機器學習如何推動5G網絡

王雄

在機器學習的早期發展中，它主要用于圖像和語音識別，但是近年來這種情況正在改變。機器學習現在被廣泛應用于醫療診斷、股市決策甚至環境控制等領域。

無線技術異常復雜，每次技術迭代都增加了一層額外的復雜性。基于無線電信號的第一個無線技術將使用火花隙來接收信號，而下一代無線電將使用二極管來解調信號以提取音頻信息。在無線技術經過幾次迭代之后，將部署結合了密碼功能的復雜數字電路，以保持信息的私密性。

現在，許多設備都在朝著移動技術發展，因此對蜂窩塔的需求量很大，可能有成千上萬的同時連接請求。為了幫助管理此負載，無線電系統部署的信道中每個信道處理的設備數量非常多，一個信道中的設備不能干擾另一信道中的設備。

但是，找到流量較低的頻道可能要花費一段時間，而使用優質頻道通常會成為附近設備的一個選擇。使用反復試驗來選擇通道，效率低下會導致能耗增加和執行時間增加。為了解決此問題，美國國家標準技術研究院（NIST）的研究人員開發了一種數學公式，該公式的行為類似于機器學習算法。

本質上，該公式是基于先驗經驗而不是使用試錯法來選擇無線網絡頻道。由于該系統過去具有與外部因素有關的選定配置，因此可以說相同的設置提供了更好的運行機會。對此類系統的需求源于以下事實，即移動網絡正在部署一種稱為“許可輔助訪問”的解決方案，該解決方案同時使用許可頻段和非許可頻段。這意味著同時使用WiFi和蜂窩設備的環境最終會在信道上競爭，從而導致信道查找速度變慢。

因此，如果2個天線（WiFi和移動天線）都使用類似于機器學習的公式來查找優質信道，則可以獨立運行以找到優秀解決方案。根據計算機模擬，該公式可以映射環境條件，例如存在的發射器和通道的數量，可以將嘗試次數從45 000個減少到10個，從而使速度提高5 000倍。

機器學習能夠適應其環境的能力使其能夠隨著時間的推移提高性能。這樣的算法不僅限于音頻和視頻應用，從理論上講，他們可以改善任何流程。因此，工程師應著眼于自己的設計，并嘗試找出涉及反復試驗的情況，然后查看是否可以用學習算法代替。