Abstract
智能反射面（IRS）它包含大量低成本的无源设备。每个无源设备都可以独立反射入射信号，调整相位，实现三维无源波束赋形而无需射频（RF）传输链路。本文研究了IRS辅助下单蜂窝无线网络，其中IRS部署在多天线接入点（AP）支持多个单天线用户之间的传输。有源天线阵列的传输端波束赋形和IRS无源移相器的反射端波束赋形最小化了总传输功率。约束条件是用户个人信干噪比（SINR）。我们进一步考虑了当IRS当反射器接近无限时，它IRS与传统有源波束赋形/中继相比，无源波束赋形的极限情况。模拟结果显示IRS辅助的MIMO与未使用的系统相比IRS的大规模MIMO当有源天线/射频链路显著减小时，系统可以实现相同的传输速率。
Introduction
背景
针对到来的5G在过去的十年里，人们提出了许多无线技术，主要包括超密集网络（UDN），大规模MIMO与毫米波通信。然而，网络的能效和硬件成本仍然是实际系统的关键问题。
IRS介绍
IRS它是一个平面阵列，包构无源设备（即低成本印刷二极管）的平面阵列，每个设备可以独立地为入射信号产生特定的相移（由连接的智能控制器控制），从而改变反射信号的传输。通过IRS所有无源设备的智能调节相移，反射信号不仅可以在预期接收器处与其他路径的信号叠加，还可以在非预期接收器处相消叠加，从而减少干扰，提高安全性/隐私性。
IRS与AF对比
- 放大转发（AF）中继通过放大和再生信号协助源-目的地传输。IRS不需要传输模块，只需要作为无源阵列反射接收信号IRS无传输功率损失。
- 有源AF中继通常是半双工（HD）模式工作效率比全双工高（FD）模式工作的IRS低。尽管AF中继也可以工作FD，但这将使其不可避免地受到自身的严重干扰，从而需要有效的干扰消除技术。
IRS与反向散射通信相比
射频识别（RFID）标签的反向散射通信需要通过发送者接收发送信号后反射的信号与接收者通信。IRS它主要用于提高现有的通信链路性能，而不是通过反射传递自己的信息。因此，在反向散射通信中，从发送者到接收者的直接链路是意外干扰，需要在接收者处消除。而在IRS在增强的通信中，直接链路信号和反射链路信号承载着相同的有用信息，因此可以在接收者之间叠加，最大限度地提高接收功率。
IRS和大规模MIMO对比
IRS和大规模MIMO相比之下，阵列架构(无源)vs运行机制(反射)vs传输）
| 技术 | 运行机制 | 双工 | 所需RF链路个数 | 硬件成本 | 能耗 | 作用 |
|---|---|---|---|---|---|---|
| IRS | 无源，反射 | 全双工 | 0 | 低 | 低 | 协助者 |
| 反向散射通信 | 无源，反射 | 全双工 | 0 | 非常低 | 非常低 | 源 |
| MIMO 中继 | 有源，接收和发送 | 半/全双工 | N | 高 | 高 | 协助者 |
| 大规模MIMO | 有源、发送/接收 | 半/全双工 | N | 非常高 | 非常高 | 源/目的 |
从实施的角度来看，IRS具有剖面低、重量轻、几何共形等诸多吸引人的优点，使其易于粘贴/移动到墙壁/天花板上，提供了实际部署的高可行性。例如，有接入点（AP）/基站（BS）的视距传输（LoS）内，将IRS部署在墙/天花板上，IRS可以显著提高附近的信号强度。另外，将IRS集成到现有网络(如蜂窝网络或WiFi），对用户透明，即不需要改变任何用户设备的软硬件。这些特点使得IFS成为未来无线网络特别是室内高密度用户（如礼堂、购物广场、展览中心、机场等）令人信服的新技术。
本文工作
模型
本文考虑IRS辅助单蜂窝多用户多输入单输出（MISO）通信系统，AP是单个多天线，用户是多个单天线。考虑特殊情况：无干扰的单用户传输AP-user链路明显强于AP-IRS链路时，AP如果是，波束应该直接击中用户AP-user链路被障碍物挡住，AP应将其波束调整为朝向IRS，最大限度地利用其反射信号为用户服务。 另外，在多用户设置下，一个IRS辅助系统主要受两个方面的影响：单用户所需信号的波束赋形和多用户之间的空间干扰抑制。一个临近IRS与距离相比IRS较远的用户而言，预计将会能够承受更多来自AP端的干扰。这是由于IRS可以调整相移IRS反射干扰可以与用户相邻AP-user为了抑制整体接收干扰，链路相消。所以，这是在AP设计发射波束成形服务IRS覆盖区域以外的其他用户提供了更大的灵活性，以提高系统中所有用户的灵活性SINR性能。因此，AP基于发射波束的赋形AP-IRS，IRS-users和AP-users的IRS联合设计相移，从而获得充分的网络波束赋形增益。
难题
非凸SINR由无源移相器产生的信号单位模数约束（signal unit-modulus constraints）。即使之前研究过恒定包络预编码和混合数字/模拟处理，这些设计也主要局限于发送端或接收端，不适合设计AP的有源波束赋形和IRS无源波束赋形联合优化。
解决方法
- 考虑单用户场景，应用半正定放松（SDR）技术可以获得高质量的近似解和最优值的下一个，从而实现近似解（tightness）估计。为了降低计算的复杂性，提出了基于相移和传输波束赋形向量交替优化的高效算法，通过固定对方值的闭式解得到最佳解。
- 将单用户场景扩展到多用户场景，提出两种算法来获得权衡性能和复杂性的次优解。
仿真结果
- 与传统在单用户和多用户设置中均不使用IRS与情况设置相比，部署IRS可显著降低AP满足用户SINR目标所需的发射功率。
- 对于临近IRS但是对于用户来说，当反射元素数N非常大时，AP随着N的增加，传输功率降低，数量级约为 N 2 N^2 N2。
系统模型和问题表达
系统建模
单天线用户数量为 K K K,AP的天线个数为 M M M，IRS反射单元个数为 N N N。IRS配备有控制器，可以协调它在两种工作模式之间切换（用于信道估计的接收模式，用于信号传输的反射模式）。由于有较高的路径损耗，因此假设被IRS反射高于两次的信号都可以被忽略。为了描述IRS带来的理论性能增益，我们假设在AP端所有相关信道的信道状态信息（CSI）是完全已知的。除此之外所有信道采用。由于IRS是一个无源反射设备，我们对于上下行传输考虑为时分双工（TDD）协议，并且假设下行链路CSI通过上行链路训练的信道互易性来获得。
AP-IRS等效基带信道为 G ∈ C N × M G\isin\cnums^{N\times M} G∈CN×M IRS-user k k k等效基带信道为 h r , k H ∈ C 1 × N h_{r,k}^H\isin\cnums^{1\times N} hr,kH∈C1×N AP-user k k k等效基带信道为 h d , k H ∈ C 1 × M h_{d,k}^H\isin\cnums^{1\times M} hd,kH∈C1×M，其中 k = 1 , ⋯ , K k=1,\cdots,K k=1,⋯,K。 取 θ = [ θ 1 , ⋯ , θ N ] \theta=[\theta_1,\cdots,\theta_N] θ=[θ1,⋯,θN]，定义对角矩阵 Θ = d i a g [ β 1 e j θ 1 , ⋯ , β N e j θ N ] \Theta=diag[\beta_1e^{j\theta_1},\cdots,\beta_Ne^{j\theta_N}] Θ=diag[β1ejθ1,⋯,βNejθN]作为IRS的反射系数矩阵，其中 θ n ∈ [ 0 , 2 π ) \theta_n\isin[0,2\pi) θn∈[0,2π)代表了IRS第 n n n个元件反射系数的相位, β n ∈ [ 0 , 1 ] \beta_n\isin[0,1] βn∈[0,1]代表了IRS第 n n n个元件反射系数的幅度。在实践中，IRS的每个元素通常都是为了最大限度地提高信号反射。因此，为了简单起见，我们设置 β n = 1 , ∀ n . \beta_n=1,\forall n. βn=1,∀n.
本文考虑在AP上线性传输预编码，为每个用户分配一个专用波束形成向量。因此AP处复杂的基带传输信号可以被表述为 x = ∑ k = 1 K w k s k \bm{x}=\sum_{k=1}^K\bm{w}_ks_k x=∑k=1Kwksk，其中 s k s_k sk代表传输到用户 k k k的数据， w k ∈ C M × 1 \bm{w}_k\isin\cnums^{M\times 1} wk∈CM×1是相应的波束赋形向量。假设 s k , k = 1 , ⋯ , K s_k,k=1,\cdots,K sk,k=1,⋯,K是独立同分布，均值为0，方差为1（归一化功率）。用户 k k k所收到的AP-user 和AP-IRS-user两个信道的信号可以表示为 y k = ( h r , k H Θ G + h d , k H ) ∑ j = 1 k w j s j + n k , k = 1 , ⋯ , K , ( 1 ) \ y_k=(\bm{h}_{r,k}^{H}\bm\Theta\bm{G}+\bm{h}_{d,k}^{H})\displaystyle\sum_{j=1}^{k}\bm{w}_js_j+n_k,\kern2em k=1,\cdots,K,\kern2em (1) yk=(hr,kHΘG+hd,kH)j=1∑kwjsj+nk,k=1,⋯,K,(1) 其中 n k ∼ C N ( 0 , σ 2 ) n_k\thicksim\mathcal{CN}(0,\sigma^2) nk∼CN(0,σ2)，代表了在用户 k k k处接收到的加性高斯白噪声（AWGN）。因此，用户 k k k的SINR为 S I N R k = ∣ ( h r , k H Θ G + h d , k H ) w k ∣ 2 ∑ j ≠ k K ∣ ( h r , k H Θ G + h d , k H ) w k ∣ 2 + σ 2 , ∀ k . ( 2 ) SINR_k=\dfrac{|(\bm{h}_{r,k}^H\bm\Theta\bm{G}+\bm{h}_{d,k}^H)\bm{w}_k|^2}{\sum_{j\neq k}^K|(\bm{h}_{r,k}^H\bm\Theta\bm{G}+\bm{h}_{d,k}^H)\bm{w}_k|^2+\sigma^2},\kern2em \forall k.\kern2em (2) SINRk=∑j=kK∣(hr,kHΘG+hd,kH)wk∣2+σ2∣(hr,kHΘG+hd,kH)wk∣2,∀k.(2)
问题表述
令 W = [ w 1 , ⋯ , w K ] ∈ C M × K , H r = [ h r , 1 , ⋯ , h r , K ] ∈ C N × K , H d = [ h d , 1 , ⋯ , h d , K ] ∈ C M × K \bm W=[\bm{w}_1,\cdots,\bm{w}_K]\isin\mathbb{C}^{M\times K},\\\bm{H}_r=[\bm{h}_{r,1},\cdots,\bm{h}_{r,K}]\isin\mathbb C^{N\times K},\\\bm H_d=[\bm h_{d,1},\cdots,\bm h_{d,K}]\isin \mathbb{C}^{M\times K} W=[w1,⋯,wK]∈C