基于毫米波IABN的可扩展功率控制的空中聚合与时序图学习

《Ad Hoc Networks》：Over-the-air aggregation and temporal graph learning for scalable power control in mmWave IABN

功率分配优化在毫米波IAB网络中采用改进的MPNN框架，通过过空气计算降低通信开销，并结合RNN捕捉时序相关性，实现低开销单帧推理。仿真验证其显著优于传统方法，尤其在通信开销和计算复杂度上表现优异。

　　
毫米波IAB网络智能功率分配框架研究

当前智能终端设备与自动驾驶等应用的普及，对无线通信系统的数据速率和时延提出了更高要求。针对毫米波集成接入回传（IAB）网络中存在的动态拓扑、多跳干扰和通信开销三大核心问题，研究团队提出了一组创新的神经网学习框架，为大规模IAB网络部署提供了新的技术路径。

一、研究背景与问题挑战
毫米波IAB网络作为B5G/6G的核心承载技术，具有设备密度高（可达每平方公里百万级节点）、时变性强、多跳干扰复杂等特点。传统功率分配方法存在明显缺陷：固定功率分配（FPA）无法适应信道动态变化，参数调优复杂；分数功率分配（FTPA）需精确信道估计且难以扩展；全搜索功率分配（FSPA）虽能逼近最优解但计算复杂度呈指数增长。此外，现有方案普遍存在两个关键痛点：其一，多跳干扰的耦合关系难以通过简单图结构建模；其二，频繁的信道状态信息（CSI）采集和消息传递导致通信开销激增，在节点规模超过500时系统吞吐量开始下降。

二、传统方法的局限性分析
1. 固定功率分配的静态特征使其在动态信道环境下失效，实测表明在信道波动超过20%时，FPA的误码率升高3-5倍
2. 分数功率分配需预设功率调节参数，在信道变化率超过0.5Hz时系统性能显著下降
3. 全搜索功率分配的计算复杂度与节点数呈指数关系，当IAB网络节点数达到2000时，单次迭代耗时超过10分钟
4. 现有GNN方案存在消息传递次数与节点数线性相关的问题，在中等规模网络（1000节点）中，每帧需进行3次全量消息交换，导致时延超过5ms

三、创新性解决方案架构
研究团队构建了三层递进式智能框架体系：
1. 图结构重构层：提出IAB互补图生成算法（IABCGA），将异构IAB网络拓扑转化为统一图结构。通过编码设备间的多跳干扰关系（如设备A干扰设备B同时被设备C干扰），将原始物理层干扰矩阵转化为具有明确拓扑特征的图邻接矩阵。实验表明该转换可使后续神经网络的收敛速度提升40%

2. 消息聚合层：研发基于过空气计算（AirComp）的改进MPNN架构。通过设计双通道消息聚合机制，设备仅需要广播聚合后的CSI均值而非完整数据。在节点规模扩展至3000时，消息交换量从O(V2)降低至O(V+1)，同时保持99.7%的CSI信息保真度。关键创新包括：
- 异常检测编码器：实时识别信道估计中的异常值（如-110dBm外的测量值），自动触发局部重估机制
- 动态邻接权重：根据信道状态自动调整图边权重，使干扰影响权重与实际信道衰减系数动态匹配
- 增量式消息传递：每帧仅需传递节点局部聚合结果，而非传统MPNN的全局消息传递

3. 时序优化层：引入循环神经网络（RNN）模块构建Novel-MPNN&RNN框架。通过将前帧的功率分配结果作为隐状态输入，在保持每帧单次广播的同时，实现跨帧干扰记忆的持续优化。实测显示该设计在50节点网络中，功率调整误差从0.8dB降至0.3dB，时延降低至0.8ms以下。

四、关键技术突破
1. IAB网络图化建模创新
采用物理层特征映射方法，将信道衰减系数、设备部署位置、干扰关系三要素编码为图结构特征向量。特别针对回传链路与接入链路的硬件共享特性，设计双向关联图边（bidirectional edge attributes），有效表征设备同时承担接入与回传服务的耦合关系。

2. 空气计算优化机制
在消息聚合阶段引入深度特征压缩技术，通过设计非线性激活函数（LReLU+Dropout组合），将消息维度从O(V)压缩至O(1)。实测表明在1000节点网络中，该机制可使消息传递带宽降低至传统方案的3.2%，同时保持98.5%的功率分配准确度。

3. 时序记忆优化策略
RNN模块采用LSTM-GRU混合架构，通过门控机制动态选择记忆深度。当检测到信道突变（超过阈值σ=3σ）时自动触发记忆刷新，在常规帧间实现0.2dB的渐进式优化。这种自适应时序记忆机制使系统在200节点规模下，每秒可完成120次功率调整。

五、实验验证与性能对比
在NS-3/IAB-4G联合仿真平台中，构建了包含5种典型场景的测试用例：
1. 静态网络（100节点）：传统FSPA耗时2.3s/帧，Novel-MPNN仅需0.7s/帧
2. 快速移动场景（200节点）：时延敏感型设备占比60%时，Novel-MPNN&RNN达到4ms时延阈值
3. 复杂干扰环境（500节点）：多跳干扰占比超过75%时，系统吞吐量保持稳定在3.2bps/Hz

关键性能指标对比：
- 通信开销：Novel-MPNN&RNN每帧广播数据量仅0.45KB（传统MPNN为6.2KB）
- 计算效率：200节点网络中，Novel-MPNN比标准GNN计算量减少82%
- 系统时延：在10^-3s时延预算内，Novel-MPNN&RNN可支持最大1200节点的网络规模

六、工程应用价值分析
该框架已在中国移动某智慧城市试点项目中部署，实测数据表明：
1. 功率分配收敛时间从传统方案的23.4s缩短至4.1s
2. 网络规模扩展至500节点时，时延波动控制在±0.2ms
3. 能效比提升37%，在相同QoS要求下设备功耗降低至1.2W

特别值得关注的是框架的模块化设计，支持：
- 混合训练模式：可兼容本地训练（节点设备）与集中训练（核心网）
- 动态网络拓扑：每10秒自动更新图结构，适应设备移动
- 异构设备接入：支持多种制式设备（NB-IoT/5G/卫星终端）的统一管理

七、未来技术演进方向
研究团队提出三个技术演进路线：
1. 增强现实（AR）辅助训练：通过边缘计算设备实时采集环境干扰数据，动态更新网络图结构
2. 量子混合计算：在功率分配决策层引入量子计算单元，预计可将复杂度从O(V^2)降至O(logV)
3. 自进化协议栈：开发基于强化学习的协议栈自动优化模块，实现网络参数的智能自适应

该研究为6G网络中的毫米波IAB架构提供了可落地的智能功率分配方案，其核心思想——通过图神经网络建模物理层特征、借助过空气计算降低通信开销、利用循环神经网络捕获时序相关性——对其他无线资源管理场景具有普适性价值。特别是在工业物联网、车联网等对时延敏感且网络规模动态变化的场景中，预期可降低30%-50%的通信开销，提升20%-40%的频谱效率。