[论文解读] Interplay Between NOMA and Other Emerging Technologies: A Survey

Mojtaba Vaezi, Gayan Amarasuriya+4 more|arXiv (Cornell University)|Mar 25, 2019

Advanced Wireless Communication Technologies参考文献 181被引用 10

一句话总结

本综述对非正交多址接入（NOMA）与大规模MIMO、毫米波、能量采集、物理层安全、可见光通信、移动边缘计算及机器学习等新兴无线技术的协同集成进行了全面分析。结果表明，NOMA与这些技术结合可显著提升频谱效率、用户公平性与系统可扩展性，同时识别出关键挑战与未来研究方向。

ABSTRACT

Non-orthogonal multiple access (NOMA) has been widely recognized as a promising way to scale up the number of users, enhance the spectral efficiency, and improve the user fairness in wireless networks, by allowing more than one user to share one wireless resource. NOMA can be flexibly combined with many existing wireless technologies and emerging ones including multiple-input multiple-output (MIMO), massive MIMO, millimeter wave communications, cognitive and cooperative communications, visible light communications, physical layer security, energy harvesting, wireless caching, and so on. Combination of NOMA with these technologies can further increase scalability, spectral efficiency, energy efficiency, and greenness of future communication networks. This paper provides a comprehensive survey of the interplay between NOMA and the above technologies. The emphasis is on how the above techniques can benefit from NOMA and vice versa. Moreover, challenges and future research directions are identified.

研究动机与目标

• 系统性地调研NOMA与新兴无线技术之间的相互作用，以识别其相互益处与性能增益。
• 分析NOMA在与大规模MIMO、毫米波及移动边缘计算等技术结合时，如何提升频谱效率、能量效率与用户公平性。
• 识别NOMA集成系统中的关键技术挑战，如信道状态信息不完善、SIC译码错误及资源分配复杂性。
• 探讨机器学习与深度学习在解决NOMA系统中NP难优化问题中的作用。
• 概述NOMA在6G及未来网络中集成的开放研究挑战与未来方向。

提出的方法

• 在12个关键领域开展结构化文献综述：大规模MIMO、毫米波、认知无线电、协作通信、物理层安全、能量采集、可见光通信、移动边缘计算及机器学习。
• 分析NOMA与每项技术结合的理论与实际优势，重点关注频谱效率、能量效率与公平性。
• 回顾系统模型、信号处理技术（例如：叠加编码、连续干扰消除）及资源分配框架。
• 研究随机几何与机器学习（尤其是深度学习）在解决NOMA系统大规模优化问题中的应用。
• 评估NOMA-MEC与NOMA-SWIPT系统中的性能指标，包括时延、能耗、保密速率与任务卸载效率。
• 基于引用文献中的仿真与分析结果，对比NOMA系统与传统OMA方案的性能。

实验结果

研究问题

• RQ1 NOMA在与大规模MIMO和毫米波通信集成时，如何提升频谱效率与能量效率？
• RQ2 在协作与认知无线电网络中，NOMA的性能增益如何？与OMA系统相比有何差异？
• RQ3 如何将NOMA与移动边缘计算结合，以降低任务卸载时延与能耗？
• RQ4 深度学习在解决NOMA系统中复杂功率分配与资源管理问题中发挥何种作用？
• RQ5 在与能量采集和物理层安全结合时，NOMA部署面临的关键挑战是什么？如何缓解？

主要发现

• 在上行/下行MEC系统中，NOMA通过降低时延与能耗，显著提升了任务卸载效率，实测性能增益明显。
• 在NOMA-MEC系统中，混合二进制与部分卸载方案通过优化功率与任务分配，有效降低了能耗。
• 在支持缓存的NOMA系统中，基于深度学习的功率分配方法可通过学习不同网络状态下的最优动作，提升系统性能。
• 采用时分开关接收机的SWIPT增强型NOMA系统，通过基于深度学习的联合资源分配，实现了更高的频谱与能量效率。
• 协作式NOMA-MEC系统通过中继辅助信号传输与SIC技术，提升了远距离用户的服务质量与连接性。
• NOMA与物理层安全技术的集成显著提升了保密速率，尤其在多用户与多天线场景下表现更优。