别再死记硬背了！用Python模拟LTE HARQ的软合并过程，5分钟搞懂RV和Buffer

用Python模拟LTE HARQ软合并：从环形缓冲到冗余版本的可视化实践

在通信协议栈的底层，HARQ（混合自动重传请求）机制如同一位不知疲倦的纠错师，默默确保着每一比特数据的可靠传输。传统教材中晦涩的环形缓冲器、冗余版本等概念，往往让学习者陷入理论泥潭。本文将用Python构建一个微型仿真系统，通过不到50行代码揭示软合并背后的数学之美。

1. 环境搭建与基础模型

开始前需要安装科学计算三件套：

pip install numpy matplotlib ipython

我们首先定义Turbo编码的简化模型。真实的Turbo编码包含两个卷积编码器，这里用伪随机序列模拟系统比特和校验比特：

import numpy as np def generate_tb(size=1024): """生成传输块：系统比特+校验比特""" sys_bits = np.random.randint(0, 2, size) # 系统比特 parity1 = np.bitwise_xor(sys_bits[::2], sys_bits[1::2]) # 简单奇偶校验 parity2 = np.roll(parity1, 3) # 位移版本 return np.concatenate([sys_bits, parity1, parity2])

环形缓冲器的Python实现采用numpy的滚动索引技巧：

class CircularBuffer: def __init__(self, data): self.buffer = data self.size = len(data) def read(self, start, length): indices = (np.arange(length) + start) % self.size return self.buffer[indices]

2. 冗余版本(RV)的生成逻辑

3GPP标准定义了四种典型RV位置（0,2,3,1），对应不同的起始读取点：

对应的Python实现：

def get_rv_offset(rv_index, buffer_size): rv_positions = [0, buffer_size//2, 2*buffer_size//3, buffer_size//3] return rv_positions[rv_index % 4]

通过Matplotlib可以直观对比不同RV的比特构成：

import matplotlib.pyplot as plt def plot_rv_composition(tb, rvs=[0,2,3,1]): fig, axs = plt.subplots(len(rvs), 1, figsize=(10,8)) for i, rv in enumerate(rvs): axs[i].imshow([tb[get_rv_offset(rv, len(tb)):][:100]], cmap='Blues') axs[i].set_title(f'RV={rv}起始结构') plt.tight_layout() return fig

3. 信道损伤与软合并实现

模拟信道传输需要三个关键组件：

1. 调制映射：将比特转换为±1的软判决值
2. 噪声添加：AWGN信道模型
3. 合并策略：Chase合并或增量冗余

def transmit(signal, snr_db): """添加高斯白噪声""" noise_power = 10 ** (-snr_db / 10) noise = np.random.normal(0, np.sqrt(noise_power/2), len(signal)) return signal + noise def soft_combine(previous, current, method='chase'): """软合并核心算法""" if method == 'chase': return (previous + current) / 2 else: # 增量冗余 return np.concatenate([previous, current])

实验演示不同SNR下的合并效果：

def demo_harq_round(): tb = generate_tb(512) buffer = CircularBuffer(tb) # 初始传输 rv0 = buffer.read(get_rv_offset(0, len(tb)), 300) tx_signal = 1 - 2 * rv0 # BPSK调制 rx_signal = transmit(tx_signal, snr_db=2) # 重传 rv2 = buffer.read(get_rv_offset(2, len(tb)), 300) tx_retx = 1 - 2 * rv2 rx_retx = transmit(tx_retx, snr_db=4) # 合并解码 combined = soft_combine(rx_signal, rx_retx) return np.mean(np.abs(combined[:len(rv0)])) # 度量信号强度

4. 完整HARQ过程模拟

构建端到端的HARQ流程需要处理：

• HARQ进程状态管理
• ACK/NACK反馈机制
• 最大重传次数限制

class HARQProcess: def __init__(self, buffer_size=1024): self.tb = generate_tb(buffer_size) self.buffer = CircularBuffer(self.tb) self.soft_buffer = None self.retx_count = 0 def initial_transmission(self): self.soft_buffer = np.zeros(len(self.tb)) return self._transmit(rv=0) def _transmit(self, rv): data = self.buffer.read(get_rv_offset(rv, len(self.tb)), 600) tx_signal = 1 - 2 * data return tx_signal, data def process_feedback(self, ack, last_signal): if ack or self.retx_count >= 3: self.retx_count = 0 return None self.retx_count += 1 next_rv = (self.retx_count % 4) new_signal, new_data = self._transmit(next_rv) combined = soft_combine(last_signal, new_signal) return combined

可视化工具帮助理解合并过程：

def plot_harq_evolution(process): results = [] signal, _ = process.initial_transmission() results.append(signal.copy()) for _ in range(3): # 模拟3次重传 combined = process.process_feedback(False, signal) if combined is None: break results.append(combined[:len(signal)]) signal = combined plt.figure(figsize=(10,4)) for i, sig in enumerate(results): plt.plot(sig[:50]+i*3, label=f'Round {i}') plt.legend() plt.title('多次合并后的信号演变') plt.show()

5. 性能评估与优化方向

通过蒙特卡洛仿真评估不同RV策略的BLER性能：

def monte_carlo_simulation(trials=1000): snr_range = np.arange(-2, 8, 1) results = {rv: [] for rv in [0,1,2,3]} for snr in snr_range: for rv in results.keys(): errors = 0 for _ in range(trials): tb = generate_tb() buffer = CircularBuffer(tb) # 初始传输 tx, _ = buffer.read(get_rv_offset(rv, len(tb)), 400) rx = transmit(1-2*tx, snr) # 模拟解码失败后的重传 for _ in range(3): tx_retx, _ = buffer.read(get_rv_offset((rv+1)%4, len(tb)), 400) rx = soft_combine(rx, transmit(1-2*tx_retx, snr+2)) # 简单硬判决 decoded = (rx < 0).astype(int) errors += np.any(decoded != tx[:len(decoded)]) results[rv].append(errors/trials) return results

实际工程中的优化技巧：

• 动态RV选择：根据信道质量调整RV策略
• 缓冲器管理：设置合理的软比特量化精度
• 提前终止：在达到足够置信度时提前结束重传

def adaptive_rv_selection(cqi): """根据信道质量选择RV策略""" if cqi < 5: # 差信道 return 0 # 优先传输系统比特 elif cqi < 10: return 2 # 平衡模式 else: return np.random.choice([1,3]) # 增量冗余

通过IPython的交互功能，可以实时观察不同参数下的合并效果：

from IPython.display import display, clear_output def interactive_demo(): import ipywidgets as widgets rv_selector = widgets.Dropdown(options=[0,1,2,3], description='RV:') snr_slider = widgets.FloatSlider(min=-5, max=10, step=0.5, value=2, description='SNR:') def update_plot(rv, snr): clear_output(wait=True) process = HARQProcess(512) signal, _ = process._transmit(rv) noisy = transmit(signal, snr) plt.figure(figsize=(10,3)) plt.plot(signal[:100], label='发送信号') plt.plot(noisy[:100], alpha=0.6, label='接收信号') plt.legend() plt.show() widgets.interactive(update_plot, rv=rv_selector, snr=snr_slider)