大數據驅動的“人工智能”無線網絡

張琰 盛敏 李建東

摘要：提出了以用戶特征獲取與分析、工作參數配置與調整、智慧資源管控與優化、承載能力提升與進化為支撐的智能無線網絡功能架構。以網絡資源與用戶需求的精準匹配為目標，研究了大數據分析與無線網絡人工智能特性間的耦合關系。給出了大數據分析以及人工智能在無線網絡中的典型用例，并初步驗證了其有效性，同時展望了智能無線網絡的發展前景和方向。

關鍵詞： 大數據分析；人工智能；無線資源管理；服務質量（QoS）

Abstract： In this paper， a smart wireless network architecture based on acquisition and analysis of user characteristics， configuration and adjustment of work parameters， intelligent resource management and optimization， and capacity improvement and evolution is proposed. With the accurate matching of network resources and user requirements， the coupling between big data analysis and artificial intelligence of wireless network is studied. The typical use cases of big data analysis and artificial intelligence in wireless networks are given. The validity of this model is verified， and the development prospect and direction of smart wireless networks are also forecasted.

Key words： big data analysis； artificial intelligence； wireless resource management； quality of service （QoS）

無線網絡是大數據應用的重要載體之一；另一方面，無線網絡的規模化、密集化發展也將產生海量的運維數據。以某區域運營商現網情況為例，無線基站每日操作維護中心（OMC）產生的各類數據將近數百吉比特，但目前運營商對于該類數據的應用率僅約30%左右。因此，如何充分挖掘和利用網絡運維大數據來支撐無線網絡的智能化已經成為未來無線網絡發展的關鍵技術問題。

本文從“人”（用戶特征獲取與分析）、“工”（工作參數配置與調整）、“智”（智慧資源管控與優化）、“能”（承載能力提升與進化）4個方面闡述了支撐無線網絡智能化發展的功能架構，如圖1所示。同時，結合不同功能和應用場景的特點，提出了大數據分析以及人工智能在無線網絡中的典型用例，從而實現網絡資源與用戶需求的精準匹配。本文旨在給大家提供一種啟示性研究思路，使得大數據分析以及人工智能在未來無線通信網絡中得到廣泛關注，支撐未來人與人、人與物、物與物的全面互聯需求。

1 “人”：用戶特征獲取 與分析

用戶是無線網絡服務的核心對象，實時、準確地獲取用戶的業務信息同時對用戶的體驗信息進行有效建模、評估是保證無線網絡智能運行的基礎，與此同時掌握用戶的行為特征、業務特征也有助于網絡的資源分配與管理。

1.1 業務特征分析

無線網絡的性能與業務模型緊密相關，而移動互聯網新興業務的不斷涌現給無線網絡的運維提出了挑戰，傳統無線網絡是通過采集核心網信令進行業務深度解析并檢測出業務類別。然而其業務識別種類及實時感知控制能力尚不能滿足未來智能化無線網絡的應用需求。通過大數據分析手段建立終端、接入網、核心網、業務提供商的全鏈條業務識別與分析體系，可有效改善整網的業務保障能力，例如：可改善時延敏感類業務的用戶體驗，提升高價值業務感知，限制低價值業務的資源占用等。

另一方面，隨著數據分析手段和計算能力的提升，使得利用業務特征數據建立大量用戶及業務的時空關聯特征成為可能。例如：在文獻[1]中作者建立了貝耶斯網絡結構學習框架，利用觀測樣本數據來確定業務的空間統計分布及依賴關系，進而可以進行小區間業務的合理推理與趨勢預測。基于業務數據的時空關聯關系可為網絡資源分配與預留提供重要依據。

1.2 用戶體驗分析

用戶體驗是判斷智能無線網絡優劣的基本準則。現如今，各類移動數字設備層出不窮，社會各個領域的信息化不斷加深，因此，存在大量與人類領域、技術領域、經濟領域、環境領域相關的復雜因素影響著移動用戶的業務體驗，分析的維度以及關聯關系復雜度不斷提升。此外，研究表明：85%以上的用戶并不愿意反饋自己的業務體驗，導致用戶的實時準確信息難以獲取，使得用戶體驗的分析變得更加困難。因此，通過用戶的客觀行為建立用戶的真實體驗模型成為了極具吸引力的新方向。

以移動視頻業務為例，用戶的客觀行為表征參數，如放棄率、觀看時長、快進頻率等具有較好的可測性，可在用戶無感知的條件下為用戶體驗的建模提供基礎行為數據。在此基礎上，可以結合移動視頻應用環境來進一步優化用戶體驗建模的準確性。例如：根據全球定位系統（GPS）信息和基站信息確定用戶所處位置；利用終端的麥克采集環境噪音強度；利用終端感光器采集環境的光強；根據時鐘信息確定時間等來判斷用戶體驗業務時的周邊環境，將此類數據與用戶客觀行為數據進行聯合處理可以有效地獲得用戶的一些真實業務體驗。

傳統的無線網絡中的數據報表往往是單維的、無關聯的，無法描述網絡的運行細節，更無法體現用戶的真實感知，因此通過用戶體驗與業務特征的智能分析為網絡的智慧運營打下了良好的基礎。

2 “工”：工作參數配置 與調整

為了應對數千倍容量需求，無線網絡的基本形態將是超高密度布設的小基站（熱點/家庭基站/微微小區）+微小區+宏小區，并與無線局域網絡互補共贏、異構融合。因此，站址位置的選取以及基站工作參數的配置復雜度將成指數增長，通過引入大數據與人工智能的處理手段，可有效減輕網規網優人員的負擔。

2.1 站址位置優化

傳統無線網絡規劃通常需要考慮網絡結構、業務分布、網絡覆蓋、無線傳播環境、干擾規避、邊界協調等方面的要求，目前已有針對2G、3G和長期演進（LTE）系統所量身打造的網規網優系統，比如中興通訊的ZTE UniPOS無線網絡規劃系統和ZTE UniPOS無線網絡優化系統，但傳統網絡規劃問題站址個數和備選位置往往相對較少，隨著微站和微微站的大規模商用使得網絡站址選取與優化復雜度不斷提升，與此同時家庭基站的引入使得蜂窩基站的布設位置不再受運營商精準控制，這也無形中增加了無線網絡規劃的難度。因此，面向5G超密集基站部署問題傳統的測量與優化方法將不能很好地滿足應用需求。通過粒子群優化、量子粒子群優化等智能算法的引入，可有效解決站址個數、站址位置的雙重優化問題，同時提升網絡規劃的自主性、最優性以及魯棒性。

2.2 設備工參配置

網絡的密集布設使網絡需管理和配置的參數大幅增長，例如：在2G網絡中，單節點需要配置和優化的參數大約為500個；3G網絡需要配置和優化的參數達1 000個；4G則有1 500個參數，而在下一代網絡中，單節點[2]可能需要配置和優化達2 000個參數，與此同時，各個工作參數間的關聯關系更為復雜。

針對無線網絡巨量工作參數配置復雜度指數增長的挑戰，我們需要構建多維工作參數的網絡化自配置架構，設計分層分區的低開銷分配與配置方案。例如：可根據網絡規模與密度，將覆蓋區域劃分為緊密相接的彈性虛擬小區，根據最大化空間復用原則為每個彈性虛擬小區分配局部最優的工參配置表。基站可根據自身地理位置與密集小區工參配置表進行映射，快速配置多維工作參數，從而減少多個密集區域配置參數及配置開銷，且僅需低頻次網絡化的聯動交互，就可實現網絡工作參數的無沖突分配和配置，使得網絡資源分配和配置開銷不隨網絡規模和密度增大而顯著增長。此外，網絡化的自配置架構同時可以支撐網絡參數的在線調整，為網絡資源的按需流動提供了基礎。

3 “智”：智慧資源管控 與優化

智慧的資源管控是智能化無線網絡的核心，其目標是通過無線資源的優化分配與動態流轉來匹配用戶的需求。

3.1 資源結構優化

網絡資源結構的優化是在相對較大的時間尺度上為網絡提供優化的資源結構，主要包含小區結構優化、頻率結構優化、時間結構優化。

（1）小區結構優化

由于基站布設密度、用戶密度以及業務密度的不斷提升，網絡干擾成為了制約網絡服務質量提升的關鍵因素，尤其是小區邊緣用戶服務質量更是無法很好地得到滿足，通過統一網絡化資源管控架構可以實現物理小區的合并與拆分，也就是在網絡部署后可以實現網絡結構的動態調整來適應不同的業務分布。因此，可以通過將小區結構優化與業務特征分析相結合，構建最佳的小區結構。

（2）頻率結構優化

當前的無線網絡有D、E、F等多個頻段可以使用，未來5G在3.5 GHz以及更高頻率將會有更多可供使用的頻段，大量接入點的頻點配置及其形成的網絡頻率結構自優化將成為關鍵。文獻[3]中將該問題建模為一個非合作速率最大化博弈模型，并設計了一種完全分布式的頻點分配算法，在不需要大量信息交互的條件下實現了即插即用的自主頻率優化。

（3）時間結構優化

由于業務的多樣性和時變性導致上下行業務存在不均衡的現象，而在時分雙工（TDD）系統中可通過動態調整上下行子幀的配比來動態適應網絡中業務的變化。然而，不同接入點使用不同的子幀配比也將引入交叉子幀干擾，從而降低了網絡的整體性能，因此需要整網的數據統計和分析來實現最優的子幀配比。文獻[4]、[5]中作者提出了一種基于動態TDD的匹配網絡業務分布的最優資源分配方法，該方法首先根據網絡中小區的業務需求將小區進行聚類，推導了不同業務負載對蜂窩鏈路成功傳輸概率的影響。以最小化每類小區的服務時間為目標，求解出了與每類小區上下行業務需求最優匹配的上下行子幀配置因子，實現了網絡業務與資源的最優匹配。

3.2 資源動態流動

資源動態流動是在小時間尺度上智能地為用戶提供最佳資源，主要包含動態資源轉移、動態資源關斷、異質資源轉化。

（1）動態資源轉移

根據無線資源細粒度調度和自適應調整的需求，可在優化的資源結構基礎上，通過資源狀態交互，發現并利用空間隔離區域小區間的隱藏關聯關系，將多個相互獨立小區的接入資源進行聚合，形成網絡化的群聚資源。根據用戶業務時空變化特性，綜合考慮密集區域內站址的空間分布與頻率資源的耦合度，以密集區域內接入用戶數最大化為目標，動態構建最佳小區形狀及動態區域結構，進行資源的分配和網絡化加載，使用戶在新構建的區域小區間平滑流轉，實現了資源加載過程的快速收斂和區域間的負載均衡，有效地降低系統的阻塞率，提升了系統容量。

（2）動態資源關斷

在優化網絡運行狀態的過程中，除了系統吞吐量，網絡傳輸過程中的能量效率同樣是一個值得關注的問題。在5G密集組網場景中除了較大時間尺度上對密集接入點進行關斷/開啟外，載波關斷技術也作為一個節能策略被廣泛研究，例如：在分時長期演進（TD-LTE）網絡中，當業務負載較輕時，將一幀中的下行子幀配置成一個或多個多播/組播單頻網絡（MBSFN）子幀，可以實現更多的符號關斷。通過動態配置MBSFN區域內的小區，并分配MBSFN區域間的多播幀配置，可以實現多小區資源的聯動和干擾的有機規避，從而在節省基站功率消耗的同時提升了網絡吞吐量，進而可以支持更多用戶。

（3）異質資源轉化

在密集接入場景下無線局域網與蜂窩網絡的深度融合已成為必然趨勢。兩種網絡資源在時、空、頻多個維度均存在差異。因此需要對異質資源配置進行實時優化，以適應無線信道狀態的隨機變化，匹配不同類型用戶的業務特征，文獻[6]中作者提出了一種兩種異質網絡的聯合資源轉化方法，充分利用不同網絡的業務負載與傳輸能力的異質化特性，細粒度地緩解網絡間干擾，保障用戶服務需求。此外，計算資源與存儲資源的優化分配及其與通信資源間的有機轉化也是目前研究的熱點。

4 “能”：承載能力提升 與進化

支持增強移動寬帶業務，如無線虛擬現實/增強現實（VR/AR）；超高可靠低時延業務，如車聯網控制信息；海量機器類通信（mMTC），如物聯網業務，是5G無線網絡承載能力提升的重要目標。以數據為驅動力，我們突破了網絡化智能資源管控技術，并在第3屆全國互聯網+大賽主會場——西電遠望谷體育館構建了“繁星”密集無線通信試驗系統，系統通過認知資源彈性配置、區域資源鏈式聯動、跨域資源聚合協同，實現網絡連接密度提升與無線全息業務承載的新突破，保障了互聯網+大賽的順利圓滿進行，為用戶提供了“身臨其境”的極速無線業務體驗，如圖2所示。

無線網絡是數據傳輸的載體，同時數據的不斷積累也成為無線網絡智能化水平不斷的先決條件，未來無線網絡將成為不斷具備自配置、自優化、自愈合的智能化系統[7-9]，甚至將具備自進化的能力，如圖3所示。

5 結束語

大數據與人工智能已經在一些規則的、有邊界的問題處理中取得了比較好的應用效果，如圍棋、醫療等領域，然而針對支持萬物互聯的無線網絡是否有驚人的優勢還在不斷探索中；但海量數據與智能算法一定會成為無線網絡進一步發展的重要基礎。通過在用戶特征分析、工參優化配置、智能資源管控、承載能力提升等方面引入人工智能可以幫助人們在系統布設、自動化運營和優化等各個核心環節做出更明智的決策，能進一步滿足并催生新興業務。

參考文獻

[1] HAN W J， SANG H Y， SHENG M， LI J D. Efficient Learning of Statistical Primary Patterns via Bayesian Network[C]// IEEE International Conference on Communications.USA：IEEE， 2015 ：4871-4876. DOI： 10.1109/ICC.2015.7249094

[2] IMRAN A， ZOHA A， A ABU-DAYYA A. Challenges in 5G： How to Empower SON with Big Data for Enabling 5G [J]. IEEE Network， 2014， 28（6）： 27-33. DOI： 10.1109/MNET.2014.6963801

[3] XU C， SHENG M， WANG X J. Distributed Subchannel Allocation for Interference Mitigation in OFDMA Femtocells： A Utility-based Learning Approach[J]. IEEE Transactions on Vehicular Technology， 2015， 64（6）： 2463-2475.DOI： 10.1109/TVT.2014.2344434

[4] SUN H G，SHENG M， MATTHIAS W， et al. Traffic Adaptation for Small Cell Networks with Dynamic TDD[C]//Proceedings of 2016 IEEE Global Communications Conference. USA：IEEE，2016

[5] SUN H G，SHENG M， MATTHIAS W， et al. Traffic Adaptation and Energy Efficiency for Small Cell Networks With Dynamic TDD[J].IEEE Journal on Selected Areas in Communications， 2016， 34： 3234-3251. DOI： 10.1109/JSAC.2016.2600442

[6] WANG L， SHENG M， ZHANG Y， et al.IM-Torch： Interference Mitigation via Traffic Offloading in Macro/Femtocell+WiFi HetNets[C]//2013 IEEE 24th Annual International Symposium on Personal， Indoor， and Mobile Radio Communications. USA：IEEE， 2013：1705-1709. DOI： 10.1109/PIMRC.2013.6666417

[7] KHATIB E J， BARCO R， MUNOZ P， et al. Self-Healing in Mobile Networks with Big Data [J]. IEEE Communications Magazine， 2016， 54（1）： 114-120.DOI： 10.1109/MCOM.2016.7378435

[8] GOMEZ-ANDRADES A， MUNOZ P， SERRANO I. Automatic Root Cause Analysis for LTE Networks Based on Unsupervised Techniques[J].IEEE Transactions on Vehicular Technology， 2016， 65（4）： 2369-2386

[9] BARCO R， LAZARO P， MUNOZ P. A Unified Framework for Self-Healing in Wireless Networks[J]. IEEE Communications Magazine， 2012， 50（12）： 134-142. DOI： 10.1109/MCOM.2012.6384463