文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211392
中文引用格式： 孫耀華，王則予，袁碩，等. 智能內生6G網絡：架構、用例和挑戰(zhàn)[J].電子技術應用，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/增強現(xiàn)實、人機協(xié)同作業(yè)、全景高清視頻直播等新型應用以及沙漠、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]、異構超密集組網[3]、云邊協(xié)同[4]等特征，但也將導致網絡優(yōu)化和管理難度急劇增大。此外，為了便于移動通信專網與生產制造、交通運輸、能源電力等垂直行業(yè)深度融合，網絡配置和運維方式亟需簡化。在此背景下，業(yè)界提出引入人工智能(Artificial Intelligence，AI)，利用其強大的預測、決策能力構建智能內生的6G網絡[5]。
文獻[6]針對數(shù)據(jù)驅動的深度學習(Deep Learning，DL)導致的計算密集以及訓練時間長等問題，總結了模型驅動的DL方法在物理層通信中的應用和優(yōu)勢；文獻[7]將AI視作實現(xiàn)網絡資源優(yōu)化的關鍵技術，介紹了AI技術在移動寬帶、觸覺網絡以及無人機網絡等多個場景下的應用；文獻[8]回顧了深度強化學習(Deep Reinforcement Learning，DRL)方法，深入調研了DRL在通信和組網中的應用，涉及無線緩存、網絡接入等；文獻[9]按照MAC層、網絡層以及應用層對有關研究進行了梳理總結，提煉了AI應用于無線網絡的動機和面臨的挑戰(zhàn)。
針對AI與無線通信結合的細分領域，本課題組也進行了一些初步探索。為克服基站端配置大規(guī)模天線導致信道估計開銷過大的問題，文獻[10]提出了基于循環(huán)神經網絡的信道估計方法，利用神經網絡強大的學習能力提取信道間的隱藏特征，仿真結果表明所提方法相比傳統(tǒng)方法可實現(xiàn)更高的估計精度和魯棒性。在基于AI的組網技術方面，文獻[11]針對蜂窩車聯(lián)網集中式資源調度時延高以及城區(qū)環(huán)境遮擋導致車車通信可靠性下降的問題，基于聯(lián)邦學習和DRL，設計了將車輛終端作為智能載體，根據(jù)局部信道、干擾和業(yè)務感知狀態(tài)進行分布式決策的無線資源優(yōu)化框架，仿真結果證實了所提方法對高動態(tài)環(huán)境具有良好適應性。在基于AI的智能網絡運維方面，課題組在文獻[12]中提出了基于深度遷移學習的網絡故障診斷方法，可在少量標簽數(shù)據(jù)下實現(xiàn)弱覆蓋、強干擾問題的精準探測。
前述文獻均側重基于AI的網絡性能增強方法，但如何從架構設計角度使能網內AI能力，從而更好地支持AI機制的實施仍有待進一步探索。為此，本文接下來將對目前標準化組織、公司和學術界所提智能內生網絡架構進行梳理總結，基于此給出一般性的架構特征，接著將探討智能內生6G架構的典型用例，最后給出相關挑戰(zhàn)并總結全文。
本文詳細內容請下載:http://www.j7575.cn/resource/share/2000003400
作者信息:
孫耀華，王則予，袁 碩，彭木根
(北京郵電大學 網絡與交換技術國家重點實驗室，北京100876)