人工智能，如何賦能5G-A？

作者 / 蜉蝣采采

文章字數(shù)? / 2700

隨著ChatGPT點燃的人工智能（AI）熱潮，通信行業(yè)的面貌煥然一新。在各種行業(yè)展會、論壇上，面向通信行業(yè)的AI應用層出不窮。

“ALL in AI，AI for All”不僅僅是口號，AI已經(jīng)和通信系統(tǒng)深度融合。甚至可以說，在有些方面AI已經(jīng)成為了主角，形成了通信×AI的乘數(shù)效應。5G-A是5G下半場演進的技術底座，“泛在智能”已經(jīng)成為了5G-A發(fā)展的重要方向，5G-A×AI的能量正在厚積薄發(fā)。其實，在5G以及5G-A標準的制定過程中，業(yè)界也早已認識到了AI的優(yōu)勢，并試圖把一些流程用AI來優(yōu)化賦能。那么，從標準的角度看，3GPP在網(wǎng)絡智能化方面的進展如何？

可以看出，在5G階段，網(wǎng)絡智能化有核心網(wǎng)的NWDAF（NetWork Data Analytics Function，網(wǎng)絡數(shù)據(jù)分析功能）、運維層的MDAF（Management Data Analytics Function，管理數(shù)據(jù)分析功能），以及接入側的一些基本功能研究，這些AI局限在網(wǎng)絡側，和終端沒有交互。到了5G-A階段，標準制定的AI能力向網(wǎng)絡和終端協(xié)同的更復雜功能演進。最后到6G，就是全棧全節(jié)點的原生智能了。

網(wǎng)絡層及運維層網(wǎng)元早在5G標準的第一個版本R15，3GPP就定義了一個全新的核心網(wǎng)網(wǎng)元——NWDAF。NWDAF從各種核心網(wǎng)網(wǎng)元、應用、運維系統(tǒng)以及運營支持系統(tǒng)收集數(shù)據(jù)，然后對這些數(shù)據(jù)進行分析，以提供有關網(wǎng)絡性能和健康狀況的建議及處理方案。

NWDAF可以支持：

網(wǎng)絡性能監(jiān)控：監(jiān)控時延、吞吐率、以及網(wǎng)絡可用性等關鍵網(wǎng)絡指標，用于識別和解決性能問題。網(wǎng)絡安全分析：分析網(wǎng)絡流量，以識別潛在的安全威脅，用于提高網(wǎng)絡的安全性。客戶體驗優(yōu)化：分析客戶數(shù)據(jù)，用于改善客戶體驗。比如，NWDAF可發(fā)現(xiàn)某些客戶或特定應用程序的體驗不佳，并定位存在問題的地點。網(wǎng)絡自治閉環(huán)：支撐網(wǎng)絡運維自動化，在出現(xiàn)性能問題或安全威脅時自動生成告警。與此同時，網(wǎng)絡運維（OAM）系統(tǒng)也需要增強，即通過引入AI和自動化來實現(xiàn)接近零接觸的網(wǎng)絡及服務管理編排。在此背景下，3GPP在R17版本為網(wǎng)絡運維層引入了MDAF，進一步豐富和增強管理功能，實現(xiàn)最佳的網(wǎng)絡性能及服務保障。綜合下來，5G核心網(wǎng)及運維層的智能化架構是下圖這樣的。

核心網(wǎng)以及上層的運維有了這些動靜，那么接入網(wǎng)NG-RAN（Next Generation Radio Access Network，下一代無線接入網(wǎng)）呢？

RAN接入層智能化

3GPP也是從R17階段開始研究怎樣把AI引入基站及終端，首先考慮的是網(wǎng)絡節(jié)能、負荷均衡以及移動性優(yōu)化等基礎功能。首先要做的是定義AI在RAN（Radio Access Network，無線接入網(wǎng)）側的基本運行結構。

RAN側的AI框架和通用的AI架構并沒有大的不同之處，都分為數(shù)據(jù)采集、模型訓練、模型推理和執(zhí)行這幾個模塊。

數(shù)據(jù)采集：通過標準接口從網(wǎng)絡中獲取數(shù)據(jù)，并提供給模型訓練和模型推理。

模型訓練：進行數(shù)據(jù)的預處理，并執(zhí)行AI/ML訓練、驗證、測試等工作。

模型推理：采用訓練好的模型來進行推理，生成預測數(shù)據(jù)并進行智能決策。執(zhí)行：接收模型推理的結論，并在網(wǎng)絡中實際生效執(zhí)行。那么，這些模塊是在終端側運行，還是在網(wǎng)絡側運行？答案是都可以，3GPP根據(jù)協(xié)作程度的高低定義了x，y，z三個級別。

Level x：基站和終端各自管各自的AI處理，之間沒有任何交互與協(xié)作。Level y：基站和終端之間的AI處理通過信令交互，但它們之間的交流也僅限于此，沒有AI模型層面的交互。

Level z：基站和終端之間的AI處理既有信令交互，也可以進行AI模型的傳輸和更新。這就是最高級別的協(xié)同了。目前已在R17階段研究并在R18階段標準化的RAN側AI主要是網(wǎng)絡節(jié)能、負荷均衡以及移動性優(yōu)化。

網(wǎng)絡節(jié)能：節(jié)能的關鍵是精準預測話務量，并根據(jù)話務量來最大程度關閉空閑資源。網(wǎng)絡節(jié)能的挑戰(zhàn)在于話務預測的精度、網(wǎng)絡性能和節(jié)能之間的收益平衡，以及迭代優(yōu)化配置的高效性。通過引入AI，可以讓網(wǎng)絡能效更上一層樓。

負荷均衡：如果大量用戶集中在一個小區(qū)，周圍的小區(qū)還很空閑的話，就需要負荷均衡來把用戶平均分配在各個小區(qū)，最大化資源利用。怎樣遷移用戶才能始終保持網(wǎng)絡體驗最佳？這也需要AI的加持。

移動性優(yōu)化：移動性是指用戶在移動時，本小區(qū)的服務質(zhì)量下降，需將用戶切換到最合適的小區(qū)。不切換不行，切換太頻繁了也不好，那么怎樣保證以最少的切換次數(shù)保障最優(yōu)的用戶體驗？AI能讓每一次切換都恰如其分。在R18階段，3GPP研究了CSI反饋增強、毫米波波束管理以及定位精度增強這三個AI應用，跨入了系統(tǒng)和終端協(xié)作新時代。

CSI反饋增強：CSI（Channel State Information）是終端測量得到的信道狀態(tài)信息。信道狀態(tài)信息越準確，用戶的下載速率也就越高。然而在大規(guī)模MIMO系統(tǒng)中，大量天線會導致CSI數(shù)據(jù)量巨大，反饋開銷也很大。如果我們能利用神經(jīng)網(wǎng)絡框架對CSI進行非線性編碼和解碼，可提高系統(tǒng)效率，實現(xiàn)更有效的多用戶復用，還可以最小化干擾。我們還可以針對設備進行定制，實現(xiàn)更低開銷的反饋。并且，由于用戶是移動的，而CSI的反饋需要時間，可能到達基站時就已經(jīng)因為信道狀態(tài)變化而成為了無用信息。因此,基于AI/ML的CSI反饋增強還可以采用設備端的AI模型來改善CSI預測。

波束管理增強：毫米波的波長短，傳播損耗大，極易被遮擋。為了補償路損，基站一般要使用超大規(guī)模的天線陣列來實現(xiàn)波束賦形增益。但為了最大化利用這些窄波束，我們需要良好的算法來選擇并保持發(fā)射和接收端最佳對準的波束對。然而，當設備快速移動時，信道狀態(tài)瞬息萬變，保持波束最佳對準是非常困難的，我們還需要多個窄波束來實現(xiàn)最佳覆蓋。因此，從眾多波束中搜索并跟蹤最佳波束變得更加困難。在這種情況下，我們需要引入AI來提升性能。

定位精度增強：在復雜的城市環(huán)境中，傳統(tǒng)的定位方案可能會由于建筑密度和多徑干擾等因素而精度不佳，需要引入AI，綜合多維信息來提升精度。AI還可以適應環(huán)境的變化，并幫助我們在信號傳播受阻的情況下進行定位，如衛(wèi)星或基站信號被遮擋。

后續(xù)的R19將研究新的AI/ML用例。例如，為了實現(xiàn)快速適應和分布式學習，AI/ML的數(shù)據(jù)和模型可能會直接在設備之間共享，而不需要經(jīng)過5G網(wǎng)絡。這就需要進一步研究隱私保護以及能耗降低等問題。此外，對于分布式學習，在標準制定上還需要考慮更多。比如，如何處理設備進出覆蓋區(qū)域、電量有限、設備間卸載計算等場景，并在AI/ML模型準確度、模型生成延遲、功耗約束、計算能力等因素之間權衡。再往后，我們離6G的標準化就近在咫尺了。在當前的6G愿景中，“AI與通信融合”六邊形的頂點之一。AI將成為網(wǎng)絡底層架構的一部分，從之前的外掛式走向AI原生。鄔賀銓院士曾經(jīng)指出，6G應聚焦在如何利用AI分析信道特性實現(xiàn)干擾消除、優(yōu)化能效和核心網(wǎng)對業(yè)務的智能化適應上。這不僅是當前5G-A階段正在做的，更是6G應該與生俱來的基礎能力。