[Paper] 高效并行实现 Massive MIMO 系统中的导频分配问题

Source: arXiv - 2511.20511v1

概述

本文解决了大规模 MIMO（多输入多输出）系统中的 导频分配问题——这一瓶颈直接影响 6G、自动驾驶车辆通信和工业物联网等下一代无线网络的时延。作者将 K‑means 聚类 + 遗传算法 (SK‑means GA) 的混合算法与定制的 FPGA 并行实现 (PK‑means GA) 相结合，实现了收敛时间的显著缩短，将导频分配计算降至毫秒级。

关键贡献

• 混合算法 (SK‑means GA)： 将 K‑means 聚类用于智能初始化，再通过遗传算法细化导频分配，与普通 GA 相比将收敛时间缩短约 29 %（82 s vs. 116 s）。
• 面向 FPGA 的并行化 (PK‑means GA)： 在 Xilinx FPGA 上使用 Vivado HLS 实现该混合算法，达到 亚 4 ms 收敛（≈3.5 ms）。
• 硬件优化： 展示了循环展开、流水线化和函数内联对 HLS 生成 RTL 的影响，并量化了每种技术的加速比。
• 实时可行性研究： 表明加速后的导频分配能够满足 6G 级低时延无线服务的严格时延预算。

方法论

1. 问题建模： 将导频分配建模为图着色任务，用户为节点，边表示干扰潜力。目标是在最小化共信道干扰的同时，使用最少的正交导频集合。
2. 混合 SK‑means GA：
   • K‑means 聚类 将具有相似信道统计特性的用户分组，提供一个良好的初始“着色”（导频集合）。
   • 遗传算法 通过选择、交叉和变异对这些初始解进行演化，搜索近似最优的分配方案。
3. 并行 FPGA 实现 (PK‑means GA)：
   • 将算法用 C/C++ 表达后交给 Vivado 高层次综合 (HLS)。
   • 对关键循环（如 K‑means 中的距离计算、GA 中的适应度评估）进行 展开 与 流水线，以利用大规模数据级并行性。
   • 函数内联 减少调用开销，进一步加深流水线阶段。
4. 评估： 在真实的大规模 MIMO 信道模型上，对比串行 SK‑means GA、并行 PK‑means GA 与基线 GA 的收敛时间、导频复用因子以及信道估计误差。

结果与发现

• 混合方法在 导频复用率 上略有提升，并且 NMSE 稍低于纯 GA，验证了更智能的初始化是有意义的。
• FPGA 实现 将整个优化循环压缩至几千个时钟周期，使得每帧（例如每 1 ms）重新分配导频成为可能。
• 循环展开贡献了最高 4× 的加速，流水线化再提升 2.5×，函数内联消除了剩余的开销。

实际意义

• 实时网络切片： 运营商可以在用户移动时动态重新分配导频，而不违背超可靠低时延通信（URLLC）的时延 SLA。
• 边缘计算集成： PK‑means GA 可直接嵌入基站 ASIC 或边缘 FPGA 加速器，卸载 CPU 并释放出用于调度、波束成形等高层任务的计算资源。
• 可扩展的 6G 部署： 随着天线数量增至 ≥ 256 元件、用户密度提升，基于 FPGA 的并行方法能够线性扩展资源，保持低时延。
• 友好的开发工具链： 设计以高层 C/C++ 编写并通过 Vivado HLS 合成，软件工程师可以快速迭代，缩短算法研究到硬件落地的距离。

局限性与未来工作

• 硬件特定性： 所报告的加速基于 Xilinx UltraScale+ 器件；迁移到其他 FPGA 系列或 ASIC 可能需要重新调节展开因子和流水线深度。
• 静态聚类粒度： K‑means 使用固定的簇数；基于流量负载的自适应聚类或许能进一步提升导频复用率。
• 能耗问题： 虽然时延大幅降低，但论文未量化并行加速器的功耗/能耗——这是绿色 6G 基础设施的关键指标。
• 多小区扩展： 当前模型假设单小区；未来工作可探索跨相邻小区的协同导频分配，利用分布式 FPGA 集群实现更广域的优化。

作者

• Eman Alqudah
• Ashfaq Khokhar

论文信息

• arXiv ID: 2511.20511v1
• 类别: cs.DC
• 发表时间: 2025 年 11 月 25 日
• PDF: Download PDF