【创新发展】人工智能在5G网络的应用和标准化进展（下）

3GPP RAN3工作组在2018年6月也成立了RAN数据收集和分析的研究项目“Study on RAN-centric data collection and utilization for LTE and NR（FS_LTE_NR_data_collect）”。该项目主要研究用于集中式和分布式数据分析的RAN侧数据的收集过程以及利用分析结果进行网络优化的信令过程，包括智能化自组网、无线资源管理增强、边缘计算增强等。目前该项目尚未启动研究进程。

目前3GPP SA2工作组在eNA项目中提出了如图1的支持网络数据分析的系统框架[1]。

图1　5G网络智能化的基本框架

网络数据分析功能（NWDAF，Network Data Analytics Function）是3GPP在Rel 15的5G标准中引入的网络功能，主要用于网络切片相关数据的分析。在eNA项目中，该功能被进一步扩展到对各类网络数据的分析上，包括从5G网络功能收集的网络运行数据、从运维管理系统OAM（Operation Administration and Maintenance）获取的终端和网络相关的统计数据、从第三方应用获取的应用数据。NWDAF生成的分析结果也会输出到5G网络功能、OAM或第三方应用上。

5G网络功能、OAM或应用层服务器可以利用NWDAF的分析结果进行不同的优化操作。具体如下文所示。

5G移动性管理相关功能可以请求NWDAF对终端的移动轨迹进行预测。NWDAF从OAM中获取终端的历史位置信息，通过分析，生成终端的移动性预测模型。NWDAF根据终端当前的位置向5G移动性管理相关功能提供终端的移动性预测信息，使得5G移动性管理相关功能能够制定更精准的网络策略，完成优化的移动性管理操作。例如基于终端位置的统计规律进行注册区域分配、基于终端位置预测信息辅助切换决策、基于终端移动性轨迹进行移动性锚点预先选择等。

5G网络中的OAM也可以请求NWDAF提供网络切片中的业务运行数据的分析结果来优化网络切片资源的管理。NWDAF可以向OAM提供各切片是否满足SLA的信息以及切片中的用户体验分布情况。OAM系统根据NWDAF的分析结果确定是否调整各网络切片的资源分配。

第三方应用可以从NWDAF订阅网络性能预测信息并基于预测进行应用层的调整。网络性能预测信息可以是业务数据传输的QoS预测或者是服务终端的网络的负载预测。NWDAF根据应用的订阅请求周期性或者按需地向应用层提供分析或预测结果，使得应用能够调整其运行参数。例如车联网应用可根据QoS预测选择不同的驾驶等级或者判断是否预先下载地图或导航数据，也可以根据网络负载的预测选择背景流量的传输时机。

4.2　ITU机器学习（ML）5G

随着AI技术的发展，在2017年11月召开的ITU-T SG13会议期间，来自德国、韩国、中国、突尼斯、非洲等不同国家地区的代表建议成立机器学习-网络焦点组。随后经SG13全会讨论正式批准成立了Machine Learning for Future Networks Including 5G焦点组，简称FG-ML5G。该焦点组的研究期为1年，FG-ML5G输出的研究报告和标准草案可以作为后续SG13相关研究的输入。

FG-ML5G是一个对ITU成员和非ITU成员都开放的工作平台，目标是分析如何在未来网络特别是5G网络中应用机器学习技术来提升网络性能和用户体验。FG-ML5G下设3个工作组（WG），WG1主要研究机器学习在未来网络的应用场景、潜在需求；WG2主要研究用于移动网络优化的机器学习算法、数据结构和个人信息保护等；WG3主要研究支持机器学习的未来网络架构、接口、协议等。

目前FG-ML5G通过与3GPP等其他研究组织的工作进行调研和交流，确定将移动性模型预测、端到端网络切片等几个应用场景作为重点研究对象，并希望借这些场景需求来推动整个工作组的工作。例如WG3组提出了利用移动性模型预测优化移动性管理机制的网络架构。

图2给出了支持网络功能智能化定制的5G网络架构[16]。以移动性管理定制为例，网络中的数据分析功能首先需终端进行移动性预测，然后将预测结果输入到相应网络功能完成移动性管理的定制。移动性预测可以分为长期性预测和短期性预测。长期性预测主要指根据大量静态的终端历史移动信息（例如OAM中的数据）进行分析预测，通常需要由中心NWDAF完成；短期性预测指参考终端实时移动性行为进行的分析预测，可由中心NWDAF和/或本地NWDAF完成。从预测分析结果上看，长期性预测结果通常为终端活动范围、出入固定区域的频度等；而短期性预测结果则为终端移动的目标小区、移动速度等。长期性预测结果可以输入到OAM系统，辅助核心网网络功能的定制，例如移动性管理功能的定制，也可以输入到核心网中完成特定注册区域的划分。短期性预测结果可以输出到核心网中，用于移动性锚点的选择，也可以输出到接入网中，用于辅助接入网节点执行切换决策、小区重定向等。

图2　支持网络功能智能化定制的5G网络架构

5　结束语

为了让5G网络在面对差异化的业务需求时向用户灵活提供定制化服务，需要让5G网络具备智能来识别业务需求和确定服务策略。5G网络部署和运维更加复杂，运营商需要提高网络的智能化水平来提高运营效率。因此，AI和5G的结合得到了业界的广泛关注，也是未来移动通信网络的发展方向。

目前，将AI运用到5G网络的研究主要集中在运维管理优化、网络性能增强和应用支持优化上，相关的研究项目已经在3GPP和ITU-T成立，并且已经产出部分成果。然而，真正实现5G网络的智能化仍然存在障碍，包括技术障碍和非技术障碍。技术障碍主要是缺少公认合适的AI算法，而非技术障碍则涉及行业间协作、用户数据收集及隐私保护等问题。因此，不仅要在AI算法研究方面实现突破，还需要促进相应的政策法规出台，以保护用户隐私信息和促进行业生态的健康发展。

参考文献：

[1]3GPP TR 23.791. Study of Enablers for Network Automation for 5G[R]. 2018.

[2]Wang X, Li X, Leung V C M. Artificial Intelligence-Based Techniques for Emerging Heterogeneous Network: State of the Arts, Opportunities, and Challenges[J]. IEEE Access, 2015（3）:1379-1391.

[3]Li R, Zhao Z, Zhou X, et al. Intelligent 5G: When Cellular Networks Meet Artificial Intelligence[J]. IEEE Wireless Communications, 2017, 24（5）:175-183.

[4]邹蕾，张先锋.人工智能及其发展应用[J].信息网络安全，2012（2）：11-13.

[5]蔡自兴，徐光祐.人工智能及其应用[M].4版.北京：清华大学出版社，2010.

[6]李建会.论布鲁克斯的无表征智能理论[J].自然辩证法研究，2007，23（7）：9-13.

[7]刘建伟，刘媛，罗雄麟.半监督学习方法[J].计算机学报，2015（8）：1592-1617.

[8]刘忠，李海红，刘全.强化学习算法研究[J].计算机工程与设计，2008，29（22）：5805-5809.

[9]Chen M, Challita U, Saad W, et al. Machine Learning for Wireless Networks with Artificial Intelligence: A Tutorial on Neural Networks[Z]. 2017.

[10]SDN/NFV产业联盟.网络人工智能应用白皮书[S].2018.

[11]未来移动通信论坛.无线大数据与智慧5G[R].2017.

[12]Ma X, Zhang J, Zhang Y, et al. A PCA-based modeling method for wireless MIMO channel[C]//IEEE Conference on Computer Communications Workshops. IEEE, 2017:874-879.

[13]Cho, Sung Bae. Exploiting machinelearning Techniques for location recognition and predictionwith smartphone Logs[J]. Neurocomputing, 2015:98-106.

[14]3GPP TS 23.501. System Architecture for the 5G System[S]. 2019

[15]3GPP TR 23.786. Study on Architecture Enhancements for EPS and 5G System to Support Advanced V2X Services[R]. 2018.

[16]ML5G-I-071.5G Network Architecture enabling Customized Mobility Management[Z]. 2018.