朱曉丹，黃慶秋

（廣東省電信規(guī)劃設計院有限公司，廣州 510630）

人工智能AI（Artificial Intelligence）和6G 是當今熱度最高的2 項技術。AI 技術與6G 融合，可使網(wǎng)絡高效智能地完成特定工作/任務，優(yōu)化網(wǎng)絡性能和提升用戶感知。6G 網(wǎng)絡由此可提供比以往更智能的互聯(lián)、更快的速度、更大的容量和更可靠的連接。這2 種技術的結合，賦能各種智慧應用場景，將迸發(fā)出驚人的社會發(fā)展驅動力。

根據(jù)第三代合作伙伴計劃（3GPP）的計劃，6G 標準研究將在Rel-20（2025 年）啟動，AI 技術會在6G 深度部署。支持AI 的空中接口已確定作為Rel-18 及后續(xù)版本的RAN 項目之一，將用于性能提升或減少網(wǎng)絡復雜性/網(wǎng)絡開銷。同時，支持AI 的NG RAN 在數(shù)據(jù)收集和信令支持方面的能力可得到增強。以上工作均為了實現(xiàn)6G 其中一個技術愿景：AI4NET（AI for Network）。

AI 在網(wǎng)絡側對6G RAN 的賦能，是通過AI 分析網(wǎng)絡數(shù)據(jù)，并基于這些數(shù)據(jù)做出決策，可應用于優(yōu)化網(wǎng)絡性能、提升網(wǎng)絡運行效率和加強網(wǎng)絡安全管理等方面。

1 AI 賦能6G 背景

在未來智慧城市中，各類分布式移動應用諸如物聯(lián)網(wǎng)IoT（Internet of Things）、車聯(lián)網(wǎng)IoV（Internet of Vehicles）、工業(yè)物聯(lián)網(wǎng)IIoT（Industrial Internet of Things）、機器人物聯(lián)網(wǎng)IoRT（Internet of Robotic Things）、智慧醫(yī)療IoMT（Internet of Medical Things）和增強/虛擬現(xiàn)實AR/VR（Augmented Reality/ Virtual Reality）的部署，在服務質量QoS（Quality of Service）和服務水平協(xié)議SLA（Service Level Agreement）2 方面均對網(wǎng)絡有嚴格的要求，這些都是6G 原始驅動力。

從移動互聯(lián)，到萬物互聯(lián)，再到萬物智聯(lián)，6G 將實現(xiàn)從服務于人、人與物，到支撐智能體高效聯(lián)接的躍遷[1]。為了達到這一水平，與5G 相比，6G 需要配備上下文感知的算法來優(yōu)化其架構、協(xié)議和操作。為此，6G 須在其基礎架構設計中注入AI 技術，使之融合到基站、云計算和云存儲等基礎設施中。軟件定義網(wǎng)絡（SDN）的傳統(tǒng)方法，從分析到?jīng)Q策所需的時間較長?；谏疃葘W習（Deep Learning，DL）/強 化 學習（Reinforcement Learning，RL）/ 遷移學習（Transfer Learning，TL）等AI/ML（Machine Learning）算法適用于6G RAN 的部署，包括資源、移動性、能效等方面的管理。

2 AI 技術驅動6G RAN

2.1 信道估計

為了滿足智慧城市應用在高數(shù)據(jù)率（Tbps）、低延遲（0.1～1 毫秒級）和高可靠性（99.999 99%）方面的苛刻要求，許多新技術將在6G RAN 得以應用，如太赫茲通信、可見光通信、超大規(guī)模MIMO 和智能超表面技術等[1]。這些技術將增加無線信道的復雜性，給使用傳統(tǒng)方法的信道估計帶來極大挑戰(zhàn)。

在無線信號傳輸過程中，無線信道相位偏移會減弱，傳輸?shù)男畔p及噪聲會增加，信道估計就是估計信道的特性以從信道效應中恢復傳輸信息的過程。為了提高6G 通信的性能和容量，精確和實時的信道估計變得至關重要。深度學習DL 可為精確信道估計提供有效的支持[2]。圖1 顯示了一個基于DL 的信道估計過程。原始信息首先與Pilot 信號一起傳輸，然后提取信道的變化對Pilot 信號的影響，最后用插值信道的DL 法來得到信道特性的估計。

圖1 基于深度學習DL 的信道估計

圖1 展示的是一種基于深度神經(jīng)網(wǎng)絡（DNN）的方法，用于正交頻分復用（OFDM）中的信道估計和符號檢測。DNN 模型通過使用不同信道條件下產(chǎn)生的OFDM 樣本進行離線訓練，然后該模型用于恢復傳輸信息，無須估計信道特性。

2.2 調制識別

調制識別的目的是識別出噪聲干擾環(huán)境下的信號調制信息，調制識別有助于信號解調和解碼的應用，如干擾識別、頻譜監(jiān)測、認知無線電、威脅評估和信號識別。

6G 網(wǎng)絡中數(shù)據(jù)流量幾何級地增加，傳統(tǒng)的判決理論方法和統(tǒng)計模式識別方法在效率上不能完全滿足要求。卷積神經(jīng)網(wǎng)絡（Convolution Neural Network，CNN）和長短時記憶（Long-Short Term Memory，LSTM）可在調制識別中適用，前者適合于空間數(shù)據(jù)的自動特征提取，而后者則適用于調制識別[3]。如圖2 所示，卷積神經(jīng)網(wǎng)絡CNN 的應用，可以提高調制識別的準確性和效率。

圖2 基于卷積神經(jīng)網(wǎng)絡的調制識別

卷積神經(jīng)網(wǎng)絡進行信號分類的方式為：將接收到的信號作為輸入，通過卷積層（Convolutional Layer）提取信號的特征，然后通過全連接層（Dense Layer）將提取的特征映射到不同的調制方式上，最終實現(xiàn)對信號的識別。

長短時記憶LSTM 神經(jīng)網(wǎng)絡通過輸入信號的時序信息，學習信號的特征并進行分類。LSTM 模型如圖3所示，LSTM 基于xt和ht-1來計算ht，內部通過輸入門it、遺忘門ft及輸出門ot三個門和一個內部記憶單元ct。利用LSTM 調制識別是將信號的時域或頻域表示作為LSTM 的輸入，通過多個LSTM 層提取信號的高級特征，最后通過全連接層輸出信號的分類結果。

圖3 長短時記憶LSTM 神經(jīng)網(wǎng)絡模型

2.3 移動性管理

6G 網(wǎng)絡需要實現(xiàn)低延遲和高可靠性的業(yè)務如IoV、IoRT 和IoMT。為了保證這些應用的QoS，同時改善資源利用率和網(wǎng)絡瓶頸，學習和預測用戶的移動變得至關重要，基于DRL 的方法可作為可選方案，提高移動性管理的效率[4]。

如圖4 所示，可通過結合LSTM 和DRL 預測移動用戶軌跡，LSTM 被用來預測移動用戶的軌跡，而DRL 則用于改善LSTM 的模型訓練時間。DRL 的目的是改善LSTM的模型訓練時間，不需要人工干預。該方法基于算法預判，在時間效率上優(yōu)于傳統(tǒng)的3GPP 移動性管理，如基于位置區(qū)域（Location Area）、跟蹤區(qū)域（Tracking Area）的方法，在6G 中結合使用將有效提高移動性管理的效率。

圖4 基于DRL 的網(wǎng)絡終端移動性管理

2.4 能效管理

遷移學習TL 是指將已經(jīng)訓練好的模型應用于新的任務或領域中，以加快模型的訓練速度和提高模型的性能。6G 的RAN 設計中，可以利用遷移學習TL 結合強化學習RL 來提高網(wǎng)絡效率。具體來說，6G 網(wǎng)絡用例在執(zhí)行各種任務時可以共享時空特征及網(wǎng)絡配置信息，可以實時使用其他用例中訓練好的模型來初始化6G RAN 參數(shù)，經(jīng)過調整后形成資源分配與控制策略并應用[5]。

6G RAN 能效管理，重點可放在無線接入的資源分配（RA-Resource Allocation）、能源效率（EE-Energy Efficiency）和準入控制（AC-Admission Control）三方面。如圖5 所示，無線接入網(wǎng)RAN1 和無線接入網(wǎng)RAN2 作為統(tǒng)一網(wǎng)絡中2 個應用的場景，源是RAN1，目標是RAN2，這2 個場景的應用部署具有相似性。場景的特點決定了整體的資源配置，假設需要QoS 優(yōu)先，則資源分配規(guī)則上需安排更多的資源，或者如果目標是要降低整體能耗，那么能效效率管理（EE）則可釋放部分資源降低網(wǎng)絡能耗。RAN1 的資源分配、能源效率、準入控制等資源分配與控制策略，可以通過TL/RL算法平移到RAN2 中調整后應用，以提升網(wǎng)絡運行能效。

圖5 基于TL/RL 的網(wǎng)絡資源分配管理

3 結束語

具備敏捷、靈活和自學習能力的內生智能6G 網(wǎng)絡，將為未來分布式、動態(tài)和智能的智慧城市應用提供基礎網(wǎng)絡能力。而AI 技術將在6G 和智慧城市中發(fā)揮關鍵作用。通過探討幾種AI 技術在6G RAN 的信道估計、調制識別、移動性管理和效能管理等方面的應用，旨在推動6G 與AI 的融合，6G RAN 領域內生智能關鍵技術、標準方面的探索。