6 GHz以下异构网络的综合信道容量分析：一种符合3GPP标准的深度学习框架

《Computer Networks》：Comprehensive Channel Capacity Analysis for Sub-6 GHz Heterogeneous Networks: A 3GPP-Compliant Deep Learning Framework

　　摘要
在密集多层5G异构网络（HetNets）中，使用传统蒙特卡洛射线追踪或数值SINR仿真进行全面的信道容量表征，其计算开销极大（复杂度为O(M·K)），无法用于实时无线电资源管理和大规模空间网络规划。本文提出一种物理引导的深度神经网络（DNN）容量分类器，可直接从12维空间与干扰拓扑特征表示中预测用户覆盖状态（最优、小区边缘或中断），完全绕开运行时的多层SINR评估。该预测框架在由完全符合3GPP TR 38.901标准的仿真引擎生成的50,000个空间样本上进行训练与验证，涵盖城区宏蜂窝（UMa）与城区微蜂窝（UMi）传播条件，并纳入频率相关路径损耗、空间相关对数正态阴影衰落以及快衰落，覆盖城市密集、郊区混合和农村稀疏场景。所提出的残差DNN架构在总体分类准确率上达到98.15%（加权F1分数：98.14%），对关键中断状态的检测召回率达99.8%，优于k近邻（90.17%），同时与基于树的集成方法（梯度提升：99.04%，随机森林：98.57%）相当，且每样本推理延迟极低，仅为0.012 ms，可支持数百万个空间点的批量并行评估。分层5折交叉验证证实了统计稳健性，结果为99.17% ± 0.08%。当集成到部分频率复用（FFR）机制中时，DNN引导的小区边缘识别相比通用频率复用可使小区边缘用户吞吐量提升2.8倍。我们系统性地讨论了实际部署约束，包括信道状态信息延迟、用户多普勒移动性效应、单载波3.5 GHz运行边界，以及面向6G多频段共存的发展路径。

引言
向第五代（5G）及新兴第六代（6G）无线系统的演进代表了移动通信领域的根本性范式转变[1]，其驱动力来自对多吉比特数据速率、海量机器类连接以及超可靠低时延通信（URLLC）日益增长的需求[7,12,44]。为了在有限频谱分配下满足这些严苛的运行目标，现代蜂窝架构高度依赖5G异构网络（HetNet）拓扑。HetNets策略性地将低功率小基站（包括微微基站（PBSs）和毫微微基站（FBSs））的密集层叠加在传统高功率宏基站（MBS）覆盖区域之上[19]。虽然这种多层密集化通过激进的空间频率复用极大提升了区域频谱效率，但其内在也产生了复杂的跨层和同层干扰动力学以及严重的小区边缘覆盖脆弱性[45]。

准确且瞬时的信道容量表征构成了蜂窝网络规划、基站选址、无线电资源管理（RRM）和干扰协调的分析基石。在传统单层同构蜂窝部署中，容量分析依赖于经典的经验路径损耗定律和理想化瑞利衰落假设下的可处理随机几何公式（[6]；Rappaport等，1996）。然而，多层HetNets运行在复杂的传播物理机制之下，受不同天线高度、不同发射功率水平、非均匀用户聚类以及混合视距（LOS）和非视距（NLOS）传播路径的支配。

为了为5G传播提供权威基准，第三代合作伙伴计划（3GPP）将TR 38.901信道模型标准化（3 [3]）。这些标准包含三维距离相关路径损耗指数、空间相关对数正态阴影衰落以及混合瑞利/莱斯快衰落分布。虽然3GPP TR 38.901提供了逼真的传播保真度，但评估大范围地理区域内的用户级信干噪比（SINR）和香农容量需要密集的蒙特卡洛仿真或数值射线追踪。在包含M个多层基站和K个活跃用户、并在Ndrops个快照实现上评估的密集HetNet环境中，计算复杂度按O(Ndrops·K·M)扩展。这一计算负担为实时网络规划、动态干扰协调和持续自组织网络（SON）优化造成了难以逾越的瓶颈。

为便于全文的数学清晰性和一致性，表1定义了使用的主要符号和缩写。

近期关于蜂窝容量建模和干扰管理的文献涵盖三个不同范式：
经典随机几何模型将基站和用户位置建模为空间点过程[6,8,14,25]。虽然解析可处理，但这些模型依赖过度简化的传播假设，如单斜率无界路径损耗、不相关瑞利衰落，并忽略了三维天线高度差异。因此，理论覆盖概率通常与经验3GPP现场测量和详细多层干扰分析相差4–8 dB[28,30,37,48]。

系统级仿真平台，如ns-3[42]和维也纳LTE/5G仿真器[36]，实现了符合国际指南的标准化物理层和MAC层协议（3 [1]，2023b；[15,22,23]）。虽然这些工具提供高传播保真度，但需要详尽的链路到系统映射和大量的蒙特卡洛快照，导致城市级拓扑的执行时间达数小时或数天。这阻碍了它们直接集成到实时闭环网络优化中。

为克服计算瓶颈，机器学习在无线优化中的应用日益增多。深度强化学习（DRL）和卷积神经网络（CNN）已被提出用于功率分配、波束成形和动态资源管理[20,24,35,38,55]。机器学习框架也已展现出在蜂窝覆盖和容量预测方面的强大能力（[27]；J [33,39,43,54,58]）。近期，图神经网络（GNNs）出现以捕获拓扑干扰图[32,46]，空间变换器已被探索用于多小区波束成形（L [33,56]），物理引导或混合AI模型已被研究用于信道估计[5,13,49,51,53]。此外，先进的部分频率复用（FFR）和干扰缓解方案已利用分布式和可解释智能进行优化（[4,[9], [10], [11],[16], [17], [18],21,26,29,31,40,47]；Wang等，2023b；[52]）。

然而，如表2所综合，现有的基于ML的无线研究存在根本性局限：
1. 大多数ML模型在过度简化的合成信道模型上训练（例如，无相关阴影或频率依赖性的纯瑞利衰落）。
2. 诸如深度GNN和变换器等复杂架构面临大量图构建开销和不可忽略的推理延迟，阻碍了亚毫秒级边缘执行。
3. 严重缺乏轻量级、物理引导的神经框架，其专门设计用于将空间多层网络几何直接映射到离散覆盖状态和容量边界，并具备标准化3GPP TR 38.901保真度。

本文通过开发端到端、符合3GPP标准的信道容量表征引擎和物理引导的深度学习预测框架，解决了这些研究挑战。主要的科学和工程贡献如下：
1. 综合3GPP TR 38.901仿真引擎：我们实现并验证了一个完全符合标准的仿真平台，支持3.5 GHz sub-6 GHz部署下的城区宏蜂窝（UMa）和城区微蜂窝（UMi）传播。该引擎包含三维距离计算、双斜率LOS/NLOS路径损耗规律、二维空间相关对数正态阴影衰落以及独立瑞利/莱斯快衰落。
2. 物理引导的12维空间特征张量：我们不将神经网络视为无约束黑盒，而是构造一个12维空间干扰特征向量fu∈R12，其直接封装多层距离比、局部小区密度半径、接收服务功率、主导干扰功率和LOS概率指示符。
3. 具有亚毫秒延迟的深度残差容量分类器：我们提出一个带残差跳跃连接的多层深度神经网络，可将空间网络特征映射到离散3GPP覆盖状态（中断、小区边缘、最优）。该DNN实现98.15%的总体准确率（加权F1分数：98.14%）和99.8%的中断检测召回率，推理时间仅0.012 ms/样本，可实现即时城市级网络规划。
4. 严格基准比较和统计验证：我们在50,000个样本上将所提出的DNN与四个已建立的机器学习基线（SVM、随机森林、k-NN、梯度提升）进行基准比较，并执行5折分层交叉验证（99.17%±0.08%）。我们提供正式的双尾假设检验（p<0.001，Cohen's d和h效应量），并进行架构消融研究，说明从基线模型（76.4%）到所提出的12维残差模型（98.15%）的精确性能进展。
5. 干扰表征和FFR集成：我们量化多层干扰分布，证明在密集城市环境中小基站贡献高达总干扰功率的68%。我们证明将DNN引导的小区边缘识别与部分频率复用（FFR）集成，相比静态通用频率复用可使小区边缘吞吐量提升2.8倍。

本文其余部分组织如下：
1. 第2节（系统模型与仿真框架）：详细说明多层HetNet架构、3GPP TR 38.901传播模型、FFR公式，并呈现逐步蒙特卡洛仿真算法（算法1）。
2. 第3节（所提出的深度学习框架）：阐述12维空间特征空间，呈现深度残差神经架构、数学损失公式、实时推理算法（算法2）和计算复杂度分析。
3. 第4节（实验结果与分析）：呈现广泛的物理层表征（路径损耗、SINR、香农容量热图）以及全面的机器学习分类指标、消融研究、基线基准和统计验证。
4. 第5节（讨论、可扩展性和部署约束）：评估城市级可扩展性、用户移动性/多普勒动力学、多频段6G演进、实际CSI约束和网络规划指南。
5. 第6节（结论与可复现性）：总结核心结论，并提供对开源仿真代码和训练神经模型检查点的引用。

章节片段
系统模型与仿真框架
本节建立多层5G异构网络中信道容量表征的数学公式。我们形式化空间网络拓扑、符合3GPP的传播物理机制（路径损耗、相关阴影衰落和快衰落）、带小区范围扩展的用户关联、干扰模型、部分频率复用（FFR），并呈现逐步蒙特卡洛仿真框架（算法1）。

所提出的深度学习预测框架
本节详细说明所提出的物理引导深度神经网络（DNN）容量分类器，其设计用于实时预测5G HetNet中的空间覆盖状态和容量脆弱性。我们呈现数学问题表述、特征工程方法、深度残差网络架构、训练优化、推理算法（算法2）和计算复杂度证明。

实验结果与分析
本节呈现我们符合3GPP的HetNet建模框架和物理引导深度学习预测架构的综合实验评估。我们首先分析物理层传播特性（路径损耗、接收功率、SINR退化、香农容量和覆盖概率），随后详细评估DNN分类器，包括特征消融、基线基准、统计显著性检验和跨场景

讨论、可扩展性和部署约束
本节讨论我们发现的更广泛工程意义，分析城市级网络的计算可扩展性、用户移动性和多普勒动力学、多频段6G演进、实际部署约束和可操作网络规划指南。

结论与可复现性
本文提出了一个全面的符合3GPP的信道容量表征框架和用于多层5G异构网络（HetNets）的物理引导深度学习预测架构。通过对3.5 GHz sub-6 GHz部署下的城区宏蜂窝（UMa）和城区微蜂窝（UMi）传播进行建模，纳入频率相关路径损耗、空间相关对数正态阴影衰落和混合瑞利/莱斯快衰落，我们在城市密集、

未引用参考文献
[2,34,41,50]

CRediT作者贡献声明
Christian Onu：写作——原稿，方法学，概念化。Abdulwaheed Musa：写作——审阅与编辑，验证，监督。Olalekan Ogunbiyi：监督。Lambe Mutalub Adesina：监督。Bilkisu Jimada-Ojuolape：监督。Monsurat Omolara Balogun：监督。Aliyu Ahmed：写作——审阅与编辑，软件。

Christian Onu|Abdulwaheed Musa|Olalekan Ogunbiyi|Lambe Mutalub Adesina|Bilkisu Jimada-Ojuolape|Monsurat Omolara Balogun|Aliyu Ahmed