AI 賦能6G 無線接入網技術研究

朱曉丹，黃慶秋

（廣東省電信規劃設計院有限公司，廣州 510630）

人工智能AI（Artificial Intelligence）和6G 是當今熱度最高的2 項技術。AI 技術與6G 融合，可使網絡高效智能地完成特定工作/任務，優化網絡性能和提升用戶感知。6G 網絡由此可提供比以往更智能的互聯、更快的速度、更大的容量和更可靠的連接。這2 種技術的結合，賦能各種智慧應用場景，將迸發出驚人的社會發展驅動力。

根據第三代合作伙伴計劃（3GPP）的計劃，6G 標準研究將在Rel-20（2025 年）啟動，AI 技術會在6G 深度部署。支持AI 的空中接口已確定作為Rel-18 及后續版本的RAN 項目之一，將用于性能提升或減少網絡復雜性/網絡開銷。同時，支持AI 的NG RAN 在數據收集和信令支持方面的能力可得到增強。以上工作均為了實現6G 其中一個技術愿景：AI4NET（AI for Network）。

AI 在網絡側對6G RAN 的賦能，是通過AI 分析網絡數據，并基于這些數據做出決策，可應用于優化網絡性能、提升網絡運行效率和加強網絡安全管理等方面。

1 AI 賦能6G 背景

在未來智慧城市中，各類分布式移動應用諸如物聯網IoT（Internet of Things）、車聯網IoV（Internet of Vehicles）、工業物聯網IIoT（Industrial Internet of Things）、機器人物聯網IoRT（Internet of Robotic Things）、智慧醫療IoMT（Internet of Medical Things）和增強/虛擬現實AR/VR（Augmented Reality/ Virtual Reality）的部署，在服務質量QoS（Quality of Service）和服務水平協議SLA（Service Level Agreement）2 方面均對網絡有嚴格的要求，這些都是6G 原始驅動力。

從移動互聯，到萬物互聯，再到萬物智聯，6G 將實現從服務于人、人與物，到支撐智能體高效聯接的躍遷[1]。為了達到這一水平，與5G 相比，6G 需要配備上下文感知的算法來優化其架構、協議和操作。為此，6G 須在其基礎架構設計中注入AI 技術，使之融合到基站、云計算和云存儲等基礎設施中。軟件定義網絡（SDN）的傳統方法，從分析到決策所需的時間較長。基于深度學習（Deep Learning，DL）/強 化 學習（Reinforcement Learning，RL）/ 遷移學習（Transfer Learning，TL）等AI/ML（Machine Learning）算法適用于6G RAN 的部署，包括資源、移動性、能效等方面的管理。

2 AI 技術驅動6G RAN

2.1 信道估計

為了滿足智慧城市應用在高數據率（Tbps）、低延遲（0.1～1 毫秒級）和高可靠性（99.999 99%）方面的苛刻要求，許多新技術將在6G RAN 得以應用，如太赫茲通信、可見光通信、超大規模MIMO 和智能超表面技術等[1]。這些技術將增加無線信道的復雜性，給使用傳統方法的信道估計帶來極大挑戰。

在無線信號傳輸過程中，無線信道相位偏移會減弱，傳輸的信息會衰減及噪聲會增加，信道估計就是估計信道的特性以從信道效應中恢復傳輸信息的過程。為了提高6G 通信的性能和容量，精確和實時的信道估計變得至關重要。深度學習DL 可為精確信道估計提供有效的支持[2]。圖1 顯示了一個基于DL 的信道估計過程。原始信息首先與Pilot 信號一起傳輸，然后提取信道的變化對Pilot 信號的影響，最后用插值信道的DL 法來得到信道特性的估計。

圖1 基于深度學習DL 的信道估計

圖1 展示的是一種基于深度神經網絡（DNN）的方法，用于正交頻分復用（OFDM）中的信道估計和符號檢測。DNN 模型通過使用不同信道條件下產生的OFDM 樣本進行離線訓練，然后該模型用于恢復傳輸信息，無須估計信道特性。

2.2 調制識別

調制識別的目的是識別出噪聲干擾環境下的信號調制信息，調制識別有助于信號解調和解碼的應用，如干擾識別、頻譜監測、認知無線電、威脅評估和信號識別。

6G 網絡中數據流量幾何級地增加，傳統的判決理論方法和統計模式識別方法在效率上不能完全滿足要求。卷積神經網絡（Convolution Neural Network，CNN）和長短時記憶（Long-Short Term Memory，LSTM）可在調制識別中適用，前者適合于空間數據的自動特征提取，而后者則適用于調制識別[3]。如圖2 所示，卷積神經網絡CNN 的應用，可以提高調制識別的準確性和效率。

圖2 基于卷積神經網絡的調制識別

卷積神經網絡進行信號分類的方式為：將接收到的信號作為輸入，通過卷積層（Convolutional Layer）提取信號的特征，然后通過全連接層（Dense Layer）將提取的特征映射到不同的調制方式上，最終實現對信號的識別。

長短時記憶LSTM 神經網絡通過輸入信號的時序信息，學習信號的特征并進行分類。LSTM 模型如圖3所示，LSTM 基于xt和ht-1來計算ht，內部通過輸入門it、遺忘門ft及輸出門ot三個門和一個內部記憶單元ct。利用LSTM 調制識別是將信號的時域或頻域表示作為LSTM 的輸入，通過多個LSTM 層提取信號的高級特征，最后通過全連接層輸出信號的分類結果。

圖3 長短時記憶LSTM 神經網絡模型

2.3 移動性管理

6G 網絡需要實現低延遲和高可靠性的業務如IoV、IoRT 和IoMT。為了保證這些應用的QoS，同時改善資源利用率和網絡瓶頸，學習和預測用戶的移動變得至關重要，基于DRL 的方法可作為可選方案，提高移動性管理的效率[4]。

如圖4 所示，可通過結合LSTM 和DRL 預測移動用戶軌跡，LSTM 被用來預測移動用戶的軌跡，而DRL 則用于改善LSTM 的模型訓練時間。DRL 的目的是改善LSTM的模型訓練時間，不需要人工干預。該方法基于算法預判，在時間效率上優于傳統的3GPP 移動性管理，如基于位置區域（Location Area）、跟蹤區域（Tracking Area）的方法，在6G 中結合使用將有效提高移動性管理的效率。

圖4 基于DRL 的網絡終端移動性管理

2.4 能效管理

遷移學習TL 是指將已經訓練好的模型應用于新的任務或領域中，以加快模型的訓練速度和提高模型的性能。6G 的RAN 設計中，可以利用遷移學習TL 結合強化學習RL 來提高網絡效率。具體來說，6G 網絡用例在執行各種任務時可以共享時空特征及網絡配置信息，可以實時使用其他用例中訓練好的模型來初始化6G RAN 參數，經過調整后形成資源分配與控制策略并應用[5]。

6G RAN 能效管理，重點可放在無線接入的資源分配（RA-Resource Allocation）、能源效率（EE-Energy Efficiency）和準入控制（AC-Admission Control）三方面。如圖5 所示，無線接入網RAN1 和無線接入網RAN2 作為統一網絡中2 個應用的場景，源是RAN1，目標是RAN2，這2 個場景的應用部署具有相似性。場景的特點決定了整體的資源配置，假設需要QoS 優先，則資源分配規則上需安排更多的資源，或者如果目標是要降低整體能耗，那么能效效率管理（EE）則可釋放部分資源降低網絡能耗。RAN1 的資源分配、能源效率、準入控制等資源分配與控制策略，可以通過TL/RL算法平移到RAN2 中調整后應用，以提升網絡運行能效。

圖5 基于TL/RL 的網絡資源分配管理

3 結束語

具備敏捷、靈活和自學習能力的內生智能6G 網絡，將為未來分布式、動態和智能的智慧城市應用提供基礎網絡能力。而AI 技術將在6G 和智慧城市中發揮關鍵作用。通過探討幾種AI 技術在6G RAN 的信道估計、調制識別、移動性管理和效能管理等方面的應用，旨在推動6G 與AI 的融合，6G RAN 領域內生智能關鍵技術、標準方面的探索。