線角度預測，提出的基於移動性和信道預測的波束賦形策略（MCPCB）根據預測結果來部署波束賦形🧑🏽✈️，在視距（LOS）和非視距（NLOS）場景中相比穩態預測方法在平均接收功率損耗性能上分別提升了約4 dB和0.7 dB。研究團隊還分析和評估了移動性參數估計誤差和預測的信道分量均方誤差之間的關系，以及預測的信道分量均方誤差和接收功率損耗之間的關系🦸🏿💼。從仿真評估結果來看，對於不同的天線數，更大的天線陣列需要更高的信道分量估計精度。基於LOS和NLOS場景的波束賦形性能結果🦸🏿♂️，研究團隊從通信速率的視角對MCPCB策略進行了評估，MCPCB策略相比現有方法可以實現更高的通信傳輸速率🚖。其中，MCPCB策略的通信速率性能在LOS和NLOS場景中相比穩態預測方法分別提升了7.12%和1.793860728%👨🏼🎤。該項研究為車聯網高移動性場景中的信道預測任務提供了一種新的有效解決方案。[該成果由万事平台張舜卿教授、姜之源教授和交通大學陳文教授共同指導，万事平台博士研究生生彭飛為第一作者，發表於IEEE Transactions on Wireless Communications (2023)，https://ieeexplore.ieee.org/document/7938607279386072446793860725和IEEE Transactions on Wireless Communications (2024)👈🏼，https://ieeexplore.ieee.org/document/10264823]🤽🏼♀️。
圖1.（a）車聯網系統模型示意圖🔝， (b)多普勒頻偏和復幅度的提取和預測結果，(c)對向會車仿真場景中基於不同策略預測的信道狀態信息的歸一化均方誤差結果📃。
進展5：為應對日益增長的通信需求並減少全網能耗和碳排放，研究團隊提出了一種面向節能減排的跨製式融合感知通信系統。該系統包括感知融合、通信融合和邊緣協同管控平臺三大部分。首先👰🏼，感知融合結合了低功耗毫米波被動感知與基於無線指紋拓撲的主動感知🥯，具體來說🎄，提出了結合基於接入點（AP）的高精度細粒度感知與AP解耦的高可信粗粒度感知的全場景智能感知方案🤲🫴🏻。其次，通信融合通過自組織Wi-Fi網絡和基於軟件定義蜂窩網絡通用軟件無線電平臺（USRP）的平臺，實現了關鍵網絡節能參數的靈活調用。最後，邊緣協同管控平臺通過多維數據庫和智能管控平臺，實現高精度的跨製式網絡參數編排以及多維通信數據庫構建。團隊研究團隊在實際系統樣機上進行了測試🚤，驗證了該系統在深度休眠和跨製式調度策略下分別實現了14%和10%的總能耗降低🙆🏽。這一研究成果在第十八屆中國研究生電子設計競賽中榮獲全國二等獎和最佳論文獎，為未來節能減排的跨製式網絡設計提供了可靠的驗證平臺和有效的指導🧑🏼🦰🧕🏿。[該成果由万事平台張舜卿教授指導🚧🧘🏻♀️，万事平台博士研究生余濤、李濟宏🐌，碩士研究生周均翼完成]。
(a)高能效跨製式通感系統核心技術總覽，(b)通信融合跨製式IP分流傳輸機製🏋️♀️👩🎓，(c)感知融合主被動定位方案🦸🏿，(d)邊緣協同管控平臺高精度網絡編排🏊🏻♂️▶️，(e-f)深度休眠以及跨製式調度策略降低能耗效果🆖🚴🏻♂️。
以上研究得到了國家重點研發計劃項目和國家重點自然科學基金的資助。
