5G網(wǎng)絡(luò)人工智能化的基本框架和關(guān)鍵技術(shù)

王威麗 何小強(qiáng) 唐倫

摘要：認(rèn)為未來的5G蜂窩網(wǎng)絡(luò)需要滿足大量服務(wù)和應(yīng)用的不同需求。隨著網(wǎng)絡(luò)配置復(fù)雜性的提高及新型業(yè)務(wù)的不斷涌現(xiàn)，5G網(wǎng)絡(luò)的標(biāo)準(zhǔn)化進(jìn)程亟需新的技術(shù)支撐。通過對(duì)5G網(wǎng)絡(luò)新特征的分析，將人工智能與5G網(wǎng)絡(luò)相結(jié)合，設(shè)計(jì)了一種智能化5G網(wǎng)絡(luò)框架，該框架由環(huán)境艙、智能中心及網(wǎng)絡(luò)策略3部分組成。同時(shí)，歸納了當(dāng)前人工智能技術(shù)在業(yè)務(wù)預(yù)測(cè)、網(wǎng)絡(luò)切片、無線資源分配以及資源共享領(lǐng)域的應(yīng)用，并總結(jié)了實(shí)現(xiàn)智能化5G網(wǎng)絡(luò)的機(jī)遇和挑戰(zhàn)。

關(guān)鍵詞： 5G蜂窩網(wǎng)絡(luò)；人工智能；新特征；智能化框架

Abstract： The future 5G cellular network is required to support a large number of services and applications. With the increasing complexity of network configuration and the continuous emergence of new-type services， the standardization process of 5G networks urgently calls for new technical support. Based on the new features of 5G network， an intelligent 5G framework is designed by combining artificial intelligence with 5G network. This framework is composed of three parts： environment capsule， intelligent center and network strategy. Then， the current applications of artificial intelligence technology in traffic forecasting， network slicing， wireless resource allocation and resource sharing are summarizes. Finally， the opportunities and challenges of realizing intelligent 5G networks are summarized.

Key words： 5G cellular networks； artificial intelligence； fresh features； intelligent framework

1 智能化5G蜂窩網(wǎng)絡(luò)

第5代移動(dòng)通信（5G）網(wǎng)絡(luò)采用了復(fù)雜的無線傳輸技術(shù)和無線網(wǎng)絡(luò)架構(gòu)，5G將是融合、協(xié)同的多制式共存的異構(gòu)網(wǎng)絡(luò)。從技術(shù)上看，將存在多層、多無線接入技術(shù)的共存，導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)非常復(fù)雜，各種無線接入技術(shù)內(nèi)部和各種覆蓋能力的網(wǎng)絡(luò)節(jié)點(diǎn)之間的關(guān)系錯(cuò)綜復(fù)雜，網(wǎng)絡(luò)的部署、管理、維護(hù)將成為一個(gè)極具挑戰(zhàn)性的工作。為了降低網(wǎng)絡(luò)部署、運(yùn)營維護(hù)復(fù)雜度和成本，提高網(wǎng)絡(luò)運(yùn)維質(zhì)量，未來5G系統(tǒng)還須具備充分的靈活性，具有網(wǎng)絡(luò)自感知、自調(diào)整等智能化能力，以應(yīng)對(duì)未來移動(dòng)信息社會(huì)難以預(yù)計(jì)的快速變化。

1.1 5G網(wǎng)絡(luò)新特征

在2G時(shí)代，網(wǎng)絡(luò)中需要配置的參數(shù)為50個(gè)，到3G時(shí)代，數(shù)量增加到100個(gè)，而4G時(shí)代需要配置的參數(shù)已經(jīng)到達(dá)到1 500個(gè)。按照這個(gè)趨勢(shì)，5G時(shí)代需要配置的參數(shù)將可能會(huì)達(dá)到2 000個(gè)[1]。然而，當(dāng)前4G網(wǎng)絡(luò)的管理和配置依然采用手動(dòng)/半自動(dòng)的方式，這種方式不僅成本高且效率低下，給5G網(wǎng)絡(luò)的性能實(shí)現(xiàn)帶來了巨大的挑戰(zhàn)。因此，為了高效地管理和配置5G網(wǎng)絡(luò)，自組織性將會(huì)成為未來5G網(wǎng)絡(luò)的重要特征。

隨著人們對(duì)通信網(wǎng)絡(luò)依賴性的增加，新的業(yè)務(wù)類型（如：增強(qiáng)移動(dòng)寬帶、高可靠低時(shí)延通信、大規(guī)模物聯(lián)網(wǎng)）不斷涌現(xiàn)，5G時(shí)代將面臨不斷改變的業(yè)務(wù)類型模式帶來的挑戰(zhàn)[2]。在這種情況下，5G蜂窩網(wǎng)絡(luò)需要具備自主識(shí)別新業(yè)務(wù)類型、高效的資源調(diào)度機(jī)制、按需定制相應(yīng)網(wǎng)絡(luò)切片的一些功能。

目前，為了使5G系統(tǒng)更加自動(dòng)化和智慧化，國際電信聯(lián)盟（ITU）正式成立了“ITU面向包括5G在內(nèi)的未來網(wǎng)絡(luò)的‘機(jī)器學(xué)習(xí)焦點(diǎn)組，重點(diǎn)研究機(jī)器學(xué)習(xí)、人工智能在包含5G系統(tǒng)的未來網(wǎng)絡(luò)中的應(yīng)用[3]。此外，面向?qū)淼?G網(wǎng)絡(luò)與服務(wù)，為了實(shí)現(xiàn)靈活、高效、高質(zhì)量的管理、服務(wù)、運(yùn)營的“自動(dòng)化”，歐洲電信標(biāo)準(zhǔn)化協(xié)會(huì)（ETSI）發(fā)布了一份名為《自動(dòng)化下一代網(wǎng)絡(luò)中的網(wǎng)絡(luò)和服務(wù)操作的必要性和益處》的白皮書[4]，核心的目標(biāo)是實(shí)現(xiàn)5G網(wǎng)絡(luò)與服務(wù)管理、運(yùn)營的自動(dòng)化。

1.2 人工智能

人工智能的最終目標(biāo)是建立一個(gè)類似于人類思維活動(dòng)的系統(tǒng)模型。因此，人工智能的實(shí)現(xiàn)主要在于構(gòu)建出來的操作系統(tǒng)能否根據(jù)系統(tǒng)的“思維活動(dòng)”采取理想的行動(dòng)[5]。人工智能領(lǐng)域處理的問題主要包括感知、挖掘、預(yù)測(cè)以及推理。

感知：具有感知能力的智能體對(duì)外部環(huán)境進(jìn)行監(jiān)測(cè)；

挖掘：對(duì)感知到的外部信息進(jìn)行分類和分析；

預(yù)測(cè)：基于系統(tǒng)經(jīng)驗(yàn)獲得概率模型；

推理：具有認(rèn)知功能的智能體根據(jù)外部模型做出推斷性結(jié)論。

從實(shí)踐角度來說，設(shè)計(jì)能夠自主思考的系統(tǒng)對(duì)5G網(wǎng)絡(luò)的意義重大，例如：5G網(wǎng)絡(luò)可以利用感知技術(shù)進(jìn)行網(wǎng)絡(luò)異常檢測(cè)以實(shí)現(xiàn)網(wǎng)絡(luò)的自修復(fù)，利用挖掘技術(shù)對(duì)網(wǎng)絡(luò)業(yè)務(wù)進(jìn)行分類分析，利用預(yù)測(cè)技術(shù)預(yù)測(cè)用戶的移動(dòng)趨勢(shì)和業(yè)務(wù)量變化以及利用推理技術(shù)配置一系列的參數(shù)以更好地適應(yīng)業(yè)務(wù)等。人工智能技術(shù)不僅具備和環(huán)境交互的能力且可以根據(jù)不同的環(huán)境條件自動(dòng)執(zhí)行合理的行動(dòng)，因此各行各業(yè)的人工智能化已經(jīng)成為社會(huì)的必然發(fā)展趨勢(shì)。

1.3 5G網(wǎng)絡(luò)人工智能化的重要意義

（1）5G網(wǎng)絡(luò)需要通過智能決策，管理種類繁多的資源和動(dòng)態(tài)變化的業(yè)務(wù)流量。在早期以語音為主的通信網(wǎng)絡(luò)中，流量模型易于預(yù)測(cè)，這一時(shí)期的流量需求管理也相對(duì)較為簡單。然而，智能設(shè)備的出現(xiàn)使得無線流量模型在維度和粒度上變得更加復(fù)雜。為了使網(wǎng)絡(luò)在面對(duì)不同的業(yè)務(wù)和流量需求時(shí)依然能夠保證最佳用戶體驗(yàn)，策略控制系統(tǒng)需要進(jìn)行異常復(fù)雜的處理。以網(wǎng)絡(luò)功能虛擬化為例，必須使其核心決策算法能夠自動(dòng)匹配當(dāng)前的無線、用戶以及流量條件，以實(shí)現(xiàn)計(jì)算資源的動(dòng)態(tài)分配。而在這方面，人工智能是最佳候選技術(shù)，可以為當(dāng)前的無線系統(tǒng)提供更敏捷和健壯的復(fù)雜決策能力。

（2）5G網(wǎng)絡(luò)需要通過自動(dòng)化，在提高效率的同時(shí)降低成本。如何低成本、高效率地運(yùn)營日益復(fù)雜的網(wǎng)絡(luò)是當(dāng)前面臨的一項(xiàng)重大挑戰(zhàn)。目前2G、3G、4G網(wǎng)絡(luò)的信息數(shù)據(jù)基本上是通過路測(cè)、用戶投訴記錄或操作維護(hù)中心（OMC）的報(bào)告來獲取的，這種數(shù)據(jù)獲取方法效率較低，已經(jīng)不能滿足5G網(wǎng)絡(luò)對(duì)于低時(shí)延和實(shí)時(shí)跟蹤來提高資源利用率的需求。為了實(shí)現(xiàn)5G網(wǎng)絡(luò)自動(dòng)化，需要對(duì)用戶域（包括用戶分布、用戶需求等）、網(wǎng)絡(luò)域（網(wǎng)絡(luò)負(fù)載、擁塞狀態(tài)等）和無線域（頻譜利用率、鏈路質(zhì)量等）的動(dòng)態(tài)網(wǎng)絡(luò)狀況有全面充分的了解。因此，智能感知技術(shù)是實(shí)現(xiàn)5G網(wǎng)絡(luò)自動(dòng)化的一個(gè)重要條件。

（3）5G網(wǎng)絡(luò)需要根據(jù)業(yè)務(wù)特征按需提供服務(wù)。提高網(wǎng)絡(luò)的資源利用率是滿足日益增加的網(wǎng)絡(luò)業(yè)務(wù)需求的必要條件。當(dāng)前的移動(dòng)網(wǎng)絡(luò)采用一種網(wǎng)絡(luò)架構(gòu)服務(wù)所有業(yè)務(wù)類型的模式。由于網(wǎng)絡(luò)的單一性，網(wǎng)絡(luò)中的所有用戶只能采用相同的帶寬消耗模式，不僅每一類業(yè)務(wù)類型的特定性能需求無法得到保證，還會(huì)大大降低網(wǎng)絡(luò)資源利用率。5G網(wǎng)絡(luò)切片的出現(xiàn)使得用戶可以根據(jù)特定需求定制針對(duì)性服務(wù)[6]，而為了實(shí)現(xiàn)網(wǎng)絡(luò)切片的靈活調(diào)用，切片的創(chuàng)建、部署和管理都將離不開智能化技術(shù)。

2 智能5G網(wǎng)絡(luò)架構(gòu)

為了提升當(dāng)前網(wǎng)絡(luò)的決策能力，實(shí)現(xiàn)網(wǎng)絡(luò)自動(dòng)化，并能為特定業(yè)務(wù)按需建立網(wǎng)絡(luò)切片，以達(dá)到靈活地使用和管理網(wǎng)絡(luò)的目的，有必要讓蜂窩網(wǎng)絡(luò)具備感知環(huán)境的能力，對(duì)不確定因素進(jìn)行學(xué)習(xí)，設(shè)計(jì)相應(yīng)行為，合理地配置網(wǎng)絡(luò)。人工智能主要就是解決怎樣對(duì)變量進(jìn)行學(xué)習(xí)，預(yù)測(cè)未來的狀態(tài)，通過和環(huán)境交互找到潛在解決方案的方法。因此，5G時(shí)代的蜂窩網(wǎng)絡(luò)可以利用人工智能技術(shù)和環(huán)境進(jìn)行交互以改變網(wǎng)絡(luò)的運(yùn)作模式，實(shí)現(xiàn)智能的5G時(shí)代。

本文提出的智能5G網(wǎng)絡(luò)架構(gòu)主要包括3個(gè)部分：環(huán)境艙、智能中心和網(wǎng)絡(luò)策略。智能5G網(wǎng)絡(luò)架構(gòu)能夠從真實(shí)網(wǎng)絡(luò)環(huán)境中讀取、觀察和分析各類網(wǎng)絡(luò)信息，同時(shí)也能采取相應(yīng)的行動(dòng)策略對(duì)網(wǎng)絡(luò)環(huán)境加以控制。

2.1 環(huán)境艙

環(huán)境艙是智能5G網(wǎng)絡(luò)架構(gòu)中唯一可以和真實(shí)網(wǎng)絡(luò)環(huán)境直接交流的部分，它主要執(zhí)行以下兩種任務(wù)：

（1）為了維持網(wǎng)絡(luò)運(yùn)作秩序，環(huán)境艙需要存儲(chǔ)從真實(shí)環(huán)境中觀察到的網(wǎng)絡(luò)狀態(tài)信息，包括網(wǎng)絡(luò)拓?fù)湫畔ⅰI(yè)務(wù)請(qǐng)求信息以及資源使用情況等，并負(fù)責(zé)將這些信息批量傳送到智能中心。

（2）為了保證向智能中心傳送的網(wǎng)絡(luò)信息的實(shí)時(shí)性，環(huán)境艙還需要將網(wǎng)絡(luò)策略采取的行動(dòng)信息（包括切片配置、用戶關(guān)聯(lián)以及資源分配等）傳送到真實(shí)網(wǎng)絡(luò)環(huán)境中，以便網(wǎng)絡(luò)環(huán)境實(shí)時(shí)更新狀態(tài)信息。

2.2 智能中心

智能中心是智能5G網(wǎng)絡(luò)架構(gòu)的核心部分，智能5G網(wǎng)絡(luò)框架如圖1所示。通過利用人工智能中的感知、挖掘、預(yù)測(cè)以及推理方法，對(duì)從環(huán)境艙中獲得的信息進(jìn)行處理，例如：進(jìn)行拓?fù)涓兄?、業(yè)務(wù)預(yù)測(cè)以及請(qǐng)求分析等。處理的結(jié)果最終會(huì)發(fā)送給網(wǎng)絡(luò)策略模塊，并做出相應(yīng)的決策。這些結(jié)果可能包括業(yè)務(wù)分析報(bào)告（如資源配置建議）、用戶控制信息（如用戶服務(wù)優(yōu)先級(jí)）以及網(wǎng)絡(luò)配置通知（如需要調(diào)整的參數(shù)）等。

以網(wǎng)絡(luò)切片為例，人工智能利用感知模塊獲取網(wǎng)絡(luò)拓?fù)湫畔ⅲ又猛诰蚰K對(duì)搜集的信息進(jìn)行分析和處理，并基于歷史物理網(wǎng)絡(luò)節(jié)點(diǎn)資源的使用情況對(duì)節(jié)點(diǎn)的資源需求量進(jìn)行預(yù)測(cè)，然后利用推理模塊獲取網(wǎng)絡(luò)切片的虛擬網(wǎng)絡(luò)功能可能的部署方案。

2.3 網(wǎng)絡(luò)策略

根據(jù)智能中心傳遞來的各類信息形成最終的網(wǎng)絡(luò)策略。由網(wǎng)絡(luò)策略決定最終采取的各類行動(dòng)，如給某類請(qǐng)求業(yè)務(wù)建立切片、網(wǎng)絡(luò)參數(shù)的配置和調(diào)整以及虛擬網(wǎng)絡(luò)映射等。最終的決策行動(dòng)會(huì)經(jīng)環(huán)境艙反饋給真實(shí)網(wǎng)絡(luò)環(huán)境，網(wǎng)絡(luò)環(huán)境則會(huì)根據(jù)最新行動(dòng)更新其狀態(tài)信息。

以網(wǎng)絡(luò)切片的建立為例，網(wǎng)絡(luò)策略會(huì)根據(jù)由智能中心傳來的業(yè)務(wù)分析報(bào)告來決定分配給每個(gè)切片的資源類別以及數(shù)量，同時(shí)，網(wǎng)絡(luò)策略會(huì)將最終的資源分配策略傳遞給環(huán)境艙，而環(huán)境艙會(huì)反饋到真實(shí)網(wǎng)絡(luò)中以及時(shí)更新網(wǎng)絡(luò)資源相關(guān)的整體使用情況。

3 5G網(wǎng)絡(luò)智能化的關(guān)鍵 技術(shù)

這一部分將從4個(gè)方面來詳細(xì)分析當(dāng)前的無線網(wǎng)絡(luò)智能化方案，主要包括業(yè)務(wù)預(yù)測(cè)、網(wǎng)絡(luò)切片、無線資源分配以及資源共享。

3.1 業(yè)務(wù)預(yù)測(cè)

隨著用戶業(yè)務(wù)需求量的增加，業(yè)務(wù)預(yù)測(cè)已經(jīng)成為5G網(wǎng)絡(luò)監(jiān)督和管理的關(guān)鍵部分。精確的業(yè)務(wù)預(yù)測(cè)需要通過追蹤數(shù)據(jù)流的變化來建立實(shí)際的網(wǎng)絡(luò)業(yè)務(wù)模型。由于網(wǎng)絡(luò)中諸多非線性因素的影響，5G網(wǎng)絡(luò)的業(yè)務(wù)變化將在時(shí)域上呈現(xiàn)較大的不規(guī)律性，從而使得傳統(tǒng)的線性回歸技術(shù)已經(jīng)不再適用于預(yù)測(cè)和分析當(dāng)前網(wǎng)絡(luò)的業(yè)務(wù)變化情況?；诂F(xiàn)有的研究，表1總結(jié)了幾種可用于智能5G網(wǎng)絡(luò)的業(yè)務(wù)預(yù)測(cè)方法[7]：實(shí)時(shí)方法、時(shí)序分析法、反向傳播[8]及支持向量機(jī)，并分析了各自的優(yōu)點(diǎn)和缺點(diǎn)。

3.2 網(wǎng)絡(luò)切片

當(dāng)前“一體適用”的網(wǎng)絡(luò)架構(gòu)會(huì)造成不同類型業(yè)務(wù)的需求沖突，從而影響用戶體驗(yàn)。網(wǎng)絡(luò)切片技術(shù)的出現(xiàn)，使得5G網(wǎng)絡(luò)可以根據(jù)不同業(yè)務(wù)的特定需求自行租用共享的物理網(wǎng)絡(luò)基礎(chǔ)設(shè)施，用以構(gòu)建多個(gè)邏輯獨(dú)立的網(wǎng)絡(luò)。網(wǎng)絡(luò)切片提供了一個(gè)網(wǎng)絡(luò)即服務(wù)（Naas）模型，能夠根據(jù)動(dòng)態(tài)的業(yè)務(wù)和應(yīng)用需求靈活地分配和重新分配網(wǎng)絡(luò)資源，從而為不同的5G通信場(chǎng)景定制網(wǎng)絡(luò)切片。為了實(shí)現(xiàn)網(wǎng)絡(luò)切片的靈活調(diào)度，文獻(xiàn)[9]將人工智能方法運(yùn)用到5G網(wǎng)絡(luò)切片中設(shè)計(jì)了代理商實(shí)體，并且通過3個(gè)基本模塊的聯(lián)合調(diào)用來提高網(wǎng)絡(luò)資源利用率。智能5G網(wǎng)絡(luò)切片框架具體如圖2所示。

預(yù)測(cè)模塊：分析網(wǎng)絡(luò)切片的業(yè)務(wù)模式，使用Holt-Winters預(yù)測(cè)方法分析并預(yù)測(cè)未來的切片業(yè)務(wù)請(qǐng)求，并將預(yù)測(cè)信息提供給接入控制模塊；

接入控制模塊：使用接入控制策略來選擇下一個(gè)時(shí)間窗口內(nèi)可被授權(quán)的網(wǎng)絡(luò)切片請(qǐng)求；

切片調(diào)度模塊：接收來自接入控制模塊的受理切片請(qǐng)求列表，并給網(wǎng)絡(luò)切片分配物理資源；監(jiān)測(cè)（通過使用懲罰歷史函數(shù)）服務(wù)水平協(xié)議的違反情況。

3.3無線資源分配

為了使5G網(wǎng)絡(luò)能夠根據(jù)不斷變化的業(yè)務(wù)需求為用戶進(jìn)行動(dòng)態(tài)資源分配，多種基于人工智能的算法已經(jīng)被應(yīng)用到無線資源管理領(lǐng)域中，表2對(duì)幾種相關(guān)算法進(jìn)行了總結(jié)并分析了其相應(yīng)的特點(diǎn)，具體包括：遺傳算法[10]、多臂賭博機(jī)[11]和Q學(xué)習(xí)算法 [12]。

3.4 資源共享

網(wǎng)絡(luò)功能虛擬化技術(shù)允許底層物理網(wǎng)絡(luò)經(jīng)營者向服務(wù)提供商租出部分基礎(chǔ)設(shè)施，服務(wù)提供商利用租用的基礎(chǔ)設(shè)施資源創(chuàng)建自己的虛擬網(wǎng)絡(luò)以向終端用戶提供端到端服務(wù)。虛擬網(wǎng)絡(luò)由一系列的虛擬節(jié)點(diǎn)和鏈路組成，這些虛擬節(jié)點(diǎn)和鏈路由底層物理網(wǎng)絡(luò)的路徑和節(jié)點(diǎn)支撐。高效的底層物理資源共享過程主要分為兩步：第一步是虛擬網(wǎng)絡(luò)映射，將虛擬網(wǎng)絡(luò)節(jié)點(diǎn)和鏈路映射為底層物理節(jié)點(diǎn)和路徑；第二步是在虛擬網(wǎng)絡(luò)的生命周期內(nèi)為虛擬節(jié)點(diǎn)和鏈路動(dòng)態(tài)分配資源。為了實(shí)現(xiàn)對(duì)虛擬網(wǎng)絡(luò)的高效管理，文獻(xiàn)[13]利用人工神經(jīng)網(wǎng)絡(luò)（ANN）技術(shù)設(shè)計(jì)了一種自動(dòng)化系統(tǒng)為虛擬網(wǎng)絡(luò)提供自適應(yīng)的資源分配。將底層物理網(wǎng)絡(luò)的節(jié)點(diǎn)和路徑用ANN進(jìn)行模擬，ANN的輸入為網(wǎng)絡(luò)資源狀態(tài)，輸出為資源共享方案。文獻(xiàn)[13]還采用了一種類似于增強(qiáng)學(xué)習(xí)的誤差函數(shù)對(duì)ANN的輸出結(jié)果進(jìn)行滿意度評(píng)估，以完成ANN的在線訓(xùn)練過程。

文獻(xiàn)[14]提出了一個(gè)基于圖形神經(jīng)網(wǎng)絡(luò)（GNN）來預(yù)測(cè)虛擬化網(wǎng)絡(luò)功能（VNFs）對(duì)資源的需求，該GNN模型表示由VNF及其連接的相鄰VNFs形成的星型拓?fù)?，通過將前饋神經(jīng)網(wǎng)絡(luò)（FNN）函數(shù)應(yīng)用于不同的GNN層來計(jì)算VNF對(duì)資源的需求，從而實(shí)現(xiàn)對(duì)NFV中的資源動(dòng)態(tài)感知和管理。

4 研究展望

4.1 智能化5G網(wǎng)絡(luò)的機(jī)遇

人工智能給5G網(wǎng)絡(luò)的實(shí)現(xiàn)帶來了更多的機(jī)會(huì)。首先，面對(duì)超負(fù)荷的蜂窩網(wǎng)絡(luò)數(shù)據(jù)量，人工智能可以利用這些數(shù)據(jù)預(yù)測(cè)可能發(fā)生的事件，并在此基礎(chǔ)上實(shí)現(xiàn)網(wǎng)絡(luò)資源的動(dòng)態(tài)分配和參數(shù)的動(dòng)態(tài)配置；其次，隨著網(wǎng)絡(luò)的異構(gòu)化，人工智能技術(shù)能夠分析新興的業(yè)務(wù)請(qǐng)求并為其匹配最合適的接入點(diǎn)以滿足用戶的性能需求；最后，人工智能技術(shù)可以使5G網(wǎng)絡(luò)對(duì)于系統(tǒng)警報(bào)響應(yīng)和安全威脅防護(hù)都變得更加敏捷，從而使網(wǎng)絡(luò)能夠更好地應(yīng)對(duì)意料之外的網(wǎng)絡(luò)狀況。

人工智能算法包含領(lǐng)域較廣且種類眾多，其中機(jī)器學(xué)習(xí)方法（如Q學(xué)習(xí)和支持向量機(jī)）、深度學(xué)習(xí)方法（如卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)）、神經(jīng)網(wǎng)絡(luò)（如反向傳播算法、玻爾茲曼機(jī)等）、群智能算法（如蟻群算法）以及進(jìn)化算法（如經(jīng)驗(yàn)競(jìng)爭(zhēng)算法）都可以用來改善5G網(wǎng)絡(luò)性能。

在上述技術(shù)中，神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)方法目前受到了廣泛關(guān)注。一般來說，神經(jīng)網(wǎng)絡(luò)由許多神經(jīng)元和神經(jīng)元之間的加權(quán)連接組成，其中的神經(jīng)元可以抽象為變量而加權(quán)值可以視為相關(guān)參數(shù)。神經(jīng)網(wǎng)絡(luò)可以利用學(xué)習(xí)技術(shù)實(shí)現(xiàn)合理配置以保證相關(guān)應(yīng)用可以根據(jù)一組輸入值得到理想的輸出值，通過學(xué)習(xí)算法迭代調(diào)整當(dāng)前所有神經(jīng)元對(duì)之間的連接權(quán)重值，使神經(jīng)網(wǎng)絡(luò)的輸出值和輸入值達(dá)到最佳匹配。當(dāng)前，神經(jīng)網(wǎng)絡(luò)已經(jīng)在認(rèn)知無線網(wǎng)絡(luò)的狀態(tài)估計(jì)和預(yù)測(cè)方面表現(xiàn)出了良好的性能，而為了讓神經(jīng)網(wǎng)絡(luò)算法在5G網(wǎng)絡(luò)中發(fā)揮其自適應(yīng)性及分散控制的優(yōu)勢(shì)，此項(xiàng)技術(shù)正在被逐漸運(yùn)用到NFV的虛擬網(wǎng)絡(luò)映射和資源共享領(lǐng)域，然而當(dāng)前神經(jīng)網(wǎng)絡(luò)技術(shù)在5G網(wǎng)絡(luò)中的應(yīng)用依然處于初步階段。

進(jìn)化算法也將因其復(fù)雜度低和收斂性快的優(yōu)勢(shì)成為下一代無線網(wǎng)絡(luò)的重要實(shí)現(xiàn)技術(shù)，例如：遺傳算法就可以通過模仿自然選擇過程解決網(wǎng)絡(luò)優(yōu)化問題。相比之下，機(jī)器學(xué)習(xí)算法的執(zhí)行主要包含兩個(gè)階段：訓(xùn)練階段和測(cè)試階段，其中訓(xùn)練階段的復(fù)雜性要比測(cè)試階段高得多，由于當(dāng)前對(duì)5G網(wǎng)絡(luò)在能效和靈活性方面的嚴(yán)格要求，對(duì)于小型的移動(dòng)終端將只執(zhí)行其機(jī)器學(xué)習(xí)算法中的測(cè)試階段。

4.2 5G網(wǎng)絡(luò)智能化挑戰(zhàn)

將人工智能技術(shù)運(yùn)用到5G網(wǎng)絡(luò)中的好處顯而易見，但其中仍然存在一些值得思考的問題：首先，在5G時(shí)代，網(wǎng)絡(luò)數(shù)據(jù)是一把雙刃劍，雖然海量的數(shù)據(jù)給人工智能的訓(xùn)練和使用提供了寶貴的基礎(chǔ)，但找到一個(gè)簡單有效的模型來匹配這些數(shù)據(jù)卻相當(dāng)困難；其次，為了及時(shí)處理蜂窩網(wǎng)絡(luò)中的數(shù)據(jù)，需要網(wǎng)絡(luò)具備巨大的存儲(chǔ)和計(jì)算資源，且可能會(huì)威脅到信息安全；最后，人工智能算法的使用必須以數(shù)據(jù)的集中處理為前提。所有這些因素均會(huì)對(duì)網(wǎng)絡(luò)實(shí)體的計(jì)算容量和運(yùn)營成本帶來巨大的負(fù)擔(dān)。

5 結(jié)束語

本文首先介紹了5G網(wǎng)絡(luò)的新特征以及人工智能的基本概念，在此基礎(chǔ)上闡述了將人工智能技術(shù)運(yùn)用到5G網(wǎng)絡(luò)中的重要理論和實(shí)踐意義。其次，本文設(shè)計(jì)了一種智能化5G網(wǎng)絡(luò)架構(gòu)，此架構(gòu)主要由3部分組成：和真實(shí)網(wǎng)絡(luò)環(huán)境進(jìn)行實(shí)時(shí)交互的環(huán)境艙；利用人工智能技術(shù)對(duì)從環(huán)境艙傳來的信息進(jìn)行處理的智能中心；根據(jù)智能中心的處理結(jié)果采取行動(dòng)的網(wǎng)絡(luò)策略。這種智能化5G網(wǎng)絡(luò)架構(gòu)能夠通過和網(wǎng)絡(luò)環(huán)境的交互解決5G網(wǎng)絡(luò)中的各類決策性問題。進(jìn)一步，本文對(duì)當(dāng)前人工智能技術(shù)在業(yè)務(wù)預(yù)測(cè)、網(wǎng)絡(luò)切片、無線資源分配以及資源共享方面的應(yīng)用作了簡單總結(jié)并分析了各種算法的特點(diǎn)和適用場(chǎng)景。最后，本文分析了人工智能技術(shù)運(yùn)用到5G網(wǎng)絡(luò)中的機(jī)會(huì)和挑戰(zhàn)。雖然5G網(wǎng)絡(luò)的人工智能化進(jìn)程依然存在重重阻礙，但我們相信人工智能技術(shù)將會(huì)翻開未來移動(dòng)通信網(wǎng)絡(luò)的新篇章。

參考文獻(xiàn)

[1] IMRAN A， ZOHA A. Challenges in 5G： How to Empower SON with Big Data for Enabling 5G [J]. Network IEEE， 2014， 28（6）：27-33. DOI： 10.1109/MNET.2014.6963801

[2] 任馳，馬瑞濤.網(wǎng)絡(luò)切片：構(gòu)建可定制化的5G網(wǎng)絡(luò)[J].中興通訊技術(shù)，2017，24（1）：26-30.DOI： 10.3969/j.issn.1009-6868.2018.01.006

[3] ITU Focus Group on Machine Learning for Future Networks including 5G [EB/OL]. （2017-11-06）[2018-03-19]. http：//www.itu.int/en/ITU-T/focusgroups/ml5g/Pages/default.aspx.

[4] ETSI Launches Zero Touch Network and Service Management Group [EB/OL]. （2017-12-14）[2018-03-19]. http：//www.etsi.org/news-events/news

[5] LI D. Artificial Intelligence in the Rising Wave of Deep Learning： The Historical Path and Future Outlook [Perspectives][J]. IEEE Signal Processing Magazine， 2018， 35（1）：180-177. DOI： 10.1109/MSP.2017.2762725

[6] 5G Network Architecture： A High Level Perspective [EB/OL]. （2017-07-21）[2018-03-19].http：//www.huawei.com/minisite/5g/img

[7] YAN X B， LU T， LI Y J， et al. Research on Event Prediction in Time-Series Data[C]// International Conference on Machine Learning and Cybernetics. USA：IEEE， 2004，（5）：2874-2878. DOI： 10.1109/ICMLC.2004.1378522

[8] PAN X， LEE B， ZHANG C. A Comparison of Neural Network Backpropagation Algorithms for Electricity Load Forecasting[C]// IEEE International Workshop on Intelligent Energy Systems. USA： IEEE， 2014：22-27. DOI： 10.1109/IWIES.2013.6698556

[9] DARIO B，M G， ALBERT B. Mobile Traffic Forecasting for Maximizing 5G Network Slicing Resource Utilization [C]// IEEE INFOCOM. USA：IEEE， 2017. DOI： 10.1109/INFOCOM.2017.8057230

[10] TSENG L Y， CHEN S C. Two-Phase Genetic Local Search Algorithm for the Multimode Resource-Constrained Project Scheduling Problem [J]. IEEE Transactions on Evolutionary Computation， 2009， 13（4）：848-857. DOI： 10.1109/TEVC.2008.2011991

[11] MAGHSUDI S， STAMCZAK S. Channel Selection for Network-Assisted D2D Communication via No-Regret Bandit Learning With Calibrated Forecasting [J]. IEEE Transactions on Wireless Communications， 2015， 14（3）：1309-1322. DOI： 10.1109/TWC.2014.2365803

[12] ONIRETI O， ZOHA A， MOYSEN J， et al. A Cell Outage Management Framework for Dense Heterogeneous Networks[J]. IEEE Transactions on Vehicular Technology， 2016， 65（4）：2097-2113. DOI： 10.1109/TVT.2015.2431371

[13] MIJUMBI R， GORRICHO J L， SERRAT J， et al. Neural Network-Based Autonomous Allocation of Resources in Virtual Networks[C]// European Conference on Networks and Communications. USA： IEEE， 2014：1-6.DOI：10.1109/EuCNC.2014.6882668

[14] MIJUMBI R， HASIJA S， DAVY S， et al. Topology-Aware Prediction of Virtual Network Function Resource Requirements [J]. IEEE Transactions on Network and Service Management， 2017， 14（1）： 106-120. DOI： 10.1109/TNSM.2017.2666781