多址信道 (MAC)：共享空中信道

在我们这个高度互联的世界里，从拥挤的 Wi-Fi 网络到支持成千上万用户的蜂窝系统，一个根本性的挑战始终存在：多个发射机如何与单个接收机通信，而它们的信号又不会变成无法理解的噪声？这种情况，被称为多址信道 (MAC)，是通信理论中的一个基石问题。挑战不仅在于管理干扰，还在于理解共享通信的最终物理极限。本文深入探讨 MAC 的核心，全面概述其理论基础和实际意义。

我们将在第一章“原理与机制”中开始我们的探索，剖析支配共享信道的基本规则。我们将定义容量域的概念，探讨干扰如何限制性能，并揭示使我们能够接近这些理论极限的精妙策略，如串行干扰消除。随后，在“应用与跨学科联系”中，我们将弥合理论与实践之间的差距，展示这些抽象原理如何成为 4G、5G 和以太网等技术的基石，以及 MAC 如何作为理解复杂网络行为的关键构建模块。

想象一下，你正在一个熙熙攘攘的鸡尾酒会上。有两个朋友试图同时告诉你两件不同的重要事情。你的大脑，一个卓越的信号处理器，面临着一个挑战。你能分辨出他们的话吗？你能解码两个消息吗？或者，一个人的声音是否会变成干扰，使另一个人的话语变得混乱不清？这个日常场景正是​​多址信道 (MAC)​​ 的精髓：多个发射机，一个接收机，以及一个共享的媒介。信息论为在这种设置下可以可靠地传达多少信息提供了优美且惊人完整的答案。它不是一个单一的数字，而是一个被称为​​容量域​​的可能性图景。

让我们在一个不可能完美的理想世界中开始我们的旅程。想象一下，我们的两个朋友不是在露天说话，而是每人使用一条专用的、清晰的电话线直接连接到你。接收端体验到的不是一堆混乱的声音，而是一对整洁的消息 $(X_1, X_2)$，可以完全清楚地知道哪个消息来自哪个朋友。在这种理想化的场景中，用户1的行为对用户2完全没有影响。他们不是在共享资源；他们各自拥有自己的资源。

如果每个用户发送二进制比特（$0$ 和 $1$），用户1可以以任何速率 $R_1$ 传输信息，最高可达其信道极限（对于一个完美的二进制信道，即每次使用1比特），用户2也可以独立地以任何速率 $R_2$ 传输，最高可达其极限（每次使用1比特）。所有可达速率对 $(R_1, R_2)$ 的集合在速率平面上形成一个简单的正方形，其顶点为 $(0,0)$、$(1,0)$、$(1,1)$ 和 $(0,1)$。这个正方形内的任何速率对都是可达的。这是我们的基准——一个没有干扰的世界。

现在，让我们走出那个理想世界，回到嘈杂的派对中。空气是一个共享的媒介。我们两个朋友的信号，由他们的二进制输入 $X_1$ 和 $X_2$ 表示，不再被整齐地分开。相反，它们混合在一起。对此最简单、最经典的建模是​​二进制加法信道​​，其中接收到的信号 $Y$ 是输入的算术和：$Y = X_1 + X_2$。

我们立刻看到了一个问题。如果用户1发送一个 $0$ 而用户2发送一个 $1$，接收者会听到 $Y=1$。但如果用户1发送一个 $1$ 而用户2发送一个 $0$，接收者同样会听到 $Y=1$。信号产生了歧义。这就是​​干扰​​的根本性质。因此，两个用户不可能同时以其最大速率（每次使用1比特）进行传输。如果他们试图这样做，并且恰好都发送了一个 $1$，接收者会听到 $Y=2$，这没问题。但如果他们都发送了不同的比特，接收者会听到 $Y=1$ 并且无法知道是谁发送了什么。

容量域不再是一个宽裕的正方形，而是收缩成一个五边形。这个五边形完美地捕捉了权衡的新现实。这个五边形的角点讲述了一个故事：

• 在 $(1, 0)$，用户1全速传输，而用户2保持沉默。
• 在 $(0, 1)$，用户2登台，而用户1保持安静。
• 其他点，如 $(\frac{1}{2}, 1)$ 和 $(1, \frac{1}{2})$，代表了非对称策略，其中一个用户的速率优先于另一个。
• 像 $(\frac{3}{4}, \frac{3}{4})$ 这样的点可以代表一个对称情况，其中两个用户都以相等但降低的速率进行传输。

传达的信息很明确：在共享信道中，你不能总是拥有一切。一个用户说得越多，留给另一个用户的“空间”就可能越少。

看着这个五边形区域，一个自然的问题出现了：连接这些角点的直线上的点又如何呢？例如，我们能否实现一个速率对，恰好位于只有用户1说话的点 $(1,0)$ 和只有用户2说话的点 $(0,1)$ 的正中间？

答案是肯定的，而且方法非常简单：​​分时​​。为了实现速率对 $(0.5, 0.5)$，系统可以简单地让用户1在一半的时间里以其全速率传输，然后让用户2在另一半的时间里以其全速率传输。在很长一段时间内，它们的平均速率就是 $(0.5, 0.5)$。通过改变分配给每个策略的时间比例 $\alpha$，我们可以在连接两个原始点的线段上实现任何速率对。

这个原则意义深远。它意味着如果你能实现速率对A和速率对B，你就能实现它们的任何加权平均。这就是为什么任何多址信道的容量域都是一个​​凸集​​。它是由所有“纯粹”可达策略，加上通过将它们混合在一起可以创建的所有“混合”策略组成的集合。

我们已经看到了容量域的形状，但它的边界从何而来？这些极限是由称为​​互信息​​的量定义的，其原因在于一个深刻而优美的概念，即​​渐近均分特性 (AEP)​​。

让我们思考一下长序列的传输数据。用户1发送一个长度为 $n$ 的码字 $\mathbf{x}_1$，用户2发送 $\mathbf{x}_2$。由于大数定律，接收到的序列 $\mathbf{y}$ 不会是任何随机序列。它几乎肯定会属于一个称为​​联合典型集​​ $A_\epsilon^{(n)}(X_1, X_2, Y)$ 的小序列集合。可以这样想：如果你抛一枚公平的硬币1000次，你期望大约有500次正面朝上。一个有900次正面的序列是可能的，但极其不可能——它不是“典型的”。

接收者的任务是查看接收到的序列 $\mathbf{y}$，并找到唯一的一对消息 $(w_1, w_2)$，其对应的码字 $(\mathbf{x}_1(w_1), \mathbf{x}_2(w_2))$ 与 $\mathbf{y}$ 是联合典型的。当传输的对不是典型的（这是一个概率极小的事件），或者更重要的是，当一个“冒名顶替”的消息对恰好也看起来与接收序列是典型的时候，就会发生错误。

著名的 MAC 容量域不等式正是确保当 $n$ 趋于无穷大时，这些典型集之间的混淆重叠不会发生的条件：

1. $R_1 < I(X_1; Y|X_2)$: 用户1的速率必须小于输出 $Y$ 在给定我们已经知道用户2发送了什么的情况下，提供的关于 $X_1$ 的信息。这告诉我们，即使在考虑了用户2之后，信道中也必须有足够的“分辨能力”来区分用户1的消息。
2. $R_2 < I(X_2; Y|X_1)$: 对用户2的对称条件。
3. $R_1 + R_2 < I(X_1, X_2; Y)$: 速率之和必须小于输出提供的关于输入对的总信息。这可以被看作是一个​​切割集界​​，它表明跨越分隔发送者和接收者的“切割”的信息总流量不能超过该切割的容量。

最终目标是使​​联合错误概率​​——即解码出的对 $(\hat{w}_1, \hat{w}_2)$ 是错误的概率——尽可能小。容量域定义了能够实现这一目标的完整速率对集合。

AEP告诉我们存在好的编码，但是接收者实际上如何执行这项艰巨的解码任务呢？其中一个最优雅和强大的思想是​​串行干扰消除 (SIC)​​。

让我们最后一次回到鸡尾酒会，但现在一个朋友的声音洪亮（强信号），另一个朋友说话轻柔（弱信号）。聪明的策略不是试图同时听到两者。相反，你把所有注意力集中在声音洪亮的说话者身上。因为他们的声音相对于另一个说话者和背景嘈杂声来说非常强，你可以相对容易地理解他们。现在奇迹发生了：一旦你知道了声音洪亮的说话者说了什么，你就可以在脑海中从声音环境中“减去”他们的声音。剩下的是什么？是声音轻柔的说话者的声音，现在没有了洪亮声音的干扰，变得清晰多了。

这正是 SIC 在通信接收机中的工作方式。它逐个解码用户。正如在高斯 MAC 环境中所展示的，如果接收机首先解码强用户（将弱用户视为噪声），它便可以完美地减去强用户的信号。然后，弱用户就独占了信道，享受到比它如果先被解码时（那时它会被强用户的干扰淹没）高得多的速率。这种直观的“剥离”策略不仅仅是一个巧妙的技巧；它是实现 MAC 容量域角点的容量可达方案。

虽然二进制模型具有很好的指导意义，但像Wi-Fi和5G这样的真实无线系统是使用连续波形进行操作的。其经典模型是​​高斯 MAC​​，其中接收信号是输入信号与随机钟形曲线噪声之和：$Y = X_1 + X_2 + Z$。信号的“强度”是它们的功率 $P_1$ 和 $P_2$，而噪声的功率为 $N$。

我们发现的所有原则在这里仍然成立。干扰仍然是相加的。仍然存在权衡。但现在容量与这些物理量直接相关。和速率容量——即最大组合吞吐量——由著名的香农公式的一个变体给出： $C_{\text{sum}} = \frac{1}{2} \log_{2}\left(1 + \frac{P_1 + P_2}{N}\right)$ 这告诉我们一些根本性的东西：为了最大化流经系统的总信息量，用户应该合作以最大化总​​信噪比 (SNR)​​。如果他们共享一个电源，最好的办法就是用尽所有功率。从最简单的二进制加法器到现代无线网络的复杂性，多址信道的原理为我们如何能够以及不能够共享空中信道提供了最终的规则手册。

既然我们已经掌握了多址信道那优美而抽象的机制——它的容量域，它奇特的五边形形状，以及用户之间信息的微妙互动——我们有理由问：这一切究竟是为了什么？这仅仅是数学家的游乐场，还是它告诉了我们关于现实世界的深刻道理？答案，正如物理学和工程学中常见的那样，是这些抽象原则不仅有用，它们还是我们这个互联世界赖以建立的基石。从繁华都市中嘈杂的信号，到远方传感器的低语，多址信道的规则无处不在。在本章中，我们将踏上一段旅程，看看这些规则如何体现，从简单而富有启发性的思想实验，到定义现代通信的复杂精密系统。

让我们在一个极其简单的世界里开始我们的旅程。想象两个人试图同时与一个听众交谈，但通过一个奇特的信道。在一种情况下，信道只是将他们的二进制信号（$0$ 或 $1$）进行算术相加。如果两人都沉默，听众听到 $0$；如果一人说话，听到 $1$；如果两人都说话，听到 $2$。这就是无噪二进制加法信道。在另一种可能更奇怪的情况下，信道执行模2加法，即当奇数个人说话时听众听到 $1$，否则听到 $0$。

这些模型虽然理想化，却是我们直觉的绝佳“数字试验台”。它们揭示了一个基本真理：即使没有噪声，用户也不是自由的。他们的通信能力受到信道本身的限制。听众可以接收到的总信息量——用户速率之和 $R_1 + R_2$——永远不能超过信道输出所包含的信息量或熵 $H(Y)$。如果输出只能是 $0$、$1$ 或 $2$，那么用户在每次使用信道时能够传达的综合“新闻”就有一个硬性上限。对于二进制加法信道，这个上限恰好是每次使用 1.5 比特。对于异或信道，它仅为每次使用 1 比特。这揭示了一个优美的权衡：如果一个用户决定“说得更快”（即增加其速率 $R_1$），另一个用户必须“说得更慢”（减少 $R_2$），以保持在信道的总预算之内。这个原则可以扩展到任意数量的符号，如在三进制加法信道中，同样的逻辑依然成立。

共享有限预算这一思想具有深远的影响。考虑一个更现实的早期计算机网络模型，如 AlohaNet 或以太网。在这里，许多用户试图在没有完美协调的情况下访问共享媒介（如电缆或射频）。如果只有一个用户传输，消息就会通过（'Success'）。如果没有人传输，就是'Silence'。但如果两个或更多用户同时传输，它们的信号会相互干扰，造成'Collision'。从我们的新视角来看，'Silence'、'Success' 和 'Collision' 只是一个多址信道的三种可能的输出符号！网络的总信息吞吐量就是这个输出的熵 $H(Y)$。这类协议的设计者面临一个有趣的优化问题：用户应该以多大的频率尝试传输？如果他们过于胆怯（以低概率传输），信道大部分时间处于静默状态，造成浪费。如果他们过于激进，碰撞占主导地位，几乎没有信息能通过。MAC 理论告诉我们存在一个“最佳点”——一个特定的传输概率，它能最大化总信息速率，平衡碰撞的风险和成功传输的回报。这是抽象信息论与网络工程实践艺术之间一个惊人的联系。

现在，让我们离开离散、无噪的信道世界，步入我们自己的世界：一个充满模拟波、无线电频率和无处不在的热噪声的世界。在这里，主导模型是高斯多址信道，来自不同用户的信号在空中叠加，并且全都淹没在一片随机高斯噪声的海洋中。这个模型支配着你的智能手机与基站的通信，或者 Wi-Fi 设备与路由器的通信。

几十年来，标准方法是将来自干扰用户的信号仅仅当作更多的噪声来处理。如果用户1以功率 $P_1$ 传输，用户2以功率 $P_2$ 传输，用户1的接收机将看到一个等效的噪声基底 $N + P_2$，其中 $N$ 是背景热噪声。这种方法简单，但效率极低。这就像在一个派对上试图听清一个朋友说话，却假装其他人只是随机、无结构的嘈杂声。

但是，MAC 容量域理论暗示了一种更聪明的策略。著名的五边形容量域的角点 是通过一种优雅得近乎神奇的技术实现的：​​串行干扰消除 (SIC)​​。其直觉简单而强大。与其将其他说话者视为噪声，为什么不尝试理解他们然后将他们减去呢？

想象一下蜂窝系统上行链路中的基站。它接收到一个“强”用户（近距离，高功率 $P_1$）和一个“弱”用户（远距离，低功率 $P_2$）的组合信号。使用 SIC，接收机执行以下操作：

1. ​​首先解码最强的用户：​​ 它专注于用户1，将用户2的信号视为噪声。用户1的可达速率受信干噪比的限制，其速率与 $\log(1 + \frac{P_1}{N + P_2})$ 成正比。

2. ​​减去！​​ 一旦用户1的消息被成功解码，接收机就确切地知道了用户1发送了什么信号。它可以完美地重构这个信号波形，并从接收到的总信号中减去它。

3. ​​解码下一个用户：​​ 还剩下什么？理想情况下，只剩下用户2的信号加上原始的背景噪声！用户2的信道已经被“清除”了来自用户1的干扰。其可达速率现在与 $\log(1 + \frac{P_2}{N})$ 成正比。

注意这其中的美妙之处。用户2的性能就好像用户1从未存在过一样！解码顺序至关重要。如果我们试图先解码弱用户会怎么样？他们微弱的信号会被强用户的信号完全淹没，而我们只能将强信号视为噪声。可达速率将低得可怜。通过先解码强用户，我们利用其高功率的优势，使其易于解码和移除，从而为弱用户扫清道路。定量上的好处并非微不足道；对于一个弱用户来说，最后被解码而不是最先被解码，可以使其可达数据速率提高5倍、10倍甚至更多，具体取决于功率水平。这一洞见是 4G 和 5G 网络中现代接收机设计的基石之一，将干扰从敌人变成了可以解决的谜题。

多址信道不仅仅是单个链路的模型；它是理解更大、更复杂网络的基本构建模块。大自然不会给我们干净、孤立的信道，而是给我们混乱、互联的系统。网络信息论的精妙之处在于，我们常常可以将这些系统分解为熟悉的组件，比如 MAC。

考虑一个协作网络，其中两个用户试图到达一个目的地，但有一个有用的中继站可以帮助他们。中继站监听两个用户，解码他们的消息，然后向目的地重新传输一个有用的信号。我们如何分析这样的系统？我们将其视为一系列的瓶颈。首先，有从用户到中继的链路。这是一个经典的两用户 MAC！用户的和速率受到这第一跳 MAC 容量的限制。然后，有到目的地的链路，目的地现在不仅听到原始两个用户的信号，还听到中继的信号。这是一个三用户 MAC！整个系统的性能受到这些 MAC 中最弱一个的容量限制。系统的强度取决于其最薄弱的环节。这种视角使我们能够通过识别复杂拓扑内部的基本类 MAC 约束来分析它们。

也许最深刻的联系是​​上行链路 (MAC)​​（多个用户与一个基站通话）与​​下行链路 (广播信道, BC)​​（一个基站与多个用户通话）之间的深刻对偶性。人们可能天真地认为 SIC 在两个方向上都应该奏效。在上行链路 MAC 中，正如我们所见，单个基站接收机拥有“上帝视角”——它能听到所有信号的叠加，并能逐个将它们剥离。但是下行链路呢？在这里，基站创建一个叠加信号（一个用于远距离用户的高功率部分，一个用于近距离用户的低功率部分）并进行广播。那个远处的弱用户能应用 SIC 吗？它能解码为近处强用户准备的信号，减去它，然后解码自己的消息吗？

答案是响亮的不行。原因很根本。为强用户准备的信号分量是以高码率编码的，这个码率只有在高信噪比下才能解码。弱用户，根据定义，其信道质量差，信噪比低。从信息论上讲，弱用户不可能解码强用户的消息。而如果你无法解码一个消息，你就无法减去它。执行消除所需的信息在弱用户的位置上根本不存在。另一方面，强用户可以解码弱用户的消息（因为它以较低的码率发送），然后减去它以找到自己的消息。这种优美的不对称性解释了为什么上行链路和下行链路系统的设计如此不同，并证明了信息的位置决定一切。

从简单的加法器到 5G 的设计，再到无线网络的根本不对称性，多址信道的原理是一条贯穿始终、统一的线索。它证明了一个简单思想的力量——信息，就像任何其他资源一样，当它被共享时，也存在着根本的极限。