文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.211392
中文引用格式： 孫耀華，王則予，袁碩，等. 智能內(nèi)生6G網(wǎng)絡(luò)：架構(gòu)、用例和挑戰(zhàn)[J].電子技術(shù)應(yīng)用，2021，47(3)：8-13，17.
英文引用格式： Sun Yaohua，Wang Zeyu，Yuan Shuo，et al. The sixth-generation mobile communication network with endogenous intelligence：architectures，use cases and challenges[J]. Application of Electronic Technique，2021，47(3)：8-13，17.
0 引言
面對交互式無線虛擬/增強(qiáng)現(xiàn)實(shí)、人機(jī)協(xié)同作業(yè)、全景高清視頻直播等新型應(yīng)用以及沙漠、海洋等多樣場景下的通信需求，第六代(The Sixth Generation，6G)移動通信將呈現(xiàn)“空天地”融合通信[1]、全頻譜接入[2]、異構(gòu)超密集組網(wǎng)[3]、云邊協(xié)同[4]等特征，但也將導(dǎo)致網(wǎng)絡(luò)優(yōu)化和管理難度急劇增大。此外，為了便于移動通信專網(wǎng)與生產(chǎn)制造、交通運(yùn)輸、能源電力等垂直行業(yè)深度融合，網(wǎng)絡(luò)配置和運(yùn)維方式亟需簡化。在此背景下，業(yè)界提出引入人工智能(Artificial Intelligence，AI)，利用其強(qiáng)大的預(yù)測、決策能力構(gòu)建智能內(nèi)生的6G網(wǎng)絡(luò)[5]。
文獻(xiàn)[6]針對數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)(Deep Learning，DL)導(dǎo)致的計(jì)算密集以及訓(xùn)練時間長等問題，總結(jié)了模型驅(qū)動的DL方法在物理層通信中的應(yīng)用和優(yōu)勢；文獻(xiàn)[7]將AI視作實(shí)現(xiàn)網(wǎng)絡(luò)資源優(yōu)化的關(guān)鍵技術(shù)，介紹了AI技術(shù)在移動寬帶、觸覺網(wǎng)絡(luò)以及無人機(jī)網(wǎng)絡(luò)等多個場景下的應(yīng)用；文獻(xiàn)[8]回顧了深度強(qiáng)化學(xué)習(xí)(Deep Reinforcement Learning，DRL)方法，深入調(diào)研了DRL在通信和組網(wǎng)中的應(yīng)用，涉及無線緩存、網(wǎng)絡(luò)接入等；文獻(xiàn)[9]按照MAC層、網(wǎng)絡(luò)層以及應(yīng)用層對有關(guān)研究進(jìn)行了梳理總結(jié)，提煉了AI應(yīng)用于無線網(wǎng)絡(luò)的動機(jī)和面臨的挑戰(zhàn)。
針對AI與無線通信結(jié)合的細(xì)分領(lǐng)域，本課題組也進(jìn)行了一些初步探索。為克服基站端配置大規(guī)模天線導(dǎo)致信道估計(jì)開銷過大的問題，文獻(xiàn)[10]提出了基于循環(huán)神經(jīng)網(wǎng)絡(luò)的信道估計(jì)方法，利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力提取信道間的隱藏特征，仿真結(jié)果表明所提方法相比傳統(tǒng)方法可實(shí)現(xiàn)更高的估計(jì)精度和魯棒性。在基于AI的組網(wǎng)技術(shù)方面，文獻(xiàn)[11]針對蜂窩車聯(lián)網(wǎng)集中式資源調(diào)度時延高以及城區(qū)環(huán)境遮擋導(dǎo)致車車通信可靠性下降的問題，基于聯(lián)邦學(xué)習(xí)和DRL，設(shè)計(jì)了將車輛終端作為智能載體，根據(jù)局部信道、干擾和業(yè)務(wù)感知狀態(tài)進(jìn)行分布式?jīng)Q策的無線資源優(yōu)化框架，仿真結(jié)果證實(shí)了所提方法對高動態(tài)環(huán)境具有良好適應(yīng)性。在基于AI的智能網(wǎng)絡(luò)運(yùn)維方面，課題組在文獻(xiàn)[12]中提出了基于深度遷移學(xué)習(xí)的網(wǎng)絡(luò)故障診斷方法，可在少量標(biāo)簽數(shù)據(jù)下實(shí)現(xiàn)弱覆蓋、強(qiáng)干擾問題的精準(zhǔn)探測。
前述文獻(xiàn)均側(cè)重基于AI的網(wǎng)絡(luò)性能增強(qiáng)方法，但如何從架構(gòu)設(shè)計(jì)角度使能網(wǎng)內(nèi)AI能力，從而更好地支持AI機(jī)制的實(shí)施仍有待進(jìn)一步探索。為此，本文接下來將對目前標(biāo)準(zhǔn)化組織、公司和學(xué)術(shù)界所提智能內(nèi)生網(wǎng)絡(luò)架構(gòu)進(jìn)行梳理總結(jié)，基于此給出一般性的架構(gòu)特征，接著將探討智能內(nèi)生6G架構(gòu)的典型用例，最后給出相關(guān)挑戰(zhàn)并總結(jié)全文。
本文詳細(xì)內(nèi)容請下載:http://www.jysgc.com/resource/share/2000003400
作者信息:
孫耀華，王則予，袁 碩，彭木根
(北京郵電大學(xué) 網(wǎng)絡(luò)與交換技術(shù)國家重點(diǎn)實(shí)驗(yàn)室，北京100876)