王 偉 張 濤

中國(guó)聯(lián)通研究院 北京 100176

引言

傳統(tǒng)的移動(dòng)通信主要針對(duì)消費(fèi)者而設(shè)計(jì)，以文件下載以及視頻、網(wǎng)頁(yè)、即時(shí)通信等下行業(yè)務(wù)需求為主，上行需求非常少。隨著行業(yè)的發(fā)展，以視頻回傳、網(wǎng)絡(luò)直播、智能制造為代表的上行業(yè)務(wù)蓬勃發(fā)展，對(duì)網(wǎng)絡(luò)提出更多新的需求。雖然5G面向eMBB、mMTC和URLLC這 3 大場(chǎng)景而設(shè)計(jì)，考慮和迎合了垂直行業(yè)的需求，但是在實(shí)際應(yīng)用過程中，其上行能力仍顯不足。以視頻回傳為例，不同清晰度對(duì)于上行速率的需求如表1所示。

表1 不同清晰度的視頻碼率需求和上行帶寬需求

而對(duì)于目前3.5GHz頻段的幀結(jié)構(gòu)單載波實(shí)測(cè)數(shù)據(jù)峰值速率只能達(dá)到350Mb/s。如果網(wǎng)絡(luò)能夠同時(shí)支持多路的1080P和2K、4K高清視頻數(shù)據(jù)信息傳輸，則會(huì)大大提高行業(yè)客戶決策指揮的速度和質(zhì)量。這在智能制造、遠(yuǎn)程醫(yī)療、安防監(jiān)控、交通管理等眾多領(lǐng)域都有大量的應(yīng)用空間[1]。

1 NR幀結(jié)構(gòu)和時(shí)隙

NR的無線幀結(jié)構(gòu)和子幀的長(zhǎng)度都是固定的，1個(gè)無線幀的長(zhǎng)度固定為10ms，1個(gè)子幀的長(zhǎng)度固定為1ms。在正常的CP下，每個(gè)幀以及子幀的時(shí)隙數(shù)，每個(gè)時(shí)隙的符號(hào)數(shù)如表2所示[2]。

表2 在正常的CP幀的時(shí)隙數(shù)和符號(hào)數(shù)表

NR在時(shí)隙設(shè)計(jì)上有兩個(gè)特點(diǎn)，一個(gè)是多樣性，一個(gè)是靈活性。多樣性是指它的自包含特性，即接收機(jī)解碼一個(gè)基本數(shù)據(jù)單元時(shí)，無須借助其他基本數(shù)據(jù)單元，自身就能能夠完成解碼，目的是用于縮短時(shí)延；而多樣性是指NR的下行分配和上行分配可針對(duì)不同的終端進(jìn)行動(dòng)態(tài)調(diào)整，實(shí)現(xiàn)符號(hào)級(jí)變化。

NR每個(gè)時(shí)隙中的OFDM符號(hào)可以分為下行符號(hào)(D)、靈活符號(hào)(F)和上行符號(hào)(U)。下行符號(hào)僅用于下行傳輸，上行符號(hào)僅用于上行傳輸，靈活符號(hào)可用于上行傳輸、下行傳輸、GP或預(yù)留[3]。

如圖1所示，NR的時(shí)隙類型可分為4大類。

圖1 時(shí)隙類型

Type1：全下行時(shí)隙(DL-only Slot)，僅用于下行傳輸。

Type2：全上行時(shí)隙(UL-only Slot)，僅用于上行傳輸。

Type3：全靈活時(shí)隙(Flexible-only Slot)可用于上行傳輸、下行傳輸、GP或預(yù)留。

Type4：混合時(shí)隙(Mixed Slot)，Type4-1和Type4-2具有靈活的數(shù)據(jù)發(fā)送開始和結(jié)束位置，適用于靈活TDD時(shí)隙場(chǎng)景。Type4-3適用于下行自包含子幀/時(shí)隙。Type4-4適用于上行自包含子幀/時(shí)隙。Type4-5是7個(gè)符號(hào)的Mini-slot。

NR有3中不同的信令機(jī)制通知終端，時(shí)隙內(nèi)的符號(hào)是用于上行傳輸還是下行傳輸。時(shí)隙配置方式圖如圖2所示[4]。

圖2 時(shí)隙配置方式圖

第一類：Cell-specific RRC信令半靜態(tài)配置，通過SIB1信息傳遞相關(guān)配置。相關(guān)配置參數(shù)包括：TDD-UL-DL-Configuration-Common(上下行時(shí)隙配置)；Reference Subcarrier Spacing(子載波間隔)；Pattern(Pattern1為單周期，雙周期增加Pattern2)；DLUL-Transmission-Periodicity(時(shí)隙切換周期)等。

第二類：UE-specific RRC信令半靜態(tài)配置，通過高層信令UL-DL-Configuration-Dedicated傳遞相關(guān)配置。

第三類：UE-group SFI(Slot Format Information)信令動(dòng)態(tài)配置，通過DCI format2_0傳遞相關(guān)配置。

第四類：UE-specific DCI信令動(dòng)態(tài)配置，通過DCI Format0_1傳遞相關(guān)配置。

2 不同時(shí)隙配比產(chǎn)生的干擾

如圖3所示，靈活時(shí)隙最終落地部署在網(wǎng)絡(luò)時(shí)，面臨的最大挑戰(zhàn)是不同時(shí)隙配比帶來的干擾問題。上下行時(shí)隙重疊會(huì)帶來基站上行和終端下行的同頻和鄰頻干擾。其中基站對(duì)基站的干擾比較嚴(yán)重，尤其是同頻干擾會(huì)更加的嚴(yán)重。由于終端的移動(dòng)性，終端與終端之間的干擾概率相對(duì)較低[5]。

圖3 不同時(shí)隙配比產(chǎn)生的干擾場(chǎng)景圖

按照I/N=4.7dB干擾準(zhǔn)則，根據(jù)理論計(jì)算給出了如下場(chǎng)景，基站能夠共存的隔離要求如表3所示。

表3 I/N=4.7dB干擾準(zhǔn)則下不同時(shí)隙配置的基站間隔離度要求

按照I/N=-6dB干擾準(zhǔn)則，根據(jù)理論計(jì)算給出了如下場(chǎng)景，基站能夠共存的隔離要求如表4所示。

表4 I/N=-6dB干擾準(zhǔn)則下不同時(shí)隙配置的基站間隔離度要求

從計(jì)算結(jié)果來看，室外宏站和室內(nèi)小站是有可能實(shí)現(xiàn)共存的，實(shí)際網(wǎng)絡(luò)中要視具體的情況來判斷干擾對(duì)系統(tǒng)容量和業(yè)務(wù)體驗(yàn)的影響。因此靈活時(shí)隙實(shí)現(xiàn)的關(guān)鍵問題是干擾問題的解決。傳統(tǒng)的干擾解決措施包括空間隔離、射頻優(yōu)化(天線方位角和下傾角的調(diào)整、發(fā)射功率的下調(diào))等，都會(huì)壓縮靈活時(shí)隙的應(yīng)用場(chǎng)景。將人工智能引入到靈活時(shí)隙功能中，則可大大地?cái)U(kuò)展靈活時(shí)隙的應(yīng)用空間。

3 基于人工智能的靈活時(shí)隙

為了解決靈活時(shí)隙落地應(yīng)用面臨的最大問題—異時(shí)隙干擾，本文引入了人工智能的手段，通過人工智能解決業(yè)務(wù)預(yù)測(cè)、干擾檢測(cè)等問題，做到干擾可控、干擾可避，從而使靈活時(shí)隙可以在更多部署場(chǎng)景下落地應(yīng)用。

首先，根據(jù)前期的業(yè)務(wù)數(shù)據(jù)，通過人工智能精準(zhǔn)預(yù)測(cè)未來數(shù)據(jù)的變化趨勢(shì)，從而針對(duì)性地調(diào)整幀結(jié)構(gòu)。例如，在預(yù)測(cè)到接下來的時(shí)刻，上行業(yè)務(wù)將快速增長(zhǎng)，這時(shí)就需要網(wǎng)絡(luò)考慮匹配更多的上行時(shí)隙。在幀結(jié)構(gòu)調(diào)整之前還需要對(duì)干擾進(jìn)行檢測(cè)和判斷，判斷干擾后的性能是否比幀結(jié)構(gòu)調(diào)整之前有所提升，如有提升則執(zhí)行幀結(jié)構(gòu)調(diào)整，同時(shí)配合干擾規(guī)避技術(shù)以提升抵抗干擾的能力以及穩(wěn)定性。如沒有提升則保持幀結(jié)構(gòu)不變。在網(wǎng)絡(luò)運(yùn)行過程中還將同時(shí)監(jiān)測(cè)和預(yù)測(cè)業(yè)務(wù)變化情況和干擾變化情況，根據(jù)新的業(yè)務(wù)情況和干擾情況來調(diào)整網(wǎng)絡(luò)的時(shí)隙配比，從而匹配用戶體驗(yàn)。基于人工智能的靈活幀結(jié)構(gòu)方案流程如圖4所示。

圖4 基于人工智能的靈活幀結(jié)構(gòu)方案流程

3.1 基于人工智能的業(yè)務(wù)預(yù)測(cè)技術(shù)

目前常用的預(yù)測(cè)算法分為兩大類，一類為基于序列特征的預(yù)測(cè)方法，包括Arima、Prophet等時(shí)間序列算法。這類算法基于時(shí)間序列本身的特點(diǎn)，將序列分解為周期性、趨勢(shì)性、隨機(jī)擾動(dòng)幾部分進(jìn)行建模和預(yù)測(cè)。另一類為回歸預(yù)測(cè)算法，包括神經(jīng)網(wǎng)絡(luò)、SVM等回歸算法，基于歷史數(shù)據(jù)建立回歸模型來達(dá)到預(yù)測(cè)未來數(shù)據(jù)的目的?；貧w預(yù)測(cè)算法又分為如下幾類經(jīng)典模型。

1)差分自回歸移動(dòng)平均模型：該模型是一種可加性回歸模型，預(yù)測(cè)算法是基于自適應(yīng)參數(shù)設(shè)置的ARIMA模型，該模型的特點(diǎn)是能夠?qū)r(shí)間序列數(shù)據(jù)進(jìn)行較準(zhǔn)確的預(yù)測(cè)，但需要人工確定多個(gè)參數(shù)，且單個(gè)模型計(jì)算耗時(shí)較長(zhǎng)，不利于批量模型的訓(xùn)練。

2)Prophet模型：該模型也是一種可加性回歸模型，算法基于Python和R語(yǔ)言的時(shí)間序列預(yù)測(cè)算法。該模型的特點(diǎn)是建模效率高，可快速完成建模適用與批量模型創(chuàng)建；模型準(zhǔn)確性高，適用性好，可配置參數(shù)多，能夠更好適配實(shí)際問題的場(chǎng)景。

3)LSTM模型：該模型是最先進(jìn)的順序數(shù)據(jù)算法之一，該算法包含內(nèi)部存儲(chǔ)器。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short Term Memory Network，LSTM)，是一種改進(jìn)之后的循環(huán)神經(jīng)網(wǎng)絡(luò)，可以解決RNN無法處理長(zhǎng)距離依賴的問題。該模型的特點(diǎn)是LSTM對(duì)于長(zhǎng)期的時(shí)序數(shù)據(jù)有較好的預(yù)測(cè)準(zhǔn)確性，但其建模的硬件性能與時(shí)間消耗較大，特別是需要通過人工的方式設(shè)定算法參數(shù)，不利于批量訓(xùn)練模型。

本文根據(jù)一定時(shí)間范圍和粒度構(gòu)建成原始數(shù)據(jù)，在此基礎(chǔ)上進(jìn)行可量化計(jì)算、統(tǒng)一評(píng)估準(zhǔn)則等處理后，再進(jìn)行數(shù)據(jù)挖掘建模，采用LSTM模型對(duì)網(wǎng)絡(luò)KPI進(jìn)行預(yù)測(cè)。KPI指標(biāo)可以為上/下行PRB利用率、CCE利用率、無線利用率、數(shù)據(jù)流量、RRC連接率等。一般時(shí)間粒度為1小時(shí)或15分鐘，可以預(yù)測(cè)未來某一天(或幾天)內(nèi)，以相同時(shí)間粒度為單位的網(wǎng)絡(luò)KPI指標(biāo)。圖5是利用LSTM算法預(yù)測(cè)出以小時(shí)為時(shí)間粒度的上行PRB利用率。圖中橙色線段為歷史數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)，藍(lán)色線段為實(shí)測(cè)數(shù)據(jù)。通過比對(duì)預(yù)測(cè)結(jié)果平均絕對(duì)誤差(MAE)為3.87%，均方根誤差(RMSE)為0.56%。

圖5 基于人工智能的業(yè)務(wù)預(yù)測(cè)結(jié)果

3.2 基于人工智能的干擾檢測(cè)技術(shù)

傳統(tǒng)的干擾檢測(cè)需要技術(shù)人員通過掃頻儀收集信號(hào)的時(shí)頻信息，利用技術(shù)經(jīng)驗(yàn)來判斷干擾類型和來源。這樣的檢測(cè)往往時(shí)效性不夠，而且準(zhǔn)確度依賴于技術(shù)人員經(jīng)驗(yàn)的豐富程度。而實(shí)現(xiàn)時(shí)隙的靈活配置則需要對(duì)干擾類型和程度進(jìn)行實(shí)時(shí)準(zhǔn)確的判斷。因此本文將人工智能引入到干擾檢測(cè)中，提供準(zhǔn)確高效的干擾檢測(cè)。

基于人工智能的干擾檢測(cè)技術(shù)分為三大步驟。

第一步為數(shù)據(jù)采集，不同于以往，該功能需要由基站自身來實(shí)現(xiàn)。基站需要采集到時(shí)間顆粒度為一個(gè)OFDM符號(hào)級(jí)，頻率顆粒度為RB級(jí)的干擾信息，即基站接收到的處于有用信號(hào)以后的干擾信號(hào)強(qiáng)度信息。

第二步為樣本生成，將基站采集到干擾信號(hào)強(qiáng)度數(shù)據(jù)解析成寬度為1個(gè)時(shí)隙，長(zhǎng)度為一個(gè)載波帶寬的數(shù)據(jù)塊樣本，類似于圖片信息。

第三步為AI識(shí)別模型訓(xùn)練，專家對(duì)干擾樣本數(shù)據(jù)進(jìn)行分類后，進(jìn)行AI訓(xùn)練，構(gòu)建干擾特征識(shí)別模型。

訓(xùn)練算法采用的是MobileNet的CNN技術(shù)，MobileNet的基本單元是深度級(jí)可分離卷積(Depthwise Separable Convolution)，其實(shí)是一種可分解卷積操作(Factorized Convolutions)。其可以分解為兩個(gè)更小的操作：深度卷積(Depthwise Convolution)和逐點(diǎn)卷積(Pointwise Convolution)。圖6是人工智能干擾檢測(cè)技術(shù)實(shí)現(xiàn)示意圖。

圖6 基于人工智能的干擾檢測(cè)方法

對(duì)于單個(gè)干擾類型的干擾識(shí)別的準(zhǔn)確率基本上可以達(dá)到98%以上，但是對(duì)于多個(gè)干擾類型同時(shí)存在時(shí)的干擾識(shí)別還是存在著一些挑戰(zhàn)。目前考慮的解決方案是將圖片分割來進(jìn)行多標(biāo)簽建模。混合干擾類型示意圖如圖7所示。

圖7 混合干擾類型示意圖

業(yè)務(wù)預(yù)測(cè)+底噪監(jiān)測(cè)可以獲得未來時(shí)刻的時(shí)頻底噪數(shù)據(jù)預(yù)測(cè)結(jié)果：

那么，單個(gè)RB的上行信噪比可表示為

單個(gè)RB的上行頻譜效率可表示為

那么小區(qū)上行容量則可表示為

單用戶速率體驗(yàn)可表示為

利用人工智能將數(shù)據(jù)中RSRP，received power PRB utilization進(jìn)行聚類，分成M類

可以按照用戶的位置和周圍的無線環(huán)境進(jìn)行類別匹配來評(píng)估這個(gè)用戶此時(shí)的吞吐量，同時(shí)評(píng)估整個(gè)小區(qū)的吞吐量。

3.3 干擾規(guī)避技術(shù)

時(shí)隙不同導(dǎo)致的干擾具有一定的規(guī)律性，可以針對(duì)這些規(guī)律設(shè)計(jì)出一系列的干擾規(guī)避技術(shù)，如圖8所示。

圖8 3.5G不同時(shí)隙配比的干擾時(shí)序圖

圖8中時(shí)隙2會(huì)產(chǎn)生室外宏站對(duì)室內(nèi)小站的干擾，時(shí)隙3和7也會(huì)產(chǎn)生室外宏站對(duì)室內(nèi)小站的干擾，但由于S時(shí)隙中里面包括部分保護(hù)間隔和上行符號(hào)，因此干擾程度有所不同。這樣的干擾會(huì)呈周期狀態(tài)反復(fù)出現(xiàn)。每個(gè)時(shí)隙的干擾程度也會(huì)與當(dāng)時(shí)下行RB的利用率有密切關(guān)系。因此，針對(duì)以上干擾規(guī)律設(shè)計(jì)了一些列的干擾規(guī)避技術(shù)，包括智能自適應(yīng)調(diào)制、聯(lián)合調(diào)度、波束協(xié)同等。

3.3.1 智能自適應(yīng)調(diào)制

智能自適應(yīng)調(diào)制根據(jù)時(shí)隙受干擾的情況不同，可以配置多套AMC，每套AMC資源是獨(dú)立的；共享相關(guān)參數(shù)配置和映射表。調(diào)度器對(duì)每個(gè)終端區(qū)分AMC類型進(jìn)行不同信道質(zhì)量資源分配。以圖8為例，時(shí)隙2匹配AMC-1；時(shí)隙3和7匹配AMC-2；時(shí)隙8和9匹配AMC-3。除此之外，相同的時(shí)隙在施擾站不同的下行負(fù)荷的情況下對(duì)受擾站的干擾也會(huì)有差別，智能自適用調(diào)制可以通過智能預(yù)測(cè)施擾站的業(yè)務(wù)負(fù)荷的變化情況，進(jìn)行預(yù)MCS，避免MCS調(diào)制不當(dāng)，造成誤碼率過大或頻譜效率過低的問題[6]。

3.3.2 聯(lián)合調(diào)度

施擾小區(qū)和受擾小區(qū)之間存在著相互關(guān)系，施擾小區(qū)負(fù)荷重就會(huì)對(duì)受擾小區(qū)產(chǎn)生比較大的干擾，那么為了更有效地傳輸數(shù)據(jù)，將施擾小區(qū)和受擾小區(qū)進(jìn)行聯(lián)合調(diào)度，從時(shí)隙和頻率維度統(tǒng)籌考慮兩個(gè)小區(qū)，達(dá)到預(yù)定好的相關(guān)目標(biāo)或策略。

例如，以系統(tǒng)吞吐量最大為策略時(shí)采用如下公式。

同時(shí)要保證施擾小區(qū)下行吞吐量不低于某個(gè)門限值，實(shí)施優(yōu)先滿足受擾小區(qū)的上行吞吐量原則。

3.3.3 波束協(xié)同干擾規(guī)避

波束協(xié)同干擾規(guī)避是通過室外宏站的波束調(diào)整減少打向室內(nèi)的波束功率，從而減少室外小區(qū)對(duì)室內(nèi)小區(qū)的干擾。在圖8中，存在干擾的時(shí)隙為時(shí)隙2、3和7。在干擾時(shí)隙上宏站盡量選取非朝向室內(nèi)的波束調(diào)度資源，盡量不在朝向室內(nèi)的波束上調(diào)度資源。該技術(shù)實(shí)現(xiàn)簡(jiǎn)單，可以一定概率上降低了施擾的業(yè)務(wù)波束對(duì)受擾站的干擾。但也會(huì)影響室外邊緣用戶的覆蓋，可以考慮在室外站負(fù)荷不高時(shí)使用。

4 總結(jié)

隨著行業(yè)應(yīng)用的發(fā)展，以視頻回傳、網(wǎng)絡(luò)直播、智能制造為代表的上行業(yè)務(wù)對(duì)網(wǎng)絡(luò)上行速率和容量的需求越來越強(qiáng)烈和普遍。TDD的靈活時(shí)隙配比能力能夠匹配上述需求，但是由于在網(wǎng)絡(luò)部署時(shí)，不同時(shí)隙配置帶來的基站間干擾給此能力的落地應(yīng)用帶來了非常大的障礙。本文提出了一種基于人工智能的TDD靈活時(shí)隙方案，通過人工智能的手段來解決異時(shí)隙干擾問題。該方案包括了基于人工智能的業(yè)務(wù)預(yù)測(cè)和干擾檢測(cè)，同時(shí)配合干擾規(guī)避技術(shù)以提升網(wǎng)絡(luò)抵抗干擾能力以及穩(wěn)定性。通過以上技術(shù)實(shí)現(xiàn)對(duì)干擾的準(zhǔn)確檢測(cè)、評(píng)估和規(guī)避，結(jié)合對(duì)業(yè)務(wù)的準(zhǔn)確預(yù)測(cè)實(shí)現(xiàn)基站靈活配置時(shí)隙來匹配業(yè)務(wù)需求，以最優(yōu)解獲得該時(shí)隙配置下最大系統(tǒng)性能和用戶體驗(yàn)[7-8]。