中國移動研究院|袁孫奇 段然 崔春風

5G已經(jīng)完成了第一個版本的標準化工作，預計在2020年實現(xiàn)商業(yè)部署。與以手機終端通信為主的4G網(wǎng)絡相比，5G網(wǎng)絡需要支持多種業(yè)務和部署場景，例如具有更高帶寬、更低時延的增強移動寬帶業(yè)務，支持海量用戶連接的物聯(lián)網(wǎng)業(yè)務等。

為應對這些需求，空口技術、網(wǎng)絡架構等不斷創(chuàng)新演進，網(wǎng)絡變得更加開放和靈活。在空口技術方面，5G網(wǎng)絡將支持更多的頻段和天線數(shù)量，以及更加多樣化的幀結構參數(shù)和物理層控制流程。在網(wǎng)絡架構方面，5G網(wǎng)絡進行了多層次解耦，如網(wǎng)絡虛擬化（NFV）的軟硬解耦、控制與轉發(fā)分離、控制面與用戶面解耦、無線接入網(wǎng)的中心單元（CU）與分布式單元（DU）分離等。這使得未來網(wǎng)絡更容易部署在云平臺，并可根據(jù)業(yè)務及網(wǎng)絡需求進行自動化功能編排和資源分配，為垂直行業(yè)提供高效的網(wǎng)絡切片服務，提供極致的業(yè)務和用戶體驗。

5G為何需要人工智能與機器學習

網(wǎng)絡的靈活性也不可避免地帶來了網(wǎng)絡的復雜性。面對復雜的網(wǎng)絡環(huán)境和網(wǎng)絡規(guī)模及用戶的成倍增長，網(wǎng)絡的管理和運維效率需要進一步提升。此外，為更好地滿足差異化的應用需求，需要支持靈活的網(wǎng)絡功能編排、更加精細化的無線網(wǎng)絡資源分配及高效的網(wǎng)絡控制?，F(xiàn)有的基于人工干預和過度依賴理論建模的網(wǎng)絡設計和優(yōu)化模式，將難以解決5G網(wǎng)絡中的復雜網(wǎng)絡管理和控制問題。一方面，傳統(tǒng)方法難以對復雜無線網(wǎng)絡優(yōu)化問題進行精確建模和高效求解，導致無線網(wǎng)絡頻譜效率、能量效率等方面性能損失。另一方面，傳統(tǒng)基于網(wǎng)絡和用戶瞬時狀態(tài)信息的方案將難以充分利用網(wǎng)絡潛在的傳播環(huán)境特征及用戶行為規(guī)律帶來的網(wǎng)絡業(yè)務時/空規(guī)律性變化特征，導致網(wǎng)絡性能并未實現(xiàn)最優(yōu)且存在大量的剩余資源未被充分利用。5G時代網(wǎng)絡需要更加自動化和智能化，能夠從業(yè)務體驗、網(wǎng)絡質量、網(wǎng)絡效率和網(wǎng)絡成本等各個方面自主優(yōu)化。

面對傳統(tǒng)工具在實際復雜網(wǎng)絡環(huán)境中的不足，5G網(wǎng)絡需要引入新的理論工具和方法論——無線大數(shù)據(jù)和人工智能 (AI) 技術。在無線網(wǎng)絡中引入無線大數(shù)據(jù)和人工智能技術，為5G網(wǎng)絡賦予了如下新的能力。

一是可靠的預測模型。如故障預測、業(yè)務類型/模式預測、用戶軌跡/位置預測、業(yè)務感知預測、干擾預測、網(wǎng)絡KPI預測等?；谶@些預測，可實現(xiàn)主動式的網(wǎng)絡管理和控制，有效提升網(wǎng)絡運維效率和網(wǎng)絡資源利用效率，并提供個性化、差異化的網(wǎng)絡服務能力。

二是先進的優(yōu)化決策方法。機器學習算法以數(shù)據(jù)為驅動，可有效解決5G網(wǎng)絡中存在的大量傳統(tǒng)方法難以建模、求解和高效實現(xiàn)等問題。

具體來看，針對難以建模的問題，可利用網(wǎng)絡采集的數(shù)據(jù)為驅動，用機器學習算法訓練的AI模型對問題進行建模與求解。在5G網(wǎng)絡中常見的難以建模的問題主要包含：高維度、多目標優(yōu)化問題和聯(lián)合跨層優(yōu)化問題。如針對5G網(wǎng)絡運維優(yōu)化中存在大量高維度的參數(shù)優(yōu)化及海量KPI指標，包含頻譜效率、網(wǎng)絡時延、可靠性、連接密度、用戶體驗速率等。通過引入AI技術，可找到網(wǎng)絡的KPI與高維參數(shù)的映射建模關系并獲得最優(yōu)網(wǎng)絡參數(shù)配置建議。此外，AI技術也為難以建模的聯(lián)合跨層優(yōu)化提供有效的手段。

針對通信中大量的NP-Hard組合優(yōu)化問題，其最優(yōu)解復雜度一般隨系統(tǒng)規(guī)模呈指數(shù)增長。可考慮基于機器學習，通過求解算法離線訓練，實現(xiàn)在線決策，在保證接近最優(yōu)解的前提下，降低實現(xiàn)復雜度。而傳統(tǒng)算法一般通過對問題進行分解以獲得低復雜度的次優(yōu)解，但性能較差。

基于上述技術優(yōu)勢，未來5G網(wǎng)絡必然需要以大量真實可信的網(wǎng)絡數(shù)據(jù)為驅動，基于數(shù)據(jù)挖掘、統(tǒng)計分析、深度學習、通信理論和專家系統(tǒng)等諸多技術，以實現(xiàn)對無線網(wǎng)絡的環(huán)境感知、智能預測和自動化閉環(huán)決策。通過對網(wǎng)絡的智能管控，最終實現(xiàn)自動化運營，提升運營效率，降低運營成本。

目前相關大數(shù)據(jù)和人工智能技術已經(jīng)在網(wǎng)絡管理、運維及內容緩存與分發(fā)優(yōu)化方面實現(xiàn)了初步應用。這些應用主要在網(wǎng)絡管理面，基于離線數(shù)據(jù)分析實現(xiàn)非實時的基站級別管理和優(yōu)化，無法較好地滿足業(yè)務級、用戶級和實時快速的網(wǎng)絡控制面優(yōu)化需求。因此，中國移動提出了無線網(wǎng)嵌入式人工智能的概念，進一步滲透到網(wǎng)絡控制面和用戶面，實現(xiàn)針對業(yè)務/用戶的極致業(yè)務體驗保障、基于用戶行為和網(wǎng)絡場景的精細化網(wǎng)絡管控，并使網(wǎng)絡能力開放。

人工智能技術如何嵌入O-RAN架構

為實現(xiàn)無線接入網(wǎng)絡的嵌入式人工智能技術，需要從無線接入網(wǎng)架構和關鍵技術層面進行系統(tǒng)性思考和創(chuàng)新。2018年，中國移動聯(lián)合AT&T等運營商主導成立O-RAN產業(yè)聯(lián)盟，旨在推動未來無線接入網(wǎng)絡的“開放”和“智能”。O-RAN架構在無線網(wǎng)CU/DU架構和功能虛擬化的基礎上，引入了無線大數(shù)據(jù)分析與人工智能引擎，通過兩級非實時與實時智能控制器（RIC）實現(xiàn)無線接入網(wǎng)絡的嵌入式人工智能管控，使能時間、空間多維度的無線智能應用?；贠-RAN架構的多層智能應用及其閉環(huán)控制的時間顆粒度如圖所示。

圖 基于O-RAN架構的多層智能閉環(huán)控制

為支持不同時間尺度的智能閉環(huán)管控，在O-RAN整體架構中引入了無線網(wǎng)智能控制器（RIC）功能實體。RIC的核心是利用大數(shù)據(jù)分析及人工智能技術針對無線網(wǎng)絡環(huán)境進行感知、預測并對無線資源的分配進行決策。根據(jù)處理時延特性，將RIC劃分為非實時無線智能控制器和近實時無線智能控制器。

非實時層無線網(wǎng)智能控制器可嵌入網(wǎng)管平臺部署，實現(xiàn)跨域的整網(wǎng)級、多維度、超大規(guī)模數(shù)據(jù)量的分析與處理，主要用于支持秒級以上的策略管理和控制。非實時智能控制器的主要功能包括服務和意圖策略管理、無線網(wǎng)絡分析以及AI模型的訓練等功能。訓練后的AI模型可通過A1接口分發(fā)給近實時無線智能控制器進行在線推理和執(zhí)行。利用采集到的海量無線數(shù)據(jù)，通過大數(shù)據(jù)分析及人工智能算法，非實時智能控制器可有效提取無線數(shù)據(jù)特征及模型，如網(wǎng)絡用戶級流量空時分布、用戶移動性特征及模型、用戶業(yè)務類型及模式，以及用戶服務體驗預測模型等。

利用這些數(shù)據(jù)特征及AI模型，非實時智能控制器一方面可協(xié)助網(wǎng)管優(yōu)化非實時的網(wǎng)絡參數(shù)配置，如切換/重選參數(shù)、大規(guī)模天線波束角度配置參數(shù)等；另一方面，還可以進一步將相關數(shù)據(jù)特征、AI模型及智能策略分發(fā)給近實時智能控制器，輔助近實時智能控制器進行控制面和用戶面的用戶級/業(yè)務級顆粒度的精細化無線資源管理優(yōu)化。目前，O-RAN聯(lián)盟的討論聚焦在后者嵌入式人工智能的方案思路上。

近實時層無線網(wǎng)智能控制器可嵌入在CU云平臺內或獨立于基站運行，實現(xiàn)區(qū)域網(wǎng)絡級、較大數(shù)據(jù)規(guī)模的數(shù)據(jù)分析和無線資源管控，控制時間顆粒度為10ms到秒級。近實時層無線智能控制器可理解為嵌入人工智能技術的下一代RRM（RRC層的無線資源管理功能）增強功能實體。它的功能可以是全部或部分RRM功能，完全兼容傳統(tǒng)的RRM功能，如基于用戶級的載波負載均衡、無線切片資源分配、干擾協(xié)調、用戶服務質量/體驗(QoS/QoE)優(yōu)化等。在軟件架構方面，近實時無線網(wǎng)智能控制器是一個安全、開放的算法實時運行平臺，可支持算法功能軟件及AI模型或微服務的靈活部署，并可實現(xiàn)多個功能算法間的協(xié)同及沖突管理。目前，關于近實時無線網(wǎng)智能控制器的功能框架討論還在進行中，未來存在一定的變化，但核心思路已經(jīng)趨于統(tǒng)一。

未來，O-RAN框架存在進一步拓展支持實時智能控制的可能，如無線接入控制層（MAC）及物理層（PHY）的智能化應用，這部分探討還將進一步延續(xù)下去。

綜上所述，O-RAN智能無線網(wǎng)絡架構將具備整網(wǎng)級、區(qū)域網(wǎng)絡級及基站級的多級智能。各級分層自治又可實現(xiàn)跨域和多層級控制間的協(xié)同。為激發(fā)上層智能控制的創(chuàng)新，縮短無線網(wǎng)管控功能的研發(fā)和上線周期，需要進一步推進無線網(wǎng)的上層管控與基站底層實現(xiàn)間的解耦，需要對RIC涉及的相關數(shù)據(jù)采集及策略控制下發(fā)接口，即A1、E2接口，進行研究并標準化。

典型應用場景示例

智能業(yè)務體驗實時保障

隨著移動網(wǎng)絡應用的發(fā)展和互聯(lián)網(wǎng)應用的同質化競爭加劇，用戶對業(yè)務體驗的要求越來越高。無線空口傳輸能力的波動使得傳統(tǒng)相對半靜態(tài)的QoS配置越來越難以滿足層出不窮的多樣化業(yè)務體驗需求。為了更好地滿足業(yè)務需求，需要精確獲取用戶級實時業(yè)務關鍵質量指標（KQI），使業(yè)務與動態(tài)的空口傳輸能力進行高效的適配。

為實現(xiàn)業(yè)務體驗的實時保障，可考慮網(wǎng)絡狀態(tài)與業(yè)務的雙向協(xié)同跨層優(yōu)化。一方面，CU可以進一步感知和識別業(yè)務特征，對空口網(wǎng)絡進行定制化、精細化的調整，以提供差異化、極致化的用戶業(yè)務體驗。另一方面，CU側可實時預測空口傳輸質量狀態(tài)，并通知應用服務，應用服務可以根據(jù)空口傳輸質量及時調整傳輸層或應用層，如進行TCP窗口優(yōu)化或業(yè)務速率調整以使傳輸和業(yè)務精確適配空口傳輸狀態(tài)，實現(xiàn)業(yè)務體驗保障。為實現(xiàn)上述目標，需要解決以下3個關鍵問題。如何感知、識別不同的業(yè)務？如何對用戶業(yè)務體驗進行預測，找到影響用戶體驗的網(wǎng)絡空口關鍵因素，精細化調整實現(xiàn)用戶體驗保障？如何實現(xiàn)空口狀態(tài)預測？這3個關鍵問題的解決恰恰是人工智能和機器學習技術的優(yōu)勢所在。

智能業(yè)務識別：業(yè)務識別是一個典型的AI領域的分類問題，可采用深度學習算法，基于業(yè)務用戶面數(shù)據(jù)傳輸特征（數(shù)據(jù)分組大小、數(shù)據(jù)交互節(jié)拍等）及業(yè)務標簽訓練得到精確的業(yè)務識別模型?；谟柧毜玫侥Ｐ?，無線接入網(wǎng)可利用實時業(yè)務流數(shù)據(jù)對業(yè)務進行實時智能感知和識別。

QoE預測與優(yōu)化：QoE建模與優(yōu)化是一個聯(lián)合跨層優(yōu)化問題，不適合理論建模，卻非常適合應用人工智能中的關聯(lián)分析建模理論。其涉及多維度的變量，很難進行理論建模。可通過采集業(yè)務及網(wǎng)絡側相關數(shù)據(jù)，基于數(shù)據(jù)驅動和人工智能算法建立QoE預測及根因分析模型，指導網(wǎng)絡策略進行QoE保障。

空口狀態(tài)預測：空口狀態(tài)預測是一個典型的基于歷史信息的預測問題。利用歷史上的空口信道狀態(tài)，深度學習算法可推演精準的空口狀態(tài)，用于指導上層業(yè)務調整和底層資源分配原則，避免由于空口狀態(tài)的波動導致業(yè)務體驗惡化。

基于O-RAN架構進一步闡述整體方案的運行機理。在非實時智能控制器側，可基于獲取的多維度的業(yè)務數(shù)據(jù)（流量特征、業(yè)務特征等）和網(wǎng)絡數(shù)據(jù)（負載信息、用戶信道信息等），在保障用戶數(shù)據(jù)隱私安全的前提下，利用機器學習的方法訓練業(yè)務分類、業(yè)務KQI預測以及空口能力預測等AI模型。通過A1接口，將訓練好的AI模型部署到近實時智能控制器。近實時智能控制器可根據(jù)訓練好的模型及實時獲取的網(wǎng)絡數(shù)據(jù)預測業(yè)務KQI可能的趨勢，動態(tài)生成無線網(wǎng)絡的QoS保障信息，如精細顆粒度的QCI和無線網(wǎng)絡空口參數(shù)的優(yōu)化配置信息等，指導基站優(yōu)化無線資源調度，使得無線資源的調度和分配隨著用戶/業(yè)務體驗的波動，最終確保終端用戶的業(yè)務體驗。

智能負載均衡

隨著資費下調，LTE業(yè)務流量激增，現(xiàn)有F或D單頻點覆蓋容量不足以滿足業(yè)務需求，需補充F/D/E的多頻段、多頻點提升無線容量。如何高效利用多頻段、多載波的資源提供優(yōu)質的網(wǎng)絡服務是需要解決的重要問題。傳統(tǒng)的負載均衡實現(xiàn)方法具有一定的被動性、盲目性和片面性?；诖髷?shù)據(jù)分析和機器學習技術可以較好地解決上述難題。通過引入場景感知、小區(qū)級/用戶級預測、無線網(wǎng)絡指紋地圖等基礎能力，可實現(xiàn)用戶級細顆粒度的精細無線資源管理優(yōu)化，解決多頻段、多載波同覆蓋場景下用戶駐留不合理造成的業(yè)務體驗差問題。

場景感知：基于機器學習算法，可根據(jù)網(wǎng)絡歷史的無線測量信息及業(yè)務流量信息，自動對網(wǎng)絡環(huán)境及場景進行聚類和分類，智能感知網(wǎng)絡環(huán)境。基于場景感知，網(wǎng)絡可合理匹配和配置多頻段多載波算法目標及算法應用范圍、門限和參數(shù)。

小區(qū)級/用戶級負載預測：基于機器學習，可對網(wǎng)絡小區(qū)負載、用戶業(yè)務類型及業(yè)務量情況進行精準預測，基于預測可提前對網(wǎng)絡負載進行優(yōu)化和協(xié)調，為用戶選擇合適的小區(qū)駐留，避免滯后性及盲目性造成網(wǎng)絡擁塞導致用戶體驗下降。

無線網(wǎng)絡指紋地圖構建：通過小區(qū)信道環(huán)境及干擾建模，可以精選測量用戶、小區(qū)和頻點，降低測量開銷及測量時延，提升負載均衡性能。

基于O-RAN架構進一步闡述整體方案的運行機理。在非實時智能控制器側，可以通過采集到的網(wǎng)絡負載及無線信道環(huán)境數(shù)據(jù)生成針對場景的定制化意圖策略、負載預測AI模型和構建無線指紋地圖，并將相關策略配置通過A1接口部署配置給近實時無線智能控制器。近實時無線智能控制器基于收到的策略、AI模型及無線指紋地圖信息，生成切片級、用戶級及業(yè)務級的精細化負載均衡方案，并通過E2接口指導基站進行相關負載均衡操作。

針對上述典型應用場景，目前中國移動已經(jīng)與多家設備商展開聯(lián)合研究與攻關。基于O-RAN架構，已初步完成相關算法方案和接口設計，部分功能正在進行PoC驗證及相關產品規(guī)劃，計劃在驗證環(huán)境中進行相關技術方案測試。

實現(xiàn)無線接入網(wǎng)嵌入式智能的挑戰(zhàn)

O-RAN提出基于開放、智能理念的無線接入網(wǎng)架構將促進未來網(wǎng)絡嵌入式智能化，提升網(wǎng)絡運維效率和資源利用率，降低網(wǎng)絡成本。但是，實現(xiàn)無線接入網(wǎng)嵌入式智能還存在諸多挑戰(zhàn)。

一是需要提升網(wǎng)絡數(shù)據(jù)的獲取和感知能力。海量無線數(shù)據(jù)是實現(xiàn)網(wǎng)絡智能化的基礎。無線網(wǎng)絡數(shù)據(jù)量大、種類多、時間尺度差異大、分布節(jié)點復雜，如何高效地獲取無線網(wǎng)絡數(shù)據(jù)是使能無線網(wǎng)絡智能的關鍵挑戰(zhàn)。為此，需要制定網(wǎng)絡數(shù)據(jù)采集接口標準，加強數(shù)據(jù)采集和感知能力，并支持數(shù)據(jù)的分級預處理和特征工程，實現(xiàn)對數(shù)據(jù)的按需訂閱及可編程定制化的特征工程。

二是需要促進網(wǎng)絡控制能力的開放。智能化的輸出是對網(wǎng)絡的控制。全方位多維度地開放網(wǎng)絡行為、資源、配置等方面的控制能力和接口，可以進一步豐富網(wǎng)絡嵌入式智能化的應用用例和場景。

三是充分考慮網(wǎng)絡基礎設施中計算、存儲及通信能力的融合。研究分級、分布式學習與協(xié)同決策機制，降低信令交互、數(shù)據(jù)回傳及能耗開銷，提升數(shù)據(jù)及計算效率。

四是需要進一步探索“知識+數(shù)據(jù)”雙驅動的新型學習機制，研究適用于無線網(wǎng)絡應用場景的AI算法框架與理論。目前AI技術在語音、圖像等通用場景中的應用相對成熟，但在無線網(wǎng)絡中暫無法開展規(guī)?；⑼ㄓ没瘧貌⑷鄙籴槍o線應用需求的AI算法理論框架。

此外，為進一步促進無線AI算法的發(fā)展，開放的無線網(wǎng)絡數(shù)據(jù)集構建也是未來研究的重要方向。