王胡成 陳山枝 艾明

【摘? 要】首先探討了在5G網(wǎng)絡(luò)中引入AI的必要性和存在的問題。然后介紹AI技術(shù)的發(fā)展概況以及AI在5G網(wǎng)絡(luò)中的典型應(yīng)用。最后介紹了目前國(guó)際標(biāo)準(zhǔn)化組織3GPP和ITU-T在AI與5G結(jié)合上的標(biāo)準(zhǔn)化研究進(jìn)展。通過介紹AI在5G的發(fā)展可知5G網(wǎng)絡(luò)智能化不僅要從AI算法研究方面實(shí)現(xiàn)突破，還需要有相關(guān)的政策法規(guī)來(lái)嚴(yán)格保護(hù)用戶隱私。

【關(guān)鍵詞】5G;人工智能;應(yīng)用場(chǎng)景;標(biāo)準(zhǔn)化

1? ?引言

隨著2018年6月5G第一階段標(biāo)準(zhǔn)的凍結(jié)，5G網(wǎng)絡(luò)開始走向了真正的商用之路。然而面對(duì)未來(lái)更多樣化的業(yè)務(wù)需求和更復(fù)雜的通信場(chǎng)景，目前的5G網(wǎng)絡(luò)仍缺乏足夠的智能來(lái)提供按需的服務(wù)，也不能保證網(wǎng)絡(luò)資源的利用效率。因此，國(guó)際標(biāo)準(zhǔn)制定組織3GPP擬將AI（人工智能）引入5G網(wǎng)絡(luò)中來(lái)保證網(wǎng)絡(luò)服務(wù)質(zhì)量、優(yōu)化網(wǎng)絡(luò)功能和增強(qiáng)網(wǎng)絡(luò)自動(dòng)化運(yùn)維能力[1]。這一研究得到了國(guó)內(nèi)外眾多電信設(shè)備商和運(yùn)營(yíng)商的支持，例如華為、大唐、愛立信、中國(guó)移動(dòng)、法國(guó)電信等。

AI是一項(xiàng)使機(jī)器像人類一樣智能的科學(xué)和工程，長(zhǎng)期以來(lái)一直被用于優(yōu)化各種復(fù)雜環(huán)境下的計(jì)算機(jī)系統(tǒng)和通信網(wǎng)絡(luò)[2]。引入AI的5G網(wǎng)絡(luò)能夠具備更強(qiáng)的場(chǎng)景感知能力，并基于對(duì)場(chǎng)景的感知進(jìn)行響應(yīng)，提供網(wǎng)絡(luò)執(zhí)行策略或通信場(chǎng)景特征預(yù)測(cè)。由此可見，引入AI的5G網(wǎng)絡(luò)將轉(zhuǎn)變?yōu)檎嬲囊杂脩艉蛨?chǎng)景信息為中心的網(wǎng)絡(luò)[3]。

5G網(wǎng)絡(luò)在經(jīng)歷從傳統(tǒng)網(wǎng)絡(luò)到智能化網(wǎng)絡(luò)的變革中，面臨著以下問題：

（1）用例選擇和相應(yīng)的機(jī)器學(xué)習(xí)算法選擇。通過對(duì)適用AI技術(shù)的各種用例的分析和比較，確定使用AI對(duì)網(wǎng)絡(luò)進(jìn)行增強(qiáng)的技術(shù)方向并選擇或改進(jìn)合適的AI算法。

（2）網(wǎng)絡(luò)架構(gòu)定義。從網(wǎng)絡(luò)架構(gòu)上支持基于AI的網(wǎng)絡(luò)數(shù)據(jù)分析和反饋，包括對(duì)靜態(tài)網(wǎng)絡(luò)數(shù)據(jù)和實(shí)時(shí)運(yùn)行數(shù)據(jù)的分析。

（3）用戶數(shù)據(jù)和網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)的采集，完成對(duì)應(yīng)用層業(yè)務(wù)信息、運(yùn)維管理層統(tǒng)計(jì)信息、網(wǎng)絡(luò)層實(shí)時(shí)運(yùn)行數(shù)據(jù)等各類數(shù)據(jù)的采集。

2? ?AI技術(shù)

AI技術(shù)興起于20世紀(jì)50年代，是計(jì)算機(jī)學(xué)科的一個(gè)重要分支，其目的是研究人類智能活動(dòng)的規(guī)律，構(gòu)造具有一定智能行為的人工系統(tǒng)[4]。目前AI的主要學(xué)派有三家：符號(hào)主義、連接主義和行為主義[5]。

（1）符號(hào)主義（又稱為邏輯主義、心理學(xué)派或計(jì)算機(jī)學(xué)派）認(rèn)為AI源于數(shù)理邏輯。從符號(hào)主義的觀點(diǎn)來(lái)看，只要能賦予機(jī)器邏輯推理的能力，機(jī)器就會(huì)具有智能，知識(shí)和推理是人工智能的核心。

（2）連接主義（又稱為仿生學(xué)派或生理學(xué)派）認(rèn)為AI源于仿生學(xué)，特別是對(duì)人腦模型的研究。連接主義認(rèn)為智能活動(dòng)是由大量簡(jiǎn)單的單元通過復(fù)雜的相互連接后并行運(yùn)行的結(jié)果。因此，針對(duì)問題輸入，可通過構(gòu)建人工神經(jīng)網(wǎng)絡(luò)，并對(duì)網(wǎng)絡(luò)的大量連接并行進(jìn)行增強(qiáng)或者減弱（例如調(diào)整權(quán)值）來(lái)較快地求解。

（3）行為主義（進(jìn)化主義或控制論學(xué)派）認(rèn)為AI源于控制論。行為主義認(rèn)為智能并不只是來(lái)自計(jì)算引擎，也來(lái)自環(huán)境世界的場(chǎng)景、感應(yīng)器內(nèi)的信號(hào)轉(zhuǎn)換以及機(jī)器人和環(huán)境的相互作用，是對(duì)外界復(fù)雜環(huán)境的一種適應(yīng)[6]。因此行為主義強(qiáng)調(diào)在控制過程中的自學(xué)習(xí)和自優(yōu)化。

從AI技術(shù)的發(fā)展看，機(jī)器具備智能的必要條件是具備學(xué)習(xí)能力。因此機(jī)器學(xué)習(xí)是實(shí)現(xiàn)AI的重要手段。在目前的機(jī)器學(xué)習(xí)領(lǐng)域，主要有四類學(xué)習(xí)方式，分別存在對(duì)應(yīng)的算法模型：

（1）監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)的工作機(jī)制是利用已有正確答案的數(shù)據(jù)來(lái)訓(xùn)練算法進(jìn)行學(xué)習(xí)，使得算法能夠?qū)]有學(xué)習(xí)過的數(shù)據(jù)也能夠做出正確的反饋。監(jiān)督學(xué)習(xí)主要解決分類和回歸問題，常見的算法有K-近鄰算法、決策樹、樸素貝葉斯、邏輯回歸、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等[7]。

（2）無(wú)監(jiān)督學(xué)習(xí)。相對(duì)于監(jiān)督學(xué)習(xí)，無(wú)監(jiān)督學(xué)習(xí)中的訓(xùn)練數(shù)據(jù)沒有標(biāo)簽或答案，數(shù)據(jù)訓(xùn)練的目的是找到數(shù)據(jù)中的內(nèi)在關(guān)聯(lián)或結(jié)構(gòu)，但學(xué)習(xí)的過程并不知道結(jié)果是否正確。無(wú)監(jiān)督學(xué)習(xí)主要解決聚類和降維問題，常見的算法有主成分分析算法、K-均值算法、等距特征映射等。

（3）半監(jiān)督學(xué)習(xí)。半監(jiān)督學(xué)習(xí)主要指將大量的無(wú)類標(biāo)簽數(shù)據(jù)和少量有標(biāo)簽數(shù)據(jù)放到一起進(jìn)行訓(xùn)練，目的是提高算法的學(xué)習(xí)性能。根據(jù)學(xué)習(xí)的目的，半監(jiān)督學(xué)習(xí)可進(jìn)一步分為半監(jiān)督分類、半監(jiān)督回歸、半監(jiān)督聚類和半監(jiān)督降維[7]。常見的半監(jiān)督學(xué)習(xí)算法包括協(xié)同訓(xùn)練、轉(zhuǎn)導(dǎo)支持向量機(jī)、基于圖的算法等。

（4）強(qiáng)化學(xué)習(xí)。強(qiáng)化學(xué)習(xí)是讓算法通過不斷的試錯(cuò)并調(diào)整策略以獲得最大獎(jiǎng)勵(lì)，最終使算法找到最優(yōu)策略，即在什么狀態(tài)下選擇什么動(dòng)作可以獲得最好的結(jié)果，Alphago就是強(qiáng)化學(xué)習(xí)的典型案例。常見的強(qiáng)化學(xué)習(xí)算法有TD-learning、Sarsa算法、Q-learning等[8]。

當(dāng)在5G網(wǎng)絡(luò)中引入AI時(shí)，需要根據(jù)應(yīng)用場(chǎng)景選擇合適的AI算法。文獻(xiàn)[3]對(duì)AI在5G網(wǎng)絡(luò)中的應(yīng)用場(chǎng)景進(jìn)行了分類，主要分為感知、挖掘、預(yù)測(cè)和推理4類，并且對(duì)適應(yīng)各類場(chǎng)景的典型AI算法進(jìn)行了列舉。當(dāng)然在實(shí)際部署中，具體應(yīng)用場(chǎng)景下的AI算法還需要在實(shí)踐中進(jìn)行驗(yàn)證和演進(jìn)。

3? ?AI在5G的應(yīng)用場(chǎng)景

隨著人工智能技術(shù)的廣泛應(yīng)用和5G技術(shù)的發(fā)展，將AI技術(shù)運(yùn)用到移動(dòng)通信系統(tǒng)的設(shè)計(jì)與優(yōu)化中已經(jīng)成為可能，并且已經(jīng)成為學(xué)界和業(yè)界重點(diǎn)關(guān)注的研究方向[9-10]。3GPP、ITU-T等組織均提出了5G與AI相結(jié)合的研究項(xiàng)目。到目前為止，3GPP提出了14個(gè)將AI用于5G的用例，ITU-T共提出了18個(gè)。所提出的用例涵蓋了移動(dòng)通信系統(tǒng)的多個(gè)方面，包括空口設(shè)計(jì)與優(yōu)化、網(wǎng)絡(luò)性能和效能調(diào)優(yōu)、應(yīng)用層業(yè)務(wù)支持優(yōu)化等。根據(jù)分析，本文將介紹受到廣泛關(guān)注的部分典型用例。

3.1? 物理層信道建模與優(yōu)化

無(wú)線信道測(cè)量和建模是新型無(wú)線系統(tǒng)設(shè)計(jì)、評(píng)估和部署的基礎(chǔ)。隨著5G移動(dòng)通信需求的提出，無(wú)線信道建模和預(yù)測(cè)面臨了新的挑戰(zhàn)，例如更加多樣的傳播環(huán)境、復(fù)雜的時(shí)空特性、多頻段共存等。由此可知，未來(lái)的信道測(cè)量裝置將會(huì)搜集到大量的原始信道數(shù)據(jù)。這需要使用大數(shù)據(jù)分析的方法來(lái)對(duì)原始信道數(shù)據(jù)進(jìn)行高效處理[11]。

利用大數(shù)據(jù)分析進(jìn)行信道建模和預(yù)測(cè)時(shí)，首先對(duì)問題進(jìn)行抽象，例如場(chǎng)景環(huán)境的影響問題、信道衰落特性等，將其歸類為機(jī)器學(xué)習(xí)能夠解決的回歸、分類、聚類等問題;然后采用機(jī)器學(xué)習(xí)的相關(guān)算法來(lái)進(jìn)行求解，例如使用主成分分析方法來(lái)建立預(yù)測(cè)模型和進(jìn)行信道預(yù)測(cè)[12]。

3.2? 基于終端移動(dòng)性預(yù)測(cè)的移動(dòng)性管理定制或優(yōu)化

5G多樣化場(chǎng)景下的終端具有不同的移動(dòng)性行為。當(dāng)期望5G網(wǎng)絡(luò)能夠?qū)K端進(jìn)行移動(dòng)性管理定制或者進(jìn)行移動(dòng)性支持優(yōu)化時(shí)，網(wǎng)絡(luò)需具備能對(duì)終端的移動(dòng)性模型進(jìn)行預(yù)測(cè)的能力。AI技術(shù)提供了終端移動(dòng)行為預(yù)測(cè)方法[13]。通過將終端位置預(yù)測(cè)問題抽象為機(jī)器學(xué)習(xí)中的分類或回歸問題，就可以利用相關(guān)的機(jī)器學(xué)習(xí)算法對(duì)終端位置或軌跡進(jìn)行預(yù)測(cè)。

5G中的網(wǎng)絡(luò)數(shù)據(jù)分析功能首先需要收集終端的位置信息，包括歷史移動(dòng)軌跡和終端實(shí)時(shí)位置信息。收集的信息可以作為訓(xùn)練數(shù)據(jù)來(lái)調(diào)整或修正預(yù)測(cè)模型。利用可靠的預(yù)測(cè)模型，網(wǎng)絡(luò)可以預(yù)測(cè)終端位置或移動(dòng)性軌跡，包括群組終端的分布特征和單個(gè)終端的位置信息。這些預(yù)測(cè)信息是5G網(wǎng)絡(luò)進(jìn)行移動(dòng)性管理定制或優(yōu)化的重要依據(jù)。

基于終端移動(dòng)模型的預(yù)測(cè)，網(wǎng)絡(luò)可以進(jìn)行動(dòng)態(tài)的網(wǎng)絡(luò)優(yōu)化，其中包括移動(dòng)性管理的定制和優(yōu)化，例如移動(dòng)性管理機(jī)制定制、注冊(cè)區(qū)管理、切換管理優(yōu)化等。

3.3? 網(wǎng)絡(luò)切片資源管理優(yōu)化

網(wǎng)絡(luò)切片是5G網(wǎng)絡(luò)中引入的重要技術(shù)。從邏輯上看，網(wǎng)絡(luò)切片是一組網(wǎng)絡(luò)功能的集合，用于服務(wù)一類業(yè)務(wù)，但是在物理上，多個(gè)網(wǎng)絡(luò)切片仍然共享網(wǎng)絡(luò)資源[14]?？紤]到網(wǎng)絡(luò)資源的有限性和不同網(wǎng)絡(luò)切片中的網(wǎng)絡(luò)狀態(tài)，運(yùn)營(yíng)商需要在保證服務(wù)等級(jí)協(xié)議SLA（Service Level Agreement）的同時(shí)，盡可能地復(fù)用底層網(wǎng)絡(luò)資源。因此，為了高效運(yùn)營(yíng)，運(yùn)營(yíng)商需最優(yōu)化網(wǎng)絡(luò)切片的資源劃分。

AI技術(shù)能幫助運(yùn)營(yíng)商優(yōu)化網(wǎng)絡(luò)切片資源的管理。在引入AI技術(shù)的5G網(wǎng)絡(luò)中，通過對(duì)網(wǎng)絡(luò)切片的實(shí)際運(yùn)行情況、切片中的業(yè)務(wù)量數(shù)據(jù)以及SLA的執(zhí)行情況的采集，利用機(jī)器學(xué)習(xí)算法創(chuàng)建網(wǎng)絡(luò)切片的業(yè)務(wù)量和資源使用狀況的模型。利用該模型，可以實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)切片的業(yè)務(wù)量和資源需求的準(zhǔn)確預(yù)測(cè)，從而優(yōu)化網(wǎng)絡(luò)切片間的資源分配策略。網(wǎng)管系統(tǒng)將根據(jù)資源分配進(jìn)行網(wǎng)絡(luò)切片資源的動(dòng)態(tài)調(diào)整，例如動(dòng)態(tài)擴(kuò)縮容。在使用優(yōu)化的資源分配策略后的網(wǎng)絡(luò)運(yùn)行狀況可以再次迭代到預(yù)測(cè)模型中，完成閉環(huán)反饋，進(jìn)而趨近最優(yōu)解。

3.4? 網(wǎng)絡(luò)性能預(yù)測(cè)輔助的應(yīng)用層調(diào)整

車聯(lián)網(wǎng)是5G中的重要技術(shù)。在車聯(lián)網(wǎng)的自動(dòng)駕駛場(chǎng)景中，車輛即將經(jīng)過的基站的網(wǎng)絡(luò)性能（例如QoS信息、網(wǎng)絡(luò)負(fù)載）預(yù)測(cè)對(duì)提高車聯(lián)網(wǎng)的服務(wù)質(zhì)量有著重要作用[15]。例如車聯(lián)網(wǎng)服務(wù)器可以基于網(wǎng)絡(luò)性能的預(yù)測(cè)信息判斷是否繼續(xù)保持無(wú)人駕駛模式。

為了幫助應(yīng)用層做出正確的參數(shù)調(diào)整，5G網(wǎng)絡(luò)應(yīng)向應(yīng)用層提供準(zhǔn)確的網(wǎng)絡(luò)性能預(yù)測(cè)信息。因此，5G網(wǎng)絡(luò)除了對(duì)終端的移動(dòng)性進(jìn)行預(yù)測(cè)外，還需要建立網(wǎng)絡(luò)性能的分析模型。網(wǎng)絡(luò)可以收集和分析各基站的運(yùn)行狀態(tài)信息來(lái)創(chuàng)建模型。當(dāng)收到應(yīng)用層關(guān)于網(wǎng)絡(luò)性能預(yù)測(cè)信息的訂閱請(qǐng)求后，引入AI的5G網(wǎng)絡(luò)可針對(duì)相關(guān)終端，利用網(wǎng)絡(luò)性能的分析模型和終端的位置，預(yù)測(cè)終端在未來(lái)一段時(shí)間內(nèi)所面臨的網(wǎng)絡(luò)狀況。

4? ?標(biāo)準(zhǔn)進(jìn)展

將AI技術(shù)和5G系統(tǒng)相結(jié)合是業(yè)界重點(diǎn)關(guān)注的研究方向，也是標(biāo)準(zhǔn)化研究的重要方向。目前進(jìn)行相關(guān)研究的國(guó)際標(biāo)準(zhǔn)組織主要是3GPP和ITU-T。

4.1? 3GPP

3GPP針對(duì)5G網(wǎng)絡(luò)智能化的研究項(xiàng)目主要在SA2和RAN3工作組開展。

3GPP SA2工作組在2017年5月的杭州會(huì)議完成5G網(wǎng)絡(luò)智能化的研究項(xiàng)目“Study of Enablers for Network Automation for 5G （eNA）”的正式立項(xiàng)。該項(xiàng)目是3GPP Rel 16的項(xiàng)目，SA2在2018年1月的哥德堡會(huì)議上正式展開項(xiàng)目研究。該項(xiàng)目的立項(xiàng)背景是，在Rel 15的5G網(wǎng)絡(luò)架構(gòu)研究中，SA2引入的一些新技術(shù)，例如按需移動(dòng)性管理、非標(biāo)準(zhǔn)化QoS、流量分流和卸載等，在沒有網(wǎng)絡(luò)數(shù)據(jù)分析的情況下，難以實(shí)際部署和運(yùn)行。因此，為了讓5G網(wǎng)絡(luò)能夠更靈活更智能地提供服務(wù)，SA2成立了該研究項(xiàng)目來(lái)將網(wǎng)絡(luò)數(shù)據(jù)分析功能引入5G網(wǎng)絡(luò)。eNA項(xiàng)目的研究目標(biāo)是，通過對(duì)網(wǎng)絡(luò)數(shù)據(jù)的收集和分析，生成分析結(jié)果，然后利用分析結(jié)果進(jìn)行網(wǎng)絡(luò)優(yōu)化，包括定制化的移動(dòng)性管理、5G QoS增強(qiáng)、動(dòng)態(tài)流量疏導(dǎo)和分流、UPF選擇、基于UE業(yè)務(wù)用途的流量策略路由、業(yè)務(wù)分類等。

3GPP RAN3工作組在2018年6月也成立了RAN數(shù)據(jù)收集和分析的研究項(xiàng)目“Study on RAN-centric data collection and utilization for LTE and NR（FS_LTE_NR_data_collect）”。該項(xiàng)目主要研究用于集中式和分布式數(shù)據(jù)分析的RAN側(cè)數(shù)據(jù)的收集過程以及利用分析結(jié)果進(jìn)行網(wǎng)絡(luò)優(yōu)化的信令過程，包括智能化自組網(wǎng)、無(wú)線資源管理增強(qiáng)、邊緣計(jì)算增強(qiáng)等。目前該項(xiàng)目尚未啟動(dòng)研究進(jìn)程。

目前3GPP SA2工作組在eNA項(xiàng)目中提出了如圖1的支持網(wǎng)絡(luò)數(shù)據(jù)分析的系統(tǒng)框架[1]。

網(wǎng)絡(luò)數(shù)據(jù)分析功能（NWDAF，Network Data Analytics Function）是3GPP在Rel 15的5G標(biāo)準(zhǔn)中引入的網(wǎng)絡(luò)功能，主要用于網(wǎng)絡(luò)切片相關(guān)數(shù)據(jù)的分析。在eNA項(xiàng)目中，該功能被進(jìn)一步擴(kuò)展到對(duì)各類網(wǎng)絡(luò)數(shù)據(jù)的分析上，包括從5G網(wǎng)絡(luò)功能收集的網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)、從運(yùn)維管理系統(tǒng)OAM（Operation Administration and Maintenance）獲取的終端和網(wǎng)絡(luò)相關(guān)的統(tǒng)計(jì)數(shù)據(jù)、從第三方應(yīng)用獲取的應(yīng)用數(shù)據(jù)。NWDAF生成的分析結(jié)果也會(huì)輸出到5G網(wǎng)絡(luò)功能、OAM或第三方應(yīng)用上。

5G網(wǎng)絡(luò)功能、OAM或應(yīng)用層服務(wù)器可以利用NWDAF的分析結(jié)果進(jìn)行不同的優(yōu)化操作。具體如下文所示。

5G移動(dòng)性管理相關(guān)功能可以請(qǐng)求NWDAF對(duì)終端的移動(dòng)軌跡進(jìn)行預(yù)測(cè)。NWDAF從OAM中獲取終端的歷史位置信息，通過分析，生成終端的移動(dòng)性預(yù)測(cè)模型。NWDAF根據(jù)終端當(dāng)前的位置向5G移動(dòng)性管理相關(guān)功能提供終端的移動(dòng)性預(yù)測(cè)信息，使得5G移動(dòng)性管理相關(guān)功能能夠制定更精準(zhǔn)的網(wǎng)絡(luò)策略，完成優(yōu)化的移動(dòng)性管理操作。例如基于終端位置的統(tǒng)計(jì)規(guī)律進(jìn)行注冊(cè)區(qū)域分配、基于終端位置預(yù)測(cè)信息輔助切換決策、基于終端移動(dòng)性軌跡進(jìn)行移動(dòng)性錨點(diǎn)預(yù)先選擇等。

5G網(wǎng)絡(luò)中的OAM也可以請(qǐng)求NWDAF提供網(wǎng)絡(luò)切片中的業(yè)務(wù)運(yùn)行數(shù)據(jù)的分析結(jié)果來(lái)優(yōu)化網(wǎng)絡(luò)切片資源的管理。NWDAF可以向OAM提供各切片是否滿足SLA的信息以及切片中的用戶體驗(yàn)分布情況。OAM系統(tǒng)根據(jù)NWDAF的分析結(jié)果確定是否調(diào)整各網(wǎng)絡(luò)切片的資源分配。

第三方應(yīng)用可以從NWDAF訂閱網(wǎng)絡(luò)性能預(yù)測(cè)信息并基于預(yù)測(cè)進(jìn)行應(yīng)用層的調(diào)整。網(wǎng)絡(luò)性能預(yù)測(cè)信息可以是業(yè)務(wù)數(shù)據(jù)傳輸?shù)腝oS預(yù)測(cè)或者是服務(wù)終端的網(wǎng)絡(luò)的負(fù)載預(yù)測(cè)。NWDAF根據(jù)應(yīng)用的訂閱請(qǐng)求周期性或者按需地向應(yīng)用層提供分析或預(yù)測(cè)結(jié)果，使得應(yīng)用能夠調(diào)整其運(yùn)行參數(shù)。例如車聯(lián)網(wǎng)應(yīng)用可根據(jù)QoS預(yù)測(cè)選擇不同的駕駛等級(jí)或者判斷是否預(yù)先下載地圖或?qū)Ш綌?shù)據(jù)，也可以根據(jù)網(wǎng)絡(luò)負(fù)載的預(yù)測(cè)選擇背景流量的傳輸時(shí)機(jī)。

4.2? ITU機(jī)器學(xué)習(xí)（ML）5G

隨著AI技術(shù)的發(fā)展，在2017年11月召開的ITU-T SG13會(huì)議期間，來(lái)自德國(guó)、韓國(guó)、中國(guó)、突尼斯、非洲等不同國(guó)家地區(qū)的代表建議成立機(jī)器學(xué)習(xí)-網(wǎng)絡(luò)焦點(diǎn)組。隨后經(jīng)SG13全會(huì)討論正式批準(zhǔn)成立了Machine Learning for Future Networks Including 5G焦點(diǎn)組，簡(jiǎn)稱FG-ML5G。該焦點(diǎn)組的研究期為1年，F(xiàn)G-ML5G輸出的研究報(bào)告和標(biāo)準(zhǔn)草案可以作為后續(xù)SG13相關(guān)研究的輸入。

FG-ML5G是一個(gè)對(duì)ITU成員和非ITU成員都開放的工作平臺(tái)，目標(biāo)是分析如何在未來(lái)網(wǎng)絡(luò)特別是5G網(wǎng)絡(luò)中應(yīng)用機(jī)器學(xué)習(xí)技術(shù)來(lái)提升網(wǎng)絡(luò)性能和用戶體驗(yàn)。FG-ML5G下設(shè)3個(gè)工作組（WG），WG1主要研究機(jī)器學(xué)習(xí)在未來(lái)網(wǎng)絡(luò)的應(yīng)用場(chǎng)景、潛在需求;WG2主要研究用于移動(dòng)網(wǎng)絡(luò)優(yōu)化的機(jī)器學(xué)習(xí)算法、數(shù)據(jù)結(jié)構(gòu)和個(gè)人信息保護(hù)等;WG3主要研究支持機(jī)器學(xué)習(xí)的未來(lái)網(wǎng)絡(luò)架構(gòu)、接口、協(xié)議等。

目前FG-ML5G通過與3GPP等其他研究組織的工作進(jìn)行調(diào)研和交流，確定將移動(dòng)性模型預(yù)測(cè)、端到端網(wǎng)絡(luò)切片等幾個(gè)應(yīng)用場(chǎng)景作為重點(diǎn)研究對(duì)象，并希望借這些場(chǎng)景需求來(lái)推動(dòng)整個(gè)工作組的工作。例如WG3組提出了利用移動(dòng)性模型預(yù)測(cè)優(yōu)化移動(dòng)性管理機(jī)制的網(wǎng)絡(luò)架構(gòu)。

圖2給出了支持網(wǎng)絡(luò)功能智能化定制的5G網(wǎng)絡(luò)架構(gòu)[16]。以移動(dòng)性管理定制為例，網(wǎng)絡(luò)中的數(shù)據(jù)分析功能首先需終端進(jìn)行移動(dòng)性預(yù)測(cè)，然后將預(yù)測(cè)結(jié)果輸入到相應(yīng)網(wǎng)絡(luò)功能完成移動(dòng)性管理的定制。移動(dòng)性預(yù)測(cè)可以分為長(zhǎng)期性預(yù)測(cè)和短期性預(yù)測(cè)。長(zhǎng)期性預(yù)測(cè)主要指根據(jù)大量靜態(tài)的終端歷史移動(dòng)信息（例如OAM中的數(shù)據(jù)）進(jìn)行分析預(yù)測(cè)，通常需要由中心NWDAF完成;短期性預(yù)測(cè)指參考終端實(shí)時(shí)移動(dòng)性行為進(jìn)行的分析預(yù)測(cè)，可由中心NWDAF和/或本地NWDAF完成。從預(yù)測(cè)分析結(jié)果上看，長(zhǎng)期性預(yù)測(cè)結(jié)果通常為終端活動(dòng)范圍、出入固定區(qū)域的頻度等;而短期性預(yù)測(cè)結(jié)果則為終端移動(dòng)的目標(biāo)小區(qū)、移動(dòng)速度等。長(zhǎng)期性預(yù)測(cè)結(jié)果可以輸入到OAM系統(tǒng)，輔助核心網(wǎng)網(wǎng)絡(luò)功能的定制，例如移動(dòng)性管理功能的定制，也可以輸入到核心網(wǎng)中完成特定注冊(cè)區(qū)域的劃分。短期性預(yù)測(cè)結(jié)果可以輸出到核心網(wǎng)中，用于移動(dòng)性錨點(diǎn)的選擇，也可以輸出到接入網(wǎng)中，用于輔助接入網(wǎng)節(jié)點(diǎn)執(zhí)行切換決策、小區(qū)重定向等。

5? ?結(jié)束語(yǔ)

為了讓5G網(wǎng)絡(luò)在面對(duì)差異化的業(yè)務(wù)需求時(shí)向用戶靈活提供定制化服務(wù)，需要讓5G網(wǎng)絡(luò)具備智能來(lái)識(shí)別業(yè)務(wù)需求和確定服務(wù)策略。5G網(wǎng)絡(luò)部署和運(yùn)維更加復(fù)雜，運(yùn)營(yíng)商需要提高網(wǎng)絡(luò)的智能化水平來(lái)提高運(yùn)營(yíng)效率。因此，AI和5G的結(jié)合得到了業(yè)界的廣泛關(guān)注，也是未來(lái)移動(dòng)通信網(wǎng)絡(luò)的發(fā)展方向。

目前，將AI運(yùn)用到5G網(wǎng)絡(luò)的研究主要集中在運(yùn)維管理優(yōu)化、網(wǎng)絡(luò)性能增強(qiáng)和應(yīng)用支持優(yōu)化上，相關(guān)的研究項(xiàng)目已經(jīng)在3GPP和ITU-T成立，并且已經(jīng)產(chǎn)出部分成果。然而，真正實(shí)現(xiàn)5G網(wǎng)絡(luò)的智能化仍然存在障礙，包括技術(shù)障礙和非技術(shù)障礙。技術(shù)障礙主要是缺少公認(rèn)合適的AI算法，而非技術(shù)障礙則涉及行業(yè)間協(xié)作、用戶數(shù)據(jù)收集及隱私保護(hù)等問題。因此，不僅要在AI算法研究方面實(shí)現(xiàn)突破，還需要促進(jìn)相應(yīng)的政策法規(guī)出臺(tái)，以保護(hù)用戶隱私信息和促進(jìn)行業(yè)生態(tài)的健康發(fā)展。

參考文獻(xiàn)：

[1] 3GPP TR 23.791. Study of Enablers for Network Automation for 5G[R]. 2018.

[2] Wang X， Li X， Leung V C M. Artificial Intelligence-Based Techniques for Emerging Heterogeneous Network： State of the Arts， Opportunities， and Challenges[J]. IEEE Access， 2015（3）： 1379-1391.

[3] Li R， Zhao Z， Zhou X， et al. Intelligent 5G： When Cellular Networks Meet Artificial Intelligence[J]. IEEE Wireless Communications， 2017，24（5）： 175-183.

[4] 鄒蕾，張先鋒. 人工智能及其發(fā)展應(yīng)用[J]. 信息網(wǎng)絡(luò)安全， 2012（2）： 11-13.

[5] 蔡自興，徐光祐. 人工智能及其應(yīng)用[M]. 4版. 北京： 清華大學(xué)出版社， 2010.

[6] 李建會(huì). 論布魯克斯的無(wú)表征智能理論[J]. 自然辯證法研究， 2007，23（7）： 9-13.

[7] 劉建偉，劉媛，羅雄麟. 半監(jiān)督學(xué)習(xí)方法[J]. 計(jì)算機(jī)學(xué)報(bào)， 2015（8）： 1592-1617.

[8] 劉忠，李海紅，劉全. 強(qiáng)化學(xué)習(xí)算法研究[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2008，29（22）： 5805-5809.

[9] Chen M， Challita U， Saad W， et al. Machine Learning for Wireless Networks with Artificial Intelligence： A Tutorial on Neural Networks[Z]. 2017.

[10] SDN/NFV產(chǎn)業(yè)聯(lián)盟. 網(wǎng)絡(luò)人工智能應(yīng)用白皮書[S]. 2018.

[11] 未來(lái)移動(dòng)通信論壇. 無(wú)線大數(shù)據(jù)與智慧5G[R]. 2017.

[12] Ma X， Zhang J， Zhang Y， et al. A PCA-based modeling method for wireless MIMO channel[C]//IEEE Conference on Computer Communications Workshops. IEEE， 2017： 874-879.

[13] Cho， Sung Bae. Exploiting machinelearning Techniques for location recognition and predictionwith smartphone Logs[J]. Neurocomputing， 2015： 98-106.

[14] 3GPP TS 23.501. System Architecture for the 5G System[S]. 2019

[15] 3GPP TR 23.786. Study on Architecture Enhancements for EPS and 5G System to Support Advanced V2X Services[R]. 2018.

[16] ML5G-I-071. 5G Network Architecture enabling Customized Mobility Management[Z]. 2018.