摘 要

第五代移動(dòng)通信(5G)技術(shù)將為移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展提供無(wú)所不在的基礎(chǔ)性業(yè)務(wù)能力，在滿足未來(lái)10年移動(dòng)互聯(lián)網(wǎng)流量增加1000倍發(fā)展需求的同時(shí)，為全行業(yè)、全生態(tài)提供萬(wàn)物互聯(lián)的基礎(chǔ)網(wǎng)絡(luò)技術(shù)。相對(duì)已有的移動(dòng)通信技術(shù)，5G技術(shù)適用面更為廣泛，系統(tǒng)設(shè)計(jì)也更為復(fù)雜。重新復(fù)興的人工智能(AI)技術(shù)為5G系統(tǒng)的設(shè)計(jì)與優(yōu)化提供了一種超越傳統(tǒng)理念與性能的可能性。《中國(guó)科學(xué)：信息科學(xué)》最新錄用了尤肖虎教授等撰寫的評(píng)述“基于AI的5G技術(shù)——研究方向與范例”。該評(píng)述在概述5G移動(dòng)通信關(guān)鍵技術(shù)的基礎(chǔ)上，梳理了AI技術(shù)在5G系統(tǒng)設(shè)計(jì)與優(yōu)化方面富有發(fā)展前景的若干發(fā)展方向，并給出了有關(guān)5G網(wǎng)絡(luò)優(yōu)化、資源最優(yōu)分配、5G物理層統(tǒng)一加速運(yùn)算以及端到端物理層聯(lián)合優(yōu)化等若干典型范例。

01引言

5G是面向2020年之后發(fā)展需求的新一代移動(dòng)通信系統(tǒng)，其主要目標(biāo)可概括為“增強(qiáng)寬帶、萬(wàn)物互聯(lián)”。5G 應(yīng)用被劃分為3個(gè)典型的場(chǎng)景：增強(qiáng)型的移動(dòng)寬帶(eMBB)、海量連接的機(jī)器通信(mMTC)，以及高可靠、低時(shí)延的物聯(lián)網(wǎng)應(yīng)用(URLLC)，并規(guī)定了多個(gè)維度的關(guān)鍵技術(shù)指標(biāo)需求，包括：峰值速率、頻譜效率、時(shí)間延遲、網(wǎng)絡(luò)可靠性、連接密度及用戶體驗(yàn)速率等。大規(guī)模天線陣列、密集網(wǎng)絡(luò)、新型波形復(fù)用與信道編譯碼(如極化碼)，以及毫米波接入將成為5G無(wú)線網(wǎng)絡(luò)的核心關(guān)鍵技術(shù)。

5G另一項(xiàng)富有前景的關(guān)鍵技術(shù)是網(wǎng)絡(luò)虛擬化與切片技術(shù)，其基本思想是將5G網(wǎng)絡(luò)構(gòu)建在云計(jì)算平臺(tái)上，通過計(jì)算資源的隔離、動(dòng)態(tài)調(diào)配與遷移，實(shí)現(xiàn)網(wǎng)絡(luò)資源的靈活調(diào)配，以適應(yīng)未來(lái)5G極為豐富的應(yīng)用場(chǎng)景。

5G技術(shù)標(biāo)準(zhǔn)正處于不斷完善與成熟的過程中。國(guó)際標(biāo)準(zhǔn)化組織3GPP于2017年12月公布了第1個(gè)5G技術(shù)標(biāo)準(zhǔn)，支持非獨(dú)立組網(wǎng)(NSA)與eMBB功能。2018年6月14日，3GPP批準(zhǔn)了5G獨(dú)立組網(wǎng)(SA)技術(shù)標(biāo)準(zhǔn)，5G自此進(jìn)入了產(chǎn)業(yè)全面沖刺的新階段。在4G技術(shù)基礎(chǔ)上，5G新無(wú)線接口(5G NR)：

對(duì)已有的多輸入多輸出(MIMO)技術(shù)進(jìn)行了增強(qiáng)，引入了大規(guī)模天線陣列技術(shù)；

對(duì)OFDM時(shí)隙結(jié)構(gòu)和時(shí)頻資源塊(RB)劃分方案進(jìn)行了補(bǔ)充，提出了更為靈活的空中接口技術(shù)；

預(yù)計(jì)下一個(gè)5G標(biāo)準(zhǔn)版本將引入非正交多用戶接入(NOMA)技術(shù)，以支撐廣域覆蓋的中低速率物聯(lián)網(wǎng)應(yīng)用；

沿用了前期的分布式無(wú)線網(wǎng)絡(luò)構(gòu)架，將無(wú)線網(wǎng)絡(luò)功能單元?jiǎng)澐譃榉植际絾卧?DU)和中心單元(CU)，并引入了基于云計(jì)算的網(wǎng)絡(luò)虛擬化與切片技術(shù)。

5G 技術(shù)應(yīng)用范圍的擴(kuò)展使得其系統(tǒng)設(shè)計(jì)和優(yōu)化更為復(fù)雜。傳統(tǒng)移動(dòng)通信系統(tǒng)的優(yōu)化目標(biāo)主要體現(xiàn)在，對(duì)系統(tǒng)傳輸速率和移動(dòng)性能力的支持方面。5G NR 將其應(yīng)用特性的支持能力進(jìn)一步擴(kuò)展至：時(shí)間延遲、網(wǎng)絡(luò)可靠性、連接密度，以及用戶體驗(yàn)速率等多個(gè)關(guān)鍵性能指標(biāo)(KPI)方面。5G N系統(tǒng)設(shè)計(jì)需要在這些KPI之間進(jìn)行折中與優(yōu)化。而且靈活空中接口、網(wǎng)絡(luò)虛擬化與切片技術(shù)的引入，極大地增加了系統(tǒng)設(shè)計(jì)的復(fù)雜性，并為5G網(wǎng)絡(luò)運(yùn)維和優(yōu)化帶來(lái)了極大的挑戰(zhàn)。可喜的是，人工智能(AI)技術(shù)為5G系統(tǒng)的設(shè)計(jì)與優(yōu)化提供了一種超越傳統(tǒng)理念與性能的可能性，已成為業(yè)界重點(diǎn)關(guān)注的研究方向。3GPP、ITU等組織均提出了5G與AI相結(jié)合的研究項(xiàng)目。

AI技術(shù)誕生于20世紀(jì)中葉，幾經(jīng)沉浮，近年來(lái)借助于現(xiàn)代計(jì)算和數(shù)據(jù)存儲(chǔ)技術(shù)的迅猛發(fā)展而再次復(fù)興。AI技術(shù)涵蓋遺傳算法和人工神經(jīng)網(wǎng)絡(luò)兩大類，其本身是一種普適性的機(jī)器學(xué)習(xí)技術(shù)。凡是給定場(chǎng)景涉及到了數(shù)據(jù)的統(tǒng)計(jì)、推斷、擬合、優(yōu)化及聚類，AI均能找到其典型應(yīng)用。根據(jù)訓(xùn)練數(shù)據(jù)的標(biāo)簽(label)或?qū)?yīng)關(guān)系是否已知來(lái)區(qū)分，AI學(xué)習(xí)算法可以粗略地分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩類。而增強(qiáng)學(xué)習(xí)算法既不是一般意義上的非監(jiān)督學(xué)習(xí)算法，也不是監(jiān)督學(xué)習(xí)算法，因此又自成一類。以上三類學(xué)習(xí)算法的特點(diǎn)和典型范例包括:

監(jiān)督學(xué)習(xí)

在監(jiān)督學(xué)習(xí)中，每個(gè)訓(xùn)練數(shù)據(jù)組(data pair)都是由一個(gè)輸入對(duì)象和一個(gè)期望的輸出值組成的，其目標(biāo)是習(xí)得輸入和輸出數(shù)據(jù)的一種的函數(shù)關(guān)系，并依據(jù)該函數(shù)關(guān)系推斷其他輸入數(shù)據(jù)可能的輸出值。監(jiān)督學(xué)習(xí)的一種典型范例即為圖1所示的深度神經(jīng)網(wǎng)絡(luò)(DNN)的訓(xùn)練。該訓(xùn)練方法通過一組先驗(yàn)的數(shù)據(jù)對(duì)(data pairs)對(duì)多層人工神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)間的加權(quán)系數(shù)進(jìn)行離線訓(xùn)練。當(dāng)訓(xùn)練收斂后，該分層人工神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)對(duì)新的數(shù)據(jù)的辨識(shí)與推斷。

圖 1

非監(jiān)督學(xué)習(xí)

非監(jiān)督學(xué)習(xí)的訓(xùn)練數(shù)據(jù)是無(wú)標(biāo)簽的數(shù)據(jù)。通過非監(jiān)督學(xué)習(xí)，我們?cè)噲D找到這些數(shù)據(jù)中隱藏的結(jié)構(gòu)。自組織映射(SOM)網(wǎng)絡(luò)的訓(xùn)練就用到了非監(jiān)督學(xué)習(xí)方法。在SOM中，如圖2，任意維度的無(wú)標(biāo)簽訓(xùn)練數(shù)據(jù)被輸入一個(gè)人工神經(jīng)網(wǎng)絡(luò)，轉(zhuǎn)換為低維度(通常為二維)的離散映射(map)，并通過非監(jiān)督學(xué)習(xí)算法對(duì)權(quán)重向量有選擇性地微調(diào)，以拓?fù)溆行虻姆绞阶赃m應(yīng)地執(zhí)行這種變換。

圖 2

增強(qiáng)學(xué)習(xí)

增強(qiáng)學(xué)習(xí)的典型例子是：可在線處理的增強(qiáng)學(xué)習(xí)方法(見圖3)。它基于智能實(shí)體(Agent)與環(huán)境(Environment)之間的動(dòng)態(tài)交互。當(dāng)智能實(shí)體感知到環(huán)境信息后，依據(jù)自己采取動(dòng)作(Action)所可能帶來(lái)的獎(jiǎng)賞(Reward)或懲罰(Penalty)，確定下一步動(dòng)作，并進(jìn)一步觀察環(huán)境的反應(yīng)，循環(huán)往復(fù)，直至收斂至某一穩(wěn)態(tài)目標(biāo)。

圖 3

兩種常見的學(xué)習(xí)方法如下:

反向傳播學(xué)習(xí)算法

反向傳播(BP)學(xué)習(xí)算法是分層人工神經(jīng)網(wǎng)絡(luò)中最為經(jīng)典的訓(xùn)練算法，是最速下降優(yōu)化算法的一種具體形式。其目標(biāo)是通過迭代，調(diào)整節(jié)點(diǎn)間的加權(quán)系數(shù)，使得分層人工神經(jīng)網(wǎng)絡(luò)的輸出逐步接近已知的輸出。有關(guān)BP算法的動(dòng)態(tài)參數(shù)優(yōu)化及加速實(shí)現(xiàn)形式，可參見作者早期的有關(guān)論文[You 1992; You 1995]。有關(guān)分層人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的選擇，以及如何避免陷入局部最優(yōu)，可參見作者早期的論文[You 1997]。而今，B學(xué)習(xí)算法被廣泛用于訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)(DNN)，并取得了良好的效果。擁有兩層或更多隱藏層(hidden layer)的神經(jīng)網(wǎng)絡(luò)均可被稱為DNN。卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一類常見的前饋DNN，其隱藏層包含：卷積層、池化層、全連接層及歸一化層。 CNN也可以使用反向傳播算法進(jìn)行訓(xùn)練，并能在圖像和語(yǔ)音識(shí)別等方面給出比其他DNN更好的結(jié)果。

Q學(xué)習(xí)算法

Q學(xué)習(xí)算法又稱為Bellman算法，是增強(qiáng)學(xué)習(xí)最為經(jīng)典的算法。其基本思路是：選擇某一函數(shù)(Q 函數(shù))，作為衡量一個(gè)智能實(shí)體執(zhí)行某種動(dòng)作的代價(jià)(獎(jiǎng)勵(lì)或懲罰)函數(shù)；該智能實(shí)體根據(jù)所處的環(huán)境，對(duì)所有可能的動(dòng)作進(jìn)行Q函數(shù)評(píng)估，并從中選擇出獎(jiǎng)勵(lì)成份最大的動(dòng)作，并加以行動(dòng)。Bellman給出了Q函數(shù)常見的迭代更新形式，從而使該智能實(shí)體的動(dòng)作、環(huán)境的變化和Q函數(shù)的調(diào)整能以在線的方式實(shí)現(xiàn)。Q 算法的迭代收斂性證明可參見論文[Watkins 1992]。

傳統(tǒng)數(shù)據(jù)科學(xué)的AI機(jī)器學(xué)習(xí)算法(例如線性模型(linearmodels)、決策樹(descision tree)、k均值聚類(k-means clustering)等)日臻成熟并已經(jīng)部分投入商用。而近年來(lái)，深度學(xué)習(xí)方法(例如DNN、CNN、增強(qiáng)學(xué)習(xí)等)迅速發(fā)展，并在認(rèn)知技術(shù)等領(lǐng)域取得了重大突破，受到了前所未有的關(guān)注。與此同時(shí)，元學(xué)習(xí)(meta-learning)等深度學(xué)習(xí)算法的新分支也在不斷開拓中，提出了“學(xué)會(huì)學(xué)習(xí)”等嶄新的概念。例如，F(xiàn)inn等[Finn 2017]提出的未知模型元學(xué)習(xí)法(model-agnostic meta-learning，MAML)不會(huì)對(duì)模型的形式做任何假設(shè)，也沒有為元學(xué)習(xí)引入額外的參數(shù)，極易應(yīng)用于許多領(lǐng)域，包括分類、回歸和增強(qiáng)學(xué)習(xí)等。近期AI技術(shù)的發(fā)展在文獻(xiàn)[Wu 2018; Zhou 2018; Zhong 2017]中有詳細(xì)的總結(jié)。

這些新技術(shù)使深度學(xué)習(xí)方法適用于更廣泛、更復(fù)雜的場(chǎng)景，也為AI在通信等領(lǐng)域中的應(yīng)用制造了新的機(jī)遇。

02AI應(yīng)用于5G系統(tǒng)的發(fā)展方向

作為普適性的機(jī)器學(xué)習(xí)技術(shù)，AI 可以廣泛地應(yīng)用于5G 系統(tǒng)設(shè)計(jì)和優(yōu)化的各個(gè)環(huán)節(jié)，大體上涉及三類技術(shù)問題: 組合優(yōu)化問題、檢測(cè)問題及估計(jì)問題。

組合優(yōu)化問題

5G NR的資源分配問題是一個(gè)典型的組合優(yōu)化問題。它需要從資源池中窮舉出一組最優(yōu)的資源配置方式，并據(jù)此將資源分配給網(wǎng)絡(luò)覆蓋范圍內(nèi)的多個(gè)用戶，最大化資源利用效率。

檢測(cè)問題

再如，5G通信最優(yōu)接收機(jī)的設(shè)計(jì)就是一個(gè)典型的檢測(cè)問題，其目標(biāo)是對(duì)接收信號(hào)進(jìn)行辨識(shí)，確定對(duì)應(yīng)的發(fā)射信號(hào)，并使檢測(cè)錯(cuò)誤概率最低。

估計(jì)問題

5G通信的信道參數(shù)的準(zhǔn)確估計(jì)是實(shí)現(xiàn)系統(tǒng)相干接收的必要條件。它需要根據(jù)5G 系統(tǒng)所發(fā)送的導(dǎo)頻信號(hào)(事先確知)，估計(jì)出無(wú)線信號(hào)傳播從發(fā)射端到接收端所歷經(jīng)的信道畸變。

AI技術(shù)在5G系統(tǒng)中的應(yīng)用已有大量的文獻(xiàn)可供參考，但并非所有的研究均有潛在的發(fā)展生命力。

首先，移動(dòng)通信系統(tǒng)本身經(jīng)過長(zhǎng)期的發(fā)展，已經(jīng)擁有了較為完備的經(jīng)典設(shè)計(jì)和處理方法。大量實(shí)踐已經(jīng)證明，這些經(jīng)典方法在工程上極為有效，且易于實(shí)現(xiàn)。

其次，移動(dòng)通信系統(tǒng)通常存在性能界(如香農(nóng)容量限)，現(xiàn)有的方法經(jīng)過精心設(shè)計(jì)已經(jīng)可以充分逼近上述性能界。例如，文獻(xiàn)[Gao 2009]中給出了逼近MIMO容量界的一種設(shè)計(jì)方法，其只需對(duì)功率最優(yōu)注水分配問題進(jìn)行簡(jiǎn)單的迭代，便可使MIMO的性能充分逼近香農(nóng)容量界。這意味著，即使采用先進(jìn)的AI學(xué)習(xí)技術(shù)，也無(wú)法超越這些經(jīng)典算法。

第三，AI學(xué)習(xí)本身也有明顯的局限性，無(wú)論是BP算法還是Q算法均存在訓(xùn)練的收斂時(shí)間問題。能否滿足移動(dòng)通信系統(tǒng)實(shí)時(shí)處理的需求，需要進(jìn)行較為充分的評(píng)估。最后，與經(jīng)典的方法相比，AI學(xué)習(xí)算法的計(jì)算復(fù)雜度通常較高，如果不能帶來(lái)性能上的明顯提升，其本身顯然不具備足夠的競(jìng)爭(zhēng)力。

這里，并非否定AI技術(shù)在5G系統(tǒng)設(shè)計(jì)與優(yōu)化中的潛在價(jià)值。相反，5G系統(tǒng)中存在大量傳統(tǒng)方法難以建模、求解、或高效實(shí)現(xiàn)的問題，為AI技術(shù)在5G中的有效應(yīng)用提供了可能。同時(shí)，一些新的AI算法正在不斷發(fā)展中，為AI在5G中的應(yīng)用提供了新的機(jī)遇。因此，有必要對(duì)AI技術(shù)在5G系統(tǒng)設(shè)計(jì)與優(yōu)化中的典型問題進(jìn)行梳理，從而確定其在5G系統(tǒng)中更有潛在應(yīng)用價(jià)值的研究方向。

為此，本文將AI 在5G中的應(yīng)用問題劃分為以下四種類型：無(wú)法建模問題、難以求解問題、統(tǒng)一模式高效實(shí)現(xiàn)問題、及最優(yōu)檢測(cè)與估計(jì)問題。我們將看到: 對(duì)于前兩類問題，由于缺乏有效的傳統(tǒng)解決方案，AI技術(shù)通常更具應(yīng)用潛力。而對(duì)于后兩類問題，AI技術(shù)相對(duì)于傳統(tǒng)的解決方案是否在性能或?qū)崿F(xiàn)上具備更強(qiáng)的競(jìng)爭(zhēng)力，則視其具體解決方案而定。四類問題具體分析如下:

無(wú)法建模問題

移動(dòng)通信系統(tǒng)的網(wǎng)絡(luò)優(yōu)化涵蓋一類難以統(tǒng)一建模的技術(shù)問題，如覆蓋問題、干擾問題、鄰區(qū)選擇、及越區(qū)切換問題等，其運(yùn)維通常更多地依賴于工程人員的實(shí)踐經(jīng)驗(yàn)。相比之下，5G系統(tǒng)涉及的應(yīng)用場(chǎng)景更為綜合、KPI種類更多，特別是5G NR中基于大規(guī)模天線陣列的密集波束應(yīng)用，需要引入更高維度的優(yōu)化參數(shù)，對(duì)網(wǎng)絡(luò)運(yùn)維帶來(lái)了更為艱巨的挑戰(zhàn)。5GNR另一個(gè)難以建模的問題是KPI優(yōu)化。如前所述，5G NR的KPI涉及峰值速率、頻譜效率、時(shí)間延遲、網(wǎng)絡(luò)可靠性、連接密度及用戶體驗(yàn)速率等多個(gè)維度，這些指標(biāo)往往是相互依賴或相互矛盾的，因而難以建立全局性的優(yōu)化模型。

難以求解問題

5GNR涉及一系列資源分配問題，包括: 小區(qū)間時(shí)頻資源塊分配、正交導(dǎo)頻資源分配、波束分配、大規(guī)模MIMO多用戶聚類及無(wú)線網(wǎng)絡(luò)虛擬化資源池調(diào)配等。這些問題的模型優(yōu)化目標(biāo)是使得整個(gè)無(wú)線網(wǎng)絡(luò)的吞吐率最大化，并滿足一定程度的用戶服務(wù)比例公平性。其最優(yōu)解求解問題通常屬于NP-hard類型的組合優(yōu)化，對(duì)應(yīng)的計(jì)算復(fù)雜度隨系統(tǒng)規(guī)模的增加而指數(shù)增長(zhǎng)。傳統(tǒng)的解決方法一般將此類問題進(jìn)行靜態(tài)分割，從而以較低的計(jì)算量獲取次優(yōu)的解決方案。AI技術(shù)則為此類問題的解決提供了可能的技術(shù)途徑。

統(tǒng)一模式高效實(shí)現(xiàn)問題

5GNR涉及一些基本功能模塊的級(jí)聯(lián)組合。以5G NR的物理層為例，涉及大規(guī)模MIMO多用戶空時(shí)處理、NOMA信號(hào)檢測(cè)及LDPC碼和Polar碼信道編譯碼等功能模塊。上述每個(gè)功能模塊算法各不相同，但理論上均可以單獨(dú)采用AI學(xué)習(xí)技術(shù)逐一加以解決。這啟發(fā)我們，可用統(tǒng)一的、基于AI技術(shù)的軟硬件方案解決5G NR物理層所有的關(guān)鍵功能模塊，從而簡(jiǎn)化系統(tǒng)的設(shè)計(jì)流程、加速工程實(shí)現(xiàn)的進(jìn)程、提高物理層實(shí)現(xiàn)的可配置性，并最終降低系統(tǒng)實(shí)現(xiàn)成本、提高實(shí)現(xiàn)效率。

最優(yōu)檢測(cè)與估計(jì)問題

將AI應(yīng)用于5G系統(tǒng)的直觀的想法是，用人工神經(jīng)網(wǎng)絡(luò)來(lái)取代傳統(tǒng)發(fā)射機(jī)和接收機(jī)的基本功能模塊。如前所述，基于人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練的方法，其無(wú)線傳輸性能最多也只能接近香農(nóng)容量界；但相對(duì)于經(jīng)典的優(yōu)化設(shè)計(jì)方法，其計(jì)算量可能更為龐大，且訓(xùn)練所需的收斂時(shí)間也會(huì)限制其實(shí)際應(yīng)用。另一個(gè)更值得探討的研究方向是，使用AI技術(shù)進(jìn)行跨層聯(lián)合優(yōu)化，包括：物理層與媒體控制層的聯(lián)合優(yōu)化、信源與信道的聯(lián)合優(yōu)化及算法設(shè)計(jì)與硬件實(shí)現(xiàn)的聯(lián)合優(yōu)化等，這些均是傳統(tǒng)方法所難以解決的。

03AI應(yīng)用于5G系統(tǒng)的典型范例

本節(jié)將具體介紹AI應(yīng)用于5G系統(tǒng)的四個(gè)典型范例: 網(wǎng)絡(luò)自組織與自優(yōu)化、時(shí)頻資源最優(yōu)分配、5G通用加速器、及5G物理層端到端優(yōu)化。

3.1網(wǎng)絡(luò)自組織與自優(yōu)化

自組織網(wǎng)絡(luò)(SON)已被3GPP列為L(zhǎng)TE網(wǎng)絡(luò)優(yōu)化關(guān)鍵技術(shù)。相比于傳統(tǒng)無(wú)線通信，5G應(yīng)用場(chǎng)景更為復(fù)雜，網(wǎng)絡(luò)優(yōu)化與管理更為艱難，因此對(duì)SON的技術(shù)需求將更為強(qiáng)烈。SON包括了網(wǎng)絡(luò)自配置、自優(yōu)化、及自愈合三項(xiàng)功能，旨在淡化傳統(tǒng)人工干預(yù)，實(shí)現(xiàn)網(wǎng)絡(luò)規(guī)劃、網(wǎng)絡(luò)配置、及網(wǎng)絡(luò)優(yōu)化的高度自動(dòng)化，以節(jié)省運(yùn)營(yíng)成本，降低人為故障。文獻(xiàn)[Wang 2015; Klaine 2017; Perez-Romero 2016]對(duì)AI技術(shù)在SON中的應(yīng)用進(jìn)行了總結(jié)，涉及基站自主參數(shù)配置、動(dòng)態(tài)規(guī)劃、遷移學(xué)習(xí)，網(wǎng)絡(luò)故障的自動(dòng)檢測(cè)與定位，及網(wǎng)絡(luò)參數(shù)的自動(dòng)優(yōu)化等，所采用的AI方法包括人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)、蟻群優(yōu)化、及遺傳算法等。

下面以文獻(xiàn)[Gomez-Andrades 2016]提出的自動(dòng)故障分析為例，介紹AI技術(shù)在SON中的具體應(yīng)用。為了實(shí)現(xiàn)LTE網(wǎng)絡(luò)自動(dòng)故障診斷，AI技術(shù)需要克服兩大問題:

現(xiàn)有大量數(shù)據(jù)的KPI種類多，又缺乏已知的故障標(biāo)簽，難以進(jìn)行簡(jiǎn)單的歸類診斷；

鑒于人工診斷的成本較高和能力有限，需要盡量減少人工參與。

因此，研究者結(jié)合監(jiān)督和無(wú)監(jiān)督兩種學(xué)習(xí)方法，提出了基于AI的故障診斷系統(tǒng)。診斷分為以下幾步:

步驟 1

利用圖2所示的無(wú)監(jiān)督的自組織映射(SOM)算法實(shí)現(xiàn)對(duì)無(wú)標(biāo)簽高維度數(shù)據(jù)的初步分類。多種類的KPI指標(biāo)帶來(lái)了高維的歷史數(shù)據(jù)。SOM作為人工神經(jīng)網(wǎng)絡(luò)，通過訓(xùn)練能將任意維的輸入數(shù)據(jù)在輸出層映射成二維神經(jīng)元網(wǎng)絡(luò)。神經(jīng)元的拓?fù)浣Y(jié)構(gòu)即代表了原數(shù)據(jù)的分布情況: 越相近的神經(jīng)元，其映射的原數(shù)據(jù)越接近。 這樣就實(shí)現(xiàn)了高維數(shù)據(jù)的低維表示和初步聚類。

步驟 2

完成SOM訓(xùn)練之后，我們?cè)賹?duì)SOM建立的神經(jīng)元進(jìn)行一次無(wú)監(jiān)督的聚類。因?yàn)樯窠?jīng)元之間的歐氏距離即表示其映射數(shù)據(jù)之間的差異，所以基于歐式距離的沃德(Ward)聚類算法即可實(shí)現(xiàn)對(duì)神經(jīng)元的聚類。

步驟 3

經(jīng)過以上兩個(gè)步驟，數(shù)據(jù)已經(jīng)被分為幾個(gè)大類。此時(shí)，再引入專家對(duì)分好類的數(shù)據(jù)進(jìn)行故障分析，有監(jiān)督地貼上故障標(biāo)簽。

以上三個(gè)步驟完成了故障診斷系統(tǒng)的設(shè)計(jì)，建立了一套自動(dòng)的診斷流程，如圖4所示。此后產(chǎn)生的新數(shù)據(jù)在輸入該系統(tǒng)之后，將先由SOM定位到最接近的神經(jīng)元，再由該神經(jīng)元的類別標(biāo)簽判斷其是否故障以及原因。在診斷一定數(shù)量的新數(shù)據(jù)之后，以上三個(gè)步驟可以再次被執(zhí)行用以驗(yàn)證和更新系統(tǒng)。文獻(xiàn)[Gomez-Andrades 2016]的仿真結(jié)果表明，即便在主要使用無(wú)監(jiān)督學(xué)習(xí)進(jìn)行構(gòu)建、并且人工參與量極低的情況下，上述自動(dòng)故障診斷系統(tǒng)仍能達(dá)到非常高的診斷準(zhǔn)確率。

圖 4

3.2時(shí)頻資源最優(yōu)分配

相比于4G LTE-A，5G NR將面臨更為復(fù)雜的OFDM時(shí)頻資源塊(RB)分配問題，以適應(yīng)5G三種典型的應(yīng)用場(chǎng)景。圖5給出了一個(gè)典型的多小區(qū)、多用戶下行鏈路RB分配示意圖。其中，同一小區(qū)內(nèi)不同用戶的RB分配是正交的，系統(tǒng)整體干擾主要取決于相鄰小區(qū)用戶RB的分配方案。假設(shè)每個(gè)用戶的信息容量可在信干比(SIR)測(cè)量值的基礎(chǔ)上得出，則系統(tǒng)RB最優(yōu)分配的目標(biāo)是使所有用戶的信息容量之和最大化。這是一個(gè)典型的NP-hard組合優(yōu)化問題，所需的計(jì)算量與覆蓋范圍內(nèi)移動(dòng)用戶數(shù)的階乘成正比。

圖 5

以基于Q學(xué)習(xí)算法的應(yīng)用為例。假設(shè)某一智能實(shí)體負(fù)責(zé)上述移動(dòng)用戶的RB分配，則該智能實(shí)體的動(dòng)作可以遵循以下原則對(duì)用戶RB進(jìn)行更新：

在同一小區(qū)內(nèi)，選擇SIR較好的空閑RB分配給用戶；

不斷更新本小區(qū)SIR最差用戶的RB，以尋求更好的系統(tǒng)性能；

對(duì)于同一RB，把本小區(qū)SIR最差的用戶與鄰小區(qū)SIR最好的用戶進(jìn)行配對(duì)或分簇，如圖3所示。

前兩個(gè)原則易于理解，而第三個(gè)原則旨在避免位置相近、且處于小區(qū)邊緣的用戶被分配相同的RB。此時(shí)，相鄰基站無(wú)論如何調(diào)整發(fā)射功率，這些用戶均無(wú)法同時(shí)獲得正常工作所需的SIR。

智能實(shí)體在動(dòng)作集合確定后，以所有用戶的信息容量之和最大化為準(zhǔn)則，選擇當(dāng)前最優(yōu)的動(dòng)作對(duì)RB進(jìn)行調(diào)整，并按照Bellman公式對(duì)Q函數(shù)進(jìn)行實(shí)時(shí)更新。如此迭代操作，直至Q函數(shù)趨于穩(wěn)定。

上述迭代過程還應(yīng)與用戶的功率最優(yōu)分配相結(jié)合。文獻(xiàn)[Wang 2017]基于博弈論框架，給出了多小區(qū)用戶采用相同RB時(shí)的最優(yōu)功率分配方法。如果系統(tǒng)需要進(jìn)一步考慮用戶QoS的比例公平性，可引入拉格朗日乘子法，構(gòu)造相應(yīng)的動(dòng)作評(píng)估準(zhǔn)則和Q函數(shù)。文獻(xiàn)[Bogale 2018; Li 2017]對(duì)AI在5G資源分配中的一些應(yīng)用進(jìn)行了總結(jié)和展望。而cite{35。3}也初步提出了增強(qiáng)學(xué)習(xí)方法在5G新框架中的網(wǎng)絡(luò)切片技術(shù)方面的新應(yīng)用。

3.35G通用加速器

相比于4G，5G的基帶處理需要考慮更多的模塊，例如：大規(guī)模MIMO檢測(cè)、NOMA檢測(cè)及Polar碼譯碼等，這會(huì)使硬件面積增加，實(shí)現(xiàn)架構(gòu)不規(guī)律。可以注意到，盡管5G基帶模塊眾多，但所有功能均可以用基于因子圖的置信傳播算法實(shí)現(xiàn)。針對(duì)特定的基帶功能，置信傳播算法只需確定變量符號(hào)集、變量間關(guān)系等參數(shù)，而保持其余的部分不變。因此可以用一個(gè)基于置信傳播的、參數(shù)可配置的通用加速器實(shí)現(xiàn)整個(gè)基帶功能。

盡管基于置信傳播的算法可以實(shí)現(xiàn)5G通用加速器，但受其性能限制，置信傳播算法在一些場(chǎng)景下仍然無(wú)法滿足要求。為此我們嘗試在置信傳播通用加速器的基礎(chǔ)上，實(shí)現(xiàn)基于AI的5G通用加速器。我們可以通過以下兩種方式，將一個(gè)置信傳播算法改進(jìn)為一個(gè)性能更好的AI算法。

方法一

將置信傳播算法改為深度神經(jīng)網(wǎng)絡(luò)(DNN)算法。方法如下:

將置信傳播算法的因子圖復(fù)制多次，并按照原有的方式連接為一個(gè)深度神經(jīng)網(wǎng)絡(luò)，復(fù)制次數(shù)等于置信傳播算法的迭代次數(shù)。

對(duì)DNN進(jìn)行訓(xùn)練。Xu等[Xu 2017]提出的基于DNN的polar碼譯碼器，Tan等[Tan 2018]提出的基于DNN的MIMO檢測(cè)器等是方法一在基帶模塊上實(shí)現(xiàn)的范例。

方法二

將置信傳播算法改為卷積神經(jīng)網(wǎng)絡(luò)(CNN)算法。方法如下:

將置信傳播算法的因子圖節(jié)點(diǎn)排列在圖片上，其中每個(gè)像素代表一個(gè)節(jié)點(diǎn)。像素相鄰意味著其對(duì)應(yīng)的節(jié)點(diǎn)在因子圖中相連。

用連接得到的圖像對(duì)CNN進(jìn)行訓(xùn)練。Liang等[Liang 2018]提出的BP-CNN信道譯碼器應(yīng)用了方法二。

AI技術(shù)中的神經(jīng)網(wǎng)絡(luò)算法具有高度的自適應(yīng)性與可靠性。通過將基帶算法轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)能夠處理的問題，我們受益于以下兩方面:

系統(tǒng)性能的提升；

硬件架構(gòu)的統(tǒng)一。

觀察神經(jīng)網(wǎng)絡(luò)的算法，我們發(fā)現(xiàn)CNN核心操作是卷積運(yùn)算，而DNN核心操作為二維矩陣乘法運(yùn)算。二維脈動(dòng)陣列可以同時(shí)完成上述兩種運(yùn)算。因此利用同一脈動(dòng)陣列，只需對(duì)輸入數(shù)據(jù)進(jìn)行合理調(diào)度，即可同時(shí)實(shí)現(xiàn)CNN與DNN的功能，從而實(shí)現(xiàn)基于AI的5G通用加速器。文獻(xiàn)[Xu 2018a]綜合研究了神經(jīng)網(wǎng)絡(luò)的高效量化策略以及硬件實(shí)現(xiàn)。一種二維脈動(dòng)陣列架構(gòu)如圖6所示，可以看出其高度的規(guī)整性和可擴(kuò)展性。

圖 6

文獻(xiàn)[Xu 2018b]指出，在由信道編碼、信道、信道均衡器及譯碼器組成的系統(tǒng)中(如圖7)，接收機(jī)的均衡器與譯碼器分別可用CNN和DNN實(shí)現(xiàn)。對(duì)應(yīng)的AI加速器有兩種實(shí)現(xiàn)方案。

圖 7

硬件消耗優(yōu)先的設(shè)計(jì)

我們可將整個(gè)接收機(jī)折疊為一個(gè)通用處理器。通用處理器首先工作于均衡器模式(CNN)，輸入為來(lái)自信道的信息，輸出被保存下來(lái)；然后工作于譯碼器模式(DNN)，將剛保存的結(jié)果作為輸入，輸出最后的譯碼結(jié)果。

吞吐速率優(yōu)先的設(shè)計(jì)

接收機(jī)由兩個(gè)通用處理器組成流水線，兩個(gè)處理器分別工作在均衡器和譯碼器模式。

可以看出，相比于傳統(tǒng)實(shí)現(xiàn)，通用處理器可帶來(lái)更多硬件設(shè)計(jì)自由度，以更好的滿足不同系統(tǒng)要求。

3.45G物理層端到端優(yōu)化

AI算法在物理層若干模塊上成功實(shí)現(xiàn)了功能優(yōu)化，例如：Lv等[Lv 2004]提出的基于神經(jīng)網(wǎng)絡(luò)的調(diào)制模式識(shí)別，Xu等[Xu 2017]提出的DNN極化碼譯碼器，及Liang等[Liang 2018]提出的基于DNN的MIMO檢測(cè)算法等。在兩個(gè)或多個(gè)物理層模塊的聯(lián)合優(yōu)化問題中，AI算法也得到了成功的應(yīng)用，例如Xu等[Xu 2018b]提出的基于神經(jīng)網(wǎng)絡(luò)的信道均衡和信道譯碼的聯(lián)合優(yōu)化。文獻(xiàn)[Wang 2017; O'Shea 2017]均對(duì)AI在物理層各模塊的應(yīng)用進(jìn)行了較全面的總結(jié)。但單個(gè)模塊的優(yōu)化并無(wú)法保證整個(gè)物理層端到端通信的整體優(yōu)化，而端到端通信的實(shí)現(xiàn)中，多個(gè)基于迭代算法的AI模塊的拼接反而會(huì)帶來(lái)更高的訓(xùn)練和計(jì)算復(fù)雜度。因此，我們需要一種對(duì)物理層端到端的聯(lián)合優(yōu)化方法。

文獻(xiàn)[O'Shea 2017a]提出將物理層通信看作一個(gè)端到端的信號(hào)重構(gòu)問題，并應(yīng)用自編碼器概念來(lái)表示物理層通信過程，進(jìn)行端到端通信的聯(lián)合優(yōu)化。自編碼器是一種無(wú)監(jiān)督深度學(xué)習(xí)算法，屬于神經(jīng)網(wǎng)絡(luò)，通過學(xué)習(xí)輸入信息的壓縮形式來(lái)進(jìn)行壓縮信息的重構(gòu)。在利用自編碼器構(gòu)建的端到端通信模型中，編碼、調(diào)制、信道均衡等物理層模塊，被簡(jiǎn)單表示為發(fā)射端，信道和接收端三個(gè)模塊:發(fā)射端和接收端都分別表示為全連接的DNN，其中發(fā)射端連接一個(gè)歸一化層來(lái)確保輸出值符合物理約束，接收端則連接一個(gè)softmax激活函數(shù)層，最后輸出一組概率向量來(lái)決定接收到的信息。兩者中間的AWGN信道則用神經(jīng)網(wǎng)絡(luò)的一個(gè)噪聲層(noise layer)表示，從而將通信系統(tǒng)表示為結(jié)構(gòu)如圖8所示的大型自編碼器。該自編碼器基于端到端的誤比特率(BER)或誤塊率(BLER)表現(xiàn)進(jìn)行訓(xùn)練，完成訓(xùn)練的自編碼器即可基于接收信號(hào)對(duì)傳輸信號(hào)進(jìn)行重構(gòu)。

圖 8

自編碼器方法不基于任何經(jīng)典的編碼、檢測(cè)方法，而是將整個(gè)端到端通信構(gòu)筑為一個(gè)用于信息重構(gòu)的DNN并進(jìn)行聯(lián)合優(yōu)化。在難以建立準(zhǔn)確模型的復(fù)雜現(xiàn)實(shí)環(huán)境中，自編碼器方法不采用經(jīng)典模型，而是利用大量數(shù)據(jù)的支撐和機(jī)器學(xué)習(xí)算法的強(qiáng)大功能來(lái)“學(xué)習(xí)”復(fù)雜的信道狀況，從而優(yōu)化整個(gè)通信過程。同時(shí)，它也有效避免了多種模塊拼接而產(chǎn)生的多層網(wǎng)絡(luò)所帶來(lái)的高復(fù)雜度和大計(jì)算量。O'Shea 等[O'Shea 2017a]將自編碼器模型推廣到干擾信道的多用戶通信模型上，而[O'Shea 2017b]則將這種自編碼器優(yōu)化方法推廣到MIMO上，通過增加信道矩陣相關(guān)模塊，形成了如圖9所示的MIMO自編碼器通信模型。文獻(xiàn)[O'Shea 2017b]的實(shí)驗(yàn)結(jié)果均顯示自編碼器方法建立了一種可用于不同CSI信息，天線數(shù)等情況下的統(tǒng)一物理層框架，并且在更低的計(jì)算復(fù)雜度下可通過 "學(xué)習(xí)" 得到比經(jīng)典方法更低的誤比特率。而上述端到端優(yōu)化策略可以利用上文所述的 "基于AI的5G通用加速器" 加以高效實(shí)現(xiàn)。

圖 9

04結(jié)束語(yǔ)

5G突破了傳統(tǒng)移動(dòng)通信系統(tǒng)的應(yīng)用范疇，在大幅提升傳統(tǒng)移動(dòng)互聯(lián)網(wǎng)服務(wù)能力的同時(shí)，將應(yīng)用的觸角滲透至各行各業(yè)的物聯(lián)網(wǎng)應(yīng)用，從而演變成為支撐全社會(huì)、全行業(yè)運(yùn)行的基礎(chǔ)性互聯(lián)網(wǎng)絡(luò)。以統(tǒng)一的技術(shù)框架支撐極度差異化的繁雜應(yīng)用，5G技術(shù)的發(fā)展正面臨著前所未有的挑戰(zhàn)。AI技術(shù)的新一輪復(fù)興及迅猛發(fā)展，為應(yīng)對(duì)上述挑戰(zhàn)并超越傳統(tǒng)移動(dòng)通信設(shè)計(jì)理念與性能提供了潛在的可能性。

AI技術(shù)在5G移動(dòng)通信系統(tǒng)中應(yīng)用，已有大量的研究文獻(xiàn)可供借鑒。本文并非試圖全面地總結(jié)該領(lǐng)域已有研究成果，而是希望厘清AI技術(shù)在5G系統(tǒng)中最有發(fā)展生命力的研究方向，并通過在這些方向上的進(jìn)一步努力，使5G系統(tǒng)性能與實(shí)現(xiàn)的便利性可以顯著超越傳統(tǒng)移動(dòng)通信系統(tǒng)。基于本文所給出的若干典型應(yīng)用范例，我們有理由期待上述努力在不遠(yuǎn)的未來(lái)取得顯著的成效。