【创新发展】人工智能在5G网络的应用和标准化进展（上）

1　引言

随着2018年6月5G第一阶段标准的冻结，5G网络开始走向了真正的商用之路。然而面对未来更多样化的业务需求和更复杂的通信场景，目前的5G网络仍缺乏足够的智能来提供按需的服务，也不能保证网络资源的利用效率。因此，国际标准制定组织3GPP拟将AI（人工智能）引入5G网络中来保证网络服务质量、优化网络功能和增强网络自动化运维能力[1]。这一研究得到了国内外众多电信设备商和运营商的支持，例如华为、大唐、爱立信、中国移动、法国电信等。

AI是一项使机器像人类一样智能的科学和工程，长期以来一直被用于优化各种复杂环境下的计算机系统和通信网络[2]。引入AI的5G网络能够具备更强的场景感知能力，并基于对场景的感知进行响应，提供网络执行策略或通信场景特征预测。由此可见，引入AI的5G网络将转变为真正的以用户和场景信息为中心的网络[3]。

5G网络在经历从传统网络到智能化网络的变革中，面临着以下问题：

（1）用例选择和相应的机器学习算法选择。通过对适用AI技术的各种用例的分析和比较，确定使用AI对网络进行增强的技术方向并选择或改进合适的AI算法。

（2）网络架构定义。从网络架构上支持基于AI的网络数据分析和反馈，包括对静态网络数据和实时运行数据的分析。

（3）用户数据和网络运行数据的采集，完成对应用层业务信息、运维管理层统计信息、网络层实时运行数据等各类数据的采集。

2　AI技术

AI技术兴起于20世纪50年代，是计算机学科的一个重要分支，其目的是研究人类智能活动的规律，构造具有一定智能行为的人工系统[4]。目前AI的主要学派有三家：符号主义、连接主义和行为主义[5]。

（1）符号主义（又称为逻辑主义、心理学派或计算机学派）认为AI源于数理逻辑。从符号主义的观点来看，只要能赋予机器逻辑推理的能力，机器就会具有智能，知识和推理是人工智能的核心。

（2）连接主义（又称为仿生学派或生理学派）认为AI源于仿生学，特别是对人脑模型的研究。连接主义认为智能活动是由大量简单的单元通过复杂的相互连接后并行运行的结果。因此，针对问题输入，可通过构建人工神经网络，并对网络的大量连接并行进行增强或者减弱（例如调整权值）来较快地求解。

（3）行为主义（进化主义或控制论学派）认为AI源于控制论。行为主义认为智能并不只是来自计算引擎，也来自环境世界的场景、感应器内的信号转换以及机器人和环境的相互作用，是对外界复杂环境的一种适应[6]。因此行为主义强调在控制过程中的自学习和自优化。

从AI技术的发展看，机器具备智能的必要条件是具备学习能力。因此机器学习是实现AI的重要手段。在目前的机器学习领域，主要有四类学习方式，分别存在对应的算法模型：

（1）监督学习。监督学习的工作机制是利用已有正确答案的数据来训练算法进行学习，使得算法能够对没有学习过的数据也能够做出正确的反馈。监督学习主要解决分类和回归问题，常见的算法有K-近邻算法、决策树、朴素贝叶斯、逻辑回归、支持向量机、神经网络等[7]。

（2）无监督学习。相对于监督学习，无监督学习中的训练数据没有标签或答案，数据训练的目的是找到数据中的内在关联或结构，但学习的过程并不知道结果是否正确。无监督学习主要解决聚类和降维问题，常见的算法有主成分分析算法、K-均值算法、等距特征映射等。

（3）半监督学习。半监督学习主要指将大量的无类标签数据和少量有标签数据放到一起进行训练，目的是提高算法的学习性能。根据学习的目的，半监督学习可进一步分为半监督分类、半监督回归、半监督聚类和半监督降维[7]。常见的半监督学习算法包括协同训练、转导支持向量机、基于图的算法等。

（4）强化学习。强化学习是让算法通过不断的试错并调整策略以获得最大奖励，最终使算法找到最优策略，即在什么状态下选择什么动作可以获得最好的结果，Alphago就是强化学习的典型案例。常见的强化学习算法有TD-learning、Sarsa算法、Q-learning等[8]。

当在5G网络中引入AI时，需要根据应用场景选择合适的AI算法。文献[3]对AI在5G网络中的应用场景进行了分类，主要分为感知、挖掘、预测和推理4类，并且对适应各类场景的典型AI算法进行了列举。当然在实际部署中，具体应用场景下的AI算法还需要在实践中进行验证和演进。

3　AI在5G的应用场景

随着人工智能技术的广泛应用和5G技术的发展，将AI技术运用到移动通信系统的设计与优化中已经成为可能，并且已经成为学界和业界重点关注的研究方向[9-10]。3GPP、ITU-T等组织均提出了5G与AI相结合的研究项目。到目前为止，3GPP提出了14个将AI用于5G的用例，ITU-T共提出了18个。所提出的用例涵盖了移动通信系统的多个方面，包括空口设计与优化、网络性能和效能调优、应用层业务支持优化等。根据分析，本文将介绍受到广泛关注的部分典型用例。

3.1　物理层信道建模与优化

无线信道测量和建模是新型无线系统设计、评估和部署的基础。随着5G移动通信需求的提出，无线信道建模和预测面临了新的挑战，例如更加多样的传播环境、复杂的时空特性、多频段共存等。由此可知，未来的信道测量装置将会搜集到大量的原始信道数据。这需要使用大数据分析的方法来对原始信道数据进行高效处理[11]。

利用大数据分析进行信道建模和预测时，首先对问题进行抽象，例如场景环境的影响问题、信道衰落特性等，将其归类为机器学习能够解决的回归、分类、聚类等问题；然后采用机器学习的相关算法来进行求解，例如使用主成分分析方法来建立预测模型和进行信道预测[12]。

3.2　基于终端移动性预测的移动性管理定制或优化

5G多样化场景下的终端具有不同的移动性行为。当期望5G网络能够对终端进行移动性管理定制或者进行移动性支持优化时，网络需具备能对终端的移动性模型进行预测的能力。AI技术提供了终端移动行为预测方法[13]。通过将终端位置预测问题抽象为机器学习中的分类或回归问题，就可以利用相关的机器学习算法对终端位置或轨迹进行预测。

5G中的网络数据分析功能首先需要收集终端的位置信息，包括历史移动轨迹和终端实时位置信息。收集的信息可以作为训练数据来调整或修正预测模型。利用可靠的预测模型，网络可以预测终端位置或移动性轨迹，包括群组终端的分布特征和单个终端的位置信息。这些预测信息是5G网络进行移动性管理定制或优化的重要依据。

基于终端移动模型的预测，网络可以进行动态的网络优化，其中包括移动性管理的定制和优化，例如移动性管理机制定制、注册区管理、切换管理优化等。

3.3　网络切片资源管理优化

网络切片是5G网络中引入的重要技术。从逻辑上看，网络切片是一组网络功能的集合，用于服务一类业务，但是在物理上，多个网络切片仍然共享网络资源[14]。考虑到网络资源的有限性和不同网络切片中的网络状态，运营商需要在保证服务等级协议SLA（Service Level Agreement）的同时，尽可能地复用底层网络资源。因此，为了高效运营，运营商需最优化网络切片的资源划分。

AI技术能帮助运营商优化网络切片资源的管理。在引入AI技术的5G网络中，通过对网络切片的实际运行情况、切片中的业务量数据以及SLA的执行情况的采集，利用机器学习算法创建网络切片的业务量和资源使用状况的模型。利用该模型，可以实现对网络切片的业务量和资源需求的准确预测，从而优化网络切片间的资源分配策略。网管系统将根据资源分配进行网络切片资源的动态调整，例如动态扩缩容。在使用优化的资源分配策略后的网络运行状况可以再次迭代到预测模型中，完成闭环反馈，进而趋近最优解。

3.4　网络性能预测辅助的应用层调整

车联网是5G中的重要技术。在车联网的自动驾驶场景中，车辆即将经过的基站的网络性能（例如QoS信息、网络负载）预测对提高车联网的服务质量有着重要作用[15]。例如车联网服务器可以基于网络性能的预测信息判断是否继续保持无人驾驶模式。

为了帮助应用层做出正确的参数调整，5G网络应向应用层提供准确的网络性能预测信息。因此，5G网络除了对终端的移动性进行预测外，还需要建立网络性能的分析模型。网络可以收集和分析各基站的运行状态信息来创建模型。当收到应用层关于网络性能预测信息的订阅请求后，引入AI的5G网络可针对相关终端，利用网络性能的分析模型和终端的位置，预测终端在未来一段时间内所面临的网络状况。

4　标准进展

将AI技术和5G系统相结合是业界重点关注的研究方向，也是标准化研究的重要方向。目前进行相关研究的国际标准组织主要是3GPP和ITU-T。

4.1　3GPP

3GPP针对5G网络智能化的研究项目主要在SA2和RAN3工作组开展。

3GPP SA2工作组在2017年5月的杭州会议完成5G网络智能化的研究项目“Study of Enablers for Network Automation for 5G（eNA）”的正式立项。该项目是3GPP Rel 16的项目，SA2在2018年1月的哥德堡会议上正式展开项目研究。该项目的立项背景是，在Rel 15的5G网络架构研究中，SA2引入的一些新技术，例如按需移动性管理、非标准化QoS、流量分流和卸载等，在没有网络数据分析的情况下，难以实际部署和运行。因此，为了让5G网络能够更灵活更智能地提供服务，SA2成立了该研究项目来将网络数据分析功能引入5G网络。eNA项目的研究目标是，通过对网络数据的收集和分析，生成分析结果，然后利用分析结果进行网络优化，包括定制化的移动性管理、5G QoS增强、动态流量疏导和分流、UPF选择、基于UE业务用途的流量策略路由、业务分类等。