人工智能技術(shù)在5G網(wǎng)絡(luò)中的應(yīng)用

佟志勇

（黑龍江省軍區(qū)數(shù)據(jù)信息室，黑龍江 哈爾濱 150001）

0 引言

人工智能和5G是當(dāng)前信息技術(shù)發(fā)展的兩大熱點(diǎn)。2019年6月6日，工信部向4家電信運(yùn)營(yíng)商發(fā)放5G商用牌照，標(biāo)志著中國(guó)5G正式進(jìn)入商用階段。在5G時(shí)代，無論是“人的連接”，還是“萬物互聯(lián)”，都將產(chǎn)生海量數(shù)據(jù)，這些海量數(shù)據(jù)是人工智能的基礎(chǔ)支撐。人工智能技術(shù)對(duì)5G網(wǎng)絡(luò)及其產(chǎn)生的數(shù)據(jù)運(yùn)用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，助力解決5G網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、業(yè)務(wù)需求多樣、運(yùn)維管理難度大等問題。

1 人工智能技術(shù)

人工智能是使機(jī)器擁有人類的智慧，具備感知和決策能力的一門新的技術(shù)科學(xué)。機(jī)器學(xué)習(xí)是人工智能的核心研究領(lǐng)域，是使計(jì)算機(jī)具備人類學(xué)習(xí)能力的根本途徑。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)分支，通過模擬人的神經(jīng)網(wǎng)絡(luò)，構(gòu)建學(xué)習(xí)模型，對(duì)輸入數(shù)據(jù)進(jìn)行學(xué)習(xí)并提取特征，使機(jī)器具備人的分析學(xué)習(xí)能力。

1.1 機(jī)器學(xué)習(xí)

主要有4類學(xué)習(xí)方式：

（1）監(jiān)督學(xué)習(xí)：在給定的訓(xùn)練樣本中，每個(gè)輸入都對(duì)應(yīng)一個(gè)確定的輸出結(jié)果，在未知的樣本給定后，通過訓(xùn)練出的模型對(duì)結(jié)果做出預(yù)測(cè)。

（2）無監(jiān)督學(xué)習(xí)：訓(xùn)練樣本沒有標(biāo)簽，通過學(xué)習(xí)找到數(shù)據(jù)中的內(nèi)在關(guān)聯(lián)或規(guī)律，但學(xué)習(xí)的過程并不知道結(jié)果是否正確。

（3）半監(jiān)督學(xué)習(xí)：將大量的無標(biāo)簽和少量有標(biāo)簽數(shù)據(jù)樣本放到一起進(jìn)行訓(xùn)練，目的是提高算法的學(xué)習(xí)性能[1]。

（4）強(qiáng)化學(xué)習(xí)：通過不斷的試錯(cuò)并調(diào)整策略以獲得最大獎(jiǎng)勵(lì)，最終找到最優(yōu)策略，即在什么狀態(tài)下選擇什么動(dòng)作可以獲得最好的結(jié)果，AlphaGo戰(zhàn)勝李世石就是強(qiáng)化學(xué)習(xí)的典型案例。

1.2 深度學(xué)習(xí)

深度學(xué)習(xí)是一種大規(guī)模的深層的神經(jīng)網(wǎng)絡(luò)，通常由許多處理層和隱藏層構(gòu)成，主要有深度神經(jīng)網(wǎng)絡(luò)（DNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等。

1.2.1 深度神經(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)由輸入層、若干隱藏層和輸出層組成，其工作過程為：將數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，各層運(yùn)用前向傳播算法計(jì)算后輸出送至下一層，使用損失函數(shù)來度量輸出結(jié)果和真實(shí)的訓(xùn)練樣本之間的誤差，通過使用梯度下降法對(duì)損失函數(shù)進(jìn)行迭代優(yōu)化計(jì)算極小值，從而得出合適的加權(quán)值和激活函數(shù),讓所有的訓(xùn)練樣本輸入計(jì)算出的輸出，盡可能接近樣本標(biāo)簽。

1.2.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層、池化層、全連接層以及輸出層組成。輸入層對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化、歸一化等預(yù)處理，提升學(xué)習(xí)效率。卷積層包含多個(gè)不同的權(quán)重和偏置向量的卷積核，完成對(duì)輸入數(shù)據(jù)的特征提取，形成特征圖，輸出至池化層進(jìn)行特征選擇和信息過濾，目的是壓縮數(shù)據(jù)和參數(shù)，防止過擬合，提高模型的容錯(cuò)能力。全連接層的作用則是對(duì)提取的特征進(jìn)行非線性組合以得到輸出，利用現(xiàn)有的高階特征完成學(xué)習(xí)目標(biāo)。

1.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)是一種具有短期記憶能力的神經(jīng)網(wǎng)絡(luò)，通過使用帶自反饋的神經(jīng)元，使網(wǎng)絡(luò)的輸出不僅和當(dāng)前的輸入有關(guān)，還和上一時(shí)刻的輸出有關(guān)，既可以接收其他神經(jīng)元的信息也可以接收自身信息，形成具有環(huán)路的網(wǎng)絡(luò)結(jié)構(gòu)，可以用來處理視頻、語音、文本等時(shí)變序列。

2 人工智能技術(shù)在5G網(wǎng)絡(luò)中的應(yīng)用

將人工智能技術(shù)運(yùn)用到5G通信系統(tǒng)的設(shè)計(jì)與優(yōu)化已經(jīng)成為學(xué)界和業(yè)界重點(diǎn)關(guān)注的研究方向。在2020年6月召開的3GPP全會(huì)上，通過了“數(shù)據(jù)收集持續(xù)增強(qiáng)研究”立項(xiàng)。該項(xiàng)目由中國(guó)移動(dòng)牽頭，旨在探索基于大數(shù)據(jù)的人工智能技術(shù)使能智慧無線網(wǎng)絡(luò)。

2.1 提升無線通信系統(tǒng)性能

傳統(tǒng)的無線通信系統(tǒng)采用模塊化結(jié)構(gòu)，通信工作者已做了大量的研究工作來優(yōu)化各個(gè)模塊的性能，但是對(duì)每個(gè)模塊進(jìn)行優(yōu)化不一定能使整個(gè)通信系統(tǒng)的性能最大化，而對(duì)整個(gè)通信系統(tǒng)從發(fā)射到接收全程進(jìn)行端到端的優(yōu)化，其性能要好于對(duì)各個(gè)模塊進(jìn)行優(yōu)化。在無線傳輸系統(tǒng)中應(yīng)用人工智能技術(shù)，可以大幅提升無線傳輸系統(tǒng)的性能，信號(hào)檢測(cè)、信道估計(jì)、信道編解碼等各個(gè)環(huán)節(jié)應(yīng)用深度學(xué)習(xí)算法進(jìn)行端到端優(yōu)化，為實(shí)現(xiàn)系統(tǒng)端到端性能最大化提供了強(qiáng)有力的工具。

對(duì)于中射頻，5G信號(hào)易產(chǎn)生非線性失真。使用卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、LSTM、GAN等深度神經(jīng)網(wǎng)絡(luò)對(duì)5G寬帶射頻功放進(jìn)行數(shù)字預(yù)失真線性化[2]。

2.2 無線信道測(cè)量與建模

無線信道的測(cè)量與建模是無線通信系統(tǒng)規(guī)劃和部署的基礎(chǔ)。傳統(tǒng)無線網(wǎng)絡(luò)的覆蓋規(guī)劃、路由損耗、波束成型等問題均使用代數(shù)計(jì)算方法對(duì)網(wǎng)絡(luò)環(huán)境進(jìn)行計(jì)算，而5G網(wǎng)絡(luò)環(huán)境的復(fù)雜程度越來越高，可以應(yīng)用人工智能算法對(duì)傳統(tǒng)代數(shù)計(jì)算的方法進(jìn)行建模，去解決網(wǎng)絡(luò)環(huán)境的規(guī)劃優(yōu)化問題，從而確定小區(qū)的覆蓋范圍，減少鄰區(qū)干擾、優(yōu)化網(wǎng)絡(luò)。

應(yīng)用深度學(xué)習(xí)技術(shù)，針對(duì)5G通信網(wǎng)絡(luò)不同場(chǎng)景的導(dǎo)頻功率、波束調(diào)整、MIMO特性等參數(shù)進(jìn)行優(yōu)化調(diào)整，針對(duì)強(qiáng)信號(hào)干擾、惡劣天氣等引起的網(wǎng)絡(luò)時(shí)變，建立動(dòng)態(tài)模型，持續(xù)進(jìn)行學(xué)習(xí)，應(yīng)對(duì)信道突變問題。

2.3 優(yōu)化網(wǎng)絡(luò)切片資源管理

網(wǎng)絡(luò)切片是5G核心網(wǎng)的關(guān)鍵技術(shù)之一，它將物理網(wǎng)絡(luò)根據(jù)業(yè)務(wù)需求進(jìn)行邏輯分割，形成獨(dú)立的虛擬網(wǎng)絡(luò)，為具有不同性能要求的業(yè)務(wù)提供差異化、相互隔離、功能可定制的網(wǎng)絡(luò)服務(wù)?？紤]到網(wǎng)絡(luò)資源的有限性和不同網(wǎng)絡(luò)切片中的網(wǎng)絡(luò)狀態(tài)，運(yùn)營(yíng)商需要在保證服務(wù)等級(jí)協(xié)議SLA的同時(shí)，盡可能地復(fù)用底層網(wǎng)絡(luò)資源。

人工智能技術(shù)能幫助運(yùn)營(yíng)商優(yōu)化網(wǎng)絡(luò)切片資源的管理。通過對(duì)5G網(wǎng)絡(luò)切片的實(shí)際運(yùn)行情況、業(yè)務(wù)量數(shù)據(jù)以及SLA執(zhí)行情況的采集，運(yùn)用機(jī)器學(xué)習(xí)算法建立模型，利用該模型對(duì)業(yè)務(wù)量和資源需求進(jìn)行精準(zhǔn)預(yù)測(cè)，網(wǎng)管系統(tǒng)進(jìn)行網(wǎng)絡(luò)切片資源的動(dòng)態(tài)調(diào)整，優(yōu)化后的網(wǎng)絡(luò)運(yùn)行狀況可以再次迭代到預(yù)測(cè)模型中，完成閉環(huán)反饋，進(jìn)而趨近最優(yōu)解[3]。

2.4 助力網(wǎng)絡(luò)運(yùn)營(yíng)維護(hù)智能化

網(wǎng)絡(luò)的運(yùn)營(yíng)維護(hù)過程需要全面掌握網(wǎng)絡(luò)運(yùn)行狀況，對(duì)故障進(jìn)行預(yù)警并快速定位，通過相應(yīng)的手段進(jìn)行恢復(fù)。機(jī)器學(xué)習(xí)被認(rèn)為是網(wǎng)絡(luò)運(yùn)行和管理各種功能自動(dòng)化的最佳解決方案，如資源管理、按需和自適應(yīng)網(wǎng)絡(luò)配置、服務(wù)創(chuàng)建和編排、故障檢測(cè)、安全性、移動(dòng)性管理、用戶體驗(yàn)增強(qiáng)、策略動(dòng)態(tài)調(diào)整等。在5G網(wǎng)絡(luò)運(yùn)行維護(hù)各個(gè)環(huán)節(jié)中引入人工智能技術(shù)，對(duì)網(wǎng)絡(luò)質(zhì)量和業(yè)務(wù)質(zhì)量進(jìn)行實(shí)時(shí)分析和監(jiān)控：通過構(gòu)建統(tǒng)一網(wǎng)絡(luò)視圖，實(shí)現(xiàn)網(wǎng)絡(luò)管理的可視化；使用人工智能技術(shù)對(duì)網(wǎng)絡(luò)告警數(shù)據(jù)進(jìn)行全面、多角度、深層次的學(xué)習(xí)和分析，依據(jù)告警代碼快速準(zhǔn)確地定位故障部位，以便盡快排除故障；使用機(jī)器學(xué)習(xí)算法，對(duì)網(wǎng)絡(luò)流量進(jìn)行全局性優(yōu)化，實(shí)現(xiàn)全網(wǎng)負(fù)載均衡，避免網(wǎng)絡(luò)擁塞，分析網(wǎng)絡(luò)狀態(tài)，結(jié)合業(yè)務(wù)負(fù)荷、網(wǎng)絡(luò)環(huán)境，自適應(yīng)調(diào)節(jié)網(wǎng)絡(luò)參數(shù)，實(shí)現(xiàn)網(wǎng)絡(luò)的智能優(yōu)化，提高網(wǎng)絡(luò)的資源利用率，有效降低網(wǎng)絡(luò)能耗[4]。

3 結(jié)語

5G時(shí)代，無線通信需求呈指數(shù)增長(zhǎng)趨勢(shì)，給通信網(wǎng)絡(luò)設(shè)計(jì)、運(yùn)行、管理和維護(hù)帶來了諸多困難，傳統(tǒng)無線通信技術(shù)難以解決，引入人工智能技術(shù)構(gòu)建智能化5G網(wǎng)絡(luò)勢(shì)在必行。而當(dāng)前人工智能在5G通信領(lǐng)域的應(yīng)用研究處于起步階段，業(yè)界和學(xué)術(shù)界將持續(xù)推進(jìn)人工智能與5G技術(shù)的融合發(fā)展，不斷提高5G網(wǎng)絡(luò)的智能化水平。