人工智能在5G系統(tǒng)中的應(yīng)用綜述

章堅武，王路鑫，孫玲芬，章謙驊，單杭冠

（1. 杭州電子科技大學，浙江 杭州 310018；2. 英國普利茅斯大學，英國 普利茅斯 PL48AA；3. 之江實驗室智能網(wǎng)絡(luò)研究中心，浙江 杭州311121；4.浙江大學，浙江 杭州 310007）

1 引言

隨著移動業(yè)務(wù)量的不斷增加，互聯(lián)網(wǎng)時代對移動通信技術(shù)的需求越來越緊迫。5G提供了一種高度靈活和可擴展的網(wǎng)絡(luò)技術(shù)，使得人與人、人與物、物與物在任何時間、任何地點都能實現(xiàn)相互連接。它提供了一個彈性的云原生核心網(wǎng)絡(luò)，對網(wǎng)絡(luò)切片提供端到端的需求。圍繞5G的三大應(yīng)用場景——增強型移動寬帶（eMBB）、大連接物聯(lián)網(wǎng)（mMTC）、超可靠低時延通信（uRLLC）將為未來的社會、經(jīng)濟發(fā)展提供巨大動力[1]。在未來5G技術(shù)的支持下，越來越多的相關(guān)技術(shù)（例如物聯(lián)網(wǎng)、車聯(lián)網(wǎng)、遠程醫(yī)療、虛擬現(xiàn)實與增強現(xiàn)實、無人駕駛飛行器、智慧交通、工業(yè)4.0等）將會從根本上改變?nèi)祟惿睢閼?yīng)對這種發(fā)展趨勢，無線通信系統(tǒng)必須能夠具備支持超高網(wǎng)絡(luò)負荷、海量設(shè)備接入與低時延大連接的能力[2-3]。然而大量的數(shù)據(jù)處理和計算將極大地提高計算復(fù)雜度，同時靈活的空中接口和網(wǎng)絡(luò)切片技術(shù)的引入也將對無線系統(tǒng)設(shè)計提出巨大挑戰(zhàn)。

人工智能（artificial intelligence，AI）作為一種新型技術(shù)，已經(jīng)在圖像處理、自然語言識別、電子游戲等領(lǐng)域有著廣泛的應(yīng)用[4-6]。為解決5G系統(tǒng)存在的問題與挑戰(zhàn)，學術(shù)界開始把研究目光放在人工智能技術(shù)上。人工智能技術(shù)具備強大的學習和預(yù)測能力、良好的非線性擬合和自適應(yīng)能力，善于挖掘高緯度和高冗余數(shù)據(jù)中復(fù)雜的特征并進行高效的海量數(shù)據(jù)處理[7]。現(xiàn)有研究表明，針對5G系統(tǒng)中存在的難以建模、難以求解或具有統(tǒng)一模式的問題，現(xiàn)有的傳統(tǒng)解決方案并不能起到良好的作用，然而人工智能技術(shù)可以通過其本身具備的學習預(yù)測和自適應(yīng)能力以及挖掘數(shù)據(jù)特征的能力，幫助理解無線內(nèi)容，識別未知模式，降低系統(tǒng)復(fù)雜度，并產(chǎn)生超越傳統(tǒng)解決方案的實際效果[8]。

2 人工智能在移動邊緣計算領(lǐng)域的研究

隨著移動終端數(shù)量的激增，現(xiàn)有中心化網(wǎng)絡(luò)逐漸無法支持各終端的任務(wù)需求。多接入邊緣計算（multi-access edge computing，MEC）技術(shù)在網(wǎng)絡(luò)邊緣部署具有緩存、存儲、計算能力的資源節(jié)點，通過將業(yè)務(wù)本地化、緩存加速、本地分流等技術(shù)，有效降低了網(wǎng)絡(luò)回傳的帶寬需求，有效減輕了核心網(wǎng)在數(shù)據(jù)傳輸方面受到的壓力，應(yīng)對5G網(wǎng)絡(luò)面臨的高負荷、高帶寬、低時延[9]。關(guān)于MEC的研究主要集中在3個方面。

（1）計算卸載與資源分配

在MEC技術(shù)中，計算卸載扮演了一個重要的角色。計算卸載策略決定了MEC系統(tǒng)在效率與可實現(xiàn)性中的表現(xiàn)。通過將計算任務(wù)完全或部分卸載至物理位置上接近且計算能力合適的MEC服務(wù)器，用戶對任務(wù)計算的體驗（例如設(shè)備能耗、計算時延等），將會有顯著提升[10-11]。目前，學術(shù)界在計算卸載量與資源分配問題上，使用的方法主要圍繞啟發(fā)式算法和博弈論。然而在熱點區(qū)域，例如商場、學校等大型人員流動密集或存在大量終端設(shè)備的場所，若繼續(xù)使用此類算法求解最佳卸載策略，將會產(chǎn)生較高的計算復(fù)雜度。并且對不同用戶產(chǎn)生的不同類型任務(wù)，此類算法大多只能使用統(tǒng)一的卸載標準，難以給出個性化卸載策略。

（2）移動性管理

MEC移動性問題包括終端用戶的位置移動導致的數(shù)據(jù)到應(yīng)用的路徑更改以及由于負載平衡或計算節(jié)點性能比不足產(chǎn)生的應(yīng)用遷移[12]。由于終端用戶移動軌跡難以預(yù)測且5G基站覆蓋范圍較小，切換將頻繁且無規(guī)律發(fā)生。這對5G系統(tǒng)的移動性管理提出了極高的要求。另外，由于網(wǎng)絡(luò)邊緣部署的小型計算節(jié)點計算能力有限，應(yīng)用遷移也會時而發(fā)生。

（3）安全性問題

傳統(tǒng)的無線網(wǎng)絡(luò)中，重要的網(wǎng)元設(shè)備均被部署在核心網(wǎng)機房內(nèi)，并且處于一個相對封閉的環(huán)境中，安全性能夠得到良好的保障，主要安全問題僅存在于接入網(wǎng)中。MEC系統(tǒng)中，業(yè)務(wù)具有本地化的特性，數(shù)據(jù)在進入核心網(wǎng)前就可能被終結(jié)，系統(tǒng)極易受到攻擊[13]。因此，增加網(wǎng)絡(luò)安全建設(shè)（例如入侵檢測）變得尤為重要。

2.1 基于AI的計算卸載策略

計算卸載與資源分配策略決定了MEC系統(tǒng)的性能。針對工業(yè)物聯(lián)網(wǎng)（industrial internet of thing，IIoT）中機器型代理（machine type agent,MTA）計算卸載與資源分配問題，參考文獻[14]提出了一種基于多代理深層確定性策略梯度（MADDPG）的深度學習算法，對系統(tǒng)時延進行了優(yōu)化。該算法只在執(zhí)行階段使用本地信息，保證了IIoT在大連接場景下的安全性。由于該算法執(zhí)行時不需要代理間的相互通信，參考文獻[15]提出了一種物聯(lián)網(wǎng)環(huán)境中基于深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）的分布式深度學習驅(qū)動任務(wù)卸載算法。該研究對時延與能耗進行加權(quán)操作，求得的最佳卸載策略兼顧了移動業(yè)務(wù)的傳輸時延與設(shè)備能耗，在物聯(lián)網(wǎng)場景下具有積極意義。此外，該算法利用均方誤差函數(shù)最小化損失函數(shù)值，得到最佳卸載策略，實現(xiàn)系統(tǒng)整體開銷最優(yōu)化。參考文獻[16-17]提出了一種基于分層式機器學習的MEC任務(wù)分配框架。與以往研究不同的是，該框架不僅在MEC服務(wù)器端使用DNN，同時在傳感器設(shè)備端部署淺層神經(jīng)網(wǎng)絡(luò)（shallow neural network，SNN），當數(shù)據(jù)傳入時會先在本地根據(jù)SNN進行卸載策略處理，隨后將需要卸載的數(shù)據(jù)上傳至MEC服務(wù)器進行更精確的計算。這種架構(gòu)的優(yōu)勢在于，當存在大量數(shù)據(jù)時，MEC服務(wù)器的計算負荷將被本地分擔，顯著降低數(shù)據(jù)處理時間。劣勢在于系統(tǒng)對數(shù)據(jù)處理的準確度將會有所降低。

參考文獻[18]針對均衡時延與能耗問題，提出了一種基于深度強化學習（deep reinforcement learning，DRL）的算法架構(gòu)。與其他現(xiàn)有研究相比，這種結(jié)合式的深度強化學習彌補了基于深度學習（deep learning，DL）模型需要大量已打標簽的訓練數(shù)據(jù)的缺點，同時也彌補了大規(guī)模MEC場景下基于強化學習（reinforcement learning，RL）模型無法實現(xiàn)全覆蓋且最終結(jié)果不穩(wěn)定的劣勢。

參考文獻[19]針對多用戶、多信道、多MEC場景提出了一種基于DDPG（deep deterministic policy gradient）算法的計算卸載與資源分配策略。該策略不僅考慮用戶時延與能耗的均衡，同時為每個用戶設(shè)置了一個系統(tǒng)開銷上限。這樣操作相較于其他同類研究，系統(tǒng)整體的QoE（quality of experience）將會提高，然而對于系統(tǒng)中的某個個體來說，所得到的卸載策略也許不是最佳卸載策略。另外，DDPG算法能夠處理優(yōu)化變量的連續(xù)動作空間，以此解決兼顧系統(tǒng)時延、能耗以及各用戶開銷上限的問題。

參考文獻[20]提出了一種基于深度強化學習的在線卸載算法，旨在最大化無線設(shè)備的計算速率。該算法由卸載動作生成和卸載決策更新兩個交替過程組成。卸載動作的生成依賴于DNN的使用，被選擇的卸載動作將會存放在重放內(nèi)存中。在卸載決策更新過程中，重放內(nèi)存中的一部分訓練樣本會被提取并重新用于DNN訓練。這樣操作的好處是：分批處理更新策略會大大降低系統(tǒng)復(fù)雜度；歷史數(shù)據(jù)的重新使用減少了迭代更新過程中卸載策略參數(shù)化后的方差；隨機抽樣能夠通過降低訓練樣本中的相關(guān)性加速收斂速度。

參考文獻[21]針對“邊－云”協(xié)同網(wǎng)絡(luò)，設(shè)計了一個基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional nerual network，CNN）計算卸載方案，旨在降低系統(tǒng)時延。由于CNN是由多個層組成的，每個層都具有不同的數(shù)據(jù)處理能力，系統(tǒng)可以調(diào)度多個CNN層，在一個邊緣服務(wù)器上處理一個任務(wù)的一部分，在其他服務(wù)器上執(zhí)行剩余任務(wù)，實現(xiàn)部分卸載。但是當計算節(jié)點增加，CNN網(wǎng)絡(luò)層數(shù)會加深，在這種情況下采用BP傳播修改參數(shù)會使靠近輸入層的參數(shù)改動較慢，因此在大連接場景下性能會有所下降。

參考文獻[22]針對車聯(lián)網(wǎng)場景提出了一種基于DQN（deepQnetwork）的多用戶計算卸載與資源分配方案，考慮到任務(wù)執(zhí)行時延與能耗的均衡，實現(xiàn)了任務(wù)總成本的下降。相較于其他方法而言，DQN能夠在沒有任何先驗信息的情況下使車輛與環(huán)境進行交互，并從環(huán)境中學習、調(diào)整卸載決策，從而實現(xiàn)長期回報最佳化。這對類似車聯(lián)網(wǎng)這種時變動態(tài)的場景來說非常重要。參考文獻[23]在參考文獻[22]的基礎(chǔ)上，對不同車輛進行了任務(wù)優(yōu)先級的劃分，提出了一種基于AHP-DQN的計算卸載與資源分配算法。該算法通過引入層次分析法（AHP）對車輛終端的任務(wù)進行預(yù)處理，使得MEC服務(wù)器能夠輕松地合理分配計算資源。同時重新定義了獎勵函數(shù)，并且對任務(wù)處理速率進行加權(quán)作為新的優(yōu)化目標，降低了算法在迭代過程中的計算復(fù)雜度。

上述基于人工智能的計算卸載算法特點見表1。

2.2 基于AI的邊緣移動性管理

在MEC系統(tǒng)中，移動性管理的方案主要有兩種：第一，用戶移動性較低的場景中，可以通過調(diào)整基站功率，保障用戶處于移動狀態(tài)時能夠接受到連續(xù)不中斷的服務(wù)，該方案被稱作功率控制方案；第二，當用戶從一個基站覆蓋區(qū)域切換到一個新的基站覆蓋區(qū)域時，計算節(jié)點間通過遷移虛擬機保障服務(wù)的連續(xù)性，并且為用戶選擇一條新的合適路徑與計算節(jié)點相連，該方案被稱作虛擬機遷移方案。在功率控制方案中，傳統(tǒng)的通過基站自適應(yīng)式功率控制方案已經(jīng)可以有效地保障低移動性場景服務(wù)的連續(xù)性，卸載應(yīng)用成果傳遞有效率達98%以上[24-25]。由于5G系統(tǒng)中基站覆蓋范圍較小，用戶的切換會頻繁發(fā)生，特別是車聯(lián)網(wǎng)等終端處于高速移動的場景，MEC系統(tǒng)需要及時作出正確的服務(wù)遷移。MEC場景往往存在多個終端用戶與多個MEC計算節(jié)點，因此可選擇的服務(wù)遷移路徑較多，例如當終端用戶數(shù)為5、邊緣計算節(jié)點數(shù)為3時，可選遷移路徑數(shù)為35=125。隨著終端與計算階節(jié)點的增加，可選遷移路徑將以指數(shù)形式增加，這使得傳統(tǒng)算法的計算復(fù)雜度急劇增加。在這種情況下，AI技術(shù)成為一個研究重點。

參考文獻[26]針對能耗敏感型的移動性用戶提出了一種基于DNN的EESA（energy efficient smart allocator）算法。對每個用戶所在的初始位置建立了距離矩陣，并根據(jù)服務(wù)器的總CPU數(shù)、RAM和磁盤空間及其各項的加權(quán)系數(shù)求得每一項對用戶QoS的權(quán)重，最終得出系統(tǒng)效用矩陣。最后利用三層循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）對效用函數(shù)值進行訓練，求得最佳卸載策略。現(xiàn)有對MEC系統(tǒng)能耗的研究主要集中在服務(wù)器CPU的分配，而該文將CPU、RAM和磁盤空間共同納入考量，更符合MEC系統(tǒng)的實際場景。

表1 各算法優(yōu)化目標與卸載方式

參考文獻[27]圍繞深度強化學習提出了一種新的動態(tài)移動性感知資源分配方案。由于在移動場景下，每個MEC計算節(jié)點中的任務(wù)量是動態(tài)的，會因為用戶的切換而遷移到別的計算節(jié)點中，因此，通過傳統(tǒng)方法找到動態(tài)網(wǎng)絡(luò)的最優(yōu)卸載策略是非常困難的。該文引入軟件定義網(wǎng)絡(luò)（software defined network，SDN）架構(gòu)，通過SDN提供靈活、可靠的可用資源實時信息，集中控制器可以讓系統(tǒng)中的每個單元做出最佳決策。該文在SDN控制器中部署了智能代理，代理通過DQN預(yù)測的Q值做出當前狀態(tài)下用戶的卸載策略。與現(xiàn)有研究不同的是，該文考慮了計算節(jié)點在計算期間的時變工作負載，當計算資源改變時，任務(wù)可以實時進行遷移，避免了不必要的排隊時間，進一步最大化了系統(tǒng)增益。

參考文獻[28]針對高速移動的車聯(lián)網(wǎng)場景，提出了基于DRL的卸載規(guī)劃方案。該方案能夠最小化任務(wù)執(zhí)行時延和系統(tǒng)能耗加權(quán)后的系統(tǒng)開銷。在高速移動的車聯(lián)網(wǎng)場景下，各終端任務(wù)特性不同且處于高速移動狀態(tài)，此外，無線環(huán)境是動態(tài)變化的，因此需要考慮任務(wù)是否被卸載以及任務(wù)執(zhí)行順序。針對這種場景，該文通過馬爾可夫決策過程（Markov decision process，MDP）和DRL進行建模，處理頻繁切換帶來的大量狀態(tài)空間。并使用PPO（proximal policy optimization）算法進行訓練，該算法被證明具有良好的穩(wěn)定性和可靠性[29]。在提取任務(wù)隊列特征方面，該文使用在DNN體系結(jié)構(gòu)中嵌入CNN的方式獲取近似的卸載策略和值函數(shù)。該文設(shè)計的方案能夠在沒有任何動態(tài)環(huán)境先驗信息的情況下有效地學習最佳卸載調(diào)度策略。但是該文考慮的移動場景是一維移動場景，即車輛僅在直線上高速行駛，在實際場景中效果將有所降低。

參考文獻[30]提出了移動感知深度強化學習（mobility-aware deep reinforcement learning，M-DRL）框架解決MEC系統(tǒng)中的移動服務(wù)提供問題。相較于其他研究，該文對終端用戶的軌跡進行了預(yù)測。移動性預(yù)測是在移動服務(wù)提供過程中實現(xiàn)高效服務(wù)遷移的關(guān)鍵點，如果能夠預(yù)測未來用戶在服務(wù)器間的一系列位置與時間，那么就可以攻擊未來用戶所經(jīng)歷的預(yù)期時延。為實現(xiàn)此目標，該文提出了一種稱為glimpse的seq2seq模型進行軌跡預(yù)測，其中編碼器與解碼器使用長短期記憶（long short-term memory，LSTM）網(wǎng)絡(luò)。由于多用戶多MEC場景下狀態(tài)空間維度較大，該文在DRL中使用神經(jīng)網(wǎng)絡(luò)來逼近Q值函數(shù)。最后結(jié)合glimpse行動預(yù)測模型與DRL，形成M-DRL框架，從而降低系統(tǒng)的計算復(fù)雜度并以接近最優(yōu)的性能處理MEC中的服務(wù)提供問題。

參考文獻[31]針對車聯(lián)網(wǎng)場景提出了一種基于DRL的卸載算法。與其他研究不同的是，該文不僅考慮了用戶本地執(zhí)行、任務(wù)卸載至邊緣服務(wù)器執(zhí)行，同時也考慮了用戶與用戶間相互卸載的情況（即D2D）。這種做法的優(yōu)勢在于能夠利用鄰近空閑終端的計算能力，在提升系統(tǒng)效率的同時，提升頻譜利用率。針對狀態(tài)空間較大引起的高系統(tǒng)復(fù)雜度問題，該文提出了一種基于continuous-control的算法來對動作輸出進行修正。同時，該文在DRL中使用了一種被稱作A3C的改進Actor critic（AC）算法來確定最優(yōu)動作。AC算法由兩個結(jié)構(gòu)不同的神經(jīng)網(wǎng)絡(luò)組成，可以進行單步更新, 相較于傳統(tǒng)的Policy Gradient回合更新要快，在學習階段的學習效率相較于DQN算法更加高效。

2.3 基于AI的MEC安全性

由于MEC本身的特性，用戶本地業(yè)務(wù)的數(shù)據(jù)將會在核心網(wǎng)之外被終結(jié)，攻擊者將能夠通過邊緣平臺或應(yīng)用攻擊核心網(wǎng)，造成敏感數(shù)據(jù)的泄露、DDoS攻擊等。邊緣安全威脅主要存在于：（1）基礎(chǔ)設(shè)施安全，例如，攻擊者能夠非法訪問物理服務(wù)器的I/O接口，從而獲取諸如用戶位置等敏感信息；（2）MEC平臺與MEC應(yīng)用安全，例如當MEC平臺與MEC App通信時，傳輸數(shù)據(jù)可能會遭到篡改、攔截、重放；（3）MEC編排和管理系統(tǒng)安全；（4）用戶面功能（UPF）安全等[32]。

由于無線信道具有開放廣播的特性，邊緣網(wǎng)絡(luò)在對抗惡意終端設(shè)備的假冒攻擊方面十分薄弱。攻擊者可以通過合法的身份與MEC設(shè)備建立連接，這也將進一步導致中間人攻擊和DDoS攻擊的出現(xiàn)。對此，參考文獻[33]設(shè)計了一種基于DQN的物理層假冒攻擊檢測方法。該文根據(jù)建立的假冒攻擊模型，在接收側(cè)建立基于信道狀態(tài)信息（channel state information，CSI）的假設(shè)檢驗，隨后把兩次連續(xù)的CSI間的歐幾里得距離作為檢驗統(tǒng)計量，并利用DQN比較不同閾值的預(yù)期效果，篩查具有不合法特征的發(fā)送端身份。由于邊緣系統(tǒng)中用戶并不總處于靜止狀態(tài)，MEC與用戶間的信道環(huán)境也是動態(tài)的，利用DQN算法能夠在動態(tài)環(huán)境中找到最優(yōu)卸載策略。同時利用物理層特性的檢驗方法幾乎不會為終端帶來計算負荷。參考文獻[34]提出了一種孤立隨機森林算法與MEC技術(shù)相結(jié)合的思路對大數(shù)據(jù)環(huán)境下的DDoS攻擊進行檢測。將算法的訓練任務(wù)分散到各個邊緣計算節(jié)點，模型的訓練速度得到了大幅度提升。將中心云的訓練任務(wù)分流到各個邊緣節(jié)點，有效地減少了系統(tǒng)在檢測階段的耗時。通過該種方法，MEC系統(tǒng)能夠在保證高檢測性能的同時，有效應(yīng)對網(wǎng)絡(luò)數(shù)據(jù)增長帶來的中心云檢測壓力。參考文獻[35]提出了一種基于DL的流量預(yù)測與數(shù)據(jù)卸載機制和網(wǎng)絡(luò)攻擊檢測（DLTPDO-CD）技術(shù)，用于在MEC系統(tǒng)中預(yù)測流量、卸載數(shù)據(jù)和檢測網(wǎng)絡(luò)攻擊。該文首先使用Bi-LSTM進行流量負荷預(yù)測，這一過程有助于實現(xiàn)有效的數(shù)據(jù)卸載；其次將ASCE（adaptive sampling cross entropy）模型應(yīng)用于最大化卸載用戶的吞吐量；隨后將DBN（deep belief network）模型作為網(wǎng)絡(luò)攻擊檢測器，通過BMO（barnacles mating optimizer）算法優(yōu)化DBN模型的學習率；最后，應(yīng)用softmax分類層執(zhí)行分類任務(wù)。實驗結(jié)果證明，該模型對MEC系統(tǒng)中網(wǎng)絡(luò)攻擊的檢測效率提升顯著，有效地保障了MEC系統(tǒng)的安全性。參考文獻[36]在IoT場景下提出了一種基于生成對抗性網(wǎng)絡(luò)（generative adversarial network，GAN）和深度Q網(wǎng)絡(luò)（DQN）的代理檢測安全機制，旨在從連接信息中檢測未經(jīng)請求的代理連接。這種DQN-GAN安全機制既有DQN對復(fù)雜隨機環(huán)境適用性，也具有GAN的強魯棒性，對于提升大數(shù)據(jù)量的IoT場景安全性有很好的幫助。

另外，在MEC卸載的傳輸過程中，用戶的位置信息、移動狀態(tài)、興趣偏好和物理數(shù)據(jù)等敏感信息暴露在攻擊者面前，這大大降低了MEC系統(tǒng)的隱私性。為解決MEC系統(tǒng)隱私性問題，參考文獻[37]基于隨機森林分類器和k-匿名算法，提出了一種有效保證敏感數(shù)據(jù)隱私的分類－匿名模型。隨機森林在許多現(xiàn)有算法中獲得了較高的精度，使得它非常適合應(yīng)用在IoT場景的海量復(fù)雜數(shù)據(jù)處理。在邊緣環(huán)境下，根據(jù)用戶特性可以將數(shù)據(jù)屬性分為公共屬性與個體屬性。根據(jù)隨機森林分類完畢之后，k-匿名算法會對敏感數(shù)據(jù)進行處理。最后通過構(gòu)建Third-Game模型，分析博弈雙方在交互階段引起的用戶敏感數(shù)據(jù)泄露問題。隨機森林是在隨機性的幫助下由多個決策樹組成的，能夠較好地對抗由大量不平衡的數(shù)據(jù)帶來的平衡誤差，收斂到一個較小的泛化誤差，因此CA模型能夠更好地進行樣本預(yù)測，保護用戶隱私數(shù)據(jù)。

參考文獻[38]針對物聯(lián)網(wǎng)場景提出了一種基于深度PDS-learning的隱私感知計算卸載策略。該文構(gòu)建了一個與用戶－節(jié)點間距離相關(guān)的隱私損失函數(shù)，用其表征系統(tǒng)安全性，并將隱私感知卸載問題描述為一個馬爾可夫決策過程。PDS-learning利用額外的先驗統(tǒng)計信息加速MDP的學習過程，該文通過將PDS-learning與DQN相結(jié)合，結(jié)合兩種技術(shù)的優(yōu)點，有效解決了空間復(fù)雜性高和學習速率慢的問題。該算法能夠使物聯(lián)網(wǎng)設(shè)備以更快的速度學習一個良好的隱私感知卸載策略，相較于傳統(tǒng)DQN算法有明顯優(yōu)勢。

參考文獻[39]針對邊緣計算中的隱私泄露問題提出了一種新型的雙時間尺度RL算法。在較慢的時間尺度上，該算法與傳統(tǒng)PDS-VE算法相似；在較快的時間尺度上，該算法通過計算估計過渡概率學習未知的先驗信息。當狀態(tài)轉(zhuǎn)換的先驗信息可用時，與其他傳統(tǒng)的RL算法相比，傳統(tǒng)的PDS-VE算法可以實現(xiàn)更快的學習。然而在實踐中，移動設(shè)備可能無法獲得先驗信息。該文提出的雙時間尺度RL算法可以使移動設(shè)備在缺失先驗信息的情況下，以與PDS-VE算法相似的速度學習最優(yōu)的隱私感知卸載策略。

參考文獻[40]構(gòu)建了霧輔助三層安全計算體系結(jié)構(gòu)，其中開發(fā)了一種隱私感知的數(shù)據(jù)處理機制以對抗竊聽攻擊。該機制首先將公鑰和私鑰由受信任的認證方分別分配給云和終端設(shè)備，并在傳感層進行加密處理；卸載部分傳輸?shù)届F層，并根據(jù)Paillier加密的加性同態(tài)性質(zhì)分別對兩部分聚合密文進行定義；云層將兩部分聚合結(jié)果進行二次聚合，得到最終聚合結(jié)果；最后在云層進行解密。這種方式使得竊聽者即使成功竊聽了通信鏈路中傳輸?shù)臄?shù)據(jù)，也只能獲得相應(yīng)的密文，從而在傳輸階段有效地保護了用戶的隱私信息。

參考文獻[41]從安全服務(wù)開銷的角度出發(fā)，對MEC系統(tǒng)的安全性進行了研究。該文通過建立一個定量的模型來度量安全開銷與安全數(shù)據(jù)大小、CPU周期數(shù)、節(jié)點工作頻率之間的關(guān)系。并通過遺傳算法對系統(tǒng)安全性和能耗進行優(yōu)化，從而實現(xiàn)在確保系統(tǒng)安全性的前提下，計算能耗最低。

3 AI與毫米波大規(guī)模MIMO結(jié)合

與4G相比，5G網(wǎng)絡(luò)的目標包括：每個地理區(qū)域的移動數(shù)據(jù)流量增加1 000倍，用戶數(shù)據(jù)增加100倍，連接設(shè)備增加100倍，網(wǎng)絡(luò)能耗降低到1/10，端到端時延減少到1/5[42]，這要求5G系統(tǒng)擁有更高的數(shù)據(jù)傳輸速率[43]。針對此問題，學界確定了3種方法：部署更多的基站；發(fā)掘更多帶寬資源；使用更多天線數(shù)量的MIMO系統(tǒng)。這3種方法對應(yīng)產(chǎn)生了超密集組網(wǎng)技術(shù)、毫米波技術(shù)和大規(guī)模MIMO技術(shù)。毫米波大規(guī)模MIMO技術(shù)一方面結(jié)合了毫米波技術(shù)可用帶寬大的前景，另一方面從大規(guī)模MIMO技術(shù)中獲取大量收益，能夠支持5G系統(tǒng)中大量高速服務(wù)和帶寬需求。

盡管毫米波大規(guī)模MIMO具有巨大的潛力，但在物理層方面，毫米波信道對抵抗阻塞和傳播損耗非常敏感，尤其是在室內(nèi)或建筑物密集的城市環(huán)境中，這種現(xiàn)象更為明顯[45]。

3.1 AI結(jié)合混合預(yù)編碼

為提升毫米波系統(tǒng)的傳輸容量和可靠性。現(xiàn)有的解決方案大致有全連接混合預(yù)編碼[46-52]、子連接混合預(yù)編碼[53-54]、自適應(yīng)連接混合預(yù)編碼[55-58]。然而，現(xiàn)有混合預(yù)編碼方案的基本局限性是計算復(fù)雜度高，不能充分利用空間信息。隨著AI技術(shù)在5G系統(tǒng)中的應(yīng)用越來越廣泛，研究人員開始關(guān)注結(jié)合AI的混合預(yù)編碼方案，從而在提升系統(tǒng)性能的同時，降低系統(tǒng)復(fù)雜度，提高魯棒性。

3.1.1 全連接混合預(yù)編碼方案

在全連接混合預(yù)編碼方案中，每個射頻鏈固定地連接到所有天線上，通過設(shè)計適當?shù)念A(yù)編碼方案就可以實現(xiàn)較高的頻譜效率。全連接混合預(yù)編碼收/發(fā)兩端結(jié)構(gòu)如圖1所示。

參考文獻[59]在編碼器中使用并行復(fù)卷積塊，在解碼器中使用全連接層，信道參數(shù)使用復(fù)雜且真實的值。將這種復(fù)雜的信道參數(shù)作為輸入應(yīng)用到卷積神經(jīng)網(wǎng)絡(luò)中，卷積運算在本質(zhì)上也將變得復(fù)雜，從而幫助訓練網(wǎng)絡(luò)達到更高的精度。但是這種做法的缺陷在于訓練時間比較長，算法效率有所降低。參考文獻[60]提出了一種基于DNN的混合預(yù)編碼方案，每一次獲得更優(yōu)解碼器的預(yù)編碼器的選擇被視為DNN的映射關(guān)系。在訓練過程中，DNN能夠獲取預(yù)編碼方案的結(jié)構(gòu)信息，有助于降低計算復(fù)雜度。但由于DNN本身存在的問題，該方法的精確度相較于參考文獻[59]的方案略顯遜色。參考文獻[61]提出了HPNet結(jié)構(gòu)，如圖2所示，該結(jié)構(gòu)包括三層卷積層和四層全連接層，

圖1 全連接混合預(yù)編碼收發(fā)端結(jié)構(gòu)

其中，三層卷積層用來提取屬于毫米波信道的通信特征，每個卷積層后面是批標準化（batch normalization，BN）層和一個整流線性單元，通過這種結(jié)構(gòu)避免訓練過程中的過擬合和梯度消失現(xiàn)象；四層全連接層實現(xiàn)了非線性映射。實驗結(jié)果表明，該方法的復(fù)雜度明顯優(yōu)于非AI混合預(yù)編碼的方法，但是在頻譜效率方面略遜于現(xiàn)有方法。

圖2 HPNet結(jié)構(gòu)

3.1.2 子連接混合預(yù)編碼

子連接混合預(yù)編碼中，每個射頻鏈固定連接在天線的某一部分上，可以比全連接結(jié)構(gòu)消耗更少的功率，但會損失一定的頻譜效率。針對該種預(yù)編碼存在的缺陷問題，參考文獻[62]提出了一種基于深度學習量化相位（deep learning quantized phase，DLQP）的混合預(yù)編碼方法，如圖3所示。在預(yù)編碼前使用了一種基于深度學習壓縮感知的信道估計方案得到估計信道向量。在預(yù)編碼階段，首先使用估計信道向量訓練混合預(yù)編碼神經(jīng)網(wǎng)絡(luò)（training hybrid precoding neural network，THPNN），其中考慮了近似相位量化；隨后估計信道向量被輸入部署混合預(yù)編碼神經(jīng)網(wǎng)絡(luò)（deployment hybrid precoding neural network，DHPNN）中，從而得到模擬預(yù)編碼器向量；最后將所有用戶的模擬預(yù)編碼向量疊加得到模擬預(yù)編碼矩陣，通過迫零算法得到數(shù)字預(yù)編碼矩陣。實驗結(jié)果表明，該方法一定程度上減輕了由子連接結(jié)構(gòu)帶來的頻譜效率損失問題。

參考文獻[63]針對實際場景中多路發(fā)射信號到達接收機存在相對時延，當多路信號疊加時會產(chǎn)生頻率選擇性衰落問題，該文運用交叉熵優(yōu)化的思想智能搜索最優(yōu)的模擬預(yù)編碼器，同時以量化比特的相移器代替高精度相移器，從而實現(xiàn)能源效率方面的優(yōu)化。實驗結(jié)果表明，該方法可以接近最優(yōu)的可達和速率，并具有較高的能量效率。

上述這些種方案考慮的子連接形式為固定子陣列，這種連接形式中，每個射頻鏈連接到固定天線子集，雖然擁有低功耗和低復(fù)雜度的特性，但是在一定程度上犧牲了系統(tǒng)性能。參考文獻[64]中設(shè)計了針對多用戶的動態(tài)子陣列結(jié)構(gòu)，如圖4所示，將兩個DNN集成到多用戶混合預(yù)編碼框架，并通過映射操作和訓練解決了多用戶選擇和動態(tài)子陣列劃分問題。DNN中隱含層的非線性變換具有擬合未知復(fù)雜函數(shù)的能力，因此即使在多用戶動態(tài)子陣列結(jié)構(gòu)中也能夠保證較低的復(fù)雜度。實驗結(jié)果表明，該方法具有較好的可達和速率。

3.1.3 自適應(yīng)連接混合預(yù)編碼

自適應(yīng)連接結(jié)構(gòu)利用射頻鏈與天線之間的動態(tài)變化進行連接，在實現(xiàn)混合預(yù)編碼方面與其他連接方式相比具有良好的靈活性，可以實現(xiàn)更好的波束增益。但是這種連接方式存在的問題是，需要高精度的相移器才能夠?qū)崿F(xiàn)與全數(shù)字預(yù)編碼在可達和速率性能上的相似效果，對此參考文獻[65]提出了一種新的卷積神經(jīng)網(wǎng)絡(luò)組合器結(jié)構(gòu)，這種結(jié)構(gòu)可以在硬件限制和瞬時信道狀態(tài)信息（CSI）不完善的情況學習如何優(yōu)化組合器以最大化頻譜效率。但是在預(yù)編碼階段，為了降低復(fù)雜度，基帶預(yù)編碼器是直接從等效信道矩陣分解而來的，這在一定程度上降低了精確性。參考文獻[66]提出了一種基于機器學習的自適應(yīng)交叉熵優(yōu)化算法。在模擬預(yù)編碼器方面使用自適應(yīng)連接，用自適應(yīng)連接結(jié)構(gòu)代替子連接結(jié)構(gòu)中的開關(guān)和反向器，這種方式很大程度上降低了硬件復(fù)雜度和算法復(fù)雜度。此外，將機器學習應(yīng)用到自適應(yīng)結(jié)構(gòu)中可以彌補在使用低精度相移器時不能很好地實現(xiàn)陣列增益的問題，提升結(jié)構(gòu)的可達和速率。

圖3 基于DLQP的混合預(yù)編碼方法

圖4 針對多用戶的動態(tài)子陣列混合預(yù)編碼結(jié)構(gòu)

3.2 AI結(jié)合CSI反饋

大規(guī)模MIMO系統(tǒng)的潛在優(yōu)勢基于基站上獲得的CSI，因此CSI的準確性直接影響了大規(guī)模MIMO系統(tǒng)的性能。然而，在目前大多數(shù)蜂窩系統(tǒng)所采用的頻分復(fù)用（FDD）系統(tǒng)中，由于上下行鏈路之間的互易性較弱，下行CSI難以被準確獲取。因此，在FDD系統(tǒng)中，CSI將首先在用戶端通過導頻信號進行估計，然后反饋給基站。但是大規(guī)模MIMO系統(tǒng)中天線數(shù)較多，導致大量反饋開銷的產(chǎn)生，增加了CSI矩陣維數(shù)，因此在大規(guī)模MIMO系統(tǒng)中的CSI反饋實現(xiàn)難度非常大。為解決這類問題，應(yīng)該對CSI矩陣進行有效的壓縮，此時深度學習等人工智能算法能夠發(fā)揮巨大作用。

2018年，參考文獻[67]最先提出將DL應(yīng)用到CSI反饋中，設(shè)計了一種名叫CsiNet的CSI編解碼網(wǎng)絡(luò)。CsiNet結(jié)構(gòu)如圖5所示。在該網(wǎng)絡(luò)中，編碼器不再使用隨機投影，而是用訓練數(shù)據(jù)學習從原始信道矩陣到壓縮碼字的轉(zhuǎn)換。該算法不依賴于信道分布方面的知識，而是直接從訓練數(shù)據(jù)中學習如何有效利用信道結(jié)構(gòu)；而解碼器中，CsiNet學習從碼字到原始信號的逆變換，該變換是非迭代的，且算法速度相比迭代算法有數(shù)量級上的提升。終端使用編碼器將信道矩陣轉(zhuǎn)換為碼字，一旦碼字反饋給基站，基站就能使用解碼器恢復(fù)原來的信道矩陣，這大大降低了CSI反饋在FDD MIMO系統(tǒng)中實現(xiàn)的難度。在此基礎(chǔ)上，參考文獻[68]設(shè)計了一個擴展版本的CsiNet+網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示，該網(wǎng)絡(luò)通過擴大卷積核大小進一步提升CsiNet的性能，并提出了串行多路壓縮CsiNet+（SM-CsiNet+）與并行多路壓縮CsiNet+（PM-CsiNet+）。實驗結(jié)果表明，與原有CsiNet相比，CsiNet+網(wǎng)絡(luò)使CSI反饋參數(shù)數(shù)量降低了38.0%和46.7%。

圖5 CsiNet結(jié)構(gòu)

但是上述兩種方案側(cè)重關(guān)注角延遲域稀疏性，而忽略了具有時變特性的大規(guī)模MIMO信道的時間相關(guān)性。這類方案在壓縮率低時，分辨率會有所下降。針對此問題，參考文獻[69]將CsiNet進行了改進，用LSTM網(wǎng)絡(luò)代替CNN，設(shè)計了一個叫作CsiNet-LSTM的CSI反饋方案。LSTM網(wǎng)絡(luò)具有提取時間特征的能力，通過使用LSTM對信道的時間相關(guān)性進行提取可以進一步提高分辨率。實驗結(jié)果表明，CsiNet-LSTM在CSI恢復(fù)質(zhì)量上有較好的性能，且復(fù)雜度相較于現(xiàn)有基于壓縮傳感的CSI反饋方法更為簡單。與CsiNet相比，CsiNet-LSTM在降低壓縮比方面表現(xiàn)出了優(yōu)秀的魯棒性，但是需要更多的參數(shù)，占用更多內(nèi)存空間。隨后，參考文獻[70]在LSTM網(wǎng)絡(luò)之后增加了一項注意力（Attention）機制[71]，提出一種叫作LSTM-Attention CsiNet網(wǎng)絡(luò)結(jié)構(gòu)。注意力機制將LSTM網(wǎng)絡(luò)的輸出作為輸入，通過自動地對特征信息賦予優(yōu)先級和權(quán)重，從而在參數(shù)數(shù)量較少的情況下也能夠提取出重要的特征信息。通過這種方法，算法能在保證精確度的同時，兼顧內(nèi)存空間的占用情況，并在提升系統(tǒng)性能方面表現(xiàn)出不俗的能力。

雖然DL方法在減少大規(guī)模MIMO的CSI矩陣維度方面實現(xiàn)了顯著的性能提升，但目前使用單精度（32 bit）編碼反饋系數(shù)的CSI反饋仍然消耗了太多的帶寬。為了減少每個碼字所需的比特數(shù)，參考文獻[72]對維數(shù)降低后的編碼進行了低比特量化，提出了一種叫作CQNet的通用CSI壓縮框架，用于在有限帶寬約束下聯(lián)合優(yōu)化CSI壓縮、碼字量化和CSI恢復(fù)。文章將CQNet分別與CsiNet+[68]和DualNet-MAG[73]對CQNet框架進行效果評估，結(jié)果表明，9 bit均勻量化器在不對量化碼字進行神經(jīng)網(wǎng)絡(luò)再訓練的情況下，可以實現(xiàn)與32 bit高精度反饋相似的精度，且在壓縮維度較低的情況下兩種網(wǎng)絡(luò)都能夠表現(xiàn)出較強的魯棒性。然而在CSI重建階段，粗量化精度會導致CSI重建精度的降低。在實際場景中，相比于在高振幅時步長大、低振幅時步長小的非均勻量化器，均勻量化器的性能會相對較差。對此，參考文獻[74]在量化階段采用了一個μ律非均勻量化器來離散壓縮CSI，并引入基于神經(jīng)網(wǎng)絡(luò)的偏移網(wǎng)絡(luò)消除量化失真。實驗結(jié)果表明，與使用均勻量化器的CSI反饋方案相比，非均勻量化器方法無論是在室內(nèi)還是在室外都能擁有更好的量化信噪比（signal-to-quantization noise ratio，SQNR）。同時，由于神經(jīng)網(wǎng)絡(luò)的參與，偏移網(wǎng)絡(luò)中疊加的全連接層細化了去量化器的輸出，從而減小了量化失真，使信道矩陣更容易恢復(fù)。

圖6 擴展的CsiNet+網(wǎng)絡(luò)結(jié)構(gòu)

由于實際場景中存在大量噪聲，僅僅對CSI矩陣進行降維仍然會使得碼字中存在冗余。參考文獻[75]提出了一種叫作AnciNet的網(wǎng)絡(luò)結(jié)構(gòu)應(yīng)對帶噪聲的CSI壓縮反饋，該網(wǎng)絡(luò)由預(yù)降噪模塊與Anci塊增強反饋模塊組成。其中，預(yù)降噪模塊部署在CNN神經(jīng)網(wǎng)絡(luò)的前端，在編碼前對噪聲進行初步抑制；Anci塊增強反饋模塊則對壓縮與解壓縮過程中的殘留噪聲進行處理。通過這兩個模塊，CNN能夠使基站端從噪聲中更好地恢復(fù)CSI。與參考文獻[67-68]相比，該方法在歸一化MSE（NMSE）指標方面有明顯提升。但是在參數(shù)數(shù)量方面，AnciNet相較于CsiNet參數(shù)數(shù)量更多，這也意味著算法訓練的時間更久，回傳CSI的時間越長。

上述各個網(wǎng)絡(luò)的性能對比見表2～表4。NMSE值越小，代表基站對信道信息恢復(fù)得越準確；參數(shù)數(shù)量越少，代表算法所需訓練時間越短。

4 其他與AI相關(guān)的研究

除前兩節(jié)所提到的問題，AI技術(shù)在5G系統(tǒng)的眾多領(lǐng)域都有或多或少的應(yīng)用。本節(jié)簡單地對5G系統(tǒng)中基于AI的算法及方案進行介紹。

表2 各網(wǎng)絡(luò)NMSE性能對比（單位：dB）

表3 各網(wǎng)絡(luò)在不同壓縮率下的參數(shù)數(shù)量對比

4.1 AI結(jié)合信道均衡

信道均衡用來解決由信道和系統(tǒng)缺陷造成的失真問題，這些問題包括由放大器和數(shù)據(jù)轉(zhuǎn)換器引起的碼間干擾（ISI）和非線性。參考文獻[76]提出了一種新的方法來開發(fā)認知引擎（CE），該方法基于遺傳算法和強化學習，用于高頻波段的MIMO系統(tǒng)中接收端信號均衡。參考文獻[77]提出了三維射線發(fā)射（3D-RL）毫米波通道模型，其中充分考慮了拓撲和材料特性來生成人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）的數(shù)據(jù)集，并且訓練了一個多層感知（multi-layer perceptron，MLP）神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)將毫米波信道的最小二乘估計作為輸入，聯(lián)合學習信道估計與信道均衡過程。參考文獻[78]提出了一個基于DL的聚合物理層模塊（DeepWiPHY），聯(lián)合執(zhí)行信道估計、共相位誤差和采樣率偏移（CpeSro）校正和信道均衡。與高度模塊化的傳統(tǒng)接收機相比，DeepWiPHY可以同時執(zhí)行多個補償，這能夠使系統(tǒng)獲得更好的性能，也可以處理非線性射頻損耗。但是，由于神經(jīng)網(wǎng)絡(luò)的特性，在經(jīng)過基于神經(jīng)網(wǎng)絡(luò)的信道均衡后，噪聲通常不再是獨立同分布的高斯白噪聲，這將導致信道解碼器性能的下降[79]。如何解決這一問題是接下來研究的重點。

表4 不同信道－噪聲比（CNR）與壓縮率（CR）下CsiNet與AnciNet的NMSE性能對比（單位：dB）

4.2 AI結(jié)合同時同頻全雙工自干擾消除

同時同頻全雙工（co-frequency co-time full duplex，CCFD）系統(tǒng)實現(xiàn)了無線電通信雙方在同一頻帶內(nèi)同時發(fā)送和接收信號，這在理論上可以使現(xiàn)有的無線通信系統(tǒng)的容量與頻譜效率翻倍[80]。但是，在這種情況下接收天線將會捕獲來自自身發(fā)射天線的自干擾信號（SI），因此解決自干擾問題是實現(xiàn)FD技術(shù)的關(guān)鍵。參考文獻[81]首次提出用機器學習的方法解決自干擾問題，對傳輸信號的實部和虛部分別建立了兩個獨立的支持向量回歸（SVR）模型進行學習預(yù)測，實驗結(jié)果表明這種方式能夠很大程度上降低復(fù)雜度。參考文獻[82]提出了一種具有級聯(lián)結(jié)構(gòu)的雙層前饋神經(jīng)網(wǎng)絡(luò)解決FD-MIMO系統(tǒng)中的自干擾消除問題，該算法同時實現(xiàn)了對自干擾消除效果的提升和系統(tǒng)復(fù)雜度的降低。由于硬件總是存在偏差的，因此接收信號與發(fā)射信號的采樣頻率并不能嚴格一致，這將導致訓練過程中迅速出現(xiàn)過擬合現(xiàn)象，嚴重影響自干擾消除效果。為解決這個問題，參考文獻[83]提出了一種采用機器學習的實時自干擾解決方案，并使用了一種內(nèi)插值算法來幫助發(fā)射和接收數(shù)據(jù)完成匹配。

5 未來發(fā)展方向

5.1 AI與5G資源管理

在5G大連接場景下，特別是物聯(lián)網(wǎng)場景，無線資源管理會由于用戶量大、業(yè)務(wù)量大、系統(tǒng)不確定性高等問題變得異常困難。如何動態(tài)地、合理地分配信道資源，實現(xiàn)功率控制與切換管理等將是保障5G系統(tǒng)平穩(wěn)高效運行的重點。另外，諸如邊緣計算資源分配、網(wǎng)絡(luò)切片資源管理等也要求系統(tǒng)具有一個良好且簡單的資源管理算法。深度學習、強化學習等AI算法能夠很好地對大量數(shù)據(jù)進行處理，但是對于5G系統(tǒng)來說，現(xiàn)有的AI算法依然存在較高的計算復(fù)雜度和計算時延。因此，如何對大量數(shù)據(jù)進行預(yù)處理，將訓練數(shù)據(jù)集進行簡化以提高算法效率成為未來一個重要的研究方向。

5.2 AI與端到端通信

端到端通信被視為5G系統(tǒng)中的一種優(yōu)化方案，通過終端設(shè)備的短程直接連接通信，實現(xiàn)了系統(tǒng)頻譜利用率和吞吐率的提升，降低了系統(tǒng)時延。為了充分發(fā)揮D2D的優(yōu)勢，需要解決包括設(shè)備發(fā)現(xiàn)、模式選擇、干擾管理、功率控制、安全性保障、無線資源分配等一系列問題[84]。針對以上問題，目前學術(shù)界提出了一系列基于AI算法的D2D通信優(yōu)化方式[84-86]，且理論上能夠?qū)崿F(xiàn)系統(tǒng)性能的提升。然而，在實際應(yīng)用中，由于端用戶本身計算能力的限制，使用復(fù)雜的AI算法會導致較高的計算開銷（例如時延、能耗等）。因此如何保證AI算法能夠在端設(shè)備上以低成本運行是端到端通信中一個亟待解決的問題。

5.3 AI與5G安全性

安全性問題一直是無線通信系統(tǒng)的一個研究重點。特別是，在5G中，連接從“人與人”上升到了“人與物” “物與物”，這在帶來萬物互聯(lián)優(yōu)勢的同時，多樣化的應(yīng)用場景也使得安全性問題變得異常復(fù)雜。另外，由于邊緣計算、網(wǎng)絡(luò)切片等技術(shù)的提出，開放、多元的網(wǎng)絡(luò)層結(jié)構(gòu)也增加了5G網(wǎng)絡(luò)安全信任體系的復(fù)雜度。對于這種高度復(fù)雜且多變的應(yīng)用場景，AI技術(shù)被認為是一種有效解決問題的途徑，也將成為未來研究的一個重點。

5.4 AI與6G

隨著無線通信技術(shù)的發(fā)展，學術(shù)界針對6G的研究正在慢慢展開。與前幾代技術(shù)相比，6G將徹底改變無線通信的發(fā)展，將“連接萬物”發(fā)展到“連接智能”[87]。6G系統(tǒng)將采用先進的人工智能技術(shù)，及時高效、隨時隨地采集、傳輸和學習數(shù)據(jù)，生產(chǎn)大量創(chuàng)新性應(yīng)用和智能服務(wù)。并且，無處不在的人工智能將賦予6G一種高度靈活的架構(gòu)，將“以人為中心”的開發(fā)概念落實到網(wǎng)絡(luò)的各個方面，取代“以數(shù)據(jù)為中心” “以機器為中心”和“以應(yīng)用為中心”的服務(wù)模式[88]。

6 結(jié)束語

本文總結(jié)了人工智能技術(shù)在5G中的應(yīng)用。具體總結(jié)了與AI相關(guān)算法在移動邊緣計算技術(shù)與毫米波大規(guī)模MIMO技術(shù)中的相關(guān)研究；分析了各研究的創(chuàng)新點和優(yōu)缺點；最后基于當前的發(fā)展趨勢，提出了AI與5G結(jié)合的未來發(fā)展方向。

目前，AI技術(shù)已經(jīng)在各個領(lǐng)域有著廣泛的應(yīng)用，且被證明具有巨大優(yōu)勢。越來越多針對5G技術(shù)的研究也開始傾向于使用AI技術(shù)。然而在實際場景中，設(shè)備功耗、計算能力、應(yīng)用場景等多種因素使得AI算法在5G系統(tǒng)中真正部署有著一定困難。但是由于傳統(tǒng)算法在面對多變復(fù)雜且數(shù)據(jù)量大的問題上有著明顯的缺陷，AI技術(shù)仍然具有巨大的發(fā)展空間和潛力。