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

📄 arXiv: 2401.08301 📥 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: 2026-06-12

💡 一句话要点

提出ASRIS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 非正交多址接入 物联网 信号增强 网络优化

📋 核心要点

  1. 现有的物联网用户在信息传输中面临重大挑战，尤其是被动用户与主动用户之间的通信效率低下。
  2. 本文提出利用主动同时传输和反射的可重构智能表面（ASRIS）与基站的MIMO天线相结合，提升信息传递能力。
  3. 实验结果显示，采用深度强化学习方法的优化方案在网络吞吐量上显著提升，尤其是A3C、TD3和PPO方法的收敛速度较快。

📝 摘要（中文）

本文采用主动同时传输和反射的可重构智能表面（ASRIS）来提升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，本文利用基站的海量多输入多输出（MIMO）天线增强信息传递能力，并采用非正交多址接入（NOMA）技术和后续干扰消除（SIC）来优化用户接入。通过优化问题的构建与深度强化学习（DRL）方法的应用，实验结果表明，所提方案在网络吞吐量上显著提升。

🔬 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）之间的通信效率低下问题。现有方法在信息传输中面临显著挑战，尤其是被动用户的信号传输能力不足。

核心思路：论文提出利用主动同时传输和反射的可重构智能表面（ASRIS）与基站的MIMO天线相结合，通过增强信号传递能力来提高网络服务质量。采用非正交多址接入（NOMA）技术和后续干扰消除（SIC）来优化用户接入，最大化吞吐量。

技术框架：整体架构包括基站（BS）、ASRIS和用户设备。首先，基站通过MIMO天线接收SBDs的信号，然后利用ASRIS进行信号的同时传输和反射，最后通过NOMA和SIC技术实现多用户接入。

关键创新：最重要的技术创新在于结合了ASRIS和MIMO技术，显著提升了被动用户的信息传输能力，与传统的被动反射技术相比，提供了更高的网络吞吐量和更好的服务质量。

关键设计：在优化过程中，关键参数包括基站和ASRIS的主动波束形成系数、ASRIS的相位调整以及CSR与蜂窝网络之间的调度参数。采用深度强化学习方法（如PPO、TD3和A3C）来解决优化问题，确保了快速收敛和高效性能。

📊 实验亮点

实验结果表明，采用深度强化学习方法的优化方案在网络吞吐量上显著提升。具体而言，A3C、TD3和PPO方法在收敛速度和吞吐量提升方面表现优异，尤其是PPO方法实现了最高的吞吐量增幅，显示出该方案的有效性。

🎯 应用场景

该研究的潜在应用领域包括未来的6G蜂窝网络、智能城市和物联网环境。通过提升被动用户的通信能力，能够有效支持大规模物联网设备的接入与数据传输，推动智能设备的普及与应用，具有重要的实际价值和社会影响。

📄 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.