AI赋能6G无线接入网技术研究.pdf

2023 年 30 期创新前沿科技创新与应用Technology Innovation and ApplicationAI 赋能 6G 无线接入网技术研究朱晓丹，黄庆秋（广东省电信规划设计院有限公司，广州 510630）人工智能 AI（Artificial Intelligence）和 6G 是当今热度最高的 2 项技术。AI 技术与 6G 融合，可使网络高效智能地完成特定工作/任务，优化网络性能和提升用户感知。6G 网络由此可提供比以往更智能的互联、更快的速度、更大的容量和更可靠的连接。这 2 种技术的结合，赋能各种智慧应用场景，将迸发出惊人的社会发展驱动力。根据第三代合作伙伴计划（3GPP）的计划，6G 标准研究将在 Rel-20（2025 年）启动，AI 技术会在 6G 深度部署。支持 AI 的空中接口已确定作为 Rel-18 及后续版本的 RAN 项目之一，将用于性能提升或减少网络复杂性/网络开销。同时，支持 AI 的 NG RAN 在数据收集和信令支持方面的能力可得到增强。以上工作均为了实现 6G 其中一个技术愿景：AI4NET（AI for Net原work）。AI 在网络侧对 6G RAN 的赋能，是通过 AI 分析网络数据，并基于这些数据做出决策，可应用于优化网络性能、提升网络运行效率和加强网络安全管理等方面。1AI赋能6G背景在未来智慧城市中，各类分布式移动应用诸如物联网 IoT（Internet of Things）、车联网 IoV（Internet ofVehicles）、工业物联网 IIoT（Industrial Internet ofThings）、机器人物联网 IoRT（Internet of RoboticThings）、智慧医疗 IoMT（Internet of Medical Things）和增强/虚拟现实 AR/VR（Augmented Reality/VirtualReality）的部署，在服务质量 QoS（Quality of Service）和服务水平协议 SLA（Service Level Agreement）2 方面均对网络有严格的要求，这些都是 6G 原始驱动力。从移动互联，到万物互联，再到万物智联，6G 将实现从服务于人、人与物，到支撑智能体高效联接的跃迁1。为了达到这一水平，与 5G 相比，6G 需要配备上下文感知的算法来优化其架构、协议和操作。为此，6G 须在其基摘要：未来 6G 网络的发展，将具备超密集大规模连接、多层次多维度网络一体化、系统高感知智能化和极致多样化性能等特性。6G 网络需要支持无缝连接和保证数量庞大的设备的不同 QoS 要求，以及处理来自物理环境的超大量数据。具有强大分析能力、学习能力、优化能力和智能识别能力的人工智能 AI 技术，将被应用到 6G 网络中，智能地进行性能优化、知识发现、复杂学习、结构组织和复杂决策。该文通过对 AI 赋能 6G RAN 的技术探讨，为后续 AI4NET 的 6G 内生智能标准化及网络实践提供参考。关键词：6G；人工智能；机器学习；深度学习；强化学习；迁移学习中图分类号院TN929.5文献标志码院A文章编号院2095-2945渊2023冤30-0014-04Abstract院 The future 6G network,which will feature ultra-dense and massive connectivity,multi-level and multi-dimensionalnetwork integration,high system awareness and intelligence,and extreme diverse performance,will need to support seamless con鄄nectivity and guarantee different QoS requirements for a huge number of devices,as well as handle ultra-high volumes of datafrom the physical environment.AI technologies with powerful analysis,learning,optimization,and intelligent recognition capabilitieswill be applied to 6G networks to intelligently perform performance optimization,knowledge discovery,complex learning,structuralorganization,and complex decision making.The article explores the technology of AI-enabled 6G RAN to provide a reference forsubsequent 6G endogenous intelligence standardization as well as AI4NET network practice.Keywords院 6G;artificial intelligence;machine learning;deep learning;reinforcement learning;transfer learning第一作者简介院朱晓丹（1978-），男，高级工程师。研究方向为 5G/6G 网络、新技术融合基础设施等的技术研究与规划设计。DOI：10.19981/j.CN23-1581/G3.2023.30.00414-创新前沿科技创新与应用Technology Innovation and Application2023 年 30 期础架构设计中注入 AI 技术，使之融合到基站、云计算和云存储等基础设施中。软件定义网络（SDN）的传统方法，从分析到决策所需的时间较长。基于深度学习（DeepLearning，DL）/强 化 学 习（ReinforcementLearning，RL）/迁移学习（Transfer Learning，TL）等AI/ML（Machine Learning）算法适用于 6G RAN 的部署，包括资源、移动性、能效等方面的管理。2AI技术驱动6G RAN2.1信道估计为了满足智慧城市应用在高数据率（Tbps）、低延迟（0.11 毫秒级）和高可靠性（99.999 99%）方面的苛刻要求，许多新技术将在 6G RAN 得以应用，如太赫兹通信、可见光通信、超大规模 MIMO 和智能超表面技术等1。这些技术将增加无线信道的复杂性，给使用传统方法的信道估计带来极大挑战。在无线信号传输过程中，无线信道相位偏移会减弱，传输的信息会衰减及噪声会增加，信道估计就是估计信道的特性以从信道效应中恢复传输信息的过程。为了提高 6G 通信的性能和容量，精确和实时的信道估计变得至关重要。深度学习 DL 可为精确信道估计提供有效的支持2。图 1 显示了一个基于 DL 的信道估计过程。原始信息首先与 Pilot 信号一起传输，然后提取信道的变化对 Pilot 信号的影响，最后用插值信道的DL 法来得到信道特性的估计。图 1 展示的是一种基于深度神经网络（DNN）的方法，用于正交频分复用（OFDM）中的信道估计和符号检测。DNN 模型通过使用不同信道条件下产生的OFDM 样本进行离线训练，然后该模型用于恢复传输信息，无须估计信道特性。2.2调制识别调制识别的目的是识别出噪声干扰环境下的信号调制信息，调制识别有助于信号解调和解码的应用，如干扰识别、频谱监测、认知无线电、威胁评估和信号识别。6G 网络中数据流量几何级地增加，传统的判决理论方法和统计模式识别方法在效率上不能完全满足要求。卷积神经网络（Convolution Neural Network，CNN）和长短时记忆（Long-Short Term Memory，LSTM）可在调制识别中适用，前者适合于空间数据的自动特征提取，而后者则适用于调制识别3。如图 2 所示，卷积神经网络 CNN 的应用，可以提高调制识别的准确性和效率。卷积神经网络进行信号分类的方式为：将接收到的信号作为输入，通过卷积层（Convolutional Layer）提取信号的特征，然后通过全连接层（Dense Layer）将提取的特征映射到不同的调制方式上，最终实现对信号的识别。长短时记忆 LSTM 神经网络通过输入信号的时序信息，学习信号的特征并进行分类。LSTM 模型如图 3所示，LSTM 基于 xt和 ht-1来计算 ht，内部通过输入门 it、图 1基于深度学习 DL 的信道估计 Pilots带pilot信号的传输信息插值信道神经网络模型估计信道提取受到信道变化影响的Pilot信号Pilot输入层隐藏层输出层15-2023 年 30 期创新前沿科技创新与应用Technology Innovation and Application图 2基于卷积神经网络的调制识别遗忘门 ft及输出门 ot三个门和一个内部记忆单元 ct。利用 LSTM 调制识别是将信号的时域或频域表示作为LSTM 的输入，通过多个 LSTM 层提取信号的高级特征，最后通过全连接层输出信号的分类结果。图 4基于 DRL 的网络终端移动性管理图 3长短时记忆 LSTM 神经网络模型2.3移动性管理6G 网络需要实现低延迟和高可靠性的业务如IoV、IoRT 和 IoMT。为了保证这些应用的 QoS，同时改善资源利用率和网络瓶颈，学习和预测用户的移动变得至关重要，基于 DRL 的方法可作为可选方案，提高移动性管理的效率4。如图4所示，可通过结合LSTM和DRL预测移动用户轨迹，LSTM被用来预测移动用户的轨迹，而DRL则用于改善LSTM的模型训练时间。DRL的目的是改善LSTM的模型训练时间，不需要人工干预。该方法基于算法预判，在时间效率上优于传统的 3GPP 移动性管理，如基于位置区域（Location Area）、跟踪区域（Tracking Area）的方法，在6G中结合使用将有效提高移动性管理的效率。2.4能效管理迁移学习 TL 是指将已经训练好的模型应用于新的任务或领域中，以加快模型的训练速度和提高模型的性能。6G 的 RAN 设计中，可以利用迁移学习 TL 结合强化学习 RL 来提高网络效率。具体来说，6G 网络用例在执行各种任务时可以共享时空特征及网络配置信息，可以实时使用其他用例中训练好的模型来初始化6G RAN 参数，经过调整后形成资源分配与控制策略并应用5。全连接层 1全连接层 2Ot-1OtOt+1LSTM unitCt-1袁ht-1Xt-1XtXt+1Ct+1袁ht+1滓滓滓tanhtanhOtFtItCt-1Cththt-1Xtht6G RAN 能效管理，重点可放在无线接入的资源分配（RA-Resource Allocation）、能源效率（EE-EnergyEfficiency）和准入控制（AC-Admission Control）三方面。如图 5 所示，无线接入网 RAN1 和无线接入网渊下转 21 页冤16-创新前沿科技创新与应用Technology Innovation and Application2023 年 30 期RAN2 作为统一网络中 2 个应用的场景，源是 RAN1，目标是 RAN2，这 2 个场景的应用部署具有相似性。场景的特点决定了整体的资源配置，假设需要 QoS 优先，则资源分配规则上需安排更多的资源，或者如果目标是要降低整体能耗，那么能效效率管理（EE）则可释放部分资源降低网络能耗。RAN1 的资源分配、能源效率、准入控制等资源分配与控制策略，可以通过 TL/RL算法平移到 RAN2 中调整后应用，以提升网络运行能效。图 5基于 TL/RL 的网络资源分配管理3结束语具备敏捷、灵活和自学习能力的内生智能 6G 网络，将为未来分布式、动态和智能的智慧城市应用提供基础网络能力。而 AI 技术将在 6G 和智慧城市中发挥关键作用。通过探讨几种 AI 技术在 6G RAN 的信道估计、调制识别、移动性管理和效能管理等方面的应用，旨在推动 6G 与 AI 的融合，6G RAN 领域内生智能关键技术、标准方面的探索。参考文献院1 IMT-2030（6G）推进组.6G 总体愿景与潜在关键技术白皮书R.中国信通院，2021.2 黄鸿清，刘为，伍沛然，等.机器学习在无线信道建模中的应用现状与展望J.移动通信，2021，45（4）：95-104.3 廖勇，杨植景，李雪.人工智能在 6G 空口物理层的潜在应用J.北京邮电大学学报，2022，45（6）：21-30.4 李旭娟，皮建勇.深度学习在轨迹数据挖掘中的应用研究综述J.计算机科学与应用，2019，9（12）：2357-2366.5 郑青碧，邓娟，刘奕彤，等.基于强化学习的基站多维度资源协同分配方案J.无线电通信技术，2022，48（4）：638-645.渊上接 16 页冤虽然本文在检索时，主要以 G06F 和 H05K 两个小类进行检索，从上述的结果分析来看，小类 H04L（数字信息的传输）下的专利申请数量仅次于小类 G06F，有1 800 多件，小类 G06Q（专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法；其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理系统或方法）和 G06K（图形数据读取（图像或视频识别或理解 G06V）；数据的呈现；记录载体；处理记录载体笔记该子类涵盖：记录载体的标记、传感和传送；从记录载体读取图形表示）下的专利申请数量也不少，有 100 多件，表明了在信息安全设备制造领域，数字信息传输、图形数据处理也是此领域的技术热点之一。4信息安全设备制造领域发展建议针对上述专利地图分析结果，现对中国信息安全设备制造领域的发展提出以下建议。通过对以上分析可知，在信息安全设备制造领域，目前此领域的技术发展处在快速成长期，中国发展与全球发展趋势一致；中国市场潜力巨大，政府应在企业发展方面做好服务工作，以借此机会提升经济发展水平，中国企业在做好中国专利申请的同时，也要做好海外专利申请布局；中国创新能力强，但不同的企业间的创新水平也参差不齐，企业还是应该在研发实力方面加大投入，提升在此领域的技术水平。参考文献院1 侯玉华，严斌峰.浅析新时代信息安全发展趋势和机遇J.信息通信技术，2019，13（6）：15-22.2 荆继武.我国网络信息安全发展的探讨J.中国科学院院刊，2022，37（11）：1543-1545.3 张惠.信息系统运维过程中的信息安全工作研究J.河南科技，2018（5）：24-25.4 肖沪卫.专利地图方法与应用M援上海：上海交通大学出版社，2011.5 蒋玉石，康宇航.基于专利地图的技术创新可视化研究J.科研管理，2013，34（10）：50-57.6 张惠，刘宁.人工智能网络安全领域专利地图分析J.中国发明与专利，2022，19（6）：27-33.21-