基于O-RAN架構的無線網絡嵌入式人工智能探索

中國移動研究院|袁孫奇 段然 崔春風

5G已經完成了第一個版本的標準化工作，預計在2020年實現商業部署。與以手機終端通信為主的4G網絡相比，5G網絡需要支持多種業務和部署場景，例如具有更高帶寬、更低時延的增強移動寬帶業務，支持海量用戶連接的物聯網業務等。

為應對這些需求，空口技術、網絡架構等不斷創新演進，網絡變得更加開放和靈活。在空口技術方面，5G網絡將支持更多的頻段和天線數量，以及更加多樣化的幀結構參數和物理層控制流程。在網絡架構方面，5G網絡進行了多層次解耦，如網絡虛擬化（NFV）的軟硬解耦、控制與轉發分離、控制面與用戶面解耦、無線接入網的中心單元（CU）與分布式單元（DU）分離等。這使得未來網絡更容易部署在云平臺，并可根據業務及網絡需求進行自動化功能編排和資源分配，為垂直行業提供高效的網絡切片服務，提供極致的業務和用戶體驗。

5G為何需要人工智能與機器學習

網絡的靈活性也不可避免地帶來了網絡的復雜性。面對復雜的網絡環境和網絡規模及用戶的成倍增長，網絡的管理和運維效率需要進一步提升。此外，為更好地滿足差異化的應用需求，需要支持靈活的網絡功能編排、更加精細化的無線網絡資源分配及高效的網絡控制。現有的基于人工干預和過度依賴理論建模的網絡設計和優化模式，將難以解決5G網絡中的復雜網絡管理和控制問題。一方面，傳統方法難以對復雜無線網絡優化問題進行精確建模和高效求解，導致無線網絡頻譜效率、能量效率等方面性能損失。另一方面，傳統基于網絡和用戶瞬時狀態信息的方案將難以充分利用網絡潛在的傳播環境特征及用戶行為規律帶來的網絡業務時/空規律性變化特征，導致網絡性能并未實現最優且存在大量的剩余資源未被充分利用。5G時代網絡需要更加自動化和智能化，能夠從業務體驗、網絡質量、網絡效率和網絡成本等各個方面自主優化。

面對傳統工具在實際復雜網絡環境中的不足，5G網絡需要引入新的理論工具和方法論——無線大數據和人工智能 (AI) 技術。在無線網絡中引入無線大數據和人工智能技術，為5G網絡賦予了如下新的能力。

一是可靠的預測模型。如故障預測、業務類型/模式預測、用戶軌跡/位置預測、業務感知預測、干擾預測、網絡KPI預測等。基于這些預測，可實現主動式的網絡管理和控制，有效提升網絡運維效率和網絡資源利用效率，并提供個性化、差異化的網絡服務能力。

二是先進的優化決策方法。機器學習算法以數據為驅動，可有效解決5G網絡中存在的大量傳統方法難以建模、求解和高效實現等問題。

具體來看，針對難以建模的問題，可利用網絡采集的數據為驅動，用機器學習算法訓練的AI模型對問題進行建模與求解。在5G網絡中常見的難以建模的問題主要包含：高維度、多目標優化問題和聯合跨層優化問題。如針對5G網絡運維優化中存在大量高維度的參數優化及海量KPI指標，包含頻譜效率、網絡時延、可靠性、連接密度、用戶體驗速率等。通過引入AI技術，可找到網絡的KPI與高維參數的映射建模關系并獲得最優網絡參數配置建議。此外，AI技術也為難以建模的聯合跨層優化提供有效的手段。

針對通信中大量的NP-Hard組合優化問題，其最優解復雜度一般隨系統規模呈指數增長。可考慮基于機器學習，通過求解算法離線訓練，實現在線決策，在保證接近最優解的前提下，降低實現復雜度。而傳統算法一般通過對問題進行分解以獲得低復雜度的次優解，但性能較差。

基于上述技術優勢，未來5G網絡必然需要以大量真實可信的網絡數據為驅動，基于數據挖掘、統計分析、深度學習、通信理論和專家系統等諸多技術，以實現對無線網絡的環境感知、智能預測和自動化閉環決策。通過對網絡的智能管控，最終實現自動化運營，提升運營效率，降低運營成本。

目前相關大數據和人工智能技術已經在網絡管理、運維及內容緩存與分發優化方面實現了初步應用。這些應用主要在網絡管理面，基于離線數據分析實現非實時的基站級別管理和優化，無法較好地滿足業務級、用戶級和實時快速的網絡控制面優化需求。因此，中國移動提出了無線網嵌入式人工智能的概念，進一步滲透到網絡控制面和用戶面，實現針對業務/用戶的極致業務體驗保障、基于用戶行為和網絡場景的精細化網絡管控，并使網絡能力開放。

人工智能技術如何嵌入O-RAN架構

為實現無線接入網絡的嵌入式人工智能技術，需要從無線接入網架構和關鍵技術層面進行系統性思考和創新。2018年，中國移動聯合AT&T等運營商主導成立O-RAN產業聯盟，旨在推動未來無線接入網絡的“開放”和“智能”。O-RAN架構在無線網CU/DU架構和功能虛擬化的基礎上，引入了無線大數據分析與人工智能引擎，通過兩級非實時與實時智能控制器（RIC）實現無線接入網絡的嵌入式人工智能管控，使能時間、空間多維度的無線智能應用。基于O-RAN架構的多層智能應用及其閉環控制的時間顆粒度如圖所示。

圖 基于O-RAN架構的多層智能閉環控制

為支持不同時間尺度的智能閉環管控，在O-RAN整體架構中引入了無線網智能控制器（RIC）功能實體。RIC的核心是利用大數據分析及人工智能技術針對無線網絡環境進行感知、預測并對無線資源的分配進行決策。根據處理時延特性，將RIC劃分為非實時無線智能控制器和近實時無線智能控制器。

非實時層無線網智能控制器可嵌入網管平臺部署，實現跨域的整網級、多維度、超大規模數據量的分析與處理，主要用于支持秒級以上的策略管理和控制。非實時智能控制器的主要功能包括服務和意圖策略管理、無線網絡分析以及AI模型的訓練等功能。訓練后的AI模型可通過A1接口分發給近實時無線智能控制器進行在線推理和執行。利用采集到的海量無線數據，通過大數據分析及人工智能算法，非實時智能控制器可有效提取無線數據特征及模型，如網絡用戶級流量空時分布、用戶移動性特征及模型、用戶業務類型及模式，以及用戶服務體驗預測模型等。

利用這些數據特征及AI模型，非實時智能控制器一方面可協助網管優化非實時的網絡參數配置，如切換/重選參數、大規模天線波束角度配置參數等；另一方面，還可以進一步將相關數據特征、AI模型及智能策略分發給近實時智能控制器，輔助近實時智能控制器進行控制面和用戶面的用戶級/業務級顆粒度的精細化無線資源管理優化。目前，O-RAN聯盟的討論聚焦在后者嵌入式人工智能的方案思路上。

近實時層無線網智能控制器可嵌入在CU云平臺內或獨立于基站運行，實現區域網絡級、較大數據規模的數據分析和無線資源管控，控制時間顆粒度為10ms到秒級。近實時層無線智能控制器可理解為嵌入人工智能技術的下一代RRM（RRC層的無線資源管理功能）增強功能實體。它的功能可以是全部或部分RRM功能，完全兼容傳統的RRM功能，如基于用戶級的載波負載均衡、無線切片資源分配、干擾協調、用戶服務質量/體驗(QoS/QoE)優化等。在軟件架構方面，近實時無線網智能控制器是一個安全、開放的算法實時運行平臺，可支持算法功能軟件及AI模型或微服務的靈活部署，并可實現多個功能算法間的協同及沖突管理。目前，關于近實時無線網智能控制器的功能框架討論還在進行中，未來存在一定的變化，但核心思路已經趨于統一。

未來，O-RAN框架存在進一步拓展支持實時智能控制的可能，如無線接入控制層（MAC）及物理層（PHY）的智能化應用，這部分探討還將進一步延續下去。

綜上所述，O-RAN智能無線網絡架構將具備整網級、區域網絡級及基站級的多級智能。各級分層自治又可實現跨域和多層級控制間的協同。為激發上層智能控制的創新，縮短無線網管控功能的研發和上線周期，需要進一步推進無線網的上層管控與基站底層實現間的解耦，需要對RIC涉及的相關數據采集及策略控制下發接口，即A1、E2接口，進行研究并標準化。

典型應用場景示例

智能業務體驗實時保障

隨著移動網絡應用的發展和互聯網應用的同質化競爭加劇，用戶對業務體驗的要求越來越高。無線空口傳輸能力的波動使得傳統相對半靜態的QoS配置越來越難以滿足層出不窮的多樣化業務體驗需求。為了更好地滿足業務需求，需要精確獲取用戶級實時業務關鍵質量指標（KQI），使業務與動態的空口傳輸能力進行高效的適配。

為實現業務體驗的實時保障，可考慮網絡狀態與業務的雙向協同跨層優化。一方面，CU可以進一步感知和識別業務特征，對空口網絡進行定制化、精細化的調整，以提供差異化、極致化的用戶業務體驗。另一方面，CU側可實時預測空口傳輸質量狀態，并通知應用服務，應用服務可以根據空口傳輸質量及時調整傳輸層或應用層，如進行TCP窗口優化或業務速率調整以使傳輸和業務精確適配空口傳輸狀態，實現業務體驗保障。為實現上述目標，需要解決以下3個關鍵問題。如何感知、識別不同的業務？如何對用戶業務體驗進行預測，找到影響用戶體驗的網絡空口關鍵因素，精細化調整實現用戶體驗保障？如何實現空口狀態預測？這3個關鍵問題的解決恰恰是人工智能和機器學習技術的優勢所在。

智能業務識別：業務識別是一個典型的AI領域的分類問題，可采用深度學習算法，基于業務用戶面數據傳輸特征（數據分組大小、數據交互節拍等）及業務標簽訓練得到精確的業務識別模型。基于訓練得到模型，無線接入網可利用實時業務流數據對業務進行實時智能感知和識別。

QoE預測與優化：QoE建模與優化是一個聯合跨層優化問題，不適合理論建模，卻非常適合應用人工智能中的關聯分析建模理論。其涉及多維度的變量，很難進行理論建模。可通過采集業務及網絡側相關數據，基于數據驅動和人工智能算法建立QoE預測及根因分析模型，指導網絡策略進行QoE保障。

空口狀態預測：空口狀態預測是一個典型的基于歷史信息的預測問題。利用歷史上的空口信道狀態，深度學習算法可推演精準的空口狀態，用于指導上層業務調整和底層資源分配原則，避免由于空口狀態的波動導致業務體驗惡化。

基于O-RAN架構進一步闡述整體方案的運行機理。在非實時智能控制器側，可基于獲取的多維度的業務數據（流量特征、業務特征等）和網絡數據（負載信息、用戶信道信息等），在保障用戶數據隱私安全的前提下，利用機器學習的方法訓練業務分類、業務KQI預測以及空口能力預測等AI模型。通過A1接口，將訓練好的AI模型部署到近實時智能控制器。近實時智能控制器可根據訓練好的模型及實時獲取的網絡數據預測業務KQI可能的趨勢，動態生成無線網絡的QoS保障信息，如精細顆粒度的QCI和無線網絡空口參數的優化配置信息等，指導基站優化無線資源調度，使得無線資源的調度和分配隨著用戶/業務體驗的波動，最終確保終端用戶的業務體驗。

智能負載均衡

隨著資費下調，LTE業務流量激增，現有F或D單頻點覆蓋容量不足以滿足業務需求，需補充F/D/E的多頻段、多頻點提升無線容量。如何高效利用多頻段、多載波的資源提供優質的網絡服務是需要解決的重要問題。傳統的負載均衡實現方法具有一定的被動性、盲目性和片面性。基于大數據分析和機器學習技術可以較好地解決上述難題。通過引入場景感知、小區級/用戶級預測、無線網絡指紋地圖等基礎能力，可實現用戶級細顆粒度的精細無線資源管理優化，解決多頻段、多載波同覆蓋場景下用戶駐留不合理造成的業務體驗差問題。

場景感知：基于機器學習算法，可根據網絡歷史的無線測量信息及業務流量信息，自動對網絡環境及場景進行聚類和分類，智能感知網絡環境。基于場景感知，網絡可合理匹配和配置多頻段多載波算法目標及算法應用范圍、門限和參數。

小區級/用戶級負載預測：基于機器學習，可對網絡小區負載、用戶業務類型及業務量情況進行精準預測，基于預測可提前對網絡負載進行優化和協調，為用戶選擇合適的小區駐留，避免滯后性及盲目性造成網絡擁塞導致用戶體驗下降。

無線網絡指紋地圖構建：通過小區信道環境及干擾建模，可以精選測量用戶、小區和頻點，降低測量開銷及測量時延，提升負載均衡性能。

基于O-RAN架構進一步闡述整體方案的運行機理。在非實時智能控制器側，可以通過采集到的網絡負載及無線信道環境數據生成針對場景的定制化意圖策略、負載預測AI模型和構建無線指紋地圖，并將相關策略配置通過A1接口部署配置給近實時無線智能控制器。近實時無線智能控制器基于收到的策略、AI模型及無線指紋地圖信息，生成切片級、用戶級及業務級的精細化負載均衡方案，并通過E2接口指導基站進行相關負載均衡操作。

針對上述典型應用場景，目前中國移動已經與多家設備商展開聯合研究與攻關。基于O-RAN架構，已初步完成相關算法方案和接口設計，部分功能正在進行PoC驗證及相關產品規劃，計劃在驗證環境中進行相關技術方案測試。

實現無線接入網嵌入式智能的挑戰

O-RAN提出基于開放、智能理念的無線接入網架構將促進未來網絡嵌入式智能化，提升網絡運維效率和資源利用率，降低網絡成本。但是，實現無線接入網嵌入式智能還存在諸多挑戰。

一是需要提升網絡數據的獲取和感知能力。海量無線數據是實現網絡智能化的基礎。無線網絡數據量大、種類多、時間尺度差異大、分布節點復雜，如何高效地獲取無線網絡數據是使能無線網絡智能的關鍵挑戰。為此，需要制定網絡數據采集接口標準，加強數據采集和感知能力，并支持數據的分級預處理和特征工程，實現對數據的按需訂閱及可編程定制化的特征工程。

二是需要促進網絡控制能力的開放。智能化的輸出是對網絡的控制。全方位多維度地開放網絡行為、資源、配置等方面的控制能力和接口，可以進一步豐富網絡嵌入式智能化的應用用例和場景。

三是充分考慮網絡基礎設施中計算、存儲及通信能力的融合。研究分級、分布式學習與協同決策機制，降低信令交互、數據回傳及能耗開銷，提升數據及計算效率。

四是需要進一步探索“知識+數據”雙驅動的新型學習機制，研究適用于無線網絡應用場景的AI算法框架與理論。目前AI技術在語音、圖像等通用場景中的應用相對成熟，但在無線網絡中暫無法開展規模化、通用化應用并缺少針對無線應用需求的AI算法理論框架。

此外，為進一步促進無線AI算法的發展，開放的無線網絡數據集構建也是未來研究的重要方向。