针对非平稳无线体域网络，采用高斯汤普森采样技术实现节能且符合服务质量（QoS）要求的链路自适应

《Internet of Things》：Energy-Efficient QoS-Constrained Link Adaptation for Non-Stationary Wireless Body Area Networks Using Gaussian Thompson Sampling

　　陈大仁
国立台中科技大学信息管理系，台湾台中市北区三民路3段129号，404（中华民国）

摘要
无线体域网络（WBAN）在非静态的体表信道上运行，而传感器节点在能量和计算能力上受到严重限制，这使得可靠且节能的链路自适应（LA）变得具有挑战性。本文提出了一种基于自相关的高斯汤普森采样（aGTS）框架，用于在时变WBAN信道下选择节能的调制编码方案（MCS）。WBAN中心节点维护一个关于潜在信噪比（SNR）的高斯后验分布，并使用汤普森采样来选择在服务质量（QoS）约束下最小化传输能量的MCS。该模型通过校准的SNR到可靠性映射将连续值的可靠性观测映射为SNR等效的测量值进行更新，同时通过自相关驱动的滑动窗口更新和指数折扣因子来跟踪非静态性。这些机制共同帮助aGTS适应移动性、阴影效应和路径损耗等相关变化。与使用每个数据包ACK/NACK反馈的HARQ驱动学习方案相比，以中心节点为中心的aGTS设计旨在减少控制信号并避免传感器端的计算。在基于所采用的WBAN信道模型和简化PHY假设的2.4 GHz和5.8 GHz ISM频段的仿真中，与评估的基线相比，aGTS将每个比特的传输能量降低了多达11.7%，MCS切换次数减少了多达27.4%，同时减少了QoS违规情况。在评估的2.4 GHz设置中使用的电池预算计算中，这些节省相当于传感器服务时间延长了多达45.9%。这些结果应被视为在所采用的WBAN模型下的仿真证据，而不是部署级别的验证。

引言
由于传感器和射频技术的进步，无线体域网络（WBAN）[1]、[2]、[3]、[4]已成为实时传递医疗信息的有前景的技术，特别是在偏远或独立场景中。WBAN在非静态信道条件下维护服务质量（QoS）和能效方面需要不可忽视的计算开销[5]。WBAN传感器需要连续监控和定期报告，且由于其微型尺寸，通常具有有限的电源或计算能力。许多WBAN或WLAN框架[6]、[7]、[8]、[9]采用混合自动重复请求（HARQ）[10]进行可靠通信。在这些框架中，传感器从中心节点（接收器）接收ACK/NACK反馈，以适应信道动态，这可能会因处理和重传而增加能耗和延迟。因此，以中心节点为中心的设计[5]更适合WBAN，并有助于延长传感器服务时间。

链路自适应（LA）[11]和传输功率控制（TPC）[9]、[11]、[12]是RF通信系统中常用的节能技术。LA的基本概念是通过选择适当的调制和编码方案组合来确保满意的数据速率和错误率，同时保持恒定的传输功率。LA的主要目标是在利用最少资源的情况下实现所需的数据吞吐量和可靠性。它特别适用于具有动态路径衰落和变化信道条件的环境。TPC通常用于调整传输功率以实现特定的性能目标，包括数据速率、可靠性和能耗。它在减轻近远效应和减少高干扰水平（如蜂窝网络）中的同频道干扰方面特别有效。在蜂窝网络中，功率放大器占移动设备传输能耗的很大一部分。然而，在短距离低功耗通信中，当距离小于三米时，收发器的功耗与RF放大器的功耗相当[12]。因此，一个紧凑且精简的WBAN框架非常适合利用LA的优势，以延长网络服务时间并提高能效，同时满足传输所需的QoS。

贝叶斯强盗问题将贝叶斯假设应用于随机多臂强盗设置[13]。它将未知的奖励生成参数建模为从已知先验分布中抽取的随机变量，并寻求在这种概率模型下优化预期结果。随着学习者与环境互动T轮，它反复选择k个臂中的一个并观察相应的奖励，然后进行贝叶斯更新以精炼其信念。先验分布使用新观测的数据进行更新，形成后验，这又成为下一轮的先验[14]。汤普森采样（TS）[15]、[16]是这种设置的一个代表性贝叶斯算法，也称为后验采样。在每一轮中，TS从当前后验中采样模型参数或预期奖励，并选择在采样参数下最优的臂，从而在理论和实践中实现高效的探索-利用平衡。由于其简单性和鲁棒性，TS已被广泛应用于实际决策任务，包括在线优化和个人化系统[17]、[18]、[19]、[21]。

WBAN中的QoS可以使用各种性能指标进行评估，包括吞吐量、数据速率、信噪比（SNR）和比特错误率（BER）。这些指标受到许多因素的影响，例如身体运动、操作频率、MCS、传感器位置等。例如，当无线路径被移动的手臂或腿阻挡时，这种阻挡会导致由于身体阴影和衍射效应而在体表信道上产生深度衰落，从而在维护信道QoS和能效方面带来挑战[6]。此外，在数据接收过程中，可以观察到由于体表信道的独特传播模式而导致的标准化多普勒相关信道动态的逐轮变化[9]。

尽管在无线传感器网络（WSN）中已经广泛研究了节能方案，但由于WBAN链路受到运动诱导和几何约束动态的主导，这些方案不能直接转移到WBAN中。与大多数静止的WSN节点不同，WBAN传感器附着在人体上，并在有限的节点间距内运行，通常在几米范围内到中心节点，而人体运动引入了缓慢但持续的移动性（通常低于1 m/s），导致时变的阻塞和阴影效应。因此，WBAN表现出独特的体表信道变化和流量动态，偏离了WSN设计中通常采用的准静态假设[6]。为了处理这种链路波动并实现节能的QoS适应，需要一个准确的路径损耗模型来捕捉体表传播和阴影效应，以便评估SNR/SER等链路质量指标以及由此产生的QoS/能效性能。在这项工作中，我们应用了广泛使用的对数距离路径损耗模型[22]和对数正态阴影模型来考虑由运动引起的随机衰减。该模型已在WBAN[7]、[22]、[23]、[24]中得到了广泛验证。这种由移动性引起的、非静态的、以阴影为主的链路行为激发了基于汤普森采样的在线贝叶斯决策框架的使用。后验信念通过流式观测不断更新，并通过自相关机制进行调节，以跟踪时变的信道统计。

本文的其余部分组织如下。第2节回顾相关工作并确定激发本研究的研究空白。第3节简要介绍了与移动性相关的时间相关性及其对自适应记忆设计的影响；它不用于评估aGTS。第4节介绍系统模型和设计目标，第5节开发了所提出的方法。第6节然后对aGTS和基线方案进行了比较评估，包括在随机速度、固定速度和离线到在线速度不匹配设置下的鲁棒性测试。最后，第7节总结了本文并讨论了未来的研究方向。

相关工作
LA在4G和5G蜂窝网络中找到了广泛应用[11]、[25]、[26]、[27]、[28]。Lioumpas等人[27]引入了适应阈值（AT）的概念来描述信道质量指标（CQI），并提出了一种用于衰落信道通信的可变速率（VR）MPSK调制方案。Takeda等人[25]提出了一种阈值控制的自适应LA方法，专注于吞吐量优化和确定适当的调制和编码方案组合。

移动性下自适应记忆设计的激励观察
本节仅提供了所提设计的诊断性动机。下面引用的支持文件可在期刊托管的补充材料包和对齐的公共档案中找到。

1. 图2(a)中的轨迹对应于短距离的体表运动，并生成图2(b)中的路径损耗样本。这些诊断性...

系统模型和提出的框架
受到第3节中诊断性观察的启发，我们正式化了系统模型并推导出了所提出的aGTS框架。有了这一动机，我们首先介绍系统模型、QoS约束目标以及aGTS框架。aGTS的关键特征如下：

连续值贝叶斯建模
aGTS不依赖于离散的ACK/NACK反馈，而是利用接收端BER观测值映射为SNR等效的测量值来维护一个高斯后验分布。

提出的方法
图1展示了所提出的WBAN框架。计算和决策从资源受限的传感器卸载到WBAN中心节点，后者具有更高的能量和信号处理能力。传感器继续进行常规数据传输，并仅应用中心节点发出的偶尔的MCS更改命令。由于后验更新和自适应记忆刷新依赖于封闭形式计算，因此每个传感器的更新成本在中心节点保持较低。

性能分析
在本节中，我们进行仿真，以评估六种LA方案在满足预定义QoS约束方面的能效：
1. 基于LUT的LA与TPC，代表了Saha等人[11]提出的WLAN部署中的最新技术；
2. LTSLA（Saxena等人）[9]，修改为节能版本；LTSLA是一种基于RL的HARQ方案，以其高吞吐量性能而闻名；
3. 理论上的非因果参考解决方案，使用未来的信道状态信息来选择...

结论
本文研究了非静态WBAN信道的节能和QoS感知链路自适应（LA），其中身体运动和相对距离变化导致时变的路径损耗和信道条件。为了解决这些与移动性相关的信道动态，我们提出了一种基于自相关的高斯汤普森采样（aGTS）框架，其中学习记忆通过来自信道相关性的滑动窗口和指数折扣更新进行适应。

缺失引用
图4CRediT作者贡献声明
陈大仁：撰写——审阅与编辑，撰写——原始草稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，资金获取，形式分析，数据管理，概念化。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。