基于信道知识图谱的 RIS 辅助 NOMA 车联网下行链路认证凸部署与速率控制

《Physical Communication》：Certified Convex Deployment and Rate Control for RIS-Assisted NOMA Vehicular Downlinks over Channel Knowledge Maps

　　

• RIS-NOMA 控制被重构为增益场上的凸切换最优控制。
• NOMA 功率在速率坐标下是凸的；切换嵌入在指数锥中。
• 逐时隙级联导频被场校准和运动学信标取代。
• 在 50 个随机种子上，截止期限完成度为 0.86，对比范围 0.23-0.50；认证求解时间为 6.8 毫秒。
• 在所有 $N_r$ 下，RIS 均优于解码转发中继；经过训练的 SAC 也仍低于本文提议的方法。

引言
可重构智能表面（RIS）和非正交多址接入（NOMA）已成为车联网（IoV）的互补赋能技术：前者以低成本重塑不利的传播几何结构 [1], [2]，而后者则在共享资源上复用在信道强度上不同的用户 [3], [4]。控制二者组合的主流方法是对快照物理层进行逐时隙优化或深度强化学习（DRL）[5], [6]：在每个控制时隙中，控制器观察估计的信道，选择发射功率，并（在部署感知变体中）选择一个活跃的 RIS 站点 [7], [8]，随后最大化瞬时速率目标，该目标可能受公平性和约束违规惩罚的塑造。沿用蜂窝实践，这种公式化方法产生了强有力的单点解决方案，然而在车辆体制下，出现了三个结构性缺陷，且现有的任何研究路线都无法同时消除这三者。

第一且最具后果性的失败在于车联网的目标。车辆关注的运营量是其在离开覆盖区前交付的载荷，这是其在驻留时间上的积分，而逐时隙目标是瞬时速率；两者分歧恰恰发生在信道时变且轨迹可预测的时候，这正是车联网的界定体制。因此，短视的控制器会为瞬时最强的用户服务，并可能错过最早退出覆盖区车辆的截止期限，即使其在总吞吐量上与视距规划器相匹配（图 11）。第二项失败在于信息：在车辆多普勒下的级联 RIS 信道估计是 RIS 辅助链路的主要获取负担 [9]，而逐时隙设计假设即时级联 CSI 并随后花费精力补偿其噪声，尽管时隙平均性能的主要决定因素是传播几何结构，而非个体衰落实现。第三项失败在于结构：当表面在每时隙仅能在 L 个离散路边站点中的一个激活时，站点决策由分类策略或穷举搜索处理，切换成本被编码为奖励惩罚而非可行的切换动态，因此既无法获得最优性也无法获得驻留保证。基于学习的控制器继承了所有这三个缺陷，因为它们是直接在逐时隙快照问题上训练的；统计 CSI 和双时间尺度设计 [9], [10] 仅消除了第二项，利用缓慢变化的量配置表面，同时保留逐时隙循环及其瞬时速率目标。

即时级联 CSI 可有可无的前提因此得以确立，但它仅被应用于估计器，而非公式化本身。此处采取的步骤在本质上有所不同。由于信道硬化将实现的增益集中在位置索引的均值场上（图 3），且由于有界运动学使车辆位置在与控制相关的视距上可预测，整个控制问题（激活哪个站点、授予哪些速率、以什么顺序解码）可以直接在场上、在交付数据坐标下、在规划视距上提出。逐时隙循环、其导频平面及其非凸性随之一起消失，因为这三者都是同一快照公式化的结果。这种重构使得上述每个失败都能从根源上得到解决，而非打补丁。所得到的框架称为 TRACE-NOMA（轨迹功能服务场合成），将目标、信息和结构缺陷转化为三项建设性保证。

具体而言，本工作的贡献如下。第一，针对目标不匹配，基于场的视距公式使位置索引的均值增益场成为渐近足够的控制统计量（命题 1），并允许每车辆的交付数据进入具有硬载荷截止期限的α-公平效用中，从而使公平性和截止期限成为服务积分的属性，而非奖励塑造的属性（第 3-4 节）。第二，针对切换问题的组合和非凸处理，认证凸化表明，多用户功率分配在功率坐标下是非凸的，但在速率坐标下是凸的（引理 2）；离散站点切换决策的视角嵌入产生了一个具有全局最优解和对偶证书的指数锥规划（定理 1）；驻留受限的求和取整恢复了一个可行的二进制调度，激活跟踪误差为 $O((L-1)\Delta_{eff})$（定理 2，附录 C 证明；该链条总结于图 6）。该公式化无需修改即可扩展到同时多站点操作：将单站点和为 1 的约束放宽为 $\sum_{\ell} \mu_{\ell} \le S_{max}$ 保留了指数锥结构，并产生了 $S_{max}$ 的单调容量包络（推论 1 和命题 2），第 4.5 节的 Top-$S_{max}$ 取整推广了定理 2。第三，针对导频密集型信息平面，一个具有可行性保证的无 CSI 信息平面取代了逐时隙级联导频，改为离线场校准和合作感知信标（图 5），将残余衰落离散度吸收进具有逐时隙可实现性保证的中断退避中（引理 1），并以确定性几何时间表广播 SIC 解码顺序。无训练的回缩视距实现（算法 1，图 7）提供认证每视距毫秒级求解且无学习参数，配对种子基准量化了增益以及方法失效的体制。该框架并不声称具有绝对优势：它故意用原始和速率换取截止期限完成度和最差用户交付，且其优势在表面尺寸较小、硬化较弱时缩小；这两个边界均源于理论并在第 5 节中量化。

第 2 节回顾的 RIS-NOMA 车载控制文献要么是在逐时隙级联 CSI 下优化瞬时速率目标（RIS 站点决策由搜索或分类 DRL 头处理），要么仅是减少估计/反馈负担，同时保留逐时隙循环及其目标。这两类研究路线均未在离散站点变量上产生认证切换控制决策，也未将交付载荷截止期限作为控制问题的硬约束。本工作同时消除了该遗留公式化的三个紧密耦合产物：(i) 目标，用定义在驻留视距上的每车辆截止期限的α-公平交付数据泛函取代瞬时速率；(ii) 信息平面，用离线校准场加标准化运动学信标及单一每视距广播取代逐时隙级联导频，第 5.7 节量化表明，在 $N_r=64$ 时 RIS 可归因的控制平面比特率降低一个数量级，在 $N_r=256$ 时降低两个数量级；(iii) 站点变量的处理，用具有对偶证书和驻留可行取整界的指数锥凸规划取代搜索和分类策略（定理 1-2）。凸核心在同一坐标下允许严格的多站点扩展。这些是结构性消除，而非权重调整改进；针对与该问题相交的五个研究社区的定位总结在表 1 中逐行说明。

相关工作片段
五个研究领域在此问题上交汇。下文通过识别每个领域留下的具体未解决限制以及本公式化消除该限制的方式进行了回顾；表 1 总结了定位。
车联网中的 RIS-NOMA 控制。大量工作通过功率和单元分配 [8], [11]、部署位置分析 [7], [8]、离散相位分辨率 [12]、超对角表面等优化 RIS 辅助 NOMA 车载链路...

系统模型和问题公式化
几何。道路被建模为 X=[0, X]?R 的一维线段，其中 X=500 米（图 1）。具有 $N_r$ 个单元的 RIS 可能在 L=3 个固定路边站点 {r?} 中的一个激活。车辆 $k \in K(t)$ 的位置 $x_k(t)$ 在有界运动学 $\dot{x}_k=v_k, \dot{v}_k=a_k$ 下演化，其中 $|a_k| \le a_{max}$ 且 $v_k \in [v_{min}, v_{max}]$。表 2 收集了标称配置的物理和控制参数。
发射波束和有效标量信道。BS 向当前活跃的 RIS 应用最大比发射...

提议的 TRACE-NOMA 框架
该框架结构分为三个平面（图 4）：一个持有离线校准增益场的场平面、一个将信标转换为位置管的运动学平面，以及一个求解凸控制问题并广播结果调度的合成平面。图 5 对比了所得到的信息平面与其取代的逐时隙导频平面。每个组件依次展开。

实验结果与讨论
本节中的所有定量结果均由表 2 的参数下的通用评估框架产生，该框架在 Python 中实现，每个每视距凸规划在 CVXPY [39] 中建模，并由 CLARABEL 内点求解器 [38] 在指数锥上求解。每种方法都在相同的模拟器中，在相同的几何、移动性和信道实现下评估，因此报告的差异反映了控制公式化而非评估环境；没有图表...

局限性
在第 5.9-5.12 节和附录 E-F 的加强之后，仍然存在七个局限性。初始提交中的四项现已退役或缩小范围：训练 SAC 与代理的担忧在第 5.12 节关闭，拜占庭信标在第 5.11 节的单攻击者层面关闭，归因消融在第 5.9 节提供，种子数量现为 50（初始提交为 15），将二项完成半宽从 ±0.253 减少到 ±0.139。
1. 对比方法

结论
本文提出了一种用于统计信道知识下 RIS 辅助 NOMA 车载通信的无训练基于视距的凸控制框架。通过优化依赖于位置的均值信道增益场而非即时 CSI，所提出的方法减少了信令和估计依赖性，同时保持了可处理且全局最优的回缩视距控制。该公式化共同解决了 NOMA 功率分配、RIS 站点激活、切换约束...

未引用浮点
图 22, E.24 和表 11。

数据可用性
所有报告的结果均由神谕测试评估框架生成。完整的可重现性包随本文附在以下 GitHub 网址中 https://github.com/firasabedi/TRACE_NOMA

声明
• 资金：作者没有相关的财务或非财务利益需要披露。
• 利益冲突/竞争利益：作者没有需要声明与本文内容相关的竞争利益。
• 作者贡献：所有作者均参与了研究构思和设计。所有作者均进行了实验准备、数据收集和分析。所有作者阅读并批准了最终稿。

CRediT 作者贡献声明
Asaad S. Daghal: 调查，形式分析，概念化。Firas Abedi: 写作 – 初稿，可视化，验证，资源，方法论。

竞争利益声明
作者声明没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本文所述工作的发表。
Asaad S. Daghal|Firas Abedi