６Ｇ 無線網絡場景知識研究綜述

摘 要：通過整合全球網絡資源和普適智能，６Ｇ 無線網絡有望為用戶提供泛在的個性化服務。在６Ｇ 網絡環境下，深入探討如何借助網絡場景知識、充分利用普適智能和全域網絡資源，以實現真正的按需服務調配是必要的。旨在探討６Ｇ 無線網絡場景知識的相關研究。介紹了５Ｇ 限制以及６Ｇ 發展現狀和特點；對６Ｇ 應用場景、典型應用和性能指標進行了綜述，并闡述了６Ｇ 場景嵌入知識的應用；討論了場景識別使能技術以及面臨的挑戰和未來研究方向。

關鍵詞：６Ｇ；場景知識；按需服務

中圖分類號：ＴＮ９１９． １ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１１４（２０２４）０３－０４８４－１２

０ 引言

近年來，移動通信技術取得了巨大進步，無線網絡作為其中的重要組成部分已成為現代社會不可或缺的一部分。５Ｇ 網絡以增強型移動寬帶（ｅｎｈａｎｃｅｄＭｏｂｉｌｅ Ｂｒｏａｄｂａｎｄ，ｅＭＢＢ）、超可靠低延遲通信（ＵｌｔｒａＲｅｌｉａｂｌｅ ＬｏｗＬａｔｅｎｃｙ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，ＵＲＬＬＣ）和大規模機器類型通信（ｍａｓｓｉｖｅ Ｍａｃｈｉｎｅ Ｔｙｐｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，ｍＭＴＣ）三大場景為核心，為用戶提供相應服務［１］。隨著５Ｇ 網絡的推廣和社會的不斷發展，網絡用戶對網絡性能和應用需求的期望也在不斷增加。然而，５Ｇ 網絡仍然存在一些限制和挑戰，例如帶寬瓶頸、高頻段傳輸衰減和網絡覆蓋不足等問題，限制了其在滿足日益復雜和多樣化的應用需求上的表現［２］。

為了克服這些挑戰并滿足未來網絡的需求，學術界和產業界開始研究和開發下一代移動通信技術，即６Ｇ 網絡，以期滿足未來網絡的需求。６Ｇ 網絡被視為具備更高速率、更低延遲、更大容量和更好可靠性的網絡［３］。然而，僅僅提高技術指標并不能適應未來的應用場景。不同的用戶處于不同的場景，對網絡的需求各不相同。因此，需對用戶－資源匹配進行更細粒度的剖析分解，從而實現６Ｇ 網絡中真正的按需服務。因此，６Ｇ 網絡中場景知識的研究顯得十分重要。

場景知識是指在特定環境下對場景因素（包括所處環境、資源等）、用戶需求（包括用戶主觀需求以及客觀需求）和網絡狀態等信息的理解和感知。它可以幫助網絡自動感知和適應不同的應用場景，從而實現更智能、高效和個性化的通信服務。進一步，網絡借助已有的場景知識，可以更準確、迅速地提供服務，實現高效按需。２０２３ 年６ 月，國際電信聯盟（ＩＴＵ）無線電通信部門對６Ｇ 場景進行了明確劃分，分為六大典型場景：沉浸式通信、超大規模連接、極高可靠低時延、人工智能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）與通信的融合、感知與通信的融合、泛在連接［４］。在６Ｇ 網絡中，場景知識的綜合利用將成為實現６Ｇ 網絡性能提升和應用創新的關鍵。因此，對于６Ｇ 無線網絡中關于場景知識的研究成為當今學術界研究的熱點之一。

本文對６Ｇ 無線網絡中的場景知識進行了系統綜述。首先，介紹了５Ｇ 網絡的局限性以及６Ｇ 網絡的發展現狀和特征；其次，綜述了６Ｇ 網絡的應用場景、典型應用和性能指標，并結合現有工作分析了６Ｇ 網絡中的場景嵌入知識的應用；最后，討論了場景識別的技術手段以及存在的挑戰和未來的研究方向。通過對６Ｇ 無線網絡中的場景知識的研究，對其在未來網絡中的重要作用和潛在應用進行了全面系統地分析，旨在深入探討其在未來的研究和應用中的價值。能夠促進相關領域的研究和技術創新，推動６Ｇ 網絡的快速發展和廣泛應用，為未來的研究和應用提供有價值的指導和展望。

１ ６Ｇ 網絡背景

１． １ ５Ｇ 的限制和挑戰

５Ｇ 網絡作為當前移動通信技術的最新標準，雖然在許多方面取得了顯著的進展，但仍面臨一系列挑戰和限制。

５Ｇ 網絡面臨的挑戰之一是帶寬限制［５］。盡管５Ｇ 標準已經在數據傳輸速率方面取得了顯著提升，但由于用戶對高清、高幀率視頻以及增強現實（Ａｕｇｍｅｎｔｅｄ Ｒｅａｌｉｔｙ，ＡＲ）應用日益增長的需求，網絡帶寬需求也在迅速增加。在高密度設備連接和大規模數據傳輸的場景下，網絡容易陷入擁塞，不僅影響用戶體驗，也降低了數據傳輸的可靠性［５］。Ｆｅｒｒａｇ 等［６］指出５Ｇ 網絡仍然面臨大規模連接和高密度設備挑戰，這限制了其在物聯網（Ｉｎｔｅｒｎｅｔ ｏｆＴｈｉｎｇｓ，ＩｏＴ）和智能城市等場景的發展。在這些場景中，設備密集性導致的網絡擁塞和頻譜競爭給５Ｇ網絡的可靠性和性能帶來了挑戰。

在５Ｇ 網絡中，低延遲是實現實時互動和關鍵應用的關鍵因素。５Ｇ 網絡的延遲雖然已經相對較低，但在對延遲要求極為敏感的領域，如自動駕駛和工業自動化，仍然存在挑戰［７］。Ｊｉａｎｇ 等［３］的研究聚焦于５Ｇ 工業ＩｏＴ 中的ＵＲＬＬＣ 技術，強調了在工業自動化等領域實現低時延通信的關鍵性。由于網絡架構和信號傳播等方面的限制，５Ｇ 在某些場景下無法滿足超低時延通信的要求，限制了其在關鍵應用領域的應用。Ｚｕｏ 等［８］通過研究５Ｇ 中超可靠低時延通信的波形設計和速率控制，深入探討了５Ｇ 中低時延通信的關鍵技術。Ｔｒｅｖｌａｋｉｓ 等［９］的綜述涵蓋了５Ｇ 中的ＵＲＬＬＣ 技術，全面分析了當前５Ｇ 網絡中的限制和挑戰。

此外，５Ｇ 的可靠性和覆蓋范圍也存在一定制約，限制了５Ｇ 在關鍵領域的應用，如醫療衛生和緊急救援等關于５Ｇ 覆蓋范圍，限制因素之一是高頻段的使用［１０］。盡管毫米波頻段可以提供更大的帶寬和更高的數據傳輸速率，但其信號傳播距離相對較短，容易受到障礙物的影響，從而限制了覆蓋范圍。城市和農村地區之間的鴻溝也是一個重要問題，５Ｇ 網絡在城市中可能更容易實現高密度覆蓋，而在農村地區可能面臨部署成本高、基礎設施不足等問題［１０］。

這些研究共同揭示了５Ｇ 網絡在帶寬、時延、密度等方面的限制和挑戰，在面對這些限制和挑戰時，學術界和產業界開始關注下一代通信技術，即６Ｇ通信技術的發展，以期望進一步推動通信技術的創新，滿足未來社會對更高性能通信的需求。

１． ２ ６Ｇ 的產生發展以及未來發展潛力

為了應對５Ｇ 的限制和挑戰，６Ｇ 不僅是追求網絡性能的提升，更著眼于新技術范式的探索，如超高頻、量子通信、智能邊緣計算、全息無線電技術等。這些新技術的引入將極大拓展通信技術的邊界，可滿足未來數字社會和智能應用需求。Ｄｅ Ａｌｗｉｓ 等［１１］詳細探討了量子通信在６Ｇ 中的機會和挑戰，強調了其在解決當前加密方法局限性方面的潛在作用。Ｊｉａｎｇ 等［１２］在研究中提到了６Ｇ 網絡在智能交通、虛擬現實（Ｖｉｒｔｕａｌ Ｒｅａｌｉｔｙ，ＶＲ）和工業自動化等領域的發展潛力。Ｍａｏ 等［１３］介紹了６Ｇ 網絡的愿景、要求、架構和關鍵技術，為６Ｇ 的發展提供了全面的視角。Ｚｈｏｕ 等［１４］探討了ＡＩ 驅動的智能網絡在６Ｇ 通信中的應用，強調了其在網絡優化和管理方面的潛在貢獻。

相較于５Ｇ 網絡，６Ｇ 網絡預計在多個方面實現顯著的技術升級：① 展現出更高的頻譜利用效率、能量效率和成本效率，同時實現卓越的數據速率（達到Ｔｂｉｔ／ ｓ 級別）；網絡延遲方面將降低至現有水平的１／１０；而連接密度將顯著提升至現有水平的１００ 倍。② 具備更為先進的全自動化智能，實現亞厘米級的定位精度和亞毫秒級的時間同步，為通信體驗提供更為卓越的性能。③ 提供全球覆蓋，增強頻譜／能源／ 成本效率，更好的智能水平和安全性等［１５－１６］。

為了滿足這些性能，６Ｇ 網絡將依賴于新的使能技術，即空中接口和傳輸技術，以及新的網絡架構，如波形設計、多址、信道編碼方案、多天線技術、網絡切片、無蜂窩架構和云／ 霧／ 邊緣計算［１７］。６Ｇ 的未來發展將有４ 個新的范式的轉變（如圖１ 所示）：① 為滿足全球覆蓋要求，６Ｇ 將不局限于地面通信網絡，需要與衛星、無人機等非地面通信網絡相輔相成，從而實現“空－天－地－海”一體化通信網絡。② 將充分開發所有頻譜，進一步提高數據速率和連接密度，包括６ ＧＨｚ 以下、毫米波（ｍｍＷａｖｅ）、太赫茲（ＴＨｚ）和光學頻段。③ 面對高度異構的網絡、多樣化的通信場景、眾多的天線數量、寬廣的帶寬以及由新業務需求產生的大數據集，６Ｇ 網絡將充分利用ＡＩ 和大數據技術，以實現一系列全新的智能應用。④ 在推進６Ｇ 網絡發展的過程中，亦須加強網絡安全措施，保證強大的安全性。

未來，６Ｇ 有望在智能交通、ＶＲ、工業自動化等領域取得顯著突破，６Ｇ 的技術特征將為這些領域的創新提供支持，推動社會數字化轉型邁向更高水平［１８］。

１． ３ ６Ｇ 網絡特征

圖２ 顯示了６Ｇ 無線網絡特征，其中給出了性能指標、應用場景、支持技術、新范式轉換和行業垂直領域［１９］。

為滿足未來通信需求，６Ｇ 設計追求更高帶寬、更低延遲、更高可靠性、更大容量，超越５Ｇ 限制，推動通信技術向更高層次發展［２０］。

① ６Ｇ 網絡將提供更高的帶寬，以滿足不斷增長的數據需求。研究者們在探索超高頻的運用，以實現更大范圍內的數據傳輸和更快的速率，為用戶提供更快捷、高效的通信服務。

② 更低的延遲將成為實現實時互動和關鍵應用的關鍵因素。量子通信等新技術的引入有望在降低通信延遲的同時提高通信的安全性，為延遲敏感型應用提供更強有力的支持。

③ ６Ｇ 網絡還將追求更高的可靠性，以確保在關鍵時刻網絡連接的穩定性。這對于自動駕駛、遠程醫療等關鍵領域的應用至關重要。

④ ６Ｇ 將具備更大的容量，以支持更多設備的連接，實現大規模的ＩｏＴ 應用。

６Ｇ 的網絡特征設計不僅是對５Ｇ 性能的提升，更是對全新通信范式的探索。超越５Ｇ 的性能限制，６Ｇ 網絡的設計旨在推動通信技術向更高層次發展，為未來數字社會和智能應用提供堅實基礎。

２ ６Ｇ 場景

在信息通信技術高速發展的今天，６Ｇ 網絡作為未來通信網絡的新興代表，正受到全球矚目。６Ｇ 不僅是５Ｇ 技術的升級，更預示著一個新的通信時代的來臨。它將為人類社會帶來更廣泛的連接性、更高的數據傳輸速度和更低的延遲，從而開啟一個智能化、數字化轉型的新篇章。６Ｇ 場景的探索不僅關乎技術的進步，更關系到未來社會的運作方式和人類生活的多個方面。６Ｇ 的應用前景無限廣闊，其影響力深遠且全面。

２． １ ６Ｇ 應用場景

隨著信息技術的迅猛發展，６Ｇ 網絡預計將于２０３０ 年投入使用，其將突破５Ｇ 網絡的限制，為各種新興應用提供支持。根據ＩＴＵ 和移動通信國際標準化組織（ＩＭＴ）的規劃［２１］，６Ｇ 網絡的應用場景可分為六大類。其中，超大規模連接、超高可靠低時延通信和泛在連接是對５Ｇ 原有三大應用場景的增強和擴展：在６Ｇ 中得到了進一步增強和擴展，但其核心理念與５Ｇ 相延續。例如，超大規模連接繼續推動著ＩｏＴ 的發展，而超高可靠低時延通信依然是實時控制系統的關鍵，泛在連接則保證了無論在何處都能實現高效、穩定的網絡連接。

而沉浸式通信、通信ＡＩ 一體化和通信感知一體化則是６Ｇ 針對未來移動通信可能面臨的新需求和挑戰，提出的特有的全新應用場景。

（１）沉浸式通信

沉浸式通信在６Ｇ 網絡中扮演著重要角色，通過高級擴展現實（Ｅｘｔｅｎｄｅｄ Ｒｅａｌｉｔｙ，ＸＲ）技術和全息通信，提供前所未有的真實交流體驗。這一場景重視時間同步，支持視頻、音頻及環境數據的混合流量傳輸以及獨立的語音支持，使遠程交流更加生動和互動。沉浸式通信的應用前景廣泛，從遠程教育到虛擬會議，再到在線娛樂和遠程醫療，乃至復雜的遠程操作和控制系統，都將從中受益。

（２）通信ＡＩ 一體化

通信ＡＩ 一體化場景標志著ＡＩ 技術與通信技術的深度融合。ＡＩ 在此場景中發揮多重作用，包括網絡自我優化、服務個性化、安全增強、數據分析和管理、邊緣計算等。ＡＩ 的融入不僅使６Ｇ 網絡更加智能化和高效，還大幅提升了用戶體驗。從ＡＩ 驅動的個人助手到智能家居設備，通信ＡＩ 一體化將推動智能設備的發展，使其無縫連接至６Ｇ 網絡。

（３）通信感知一體化

通信感知一體化是６Ｇ 網絡中另一項創新，代表了通信技術與感知能力的深度融合，開啟了通信網絡功能的新境界。在這一場景下，網絡不僅能夠傳輸數據，還能夠感知環境，實現數據的收集和智能處理，實現了通信技術與環境感知能力的結合。此場景涵蓋環境感知、活動檢測與運動跟蹤、ＡＲ 和ＶＲ、高精度定位等多個方面。在智慧城市、智能交通和遠程醫療等領域尤為重要。這一場景的實現，將提升６Ｇ 網絡的功能性，促進新技術和新應用的發展。

（４）超大規模連接

標志著通信技術的新紀元，６Ｇ 將支持前所未有數量級的設備連接，推動ＩｏＴ 的全面發展。

（５）超高可靠低時延通信

針對對延遲和可靠性要求極高的應用，如工業自動化和遠程醫療，６Ｇ 將提供毫秒級甚至更低延遲的通信服務。

（６）泛在連接

６Ｇ 旨在實現全球范圍內高效、穩定的網絡連接，無論地理位置如何，確保網絡服務的質量和可靠性。

綜上所述，６Ｇ 六大應用場景的形成，不僅標志著技術的進步，也預示著信息社會向更加智能化、互聯化發展的趨勢。這些應用場景展示了未來通信技術的廣泛可能性，預示著信息社會的深刻變革和技術革新。６Ｇ 網絡的出現將是通信歷史上的一個重要里程碑，標志著向更加智能化、互聯化的新時代的過渡。

２． ２ ６Ｇ 典型應用

６Ｇ 網絡作為未來通信技術的重要代表，將廣泛應用于各個領域，徹底改變行業格局并支撐新技術和新應用的發展。６Ｇ 的典型應用不僅包括傳感和學習，還涉及元宇宙、太空通信、深海旅游等前沿領域［２２］。此外，智能城市、智能家居、智能汽車、智能制造和工業ＩｏＴ 也將在６Ｇ 的助力下迎來新的發展機遇。

２． ２． １ 全息通信和ＸＲ 應用

６Ｇ 網絡的高帶寬和低延遲使實時全息通為可能，這將徹底改變人們的通信方式，提供更加沉浸式和真實的交流體驗，并為用戶提供前所未有的溝通和娛樂體驗。

全息通信［２３］是一種利用光場重建技術創建三維圖像的通信方式。在６Ｇ 網絡下，全息通信的潛力將被進一步挖掘。得益于６Ｇ 的高帶寬和極低延遲，全息圖像可以實時傳輸，提供更加生動、逼真的交流體驗。這意味著在遠程會議、遠程教育、娛樂甚至醫療領域，人們可以通過全息技術與他人或物體進行更加自然、互動的溝通。例如，在遠程醫療中，醫生可以通過全息圖像來觀察和指導手術，使遠程手術更加精確和可行。

ＸＲ 應用包括ＶＲ、ＡＲ 和混合現實（ＭｉｘｅｄＲｅａｌｉｔｙ，ＭＲ），是另一大受益于６Ｇ 的領域。６Ｇ 網絡將為ＸＲ 應用提供所需的高速數據傳輸和低延遲，使這些技術可以更加流暢和真實地與用戶的物理環境融合，為教育、培訓、游戲和零售等多個行業創造沉浸式體驗。

總的來說，全息通信和ＸＲ 應用在６Ｇ 時代將大幅提升用戶體驗，開啟遠程互動和沉浸式體驗的新時代，同時在眾多行業中創造新的應用可能性和商業價值。

２． ２． ２ 智慧城市的構建

在６Ｇ 時代，智慧城市的構建將經歷革命性變化。６Ｇ 的超高帶寬和極低延遲特性將使城市基礎設施實時數據交換成為現實，從而提高城市管理的效率和響應速度。大規模ＩｏＴ 的推動將使城市中的每一件物品都能夠互聯互通，收集的大量數據有助于優化城市運營和提高居民生活質量。此外，智慧城市在能源管理、水資源管理和公共交通系統優化等領域的發展也將得到加速，為實現可持續發展目標貢獻力量［２４］。

此外，預計６Ｇ 網絡將在遠程醫療的進步中發揮關鍵作用，特別是驅動方法的集成將為智能醫療應用帶來新的機遇。６Ｇ 網絡實現的ｍＭＴＣ 也將支持工業智能ＩｏＴ、智能建筑、物流以及空氣和水質監測等應用，為各行各業的轉型升級提供動力［２５］。

綜上所述，６Ｇ 網絡的典型應用不僅展示了未來通信技術的廣闊應用前景，也預示著信息社會的深刻變革和技術革新。６Ｇ 網絡的出現將是通信歷史上的重要里程碑，標志著向更加智能化、互聯化新時代的過渡。

２． ３ ６Ｇ 性能指標

在當今迅速發展的通信領域中，６Ｇ 網絡不僅承載著現有需求的滿足，更在為未來潛在新應用的需求做準備。因此，６Ｇ 網絡的性能指標成為衡量其是否能夠滿足這些應用需求的關鍵［２６］。相比于５Ｇ 網絡，６Ｇ 定義了１５ 個能力指標，分為兩大類：一是針對ＩＭＴ-２０２０（５Ｇ）功能的增強，二是支持ＩＭＴ-２０３０（６Ｇ）擴展使用場景的新功能。每個功能在不同的使用場景中展現出獨特的相關性和適用性。

針對ＩＭＴ-２０２０ 增強的功能包括峰值速率、用戶體驗速率、頻譜效率、區域流量密度、連接數密度、移動性、時延、可靠性和安全、定位能力和能效等１０ 個指標。這些指標的提升，反映了６Ｇ 在繼承５Ｇ 基礎上的技術優化和性能提升，如表１ 所示。

６Ｇ 所引入的支持ＩＭＴ２０３０ 擴展使用場景的新功能，包括覆蓋指標、感知相關指標、ＡＩ 相關指標、可持續性性能指標、互操作性性能指標、定位精度等［４］。這些新增指標代表了６Ｇ 網絡為適應未來通信需求而做的全面準備和技術革新。

① 覆蓋。在全球化和多樣化的通信需求背景下，有效覆蓋成為關鍵指標。這不僅涵蓋城市區域，還包括偏遠和農村地區的覆蓋，確保用戶無論身處何地都能獲得穩定可靠的通信服務。

② 感知。ＩｏＴ 和智慧城市的發展，使感知能力變得至關重要。感知能力包括距離、速度、角度估計以及目標檢測和成像等功能，對提升網絡的智能化和自動化水平發揮著關鍵作用。

③ ＡＩ。ＡＩ 技術與通信網絡的融合，是６Ｇ 網絡發展的顯著趨勢。通過整合ＡＩ 應用，如分布式數據處理和學習，６Ｇ 網絡將大幅提升其智能性和效率。

④ 可持續性。在全球范圍增強的環保意識下，可持續性成為衡量網絡和設備性能的重要指標。這涉及減少溫室氣體排放和其他環境影響，如提高能源效率和優化資源使用。

⑤ 互操作性。為實現更廣泛的網絡兼容性和靈活性，互操作性的重要性日益增加。這保證了不同系統和設備之間的有效協同工作，提高了網絡的整體功能性和適應性。

⑥ 定位精度。隨著自動駕駛、高級導航系統等新興應用的興起，精確的定位成為必要條件。６Ｇ 網絡提出的１ ～１０ ｃｍ 的定位精度目標，將大幅提升用戶體驗和應用效率。

綜上所述，６Ｇ 網絡的這些新增性能指標從技術提升到環境責任，從智能化到全球互聯，全面反映了６Ｇ 網絡為滿足未來通信需求所做的準備［２７］，標志著一個更高效、智能和可持續的通信時代的來臨。

３ ６Ｇ 場景嵌入知識應用

３． １ 場景知識構建使能技術

在通信網絡中，存在大量具有高密度信息的數據，這些數據涵蓋了網絡主體、用戶、無線通信、傳輸策略和智能服務等不同領域［２８］，積極整合和利用這些多來源的數據并挖掘其有價值的信息，對未來通信技術的發展和應用創新具有重要的促進作用。通過嵌入知識體系的方法，６Ｇ 網絡可以更好地適應各種不同類型的場景，并提供更高效、個性化的網絡服務。圖３ 展示了使用自頂向下和自底向上相結合的方法構建６Ｇ 網絡領域知識圖譜的流程。

３． １． １ 構建思想

知識圖譜的構建思想可以分為自頂向下、自底向上和二者混合的方法［２９］。自頂向下的方法是從上層的概念或實體開始，逐步拆分、分解并細化成更具體的子概念或子實體，以建立起層次結構的知識體系。這種方法將整個知識圖譜的構建過程分解為一系列的層級關系，使得知識的組織更加清晰和易于管理［３０］。自頂向下的方法是從總體抽象概念開始，逐漸細化和拆分，構建更具體的子概念或實體的知識圖譜。此方法重視數據結構的完整和規范。然而，自頂向下更加依賴于專家經驗，并且可能會忽視實際應用中的具體情況和需求，對于復雜的網絡領域和多變的場景，實際使用可能不夠靈活。二者混合的方法可以根據具體的構建需求和實際情況靈活調整，結合自頂向下和自底向上的優點更好地適應不同的構建場景和需求。

３． １． ２ 本體構建

兩種經典的本體構建方法有骨架法和７ 步法。骨架法于１９９５ 年提出，大致包括以下４ 個步驟：領域分析、構建本體、審核修訂和文檔記錄。構建本體階段包括本體捕獲、本體編碼表示和集成現有本體等子步驟。７ 步法由Ｎｏｙ 等［３１］提出，包括確定領域和范圍、收集領域知識、建立概念層次結構、建立屬性和關系、建立實例、驗證和評估、維護和演化。骨架法在構建本體時存在語義表達能力不足、知識遺漏、缺乏靈活性、維護復雜性和缺乏推理能力等缺陷。７ 步法提供了本體構建的具體流程，但在本體的進一步擴展和維護方面可能面臨挑戰。隨著知識的增加和變化，可能需要對本體進行修改和更新。隨著技術的發展，一些研究者結合新興技術提出了半自動或全自動的本體構建方法，如在７ 步法的基礎上提出了一種融合多層次數據的多輪循環方法，通過多輪循環來完善知識結構，并構建了知識圖譜。該方法在智能問答任務上展現出優異的性能。

３． １． ３ 知識抽取

知識抽取中的命名實體識別是指從文本中識別出具有特定意義的實體及屬性。目前，實體識別方法可以分為基于規則的方法、基于統計學習的方法和基于深度學習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ，ＤＬ）的方法。前兩種方法都有較好的可解釋性但十分依賴標注數據、難以泛化。基于ＤＬ 的方法能夠學習更加復雜和抽象的特征表示但對于模型的調參和優化要求較高。目前，廣泛使用的模型之一是條件隨機場（Ｃｏｎｄｉｔｉｏｎａｌ Ｒａｎｄｏｍ Ｆｉｅｌｄｓ，ＣＲＦ）模型［３２］。但由于ＣＲＦ模型過于依賴手工選擇和構建特征，實際應用中難以有效發揮其功能。因此，將ＣＲＦ 模型與ＤＬ 模型結合使用，可以為序列預測標簽添加更多約束，以保證結果的有效性和可靠性，是目前主流的方法。例如，Ｈｕａｎｇ 等［３３］提出了ＣＲＦ 與雙向長短期記憶（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｌｏｎｇ ＳｈｏｒｔＴｅｒｍ Ｍｅｍｏｒｙ，ＢｉＬＳＴＭ）網絡結合的ＢｉＬＳＴＭＣＲＦ 模型，其通過ＢｉＬＳＴＭ 網絡捕獲序列的上下文語義，ＣＲＦ 處理序列的標簽信息，取得了較高精度。

３． １． ４ 知識存儲

在知識存儲領域，實體與對應的關系型數據儲存在專門的文檔中，方便模型的繼續演進和數據開放。在存儲形式上，關系型數據一般存儲在列表中，并通過目標索引來連接不同的列表，這使得面對大批量數據處理時效率較低。為了應對這個問題，出現了多種非關系型數據庫，用于存儲圖結構數據，如Ｎｅｏ４ｊ、ＪａｎｕｓＧｒａｐｈ、ＴｉｇｅｒＧｒａｐｈ 和Ｇｉｒａｐｈ 等［３４］。

３． １． ５ 知識構建

如圖４ 所示，趙茁喬等［３５］提出了一種支持知識圖譜的６Ｇ 網絡場景認知架構。

這個架構由數據面和應用面兩部分組成。在數據面部分，通過場景本體定義、知識數據抽取和數據存儲等過程，構建一個覆蓋廣泛場景且規模較大的６Ｇ 網絡場景知識圖譜。在應用面部分，利用數據面提供的知識圖譜數據，對輸入的不完整場景信息進行匹配、識別和推理，以實現對場景的完整認知。在該架構中，當有新場景數據到來時或經過驗證認定為正確的場景認知數據時，對數據面的相關數據進行更新，不斷迭代，以構建完善的數據面。

３． ２ 應用中的知識驅動按需服務

為支持各種場景下的按需服務，以推動相關知識的應用，現有工作建立了一套完善的６Ｇ 知識體系，目標是提供高度個性化的服務，使按需服務更加準確、高效、并降低能耗。在這一理論框架下，通過６Ｇ 知識體系實現了知識驅動的按需服務的程序化應用。這意味著能夠根據用戶不同的服務需求，借助相應的數據模式和實體屬性進行知識分析、生成、推理、推薦等操作。

３． ２． １ 文本生成的６Ｇ 熱點推薦

為了實現知識與按需服務的融合，構建６Ｇ 知識庫，其中包含豐富的語料數據。通過對其中的文本進行訓練，能夠執行多個與６Ｇ 領域相關的任務，例如場景識別、技術關聯和關鍵績效指標（Ｋｅｙ Ｐｅｒ-ｆｏｒｍａｎｃｅ Ｉｎｄｉｃａｔｏｒ，ＫＰＩ）聚類等。以基于文本生成的６Ｇ 熱點推薦為例，利用ＤＬ、神經網絡等工具，來實現面向６Ｇ 按需服務的知識應用。一般的文本生成方法有兩種：一種是基于語言模型［３６－３８］，另一種是基于ＤＬ［３９－４１］，而６Ｇ 知識體系則將兩種有機結合，并運用６Ｇ 的文獻對６ＧＢＥＲＴ 模型進行了訓練。基于語言模型的技術具備理解和維持上下文一致性的能力，因此可以生成更加連貫且多樣化的文字。同時，這些技術適用于各種文本生成任務，在對話系統方面，斟酌到自然語言序列和上下文的關系，為了實現自動的生成文本序列，可以通過訓練長短期記憶（Ｌｏｎｇ ＳｈｏｒｔＴｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）模型［４２］來實現。該方法可保證生成的文本流暢連貫的同時增加文本的多樣性。另外，基于ＤＬ 的方法還能夠整合多模態數據用于文本生成，從而使得生成的文本更加富有表現力。因為具有長期記憶的特性，這種方法特別適合需要考慮文本上下文信息的應用場景。此外，基于ＤＬ 的方法還可以針對具體的任務，對模型進行建模與優化。

語言模型與ＤＬ 是６Ｇ 知識系統中知識提取與生成的兩部分。二者均可用于６Ｇ 知識的產生，但產生的結果與使用情況卻有所不同。以語言模型為基礎的知識產生方式，側重于創造出多樣化、有創意的知識，具有廣度優勢。這種方法能夠生成各種可能性的知識，幫助發掘新穎的概念和想法。而基于ＤＬ 的方法在知識生成方面，更加注重生成針對性和精準性的知識，具有精度優勢。它可以根據特定任務進行模型設計和訓練，因此能夠生成更具專業性和準確性的知識。從知識的運用上看，建議基于語言模型，對其做一些細微的調整，以適應更大范圍的交互式應用。這種方法具有較強的語義理解和生成能力，可以與用戶進行更自然、智能的交互。而基于ＤＬ 的方法則廣泛應用于檢測和分析類的知識應用。這種方法能夠處理大規模數據集，從中提取有用的特征和模式，并應用于實際的問題解決。總之，兩種方法在產生知識的有效性和實用性上是有區別的，需要根據具體的需求和場景選擇合適的方法。

模型在６Ｇ 領域相關信息的生成方面表現良好，包括６Ｇ 場景、技術和屬性及其特征，并能夠生成與輸入文本一致且相關的熱點推薦。引入更多ＡＩ 可提高文本生成的流暢性和正確性，進一步提升按需知識服務的能力。從定性的角度來看，基于６Ｇ熱點推薦的知識運用，將３ 種“即需”的概念進行融合，使推薦結果呈現“關聯”“模糊”兩種特征，包括“場景”“技術”“特征”“屬性”。此外，還能對各種新業務、新需求進行自動錄入，并且具有良好的可擴展性。

３． ２． ２ 知識驅動的６Ｇ 網絡配置及運維

在未來的６Ｇ 網絡中，知識應用將在網絡配置、運行和維護中扮演重要角色。通過智能化的網絡管理，能夠提升服務質量、降低故障風險，并推動可持續發展。有效地應用知識可以使６Ｇ 網絡更好地滿足不斷增長的通信需求，提升用戶體驗［４３］。對網絡進行智能管理，可以有效改善服務狀況，減少故障的發生概率，通過對知識的有效利用，６Ｇ 網絡能夠更好地適應日益增長的通信要求，提高使用者的體驗感。接下來，將從以下幾個方面進行詳細說明。

① ６Ｇ 移動通信將面臨通信技術、頻段、設備種類等更加復雜異構的場景，實現將網絡配置進行智能化成為未來的重要發展趨勢。在對知識有效利用的基礎上，能夠更智能地適應不同的環境與要求，提高網絡性能。比如，該系統能夠對所使用的數據流量，使用者的定位，以及使用者的要求進行實時分析，對網絡資源進行合理的配置、提高網絡的連通性，進而提升業務質量。

② ６Ｇ 網絡可能會涉及大規模的連接，需要高效的運行和管理。智慧網絡運行及管理是一個關鍵領域，需要進行知識應用的探索。在此基礎上，結合網絡狀態、設備健康狀態、業務負載等因素的綜合分析，對網絡中可能發生的故障進行預測，以減少網絡損失，提升網絡的可靠性與穩定性。

③ 在６Ｇ 網絡中，錯誤會越來越復雜，這就要求對錯誤進行自動化檢測。利用知識有助于構建智能化的故障診斷系統，比如，通過對設備工作過程中的歷史數據以及設備的工作方式等進行分析，能夠迅速發現異常狀況，精確定位故障位置，進而采取相應的對策，減少檢修周期。

④ 在６Ｇ 中，資源的按需分配是一項重要的挑戰。而基于知識的運用在一定程度上可以解決此類問題。

⑤ 在６Ｇ 網絡的設計和運營過程中，對可持續性和環境友好性的考慮愈發關鍵。通過對６Ｇ 網絡知識的合理應用，可以更好地預測網絡能耗、環境影響等。在此基礎上，系統可以設計節能策略、優化設備布局，從而減少對環境的負面影響。可持續發展與環保問題是６Ｇ 移動通信系統建設與運行中亟待解決的重要問題。正確運用６Ｇ 網絡的相關知識，可以更精確地預測網絡能耗和環境影響，進而可進行節能策略的制定和設備布置的優化，以降低對環境的不利影響。

４ ６Ｇ 使能技術

根據目前的研究進展和６Ｇ 應用場景的要求，關鍵使能技術包括新型頻譜接入技術，如太赫茲通信，高效無線接入技術；如可重構智能表面（ＲｅｆｌｅｃｔｉｖｅＩｎｔｅｌｌｉｇｅｎｔ Ｓｕｒｆａｃｅ，ＲＩＳ），網絡智慧使能技術；如集成感知與通信，安全可持續技術；如量子通信技術［４４－４５］，如圖５ 所示。這些技術將共同努力，進一步提高未來６Ｇ 網絡的技術能力，為用戶提供更多樣化的應用和更好的服務體驗。

４． １ 太赫茲通信

太赫茲波屬于頻率０． １ ～ １０ ＴＨｚ 的電磁波，具備支持超高通信速率的潛力，并被認為是現有空口傳輸解決方案的有效補充。其主要應用領域包括全息通信、中短距離無線接入、超高速率傳輸需求的數據回傳／ 前傳場景以及新型通信場景中的微尺寸通信。此外，利用太赫茲通信的超大帶寬和在穿透非金屬或非極化材料方面的低損耗能力，還可實現高精度定位、高分辨率傳感和成像［４４］。

太赫茲通信的高頻特性使其在高分辨率成像方面表現出色，能夠精準感知６Ｇ 通信場景，并通過穿透力強的特點在非導電物質中實現通信。其高帶寬屬性支持大量數據傳輸，也為知識驅動系統提供更多信息。太赫茲通信的實時數據獲取、多模態信息整合和適應復雜環境的能力，促進了場景認知和知識驅動的發展，為系統提供了強大的感知、通信和信息處理能力。

４． ２ ＲＩＳ

傳統的網絡設計和技術發展關注于更好地適應無線傳輸信道的限制。然而，隨著未來通信需求的不斷擴大和網絡復雜性的不斷增加，網絡建設的增加已成為未來通信的關鍵［４６］。ＲＩＳ 以“可重構／ 可編程無線傳輸信道”為核心，具有低成本、低能耗、高可靠性、大容量等固有特點，為未來網絡開辟了新的發展方向［４７］。ＲＩＳ 一般是利用人造電磁表面實現對電磁波傳輸的干預，如理想吸收、比反射等。與傳統的固定函數元曲面相比，ＲＩＳ 可以實現電磁特性的實時編程［４８］。在實際應用中，根據各元件的特性施加控制信號，實現各元件電磁特性的動態變化，進而控制電磁波的幅度、相位、極化和頻率。

ＲＩＳ 技術與場景認知和知識驅動密切關聯，通過在通信環境中部署大量可調節的元素，ＲＩＳ 可以實時調整電磁波的相位和幅度。這種能力為場景認知提供了更高級別的靈活性，使系統能夠適應不同的信道條件和用戶需求。此外，ＲＩＳ 與知識驅動系統相結合，可以實現更智能的通信網絡。通過實時感知通信環境的變化，并結合大規模數據的分析，ＲＩＳ 有助于優化信道狀態、波束成形等參數，從而推動系統向更智能、適應性更強的方向發展。綜合而言，ＲＩＳ 技術通過增強場景感知的靈活性和為知識驅動系統提供更多調整空間，為通信系統的智能化和自適應性提供了有力的支持。

４． ３ 超大規模ＭＩＭＯ

對于６Ｇ 的未來發展，提高頻譜效率仍將是一個重要的性能指標。更高的工作頻帶也為超大規模ＭＩＭＯ 的部署提供了便利條件。通過部署超大規模天線陣列，應用新材料，引入新工具，可以實現更高的頻譜效率、更廣泛和更靈活的網絡覆蓋、更高的定位精度和能源效率。隨著天線陣列規模的擴大，設備的功耗、尺寸和質量也在增加，這給網絡運營商的部署和應用帶來了巨大的挑戰。隨著天線和芯片集成度的不斷提高，以及新材料和新工藝的出現，天線陣列的規模可以在可控的尺寸、質量和功耗下增加。在６Ｇ 時代，超大規模ＭＩＭＯ 的發展趨勢包括更大的陣列、更小的尺寸、更高的集成度，以及支持超高頻和多頻段的能力。

超大規模ＭＩＭＯ 技術在場景認知和知識驅動方面具有顯著促進作用。其利用大量天線進行空間信號處理，提供了更豐富的空域信息，使系統能夠更準確地感知通信場景中的信道狀態和用戶位置。同時，通過波束成形技術，超大規模ＭＩＭＯ 實現了定向傳輸，有助于系統適應不同場景的需求。在知識驅動方面，超大規模ＭＩＭＯ 生成的大規模通信數據為優化算法提供了豐富的數據支持，可以與機器學習技術結合，實現智能的決策優化，包括自適應信道估計、干擾抑制等。綜合而言，超大規模ＭＩＭＯ 通過高維信息獲取、大規模數據支持和智能優化決策等方面，為場景認知和知識驅動的發展提供了強有力的技術基礎。

４． ４ 集成感知與通信

在智能ＩｏＴ 時代，數字化轉型不斷推進，推動了互動沉浸體驗、無人工廠機器協作、實時感知醫療和先進自動駕駛等服務的大規模應用。這些服務要求通信網絡支持毫米級感知精度。射頻感知通過射頻信號獲取環境信息，可實現定位、運動檢測和成像等功能。未來通信系統將整合更高頻率、更大帶寬和更大天線口徑，將射頻感知融入通信系統，拓展智能數字世界［４５］。集成感知和通信通過單一系統實現射頻感知和無線通信，相互受益，提高定位、成像、環境重建等服務質量。未來研究方向包括強化定位、高分辨率成像、同時定位和地圖構建以及手勢活動識別。這一概念將通過ＡＩ 進一步融入人們的生活。

通過將感知元素與通信系統融合，集成感知與通信技術能夠實現對環境的實時、全面感知，包括物體位置、運動狀態等。這樣的集成感知不僅提供了對６Ｇ 通信場景更準確的理解，還為知識驅動系統提供了大量實時數據。這些數據可以用于機器學習和數據挖掘，支持知識驅動的算法優化，包括智能的決策制定、網絡優化以及資源調配等。

５ 挑戰和未來研究方向

５． １ 場景需求細粒度模型訓練

對于知識模型的構建，面臨的挑戰和研究方向主要有：

① 數據的多樣性和規模。在知識嵌入中，需要使用大量的多模態數據，包括文本、表格，甚至圖像、視頻等，這些數據可能來自不同的源頭和領域。如何有效地收集、分類和管理這些多樣性和大規模的數據，并按照場景需求對不同粒度的模型進行知識嵌入是一個關鍵問題。

② 數據的標注和語義表示也是一個挑戰［４９］，知識嵌入需要將數據映射到語義空間，但對于復雜的場景需求，如細粒度分類、個性化推薦等，僅僅依靠傳統的標注方法可能無法滿足要求。因此，需要研究開發更有效的標注方法和語義表示模型，以提高模型的準確性和泛化能力。

③ 如何利用數據的動態性和實時性也是模型更新急需解決的問題。６Ｇ 網絡中，場景需求可能隨時變化，需要實時更新模型并進行推斷。同時，處理用戶多變的需求也需要調度不同粒度的模型。因此，如何設計高效的模型更新和推斷算法，并在實時性和準確性之間找到平衡，是一個重要的研究方向。

④ 將知識嵌入與增強學習相結合以滿足更智能、個性化的場景需求，探索使用無監督學習和自監督學習的方法以減少對標注數據的依賴并提高模型的泛化能力等，也是未來研究的重點方向。

５． ２ 數據獲取

知識圖譜的數據來源包括結構化數據、半結構化數據和非結構化數據，來源可以是各種公開數據集、網頁、文本、專業數據庫等。在構建用于指定場景或特殊任務的知識圖譜時，數據源的質量至關重要，優質的數據源可以提供準確、全面和可信賴的信息，有助于構建更精準和可靠的知識圖譜。３ＧＰＰ技術規范工作組推出的Ｒｅｌｅａｓｅ １８［５０］中的標準文檔，可作為６Ｇ 無線網絡場景知識圖譜的數據來源，同時Ｒｅｌｅａｓｅ １８ 迭代前的許多版本的文檔也具有參考價值。Ｒｅｌｅａｓｅ １８ 定義了５Ｇ 或Ｂ５Ｇ 網絡中幾個具有參考意義的業務服務場景，其中包括具體場景的服務案例、工作流程和支撐場景的指標的類型與參數等，并且涵蓋了多方面的技術細節，包括網絡架構、協議規范、頻譜利用等。將這些細節作為知識圖譜的數據來源，可以使知識圖譜更具深度和全面性。Ｒｅｌｅａｓｅ １８ 中包含兩種數據：非結構化的文本數據，用于描述應用發生所處的場景并介紹為目標用戶給予什么樣的服務支持；結構化的數值型表格數據，包含網絡ＫＰＩ 指標和場景特征信息，如時延、通信速率、數據量、可靠性和用戶數量等。

６ 結束語

對６Ｇ 無線網絡場景知識的進行了相關研究與分析，介紹了５Ｇ 限制和挑戰，以及６Ｇ 發展現狀和特點；在應用場景方面，探討了６Ｇ 網絡的多樣化應用場景，并分析了其典型應用和性能指標；在此基礎上，結合現有工作闡述了場景嵌入知識的相關技術和應用；討論了使能技術以及６Ｇ 網絡面臨的挑戰和未來研究方向。本文的研究表明，６Ｇ 無線網絡場景知識的深入研究對于６Ｇ 網絡的快速發展和廣泛應用具有重要的意義。未來的研究方向包括場景數據采集、相應ＤＬ 算法、場景嵌入技術等。通過不斷探索和創新，６Ｇ 網絡將會在未來取得更加廣泛的應用和發展。

參考文獻

［１］ ＮＡＶＡＲＲＯＯＲＴＩＺ Ｊ，ＲＯＭＥＲＯＤＩＡＺ Ｐ，ＳＥＮＤＲＡ Ｓ，

ｅｔ ａｌ． Ａ Ｓｕｒｖｅｙ ｏｎ ５Ｇ Ｕｓａｇｅ Ｓｃｅｎａｒｉｏｓ ａｎｄ Ｔｒａｆｆｉｃ Ｍｏｄｅｌｓ

［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆ Ｔｕｔｏｒｉａｌｓ，２０２０，２２

（２）：９０５－９２９．

［２］ 郎平，田大新． 面向６Ｇ 的車聯網關鍵技術［Ｊ］． 中興通

訊技術，２０２１，２７（２）：１３－１６．

［３］ ＪＩＡＮＧ Ｗ，ＨＡＮ Ｂ，ＨＡＢＩＢＩ Ｍ Ａ，ｅｔ ａｌ． Ｔｈｅ Ｒｏａｄ Ｔｏｗａｒｄｓ

６Ｇ：Ａ Ｃｏｍｐｒｅｈｅｎｓｉｖｅ Ｓｕｒｖｅｙ［Ｊ］． ＩＥＥＥ Ｏｐｅｎ Ｊｏｕｒｎａｌ ｏｆ

ｔｈｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｏｃｉｅｔｙ，２０２１，２：３３４－３６６．

［４］ ＩＴＵＲＷＰ５Ｄ． Ｆｕｔｕｒｅ Ｔｅｃｈｎｏｌｏｇｙ Ｔｒｅｎｄｓ ｏｆ Ｔｅｒｒｅｓｔｒｉａｌ

Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍｏｂｉｌｅ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｙｓｔｅｍｓ Ｔｏｗａｒｄｓ

２０３０ ａｎｄ Ｂｅｙｏｎｄ［Ｓ］． Ｇｅｎｅｖａ：ＩＴＵ，２０２２．

［５］ ＷＡＮＧ Ｃ Ｘ，ＹＯＵ Ｘ Ｈ，ＧＡＯ Ｘ Ｑ，ｅｔ ａｌ． Ｏｎ ｔｈｅ Ｒｏａｄ ｔｏ

６Ｇ：Ｖｉｓｉｏｎｓ，Ｒｅｑｕｉｒｅｍｅｎｔｓ，Ｋｅｙ Ｔｅｃｈｎｏｌｏｇｉｅｓ，ａｎｄ Ｔｅｓｔｂ

ｅｄｓ ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆ Ｔｕｔｏｒｉａｌｓ，

２０２３，２５（２）：９０５－９７４．

［６］ ＦＥＲＲＡＧ Ｍ，ＦＲＩＨＡ Ｏ，ＫＡＮＴＡＲＣＩ Ｂ，ｅｔ ａｌ． Ｅｄｇｅ

Ｌｅａｒｎｉｎｇ ｆｏｒ ６Ｇｅｎａｂｌｅｄ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ：Ａ Ｃｏｍｐｒｅ

ｈｅｎｓｉｖｅ Ｓｕｒｖｅｙ ｏｆ Ｖｕｌｎｅｒａｂｉｌｉｔｉｅｓ，Ｄａｔａｓｅｔｓ，ａｎｄ Ｄｅｆｅｎｓｅｓ

［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆ Ｔｕｔｏｒｉａｌｓ，２０２３，２５

（４）：２６５４－２７１３．

［７］ ＳＥＲＧＨＩＯＵ Ｄ，ＫＨＡＬＩＬＹ Ｍ，ＢＲＯＷＮ Ｔ，ｅｔ ａｌ． Ｔｅｒａｈｅｒｔｚ

Ｃｈａｎｎｅｌ Ｐｒｏｐａｇａｔｉｏｎ Ｐｈｅｎｏｍｅｎａ，Ｍｅａｓｕｒｅｍｅｎｔ Ｔｅｃｈｎｉｑｕｅｓ

ａｎｄ Ｍｏｄｅｌｉｎｇ ｆｏｒ ６Ｇ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ａｐｐｌｉｃａ

ｔｉｏｎｓ：Ａ Ｓｕｒｖｅｙ，Ｏｐｅｎ Ｃｈａｌｌｅｎｇｅｓ ａｎｄ Ｆｕｔｕｒｅ Ｒｅｓｅａｒｃｈ Ｄｉ

ｒｅｃｔｉｏｎｓ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆ Ｔｕｔｏｒｉａｌｓ，

２０２２，２４（４）：１９５７－１９９６．

［８］ ＺＵＯ Ｙ Ｐ，ＧＵＯ Ｊ Ｊ，ＧＡＯ Ｎ，ｅｔ ａｌ． Ａ Ｓｕｒｖｅｙ ｏｆ Ｂｌｏｃｋｃｈａｉｎ

ａｎｄ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ｆｏｒ ６Ｇ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ

［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆ Ｔｕｔｏｒｉａｌｓ，２０２３，２５

（４）：２４９４－２５２８．

［９］ ＴＲＥＶＬＡＫＩＳ Ｓ Ｅ，ＢＯＵＬＯＧＥＯＲＧＯＳ Ａ Ａ Ａ，ＰＬＩＡＴＳＩＯＳ Ｄ，

ｅｔ ａｌ． Ｌｏｃａｌｉｚａｔｉｏｎ ａｓ ａ Ｋｅｙ Ｅｎａｂｌｅｒ ｏｆ ６Ｇ Ｗｉｒｅｌｅｓｓ Ｓｙｓ

ｔｅｍｓ：Ａ Ｃｏｍｐｒｅｈｅｎｓｉｖｅ Ｓｕｒｖｅｙ ａｎｄ ａｎ Ｏｕｔｌｏｏｋ［Ｊ］． ＩＥＥＥ

Ｏｐｅｎ Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｏｃｉｅｔｙ，２０２３，４：

２７３３－２８０１．

［１０］ＳＵＮ Ｙ Ｙ，ＬＩＵ Ｊ Ｊ，ＷＡＮＧ Ｊ Ｄ，ｅｔ ａｌ． Ｗｈｅｎ Ｍａｃｈｉｎｅ

Ｌｅａｒｎｉｎｇ Ｍｅｅｔｓ Ｐｒｉｖａｃｙ ｉｎ ６Ｇ：Ａ Ｓｕｒｖｅｙ［Ｊ］． ＩＥＥＥ Ｃｏｍ

ｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆ Ｔｕｔｏｒｉａｌｓ，２０２０，２２（４）：２６９４－２７２４．

［１１］ＤＥ ＡＬＷＩＳ Ｃ，ＫＡＬＬＡ Ａ，ＰＨＡＭ Ｑ Ｖ，ｅｔ ａｌ． Ｓｕｒｖｅｙ ｏｎ ６Ｇ

Ｆｒｏｎｔｉｅｒｓ：Ｔｒｅｎｄｓ，Ａｐｐｌｉｃａｔｉｏｎｓ，Ｒｅｑｕｉｒｅｍｅｎｔｓ，Ｔｅｃｈｎｏｌｏｇｉｅｓ

ａｎｄ Ｆｕｔｕｒｅ Ｒｅｓｅａｒｃｈ ［Ｊ］． ＩＥＥＥ Ｏｐｅｎ Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ

Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｏｃｉｅｔｙ，２０２１，２：８３６－８８６．

［１２］ＪＩＡＮＧ Ｗ，ＺＨＯＵ Ｑ Ｈ，ＨＥ Ｊ Ｇ，ｅｔ ａｌ． Ｔｅｒａｈｅｒｔｚ Ｃｏｍｍｕｎｉ

ｃａｔｉｏｎｓ ａｎｄ Ｓｅｎｓｉｎｇ ｆｏｒ ６Ｇ ａｎｄ Ｂｅｙｏｎｄ：Ａ Ｃｏｍｐｒｅｈｅｎｓｉｖｅ

Ｒｅｖｉｅｗ［ＯＢ／ ＯＬ］． （２０２３ － ０７ － １９）［２０２４ － ０１ － ２５］．

ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ／ ａｂｓ／２３０７． １０３２１．

［１３］ＭＡＯ Ｂ Ｍ，ＬＩＵ Ｊ Ｊ，ＷＵ Ｙ Ｙ，ｅｔ ａｌ． Ｓｅｃｕｒｉｔｙ ａｎｄ Ｐｒｉｖａｃｙ

ｏｎ ６Ｇ Ｎｅｔｗｏｒｋ Ｅｄｇｅ：Ａ Ｓｕｒｖｅｙ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ

Ｓｕｒｖｅｙｓ ＆ Ｔｕｔｏｒｉａｌｓ，２０２３，２５（２）：１０９５－１１２７．

［１４］ＺＨＯＵ Ｄ，ＳＨＥＮＧ Ｍ，ＬＩ Ｊ Ｄ，ｅｔ ａｌ． Ａｅｒｏｓｐａｃｅ Ｉｎｔｅｇｒａｔｅｄ

Ｎｅｔｗｏｒｋｓ Ｉｎｎｏｖａｔｉｏｎ ｆｏｒ Ｅｍｐｏｗｅｒｉｎｇ ６Ｇ：Ａ Ｓｕｒｖｅｙ ａｎｄ

Ｆｕｔｕｒｅ Ｃｈａｌｌｅｎｇｅｓ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆

Ｔｕｔｏｒｉａｌｓ，２０２３，２５（２）：９７５－１０１９．

［１５］ＫＨＡＮ Ｌ Ｕ，ＹＡＱＯＯＢ Ｉ，ＩＭＲＡＮ Ｍ，ｅｔ． ａｌ． ６Ｇ Ｗｉｒｅｌｅｓｓ

Ｓｙｓｔｅｍｓ：Ａ Ｖｉｓｉｏｎ，Ａｒｃｈｉｔｅｃｔｕｒａｌ Ｅｌｅｍｅｎｔｓ，ａｎｄ Ｆｕｔｕｒｅ Ｄｉ

ｒｅｃｔｉｏｎｓ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２０，８：１４７０２９－１４７０４４．

［１６］ＫＵＲＵＶＡＴＴＩ Ｎ Ｐ，ＨＡＢＩＢＩ Ｍ Ａ，ＰＡＲＴＡＮＩ Ｓ，ｅｔ ａｌ． Ｅｍ

ｐｏｗｅｒｉｎｇ ６Ｇ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ｄｉｇｉｔａｌ Ｔｗｉｎ

Ｔｅｃｈｎｏｌｏｇｙ：Ａ Ｃｏｍｐｒｅｈｅｎｓｉｖｅ Ｓｕｒｖｅｙ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，

２０２２，１０：１１２１５８－１１２１８６．

［１７］ＹＯＵ Ｘ Ｈ，ＷＡＮＧ Ｃ Ｘ，ＨＵＡＮＧ Ｊ，ｅｔ ａｌ． Ｔｏｗａｒｄｓ ６Ｇ

Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｎｅｔｗｏｒｋｓ：Ｖｉｓｉｏｎ，Ｅｎａｂｌｉｎｇ Ｔｅｃｈ

ｎｏｌｏｇｉｅｓ，ａｎｄ Ｎｅｗ Ｐａｒａｄｉｇｍ Ｓｈｉｆｔｓ ［Ｊ］． Ｓｃｉｅｎｃｅ Ｃｈｉｎａ

Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ，２０２１，６４：１１０３０１．

［１８］ＮＧＵＹＥＮ Ｖ Ｌ，ＬＩＮ Ｐ Ｃ，ＣＨＥＮＧ Ｂ Ｃ，ｅｔ ａｌ． Ｓｅｃｕｒｉｔｙ ａｎｄ

Ｐｒｉｖａｃｙ ｆｏｒ ６Ｇ：Ａ Ｓｕｒｖｅｙ ｏｎ Ｐｒｏｓｐｅｃｔｉｖｅ Ｔｅｃｈｎｏｌｏｇｉｅｓ ａｎｄ

Ｃｈａｌｌｅｎｇｅｓ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆ Ｔｕｔｏｒｉａｌｓ，

２０２１，２３（４）：２３８４－２４２８．

［１９］ＩＴＵＲ． Ｏｖｅｒｖｉｅｗ Ｔｉｍｅｌｉｎｅ ｆｏｒ ＩＭＴ Ｔｏｗａｒｄｓ ｔｈｅ Ｙｅａｒ ２０３０

ａｎｄ Ｂｅｙｏｎｄ［Ｓ］． Ｇｅｎｅｖａ：ＩＴＵ，２０２２．

［２０］ＭＡＨＭＯＯＤ Ｎ Ｈ，ＢＥＲＡＲＤＩＮＥＬＬＩ Ｇ，ＫＨＡＴＩＢ Ｅ Ｊ，ｅｔ ａｌ．

Ａ Ｆｕｎｃｔｉｏｎａｌ Ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ ６Ｇ Ｓｐｅｃｉａｌｐｕｒｐｏｓｅ Ｉｎｄｕｓｔｒｉａｌ

ＩｏＴ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｄｕｓｔｒｉａｌ Ｉｎｆｏｒ

ｍａｔｉｃｓ，２０２２，１９（３）：２５３０－２５４０．

［２１］ＨＵ Ｈ Ｌ，ＣＨＥＮ Ｘ Ｆ，ＪＩＡＮＧ Ｔ． Ｇｕｅｓｔ Ｅｄｉｔｏｒｉａｌ：Ｂｒａｉｎ

ｃｏｍｐｕｔｅｒｉｎｔｅｒｆａｃｅ Ｉｎｓｐｉｒｅｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ［Ｊ］． Ｃｈｉｎａ

Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２２，１９（２）：３－５．

［２２］ＣＨＵＫＨＮＯ Ｏ，ＧＡＬＩＮＩＮＡ Ｏ，ＡＮＤＲＥＥＶ Ｓ，ｅｔ ａｌ． Ｉｎｔｅｒ

ｐｌａｙ ｏｆ Ｕｓｅｒ Ｂｅｈａｖｉｏｒ，Ｃｏｍｍｕｎｉｃａｔｉｏｎ，ａｎｄ Ｃｏｍｐｕｔｉｎｇ ｉｎ

Ｉｍｍｅｒｓｉｖｅ Ｒｅａｌｉｔｙ ６Ｇ Ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａ

ｔｉｏｎｓ Ｍａｇａｚｉｎｅ，２０２２，６０（１２）：２８－３４．

［２３］ＦＡＲＯＯＱ Ｍ Ｓ，ＮＡＤＩＲ Ｒ Ｍ，ＲＵＳＴＡＭ Ｆ，ｅｔ ａｌ． Ｎｅｓｔｅｄ

Ｂｅｅ Ｈｉｖｅ：Ａ Ｃｏｎｃｅｐｔｕａｌ Ｍｕｌｔｉｌａｙｅｒ Ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ ６Ｇ ｉｎ

Ｆｕｔｕｒｉｓｔｉｃ Ｓｕｓｔａｉｎａｂｌｅ Ｓｍａｒｔ Ｃｉｔｉｅｓ［Ｊ］． Ｓｅｎｓｏｒｓ，２０２２，２２

（１６）：５９５０．

［２４］ＬＥＴＡＩＥＦ Ｋ Ｂ，ＣＨＥＮ Ｗ，ＳＨＩ Ｙ Ｍ，ｅｔ ａｌ． Ｔｈｅ Ｒｏａｄｍａｐ

ｔｏ ６Ｇ：ＡＩｅｍｐｏｗｅｒｅｄ Ｗｉｒｅｌｅｓｓ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｃｏｍ

ｍｕｎｉｃａｔｉｏｎｓ Ｍａｇａｚｉｎｅ，２０１９，５７（８）：８４－９０．

［２５］ＨＯＮＧ Ｅ Ｋ，ＬＥＥ Ｉ，ＳＨＩＭ Ｂ，ｅｔ ａｌ． ６Ｇ Ｒ＆Ｄ Ｖｉｓｉｏｎ：Ｒｅ

ｑｕｉｒｅｍｅｎｔｓ ａｎｄ Ｃａｎｄｉｄａｔｅ Ｔｅｃｈｎｏｌｏｇｉｅｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ

Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒｋｓ，２０２２，２４（２）：２３２－２４５．

［２６］ＳＨＥＮＧ Ｍ，ＺＨＯＵ Ｄ，ＢＡＩ Ｗ Ｇ，ｅｔ ａｌ． Ｃｏｖｅｒａｇｅ Ｅｎｈａｎｃｅ

ｍｅｎｔ ｆｏｒ ６Ｇ ＳａｔｅｌｌｉｔｅＴｅｒｒｅｓｔｒｉａｌ Ｉｎｔｅｇｒａｔｅｄ Ｎｅｔｗｏｒｋｓ：Ｐｅｒ

ｆｏｒｍａｎｃｅ Ｍｅｔｒｉｃｓ，Ｃｏｎｓｔｅｌｌａｔｉｏｎ Ｃｏｎｆｉｇｕｒａｔｉｏｎ ａｎｄ Ｒｅｓｏｕｒｃｅ

Ａｌｌｏｃａｔｉｏｎ［Ｊ］． Ｓｃｉｅｎｃｅ Ｃｈｉｎａ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ，２０２３，

６６：１３０３０３．

［２７］ＩＴＵＲ． Ｆｒａｍｅｗｏｒｋ ａｎｄ Ｏｖｅｒａｌｌ Ｏｂｊｅｃｔｉｖｅｓ ｏｆ ｔｈｅ Ｆｕｔｕｒｅ

Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ＩＭＴ ｆｏｒ ２０３０ ａｎｄ ｂｅｙｏｎｄ［Ｓ］． Ｇｅｎｅｖａ：

ＩＴＵ，２０２３．

［２８］ＸＵ Ｗ Ｊ，ＸＵ Ｙ，ＬＥＥ Ｃ Ｈ，ｅｔ ａｌ． ＤａｔａＣｏｇｎｉｔｉｏｎＥｍｐｏｗｅｒｅｄ

Ｉｎｔｅｌｌｉｇｅｎｔ Ｗｉｒｅｌｅｓｓ Ｎｅｔｗｏｒｋｓ：Ｄａｔａ，Ｕｔｉｌｉｔｉｅｓ，Ｃｏｇｎｉｔｉｏｎ

Ｂｒａｉｎ，ａｎｄ Ａｒｃｈｉｔｅｃｔｕｒｅ［Ｊ］． ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａ

ｔｉｏｎｓ，２０１８，２５（１）：５６－６３．

［２９］黃恒琪，于娟，廖曉，等． 知識圖譜研究綜述［Ｊ］． 計算

機系統應用，２０１９，２８（６）：１－１２．

［３０］徐增林，盛泳潘，賀麗榮，等． 知識圖譜技術綜述［Ｊ］．

電子科技大學學報，２０１６，４５（４）：５８９－６０６．

［３１］ＮＯＹ Ｎ Ｆ，ＭＣＧＵＩＮＮＥＳＳ Ｄ Ｌ． Ｏｎｔｏｌｏｇｙ Ｄｅｖｅｌｏｐｍｅｎｔ

１０１：Ａ Ｇｕｉｄｅ ｔｏ Ｃｒｅａｔｉｎｇ Ｙｏｕｒ Ｆｉｒｓｔ Ｏｎｔｏｌｏｇｙ ［ＥＢ／ ＯＬ］．

（２０２１－１２－３１）［２０２４－０１－２５］． ｈｔｔｐｓ：∥ａｐｉ． ｓｅｍａｎｔｉｃ

ｓｃｈｏｌａｒ． ｏｒｇ／ ＣｏｒｐｕｓＩＤ：５００１０６．

［３２］ＹＵ Ｆ，ＸＵＡＮ Ｈ Ｗ，ＺＨＥＮＧ Ｄ Ｑ． Ｋｅｙｐｈｒａｓｅ Ｅｘｔｒａｃｔｉｏｎ

Ｂａｓｅｄ ｏｎ ａ Ｃｏｍｂｉｎａｔｉｏｎｏｆ ＣＲＦ Ｍｏｄｅｌ ｗｉｔｈ Ｄｏｃｕｍｅｎｔ

Ｓｔｒｕｃｔｕｒｅ［Ｃ］∥ ２０１２ Ｅｉｇｈｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ

Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｓｅｃｕｒｉｔｙ． Ｇｕａｎｇｚｈｏｕ：ＩＥＥＥ，

２０１８：４０６－４１０．

［３３］ＨＵＡＮＧ Ｚ Ｈ，ＸＵ Ｗ，ＹＵ Ｋ． Ｂｉｄｉｒｅｃｔｉｏｎａｌ ＬＳＴＭＣＲＦ

Ｍｏｄｅｌｓ ｆｏｒ Ｓｅｑｕｅｎｃｅ Ｔａｇｇｉｎｇ［ＥＢ／ ＯＬ］． （２０１５－０８－０９）

［２０２４－０１－２５］ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ／ ａｂｓ／１５０８． ０１９９１．

［３４］ＬＯＰＥＳ Ａ，ＲＯＤＲＩＧＵＥＳ Ｄ，ＳＡＲＡＩＶＡ Ｊ，ｅｔ ａｌ． Ｓｃａｌａｂｉｌｉｔｙ

ａｎｄ Ｐｅｒｆｏｒｍａｎｃｅ Ｅｖａｌｕａｔｉｏｎ ｏｆ Ｇｒａｐｈ Ｄａｔａｂａｓｅ Ｓｙｓｔｅｍｓ：

Ａ Ｃｏｍｐａｒａｔｉｖｅ Ｓｔｕｄｙ ｏｆ Ｎｅｏ４ｊ，ＪａｎｕｓＧｒａｐｈ，Ｍｅｍｇｒａｐｈ，

ＮｅｂｕｌａＧｒａｐｈ，ａｎｄ ＴｉｇｅｒＧｒａｐｈ［Ｃ］∥２０２３ Ｓｅｃｏｎｄ Ｉｎｔｅｒ

ｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｍａｒｔ Ｔｅｃｈｎｏｌｏｇｉｅｓ Ｆｏｒ Ｓｍａｒｔ

Ｎａｔｉｏｎ （ＳｍａｒｔＴｅｃｈＣｏｎ）． Ｓｉｎｇａｐｏｒｅ：ＩＥＥＥ，２０２３：５３７－５４２．

［３５］趙茁喬，承楠，陳稢，等． 基于知識圖譜的６Ｇ 網絡場景認

知研究［Ｊ］． 智能科學與技術學報，２０２３，５（４）：４９４－５０４．

［３６］ＹＡＮＧ Ｓ，ＬＩＵ Ｙ，ＦＥＮＧ Ｄ Ｗ，ｅｔ ａｌ． Ｔｅｘｔ Ｇｅｎｅｒａｔｉｏｎ ｆｒｏｍ

Ｄａｔａ ｗｉｔｈ Ｄｙｎａｍｉｃ Ｐｌａｎｎｉｎｇ ［Ｊ］． ＩＥＥＥ／ ＡＣＭ Ｔｒａｎｓａｃ

ｔｉｏｎｓｏｎ Ａｕｄｉｏ，Ｓｐｅｅｃｈ，ａｎｄ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２０２２，

３０：２６－３４．

［３７］ＴＲＩＳＥＤＹＡ Ｂ Ｄ，ＱＩ Ｊ Ｚ，ＷＡＮＧ Ｗ，ｅｔ ａｌ． ＧＣＰ：Ｇｒａｐｈ

Ｅｎｃｏｄｅｒ ｗｉｔｈ Ｃｏｎｔｅｎｔｐｌａｎｎｉｎｇ ｆｏｒ Ｓｅｎｔｅｎｃｅ Ｇｅｎｅｒａｔｉｏｎ

ｆｒｏｍ Ｋｎｏｗｌｅｄｇｅ Ｂａｓｅｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ

Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０２２，４４ （１１ ）：

７５２１－７５３３．

［３８］楊秀璋，彭國軍，李子川，等． 基于Ｂｅｒｔ 和ＢｉＬＳＴＭＣＲＦ

的ＡＰＴ 攻擊實體識別及對齊研究［Ｊ］． 通信學報，

２０２２，４３（６）：５８－７０．

［３９］ＴＡＮＧ Ｍ Ｙ，ＧＡＯ Ｈ Ｃ，ＺＨＡＮＧ Ｙ，ｅｔ ａｌ． Ｒｅｓｅａｒｃｈｏｎ Ｄｅｅｐ

Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ ｉｎ Ｂｒｅａｋｉｎｇ Ｔｅｘｔｂａｓｅｄ Ｃａｐｔｃｈａｓ ａｎｄ

Ｄｅｓｉｇｎｉｎｇ Ｉｍａｇｅｂａｓｅｄ Ｃａｐｔｃｈａ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ

Ｉｎｆｏｒｍａｔｉｏｎ Ｆｏｒｅｎｓｉｃｓ ａｎｄ Ｓｅｃｕｒｉｔｙ，２０１８，１３ （１０ ）：

２５２２－２５３７．

［４０］ＳＴＥＯＢＥＬＴ Ｈ，ＫＩＮＬＥＹ Ｊ，ＫＲＵＥＧＥＲ Ｒ，ｅｔ ａｌ． ＧｅｎＮＩ：

ＨｕｍａｎＡＩ Ｃｏｌｌａｂｏｒａｔｉｏｎ ｆｏｒ Ｄａｔａｂａｃｋｅｄ Ｔｅｘｔ Ｇｅｎｅｒａｔｉｏｎ

［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｉｓｕａｌｉｚａｔｉｏｎ ａｎｄ Ｃｏｍｐｕｔｅｒ

Ｇｒａｐｈｉｃｓ，２０２２，２８（１）：１１０６－１１１６．

［４１］ＩＱＢＡＬ Ｔ，ＱＵＲＥＳＨＩ Ｓ． Ｔｈｅ Ｓｕｒｖｅｙ：Ｔｅｘｔ Ｇｅｎｅｒａｔｉｏｎ

Ｍｏｄｅｌｓ ｉｎ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｋｉｎｇ Ｓａｕｄ Ｕｎｉ

ｖｅｒｓｉｔｙＣｏｍｐｕｔｅｒ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ，２０２２，３４（６）：

２５１５－２５２８．

［４２］ＨＯＣＨＲＥＩＴＥＲ Ｓ，ＳＣＨＭＩＤＨＵＢＥＲ Ｊ． Ｌｏｎｇ ＳｈｏｒｔＴｅｒｍ

Ｍｅｍｏｒｙ［Ｊ］． Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ，１９９７，９（８）：１７３５－１７８０．

［４３］ＭＥＩ Ｊ，ＷＡＮＧ Ｘ Ｂ，ＺＨＥＮＧ Ｋ． Ａｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｅｌｆｓｕｓ

ｔａｉｎｅｄ ＲＡＮ Ｓｌｉｃｉｎｇ Ｆｒａｍｅｗｏｒｋ ｆｏｒ Ｄｉｖｅｒｓｅ Ｓｅｒｖｉｃｅ Ｐｒｏｖｉ

ｓｉｏｎｉｎｇ ｉｎ ５Ｇｂｅｙｏｎｄ ａｎｄ ６Ｇ Ｎｅｔｗｏｒｋｓ ［Ｊ］． Ｉｎｔｅｌｌｉｇｅｎｔ

ａｎｄ Ｃｏｎｖｅｒｇｅｄ Ｎｅｔｗｏｒｋｓ，２０２０，１（３）：２８１－２９４．

［４４］ＮＧＵＹＥＮ Ｄ Ｃ，ＤＩＮＧ Ｍ，ＰＡＴＨＩＲＡＮＡ Ｐ Ｎ，ｅｔ ａｌ． ６Ｇ Ｉｎ

ｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ：Ａ Ｃｏｍｐｒｅｈｅｎｓｉｖｅ Ｓｕｒｖｅｙ［Ｊ］． ＩＥＥＥ Ｉｎ

ｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０２２，９（１）：３５９－３８３．

［４５］ＬＵ Ｘ Ｚ，ＸＩＡＯ Ｌ，ＬＩ Ｐ Ｍ，ｅｔ ａｌ． Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ

ｂａｓｅｄ Ｐｈｙｓｉｃａｌ Ｃｒｏｓｓｌａｙｅｒ Ｓｅｃｕｒｉｔｙ ａｎｄ Ｐｒｉｖａｃｙ ｉｎ ６Ｇ

［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆ Ｔｕｔｏｒｉａｌｓ，２０２３，２５

（１）：４２５－４６６．

［４６］ＤＡＯ Ｎ Ｎ，ＰＨＡＭ Ｑ Ｖ，ＴＵ Ｎ Ｈ，ｅｔ ａｌ． Ｓｕｒｖｅｙ ｏｎ Ａｅｒｉａｌ

Ｒａｄｉｏ Ａｃｃｅｓｓ Ｎｅｔｗｏｒｋｓ：Ｔｏｗａｒｄ ａ Ｃｏｍｐｒｅｈｅｎｓｉｖｅ ６Ｇ Ａｃ

ｃｅｓｓ Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆

Ｔｕｔｏｒｉａｌｓ，２０２１，２３（２）：１１９３－１２２５．

［４７］ＣＨＥＮ Ｒ，ＬＩＵ Ｍ Ｊ，ＨＵＩ Ｙ Ｌ，ｅｔ ａｌ． Ｒｅｃｏｎｆｉｇｕｒａｂｌｅ Ｉｎｔｅｌｌｉ

ｇｅｎｔ Ｓｕｒｆａｃｅｓ ｆｏｒ ６Ｇ ＩｏＴ Ｗｉｒｅｌｅｓｓ Ｐｏｓｉｔｉｏｎｉｎｇ：Ａ Ｃｏｎｔｅｍ

ｐｏｒａｒｙ Ｓｕｒｖｅｙ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ，２０２２，９（２３）：

２３５７０－２３５８２．

［４８］ＣＨＡＦＩＩ Ｍ，ＢＡＲＩＡＨ Ｌ，ＭＵＨＡＩＤＡＴ Ｓ． Ｔｗｅｌｖｅ Ｓｃｉｅｎｔｉｆｉｃ

Ｃｈａｌｌｅｎｇｅｓ ｆｏｒ ６Ｇ：Ｒｅｔｈｉｎｋｉｎｇ ｔｈｅ Ｆｏｕｎｄａｔｉｏｎｓ ｏｆ Ｃｏｍｍｕ

ｎｉｃａｔｉｏｎｓ Ｔｈｅｏｒｙ ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆

Ｔｕｔｏｒｉａｌｓ，２０２３，２５（２）：８６８－９０４．

［４９］楊建功． 基于深度學習的實體關系抽取方法研究［Ｄ］．

石家莊：河北科技大學，２０２３．

［５０］龍彪，張鈺瀅． ５ＧＡｄｖａｎｃｅｄ Ｒ１８ 系統架構課題進展及

標準化［Ｊ］． 廣東通信技術，２０２２，４２（４）：２－６．