# 空分多址：一个频率如何同时服务多部手机 ## 一、从一个"不可能"的场景说起 想象这样一个场景：一个5G基站，一段完全相同的频谱，在完全相同的一毫秒里，要同时给小区里10部手机各发各的视频流，而且彼此不能串扰。如果把频谱比作一条高速公路的车道，这相当于要求"10辆车挤在同一条车道、同一个时刻、朝同一个方向开，还各自互不相撞"。 听起来违反直觉——频率资源不是独占的吗？同一频率同时发射两个信号，接收端不该收到一团糊吗？ 这正是空分多址（SDMA，Space Division Multiple Access）要解决的核心命题。它的答案简短而精妙：**用空间方向来区分用户，而不是用频率或时间。** 而实现这一点的关键技术，叫做**多用户MIMO**（MU-MIMO）与**零强迫预编码**（Zero-Forcing Precoding）。 本文将从"为什么能"讲到"如何做"，再到现网工程师调试时哪里会踩坑，把这个5G容量提升的头号功臣拆解清楚。 --- ## 二、多址技术的四次演进：为什么轮到"空间"出场 要理解空分多址的位置，先回顾无线通信区分用户的四种基本维度。每一种"多址技术"，本质上都是在回答同一个问题：**多个用户共用同一段频谱，靠什么把它们分开？** | 多址技术 | 区分维度 | 通俗类比 | 代表代际 | |---------|---------|---------|---------| | FDMA（频分多址） | 频率 | 各开一条独立车道 | 1G/2G | | TDMA（时分多址） | 时间 | 排队轮流上同一条车道 | 2G(GSM) | | CDMA（码分多址） | 正交编码 | 同车道用不同"暗号"对话 | 3G | | OFDMA（正交频分） | 细分子载波+时隙 | 车道切成小格子分配 | 4G/5G | | **SDMA（空分多址）** | **空间方向** | **用聚光灯分别照准每个人** | **5G/6G** | 前四种技术，无论怎么切，本质上都是在"时间和频率"这块二维蛋糕上做文章，蛋糕就那么大，切得再细，总容量也有天花板。而SDMA开辟了**第三个维度——空间**。它的革命性在于：同一格时频资源，可以被多个用户**重叠复用**，前提是它们在空间方向上分得开。 打个比方：前四代技术是在一个房间里给每个人发一个时段或一个频道说话，房间越挤越吵；SDMA则像给每个人配一个**定向话筒**，大家同时说、同频说，但声音各自精准射向自己的目标，互不干扰。房间没有变大，能容纳的"同时说话"的人却成倍增加。 这就是5G相比4G容量翻几番的根本来源之一。 --- ## 三、从SU-MIMO到MU-MIMO：空间复用的两次进化 理解MU-MIMO之前，必须先厘清它的前身——单用户MIMO（SU-MIMO），这能帮你看清两者本质差异。 ### 1. SU-MIMO：给一个人开多条管道 在SU-MIMO下，基站把所有空间资源（多根天线）集中服务于**一个用户**，通过"空间复用"把多个数据流并行发给它。这在前面《空间复用：把多径变成并行管道》里讲过——核心是利用多径环境，在同一个用户身上叠加多条互不干扰的数据"管道"，提升该用户的峰值速率。 但SU-MIMO有个现实瓶颈：**空间流数受限于收发两端天线数的最小值。** 如果基站有64根天线，而手机只有2根天线（受限于体积和功耗，手机天线数通常很少），那么无论基站多豪华，也只能开2条流。其余62根天线的空间潜力被白白浪费。 ```mermaid flowchart LR subgraph SU["SU-MIMO：基站64天线 → 单个用户2天线"] BS1["基站 64T"] -->|"只能开2条流
62根天线潜力浪费"| UE1["用户手机 2R"] end subgraph MU["MU-MIMO：基站64天线 → 32个用户各1天线"] BS2["基站 64T"] -->|"同时开多组流
每流服务一个用户"| UE2["用户1"] BS2 --> UE3["用户2"] BS2 --> UE4["..."] BS2 --> UE5["用户N"] end SU -->|"瓶颈：手机天线少
空间资源闲置"| MU ``` ### 2. MU-MIMO：把空间资源分给多个用户 MU-MIMO的思路转换非常关键：**与其把多条流塞给一个手机（受手机天线数限制），不如把每条流分给不同的手机。** 这样，基站的64根天线就能同时服务多达几十个单天线用户，每人在同一时频资源上各走各的流。 | 对比维度 | SU-MIMO（单用户） | MU-MIMO（多用户） | |---------|------------------|------------------| | 同时服务用户数 | 1个 | 多个（几个到几十个） | | 空间资源分配 | 全部给一个用户 | 分配给多个用户 | | 主要收益 | 提升单用户峰值速率 | 提升小区总容量（频谱效率） | | 干扰来源 | 同一用户的流间干扰（可联合处理） | **用户间干扰**（必须预编码消除） | | 对基站天线数要求 | 受手机天线数制约 | 基站天线数 ≥ 同时服务用户数 | | 核心技术 | 空间复用 + 单用户预编码 | **空分多址 + 多用户预编码（零陷）** | 这里出现了一个SU-MIMO没有的新难题——**用户间干扰**。在SU-MIMO里，多个流发给同一个用户，这个用户用自己多根天线能联合解调，流间干扰可控；但在MU-MIMO里，流发给不同用户，每个用户只有自己的天线，**它根本看不到、也无法消除发给别人的信号**。如果基站粗暴地把多路信号叠加发射，每个用户都会收到一团"自己的信号+一堆别人的串扰"。 **这正是空分多址必须攻克的核心难关：如何在发射端就预先消除用户间干扰，让每个用户只"看见"自己的信号。** 答案，就是零强迫预编码。 --- ## 四、零强迫预编码：在别人方向上"挖坑" ### 1. 数学模型：干扰从何而来 先建立下行MU-MIMO的信号模型。设基站有 $N_t$ 根天线，要同时给 $K$ 个单天线用户发数据。第 $k$ 个用户要发的数据符号是 $s_k$，它到基站的信道向量是 $\mathbf{h}_k$（一个 $N_t$ 维复向量），基站为它设计的预编码（加权）向量是 $\mathbf{w}_k$。那么第 $k$ 个用户实际收到的信号是： $$ y_k = \underbrace{\mathbf{h}_k^H \mathbf{w}_k s_k}_{\text{想要的信号}} + \underbrace{\sum_{j \neq k} \mathbf{h}_k^H \mathbf{w}_j s_j}_{\text{其他用户的串扰}} + \underbrace{n_k}_{\text{噪声}} $$ 中间那个求和项就是用户间干扰——所有发给别人的信号，也会顺着信道 $\mathbf{h}_k$ 漏到这个用户头上。如果这一项不为零，这个用户就会被干扰糊住。 ### 2. 零陷思想：让干扰项等于零 零强迫（Zero-Forcing，ZF）的思路直接而暴力：**设计每个预编码向量 $\mathbf{w}_k$，使得发给用户 $k$ 的信号，在所有其他用户 $j$ 的方向上都等于零。** 数学上写成： $$ \mathbf{h}_j^H \mathbf{w}_k = 0, \quad \forall j \neq k $$ 这句话翻译成人话：基站给用户A发信号时，会刻意让这股信号"绕开"用户B、C、D所在的空间方向——在这些方向上，信号强度被压到接近零（形成所谓的"零陷"或"零点"）。于是用户B收到的、来自给A的信号，理论上为零。 **每一个用户的波束，都被设计成既要"对准"自己，又要"回避"其他所有人。** 这就是空分多址的物理本质——不是简单地把波束指向目标，而是要同时管理所有方向上的"亮区"和"暗区"。 ```mermaid flowchart TD A["基站为用户1设计预编码 w₁"] --> B{"同时满足两个约束"} B -->|"约束1：对准目标"| C["h₁ᴴ·w₁ 最大化
（用户1方向信号最强）"] B -->|"约束2：避开他人"| D["h₂ᴴ·w₁ = 0
h₃ᴴ·w₁ = 0
...（其他用户方向为零陷）"] C --> E["结果：用户1只收到自己的信号
用户2、3收不到给用户1的信号"] D --> E E --> F["同一时频资源
多用户互不干扰"] ``` ### 3. ZF预编码矩阵：信道矩阵的伪逆 当把所有用户的约束写在一起，ZF预编码矩阵有一个极其优雅的闭式解。把所有用户的信道向量拼成信道矩阵 $\mathbf{H} = [\mathbf{h}_1, \mathbf{h}_2, \dots, \mathbf{h}_K]$（$N_t \times K$），那么ZF预编码矩阵为： $$ \mathbf{W}_{ZF} = \mathbf{H} (\mathbf{H}^H \mathbf{H})^{-1} $$ （实际使用时还需做功率归一化。）这个式子的几何含义深刻：它本质上是信道矩阵 $\mathbf{H}$ 的**伪逆**（Moore-Penrose伪逆）。做矩阵乘法 $\mathbf{H}^H \mathbf{W}_{ZF}$ 后，结果恰好是单位矩阵 $\mathbf{I}$——意味着每个用户恰好只收到自己的符号，干扰项全部被"强迫为零"。这也是"Zero-Forcing（强迫为零）"这个名字的由来。 ### 4. 一个直觉：解方程组求权重 如果不喜欢公式，可以这样理解ZF：基站要给4个用户同时发信号，相当于要解一个方程组——寻找4组天线权重（预编码），使得"用户1的权重组合"在用户2、3、4方向都为零，"用户2的权重组合"在用户1、3、4方向都为零……每个用户给其他3个用户各挖一个零点。当基站天线数 $N_t$ 越多，能挖的零点就越多、能同时服务的用户就越多，这就是下面要讲的"空间自由度"。 --- ## 五、空间自由度：能同时服务几个用户的天花板 零陷不是无限的。每为一个用户设计预编码，就要在其他 $K-1$ 个用户方向上各放一个零点。要解出这个方程组，需要足够的"自由度"——也就是**基站天线数 $N_t$ 必须不少于同时服务的用户数 $K$**： $$ K \leq N_t $$ 这个 $N_t$（在多天线用户场景下是 $\min(N_t, \sum_k N_{r,k})$）就是系统的**空间自由度**（Spatial Degrees of Freedom），也叫空间复用增益。它决定了同一时频资源上最多能并行多少个独立的数据流。 | 基站天线数 | 理论最大同时服务用户数（单天线用户） | 现实工程意义 | |-----------|-----------------------------------|------------| | 2T2R | 2 | 早期4G，容量翻倍有限 | | 4T4R | 4 | 4G主流配置 | | 32T32R / 64T64R | 32~64 | 5G Sub-6GHz主流，大规模MIMO入门 | | 128T128R / 192T | 128~192 | 5G宏站，城区高容量场景 | 这也直接解释了**大规模MIMO的真正价值**：天线从4根猛增到64、128根，不只是"波束更窄、增益更高"（那是天线增益维度），更关键的是**空间自由度成倍扩张**——同一份频谱能同时复用的用户数从4个飙升到几十个，频谱效率随之成数量级提升。可以说，没有大规模MIMO提供的海量空间自由度，就没有真正意义上的空分多址。 --- ## 六、ZF的代价：噪声增强与MMSE的折中 零强迫听起来完美——干扰完全消除。但工程世界里，"完美消除"往往标着昂贵的价签。ZF的代价叫**噪声增强**（noise enhancement）。 问题出在 $(\mathbf{H}^H \mathbf{H})^{-1}$ 这个矩阵求逆上。当两个用户的信道向量**接近线性相关**（即两个用户在空间方向上靠得很近、信道几乎平行）时，矩阵 $\mathbf{H}^H \mathbf{H}$ 会接近奇异（病态），其逆矩阵的某些元素会变得非常大。预编码权重被放得极大，发射功率被迫集中在某些天线上，结果：**信号是干净了，但噪声被这些大权重一起放大了，信噪比反而恶化。** 通俗说就是：为了把信号精准地从另一个用户身边"挤"过去（挖一个极深的零陷），基站不得不非常用力地扭曲波束，这种扭曲消耗了大量"能量预算"，最后虽然干扰没了，有用信号也被噪声淹没。 工程上的改进版叫**最小均方误差预编码**（MMSE），也叫**正则化零强迫**（Regularized ZF, RZF）。它在求逆时加一个小项 $\alpha \mathbf{I}$ 来稳定矩阵： $$ \mathbf{W}_{MMSE} = \mathbf{H} (\mathbf{H}^H \mathbf{H} + \alpha \mathbf{I})^{-1} $$ 这里的 $\alpha$ 反映噪声水平。MMSE不再追求"干扰绝对为零"，而是允许残留一点点干扰，换取不被噪声放大吞噬，整体信噪比更优。这正是"残缺的完美胜过完美的残缺"的工程哲学。 | 预编码方案 | 干扰消除程度 | 噪声增强 | 适用场景 | |-----------|------------|---------|---------| | MRT（最大比传输） | 不消除（靠波束对准） | 无 | 用户少、信噪比低 | | ZF（零强迫） | 完全消除 | 严重（用户近时） | 用户信道正交、信噪比高 | | MMSE/RZF | 部分消除（最优折中） | 受控 | **现网最常用** | --- ## 七、用户配对：空分多址成败的隐形之手 有了好的预编码算法，就能保证MU-MIMO性能吗？还不够。还有一个工程上极其关键、却常被忽视的环节——**用户配对（User Pairing / Scheduling）**。 零强迫能干净分离用户的前提，是这些用户的**信道向量足够正交**（空间方向分得开）。如果基站非要把两个站在同一方向、信道几乎重合的用户配成一组同时服务，ZF预编码就得挖一个"极深、极窄"的零陷，噪声增强会毁掉一切，性能反而不如分开调度。 因此，基站调度器在决定"这一毫秒把哪几个用户凑成一组做MU-MIMO"时，会刻意挑选**空间方向差异大、信道正交性好**的用户组合。这就像老师分组讨论，会把坐在教室不同角落、口音迥异的学生分到一组，他们同时发言才容易区分；如果都是同桌、口音一样，混在一起谁也听不清。 ```mermaid flowchart TD Start["调度时刻到来
多个用户等待传输"] --> A["收集各用户上行SRS/CSI
获得信道向量 h₁...hₖ"] A --> B["计算用户两两之间的
空间相关性/正交性"] B --> C{"是否找到正交性好的
用户组合？"} C -->|"是，信道方向差异大"| D["✅ 触发MU-MIMO
配成一组，ZF预编码
零陷轻松、噪声小"] C -->|"否，用户都挤在一处"| E["❌ 退化为SU-MIMO或
单独调度，避免噪声增强"] D --> F["同一时频资源多用户并行
容量提升"] E --> G["牺牲部分并行度
换取单用户可靠性"] ``` 这条隐形的调度逻辑，往往是现网MU-MIMO性能差异的主因——同样的硬件、同样的算法，城区密集场景（用户分布各方向）MU-MIMO增益显著，而室内单走廊或用户聚集场景，配对困难，增益大打折扣。 --- ## 八、CSI：空分多址的"眼睛" 零强迫预编码要求基站知道每个用户的精确信道向量 $\mathbf{h}_k$（统称为CSI，Channel State Information），否则无法设计零陷。**没有CSI，MU-MIMO就是瞎子摸象。** 这引出两类完全不同的实现路径： - **TDD系统**：利用上下行信道的**互易性**（信道互易性），基站通过接收用户发送的**探测参考信号**（SRS）直接估计出下行信道，无需用户反馈。这正是5G TDD大规模MIMO能高效做MU-MIMO的根本原因——CSI获取开销小、精度高。详见前作《信道互易性：TDD的镜像魔法》。 - **FDD系统**：上下行频段不同，互易性不成立，基站必须先发CSI-RS参考信号让用户测量下行信道，再由用户把量化的信道信息**反馈**回基站（码本反馈）。反馈开销大、有时延，是FDD做MU-MIMO的主要瓶颈，也是"广义零强迫""交替训练"等降低开销技术的研究热点。 一句话：**TDD天生的互易性，让空分多址在5G时代真正走向大规模商用。** --- ## 九、大规模MIMO的"魔法"：信道硬化与有利传播 当基站天线数 $N_t$ 趋于很大（64、128、256…），MU-MIMO会涌现两个奇妙的统计现象，让系统设计和性能大幅简化提升： 1. **信道硬化（Channel Hardening）**：随着天线数增加，每个用户的等效信道增益趋于一个确定值（不再随频率/时间剧烈波动），起伏被"抹平"。这意味着深衰落几乎消失，链路变得极其稳定，甚至可以省去复杂的自适应调制。 2. **有利传播（Favorable Propagation）**：不同用户的信道向量自动趋于正交（$\mathbf{h}_i^H \mathbf{h}_j \to 0$）。用户间天然分得开，ZF预编码的零陷变得"毫不费力"，噪声增强问题自动消失。 这两个效应合起来解释了一个反直觉的结论：**大规模MIMO让MU-MIMO不仅变得更强，而且变得更容易实现。** 这正是Massive MIMO被誉为5G"容量引擎"的深层原因——它同时给了你更多的空间自由度（能服务更多用户）和更好的用户正交性（服务得更干净）。 --- ## 十、现网实战：工程师调试时的连接点 把这些原理落到现网，1-3年经验的工程师会在哪些地方碰到MU-MIMO/SDMA？ 1. **看小区容量与频谱效率**：网优分析时，若发现同频段、同带宽下，某些小区下行吞吐量远超SU-MIMO理论上限，多半是MU-MIMO在生效。可在网管上确认"多用户配对次数""空间复用层数"等计数器。 2. **TDD站点SRS是命门**：TDD大规模MIMO的MU-MIMO性能，强依赖上行SRS质量。若SRS覆盖差、上报周期过长或权值计算异常（校准未做好），基站拿到的CSI失真，ZF零陷打偏，用户间干扰骤增，表现为**整体吞吐下降、个别用户体验劣化但排查困难**。检查SRS SINR、天线校准状态、互易性校准是关键。 3. **用户分布决定增益**：室内、单走廊、用户聚集场景，正交性差，MU-MIMO配对难，强行开启可能因噪声增强而有害。网优需结合用户空间分布评估是否启用、启用几层。 4. **码本与码字**：现网下行预编码常基于**码本**（预设的波束集合）反馈选择，而非实时计算完整ZF矩阵（出于复杂度和标准化）。理解码本与零陷的关系，有助于看懂RANK/PMI/RI等上报参数。详见前作《码本：波束的预设菜单》。 5. **常见误解**：很多人以为"开了MIMO、波束对了就行"，实际上**MU-MIMO的性能瓶颈往往不在波束指向，而在用户配对的正交性和CSI的精度**。波束再准，CSI错了或用户挤一堆，照样干扰严重。 --- ## 十一、收束：空分多址为何是5G的"第三维革命" 回到开篇那个"不可能"的场景。现在我们知道它为何可能：基站用大规模天线阵列获得充沛的空间自由度，通过精准的预编码（ZF/MMSE）为每个用户既"点亮"自己又"零陷"他人，再辅以智能的用户配对调度，让数十个用户在同一份频谱、同一时刻各走各的流。 频谱没有变宽，时间没有变多，但空间这个"沉睡的维度"被唤醒了。从FDMA、TDMA、CDMA到OFDMA，通信人用了几十年把时频蛋糕切到极致；而SDMA告诉我们——**真正的扩容，不在于把蛋糕切得更细，而在于把蛋糕叠成多层。** 这就是空分多址留给通信工程的最重要的启示。 --- ## 常见问题 **Q1：MU-MIMO和SU-MIMO到底什么区别？一句话概括。** A：SU-MIMO是把多条空间流集中给**一个用户**，提升单用户速率；MU-MIMO是把多条空间流分给**多个用户**，提升小区总容量。前者受限于手机天线数，后者受限于基站天线数（空间自由度）。 **Q2：为什么ZF预编码有时反而让性能变差？** A：当被配对用户的信道接近平行（正交性差）时，ZF求逆会让预编码权重爆炸，发射功率集中、噪声被放大（噪声增强），信噪比恶化。这时应改用MMSE/RZF（允许残留干扰），或干脆退化为单独调度、不强行MU-MIMO。 **Q3：为什么5G TDD比FDD更适合做大规模MU-MIMO？** A：TDD可利用上下行信道互易性，基站直接通过用户发送的SRS估计下行信道，CSI开销小、精度高、无反馈时延；FDD频段不互易，必须靠CSI-RS测量+用户反馈，开销大且有时延，CSI质量打折，MU-MIMO性能受限。 **Q4：空间自由度是不是等于天线数？** A：基本是。单天线用户场景下，最大并行流数（空间自由度）等于基站天线数 $N_t$。但实际还受限于用户信道的正交性和多径丰富程度——天线数是"上限"，环境决定能逼近到多少。 **Q5：用户配对为什么那么重要？** A：ZF能干净分离用户的前提是用户信道正交。配对选得好（用户空间方向差异大），零陷轻松、噪声小、增益大；配对选得差（用户挤在一处），噪声增强会毁掉一切。调度器的配对算法往往是现网MU-MIMO性能差异的主因。 --- ## 参考来源 2. [Zero-Forcing (ZF) Detection in Massive MIMO Systems — WirelessPi](https://wirelesspi.com/zero-forcing-zf-detection-in-massive-mimo-systems/) — 大规模MIMO下ZF检测/预编码的工程化讲解与噪声增强分析。 3. [NR Cell Performance with Downlink MU-MIMO — MathWorks](https://www.mathworks.com/help/5g/ug/nr-cell-performance-with-downlink-mu-mimo.html) — 5G NR下行MU-MIMO链路级仿真与容量提升实例。 4. [5G中的多用户MIMO：赋予无线通信更高效率 — 华为云](https://bbs.huaweicloud.com/blogs/436311) — MU-MIMO在5G现网中的作用、优势与应用场景中文解读。 5. [4G&5G专题-47：多天线MIMO技术、层映射、预编码矩阵 — CSDN](https://blog.csdn.net/HiWangWenBing/article/details/114101724) — 物理层层映射、预编码矩阵与空分复用原理的图解教程。 --- > 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 > 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。