5G網絡人工智能化的基本框架和關鍵技術

王威麗 何小強 唐倫

摘要：認為未來的5G蜂窩網絡需要滿足大量服務和應用的不同需求。隨著網絡配置復雜性的提高及新型業務的不斷涌現，5G網絡的標準化進程亟需新的技術支撐。通過對5G網絡新特征的分析，將人工智能與5G網絡相結合，設計了一種智能化5G網絡框架，該框架由環境艙、智能中心及網絡策略3部分組成。同時，歸納了當前人工智能技術在業務預測、網絡切片、無線資源分配以及資源共享領域的應用，并總結了實現智能化5G網絡的機遇和挑戰。

關鍵詞： 5G蜂窩網絡；人工智能；新特征；智能化框架

Abstract： The future 5G cellular network is required to support a large number of services and applications. With the increasing complexity of network configuration and the continuous emergence of new-type services， the standardization process of 5G networks urgently calls for new technical support. Based on the new features of 5G network， an intelligent 5G framework is designed by combining artificial intelligence with 5G network. This framework is composed of three parts： environment capsule， intelligent center and network strategy. Then， the current applications of artificial intelligence technology in traffic forecasting， network slicing， wireless resource allocation and resource sharing are summarizes. Finally， the opportunities and challenges of realizing intelligent 5G networks are summarized.

Key words： 5G cellular networks； artificial intelligence； fresh features； intelligent framework

1 智能化5G蜂窩網絡

第5代移動通信（5G）網絡采用了復雜的無線傳輸技術和無線網絡架構，5G將是融合、協同的多制式共存的異構網絡。從技術上看，將存在多層、多無線接入技術的共存，導致網絡結構非常復雜，各種無線接入技術內部和各種覆蓋能力的網絡節點之間的關系錯綜復雜，網絡的部署、管理、維護將成為一個極具挑戰性的工作。為了降低網絡部署、運營維護復雜度和成本，提高網絡運維質量，未來5G系統還須具備充分的靈活性，具有網絡自感知、自調整等智能化能力，以應對未來移動信息社會難以預計的快速變化。

1.1 5G網絡新特征

在2G時代，網絡中需要配置的參數為50個，到3G時代，數量增加到100個，而4G時代需要配置的參數已經到達到1 500個。按照這個趨勢，5G時代需要配置的參數將可能會達到2 000個[1]。然而，當前4G網絡的管理和配置依然采用手動/半自動的方式，這種方式不僅成本高且效率低下，給5G網絡的性能實現帶來了巨大的挑戰。因此，為了高效地管理和配置5G網絡，自組織性將會成為未來5G網絡的重要特征。

隨著人們對通信網絡依賴性的增加，新的業務類型（如：增強移動寬帶、高可靠低時延通信、大規模物聯網）不斷涌現，5G時代將面臨不斷改變的業務類型模式帶來的挑戰[2]。在這種情況下，5G蜂窩網絡需要具備自主識別新業務類型、高效的資源調度機制、按需定制相應網絡切片的一些功能。

目前，為了使5G系統更加自動化和智慧化，國際電信聯盟（ITU）正式成立了“ITU面向包括5G在內的未來網絡的‘機器學習焦點組，重點研究機器學習、人工智能在包含5G系統的未來網絡中的應用[3]。此外，面向將來的5G網絡與服務，為了實現靈活、高效、高質量的管理、服務、運營的“自動化”，歐洲電信標準化協會（ETSI）發布了一份名為《自動化下一代網絡中的網絡和服務操作的必要性和益處》的白皮書[4]，核心的目標是實現5G網絡與服務管理、運營的自動化。

1.2 人工智能

人工智能的最終目標是建立一個類似于人類思維活動的系統模型。因此，人工智能的實現主要在于構建出來的操作系統能否根據系統的“思維活動”采取理想的行動[5]。人工智能領域處理的問題主要包括感知、挖掘、預測以及推理。

感知：具有感知能力的智能體對外部環境進行監測；

挖掘：對感知到的外部信息進行分類和分析；

預測：基于系統經驗獲得概率模型；

推理：具有認知功能的智能體根據外部模型做出推斷性結論。

從實踐角度來說，設計能夠自主思考的系統對5G網絡的意義重大，例如：5G網絡可以利用感知技術進行網絡異常檢測以實現網絡的自修復，利用挖掘技術對網絡業務進行分類分析，利用預測技術預測用戶的移動趨勢和業務量變化以及利用推理技術配置一系列的參數以更好地適應業務等。人工智能技術不僅具備和環境交互的能力且可以根據不同的環境條件自動執行合理的行動，因此各行各業的人工智能化已經成為社會的必然發展趨勢。

1.3 5G網絡人工智能化的重要意義

（1）5G網絡需要通過智能決策，管理種類繁多的資源和動態變化的業務流量。在早期以語音為主的通信網絡中，流量模型易于預測，這一時期的流量需求管理也相對較為簡單。然而，智能設備的出現使得無線流量模型在維度和粒度上變得更加復雜。為了使網絡在面對不同的業務和流量需求時依然能夠保證最佳用戶體驗，策略控制系統需要進行異常復雜的處理。以網絡功能虛擬化為例，必須使其核心決策算法能夠自動匹配當前的無線、用戶以及流量條件，以實現計算資源的動態分配。而在這方面，人工智能是最佳候選技術，可以為當前的無線系統提供更敏捷和健壯的復雜決策能力。

（2）5G網絡需要通過自動化，在提高效率的同時降低成本。如何低成本、高效率地運營日益復雜的網絡是當前面臨的一項重大挑戰。目前2G、3G、4G網絡的信息數據基本上是通過路測、用戶投訴記錄或操作維護中心（OMC）的報告來獲取的，這種數據獲取方法效率較低，已經不能滿足5G網絡對于低時延和實時跟蹤來提高資源利用率的需求。為了實現5G網絡自動化，需要對用戶域（包括用戶分布、用戶需求等）、網絡域（網絡負載、擁塞狀態等）和無線域（頻譜利用率、鏈路質量等）的動態網絡狀況有全面充分的了解。因此，智能感知技術是實現5G網絡自動化的一個重要條件。

（3）5G網絡需要根據業務特征按需提供服務。提高網絡的資源利用率是滿足日益增加的網絡業務需求的必要條件。當前的移動網絡采用一種網絡架構服務所有業務類型的模式。由于網絡的單一性，網絡中的所有用戶只能采用相同的帶寬消耗模式，不僅每一類業務類型的特定性能需求無法得到保證，還會大大降低網絡資源利用率。5G網絡切片的出現使得用戶可以根據特定需求定制針對性服務[6]，而為了實現網絡切片的靈活調用，切片的創建、部署和管理都將離不開智能化技術。

2 智能5G網絡架構

為了提升當前網絡的決策能力，實現網絡自動化，并能為特定業務按需建立網絡切片，以達到靈活地使用和管理網絡的目的，有必要讓蜂窩網絡具備感知環境的能力，對不確定因素進行學習，設計相應行為，合理地配置網絡。人工智能主要就是解決怎樣對變量進行學習，預測未來的狀態，通過和環境交互找到潛在解決方案的方法。因此，5G時代的蜂窩網絡可以利用人工智能技術和環境進行交互以改變網絡的運作模式，實現智能的5G時代。

本文提出的智能5G網絡架構主要包括3個部分：環境艙、智能中心和網絡策略。智能5G網絡架構能夠從真實網絡環境中讀取、觀察和分析各類網絡信息，同時也能采取相應的行動策略對網絡環境加以控制。

2.1 環境艙

環境艙是智能5G網絡架構中唯一可以和真實網絡環境直接交流的部分，它主要執行以下兩種任務：

（1）為了維持網絡運作秩序，環境艙需要存儲從真實環境中觀察到的網絡狀態信息，包括網絡拓撲信息、業務請求信息以及資源使用情況等，并負責將這些信息批量傳送到智能中心。

（2）為了保證向智能中心傳送的網絡信息的實時性，環境艙還需要將網絡策略采取的行動信息（包括切片配置、用戶關聯以及資源分配等）傳送到真實網絡環境中，以便網絡環境實時更新狀態信息。

2.2 智能中心

智能中心是智能5G網絡架構的核心部分，智能5G網絡框架如圖1所示。通過利用人工智能中的感知、挖掘、預測以及推理方法，對從環境艙中獲得的信息進行處理，例如：進行拓撲感知、業務預測以及請求分析等。處理的結果最終會發送給網絡策略模塊，并做出相應的決策。這些結果可能包括業務分析報告（如資源配置建議）、用戶控制信息（如用戶服務優先級）以及網絡配置通知（如需要調整的參數）等。

以網絡切片為例，人工智能利用感知模塊獲取網絡拓撲信息，接著利用挖掘模塊對搜集的信息進行分析和處理，并基于歷史物理網絡節點資源的使用情況對節點的資源需求量進行預測，然后利用推理模塊獲取網絡切片的虛擬網絡功能可能的部署方案。

2.3 網絡策略

根據智能中心傳遞來的各類信息形成最終的網絡策略。由網絡策略決定最終采取的各類行動，如給某類請求業務建立切片、網絡參數的配置和調整以及虛擬網絡映射等。最終的決策行動會經環境艙反饋給真實網絡環境，網絡環境則會根據最新行動更新其狀態信息。

以網絡切片的建立為例，網絡策略會根據由智能中心傳來的業務分析報告來決定分配給每個切片的資源類別以及數量，同時，網絡策略會將最終的資源分配策略傳遞給環境艙，而環境艙會反饋到真實網絡中以及時更新網絡資源相關的整體使用情況。

3 5G網絡智能化的關鍵 技術

這一部分將從4個方面來詳細分析當前的無線網絡智能化方案，主要包括業務預測、網絡切片、無線資源分配以及資源共享。

3.1 業務預測

隨著用戶業務需求量的增加，業務預測已經成為5G網絡監督和管理的關鍵部分。精確的業務預測需要通過追蹤數據流的變化來建立實際的網絡業務模型。由于網絡中諸多非線性因素的影響，5G網絡的業務變化將在時域上呈現較大的不規律性，從而使得傳統的線性回歸技術已經不再適用于預測和分析當前網絡的業務變化情況。基于現有的研究，表1總結了幾種可用于智能5G網絡的業務預測方法[7]：實時方法、時序分析法、反向傳播[8]及支持向量機，并分析了各自的優點和缺點。

3.2 網絡切片

當前“一體適用”的網絡架構會造成不同類型業務的需求沖突，從而影響用戶體驗。網絡切片技術的出現，使得5G網絡可以根據不同業務的特定需求自行租用共享的物理網絡基礎設施，用以構建多個邏輯獨立的網絡。網絡切片提供了一個網絡即服務（Naas）模型，能夠根據動態的業務和應用需求靈活地分配和重新分配網絡資源，從而為不同的5G通信場景定制網絡切片。為了實現網絡切片的靈活調度，文獻[9]將人工智能方法運用到5G網絡切片中設計了代理商實體，并且通過3個基本模塊的聯合調用來提高網絡資源利用率。智能5G網絡切片框架具體如圖2所示。

預測模塊：分析網絡切片的業務模式，使用Holt-Winters預測方法分析并預測未來的切片業務請求，并將預測信息提供給接入控制模塊；

接入控制模塊：使用接入控制策略來選擇下一個時間窗口內可被授權的網絡切片請求；

切片調度模塊：接收來自接入控制模塊的受理切片請求列表，并給網絡切片分配物理資源；監測（通過使用懲罰歷史函數）服務水平協議的違反情況。

3.3無線資源分配

為了使5G網絡能夠根據不斷變化的業務需求為用戶進行動態資源分配，多種基于人工智能的算法已經被應用到無線資源管理領域中，表2對幾種相關算法進行了總結并分析了其相應的特點，具體包括：遺傳算法[10]、多臂賭博機[11]和Q學習算法 [12]。

3.4 資源共享

網絡功能虛擬化技術允許底層物理網絡經營者向服務提供商租出部分基礎設施，服務提供商利用租用的基礎設施資源創建自己的虛擬網絡以向終端用戶提供端到端服務。虛擬網絡由一系列的虛擬節點和鏈路組成，這些虛擬節點和鏈路由底層物理網絡的路徑和節點支撐。高效的底層物理資源共享過程主要分為兩步：第一步是虛擬網絡映射，將虛擬網絡節點和鏈路映射為底層物理節點和路徑；第二步是在虛擬網絡的生命周期內為虛擬節點和鏈路動態分配資源。為了實現對虛擬網絡的高效管理，文獻[13]利用人工神經網絡（ANN）技術設計了一種自動化系統為虛擬網絡提供自適應的資源分配。將底層物理網絡的節點和路徑用ANN進行模擬，ANN的輸入為網絡資源狀態，輸出為資源共享方案。文獻[13]還采用了一種類似于增強學習的誤差函數對ANN的輸出結果進行滿意度評估，以完成ANN的在線訓練過程。

文獻[14]提出了一個基于圖形神經網絡（GNN）來預測虛擬化網絡功能（VNFs）對資源的需求，該GNN模型表示由VNF及其連接的相鄰VNFs形成的星型拓撲，通過將前饋神經網絡（FNN）函數應用于不同的GNN層來計算VNF對資源的需求，從而實現對NFV中的資源動態感知和管理。

4 研究展望

4.1 智能化5G網絡的機遇

人工智能給5G網絡的實現帶來了更多的機會。首先，面對超負荷的蜂窩網絡數據量，人工智能可以利用這些數據預測可能發生的事件，并在此基礎上實現網絡資源的動態分配和參數的動態配置；其次，隨著網絡的異構化，人工智能技術能夠分析新興的業務請求并為其匹配最合適的接入點以滿足用戶的性能需求；最后，人工智能技術可以使5G網絡對于系統警報響應和安全威脅防護都變得更加敏捷，從而使網絡能夠更好地應對意料之外的網絡狀況。

人工智能算法包含領域較廣且種類眾多，其中機器學習方法（如Q學習和支持向量機）、深度學習方法（如卷積神經網絡和循環神經網絡）、神經網絡（如反向傳播算法、玻爾茲曼機等）、群智能算法（如蟻群算法）以及進化算法（如經驗競爭算法）都可以用來改善5G網絡性能。

在上述技術中，神經網絡和深度學習方法目前受到了廣泛關注。一般來說，神經網絡由許多神經元和神經元之間的加權連接組成，其中的神經元可以抽象為變量而加權值可以視為相關參數。神經網絡可以利用學習技術實現合理配置以保證相關應用可以根據一組輸入值得到理想的輸出值，通過學習算法迭代調整當前所有神經元對之間的連接權重值，使神經網絡的輸出值和輸入值達到最佳匹配。當前，神經網絡已經在認知無線網絡的狀態估計和預測方面表現出了良好的性能，而為了讓神經網絡算法在5G網絡中發揮其自適應性及分散控制的優勢，此項技術正在被逐漸運用到NFV的虛擬網絡映射和資源共享領域，然而當前神經網絡技術在5G網絡中的應用依然處于初步階段。

進化算法也將因其復雜度低和收斂性快的優勢成為下一代無線網絡的重要實現技術，例如：遺傳算法就可以通過模仿自然選擇過程解決網絡優化問題。相比之下，機器學習算法的執行主要包含兩個階段：訓練階段和測試階段，其中訓練階段的復雜性要比測試階段高得多，由于當前對5G網絡在能效和靈活性方面的嚴格要求，對于小型的移動終端將只執行其機器學習算法中的測試階段。

4.2 5G網絡智能化挑戰

將人工智能技術運用到5G網絡中的好處顯而易見，但其中仍然存在一些值得思考的問題：首先，在5G時代，網絡數據是一把雙刃劍，雖然海量的數據給人工智能的訓練和使用提供了寶貴的基礎，但找到一個簡單有效的模型來匹配這些數據卻相當困難；其次，為了及時處理蜂窩網絡中的數據，需要網絡具備巨大的存儲和計算資源，且可能會威脅到信息安全；最后，人工智能算法的使用必須以數據的集中處理為前提。所有這些因素均會對網絡實體的計算容量和運營成本帶來巨大的負擔。

5 結束語

本文首先介紹了5G網絡的新特征以及人工智能的基本概念，在此基礎上闡述了將人工智能技術運用到5G網絡中的重要理論和實踐意義。其次，本文設計了一種智能化5G網絡架構，此架構主要由3部分組成：和真實網絡環境進行實時交互的環境艙；利用人工智能技術對從環境艙傳來的信息進行處理的智能中心；根據智能中心的處理結果采取行動的網絡策略。這種智能化5G網絡架構能夠通過和網絡環境的交互解決5G網絡中的各類決策性問題。進一步，本文對當前人工智能技術在業務預測、網絡切片、無線資源分配以及資源共享方面的應用作了簡單總結并分析了各種算法的特點和適用場景。最后，本文分析了人工智能技術運用到5G網絡中的機會和挑戰。雖然5G網絡的人工智能化進程依然存在重重阻礙，但我們相信人工智能技術將會翻開未來移動通信網絡的新篇章。

參考文獻

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

[2] 任馳，馬瑞濤.網絡切片：構建可定制化的5G網絡[J].中興通訊技術，2017，24（1）：26-30.DOI： 10.3969/j.issn.1009-6868.2018.01.006

[3] ITU Focus Group on Machine Learning for Future Networks including 5G [EB/OL]. （2017-11-06）[2018-03-19]. http：//www.itu.int/en/ITU-T/focusgroups/ml5g/Pages/default.aspx.

[4] ETSI Launches Zero Touch Network and Service Management Group [EB/OL]. （2017-12-14）[2018-03-19]. http：//www.etsi.org/news-events/news

[5] LI D. Artificial Intelligence in the Rising Wave of Deep Learning： The Historical Path and Future Outlook [Perspectives][J]. IEEE Signal Processing Magazine， 2018， 35（1）：180-177. DOI： 10.1109/MSP.2017.2762725

[6] 5G Network Architecture： A High Level Perspective [EB/OL]. （2017-07-21）[2018-03-19].http：//www.huawei.com/minisite/5g/img

[7] YAN X B， LU T， LI Y J， et al. Research on Event Prediction in Time-Series Data[C]// International Conference on Machine Learning and Cybernetics. USA：IEEE， 2004，（5）：2874-2878. DOI： 10.1109/ICMLC.2004.1378522

[8] PAN X， LEE B， ZHANG C. A Comparison of Neural Network Backpropagation Algorithms for Electricity Load Forecasting[C]// IEEE International Workshop on Intelligent Energy Systems. USA： IEEE， 2014：22-27. DOI： 10.1109/IWIES.2013.6698556

[9] DARIO B，M G， ALBERT B. Mobile Traffic Forecasting for Maximizing 5G Network Slicing Resource Utilization [C]// IEEE INFOCOM. USA：IEEE， 2017. DOI： 10.1109/INFOCOM.2017.8057230

[10] TSENG L Y， CHEN S C. Two-Phase Genetic Local Search Algorithm for the Multimode Resource-Constrained Project Scheduling Problem [J]. IEEE Transactions on Evolutionary Computation， 2009， 13（4）：848-857. DOI： 10.1109/TEVC.2008.2011991

[11] MAGHSUDI S， STAMCZAK S. Channel Selection for Network-Assisted D2D Communication via No-Regret Bandit Learning With Calibrated Forecasting [J]. IEEE Transactions on Wireless Communications， 2015， 14（3）：1309-1322. DOI： 10.1109/TWC.2014.2365803

[12] ONIRETI O， ZOHA A， MOYSEN J， et al. A Cell Outage Management Framework for Dense Heterogeneous Networks[J]. IEEE Transactions on Vehicular Technology， 2016， 65（4）：2097-2113. DOI： 10.1109/TVT.2015.2431371

[13] MIJUMBI R， GORRICHO J L， SERRAT J， et al. Neural Network-Based Autonomous Allocation of Resources in Virtual Networks[C]// European Conference on Networks and Communications. USA： IEEE， 2014：1-6.DOI：10.1109/EuCNC.2014.6882668

[14] MIJUMBI R， HASIJA S， DAVY S， et al. Topology-Aware Prediction of Virtual Network Function Resource Requirements [J]. IEEE Transactions on Network and Service Management， 2017， 14（1）： 106-120. DOI： 10.1109/TNSM.2017.2666781