AI/ML在無線通信系統中物理層的應用

李倫　郁光輝

【摘? 要】針對現有通信系統物理層中存在的問題，提出了人工智能（AI）中的機器學習（ML）技術來解決其難題。梳理了AI/ML技術在這些方面的優勢與挑戰，并給出了有關干擾檢測、端到端物理層聯合優化等方面的若干典型范例。AI/ML技術的崛起會為下一代通信系統的設計提供一種超越傳統理念與性能的可能性。

【關鍵詞】人工智能;機器學習;物理層;干擾檢測;端到端聯合優化

0? ?引言

隨著近些年現代計算與數據存儲技術的迅猛發展，人工智能（Artificial Intelligence， AI）技術也隨之廣泛地應用于人們的生產生活中，其中最關鍵的機器學習（Machine Learning， ML）技術也為解決很多無法建立數學模型的難題提供技術支持。因此，研究人員很自然地也希望把AI/ML技術引入到無線通信系統中來解決傳統接入網中的技術難題。事實上，無線接入網中有很多地方無法用嚴格的數學模型加以準確地描述，尤其是在無線接入側的高層，同時無線接入網每時每刻也會產生海量的數據需要分析，這也大大增加了系統設計的復雜度。當下一代通信6G被定義為超通信時代后，無線接入網的高層又承擔了更多業務層面的功能，比如對數據包的分類，識別等，這些功能需求均比較適合AI/ML技術進行處理。

此外，AI/ML的架構和無線接入網的架構也有很多不同的地方，前者是數據驅動的，而后者是時間或事件驅動，因此如何有機地將兩者設計在一個框架中也是具有比較大的挑戰性。通過上面的分析AI/ML在接入網里主要應用場景在高層，而接入網高層在6G時代可能會出現基于微服務的架構調整，這就為AI/ML功能的嵌入提供了非常好的契機?？梢酝ㄟ^對AI/ML的各個環節進行功能抽象，如抽象成數據收集、訓練、結果分發等功能，再形成標準API接口融入到無線接入高層的微服務體系中，這樣就實現了AI/ML和無線接入的有機結合。

但是AI/ML技術并不是適用于所有的應用場景，它在未來的無線接入網中的使用也需要根據不同的場景進行嚴謹的設計，要發揮其優勢并合理地使用AI/ML技術。經典的AI/ML技術是數據驅動的，它需要通過大量的數據來訓練網絡，使得網絡有能力學習到數據內在的規律，這個特點與無線接入網的底層設計又產生了很多矛盾。無線接入網的底層變化是非?？焖俚?，這種變化通常是毫秒級別的，因此不可能提供充分的訓練數據來訓練網絡，同時無線接入網的底層對實時性要求很高，一般是毫秒級甚至是微秒級的，這種實時性要求也不允許網絡進行非常復雜的訓練和計算。當然無線接入網的底層也并不都是變化非?？旎蛘邔崟r性要求非常高，比如上下行信道互易特征一般是比較穩定的，再比如有時候干擾也可能是比較穩定的。因此在一些特定場合，AI/ML技術在無線接入網的底層也具有適用性。

常見的AI技術涵蓋遺傳算法[1]和人工神經網絡[2]兩大類，其本身是一種普適性的機器學習技術。凡是給定場景涉及到了數據的統計、推斷、擬合、優化及聚類，AI均能找到其典型應用。機器學習算法主要包括三個分支：監督學習、非監督學習以及增強學習。

（1）監督學習。在監督學習中，訓練數據組分為兩部分：輸入對象與期望的輸出值（也稱作標簽）。其訓練目標是學習輸入與標簽之間的一種映射關系，并根據習得的映射關系來推斷其他輸入數據可能的輸出值。監督學習中的一種典型范例即為深度神經網絡（Deep Neural Networks， DNN），通過先驗的訓練數據組對人工神經網絡中節點間的權重系數進行離線訓練直至網絡訓練收斂。此時，人工神經網絡將有能力對新來的未知數據進行判別與推斷。

（2）非監督學習。與監督學習不同，非監督學習訓練沒有標簽數據。通過非監督學習，試圖找到這些數據中隱藏的結構與內在的數據特征。經典的自動編碼器（Autoencoder）結構用到的就是非監督學習方法，網絡自主學習輸入數據的內部特征，并通過非監督學習算法對網絡權重參數進行調整直至在輸出端盡可能恢復出輸入數據的真實值。

（3）增強學習。增強學習最典型的特征是可在線處理數據，它基于智能實體（Agent）與環境（Environment）之間的動態交互，其關注的是智能實體如何在環境中采取一系列行為，從而獲得最大的積累回報。具體來說就是當智能實體感知到環境信息后，會依據自己采取動作（Action）所可能帶來的獎賞（Reward）或懲罰（Penalty），確定下一步動作，并進一步觀察環境的反饋來決定下一步的動作，循環往復，直至收斂至某一穩態目標。

近年來AI/ML技術方法逐漸成熟，很多領域也都取得了巨大的突破并受到了廣泛的關注，這些機器學習的方法也適用于更廣泛、更復雜的應用場景，這也為AI/ML在無線接入網中的應用帶來了新的機遇。

1? ?AI/ML技術應用在物理層的機遇與挑戰

1.1? AI/ML技術應用在物理層的新機遇

在下一代6G通信系統中，AI/ML技術也將成為系統中不可缺少的一部分，但是目前AI/ML技術應用于無線接入網的物理層中仍處于預研階段，是否真的可以突破傳統方法的性能現在還是一個未知數，但是一些傳統方法所無法解決的問題AI/ML技術將為之提供一定的可能性。為此，本節將AI/ML技術如何與未來無線通信系統中物理層的應用相結合的情況劃分為以下五個層次，具體分析如下：

（1）AI/ML技術實現特定功能。目前無線通信系統中依然存在一些不太容易解決的問題，比如干擾發現與檢測、FDD上下行互易、信道預測等等，這些問題往往由于非線性或者無法準確建立模型而導致的，在使用傳統方法時，往往性能表現得并不是很好，然而這些方面機器學習卻是比較擅長的。機器學習并不需要預先對問題建立明確的數學模型，而是通過對已有的大量數據進行訓練得到相應的訓練模型，這樣的模型也會更加接近于真實的情況。因此系統可以引入機器學習的方法來代替傳統方法解決類似的問題。

（2）AI/ML技術對現有分立模塊進行更新。傳統通信系統物理層的設計一般都是基于線性模型，因此一旦系統中遇到比較強烈的非線性因素影響，則系統的性能會急劇下降，同時接收側如果有意引入一些非線性的操作，則系統性能會有所提升。這樣的模塊非常多，比如編碼譯碼模塊、調制解調模塊、波形設計、導頻設計及信道估計、MIMO檢測等，都是通過引入一些非線性的處理算法來提升整體性能。類似地，如果系統中引入非模型的機器學習算法，或許會有一些意外的效果出現。因為常用到的深度學習（Deep Learning， DL）網絡已經在圖像識別領域展現了強大的非線性處理能力，這也為通信系統物理層應對非線性因素干擾的情況提供了新的解決方案。

（3）AI/ML技術與傳統方法的融合。傳統通信系統中基于模型的方法雖然有時模型過于理想化，但是畢竟能描述一個過程的主要特征，也可以將其當作一種先驗信息。如果在機器學習的設計過程中借鑒一些已有模型的特征，作為額外的信息輸入到機器學習中，則很有可能會克服機器學習的一些固有缺陷，如需要龐大的訓練數據，欠擬合或者過擬合、收斂速度慢的情況等。

（4）物理層各模塊間的聯合優化。通信系統物理層的傳統設計是分模塊分別優化的，這樣的設計雖然可以保證每個模塊是最優的情況，但是整體上做不到最優。比如編碼、調制與波形在傳統系統中是分別設計的，一旦把三者綜合起來考慮，則往往因為接收端復雜度太高而放棄[3]。但是對于機器學習來說，可以不需要精心地設計各類的編碼方案，也不需要仔細思考各種星座圖，可以通過神經網絡來代替這種模塊級聯的方式，通過網絡自主學習的方式來獲取最優的端到端映射方式。物理層中哪些模塊之間使用機器學習進行聯合優化，這是一個未來值得探討的方向。

（5）物理層的機器學習結構化。物理層的機器學習本身需要一個結構化的、能被標準化的一個功能實體，因此需要對物理層的機器學習中的各個功能進行抽象，比如抽象為數據收集、訓練及分法等各種標準接口，從而可以靈活編排出各種機器學習算法來實現各種物理層功能。

1.2? AI/ML技術應用在物理層的新挑戰

AI/ML技術雖然可以打破傳統的設計理念，為下一代的通信物理層設計帶來新的機遇，但是隨之而來的也有新的挑戰。

（1）實時性。通信系統的物理層對數據處理發送的實時性要求很高，一般是毫秒級甚至是微秒級的，因此這種實時性要求也不可能允許網絡進行充分的訓練和復雜的計算。因此機器學習的方法應用至這種實時性要求很高的場景需要慎重思考，實時性的問題也是目前AI/ML技術應用至物理層的主要難題之一。

（2）魯棒性。通信系統的物理層環境變化很快，很多實際場景下噪聲以及干擾的影響也隨時間變化很大，這就要求我們使用的AI/ML算法具有魯棒性，能對多種不同環境下的數據進行正確接收判別，這對網絡的訓練要求比較嚴格。訓練數據集要盡可能完整，包括不同環境下獲得的數據;同時數據不能受噪聲污染太嚴重也不能太過于干凈，這樣機器學習算法很難習得真正有效部分數據的信息并且對噪聲魯棒。因此，訓練好的網絡結構要對測試場景魯棒也是現階段一大難題。

（3）網絡結構設計。當前在圖像識別中取得突破的各種神經網絡結構都是基于實數設計的，但是在通信物理層中數據的形式卻為復數，因此將實數網絡應用至復數系統中目前也不是最合適的選擇。近幾年雖然有研究人員針對復數域問題研究復數神經網絡，但是復數網絡中的激活函數、損失函數及反向傳播算法（Back Propagation， BP）等相比于實數網絡有更大的局限性，沒有一套標準的理論體系，因此合適的復數網絡結構設計也是未來一個重要的研究方向。

2? ? AI/ML應用至物理層典型范例

本節將具體介紹AI應用于通信物理層的兩個典型范例：干擾的檢測技術、基于AI的物理層端到端優化設計。

2.1? 基于AI/ML的干擾檢測技術

在實際場景的數據傳輸過程中難免會遇到各種噪聲以及其他用戶數據的干擾，在頻譜資源有限的情況，不同系統共享同一頻帶相互干擾的情景也不可避免。而在軍用通信中，傳輸信號可能遭受敵方惡意干擾。這都可能導致頻帶的一部分被相對更窄帶寬的傳輸信號所影響，后者將對系統造成窄帶干擾。而且有時這些干擾給系統引入了很強的非線性相關性，這種強相關性給傳統的接收機處理帶來很大的困難，導致性能嚴重下降并且處理起來會帶給系統很大的計算復雜度。相比于傳統數學方法，AI/ML算法面對具有內部相關性的信號特征提取有很大的優勢，并且也會有意想不到的結果。

文獻[4]提出了一種基于復數卷積神經網絡（Complex-valued Convolutional Neural Net works， CCNN）的信道干擾檢測方法來識別信道中具有強相關性的干擾并幫助線性譯碼器提升譯碼性能，具體結構示意圖如圖1所示。

該方法借鑒了CNN網絡在提取圖像內部特征方面的優勢來提取具有相關性的干擾特征并進行學習，圖中兩級網絡的接收端結構可以盡可能地恢復其原始干擾形式并在接收端將其去除為置信傳播（Belief Propagation， BP）譯碼器提供更干凈的接收符號。但是，在物理層傳輸的符號形式均為復數，傳統的CNN網絡卻是實數網絡，其對復數的分離處理會損失一部分的復數相位信息，因此引入了復數的CNN網絡來進一步提升對復數符號的學習性能。這種設計的接收端結構可以對更為復雜的干擾形式進行學習，因為第二級網絡可以在第一級網絡學習后估計的干擾數據基礎上進行二次學習，進一步提升干擾估計的準確性并且第二個網絡也可以基于第一個網絡完成快速訓練收斂。雖然這種接收端系統增加了復雜度以及訓練的開銷，但是訓練是在離線階段完成的，在線測試階段的時間并不會增加太多，隨之帶來的譯碼增益也是相對可觀的。圖2給出了在10M帶寬的OFDM系統中加入2M帶寬的高頻時域干擾場景下的性能仿真，信噪比在13 dB時兩級網絡結構已經可以完全正確譯碼，但是一級網絡結構卻在15 dB時誤塊率僅降至0.15，這也遠遠提升了傳統譯碼器的性能。而且訓練好的該系統還對不同相關性的干擾形式具有一定的魯棒性，比如時域濾波后的相關色噪聲等具有一定內部相關性的信號。這也體現了機器學習算法可以對無法準確數學建模的信號提取特征的優點。

雖然機器學習方法給我們帶來了更多的干擾檢測方法，但是也有一定的局限性。當系統中干擾信號的相關性弱至網絡無法學習到內部特征的時候，例如：頻域干擾信號的帶寬較寬時，時域就會呈現雜亂無章的形式，該方法就會失效。而且我們還需要考慮網絡的訓練復雜度、網絡在不同環境下的魯棒性等因素，因此還需要深入地研究設計出合理的解決方案。

2.2? 基于AI/ML的物理層端到端優化

AI/ML算法在物理層若干模塊上成功實現了功能優化，例如文獻[5]提出的基于神經網絡的調制模式識別，文獻[6]提出的DNN極化譯碼器及文獻[7]提出的基于DNN的MIMO檢測算法等。但是單個模塊的優化并不能保證整個物理層端到端通信的整體優化，而在端到端通信的實現中，多個基于迭代算法的AI模塊的拼接反而會帶來更高的訓練和計算復雜度[8]，因此，一種對物理層端到端的聯合優化方法需要被進一步研究。

目前，文獻[9]提出將物理層通信看成是一個端到端的信號重構問題，引入深度學習中自編碼器的方法來表示物理層的通信過程，進行端到端通信的聯合優化。自編碼器是一種典型的無監督學習方法，其結構是由神經網絡組成，通過對輸入數據的壓縮形式提取特征進行“編碼”，并對壓縮數據進行重構實現“解碼”。在基于自編碼器的端到端系統中，主要包含三個模塊：發送端、信道與接收端。發送端與接收端是由全連接的DNN網絡構成，中間加入AWGN信道層。發送的數據是0、1比特經過One-hot編碼之后的符號向量，對應地在接收端連接一個Softmax激活函數層來給出符號向量的概率來判定接收到的信息。為了發送端輸出值符合物理約束，發射端網絡需要連接一個功率歸一化層，具體的結構如圖3所示。與傳統系統相類似，基于自編碼器的系統也是將誤比特率（BER）或誤塊率（BLER）為性能評判標準，以此來判斷網絡性能的優劣。文獻[10]至文獻[13]也針對其中自編碼器的神經網絡層進行新的結構設計來提升譯碼性能，同時在信道層之間加入衰落信道、MIMO信道等條件來實現更復雜的功能。

基于自編碼器設計的端到端系統的優勢在于它是一個基于神經網絡搭建的端到端信息重構體系，不依賴于任何經典的編碼、調制、檢測等方法，而是通過信息重構的損失函數來聯合優化整個端到端網絡。自編碼器是一種無監督的學習方法，它可以自主地對輸入數據進行學習，而不需要預先建立好準確的數學模型。圖4也給出了網絡根據大量的輸入符號而習得的64點星座圖，它是由中心點呈多邊形逐層擴散的形式，這也與傳統的方形64QAM星座圖有很大不同。但是新的星座圖同樣可以使得網絡進行比特恢復，這也為傳統調制星座圖的設計提供了更多的可能性。同時，該系統也有效避免了多種模塊拼接而產生的多層網絡所帶來的高訓練、計算復雜度。

雖然這種基于自編碼器的物理層設計達到了整體優化的目的，但是目前的性能結果還不是特別令人滿意，相比于成熟的模塊級聯設計所能達到的性能還有一定差距，而且變化快、實時性高的環境下訓練網絡的效率需要考慮，訓練好的網絡對不同測試環境下的魯棒性也同樣是一個難題需要攻破，因此未來AI端到端的物理層優化設計還需要深入研究并逐步完善。

3? ?結束語

綜上所述，AI技術的廣泛應用是未來不可阻擋的發展潮流，下一代通信系統也會與AI技術進行更緊密有機地結合，不管在無線接入網的高層還是底層，AI技術都能發揮其優勢，為現有傳統通信系統中無法有效解決的難題提供新的理念。但是不能盲目樂觀，將AI技術應用至未來通信系統也會帶來更多新的挑戰，尤其在復雜的物理層環境中需要攻克的難題更多，需要深入研究新理論，合理分析技術的適用場景及可行性，充分發揮AI技術的潛力，為下一代通信提供更多的可能性。

參考文獻：

[1]? ? ? WHITLEY D. A genetic algorithm tutorial[J]. Statistics?& Computing， 1994，4（2）： 65-85.

[2]? ? ?SCHMIDHUBER J. Deep learning in neural networks： An overview[J]. Neural Netw， 2015，61： 85-117.

[3]? ? ? S ALI， W SAAD， N RAJATHEVA， et al. 6G White Paper?on Machine Learning in Wireless Communication Networks[Z]. 2020.

[4]? ? L LI， G YU， J XU， et al. Channel Decoding Based on Complex-valued Convolutional Neural Networks[C]//2020 2nd 6G Wireless Summit （6G SUMMIT）. Levi， Finland， 2020： 1-5.

[5]? ? HONG S， ZHANG Y， WANG Y， et al. Deep Learning based Signal Modulation Identification in OFDM Systems[J]. IEEE Access， 2019： 1.

[6]? ? ? XU W， WU Z， UENG Y L， et al. Improved polar decoder based on deep learning[C]//2017 IEEE International Workshop on Signal Processing Systems （SiPS）. IEEE， 2017.

[7]? ? CHEN Q， ZHANG S， XU S， et al. Efficient MIMO Detection with Imperfect Channel Knowledge - A Deep Learning Approach[C]//2019 IEEE Wireless Communications and Networking Conference （WCNC）. IEEE， 2019.

[8]? ? 尤肖虎，張川，談曉思，等. 基于AI的5G技術——研究方向與范例[J]. 中國科學：信息科學， 2018，48（12）： 1589-1602.

[9]? ? ?OSHEA T， HOYDIS J. An Introduction to Deep Learning?for the Physical Layer[J]. IEEE Transactions on Cognitive?Communications & Networking， 2017，3（4）： 563-575.

[10]? N WU， X WANG， B LIN， et al. A CNN-Based End-to-End Learning Framework Toward Intelligent Communication Systems[J]. IEEE Access， 2019，7： 110197-110204.

[11]? ?O'SHEA T J， ERPEK T， CLANCY T C. Physical layer deep learning of encodings for the MIMO fading channel[C]//Allerton Conference on Communication. IEEE， 2018.

[12]? ERPEK T， O'SHEA T J， CLANCY T C. Learning a Physical Layer Scheme for the MIMO Interference Channel[C]//2018 IEEE International Conference on Communications （ICC 2018）. IEEE， 2018.

[13]? ?JI D J， PARK J， CHO D H. ConvAE： A New Channel Autoencoder Based on Convolutional Layers and Residual Connections[J]. IEEE Communications Letters， 2019（10）： 1.

作者簡介

李倫（orcid.org/0000-0002-2234-9401）：通信工程師，碩士畢業于哈爾濱工業大學，現任職于中興通訊股份有限公司，主要從事人工智能/機器學習應用至無線通信系統物理層的研究工作。

郁光輝：正高級工程師，博士畢業于北京理工大學，現任中興通訊股份有限公司無線技術預研總工，主要從事無線移動通信標準預研工作，先后深度參與我國TD-S-CDMA、Wimax、802.16m、802.11系列、LTE、LTE-A、NR等多種3G、B3G、4G、B4G、5G、B5G及6G等無線通信系統的標準預研工作。獲得中國專利優秀獎兩次，中國專利銀獎一次，深圳市科技進步獎兩次，深圳市專利獎一次，深圳市地方級領軍人物等榮譽稱號。