牛嬌紅，方琰崴，鄭興明，陸光輝，馬馳容

（1.中興通訊股份有限公司，江蘇 南京 210012；2.移動網(wǎng)絡(luò)和移動多媒體技術(shù)國家重點實驗室，廣東 深圳 518055）

0 引言

繼信息技術(shù)和移動互聯(lián)網(wǎng)引發(fā)第三次工業(yè)革命之后，以大數(shù)據(jù)驅(qū)動的人工智能技術(shù)正在推動第四次工業(yè)革命[1]，給人類社會的生產(chǎn)生活帶來巨大的變化。在通信行業(yè)，AI與5G 的融合將會帶來前所未有的新機會。

5G 移動網(wǎng)絡(luò)的設(shè)備每時每刻都在產(chǎn)生著大量的數(shù)據(jù)，如UE 的移動數(shù)據(jù)、網(wǎng)絡(luò)的負(fù)載和性能數(shù)據(jù)、無線信號的接收質(zhì)量等，針對這些海量數(shù)據(jù)，可以采用人工智能技術(shù)來實現(xiàn)移動網(wǎng)絡(luò)業(yè)務(wù)體驗、用戶業(yè)務(wù)行為的預(yù)測，進而更精細地調(diào)整和優(yōu)化網(wǎng)絡(luò)資源，提升用戶的體驗，提高5G 網(wǎng)絡(luò)資源利用率[2-3]。5G 與人工智能技術(shù)融合可以實現(xiàn)多種場景的網(wǎng)絡(luò)優(yōu)化[4]，如智能尋呼優(yōu)化、異常終端檢測與管控[5]、業(yè)務(wù)體驗保障[6]、智能切片選擇[7-8]等，尤其是在移動多接入場景的應(yīng)用，可以充分利用不同接入網(wǎng)絡(luò)資源，滿足不同的用戶需求。

本文從5G 核心網(wǎng)多接入?yún)f(xié)同的角度出發(fā)，結(jié)合3GPP標(biāo)準(zhǔn)和前沿AI 算法，對5G 多接入動態(tài)協(xié)同解決方案及關(guān)鍵技術(shù)進行探討。

1 5G核心網(wǎng)智能化標(biāo)準(zhǔn)進展

2017 年2 月，3GPP SA2（Service &System Aspects Working Group 2）R15 開始引入5G 核心網(wǎng)智能化網(wǎng)元NWDAF（Network Data Analytics Function，網(wǎng)絡(luò)數(shù)據(jù)分析功能）[9]。

NWDAF 負(fù)責(zé)采集網(wǎng)絡(luò)、終端、網(wǎng)管及業(yè)務(wù)數(shù)據(jù)，進行模型訓(xùn)練，輸出統(tǒng)計及預(yù)測結(jié)果，輔助網(wǎng)絡(luò)優(yōu)化和運維，促進移動網(wǎng)絡(luò)資源的合理配置。NWDAF 能夠從5G 網(wǎng)元、AF（Application Function，應(yīng)用功能）、OAM（Operation Administration and Maintenance，操作管理維護）系統(tǒng)中采集數(shù)據(jù)。對于來自O(shè)AM 的數(shù)據(jù)，NWDAF 使用由3GPP SA5 定義的機制和接口。對于AF 數(shù)據(jù)，NWDAF可以直接從AF 采集，或者通過NEF（Network Exposure Function，網(wǎng)絡(luò)開放功能）進行數(shù)據(jù)采集。NWDAF 對采集的網(wǎng)絡(luò)數(shù)據(jù)進行模型訓(xùn)練和分析推理，并將分析結(jié)果提交給需要該數(shù)據(jù)的5G 網(wǎng)元，以輔助其進行策略制定，形成分析、決策、執(zhí)行的閉環(huán)[10]。

圖1 為基于NWDAF 的網(wǎng)絡(luò)智能架構(gòu)：

圖1 基于NWDAF的網(wǎng)絡(luò)智能架構(gòu)

3GPP R16 版本2020 年Q2 已經(jīng)凍結(jié)，定義了NWDAF的架構(gòu)、接口和分析類型。R16 在架構(gòu)上打通了網(wǎng)元、管理和應(yīng)用，實現(xiàn)了數(shù)據(jù)采集能力，定義了網(wǎng)絡(luò)數(shù)據(jù)擁塞分析、業(yè)務(wù)體驗數(shù)據(jù)分析、終端移動性數(shù)據(jù)分析等分析類型。

3GPP R17 版本正在標(biāo)準(zhǔn)制定中，預(yù)計在2022 年Q1凍結(jié)，R17 版本對R16 版本進行了架構(gòu)、特性和場景的增強，在架構(gòu)上支持靈活部署架構(gòu)、適合規(guī)模商用場景，特性上支持實時、精準(zhǔn)分析，場景上支持NWDAF 輔助多接入/多頻點選擇、智能邊緣計算、智能切片SLA 等新能力。

2 基于AI算法的5G多接入?yún)f(xié)同方案

2.1 場景需求

當(dāng)前5G 網(wǎng)絡(luò)商用逐漸成熟，而短期內(nèi)無法達到5G 網(wǎng)絡(luò)的全面覆蓋[11]，4G、5G 等多種接入方式將會長期共存，且5G 網(wǎng)絡(luò)也存在多種高、低頻率部署方式[12]。在充分發(fā)揮5G 優(yōu)勢、保證業(yè)務(wù)能力和用戶感知的同時，如何高效地管理并分配網(wǎng)絡(luò)資源給業(yè)務(wù)應(yīng)用，對于運營商來說是個極其關(guān)鍵的問題，例如：某些用戶始終不活動，或其在某些時間、位置常使用低價值服務(wù)，則將該用戶從5G 接入4G，以保障網(wǎng)內(nèi)高價值用戶的QoE。相反，將那些使用低時延和高寬帶業(yè)務(wù)的高價值用戶保留在5G?；蛉绻糠钟脩粝Ｍv留在5G，但本身業(yè)務(wù)對于帶寬和時延沒有極高要求，則支持將該部分用戶從5G 高頻接入5G 低頻；相反，對那些對帶寬、時延有較高要求的業(yè)務(wù)用戶，支持繼續(xù)保持在5G 高頻上，以保證其體驗。

2.2 技術(shù)方案

5G 核心網(wǎng)智能化方案整體思路是基于智能化網(wǎng)元采用訂閱方式從移動網(wǎng)絡(luò)中采集各類數(shù)據(jù)，包括網(wǎng)元、網(wǎng)管、應(yīng)用功能等，通過AI 智能算法進行數(shù)據(jù)訓(xùn)練，實現(xiàn)對用戶行為、業(yè)務(wù)特征、報文特征進行多維度的畫像。網(wǎng)元、網(wǎng)管、應(yīng)用功能等可訂閱這些畫像模式，實現(xiàn)實時的閉環(huán)策略。

現(xiàn)有的3GPP 標(biāo)準(zhǔn)規(guī)范支持RFSP（RAT/Frequency Selection Priority Index，無線/頻率選擇優(yōu)先級索引）機制[13]。借助大數(shù)據(jù)和人工智能技術(shù)，NWDAF 能夠協(xié)助策略網(wǎng)元在保障用戶體驗的前提下提供智能選網(wǎng)策略，實現(xiàn)用戶從5G 切換到4G 網(wǎng)絡(luò)或者從5G 高頻NR 切換到低頻NR。具體策略包括：

（1）策略1：當(dāng)5G 網(wǎng)絡(luò)某頻段擁塞時，將5G 用戶遷移到其他頻段或4G 網(wǎng)絡(luò)；

（2）策略2：移動性低、低價值業(yè)務(wù)，如非實時語音業(yè)務(wù)遷移到5G 低頻段或4G 網(wǎng)絡(luò)；

（3）策略3：針對付費業(yè)務(wù)、VIP 用戶需要進行保障，將用戶駐留在5G 網(wǎng)絡(luò)。

圖2 為基于NWDAF 的5G 多接入智能協(xié)同解決方案：

圖2 基于NWDAF的5G多接入智能協(xié)同解決方案

2.3 關(guān)鍵流程

NWDAF 輔助PCF 實現(xiàn)動態(tài)的RFSP 策略決策是一個涉及端到端網(wǎng)絡(luò)協(xié)同的解決方案，需綜合考慮用戶的行為特征、業(yè)務(wù)特性、網(wǎng)絡(luò)狀況等各種因素進行聯(lián)動分析。具體實現(xiàn)流程如下：

（1）PCF 觸發(fā)訂閱NWDAF 的分析類型，包括用戶行為、業(yè)務(wù)特征、網(wǎng)絡(luò)狀態(tài)分析等。

（2）NWDAF 根據(jù)分析類型從網(wǎng)元、AF（Application Function，應(yīng)用功能）和OAM 中采集數(shù)據(jù)，并通過模型訓(xùn)練、分析推理，最終輸出分析結(jié)果[14]。具體如下：

1）用戶行為分析：如UE 的移動性行為、業(yè)務(wù)交互行為特征。這需要從AMF 中采集UE 移動性位置數(shù)據(jù)、AF 中采集UE 移動軌跡數(shù)據(jù)及交互類數(shù)據(jù)，通過數(shù)據(jù)分析可以統(tǒng)計和預(yù)測某段時間內(nèi)UE 在某區(qū)域出現(xiàn)的比率、交互周期、交互時長等信息。

2）業(yè)務(wù)特征分析：目前3GPP 標(biāo)準(zhǔn)不支持UPF 數(shù)據(jù)的采集和分析，通?？梢圆捎脗鹘y(tǒng)的DPI 技術(shù)實現(xiàn)業(yè)務(wù)行為分析。針對普通DPI 技術(shù)無法識別的新業(yè)務(wù)或加密業(yè)務(wù)，可以借助人工智能算法，通過流量外部特征進行業(yè)務(wù)特征識別，比如可以通過CNN（Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò)）算法訓(xùn)練出業(yè)務(wù)流量模型，然后通過業(yè)務(wù)流量特征來識別業(yè)務(wù)，從而確定用戶業(yè)務(wù)是否為高價值。

3）網(wǎng)絡(luò)狀況分析：指的是網(wǎng)絡(luò)擁塞情況相關(guān)分析。網(wǎng)絡(luò)擁塞情況可以從AMF 中采集UE 位置信息，從OAM采集控制面、用戶面指標(biāo)（如UE Throughput、DRB Setup Management、RRC Connection Number、PDU Session Management 和Radio Resource Utilization 等 ），從UPF或者AF 采集流量信息，經(jīng)過分析后，輸出統(tǒng)計或預(yù)測的網(wǎng)絡(luò)擁塞級別。

4）業(yè)務(wù)體驗分析：從AF 采集業(yè)務(wù)數(shù)據(jù)，從5GC 網(wǎng)元中采集QoS Flow 級別的網(wǎng)絡(luò)數(shù)據(jù)，從OAM 中采集UE級別的網(wǎng)絡(luò)數(shù)據(jù)，經(jīng)過分析后，輸出用戶的業(yè)務(wù)體驗統(tǒng)計后預(yù)測結(jié)果。

5）PCF 根據(jù)這些分析結(jié)果生成RFSP 索引，并更新到AMF，然后AMF 將PCF 更新后的RFSP 索引發(fā)送給RAN，由RAN 針對特定UE 的RFSP 索引映射到無線資源，并進行無線接入的控制，實現(xiàn)接入優(yōu)化，提升整體的網(wǎng)絡(luò)資源效率。

2.4 智能算法

5G 多接入?yún)f(xié)同算法構(gòu)建方法如下：首先，可采用離線分析，基于采集的用戶業(yè)務(wù)保障要求、業(yè)務(wù)使用情況、網(wǎng)絡(luò)運行狀態(tài)和資源調(diào)度情況等歷史數(shù)據(jù)，通過分類算法（如邏輯回歸、支持向量機、隨機森林、K-means聚類算法等），可將用戶按照業(yè)務(wù)價值和體驗情況分為4 類：“高價值+高MOS 值”“低價值+高MOS 值”“高價值+低MOS值”“低價值+低MOS 值”。然后，通過在線實時監(jiān)控用戶的狀態(tài)、業(yè)務(wù)等，將實時的業(yè)務(wù)行為和質(zhì)量的數(shù)據(jù)輸入到分類模型后，可以確定用戶類別。當(dāng)檢測/ 預(yù)測到5G 網(wǎng)絡(luò)可能會產(chǎn)生擁塞時，可以提前進行靈活調(diào)度和資源重分配，一方面考慮申請調(diào)度新的網(wǎng)絡(luò)資源并設(shè)置合理的生命周期，另外一方面可以考慮將低價值、高MOS的非保障類業(yè)務(wù)的用戶遷移到5G 低頻段或者4G 網(wǎng)絡(luò)上，實現(xiàn)用戶不感知的遷移。

建議采用K-means 聚類算法來實現(xiàn)用戶不感知的分步遷移。將樣本共分為4 個簇，即K=4。假設(shè)簇劃分為(C1,C2,...,CK)，計算每個樣本x到聚類中心a（均值向量）的距離，并將其分到距離最小的聚類中心所對應(yīng)的簇C中，也就是將用戶分成了4 個類別，如下：

針對得到的每個簇，重新計算它的聚類中心作為新的均值點：

直到達到某個終止條件（迭代次數(shù)、最小平方誤差、簇中心點變化率）實現(xiàn)收斂，最終識別出（低價值、高MOS）的用戶，實現(xiàn)用戶的平滑遷移。

3 基于AI算法的5G多接入?yún)f(xié)同關(guān)鍵技術(shù)

目前在3GPP 標(biāo)準(zhǔn)中僅定義了NWDAF 的架構(gòu)、特性和分析類型，并未考慮到具體實現(xiàn)機制。為了實現(xiàn)智能5G多接入?yún)f(xié)同場景的自動、閉環(huán)、安全的網(wǎng)絡(luò)數(shù)據(jù)分析推理，我們將進一步考慮以下關(guān)鍵技術(shù)。

3.1 網(wǎng)絡(luò)全息感知

現(xiàn)有3GPP 標(biāo)準(zhǔn)中數(shù)據(jù)采集和分析的觸發(fā)機制主要是基于網(wǎng)元對智能分析的訂閱，而分析的結(jié)果也是針對網(wǎng)元確定性場景的需求。這種觸發(fā)機制是被動的，難以實現(xiàn)根據(jù)網(wǎng)絡(luò)和業(yè)務(wù)的動態(tài)狀況進行智能化分析。

為此，未來可以通過對網(wǎng)絡(luò)的全息感知、動態(tài)觸發(fā)實現(xiàn)主動性學(xué)習(xí)的網(wǎng)絡(luò)，這種方式能夠感知現(xiàn)存的網(wǎng)絡(luò)環(huán)境，通過對所處環(huán)境的理解，有助于實時調(diào)整通信網(wǎng)絡(luò)的配置，智能地適應(yīng)專業(yè)環(huán)境的變化，實現(xiàn)多接入/ 多頻點選擇的自動化和智能化。

首先需要對移動端到端網(wǎng)絡(luò)狀態(tài)、業(yè)務(wù)特征、基礎(chǔ)設(shè)施資源狀況等進行實時、全息的建模和畫像。智能化網(wǎng)元可以通過全息感知網(wǎng)絡(luò)、業(yè)務(wù)、基礎(chǔ)設(shè)施的狀況，根據(jù)趨勢進行預(yù)判，當(dāng)業(yè)務(wù)體驗即將無法保障、網(wǎng)絡(luò)可能出現(xiàn)亞健康、低價值業(yè)務(wù)會占用大量網(wǎng)絡(luò)資源等情況發(fā)生時，高效地調(diào)整網(wǎng)絡(luò)和業(yè)務(wù)策略，形成動態(tài)場景化的主動觸發(fā)機制。

全息網(wǎng)絡(luò)感知的關(guān)鍵技術(shù)包括：高精度數(shù)據(jù)采集、異構(gòu)網(wǎng)絡(luò)數(shù)據(jù)存儲、數(shù)據(jù)處理技術(shù)等。

高精度數(shù)據(jù)采集：全息的數(shù)據(jù)采集需要獲得全面、準(zhǔn)確的網(wǎng)絡(luò)數(shù)據(jù)。然而運營商物理網(wǎng)絡(luò)規(guī)模非常大、設(shè)備的形態(tài)多種多樣、資源使用動態(tài)變化，數(shù)據(jù)采集的頻率和方法都需要綜合?？紤]數(shù)據(jù)類型較多，對不同的數(shù)據(jù)類型需要考慮不同的采集方式，如網(wǎng)元屬性類數(shù)據(jù)的變化頻率低，采集的頻率也可以較低，而網(wǎng)絡(luò)的流量、業(yè)務(wù)特性變化瞬息變化，需要較高的采集頻率。采集協(xié)議可以采用探針、DPI、NetFlow 等多種方式。

異構(gòu)網(wǎng)絡(luò)數(shù)據(jù)存儲：移動網(wǎng)絡(luò)的歷史數(shù)據(jù)和實時數(shù)據(jù)會存儲在數(shù)據(jù)倉庫中，為了提供統(tǒng)一的數(shù)據(jù)服務(wù)，需要將各種數(shù)據(jù)集成到統(tǒng)一的環(huán)境中。網(wǎng)絡(luò)智能化分析所需的數(shù)據(jù)量大、種類多（結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)），需要采用多元的存儲技術(shù)構(gòu)建數(shù)據(jù)共享倉庫。比如，可以采用分布式數(shù)據(jù)庫存儲結(jié)構(gòu)化數(shù)據(jù)、NoSQL 的數(shù)據(jù)庫存儲半結(jié)構(gòu)化數(shù)據(jù)等。

數(shù)據(jù)處理技術(shù)：移動網(wǎng)絡(luò)中的數(shù)據(jù)有靜態(tài)的歷史數(shù)據(jù)，也有實時的數(shù)據(jù)。針對靜態(tài)數(shù)據(jù)，可以采用如Hadoop 進行批量的處理，而對于移動實時大量產(chǎn)生的網(wǎng)絡(luò)數(shù)據(jù)，需要引入流計算進行實時的分析處理，比如采用Flink、Spark streaming、Storm 進行流數(shù)據(jù)處理。流計算發(fā)展將提供更高的吞吐速率，以應(yīng)對更加海量的流式數(shù)據(jù)；更低的延遲，逐步實現(xiàn)亞秒級的延遲；更加完備的流量控制機制，以應(yīng)對更加復(fù)雜的流式數(shù)據(jù)情況；容錯能力的提升，以較小的開銷來應(yīng)對各類問題和錯誤，這為未來全息網(wǎng)絡(luò)數(shù)據(jù)實時處理提供了更多技術(shù)支撐。

3.2 自適應(yīng)模型算法

人工智能經(jīng)過長期發(fā)展產(chǎn)生了大量的數(shù)學(xué)模型，目前常用的算法模型也達到了幾十種，既有傳統(tǒng)的統(tǒng)計模型，也有基于大量數(shù)據(jù)的深度學(xué)習(xí)模型，而且在不斷增加。人工智能按照訓(xùn)練數(shù)據(jù)有無標(biāo)簽分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)。針對解決的問題有回歸模型、分類模型、聚類模型、降維模型等。我們需要自適應(yīng)的模型算法，比如，在智能多接入/多頻點選擇的場景中，能夠根據(jù)解決的問題來自動選擇最優(yōu)的算法，而如何兼顧效率和準(zhǔn)確性是模型選擇考慮的關(guān)鍵因素。

傳統(tǒng)的機器學(xué)習(xí)在解決問題時，首先需要對問題進行定義，然后針對特定問題收集數(shù)據(jù)，由專家對數(shù)據(jù)特征進行標(biāo)定、提取特征、選擇特征，然后根據(jù)所選特征訓(xùn)練模型對模型進行評估，最后部署到應(yīng)用上，以解決最初提出的問題。其中數(shù)據(jù)收集、特征提取、特征選擇、模型訓(xùn)練和模型評估的過程是一個迭代的過程，需要反復(fù)進行、不斷優(yōu)化才能得到較優(yōu)的模型。這個過程非常耗時費力，AutoML 可以將傳統(tǒng)機器學(xué)習(xí)中的迭代過程綜合在一起，構(gòu)建一個自動化的過程，實現(xiàn)自動特征工程、自動管道匹配、自動參數(shù)調(diào)整、自動模型選擇等功能，從而減少時間和人力等資源的浪費。

然而AutoML 主要用于神經(jīng)網(wǎng)絡(luò)算法的選擇，缺乏對傳統(tǒng)機器學(xué)習(xí)的支持，實際上統(tǒng)計學(xué)習(xí)、深度學(xué)習(xí)等針對不同的需求都被有效、普遍地應(yīng)用。移動網(wǎng)絡(luò)中場景、數(shù)據(jù)多種多樣，需要對自動化機器學(xué)習(xí)模型選擇進一步擴展，支撐更多種的算法選擇。除數(shù)據(jù)特征之外，模型的選擇在移動網(wǎng)絡(luò)智能化還需要更多的考量，比如模型訓(xùn)練的時長、訓(xùn)練的精度要求、算力的情況等。模型的選擇本身也是一個優(yōu)化問題，可以通過機器學(xué)習(xí)來解決，比如，借助于分類算法，我們可以找到合適的模型。

3.3 實時智能閉環(huán)驗證

在智能多接入/多頻點選擇的場景中，NWDAF 輔助策略網(wǎng)元實現(xiàn)網(wǎng)絡(luò)閉環(huán)分析，最終將分析決策結(jié)果實施到物理網(wǎng)絡(luò)中。然而，人工智能模型訓(xùn)練過程本身具有較大的不確定性和不可解釋性，因此，需要重點關(guān)注如何在系統(tǒng)設(shè)計中減少分析推理結(jié)果實施的風(fēng)險。

在智能化閉環(huán)過程中，NWDAF 的主要角色是采集數(shù)據(jù)、訓(xùn)練模型及提供分析結(jié)果，實際的決策者和實施者是網(wǎng)元，網(wǎng)元可以通過權(quán)重的方式控制分析結(jié)果的實施程度，實現(xiàn)自動化閉環(huán)。

此外，可將數(shù)字孿生技術(shù)引入移動網(wǎng)絡(luò)，在孿生網(wǎng)絡(luò)中實現(xiàn)模型算法的自適應(yīng)增強及分析決策結(jié)果的驗證。數(shù)字孿生本質(zhì)是對物理網(wǎng)絡(luò)實時的映射，AI 推理的結(jié)果在孿生網(wǎng)絡(luò)中可以先進行驗證，然后再實施到物理網(wǎng)絡(luò)中，實現(xiàn)智能化閉環(huán)。利用數(shù)字孿生實現(xiàn)智能化閉環(huán)的框架如圖3 所示：

圖3 基于數(shù)字孿生的自動化數(shù)據(jù)分析閉環(huán)框架

數(shù)字孿生技術(shù)目前在業(yè)界處于早期討論階段，需要進一步研究物理網(wǎng)絡(luò)數(shù)據(jù)的實時采集、存儲技術(shù)、物理網(wǎng)絡(luò)和孿生網(wǎng)絡(luò)實時映射、接口等關(guān)鍵技術(shù)。

3.4 隱私保護技術(shù)

在智能多接入/多頻點選擇的場景中，需要采集用戶、業(yè)務(wù)及網(wǎng)絡(luò)多方數(shù)據(jù)，且各個域相對獨立。隨著數(shù)據(jù)隱私安全問題突出，需要合理、合法地使用這些孤立的數(shù)據(jù)，在保護用戶隱私的前提下實現(xiàn)網(wǎng)絡(luò)智能化。

業(yè)界提出的聯(lián)邦學(xué)習(xí)技術(shù)為人工智能的商業(yè)應(yīng)用提供了一種不需要直接交換數(shù)據(jù)的可行解決方案[15]。聯(lián)邦學(xué)習(xí)的核心思想是由每一個擁有數(shù)據(jù)源的參與方訓(xùn)練一個模型，并將各個參與方模型互通，最終通過模型聚合得到一個全局模型。聯(lián)邦學(xué)習(xí)在模型訓(xùn)練中允許使用分布式數(shù)據(jù)源來開發(fā)人工智能而不違反法律法規(guī)，有效地解決數(shù)據(jù)孤島和數(shù)據(jù)安全的問題。

在移動通信領(lǐng)域中，模型訓(xùn)練采集的數(shù)據(jù)可能涉及UE、RAN、CN 跨域場景，可以借鑒聯(lián)邦學(xué)習(xí)技術(shù)解決數(shù)據(jù)跨域互通問題，實現(xiàn)各域內(nèi)數(shù)據(jù)隱私的保護。

基于垂直聯(lián)邦學(xué)習(xí)技術(shù)的移動網(wǎng)絡(luò)學(xué)習(xí)框架如圖4所示：

圖4 基于垂直聯(lián)邦學(xué)習(xí)技術(shù)的移動網(wǎng)絡(luò)學(xué)習(xí)框架

聯(lián)邦學(xué)習(xí)技術(shù)的本質(zhì)是一種分布式機器學(xué)習(xí)技術(shù)，分布式機器學(xué)習(xí)技術(shù)無法保證數(shù)據(jù)、模型的安全，比如目前流行的神經(jīng)網(wǎng)絡(luò)所使用的梯度下降算法也可能會反推數(shù)據(jù)特征，泄露數(shù)據(jù)隱私。因此需要結(jié)合基于密碼學(xué)的加密算法保障各方隱私的安全。常用的加密技術(shù)有安全多方計算、同態(tài)加密、差分隱私等，這些技術(shù)可以結(jié)合使用，實現(xiàn)原始數(shù)據(jù)、計算中間結(jié)果參數(shù)（如梯度）、計算過程的加密。

4 結(jié)束語

目前5G 已經(jīng)逐步商用，AI 與5G 的結(jié)合已經(jīng)成為全球產(chǎn)業(yè)界的共識。運營商網(wǎng)絡(luò)存在代際多、規(guī)模大、組網(wǎng)復(fù)雜等特征，需要考慮多接入/多頻點協(xié)同場景下的智能選網(wǎng)方案，可充分利用AI 技術(shù)創(chuàng)新網(wǎng)絡(luò)優(yōu)化、運營和運維方案。然而，由于終端成熟度低、網(wǎng)絡(luò)設(shè)備需改造升級、標(biāo)準(zhǔn)方案難以拉通等因素，基于AI 算法的5G 多接入?yún)f(xié)同方案的落地將是一個循序漸進的過程。

產(chǎn)業(yè)界針對6G 網(wǎng)絡(luò)的預(yù)研工作正在開展，為提升網(wǎng)絡(luò)整體效率，6G 將進一步融合人工智能、意圖網(wǎng)絡(luò)及數(shù)字孿生等技術(shù)。未來，網(wǎng)絡(luò)智能化將在網(wǎng)絡(luò)自優(yōu)化、自閉環(huán)、自運營等方面發(fā)揮更大的效能。