3GPP中有哪些AI的標(biāo)準(zhǔn)

據(jù)說，今年秋季全國將有533所高校開設(shè)人工智能(AI)本科專業(yè)。人工智能可與各個專業(yè)交叉融合，成了最大的一個交叉學(xué)科。那么AI在通信中具體是怎么應(yīng)用的呢？基于目前的AI研究是否都是有效的呢？

在3GPP的5G系列標(biāo)準(zhǔn)中，有這樣三個有關(guān)AI的研究報告：

38.743  Study on enhancements for Artificial Intelligence (AI)/Machine Learning (ML) for NG-RAN；38.744  Study on Artificial Intelligence (AI)/Machine Learning (ML) for mobility in NR；38.843  Study on Artificial Intelligence (AI)/Machine Learning (ML) for NR air interface；

負(fù)責(zé)這三個研究報告的3GPP group分別是RAN3、RAN2和RAN1，我們順便再來復(fù)習(xí)一下3GPP各個group負(fù)責(zé)制定的標(biāo)準(zhǔn)內(nèi)容方向，如下圖所示。也就是說這三個標(biāo)準(zhǔn)分別是針對NG-RAN、移動性（層2層3）、空口物理層（層1）的AI研究。

01、TR 38.743

標(biāo)準(zhǔn)的下載鏈接：https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=4286

38.743是今年3月份啟動的一個R19的研究項目，由RAN3負(fù)責(zé)。內(nèi)容是針對基于人工智能/機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)切片（network slicing）和覆蓋及容量優(yōu)化（CCO：Coverage and Capacity Optimization）用例及其相應(yīng)解決方案提供描述和研究，以及對Rel-18遺留問題進(jìn)行分析。

我們舉網(wǎng)絡(luò)切片的例子來學(xué)習(xí)一下看看加入AI的流程是怎樣的。網(wǎng)絡(luò)切片是一種根據(jù)不同客戶要求進(jìn)行區(qū)別對待的概念。有了切片技術(shù)，移動網(wǎng)絡(luò)運營商（MNO：Mobile Network Operators）就可以將客戶視為不同的租戶類型，每種租戶類型都有不同的服務(wù)要求，并根據(jù)服務(wù)等級協(xié)議（SLA：Service Level Agreement ）和訂閱情況確定每個租戶有資格使用的切片類型。

那么由于NG-RAN在移動性、負(fù)載平衡和無線資源管理決策方面發(fā)揮著關(guān)鍵作用，其目的就是要滿足每個受支持網(wǎng)絡(luò)切片的SLA的目標(biāo)要求。AI/ML功能可以分析與網(wǎng)絡(luò)和UE級性能相關(guān)的指標(biāo)，從而為網(wǎng)絡(luò)切片執(zhí)行最佳資源管理和移動性決策，來滿足要求。

解決方案：

1.?關(guān)于AI/ML模型訓(xùn)練和模型推理的位置

支持基于AI/ML的網(wǎng)絡(luò)切片可考慮以下解決方案：

- AI/ML模型訓(xùn)練位于OAM，AI/ML模型推理位于gNB；?- AI/ML模型訓(xùn)練和AI/ML模型推理都位于gNB。OAM是指Operation、 Administration、Maintenance，操作管理維護(hù)。

如果采用 CU-DU 分離架構(gòu)，則可采用以下解決方案：

- AI/ML模型訓(xùn)練位于OAM，AI/ML模型推理位于gNB-CU；- AI/ML模型訓(xùn)練和模型推理都位于gNB-CU。

2. 基于AI/ML網(wǎng)絡(luò)切片的輸入數(shù)據(jù)

為了預(yù)測優(yōu)化的網(wǎng)絡(luò)切片決策，gNB可能需要以下信息作為基于AI/ML的網(wǎng)絡(luò)切片的輸入數(shù)據(jù)：

來自本地節(jié)點：-?每個切片測量/預(yù)測的無線資源狀態(tài)?-?測量/預(yù)測的切片可用容量?-?傳統(tǒng)預(yù)測的UE軌跡來自鄰近gNB：-?每個切片測量/預(yù)測的無線資源狀態(tài)-?測量/預(yù)測的切片可用容量來自UE：-?UE?測量報告（如UE?RSRP、RSRQ、SINR測量等），包括小區(qū)級和波束級UE測量值

3.?基于AI/ML網(wǎng)絡(luò)切片的輸出數(shù)據(jù)

gNB中基于AI/ML的網(wǎng)絡(luò)切片模型可生成以下輸出信息：

-?每個切片的無線資源狀態(tài)預(yù)測?-?切片可用容量預(yù)測?-?RRM?策略內(nèi)資源的資源管理決策（由gNB內(nèi)部使用）?-?切片感知移動性決策（由gNB內(nèi)部使用）

4.?基于AI/ML網(wǎng)絡(luò)切片的反饋為了優(yōu)化基于AI/ML的網(wǎng)絡(luò)切片模型的性能，可以考慮從gNB 收集以下反饋：

-?每個切片測量的無線資源狀態(tài)?-?測量切片可用容量?-?從源gNB切換的UE的傳統(tǒng)UE性能反饋?-?從源gNB切換的UE的更細(xì)顆粒度UE性能反饋，以確定某個UE使用的某個切片的UE性能。

5. 標(biāo)準(zhǔn)的潛在影響與Rel-18期間的規(guī)范相比，Rel-19后續(xù)規(guī)范性工作的影響如下：

Xn 接口：-?增強(qiáng)現(xiàn)有程序，以收集gNB之間的預(yù)測信息：??■?每個切片的無線資源狀態(tài)預(yù)測??■?切片可用容量預(yù)測

NR覆蓋和容量優(yōu)化（CCO：Coverage and Capacity Optimization）功能的目標(biāo)是檢測和解決或減輕CCO問題。NG-RAN節(jié)點可在覆蓋配置內(nèi)自主調(diào)整和切換。當(dāng)執(zhí)行變更時，NG-RAN節(jié)點可通知其鄰近的NG-RAN節(jié)點，并提供已修改覆蓋的小區(qū)和 SSB 列表。在傳統(tǒng)的CCO解決方案中，使用的是一種被動方法：當(dāng) gNB（在 CU-DU 分離架構(gòu)中為 gNB-CU）檢測到對網(wǎng)絡(luò)和 UE 性能有負(fù)面影響的 CCO 問題發(fā)生后，gNB（在 CU-DU 分離架構(gòu)中為 gNB-DU）會嘗試解決或緩解該問題。而基于 AI/ML 的 CCO 則采用更積極主動的方法來防止（或在早期階段限制）CCO問題的出現(xiàn)以及隨之而來的網(wǎng)絡(luò)和UE性能的下降。

02、TR 38.744

標(biāo)準(zhǔn)的下載鏈接：https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=4288

38.744是今年6月剛剛啟動的研究項目，由RAN2負(fù)責(zé)。它是關(guān)于mobility的AI研究。用例側(cè)重于 RRC_CONNECTED 模式，涵蓋SA NR場景中PCell變化流程的RRM測量預(yù)測、測量事件預(yù)測和 RLF/HOF 預(yù)測。RLF是指Radio link failure；HOF是指Handover failure。

主要有兩個研究目標(biāo)。第一個研究目標(biāo)是通過使用預(yù)測測量來減少時間、空間或頻率域的測量工作。第二個研究目標(biāo)是提高切換性能（例如，乒乓 HO、HOF/RLF、短時停留、切換中斷）?？稍谡业骄哂辛己脺y量預(yù)測準(zhǔn)確性的評估場景后討論切換性能。

采用的通用評估方法是：使用基于信道模型和部署的合成數(shù)據(jù)集，也可選擇使用現(xiàn)場數(shù)據(jù)。原則上，一旦確定了一組仿真參數(shù)和假設(shè)，就應(yīng)將其用于基線情況（即無人工智能模型）、模型訓(xùn)練（如數(shù)據(jù)集生成）、模型驗證、模型測試和推理操作等。在訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集之間，至少在信道建模和UE軌跡方面使用不同的隨機(jī)種子。

那么報告中具體的關(guān)于RRM預(yù)測、RLF預(yù)測等的方法和結(jié)論，還有待進(jìn)一步補(bǔ)充。

03、TR 38.843

標(biāo)準(zhǔn)的下載鏈接：https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=3983

38.843是R18期間的研究項目，內(nèi)容相對詳細(xì)。上面的38.743和38.744兩個R19的標(biāo)準(zhǔn)也是基于38.843。38.843是由RAN1工作組也就是層1物理層工作組來負(fù)責(zé)研究的。在這本報告中，我們可以了解到AI在通信應(yīng)用中更加基本的概念和流程。

例如，AI/ML 模型的生命周期管理（LCM：life cycle management）可能包括以下：

-?數(shù)據(jù)采集?注：如適用，還包括相關(guān)的輔助信息。?-?模型訓(xùn)練?-?功能/模型識別?-?模型交付/傳輸?-?模型推理操作?-?功能/模型選擇、激活、停用、切換和回退操作。??包括?網(wǎng)絡(luò)決定（網(wǎng)絡(luò)啟動或UE啟動并向網(wǎng)絡(luò)請求）、??UE?決定（網(wǎng)絡(luò)配置的事件觸發(fā)、UE向網(wǎng)絡(luò)報告決定或UE自主向網(wǎng)絡(luò)報告決定或不報告決定）?-?功能/模型監(jiān)控?-?模型更新?-?UE?能力?

下圖所示是用于NR空中接口的AI/ML功能框架。這是一個通用的功能架構(gòu)，因此，圖中顯示的某些功能或數(shù)據(jù)/信息/指令流可能并不總是與特定的LCM方法相關(guān)。

38.843中主要對以下3個用例進(jìn)行了分析和評估：

- CSI 反饋增強(qiáng) ??-?利用雙面人工智能模型進(jìn)行空間-頻率域CSI壓縮??-?利用UE側(cè)模型預(yù)測時域CSI-?波束管理??-?根據(jù)波束組B的測量結(jié)果對波束組A進(jìn)行空間域下行鏈路波束預(yù)測???-?根據(jù)波束組B的歷史測量結(jié)果對波束組A進(jìn)行時間域下行鏈路波束預(yù)測?-?定位精度增強(qiáng)???-?直接AI/ML定位???-?AI/ML輔助定位

我們選擇Beam management（波束管理，簡稱BM）來看一下具體情況。

下圖舉例說明了BM-Case1和BM-Case2的波束管理推理過程。基于波束集B 的測量結(jié)果被用作模型輸入。此外，波束ID信息也可作為 AI/ML 模型的輸入。根據(jù)模型輸出（例如，集合A中每個波束成為Top-1波束的概率、預(yù)測的L1-RSRPs），可以預(yù)測出波束集合A中的Top-1/N波束和/或可能具有預(yù)測的L1-RSRP的波束。在評估中，對于BM-Case1，將集合B的測量值作為模型輸入，以預(yù)測集合A中的Top-1/N波束；對于BM-Case2，將歷史時間實例的測量值作為模型輸入，以預(yù)測集合A中的波束的時域DL波束。在評估中，BM-Case1 和 BM-Case2 均考慮了集合A和集合B不同（集合B不是集合A的子集）和集合B是集合A的子集的情況，以及 BM-Case2 中集合A和集合B相同的情況。并評估了DL Tx波束預(yù)測和DL Tx-Rx波束對兒（beam pair）預(yù)測的性能。在BM-Case1和BM-Case2中，UE可以根據(jù)UE端模型的輸出向NW報告預(yù)測結(jié)果，NW也可以根據(jù)NW端模型的Set B報告測量結(jié)果預(yù)測Top-1/N波束。

那么在BM的AI建模中要考慮的KPI有哪些呢？

模型的復(fù)雜度和計算復(fù)雜度；波束預(yù)測的精確度；系統(tǒng)性能例如UE吞吐量、RS（參考信號）overhead降低等；

做AI評估，要比較加入前與加入后的性能，就要做很多場景和參數(shù)的假設(shè)，評估假設(shè)包括系統(tǒng)級（system level simulation assumptions）和鏈路級（link?level simulation?assumptions）。我們分別來舉例看一下：

首先波束管理評估中AI/ML 的基準(zhǔn)系統(tǒng)級仿真假設(shè)參數(shù)如下：

鏈路仿真參數(shù)如下：

方法有了，參數(shù)也有了，結(jié)論是什么呢？結(jié)論說起來也是很復(fù)雜的，首先看一下在波束管理中應(yīng)用AI/ML模型的復(fù)雜度/計算復(fù)雜度參數(shù)：包括以模型參數(shù)數(shù)量表示的模型復(fù)雜度；以模型大小數(shù)量表示的模型復(fù)雜度；以浮點運算次數(shù)表述的計算復(fù)雜度。

結(jié)論也很復(fù)雜，與非AI相比，并不是所有加入了AI/ML的case性能都會有所提升。對于波束管理分為兩種情況：

在 BM-Case1 中，當(dāng)集合 B 是集合 A 的子集或集合 B 與集合 A 不同時，在沒有 UE 旋轉(zhuǎn)的情況下，AI/ML 可以在 DL Tx 波束預(yù)測中使用最佳 Rx 波束測得的波束集合 A 的 1/4 或 1/8 的固定集合 B 進(jìn)行測量，并在波束對預(yù)測中使用集合 A 的 1/4 或 1/8 或 1/16 的固定集合 B 進(jìn)行測量，從而實現(xiàn)良好的性能。此外，根據(jù) 2 或 3 個來源的評估結(jié)果，對于 BM-Case1 DL Tx 波束預(yù)測，在測量/RS 開銷為 1/4 或 1/8 的情況下，根據(jù) AI/ML 預(yù)測的波束，可實現(xiàn) 96%~99% 或 85%~98% 的 UE 平均吞吐量和 95%~97% 或 70%~84% 的 UE 5%ile 吞吐量的非 AI 基線方案 1（對 Set A 波束進(jìn)行窮舉搜索）。請注意，在評估中假設(shè)了理想的測量：無論信噪比如何，都能測量波束，無測量誤差，在單次實例（信道相干時間間隔內(nèi)）中獲得測量，無量化，對 UCI 有效載荷無限制（對于 NW 端模型）。

但是對于BM-Case2，與非AI基線相比的波束預(yù)測精度性能，在沒有 UE 旋轉(zhuǎn)的情況下，對于80毫秒或160毫秒的預(yù)測時間：- 某些評估結(jié)果表明 AI/ML 的性能可能相似或有所下降。對于160毫秒或更長的預(yù)測時間：- 大多數(shù)評估結(jié)果表明 AI/ML 可提高一些波束預(yù)測精度 - 預(yù)測時間越長，AI/ML 可提高的波束預(yù)測精度就越高。但是從減少測量/RS 開銷的角度看，AI/ML 可實現(xiàn)良好的波束預(yù)測，同時減少測量/RS 開銷。