“ALL in AI，AI for All”不仅仅是口号，AI已经和通信系统深度领悟。
乃至可以说，在有些方面AI已经成为了主角，形成了通信×AI的乘数效应。

5G-A是5G下半场演进的技能底座，“泛在智能”已经成为了5G-A发展的主要方向，5G-A×AI的能量正在厚积薄发。

实在，在5G以及5G-A标准的制订过程中，业界也早已认识到了AI的上风，并试图把一些流程用AI来优化赋能。

那么，从标准的角度看，3GPP在网络智能化方面的进展如何？

来源：Linkedin：AI in 5G Use Case - Summary of 3GPP's Work & Study on AI/ML for 5G System

可以看出，在5G阶段，网络智能化有核心网的NWDAF（NetWork Data Analytics Function，网络数据剖析功能）、运维层的MDAF（Management Data Analytics Function，管理数据剖析功能），以及接入侧的一些基本功能研究，这些AI局限在网络侧，和终端没有交互。

到了5G-A阶段，标准制订的AI能力向网络和终端协同的更繁芜功能演进。
末了到6G，便是全栈全节点的原生智能了。

网络层及运维层网元

早在5G标准的第一个版本R15，3GPP就定义了一个全新的核心网网元——NWDAF。

NWDAF从各种核心网网元、运用、运维系统以及运营支持系统网络数据，然后对这些数据进行剖析，以供应有关网络性能和康健状况的建议及处理方案。

NWDAF可以支持：

网络性能监控：监控时延、吞吐率、以及网络可用性等关键网络指标，用于识别和解决性能问题。

网络安全剖析：剖析网络流量，以识别潜在的安全威胁，用于提高网络的安全性。

客户体验优化：剖析客户数据，用于改进客户体验。
比如，NWDAF可创造某些客户或特定运用程序的体验不佳，并定位存在问题的地点。

网络自治闭环：支撑网络运维自动化，在涌现性能问题或安全威胁时自动天生告警。

与此同时，网络运维（OAM）系统也须要增强，即通过引入AI和自动化来实现靠近零打仗的网络及做事管理编排。

在此背景下，3GPP在R17版本为网络运维层引入了MDAF，进一步丰富和增强管理功能，实现最佳的网络性能及做事保障。

综合下来，5G核心网及运维层的智能化架构是下图这样的。

核心网以及上层的运维有了这些动静，那么接入网NG-RAN（Next Generation Radio Access Network，下一代无线接入网）呢？

RAN接入层智能化

3GPP也是从R17阶段开始研究若何把AI引入基站及终端，首先考虑的是网络节能、负荷均衡以及移动性优化等根本功能。

首先要做的是定义AI在RAN（Radio Access Network，无线接入网）侧的基本运行构造：

从上图可以看出，RAN侧的AI框架和通用的AI架构并没有大的不同之处，都分为数据采集、模型演习、模型推理和实行这几个模块。

数据采集：通过标准接口从网络中获取数据，并供应给模型演习和模型推理。

模型演习：进行数据的预处理，并实行AI/ML演习、验证、测试等事情。

模型推理：采取演习好的模型来进行推理，天生预测数据并进行智能决策。

实行：吸收模型推理的结论，并在网络中实际生效实行。

那么，这些模块是在终端侧运行，还是在网络侧运行？答案是都可以，3GPP根据协作程度的高低定义了x，y，z三个级别。

来源：Linkedin：AI in 5G Use Case - Summary of 3GPP's Work & Study on AI/ML for 5G System

Level x：基站和终端各自管各自的AI处理，之间没有任何交互与协作。

Level y：基站和终端之间的AI处理通过信令交互，但它们之间的互换也仅限于此，没有AI模型层面的交互。

Level z：基站和终端之间的AI处理既有信令交互，也可以进行AI模型的传输和更新。
这便是最高级别的协同了。

目前已在R17阶段研究并在R18阶段标准化的RAN侧AI紧张是网络节能、负荷均衡以及移动性优化。

网络节能：节能的关键是精准预测话务量，并根据话务量来最大程度关闭空闲资源。
网络节能的寻衅在于话务预测的精度、网络性能和节能之间的收益平衡，以及迭代优化配置的高效性。
通过引入AI，可以让网络能效更上一层楼。

来源：Samsung Rearch：First Light of the AI/ML Empowered RAN in 3GPP

负荷均衡：如果大量用户集中在一个小区，周围的小区还很空闲的话，就须要负荷均衡来把用户均匀分配在各个小区，最大化资源利用。
若何迁移用户才能始终保持网络体验最佳？这也须要AI的加持。

来源：Samsung Rearch：First Light of the AI/ML Empowered RAN in 3GPP

移动性优化：移动性是指用户在移动时，本小区的做事质量低落，需将用户切换到最得当的小区。
不切换弗成，切换太频繁了也不好，那么若何担保以最少的切换次数保障最优的用户体验？AI能让每一次切换都适可而止。

来源：Samsung Rearch：First Light of the AI/ML Empowered RAN in 3GPP

在R18阶段，3GPP研究了CSI反馈增强、毫米波波束管理以及定位精度增强这三个AI运用，跨入了系统和终端协作新时期。

来源：Linkedin：AI in 5G Use Case - Summary of 3GPP's Work & Study on AI/ML for 5G System

CSI反馈增强：CSI（Channel State Information）是终端丈量得到的信道状态信息。
信道状态信息越准确，用户的下载速率也就越高。
然而在大规模MIMO系统中，大量天线会导致CSI数据量巨大，反馈开销也很大。

如果我们能利用神经网络框架对CSI进行非线性编码和解码，可提高系统效率，实现更有效的多用户复用，还可以最小化滋扰。
我们还可以针对设备进行定制，实现更低开销的反馈。

并且，由于用户是移动的，而CSI的反馈须要韶光，可能到达基站时就已经由于信道状态变革而成为了无用信息。
因此,基于AI/ML的CSI反馈增强还可以采取设备真个AI模型来改进CSI预测。

来源：Qualcomm.com：Towards an AI-native communications system design

波束管理增强：毫米波的波是非，传播损耗大，极易被遮挡。
为了补偿路损，基站一样平常要利用超大规模的天线阵列来实现波束赋形增益。
但为了最大化利用这些窄波束，我们须要良好的算法来选择并保持发射和吸收端最佳对准的波束对。

然而，当设备快速移动时，信道状态变化多端，保持波束最佳对准是非常困难的，我们还须要多个窄波束来实现最佳覆盖。
因此，从浩瀚波束中搜索并跟踪最佳波束变得更加困难。
在这种情形下，我们须要引入AI来提升性能。

来源：Qualcomm.com：Towards an AI-native communications system design

定位精度增强：在繁芜的城市环境中，传统的定位方案可能会由于建筑密度和多径滋扰等成分而精度不佳，须要引入AI，综合多维信息来提升精度。
AI还可以适应环境的变革，并帮助我们在旗子暗记传播受阻的情形下进行定位，如卫星或基站旗子暗记被遮挡。

来源：Qualcomm.com：Towards an AI-native communications system design

后续的R19将研究新的AI/ML用例。
例如，为了实现快速适应和分布式学习，AI/ML的数据和模型可能会直接在设备之间共享，而不须要经由5G网络。
这就须要进一步研究隐私保护以及能耗降落等问题。

此外，对付分布式学习，在标准制订上还须要考虑更多。
比如，如何处理设备进出覆盖区域、电量有限、设备间卸载打算等场景，并在AI/ML模型准确度、模型天生延迟、功耗约束、打算能力等成分之间权衡。

再今后，我们离6G的标准化就近在咫尺了。
在当前的6G愿景中，“AI与通信领悟”六边形的顶点之一。
AI将成为网络底层架构的一部分，从之前的外挂式走向AI原生。

邬贺铨院士曾经指出，6G应聚焦在如何利用AI剖析信道特性实现滋扰肃清、优化能效和核心网对业务的智能化适应上。
这不仅是当前5G-A阶段正在做的，更是6G该当与生俱来的根本能力。

作者 / 蜉蝣采采

— END —

参考资料：

Linkedin：AIin 5G Use Case - Summary of 3GPP's Work & Study on AI/ML for 5G System；

Samsung Rearch：First Light of the AI/ML Empowered RANin 3GPP；

Qualcomm.com：Towards an AI-native communications system design；

Sharetechnote.com：5G/NR - AI/ML.

来源：无线深海

编辑：鱼非我

转载内容仅代表作者不雅观点

不代表中科院物理所态度

如需转载请联系原公众号