應用于5G接入網的無線智能控制器架構方案

摘要：近年來，移動通信與人工智能結合成為研究熱點。二者結合面臨諸多挑戰，其中，AI與移動通信結合的基本范式還不太明確，導致基于AI的無線資源調度、智能網絡切片、智能運維、多接入系統、智能能耗管理等諸多無線網絡技術問題沒有統一的解決方案。本文提出的無線通信智能控制器架構是一個通過AI與移動通信結合來解決移動通信問題的通用裝置，該設備包含小區級節點管理單元（Cell node Management， CNM）、智能應用管理單元（Smart App Management， SAM）、用戶數據節點單元（Data Warehouse Module， DWM）、資源控制節點單元（Resource Control Management， RCM）、協議適配解析單元（Protocol Adaptation Management， PAM）等全新模塊，可以作為一個通用裝置，基于AI技術來解決各類移動通信問題。本文設計了智能控制器的通用解決方案架構，介紹了該通信智能控制器的應用實例，論證了其在無線通信接入領域的應用前景。

關鍵詞：5G/B5G；人工智能；無線智能控制器；智能切片

一 、引言

人工智能（Artificial Intelligence， AI）技術在計算機領域已經得到廣泛而深入的應用，主要包括深度學習（Deep Learning， DL）、深度強化學習（Deep Reinforcement Learning， DRL）以及聯邦學習（Federated Learning， FL）三類機器學習方法。在涉及數據的統計、推斷、擬合、優化、聚類的計算應用場景中，均能找到AI的典型應用[1]。

5G新無線（New Radio， NR）系統在向多頻段、高帶寬、高頻率的方向發展，系統所處的無線環境變得越發復雜，難以再依賴專家知識建立廣泛適用的信道模型[2]。同時，NR網絡被要求滿足業務多樣化、體驗個性化的多元應用場景，使得傳統通信優化算法的求解復雜度呈指數級上升[3]。移動通信迫切需要引入新方法。目前，AI技術正逐步應用于無線通信領域，以解決傳統無線通信技術面對萬物智聯的新發展趨勢時所遇到的瓶頸問題。智能通信被認為是無線通信發展的主流方向之一[4-6]。但目前，人工智能與無線通信的融合研究仍處于初步探索階段，5G網絡在被設計時并未考慮AI技術，二者的結合缺乏有效的通用解決方案、場景和設備，AI技術在無線智能控制領域的應用還具有很大潛力[7]。

為了最小化調整5G接入網節點，高效便捷地使用AI技術解決移動通信領域服務質量、用戶體驗等多維復雜問題，可以在無線側擴展加入無線智能控制器（RAN Intelligent Controller， RIC）。利用RIC的接入網信息增強和智能控制的特點[8]，連通網絡接入節點和AI算法進程，達到智能算法自動加工接入網數據并下發智能控制信息，從而提升接入網絡服務質量的效果。本文詳細闡述一種適用于NR系統的RIC架構方案，并部署了具體的應用實例，描述了這種RIC方案在利用人工智能算法求解切片業務資源分配策略時的工作機理。

二、 5G與AI結合的發展現狀

（一）無線網絡智能化趨勢和現狀

AI已被廣泛應用于無線通信領域，以解決空時頻多維資源管理[9-11]、網絡節能[12-14]、信道接入[15-16]等問題。3GPP組織對5G NR協議增添了AI相關標準[17]。國內中國移動、中國電信，國外思科、VIAVI等企業把AI應用作為6G的主攻方向之一。

5G與AI結合面臨諸多挑戰。AI與移動通信結合的基本范式還不太明確[18]，大量可能的結合點，其結合價值與結合方式沒有產業共識。同時，運營商、設備商、終端服務商、芯片制造商、高校、研究機構等的分工及產業合力的形成路徑不明確[19]。

為了有效利用人工智能技術，合理使用5G大數據和算力資源，使5G更加智能、高效，本文提出一種通用RIC方案。該方案適應4G、5G，以及未來的6G系統。

（二）無線智能控制器研究現狀

雖然AI已被廣泛應用于無線通信領域，但如何應用部署以將智能技術嵌入無線網是個問題。一種學術界和業界的共識是在RAN側部署RIC。受限于5G無線網絡架構和各網元的基本功能及邏輯關系已經設計完成，AI在5G NR網絡的引入是外掛式的[20]?，F有的RIC方案中，面向無線資源管理分配問題的裝置，其通用性較弱[21]；還有的RIC裝置不具備自主學習、不斷進化和自主判斷的能力[22]。

本文提出的RIC方案，可以充分利用人工智能算法和大數據，取代部分傳統經典算法，解決無線通信領域傳統算法很難解決或無法解決的多維無線通信問題。該方案的RIC可以自主學習進化，針對特定問題不斷更新逼近最優解；裝置引入小區級節點管理單元（Cell node Management，CNM）、智能應用管理單元（Smart app Management，SAM）、用戶數據節點單元（Data Warehouse Module，DWM）、資源控制節點單元（Resource Control Management，RCM）、協議適配解析單元（Protocol Adaptation Management，PAM）、建模決策單元等新模塊，業務模塊組件分工合作，具備通用性[23]；本文最后列舉了這種RIC解決切片實時調度資源分配的實例，驗證了該系統具備從數據按需采集到AI算法的近實時驗證的閉環能力。

三、 無線智能控制器架構設計

RIC從接入節點采集空口的狀態和業務數據，并發送到人工智能和大數據組件。同時，RIC接收目標AI算法進程基于狀態和業務數據加工計算得到的配置信息，并轉發配置控制信息，修改接入節點設備的行為屬性。RIC發揮信息通路和判決作用，可實現人工智能技術解決多種無線接入側問題的基本框架，提供借助AI能力有效提升移動接入側服務質量和用戶體驗的模型，具備一定的通用性。

（一）無線智能控制器結構

RIC連通管控軟件（OAM）、智能算法應用（Smart App）、開放基站節點（Open Node）三個外部實體。其中，OAM提供實時信息顯示和人工操控管理界面；Smart App可以針對性地解決或優化空口傳輸時延、小區間干擾、智能切片、基站能耗管理等接入網無線傳輸問題；Open Node提供基站數據源和控制載體。RIC內部功能模塊包括小區節點管理（CNM）、智能算法應用管理（SAM）、用戶級數據節點（DWM）、資源控制節點（RCM）、協議適配解析模塊（PAM）；接口模塊包含管理控制接口（OAM AP）、智能算法應用接口（SMART AP）、基站通信節點接口（Node AP）。RIC向智能算法應用提供實時基站數據，使用數據庫存儲基站數據，同時對基站數據進行仿真建模和策略協同優化，實現智能算法應用程序對基站的智能控制?？刂破鞯募軜嬋鐖D1所示。

（二）無線智能控制器各模塊功能

OAM AP的主要功能是RIC的可視化呈現，并提供人工管控通道。SMART AP與外部智能算法模型交互，接收AI配置建議，指導基站系統。Node AP是RIC與基站開放節點的接口，可以同時連接多個基站節點。PAM模塊負責協議適配管理，包括層1、層2之間的信令消息，以及自定義數據對象TLV（Tag-Length-Value）格式消息的解析和轉換。DWM模塊進行數據的提取、管理、存儲。RCM模塊負責控制指令管理。建模模塊和協同決策模塊，用來對基站數據進行仿真建模和策略協同優化。 協同決策模塊通過簡單模擬基站的行為，進行控制指令的判決，實現Smart App配置建議的優先級排序和有效性判決。無線網絡信息數據庫存儲DWM模塊傳來的基站數據，通過SMART AP接口提供給智能算法應用程序使用。無線網絡信息數據庫同時供基站數據仿真模塊進行基站建模，最終協助RCM模塊進行控制協同。CNM模塊負責基站小區節點信息顯示控制。SAM模塊負責智能算法應用的信息顯示和控制下發。CNM和SAM模塊共同為OAM界面做支撐。

（三）無線智能控制器模塊信息交互流程

1.Open Node和Smart App通信

上行方向：通過UDP協議傳輸開放基站節點上報的基站信息，由基站FAPI（PHY API，物理層應用程序接口）數據和算法定制數據兩部分組成?；拘畔⑼ㄟ^Node AP，傳送到PAM進行數據解析，轉換成RIC內部傳輸數據格式（TLV格式）。PAM模塊把數據發送到DWM，DWM模塊進行數據分類、時間對齊后，按邏輯信道種類存儲到不同的數據庫表。SMART AP通過數據庫API接口獲取需要的基站數據，供Smart App使用。

下行方向：Smart App集成AI模型，自主讀取數據庫信息，完成模型訓練，并獲取基站實時數據以輸出配置。SMART AP收取Smart App反饋下發基站的配置控制數據，發送給RIC的RCM模塊。RCM通過決策模塊的協同優化策略，處理配置信息，再經由PAM、Node AP，下發給相應基站，RCM模塊同時將協同優化結果告知Smart App。決策模塊的策略由建模模塊根據無線網絡信息數據庫信息進行實時更新，自主保障策略模塊策略的及時和有效更新。

2.Open Node和OAM軟件通信

上行方向：基站數據上傳到OAM軟件界面顯示。Open Node通過Node AP周期性上報顯示數據，數據通過UDP協議發送到Node AP，經由Node AP轉發到CNM模塊，數據再通過OAM AP發送給顯示軟件OAM。智能控制器內部各模塊間的通信皆是TLV傳輸協議格式。

下行方向：OAM軟件下發控制信息的流程，基站行為控制信息指令首先從OAM發送到OAM AP模塊。OAM AP模塊把UDP接收到的外部數據格式轉為內部的TLV傳輸格式協議，隨后轉發數據經由CNM模塊轉發到Node AP模塊，再由Node AP發送控制指令到Open Node基站。

OAM軟件除了可以顯示與管控基站數據信息，還可以顯示Smart App的數據信息，并進行控制信息的發送。此過程中的關鍵模塊是SAM。Smart App的顯示信息經由SMART AP和RCM傳遞到SAM，繼續經由OAM AP上傳到OAM軟件并予以顯示。OAM軟件控制信息的下發流程，經由OAM AP-gt;SAM-gt;RCM，再通過SMART AP模塊把內部TLV格式信息轉換成外部數據格式，并發送控制指令到指定的控制Smart App。

智能控制器可以和若干個算法Smart App進行協同通信。各Smart App可通過不同的編程語言，實現不同的智能算法。作為獨立的進程，Smart App通過與RIC交互無線信息和配置作用于基站節點。這里不同的Smart App輸出的參數很可能相互影響，需要借助基站建模和決策模塊來進行判決。通過對不同的Smart App定義優先級來實現基本配置順序。

四、智能切片應用實例

無線智能控制器具有無線數據增強和控制下發兩重功能，通過連通基站、數據庫和人工智能算法軟件，完成智能切片算法數據的支持和控制下發。智能切片應用系統連接圖如圖2所示。測試環境中3臺終端設備通過CPE、AAU接入5G基站，之后在與核心網連接的服務器上顯示3類業務傳輸的直觀效果。3臺終端分別為工業相機、4K監控器和高清監控器，3個終端分別接入3個切片，占用基站的RB資源進行數據包傳輸。

環境中5G基站和3個終端的基礎參數如表1所示。

按接口約定，上行方向傳輸基站FAPI消息和智能切片算法定制信息（包括切片個數、各切片ID號、上行SINA、上行速率、上行時延、切片滿足率、上行RB配置信息），下行方向傳輸控制信息（包括各切片ID號、RB配置數量）。

（一） 網絡切片5G基站內部信令流程

5G基站切片信息傳遞的信令流程如下：

1.核心網發送NGAP_PDU_SESSION_RESOURCE_SETUP_REQUEST請求給基站的UECC模塊，請求攜帶了配置給UE的SST/SD信息。UECC將SST/SD信息存儲在UE實體UECC Context中。

2.UECC發送UECC_LLIM_RECONFIG_UE_ENTITY_REQ給LLIM模塊，LLIM接收UECC_LLIM_RECONFIG_UE_ENTITY_REQ消息，將SST/SD信息存入LLIM UE實體中。

3.LLIM發送F1AP_LLIM_UE_CONTEXT_SETUP_REQ消息到DUMGR模塊。

4.DUMGR發送DUMGER_MAC_RECONFIG_UE_ENTITY_REQ給MAC，MAC收到DUMGR_MAC_RECONFIG_UE_ENTITY_REQ后，將SST/SD存入UE實體。

至此，切片信息信令傳遞流程結束，如圖3所示。

（二）智能切片信息流程

智能切片流程涉及網管OAM、智能切片算法Smart App、RIC、5G基站和用戶終端。流程描述如下：

1.智能切片功能開啟

網絡工程師可通過OAM管理界面，開啟智能切片功能。OAM通過OAM AP通知RIC，RIC分別通過Node AP和Smart AP通知5G基站Open Node和智能切片算法軟件Smart App。RIC下發Open Node的消息中包含智能切片功能的小區列表，向基站進行服務訂閱，基站傳回回執。

2.智能切片模型更新

基站向智能控制器上報基站數據和切片信息。消息中包含FAPI數據和切片信息，其中，切片信息中含有切片流量、時延、滿足率等SLA（Service Level Agreement，服務等級協議）數據，OAM軟件實時顯示的切片信噪比如圖4所示，資源調度塊大小如圖5所示，其中slice01是圖2中的4K監控器，slice02是工業相機，slice03是高清監控器。RIC將數據存入數據庫，算法軟件根據特征數據更新智能算法策略模型。在基站上報切片信息時，實時更新策略并通過Smart AP下發給RIC。

3.智能切片應用執行

UE向基站發起切片調度請求時，基站上報切片相關信息。智能控制器向基站下發測量配置，該測量配置為事件觸發方式，觸發條件為基站上報測量數據。根據智能切片配置信息，基站調度各個切片響應大小的資源。

（三）智能切片對上行空口時延的優化效果

接下來，開始驗證智能切片配置方案對4K視頻上行傳輸業務的上行空口時延優化效果?？湛跁r延具體包含終端產生數據、數據通過空口傳輸至AAU（Active Antenna Unit，有源天線單元），最后到基站BBU（Baseband Unit，基帶處理單元）進行數據解析的時延。智能切片時延優化系統數據流如圖6所示。

1.大數據平臺從5G基站（BBU）獲取上行信道SINA、RB資源的使用情況、網絡切片KPI等數據，經過時間同步等處理得到智能RAN切片配置數據集。

2.智能計算平臺中的智能切片算法從大數據平臺獲得數據集，訓練智能切片配置算法，輸出RB配置組合，完成智能算法的離線訓練。

3.在線推測與在線模型更新。基站將上行信道SINR、RB資源使用情況傳輸至RIC平臺，根據離線學習的算法模型輸出切片RB配置組合，并通過RIC的決策模塊，下發相應的指令并配置到BBU中。

4.BBU執行RB配置命令，同時收集一個切片窗口時間內的切片KPI反饋信息，包括切片的流量、用戶速率、誤碼率、時延、滿足率等，將其反饋至RIC平臺中部署的智能RAN切片配置算法，并在線更新算法模型參數。

5.同時將反饋的切片KPI數據、信道SINR等最新數據，存儲于數據庫中，以供后續完善大數據平臺的智能切片數據集，更新訓練智能切片模型參數。

針對4K視頻（分辨率3840*2160，幀率25fps）上傳業務，分別測試智能切片配置與輪詢算法的平均上行空口時延，測試結果如表2所示。

統計結果顯示：輪詢算法平均上行空口時延為27662us，基于智能切片算法配置的平均上行空口時延為22059us。

由此得到結論：智能切片配置的平均空口時延降低了20.26%。系統同時驗證了智能控制器利用AI算法的可行性和先進性。

五、 結束語

無線智能控制器架構方案體現了開放和智能的特性[24]，可以有效地將機器學習和人工智能技術應用到無線通信接入領域，從而實現自動化的網絡優化調整并降低網絡運營維護成本。這種無線智能控制器不僅適用于5G NR系統，用以解決各類需要AI參與的優化問題，還可契合6G無線系統“全頻段、全覆蓋、全應用、強安全”的發展新范式[25]，是一種面向6G的移動網絡架構組件和技術。本文提出的無線智能控制器架構方案連通智能算法、5G接入網、大數據平臺等，可以提供真實有效的接入網空口數據。控制器算法軟件使用人工智能算法模型，基于無線控制器和接入網絡平臺，構成了智能切片的算法解決方案，經應用實例驗證，其性能穩定，且隨著人工智能的技術和網絡通信技術的發展，其可繼續演進。

作者單位：陸淼 楊治宇 劉澤寧 紫金山實驗室

參考文獻

[1]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

[2]X.YOU，C.WANG，J.HUANG，et al.Towards 6G wireless communication networks：vision，enabling technologies，and new paradigm shifts[J].Science China，2021，64（01）：1-74.

[3]伏玉筍，楊根科.人工智能在移動通信中的應用：挑戰與實踐[J].通信學報，2020，41（09）：190-201.

[4]梁應敞，譚俊杰，Dusit Niyato.智能無線通信技術研究概況[J].通信學報，2020，41（07）：1-17.

[5]李建東，張琰，盛敏，等.信息通信網絡的內涵及發展趨勢[J].中國科學：信息科學，2019，49（08）：949-962.

[6]趙亞軍，郁光輝，徐漢青.6G移動通信網絡：遠景、挑戰與關鍵技術[J].中國科學：信息科學，2019，49（08）：963-987.

[7]李文璟，喻鵬，張平.6G智能內生網絡架構及關鍵技術分析[J].中興通訊技術，2023，29（05）：2-8.

[8]ZHAO Y J， YU G H， XU H Q. 6G mobile communication networks： vision， challenges， and key technologies[J]. SCIENTIA SINICA Informationis， 2019， 49（08）：963-987.

[9]Zening Liu，Jie Wu，Wanli Lu，et al.A General Downlink Frequency-domain ICIC Framework for Next-generation RAN[C].IEEE Global Communications Conference，2022，978-1.

[10]YANG Y，GAO F，LI G Y，et al.Deep learning-based downlink channel prediction for FDD massive MIMO system[J].IEEE Communications Letters， 2019，23（11）：1994-1998.

[11]BALEVI E， DOSHI A， ANDREWS J G. Massive MIMO channel estimation with an untrained deep neural network[J].IEEE Transactions on Wireless Communications， 2020， 19（03）： 2079-2090.

[12]張鵬，田輝，趙鵬濤，等.多智能體協作場景下基于強化學習值分解的計算卸載策略[J].通信學報，2021，42（06）：1-15.

[13]JUNHONG Y E，ZHANG Y J.DRAG：deep reinforcement learning based base station activation in heterogeneous networks[J].IEEE Transactions on Mobile Computing，2019.

[14]王哲，李陶深，葛麗娜，等.基于深度學習的傳感云 sink 節點最優能效 SWIPT 波束成形設計[J].通信學報，2021，42（7）：176-188.

[15]TAN J，ZHANG L，LIANG Y C，et al.Intelligent sharing for LTE and Wi-Fi systems in unlicensed bands：a deep reinforcement learning approach[J].IEEE Transactions on Communications，2020，68（5）：2793-2808.

[16]NAPARSTEK O，COHEN K.Deep multi-user reinforcement learning for distributed dynamic spectrum access[J].IEEE Transactions on Wireless Communications，2018，18（1）：310-323.

[17]3GPP.Study on Enhancement for Data Collection for NR and ENDC： TR37.817（v17.0.0）[R].Valbonne：3GPP，2022.

[18]時曄.人工智能在5G通信領域上的發展探究[J].電子測試，2021（08）：131-132.

[19]AcousticZLY.基于AI的5G技術[OL].https：//blog.csdn.net/qq_32778575/article/details/81841305，2018-12.

[20]CHEN Li，AI Ming，SUN Shaohui.AI Based Radio Access Network Architecture[J].Radio Communications Technology，2022，48（4）：574-582.

[21]孫軍帥，韓星宇，段然.一種進行無線資源管理的方法和nRT RIC[P].中國：CN201910156342.5，2019-03.

[22]羅張宇.一種信息處理方法和近實時無線接入網控制器[P].中國：CN202010074902.5，2020-01.

[23]黃永明，陸淼，劉東杰，等.應用于接入網的信息處理方法、系統、裝置及存儲介質[P].中國：CN202111544681.4， 2021-12.

[24]崔春風，段然，王桂珍.O-RAN：致力于ICDT融合 打造開放與智能的無線接入網[J].通信世界，2019（07）：32-35.

[25]朱敏，張教，華炳昌，等.面向6G的太赫茲光纖一體融合通信系統：架構、關鍵技術與驗證[J].中國科學：信息科學， 2023，53（01）：191-210.