AI 賦能6G 無線接入網(wǎng)技術(shù)研究

朱曉丹，黃慶秋

（廣東省電信規(guī)劃設(shè)計(jì)院有限公司，廣州 510630）

人工智能AI（Artificial Intelligence）和6G 是當(dāng)今熱度最高的2 項(xiàng)技術(shù)。AI 技術(shù)與6G 融合，可使網(wǎng)絡(luò)高效智能地完成特定工作/任務(wù)，優(yōu)化網(wǎng)絡(luò)性能和提升用戶感知。6G 網(wǎng)絡(luò)由此可提供比以往更智能的互聯(lián)、更快的速度、更大的容量和更可靠的連接。這2 種技術(shù)的結(jié)合，賦能各種智慧應(yīng)用場景，將迸發(fā)出驚人的社會(huì)發(fā)展驅(qū)動(dòng)力。

根據(jù)第三代合作伙伴計(jì)劃（3GPP）的計(jì)劃，6G 標(biāo)準(zhǔn)研究將在Rel-20（2025 年）啟動(dòng)，AI 技術(shù)會(huì)在6G 深度部署。支持AI 的空中接口已確定作為Rel-18 及后續(xù)版本的RAN 項(xiàng)目之一，將用于性能提升或減少網(wǎng)絡(luò)復(fù)雜性/網(wǎng)絡(luò)開銷。同時(shí)，支持AI 的NG RAN 在數(shù)據(jù)收集和信令支持方面的能力可得到增強(qiáng)。以上工作均為了實(shí)現(xiàn)6G 其中一個(gè)技術(shù)愿景：AI4NET（AI for Network）。

AI 在網(wǎng)絡(luò)側(cè)對(duì)6G RAN 的賦能，是通過AI 分析網(wǎng)絡(luò)數(shù)據(jù)，并基于這些數(shù)據(jù)做出決策，可應(yīng)用于優(yōu)化網(wǎng)絡(luò)性能、提升網(wǎng)絡(luò)運(yùn)行效率和加強(qiáng)網(wǎng)絡(luò)安全管理等方面。

1 AI 賦能6G 背景

在未來智慧城市中，各類分布式移動(dòng)應(yīng)用諸如物聯(lián)網(wǎng)IoT（Internet of Things）、車聯(lián)網(wǎng)IoV（Internet of Vehicles）、工業(yè)物聯(lián)網(wǎng)IIoT（Industrial Internet of Things）、機(jī)器人物聯(lián)網(wǎng)IoRT（Internet of Robotic Things）、智慧醫(yī)療IoMT（Internet of Medical Things）和增強(qiáng)/虛擬現(xiàn)實(shí)AR/VR（Augmented Reality/ Virtual Reality）的部署，在服務(wù)質(zhì)量QoS（Quality of Service）和服務(wù)水平協(xié)議SLA（Service Level Agreement）2 方面均對(duì)網(wǎng)絡(luò)有嚴(yán)格的要求，這些都是6G 原始驅(qū)動(dòng)力。

從移動(dòng)互聯(lián)，到萬物互聯(lián)，再到萬物智聯(lián)，6G 將實(shí)現(xiàn)從服務(wù)于人、人與物，到支撐智能體高效聯(lián)接的躍遷[1]。為了達(dá)到這一水平，與5G 相比，6G 需要配備上下文感知的算法來優(yōu)化其架構(gòu)、協(xié)議和操作。為此，6G 須在其基礎(chǔ)架構(gòu)設(shè)計(jì)中注入AI 技術(shù)，使之融合到基站、云計(jì)算和云存儲(chǔ)等基礎(chǔ)設(shè)施中。軟件定義網(wǎng)絡(luò)（SDN）的傳統(tǒng)方法，從分析到?jīng)Q策所需的時(shí)間較長。基于深度學(xué)習(xí)（Deep Learning，DL）/強(qiáng) 化 學(xué)習(xí)（Reinforcement Learning，RL）/ 遷移學(xué)習(xí)（Transfer Learning，TL）等AI/ML（Machine Learning）算法適用于6G RAN 的部署，包括資源、移動(dòng)性、能效等方面的管理。

2 AI 技術(shù)驅(qū)動(dòng)6G RAN

2.1 信道估計(jì)

為了滿足智慧城市應(yīng)用在高數(shù)據(jù)率（Tbps）、低延遲（0.1～1 毫秒級(jí)）和高可靠性（99.999 99%）方面的苛刻要求，許多新技術(shù)將在6G RAN 得以應(yīng)用，如太赫茲通信、可見光通信、超大規(guī)模MIMO 和智能超表面技術(shù)等[1]。這些技術(shù)將增加無線信道的復(fù)雜性，給使用傳統(tǒng)方法的信道估計(jì)帶來極大挑戰(zhàn)。

在無線信號(hào)傳輸過程中，無線信道相位偏移會(huì)減弱，傳輸?shù)男畔?huì)衰減及噪聲會(huì)增加，信道估計(jì)就是估計(jì)信道的特性以從信道效應(yīng)中恢復(fù)傳輸信息的過程。為了提高6G 通信的性能和容量，精確和實(shí)時(shí)的信道估計(jì)變得至關(guān)重要。深度學(xué)習(xí)DL 可為精確信道估計(jì)提供有效的支持[2]。圖1 顯示了一個(gè)基于DL 的信道估計(jì)過程。原始信息首先與Pilot 信號(hào)一起傳輸，然后提取信道的變化對(duì)Pilot 信號(hào)的影響，最后用插值信道的DL 法來得到信道特性的估計(jì)。

圖1 基于深度學(xué)習(xí)DL 的信道估計(jì)

圖1 展示的是一種基于深度神經(jīng)網(wǎng)絡(luò)（DNN）的方法，用于正交頻分復(fù)用（OFDM）中的信道估計(jì)和符號(hào)檢測(cè)。DNN 模型通過使用不同信道條件下產(chǎn)生的OFDM 樣本進(jìn)行離線訓(xùn)練，然后該模型用于恢復(fù)傳輸信息，無須估計(jì)信道特性。

2.2 調(diào)制識(shí)別

調(diào)制識(shí)別的目的是識(shí)別出噪聲干擾環(huán)境下的信號(hào)調(diào)制信息，調(diào)制識(shí)別有助于信號(hào)解調(diào)和解碼的應(yīng)用，如干擾識(shí)別、頻譜監(jiān)測(cè)、認(rèn)知無線電、威脅評(píng)估和信號(hào)識(shí)別。

6G 網(wǎng)絡(luò)中數(shù)據(jù)流量幾何級(jí)地增加，傳統(tǒng)的判決理論方法和統(tǒng)計(jì)模式識(shí)別方法在效率上不能完全滿足要求。卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）和長短時(shí)記憶（Long-Short Term Memory，LSTM）可在調(diào)制識(shí)別中適用，前者適合于空間數(shù)據(jù)的自動(dòng)特征提取，而后者則適用于調(diào)制識(shí)別[3]。如圖2 所示，卷積神經(jīng)網(wǎng)絡(luò)CNN 的應(yīng)用，可以提高調(diào)制識(shí)別的準(zhǔn)確性和效率。

圖2 基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制識(shí)別

卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行信號(hào)分類的方式為：將接收到的信號(hào)作為輸入，通過卷積層（Convolutional Layer）提取信號(hào)的特征，然后通過全連接層（Dense Layer）將提取的特征映射到不同的調(diào)制方式上，最終實(shí)現(xiàn)對(duì)信號(hào)的識(shí)別。

長短時(shí)記憶LSTM 神經(jīng)網(wǎng)絡(luò)通過輸入信號(hào)的時(shí)序信息，學(xué)習(xí)信號(hào)的特征并進(jìn)行分類。LSTM 模型如圖3所示，LSTM 基于xt和ht-1來計(jì)算ht，內(nèi)部通過輸入門it、遺忘門ft及輸出門ot三個(gè)門和一個(gè)內(nèi)部記憶單元ct。利用LSTM 調(diào)制識(shí)別是將信號(hào)的時(shí)域或頻域表示作為LSTM 的輸入，通過多個(gè)LSTM 層提取信號(hào)的高級(jí)特征，最后通過全連接層輸出信號(hào)的分類結(jié)果。

圖3 長短時(shí)記憶LSTM 神經(jīng)網(wǎng)絡(luò)模型

2.3 移動(dòng)性管理

6G 網(wǎng)絡(luò)需要實(shí)現(xiàn)低延遲和高可靠性的業(yè)務(wù)如IoV、IoRT 和IoMT。為了保證這些應(yīng)用的QoS，同時(shí)改善資源利用率和網(wǎng)絡(luò)瓶頸，學(xué)習(xí)和預(yù)測(cè)用戶的移動(dòng)變得至關(guān)重要，基于DRL 的方法可作為可選方案，提高移動(dòng)性管理的效率[4]。

如圖4 所示，可通過結(jié)合LSTM 和DRL 預(yù)測(cè)移動(dòng)用戶軌跡，LSTM 被用來預(yù)測(cè)移動(dòng)用戶的軌跡，而DRL 則用于改善LSTM 的模型訓(xùn)練時(shí)間。DRL 的目的是改善LSTM的模型訓(xùn)練時(shí)間，不需要人工干預(yù)。該方法基于算法預(yù)判，在時(shí)間效率上優(yōu)于傳統(tǒng)的3GPP 移動(dòng)性管理，如基于位置區(qū)域（Location Area）、跟蹤區(qū)域（Tracking Area）的方法，在6G 中結(jié)合使用將有效提高移動(dòng)性管理的效率。

圖4 基于DRL 的網(wǎng)絡(luò)終端移動(dòng)性管理

2.4 能效管理

遷移學(xué)習(xí)TL 是指將已經(jīng)訓(xùn)練好的模型應(yīng)用于新的任務(wù)或領(lǐng)域中，以加快模型的訓(xùn)練速度和提高模型的性能。6G 的RAN 設(shè)計(jì)中，可以利用遷移學(xué)習(xí)TL 結(jié)合強(qiáng)化學(xué)習(xí)RL 來提高網(wǎng)絡(luò)效率。具體來說，6G 網(wǎng)絡(luò)用例在執(zhí)行各種任務(wù)時(shí)可以共享時(shí)空特征及網(wǎng)絡(luò)配置信息，可以實(shí)時(shí)使用其他用例中訓(xùn)練好的模型來初始化6G RAN 參數(shù)，經(jīng)過調(diào)整后形成資源分配與控制策略并應(yīng)用[5]。

6G RAN 能效管理，重點(diǎn)可放在無線接入的資源分配（RA-Resource Allocation）、能源效率（EE-Energy Efficiency）和準(zhǔn)入控制（AC-Admission Control）三方面。如圖5 所示，無線接入網(wǎng)RAN1 和無線接入網(wǎng)RAN2 作為統(tǒng)一網(wǎng)絡(luò)中2 個(gè)應(yīng)用的場景，源是RAN1，目標(biāo)是RAN2，這2 個(gè)場景的應(yīng)用部署具有相似性。場景的特點(diǎn)決定了整體的資源配置，假設(shè)需要QoS 優(yōu)先，則資源分配規(guī)則上需安排更多的資源，或者如果目標(biāo)是要降低整體能耗，那么能效效率管理（EE）則可釋放部分資源降低網(wǎng)絡(luò)能耗。RAN1 的資源分配、能源效率、準(zhǔn)入控制等資源分配與控制策略，可以通過TL/RL算法平移到RAN2 中調(diào)整后應(yīng)用，以提升網(wǎng)絡(luò)運(yùn)行能效。

圖5 基于TL/RL 的網(wǎng)絡(luò)資源分配管理

3 結(jié)束語

具備敏捷、靈活和自學(xué)習(xí)能力的內(nèi)生智能6G 網(wǎng)絡(luò)，將為未來分布式、動(dòng)態(tài)和智能的智慧城市應(yīng)用提供基礎(chǔ)網(wǎng)絡(luò)能力。而AI 技術(shù)將在6G 和智慧城市中發(fā)揮關(guān)鍵作用。通過探討幾種AI 技術(shù)在6G RAN 的信道估計(jì)、調(diào)制識(shí)別、移動(dòng)性管理和效能管理等方面的應(yīng)用，旨在推動(dòng)6G 與AI 的融合，6G RAN 領(lǐng)域內(nèi)生智能關(guān)鍵技術(shù)、標(biāo)準(zhǔn)方面的探索。