主动RIS如何突破无蜂窝MIMO性能瓶颈：对抗信道老化与导频污染
1. 项目概述：多主动RIS如何重塑无蜂窝大规模MIMO的性能边界
在6G及未来无线通信的演进蓝图中，我们面临两个核心挑战：一是如何在复杂、动态的传播环境中（如城市峡谷、室内死角、高速移动场景）提供稳定、均匀的高质量服务；二是如何在指数级增长的数据需求下，实现频谱效率（SE）与能量效率（EE）的协同提升。传统的无蜂窝大规模MIMO（Cell-Free Massive MIMO）通过分布式部署大量低功耗接入点（AP），协同服务用户，有效解决了小区边缘效应，提供了无缝覆盖。然而，在恶劣信道条件下，其性能仍受限于路径损耗和阴影衰落。
可重构智能表面（RIS）的出现，为我们提供了一把“编程”无线环境的钥匙。传统无源RIS（pRIS）通过智能反射可以重塑信道，但其“双衰落”效应——信号经历发射端到RIS和RIS到接收端的两次衰落——严重制约了性能增益，往往需要部署成百上千个反射单元（RE）才能获得可观收益，这带来了成本和部署空间的压力。
主动RIS（aRIS）正是在此背景下应运而生的颠覆性思路。它并非简单反射，而是在每个反射单元上集成了低功耗的有源放大器，能够对入射信号进行幅度放大和相位调控。这就好比将一面“智能镜子”升级成了一个“智能透镜+放大器”，直接打破了双衰落的物理限制。我的团队在近期的工作中深入探究了将多个小型主动RIS引入无蜂窝大规模MIMO架构的潜力。我们发现，这不仅仅是简单的技术叠加，而是一种系统性的增强：多个分布式aRIS能提供宏分集增益，降低有效路径损耗；同时，其放大能力能有效对抗由用户高速移动引起的**信道老化（CA）效应，并缓解因导频资源有限导致的导频污染（PC）**问题。
当然，天下没有免费的午餐。aRIS在放大期望信号的同时，也不可避免地放大了接收机噪声和来自其他用户的干扰（多用户干扰，MUI），我们称之为RIS噪声放大（RNA）。此外，有源电路也带来了额外的功耗。因此，如何协同优化用户的发射功率与多个aRIS的反射系数（包括幅度和相位），在功率约束下最大化系统和频谱效率，并深入理解SE与EE之间的内在权衡，就成为了一个极具价值且充满挑战的研究课题。本文将基于我们已发表的研究，为你深入拆解多主动RIS辅助无蜂窝大规模MIMO系统的性能分析与优化全流程，从核心原理、数学建模到算法实现与避坑指南，手把手带你理解这一前沿技术。
2. 系统核心：模型构建与关键挑战剖析
2.1 系统模型与信道建模
我们考虑一个典型的无蜂窝大规模MIMO系统，其中M个单天线AP随机分布，通过无限容量、无误差的前传链路连接到中央处理单元（CPU），共同服务K个单天线移动用户。为了增强系统性能，我们在AP与用户之间随机部署了L个主动RIS。每个aRIS由N = N_h × N_v个有源反射单元构成。
信道模型是性能分析的基石。我们考虑一个实际的城区环境，缺乏主导的视距（LoS）分量，因此采用空间相关的瑞利衰落模型。这比简单的独立同分布信道更贴合实际，因为RIS的反射单元间距通常在亚波长量级，单元间的相关性不可忽略。
- AP-用户直接信道：f_{mkt} ~ CN(0, β_{mk})，其中β_{mk}是大尺度衰落系数。
- 用户-RIS信道：h_{lkt} = R_{lk}^{1/2} \bar{h}_{lkt}，R_{lk}是第l个RIS处来自用户k的空间相关矩阵。
- RIS-AP信道：g_{ml} = R_{ml}^{1/2} \bar{g}_{ml}，R_{ml}是相应的空间相关矩阵。 其中，R_{lk} = ρ_{lk} R_l，R_{ml} = ν_{ml} R_l，ρ_{lk}和ν_{ml}是大尺度衰落，R_l是第l个RIS的空间相关矩阵（若信道不相关，则R_l = I_N）。
主动RIS反射模型：第l个RIS的反射矩阵为对角阵Θ_l = diag(ϑ_l)，其中ϑ_l = [ϑ_{l1}, ..., ϑ_{lN}]^H，且ϑ_{ln} = α_{ln} e^{jθ_{ln}}。这里与pRIS的关键区别在于幅度α_{ln}：对于pRIS，α_{ln} ≤ 1；而对于aRIS，α_{ln} ≥ 1，且存在一个最大放大系数α_max。因此，用户k到APm在时刻t的聚合信道为：e_{mkt} = f_{mkt} + Σ_{l=1}^{L} g_{ml}^H Θ_l h_{lkt}其方差为μ_{mk} = β_{mk} + Σ_{l=1}^{L} tr(Θ_l^H R_{ml} Θ_l R_{lk})。
注意：在实际部署中，大尺度衰落系数（β_{mk},ρ_{lk},ν_{ml}）可以通过长期测量或基于位置的估计获得，并假设在CPU端完美已知。这是实现基于统计信道状态信息（CSI）的功率控制和波束赋形的基础。
2.2 核心挑战：四大性能“杀手”及其相互作用
在这样一个动态系统中，有四个关键因素会严重制约性能上限，而aRIS的引入改变了它们的影响机制：
信道老化（CA）：用户移动导致多普勒频移，使得信道在相干时间内持续变化。这意味着训练阶段估计的信道与数据传输时的实际信道存在差异。我们采用Jakes模型来刻画这种时间相关性：h_{lkt} = κ_{kt} h_{lk0} + \check{κ}{kt} \check{h}{lkt}，其中κ_{kt} = J_0(2π f_{D,k} T_s t)是时间相关系数，f_{D,k}是多普勒频移。CA会降低有效信号功率，同时增强干扰。
导频污染（PC）：在大型网络中，用户数K往往远大于正交导频长度τ。这意味着多个用户不得不复用相同的导频序列，导致信道估计时产生不可消除的干扰，即PC。在aRIS系统中，PC的影响会被RIS反射链路放大。
多用户干扰（MUI）：所有用户在同一时频资源上传输，AP接收到的信号是所有用户信号的叠加。即使采用匹配滤波等线性接收机，用户间干扰依然存在。aRIS在增强目标用户信号的同时，也会无意中增强其他用户的干扰信号。
RIS噪声放大（RNA）：这是主动RIS特有的问题。每个有源反射单元上的放大器在放大入射信号的同时，也会放大其自身的电路热噪声。这个被放大的噪声会经由RIS-AP链路注入到接收端，成为新的干扰源。RNA的功率与反射系数的幅度平方 (α_{ln}^2) 成正比。
致命的耦合效应：这四者并非独立。例如，用户移动（CA）会恶化信道估计质量，加剧PC的影响；而aRIS的放大作用，在提升期望信号对抗CA的同时，也等比例地放大了PC、MUI和RNA。我们的分析表明，在aRIS系统中，即使导频功率趋于无穷大或采用完全正交导频，由于RNA的存在，信道估计的归一化均方误差（NMSE）也会存在一个不可消除的“误差地板”。这与pRIS系统有本质区别（pRIS在理想条件下NMSE可趋于零）。这意味着对于aRIS，必须精心设计反射系数，盲目增加放大倍数可能适得其反。
3. 性能分析：闭式解与设计启示
为了定量评估系统性能并指导优化，我们推导了在时空相关信道、非完美CSI下，每个用户可达信干噪比（SINR）的闭式表达式。这是理论分析的核心，避免了复杂的蒙特卡洛仿真，能直观揭示各参数的影响。
3.1 可达频谱效率闭式解
经过严格的数学推导（详见原文附录），用户k在时刻t的SINRγ_{kt}可以表示为：γ_{kt} = (κ_{k\bar{\bar{t}}}^2 P_k (Σ_{m=1}^{M} \hat{μ}{mk})^2) / ( \tilde{D}{kt} + \tilde{F}{kt} + \tilde{I}{kk't} )其中：
- 分子：代表期望信号功率，与用户发射功率P_k、信道老化系数κ_{k\bar{\bar{t}}}^2、以及估计信道增益的平方和成正比。
- 分母：
- \tilde{D}_{kt}：AP端的加性高斯白噪声。
- \tilde{F}_{kt}：RIS噪声放大（RNA）项。这是aRIS特有的，正比于有源噪声功率σ_A^2以及反射系数幅度平方和。
- \tilde{I}_{kk't}：总干扰项，包含多用户干扰（MUI）和导频污染（PC）的影响。它非常复杂，是K, M, L, N, {α_{ln}}以及大尺度衰落的函数。
从这个表达式，我们可以获得几个至关重要的设计启示：
- 规模缩放律：当AP数量M、RIS数量L、每个RIS的单元数N以相同速率趋于无穷时，噪声项\tilde{D}_{kt}和\tilde{F}_{kt}被“平均掉”，但干扰项\tilde{I}_{kk't}中的导频污染部分依然存在。这意味着系统的频谱效率存在饱和上限，瓶颈在于导频污染，而非噪声。
- aRIS的双刃剑效应：增加反射幅度α_{ln}或反射单元数N，能线性提升分子（期望信号），但会以二次方的形式提升分母中的RNA和部分干扰项。因此，存在一个最优的放大系数，并非越大越好。
- AP与RIS的权衡：公式显示，通过部署多个aRIS，可以在减少AP数量 (M) 的同时，达到与pRIS辅助或无RIS传统无蜂窝系统相近的性能。这意味着可以用低成本的RIS硬件，部分替代昂贵的AP射频链路，从而降低网络部署成本。
3.2 功率消耗模型
aRIS的功耗必须纳入考量。一个实用的功耗模型包括三部分：
- 静态电路功耗：每个有源反射单元的控制/开关电路功耗P_{C1}和直流偏置功耗P_{DC}。
- 动态放大功耗：与放大输出功率P_{out}相关，考虑功率放大器效率ζ。P_{out}又取决于入射的导频和数据信号功率。 因此，第l个aRIS的总功耗为：P_{RIS,l} = N(P_{DC} + P_{C1}) + ζ^{-1} P_{out,l}。 整个网络的总功耗P_{total}则为所有用户设备功耗、所有AP功耗（包含电路和前传功耗）以及所有aRIS功耗之和。
这个模型清晰地揭示了一个关键权衡：在固定的总功耗预算P_{RIS}下，增加反射单元数量N会挤占用于信号放大的功率份额（见公式α ≤ sqrt( ζ(P_{RIS} - NL(P_{DC}+P_{C1})) / (N(Σρ_{lk}P_k + σ_A^2 L)) )）。因此，系统设计需要在“更多反射单元”和“更强放大能力”之间做出折衷。
4. 联合优化算法：最大化系统和频谱效率
我们的目标是在用户总发射功率和每个aRIS输出功率的约束下，最大化系统和频谱效率。这是一个联合优化问题：优化变量包括所有用户的发射功率{P_k}和所有aRIS的反射系数矩阵{Θ_l}。该问题非凸，且变量耦合，直接求解非常困难。
我们提出了一个基于交替优化（Alternating Optimization）的框架，将原问题分解为两个相对容易处理的子问题，并迭代求解。
4.1 子问题一：给定RIS反射系数，优化用户发射功率
当反射系数{Θ_l}固定时，问题简化为在用户总功率约束和aRIS输出功率约束下，最大化系统和速率。我们采用经典的加权最小均方误差（WMMSE）方法。其核心思想是：在单天线用户场景下，最小化均方误差（MSE）问题与最大化速率问题在数学上存在等价关系。
我们为每个用户引入一个接收滤波器r_k和一个权重ω_k。通过固定权重和滤波器优化功率，再固定功率优化权重和滤波器，交替进行。具体步骤如下：
优化接收滤波器r_k：在给定功率和权重下，最优滤波器是MMSE滤波器，其闭式解为：r_k^= (κ_{k\bar{\bar{t}}} \bar{P}k Σ_m \hat{μ}{mk}) / ( Σ_{k'} \bar{P}{k'}^2 I1{kk'} + Σ_{k'∈P_k} \bar{P}{k'}^2 I2{kk'} + \tilde{D}{kt} + \tilde{F}{kt} )* 其中\bar{P}_k = sqrt(P_k)，I1_{kk'}和I2_{kk'}是与信道统计量相关的已知系数。
优化权重ω_k：最优权重为当前均方误差的倒数：ω_k^= χ_{mse,k}^{-1}*。
优化发射功率{\bar{P}_k}：在更新了r_k和ω_k后，功率优化问题转化为一个二次约束二次规划（QCQP）。通过构造拉格朗日函数，并利用KKT条件，可以得到最优功率的表达式：\bar{P}_k^= (κ_{k\bar{\bar{t}}} ω_k r_k Σ_m \hat{μ}{mk}) / ( λ_1 + λ_2 Σ_l tr(Θ_l^H R{lk} Θ_l) + ψ_{kk'} )* 其中λ_1,λ_2是对应于总发射功率约束和aRIS输出功率约束的拉格朗日乘子，需要通过二维搜索确定；ψ_{kk'}是包含权重和滤波器信息的干扰加权和。
实操心得：在实际算法实现中，二维搜索（λ_1,λ_2）是计算瓶颈。可以采用二分搜索或黄金分割搜索来高效确定最优乘子。初始值可以设为0，然后根据功率约束的违反情况动态调整。通常迭代10-15次后，系统和速率就能收敛。
4.2 子问题二：给定用户发射功率，优化RIS反射系数
当用户功率固定时，优化反射系数{Θ_l}的问题同样非凸。我们观察到，最小化所有AP-用户链路的总归一化均方误差（Total NMSE）与最大化系统和速率的目标在趋势上是一致的。因此，我们将原问题转化为一个更易处理的总NMSE最小化问题。
然而，目标函数是多个分式之和。我们采用分式规划（Fractional Programming）中的二次变换（Quadratic Transform）技巧。通过引入辅助变量{v_{mk}}，将分式和问题转化为一个关于辅助变量和反射系数的联合优化问题。
转化后的问题可以交替优化：
- 优化辅助变量v_{mk}：在固定反射系数ϑ（所有ϑ_l的堆叠向量）时，有闭式解：v_{mk}^= sqrt(b_{mk} + ϑ^H Z_{mk} ϑ) / (a_{mkk'} + ϑ^H \check{Z}_{mkk'} ϑ)*。
- 优化反射系数ϑ：在固定辅助变量后，目标函数关于ϑ是一个二次型，但约束（幅度约束和总功率约束）构成了一个非凸集合。我们使用一阶泰勒展开对目标函数进行线性近似，将问题转化为一个凸的二次约束二次规划（QCQP），可以利用CVX等凸优化工具包高效求解。
4.3 交替优化框架与复杂度分析
完整的算法流程如下：
- 初始化：随机生成一组满足幅度和功率约束的反射系数{Θ_l}^{(0)}，并初始化用户功率为平均分配。
- 迭代： a.固定反射系数，运行WMMSE功率优化算法（算法1），更新用户功率{P_k}。 b.固定用户功率，运行FP反射系数优化算法（算法2），更新反射系数{Θ_l}。 c. 计算当前系统和速率，检查是否收敛（相邻两次迭代速率变化小于阈值ϱ）。
- 输出：最优的发射功率和反射系数。
复杂度分析：算法的主要计算开销在于：
- 预计算：计算所有必要的信道统计量（如I1_{kk'},I2_{kk'}），复杂度为O(M^2 L K (1 + K/τ) + M^2 K^2)。
- 功率优化（算法1）：每次迭代涉及K个闭式更新和一次二维搜索，复杂度约为O((3K + n_1 n_2) S_1)，S_1是迭代次数。
- 反射系数优化（算法2）：每次迭代需要计算MK个辅助变量（O(MK (LN)^2)）和求解一个关于LN维变量的QCQP问题（O((LN)^3)量级），复杂度为O((MK (LN)^2 + (LN)^3) S_2)。
总体而言，算法复杂度与网络规模（M, K, L, N）多项式相关，对于中等规模的网络是可实现的。在实际部署中，由于大尺度信道信息变化缓慢，这些优化可以在秒级甚至更长时间尺度上进行，无需在每个相干时间内更新，从而降低了实时计算压力。
5. 仿真结果与性能洞察
我们通过大量的蒙特卡洛仿真验证了理论分析的正确性和优化算法的有效性。关键参数设置如下：覆盖区域1 km²，载频1.9 GHz，带宽20 MHz，相干块长度τ_c=200，正交导频数τ=4，用户速度对应归一化多普勒频移f_D T_s = 0.002，20%的AP-用户直连链路被阻塞（模拟恶劣环境）。
5.1 频谱效率分析
AP数量与RIS增益：如图2所示，随着AP数量增加，所有系统的和频谱效率（Sum SE）都得到提升。但aRIS辅助的系统始终显著优于pRIS辅助和传统无RIS系统。例如，在用户静止时，aRIS-CF在70个AP时能达到约62 Mbps，而pRIS-CF和传统CF分别为51 Mbps和45 Mbps。更重要的是，要达到相同的性能（如20 Mbps），aRIS-CF所需的AP数量远少于其他两者。这意味着aRIS可以用低成本的反射面硬件替代部分昂贵的AP射频链路，降低部署成本。
对抗信道老化：图4和图5展示了用户移动性的影响。随着用户速度增加（f_D T_s增大），所有系统的性能都下降，但aRIS-CF的下降幅度最缓。这是因为aRIS的放大能力可以部分补偿由信道老化导致的信号衰减。在高速移动场景下，aRIS的性能优势更加明显。
反射单元数量与空间相关性：如图9所示，增加每个RIS的反射单元数N能提升性能，但收益递减。aRIS-CF仅需少量单元（如N=9）即可达到pRIS-CF需要大量单元（如N=49）才能达到的性能。然而，空间相关性会削弱RIS的增益。当反射单元间相关性很强时（如间距d=λ/8），信道矩阵秩降低，限制了波束成形的自由度，aRIS的性能甚至会劣于pRIS（见图3，当直连链路比例很高时）。因此，在实际部署中，需要权衡RIS的物理尺寸（单元间距）与性能。
5.2 优化算法效果
图7展示了所提交替优化算法的巨大价值。我们比较了三种情况：(1) 功率和反射系数均优化；(2) 仅优化功率，反射系数随机设置；(3) 均不优化（等功率分配，随机反射）。
- 结果显示，联合优化（情况1）相比未优化（情况3）能带来超过130%的和速率提升。
- 即使只优化功率（情况2），也能获得超过50%的增益。 这充分说明了在aRIS系统中进行协同资源分配的极端重要性。盲目增加发射功率或反射放大倍数，可能会因加剧干扰和RNA而适得其反。
5.3 能量效率与频谱效率的权衡
图12和图13深入探讨了系统的“绿色”性能——总能效（Total EE，单位：比特/焦耳）。
AP数量与EE：EE随AP数量M先增后减（图12a）。初期，增加AP显著提升SE，而功耗增长相对线性，故EE上升。但当AP过多时，SE因干扰饱和（见图2），而功耗持续线性增长，导致EE下降。aRIS-CF的EE峰值出现得更早（约M=20），且峰值EE最高，这意味着用更少的AP配合aRIS能达到最佳的能效平衡点。
用户数量与EE：EE随用户数K同样呈现先增后减的趋势（图13a）。用户增多，空间复用增益提升SE，但用户间干扰和总功耗也随之增加。aRIS-CF在中等用户数时达到EE峰值。
SE-EE权衡边界：图12b和图13b绘制了不同配置下SE和EE的帕累托边界。部署多个小型aRIS（如L=4, N=64）相比单个大型aRIS（L=1, N=256）能显著扩展系统的操作区域，即在更宽的SE范围内获得更高的EE。这为网络规划提供了重要指导：分布式、小规模部署aRIS比集中式大规模部署更具优势。
避坑指南：在实际网络规划中，切忌盲目追求最大化SE或最小化功耗。应基于业务需求（如目标SE区域），利用本文的EE模型和仿真曲线，通过简单的线性搜索，找到使EE最大化的最优AP数量 (*M^**) 和用户调度数 (K^)。例如，从图12a的曲线可以直接读出对应不同M的EE，选择最大值点。
6. 常见问题与实战部署考量
在实际研究和工程化过程中，你可能会遇到以下问题：
Q1: 主动RIS的硬件实现和功耗真的可行吗？A1: 这是aRIS走向实用的关键。目前，基于隧道二极管等负阻元件的有源反射放大器已在实验室验证，能在微波频段提供20-40 dB的增益，而单个单元的功耗可低至数十微瓦量级。文献中报道的反射放大器功耗模型（P_out = ζ^{-1} P_in）是合理的简化。更前沿的“零能耗RIS”概念甚至尝试通过能量收集为控制电路供电。因此，从技术趋势看，低功耗aRIS是可行的，但其可靠性、成本和大规模生产仍是当前研发重点。
Q2: 文中的优化算法需要实时CSI，开销是否太大？A2: 这是一个重要的误解。我们的算法完全基于统计CSI（即大尺度衰落系数β_{mk}, ρ_{lk}, ν_{ml}）。这些参数变化非常缓慢（以秒或分钟计），可以通过长期测量或用户位置信息获得。因此，最优的功率和反射系数可以在大时间尺度上计算并应用，无需在每个信道相干时间内（毫秒级）更新，开销极小。这正是该方案适用于高移动性场景的原因。
Q3: 如何设置仿真中的大尺度衰落和空间相关矩阵？A3: 大尺度衰落通常采用三斜率路径损耗模型，并叠加对数正态阴影衰落。空间相关矩阵R_l的生成是关键，常用的是基于均匀平面阵列的局部散射模型。例如，可以使用公式[R_l]_{i,j} = sinc(2||u_i - u_j|| / λ)，其中u_i是第i个反射单元的位置向量，sinc函数体现了空间相关性。在仿真中，可以调用预定义的函数（如基于几何分布的模型）来生成R_l。
Q4: 交替优化算法可能陷入局部最优，如何保证性能？A4: 是的，WMMSE和FP方法通常收敛到局部最优。我们可以通过多起点初始化来缓解：随机生成多组不同的初始反射系数（满足约束），分别运行算法，选择最终和速率最高的一组作为输出。虽然不能保证全局最优，但实践表明，这种方法通常能获得令人满意的性能。此外，算法的收敛性在理论上已被证明（目标函数每步迭代均单调下降且有下界）。
Q5: 对于超大规模网络（M, K, L, N 很大），算法复杂度如何控制？A5: 对于超大规模网络，可考虑以下策略：
- 分组/聚类：将AP和用户划分为多个协作簇，在每个簇内进行分布式优化，降低变量维度。
- 深度学习替代：用训练好的深度神经网络来近似映射从信道统计量到最优功率/反射系数的函数，可极大降低在线计算复杂度。
- 利用问题结构：文中许多求和项具有可分离结构，适合并行计算。例如，计算I1_{kk'}和I2_{kk'}可以并行化。
- 简化模型：在初步网络规划时，可采用不相关信道或忽略部分干扰项的简化模型进行快速评估。
最后的体会：多主动RIS辅助的无蜂窝大规模MIMO是一个充满生命力的研究方向。它不仅仅是两个热门技术的简单结合，而是通过有源放大解决了pRIS的核心短板，并通过分布式部署获得了空间分集。我们的工作表明，通过严谨的建模和联合优化，可以充分发挥其潜力，在频谱效率、能量效率、覆盖和移动性支持之间取得更好的平衡。未来的工作可以朝着更实际的信道模型（如莱斯衰落）、更高效的分布式算法、与新型多址技术（如RSMA）结合、以及考虑硬件损伤等方向深入。对于有志于进入6G前沿研究的朋友，掌握这套从建模、分析、��化到仿真验证的完整方法论，将是非常有价值的起点。