更多内容
发布时间：2020-10-13 16:43 浏览次数：8979
中图分类号：TN929.5 文献标志码：A 文章编号：1009-6868 （2017） 03-0020-004
摘要：机器类通信（MTC）是物联网（IoT）的潜在挑战，作为MTC分支的大规模机器类通信（mMTC）涉及IoT的大规模部署问题，是5G的重要应用场景之一。针对mMTC场景中的传输技术，重点介绍了mMTC场景中的数据采集技术及其在无线传感器网络（WSNs）中的应用。此外，还指出了mMTC技术所面临的一些挑战。
关键词： mMTC；数据采集；WSNs；IoT
Abstract： Machine type communication （MTC） is a potential challenge in internet of things （IoT）. As the branch of MTC， massive machine type communication （mMTC） involves large-scale deployment of IoT which has been an important application of 5G. In this paper， we focus on the transmission technologies of 5G massive machine type communication， and mainly introduce the technologies of data acquisition in mMTC and its applications in wireless sensor networks （WSNs）. Moreover， some challenges of mMTC technology are pointed out.
Key words： mMTC； data acquisition； WSNs； IoT
在4G商用之后，5G技术随即成为了最热门的研究内容。3G和4G技术主要集中在移动宽带业务，旨在解决人与人之间的连接，而5G则着眼于实现“万物互联”[1]。可见5G的业务形态已�发生很大变化，将是多业务多技术融合的网络。欧盟早在2013年初就在第7框架计划启动了“构建2020年信息社会的无线通信关键技术”（METIS）项目，之后又启动了5G-PPP项目，中国和韩国分别成立了IMT-2020推进组和5G论坛[2-4]。目前5G的愿景与需求已经完成，基本特征已经明确，在不远的将来，物联网（IoT）、车联网、虚拟现实、增强现实、高清视频等都将涵盖大量不同类型的行业用户，这将会是5G所必须要面对的挑战[5-6]。由国际电信联盟（ITU）定义的5G三大场景[7]分别为增强移动宽带（eMBB）、大规模机器类通信（mMTC），以及低时延高可靠通信（URLLC），其中的eMBB场景可以看作是4G移动宽带技术的演进[8]。
机器类通信（MTC）一直是IoT业务的潜在挑战，为IoT的场景之一[9]，对带宽和通信的实时性、可靠性要求较高[10]。在第3代合作伙伴计划（3GPP）对MTC的定义中，MTC是一种数据通信形式，它涉及到一个或多个不需要人机交互的实体，与传统的移动网络通信相比，MTC拥有更低的开销，并且还能够满足海量链接。MTC涉及到了两种主要通信场景：一种是MTC设备与一个或多个MTC服务器进行通信；另一种是MTC设备与设备之间进行通信[11]。如图1所示为3GPP所定义的MTC场景架构[11]，其中，网络算子提供到MTC服务器的网络连接，这适用于受网络算子控制的MTC服务器，也适用于不受网络算子控制的MTC服务器，这就是说，在MTC设备与服务器之间的通信分为服务器在算子空间内与在算子空间外两种。
另外，爱立信将MTC按5G需求分为mMTC和关键MTC（cMTC），其中mMTC用于满足海量数据连接，cMTC主要用于实现低时延、高可靠的MTC业务。mMTC作为5G三大场景之一，拥有可扩展和灵活的带宽，属于低速率传输，主要面向以传感器和数据采集为目标的应用场景。表1所示为mMTC主要的应用场景及特点。在mMTC场景中往往需要采集和处理海量数据，压缩感知（CS）理论[12]是一种能够成功恢复稀疏信号的采样方法，又因为mMTC用户具有稀疏特性，因此将CS应用于mMTC场景中能够有效地提升传输性能[13]。同样CS技术也应用于车联网（V2V）的数据采集，而V2V即是5G中URLLC场景的典型应用。
1 mMTC主要传输技术
大规模部署的IoT以少量数据和低速率为主，无线传输技术能够将遍布IoT的传感器全部连接起来，而IoT对无线传输技术的需求主要体现在距离范围、数据速率、带宽、安全和成本等方面，其对能耗方面的要求也非常严格。目前IoT中的无线传输技术正在向低功耗广域网（LPWAN）方向发展，而LPWAN在MTC通信中的发展十分迅速，其主要特征体现在了覆盖范围广、低功耗和大容量等[15]方面，这些特征也迎合了mMTC对无线传输的需求。5G mMTC场景为了满足海量连接及数据采集的服务需求，诞生了许多种无线传输技术，如表2所示。
在mMTC中的备选多址接入技术有15种之多，非正交多址接入技术（NOMA）和稀疏码多址接入技术（SCMA）主要应用在mMTC场景中的上行传输，由于mMTC用户具有稀疏特性，所以SCMA主要应用于mMTC场景。同时，基于蜂窝技术的MTC将成为5G的主流，基于蜂窝的典型IoT技术为窄带物联网（NB-IoT），窄带频率仅为180 kHz，北京星河亮点公司已经研发出了NB-IoT专用测试仪器。LoRa是一种基于线性扩频（CSS）机制的专有扩频方法，适合远距离传输。NB-IoT和LoRa技术主要适用于智能电表、智能家居等场景，这两种技术都属于LPWAN。另外，mMTC对于海量数据采集和处理的需求是很大的，CS技术是一种能够成功恢复稀疏信号的采样方法，将CS应用于mMTC场景中能够有效提升传输性能。 2 mMTC中的传感数据
采集及处理
IoT中的mMTC场景需要对海量数据进行采集和处理，而用户信号的稀疏特性，使得CS成为了一种有效的数据采集方案。表3为目前业界主要研究的传感数据采集以及处理方案。
2.1 基于CS的数据采集
表4为笔者团队提出的基于CS的数据采集方法。
（1）正规子空间追踪（RSP）。
去噪恢复算法是CS理论及其应用中的重要技术，考虑到存在于原始稀疏信号和压缩测量值中的噪声，笔者团队提出了RSP去噪恢复算法。RSP算法首先通过数据预处理操作减轻由加性噪声引起的噪声折叠，然后，中的非零指数部分由正规测量矩阵选择的列确定，最后，这些指数通过保留最小均方误差（MMSE）估计信号中的最大值进行更新。研究结果表明，与正交匹配追踪（OMP）算法相比，RSP算法提高了恢复成功率，同时也有效地减少了重构误差[26]。
（2）基于模拟CS的采样循环矩阵（SCM-ACS）和随机循环正交矩阵（RCOM-ACS）。
为了降低MWC的硬件复杂度，笔者团队提出了一种基于模拟CS的SCM-ACS机制。利用Zadoff-Chu序列的循环移位，SCM-ACS机制能够将物理并行信道的数量从减少至1，并且需要更长的处理时间，这里的范围从几十到几百。研究结果表明SCM-ACS机制恢复性能优于MWC[27]。另外，基于模拟CS的RCOM-ACS也可以用来降低MWC的硬件复杂度，不过与SCM-ACS不同的是该机制是利用周期混合函数的循环移位来减少物理并行信道的数量[28]。
2.2 无线传感器网络中的数据采集
表5为笔者团队针对无线传感器网络（WSNs）提出的数据采集及处理方案。
（1）基于数据采集算法的自回归模型（ARDG）。
目前，在mMTC场景中，CS理论已广泛应用于WSNs的研究中，CS理论提供了一种比较有竞争力的新型数据采集（DG）算法用于能效优化。传感器节点具有能量约束，且记忆和处理能力有限，同时CS机制有利于WSNs减少传感器节点的数据通信。基于以上环境，笔者团队提出一�N适用于WSNs的CS机制，即ARDG，ARDG能够有效重构信号及减少数据通信业务。在以往的研究中，这种基于优化问题的自回归（AR）模型主要被用作连续重构和减少数据通信，而在ARDG机制中，AR参数在重构前利用历史传感数据进行估计，同时也利用到了空间相关性，且没有受到传感领域的限制。当AR参数确定后，将基追踪去噪（BPDN）算法拓展到AR模型能够重构传感数据。研究结果表明，在重构质量和能效等方面，ARDG的性能要明显地优于随机游动机制[29-30]。
（2）基于分布式存储的压缩网络编码（CNCDS）。
分布式存储是WSNs的重要技术，尤其是在灾难场景中。为了提高分布式存储的能量效率，笔者团队提出了一种CNCDS机制。该机制利用了传感数据的相关性和CS理论以及网络编码技术，同时CNCDS机制能够通过减少收发数量获得更优的能效。理论分析表明，利用CNCDS机制的测量矩阵能够保证优异的CS覆盖性能[31-32]。
3 结束语
未来在人们的生活中，5G将无处不在，在ITU提出的5G三大场景中，除现有的3G、4G的移动宽带场景进行增强外，mMTC和低时延高可靠（URLLC）场景等将逐步推进5G实现万物互联的目标。然而，由于mMTC技术本身就十分复杂，有些技术还不够成熟，因此仍然面临着一些重大的挑战：
（1）CS作为mMTC的一种可能的数据采集的方法，目前案例较少，且通常的恢复算法为概率恢复，而这是否能够满足5G的需求还有待进一步讨论。
（2）mMTC中有着大量的传输节点，如何能更好地提升传输效率，其中又是否存在延时，这也是值得研究的地方。
（3）此外，mMTC设备未来在安全性方面所面临着的挑战也将会更加严峻。
参考文献
[1] 4G Americas. Recommendations on 5G Requirements and Solutions [EB/OL]. （2015-8-11）[2017-4-5].http：//www.5gamericas.org/en/
[2] METIS. Mobile and Wireless communications Enablers for the 2020 Information Society[EB/OL]. （2015-04-30）[2017-4-5]. https：//www.metis2020.com.
[3] 5GPPP.5G PPP 5G Architecture （white papers） [EB/OL].（2016-7）[2017-4-5]. https：//5g-ppp.eu/white-papers/
[4] 5G Forum. 5G Spectrum Considerations [EB/OL]. （2016-3） [2017-4-5].http：//www.5gforum.co.kr/
[5] IMT-2020（5G） Promotion Group. White Paper on 5G Vision and Requirements_V1.0 [EB/OL] （2014-5） [2017-4-5]. http：//euchina-ict.eu/wp-content/uploads/2015/03/IMT-20205GPG-WHITE-PAPER-ON-5G-VISION-AND-REQUIREMENTS_V1.0.pdf
[6] NGMN. 5G White Paper [EB/OL]. （2015-3） [2017-4-5]. http：//www.ngmn.org/5g-white-paper.html [7] 4GAmericas. 5G Spectrum Recommendations [EB/OL]. （2015-8-11） [2017-4-5]. http：//www.5gamericas.org/en/
[8] 5G Americas. Mobile Broadband Transformation LTE to 5G [EB/OL]. （2016-8）[2017-4-5]. http：//www.5gamericas.org/en/
[9] 5G Americas. LTE and 5G Technologies Enabling the Internet of Things [EB/OL]. （2016-10） [2017-4-5]. http：//www.5gamericas.org/en/
[10] AISSA M， BELGHITH A. Overview of Machine-Type Communications Traffic Patterns[C]//Web Applications and Networking （WSWAN）， USA：IEEE， 2015：1-7. DOI： 10.1109/WSWAN.2015.7210318
[11] 3GPP. TS 22.368.Service Requirements for Machine-Type Communications（MTC）[EB/OL]. （2017-3） [2017-4-5]. http：//www.3gpp.org/
[12] DONOHO D L. Compressed Sensing [J].IEEE Transactions on InformationTheory， 2006， 52（4）： 1289-1306. DOI： 10.1109/TIT.2006.871582
[13] YANG X J， WANG X， Zhang J. Compressed Sensing Based ACK Feedback for Grant-Free Uplink Data Transmission in 5G mMTC[C]// Personal， Indoor， and Mobile Radio Communications （PIMRC）， USA：IEEE， 2016：1-5. DOI： 10.1109/PIMRC.2016.7794674
[14] KUMAR A， KIM H， HANCKE G P. Environmental Monitoring Systems： a Review [J]. IEEE Sensors Journal， 2013， 13（4）： 1329-1339. DOI： 10.1109/JSEN.2012.2233469
[15] LI L L， REN J C， ZHU Q. On the Application of LoRa LPWAN Technology in Sailing Monitoring System[C]//Wireless On-demand Network Systems and Services （WONS）， USA：IEEE， 2017： 77-80. DOI： 10.1109/WONS.2017.7888762
[16] OTAO N， KISHIYAMA Y， HIGUCHI K. Performance of Non-Orthogonal Access with SIC in Cellular Downlink Using Proportional Fair-Based Resource Allocation[C]//Proc. of ISWCS， USA：IEEE， 2012：476-480. DOI： 10.1109/ISWCS.2012.6328413
[17] DAI L L， WANG B C， YUAN Y F， et al. Non-Orthogonal Multiple Access for 5G： Solutions， Challenges， Opportunities， and Future Research Trends[J]. IEEE Commun. Mag， 2015，53（9）：74-81. DOI： 10.1109/MCOM.2015.7263349
[18] NIKOPOUR H， BALIGH H. Sparse Code Multiple Access[C]// in Proc. IEEE PIMRC， USA：IEEE， 2013：332-336. DOI： 10.1109/PIMRC.2013.6666156
[19] 3GPP（Huawei）. 3GPP Standards for the Internet-of-Things[EB/OL]. （2016）[2017-4-5]. http：//www.3gpp.org/images/presentations/3GPP_Standards_for_IoT.pdf
[20]WANG B C， DAI L L， YUAN Y F， et al. Compressive Sensing Based Multi-User Detection for Uplink Grant-Free Non-Orthogonal Multiple Access[C]//2015 IEEE 82nd Vehicular Technology Conference （VTC2015-Fall）， USA：IEEE， 2015： 1-5. DOI： 10.1109/VTCFall.2015.7390876 [21] PATI Y C， REZAIIFAR R， KRISHNAPRASAD P S， et al. Orthogonal Matching Pursuit： Recursive Function Approximation with Applications to Wavelet Decomposition[C]//Proceedings of 27th Asilomar Conference on Signals， Systems and Computers， USA：IEEE， 1993： 40-44. DOI： 10.1109/ACSSC.1993.342465
[22] LI X L， CUI Q M， TAO X F， et al. Performance Bounds of Compressed Sensing Recovery Algorithms for Sparse Noisy Signals[C]//Wireless Communications and Networking Conference （WCNC）， USA：IEEE， 2013：2884-2889. DOI： 10.1109/WCNC.2013.6555019
[23] CANDES E， TAO T. The Dantzig Selector： Statistical Estimation When p is Much Larger than n[J]. Annals of Statistics， 2007， 35（6）：2313-2351.
[24] CHEN S S， DONOHO D L， SAUNDERS M A. Atomic Decomposition by Basis Pursuit[J]. SIAM Journal on Scientific Computing， 1998， 20（1）： 33-61. DOI：10.1137/S1064827596304010
[25] MISHALI M， ELDAR Y C. From Theory to Practice： Sub-Nyquist Sampling of Sparse Wideband Analog Signals [J]. IEEE Journal of Selected Topics in Signal Processing， 2010， 4（2）： 375-391. DOI： 10.1109/JSTSP.2010.2042414
[26] YANG X J， CUI Q M， DUTKIEWICZ E， et al. Anti-Noise-Folding Regularized Subspace Pursuit Recovery Algorithm for Noisy Sparse Signals[C]//Wireless Communications and Networking Conference （WCNC）， USA：IEEE， 2014：275-280. DOI： 10.1109/WCNC.2014.6951980
[27] YANG X J， TAO X F， GUO Y J， et al. Subsampled Circulant Matrix Based Analogue Compressed Sensing [J]. Electronics Letters， 2012， 48（13）：767-768. DOI： 10.1049/el.2012.0366
[28] YANG X J， GUO Y.J， CUI Q M， et al. Random Circulant Orthogonal Matrix Based Analog Compressed Sensing[C]// Global Communications Conference （GLOBECOM）， USA：IEEE， 2012： 3605-3609. DOI： 10.1109/GLOCOM.2012.6503675
[29] LI X L， TAO X F， LIU Y J， et al. Autoregressive Model Based Data Gathering Algorithm for Wireless Sensor Networks with Compressive Sensing[C]// Personal， Indoor， and Mobile Radio Communications （PIMRC）， USA：IEEE， 2015：2044-2048. DOI： 10.1109/PIMRC.2015.7343634
[30] LI X L， TAO X F， LI N. Energy-Efficient Cooperative MIMO-Based Random Walk Routing for Wireless Sensor Networks[J]. IEEE Communications Letters， 2016，20（11）：2280-2283. DOI： 10.1109/LCOMM.2016.2599183
[31] YANG X J， DUTKIEWICZ E， CUI Q M， et al. Compressed Network Coding for Distributed Storage in Wireless Sensor Networks[C]// Communications and Information Technologies （ISCIT）， USA：IEEE， 2012：816-821. DOI： 10.1109/ISCIT.2012.6381014
[32] YANG X J， TAO X F， DUTKIEWICZ E， et al. Energy-Efficient Distributed Data Storage for Wireless Sensor Networks Based on Compressed Sensing and Network Coding[J]. IEEE Transactions on Wireless Communications ， 2013， 12（10）：5087-5099. DOI： 10.1109/TWC.2013.090313.121804
本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。QQ:522-52-5970
贵公网安备52010202003825