章堅(jiān)武，王路鑫，孫玲芬，章謙驊，單杭冠

（1. 杭州電子科技大學(xué)，浙江 杭州 310018；2. 英國普利茅斯大學(xué)，英國 普利茅斯 PL48AA；3. 之江實(shí)驗(yàn)室智能網(wǎng)絡(luò)研究中心，浙江 杭州311121；4.浙江大學(xué)，浙江 杭州 310007）

1 引言

隨著移動業(yè)務(wù)量的不斷增加，互聯(lián)網(wǎng)時代對移動通信技術(shù)的需求越來越緊迫。5G提供了一種高度靈活和可擴(kuò)展的網(wǎng)絡(luò)技術(shù)，使得人與人、人與物、物與物在任何時間、任何地點(diǎn)都能實(shí)現(xiàn)相互連接。它提供了一個彈性的云原生核心網(wǎng)絡(luò)，對網(wǎng)絡(luò)切片提供端到端的需求。圍繞5G的三大應(yīng)用場景——增強(qiáng)型移動寬帶（eMBB）、大連接物聯(lián)網(wǎng)（mMTC）、超可靠低時延通信（uRLLC）將為未來的社會、經(jīng)濟(jì)發(fā)展提供巨大動力[1]。在未來5G技術(shù)的支持下，越來越多的相關(guān)技術(shù)（例如物聯(lián)網(wǎng)、車聯(lián)網(wǎng)、遠(yuǎn)程醫(yī)療、虛擬現(xiàn)實(shí)與增強(qiáng)現(xiàn)實(shí)、無人駕駛飛行器、智慧交通、工業(yè)4.0等）將會從根本上改變?nèi)祟惿睢閼?yīng)對這種發(fā)展趨勢，無線通信系統(tǒng)必須能夠具備支持超高網(wǎng)絡(luò)負(fù)荷、海量設(shè)備接入與低時延大連接的能力[2-3]。然而大量的數(shù)據(jù)處理和計(jì)算將極大地提高計(jì)算復(fù)雜度，同時靈活的空中接口和網(wǎng)絡(luò)切片技術(shù)的引入也將對無線系統(tǒng)設(shè)計(jì)提出巨大挑戰(zhàn)。

人工智能（artificial intelligence，AI）作為一種新型技術(shù)，已經(jīng)在圖像處理、自然語言識別、電子游戲等領(lǐng)域有著廣泛的應(yīng)用[4-6]。為解決5G系統(tǒng)存在的問題與挑戰(zhàn)，學(xué)術(shù)界開始把研究目光放在人工智能技術(shù)上。人工智能技術(shù)具備強(qiáng)大的學(xué)習(xí)和預(yù)測能力、良好的非線性擬合和自適應(yīng)能力，善于挖掘高緯度和高冗余數(shù)據(jù)中復(fù)雜的特征并進(jìn)行高效的海量數(shù)據(jù)處理[7]?，F(xiàn)有研究表明，針對5G系統(tǒng)中存在的難以建模、難以求解或具有統(tǒng)一模式的問題，現(xiàn)有的傳統(tǒng)解決方案并不能起到良好的作用，然而人工智能技術(shù)可以通過其本身具備的學(xué)習(xí)預(yù)測和自適應(yīng)能力以及挖掘數(shù)據(jù)特征的能力，幫助理解無線內(nèi)容，識別未知模式，降低系統(tǒng)復(fù)雜度，并產(chǎn)生超越傳統(tǒng)解決方案的實(shí)際效果[8]。

2 人工智能在移動邊緣計(jì)算領(lǐng)域的研究

隨著移動終端數(shù)量的激增，現(xiàn)有中心化網(wǎng)絡(luò)逐漸無法支持各終端的任務(wù)需求。多接入邊緣計(jì)算（multi-access edge computing，MEC）技術(shù)在網(wǎng)絡(luò)邊緣部署具有緩存、存儲、計(jì)算能力的資源節(jié)點(diǎn)，通過將業(yè)務(wù)本地化、緩存加速、本地分流等技術(shù)，有效降低了網(wǎng)絡(luò)回傳的帶寬需求，有效減輕了核心網(wǎng)在數(shù)據(jù)傳輸方面受到的壓力，應(yīng)對5G網(wǎng)絡(luò)面臨的高負(fù)荷、高帶寬、低時延[9]。關(guān)于MEC的研究主要集中在3個方面。

（1）計(jì)算卸載與資源分配

在MEC技術(shù)中，計(jì)算卸載扮演了一個重要的角色。計(jì)算卸載策略決定了MEC系統(tǒng)在效率與可實(shí)現(xiàn)性中的表現(xiàn)。通過將計(jì)算任務(wù)完全或部分卸載至物理位置上接近且計(jì)算能力合適的MEC服務(wù)器，用戶對任務(wù)計(jì)算的體驗(yàn)（例如設(shè)備能耗、計(jì)算時延等），將會有顯著提升[10-11]。目前，學(xué)術(shù)界在計(jì)算卸載量與資源分配問題上，使用的方法主要圍繞啟發(fā)式算法和博弈論。然而在熱點(diǎn)區(qū)域，例如商場、學(xué)校等大型人員流動密集或存在大量終端設(shè)備的場所，若繼續(xù)使用此類算法求解最佳卸載策略，將會產(chǎn)生較高的計(jì)算復(fù)雜度。并且對不同用戶產(chǎn)生的不同類型任務(wù)，此類算法大多只能使用統(tǒng)一的卸載標(biāo)準(zhǔn)，難以給出個性化卸載策略。

（2）移動性管理

MEC移動性問題包括終端用戶的位置移動導(dǎo)致的數(shù)據(jù)到應(yīng)用的路徑更改以及由于負(fù)載平衡或計(jì)算節(jié)點(diǎn)性能比不足產(chǎn)生的應(yīng)用遷移[12]。由于終端用戶移動軌跡難以預(yù)測且5G基站覆蓋范圍較小，切換將頻繁且無規(guī)律發(fā)生。這對5G系統(tǒng)的移動性管理提出了極高的要求。另外，由于網(wǎng)絡(luò)邊緣部署的小型計(jì)算節(jié)點(diǎn)計(jì)算能力有限，應(yīng)用遷移也會時而發(fā)生。

（3）安全性問題

傳統(tǒng)的無線網(wǎng)絡(luò)中，重要的網(wǎng)元設(shè)備均被部署在核心網(wǎng)機(jī)房內(nèi)，并且處于一個相對封閉的環(huán)境中，安全性能夠得到良好的保障，主要安全問題僅存在于接入網(wǎng)中。MEC系統(tǒng)中，業(yè)務(wù)具有本地化的特性，數(shù)據(jù)在進(jìn)入核心網(wǎng)前就可能被終結(jié)，系統(tǒng)極易受到攻擊[13]。因此，增加網(wǎng)絡(luò)安全建設(shè)（例如入侵檢測）變得尤為重要。

2.1 基于AI的計(jì)算卸載策略

計(jì)算卸載與資源分配策略決定了MEC系統(tǒng)的性能。針對工業(yè)物聯(lián)網(wǎng)（industrial internet of thing，IIoT）中機(jī)器型代理（machine type agent,MTA）計(jì)算卸載與資源分配問題，參考文獻(xiàn)[14]提出了一種基于多代理深層確定性策略梯度（MADDPG）的深度學(xué)習(xí)算法，對系統(tǒng)時延進(jìn)行了優(yōu)化。該算法只在執(zhí)行階段使用本地信息，保證了IIoT在大連接場景下的安全性。由于該算法執(zhí)行時不需要代理間的相互通信，參考文獻(xiàn)[15]提出了一種物聯(lián)網(wǎng)環(huán)境中基于深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）的分布式深度學(xué)習(xí)驅(qū)動任務(wù)卸載算法。該研究對時延與能耗進(jìn)行加權(quán)操作，求得的最佳卸載策略兼顧了移動業(yè)務(wù)的傳輸時延與設(shè)備能耗，在物聯(lián)網(wǎng)場景下具有積極意義。此外，該算法利用均方誤差函數(shù)最小化損失函數(shù)值，得到最佳卸載策略，實(shí)現(xiàn)系統(tǒng)整體開銷最優(yōu)化。參考文獻(xiàn)[16-17]提出了一種基于分層式機(jī)器學(xué)習(xí)的MEC任務(wù)分配框架。與以往研究不同的是，該框架不僅在MEC服務(wù)器端使用DNN，同時在傳感器設(shè)備端部署淺層神經(jīng)網(wǎng)絡(luò)（shallow neural network，SNN），當(dāng)數(shù)據(jù)傳入時會先在本地根據(jù)SNN進(jìn)行卸載策略處理，隨后將需要卸載的數(shù)據(jù)上傳至MEC服務(wù)器進(jìn)行更精確的計(jì)算。這種架構(gòu)的優(yōu)勢在于，當(dāng)存在大量數(shù)據(jù)時，MEC服務(wù)器的計(jì)算負(fù)荷將被本地分擔(dān)，顯著降低數(shù)據(jù)處理時間。劣勢在于系統(tǒng)對數(shù)據(jù)處理的準(zhǔn)確度將會有所降低。

參考文獻(xiàn)[18]針對均衡時延與能耗問題，提出了一種基于深度強(qiáng)化學(xué)習(xí)（deep reinforcement learning，DRL）的算法架構(gòu)。與其他現(xiàn)有研究相比，這種結(jié)合式的深度強(qiáng)化學(xué)習(xí)彌補(bǔ)了基于深度學(xué)習(xí)（deep learning，DL）模型需要大量已打標(biāo)簽的訓(xùn)練數(shù)據(jù)的缺點(diǎn)，同時也彌補(bǔ)了大規(guī)模MEC場景下基于強(qiáng)化學(xué)習(xí)（reinforcement learning，RL）模型無法實(shí)現(xiàn)全覆蓋且最終結(jié)果不穩(wěn)定的劣勢。

參考文獻(xiàn)[19]針對多用戶、多信道、多MEC場景提出了一種基于DDPG（deep deterministic policy gradient）算法的計(jì)算卸載與資源分配策略。該策略不僅考慮用戶時延與能耗的均衡，同時為每個用戶設(shè)置了一個系統(tǒng)開銷上限。這樣操作相較于其他同類研究，系統(tǒng)整體的QoE（quality of experience）將會提高，然而對于系統(tǒng)中的某個個體來說，所得到的卸載策略也許不是最佳卸載策略。另外，DDPG算法能夠處理優(yōu)化變量的連續(xù)動作空間，以此解決兼顧系統(tǒng)時延、能耗以及各用戶開銷上限的問題。

參考文獻(xiàn)[20]提出了一種基于深度強(qiáng)化學(xué)習(xí)的在線卸載算法，旨在最大化無線設(shè)備的計(jì)算速率。該算法由卸載動作生成和卸載決策更新兩個交替過程組成。卸載動作的生成依賴于DNN的使用，被選擇的卸載動作將會存放在重放內(nèi)存中。在卸載決策更新過程中，重放內(nèi)存中的一部分訓(xùn)練樣本會被提取并重新用于DNN訓(xùn)練。這樣操作的好處是：分批處理更新策略會大大降低系統(tǒng)復(fù)雜度；歷史數(shù)據(jù)的重新使用減少了迭代更新過程中卸載策略參數(shù)化后的方差；隨機(jī)抽樣能夠通過降低訓(xùn)練樣本中的相關(guān)性加速收斂速度。

參考文獻(xiàn)[21]針對“邊－云”協(xié)同網(wǎng)絡(luò)，設(shè)計(jì)了一個基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional nerual network，CNN）計(jì)算卸載方案，旨在降低系統(tǒng)時延。由于CNN是由多個層組成的，每個層都具有不同的數(shù)據(jù)處理能力，系統(tǒng)可以調(diào)度多個CNN層，在一個邊緣服務(wù)器上處理一個任務(wù)的一部分，在其他服務(wù)器上執(zhí)行剩余任務(wù)，實(shí)現(xiàn)部分卸載。但是當(dāng)計(jì)算節(jié)點(diǎn)增加，CNN網(wǎng)絡(luò)層數(shù)會加深，在這種情況下采用BP傳播修改參數(shù)會使靠近輸入層的參數(shù)改動較慢，因此在大連接場景下性能會有所下降。

參考文獻(xiàn)[22]針對車聯(lián)網(wǎng)場景提出了一種基于DQN（deepQnetwork）的多用戶計(jì)算卸載與資源分配方案，考慮到任務(wù)執(zhí)行時延與能耗的均衡，實(shí)現(xiàn)了任務(wù)總成本的下降。相較于其他方法而言，DQN能夠在沒有任何先驗(yàn)信息的情況下使車輛與環(huán)境進(jìn)行交互，并從環(huán)境中學(xué)習(xí)、調(diào)整卸載決策，從而實(shí)現(xiàn)長期回報(bào)最佳化。這對類似車聯(lián)網(wǎng)這種時變動態(tài)的場景來說非常重要。參考文獻(xiàn)[23]在參考文獻(xiàn)[22]的基礎(chǔ)上，對不同車輛進(jìn)行了任務(wù)優(yōu)先級的劃分，提出了一種基于AHP-DQN的計(jì)算卸載與資源分配算法。該算法通過引入層次分析法（AHP）對車輛終端的任務(wù)進(jìn)行預(yù)處理，使得MEC服務(wù)器能夠輕松地合理分配計(jì)算資源。同時重新定義了獎勵函數(shù)，并且對任務(wù)處理速率進(jìn)行加權(quán)作為新的優(yōu)化目標(biāo)，降低了算法在迭代過程中的計(jì)算復(fù)雜度。

上述基于人工智能的計(jì)算卸載算法特點(diǎn)見表1。

2.2 基于AI的邊緣移動性管理

在MEC系統(tǒng)中，移動性管理的方案主要有兩種：第一，用戶移動性較低的場景中，可以通過調(diào)整基站功率，保障用戶處于移動狀態(tài)時能夠接受到連續(xù)不中斷的服務(wù)，該方案被稱作功率控制方案；第二，當(dāng)用戶從一個基站覆蓋區(qū)域切換到一個新的基站覆蓋區(qū)域時，計(jì)算節(jié)點(diǎn)間通過遷移虛擬機(jī)保障服務(wù)的連續(xù)性，并且為用戶選擇一條新的合適路徑與計(jì)算節(jié)點(diǎn)相連，該方案被稱作虛擬機(jī)遷移方案。在功率控制方案中，傳統(tǒng)的通過基站自適應(yīng)式功率控制方案已經(jīng)可以有效地保障低移動性場景服務(wù)的連續(xù)性，卸載應(yīng)用成果傳遞有效率達(dá)98%以上[24-25]。由于5G系統(tǒng)中基站覆蓋范圍較小，用戶的切換會頻繁發(fā)生，特別是車聯(lián)網(wǎng)等終端處于高速移動的場景，MEC系統(tǒng)需要及時作出正確的服務(wù)遷移。MEC場景往往存在多個終端用戶與多個MEC計(jì)算節(jié)點(diǎn)，因此可選擇的服務(wù)遷移路徑較多，例如當(dāng)終端用戶數(shù)為5、邊緣計(jì)算節(jié)點(diǎn)數(shù)為3時，可選遷移路徑數(shù)為35=125。隨著終端與計(jì)算階節(jié)點(diǎn)的增加，可選遷移路徑將以指數(shù)形式增加，這使得傳統(tǒng)算法的計(jì)算復(fù)雜度急劇增加。在這種情況下，AI技術(shù)成為一個研究重點(diǎn)。

參考文獻(xiàn)[26]針對能耗敏感型的移動性用戶提出了一種基于DNN的EESA（energy efficient smart allocator）算法。對每個用戶所在的初始位置建立了距離矩陣，并根據(jù)服務(wù)器的總CPU數(shù)、RAM和磁盤空間及其各項(xiàng)的加權(quán)系數(shù)求得每一項(xiàng)對用戶QoS的權(quán)重，最終得出系統(tǒng)效用矩陣。最后利用三層循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）對效用函數(shù)值進(jìn)行訓(xùn)練，求得最佳卸載策略?，F(xiàn)有對MEC系統(tǒng)能耗的研究主要集中在服務(wù)器CPU的分配，而該文將CPU、RAM和磁盤空間共同納入考量，更符合MEC系統(tǒng)的實(shí)際場景。

表1 各算法優(yōu)化目標(biāo)與卸載方式

參考文獻(xiàn)[27]圍繞深度強(qiáng)化學(xué)習(xí)提出了一種新的動態(tài)移動性感知資源分配方案。由于在移動場景下，每個MEC計(jì)算節(jié)點(diǎn)中的任務(wù)量是動態(tài)的，會因?yàn)橛脩舻那袚Q而遷移到別的計(jì)算節(jié)點(diǎn)中，因此，通過傳統(tǒng)方法找到動態(tài)網(wǎng)絡(luò)的最優(yōu)卸載策略是非常困難的。該文引入軟件定義網(wǎng)絡(luò)（software defined network，SDN）架構(gòu)，通過SDN提供靈活、可靠的可用資源實(shí)時信息，集中控制器可以讓系統(tǒng)中的每個單元做出最佳決策。該文在SDN控制器中部署了智能代理，代理通過DQN預(yù)測的Q值做出當(dāng)前狀態(tài)下用戶的卸載策略。與現(xiàn)有研究不同的是，該文考慮了計(jì)算節(jié)點(diǎn)在計(jì)算期間的時變工作負(fù)載，當(dāng)計(jì)算資源改變時，任務(wù)可以實(shí)時進(jìn)行遷移，避免了不必要的排隊(duì)時間，進(jìn)一步最大化了系統(tǒng)增益。

參考文獻(xiàn)[28]針對高速移動的車聯(lián)網(wǎng)場景，提出了基于DRL的卸載規(guī)劃方案。該方案能夠最小化任務(wù)執(zhí)行時延和系統(tǒng)能耗加權(quán)后的系統(tǒng)開銷。在高速移動的車聯(lián)網(wǎng)場景下，各終端任務(wù)特性不同且處于高速移動狀態(tài)，此外，無線環(huán)境是動態(tài)變化的，因此需要考慮任務(wù)是否被卸載以及任務(wù)執(zhí)行順序。針對這種場景，該文通過馬爾可夫決策過程（Markov decision process，MDP）和DRL進(jìn)行建模，處理頻繁切換帶來的大量狀態(tài)空間。并使用PPO（proximal policy optimization）算法進(jìn)行訓(xùn)練，該算法被證明具有良好的穩(wěn)定性和可靠性[29]。在提取任務(wù)隊(duì)列特征方面，該文使用在DNN體系結(jié)構(gòu)中嵌入CNN的方式獲取近似的卸載策略和值函數(shù)。該文設(shè)計(jì)的方案能夠在沒有任何動態(tài)環(huán)境先驗(yàn)信息的情況下有效地學(xué)習(xí)最佳卸載調(diào)度策略。但是該文考慮的移動場景是一維移動場景，即車輛僅在直線上高速行駛，在實(shí)際場景中效果將有所降低。

參考文獻(xiàn)[30]提出了移動感知深度強(qiáng)化學(xué)習(xí)（mobility-aware deep reinforcement learning，M-DRL）框架解決MEC系統(tǒng)中的移動服務(wù)提供問題。相較于其他研究，該文對終端用戶的軌跡進(jìn)行了預(yù)測。移動性預(yù)測是在移動服務(wù)提供過程中實(shí)現(xiàn)高效服務(wù)遷移的關(guān)鍵點(diǎn)，如果能夠預(yù)測未來用戶在服務(wù)器間的一系列位置與時間，那么就可以攻擊未來用戶所經(jīng)歷的預(yù)期時延。為實(shí)現(xiàn)此目標(biāo)，該文提出了一種稱為glimpse的seq2seq模型進(jìn)行軌跡預(yù)測，其中編碼器與解碼器使用長短期記憶（long short-term memory，LSTM）網(wǎng)絡(luò)。由于多用戶多MEC場景下狀態(tài)空間維度較大，該文在DRL中使用神經(jīng)網(wǎng)絡(luò)來逼近Q值函數(shù)。最后結(jié)合glimpse行動預(yù)測模型與DRL，形成M-DRL框架，從而降低系統(tǒng)的計(jì)算復(fù)雜度并以接近最優(yōu)的性能處理MEC中的服務(wù)提供問題。

參考文獻(xiàn)[31]針對車聯(lián)網(wǎng)場景提出了一種基于DRL的卸載算法。與其他研究不同的是，該文不僅考慮了用戶本地執(zhí)行、任務(wù)卸載至邊緣服務(wù)器執(zhí)行，同時也考慮了用戶與用戶間相互卸載的情況（即D2D）。這種做法的優(yōu)勢在于能夠利用鄰近空閑終端的計(jì)算能力，在提升系統(tǒng)效率的同時，提升頻譜利用率。針對狀態(tài)空間較大引起的高系統(tǒng)復(fù)雜度問題，該文提出了一種基于continuous-control的算法來對動作輸出進(jìn)行修正。同時，該文在DRL中使用了一種被稱作A3C的改進(jìn)Actor critic（AC）算法來確定最優(yōu)動作。AC算法由兩個結(jié)構(gòu)不同的神經(jīng)網(wǎng)絡(luò)組成，可以進(jìn)行單步更新, 相較于傳統(tǒng)的Policy Gradient回合更新要快，在學(xué)習(xí)階段的學(xué)習(xí)效率相較于DQN算法更加高效。

2.3 基于AI的MEC安全性

由于MEC本身的特性，用戶本地業(yè)務(wù)的數(shù)據(jù)將會在核心網(wǎng)之外被終結(jié)，攻擊者將能夠通過邊緣平臺或應(yīng)用攻擊核心網(wǎng)，造成敏感數(shù)據(jù)的泄露、DDoS攻擊等。邊緣安全威脅主要存在于：（1）基礎(chǔ)設(shè)施安全，例如，攻擊者能夠非法訪問物理服務(wù)器的I/O接口，從而獲取諸如用戶位置等敏感信息；（2）MEC平臺與MEC應(yīng)用安全，例如當(dāng)MEC平臺與MEC App通信時，傳輸數(shù)據(jù)可能會遭到篡改、攔截、重放；（3）MEC編排和管理系統(tǒng)安全；（4）用戶面功能（UPF）安全等[32]。

由于無線信道具有開放廣播的特性，邊緣網(wǎng)絡(luò)在對抗惡意終端設(shè)備的假冒攻擊方面十分薄弱。攻擊者可以通過合法的身份與MEC設(shè)備建立連接，這也將進(jìn)一步導(dǎo)致中間人攻擊和DDoS攻擊的出現(xiàn)。對此，參考文獻(xiàn)[33]設(shè)計(jì)了一種基于DQN的物理層假冒攻擊檢測方法。該文根據(jù)建立的假冒攻擊模型，在接收側(cè)建立基于信道狀態(tài)信息（channel state information，CSI）的假設(shè)檢驗(yàn)，隨后把兩次連續(xù)的CSI間的歐幾里得距離作為檢驗(yàn)統(tǒng)計(jì)量，并利用DQN比較不同閾值的預(yù)期效果，篩查具有不合法特征的發(fā)送端身份。由于邊緣系統(tǒng)中用戶并不總處于靜止?fàn)顟B(tài)，MEC與用戶間的信道環(huán)境也是動態(tài)的，利用DQN算法能夠在動態(tài)環(huán)境中找到最優(yōu)卸載策略。同時利用物理層特性的檢驗(yàn)方法幾乎不會為終端帶來計(jì)算負(fù)荷。參考文獻(xiàn)[34]提出了一種孤立隨機(jī)森林算法與MEC技術(shù)相結(jié)合的思路對大數(shù)據(jù)環(huán)境下的DDoS攻擊進(jìn)行檢測。將算法的訓(xùn)練任務(wù)分散到各個邊緣計(jì)算節(jié)點(diǎn)，模型的訓(xùn)練速度得到了大幅度提升。將中心云的訓(xùn)練任務(wù)分流到各個邊緣節(jié)點(diǎn)，有效地減少了系統(tǒng)在檢測階段的耗時。通過該種方法，MEC系統(tǒng)能夠在保證高檢測性能的同時，有效應(yīng)對網(wǎng)絡(luò)數(shù)據(jù)增長帶來的中心云檢測壓力。參考文獻(xiàn)[35]提出了一種基于DL的流量預(yù)測與數(shù)據(jù)卸載機(jī)制和網(wǎng)絡(luò)攻擊檢測（DLTPDO-CD）技術(shù)，用于在MEC系統(tǒng)中預(yù)測流量、卸載數(shù)據(jù)和檢測網(wǎng)絡(luò)攻擊。該文首先使用Bi-LSTM進(jìn)行流量負(fù)荷預(yù)測，這一過程有助于實(shí)現(xiàn)有效的數(shù)據(jù)卸載；其次將ASCE（adaptive sampling cross entropy）模型應(yīng)用于最大化卸載用戶的吞吐量；隨后將DBN（deep belief network）模型作為網(wǎng)絡(luò)攻擊檢測器，通過BMO（barnacles mating optimizer）算法優(yōu)化DBN模型的學(xué)習(xí)率；最后，應(yīng)用softmax分類層執(zhí)行分類任務(wù)。實(shí)驗(yàn)結(jié)果證明，該模型對MEC系統(tǒng)中網(wǎng)絡(luò)攻擊的檢測效率提升顯著，有效地保障了MEC系統(tǒng)的安全性。參考文獻(xiàn)[36]在IoT場景下提出了一種基于生成對抗性網(wǎng)絡(luò)（generative adversarial network，GAN）和深度Q網(wǎng)絡(luò)（DQN）的代理檢測安全機(jī)制，旨在從連接信息中檢測未經(jīng)請求的代理連接。這種DQN-GAN安全機(jī)制既有DQN對復(fù)雜隨機(jī)環(huán)境適用性，也具有GAN的強(qiáng)魯棒性，對于提升大數(shù)據(jù)量的IoT場景安全性有很好的幫助。

另外，在MEC卸載的傳輸過程中，用戶的位置信息、移動狀態(tài)、興趣偏好和物理數(shù)據(jù)等敏感信息暴露在攻擊者面前，這大大降低了MEC系統(tǒng)的隱私性。為解決MEC系統(tǒng)隱私性問題，參考文獻(xiàn)[37]基于隨機(jī)森林分類器和k-匿名算法，提出了一種有效保證敏感數(shù)據(jù)隱私的分類－匿名模型。隨機(jī)森林在許多現(xiàn)有算法中獲得了較高的精度，使得它非常適合應(yīng)用在IoT場景的海量復(fù)雜數(shù)據(jù)處理。在邊緣環(huán)境下，根據(jù)用戶特性可以將數(shù)據(jù)屬性分為公共屬性與個體屬性。根據(jù)隨機(jī)森林分類完畢之后，k-匿名算法會對敏感數(shù)據(jù)進(jìn)行處理。最后通過構(gòu)建Third-Game模型，分析博弈雙方在交互階段引起的用戶敏感數(shù)據(jù)泄露問題。隨機(jī)森林是在隨機(jī)性的幫助下由多個決策樹組成的，能夠較好地對抗由大量不平衡的數(shù)據(jù)帶來的平衡誤差，收斂到一個較小的泛化誤差，因此CA模型能夠更好地進(jìn)行樣本預(yù)測，保護(hù)用戶隱私數(shù)據(jù)。

參考文獻(xiàn)[38]針對物聯(lián)網(wǎng)場景提出了一種基于深度PDS-learning的隱私感知計(jì)算卸載策略。該文構(gòu)建了一個與用戶－節(jié)點(diǎn)間距離相關(guān)的隱私損失函數(shù)，用其表征系統(tǒng)安全性，并將隱私感知卸載問題描述為一個馬爾可夫決策過程。PDS-learning利用額外的先驗(yàn)統(tǒng)計(jì)信息加速M(fèi)DP的學(xué)習(xí)過程，該文通過將PDS-learning與DQN相結(jié)合，結(jié)合兩種技術(shù)的優(yōu)點(diǎn)，有效解決了空間復(fù)雜性高和學(xué)習(xí)速率慢的問題。該算法能夠使物聯(lián)網(wǎng)設(shè)備以更快的速度學(xué)習(xí)一個良好的隱私感知卸載策略，相較于傳統(tǒng)DQN算法有明顯優(yōu)勢。

參考文獻(xiàn)[39]針對邊緣計(jì)算中的隱私泄露問題提出了一種新型的雙時間尺度RL算法。在較慢的時間尺度上，該算法與傳統(tǒng)PDS-VE算法相似；在較快的時間尺度上，該算法通過計(jì)算估計(jì)過渡概率學(xué)習(xí)未知的先驗(yàn)信息。當(dāng)狀態(tài)轉(zhuǎn)換的先驗(yàn)信息可用時，與其他傳統(tǒng)的RL算法相比，傳統(tǒng)的PDS-VE算法可以實(shí)現(xiàn)更快的學(xué)習(xí)。然而在實(shí)踐中，移動設(shè)備可能無法獲得先驗(yàn)信息。該文提出的雙時間尺度RL算法可以使移動設(shè)備在缺失先驗(yàn)信息的情況下，以與PDS-VE算法相似的速度學(xué)習(xí)最優(yōu)的隱私感知卸載策略。

參考文獻(xiàn)[40]構(gòu)建了霧輔助三層安全計(jì)算體系結(jié)構(gòu)，其中開發(fā)了一種隱私感知的數(shù)據(jù)處理機(jī)制以對抗竊聽攻擊。該機(jī)制首先將公鑰和私鑰由受信任的認(rèn)證方分別分配給云和終端設(shè)備，并在傳感層進(jìn)行加密處理；卸載部分傳輸?shù)届F層，并根據(jù)Paillier加密的加性同態(tài)性質(zhì)分別對兩部分聚合密文進(jìn)行定義；云層將兩部分聚合結(jié)果進(jìn)行二次聚合，得到最終聚合結(jié)果；最后在云層進(jìn)行解密。這種方式使得竊聽者即使成功竊聽了通信鏈路中傳輸?shù)臄?shù)據(jù)，也只能獲得相應(yīng)的密文，從而在傳輸階段有效地保護(hù)了用戶的隱私信息。

參考文獻(xiàn)[41]從安全服務(wù)開銷的角度出發(fā)，對MEC系統(tǒng)的安全性進(jìn)行了研究。該文通過建立一個定量的模型來度量安全開銷與安全數(shù)據(jù)大小、CPU周期數(shù)、節(jié)點(diǎn)工作頻率之間的關(guān)系。并通過遺傳算法對系統(tǒng)安全性和能耗進(jìn)行優(yōu)化，從而實(shí)現(xiàn)在確保系統(tǒng)安全性的前提下，計(jì)算能耗最低。

3 AI與毫米波大規(guī)模MIMO結(jié)合

與4G相比，5G網(wǎng)絡(luò)的目標(biāo)包括：每個地理區(qū)域的移動數(shù)據(jù)流量增加1 000倍，用戶數(shù)據(jù)增加100倍，連接設(shè)備增加100倍，網(wǎng)絡(luò)能耗降低到1/10，端到端時延減少到1/5[42]，這要求5G系統(tǒng)擁有更高的數(shù)據(jù)傳輸速率[43]。針對此問題，學(xué)界確定了3種方法：部署更多的基站；發(fā)掘更多帶寬資源；使用更多天線數(shù)量的MIMO系統(tǒng)。這3種方法對應(yīng)產(chǎn)生了超密集組網(wǎng)技術(shù)、毫米波技術(shù)和大規(guī)模MIMO技術(shù)。毫米波大規(guī)模MIMO技術(shù)一方面結(jié)合了毫米波技術(shù)可用帶寬大的前景，另一方面從大規(guī)模MIMO技術(shù)中獲取大量收益，能夠支持5G系統(tǒng)中大量高速服務(wù)和帶寬需求。

盡管毫米波大規(guī)模MIMO具有巨大的潛力，但在物理層方面，毫米波信道對抵抗阻塞和傳播損耗非常敏感，尤其是在室內(nèi)或建筑物密集的城市環(huán)境中，這種現(xiàn)象更為明顯[45]。

3.1 AI結(jié)合混合預(yù)編碼

為提升毫米波系統(tǒng)的傳輸容量和可靠性?，F(xiàn)有的解決方案大致有全連接混合預(yù)編碼[46-52]、子連接混合預(yù)編碼[53-54]、自適應(yīng)連接混合預(yù)編碼[55-58]。然而，現(xiàn)有混合預(yù)編碼方案的基本局限性是計(jì)算復(fù)雜度高，不能充分利用空間信息。隨著AI技術(shù)在5G系統(tǒng)中的應(yīng)用越來越廣泛，研究人員開始關(guān)注結(jié)合AI的混合預(yù)編碼方案，從而在提升系統(tǒng)性能的同時，降低系統(tǒng)復(fù)雜度，提高魯棒性。

3.1.1 全連接混合預(yù)編碼方案

在全連接混合預(yù)編碼方案中，每個射頻鏈固定地連接到所有天線上，通過設(shè)計(jì)適當(dāng)?shù)念A(yù)編碼方案就可以實(shí)現(xiàn)較高的頻譜效率。全連接混合預(yù)編碼收/發(fā)兩端結(jié)構(gòu)如圖1所示。

參考文獻(xiàn)[59]在編碼器中使用并行復(fù)卷積塊，在解碼器中使用全連接層，信道參數(shù)使用復(fù)雜且真實(shí)的值。將這種復(fù)雜的信道參數(shù)作為輸入應(yīng)用到卷積神經(jīng)網(wǎng)絡(luò)中，卷積運(yùn)算在本質(zhì)上也將變得復(fù)雜，從而幫助訓(xùn)練網(wǎng)絡(luò)達(dá)到更高的精度。但是這種做法的缺陷在于訓(xùn)練時間比較長，算法效率有所降低。參考文獻(xiàn)[60]提出了一種基于DNN的混合預(yù)編碼方案，每一次獲得更優(yōu)解碼器的預(yù)編碼器的選擇被視為DNN的映射關(guān)系。在訓(xùn)練過程中，DNN能夠獲取預(yù)編碼方案的結(jié)構(gòu)信息，有助于降低計(jì)算復(fù)雜度。但由于DNN本身存在的問題，該方法的精確度相較于參考文獻(xiàn)[59]的方案略顯遜色。參考文獻(xiàn)[61]提出了HPNet結(jié)構(gòu)，如圖2所示，該結(jié)構(gòu)包括三層卷積層和四層全連接層，

圖1 全連接混合預(yù)編碼收發(fā)端結(jié)構(gòu)

其中，三層卷積層用來提取屬于毫米波信道的通信特征，每個卷積層后面是批標(biāo)準(zhǔn)化（batch normalization，BN）層和一個整流線性單元，通過這種結(jié)構(gòu)避免訓(xùn)練過程中的過擬合和梯度消失現(xiàn)象；四層全連接層實(shí)現(xiàn)了非線性映射。實(shí)驗(yàn)結(jié)果表明，該方法的復(fù)雜度明顯優(yōu)于非AI混合預(yù)編碼的方法，但是在頻譜效率方面略遜于現(xiàn)有方法。

圖2 HPNet結(jié)構(gòu)

3.1.2 子連接混合預(yù)編碼

子連接混合預(yù)編碼中，每個射頻鏈固定連接在天線的某一部分上，可以比全連接結(jié)構(gòu)消耗更少的功率，但會損失一定的頻譜效率。針對該種預(yù)編碼存在的缺陷問題，參考文獻(xiàn)[62]提出了一種基于深度學(xué)習(xí)量化相位（deep learning quantized phase，DLQP）的混合預(yù)編碼方法，如圖3所示。在預(yù)編碼前使用了一種基于深度學(xué)習(xí)壓縮感知的信道估計(jì)方案得到估計(jì)信道向量。在預(yù)編碼階段，首先使用估計(jì)信道向量訓(xùn)練混合預(yù)編碼神經(jīng)網(wǎng)絡(luò)（training hybrid precoding neural network，THPNN），其中考慮了近似相位量化；隨后估計(jì)信道向量被輸入部署混合預(yù)編碼神經(jīng)網(wǎng)絡(luò)（deployment hybrid precoding neural network，DHPNN）中，從而得到模擬預(yù)編碼器向量；最后將所有用戶的模擬預(yù)編碼向量疊加得到模擬預(yù)編碼矩陣，通過迫零算法得到數(shù)字預(yù)編碼矩陣。實(shí)驗(yàn)結(jié)果表明，該方法一定程度上減輕了由子連接結(jié)構(gòu)帶來的頻譜效率損失問題。

參考文獻(xiàn)[63]針對實(shí)際場景中多路發(fā)射信號到達(dá)接收機(jī)存在相對時延，當(dāng)多路信號疊加時會產(chǎn)生頻率選擇性衰落問題，該文運(yùn)用交叉熵優(yōu)化的思想智能搜索最優(yōu)的模擬預(yù)編碼器，同時以量化比特的相移器代替高精度相移器，從而實(shí)現(xiàn)能源效率方面的優(yōu)化。實(shí)驗(yàn)結(jié)果表明，該方法可以接近最優(yōu)的可達(dá)和速率，并具有較高的能量效率。

上述這些種方案考慮的子連接形式為固定子陣列，這種連接形式中，每個射頻鏈連接到固定天線子集，雖然擁有低功耗和低復(fù)雜度的特性，但是在一定程度上犧牲了系統(tǒng)性能。參考文獻(xiàn)[64]中設(shè)計(jì)了針對多用戶的動態(tài)子陣列結(jié)構(gòu)，如圖4所示，將兩個DNN集成到多用戶混合預(yù)編碼框架，并通過映射操作和訓(xùn)練解決了多用戶選擇和動態(tài)子陣列劃分問題。DNN中隱含層的非線性變換具有擬合未知復(fù)雜函數(shù)的能力，因此即使在多用戶動態(tài)子陣列結(jié)構(gòu)中也能夠保證較低的復(fù)雜度。實(shí)驗(yàn)結(jié)果表明，該方法具有較好的可達(dá)和速率。

3.1.3 自適應(yīng)連接混合預(yù)編碼

自適應(yīng)連接結(jié)構(gòu)利用射頻鏈與天線之間的動態(tài)變化進(jìn)行連接，在實(shí)現(xiàn)混合預(yù)編碼方面與其他連接方式相比具有良好的靈活性，可以實(shí)現(xiàn)更好的波束增益。但是這種連接方式存在的問題是，需要高精度的相移器才能夠?qū)崿F(xiàn)與全數(shù)字預(yù)編碼在可達(dá)和速率性能上的相似效果，對此參考文獻(xiàn)[65]提出了一種新的卷積神經(jīng)網(wǎng)絡(luò)組合器結(jié)構(gòu)，這種結(jié)構(gòu)可以在硬件限制和瞬時信道狀態(tài)信息（CSI）不完善的情況學(xué)習(xí)如何優(yōu)化組合器以最大化頻譜效率。但是在預(yù)編碼階段，為了降低復(fù)雜度，基帶預(yù)編碼器是直接從等效信道矩陣分解而來的，這在一定程度上降低了精確性。參考文獻(xiàn)[66]提出了一種基于機(jī)器學(xué)習(xí)的自適應(yīng)交叉熵優(yōu)化算法。在模擬預(yù)編碼器方面使用自適應(yīng)連接，用自適應(yīng)連接結(jié)構(gòu)代替子連接結(jié)構(gòu)中的開關(guān)和反向器，這種方式很大程度上降低了硬件復(fù)雜度和算法復(fù)雜度。此外，將機(jī)器學(xué)習(xí)應(yīng)用到自適應(yīng)結(jié)構(gòu)中可以彌補(bǔ)在使用低精度相移器時不能很好地實(shí)現(xiàn)陣列增益的問題，提升結(jié)構(gòu)的可達(dá)和速率。

圖3 基于DLQP的混合預(yù)編碼方法

圖4 針對多用戶的動態(tài)子陣列混合預(yù)編碼結(jié)構(gòu)

3.2 AI結(jié)合CSI反饋

大規(guī)模MIMO系統(tǒng)的潛在優(yōu)勢基于基站上獲得的CSI，因此CSI的準(zhǔn)確性直接影響了大規(guī)模MIMO系統(tǒng)的性能。然而，在目前大多數(shù)蜂窩系統(tǒng)所采用的頻分復(fù)用（FDD）系統(tǒng)中，由于上下行鏈路之間的互易性較弱，下行CSI難以被準(zhǔn)確獲取。因此，在FDD系統(tǒng)中，CSI將首先在用戶端通過導(dǎo)頻信號進(jìn)行估計(jì)，然后反饋給基站。但是大規(guī)模MIMO系統(tǒng)中天線數(shù)較多，導(dǎo)致大量反饋開銷的產(chǎn)生，增加了CSI矩陣維數(shù)，因此在大規(guī)模MIMO系統(tǒng)中的CSI反饋實(shí)現(xiàn)難度非常大。為解決這類問題，應(yīng)該對CSI矩陣進(jìn)行有效的壓縮，此時深度學(xué)習(xí)等人工智能算法能夠發(fā)揮巨大作用。

2018年，參考文獻(xiàn)[67]最先提出將DL應(yīng)用到CSI反饋中，設(shè)計(jì)了一種名叫CsiNet的CSI編解碼網(wǎng)絡(luò)。CsiNet結(jié)構(gòu)如圖5所示。在該網(wǎng)絡(luò)中，編碼器不再使用隨機(jī)投影，而是用訓(xùn)練數(shù)據(jù)學(xué)習(xí)從原始信道矩陣到壓縮碼字的轉(zhuǎn)換。該算法不依賴于信道分布方面的知識，而是直接從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)如何有效利用信道結(jié)構(gòu)；而解碼器中，CsiNet學(xué)習(xí)從碼字到原始信號的逆變換，該變換是非迭代的，且算法速度相比迭代算法有數(shù)量級上的提升。終端使用編碼器將信道矩陣轉(zhuǎn)換為碼字，一旦碼字反饋給基站，基站就能使用解碼器恢復(fù)原來的信道矩陣，這大大降低了CSI反饋在FDD MIMO系統(tǒng)中實(shí)現(xiàn)的難度。在此基礎(chǔ)上，參考文獻(xiàn)[68]設(shè)計(jì)了一個擴(kuò)展版本的CsiNet+網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示，該網(wǎng)絡(luò)通過擴(kuò)大卷積核大小進(jìn)一步提升CsiNet的性能，并提出了串行多路壓縮CsiNet+（SM-CsiNet+）與并行多路壓縮CsiNet+（PM-CsiNet+）。實(shí)驗(yàn)結(jié)果表明，與原有CsiNet相比，CsiNet+網(wǎng)絡(luò)使CSI反饋參數(shù)數(shù)量降低了38.0%和46.7%。

圖5 CsiNet結(jié)構(gòu)

但是上述兩種方案側(cè)重關(guān)注角延遲域稀疏性，而忽略了具有時變特性的大規(guī)模MIMO信道的時間相關(guān)性。這類方案在壓縮率低時，分辨率會有所下降。針對此問題，參考文獻(xiàn)[69]將CsiNet進(jìn)行了改進(jìn)，用LSTM網(wǎng)絡(luò)代替CNN，設(shè)計(jì)了一個叫作CsiNet-LSTM的CSI反饋方案。LSTM網(wǎng)絡(luò)具有提取時間特征的能力，通過使用LSTM對信道的時間相關(guān)性進(jìn)行提取可以進(jìn)一步提高分辨率。實(shí)驗(yàn)結(jié)果表明，CsiNet-LSTM在CSI恢復(fù)質(zhì)量上有較好的性能，且復(fù)雜度相較于現(xiàn)有基于壓縮傳感的CSI反饋方法更為簡單。與CsiNet相比，CsiNet-LSTM在降低壓縮比方面表現(xiàn)出了優(yōu)秀的魯棒性，但是需要更多的參數(shù)，占用更多內(nèi)存空間。隨后，參考文獻(xiàn)[70]在LSTM網(wǎng)絡(luò)之后增加了一項(xiàng)注意力（Attention）機(jī)制[71]，提出一種叫作LSTM-Attention CsiNet網(wǎng)絡(luò)結(jié)構(gòu)。注意力機(jī)制將LSTM網(wǎng)絡(luò)的輸出作為輸入，通過自動地對特征信息賦予優(yōu)先級和權(quán)重，從而在參數(shù)數(shù)量較少的情況下也能夠提取出重要的特征信息。通過這種方法，算法能在保證精確度的同時，兼顧內(nèi)存空間的占用情況，并在提升系統(tǒng)性能方面表現(xiàn)出不俗的能力。

雖然DL方法在減少大規(guī)模MIMO的CSI矩陣維度方面實(shí)現(xiàn)了顯著的性能提升，但目前使用單精度（32 bit）編碼反饋系數(shù)的CSI反饋仍然消耗了太多的帶寬。為了減少每個碼字所需的比特?cái)?shù)，參考文獻(xiàn)[72]對維數(shù)降低后的編碼進(jìn)行了低比特量化，提出了一種叫作CQNet的通用CSI壓縮框架，用于在有限帶寬約束下聯(lián)合優(yōu)化CSI壓縮、碼字量化和CSI恢復(fù)。文章將CQNet分別與CsiNet+[68]和DualNet-MAG[73]對CQNet框架進(jìn)行效果評估，結(jié)果表明，9 bit均勻量化器在不對量化碼字進(jìn)行神經(jīng)網(wǎng)絡(luò)再訓(xùn)練的情況下，可以實(shí)現(xiàn)與32 bit高精度反饋相似的精度，且在壓縮維度較低的情況下兩種網(wǎng)絡(luò)都能夠表現(xiàn)出較強(qiáng)的魯棒性。然而在CSI重建階段，粗量化精度會導(dǎo)致CSI重建精度的降低。在實(shí)際場景中，相比于在高振幅時步長大、低振幅時步長小的非均勻量化器，均勻量化器的性能會相對較差。對此，參考文獻(xiàn)[74]在量化階段采用了一個μ律非均勻量化器來離散壓縮CSI，并引入基于神經(jīng)網(wǎng)絡(luò)的偏移網(wǎng)絡(luò)消除量化失真。實(shí)驗(yàn)結(jié)果表明，與使用均勻量化器的CSI反饋方案相比，非均勻量化器方法無論是在室內(nèi)還是在室外都能擁有更好的量化信噪比（signal-to-quantization noise ratio，SQNR）。同時，由于神經(jīng)網(wǎng)絡(luò)的參與，偏移網(wǎng)絡(luò)中疊加的全連接層細(xì)化了去量化器的輸出，從而減小了量化失真，使信道矩陣更容易恢復(fù)。

圖6 擴(kuò)展的CsiNet+網(wǎng)絡(luò)結(jié)構(gòu)

由于實(shí)際場景中存在大量噪聲，僅僅對CSI矩陣進(jìn)行降維仍然會使得碼字中存在冗余。參考文獻(xiàn)[75]提出了一種叫作AnciNet的網(wǎng)絡(luò)結(jié)構(gòu)應(yīng)對帶噪聲的CSI壓縮反饋，該網(wǎng)絡(luò)由預(yù)降噪模塊與Anci塊增強(qiáng)反饋模塊組成。其中，預(yù)降噪模塊部署在CNN神經(jīng)網(wǎng)絡(luò)的前端，在編碼前對噪聲進(jìn)行初步抑制；Anci塊增強(qiáng)反饋模塊則對壓縮與解壓縮過程中的殘留噪聲進(jìn)行處理。通過這兩個模塊，CNN能夠使基站端從噪聲中更好地恢復(fù)CSI。與參考文獻(xiàn)[67-68]相比，該方法在歸一化MSE（NMSE）指標(biāo)方面有明顯提升。但是在參數(shù)數(shù)量方面，AnciNet相較于CsiNet參數(shù)數(shù)量更多，這也意味著算法訓(xùn)練的時間更久，回傳CSI的時間越長。

上述各個網(wǎng)絡(luò)的性能對比見表2～表4。NMSE值越小，代表基站對信道信息恢復(fù)得越準(zhǔn)確；參數(shù)數(shù)量越少，代表算法所需訓(xùn)練時間越短。

4 其他與AI相關(guān)的研究

除前兩節(jié)所提到的問題，AI技術(shù)在5G系統(tǒng)的眾多領(lǐng)域都有或多或少的應(yīng)用。本節(jié)簡單地對5G系統(tǒng)中基于AI的算法及方案進(jìn)行介紹。

表2 各網(wǎng)絡(luò)NMSE性能對比（單位：dB）

表3 各網(wǎng)絡(luò)在不同壓縮率下的參數(shù)數(shù)量對比

4.1 AI結(jié)合信道均衡

信道均衡用來解決由信道和系統(tǒng)缺陷造成的失真問題，這些問題包括由放大器和數(shù)據(jù)轉(zhuǎn)換器引起的碼間干擾（ISI）和非線性。參考文獻(xiàn)[76]提出了一種新的方法來開發(fā)認(rèn)知引擎（CE），該方法基于遺傳算法和強(qiáng)化學(xué)習(xí)，用于高頻波段的MIMO系統(tǒng)中接收端信號均衡。參考文獻(xiàn)[77]提出了三維射線發(fā)射（3D-RL）毫米波通道模型，其中充分考慮了拓?fù)浜筒牧咸匦詠砩扇斯ど窠?jīng)網(wǎng)絡(luò)（artificial neural network，ANN）的數(shù)據(jù)集，并且訓(xùn)練了一個多層感知（multi-layer perceptron，MLP）神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)將毫米波信道的最小二乘估計(jì)作為輸入，聯(lián)合學(xué)習(xí)信道估計(jì)與信道均衡過程。參考文獻(xiàn)[78]提出了一個基于DL的聚合物理層模塊（DeepWiPHY），聯(lián)合執(zhí)行信道估計(jì)、共相位誤差和采樣率偏移（CpeSro）校正和信道均衡。與高度模塊化的傳統(tǒng)接收機(jī)相比，DeepWiPHY可以同時執(zhí)行多個補(bǔ)償，這能夠使系統(tǒng)獲得更好的性能，也可以處理非線性射頻損耗。但是，由于神經(jīng)網(wǎng)絡(luò)的特性，在經(jīng)過基于神經(jīng)網(wǎng)絡(luò)的信道均衡后，噪聲通常不再是獨(dú)立同分布的高斯白噪聲，這將導(dǎo)致信道解碼器性能的下降[79]。如何解決這一問題是接下來研究的重點(diǎn)。

表4 不同信道－噪聲比（CNR）與壓縮率（CR）下CsiNet與AnciNet的NMSE性能對比（單位：dB）

4.2 AI結(jié)合同時同頻全雙工自干擾消除

同時同頻全雙工（co-frequency co-time full duplex，CCFD）系統(tǒng)實(shí)現(xiàn)了無線電通信雙方在同一頻帶內(nèi)同時發(fā)送和接收信號，這在理論上可以使現(xiàn)有的無線通信系統(tǒng)的容量與頻譜效率翻倍[80]。但是，在這種情況下接收天線將會捕獲來自自身發(fā)射天線的自干擾信號（SI），因此解決自干擾問題是實(shí)現(xiàn)FD技術(shù)的關(guān)鍵。參考文獻(xiàn)[81]首次提出用機(jī)器學(xué)習(xí)的方法解決自干擾問題，對傳輸信號的實(shí)部和虛部分別建立了兩個獨(dú)立的支持向量回歸（SVR）模型進(jìn)行學(xué)習(xí)預(yù)測，實(shí)驗(yàn)結(jié)果表明這種方式能夠很大程度上降低復(fù)雜度。參考文獻(xiàn)[82]提出了一種具有級聯(lián)結(jié)構(gòu)的雙層前饋神經(jīng)網(wǎng)絡(luò)解決FD-MIMO系統(tǒng)中的自干擾消除問題，該算法同時實(shí)現(xiàn)了對自干擾消除效果的提升和系統(tǒng)復(fù)雜度的降低。由于硬件總是存在偏差的，因此接收信號與發(fā)射信號的采樣頻率并不能嚴(yán)格一致，這將導(dǎo)致訓(xùn)練過程中迅速出現(xiàn)過擬合現(xiàn)象，嚴(yán)重影響自干擾消除效果。為解決這個問題，參考文獻(xiàn)[83]提出了一種采用機(jī)器學(xué)習(xí)的實(shí)時自干擾解決方案，并使用了一種內(nèi)插值算法來幫助發(fā)射和接收數(shù)據(jù)完成匹配。

5 未來發(fā)展方向

5.1 AI與5G資源管理

在5G大連接場景下，特別是物聯(lián)網(wǎng)場景，無線資源管理會由于用戶量大、業(yè)務(wù)量大、系統(tǒng)不確定性高等問題變得異常困難。如何動態(tài)地、合理地分配信道資源，實(shí)現(xiàn)功率控制與切換管理等將是保障5G系統(tǒng)平穩(wěn)高效運(yùn)行的重點(diǎn)。另外，諸如邊緣計(jì)算資源分配、網(wǎng)絡(luò)切片資源管理等也要求系統(tǒng)具有一個良好且簡單的資源管理算法。深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等AI算法能夠很好地對大量數(shù)據(jù)進(jìn)行處理，但是對于5G系統(tǒng)來說，現(xiàn)有的AI算法依然存在較高的計(jì)算復(fù)雜度和計(jì)算時延。因此，如何對大量數(shù)據(jù)進(jìn)行預(yù)處理，將訓(xùn)練數(shù)據(jù)集進(jìn)行簡化以提高算法效率成為未來一個重要的研究方向。

5.2 AI與端到端通信

端到端通信被視為5G系統(tǒng)中的一種優(yōu)化方案，通過終端設(shè)備的短程直接連接通信，實(shí)現(xiàn)了系統(tǒng)頻譜利用率和吞吐率的提升，降低了系統(tǒng)時延。為了充分發(fā)揮D2D的優(yōu)勢，需要解決包括設(shè)備發(fā)現(xiàn)、模式選擇、干擾管理、功率控制、安全性保障、無線資源分配等一系列問題[84]。針對以上問題，目前學(xué)術(shù)界提出了一系列基于AI算法的D2D通信優(yōu)化方式[84-86]，且理論上能夠?qū)崿F(xiàn)系統(tǒng)性能的提升。然而，在實(shí)際應(yīng)用中，由于端用戶本身計(jì)算能力的限制，使用復(fù)雜的AI算法會導(dǎo)致較高的計(jì)算開銷（例如時延、能耗等）。因此如何保證AI算法能夠在端設(shè)備上以低成本運(yùn)行是端到端通信中一個亟待解決的問題。

5.3 AI與5G安全性

安全性問題一直是無線通信系統(tǒng)的一個研究重點(diǎn)。特別是，在5G中，連接從“人與人”上升到了“人與物” “物與物”，這在帶來萬物互聯(lián)優(yōu)勢的同時，多樣化的應(yīng)用場景也使得安全性問題變得異常復(fù)雜。另外，由于邊緣計(jì)算、網(wǎng)絡(luò)切片等技術(shù)的提出，開放、多元的網(wǎng)絡(luò)層結(jié)構(gòu)也增加了5G網(wǎng)絡(luò)安全信任體系的復(fù)雜度。對于這種高度復(fù)雜且多變的應(yīng)用場景，AI技術(shù)被認(rèn)為是一種有效解決問題的途徑，也將成為未來研究的一個重點(diǎn)。

5.4 AI與6G

隨著無線通信技術(shù)的發(fā)展，學(xué)術(shù)界針對6G的研究正在慢慢展開。與前幾代技術(shù)相比，6G將徹底改變無線通信的發(fā)展，將“連接萬物”發(fā)展到“連接智能”[87]。6G系統(tǒng)將采用先進(jìn)的人工智能技術(shù)，及時高效、隨時隨地采集、傳輸和學(xué)習(xí)數(shù)據(jù)，生產(chǎn)大量創(chuàng)新性應(yīng)用和智能服務(wù)。并且，無處不在的人工智能將賦予6G一種高度靈活的架構(gòu)，將“以人為中心”的開發(fā)概念落實(shí)到網(wǎng)絡(luò)的各個方面，取代“以數(shù)據(jù)為中心” “以機(jī)器為中心”和“以應(yīng)用為中心”的服務(wù)模式[88]。

6 結(jié)束語

本文總結(jié)了人工智能技術(shù)在5G中的應(yīng)用。具體總結(jié)了與AI相關(guān)算法在移動邊緣計(jì)算技術(shù)與毫米波大規(guī)模MIMO技術(shù)中的相關(guān)研究；分析了各研究的創(chuàng)新點(diǎn)和優(yōu)缺點(diǎn)；最后基于當(dāng)前的發(fā)展趨勢，提出了AI與5G結(jié)合的未來發(fā)展方向。

目前，AI技術(shù)已經(jīng)在各個領(lǐng)域有著廣泛的應(yīng)用，且被證明具有巨大優(yōu)勢。越來越多針對5G技術(shù)的研究也開始傾向于使用AI技術(shù)。然而在實(shí)際場景中，設(shè)備功耗、計(jì)算能力、應(yīng)用場景等多種因素使得AI算法在5G系統(tǒng)中真正部署有著一定困難。但是由于傳統(tǒng)算法在面對多變復(fù)雜且數(shù)據(jù)量大的問題上有著明顯的缺陷，AI技術(shù)仍然具有巨大的發(fā)展空間和潛力。