做移动通信系统评估的人大概都有同感5G的无线网络仿真体系已经非常成熟信道模型、波形、协议栈、指标统计都形成了一套完整流程但当你试图在同一套仿真框架里评估6G候选方案很快就会发现很多环节“套不进去”。太赫兹频段的传播特性和毫米波完全不同通感一体化要求用同一套波形同时评估通信误码率和感知精度系统级仿真还要塞进低轨卫星、可重构智能表面这些此前根本不需要考虑的对象。这篇是6G网络仿真系列的第十篇我准备专门做一次6G与5G网络仿真的横向对比把从5G仿真迁移到6G仿真时真正需要改变的建模假设、评估指标、工具链和验证方式讲清楚帮正在搭6G预研平台的同学少走弯路。1. 先用一张对比表看清6G仿真比5G多了哪些“活”做对比之前我建议先把两个阶段的仿真工作拆开看。很多刚接触6G预研的人容易误以为“6G仿真就是换个频段、改个带宽重新跑”实际操作下来会发现新增的建模对象和跨层耦合关系远超想象。我常用下面这张表来梳理差异先说结论6G仿真不是增量修改而是把通信系统仿真扩展成了“通信感知AI物理环境”的联合验证。对比维度5G仿真基线6G仿真研究的主要变化主要建模对象基站、终端、核心网简化、用户移动增加感知目标、可重构智能表面、低轨卫星、数字孪生、AI模型信道模型统计信道模型为主体关注城市宏微蜂窝、室内等场景太赫兹分子吸收、近场球面波、簇生灭、RIS级联信道、非平稳特性链路级波形CP-OFDM/DFT-s-OFDM灵活子载波间隔OTFS、通感一体化波形、AI接收机、更高阶调制与更宽带系统网络架构集中式/分布式接入网CU/DU切分无小区大规模协作、NTN星地一体化、AI原生空口评估指标三大场景eMBB、uRLLC、mMTC六大场景扩展新增感知精度、AI性能、能效、泛在覆盖指标验证方式链路级仿真出曲线系统级查表映射链路与系统闭环联调射线追踪与数字孪生辅助1.1 建模对象从“通信链路”扩展为“物理环境感知AI”5G仿真器里绝大多数模块都在围绕通信链路转基站发数据、终端收数据、调度器分配资源、信道模型生成衰落系数。到了6G这个边界直接被打破了。举几个我在预研中经常碰到的例子感知目标需要一条独立的往返信道链路基站发信号、目标反射回来仿真器要同时处理“通信接收”和“雷达回波处理”两条路径可重构智能表面不能简单当成一面反射镜每一个单元的相位都会改变等效信道矩阵仿真器就得额外维护一个可变的反射系数层低轨卫星接入也不是固定基站卫星在动、波束在地面扫拓扑本身就随时间变化。更关键的是AI原生空口这个概念。5G里AI顶多是做优化工具但6G的讨论里AI直接参与信号处理决策比如AI信道预测、AI调度、语义通信。仿真器如果想要评估这类方案不能只跑一个离线训练模型还要把训练和推理流水线嵌进仿真循环里处理数据分布偏移、推理时延、模型泛化这些以前从来不会出现在通信仿真器里的问题。1.2 仿真层级耦合关系从“顺序执行”到“闭环迭代”5G的仿真流程是清晰的流水线链路级仿真先生成BLER曲线、吞吐曲线系统级仿真根据这些映射关系去评估整网性能。链路级和系统级之间的数据交互相对单向边界也清楚。但6G场景下这种分层方式会失灵。通感一体化就是最典型的例子系统级的波束调度决策会直接改变感知目标的观测视角和信号质量而感知模块检测到目标后又可能反过来触发系统级的资源重配。链路级、系统级不再是线性上下游而是互相反馈的闭环。我建议做6G仿真时从一开始就把数据和接口设计成可双向流动的。比如在系统仿真器里留一个“感知任务事件”的接口感知模块输出目标状态调度器读取后再决定下一个时隙给通信还是感知同时调度决策要能回灌到链路级做信号级验证而不是永远停留在查表层面。这样做虽然没有5G流水线那么省事但更接近6G真实系统的运行逻辑。2. 传播与信道建模5G的统计模型“够用”6G必须“重构”信道模型是传输体制仿真的地基也是5G和6G差异最集中的地方。5G在标准化阶段建立的统计信道建模思路成熟可靠直接沿用会导致6G高频段和超大规模天线场景下的性能评估严重失真。2.1 回顾5G信道模型的两个关键假设5G的标准化信道模型覆盖了从低频到毫米波的大范围频段典型场景包括城市微蜂窝、宏蜂窝、乡村、室内等。这种模型采用“大尺度参数小尺度多径簇”的统计生成方法先根据场景生成路径损耗、阴影、时延扩展、角度扩展等参数再基于簇模型生成具体的多径响应。这套模型隐含两个关键假设。第一在几十米到百米尺度的空间范围内信道统计特性相对平稳空间一致性通过插值方式近似实现第二在低于100GHz的频段大气吸收、分子共振这些效应通常弱到可以忽略。这两个假设在5G频段完全成立但在6G太赫兹频段和近场场景下都不再可靠。如果在仿真里继续沿用这两条假设评估出的覆盖、波束管理、干扰特性都会和真实环境差得很远。2.2 6G新增传播现象迫使模型升级6G信道建模至少要处理四个新问题。第一个是太赫兹频段的分子吸收效应。氧气和水蒸气在特定频点存在吸收峰路径损耗除了距离和频率之外还要把湿度和海拔考虑进去仿真器需要在路径损耗计算链路上增加一个大气吸收系数模块。这个看似简单的改动实际上会显著影响覆盖半径和链路预算。第二个是稀疏信道下的空间结构。太赫兹频段散射体少有效多径簇可能只有一两个信道从“富散射”走向“稀疏”甚至“单簇”。这种情况下5G模型里那一整套簇间功率耦合、角度扩展参数就变得不太适用空间相关性结构也完全不同。仿真器如果还是按默认的几十个簇生成信道性能评估会乐观得离谱。第三个是可重构智能表面带来的级联信道。基站-智能表面-终端这条链路是两个子信道的级联反射单元的相位配置又会改变等效信道。这个模型不能只在现有信道上加一个增益系数必须在信道生成器里暴露一个“单元相位控制”的参数接口让上层优化算法去动态调整。仿真做起来比5G的固定信道模型复杂得多。第四个是近场效应。超大规模天线阵列和智能表面使用户在近场区域内工作的概率大幅提高电磁波波前不再是平面波而是球面波到达角和距离变得耦合。这直接影响波束成形和信道估计算法系统级仿真里不能再简单用远场阵列响应对待。2.3 实操建议模型可插拔射线追踪离线预生成我在实际仿真中采用的方式是“模型可插拔”。把信道生成器做成一个独立接口输入频段、场景、智能表面配置、用户轨迹输出多径参数表。5G信道作为默认基线先保留6G的新模型做成可选模块通过配置开关切换。这样做的好处是每做一组对比实验都能清楚知道性能差异是因为信道模型假设不同导致的而不是被其他因素干扰。另外射线追踪在6G预研里基本绕不开。高频、近场、智能表面部署这类场景统计模型误差偏大射线追踪可以给出确定性的、包含环境几何信息的信道样本。但射线追踪算力开销极高不建议在系统级仿真里逐时隙调用。我常用的做法是离线用射线追踪生成一批典型环境的信道库仿真在线查表并叠加少量随机波动参数做蒙特卡洛这样兼顾了准确性和计算效率。3. 链路级仿真差异波形、帧结构、调制与接收机的建模逻辑链路级仿真是评估物理层方案最直接的工具5G已经有了成熟的基线6G的链路仿真要考虑的新因素集中在波形、双工方式、感知回波和AI接收机这几个维度。3.1 5G链路级基线是什么样的5G的链路级仿真基线非常清晰下行以CP-OFDM为主上行可选DFT-s-OFDM子载波间隔从15kHz到240kHz灵活配置编码侧用LDPC码承载数据、Polar码保护控制信道调制从QPSK逐步升到256QAM。仿真器通过蒙特卡洛方式生成大量信道实现统计误块率和吞吐量最后输出一条对信噪比的曲线。链路级仿真器的封装也相对标准同步误差、信道估计误差、相位噪声、非线性功放这些非理想因素都做成开关按评估目标决定是否开启。5G在毫米波阶段对相位噪声已经有要求但仿真器里的相位噪声模型通常还是相对简单的单极点/多极点模型带宽也只有几百兆的水平。到了6G单载波带宽直接上到数吉赫兹甚至几十吉赫兹相位噪声的作用不再是“可选难度”而是决定系统能否工作的关键因素。3.2 6G链路仿真需要新增的模块第一个新增方向是OTFS这类时延-多普勒域波形。OTFS把数据映射到时延-多普勒域把高移动环境下的时变信道转换成相对稳定的稀疏信道。仿真器要把抽头信道从时频域算子变换到时延多普勒域还要处理分数时延和分数多普勒带来的伪影问题。很多开源实现会直接用二维傅里叶变换加消息传递均衡器复杂度比OFDM高了一个量级。这里要提醒一点不要先入为主地认为OTFS一定比OFDM强。仿真结论高度依赖导频图案、信道估计和均衡器迭代次数参数设置不公平的话很容易得出误导性结论。我见过不少对比文章OTFS用了理想信道估计OFDM却用的是最差的LS估计这种对比没有任何工程参考价值。第二个新增方向是通感一体化。链路级仿真里发射信号既要被通信接收机解调又要从目标回波中估计距离、速度、角度。仿真器需要同时生成两条信道通信信道是基站到终端的单向链路感知信道是基站到目标再到基站的往返链路。目标回波要用雷达散射截面和微多普勒特征来建模。评估指标也不能只看通信的误块率还要输出感知的测距均方根误差、检测概率这些雷达指标。第三个新增方向是AI接收机。用神经网络替换传统接收机里的信道估计或均衡环节链路级仿真就得嵌进神经网络的训练和推理过程。最容易被忽略的是数据集构建必须把信道实现按统计特性划分成独立的训练集和测试集如果同一组信道快照既用来训练又用来评估泛化性能会被严重高估。3.3 算力控制与验证心得链路级仿真最怕算力失控。我建议分步开启功能先用OFDM加衰落信道跑通基线再逐步加入相位噪声和非线性之后才叠加OTFS或通感模块每一步都保留一份输出作为回归基准。OTFS的消息传递均衡器迭代次数先固定下来不要作为参数去扫否则一组仿真跑一天都有可能。验证方面也有技巧。除了和文献结果对照之外最好在系统里留几个可以在AWGN或简单平坦衰落信道下用闭式解验证的测试用例比如BPSK、QPSK的理论误码率。这样能快速排除编码、调制、信道生成链路上的低级错误再去做复杂场景的仿真。4. 系统级仿真差异架构、调度与多维资源的闭环系统级仿真面向的是整网性能5G的经典做法和6G的新需求之间最大的区别在于“资源维度”和“拓扑动态性”。通信、感知、算力、智能表面控制、星地链路这些全部挤进同一个评估框架后系统级仿真的设计方式必须调整。4.1 5G系统级仿真经典做法5G系统级仿真通常把网络建模成固定小区拓扑用户按某种空间分布撒进去以事件驱动方式运行调度器、HARQ、链路自适应和移动性管理。系统级仿真不逐比特模拟物理层而是基于链路级生成的映射表用查表方式得到误块率、吞吐量等性能。指标统计一般取吞吐量CDF曲线、时延尾部概率和边缘用户性能跑多轮随机快照求平均以覆盖用户落点、信道生成和业务到达的统计随机性。这套框架工程化程度很高运行效率也足够只要不涉及信号级细节评估网络容量和覆盖非常合适目前仍是5G系统评估的主要手段。4.2 6G系统级仿真的新变量6G系统级仿真至少需要处理四个新增变量。第一个是无小区大规模协作。基站这个概念正在被弱化多个接入点以用户为中心组成动态协作簇。仿真器不能再用固定小区边界去管理用户而要实时计算每个用户与候选接入点之间的协作簇、前传容量限制和同步要求。理想协作和非理想前传约束下的性能差异极大把前传建模成无限容量会对结论产生误导。第二个是低轨卫星接入。卫星星座的轨道运动导致拓扑持续变化波束覆盖在地面移动星地链路时延高、多普勒变化剧烈。系统级仿真器需要增加轨道和传播模块至少把卫星位置随时间变化的规律建进去并处理波束切换。固定基站假设在星地融合场景下完全不成立。第三个是智能表面部署。系统级仿真往往会忽略智能表面的控制链路开销控制器到表面的信号时延、每个表面单元相位切换时间、配置更新周期。如果不建这些因素只把智能表面当成可调的反射增益评估出的容量增益会明显偏乐观。第四个是AI原生调度。尝试用强化学习调度器替代规则调度器时必须先有一套规则调度器做基线。评价指标不能只看最终收敛吞吐还要关注训练过程中的策略抖动、收敛速度和面对信道变化时的稳定性。4.3 跨层联合仿真的衔接建议当6G引入感知和AI闭环后单靠链路级查表已经不够。感知性能与具体波形、信道实现强相关不能只用一条平均曲线代表所有情况。我建议在链路级输出“通信映射表感知误差表”两份结果同时在系统级仿真器里保留重算接口调度决策改变或信道状态变化明显时能触发对某个用户或某个感知目标的链路级重新评估。另一个容易忽略的问题是时间粒度。通信系统仿真以时隙为步长而感知任务可能要求更高的采样率或周期性快拍。处理办法是设置双时间轴通信事件按调度时隙走感知快照按自身要求的周期触发两者通过统一时间戳在事件队列里对齐。我在预研中就见过因为时间轴没有对齐感知指标和通信指标出现的结论互相打架的情况。最后多说一句架构层面的经验不要试图把新一代系统的所有模块都塞进一个仿真器里。好的做法是把仿真拆成拓扑调度模块、信道库模块、链路评估模块、指标统计模块模块之间用结构化数据交互。这样换一种信道模型、换一个调度算法都不用推倒重来。5. 指标体系与评估流程从三大场景到六大场景仿真最终是要回答“这个方案值不值”。5G的指标体系已经形成共识6G的指标框架把范围拉大了一圈评估流程也相应要变化。5.1 5G指标体系的统计口径5G时代的标准指标围绕三大场景展开增强移动宽带关注峰值速率、用户体验速率和频谱效率超高可靠低时延通信关注空口时延和可靠性海量机器类通信关注连接密度。系统仿真不止看峰值一般重点看吞吐量CDF曲线、边缘5%用户的体验速率、时延的尾部概率。这些统计口径的优势是业界统一方案之间可比性很强。5.2 6G指标扩展带来的评估挑战6G标准组织提出的六大场景在5G三大场景之上进一步新增了感知、AI、泛在连接等能力要求。落到仿真上需要增加的新指标包括但不限于通感一体化场景定位误差、测速误差、目标检测概率、虚警率AI与通信融合场景训练收敛时间、推理时延、模型在信道变化下的泛化误差泛在连接场景星地切换成功率、连续服务时长、覆盖补齐概率传统三大场景升级版峰值速率目标抬高一个量级以上可靠性要求进一步收紧。这些多维指标之间的关联非常复杂。增加感知发射功率可以提升感知精度但会压缩通信吞吐和连接密度降低时延可能牺牲可靠性优化模型泛化又可能增加训练算力开销。仿真输出不能只给一个加权总分更科学的做法是画出帕累托前沿展示不同指标之间的权衡关系让上游做系统设计的人去权衡。5.3 公平对比5G与6S的试验设计要点做5G和6G方案对比时最容易犯的错误是“把两个时代的最佳配置分别拉到极端再比较”。5G用了3.5GHz中等带宽和常规天线数6G却用了太赫兹超宽带和超大规模天线阵这种对比只能证明频段和硬件设置的差异说明不了技术本身的优劣。公平对比至少要做三件事。第一固定控制变量拓扑、用户分布、业务模型、信道实现、系统带宽、天线端口数、发射功率等参数全部统一配置。第二统一随机种子表多轮快照要使用相同随机流的序列不同算法只改变待评估对象不改变公共随机源。第三渲染统计稳定性用多轮独立快照计算均值、方差和置信区间而不是单跑一次就拿出一条曲线下结论。我还会要求团队把每次试验的配置文件、代码仓库版本、随机种子、结果输出全部归档。否则三个月后看到一组仿真曲线根本说不清楚当初对比的是什么参数的组合。6. 工具选择与落地经验从5G仿真平滑迁移到6G仿真最后说工具链和工程落地。很多团队并不是从零起步而是已经有一套积累很久的5G仿真平台如果全部推翻重来既浪费也不必要渐进式迁移是性价比最高的路径。6.1 主流工具链的简单对比工具类别典型工具/方向最合适阶段注意点链路快速验证MATLAB类商业仿真平台物理层波形、编码调制、链路性能基线按模块收费注意版本兼容和许可约束开源系统级仿真NS-3及5G扩展、OMNeT/Simu5G协议栈、调度、移动性、系统吞吐二次开发工程量偏大适合长期研究团队信道生成工具QuaDRiGa等统计信道生成器生成标准化信道样本、供链路和系统级使用太赫兹、RIS、近场需要自行扩展实现确定性信道商业射线追踪或自研射线追踪模块复杂环境、RIS部署、近场覆盖分析算力开销大建议离线生成信道库再调用AI链路级仿真Sionna等基于可微编程的仿真框架端到端AI接收机、联合优化信号处理与主流系统级仿真器对接成本不低注意训练测试集隔离不是工具越多越好而是要看团队目标。短期验证波形方案链路级用商业平台或可微编程框架最顺手长期做系统评估和方案比较开源系统级仿真器改造成本虽高但可控性和透明度最好。6.2 渐进式迁移路径从5G仿真平滑迁移到6G我建议按四步走。第一步保留5G仿真基线把信道、物理层、调度、业务、指标各个模块先做代码层面的解耦确保任何一个模块可以独立替换。第二步替换或增加新的信道库把太赫兹分子吸收、RIS级联、近场模型加进去和5G信道模型输出做差异对比确认模型改动符合预期。第三步在链路级增加6G候选波形或通感模块和新的信道库对接跑通一轮链路级基准测试。第四步在系统级逐步增加无小区协作、星地一体化、AI调度和感知任务模块用开关控制一次只开一个功能每开一个功能都保留一组对照结果。这样每一步的性能回退都能快速定位不至于等到系统全跑通了才开始找问题。6.3 几个必须注意的工程细节有几个工程细节是5G时代不太会被注意、但6G仿真经常踩的坑。第一个是信道库文件过大。太赫兹射线追踪生成的数据轻松到几十GB级别。解决办法是只存多径参数化表示而不存完整信道冲激响应可以省一个量级以上空间或者在系统级仿真在线按参数合成把射线追踪输出做成离线缓存供热点区域重复使用。第二个是随机种子管理。并行仿真每个工作进程需要独立的随机流同时主进程要维护一张全局种子表。不同算法之间必须在完全相同的随机流序列下比较否则用户分布和信道衰落带来的差异会淹没你的方案差异。第三个是模块间时间戳对齐。通信时隙、感知快照、智能表面配置更新周期往往各走各的时间轴必须强制使用统一时间戳贯穿所有模块。我在仿真调试中见过因为感知和通信时间轴错位导致指标逻辑上相互矛盾的案例。第四个是配置漂移。多人协作时配置文件的修改很容易悄悄发生。建议所有试运行参数进配置仓库提交前跑一遍短回归测试至少保证改配置不会把原来能跑通的基线弄崩。这个系列写到这里我最大的体会是6G仿真并不是简单地把5G参数调新它本质上把通信仿真从一个“网络性能评估工具”扩展成了“物理环境加感知加AI的联合验证平台”。想从5G平滑过渡最关键的是保住一个能跑5G基线的仿真底座然后逐步打开6G特性开关每加一个开关都保留好对照记录。这也是我一直推荐“可插拔、可回归、可比对”三原则的原因。如果你正准备搭6G预研平台建议先从信道模型和链路级的差异入手把基础打牢再往系统级和跨域联合仿真延伸这条路会稳很多。
