新的关键技术：在5G中，新型关键技术指标：网络虚拟化和切片技术，基本思想是5G网络构建在云计算平台上，通过计算资源的隔离、动态调配与迁移，实现网络资源的灵活调配，以适应未来5G极为丰富的应用场景。见paper：Tao X F, Han Y, Xu X D, et al. Recent advances and future challenges for mobile network virtualization. Sci China Inf Sci, 2017, 60: 040301

Re1：第一个5G技术标准，支持非独立组网（non-standalone,NSA）与eMBB功能[8]；

Re2：独立组网（standalone,SA）[9]；

在4G基础上，5G的改进：

（1）MIMO技术进行增强，引入大规模天线阵列技术；

（2）对OFDM时隙结构和时频资源模块（Resource Block，RB）划分方案进行补充，提出了更为灵活的空中接口技术；

（3）下一个5G版本引入：非正交多用户接入（NOMA）技术，支持广域覆盖的中低速物联网应用；

（4）将无线网络功能单元划分为分布式单元（distributed units,DU）和中心单元（central units, CU），并引入了基于云计算的网络虚拟化与切片技术。

1.2 AI常识

（1）监督学习

（2）非监督学习

（3）增强学习（重点研究一下）

典型例子：可在线处理的增强学习方法。基于智能实体agent和环境environment之间的动态交互。

（4）两种常见的学习方法1-方向传播学习算法（BP）

参见前期深度学习笔记。

（5）两种常见的学习方法2-Q学习算法（Bellman算法）

基本思想：选择Q函数，作为衡量一个智能实体执行某种动作的代价函数；该智能实体根据所处的环境，对所有可能的动作进行Q函数评估，并从中选择出奖励成分最大的动作，并加以行动。场景的迭代更新形式，满足智能实体的动作、环境的变化和Q函数的调整以在线的方式实现。Q函数的收敛证明见[20]。

2、AI应用于5G系统的发展方向

2.1 在应用中，涉及3类技术问题

（1）组合优化问题：5GNR的资源分配问题就是组合优化问题。找一种最优的资源配置方式，将资源利用率最大化。

（2）检测问题：5G通信接收机就是一个检测问题。对接收信号进行辨识，确定发射信号，并使检测错误概率最低。

（3）估计问题：5G通信信道参数估计是实现系统相关接收的必要条件。根据5G系统所发送的导频信号，估计出无线信号从发射端到接收端所历经的信道畸变。

Re*：AI在5G系统中的应用[25-37]。

2.2 辩证看待AI技术在5G移动通信中的应用

（1）已经拥有典型设计和处理方法；

（2）存在性能界（Shannon 容量限）；

（3）AI学习本身的局限性，收敛时间问题，需要进行充分评估才行；

（4）AI学习算法的计算复杂度通常较高。

2.3 AI在5G中的4种应用问题

（1）无法建模问题

难以统一建模的问题，例如：覆盖问题、干扰问题、邻区选择、越区切换问题等。还包括多种，多个维度的指标相互依赖或相互矛盾，难以建立全局性的优化模型。

（2）难以求解问题

资源分配问题[39,40]，例如：小区间时频资源块分配、正交导频资源分配、波束分配、大规模MIMO多用户聚类、无线网络虚拟化资源池调配等。（最优解求解问题通常属于NP-hard类型的组合优化问题）。AI技术可以支持此类问题的求解。

（3）统一模式高效实现问题

可以理解为：一些基本功能模块的级联组合问题（说白了就是：方案执行流程中模块组合问题）。例如5GNR的物理层涉及：大规模MIMO多用户空时处理、NOMA信号检测、LDPC码和Ploar码信道编译码等功能模块。每个模块算法不一，但理论上均可采用AI逐一解决[25-33]，目的：简化系统设计流程、加速工程实现的进程、提高物理层实现的课配置性，并最终降低系统实现成本、提高实现效率。

（4）最优检测与估计问题

①用人工神经网络取代传统发射机和接收机的基本功能模块；

②使用AI技术进行跨层联合优化：物理层与媒体控制层的联合优化、信源和信道的联合优化、算法设计与硬件实现的联合优化等。

3、AI应用于5G系统的典型范例

3.1 网络自组织与自优化

（1）自组织网络（self organizing network，SON）

1）SON包括了网络自动配置、自优化、自愈合等。

2）实现：网络规划、网络配置、网络优化的高度自动化；节省运营成本，降低人为故障。

3）涉及基站自主参数配置、动态规划、迁移学习、网络故障的自动检测和定位、网络参数的自动优化。

4）涉及AI方法有：人工神经网络学习、蚁群优化、遗传算法。

（2）基于AI的故障诊断系统（自动故障分析系统）[34]

1）AI技术需要克服两个问题：

①现有数据的KPI种类多；

②减少人工参与（人工诊断成本高，能力有限）

2）基于AI的故障诊断系统，核心诊断步骤：

①利用1.2 （2）中图2的无监督自组织映射（SOM）实现对无标签高维度数据的初步分类；

②对SOM建立的神经元进行一次无监督的聚类。（欧式距离即表示其映射数据之间的差异，采用沃德Ward聚类算法可实现对神经元的聚类）

③引入专家对分好类的数据进行故障分析，有监督地贴上故障标签。

④自动故障诊断系统，其诊断流程如图4所示：

3.2 时频资源最优分配

以Q学习算法的应用为例：智能实体具有对移动用户的RB（资源块）分配，其分配更新原则：

（1）同一小区，选择SIR（信干比）较好的空闲RB分配给用户；

（2）不断更新本小区SIR最差用户的RB；

（3）对于同一RB，把本小区最差和邻小区最好的SIR进行配对或分簇；Q学习算法参考图3。

下图图5是一个典型的多小区，多用户下行链路RB分配示意图：

目标：智能实体在动作集合确定后，以所有用户的信息容量之和最大化为准则；其次，还要与用户的功率最优分配相结合，最后，可以进一步考虑用户QoS的比例公平性（采用Lagrange乘子法）。

Re50，51：对AI在5G资源分配中的应用进行了总结和展望；（*）

Re52：提出了增强学习方法在5G新框架中的网络切片技术方面的新应用。（*）

3.3 5G通用加速器

对于基带多模块问题不统一性，可以使用一个基于置信传播的、参数可配置的通用加速器实现整个基带功能。

但是，上述基带功能受其性能限制，一些场景下置信传播算法无法满足要求，因此采用AI的5G通用加速器，这种加速器有两种方法，可以将置信传播算法改进为一个性能更好的AI算法。

方法1：将置信传播算法改进为DNN算法

（1）将置信传播算法的因子图复制多次，按照原有连接方式连成一个深度神经网络，复制次数等于置信算法的迭代次数。

（2）对DNN进行训练。
R30：基于DNN的Polar码译码器；

R58：基于DNN的MIMO检测器。

方法2：将置信传播算法改为CNN算法

（1）将置信传播算法的因子图节点排列在图片上，其中每个像素代表一个节点，像素相邻表示对应节点在因子图中相连。

（2）利用CNN进行训练。R35：提出的BP-CNN信道译码器。

方法总结：二维脉动阵列架构

（1）神经网络带来的是系统的提升和硬件架构的统一。分析CNN的核心操作是卷积运算，分析DNN的核心运算是二维矩阵乘法运算。二维脉动阵列可以同时完成CNN和DNN的功能，从而实现基于AI的5G通用加速器。二维脉动阵列结构，如下图所示。参考Re：28。

（2）Re31，在有信道编码、信道、信道均衡器，及译码器组成的系统中，接收机的均衡器与译码器分别可以用CNN和DNN实现。

针对上述均衡器和译码器，有两种方法设计AI加速器：

①硬件消耗的优先设计；

②吞吐速率有限的设计。

3.4 物理层端到端的优化

（1）AI算法在物理层若干模块上的应用

Re36：基于神经网络的调制模式识别；

Re30：DNN极化码译码器；

Re35：基于DNN的MIMO检测算法

（2）AI算法在两个或多个物理层模块的联合优化

Re31：基于神经网络的信道均衡和信道译码的联合优化；

Re37、59：AI在物理层各模块的应用进行了总结。

（3）单个模块的优化并无法保证整个物理层端到端通信的整体优化[37]*

（4）联合优化问题*

Re59：将物理层通信看作是一个端到端的信号重构问题。并应用自编码器概念来表示物理层的通信过程，进行联合优化。

自编码器包含：编码、调制、信道均衡等物理层模块，被简单表示为发射端、信道、接收端。

①发射端和接收端表示为全连接的DNN；

②发射端连接一个归一化层来确保输出值符合物理约束；

③接收端连接一个softmax激活函数层；

④输出一个概率向量来决定接收到的信息；

⑤发射端和接收端之间的信道用一个噪声层（Noise Layer）表示。

联合优化问题中的自编码器构建端到端通信模型的结构如下图8所示：

Re59：将自编码器模型推广到干扰信道的多用户模型上；

Re60：将自编码器优化方法推广到MIMO上，通过增加信道矩阵相关模块，形成如图9所示的MIMO自编码器通信模型。

转载：https://blog.csdn.net/qq_30507287/article/details/115412914

查看评论

飞道的博客