面向B5G/6G 的三三三網(wǎng)絡體系架構和優(yōu)化學習機制

朱近康，柴名揚，周武旸

（1.中國科學技術大學信息科學技術學院，安徽 合肥 230027；2.中國科學院無線光通信重點實驗室，安徽 合肥 230027）

1 引言

1.1 研究動機

未來B5G/6G 網(wǎng)絡是大連接的、極復雜的、智能化的新型網(wǎng)絡，面臨諸多挑戰(zhàn)。極其大量的不同用戶連接、不同需求連接、不同服務連接，將導致未來網(wǎng)絡變得極其復雜且比5G 網(wǎng)絡龐雜得多。未來網(wǎng)絡的復雜性還體現(xiàn)在既要包容已有網(wǎng)絡和技術，如4G、5G、IoT（Internet of things）及各種專用網(wǎng)，又要支持層出不窮的新型業(yè)務和服務。此外，軟件定義網(wǎng)絡和人工智能的普遍應用等使網(wǎng)絡需求多，網(wǎng)絡變量多，資源開銷多。上述問題導致新的B5G/6G 網(wǎng)絡將變得極其復雜。

要發(fā)展大連接復雜網(wǎng)絡，首先應統(tǒng)合考慮現(xiàn)有網(wǎng)絡（包括4G、5G、IoT、Wi-Fi 和各種專用網(wǎng)絡等），重新構建未來的B5G/6G 網(wǎng)絡體系，實現(xiàn)現(xiàn)有和新增的網(wǎng)絡應用的有效節(jié)能運行，把對地面覆蓋、空中覆蓋、天體覆蓋，以及微覆蓋、點覆蓋都規(guī)劃進來，做到全場景應用。

其次，大量用戶接入導致網(wǎng)絡需求多。網(wǎng)絡需求有不同應用性質，包括工作需求、生活需求、服務需求；有不同用戶屬性，如移動速度包括超高速、高速、低速、超低速、靜止；有不同需求屬性，如人類需求、物聯(lián)需求、機器需求、機器人需求。用戶的數(shù)據(jù)流量也有很大差別，從極高速（Gbit/s 量級）到極低速（bit/s 量級），跨度極大。

大連接復雜網(wǎng)絡的復雜性還體現(xiàn)在網(wǎng)絡的資源開銷上。復雜網(wǎng)絡涉及不同網(wǎng)絡的運行變量多，造成各種應用的資源開銷也很多。僅自然資源的開銷就包括頻率資源的頻帶開銷、能量資源的功率開銷、時間資源的時長開銷。要優(yōu)化大連接復雜網(wǎng)絡對這3 種自然資源的使用，實現(xiàn)開銷最小是一個相當復雜的課題。

上述問題同時出現(xiàn)在面向B5G/6G 的大連接復雜網(wǎng)絡中，是未來網(wǎng)絡發(fā)展面臨的重大課題，需要提出一個統(tǒng)合規(guī)劃的新型網(wǎng)絡體系架構，規(guī)范智能方法和學習機制，實現(xiàn)大連接復雜網(wǎng)絡的整體運轉和最大性能。

為討論方便和清晰論述，本文把大連接復雜網(wǎng)絡稱為整個網(wǎng)絡（Net），把包含的核心網(wǎng)、接入網(wǎng)、終端網(wǎng)統(tǒng)稱為網(wǎng)絡，表示核心網(wǎng)的下角標為C，表示接入網(wǎng)的下角標為E，表示終端網(wǎng)的下角標為T。本文把整個網(wǎng)絡和各網(wǎng)絡的自然資源開銷統(tǒng)稱為資源開銷（Res），其中頻帶資源的上角標為H，功率資源的上角標為P，時間資源的上角標為τ。本文把各種用戶需求統(tǒng)稱為服務需求（Dem），其中工作需求的下角標為W，生活需求的下角標為L，服務需求的下角標為A。

上述定義涉及整個網(wǎng)絡的第一層級，繼續(xù)向下細分，核心網(wǎng)可分為不同的子網(wǎng)，如傳輸需求子網(wǎng)、協(xié)議運行子網(wǎng)、云服務子網(wǎng)；接入網(wǎng)可分為不同子網(wǎng)群，如標準基站群、Wi-Fi 站群、物聯(lián)站群；終端網(wǎng)是新興網(wǎng)絡，可分為個人終端子網(wǎng)、辦公終端子網(wǎng)、服務休閑子網(wǎng)。不同的子網(wǎng)分別用下角標1,2,3,…來標注?；诖?，還可繼續(xù)向下細分，細分標識將在文中涉及時說明。

由上述討論可知，如果沒有把復雜問題變得簡單化的理論基礎和技術能力，沒有規(guī)范為一種統(tǒng)合的體系架構，沒有給出比較普適的技術方法，那么大連接復雜網(wǎng)絡的構建和運行將會相當艱難。所以，研究和發(fā)展大連接下復雜網(wǎng)絡的體系架構和可達性能是極其重要的。

本文將從機器學習的聚類方法入手，提出網(wǎng)絡分層、資源分類、需求分項的三三三網(wǎng)絡體系架構，運用知識學習機制，實現(xiàn)各個分層、分類、分項的最佳配置，進而形成一個完整的大連接復雜網(wǎng)絡的智能化規(guī)范統(tǒng)一體系。

1.2 研究進展

復雜網(wǎng)絡涉及自然科學和社會科學的各個領域，引起了科學和工程學各個領域的廣泛關注。為描述自然界和社會中的各種系統(tǒng)，研究人員已經(jīng)從不同角度進行了研究和論述[1]。文獻[2]重點關注復雜網(wǎng)絡拓撲和動力學的統(tǒng)計機制，討論了主要模型和分析工具，以及拓撲結構與復雜網(wǎng)絡性能的相互作用。研究人員還開發(fā)了多種技術和模型來幫助研究復雜網(wǎng)絡，包括小世界模型、無標度模型、聚類、網(wǎng)絡相關性、隨機圖模型，以及網(wǎng)絡動力學過程等[3]。

通信領域的復雜網(wǎng)絡研究基于復雜網(wǎng)絡的基本概念，討論了復雜網(wǎng)絡的經(jīng)典結構和演化特性。文獻[4]論述了復雜網(wǎng)絡性能指標中的圖譜嵌入進行深度學習，探索復雜網(wǎng)絡性能指標上深度學習的能力?；趶碗s網(wǎng)絡發(fā)現(xiàn)所屬實體的大多數(shù)方法都依賴于組合圖屬性，文獻[5]提出了一種系統(tǒng)的動力學框架，用于設計所屬實體檢測的質量功能，為頻譜算法提供了統(tǒng)一的框架，以實現(xiàn)在復雜網(wǎng)絡中找到多尺度的所屬實體結構。

為了分析導致不確定鏈路存在的網(wǎng)絡特征，可以建立一個適應鏈接和節(jié)點的不確定性和時變性的動態(tài)網(wǎng)絡架構，并對整個系統(tǒng)的性能進行詳細分析[6]。面對不同級別的組織組成的網(wǎng)絡和其中存在的不同尺度的模塊，以及模塊優(yōu)化可能與系統(tǒng)的模塊組織不兼容問題，文獻[7]使用更靈活的質量函數(shù)，并結合一個分辨率參數(shù)，能夠揭示系統(tǒng)的自然尺度，統(tǒng)一不同類型的多分辨率質量函數(shù)。

對于復雜網(wǎng)絡中的各類網(wǎng)絡同步問題，許多子網(wǎng)之間相互影響，也受到了研究人員的關注。為實現(xiàn)對復雜網(wǎng)絡的固定控制，文獻[8]設計了一個釘扎方案，在每個子網(wǎng)的選定節(jié)點上設計固定控制，以達到同步行為。為了揭示具有時延的復雜網(wǎng)絡中同步的動力學機制，文獻[9]提出了一種自適應反饋同步機制，獲得了用于全局指數(shù)漸近同步的新標準。

隨著5G 的興起，3G/4G/5G 的層疊架構，以及業(yè)務/服務的不斷創(chuàng)新和增長，使移動無線網(wǎng)絡變得越來越復雜，成為龐大混雜大量連接的復雜網(wǎng)絡。文獻[10]指出從5G 走向未來6G 需引入各種新技術，在通信網(wǎng)絡變得十分復雜時，人工智能技術用于復雜網(wǎng)絡是一個重要研究方向。為提高未來復雜網(wǎng)絡的傳輸效率，文獻[11]提出把復雜網(wǎng)絡聚類成分層網(wǎng)絡，分層協(xié)同，并分析了不同分層結構的效率，以獲得更高的接入傳輸能力。

綜上所述，復雜網(wǎng)絡的研究是20 世紀就被提出的研究課題，基于隨機統(tǒng)計學和控制論，對規(guī)則網(wǎng)絡和隨機網(wǎng)絡已有深入研究。進入21 世紀，小世界網(wǎng)絡和無標度網(wǎng)絡的研究興起，給出了簡明的表達和圖譜推演，凸顯了其可連接、可聚集、可模式化的特性，推動了復雜網(wǎng)絡研究進展。但是，由于各學科、各行業(yè)、各應用千差萬別，具體到無線通信和無線網(wǎng)絡還需要利用復雜網(wǎng)絡的進展進行更有針對性的研究。另外，復雜網(wǎng)絡的研究目前主要是在連接上和簡單維度上進行，還沒有看到將節(jié)點連接的網(wǎng)絡架構、資源開銷和應用需求結合起來構成三維立體體系結構并進行優(yōu)化的研究。

基于上述分析可知，對移動通信復雜網(wǎng)絡的研究要尋求能融合網(wǎng)絡連接、資源開銷和服務要求的三維立體網(wǎng)絡模型和架構，要引入人工智能技術以獲取更好的性能。

1.3 本文要點

基于現(xiàn)有對復雜網(wǎng)絡的研究進展，特別是面向未來6G 的研究，本文提出了一種三三三網(wǎng)絡體系架構，它從信息通信網(wǎng)絡自身的網(wǎng)絡框架出發(fā)，把大連接用戶的復雜網(wǎng)絡體系聚合成3 類網(wǎng)絡（核心網(wǎng)、接入網(wǎng)、終端網(wǎng)），研究3 種資源（頻率帶寬、功耗、時間耗用（簡稱時延））與不同網(wǎng)絡體系架構的關系，論證相關的數(shù)學計算式和效益表達，落實到傳輸3 項業(yè)務需求（生活、工作、服務）的能力上。同時，引入知識+數(shù)據(jù)驅動學習模型，建立復雜網(wǎng)絡的學習優(yōu)化機制和優(yōu)化計算式，分析實現(xiàn)在業(yè)務需求傳輸中的實時資源開銷最小化，并給出數(shù)值實例。

2 三三三網(wǎng)絡體系

面向B5G/6G 的大連接復雜網(wǎng)絡必須具有三大能力，即全場景服務能力、全知識學習能力、全透明優(yōu)化能力，這是構建未來網(wǎng)絡的基本目標。

全場景服務能力是指研究各種應用場景的覆蓋、各種構成網(wǎng)絡的管控、各種異構的切換和交互等。全知識學習能力是指利用各種直接、間接的知識，在大數(shù)據(jù)配合下通過不同角度不同面向的相關知識的利用來實現(xiàn)期望目標。全透明優(yōu)化能力涉及學習的透明、接口的透明、運行的透明等，把知識學習的AI 變成可解釋的學習機制，解決面對的復雜問題。

為此，本文提出三三三網(wǎng)絡體系架構，把3 類網(wǎng)絡、3 種資源、3 項需求綜合成一體，統(tǒng)一構建智能優(yōu)化的完整網(wǎng)絡體系，使其成為一個適合未來大連接復雜網(wǎng)絡的設計、制造、運營和管理的研究基礎和實現(xiàn)標準。

2.1 三三三網(wǎng)絡體系架構

三三三網(wǎng)絡體系架構是未來龐大用戶連接的復雜網(wǎng)絡整體架構，包含3 類網(wǎng)絡（核心網(wǎng)、接入網(wǎng)、終端網(wǎng)），運用3 種資源（頻率帶寬、功耗、時延），滿足3 項需求（生活、工作、服務），把這些統(tǒng)合起來構成可優(yōu)化、可擴展的新型網(wǎng)絡體系架構。

第一級的三三三網(wǎng)絡結構如圖1 所示。其還可以進一步劃分，即3 類網(wǎng)絡各自分解成不同的功能和組成。核心網(wǎng)可分為三大功能，分別為管理、連接、服務，其中服務的占比會越來越大，如云服務。接入網(wǎng)可分為三大接入，分別為區(qū)域、專用、行業(yè)。隨著B5G/6G 的出現(xiàn)和應用，行業(yè)接入網(wǎng)的占比會越來越大。終端網(wǎng)涉及三大應用對象，分別為人類、機械、機器人（即活動機器）。未來，機器人的應用將越來越廣泛，無人機就是一個成功范例。上述結構屬于大連接復雜網(wǎng)絡的第二級的三三三網(wǎng)絡結構。

圖1 第一級的三三三網(wǎng)絡結構

進一步地，還可以繼續(xù)劃分第三級、第四級等的三三三網(wǎng)絡結構，直至把整個大連接復雜網(wǎng)絡的各種場景、各種需求、各種應用和各種開銷都涵蓋在內。

三三三網(wǎng)絡體系架構不僅可以進行上述的3 類網(wǎng)絡組成的逐級分解，更重要的是可以對大連接復雜網(wǎng)絡組建運營的開銷和能力進行研究，引入不同的智能方法，實現(xiàn)整個網(wǎng)絡的多維度優(yōu)化和標準化設計。因此，本文提出的面向B5G/6G 的三三三網(wǎng)絡體系架構既簡約又復雜，是基礎理論化、整體模塊化、規(guī)范標準化的新型網(wǎng)絡體系架構。

2.2 三三三網(wǎng)絡體系架構的數(shù)學描述

對于圖1 所示的第一級三三三網(wǎng)絡結構，需要給出相應的數(shù)學計算式來表達它的能力、開銷和需求。在進行數(shù)學分析之前，先說明數(shù)學計算式中的基本變量和物理含義，具體如下。

對于用戶m，用戶參數(shù)包括發(fā)生時刻t、移動速度v、所在位置l。

接入用戶數(shù)M可分為服務類接入用戶數(shù)MA、生活類接入用戶數(shù)ML、工作類接入用戶數(shù)MW。

業(yè)務需求SM可分為服務類業(yè)務需求SA、生活類業(yè)務需求SL、工作類業(yè)務需求SW。

網(wǎng)絡業(yè)務SNet可分為核心網(wǎng)業(yè)務SC、接入網(wǎng)業(yè)務SE、終端網(wǎng)業(yè)務ST。

網(wǎng)絡體系的應用業(yè)務需求來自龐雜的用戶終端。無論是按服務、生活、工作分類，還是按高速、短時、精準分類，都可以借鑒無線大數(shù)據(jù)和機器學習的聚類方法，把龐大的需求分解成更有相似特性的不同群體，表示為

其中，sm(t,v,l)是第m個用戶的傳輸需求（單位為Mbit/s），是用戶當前時間t、移動速度v、所在位置l的函數(shù)。當M>>1 時，表示有大量用戶接入，則傳輸需求SM非常大。顯然，式(1)是對整個網(wǎng)絡按不同業(yè)務類型需求的第一級聚類。

整個網(wǎng)絡的傳輸需求SNet=SM，不同連接需求會被送到不同的核心網(wǎng)、接入網(wǎng)、終端網(wǎng)中去實現(xiàn)，而不是僅集中到某一類網(wǎng)絡。因此，整個網(wǎng)絡被視為聚合分群網(wǎng)絡，可以把整個網(wǎng)絡的傳輸總需求SNet分解成三部分，表示為

其中，y是形式變量，可以是用戶所屬知識變量。y的不同階表示所在的不同類型網(wǎng)絡，一階指數(shù)變量對應終端網(wǎng)，二階指數(shù)變量對應接入網(wǎng)，三階指數(shù)變量對應核心網(wǎng)。這樣，ST、SE和SC分別表示各類網(wǎng)絡的傳輸需求。

其中，KC、KE、KT是不同網(wǎng)絡分別聚合用戶需求的特征變量，又稱知識變量，如當前時間t、移動速度v、所在位置l等；ρm,k是第m個用戶在參數(shù)k需求下出現(xiàn)的概率。

在三三三網(wǎng)絡體系架構中，核心網(wǎng)可分為信令管理子網(wǎng)、用戶需求連接子網(wǎng)和支持服務云子網(wǎng)，因此，核心網(wǎng)完成的傳輸需求SC可表示為

其中，下角標C-1 表示信令管理，C-2 表示需求連接，C-3 表示云服務。

同理，接入網(wǎng)可分為區(qū)域子網(wǎng)、專用子網(wǎng)和行業(yè)子網(wǎng)，它們的傳輸需求流量分別用下角標E-1、E-2 和E-3 表示，則接入網(wǎng)完成的傳輸需求SE表示為

終端網(wǎng)的傳輸需求可分為人類、機械、機器人的傳輸需求，分別用下角標T-1、T-2 和T-3 表示，則終端網(wǎng)的傳輸需求ST表示為

綜上所述，設i表示大連接復雜網(wǎng)絡的各類網(wǎng)絡，j表示各類網(wǎng)絡的不同子網(wǎng)，大連接復雜網(wǎng)絡能實現(xiàn)的總體傳輸需求SNet可以表示為

其中，

式(8)表示歸屬于第i類網(wǎng)絡第j個子網(wǎng)的用戶需求，積分區(qū)間Ki,j表示屬于第i類網(wǎng)絡的第j個子網(wǎng)的用戶需求的集合區(qū)間，共有9 個子區(qū)間。對極其復雜的未來網(wǎng)絡的聚類，如果9 個子區(qū)間不夠，還可以繼續(xù)往下進行聚類，分成27 個子子區(qū)間，甚至更多。

因此，式(7)和式(8)是三三三網(wǎng)絡體系架構的一組需求計算式，描述了龐雜大量用戶的各種各樣的傳輸需求。

2.3 三三三網(wǎng)絡體系的優(yōu)化式

網(wǎng)絡體系的傳輸能力決定了其能否滿足用戶的業(yè)務需求。信息傳輸遵循香農(nóng)[12]提出的香農(nóng)理論和香農(nóng)公式，即給定時間、帶寬、功率下的無線傳輸能力為

其中，τ對應單位時間的信號時隙幀數(shù)，H是可用頻帶寬度，PS,t,h是不同時隙t、不同頻率h、不同傳輸速率S所需的接收功率，N0是噪聲。因此，式(9)是無線網(wǎng)絡（包括所屬子網(wǎng)）的傳輸能力和資源開銷的評價函數(shù)，也可簡化成有線網(wǎng)絡的評價函數(shù)。

整個網(wǎng)絡能實現(xiàn)的通信傳輸能力CNet能滿足整個網(wǎng)絡龐大的用戶傳輸需求SNet。將其頻帶、功率、時間的消耗分別表示為xh、xp、xτ，則整個網(wǎng)絡可實現(xiàn)的傳輸容量可表示為

其中，ρq是子函數(shù)fq在函數(shù)f中的比例因子。

無論無線還是有線，無論在何種網(wǎng)絡架構下，信息通信除了直接面對用戶傳輸需求流量外，還要添加管理信息和協(xié)議流程，即附屬流量，以保證用戶傳輸需求的傳送和到達在復雜網(wǎng)絡外部環(huán)境中準確實現(xiàn)。因此，整個網(wǎng)絡在傳輸用戶需求流量SNet的同時，還要傳輸相應的管理和協(xié)議的附屬流量，即

其中，ωNet表示附加流量與傳輸需求流量的比例。

根據(jù)式(10)可以把大連接復雜網(wǎng)絡的第i類第j子網(wǎng)的傳輸能力表示為

考慮頻率帶寬資源帶來的網(wǎng)絡傳輸能力，式(12)中的q=H，則有

進一步地，功率資源開銷、時間資源開銷與網(wǎng)絡傳輸能力的關系可以分別表示為

那么，面對大連接復雜網(wǎng)絡的傳輸能力最大化和資源開銷最小化的問題就可以寫成2 個不同的優(yōu)化式，即

其中，given 表示給定參數(shù)。式(17)和式(18)是三三三網(wǎng)絡體系的一組優(yōu)化式，其建立在各類網(wǎng)絡的各個子網(wǎng)的優(yōu)化基礎上，隨龐雜大量用戶的業(yè)務需求SNet的構成不同，即式(1)的內涵不同而不同。

3 知識學習機制

知識學習是在傳統(tǒng)機器學習、深度學習、強化學習及它們結合的學習過程中，引入相關用戶特征和網(wǎng)絡參數(shù)的知識變量，引導數(shù)據(jù)驅動學習，甚至直接由知識驅動學習的模型和過程。

為此，本文提出一種把知識驅動與數(shù)據(jù)驅動有機結合，融合無線知識的有效性和數(shù)據(jù)動態(tài)實時性，開放、透明、可解釋的學習優(yōu)化機制，實現(xiàn)復雜網(wǎng)絡體系架構智能化。這種學習優(yōu)化機制主要包括知識+數(shù)據(jù)驅動學習模型和知識學習的優(yōu)化。

3.1 知識+數(shù)據(jù)驅動學習模型

知識+數(shù)據(jù)驅動學習模型[11]是數(shù)據(jù)驅動的機器學習和知識驅動的逐層優(yōu)化相結合，數(shù)據(jù)驅動和知識驅動同時推進、彼此交互完成的一種學習模型。為實現(xiàn)三三三網(wǎng)絡參數(shù)和資源的智能配置，本文提出了適合優(yōu)化復雜網(wǎng)絡體系架構的知識+數(shù)據(jù)驅動學習模型，如圖2 所示。其中，圖2(a)是知識+數(shù)據(jù)驅動學習模型的基本框架，它的網(wǎng)絡層級、業(yè)務層級和資源層級分別對應復雜網(wǎng)絡的三層網(wǎng)絡、各網(wǎng)絡對應的三項業(yè)務和三類資源。圖2(b)是知識+數(shù)據(jù)驅動學習模型的分層設計。所提學習模型共分為七層，第一層是網(wǎng)絡層級，第二層～第四層是業(yè)務層級，第五層和第六層是資源層級，第七層是輸出層。

圖2 知識+數(shù)據(jù)驅動學習模型

數(shù)據(jù)驅動的逐層優(yōu)化類似標準深度學習，在輸入用戶業(yè)務需求之后，層間通過學習加權函數(shù)連接，不同層的節(jié)點由不同層運算，最后把輸出層得到的差異率作為反向傳播判決變量進行反饋。

知識驅動的逐層優(yōu)化是指伴隨數(shù)據(jù)驅動的不同層有不同的知識變量，依據(jù)知識變量來規(guī)范加權函數(shù)。知識變量的取值在數(shù)據(jù)驅動學習過程中獲得。當隨機變化不可準確預測時，可根據(jù)行之有效的公式和運算慣例來確定。

因此，利用知識+數(shù)據(jù)驅動學習模型，可以實現(xiàn)三三三網(wǎng)絡體系的學習優(yōu)化過程。學習模型中的七層變量和物理含義如下。

知識變量V：V(n),n∈{1,…,7}

加權函數(shù)W：W(n),n∈{1,…,7}

輸入矢量X：X(n),n∈{1,…,7}

輸出矢量Y：Y(n),n∈{1,…,7}

1) 網(wǎng)絡層級

第一層是網(wǎng)絡層級，把大量用戶傳輸業(yè)務按照需求傳送距離區(qū)間分配給本層3 個節(jié)點（核心網(wǎng)、接入網(wǎng)、終端網(wǎng)）中的一個，聚類處理如下。

知識變量V(1)=D為需求傳送距離區(qū)間，表示為

則第m個用戶的需求sm可表示為傳送距離d的函數(shù)sm(dm)。

加權函數(shù)W(1)=[w(1)m,i]為傳送距離歸屬概率，表示為

其中，m=1,2,…,M。因此，第一層節(jié)點的輸入x(1)i,m和輸出y(1)i.m分別為

調整區(qū)間Di的大小，其概率值不同，則yi(1)也不同。因此，ρi,m可以通過反向傳播的反饋調整來改變，直至第一層的知識變量D調整為實現(xiàn)網(wǎng)絡傳輸能力與傳輸需求的誤差最小，即達到最優(yōu)輸出，表示為

2) 業(yè)務層級

第二層～第四層是業(yè)務層級，把第一層聚類到不同網(wǎng)絡的用戶業(yè)務需求再各自分成不同的三項業(yè)務聚類，由第一層的3 個節(jié)點，變成9 個節(jié)點，分別用下角標i=1,2,3 和j=1,2,3 表示。

第二層～第四層的知識變量分別為移動速度區(qū)間、傳輸效率和由小區(qū)及其波束數(shù)量決定的覆蓋密度，即V(2)=υi、V(3)=βi,j、V(4)=ni,j和γij，分別表示為

其中，下角標i為第一層節(jié)點標號，j是給定i下的業(yè)務分項標號。

加權函數(shù)Wj(2)～Wj(4)為上一個節(jié)點的傳送業(yè)務需求轉移到下一個節(jié)點的概率，分別表示為

其中，ωi,j為網(wǎng)絡傳輸附加信令流量的比例，ρi,j為上一層節(jié)點i轉移到本層節(jié)點j的概率。則第二層～第四層的輸入和輸出分別為

各層的知識變量V也在學習，其優(yōu)化輸出為

通常選取核心網(wǎng)的一個網(wǎng)點的覆蓋范圍為n1=1，γi=1，則覆蓋密度正好為1。同時，各層會輸出相應的覆蓋變量優(yōu)化值。對于接入網(wǎng)和終端網(wǎng)，各相應子網(wǎng)覆蓋小區(qū)的最小半徑[13]為

其中，tho,i、?i、Mcell,i是支持移動小區(qū)切換參數(shù)。無線覆蓋小區(qū)（i=2,3）的平均頻譜效率與信號功率關系[14]為

求解式(36)可得相應無線傳輸所消耗的功率開銷為

其中，PN0是噪聲干擾功率。

3) 資源層級

第五層和第六層是資源層級，相對簡單，其決定各個子網(wǎng)需要的頻寬Bi,j（或功耗Pi,j）和時延τi,j。

知識變量V(5)=Bi,j和V(6)=τ(0)i,j分別為網(wǎng)絡中各子網(wǎng)頻帶開銷和可容忍的時延量。

第五層和第六層的輸入和輸出分別為

第五層的無線傳輸頻帶開銷B的學習優(yōu)化輸出為

給定頻帶資源下的功率開銷優(yōu)化輸出為

第六層傳輸時延τi,j也在學習，其優(yōu)化輸出為

4) 輸出層

第七層是輸出層，從前一層的9 個節(jié)點聚合為3 個節(jié)點，第一個節(jié)點是整個網(wǎng)絡實現(xiàn)的端到端傳輸能力，第二個節(jié)點是與用戶傳輸需求Snet的誤差 ΔNet，第三個節(jié)點是整個網(wǎng)絡實現(xiàn)的整體傳輸能力。

第七層節(jié)點的輸入x(7)j,i和輸出y(7)i.j分別為

第七層的輸出目標為ΔC→0。

完成整個七層學習過程后，接下來的學習過程是反饋傳播調整知識變量，按式(44)的順序逐次調整知識變量的取值，直至ΔC≈ 0。

綜上所述，所提知識+數(shù)據(jù)驅動學習模型是適合三三三網(wǎng)絡體系架構的可擴展的學習模型。模型的第一層有3 個節(jié)點，分別對應核心網(wǎng)、接入網(wǎng)和終端網(wǎng)，按業(yè)務需求的傳播距離（知識變量D）被聚類進一個節(jié)點。如果還有因素影響這個聚類，可以再增加一層仍為3 個節(jié)點，將該影響因素作為知識變量，調整前一層的聚類。

3.2 知識學習的優(yōu)化

基于上述知識+數(shù)據(jù)驅動學習模型的逐層學習和反向傳播優(yōu)化，能夠獲得大數(shù)據(jù)預測的初始化、知識變量調整的最優(yōu)化，以實現(xiàn)如式(17)和式(18)所示的大連接復雜網(wǎng)絡的優(yōu)化目標，并能夠針對不同應用場景獲得不同期待的優(yōu)化結果。

1) 大數(shù)據(jù)預測的初始化

本文所提知識+數(shù)據(jù)驅動學習模型中，上層有無線大數(shù)據(jù)支持，下層有知識變量為基礎，是與常規(guī)的深度網(wǎng)絡學習模型不同的。通過歷史大數(shù)據(jù)支持知識+數(shù)據(jù)驅動學習模型的學習，能給出較準確的各層知識變量的選擇區(qū)間或選擇值事前預測[15-16]。在實施運行中，通過幾次簡單的反向傳播迭代后，即可得到最優(yōu)參數(shù)。這樣，可使數(shù)據(jù)驅動的深層學習更快速、更可解釋。

設M個用戶的傳輸需求為

其中，N>M>>1。下面以第一層為例說明基于大數(shù)據(jù)的初始化過程，其余層依次類推。

第一層的知識變量是用戶需求要連接的距離區(qū)間，經(jīng)過N次學習之后，得到各個Di值，即

對這N次學習結果做統(tǒng)計平均，有

同理，可以得到第二層知識變量，第三層～第六層的知識變量的預測值，即歷史N次大數(shù)據(jù)記錄的均值，作為三三三網(wǎng)絡體系知識學習優(yōu)化處理的初始值，使實時到來的大連接龐雜需求能快速獲得復雜網(wǎng)絡支持。

2) 知識變量調整的最優(yōu)化

式(16)給出了在確定頻帶、功耗和時間三大資源開銷的情況下，尋求網(wǎng)絡傳輸能力最大化，也就是使用最小資源開銷獲得的網(wǎng)絡傳輸能力。網(wǎng)絡資源表示為

因此，三三三網(wǎng)絡結構的知識學習優(yōu)化之一，是在式(49)所示的網(wǎng)絡資源初始化給定后，經(jīng)過知識+數(shù)據(jù)驅動多次學習后，求解網(wǎng)絡能力的最佳值，即

如果CNet

如果CNet>SNet，說明初始化給定的資源開銷超過了大連接用戶傳輸需求，即式(17)給出的優(yōu)化目標。這里，頻帶資源為xH=B，xP=P=nγfP?1(β),xT=τ，則可以給出在確定網(wǎng)絡能力（用戶需求）下的頻帶、功耗和時間三大資源開銷最小化，即

顯然，式(51)可以得到利用知識+數(shù)據(jù)驅動學習模型進行資源優(yōu)化的最優(yōu)結果。

綜上所述，所提知識+數(shù)據(jù)驅動學習模型的輸入是從用戶傳輸需求數(shù)據(jù)開始的，一層一層向后進行加權運算輸出，直至最后一層。各層知識變量的取值也在各層的學習過程中計算得到，彼此不同。因此，知識+數(shù)據(jù)驅動學習模型的各層功能是清晰、明確的，數(shù)據(jù)學習受知識變量的約束，知識變量取值由輸入數(shù)據(jù)演變而定。所以，所提學習模型是可解釋的學習模型。

3) 不同場景的不同優(yōu)化流程調整

大連接復雜網(wǎng)絡要適應龐雜用戶的不同情況、不同結構和不同應用的各種場景，本文使用知識+數(shù)據(jù)驅動學習模型對不同應用場景進行優(yōu)化流程的調整。本文以2 個場景為例進行說明。

場景1龐雜的用戶需求不管傳輸遠近都先從終端網(wǎng)接入，然后選出需要送入接入網(wǎng)和核心網(wǎng)的需求。場景1 下使用知識+數(shù)據(jù)驅動學習模型的優(yōu)化流程如圖3 所示。

圖3 場景1 優(yōu)化流程

場景2龐雜的用戶需求按照傳輸遠近分別進入終端網(wǎng)和接入網(wǎng)，然后選出需要送往核心網(wǎng)的需求。場景2 下使用知識+數(shù)據(jù)驅動學習模型的優(yōu)化流程如圖4 所示。

對比分析場景1 與場景2。場景1 中，用戶需求先進入終端網(wǎng)，經(jīng)逐層學習，過濾出終端網(wǎng)連接輸出后，匯聚進入接入網(wǎng)的需求流量。這樣，接入網(wǎng)面對的是已匯聚的終端接入，減少了接入數(shù)，也就減少了相互干擾。場景2 中，用戶需求分為連接終端網(wǎng)部分和連接接入網(wǎng)部分，終端網(wǎng)不需處理和匯聚要直接進入接入網(wǎng)的流量，可減少自身的資源開銷，但是連接接入網(wǎng)的大量用戶需求直接接入，大大增加了彼此之間的干擾和排序，會額外增大消除干擾的壓力。

圖4 場景2 優(yōu)化流程

因此，考慮連接終端網(wǎng)是近距離接入，增加的資源開銷少，權衡增加終端網(wǎng)壓力，還是帶來接入網(wǎng)壓力，要視具體應用場景而定。下面對這2 種場景分別進行分析討論。

4 網(wǎng)絡性能分析

4.1 復雜網(wǎng)絡的優(yōu)化性能

本文提出的三三三網(wǎng)絡體系架構中，龐雜用戶的極大需求SNet按用戶需求的連接距離區(qū)間Di(di,min,di,max)進行聚類分群。設聚類分群的核心網(wǎng)、接入網(wǎng)和終端網(wǎng)的需求流量比為ηC:ηE:ηT，且ηC+ηE+ηT=1。則整個網(wǎng)絡的業(yè)務需求SNet可表示為

不進行分類網(wǎng)絡傳輸，而是以終端網(wǎng)、接入網(wǎng)到核心網(wǎng)的順序統(tǒng)一傳送到核心網(wǎng)進行交換處理的傳輸總流量為

因此，三三三網(wǎng)絡體系架構中，按傳輸連接距離大小的分層優(yōu)化獲得的分層傳輸總流量的分層優(yōu)化效率為

不同(ωC:ωE:ωT)下的分層網(wǎng)絡優(yōu)化傳輸效率隨(ηC:ηE:ηT)的變化情況如圖5 所示。其中，第1 幀～第6 幀(ηC:ηE:ηT)分別為(1:0:0)、(0.8:0.06:0.14)、(0.66:0.12:0.22)、(0.53:0.18:0.29)、(0.43:0.21:0.36)、(0.33:0.26:0.41)。整體網(wǎng)絡的傳輸需求的流量中，接入網(wǎng)和終端網(wǎng)絡所占的比例越高，傳輸效率越高。從圖5 中的小框圖可以看出，網(wǎng)絡運行不同附加的流量開銷，傳輸效率略有不同，但彼此相差極小，對傳輸效率的影響可以忽略。

不同(ηC:ηE:ηT)下的分層網(wǎng)絡傳輸效率如圖6所示。其中，曲線1 的第1 幀～第6 幀(ηC:ηE:ηT)分別為(1:0:0)、(0.8:0.06:0.14)、(0.66:0.12:0.40)、(0.53:0.14:0.32)、(0.43:0.16:0.41)、(0.33:0.18:0.49)，曲線2 的第1 幀～第6 幀(ηC:ηE:ηT)分別為(1:0:0)、(0.8:0.06:0.14)、(0.66:0.12:0.22)、(0.53:0.18:0.29)、(0.43:0.21:0.36)、(0.33:0.26:0.41)，曲線3 的第1 幀～第6 幀(ηC:ηE:ηT)分別為(1:0:0)、(0.8:0.14:0.06)、(0.66:0.22:0.12)、(0.53:0.29:0.18)、(0.43:0.36:0.21)、(0.33:0.41:0.26)。當終端網(wǎng)絡的傳輸需求流量高達70%時，傳輸效率提高56.7%。顯然，當終端網(wǎng)絡的傳輸需求流量越高，采用三三三網(wǎng)絡體系的傳輸效率越高。

圖5 場景1 中不同(ηC:ηE:ηT)的分層網(wǎng)絡優(yōu)化效率

圖6 場景1 中不同(ηC:ηE:ηT)的分層網(wǎng)絡傳輸效率

2) 場景2 的優(yōu)化效率

場景2（用上角標Ⅱ表示）中，終端網(wǎng)只承接終端網(wǎng)的傳輸需求和在終端網(wǎng)內傳送的需求流量，不包括要傳送給接入網(wǎng)和核心網(wǎng)的用戶需求流量和附加流量。那么，在滿足傳送SNet的用戶需求流量的情況下，終端網(wǎng)的實際流量為

因此，三三三網(wǎng)絡體系架構中，按傳輸連接距離區(qū)間的分層優(yōu)化獲得的分層傳輸?shù)目偭髁康姆謱觾?yōu)化效率為

圖7 給出了場景2 中，不同(ηC:ηE:ηT)的分層網(wǎng)絡傳輸效率。其中，曲線1 的第1 幀～第6幀(ηC:ηE:ηT)分別為(1:0:0)、(0.8:0.14:0.06)、(0.66:0.22:0.12)、(0.53:0.29:0.18)、(0.43:0.36:0.21)、(0.33:0.41:0.26)，曲線 2 的第1幀～第6幀(ηC:ηE:ηT)分別為(1:0:0)、(0.8:0.06:0.14)、(0.66:0.10:0.24)、(0.53:0.14:0.33)、(0.43:0.16:0.41)、(0.33:0.18:0.49)。對比圖6 與圖7 可以看出，相比場景1，場景2 的分層效率較高，對(ηC:ηE:ηT)變化的敏感程度較低。

4.2 復雜網(wǎng)絡的資源開銷

1) 最小資源開銷

首先，考慮終端網(wǎng)絡要實現(xiàn)的傳輸能力（如式(53)所示），可以改寫為

圖7 場景2 不同(ηC:ηE:ηT)的分層網(wǎng)絡傳輸效率

根據(jù)第3 節(jié)的知識學習機制的優(yōu)化，由式(64)可得

基于單位頻率的功率開銷和網(wǎng)絡參數(shù)的關系為P=nγfP?1(β)，則實現(xiàn)傳送SNet的流量，終端網(wǎng)絡要消耗的功率開銷為

對于接入網(wǎng)絡，要使它的傳輸能力如式(58)所示，可以將其改寫為

根據(jù)第3 節(jié)的知識學習機制的優(yōu)化，資源開銷的網(wǎng)絡參數(shù)如式(49)所示，則由式(68)可得

基于單位頻率的功率開銷和網(wǎng)絡參數(shù)的關系如式(67)所示，則實現(xiàn)傳送SNet的流量，接入網(wǎng)要消耗的功率開銷為

核心網(wǎng)絡采用高速光纖傳輸鏈路，相比無線傳輸，其傳輸能力是最快速、最節(jié)能的。因此，核心網(wǎng)不需要無線頻段，其能源開銷遠小于無線傳輸，這里可以忽略。

因此，三三三網(wǎng)絡體系架構中整個網(wǎng)絡的頻帶的開銷和整個網(wǎng)絡的功率開銷分別為

2) 優(yōu)化頻帶開銷

本節(jié)舉例說明上述的分析和討論?？紤]一個半徑為1 km、面積為3.14 km2的移動服務區(qū)域由比其大得多的核心網(wǎng)覆蓋，接入網(wǎng)和終端網(wǎng)是完整覆蓋。

終端網(wǎng)。智能終端為終端網(wǎng)核心，稀疏非無縫覆蓋，子網(wǎng)有3 種形態(tài)：藍牙、Wi-Fi、高速服務。藍牙子網(wǎng)是最小覆蓋，覆蓋半徑為1 m，不超過10萬個，最大使用1 MHz 帶寬，全向天線，β1為1 bit。Wi-Fi 子網(wǎng)的覆蓋半徑為5 m，最大使用10 MHz 帶寬，全向天線，β2,max為2 bit，不超過2 萬個。高速服務子網(wǎng)的覆蓋半徑為10 m，使用200 MHz 帶寬，單一波束，β3為2 bit，不超過1 000 個。根據(jù)式(66)，這個終端網(wǎng)可能支持的最大傳輸流量為

其中，θ表示同頻復用分區(qū)數(shù)。

接入網(wǎng)。一個宏基站為覆蓋基準，覆蓋半徑為1 km，面積為3.14 km2，是接入網(wǎng)的第一子網(wǎng)，使用400 MHz 帶寬，12MIMO，β1,max為6 bit。第二子網(wǎng)為小基站，覆蓋半徑為0.25 km，共16 個，使用500 MHz帶寬，6MIMO，β2,max為4 bit。第三子網(wǎng)為Wi-Fi 站，覆蓋半徑為0.02 km，共800 個，稀疏非無縫覆蓋，使用20 MHz 帶寬，單一波束，β3,max為2 bit。根據(jù)式(68)，這個接入網(wǎng)可能支持的最大傳輸流量為

顯然，接入網(wǎng)能傳送的流量明顯小于終端網(wǎng)的需求流量，即終端網(wǎng)的大量用戶需求屬于終端網(wǎng)內與終端網(wǎng)間傳輸。

3) 動態(tài)實時優(yōu)化

面對龐雜用戶的不斷變更的實時需求，對整個網(wǎng)絡的資源配置和開銷需要實時優(yōu)化，舉例說明如下。

在覆蓋面積3.14 km2內同時有不同大小的10 萬個用戶通信請求接入，要在知識+數(shù)據(jù)驅動學習模型的第一層舉行聚類分群，并確認相關的基本要求和所屬子網(wǎng)。接入網(wǎng)的子網(wǎng)記為Net2,1、Net2,2、Net2,3。終端網(wǎng)的子網(wǎng)記為Net3,1、Net3,2、Net3,3。

表1 例1 的終端網(wǎng)和接入網(wǎng)的相關指標統(tǒng)計

例1需求第1 幀，大連接龐雜用戶的各種傳輸總需求為450 Gbit/s，按需求對象、用戶數(shù)、頻寬劃分如下。語音/微信/視頻為20 000個，頻寬為2.3 MHz，其中頻寬的40%屬于Net2,3，20%屬于Net1；感知終端用戶為40 000個，頻寬為0.1 MHz，其中頻寬的80%屬于Net3，20%屬于Net2；垂直行業(yè)用戶為30 000 個，頻寬為5 MHz，其中頻寬的75%屬于Net3，20%屬于Net2，5%屬于Net1；娛樂服務用戶為10 000 個，頻寬為25 MHz，其中頻寬的90%屬于Net3，10%屬于Net1。這些輸入需求，加上管理和協(xié)議附屬流量1%，終端網(wǎng)和接入網(wǎng)的相關指標統(tǒng)計如表1 所示。

顯然，例1 的連接10 萬個用戶的傳輸需求明顯小于式(73)和式(74)給出的網(wǎng)絡最大傳輸流量。因此，根據(jù)第3 節(jié)的知識+數(shù)據(jù)驅動學習模型，當用戶需求流量約為450 Gbit/s（終端網(wǎng)）+46.6 Mbit/s（接入網(wǎng)），小于整個網(wǎng)絡的最大傳輸流量時，其頻寬開銷降低為583.2 MHz，可以獲得遠小于最大頻寬的結果，如表2 所示。

表2 通過學習機制獲得的頻率帶寬開銷

例2需求第2 幀，大連接龐雜用戶的各種傳輸總需求為549 Gbit/s，按需求對象、用戶數(shù)、頻寬劃分如下。語音/微信/視頻為20 000 個，子網(wǎng)所屬比例為4:4:4、4:5:5、2:1:1；感知終端用戶為60 000 個，子網(wǎng)所屬比例為0.8:0.2:0；垂直行業(yè)用戶為30 000 個，子網(wǎng)所屬比例為0.75:0.2:0.05；娛樂服務用戶為20 000 個，子網(wǎng)所屬比例為09:0.0:0.1。整個網(wǎng)絡實現(xiàn)流量為555.8 Gbit/s，頻譜開銷為547.6 MHz。

例3需求第3 幀，大連接龐雜用戶的各種傳輸總需求為675 Gbit/s，按需求對象、用戶數(shù)、頻寬劃分如下。語音/微信/視頻為20 000 個，子網(wǎng)所屬比例為4:4:4、4:5:4、2:1:2；感知終端用戶為60 000 個，子網(wǎng)所屬比例為0.8:0.2:0；垂直行業(yè)用戶為30 000 個，子網(wǎng)所屬比例為0.75:0.2:0.05；娛樂服務用戶為20 000 個，子網(wǎng)所屬比例為09:0.0:0.1。整個網(wǎng)絡實現(xiàn)流量為689.0 Gbit/s，頻譜開銷為642.2 MHz。

例4需求第4 幀，大連接龐雜用戶的各種傳輸總需求為 720 Gbit/s,整個網(wǎng)絡實現(xiàn)流量為728.3 Gbit/s，頻譜開銷為721.7 MHz。

例5需求第5 幀，大連接龐雜用戶的各種傳輸總需求為 810 Gbit/s,整個網(wǎng)絡實現(xiàn)流量為828.1 Gbit/s，頻譜開銷為756.8 MHz。

復雜網(wǎng)絡需求流量和網(wǎng)絡能力如圖8 所示，流量/能力差異比例如圖9 所示。不同用戶傳輸需求的最小頻譜帶寬開銷如圖10 所示。為直觀展示，對圖8 和圖10的縱坐標進行了如下處理。圖8縱坐標數(shù)值=(流量?400)/100，單位為Gbit/s；圖10 縱坐標數(shù)值=(頻率帶寬?400)/100，單位為MHz。

5 結束語

綜上所述，面對未來B5G/6G 通信的龐雜用戶大連接、各種網(wǎng)絡混雜覆蓋的復雜網(wǎng)絡，本文提出了一種三三三網(wǎng)絡體系架構，融合3 類網(wǎng)絡（核心網(wǎng)、接入網(wǎng)、終端網(wǎng)）、3 種資源（頻率帶寬、功耗、時延）和3 項需求（生活、工作、服務），成為統(tǒng)合的、可分析的、可擴展的未來網(wǎng)絡的基本體系結構。進而引入知識+數(shù)據(jù)驅動學習模型，具體給出了逐層的知識設計和數(shù)據(jù)進程，為提出的三三三網(wǎng)絡體系建立了學習優(yōu)化機制，實現(xiàn)了智能化。本文還分析和推導了滿足大連接用戶需求的各個構成網(wǎng)絡的傳輸能力和最小資源開銷的數(shù)學關系和效率計算式。最后給出了數(shù)值實例的學習優(yōu)化結果。

上述研究的結果表明，本文的貢獻如下。

圖8 復雜網(wǎng)絡需求流量和網(wǎng)絡實現(xiàn)能力

圖9 復雜網(wǎng)絡流量/能力差異比例

圖10 不同用戶傳輸需求的最小頻率帶寬

1) 面對未來龐雜大量用戶接入的極其復雜網(wǎng)絡，提出三三三網(wǎng)絡體系架構，建立了融合3 類網(wǎng)絡、3 種資源、3 項需求的一種新穎簡約的三維立體網(wǎng)絡體系。

2) 給出了知識+數(shù)據(jù)驅動學習的逐層處理步驟和整個網(wǎng)絡的學習優(yōu)化機制，實現(xiàn)了網(wǎng)絡AI 化。

3) 論證了在整個網(wǎng)絡學習優(yōu)化機制下的網(wǎng)絡可達能力和資源開銷的數(shù)學計算式和傳輸效率。

應該指出，本文對提出的三三三網(wǎng)絡體系架構和學習機制的研究只是三維立體網(wǎng)絡體系架構的第一步的基礎性的分析研究。后續(xù)要進一步把這種網(wǎng)絡體系與實際應用相結合，研究實際可達性能，驗證理論分析的有效性。