基于深度学习预测的D2D毫米波通信中中断概率与能耗最小化

为什么你手机的快捷方式很重要

当两部相近的手机直接相互通信，而不是把所有流量通过遥远的基站中转时，下载更快、电池续航更长。这种所谓的设备‑到‑设备通信在被称为毫米波的极高射频段尤为有吸引力，因为这些频段可以承载大量数据。但这些链接很脆弱：墙壁、行人甚至移动物体都可能中断信号，导致突发的连接“中断”并浪费能量。本文探讨了如何将受自然启发的搜索策略与类脑神经网络结合，使这种直接链路既更可靠又更节能。

相邻设备之间的直接对话

在即将到来的5G及更高代系统中，手机、传感器和车辆将越来越多地在短距离内直接通信。跳过基站能降低延迟、减少网络拥塞，并在基础设施受损的紧急情况下至关重要。毫米波频段为此类流量提供了宽阔的频谱，但也带来了问题：信号衰减快、易被阻挡且干扰波动大。工程师用“中断概率”来描述链路跌落到不可用质量水平的风险。与此同时，每增加一分发射功率都会消耗电池并使拥挤的网络发热。挑战在于在保持低中断率的同时，尽可能减少每个设备的通信能耗。

绘制拥挤的无线邻域图景

作者首先构建了一个繁忙无线场景的数学模型。基站、普通蜂窝用户和专门的设备‑到‑设备对按照现实的空间分布散布在区域内，形成自然的设备簇。在这个布局中，他们研究了三种覆盖描述方法：一种“相干”视角，知道详细的位置和信道信息；一种“非相干”视角，仅使用长期统计特性；以及一种“单簇”视角，聚焦于单个组内产生的干扰。对每种情况，他们推导出将关键量（如信号与干扰加噪声比）与链路保持在选定质量阈值以上的概率联系起来的公式。这些公式成为优化与学习方法寻找更优功率设置的试验场。

从火烈鸟、麋鹿与脉冲中学习

为降低中断，论文提出了一种混合搜索方法，称为火烈鸟‑麋鹿群体优化（FEHO）。它模仿两种动物行为：火烈鸟在觅食时进行大范围探索，麋鹿在群体中精细调整位置。通过将广域探索与精确局部调整结合，FEHO 为所有设备对搜索联合最小化链路失败概率的发射功率水平。与此同时，作者采用深度脉冲神经网络（DSNN）来应对能耗问题。该网络不是处理平滑信号，而是以更接近生物神经元工作方式的脉冲（或峰值）形式处理信息。它观察随时间发生的中断模式，学习出一种智能功率阈值：在保持覆盖可接受的同时削减不必要的传输强度。FEHO 提出候选功率设置，DSNN 提供反映实际信道条件的自适应阈值，两者协同工作。

将新方法付诸测试

研究团队通过大量计算机仿真评估了他们的组合框架 FEHO+DSNN，在两种常见无线情景下进行测试：雷利信道（模拟无明确视线、多径散射严重的环境）和赖斯信道（包含占优的直达路径）。他们改变用户数量和信噪比以模拟密集城市部署。与若干近期技术对比——包括其他群体智能优化器、学习辅助功率控制以及基于缓存的方案——该新方法在收敛速度和权衡点上都表现更好。在许多情况下，它在保持或优于竞争方法的中断概率的同时，将平均发射功率降低了数十分贝，并且推断时间短到足以用于实时运行的网络。

这对未来无线系统意味着什么

对于非专业读者，结论很直接：这项工作表明，巧妙的算法能让相邻设备更直接、更可靠地通信，同时减少电池消耗，即便在多变的毫米波频段也是如此。通过将受动物群体行为启发的搜索策略与从脉冲状事件中学习的神经网络结合，作者设计出一种在保持连接性与节能之间取得平衡的系统。他们的结果表明，未来的手机、传感器乃至车辆可以在不持续以最大功率发射的情况下维持强劲的短程链接。随着无线网络变得更密集、更复杂，此类自适应且关注能耗的策略将是确保我们的数字对话平稳、快速且可持续的关键。

引用: Bilal, N.M., Velmurugan, T. Minimization of outage probability and energy consumption by deep learning-based prediction in D2D mm wave communication. Sci Rep 16, 9006 (2026). https://doi.org/10.1038/s41598-025-34846-y

关键词: 设备到设备通信, 毫米波网络, 中断概率, 节能无线, 深度脉冲神经网络