華敏妤

南京郵電大學

0 引言

隨著物理世界和虛擬世界的融合，數(shù)十億的物聯(lián)網(wǎng)（Internet of Things，IoT）設備將連接起來，共享收集的信息，以便在網(wǎng)絡空間中監(jiān)控甚至重建物理世界。由于新興的IoT服務需要通信、控制、計算和意識功能的端到端協(xié)同設計，而市場上支持基本IoT服務的第五代移動通信技術（5th Generation，5G）基本上忽略了這種需求，因此目前的5G系統(tǒng)設計能否支持未來的智能IoT仍有爭議。

第六代移動通信技術（6th Generation，6G）以5G為基礎，它將提供全方位的無線覆蓋并集成所有功能。6G將利用AI、邊緣計算、端到端分布式安全和大數(shù)據(jù)分析等技術，實現(xiàn)從互聯(lián)IoT設備到互聯(lián)智能IoT設備的轉變。通過AI和IoT的結合，形成一個高度可持續(xù)、安全和成本效益高的網(wǎng)絡，使供應商能夠為各種行業(yè)垂直市場提供智能服務。目前，人工智能物聯(lián)網(wǎng)（Artificial Intelligence of Things，AIoT）仍處于起步階段，即單機智能階段。為了發(fā)揮AIoT的潛力，需要在行業(yè)應用中大規(guī)模部署IoT設備。如果設備之間缺少有效的連接，則每個設備都將成為數(shù)據(jù)孤島，收集到的數(shù)據(jù)無法完全用于支持智能IoT服務。

為了實現(xiàn)6G以上的大規(guī)模AIoT設備部署，需要解決以下問題：（1）在6G網(wǎng)絡中大規(guī)模部署各種AIoT設備會帶來什么新的性能挑戰(zhàn)？（2）如何有效處理AIoT設備收集的大規(guī)模數(shù)據(jù)？（3）如何增強AIoT的安全性和隱私性？本文旨在回答上述問題，重點介紹實現(xiàn)AIoT服務需求所帶來的技術挑戰(zhàn)和潛在的使能技術。

1 面向6G的AIoT體系架構

AI和無線基礎設施的融合將會實現(xiàn)6G網(wǎng)絡的內(nèi)生智能。AIoT將AI與IoT進一步結合，旨在為終端設備提供智能連接、高效計算、安全性和高擴展性。AIoT將構建一個智能化生態(tài)體系，通過大數(shù)據(jù)分析，利用網(wǎng)絡邊緣無處不在的緩存和計算資源來感知、存儲和分析海量數(shù)據(jù)，以實現(xiàn)實時認知，達到萬物數(shù)據(jù)化、萬物智聯(lián)化。作為IoT發(fā)展的必然趨勢，AIoT將成為傳統(tǒng)產(chǎn)業(yè)智能升級的主要驅動力。

AIoT的發(fā)展可以分為三個階段：單機智能、互聯(lián)智能和主動智能。在單機智能階段，智能設備與設備之間不能發(fā)生相互聯(lián)系，需要等待用戶主動發(fā)起交互需求。因此，AIoT設備需要精確感知、識別和理解用戶的各種指令，如語音和手勢，進行正確的決策和反饋。在互聯(lián)智能階段，采用“一個大腦（云或中控）、多個終端（感知器）”的模式對AIoT設備進行互聯(lián)?；ヂ?lián)智能消除了單機智能中設備會成為數(shù)據(jù)孤島的弊端，這對智能化體驗場景的升級和優(yōu)化具有重要意義。在主動智能階段，AIoT系統(tǒng)具有自學習、自適應和自我完善的能力，根據(jù)用戶的行為偏好和周圍環(huán)境，主動提供合適的服務，而無需等待指令。與互聯(lián)智能階段相比，主動智能真正實現(xiàn)了AIoT的智能化和自動化。

如圖1所示，適用于6G的AIoT體系結構有四層，即感知層、網(wǎng)絡層、處理層和應用層。感知層是上面三層的基礎，廣泛部署了傳感類IoT設備、通信類IoT設備、過程類IoT設備和控制類IoT設備。這些IoT設備的功能類似于人的眼睛、鼻子、耳朵和皮膚，通過識別、定位、跟蹤和監(jiān)控來獲取信息。網(wǎng)絡層是AIoT最重要的基礎架構，起著連接感知層和處理層的作用。它像人類的神經(jīng)一樣工作，通過無認證網(wǎng)絡（WiFi/LoRa/Zigbee/藍牙）和認證網(wǎng)絡（2G/3G/4G/5G/6G/…/XG）傳輸感知信息和信號信息。利用AI、大數(shù)據(jù)分析、云計算、MEC（Mobile Edge Computing，移動邊緣計算）、區(qū)塊鏈和可信計算，處理層將處理感知層產(chǎn)生的海量數(shù)據(jù)。它像人腦一樣工作，執(zhí)行數(shù)據(jù)存儲、分類、安全保護和結果獲取。應用層則是實施AIoT功能，實現(xiàn)智慧醫(yī)療、智慧交通、智慧城市等現(xiàn)實應用。AIoT的實施可以看作是執(zhí)行人腦（AIoT的處理層）決策的“人體”，AI是“大腦”，讓設備的簡單連接上升為智能連接，IoT則是讓AI具備行動能力的“身體”。

圖1 適用于6G的AIoT四層體系結構

2 實現(xiàn)AIoT的挑戰(zhàn)

智能IoT設備的指數(shù)級增長和應用程序的快速擴展對AIoT的發(fā)展提出了重大挑戰(zhàn)，包括大規(guī)模智能連接、高效計算、安全性、隱私性以及高擴展性。

2.1 大規(guī)模智能連接

隨著信息和通信技術的發(fā)展，網(wǎng)絡規(guī)模急劇擴大，智能IoT設備的數(shù)量也在不斷增加。大規(guī)模智能連接是移動網(wǎng)絡、AI和通過IoT連接的數(shù)十億設備的結合。為了支持靈活可靠的通信，多年來人們廣泛研究了各種設備之間的連接技術，包括蜂窩技術（2G/3G/4G）、藍牙、低功耗廣域網(wǎng)（Low Power Wide Area，LPWA）、WiFi和WiMAX、窄帶物聯(lián)網(wǎng)（Narrowband IoT，NB-IoT）。此外，為了在有限的帶寬上支持大規(guī)模的智能IoT設備并最大化頻譜效率，一些有前景的無線接入技術在IoT領域得到了廣泛的研究，如大規(guī)模多輸入多輸出（Massive Multiple-Input-Multiple-Output，M-MIMO）、認 知 無 線 電（Cognitive Radio，CR）、波束成形和非正交多址（Non-Orthogonal Multiple Access，NOMA）等。雖然5G網(wǎng)絡已經(jīng)開始使用大規(guī)模連接和智能技術，但AIoT部署將更加密集、更加異構，并具有更加多樣化的服務需求?？紤]到AIoT的大規(guī)模智能連接，在以下方面仍然存在許多挑戰(zhàn)。

（1）多無線電接入挑戰(zhàn)。在動態(tài)網(wǎng)絡環(huán)境下，快速精確的信道劃分和多無線電接入對于大規(guī)模IoT連接至關重要。例如，時分雙工（Time Division Duplex，TDD）、正交頻分復用（Orthogonal Frequency-Division Multiplexing，OFDM）、NOMA和MIMO，它們利用時間/頻率/功率/代碼域/空間域來支持對大規(guī)模IoT設備的多路訪問，已經(jīng)在WiFi、WiMAX、NB-IoT支持的各種IoT場景中被廣泛研究。這些多無線電接入挑戰(zhàn)的核心是準確實時的信道狀態(tài)信息（Channel State Information，CSI）。然而，在IoT中，網(wǎng)絡流量和拓撲結構經(jīng)常發(fā)生變化，即在所有設備中，只有少數(shù)設備在任何給定時刻處于活動狀態(tài)，因此，研究IoT設備活動狀態(tài)的頻繁性是解決高維信道估計問題的關鍵。此外，考慮到巨大的計算和通信開銷，在由大量不同設備連接的IoT中采用智能學習算法仍然具有挑戰(zhàn)性。綜上所述，傳統(tǒng)的多無線電接入方式已經(jīng)不能滿足大規(guī)模智能化的接入要求，如何智能地管理多無線電接入以實現(xiàn)大規(guī)模連接是一項重大的挑戰(zhàn)。

（2）無線電和網(wǎng)絡配置挑戰(zhàn)。無線電配置通常指分配給每組AIoT設備的無線資源量，用于訪問網(wǎng)絡和傳輸數(shù)據(jù)?？紤]到數(shù)十億個受限的AIoT設備的連接，在不同的通信功能上實現(xiàn)輕量化、自動化的無線電配置，以及在網(wǎng)絡堆棧的各個層上實現(xiàn)網(wǎng)絡配置成為當務之急。而對于高動態(tài)的大規(guī)模AIoT，無線電和網(wǎng)絡配置是費時且不可行的。因此，軟件定義網(wǎng)絡（Software-Defined Network，SDN）和網(wǎng)絡功能虛擬化（Network Functions Virtualization，NFV）得到推廣，以促進更靈活的配置并適應IoT服務的發(fā)展。然而，在支持SDN的IoT中，流處理可能會帶來額外的網(wǎng)絡開銷，這可能會花費額外的時間并加劇端到端事務中的額外延遲。那么，如何使無線電和網(wǎng)絡配置更加可行和智能化，以支持大規(guī)模智能連接，成為未來AIoT的一個新興課題。

（3）波束成形挑戰(zhàn)。為了支持大規(guī)模智能連接，將波束成形與mmWave和大規(guī)模MIMO技術相結合成為一種有前景的解決方案。使用mmWave可以給信號傳輸帶來更大的帶寬，波束成形則能解決頻譜利用問題，以支持大量用戶同時通信，同時使MIMO效率更高。因此，該方案可以有效地提高能量利用率。然而，傳統(tǒng)的波束成形方法可能會帶來mmWave的高過載以及動態(tài)復雜的IoT通信。為了使mmWave和相應的波束成形智能化，基于機器學習（Machine Learning，ML）的波束成形優(yōu)化可能是一種潛在的解決方案。

總之，6G有助于在超高密度的超廣域中部署大規(guī)模IoT。通過結合尖端的AI和數(shù)十億個IoT設備的連接，大規(guī)模智能連接正在使交通、娛樂、工業(yè)和公共服務等領域實現(xiàn)變革。因此，為了在覆蓋范圍廣的網(wǎng)絡上支持大量低成本、低能耗的設備，AIoT應該支持大量的連接，并帶來更智能的物理互聯(lián)。

2.2 安全性和隱私性

安全性和隱私性是任何移動通信系統(tǒng)標準化的關鍵。國際電信聯(lián)盟機構電信標準化部門（International Telecommunication Union Telecommunication Standardization Sector，ITU-T）的安全建議探討了一組安全維度，以提供針對所有主要安全威脅的保護。

（1）訪問控制。訪問控制是AIoT安全的基本和重要策略。它可以驗證并授權設備訪問允許查看和使用的信息，確保只有授權的AIoT設備才能使用網(wǎng)絡資源，并防止未經(jīng)授權的設備訪問網(wǎng)絡元素、服務、存儲的信息和信息流，可以有效保護數(shù)據(jù)。

（2）身份驗證。身份驗證可確認AIoT設備的身份，確保其身份的有效性和正確性，并提供防止偽裝或重播攻擊的保證。

（3）不可否認性。不可否認性要求發(fā)送方和接收方都不能拒絕所發(fā)送的信息，以及提供信息的原樣性和完成的操作與承諾。

（4）數(shù)據(jù)機密性。數(shù)據(jù)機密性可保護數(shù)據(jù)免遭未經(jīng)授權的AIoT設備泄露，并確保未經(jīng)授權的AIoT設備無法獲取數(shù)據(jù)內(nèi)容并進行分析。

（5）數(shù)據(jù)完整性。數(shù)據(jù)完整性可確保數(shù)據(jù)的正確性以及收發(fā)雙方數(shù)據(jù)的一致性，并防止未經(jīng)授權的AIoT設備創(chuàng)建、修改、刪除和復制數(shù)據(jù)。它還為未經(jīng)授權的AIoT設備提供與數(shù)據(jù)相關的活動指示。

（6）通信安全。通信安全確保信息僅在授權的AIoT設備之間流動，并且在傳輸過程中不會被破壞、轉移或攔截。

（7）可用性?？捎眯源_保授權的AIoT設備能夠訪問網(wǎng)絡資源、存儲信息或信息流，維護服務和應用程序。

（8）隱私性。保護AIoT設備的信息，這些信息可能來自對其活動的觀察。

盡管AIoT的計算能力和存儲能力有了顯著的提高，但由于安全維度執(zhí)行不力，潛在的可能攻擊對AIoT的負面影響急劇增加。例如，與有線通信不同，無線網(wǎng)絡對外部入侵是開放的，不需要物理連接。由于無線傳輸?shù)膹V播特性，啟用無線功能的AIoT設備更容易受到潛在攻擊。在智能工廠中，如果不能確保數(shù)據(jù)機密性，那么對手就可能發(fā)現(xiàn)制造過程，從而對隱私性產(chǎn)生潛在影響。如果數(shù)據(jù)沒有受到完整性保護，那么對手可能會在系統(tǒng)中注入錯誤數(shù)據(jù)，修改制造過程，從而對安全性產(chǎn)生潛在影響。AIoT設備所面臨的不可忽視的威脅使得其安全性和隱私性仍然是6G中AIoT面臨的主要挑戰(zhàn)。因此，為了實現(xiàn)AIoT的開發(fā)，提出能夠為AIoT提供安全的、兼容隱私的潛在解決方案是非常重要的。

3 實現(xiàn)AIoT的潛在使能技術

由于結合了AI與IoT的AIoT尚處于起步階段，其發(fā)展過程可能會受到其他有前景的技術的影響，如移動邊緣計算、區(qū)塊鏈、AI、物理層安全等。本章主要探討將MEC、AI技術應用于AIoT時的潛在好處和交互作用。

3.1 MEC技術

隨著AI和IoT的結合，大量具有計算功能的終端設備將被連接起來，以支持對延遲敏感和計算密集型的應用。通過在網(wǎng)絡邊緣使用云計算，我們可以在資源有限的終端設備上支持這些創(chuàng)新應用，因此，MEC被認為是一種有前景的技術。隨著網(wǎng)絡向異構體系結構的轉變，為了解決多址訪問特性，歐洲電信標準協(xié)會（European Telecommunication Standard Institute，ETSI）的MEC工作規(guī)范組將移動邊緣計算的概念擴展到了多接入邊緣計算。其基本思想是把云計算平臺從移動核心網(wǎng)絡內(nèi)部遷移到移動接入網(wǎng)邊緣，實現(xiàn)計算及存儲資源的彈性利用。

ETSI提出的MEC架構是一種分層結構，從下到上分為三個層級，即網(wǎng)絡層、移動邊緣主機層和移動邊緣系統(tǒng)層。在網(wǎng)絡層面，包括3GPP網(wǎng)絡、本地網(wǎng)絡和其他外部網(wǎng)絡在內(nèi)的各種網(wǎng)絡相互連接。如圖2所示，異構網(wǎng)絡包括LTE、WiFi和5G。在移動邊緣主機層，通過利用虛擬機（Virtual Machines，VM）、SDN和NFV等技術，移動邊緣主機提供了可供計算和存儲資源的虛擬化基礎設施。在移動邊緣系統(tǒng)層，用戶設備（User Equipment，UE）可以通過面向客戶的服務（Customer Facing Service，CFS）直接利用MEC。

圖2 多接入邊緣計算的說明

為了實現(xiàn)AIoT，創(chuàng)新技術公司發(fā)布了新硬件，以支持在網(wǎng)絡邊緣實現(xiàn)AI。2017年，微軟提出了Azure IoT Edge，它支持通過標準容器在IoT邊緣設備上運行的特定工作負載，如AI和大數(shù)據(jù)分析。2018年，谷歌推出兩款產(chǎn)品，即Edge TPU和Cloud IoT Edge。Edge TPU是為邊緣網(wǎng)絡機器學習設計的硬件芯片，Cloud IoT Edge是一個將數(shù)據(jù)處理和機器學習能力擴展到網(wǎng)關和終端設備的軟件棧。Nvidia開發(fā)了Jestson TX2作為功能強大的嵌入式AI計算設備，可以將其部署在網(wǎng)絡邊緣，這使得邊緣AI成為可能。通過對MEC的系統(tǒng)設計和資源優(yōu)化進行的廣泛研究，我們對以下幾個方面進行簡要概述：

（1）計算卸載的設計。由于終端設備的功率和計算能力有限，僅利用本地計算資源很難滿足計算密集型任務的服務需求。因此，終端設備可以利用網(wǎng)絡邊緣的通信資源和計算資源，實現(xiàn)邊緣智能，低時延和低能耗地處理數(shù)據(jù)，以此滿足服務需求?？紤]到應用偏好、終端設備的剩余功率以及網(wǎng)絡邊緣的通信資源和計算資源的可用性，計算卸載主要包含卸載決策和資源分配兩個問題，解決了終端設備何時何地卸載計算任務的問題。

（2）具有異構計算資源的MEC。隨著新應用程序的激增，對處理的要求超出了中央處理器（Central Processing Unit，CPU）的能力。圖形處理單元（Graphics Processing Unit，GPU）由于其高度并行的計算能力而發(fā)展為加速計算的處理器。我們見證了這樣一個事實：計算架構正在成為混合架構，GPU與CPU協(xié)同工作。通過利用異構計算資源，終端設備可以將計算任務卸載到最適合的處理器上，以實現(xiàn)更好的性能。因此，如何在異構計算資源下聯(lián)合設計MEC系統(tǒng)中的計算任務卸載方案和資源分配策略將是一個有吸引力的研究方向。

3.2 AI技術：大數(shù)據(jù)分析和機器學習

隨著在不同垂直領域（如健康、交通、智能家居、農(nóng)業(yè)、教育等）具有不同需求的IoT應用的爆炸式增長，AIoT正朝著由大量數(shù)據(jù)驅動的復雜的系統(tǒng)發(fā)展。近年來，大數(shù)據(jù)分析和機器學習的迅速發(fā)展和廣泛應用為重塑網(wǎng)絡維護和體系結構帶來了良好的機遇，這得益于隱藏在海量數(shù)據(jù)中的知識和統(tǒng)計模式所驅動的分析能力。

（1）大數(shù)據(jù)分析。大數(shù)據(jù)是未來網(wǎng)絡最重要的特征之一，IoT流量的持續(xù)激增不僅對數(shù)據(jù)通信提出了新的要求，網(wǎng)絡本身產(chǎn)生的海量數(shù)據(jù)也蘊含著大量有用的信息，有助于提高網(wǎng)絡管理、資源配置和安全控制等。考慮到網(wǎng)絡數(shù)據(jù)量大且類型繁多，大數(shù)據(jù)分析可以對收集到的信息進行全面的數(shù)據(jù)融合和分析，將各種影響因素和網(wǎng)絡狀態(tài)關聯(lián)起來，借助不斷增長的計算能力找出其背后的因果關系和物流資源。大數(shù)據(jù)分析可綜合處理大量異構、復雜的數(shù)據(jù)，被廣泛應用于改善IoT應用的性能。應用場景有智慧醫(yī)療系統(tǒng)、智能家居、智慧城市等。

（2）機器學習。ML具有強大的數(shù)據(jù)處理能力，可以為各種問題提供可行的解決方案，被廣泛應用于IoT場景。同時，為了實現(xiàn)6G系統(tǒng)的自動調(diào)整，ML模型應能自適應于改變的拓撲結構。當前的IoT通常涉及大量的網(wǎng)絡元素和IoT設備，它們可能會生成大量數(shù)據(jù)，可用于分析、學習和訓練ML模型以優(yōu)化系統(tǒng)性能。此外，多層和多供應商的IoT應用變得非常復雜，需要更高效的解決方案。與傳統(tǒng)技術相比，基于ML的技術可以訓練模型并從大型數(shù)據(jù)集中學習，從而可以大大減少人為干預，降低處理大型復雜IoT系統(tǒng)的運營成本。通常，ML包括三種訓練方式，即監(jiān)督學習、無監(jiān)督學習和強化學習（Reinforcement Learning，RL）。對于每種訓練方式，針對不同的場景都開發(fā)了具有不同效率的多個模型。例如，無監(jiān)督學習通常用于聚類問題，監(jiān)督學習用于線性回歸和分類，而強化學習則用于馬爾可夫決策過程。在為特定問題選擇訓練方式和模型后，需要調(diào)整體系結構的參數(shù)以優(yōu)化ML模型的效率。利用ML技術，AIoT應用程序可以支持預測分析，以確保滿足資源需求并提高網(wǎng)絡運行的效率。和其他方法相比，該方法可以優(yōu)化網(wǎng)絡控制和運行，尤其是當網(wǎng)絡行為復雜且涉及大量參數(shù)時。此外，ML在AIoT中還可以通過部署經(jīng)過訓練的模型和算法來檢測網(wǎng)絡上的惡意行為。

總之，未來的AIoT具有高度復雜的數(shù)據(jù)計算和分析能力，能夠支持自主網(wǎng)絡的運行和維護。借助虛擬化和不斷增加的計算能力，網(wǎng)絡元素變得更加智能，并可以對網(wǎng)絡環(huán)境的變化做出快速反應，可以存儲和分析來自不同層次和不同分支的所有網(wǎng)絡組件的數(shù)據(jù)，以生成優(yōu)化的解決方案，從而降低運營支出（operating expense，OPEX）和資本支出（capital expenditure，CAPEX）。更智能的自我維護腳本和算法將被用于資源分配和網(wǎng)絡操作，從而使工程師從繁瑣的手動過程中解放出來。此外，AIoT可以在網(wǎng)絡運行過程中自動更新網(wǎng)絡參數(shù)。隨著大數(shù)據(jù)分析和ML技術的出現(xiàn)，大規(guī)模的智能IoT設備將生成海量多樣的數(shù)據(jù)，以更好的方式更加智能地學習、訓練和執(zhí)行決策。

4 結束語

當前的5G網(wǎng)絡主要解決了信息交互和連接問題，而6G將進一步提供“智能連接”、“深度連接”、“全息連接”和“泛在連接”，可以概括為“一念天地，萬物隨心”。6G在應用級別探索了AIoT的更多可能性和機遇。在6G中，AIoT不僅僅是支持AI的IoT，它還可以被解釋為“IoT中的一切”。與此同時，AIoT也面臨著各種挑戰(zhàn)。本文闡述了6G中AIoT面臨的一些挑戰(zhàn)，并提出了主要的潛在技術。無可置疑的是，AIoT將使6G網(wǎng)絡支持智能社會。