人工智能在5G網絡的應用和標準化進展

王胡成 陳山枝 艾明

【摘? 要】首先探討了在5G網絡中引入AI的必要性和存在的問題。然后介紹AI技術的發展概況以及AI在5G網絡中的典型應用。最后介紹了目前國際標準化組織3GPP和ITU-T在AI與5G結合上的標準化研究進展。通過介紹AI在5G的發展可知5G網絡智能化不僅要從AI算法研究方面實現突破，還需要有相關的政策法規來嚴格保護用戶隱私。

【關鍵詞】5G;人工智能;應用場景;標準化

1? ?引言

隨著2018年6月5G第一階段標準的凍結，5G網絡開始走向了真正的商用之路。然而面對未來更多樣化的業務需求和更復雜的通信場景，目前的5G網絡仍缺乏足夠的智能來提供按需的服務，也不能保證網絡資源的利用效率。因此，國際標準制定組織3GPP擬將AI（人工智能）引入5G網絡中來保證網絡服務質量、優化網絡功能和增強網絡自動化運維能力[1]。這一研究得到了國內外眾多電信設備商和運營商的支持，例如華為、大唐、愛立信、中國移動、法國電信等。

AI是一項使機器像人類一樣智能的科學和工程，長期以來一直被用于優化各種復雜環境下的計算機系統和通信網絡[2]。引入AI的5G網絡能夠具備更強的場景感知能力，并基于對場景的感知進行響應，提供網絡執行策略或通信場景特征預測。由此可見，引入AI的5G網絡將轉變為真正的以用戶和場景信息為中心的網絡[3]。

5G網絡在經歷從傳統網絡到智能化網絡的變革中，面臨著以下問題：

（1）用例選擇和相應的機器學習算法選擇。通過對適用AI技術的各種用例的分析和比較，確定使用AI對網絡進行增強的技術方向并選擇或改進合適的AI算法。

（2）網絡架構定義。從網絡架構上支持基于AI的網絡數據分析和反饋，包括對靜態網絡數據和實時運行數據的分析。

（3）用戶數據和網絡運行數據的采集，完成對應用層業務信息、運維管理層統計信息、網絡層實時運行數據等各類數據的采集。

2? ?AI技術

AI技術興起于20世紀50年代，是計算機學科的一個重要分支，其目的是研究人類智能活動的規律，構造具有一定智能行為的人工系統[4]。目前AI的主要學派有三家：符號主義、連接主義和行為主義[5]。

（1）符號主義（又稱為邏輯主義、心理學派或計算機學派）認為AI源于數理邏輯。從符號主義的觀點來看，只要能賦予機器邏輯推理的能力，機器就會具有智能，知識和推理是人工智能的核心。

（2）連接主義（又稱為仿生學派或生理學派）認為AI源于仿生學，特別是對人腦模型的研究。連接主義認為智能活動是由大量簡單的單元通過復雜的相互連接后并行運行的結果。因此，針對問題輸入，可通過構建人工神經網絡，并對網絡的大量連接并行進行增強或者減弱（例如調整權值）來較快地求解。

（3）行為主義（進化主義或控制論學派）認為AI源于控制論。行為主義認為智能并不只是來自計算引擎，也來自環境世界的場景、感應器內的信號轉換以及機器人和環境的相互作用，是對外界復雜環境的一種適應[6]。因此行為主義強調在控制過程中的自學習和自優化。

從AI技術的發展看，機器具備智能的必要條件是具備學習能力。因此機器學習是實現AI的重要手段。在目前的機器學習領域，主要有四類學習方式，分別存在對應的算法模型：

（1）監督學習。監督學習的工作機制是利用已有正確答案的數據來訓練算法進行學習，使得算法能夠對沒有學習過的數據也能夠做出正確的反饋。監督學習主要解決分類和回歸問題，常見的算法有K-近鄰算法、決策樹、樸素貝葉斯、邏輯回歸、支持向量機、神經網絡等[7]。

（2）無監督學習。相對于監督學習，無監督學習中的訓練數據沒有標簽或答案，數據訓練的目的是找到數據中的內在關聯或結構，但學習的過程并不知道結果是否正確。無監督學習主要解決聚類和降維問題，常見的算法有主成分分析算法、K-均值算法、等距特征映射等。

（3）半監督學習。半監督學習主要指將大量的無類標簽數據和少量有標簽數據放到一起進行訓練，目的是提高算法的學習性能。根據學習的目的，半監督學習可進一步分為半監督分類、半監督回歸、半監督聚類和半監督降維[7]。常見的半監督學習算法包括協同訓練、轉導支持向量機、基于圖的算法等。

（4）強化學習。強化學習是讓算法通過不斷的試錯并調整策略以獲得最大獎勵，最終使算法找到最優策略，即在什么狀態下選擇什么動作可以獲得最好的結果，Alphago就是強化學習的典型案例。常見的強化學習算法有TD-learning、Sarsa算法、Q-learning等[8]。

當在5G網絡中引入AI時，需要根據應用場景選擇合適的AI算法。文獻[3]對AI在5G網絡中的應用場景進行了分類，主要分為感知、挖掘、預測和推理4類，并且對適應各類場景的典型AI算法進行了列舉。當然在實際部署中，具體應用場景下的AI算法還需要在實踐中進行驗證和演進。

3? ?AI在5G的應用場景

隨著人工智能技術的廣泛應用和5G技術的發展，將AI技術運用到移動通信系統的設計與優化中已經成為可能，并且已經成為學界和業界重點關注的研究方向[9-10]。3GPP、ITU-T等組織均提出了5G與AI相結合的研究項目。到目前為止，3GPP提出了14個將AI用于5G的用例，ITU-T共提出了18個。所提出的用例涵蓋了移動通信系統的多個方面，包括空口設計與優化、網絡性能和效能調優、應用層業務支持優化等。根據分析，本文將介紹受到廣泛關注的部分典型用例。

3.1? 物理層信道建模與優化

無線信道測量和建模是新型無線系統設計、評估和部署的基礎。隨著5G移動通信需求的提出，無線信道建模和預測面臨了新的挑戰，例如更加多樣的傳播環境、復雜的時空特性、多頻段共存等。由此可知，未來的信道測量裝置將會搜集到大量的原始信道數據。這需要使用大數據分析的方法來對原始信道數據進行高效處理[11]。

利用大數據分析進行信道建模和預測時，首先對問題進行抽象，例如場景環境的影響問題、信道衰落特性等，將其歸類為機器學習能夠解決的回歸、分類、聚類等問題;然后采用機器學習的相關算法來進行求解，例如使用主成分分析方法來建立預測模型和進行信道預測[12]。

3.2? 基于終端移動性預測的移動性管理定制或優化

5G多樣化場景下的終端具有不同的移動性行為。當期望5G網絡能夠對終端進行移動性管理定制或者進行移動性支持優化時，網絡需具備能對終端的移動性模型進行預測的能力。AI技術提供了終端移動行為預測方法[13]。通過將終端位置預測問題抽象為機器學習中的分類或回歸問題，就可以利用相關的機器學習算法對終端位置或軌跡進行預測。

5G中的網絡數據分析功能首先需要收集終端的位置信息，包括歷史移動軌跡和終端實時位置信息。收集的信息可以作為訓練數據來調整或修正預測模型。利用可靠的預測模型，網絡可以預測終端位置或移動性軌跡，包括群組終端的分布特征和單個終端的位置信息。這些預測信息是5G網絡進行移動性管理定制或優化的重要依據。

基于終端移動模型的預測，網絡可以進行動態的網絡優化，其中包括移動性管理的定制和優化，例如移動性管理機制定制、注冊區管理、切換管理優化等。

3.3? 網絡切片資源管理優化

網絡切片是5G網絡中引入的重要技術。從邏輯上看，網絡切片是一組網絡功能的集合，用于服務一類業務，但是在物理上，多個網絡切片仍然共享網絡資源[14]。考慮到網絡資源的有限性和不同網絡切片中的網絡狀態，運營商需要在保證服務等級協議SLA（Service Level Agreement）的同時，盡可能地復用底層網絡資源。因此，為了高效運營，運營商需最優化網絡切片的資源劃分。

AI技術能幫助運營商優化網絡切片資源的管理。在引入AI技術的5G網絡中，通過對網絡切片的實際運行情況、切片中的業務量數據以及SLA的執行情況的采集，利用機器學習算法創建網絡切片的業務量和資源使用狀況的模型。利用該模型，可以實現對網絡切片的業務量和資源需求的準確預測，從而優化網絡切片間的資源分配策略。網管系統將根據資源分配進行網絡切片資源的動態調整，例如動態擴縮容。在使用優化的資源分配策略后的網絡運行狀況可以再次迭代到預測模型中，完成閉環反饋，進而趨近最優解。

3.4? 網絡性能預測輔助的應用層調整

車聯網是5G中的重要技術。在車聯網的自動駕駛場景中，車輛即將經過的基站的網絡性能（例如QoS信息、網絡負載）預測對提高車聯網的服務質量有著重要作用[15]。例如車聯網服務器可以基于網絡性能的預測信息判斷是否繼續保持無人駕駛模式。

為了幫助應用層做出正確的參數調整，5G網絡應向應用層提供準確的網絡性能預測信息。因此，5G網絡除了對終端的移動性進行預測外，還需要建立網絡性能的分析模型。網絡可以收集和分析各基站的運行狀態信息來創建模型。當收到應用層關于網絡性能預測信息的訂閱請求后，引入AI的5G網絡可針對相關終端，利用網絡性能的分析模型和終端的位置，預測終端在未來一段時間內所面臨的網絡狀況。

4? ?標準進展

將AI技術和5G系統相結合是業界重點關注的研究方向，也是標準化研究的重要方向。目前進行相關研究的國際標準組織主要是3GPP和ITU-T。

4.1? 3GPP

3GPP針對5G網絡智能化的研究項目主要在SA2和RAN3工作組開展。

3GPP SA2工作組在2017年5月的杭州會議完成5G網絡智能化的研究項目“Study of Enablers for Network Automation for 5G （eNA）”的正式立項。該項目是3GPP Rel 16的項目，SA2在2018年1月的哥德堡會議上正式展開項目研究。該項目的立項背景是，在Rel 15的5G網絡架構研究中，SA2引入的一些新技術，例如按需移動性管理、非標準化QoS、流量分流和卸載等，在沒有網絡數據分析的情況下，難以實際部署和運行。因此，為了讓5G網絡能夠更靈活更智能地提供服務，SA2成立了該研究項目來將網絡數據分析功能引入5G網絡。eNA項目的研究目標是，通過對網絡數據的收集和分析，生成分析結果，然后利用分析結果進行網絡優化，包括定制化的移動性管理、5G QoS增強、動態流量疏導和分流、UPF選擇、基于UE業務用途的流量策略路由、業務分類等。

3GPP RAN3工作組在2018年6月也成立了RAN數據收集和分析的研究項目“Study on RAN-centric data collection and utilization for LTE and NR（FS_LTE_NR_data_collect）”。該項目主要研究用于集中式和分布式數據分析的RAN側數據的收集過程以及利用分析結果進行網絡優化的信令過程，包括智能化自組網、無線資源管理增強、邊緣計算增強等。目前該項目尚未啟動研究進程。

目前3GPP SA2工作組在eNA項目中提出了如圖1的支持網絡數據分析的系統框架[1]。

網絡數據分析功能（NWDAF，Network Data Analytics Function）是3GPP在Rel 15的5G標準中引入的網絡功能，主要用于網絡切片相關數據的分析。在eNA項目中，該功能被進一步擴展到對各類網絡數據的分析上，包括從5G網絡功能收集的網絡運行數據、從運維管理系統OAM（Operation Administration and Maintenance）獲取的終端和網絡相關的統計數據、從第三方應用獲取的應用數據。NWDAF生成的分析結果也會輸出到5G網絡功能、OAM或第三方應用上。

5G網絡功能、OAM或應用層服務器可以利用NWDAF的分析結果進行不同的優化操作。具體如下文所示。

5G移動性管理相關功能可以請求NWDAF對終端的移動軌跡進行預測。NWDAF從OAM中獲取終端的歷史位置信息，通過分析，生成終端的移動性預測模型。NWDAF根據終端當前的位置向5G移動性管理相關功能提供終端的移動性預測信息，使得5G移動性管理相關功能能夠制定更精準的網絡策略，完成優化的移動性管理操作。例如基于終端位置的統計規律進行注冊區域分配、基于終端位置預測信息輔助切換決策、基于終端移動性軌跡進行移動性錨點預先選擇等。

5G網絡中的OAM也可以請求NWDAF提供網絡切片中的業務運行數據的分析結果來優化網絡切片資源的管理。NWDAF可以向OAM提供各切片是否滿足SLA的信息以及切片中的用戶體驗分布情況。OAM系統根據NWDAF的分析結果確定是否調整各網絡切片的資源分配。

第三方應用可以從NWDAF訂閱網絡性能預測信息并基于預測進行應用層的調整。網絡性能預測信息可以是業務數據傳輸的QoS預測或者是服務終端的網絡的負載預測。NWDAF根據應用的訂閱請求周期性或者按需地向應用層提供分析或預測結果，使得應用能夠調整其運行參數。例如車聯網應用可根據QoS預測選擇不同的駕駛等級或者判斷是否預先下載地圖或導航數據，也可以根據網絡負載的預測選擇背景流量的傳輸時機。

4.2? ITU機器學習（ML）5G

隨著AI技術的發展，在2017年11月召開的ITU-T SG13會議期間，來自德國、韓國、中國、突尼斯、非洲等不同國家地區的代表建議成立機器學習-網絡焦點組。隨后經SG13全會討論正式批準成立了Machine Learning for Future Networks Including 5G焦點組，簡稱FG-ML5G。該焦點組的研究期為1年，FG-ML5G輸出的研究報告和標準草案可以作為后續SG13相關研究的輸入。

FG-ML5G是一個對ITU成員和非ITU成員都開放的工作平臺，目標是分析如何在未來網絡特別是5G網絡中應用機器學習技術來提升網絡性能和用戶體驗。FG-ML5G下設3個工作組（WG），WG1主要研究機器學習在未來網絡的應用場景、潛在需求;WG2主要研究用于移動網絡優化的機器學習算法、數據結構和個人信息保護等;WG3主要研究支持機器學習的未來網絡架構、接口、協議等。

目前FG-ML5G通過與3GPP等其他研究組織的工作進行調研和交流，確定將移動性模型預測、端到端網絡切片等幾個應用場景作為重點研究對象，并希望借這些場景需求來推動整個工作組的工作。例如WG3組提出了利用移動性模型預測優化移動性管理機制的網絡架構。

圖2給出了支持網絡功能智能化定制的5G網絡架構[16]。以移動性管理定制為例，網絡中的數據分析功能首先需終端進行移動性預測，然后將預測結果輸入到相應網絡功能完成移動性管理的定制。移動性預測可以分為長期性預測和短期性預測。長期性預測主要指根據大量靜態的終端歷史移動信息（例如OAM中的數據）進行分析預測，通常需要由中心NWDAF完成;短期性預測指參考終端實時移動性行為進行的分析預測，可由中心NWDAF和/或本地NWDAF完成。從預測分析結果上看，長期性預測結果通常為終端活動范圍、出入固定區域的頻度等;而短期性預測結果則為終端移動的目標小區、移動速度等。長期性預測結果可以輸入到OAM系統，輔助核心網網絡功能的定制，例如移動性管理功能的定制，也可以輸入到核心網中完成特定注冊區域的劃分。短期性預測結果可以輸出到核心網中，用于移動性錨點的選擇，也可以輸出到接入網中，用于輔助接入網節點執行切換決策、小區重定向等。

5? ?結束語

為了讓5G網絡在面對差異化的業務需求時向用戶靈活提供定制化服務，需要讓5G網絡具備智能來識別業務需求和確定服務策略。5G網絡部署和運維更加復雜，運營商需要提高網絡的智能化水平來提高運營效率。因此，AI和5G的結合得到了業界的廣泛關注，也是未來移動通信網絡的發展方向。

目前，將AI運用到5G網絡的研究主要集中在運維管理優化、網絡性能增強和應用支持優化上，相關的研究項目已經在3GPP和ITU-T成立，并且已經產出部分成果。然而，真正實現5G網絡的智能化仍然存在障礙，包括技術障礙和非技術障礙。技術障礙主要是缺少公認合適的AI算法，而非技術障礙則涉及行業間協作、用戶數據收集及隱私保護等問題。因此，不僅要在AI算法研究方面實現突破，還需要促進相應的政策法規出臺，以保護用戶隱私信息和促進行業生態的健康發展。

參考文獻：

[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] 鄒蕾，張先鋒. 人工智能及其發展應用[J]. 信息網絡安全， 2012（2）： 11-13.

[5] 蔡自興，徐光祐. 人工智能及其應用[M]. 4版. 北京： 清華大學出版社， 2010.

[6] 李建會. 論布魯克斯的無表征智能理論[J]. 自然辯證法研究， 2007，23（7）： 9-13.

[7] 劉建偉，劉媛，羅雄麟. 半監督學習方法[J]. 計算機學報， 2015（8）： 1592-1617.

[8] 劉忠，李海紅，劉全. 強化學習算法研究[J]. 計算機工程與設計， 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產業聯盟. 網絡人工智能應用白皮書[S]. 2018.

[11] 未來移動通信論壇. 無線大數據與智慧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.