伏玉筍，楊根科,2

（1.上海交通大學(xué)電子信息與電氣工程學(xué)院，上海 200240；2.上海交通大學(xué)寧波人工智能研究院，浙江 寧波 315000）

1 引言

20世紀(jì)80年代以來，移動通信技術(shù)逐步實現(xiàn)從固定到移動、從模擬到數(shù)字、從電路交換到云網(wǎng)融合、從窄帶到寬帶、從人人互聯(lián)到萬物智聯(lián)的演進(jìn)，為社會的發(fā)展不斷注入新的動力，帶動了整個生態(tài)產(chǎn)業(yè)的發(fā)展，同時也提出了更高的生態(tài)系統(tǒng)需求。5G時代的到來，促使5G與人工智能、云計算、大數(shù)據(jù)、物聯(lián)網(wǎng)/工業(yè)互聯(lián)網(wǎng)、邊緣計算等融合交織，在各行各業(yè)產(chǎn)生“聚變”反應(yīng)。移動通信網(wǎng)絡(luò)正在變得越來越復(fù)雜，這一點可以從如下3個方面來說明。

網(wǎng)絡(luò)復(fù)雜化。從低頻到高頻（毫米波至太赫茲）的載波越來越多，多載波是一種必然趨勢。2G、3G、4G、5G多制式共存帶來的協(xié)同和互操作難度增加；從單天線到多天線，甚至Massive MIMO，天線數(shù)越來越多，在商用場景中如何進(jìn)一步提升性能面臨很大挑戰(zhàn)；超密的分層網(wǎng)絡(luò)與虛擬化云化網(wǎng)絡(luò)的動態(tài)變化所帶來的資源統(tǒng)一調(diào)度非常困難；分層解耦架構(gòu)下的故障定界定位困難；傳輸網(wǎng)絡(luò)異構(gòu)化。

業(yè)務(wù)多樣化。人與人通信的單一模式逐漸演化為人與人、人與物、物與物的全場景通信模式，業(yè)務(wù)場景更加復(fù)雜，帶來對業(yè)務(wù)級（SLA,service level agreement）的差異化需求，比如高帶寬、大連接、超高可靠性和低時延等（數(shù)據(jù)分組大小的差異是107量級，時延的差異是104量級，吞吐率的差異是105量級）[1-2]，以及與之配套的網(wǎng)絡(luò)管理的復(fù)雜性（包括網(wǎng)絡(luò)切片場景等）。

體驗個性化。依托5G 網(wǎng)絡(luò)能力和豐富的業(yè)務(wù)發(fā)展，業(yè)務(wù)體驗也將隨之呈現(xiàn)出多元化、個性化發(fā)展態(tài)勢，比如沉浸式體驗、實時交互等，網(wǎng)絡(luò)對于業(yè)務(wù)體驗的支撐保障，將顛覆傳統(tǒng)模式，迎來全新挑戰(zhàn)，評價準(zhǔn)則越來越多元化。

面對移動通信問題建模日益困難，求解復(fù)雜度指數(shù)級升高，網(wǎng)絡(luò)的運(yùn)維成本越來越高。如圖1所示隨著移動通信技術(shù)的演進(jìn)（從2G時代到5G時代），網(wǎng)絡(luò)性能在不斷地提升，但同時實際性能與理想性能的差距卻在擴(kuò)大，這說明需要深入挖掘新的技術(shù)方法，使實際性能逼近理想性能，不過基于傳統(tǒng)方法解決這樣的問題遇到了很大的瓶頸，移動通信迫切需要引入新的方法論。

人工智能在大數(shù)據(jù)、深度學(xué)習(xí)、計算與存儲能力提升這三者的共同促進(jìn)下迎來了新的浪潮[3-7]。智能通信被認(rèn)為是5G 之后無線通信發(fā)展的主流方向之一[8-9]，其基本思想是將人工智能引入無線通信系統(tǒng)的各個層面，實現(xiàn)無線通信與人工智能技術(shù)的有機(jī)融合。學(xué)術(shù)界和工業(yè)界正在開展該領(lǐng)域的研究工作[10-61]，目前，該方向的研究正在從高層向低層的物理層推進(jìn)，特別在物理層已經(jīng)出現(xiàn)無線傳輸與深度學(xué)習(xí)等結(jié)合的趨勢，然而，各項研究目前尚處于初步探索階段。

圖1 實際性能與理想性能間的距離

雖然目前人工智能在移動網(wǎng)絡(luò)運(yùn)維領(lǐng)域有了一定的應(yīng)用[13-18（]比如智能告警處理與根因分析、關(guān)鍵性能指標(biāo)（KPI,key performance indicators）異常檢測等），但是在提升無線通信系統(tǒng)性能方面，盡管學(xué)術(shù)界的論文不少，商業(yè)應(yīng)用的成功案例卻屈指可數(shù)。

必須說明強(qiáng)調(diào)的是，與提供“盡力而為”服務(wù)的互聯(lián)網(wǎng)不同，通信網(wǎng)從一開始就是一個以商業(yè)經(jīng)營為目的的網(wǎng)絡(luò)，必須確保通信服務(wù)質(zhì)量和服務(wù)安全，對網(wǎng)絡(luò)的部署、維護(hù)升級、電信設(shè)備的性能等都有嚴(yán)格的要求。

運(yùn)營商通信系統(tǒng)對KPI的要求很高，對性能惡化的容忍度很低，而IT系統(tǒng)對失敗的容忍度則很大。學(xué)習(xí)型算法的可靠性通常面臨著很大挑戰(zhàn)：由確定性演變?yōu)椴淮_定性的風(fēng)險很高，尤其是網(wǎng)絡(luò)升級，KPI在任何應(yīng)用場景下不能有負(fù)增益，這更是嚴(yán)格的高壓線。

可見，雖然有著人工智能在提升無線通信系統(tǒng)性能上發(fā)揮著更大作用的強(qiáng)烈需求，但也面臨突破上的巨大障礙。本文對人工智能在移動通信方面的研究與應(yīng)用現(xiàn)狀進(jìn)行總結(jié)，同時對人工智能在如何提升無線通信系統(tǒng)性能上進(jìn)行探索與實踐，從而為相關(guān)領(lǐng)域的研究人員和工程技術(shù)人員起到參考和幫助的作用。

2 人工智能在移動通信中的研究與應(yīng)用現(xiàn)狀

移動通信網(wǎng)絡(luò)涉及的主要領(lǐng)域及對應(yīng)的時間尺度如圖2所示。一般來說，尺度越小，人工智能的應(yīng)用難度越大。后面將分別介紹每個領(lǐng)域的研究和應(yīng)用現(xiàn)狀。

圖2 移動通信網(wǎng)絡(luò)涉及的主要領(lǐng)域及對應(yīng)尺度

目前在移動通信領(lǐng)域研究中，最常用的人工智能/機(jī)器學(xué)習(xí)方法如圖3所示。由圖3可知，沒有一種方法可以“包打天下”。本文通過分析機(jī)器學(xué)習(xí)方法的特點，再結(jié)合移動通信系統(tǒng)的需求和特點，可以更好地把握人工智能在移動通信系統(tǒng)中的研究和應(yīng)用。

應(yīng)該說近年來機(jī)器學(xué)習(xí)本身的進(jìn)步，以及大數(shù)據(jù)和計算能力的大幅提升共同促使人工智能應(yīng)用取得了長足的發(fā)展。數(shù)據(jù)驅(qū)動智能是其明顯的特征之一。第四范式是指數(shù)據(jù)探索性的研究方式，即基于數(shù)據(jù)密集型的發(fā)現(xiàn)，從以數(shù)學(xué)模型計算為中心到海量數(shù)據(jù)處理為中心。和第一范式、第二范式、第三范式相比，第四范式在業(yè)界還未達(dá)成一致[3]，但近年來大數(shù)據(jù)領(lǐng)域的蓬勃發(fā)展，給第四范式注入了強(qiáng)大活力。第四范式可能成為無線通信領(lǐng)域的工作范式：基于大數(shù)定理及概率設(shè)計大規(guī)模天線無線通信系統(tǒng)、基于大數(shù)據(jù)設(shè)計通信網(wǎng)絡(luò)是這方面的范例[11-12,23-25]。

圖3 移動通信領(lǐng)域中最常用的人工智能/機(jī)器學(xué)習(xí)方法

從控制論的角度來說，可重構(gòu)、可編程無線環(huán)境的概念被延伸提出，圖4展示了無線網(wǎng)絡(luò)與智能無線網(wǎng)絡(luò)的區(qū)別[26]。具體來說，香農(nóng)把通信系統(tǒng)抽象為轉(zhuǎn)移概率（即Pr{y|x}）；維納從控制論的角度，系統(tǒng)模型仍然是給定的，但輸出要反饋到輸入（如信道狀態(tài)從接收機(jī)反饋給發(fā)射機(jī)，以便于信道識別的波束成型、鏈路自適應(yīng)等）；在智能無線環(huán)境中，環(huán)境對象能夠感知系統(tǒng)對無線電波（物理世界）的響應(yīng)，并將其反饋給輸入（數(shù)字世界）?；诟兄獢?shù)據(jù)，通過軟件控制器分別就輸入信號和環(huán)境對象對無線電波的響應(yīng)進(jìn)行聯(lián)合優(yōu)化和配置。例如，輸入信號是轉(zhuǎn)向一個給定的環(huán)境目標(biāo)，通過適當(dāng)?shù)膬?yōu)化相移將其反射到接收器。反過來，接收器也被引導(dǎo)朝向輸入信號。

圖4 無線網(wǎng)絡(luò)與智能無線網(wǎng)絡(luò)的區(qū)別

目前人工智能在移動通信系統(tǒng)中的研究和應(yīng)用可以分為3類，具體如下。

1)“改進(jìn)”類：物理層研究中的去模塊化、由傳統(tǒng)最優(yōu)化的資源分配到基于深度學(xué)習(xí)的資源分配等。

2)“0到1”類：自組織網(wǎng)絡(luò)或網(wǎng)絡(luò)運(yùn)維中的KPI建模、多參數(shù)性能模型等。

3)“代替”類：通過神經(jīng)網(wǎng)絡(luò)代替多輸入多輸出（MIMO,multiple input multiple output）最大似然檢測以降低復(fù)雜性等。

2.1 人工智能在移動通信系統(tǒng)網(wǎng)絡(luò)運(yùn)維和SON方面的研究與應(yīng)用現(xiàn)狀

3GPP從Rel.8/9正式引入SON的概念，在未來更是扮演重要角色，其內(nèi)涵也會更加豐富[27]。傳統(tǒng)SON用例如圖5所示，具體如下。

1)自配置（self configuration）?；?網(wǎng)絡(luò)初始啟動時，自動根據(jù)環(huán)境設(shè)置系統(tǒng)重要參數(shù)。

2)自優(yōu)化（self optimization）。在網(wǎng)絡(luò)運(yùn)行過程中，根據(jù)接收到的系統(tǒng)測量和反饋信息，優(yōu)化系統(tǒng)。

3)自愈（self healing）。在網(wǎng)絡(luò)運(yùn)行過程中，借助系統(tǒng)測量與反饋，自動修復(fù)故障。

圖5 傳統(tǒng)SON范疇用例

和4G系統(tǒng)相比，5G系統(tǒng)具有更加靈活的頻譜（包括毫米波）和參數(shù)集/時隙結(jié)構(gòu)、大規(guī)模多天線及以波束為中心的設(shè)計、分層異構(gòu)的超密集網(wǎng)絡(luò)、多樣化的垂直業(yè)務(wù)和網(wǎng)絡(luò)切片的動態(tài)管理與編排、網(wǎng)絡(luò)架構(gòu)對數(shù)據(jù)驅(qū)動的網(wǎng)絡(luò)智能的支持等，因此，5G-SON必將有新的內(nèi)涵和挑戰(zhàn)[28]。目前，5G-SON正在從類似于4G-SON的基本用例（盡管實現(xiàn)細(xì)節(jié)會有不同）著手[29-30]，依據(jù)緊迫程度，將有節(jié)奏地不斷完善和拓展新的用例和方案。

SON的核心思想與機(jī)器學(xué)習(xí)理論接近，即通過對未知環(huán)境的感知、交互、學(xué)習(xí)，自動調(diào)整系統(tǒng)以適應(yīng)環(huán)境，從而達(dá)到最優(yōu)。不同的場景、不同特性的SON需要不同的機(jī)器學(xué)習(xí)方法[20-21,30]，沒有“萬能鑰匙”，比如自優(yōu)化類中的移動負(fù)載平衡，強(qiáng)化學(xué)習(xí)就是合適的候選技術(shù)[32]。

關(guān)于是在線學(xué)習(xí)還是離線學(xué)習(xí)，有些SON的特征適合用在線學(xué)習(xí)，比如自優(yōu)化和閉環(huán)SON，需要實時采集用戶反饋，進(jìn)行學(xué)習(xí)推斷，獲得新的配置。有些適合用在離線學(xué)習(xí)，通過對相關(guān)的非實時數(shù)據(jù)進(jìn)行挖掘來提供指導(dǎo)，自配置就是很好的例子。

隨著5G時代的到來，移動通信系統(tǒng)的網(wǎng)絡(luò)運(yùn)營/運(yùn)維面臨的挑戰(zhàn)將是全方位的，以專家經(jīng)驗為主的運(yùn)營運(yùn)維模式同網(wǎng)絡(luò)的先進(jìn)性之間，正逐漸形成差距，自動化、智能化的網(wǎng)絡(luò)運(yùn)營運(yùn)維能力將成為5G時代電信網(wǎng)絡(luò)運(yùn)營運(yùn)維的剛需。近年來，基于大數(shù)據(jù)與機(jī)器學(xué)習(xí)的人工智能，在移動網(wǎng)絡(luò)運(yùn)維領(lǐng)域取得了一定成功的實際應(yīng)用，如射頻指紋應(yīng)用、參數(shù)自適應(yīng)、負(fù)荷預(yù)測、性能預(yù)測、業(yè)務(wù)預(yù)測、無線感知、智能定位等。未來智能的管理和維護(hù)是準(zhǔn)確理解網(wǎng)絡(luò)需求，進(jìn)行最優(yōu)的網(wǎng)絡(luò)設(shè)計、部署；實時感知網(wǎng)絡(luò)狀況，及時發(fā)現(xiàn)和解決問題，提高用戶體驗；當(dāng)網(wǎng)絡(luò)出現(xiàn)故障時，能快速診斷，排除故障。

類比于汽車的自動駕駛的內(nèi)涵，“網(wǎng)絡(luò)的自動駕駛”也被提出[17-18]，這將更具挑戰(zhàn)。目前國際電信聯(lián)盟已完成了網(wǎng)絡(luò)智能等級的評價框架[33]，3GPP開始著手自治網(wǎng)絡(luò)等級的概念、需求和解決方案的研究[34]，提出了大數(shù)據(jù)驅(qū)動的網(wǎng)絡(luò)架構(gòu)。該架構(gòu)引入了網(wǎng)絡(luò)數(shù)據(jù)分析功能（NWDAF,network data analytics function），可以從其他5G功能收集數(shù)據(jù)，如圖6所示[35-37]，本文按照業(yè)務(wù)進(jìn)行分類，以5G信息管理要求上下文挖掘的應(yīng)用場景為例分析原因，具體如下。

圖6 基于服務(wù)化的5G網(wǎng)絡(luò)架構(gòu)

1)5G需要“上下文識別”能力支持網(wǎng)絡(luò)資源利用效率和網(wǎng)絡(luò)優(yōu)化。

2)基于網(wǎng)絡(luò)功能虛擬化（NFV,network function virtualization）的網(wǎng)絡(luò)功能模塊化要求用戶面和控制面的動態(tài)性。

3)垂直業(yè)務(wù)要求端到端的性能保障機(jī)制。

4)網(wǎng)絡(luò)切片要求業(yè)務(wù)部署的動態(tài)性，因此要求短的上市時間（TTM,time to market）和業(yè)務(wù)覆蓋需求，這意味著需要完全自動化的閉環(huán)機(jī)制。

2.2 人工智能在RRM/MAC方面的研究與應(yīng)用現(xiàn)狀

RRM/MAC在移動網(wǎng)絡(luò)性能管理和提升中起到“大腦”的作用，這種作用非常重要。本文可以基于網(wǎng)絡(luò)的（小區(qū)級）和基于連接的（用戶級）進(jìn)行分類，其分模塊或者分層如圖7所示。小區(qū)間資源管理是優(yōu)化范圍的擴(kuò)大，比如干擾管理就是考慮小區(qū)間的相互影響，從全網(wǎng)最優(yōu)化的角度，考慮干擾的控制、協(xié)調(diào)、抑制、利用等。

RRM本質(zhì)就是一個最優(yōu)控制問題，如式(1)所示，但影響要素眾多，如圖8所示。需要說明的是，隨著移動通信技術(shù)的演進(jìn)以及場景更加多樣化，同樣的類別名稱下，其內(nèi)涵及挑戰(zhàn)的差別是很大的。傳統(tǒng)的方法不足以解決復(fù)雜問題，且缺乏適應(yīng)性。傳統(tǒng)RRM通常基于很多假設(shè)的簡化模型，通過仿真確定算法參數(shù)，可能對于場景A為“好”，但對于場景B為“壞”。

圖7 RRM/MAC領(lǐng)域總體分類

圖8 RRM/MAC領(lǐng)域典型影響因素總結(jié)

其中，Ui表示用戶i的效用。

RRM有著不同的場景和不同的特性，因此需要不同的機(jī)器學(xué)習(xí)方法。比如強(qiáng)化學(xué)習(xí)用于功率分配與控制、鏈路自適應(yīng)[19,38-39]；深度學(xué)習(xí)用于調(diào)度資源分配[40]，聯(lián)邦學(xué)習(xí)用于分布式場景[41]。另外，許多傳統(tǒng)的通信模型，如基于聯(lián)合空間復(fù)用的大規(guī)模MIMO模型嚴(yán)重依賴信道狀態(tài)信息，它們的性能在非線性時變信道下會發(fā)生惡化，因此準(zhǔn)確獲取時變信道的信道狀態(tài)對系統(tǒng)性能至關(guān)重要。通過深度學(xué)習(xí)技術(shù)對無線信道進(jìn)行預(yù)測和重構(gòu)[42]，有可能使通信系統(tǒng)可以學(xué)習(xí)突變的信道模型，并及時反饋信道狀態(tài)，進(jìn)一步提升多天線系統(tǒng)的無線性能。

需要說明的是，無線場景非常復(fù)雜多樣，不像圍棋，棋盤就是全部環(huán)境。和傳統(tǒng)方法相比，無線場景數(shù)據(jù)集的收集高成本與算法的高復(fù)雜、泛化能力和實時性的高要求、網(wǎng)絡(luò)KPI要平滑的高壓線，取得突破性的應(yīng)用成果并不多。同時，研究碎片化問題突出，并沒有像物理層研究人工智能那樣考慮“去模塊化”或者說模塊間的聯(lián)合優(yōu)化，比如控制信道資源和數(shù)據(jù)信道資源分配盡管時頻資源是共享的（如圖9所示），但分配機(jī)制是獨(dú)立的，這顯然不是最優(yōu)的[63]，其原因是控制信道分配的資源多少和能夠支持的調(diào)度用戶數(shù)有關(guān)，當(dāng)然也和用戶的位置、受到的干擾大小有關(guān)，比如邊緣用戶信干比較差，為保證控制信道的可靠性，則需要占用更多的控制信道資源，不過這更易導(dǎo)致資源分配間的沖突碰撞而失敗。同時，控制信道資源分配得越多，可支持的用戶數(shù)越多，但數(shù)據(jù)信道可分配的資源越少，反而降低了可支持的用戶數(shù)。而數(shù)據(jù)信道的資源分配又和業(yè)務(wù)模型及調(diào)度優(yōu)先級有關(guān)，因此，研究模塊的歸一化或者模塊間聯(lián)合最優(yōu)化的問題非常有意義。

圖9 控制信道和數(shù)據(jù)信道聯(lián)合資源分配

2.3 人工智能在物理層/中射頻方面的研究與應(yīng)用現(xiàn)狀

一個典型的無線通信系統(tǒng)由發(fā)射機(jī)、無線信道和接收機(jī)構(gòu)成，如圖10所示。發(fā)射機(jī)主要包括信源、信源編碼、信道編碼、調(diào)制、射頻發(fā)送等模塊；接收機(jī)包括射頻接收、信道估計與信號檢測、解調(diào)、信道解碼、信源解碼、信宿等模塊。

對于這種基于模塊設(shè)計的通信體系結(jié)構(gòu)，通信領(lǐng)域的工作者已做了非常多的研究工作來優(yōu)化每個模塊的性能，但是每個模塊的性能達(dá)到最佳并不意味著整個通信系統(tǒng)的性能達(dá)到最佳。一些新的研究表明，端到端優(yōu)化（即優(yōu)化整個通信系統(tǒng)）性能優(yōu)于優(yōu)化單個模塊。智能通信的無線傳輸研究旨在打破原有的通信模式，獲得無線傳輸性能的大幅提升。由于深度學(xué)習(xí)在面對結(jié)構(gòu)化信息與海量數(shù)據(jù)時有巨大優(yōu)勢，因此它可以為實現(xiàn)端到端性能最大化提供了一種強(qiáng)有力的工具[43-48]?；谏疃葘W(xué)習(xí)的物理層通信技術(shù)主要聚焦在信道估計、信號檢測、信道狀態(tài)信息的反饋與重建、信道解碼及端到端的通信系統(tǒng)?；诙说蕉说臒o線通信系統(tǒng)也被稱為自編碼器，用編碼、信道、解碼過程代替原先的無線通信系統(tǒng)結(jié)構(gòu)，編碼、信道、解碼部分均用深度學(xué)習(xí)網(wǎng)絡(luò)實現(xiàn)，是一種全新的無線通信系統(tǒng)實現(xiàn)思路。對于中射頻，神經(jīng)網(wǎng)絡(luò)被用于功放線性化和數(shù)字預(yù)失真[49-50]。

圖10 移動通信系統(tǒng)物理層典型構(gòu)成

目前有2種類型的深度學(xué)習(xí)網(wǎng)絡(luò)，一種基于數(shù)據(jù)驅(qū)動，另一種基于數(shù)據(jù)模型雙驅(qū)動?；跀?shù)據(jù)驅(qū)動的深度學(xué)習(xí)網(wǎng)絡(luò)將無線通信系統(tǒng)的多個功能塊看作一個未知的黑盒子，利用深度學(xué)習(xí)網(wǎng)絡(luò)取而代之，然后依賴大量訓(xùn)練數(shù)據(jù)完成輸入到輸出的訓(xùn)練。然而，訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)需要大量的標(biāo)記數(shù)據(jù)，積累和標(biāo)記大量信息的過程不但費(fèi)時而且成本高昂。除了積累標(biāo)記數(shù)據(jù)的挑戰(zhàn)之外，大多數(shù)基于數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)模型泛化性和自適應(yīng)性較弱，即使網(wǎng)絡(luò)部分結(jié)構(gòu)發(fā)生微小變化，也會導(dǎo)致訓(xùn)練模型的準(zhǔn)確性大大降低。移動通信系統(tǒng)從1G 演進(jìn)到5G，其性能的提升離不開功能模塊的建模，基于數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)網(wǎng)絡(luò)摒棄這些已有的無線通信知識，需要海量數(shù)據(jù)進(jìn)行訓(xùn)練與學(xué)習(xí)，而獲得的性能往往達(dá)不到已有無線通信系統(tǒng)模型的性能。而基于數(shù)據(jù)模型雙驅(qū)動的深度學(xué)習(xí)網(wǎng)絡(luò)以物理層已有模型為基礎(chǔ)，可以顯著減少訓(xùn)練或升級所需的信息量。由于已有的模型具有環(huán)境自適應(yīng)性和泛化性，因此數(shù)據(jù)模型雙驅(qū)動深度學(xué)習(xí)網(wǎng)絡(luò)也具有這些特性，并且能在原模型基礎(chǔ)上進(jìn)一步提升系統(tǒng)的性能。因此數(shù)據(jù)模型雙驅(qū)動的深度學(xué)習(xí)是最具潛力的發(fā)展方向之一，如圖11所示為訓(xùn)練方法分類[26]。

基于人工智能的物理層技術(shù)研究有2個價值方向：提升性能或者降低成本（在性能不變的情況下降低計算復(fù)雜度），不過目前許多技術(shù)的應(yīng)用實施尚未處于初期探索階段，更談不上商用。使用深度學(xué)習(xí)解決物理層無線通信問題是一條漫長的道路，而且這條道路上還有許多障礙，比如如何建立通信數(shù)據(jù)集，如何選取或設(shè)計適用于通信場景的神經(jīng)網(wǎng)絡(luò)及如何將基于深度學(xué)習(xí)的通信技術(shù)運(yùn)用于通信設(shè)備等。但基于深度學(xué)習(xí)的物理層無線通信技術(shù)研究，也可能給基于傳統(tǒng)無線通信的研究、技術(shù)優(yōu)化帶來啟示。

3 人工智能在提升移動通信系統(tǒng)性能方面的探索與實踐

圖12從研究對象的角度給出了移動通信網(wǎng)絡(luò)系統(tǒng)性能提升的全景。從圖12可以看出，一方面，把每個模塊的性能做到極致；另一方面，從縱向考慮從中射頻到應(yīng)用層的跨層最優(yōu)化設(shè)計，從橫向考慮從小區(qū)內(nèi)到小區(qū)間/載波間的最優(yōu)協(xié)同設(shè)計。

導(dǎo)致實際網(wǎng)絡(luò)性能與理想網(wǎng)絡(luò)性能存在大的差距的主要因素有信息的及時性、信息的確定性、信息的完備性、無法精確求解，因此，人工智能技術(shù)就是要克服這些網(wǎng)絡(luò)性能提升的障礙。在應(yīng)用人工智能進(jìn)一步提升移動通信系統(tǒng)性能的算法方案選型、決策技術(shù)路線時，需要考慮7個關(guān)鍵度量維度，如圖13所示。

1)可擴(kuò)展性。能應(yīng)對規(guī)模增加（比如更多的數(shù)據(jù)、更多的特征、更多的層數(shù)等）而不無限增加復(fù)雜度。

2)收斂可靠性。算法是否限于局部最優(yōu)或者初始條件嚴(yán)重影響結(jié)果。

3)響應(yīng)時間。算法訓(xùn)練完成后的生效時間。

4)訓(xùn)練時間和數(shù)據(jù)。算法的訓(xùn)練方式為在線或者離線。對于在線算法，需要有很高實時性，訓(xùn)練時間要短。關(guān)于訓(xùn)練數(shù)據(jù)，除了通常標(biāo)注與非標(biāo)注的區(qū)分，更重要的是數(shù)據(jù)的可獲得性、粒度、數(shù)據(jù)量與本節(jié)點的存儲能力、是否需要相鄰節(jié)點、傳輸條件與代價等。

5)復(fù)雜度。為了實現(xiàn)期望的結(jié)果所需要的數(shù)學(xué)運(yùn)算量。

圖11 訓(xùn)練方法總結(jié)

圖12 移動通信網(wǎng)系統(tǒng)性能提升全景

6)精確度。算法和希望的目標(biāo)之間的偏差極小。

7)收斂時間。算法抵達(dá)最優(yōu)解或者期望的結(jié)果所需時間。

圖13 人工智能應(yīng)用時需考慮的關(guān)鍵度量維度

3.1 移動通信網(wǎng)絡(luò)的性能外環(huán)與人工智能

網(wǎng)絡(luò)越來越復(fù)雜，網(wǎng)絡(luò)實際性能與網(wǎng)絡(luò)理想性能的差距不斷擴(kuò)大，傳統(tǒng)方法在面對復(fù)雜問題時無力，但人工智能方法又有其自身的挑戰(zhàn)與局限性。如何走出困境？除了從人工智能本身突破之外，另一條思路是從理論上提煉出到底什么特點的領(lǐng)域適合人工智能，什么特點的領(lǐng)域并不適合，人工智能的方法和非人工智能的方法如何最佳結(jié)合以逼近性能界。

本文創(chuàng)造性地提出基于性能內(nèi)環(huán)與性能外環(huán)的方式，相互協(xié)作逼近性能上界。有關(guān)性能內(nèi)環(huán)和性能外環(huán)的定義和比較如表1所示。由表1可以看出，性能內(nèi)環(huán)的價值越大，則性能外環(huán)的價值越小，反之，性能內(nèi)環(huán)的價值越小，則性能外環(huán)的價值越大，如圖14所示。首先分解并解耦一個問題為性能內(nèi)環(huán)和性能外環(huán)兩部分，用人工智能的方法重構(gòu)性能外環(huán)部分，然后和性能內(nèi)環(huán)部分協(xié)同進(jìn)行性能的最優(yōu)化。表1中，TTI+（transmission time interval，傳輸時間間隔）指的是時間的處理粒度為TTI量級，話統(tǒng)+指的是時間的處理粒度為通常話務(wù)統(tǒng)計的量級。

以鏈路自適應(yīng)為例，目前研究中常采用滿灌包（fullbuffer）的業(yè)務(wù)模型或者隱含了滿灌包的業(yè)務(wù)模型的假設(shè)，這是有問題的。由于業(yè)務(wù)具有多樣性，有的業(yè)務(wù)在線時間很短（對于5G的大帶寬場景，業(yè)務(wù)的在線時間更短），有的業(yè)務(wù)在線時間較長。例如，以即時通信類業(yè)務(wù)為代表的小包持續(xù)性突發(fā)（burst）實時在線業(yè)務(wù)，該業(yè)務(wù)包含頻繁的文本、圖像信息和周期性的ping，這導(dǎo)致無線網(wǎng)絡(luò)在連接和空閑狀態(tài)間進(jìn)行頻繁的切換，而每當(dāng)退出一次網(wǎng)絡(luò)，之前的用戶上下文信息全無。對于在線時間短的業(yè)務(wù)，閉環(huán)反饋還沒有使鏈路自適應(yīng)收斂就結(jié)束了，所以初值的選擇就顯得更加重要。因此，采用圖8所示的相關(guān)指標(biāo)作為輸入基于神經(jīng)網(wǎng)絡(luò)對初始值進(jìn)行訓(xùn)練，作為性能外環(huán)，訓(xùn)練方式可離線也可在線。而性能內(nèi)環(huán)在性能外環(huán)的基礎(chǔ)上，為基于確認(rèn)（ACK/NACK,acknowledgement/not-acknowledgement）反饋的閉環(huán)自適應(yīng)算法，比如眾所周知的外環(huán)鏈路自適應(yīng)（OLLA,outer loop link adaptation）算法或者基于吞吐量最優(yōu)化的其他算法，這樣既提升了性能，又降低了神經(jīng)網(wǎng)絡(luò)泛化能力帶來的網(wǎng)絡(luò)KPI風(fēng)險（因為性能內(nèi)環(huán)的“糾偏”）。

表1 性能內(nèi)環(huán)與性能外環(huán)比較說明

圖14 性能內(nèi)環(huán)與性能外環(huán)的關(guān)系

就像前文所提到的，盡管人工智能在移動網(wǎng)絡(luò)運(yùn)維領(lǐng)域取得了一定成功，但人工智能在如何提升無線通信系統(tǒng)性能方面的商業(yè)用例還很少。由前面的分析及基于人工智能的特點，本文著力探索了人工智能在一個問題的性能外環(huán)部分的應(yīng)用，然后和該問題的性能內(nèi)環(huán)部分進(jìn)行最佳協(xié)同。下面的用例也說明了基于性能外環(huán)理念的有效性。

1)基于AI的大規(guī)模MIMO模式（massive MIMO pattern）自適應(yīng)[14]。

2)基于AI的智能載波匯聚（CA，carrier aggregation），改善用戶體驗[14]。

3.2 構(gòu)建閉環(huán)的人工智能使能移動網(wǎng)絡(luò)的自動化、智能化、智慧化

電信網(wǎng)絡(luò)和IT網(wǎng)絡(luò)最大的不同之一是，電信網(wǎng)絡(luò)有著嚴(yán)格的KPI，所以人工智能應(yīng)用到無線網(wǎng)絡(luò)系統(tǒng)性能提升最大的挑戰(zhàn)是：1)如何“穩(wěn)”“準(zhǔn)”“快”；2)如何由“概率性正確”盡可能為“確定性正確”。

為了解決上述挑戰(zhàn)，除了盡量使人工智能重構(gòu)的無線資源管理方案本身具有優(yōu)異的性能外，還必須有基于大數(shù)據(jù)分析和模擬系統(tǒng)的反饋閉環(huán)系統(tǒng)，如圖15所示，以使能無線網(wǎng)絡(luò)的自動化、智能化、智慧化，其中，1)模擬器的構(gòu)建——模擬系統(tǒng)是實現(xiàn)“穩(wěn)”“準(zhǔn)”“快”的關(guān)鍵路徑；2)大數(shù)據(jù)分析包括“場景聚類”“根因分析”等；3)解決方案集可以是人工智能重構(gòu)的無線資源管理或者各種場景化的解決方案。

圖15 基于大數(shù)據(jù)分析與模擬系統(tǒng)的反饋閉環(huán)系統(tǒng)

上述工作是一個浩大的工程，不僅涉及對移動通信技術(shù)和移動網(wǎng)絡(luò)系統(tǒng)的熟悉理解與深入研究，也有賴于遷移學(xué)習(xí)（transfer learning）、增量學(xué)習(xí)（incremental learning）、聯(lián)邦學(xué)習(xí)（federated learning）或者說共享學(xué)習(xí)（shared learning）等機(jī)器學(xué)習(xí)技術(shù)的突破，以及這兩者之間恰如其分的結(jié)合。技術(shù)決定架構(gòu)，反過來架構(gòu)影響技術(shù)。智能化的數(shù)據(jù)訓(xùn)練是需要樣本的，而移動通信網(wǎng)絡(luò)樣本的獲取成本是非常高的，尺度越小越是如此，因此，分布式的計算架構(gòu)至關(guān)重要、增量與存量數(shù)據(jù)的關(guān)系至關(guān)重要、共性模型和個性模型的關(guān)系至關(guān)重要等。技術(shù)需要和架構(gòu)迭代研究才能最終收斂。

事實上，有了這樣的閉環(huán)系統(tǒng)，也就可以放心地實現(xiàn)解決方案精準(zhǔn)投放了。

4 結(jié)束語

人工智能在提升移動通信系統(tǒng)性能上發(fā)揮更大作用，但也面臨著突破上的巨大障礙。下面3個問題，可以說是當(dāng)下面對人工智能到移動通信領(lǐng)域應(yīng)用前景時最大的困惑與不確定性，具體如下。

1)在當(dāng)下的傳統(tǒng)網(wǎng)絡(luò)架構(gòu)下，人工智能在移動通信領(lǐng)域到底能滲透到什么程度，能發(fā)展的程度如何。

2)未來的智能無線通信（包括其對應(yīng)的新的網(wǎng)絡(luò)架構(gòu)）會是什么形態(tài)。

3)能否實現(xiàn)移動通信網(wǎng)絡(luò)的“自動駕駛”。

本文對人工智能在移動通信領(lǐng)域的研究與應(yīng)用現(xiàn)狀進(jìn)行了總結(jié)分析，進(jìn)行了初步的探索與實踐，但研究碎片化與實際應(yīng)用的艱難、理論構(gòu)建不夠、系統(tǒng)架構(gòu)缺失等情況突出，因此在未來將以全景式視角，在研究的系統(tǒng)化、框架化及跨學(xué)科的交叉融合理論構(gòu)建上進(jìn)一步的突破創(chuàng)新。