深入理解5g ＜五＞下行的链路自适应技术

5G下行链路自适应是一个闭环控制系统，其核心任务是根据用户设备（UE）实时反馈的信道质量，动态调整基站（gNB）的传输参数（主要是调制与编码策略，MCS），以在**频谱效率**和**传输可靠性**之间取得最佳平衡。

下行链路自适应的根本目标，是让系统在信道条件好时尽可能高速传输，在信道条件差时优先保证数据能被正确解码。

* **目标误块率 (BLER)**：系统会设定一个目标BLER（如10%），算法努力将实际BLER维持在该目标附近。选择MCS时，会选取能够满足目标BLER的最高MCS索引。

* **频谱效率**：在满足BLER目标的前提下，使用更高阶的调制（如256QAM）和更少的冗余编码，以提升单位带宽内的数据传输速率。

5G下行链路自适应通常采用**双环控制结构**，以应对信道估计误差和反馈延迟等现实问题。

这是快速响应的**内环**，负责对信道变化做出即时反应。

* **信息输入**：主要依据UE上报的**信道质量指示（CQI）**。

* **工作流程**：UE通过测量下行参考信号（如CSI-RS）的信干噪比（SINR），将其映射为CQI索引并上报给gNB。gNB收到CQI后，通过查表的方式快速选择一个初始的MCS。

* **局限性**：ILLA的精度受限于CQI反馈的延迟和测量误差。当信道在反馈周期内发生快速变化时，基于"过时"CQI选择的MCS可能导致传输失败（过于激进）或资源浪费（过于保守）。

这是进行长期修正的**外环**，也是当前蜂窝网络的**行业标准**。它不直接依赖CQI，而是根据**混合自动重传请求（HARQ）的反馈**（ACK/NACK）来微调MCS选择。

* **工作原理**：OLLA维护一个**SINR偏移量（Offset）**。当收到**ACK**（传输成功）时，会略微**降低**该偏移量；当收到**NACK**（传输失败）时，会**提高**该偏移量。

* **核心价值**：通过这种闭环调整，OLLA能有效**补偿CQI反馈的延迟和测量误差**，使长期的实际BLER逼近预设的目标值。其基本调整逻辑可表示为：

最终，调度器使用 `(CQI映射的SINR - offset)` 来选择MCS。

下行链路自适应依赖于几个关键技术组件的协同工作。

* **信道状态信息 (CSI) 反馈**：这是算法的**信息输入**。UE通过测量下行参考信号，估计信道质量并反馈**CQI、秩指示（RI）、预编码矩阵指示（PMI）** 等信息。CQI反馈可以是周期性的或非周期性的，由RRC消息配置。

* **调制与编码策略 (MCS)**：这是链路自适应的**执行手段**。MCS索引定义了调制阶数（如QPSK, 16QAM, 64QAM, 256QAM）和目标码率，两者共同决定了频谱效率。3GPP TS 38.214标准定义了多个MCS表格，以适应不同的信道条件和业务需求。

* **混合自动重传请求 (HARQ)**：这是可靠性的**最后保障**。当数据传输失败（NACK）时，HARQ机制会发起重传。同时，其反馈也作为OLLA外环调整的关键依据。

尽管OLLA等机制已很成熟，但5G的复杂场景对其提出了新挑战，推动着链路自适应技术向智能化演进。

* **URLLC的严苛要求**：超可靠低延迟通信要求极低的BLER（如10^-5），这意味着NACK事件极其稀少，导致OLLA的调整"样本"不足，难以快速收敛。

* **AI/ML驱动的链路自适应**：为了应对上述挑战，业界正转向基于**机器学习（ML）和深度强化学习（DRL）** 的方法。

* **SALAD算法**：仅利用ACK/NACK反馈就能推断SINR，在实验中相比OLLA可提升高达**15%的吞吐量**，同时保持目标BLER。

* **LOLLA框架**：用深度强化学习替代传统的OLLA"阶梯式"调整，将SINR偏移量学习为连续值。在高速移动场景下，相比OLLA可实现**15%至92%的吞吐量增益**。

* **现网验证**：爱立信与T-Mobile的试验表明，AI原生调度器使频谱效率提升了近**10%**，下行吞吐量最高提升了**15%**。软银的测试中，频谱效率提升了约**25%**，下行用户吞吐量提升了约**50%**。

5G下行链路自适应是一个从**快速内环响应**到**慢速外环修正**的精密闭环控制系统。它以CQI反馈和HARQ机制为基础，通过OLLA算法补偿现实误差，并正朝着**AI/ML驱动的智能化**方向演进，以应对URLLC等严苛场景的挑战，持续挖掘5G网络的频谱效率潜力。

深入理解5g ＜五＞ 下行的链路自适应技术