本文主要是介绍共生通信:马可尼遇见达尔文,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
Symbiotic Communications: Where Marconi Meets Darwin
这里写自定义目录标题
- 一、引言
- 二、 生物共生
- 共生形式
- 共生关系
- 实现共生的方式
- 生物共生的关键要素和概念
- 三、 共生通信
- 四、 专性共生通信和兼性共生通信
- A. 专性共生通信
- 认知反向散射通信
- 共生中继
- 总结
- B. 兼性共生通信
- WiFi 系统与 LAA-LTE
- 五、共生协同进化
- A. 进化循环
- B. 多智能体学习
- 六、 共生合成
- A. 多目标优化
- B. 认知反向散射通信的多目标优化
- 七、 讨论
- A. 系统架构
- B. 共生学习和进化
- C. 6G 网络中的应用
- E. 经济方面和激励机制
- F. 结束语
随着无线应用的激增,电磁 (EM) 空间变得越来越拥挤和复杂。
这使得在无线电资源有限的情况下适应越来越多的无线电系统成为一项具有挑战性的任务。
在本文中,通过将 EM 空间视为无线电生态系统,并利用生物学中对自然生态系统的类比,提出了一种新的共生通信(SC)范式,通过该范式,无线电生态系统中的相关无线电系统(称为共生无线电(SR))通过智能资源/服务交换形成共生关系(例如,互利共生)。
无线电资源包括例如频谱、能源和基础设施,而典型的无线电服务是通信、中继和计算。
共生关系可以通过共生协同进化或共生合成来实现。
在共生协同进化中,每个 SR 在多智能体学习的同时被赋予一个进化循环,而在共生合成中,SR 通过解决多目标优化问题巧妙地优化其操作参数和传输协议。
有希望的是,提议的 SC 范式打破了无线电系统的界限,从而为我们提供了无线电资源管理的全新视角和设计未来无线通信系统的新指南。
一、引言
二、 生物共生
人类生活在一个自然生态系统中,该生态系统容纳了大量植物、动物和其他具有宝贵自然资源的不同物种的生物。
1859年,查尔斯·达尔文出版了他的著名著作《物种起源》,为进化论奠定了基础。
1960 年代,生物学家发现,除了竞争,物种之间的合作和相互依赖在进化过程中也起着重要作用 [7]。
具体而言,多个共生伙伴可以通过交换材料、能源等资源和/或授粉和物理保护等服务而互惠互利,产生生物共生 [8]。
这种新达尔文主义主张进化过程不是特定物种的个体行为,而是两个或多个物种的合作行为。
在自然界中,生物生态系统由生物成分和非生物成分组成。
生物成分是指动植物等物种,非生物成分包括影响生态系统中物种的物质资源。
共生形式
根据共生伙伴的依赖性,共生有两种类型:专性共生和兼性共生。
在专性共生中,两个近亲的生物彼此如此接近,以至于它们中的一个或两个都无法在没有另一个的情况下生存,
而在兼性共生中,两个生物可以单独生存,但通过选择形成共生伙伴关系。
共生关系
从互利的角度来看,共生关系有多种类型,包括寄生、共栖、互利共生等。
最有前途的一种是互利共生,共生伙伴从相互作用中受益。
根据生态系统中交换的资源/服务,共有三种实现互利共生的方式。
- 资源-资源互利共生:每个共生伙伴提供另一个所需的营养资源。
一个例子是豆科植物 - 根瘤菌共生,其中根瘤菌定植于豆科植物根部并帮助植物产生蛋白质,作为回报,植物向根瘤菌提供碳水化合物作为能量来源。 - 资源-服务互利共生:每个共生伙伴都为服务支付资源奖励。
最著名的例子是植物传粉者互惠互利,其中花朵为蜜蜂提供花蜜,而蜜蜂为花朵提供授粉服务。 - 服务-服务互利共生:两个共生伙伴中的每一个都从另一个接收服务。
一个例子是海葵-海葵鱼共生,其中海葵为海葵鱼提供庇护所和食物,作为回报,海葵鱼保护海葵免受其捕食者和寄生虫的侵害。
实现共生的方式
最后,生物共生通常是通过共生伙伴之间的共同进化来实现的,这通常需要一个持续几代人的漫长过程。
生物学家最近提出了共生合成,它人为地在物种之间建立了共生关系,而无需漫长的进化过程 [9]。
生物共生的关键要素和概念
作为总结,图 1 显示了生物共生的关键要素和概念。
共生关系 寄生 共栖 互利共生
互利共生的类型 资源-资源共生 资源-服务共生 服务-服务共生
共生形式 专性共生 兼性共生
实现共生 共同进化 合成
三、 共生通信
类似于生物生态系统,无线电生态系统由一组无线电系统和无线电资源组成。 无线电系统被视为生态系统的生物组成部分,它消耗无线电资源(例如,时间、频率、能量和空间)来完成特定任务。 无线电系统的范围相当广泛,包括但不限于广播、雷达和无线通信系统。
在早期,有丰富的无线电资源(例如频谱),但无线电系统很少。 因此,每个无线电系统都分配有独占资源。 然而,现代无线电生态系统由于无线应用的激增而不得不容纳大量无线电系统,但无线电资源(尤其是无线电频谱)有限,导致无线电生态系统中的干扰和竞争,导致资源稀缺问题。
为了解决上述问题,提出了共生通信(SC)范式,使相关的无线电系统(称为共生无线电(SR))能够合作并实现互惠互利。
具体来说,SC是一个智能无线电生态系统,其中SR通过智能资源/服务交换形成共生关系。
无线电资源包括例如时间、频率、空间、能量和基础设施
无线电服务包括例如直接通信 、中继和计算服务。
虽然每个 SR 在吞吐量、功耗和延迟方面都有自己的设计目标,但 SC 考虑所有 SR 的集体目标并支持资源和服务交换,以实现所有 SR 的互惠互利。
SC 范式背后的基本原理是每个 SR 的不同资源瓶颈可以相互补充以支持多样化的目标。
这避免了一些SR独占无线资源,但由于要求严格仍不能单独支持其应用的情况,从而提高了资源的整体利用率。
与生物学类似,在SC中,SR之间存在不同类型的共生关系,包括寄生、共生、共生等。
另外,根据SR之间的相互依赖性,我们可以将SC分为两类,一类是专性SC,另一类是兼性SC。
最后,SC 可以通过共生协同进化来实现,其中每个 SR 都被赋予一个进化循环,
或者通过共生合成来设计每个 SR 的关键操作参数来处理集体目标。
图2总结了生物生态系统和无线电生态系统之间的映射,以及SC中的关键要素和概念。
可以看出,蜂窝网络可以与各种类型的网络形成SC。
自然生态系统 | 无线电生态系统 | |
---|---|---|
基本单位 | 物种 | 无线电系统 |
共生 | 生物共生 | 共生通信 |
共生单位 | 共生伙伴 | 共生无线电 |
资源 | 水、能源、矿产…… | 时间、频率、空间、能源…… |
服务 | 物理保护、授粉…… | 中继、传感、计算…… |
四、 专性共生通信和兼性共生通信
在本节中,给出了专性 SC 和兼性 SC 的定义。
还提供了三个 SC 示例来说明 SR 的依赖性以及无线电共生是如何形成的。
A. 专性共生通信
专性 SC 描述了一个无线电生态系统,其中一个 SR 严重依赖于其他 SR,并且无法单独实现其通信目标。
认知反向散射通信
经常被引用的例子之一是认知反向散射通信(CBC)系统,它天生就实现了互惠互利[5]、[6]。
具体来说,如图3所示,CBC系统由两个通信系统组成:主动传输系统和反向散射传输系统。
主动传输系统与反向散射装置(BD)共享频谱和能量资源,通过周期性地改变反射系数,反射主动信号来进行反向散射传输。
同时,BD 将传入的主动信号反射到接收器,并为主动传输提供额外的信号功率。
在这种共生关系中,反向散射传输系统在不需要额外频谱和基础设施的情况下获得传输机会,作为回报,主动传输系统具有多径分集增益,从而产生互惠互利。
在图 4 中,主动传输通过与反向散射传输的共生实现了更好的误码率 (BER) 性能,同时启用了反向散射传输。
CBC中的共生形成了资源-资源互利共生,类似于豆科植物-根瘤菌共生。
特别地,主动传输为反向散射传输提供其频谱和能量资源(如对于根瘤菌的营养物质),而 BD 收集空气中的主要信号能量资源(如对于豆科植物的氮)用于主动传输。
共生中继
另一个专性 SC 的例子是图 3 所示的共生中继,它由两个 SR、即主要通信系统和次要系统 [10] 组成。
主要通信有足够的频谱,但由于障碍物的阻挡,其传输链路不可持续且薄弱。
次要系统没有无线电频谱,因此依赖主要系统传输。
因此,主要系统寻求次要系统的帮助以提供高质量的中继服务。
反过来,中继主传输后,允许次要系统占用主要频谱资源进行传输。
通过这种方式,两个系统在合作中实现了互惠互利。
在这种共生关系中,主要通信系统提供宝贵的频谱(如蜜蜂的花蜜),并吸引次要系统提供高质量的中继服务(将花粉从一朵花带到另一朵花),这形成了一种资源-服务互利共生关系,类似于生物学中的植物-传粉者共生。
总结
图 3:
专性 SC:一个 SR 严重依赖另一个。
兼性 SC:SR 相对独立。
专性 SC(资源-资源互利共生):反向散射通信依赖于主动通信的频谱和射频源进行自身传输。
专性 SC(资源-服务互利共生):次要发射机中继主要通信的消息,然后使用主要频谱进行传输
兼性 SC(资源-服务互利共生):WiFi 系统与 LAA-LTE 共享频谱,而 LAA-LTE 反过来为一些 WiFi 用户提供分流服务。
- 专性 SC(资源-资源互利共生)认知反向散射通信
主要通信→频谱资源、能量资源→次要通信
次要通信→能量资源→主要通信 - 专性 SC(资源-服务互利共生)共生中继
主要通信→频谱资源→次要通信
次要通信→中继服务→主要通信 - 兼性 SC(资源-服务互利共生)WiFi 系统与 LAA-LTE
WiFi系统→频谱资源→LAA-LTE
LAA-LTE→分流服务→WiFi系统
B. 兼性共生通信
兼性 SC 是指一个无线电生态系统,其中 SR 相对独立,并且每个 SR 仍然可以在没有其他 SR 的情况下执行其功能。
尽管如此,每个 SR 都可以从无线电生态系统中建立的共生关系中受益。
WiFi 系统与 LAA-LTE
兼性 SC 的一个典型例子是 WiFi 和许可辅助接入 LTE (LAA-LTE) 在未授权频段的共生 [11]。
如图 3 所示,LAA-LTE 和 WiFi 系统共享相同的未授权频谱,但使用不同的传输机制。
具体来说,WiFi系统采用载波侦听多路访问冲突避免(CSMA/CA)机制,而LAA-LTE系统采用中央调度机制接入信道。
传统上,WiFi 和 LAA-LTE 系统根据各自的传输协议单独运行。
然而,Wi-Fi 和 LAA-LTE 可以通过资源/服务交换从共生关系中获得互补的好处。
一方面,LAA-LTE可以为部分WiFi用户提供服务,为他们提供可控的接入和有保障的服务质量。
作为回报,对于WiFi系统,将部分用户分流到管理良好的LAA-LTE系统将降低冲突概率,从而提高留在WiFi系统中的用户的性能。
LAA-LTE和WiFi系统之间的共生形成了资源-服务互利共生关系,WiFi系统与LAA-LTE共享其频谱资源,而LAA-LTE反过来为部分WiFi用户提供分流服务。
五、共生协同进化
对于兼性SC,SR可以单独工作,因此可以通过共生协同进化来实现共生关系,其核心是进化循环。
A. 进化循环
图 5:SC 中 SR 的进化循环。
自我进化传统上应用于单个无线电系统,同时将其他系统视为环境的一部分。
SC 打破了个体 SR 的界限,使 SR 能够共同进化为互利共生。
为了实现这一点,应该在每个 SR 中引入协同进化机制,并激励 SR 与其他人共享其无线电资源和服务。
提出了一个进化循环,以授权 SR 支持共同进化过程。
如图 5 所示,每个周期的关键组成部分包括合作、观察、学习、决策和行动。
进化循环从 SR 之间的合作开始,其中每个 SR 通知其他 SR 其状态信息,包括它可以提供的无线电资源和服务、其应用的 QoS 要求以及它迄今为止获得的好处。
然后,SR 观察 RF 激励以隐式获取无线电环境中的状态。
连同从合作中获得的其他 SR 的状态信息,每个 SR 都可以学习和推断环境的模式以及其他 SR 的潜在收益。
基于推断的信息,每个SR对无线电资源和服务分配做出自适应决策,例如频谱管理、功率控制、速率适配、接入策略等等。
最后,每个 SR 相应地采取行动,共享其无线电资源并通过合作提供其无线电服务。
SC通过周而复始的演进循环,智能地将无线资源和业务重新分配给SR。
因此,SC 中的 SR 可能具有额外的自由度来满足严格的要求,从而使 SR 共同进化为互惠伙伴。
以LAA-LTE为例,为了实现WiFi和LAA-LTE系统的互利共存,LAA-LTE用户占用每一帧中部分时隙的信道,而WiFi用户使用帧的剩余部分。
如果一帧内LAA-LTE占用的时隙太短,则WiFi系统完成传输时信道可能会长时间空闲,导致频谱利用率低。
另一方面,如果占用的时隙过长,则WiFi系统难以顺利完成传输,导致WiFi传输性能不佳。
因此,可以引入进化循环来提高频谱使用率,同时保护 WiFi 系统。
具体来说,LAA-LTE 系统持续观察 WiFi 活动,智能学习 WiFi 流量模型。
同时,WiFi系统可以协同将其流量需求通知LAA-LTE系统。
根据观察到的信息,LAA-LTE 系统可以决定传输时间并采取相应的行动。
通过这种自适应行动策略,可以提高频谱效率并保护 WiFi 系统,从而实现互利共生。
B. 多智能体学习
通过进化过程,SC中的SR通过交换无线电资源和服务共同进化为互利共生,因此SC可以被视为一个多智能体系统。
作为智能体,每个 SR 相互交互并以分布式方式做出决策,因此可以使用多智能体强化学习来执行分布式学习。
在多智能体强化学习中,每个 SR 通过反复试验 [12] 与其他 SR 及其环境随着时间的推移进行交互,从而单独学习自己的最佳策略。
例如,在WiFi和LAA-LTE的共生关系中,LAA-LTE系统迭代地观察当前环境状态(WiFi活动),根据当前策略选择一个动作(传输时间),然后立即获得奖励和新的环境状态。
LAA-LTE 或 WiFi 的奖励函数可以对应不同的性能指标,例如容量或吞吐量。
每个系统根据其本地知识和接收到的其他用户的状态信息做出单独的决定。
所有用户的共同目标是最大化全球平均收益,例如频谱效率。
为了实现这一点,每个用户反复调整其策略以通过最大化长期奖励来接近最佳策略,长期奖励包括即时奖励和未来奖励。
一般来说,从当前状态到下一个状态的转移概率用于计算未来的奖励。
然而,LAA-LTE系统很难获得转移概率,尤其是在复杂的环境中。
在这种情况下,广泛使用无模型 RL 算法,例如 Q-learning 算法,它构建一个查找 Q 表来指示所有可能的状态-动作对的长期奖励。
当状态空间和动作空间较大时,难以存储大的Q-table,降低Q-learning算法的性能。
或者,通过引入深度神经网络来估计长期奖励,深度强化学习可用于制定最佳策略。
多智能体学习使 SC 系统更智能、更简单。
一方面,SR 可以使用本地和过时的信息来提取隐藏模式并做出相应的决策,从而降低系统复杂度和开销。
另一方面,多智能体学习应用于 SC 内的所有 SR,赋予 SC 系统智能并使共生协同进化成为可能。
六、 共生合成
如前所述,SC 中的共生关系也可以通过共生合成人为构建,其中涉及为集体目标共同设计 SR。
多目标优化 (MOO) 可用于对共生合成进行建模,并结合资源和服务交换引入的目标函数和约束细化。
A. 多目标优化
在 SC 中,每个 SR 都有自己的性能指标和无线电资源限制。
当使用 MOO 对共生合成建模时,无线电资源的交换通常不会影响每个 SR 的目标函数,而是扩展了对变量的约束,从而影响了解的可行域。
然而,无线电服务的交换可能会改变 SR 实现其目标的方式。例如,共生中继系统提供高质量的中继服务,从而改变主要传输的可达速率函数。
然而,MOO模型中无线资源和服务的属性并不局限于上述分析,而是取决于具体的场景。
在 MOO 中,通常求解一组最优解而不是单个全局解。
每个最优点称为 Pareto 最优,它指的是在不降低其他子目标中的至少一个的情况下,没有子目标可以变得更好的情况。
在 SC 中,Pareto 最优点集表示每个 SR 可以通过各种资源和服务交换策略实现的所有潜在收益,从而根据每个 SR 的预期收益指导共生合成的设计。
不存在同时让所有子目标函数都更好的解
传统上,MOO 问题可以通过标量化方法或 Pareto 方法来解决。
- 对于第一种方法,MOO 问题是通过加权和标量化或切比雪夫标量化 [13] 对目标函数进行标量化来解决的。
加权值代表子目标的贡献,并且是在优化过程之前预先选择的。
使用不同的标量化加权值,会生成不同的 Pareto 最优解。 - 另一方面, Pareto 方法旨在通过探索和 Pareto 过滤、多目标遗传算法或使用加权值扫描的加权求和方法来产生所有 Pareto 最优解。
B. 认知反向散射通信的多目标优化
在这里,我们以 CBC 为例来展示如何实现主动传输和反向散射传输之间的共生合成。
在 CBC 中,我们制定了一个 MOO 问题,旨在优化主动传输速率和反向散射传输速率。
特别是,当主动传输的符号周期给定时,我们利用加权总和率方法通过设计反向散射传输的符号周期来实现共生合成[14]。
请注意,当 BD 符号周期足够大并覆盖一系列连续的主动传输符号时,反向散射传输会提供额外的多径信号,而不是对主动传输的干扰。
另一方面,反向散射传输由主动传输启用。
如图 6 所示,这种共生合成有助于增强主动传输并通过引入反向散射传输来提高总频谱效率。
因此,通过解决MOO问题,CBC巧妙地优化了关键操作参数,实现了主动传输和反向散射传输之间的互利共生。
七、 讨论
SC是一种新的无线通信范式,它提高了无线资源的利用效率,增强了SR的超性能。 由于SC涉及与无线通信、进化理论和人工智能相关的跨学科研究,要使SC成为现实,仍然存在一些技术挑战和开放问题需要解决。
A. 系统架构
SR 之间无线电资源和服务的交换要求对 SC 进行新颖的跨层设计。
此外,SC 中需要一个公共控制信道来支持 SR 之间的合作。
此外,进化循环的执行涉及密集的计算和通信开销。
因此,结合通信和计算的新型系统架构值得进行大量研究。
B. 共生学习和进化
共生学习将 SR 的有益状态纳入学习过程,可以成为实现进化共生的潜在解决方案 [15]。
然而,无线电资源和服务的交换可能会改变目标函数,从而改变代理的回报。
这种性质可能会影响多智能体学习的收敛性和稳定性,需要沿着这个方向进行研究。
C. 6G 网络中的应用
E. 经济方面和激励机制
F. 结束语
这篇关于共生通信:马可尼遇见达尔文的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!