[论文解读] Wirelessly Powered Backscatter Communication Networks: Modeling, Coverage and Capacity

Kaifeng Han, Kaibin Huang|arXiv (Cornell University)|Apr 9, 2016

Energy Harvesting in Wireless Networks被引用 8

一句话总结

本文提出了一种无线供电背散射通信（WP-BC）网络，整合了无线能量传输（WPT）与背散射通信，以实现大规模、无电池的物联网（IoT）。利用随机几何方法，将网络建模为泊松聚类过程，推导出覆盖概率与传输容量，表明在背散射占空比 $ D^* = \min\left(1, \frac{\alpha_1}{2 + \alpha_1\beta}\right) $ 和反射系数 $ \beta \approx 0.6 $ 时可实现最优性能，容量随 $ (1 - D\beta)^{2/\alpha_1} $ 变化。结果量化了在现实约束下能量采集、传输范围与网络容量之间的权衡。

ABSTRACT

Future Internet-of-Things (IoT) will connect billions of small computing devices embedded in the environment and support their device-to-device (D2D) communication. Powering this massive number of embedded devices is a key challenge of designing IoT since batteries increase the devices' form factors and their recharging/replacement is difficult. To tackle this challenge, we propose a novel network architecture that integrates wireless power transfer and backscatter communication, called wirelessly powered backscatter communication (WP-BC) networks. In this architecture, power beacons (PBs) are deployed for wirelessly powering devices; their ad-hoc communication relies on backscattering and modulating incident continuous waves from PBs, which consumes orders-of-magnitude less power than traditional radios. Thereby, the dense deployment of low-complexity PBs with high transmission power can power a large-scale IoT. In this paper, a WP-BC network is modeled as a random Poisson cluster process in the horizontal plane where PBs are Poisson distributed and active ad-hoc pairs of backscatter communication nodes with fixed separation distances form random clusters centered at PBs. Furthermore, by harvesting energy from and backscattering radio frequency (RF) waves transmitted by PBs, the transmission power of each node depends on the distance from the associated PB. Applying stochastic geometry, the network coverage probability and transmission capacity are derived and optimized as functions of the backscatter duty cycle and reflection coefficient as well as the PB density. The effects of the parameters on network performance are characterized.

研究动机与目标

• 解决为大规模、低复杂度物联网设备供电的挑战，且无需电池。
• 通过整合无线能量传输（WPT）与背散射通信，实现密集、可扩展的设备到设备（D2D）通信。
• 利用随机几何方法对大规模 WP-BC 网络的覆盖范围与容量进行建模与分析。
• 通过推导关键背散射参数——占空比与反射系数——对覆盖概率与容量的影响，优化网络性能。

提出的方法

• 将 WP-BC 网络建模为泊松聚类过程（PCP），其中电源信标（PBs）构成母泊松点过程（PPP），背散射节点以 PB 为中心形成聚类，且聚类内节点间距离固定。
• 每个节点的发射功率建模为其与最近 PB 距离的函数，基于从 PB 的射频信号中采集的能量。
• 应用随机几何方法推导成功概率与传输容量，考虑路径损耗、干扰及背散射特异性参数。
• 成功概率通过包含 SIR 阈值、路径损耗指数与背散射参数的条件 SIR（信干比）表达式推导得出。
• 传输容量作为 PB 密度、背散射占空比 $ D $ 与反射系数 $ \beta $ 的函数推导得出，针对马尔可夫聚类过程给出了闭式表达式。
• 对 $ D $ 与 $ \beta $ 进行优化，最优占空比为 $ D^* = \min\left(1, \frac{\alpha_1}{2 + \alpha_1\beta}\right) $，在确保可靠链路性能的约束下进行。

实验结果

研究问题

• RQ1 电源信标（PBs）的部署密度如何影响 WP-BC 网络的覆盖范围与容量？
• RQ2 背散射参数——特别是占空比 $ D $ 与反射系数 $ \beta $ ——对网络覆盖概率与传输容量有何影响？
• RQ3 网络性能如何随每个聚类中背散射节点数量变化？最大化容量的最优聚类规模是什么？
• RQ4 在能量与干扰约束下，$ D $ 与 $ \beta $ 的最优取值是什么，可使网络传输容量最大化？
• RQ5 WPT 与通信链路的路径损耗指数如何影响 WP-BC 网络中覆盖与容量之间的权衡？

主要发现

• 利用条件 SIR 表达式推导出网络覆盖概率，仿真结果表明所推导的下界非常紧致。
• 传输容量随 PB 密度增加而提升，且在优化背散射占空比 $ D $ 与反射系数 $ \beta $ 时达到最大值。
• 最优占空比为 $ D^* = \min\left(1, \frac{\alpha_1}{2 + \alpha_1\beta}\right) $，该值在能量采集与传输概率之间实现平衡。
• 对于马尔可夫聚类过程，最大传输容量为 $ \max_D C(D) = \frac{\lambda_p \bar{c} \alpha_1}{a^2(2 + \alpha_1\beta)} \left[ \frac{2\eta g}{P_c(2 + \alpha_1\beta)} \right]^{2/\alpha_1} $，在高覆盖区域中，当 $ \beta \geq 0.6 $ 时容量下降。
• 成功概率是 $ D $ 与 $ \beta $ 的联合凹函数，仿真结果确认最优值约为 $ D \approx 0.35 $ 与 $ \beta \approx 0.6 $。
• 在低 PB 密度下，网络容量随 PB 密度线性增长，但在高密度下因干扰受限而趋于饱和。