B5G：泛在融合信息網絡

摘要：延續“線”— “面”— “體”的演進趨勢，超5代移動通信系統（B5G）繼續提高通信速率，拓展通信空間，完善通信智慧，演進為泛在融合信息網絡。B5G使用更高的頻段作為信號載體，數據速率達到太比特每秒量級。伴隨網絡性能的增強，B5G的適用空間拓展至陸海空天。與以往移動通信系統不同，人工智能（AI）成為B5G性能提升的強勁引擎。基于AI的干擾管理、深度學習智能信號處理以及太赫茲技術成為物理層關鍵技術。基于極化碼的中繼、多天線、多址技術是傳輸層關鍵技術。基于AI的移動網絡架構、面向人機物泛在融合的全析網絡架構以及認知增強與決策推演的智能定義網絡架構等方式的新架構被應用于網絡層。

關鍵詞：泛在融合信息網絡;B5G;THz;AI

Abstract： Following the “line-plane-cube” evolution trend， Beyond Fifth Generation （B5G） in mobile communication system aims at improving communication data rate， extending communication dimensions， implementing communication intelligence and is on the way to evolve into ubiquitous fusion information networks. Higher spectrum bands are used in B5G and the peak data rate could be T bits per second. With the enhancement of network ability， the support scenarios of B5G includes the land， the sea， the sky and the aerospace. Different with the existing generations， artificial intelligence （AI） becomes a powerful engine for B5G. The key technologies in the physical layer include the AI-based interference management， deep learning intelligent signal processing and THz technology. The transport layer uses the polar code-based relay， multiple input multiple output （MIMO） and multiple access technologies. The AI-based mobile network framework， the ubiquitous fusion fully-analyzed network framework for human-machine-things and the intelligent definition network framework for cognitive enhancement and decision deduction are used in the network layer.

Key words： ubiquitous fusion information networks;B5G;THz;AI

1 信息通信網絡發展歷程

及5G面臨的挑戰

1948年香農發表了《通信的數學原理》，提出了信息熵的概念，奠定了信息論和數字通信的理論基礎。70年來，在香農信息論的指導下，現代無線通信系統從無到有，不斷取得突破性發展，深刻改變了人們的生活。1978年美國貝爾實驗室成功研制出了第1個移動蜂窩電話系統——先進的移動電話系統（AMPS），它標志著第1代移動通信系統（1G）正式登上歷史舞臺[1]。20世紀七八十年代，世界各國紛紛建立起了自己的第1代移動通信系統。由于采用模擬蜂窩和頻分多址（FDMA）技術，1G的容量十分有限，并且通話質量不高，不能提供數據業務和漫游服務[1]。為解決上述問題，在20世紀90年代，以數字技術和時分多址（TDMA）技術為主體的第2代移動通信系統（2G）研制成功[2]。與1G相比，2G具有通話質量高、頻譜利用率高和系統容量大等優點;但是它對定時和同步精度的要求高，并且系統帶寬有限[2]，無法承載較高數據速率的移動多媒體業務。為了支持和實現較高速率的移動寬帶多媒體業務，以碼分多址（CDMA）技術為核心的第3代移動通信系統（3G）[3-7]應運而生。相比于前2代移動通信系統，基于Turbo碼和CDMA技術的第3代移動通信系統具有更大的系統容量、更好的通話質量和保密性，并且能夠支持較高數據速率的多媒體業務。然而，仍受其帶寬限制，3G無法支持超高清視頻等更高質量的多媒體業務[3-7]。為了追求更大的系統容量和更高質量的多媒體業務，基于正交頻分復用多收發天線（OFDM-MIMO）技術和空分多址（SDMA）技術的第4代移動通信系統（4G）應需而來[8-13]。與3G通信系統相比，4G通信系統數據傳輸速率更快，并且它能夠更好地對抗無線傳輸環境中的多徑效應，系統容量和頻譜效率得到大幅提升。隨著硬件工藝的提升和成本的下降，無線設備能力不斷增強，數量也持續增加。移動網絡承載的數據量呈現爆炸式增長的態勢。伴隨著“萬物互聯”的提出，4G急須滿足支持超高質量的多媒體業務以及高可靠、低時延、低能耗、大連接等新需求。第5代移動通信系統（5G）研究拉開序幕，并逐步從標準走向實現[14-22]。

圖1給出了5G相較于與IMT-Advanced通信系統（也即實際滿足4G標準的商用系統）能力的增強。從圖中可以看出5G考慮了更多的性能維度提升，包括：（1）在峰值數據速率方面，峰值數據速率提升了20倍，由1 Gbit/s提升至20 Gbit/s;（2）在用戶體驗數據速率方面，就廣域覆蓋而言，城區和城郊用戶有望獲得100 Mbit/s的用戶體驗數據速率，在熱點地區，用戶體驗數據速率值有望提升至1 Gbit/s;（3）在頻譜效率方面，頻譜效率較4G提升3倍;（4）在移動性方面，支持更高速的移動，專門為高速鐵路設計服務，由350 km/h提升至500 km/h;（5）在延遲時間方面，支持極低延遲要求的服務，延遲時間降低了10倍，由10 ms降低至1 ms;（6）在連接密度方面，支持更多數量的設備連接，適用于大規模機器類型通信場景，連接密度由105設備量/千米2提升至106設備量/千米2;（7）在網絡能效方面，較上一代提升100倍;（8）在區域通信能力方面，區域通信能力提升了100倍，由0.1 Mbit/（s·m2）提升至10 Mbit/（s·m2）。基于上述8個方面能力的增強，5G網絡開始具備滲透垂直行業的能力，支持的應用場景涵蓋增強型移動寬帶（eMBB）、超可靠低時延通信（uRLLC）以及大規模機器通信（mMTC）3大場景。圖2給出了5G的3大場景典型支持業務，包括4 K/8 K超高清視頻、增強現實（AR）/虛擬現實（VR）、全息技術、智能終端、智慧城市、智慧工業、智慧家庭、智慧農業、無人駕駛、車聯網、智慧醫療等。為了實現系統性能的增強，5G借助于毫米波頻段，并采用大規模MIMO賦形技術彌補毫米波頻段的衰減。采用了低密度校驗碼（LDPC）編碼和Polar碼分別作為數據和控制信道編碼。

如圖3所示，每一代通信系統取得成功的原因在于完美平衡了天平兩側的通信需求和技術能力。一旦一方打破這個平衡，就會促使移動通信系統演進到新的平衡狀態。1G到5G的演進呈現如下規律：第一，支持場景逐步多樣化，從簡單的語音演進至3大場景典型業務;第二，通信速率每代有約1 000倍提升，從2G的千比特每秒量級提升至5G的吉比特每秒量級。按照上述演進規律進行推斷，超5代移動通信系統（B5G）將進一步擴展支持的通信場景，同時數據速率將達到太比特每秒。當前，5G基本上滿足了陸地通信系統面向個人終端的基本通信需求。隨著國家信息疆域戰略擴展部署，5G通信系統尚不能滿足全方位、立體化的多域覆蓋，尤其在空天通信、空地通信，及海洋通信的能力嚴重不足;因此，5G之后的移動通信系統面臨如下挑戰：

（1）數據的速率將難以達到1 Tbit/s量級以上;

（2）多域網絡之間相對獨立，沒有完整的協同傳輸框架，難以滿足全方位、立體化的多域、跨域傳輸及覆蓋，空天通信、空地通信及海域通信能力嚴重不足;

（3）隨著大數據、互聯網、智慧城市、智慧產業和信息物理與社會融合空間的興起，對網絡的創新、智慧、安全融合提出了更高的要求，例如，情景再現與融合、智慧城市神經網絡、智能無人網絡等。

2 B5G演進：泛在融合信息

網絡

目前移動通信系統的演進趨勢可以歸納為：由“線”到“面”的演進趨勢。線是指演進所圍繞的增強移動寬帶性能這條主線，即每一代移動通信系統演進的首要目標是大幅提升數據傳輸速率和網絡容量。而面是指從4G到5G的演進逐步開始考慮支持多種業務需求矛盾的場景，而不僅限于增強型移動寬帶，例如，5G支持的高可靠低時延通信以及大規模機器通信業務等。基于已有演進規律，B5G通信系統將由一維的線、二維的面拓展演進為三維的體，如圖4所示。具體而言，這個三維的“體”包括：速率維度、空間維度以及智慧維度。通過3個維度的不斷完善，B5G通信系統最終演進為泛在融合信息網絡。泛在融合信息網絡旨在進一步提高通信速率，達到1 Tbit/s量級以上;進一步拓展通信空間，由目前的陸地覆蓋拓展至海洋、天空、太空場景下的多域和廣域覆蓋;進一步加強和完善通信智慧，由目前單一設備的智能處理演進至多設備、多網絡之間的協同跨域聯動智能處理，并且從信息傳輸、處理及應用層面進一步加強和深化通信智慧。

3 泛在融合信息網絡中的

使能關鍵技術

泛在融合信息網絡包括泛在化、社會化、智慧化、情境化等新型應用形態與模式，蘊含“網絡資源隨需即用”的核心技術特征。現有的5G網絡技術難以在信息廣度、信息速度及信息深度上支持人、機、物三元空間的深度融合與應用，需要在網絡架構和核心技術方面加以突破，支撐未來應用的業務需求。如圖5所示，為了滿足B5G網絡的泛在化、社會化、智能化、情景化、廣域覆蓋及多域融合的需求，結合5G網絡技術的發展以及演進過程，我們從理論及技術等多個方面探索并研究B5G網絡可實現的物理層關鍵技術、傳輸層關鍵技術以及網絡層關鍵技術。

3.1 物理層關鍵技術

（1）太赫茲技術。

為了支持超高速數據傳輸，B5G系統必然采用超寬帶體制，太赫茲通信被認為是未來B5G通信的潛在關鍵技術之一。由于太赫茲頻段相比微波頻段，帶寬更寬，可提供數十吉比特每秒甚至更高的無線傳輸速率。同時，其波束窄，方向性更好，還可采用擴頻、調頻技術[24-27]，實現更好的通信保密性和抗干擾能力，因此，普遍認為太赫茲適合于中、近距離通信或太空無線通信。然而要研究太赫茲頻段在移動通信的可行性及相應技術，首要任務就是要掌握太赫茲頻段在多樣環境中的無線信道傳播特性。由于傳播環境中分子共振引起的能量損失可能會引起太赫茲波在傳播過程中經歷極大的衰減，因此，研究雨、霧，甚至空氣中的水蒸氣對太赫茲傳播規律的影響，對其通信的可覆蓋范圍具有極大的意義。另外，由于太赫茲波段的粒子性強，穿透能力低，在傳播環境中的穿透和反射特性與微波頻段的規律有較大區別，傳統模型難以準確刻畫，因此，有必要研究太赫茲在受到不同材質阻擋的情況下反射和穿透的特性。太赫茲信號帶寬一般在吉赫茲以上，系統在時延域的分辨率達到納秒級。同時太赫茲由于波長短，天線尺寸極小，一般會組成超大規模的天線陣列，從而使得多徑在時延和空間角度方向的可分離程度極高，而傳統信道模型的分辨精度無法支持;因此，對太赫茲頻段的超大規模天線和超大帶寬的信道特性研究是其在未來B5G系統中具體采用何種編碼、調制等一系列技術的重要基礎。

（2）深度學習智能信號處理技術。

B5G移動通信是多用戶、多小區、多天線、多頻段的復雜傳輸系統，信號接收與檢測是高維優化問題。最優的最大似然（ML）或最大后驗檢測（MAP）是指數復雜度算法，性能優越但難以普遍應用。深度學習理論另辟蹊徑，通過大量離線訓練，獲得高性能的深度神經網絡模型，從而逼近ML/MAP檢測。深度學習為最優信號檢測理論提供了新的研究思路。首先，深入分析多用戶MIMO的波束賦形信號優化問題[28]，以卷積神經網絡（CNN）構建優化模型，研究具有普適性與通用性的波束賦形算法，并建立算法的收斂性分析和理論。其次，分析大規模MIMO信號特征，設計深度信號檢測算法網絡，分析算法收斂性，構建高性能、低復雜度的檢測算法體系。進一步分析MIMO-OFDM信道模型特征，以循環神經網絡（RNN）模型為指導，設計高性能的信道估計算法，適應B5G移動信道的動態時變特征。最后，利用CNN與RNN組合模型，對多小區、復雜干擾場景的信號樣本進行訓練，獲取信號的高維度特征，設計通用普適的干擾協調深度學習模型。

3.2 傳輸層關鍵技術

（1）非平衡極化傳輸。

極化碼是信道容量可達的新型編碼，已經被接納為5G標準。極化設計思想就是利用編碼與信號傳輸的聯合優化，充分放大鏈路傳輸中的可靠性差異，最終達到通信系統的非平衡態優化。這種思想是方法論的革新，可以應用于B5G移動通信的各種場景：多址接入、廣播、中繼、MIMO等。在各種場景下，極化傳輸都可嚴格證明達到相應的容量極限。

（2）基于極化碼的多址、MIMO及中繼（Relay）技術。

目前，非正交多址接入（NOMA）已成為5G通信系統的代表性技術。NOMA充分利用多用戶自由度，有效提升多址接入系統的容量，可以預見它也將成為B5G移動通信的核心技術。將極化編碼引入非正交多址系統，需要深入分析NOMA的系統結構，從廣義極化的觀點出發，優化信道極化分解方案。主要研究與現有多址接入方式的組合優化，例如，研究多用戶極化碼與非正交多址的混合接入技術，簡化信號發射機結構，優化用戶、子載波的選擇準則，設計低復雜度的檢測譯碼算法。此外，MIMO系統引入了空間維度，為通信系統優化提供了更多的空間自由度，但也對信道極化碼的設計帶來了諸多挑戰，針對MIMO系統的2種典型結構：空間復用/預編碼與空間調制，針對性研究了極化編碼MIMO傳輸的優化方案，逼近單小區MIMO傳輸的容量極限。最后，在Relay系統中，由于引入了Relay節點，為信源到信宿鏈路的傳輸速率/可靠性提升提供了更多的優化空間。我們重點研究基于極化碼構造的協作編碼中繼方案：解碼轉發（DF）與壓縮轉發（CF）中的極化碼實用構造方案。

3.3 網絡層關鍵技術

我們提出3種網絡層架構：（1）面向人、機、物融合的全析B5G網絡架構;（2）基于人工智能的移動網絡架構;（3）認知增強與決策推演的智能定義網絡架構。其中，（1）為總體架構，是面向人、機、物的全方位、立體化的泛在融合網絡架構，而（2）和（3）可以作為（1）在人工智能以及機器學習等多個方面的增強型架構，起到擴展及補充等作用。

（1）面向人、機、物融合的全析B5G網絡架構。

B5G網絡架構將支持以人為中心的社會空間、以機器連接人的信息空間、以物體為載體的物理空間等三元空間的深度融合，從而實現“物質世界信息化”到“信息世界物質化”的轉變。通過原理性抽象建立泛在化的人、機、物融合要素，研究通過人、機、物三元空間的語義銜接、業務適配、協作編排，構建一套面向人、機、物三元空間的信息傳輸、邊緣智能、協同計算等B5G網絡架構，支撐人、機、物要素跨界融合，實現陸海空天一體化的全析網絡發展。我們需要研究B5G網絡在設備功能趨同基礎上的去中心化無線接入體制，并重點研究在無線接入網絡控制平面與數據平面基礎上引入計算平面后的協議結構、計算任務及存儲任務的分布式處理，以及各設備計算能力、存儲能力、能量信息及位置等信息的高效獲取與交互機制等。我們還需要進一步研究不同層級設備在功能趨同基礎上的去中心化組網關鍵技術;研究終端協同通信、終端協同計算、終端協同存儲與終端協同供能等關鍵技術，支持終端對無線網絡的全面協同，實現去中心化的通信、計算、存儲及供能的分布式服務，以用戶的業務感受質量為核心，靈活利用多連接技術，提供針對連接的專屬服務供給及質量保障。此外，與傳統基于數據流、控制流和狀態空間的經典融合技術不同，面向B5G網絡的人、機、物融合技術將構建人、機、物多維、多空間資源的統一表示，人、機、物一體化融合的模型構造和執行。我們需要研究面向人、機、物融合的統一知識本體構建、表示、推理和學習等適配機制;研究基于網絡多維可編程的人、機、物融合組裝方法;研究人、機、物融合的狀態監測控制、同步控制、一致性檢查等網絡容錯機制。將傳統集中、局部、層次式的網絡管理與調度演進至人、機、物融合的三元網絡協同管理，支持邊緣智能和適配優化，實現全網資源的多級協同調度。我們需要針對人、機、物融合要素的多樣性，研究基于通信協議特征分析的接入融合技術、基于無線信道狀態的跨協議融合技術;針對人、機、物融合的資源不確定性，研究資源的需求感知和預測技術，基于邊緣智能的資源管理策略，實現協同通信、協同計算、協同存儲，提高服務質量。B5G網絡需要滿足更加多樣化的業務需求，同時無線環境、業務環境、網絡環境將更加復雜，因此需要研究基于智能推薦的網絡適配機理和組網技術。

（2）基于人工智能的移動網絡架構。

如果通信網絡缺乏對大數據的科學利用，那么它是無法滿足智能時代的需求的。目前，業務、網絡和服務融合體系缺乏對多維度數據的共享與合理利用，導致業務網絡無法自主依據不同類型業務的流量選擇路徑和調整帶寬分配模式，不能滿足智能時代用戶的需求。人工智能技術的突破是網絡智能優化的重要技術基礎，同時，軟件定義網絡（SDN）技術的發展為網絡智能優化提供了海量基礎數據與架構支持[29]。如何利用軟件定義的可定制特性，設計一套新的業務網絡是未來無線網絡亟待解決的關鍵問題。未來異構無線網絡拓撲復雜多變，如何高動態地采集網絡信息并大規模合理布置SDN控制器，對于網絡整體性能至關重要。目前SDN協議中流量基本特征較少，流量識別困難，有必要研究流量自身的統計特征、標量特征，基于業務特征提取的高級特征，設計新的深度學習識別算法，為實現網絡資源智能分配提供依據。網絡中存在大量的歷史數據，業務網絡應自主學習資源分配模式，實時動態地加載最優的業務調度方案，充分發揮SDN動態應用策略和管理網絡的能力。基于人工智能技術實現軟件定義的業務網絡是一種嶄新的視角，其研究對于未來機器學習和網絡發展具有重大的科學意義。未來業務網絡與物聯網的發展急需人工智能技術提升服務能力和效率。

（3）認知增強與決策推演的智能定義網絡架構。

人工智能技術通過自學習狀態和特征從而不斷迭代優化輸出結果，為解決復雜多變的未來B5G網絡服務提供了新的解決思路;因此，迫切需要針對B5G網絡面向認知增強與決策推演的智能定義網絡基礎理論開展研究工作，基于人工智能技術，使未來B5G網絡自主認知網絡環境變化以及服務特性，智能調度網絡計算、緩存、帶寬等資源，實現資源融合的動態決策推演，不斷優化網絡資源的適配與管理，持續改善網絡服務質量。未來網絡下的用戶行為個性化，服務需求多樣化，網絡拓撲頻繁變化，而傳統網絡中服務請求處理缺乏靈活性，數據傳輸缺乏自適應，導致網絡資源浪費。在全面感知網絡海量信息的基礎上，利用人工智能技術深度挖掘用戶、服務及網絡之間的關聯關系，建立面向服務特征—用戶特性—網絡環境的質量評估機制，并對網絡中動態變化的多維信息進行快速、準確的預測，為資源融合的網絡動態決策提供立體化的認知信息。此外，未來網絡環境動態復雜，而傳統網絡中路由、緩存等策略靜態僵化，導致網絡資源與用戶服務適配困難。在海量信息和動態變化的環境下，利用人工智能技術對立體化的認知信息進行融合，對網絡資源分布情況與變化規律進行動態建模分析，并結合集中管控的思想，實現網絡中路由、緩存等策略的自適應推演。智能協調不同用戶的服務需求，提高用戶個性化服務體驗質量，深度優化網絡資源調配，提高網絡資源利用率。同時，依據業務的服務質量、網絡能力等需求，基于增強學習等人工智能技術，構建網絡功能和服務等資源的編排調度方案;生成網絡需求、演進態勢、協同策略等相關規則，對網絡資源調度有效性進行自主評估，獲取正向的資源調度柔性進化方案，以最大化網絡的效能和可靠性。

4 結束語

B5G是一個泛在信息融合網絡。與已實現的通信系統相比，B5G的數據速率達到兆比特每秒量級，適用場景涵蓋陸海空天，并且其網絡的智能化水平進一步提升。得益于軟硬件提升帶來的大數據及AI技術的潛力釋放，AI將為B5G關鍵技術實現提供新思路。在物理層，采用基于學習理論的干擾管理、調制、信道估計波束賦形技術;在傳輸層，基于極化編碼技術將會進一步提升傳輸效率;而在網絡層，采用基于人機物融合、人工智能及機器學習等方式的新架構，進一步提升網絡整體效率。B5G的關鍵技術儲備正日趨完善，實現的時間也將離我們越來越近。

參考文獻

[1] 彭小平.第一代到第五代移動通信的演進[J].中國新通信，2007，9（4）：90-92. DOI：10.3969/j.issn.1673-4866.2007.04.030

[2] 曹淑敏. 第二代移動通信向第三代移動通信的演進[J]. 中興新通訊， 1999， 5（4）： 30-32

[3] 尤肖虎， 曹淑敏， 李建東. 第三代移動通信系統發展現狀與展望[J]. 電子學報， 1999， 27（Z1）： 3-8. DOI：10.3321/j.issn：0372-2112.1999.Z1.002

[4] 張平. Beyond 3G移動通信系統關鍵技術[J]. 北京郵電大學學報， 2002， 25（3）： 1-6. DOI：10.3969/j.issn.1007-5321.2002.03.001

[5] 張平. WCDMA移動通信系統[M]. 2004

[6] 謝顯中. TD-SCDMA第三代移動通信系統技術與實現[M]. 北京：電子工業出版社2004

[7] 黃標， 彭木根， 王文博. 第三代移動通信系統干擾共存研究[J]. 電信科學， 2004， 20（7）： 34-39. DOI：10.3969/j.issn.1000-0801.2004.07.008

[8] 劉海文， 李征帆. 第四代移動通訊技術的構架及其關鍵技術[J]. 微電子學與計算機， 2002， 19（3）：34-39

[9] SAMPATH H， TALWAR S， TELLADO J， et al. A Fourth-Generation MIMO-OFDM Broadband Wireless System： Design， Performance， and Field Trial Results [J]. IEEE Communications Magazine， 2002， 40（9）： 143-149. DOI：10.1109/mcom.2002.1031841

[10] 任立剛， 宋梅， 喬強國， 等. MIMO+OFDM： 新一代移動通信核心技術[J]. 中國數據通信， 2003， 5（10）： 102-105. DOI：10.3969/j.issn.1673-4866.2003.10.023

[11] 何琳琳， 楊大成. 4G移動通信系統的主要特點和關鍵技術[J]. 無線電技術與信息， 2005（1）： 34-36

[12] 李釗， 韋瑋. 第四代移動通信系統中的多天線技術[J]. 電子技術， 2005， 34（12）： 39-42

[13] BOUDREAU G， PANICKER J， GUO N， et al. Interference Coordination and Cancellation for 4G Networks[J]. IEEE Communications Magazine， 2009， 47（4）： 74-81. DOI：10.1109/mcom.2009.4907410

[14] 余莉， 張治中， 程方， 等. 第五代移動通信網絡體系架構及其關鍵技術[J]. 重慶郵電大學學報（自然科學版）， 2014， 26（4）： 427-433，560. DOI：10.3979/j.issn.1673-825X.2014.04.001

[15] ANDREWS J G， BUZZI S， CHOI W， et al. What will 5G Be？[J]. IEEE Journal on Selected Areas in Communications， 2014， 32（6）： 1065-1082. DOI：10.1109/JSAC.2014.2328098

[16] 趙國鋒， 陳婧， 韓遠兵， 等. 5G移動通信網絡關鍵技術綜述[J]. 重慶郵電大學學報（自然科學版）， 2015， 27（4）： 441-452. DOI：10.3979/j.issn.1673-825X.2015.04.003

[17] 雷秋燕， 張治中， 程方， 等. 基于C-RAN的5G無線接入網架構[J]. 電信科學， 2015， 31（1）： 106-115. DOI：10.11959/j.issn.1000-0801.2015028

[18] 賈亞男， 岳殿武. 面向5G的小蜂窩網絡研究綜述[J]. 電訊技術， 2015， 55（11）： 1296-1303. DOI：10.3969/j.issn.1001-893x.2015.11.019

[19] IMT-2020（5G）推進組發布5G技術白皮書[J]. 中國無線電， 2015（5）：1-15

[20] GUPTA A， JHA R K. A Survey of 5G Network： Architecture and Emerging Technologies [J]. IEEE Access， 2015， 3： 1206-1232. DOI：10.1109/access.2015.2461602

[21] 張平， 陶運錚， 張治. 5G若干關鍵技術評述[J]. 通信學報， 2016， 37（7）： 15-29. DOI：10.11959/j.issn.1000-436x.2016130

[22] AGIWAL M， ROY A， SAXENA N. Next Generation 5G Wireless Networks： A Comprehensive Survey [J]. IEEE Communications Surveys & Tutorials， 2016， 18（3）： 1617-1655. DOI：10.1109/comst.2016.2532458

[23] ITU-R. ITU-R： IMT Vision-Framework and overall Objectives of the Future Development of IMT for 2020 and Beyond： Recommendation ITU-R M.2083-0[R]

[24] FRICKE A， KUMER T. Interference Study for THz Intra-Device Communication Systems with Multiple Links[C]//12th European Conference on Antennas and Propagation （EuCAP 2018）. London： EuCAP， 2018：1-5

[25] RAIMUNDO X， HAJJI M， KLEIN A， et al. Channel Characterisation at THz Frequencies for High Data Rate Indoor Communications[C]//12th European Conference on Antennas and Propagation （EuCAP 2018）. London： EuCAP， 2018：1-2

[26] POMETCU L， D'ERRICO R. Characterization of Sub-THz and mmwave Propagation Channel for Indoor Scenarios[C]//12th European Conference on Antennas and Propagation （EuCAP 2018）. London： EuCAP， 2018：1-2

[27] GONZALEZ-GUERRERO L， SHAMS H， FATADIN I， et al. Comparison of Optical Single Sideband Techniques for THz-Over-Fiber Systems [J]. IEEE Transactions on Terahertz Science and Technology， 2019， 9（1）： 98-105. DOI：10.1109/tthz.2018.2884736

[28] QIN C， NI W， TIAN H， et al. Radio over Cloud （RoC）： Cloud-Assisted Distributed Beamforming for Multi-Class Traffic[J]. IEEE Transactions on Mobile Computing， 2018： 1. DOI：10.1109/tmc.2018.2859395

[29] LYU X， REN C， NI W， et al. Multi-timescale Decentralized Online Orchestration of Software-Defined Networks [J]. IEEE Journal on Selected Areas in Communications， 2018， 36（12）：2716-2730. DOI： 10.1109/JSAC.2018.2871310