QoS Improvement in Multi User Cellular-Symbiotic Radio Network Assisted by Active-STAR-RIS

📄 arXiv: 2401.08301v2 📥 PDF

作者: Rahman Saadat Yeganeh, Mohammad Javad Omidi, Farshad Zeinali, Mohammad Robat Mili, Mohammad Ghavami

分类: eess.SP, cs.LG, eess.SY

发布日期: 2024-01-16 (更新: 2026-06-10)

备注: This article will be submitted to the Transactions journal

💡 一句话要点

提出主动STAR-RIS以提升多用户蜂窝网络的服务质量

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 6G网络 可重构智能表面 深度强化学习 多用户接入 物联网 信号处理 网络优化

📋 核心要点

  1. 现有方法在被动物联网用户与主动用户之间的信息传输中面临重大挑战，导致服务质量不足。
  2. 论文提出利用主动同时传输和反射的可重构智能表面（ASRIS）和基站的MIMO天线来增强信息传输能力。
  3. 实验结果显示，所提方案在网络吞吐量上显著提升，尤其是A3C、TD3和PPO方法在收敛速度和吞吐量增加方面表现优异。

📝 摘要（中文）

本文利用主动同时传输和反射的可重构智能表面（ASRIS）来增强6G蜂窝网络服务质量。该网络集成了共生无线（CSR）子系统，以促进被动物联网（IoT）用户与主动用户之间的通信。由于被动用户在信息传输中面临重大挑战，本文通过基站的多输入多输出（MIMO）天线增强信息传输能力，采用非正交多址接入（NOMA）技术和后续干扰消除（SIC）方法来提高吞吐量。为此，本文构建了一个优化问题，并使用深度强化学习（DRL）方法进行求解，结果表明所提方案在网络吞吐量上显著优于被动RIS。

🔬 方法详解

问题定义：本文旨在解决被动物联网用户（SBDs）与主动用户（SUEs）之间的信息传输效率低下的问题。现有方法在信息传输中存在信号衰减和干扰等痛点，导致服务质量不足。

核心思路：通过引入主动同时传输和反射的可重构智能表面（ASRIS），结合基站的MIMO天线，增强信息传输能力。同时，采用非正交多址接入（NOMA）技术和后续干扰消除（SIC）方法，以提高网络的整体吞吐量。

技术框架：整体架构包括基站（BS）、ASRIS和用户设备（SBDs和SUEs）。首先，基站通过MIMO天线接收SBDs传输的信息，然后利用ASRIS进行信号的同时传输和反射，最后将信息传递给SUEs。

关键创新：最重要的技术创新在于引入ASRIS与MIMO的结合，显著提升了信息传输的效率和网络的吞吐量。这种设计与传统的被动RIS方法相比，能够主动调节信号传输，克服了被动用户的局限性。

关键设计：在优化过程中，关键参数包括基站和ASRIS的主动波束赋形系数、ASRIS的相位调整以及CSR与蜂窝网络之间的调度参数。采用深度强化学习（DRL）方法中的PPO、TD3和A3C进行优化，确保了系统的高效性和灵活性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提方案在网络吞吐量上显著提升，A3C、TD3和PPO方法分别在收敛速度和吞吐量增加方面表现最佳。与被动RIS相比，ASRIS在性能上有明显优势，提升幅度达到XX%（具体数据未知）。

🎯 应用场景

该研究具有广泛的应用潜力，尤其在未来的6G网络中，可以有效提升物联网设备的通信能力和服务质量。通过优化网络资源的使用，能够支持更多的用户接入和更高的数据传输速率，推动智能城市、自动驾驶等领域的发展。

📄 摘要（原文）

In this article, we employ active simultaneously transmitting and reflecting reconfigurable intelligent surfaces (ASRIS) to enhance the quality of 6G cellular network services. The network integrates commensal symbiotic radio (CSR) subsystems to facilitate communication between passive Internet of Things (IoT) users and active users, referred to as symbiotic backscatter devices (SBDs) and symbiotic user equipments (SUEs), respectively. Since the SBDs are passive, transmitting information to the SUEs poses significant challenges. To overcome this challenge, we harness the capabilities of massive multiple input multiple output (MIMO) antennas within the base station (BS) to relay the information transmitted by SBDs with greater power. This scheme uses the non-orthogonal multiple access (NOMA) technique for multiple access among all users, and potential interferences are eliminated using successive interference cancellation (SIC). The primary objective is to maximize the throughput between SBDs and SUEs. To achieve this, we formulate an optimization problem involving variables such as active beamforming coefficients at the BS and ASRIS, phase adjustments of ASRIS, and scheduling parameters between CSR and cellular networks. To solve this optimization problem, we used three deep reinforcement learning (DRL) methods: proximal policy optimization (PPO), twin delayed deep deterministic policy gradient (TD3), and asynchronous advantage actor critic (A3C). These methods were simulated, and the results demonstrate that A3C, TD3, and PPO have the best convergence speeds and achieve the highest increases in network throughput, respectively. Finally, the proposed scheme was evaluated using passive simultaneously transmitting and reflecting RIS (STAR-RIS), which demonstrated poorer performance compared to ASRIS.