基于AI識別的5G網(wǎng)絡干擾檢測技術探析

摘要：隨著5G網(wǎng)絡的快速發(fā)展，網(wǎng)絡干擾問題日益突出。傳統(tǒng)的干擾檢測方法需要大量的人力和時間，難以應對復雜多變的干擾形式，而人工智能技術則是解決這一問題的有效途徑。本文介紹了一種基于AI識別的5G網(wǎng)絡干擾檢測方法，利用基于DRL模型的智能算法對5G網(wǎng)絡數(shù)據(jù)進行實時監(jiān)測和分析，從而快速準確地檢測網(wǎng)絡干擾，并采用強化學習模型對網(wǎng)絡數(shù)據(jù)進行訓練和預測，以實現(xiàn)對不同類型干擾的自動分類和識別。經(jīng)大量真實場景驗證，該模型具備較高的準確性和魯棒性，能夠幫助網(wǎng)絡運營商及時發(fā)現(xiàn)和解決干擾問題，并提高網(wǎng)絡的可靠性。

關鍵詞：5G；無線通信；深度強化學習；信號干擾檢

一、5G發(fā)展的重要性和前景

（一）研究背景及意義

5G網(wǎng)絡以其高速率、低延遲和大容量的特點，為人們帶來了更快速和更豐富的應用體驗。然而，隨著5G網(wǎng)絡的普及和使用范圍的擴大，網(wǎng)絡干擾問題也逐漸顯現(xiàn)出來。在5G網(wǎng)絡中，干擾可能來自多個方面，包括電磁輻射、其他無線設備、基站之間的頻譜交叉等，由此導致通信中斷或延遲，影響人們的語音通話、視頻通話和數(shù)據(jù)傳輸[1]，還可能導致信號衰減和波動，降低網(wǎng)絡速度和穩(wěn)定性，嚴重影響用戶體驗。因此，準確、及時地檢測和解決5G網(wǎng)絡中的干擾問題成為當務之急。

（二）國內(nèi)外5G網(wǎng)絡干擾檢測技術發(fā)展

針對5G網(wǎng)絡干擾問題，目前國內(nèi)外網(wǎng)絡運營商和研究機構在5G網(wǎng)絡干擾檢測領域進行了廣泛地研究和實踐，對頻譜分析、信號采樣和測量等[2]檢測方法進行了改進和優(yōu)化，有效提高了干擾檢測的準確性和效率。

國內(nèi)研究包括：

基于物理層特征的干擾檢測：利用5G網(wǎng)絡物理層參數(shù)和特征的變化，如信號強度、信號質(zhì)量、調(diào)制方式等，來判斷是否存在干擾，并進行干擾源的定位和識別。

基于數(shù)據(jù)分析的干擾檢測：通過對大量的網(wǎng)絡數(shù)據(jù)進行采集和分析，應用機器學習和數(shù)據(jù)挖掘算法，識別干擾的模式和規(guī)律，實現(xiàn)對干擾的自動檢測和分類。

國外研究包括：

頻譜感知和動態(tài)頻譜分配：通過感知頻譜使用情況和干擾狀況，動態(tài)地進行頻譜分配和管理，以減少干擾對網(wǎng)絡性能的影響。

智能感知網(wǎng)絡：利用智能感知設備和傳感器，在網(wǎng)絡中部署分布式的干擾檢測節(jié)點，實時采集和分析網(wǎng)絡干擾數(shù)據(jù)，以提高干擾檢測的實時性和準確性。

基于機器學習的干擾檢測：應用機器學習算法，訓練模型對干擾進行分類和識別。同時，結(jié)合深度學習技術，提高模型的性能和自適應能力。

通過對國內(nèi)外檢測技術的整理和分析可見，人工智能（AI）技術成為解決5G網(wǎng)絡干擾問題的一種較有前景的解決方案。

二、5G網(wǎng)絡干擾情況分析

5G系統(tǒng)中存在兩種主要的干擾類型，分別為系統(tǒng)內(nèi)干擾和系統(tǒng)外干擾。在綜合分析了5G信號覆蓋小區(qū)內(nèi)干擾頻譜的具體狀況后，對常見的5G網(wǎng)絡系統(tǒng)內(nèi)和系統(tǒng)外干擾類型進行了整理和分析[3]。經(jīng)研究發(fā)現(xiàn)，在5G無線通信系統(tǒng)中，當多個用戶設備同時使用相鄰的PRB進行通信時，由于無線信道的特性和無線資源的有限性，極易出現(xiàn)資源塊的重疊或重疊利用的情形，從而發(fā)生PRB干擾，導致出現(xiàn)以下幾個問題。

信號干擾：由于PRB的重疊或重疊利用，相鄰用戶設備之間的信號可能相互干擾，導致接收設備無法正確解碼或解調(diào)信號，從而降低通信質(zhì)量。

數(shù)據(jù)丟失：PRB干擾可能導致數(shù)據(jù)包的丟失或錯誤。當多個用戶設備同時傳輸數(shù)據(jù)時，由于干擾的影響，接收設備可能無法正確接收或解碼數(shù)據(jù)，導致數(shù)據(jù)包丟失或損壞。

容量下降：PRB干擾可能限制系統(tǒng)的容量。當干擾增加時，無線資源的可用性減少，導致系統(tǒng)無法支持更多的用戶設備或提供更高的數(shù)據(jù)傳輸速率。

（一）系統(tǒng)外干擾

外部干擾是指當前網(wǎng)絡制式以外干擾源所引起的干擾。這些干擾源可能是因為非法或不當使用導致對5G網(wǎng)絡頻段的干擾，主要表現(xiàn)為同頻干擾。外部干擾源典型的有：屏蔽考場信號的干擾、軍區(qū)通信系統(tǒng)、柜員機的警用干擾等。因此，了解外部干擾類型及其來源對于5G網(wǎng)絡的優(yōu)化和干擾消除至關重要。

由于5G頻譜資源緊張，受外部干擾影響，容易出現(xiàn)PRB干擾。針對該問題，可以采用PRB干擾檢測方法來試驗，其主要程序是通過對接收信號進行FFT變換，將信號轉(zhuǎn)換到頻域，再對每個PRB進行功率譜密度的估計，確定每個PRB的信噪比，如果某個PRB的信噪比低于一定的閾值，即說明該PRB受到了干擾。

（二）系統(tǒng)內(nèi)干擾

內(nèi)部干擾和運營商間干擾一般指移動網(wǎng)絡自身由于制式或設備對5G網(wǎng)絡造成的干擾，常見的內(nèi)部干擾包括阻塞干擾、互調(diào)干擾和雜散干擾。阻塞干擾表現(xiàn)為干擾源話務與電平存在較大的關聯(lián)，繁忙時段干擾源相對較大；PRB級干擾呈現(xiàn)的特點是PRB之前有一個明顯的梯形狀凸起。互調(diào)和諧波干擾表現(xiàn)為小區(qū)級平均干擾電平跟話務關聯(lián)大，話務忙時網(wǎng)絡干擾越大；PRB級干擾呈現(xiàn)的特點是某個或某幾個RB呈尖峰突起狀，而未受干擾的其他RB的底噪顯得很低。雜散干擾表現(xiàn)為小區(qū)級干擾平均干擾電平曲線一般相對平直；與干擾源靠得越近，PRB遭受干擾的可能性越高，干擾所產(chǎn)生的電平會出現(xiàn)向一邊持續(xù)傾斜的特點。

三、傳統(tǒng)檢測方法與人工智能創(chuàng)新方案

（一）傳統(tǒng)檢測方法的不足

1.傳統(tǒng)檢測結(jié)果存在局限性

5G基站網(wǎng)絡常規(guī)檢測內(nèi)容包括無線覆蓋率、下行速率、上行速率、上行及下行NR峰值速率、NR接入成功率、語音業(yè)務呼叫建立成功率、NR數(shù)據(jù)業(yè)務掉線率、切換成功率、信號泄露和通道底噪等[4]。

在實際測試過程中，以設定的指標值基礎，通過常規(guī)測試軟件接入PC進行測試。測試的結(jié)果基本能反映5G基站的功能和性能參數(shù)，但無法預估到網(wǎng)絡接入極端情況。因此，測試結(jié)果也只能表示在網(wǎng)絡檢測時間段的5G網(wǎng)絡信號情況，存在一定的局限性。

2.基于模型的檢測方法存在誤差

基于模型的檢測方法是指通過建立數(shù)學模型來描述5G網(wǎng)絡信號的特征，對信號進行分析和判斷，其優(yōu)點是準確性高，缺點是存在誤差。5G網(wǎng)絡信號的干擾類型多樣，且干擾源可能隨時移動，同時，干擾信號也可能受其他因素影響，導致模型的適應性不足。

3.基于統(tǒng)計的檢測方法對樣本要求高

基于統(tǒng)計的檢測方法是指通過對5G網(wǎng)絡信號進行采樣、分析和統(tǒng)計，來判斷信號是否受到干擾，其優(yōu)點是簡單易用，缺點是對樣本要求較高。由于5G網(wǎng)絡信號的干擾類型多樣，需要對不同類型的干擾信號進行采樣和分析，導致檢測成本高。

4.基于機器學習的檢測方法需要大量數(shù)據(jù)和模型訓練

基于機器學習的檢測方法是指通過對5G網(wǎng)絡信號進行大量的數(shù)據(jù)采集和模型訓練，以此實現(xiàn)對信號干擾的檢測。這種方法的優(yōu)點是可以自動學習和適應不同的干擾情況，但缺點是需要大量的數(shù)據(jù)和模型訓練，并耗費大量的時間和精力，不切合實際。

（二）基于人工智能的創(chuàng)新檢測方案

1.結(jié)合深度學習新技術進行優(yōu)化

深度學習技術的發(fā)展使得5G網(wǎng)絡信號干擾檢測得到優(yōu)化。例如，利用卷積神經(jīng)網(wǎng)絡（CNN）等深度學習模型來提取信號特征，然后通過分類器進行判斷和分類。這種方法可以自動學習和適應不同的干擾情況，并提高檢測的準確性和實時性。

2.結(jié)合多源數(shù)據(jù)進行綜合分析

5G網(wǎng)絡信號的干擾可能來自多個方面，例如其他設備、信號源、網(wǎng)絡設備等。因此，可以結(jié)合多源數(shù)據(jù)進行綜合分析，以提高干擾檢測的準確性和可靠性。例如，結(jié)合無線電頻譜分析、網(wǎng)絡流量分析、設備定位等多種技術手段，實現(xiàn)對5G網(wǎng)絡信號干擾的全方位檢測和分析。

3.結(jié)合人工智能進行智能化管理

5G網(wǎng)絡信號干擾檢測不僅需要準確性和實時性，還需要智能化管理。因此，可以結(jié)合人工智能等技術，實現(xiàn)對5G網(wǎng)絡信號干擾的智能化管理。例如，利用強化學習等技術實現(xiàn)對干擾源的自動定位和追蹤，并提高干擾檢測的效率和精度。

4.結(jié)合人工智能優(yōu)化干擾檢測算法

通過算法的優(yōu)化，基于PRB的干擾檢測算法和基于時頻域分析的干擾檢測算法等，采用人工智能、機器學習等智能化技術，對干擾檢測算法進行優(yōu)化和改進，使干擾檢測自動化，并提高干擾檢測的準確性和效率。

四、基于AI識別的5G網(wǎng)絡干擾檢測方法的實現(xiàn)

（一）深度強化學習

深度強化學習（DRL）結(jié)合了深度與強化兩種學習方法，用于解決具有高維狀態(tài)空間和動作空間的復雜任務。它結(jié)合了深度學習的能力來處理大規(guī)模的原始數(shù)據(jù)和提取高級特征，以及強化學習的能力來進行決策和優(yōu)化，其主要思想是通過深度神經(jīng)網(wǎng)絡來學習決策策略，以最大化預期的長期回報。深度強化學習方法通常基于值函數(shù)和策略函數(shù)優(yōu)化。值函數(shù)表示在設定狀態(tài)下采取某個動作的長期累積獎勵的期望值，而策略函數(shù)則定義了在給定狀態(tài)下選擇動作的概率分布。通過不斷與環(huán)境交互并使用反向傳播算法進行梯度下降，深度強化學習可以逐步優(yōu)化值函數(shù)和策略函數(shù)，以找到最優(yōu)策略。其基本流程如下：

環(huán)境建模：將決策問題抽象成一個環(huán)境，包括狀態(tài)、動作、獎勵等元素。

策略學習：使用深度神經(jīng)網(wǎng)絡學習決策策略，即給定當前狀態(tài)，輸出一個動作的概率分布。

行動執(zhí)行：根據(jù)策略選擇一個動作，并執(zhí)行該動作，得到環(huán)境反饋的獎勵和新狀態(tài)。

訓練更新：使用反饋的獎勵和新狀態(tài)更新策略的參數(shù)，以最大化預期的長期回報。

（二）基于AI識別的5G網(wǎng)絡干擾檢測方法

基于AI識別的5G網(wǎng)絡檢測方法的核心在于檢測移動終端發(fā)出的連接請求信號，并獲取相應的通信連接信息，優(yōu)化網(wǎng)絡頻譜接入至智能移動終端的參數(shù)，降低頻譜接入過程中產(chǎn)生的網(wǎng)絡干擾，以提高用戶的移動通信質(zhì)量。該創(chuàng)新檢測方法主要包括以下步驟：

1.獲取初始信息

在接入通信網(wǎng)絡過程中，智能移動終端發(fā)出通訊網(wǎng)絡連接請求，通信基站根據(jù)通信網(wǎng)絡連接請求生成網(wǎng)絡頻譜接入指令，然后根據(jù)網(wǎng)絡頻譜接入指令，得到待進行網(wǎng)絡連接智能移動終端所需的蜂窩網(wǎng)絡傳輸參數(shù)以及所有待接入的網(wǎng)絡頻譜的特征信息，如圖1所示。

2.獲得映射關聯(lián)信息

將網(wǎng)絡頻譜特征信息和蜂窩網(wǎng)絡傳輸參數(shù)信息輸入至預設的線性關系分析模型內(nèi)，以得到關聯(lián)信息。

將待接入的網(wǎng)絡頻譜的特征信息和待進行網(wǎng)絡連接所需的蜂窩網(wǎng)絡傳輸參數(shù)情況輸入至線性關系分析模型，通過利用線性關系分析模型，能夠得到網(wǎng)絡頻譜特征信息與蜂窩網(wǎng)絡傳輸參數(shù)信息兩者之間的映射關聯(lián)情況，再根據(jù)用戶所需的蜂窩網(wǎng)絡傳輸要求，快速地匹配出蜂窩網(wǎng)絡待接入的頻譜，從而有效提高蜂窩網(wǎng)絡與頻譜之間的匹配效率。

3.優(yōu)化接入?yún)?shù)

通過關聯(lián)信息獲取頻譜接入路徑信息，再基于頻譜接入路徑信息對頻譜接入?yún)?shù)進行優(yōu)化。

得到網(wǎng)絡頻譜特征信息與蜂窩網(wǎng)絡傳輸參數(shù)信息的關聯(lián)信息后，分析該網(wǎng)絡頻譜與智能移動終端的接入路徑情況，再根據(jù)該接入路徑情況，優(yōu)化網(wǎng)絡頻譜接入過程中的接入?yún)?shù)，例如優(yōu)化網(wǎng)絡頻譜接入速率、匹配速率以及接入時間等參數(shù)信息。

4.調(diào)整匹配方案

根據(jù)所述頻譜接入?yún)?shù)調(diào)整網(wǎng)絡通信匹配方案，基于調(diào)整后的網(wǎng)絡通信匹配方案與智能移動終端網(wǎng)絡通信連接。首先，分析該網(wǎng)絡頻譜與智能移動終端的接入路徑情況，再根據(jù)該網(wǎng)絡頻譜具體的接入路徑，找到相對應待接入的終端，并優(yōu)化網(wǎng)絡頻譜接入至該終端的參數(shù)情況，然后根據(jù)優(yōu)化后的頻譜接入?yún)?shù)自動調(diào)整網(wǎng)絡通信匹配方案，從而有效降低頻譜接入過程中產(chǎn)生的網(wǎng)絡干擾。同時，自動將該匹配方案進行記憶存儲，以便后期同樣的智能移動設備再次接入蜂窩網(wǎng)絡時，能夠快速接入網(wǎng)絡頻譜，進而提高用戶的移動通信網(wǎng)絡質(zhì)量。

基于AI識別的5G網(wǎng)絡干擾檢測方法效用的實現(xiàn)需要匹配相應的檢測裝置、硬件設備和存儲介質(zhì)，其中檢測裝置跟檢測步驟進行關聯(lián)，包括以下四種裝置：

響應模塊：用于響應頻譜獲取指令、網(wǎng)絡頻譜特征信息和蜂窩網(wǎng)絡傳輸參數(shù)信息；

關聯(lián)模塊：用于將所述網(wǎng)絡頻譜特征信息和蜂窩網(wǎng)絡傳輸參數(shù)信息輸入至預設的線性關系分析模型內(nèi)，以得到關聯(lián)信息；

參數(shù)優(yōu)化模塊：基于所述關聯(lián)信息獲取頻譜接入路徑信息，基于所述頻譜接入路徑信息優(yōu)化頻譜接入?yún)?shù)；

頻譜接入調(diào)整模塊：用于根據(jù)所述頻譜接入?yún)?shù)，調(diào)整網(wǎng)絡通信匹配方案，并基于調(diào)整后的網(wǎng)絡通信匹配方案與智能移動終端網(wǎng)絡通信連接。

與傳統(tǒng)檢測方法對比，基于AI識別的5G網(wǎng)絡干擾檢測方法從另外一個角度闡釋了其解決技術方案，既解決了5G網(wǎng)絡內(nèi)在、外在信號干擾的問題，又解決了因5G頻譜資源緊張而經(jīng)常出現(xiàn)的PRB干擾問題。

五、結(jié)束語

基于AI識別的5G網(wǎng)絡檢測方法能夠更加高效地識別5G網(wǎng)絡干擾情況，推動改善5G網(wǎng)絡運行環(huán)境和用戶的移動通信體驗。除了常規(guī)傳輸通信，該方法還能夠?qū)︶t(yī)療、教育、辦公、娛樂和出行等多方面起到促進作用，切實提升人們在各領域的獲得感和體驗感。

隨著5G的發(fā)展，6G也離人們越來越近。相較于5G，6G的傳輸速率更快，所面臨網(wǎng)絡干擾可能性更高，因此，本文研究的創(chuàng)新方法也能夠?qū)?G的發(fā)展起到促進和賦能作用。

作者單位：柏林 公誠管理咨詢有限公司

參" 考" 文" 獻

[1]郭鑫.基于5G通信的無線網(wǎng)絡智能抗干擾技術分析研究[J].數(shù)字通信世界，2021（10）：101-102，5.

[2]王佳欣，常青，田原，等.GNSS干擾信號檢測方法研究[J].導航定位與授時，2020，7（4）：117-122.

[3]梁金弟，程郁凡，杜越，等.聯(lián)合多維特征的干擾識別技術研究[J].信號處理，2017，33（12）：1609-1615.

[4]朱鋆.實時頻譜分析在5G干擾排查應用中的優(yōu)勢[J].中國無線電，2021（4）：105-108.