文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211392
中文引用格式： 孫耀華，王則予，袁碩，等. 智能內生6G網絡：架構、用例和挑戰[J].電子技術應用，2021，47(3)：8-13，17.
英文引用格式： Sun Yaohua，Wang Zeyu，Yuan Shuo，et al. The sixth-generation mobile communication network with endogenous intelligence：architectures，use cases and challenges[J]. Application of Electronic Technique，2021，47(3)：8-13，17.
0 引言
面對交互式無線虛擬/增強現實、人機協同作業、全景高清視頻直播等新型應用以及沙漠、海洋等多樣場景下的通信需求，第六代(The Sixth Generation，6G)移動通信將呈現“空天地”融合通信[1]、全頻譜接入[2]、異構超密集組網[3]、云邊協同[4]等特征，但也將導致網絡優化和管理難度急劇增大。此外，為了便于移動通信專網與生產制造、交通運輸、能源電力等垂直行業深度融合，網絡配置和運維方式亟需簡化。在此背景下，業界提出引入人工智能(Artificial Intelligence，AI)，利用其強大的預測、決策能力構建智能內生的6G網絡[5]。
文獻[6]針對數據驅動的深度學習(Deep Learning，DL)導致的計算密集以及訓練時間長等問題，總結了模型驅動的DL方法在物理層通信中的應用和優勢；文獻[7]將AI視作實現網絡資源優化的關鍵技術，介紹了AI技術在移動寬帶、觸覺網絡以及無人機網絡等多個場景下的應用；文獻[8]回顧了深度強化學習(Deep Reinforcement Learning，DRL)方法，深入調研了DRL在通信和組網中的應用，涉及無線緩存、網絡接入等；文獻[9]按照MAC層、網絡層以及應用層對有關研究進行了梳理總結，提煉了AI應用于無線網絡的動機和面臨的挑戰。
針對AI與無線通信結合的細分領域，本課題組也進行了一些初步探索。為克服基站端配置大規模天線導致信道估計開銷過大的問題，文獻[10]提出了基于循環神經網絡的信道估計方法，利用神經網絡強大的學習能力提取信道間的隱藏特征，仿真結果表明所提方法相比傳統方法可實現更高的估計精度和魯棒性。在基于AI的組網技術方面，文獻[11]針對蜂窩車聯網集中式資源調度時延高以及城區環境遮擋導致車車通信可靠性下降的問題，基于聯邦學習和DRL，設計了將車輛終端作為智能載體，根據局部信道、干擾和業務感知狀態進行分布式決策的無線資源優化框架，仿真結果證實了所提方法對高動態環境具有良好適應性。在基于AI的智能網絡運維方面，課題組在文獻[12]中提出了基于深度遷移學習的網絡故障診斷方法，可在少量標簽數據下實現弱覆蓋、強干擾問題的精準探測。
前述文獻均側重基于AI的網絡性能增強方法，但如何從架構設計角度使能網內AI能力，從而更好地支持AI機制的實施仍有待進一步探索。為此，本文接下來將對目前標準化組織、公司和學術界所提智能內生網絡架構進行梳理總結，基于此給出一般性的架構特征，接著將探討智能內生6G架構的典型用例，最后給出相關挑戰并總結全文。
本文詳細內容請下載:http://m.tom3567.com/resource/share/2000003400
作者信息:
孫耀華，王則予，袁 碩，彭木根
(北京郵電大學 網絡與交換技術國家重點實驗室，北京100876)