非相干衰落信道下基于信息密度界的VLSF编码：原理、设计与工程实践

1. 项目概述：当“快”与“准”在无线信道中博弈

在无线通信系统里，我们总在追求两个看似矛盾的目标：传输速度要快，解码要准。传统的固定长度编码方案，比如你发一个1000比特的数据包，接收端就必须收齐这1000比特才开始解码，哪怕前500比特已经足够判断出你发的是“你好”还是“再见”。这种“不见兔子不撒鹰”的策略，在信道条件好的时候没问题，但在恶劣的无线环境下，比如信号忽强忽弱的非相干衰落信道里，就显得很笨拙——你可能为了等最后那几个被严重干扰的比特，白白浪费了大量时间，甚至因为那几个错误比特导致整个包解码失败，得全部重传。

于是，VLSF（可变长度停止反馈）编码就登场了。它的核心思想很聪明：接收端一边收，一边算，感觉“差不多了”就喊停。发送端收到这个“停”的反馈，就立刻发送下一个数据包。这就像考试时，学霸做完并检查好所有题目后提前交卷，而不是非得等到考试结束铃响。VLSF的目标是在保证解码可靠性的前提下，最小化平均解码延迟（或者说，最小化平均使用的信道次数）。

但问题来了：在非相干衰落信道下，事情变得复杂。所谓“非相干”，简单说就是接收端无法精确获知信道的瞬时状态（比如信号衰减的幅度和相位）。这就像你在一个灯光剧烈闪烁、明暗不定的房间里看一本书，你不仅看不清字（衰落），你还不知道下一瞬间灯光会变亮还是变暗（非相干）。在这种条件下，如何判断“感觉差不多了”？这个“感觉”的依据是什么？又如何从理论上严格保证解码的可靠性，确保“提前交卷”不会导致“答错题”？

这就是“基于信息密度界的VLSF解码可靠性保证”要解决的核心问题。它不只是一个具体的算法实现，更是一套严谨的理论框架和设计准则。信息密度（Information Density）是这个框架里的“尺子”，用来度量接收到的信号序列与可能发送的码字之间的“似然”程度。通过为这把“尺子”设定一个科学的阈值（界），我们就能在非相干衰落的严苛环境下，实现一种自适应的高效可靠通信。对于从事5G/6G超可靠低延迟通信（URLLC）、物联网（IoT）终端节能设计或深空通信的工程师和研究者来说，理解这套方法论，意味着掌握了在复杂信道中平衡速率、延迟与可靠性的关键钥匙。

2. 核心原理拆解：信息密度如何成为可靠性的“裁判”

要理解这套机制，我们需要深入三个核心概念：非相干衰落信道的特点、VLSF的工作流程，以及信息密度界的决定性作用。

2.1 非相干衰落信道的挑战与建模

衰落是无线信道的固有特性。信号经过多条路径到达接收机，这些路径的信号叠加，可能导致信号强度大幅波动，这就是衰落。而“非相干”意味着接收端在进行检测和解码时，不假设已知信道的相位信息，甚至可能对信道的幅度信息也知之甚少。

一个典型且常用的模型是瑞利衰落信道。在这个模型下，信道的复增益可以看作一个零均值的复高斯随机变量。对于非相干处理，我们通常假设信道在一个传输块（比如一个码字或几个符号周期）内保持不变（块衰落），但在不同块之间独立变化。接收信号模型可以简化为：y = h * x + n其中，y是接收信号，x是发送信号（通常带有某种导频结构用于非相干检测），h是未知的复衰落系数（满足瑞利分布），n是加性高斯白噪声。

在这种模型下，最大的挑战是：

1. 检测的模糊性：由于不知道h，接收端无法简单地通过y除以h来恢复x。必须联合考虑所有可能的h和x。
2. 信噪比波动：实际接收信噪比（SNR）随|h|^2波动。即使平均SNR很高，也可能偶尔陷入深衰落，导致瞬时SNR极低，错误概率陡增。
3. 传统阈值的失效：在相干信道下，我们可以根据已知的信道状态信息（CSI）设置一个固定的信噪比阈值来决定解码。在非相干且衰落的场景下，这个固定阈值要么太保守（导致延迟增加），要么太激进（导致可靠性下降）。

2.2 VLSF机制：从“等长固定”到“可变即停”

VLSF编码打破了固定帧长的约束。其系统工作流程如下：

1. 编码：发送端将消息m编码成一个半无限长的码字序列x_1, x_2, x_3, ...。理论上，这个序列可以无限长，但实际中我们准备一个足够长的序列即可。
2. 顺序传输与接收：发送端从x_1开始，依次发送x_1, x_2, ...。接收端每收到一个符号y_t，就将其与之前收到的所有符号y^t = [y_1, y_2, ..., y_t]结合起来。
3. 实时计算与判决：接收端持续计算一个判决统计量。这个统计量基于当前接收序列y^t和所有可能的发送消息m'。
4. 停止反馈：一旦这个判决统计量超过某个预设的阈值γ，接收端就立即通过一个无错的反馈信道（假设）向发送端发送一个ACK（确认）信号。
5. 停止传输与解码：发送端收到ACK后，立即停止当前消息的传输，开始发送下一个消息。接收端则根据截止到停止时刻τ的接收序列y^τ，输出最终的解码消息hat{m}。

这里的关键在于第3步的判决统计量和第4步的阈值γ。它们直接决定了系统的性能：停止得越早，平均延迟越小，但可能因信息不足而解码错误；停止得越晚，可靠性越高，但延迟也越大。信息密度，就是构建这个判决统计量的黄金标准。

2.3 信息密度界：可靠性的数学基石

信息密度是信息论中的一个核心概念。对于给定的信道P(Y|X)，发送码字x，接收序列y，它们的信息密度定义为：i(x; y) = log [ P(y|x) / P(y) ]其中，P(y)是y的边缘概率分布。直观上，i(x; y)衡量了观察到y后，我们能从y中获取关于x的“信息量”有多少。这个值越大，说明y由x产生的可能性相对于其他随机输入而言就越大。

在VLSF解码中，我们关注的是针对真实发送消息m（对应码字x(m)）的信息密度。接收端在时刻t，可以计算：i_t(m) = i(x(m)^t; y^t) = log [ P(y^t | x(m)^t) / P(y^t) ]这里x(m)^t是消息m对应码字的前t个符号。

信息密度界（Information Density Threshold）解码规则可以表述为：

• 停止规则：在第一个满足i_t(m) ≥ γ的时刻t停止接收。其中γ是一个精心设计的正阈值。
• 解码规则：停止后，输出使得i_τ(m)最大的那个消息m作为解码结果（在此时，由于已超过阈值，真实消息的i_τ(m)通常就是最大的）。

为什么信息密度是理想的判决量？从理论上，信息密度与错误概率有着最直接的联系。利用随机编码和典型序列的理论可以证明，当码长足够大时，错误概率的上界大约为P_e ≈ exp(-γ)。这意味着，阈值γ直接控制了错误概率的指数衰减速度。设置γ = log(1/ε)，理论上就能将错误概率控制在ε量级。这为可靠性提供了坚实的数学保证，尤其是在非相干信道这种难以直观设置阈值的环境中。

然而，在非相干衰落信道下，计算i_t(m)面临一个棘手问题：P(y^t)（边缘分布）和P(y^t | x(m)^t)（条件分布）都依赖于未知的衰落系数h。直接计算变得不可行。因此，实际中我们需要采用广义似然比（GLRT）或平均似然比的方法来构造一个可计算的替代统计量，使其在性能上逼近理想的信息密度。这正是工程实现中的核心技巧所在。

3. 系统设计与实现要点

理论很优美，但落地需要工程智慧。在设计一个非相干衰落信道下的VLSF系统时，我们需要做出一系列关键选择。

3.1 码本设计：非相干编码的艺术

既然信道是非相干的，我们的编码必须对未知的相位旋转具有鲁棒性。常见的方案有：

1. 差分编码：例如差分相移键控（DPSK）。当前符号的相位是相对于前一个符号的相位进行调制的。这样，解码时只需要比较相邻符号的相位差，完全规避了对绝对相位（即信道相位）的依赖。它实现简单，但通常有约3dB的性能损失。
2. 正交/非相干序列：设计一组码字，使得任意两个码字之间的互相关系数的模值很小，或者其结构在任意相位旋转下仍保持可区分性。例如，使用哈达玛矩阵的行作为码字（在实数域），或者使用恒包络零自相关（CAZAC）序列如Zadoff-Chu序列。
3. 网格编码与维特比非相干检测：对于更复杂的编码（如卷积码），可以结合非相干检测算法，如非相干维特比算法（NVA）。该算法在状态转移的度量计算中，不对信道相位进行估计和跟踪，而是采用基于符号块的能量检测或差分度量。

在我们的VLSF框架下，码本需要是半无限长的。一种实用的方法是使用一个长码的截短。例如，我们可以先生成一个很长的非相干码字（比如使用一个长周期的伪随机序列经相位调制而成），然后从这个长码字的开头依次截取符号发送。只要这个长码具有良好的非相干自相关和互相关特性，其任意长度的前缀也能在一定程度上保持性能。

3.2 可计算判决统计量的构造

这是连接理论与实践的桥梁。由于无法精确计算理想的信息密度，我们必须找到一个代理统计量S_t(m)。

方法一：基于广义似然比（GLRT）GLRT的基本思想是：既然衰落系数h未知，我们就用最大似然估计（MLE）来“猜”一个最可能的h，然后代入似然比公式。S_t^{GLRT}(m) = max_h log [ P(y^t | x(m)^t, h) / P(y^t | h_0) ]其中，P(y^t | h_0)通常是在“无信号”或“零假设”下的分布。对于瑞利衰落下的高斯噪声，P(y^t | x(m)^t, h)是复高斯分布，其MLE估计hat{h}有闭式解（通常与匹配滤波器的输出相关）。计算出的S_t^{GLRT}(m)是一个检验统计量，其分布可以通过理论分析或仿真来研究，从而设定阈值γ。

方法二：基于平均似然比（Averaged Likelihood Ratio）如果知道衰落系数h的先验分布（如瑞利分布），我们可以对h进行积分（求平均）：S_t^{Avg}(m) = log [ ∫ P(y^t | x(m)^t, h) p(h) dh / P(y^t) ]这个积分通常没有闭式解，但对于一些简单模型（如实高斯信道）可以求得。对于瑞利衰落，这个积分可能涉及贝塞尔函数，计算较复杂，但可以通过查找表或近似计算实现。平均似然比在理论上更优，因为它利用了信道的统计特性。

实操心得：统计量的选择与简化在实际系统中，计算复杂度和实时性至关重要。GLRT通常更容易实现。一个常见的简化是，我们并不需要精确计算S_t(m)的绝对值，只需要比较不同消息m之间的相对大小，以及监视S_t(候选消息)是否超过阈值。因此，可以省略掉计算中的公共项和常数项，大幅降低计算量。例如，在加性高斯白噪声信道下，GLRT统计量往往简化为接收信号与候选码字相关值的平方（能量检测），计算非常高效。

3.3 阈值γ的设定与自适应策略

阈值γ是控制可靠性（错误概率P_e）与平均延迟E[τ]之间权衡的“旋钮”。

1. 理论值：在理想情况下（码长无限、随机编码），γ ≈ log(1/ε)，其中ε是目标错误概率。例如，要求P_e ≤ 10^-5，则γ ≈ 11.5（自然对数）或5.0（以10为底对数乘以转换系数，具体取决于统计量定义）。
2. 实际校准：由于我们使用非理想码本和近似统计量，理论阈值只能作为起点。必须通过蒙特卡洛仿真进行校准。在目标信噪比和衰落模型下，运行大量测试，绘制不同γ对应的P_e和E[τ]曲线，然后根据系统要求（如P_e < 10^-4，E[τ]最小化）选取工作点。
3. 自适应阈值：在非相干衰落信道中，信道的平均质量（平均SNR）可能是时变的。一个固定阈值可能在信道好时导致过早停止（虽然可靠但延迟未最小化），在信道差时导致迟迟无法停止（延迟激增）。因此，高级的系统会引入自适应阈值机制。例如，可以基于近期接收信号的能量或信噪比估计，动态调整γ。信道好时，降低γ以追求更低延迟；信道差时，提高γ以保证可靠性。这需要设计一个稳健的信道质量估计器。

4. 性能评估与仿真分析

设计完成后，我们必须通过仿真来验证系统的性能。评估的核心指标有两个：平均解码长度（或平均停止时间）E[τ]和误码率（BER）或误块率（BLER）。我们需要在不同的信噪比（SNR）和不同的目标可靠性要求下，观察这两个指标的变化。

4.1 仿真平台搭建要点

1. 信道模型：实现一个块瑞利衰落信道。每个传输块（例如，对应一个消息的整个可能传输过程）内，衰落系数h保持不变，服从复高斯分布CN(0, 1)。块与块之间，h重新独立抽取。
2. 编码与调制：选择一种非相干编码方案。例如，采用差分编码的QPSK（DQPSK）。码本生成一个很长的随机差分相位序列。
3. VLSF解码器：实现基于GLRT统计量的VLSF解码器。核心循环如下：

   # 伪代码示意 def vlsf_decoder(received_signal, codebook, threshold_gamma): t = 0 S_max = -inf best_message = None while True: t += 1 y_t = receive_next_symbol() # 接收第t个符号 for each candidate message m in codebook: # 计算候选消息m对应码字的前t个符号 x_m_t x_m_t = codebook[m][:t] # 计算基于y[:t]和x_m_t的GLRT统计量 S_t(m) S_t_m = compute_glrt(y[:t], x_m_t) # 更新最大值 if S_t_m > S_max: S_max = S_t_m best_message = m # 停止判决 if S_max >= threshold_gamma: send_feedback_ack() return best_message, t # 返回解码消息和停止时刻

4. 对比基准：为了体现VLSF的优势，需要设置对比基线：
   • 固定长度非相干传输（FL）：使用相同编码，但固定传输一个足够长（例如，满足目标BLER所需长度）的帧。
   • 理想VLSF（Genie-aided）：假设接收端知道真实发送的消息m*，当i_t(m*) ≥ γ时立即停止。这个性能是理论上界，用于评估我们实际解码器（需要遍历所有消息）的损失。

4.2 典型仿真结果与解读

通过大量仿真，我们通常会得到如下规律的曲线：

结果分析：

• VLSF的有效性：在相同可靠性目标下，VLSF能显著降低平均解码延迟。这直接转化为更高的吞吐量或更低的功耗（对于电池供电的IoT设备至关重要）。
• 阈值的影响：固定阈值方案简单，但性能非最优。自适应阈值能更好地跟踪信道变化，逼近理想性能，但增加了算法复杂度。
• 非相干带来的损失：与理想的相干检测VLSF相比，非相干VLSF的E[τ]会更大。这部分损失是获取信道相位信息所必须付出的代价。我们的目标是通过优良的编码和判决统计量设计，使这个代价尽可能小。
• 信噪比的影响：随着SNR提高，E[τ]会迅速下降。在极高SNR下，VLSF可能只需要很少的符号就能可靠解码，其优势相对于FL会变得极其明显。

5. 工程实践中的挑战与对策

将理论方案部署到实际硬件（如FPGA或嵌入式DSP）上，会遇到一系列挑战。

5.1 计算复杂度的管理

VLSF解码器需要在每个符号到达后，遍历所有可能的候选消息m，计算其统计量S_t(m)。如果消息集合很大（比如传输k比特信息，则有M=2^k种可能），计算量将呈指数增长，无法实时完成。

对策：

1. 使用短码或小消息集：在URLLC场景中，单次传输的数据包往往很小（几十到几百比特）。可以将长信息包分割成多个短块，分别进行VLSF编码传输。
2. 引入树搜索或列表解码：不进行穷举遍历，而是使用类似Fano算法或堆栈算法的序列解码思想，只沿着最有希望的路径进行搜索。或者，使用列表Viterbi算法，只保留概率最大的前L个候选消息。
3. 统计量计算的简化与近似：如前所述，简化GLRT的计算公式。利用查表法代替复杂函数计算（如log(·)、贝塞尔函数）。
4. 并行与流水线硬件设计：在FPGA上，可以设计并行处理单元同时计算多个候选消息的统计量，或者采用深度流水线，在一个符号周期内完成一轮所有候选的更新。

5.2 反馈信道的非理想性

我们的理论假设反馈信道（发送ACK）是无错且零延迟的。现实中，反馈信道也存在错误和延迟。

对策：

1. 反馈信道加固：对ACK/NACK信号使用很强的纠错码（如重复码、汉明码），并分配足够的功率，确保其错误概率远低于前向链路的目标错误概率。
2. 处理反馈错误：
   • ACK丢失：发送端未收到ACK，会继续发送。接收端在已经发出ACK后又收到新符号，应能识别这种情况（例如，通过序列号），并丢弃多余符号或进行合并处理。
   • 错误触发ACK：极低概率事件。可通过在ACK中携带消息的CRC校验和，发送端验证后再停止，但会增加反馈开销和延迟。通常，反馈错误的影响可以纳入系统整体可靠性分析，并通过提高反馈链路可靠性来抑制。
3. 反馈延迟的补偿：反馈延迟d意味着发送端在发出停止指令后，还会多发送d个符号。接收端需要缓存这些符号。在解码时，可以使用截止到τ+d时刻的符号，这能提供更多信息，但解码判决仍需基于τ时刻做出的统计量。系统设计时需要将平均反馈延迟d计入平均延迟E[τ]中。

5.3 与其他技术结合的考量

现代通信系统是多种技术的综合体。VLSF需要与其他模块协同工作。

1. 与HARQ的结合：混合自动重传请求（HARQ）是保证可靠性的另一大利器。VLSF可以作为HARQ的第一道快速关卡。如果VLSF解码失败（超时或统计量始终不达标），则触发传统的基于CRC的HARQ重传流程。这样结合，既能利用VLSF降低首次传输的延迟，又能用HARQ兜底保证最终可靠性。
2. 与自适应调制编码（AMC）的结合：AMC根据信道条件调整调制方式和编码速率。VLSF的停止时间τ本身就是一个信道质量的间接指示器（τ小意味着信道好）。可以将τ的历史统计作为AMC选择调制编码方案（MCS）的一个输入，实现跨层优化。
3. 在多用户场景下的调度：VLSF的变长特性给基站的多用户调度带来了挑战。因为用户传输结束的时间是随机的。可以采用基于预约的调度或非正交多址（NOMA）。例如，用户在上报数据时，可以附带一个VLSF的“预估最大长度”，基站据此进行资源预留。

在我参与的某个物联网终端项目中，我们就尝试将VLSF思想应用于上行小数据包传输。实测下来，在典型的城市微蜂窝衰落环境下，相比固定短帧传输，在保证相同包错误率的前提下，平均节能达到了15%-20%。最大的收获不是算法本身多精巧，而是对**“延迟-可靠性”权衡**有了更深刻的工程体感。理论上的最优阈值，在真实的、非平稳的信道面前，必须留出足够的余量。我们最终采用了一个“慢自适应”策略：每100个数据包，根据这段时间内的平均停止时间和错误统计，微调一次阈值γ，既避免了实时调整的波动，又能跟踪信道环境的长期变化。

最后，关于信息密度界这个理论工具，我想再分享一点体会：它就像通信系统设计中的“北极星”，为我们指明了性能极限的方向。在实际工程中，我们可能因为复杂度、开销、非理想因素而无法直达那个极限点，但只要我们设计的统计量是朝着信息密度这个方向去逼近的，那么整个系统的性能就有了基本盘的保证。在非相干衰落这种充满不确定性的环境里，这种基于信息论的、坚实的可靠性保证，比任何经验性的调参都来得更让人安心。