６Ｇ 網絡智慧內生愿景、架構與關鍵技術

摘 要：面向２０３０ 年及未來，６Ｇ 網絡將與人工智能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）技術進行深度融合，智慧內生作為６Ｇ 網絡的重要特征已經成為業界共識，６Ｇ 網絡智慧內生已成為當前６Ｇ 網絡探索與研究的焦點之一。結合當前５Ｇ網絡智能化中的痛點問題，闡述了６Ｇ 網絡智慧內生的驅動力和愿景目標，梳理總結了目前產業界和學術界在智慧內生網絡架構和無線網絡智慧內生實現方式的研究進展，進一步從架構、組網、網絡性能提升和網絡服務能力拓展四個方向對實現智慧內生的潛在關鍵技術進行了分析，對６Ｇ 智慧內生網絡架構和關鍵技術主要待研究問題點進行總結。

關鍵詞：６Ｇ；智慧內生；網絡架構；組網；網絡性能；網絡服務能力

中圖分類號：ＴＮ９１９． ２３ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１１４（２０２４）０３－０４３０－０９

０ 引言

５Ｇ 無線通信開啟了一個全新的萬物互聯時代，給人們的日常生活和生產，甚至社會發展帶來根本性的變革。驅動了互聯網經濟的快速發展和傳統產業的結構變革，對社會生活的各個層面產生了深遠的影響［１－３］。

人工智能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）技術在近幾年迎來了高速發展，“外掛式”“補丁式”“疊加式”通信網絡與ＡＩ 的結合也成為了研究熱點，例如網元智能化、網絡智能化。隨著行業和各標準組織共同努力，網絡智能化的研究取得了一定的成效，但當前階段還存在以下痛點［４］。

數據質量問題：數據采集和處理流程尚未標準化，導致數據來源復雜、可信性不足和關聯性低，數據孤島現象顯著，使用效率和應用價值較低。

數據安全問題：ＡＩ 訓練和推理涉及大量終端側數據采集和傳輸，目前缺乏統一的可信安全ＡＩ 數據平臺和數據生命周期管理標準。

模型問題：ＡＩ 模型的泛化性不足，模型的遷移成本高，且ＡＩ 模型性能的穩定性會受到網絡環境和數據的動態變化影響。

應用問題：ＡＩ 功能與網絡融合度較低，目前網絡ＡＩ 功能只是在現有網絡流程上的簡單疊加，且跨域跨層智能化應用受限。

在ＡＩ、感知計算和通信技術等先進技術使能下，未來移動通信網絡將衍生出人機物更高層次通信服務需求。為有效解決５Ｇ 時代網絡智能化痛點問題和應對新的業務需求，６Ｇ 網絡在設計之初就必須考慮智慧內生，將數據、算力和算法智能要素融入網絡的架構中，設計架構級智慧內生，實現以ＡＩ 為內生能力的新一代移動通信系統。６Ｇ 網絡要素將由傳統連接擴展到由連接、數據、算力和算法構成的ＡＩ 四要素。根據不同的應用場景需求，對ＡＩ 四要素進行分布式編排、部署和協同調度，按需實現對內對外的智能服務，驅動整個通信網絡全面智慧化轉型，最終實現“數字孿生”和“智能泛在”的目標愿景［５］。

本文聚焦６Ｇ 網絡架構的關鍵特征“智慧內生”，首先總結梳理當前６Ｇ 智慧內生網絡架構研究進展，然后分析了在６Ｇ 網絡架構中實現“智慧內生”的潛在關鍵技術，最后結合研究現狀對６Ｇ 智慧內生網絡研究中面對的挑戰進行總結與展望。

１ ６Ｇ 智慧內生網絡架構研究

１． １ 特征和設計原則

６Ｇ 智慧內生網絡的設計目標是實現架構層面原生支持網絡內的分布式ＡＩ 訓練和推理，網絡需要具備分層分布式ＡＩ，以任務為中心的資源編排管控，網絡架構、能力和服務的內生自構建，數智化服務和能力的開放，ＡＩ 生態協同與融合和ＡＩ 服務的服務質量（Ｑｕａｌｉｔｙ ｏｆ Ｓｅｒｖｉｃｅ，ＱｏＳ）可保障等六大關鍵特征。

綜合６Ｇ 智慧內生特征及設計目標，６Ｇ 智慧內生網絡架構設計原則主要包括［４］：

ＡＩ 要素功能服務化：通過ＡＩ 各要素功能的解耦和模塊化設計，提供對內和對外的ＡＩ 能力服務，實現ＡＩ 各個服務的獨立擴展演進和靈活部署。

以任務為中心的智能業務編排：面向智能業務構建以任務為中心的全生命周期管控機制，以保障智能業務ＱｏＳ。

面向服務的協同控制：基于智能業務的編排結果，對ＡＩ 四要素服務進行生成和協同控制，實現ＡＩ四要素服務的聯合調度和路由優化。

支持分布式智能：通過ＡＩ 要素的分布式部署和智能體不同節點間的協同，滿足網絡業務需求。

支持網絡對業務的自適應性：通過對ＡＩ 四要素的靈活編排、按需生成和部署，實現網絡基于ＡＩ 對業務請求的自感知和自適應。

支持ＡＩ 服務的高性能需求：通過對ＡＩ 四要素的靈活部署、智能調度和路由優化等實現綜合成本能耗最優，以滿足對ＡＩ 服務的低時延、高可靠和高能效需求。

支持ＡＩ 服務的開放：ＡＩ 服務不僅為通信網絡自身服務，同時對第三方應用和終端開放，實現通信服務和ＡＩ 服務的融合。

支持智能內生的安全可信：保證ＡＩ 服務的隱私保護、穩定魯棒性和可解釋性。

１． ２ 智慧內生網絡架構研究現狀

針對５Ｇ 網絡智能化發展過程中遇到的痛點問題，面向６Ｇ 網絡新需求和新能力，為支持６Ｇ 智慧內生網絡的特征和目標實現，產業界和學術界對智慧內生網絡架構進行了深入的研究和探討，下面從整體網絡邏輯框架設計、無線網絡架構設計兩方面將近年來的智慧內生架構研究進展進行梳理總結。

基于６Ｇ 網絡智慧內生的內涵、特征定義和設計原則，ＩＭＴ-２０３０（６Ｇ）推進組聯合國內學術界、產業界提出了６Ｇ 智能內生網絡體系框架［４］。如圖１所示，該體系框架從下到上依次為異構資源層、功能和編排管理層以及能力開放層。在架構中規劃了安全功能作為貫穿整個６Ｇ 網絡系統的內生安全基礎。

該架構從網絡功能角度建立了體系化的智能內生網絡邏輯框架，融合了傳統的通信與數據、算力和算法等新功能，為業界的研究提供了參考和指引。

產業界在延續現有網絡分層部署的基礎上，從網絡功能實現的角度出發，在６Ｇ 網絡邏輯框架分層細化、網絡功能設計、網元演進方式和業務流程設計的方向上進行了大量６Ｇ 網絡架構探索。

中國聯通提出了面向“新網絡、新服務、新生態”的層次化服務使能平臺架構［６］。該架構自下而上分別為資源層、功能層、管控層和服務層。功能層在傳統的移動核心網控制面和用戶面功能基礎上，新增了數據和計算功能，分別負責網絡控制、路由轉發、數據管理等網絡功能，以及數據、智能等內生功能。

基于網絡云化、服務化的設計思路，中國電信和中興通訊聯合提出“三層四面”的６Ｇ 網絡總體框架，面向“連接＋”功能需求，在功能層打造控制面、用戶面、數據面和智能面［７－８］。為了實現總體框架以用戶數據為中心的極簡、智能內生和分布自治演進目標，進一步將網元簡化成網絡控制單元、網絡報文處理單元、網絡數據單元和網絡智能單元，分別對應分層框架中的控制面、用戶面、數據面和智能面。

中國移動從ＡＩ 服務質量（Ｑｕａｌｉｔｙ ｏｆ ＡＩ Ｓｅｒｖｉｃｅ，ＱｏＡＩＳ）保障根本需求出發，提出了基于６Ｇ 網絡智能內生的“三層四面”的邏輯架構［９］。在橫向邏輯上，將６Ｇ 網絡劃分為資源層、網絡功能層和應用與服務層。在縱向邏輯上，將連接、數據、計算和算法任務功能抽離出形成新的通信面、數據面、計算面和智能面，實現通信連接、數據、算力和ＡＩ 各任務的垂直管理，極大降低了任務處理時延。該架構融合了ＱｏＡＩＳ、ＡＩ 全生命周期編排管理和ＡＩ 計算與通信深度融合等新理念，具備智能內生、分布式計算和按需服務等特點。

從ＡＩ 要素功能服務化角度出發，華為進一步將網絡架構進行簡化，提出了以任務為中心的６Ｇ 網絡ＡＩ 架構。該架構包括網絡ＡＩ 管理編排（ＮｅｔｗｏｒｋＡＩ Ｍａｎａｇｅｍｅｎｔ＆Ｏｒｃｈｅｓｔｒａｔｉｏｎ，ＮＡＭＯ）和任務管控，通過部署在管理域的ＮＡＭＯ 來完成從ＡＩ 業務到任務的分解、映射和ＡＩ 業務流編排，任務管控則是在控制層引入任務錨點功能、任務調度功能和任務執行功能［１０］。

從國內運營商和設備商發布的研究進展可以看出，目前產業界探索點聚焦在圍繞連接、數據、計算和算法四要素對網絡層功能選型、網絡功能部署方案、整體架構邏輯。在學術界，高校研究人員探索將智能化賦能的關鍵技術引入６Ｇ 網絡架構中，通過增強或新建網絡功能方式，來提升網絡整體智能化水平。

傳統基于規則算法的網絡操作方式難以實現未來網絡自我規劃、優化、運維和進化的目標，針對這類問題相關研究人員開始探索知識圖譜與通信網絡融合技術［１１－１３］，文獻［１２］基于知識圖譜提出了以數據－模型－知識為內核的智能內生無線網絡邏輯架構，利用知識圖譜充分挖掘用戶、服務和環境等無線數據的多維主客觀知識，實現無線網絡的全方位立體感知、決策推理和自適應調整，最終賦能于網絡的建設、優化和維護等全生命周期管理和應用，為實現未來無線通信智能內生提供一條可行性路徑。

意圖驅動網絡（ＩｎｔｅｎｔＤｒｉｖｅｎ Ｎｅｔｗｏｒｋｉｎｇ，ＩＤＮ）概念被嘗試引入到６Ｇ 網絡架構設計中［１４－１５］，文獻［１４］提出一種意圖抽象與知識聯合驅動的６Ｇ 內生智能網絡架構，如圖２ 所示。在基礎的管理平面、控制平面和數據平面上，通過意圖網絡技術和知識定義網絡技術新構建了意圖抽象平面和認知平面，使６Ｇ 網絡支持感知－通信－決策－控制能力，能夠識別周圍環境及應用服務特性，從而進行自動化決策與閉環控制，最終根據“Ｗｈａｔ ｙｏｕ ｗａｎｔ”實現“Ｈｏｗ ｔｏｃｏｎｆｉｇｕｒｅ ｔｈｅ ｎｅｔｗｏｒｋ”。

以上大部分研究基于６Ｇ 網絡智慧內生設計原則，從網絡頂層設計的角度進行網絡邏輯功能框架的體系化研究，具有較好的前瞻和指導意義。此外對無線網絡智慧內生實現方式的探索也在進行，部分研究人員從無線網元智能實現角度對６Ｇ 無線網絡智慧內生架構進行研究。

Ｏ-ＲＡＮ 聯盟提出了一種開放式智能無線接入網絡（Ｒａｄｉｏ Ａｃｃｅｓｓ Ｎｅｔｗｏｒｋｉｎｇ，ＲＡＮ）參考體系架構［１６］，如圖３ 所示，通過引入ＡＩ 使能的軟件定義的ＲＡＮ 智能控制器（ＲＡＮ Ｉｎｔｅｌｌｉｇｅｎｔ Ｃｏｎｔｒｏｌｌｅｒ，ＲＩＣ）來實現網絡智慧內生，ＲＩＣ 包括非實時ＲＩＣ 和近實時ＲＩＣ，非實時ＲＩＣ 進行數據采集并將訓練生成的ＡＩ模型分發給近實時ＲＩＣ。近實時ＲＩＣ 基于ＡＩ 模型進行負載均衡、無線資源塊管理、干擾管理和移動性管理。此外，通過開放的Ｅ２ 接口，近實時ＲＩＣ 不僅可以從分布單元（Ｄｉｓｔｒｉｂｕｔｅｄ Ｕｎｉｔ，ＤＵ）處獲取近實時的網絡狀態，還可以向集中單元（Ｃｅｎｔｒａｌｉｚｅｄ Ｕｎｉｔ，ＣＵ）協議棧下發配置命令。

無線世界研究論壇（Ｗｉｒｅｌｅｓｓ Ｗｏｒｌｄ ＲｅｓｅａｒｃｈＦｏｒｕｍ，ＷＷＲＦ）提出了一種在ＲＡＮ 側使能無線大數據的架構，如圖４ 所示。在架構中新增集中單元數據分析（Ｃｅｎｔｒａｌｉｚｅｄ Ｕｎｉｔ Ｄａｔａ Ａｎａｌｙｔｉｃｓ，ＣＵＤＡ）、分布單元數據分析（Ｄｉｓｔｒｉｂｕｔｅｄ Ｕｎｉｔ Ｄａｔａ Ａｎａｌｙｔｉｃｓ，ＤＵＤＡ）智能體實現網元智能。其中ＣＵＤＡ 被部署在ＣＵ 中，負責傳統通信連接業務中無線資源控制（Ｒａｄｉｏ Ｒｅｓｏｕｒｃｅ Ｃｏｎｔｒｏｌ，ＲＲＣ）和分組數據匯聚協議（Ｐａｃｋｅｔ Ｄａｔａ Ｃｏｎｖｅｒｇｅｎｃｅ Ｐｒｏｔｏｃｏｌ，ＰＤＣＰ）等協議層的功能和ＡＩ 模型訓練、在線模型預測等新ＡＩ 任務。而ＤＵＤＡ 被部署在靠近終端側的ＤＵ 中進行實時ＲＡＮ 數據采集、預處理、參數優化和低復雜的模型訓練，通過ＣＵＤＡ 和ＤＵＤＡ 之間協同完成ＲＡＮ 側近實時ＡＩ 任務［１７］。

一種意圖驅動的６Ｇ 無線接入網絡（Ｉｎｔｅｎｔ-Ｄｒｉｖｅｎ Ｒａｄｉｏ Ａｃｃｅｓｓ Ｎｅｔｗｏｒｋｉｎｇ，ＩＤ-ＲＡＮ）架構在文獻［１５］中被提出，ＩＤ-ＲＡＮ 架構如圖５ 所示，通過部署意圖驅動的無線網絡控制器（Ｉｎｔｅｎｔ-Ｄｒｉｖｅｎ ＲａｄｉｏＮｅｔｗｏｒｋ Ｃｏｎｔｒｏｌｌｅｒ，ＩＤ-ＲＮＣ）來實現對用戶業務需求的智能處理。ＩＤ-ＲＮＣ 通過無線傳輸方式接收意圖，并將其通過意圖轉譯、沖突解決、網絡編排、配置激活以及策略優化功能模塊進行處理；通過分布式部署在集中云、基站控制器或宏基站中，從而實現對無線意圖的全流程處理，同時負責接收網絡運維數據、無線通信數據和網絡策略下發。

綜上所述，目前對６Ｇ 智慧內生網絡架構研究演進總結為從網絡功能框架頂層設計，圍繞任務實現進行的網絡功能分層設計，圍繞網絡智能化水平提升結合智能化融合技術對網絡層功能增強及重構，而無線網智慧內生架構的研究主要為網元智能實現方案。但無論是哪一種架構設計，６Ｇ 網絡架構都呈現出一些根本性改變：

① 網絡管理對象從“會話”變成“任務”；

② 網絡資源要素從連接演變為涵蓋連接、計算、數據和算法四要素；

③ 網絡通過對四要素的協同調度，提高任務的ＱｏＳ 保障。

２ 智慧內生關鍵技術

在實現６Ｇ 網絡智慧內生架構的過程中，存在計算資源需求大、數據管理難度大和業務保障標準高等一系列挑戰，在這個背景驅動下發展出了一系列６Ｇ 能內生網絡關鍵技術，ＩＭＴ 在文獻［４］中提出了６Ｇ 智慧內生的技術架構體系建議，本文從架構類技術、組網類技術、網絡性能提升技術和網絡服務能力拓展技術四大類技術，對６Ｇ 智慧內生潛在技術進行分析。

２． １ 架構類技術

２． １． １ ＡＩ 空口化

從整個空口協議棧頂層設計看，未來需要基于模型和數據雙驅動的ＡＩ 能力來實現６Ｇ 智能空口，以滿足不同業務對空口的個性化需求。

物理層ＡＩ：根據物理信道特性數據，運用機器學習算法，對物理層的信道編碼、調制、波形、多址等功能進行增強［１８－１９］，形成自適應編碼調制、信道狀態預測及估計等新型、原生智能的物理層功能［２０］。例如借助感知定位、ＡＩ 和可重構智能超表面（Ｒｅｃｏｎｆｉｇｕｒａｂｌｅ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｕｒｆａｃｅ，ＲＩＳ）技術，開發用戶導向的主動波束生成、跟蹤和調制功能，達到主動控制信道條件目的［２１］。

鏈路層ＡＩ：實現鏈路層ＡＩ 化核心為無線資源管理智能化算法，主要有資源調度（功率分配、信道分配和接入控制）、多輸入多輸出（ＭｕｌｔｉｐｌｅＩｎｐｕｔＭｕｌｔｉｐｌｅＯｕｔｐｕｔ，ＭＩＭＯ）配對、功率控制和調制與編碼策略（Ｍｏｄｕｌａｔｉｏｎ ａｎｄ Ｃｏｄｉｎｇ Ｓｃｈｅｍｅ，ＭＣＳ）選擇等［２２－２５］。例如文獻［２５］中基于多智能體強化學習（ＭｕｌｔｉＡｇｅｎｔ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ，ＭＡＲＬ）的單ｃｒｉｔｉｃ 網絡＋多ａｃｔｏｒ 網絡結構解決異構網絡中的功率控制問題，中心ｃｒｉｔｉｃ 網絡可以獲得全局信道，ａｃｔｏｒ 被部署在多個網絡接入點（Ａｃｃｅｓｓ Ｐｏｉｎｔ，ＡＰ）上，根據ｃｒｉｔｉｃ 的指導和本地信息進行訓練，從而實現整體資源分配。

ＲＲＣ 層ＡＩ：在傳統的ＲＲＣ 層的控制和管理功能基礎上，引入智能化技術，實現資源管理和配置的自動化和智能化，提高整體網絡效率。在資源分配上，通過ＡＩ 技術，根據用戶需求和網絡負載情況進行資源自動分配，優化網絡性能［２６］。在參數配置上，基于ＡＩ 技術實現網絡參數自動適配網絡環境變化和用戶遷移。在信令流程上，面向連接、計算、算力和算法的任務構建新型的網絡通信協議［２７］。

２． １． ２ 超大規模ＭＩＭＯ

目前超大規模ＭＩＭＯ 的研究主要圍繞信道建模、天線形態設計、信道狀態信息（Ｃｈａｎｎｅｌ Ｓｔａｔｅ Ｉｎ-ｆｏｒｍａｔｉｏｎ，ＣＳＩ）反饋設計等方面。

在信道建模方面，主要研究為信道建模中近場球面波效應和空間非平穩特性刻畫［２８－２９］。文獻［２９］給出了一種近場信道建模方法，該方法基于３ＧＰＰ ＴＲ ３８． ９０１ 信道模型的多徑時延和角度參數，通過幾何關系進行近場信道的球面波建模。對于空間非平穩特征的信道建模，采用基于概率模型和基于信道測量的統計性建模等模型對信道特征進行刻畫。

在天線形態方面，主要圍繞采用新型材料和技術，設計低功耗、高能效的新型天線。例如ＲＩＳ 技術是一種基于可調控超材料的新型天線架構，它擺脫了傳統射頻系統中射頻鏈器件和相移器等高能耗器件，大幅度降低了系統整體功耗［３０］。

在ＣＳＩ 反饋方面，主要是圍繞適配超大規模信道特征的ＣＳＩ 反饋方案設計，充分考慮信道的近場特性、空間非平穩特性等對信號傳播產生不確定的影響。

２． １． ３ 太赫茲通信

未來無線網絡流量將呈現爆炸式增長，太赫茲通信具備高數據傳輸速率特性，因此被認為是未來６Ｇ 技術的重要頻段之一［３１］。太赫茲通信的關鍵核心技術主要有如下方面。

窄定向組網：主要涉及網絡構架、組網方式和移動性管理等方面，例如研究基于節點協作和轉發的多跳通信技術，以達到提高網絡的可靠性和覆蓋范圍目的。

基帶信號處理技術：主要研究低功耗、高速的基帶信號處理技術，以滿足太赫茲通信系統處理Ｔｂｉｔ／ ｓ量級的傳輸速率需求。

超大規模天線設計：主要是通過設計混合數字－模擬架構的動態天線陣列架構來降低超大規模天線的復雜度［３２］。

窄波束管理：基于射頻地圖感知的信道估計是波束管理的關鍵技術，通過結合感知技術和無線信號的空間特性，完成對信道狀態的準確估計，以實現快速追蹤和可靠切換［３３］。

２． ２ 組網類技術

２． ２． １ 聯邦學習技術

聯邦學習技術由于其隱私保護和實現泛在ＡＩ的特性，在６Ｇ 網絡中具有廣泛的前景和潛力。

與傳統的分布式學習不同，聯邦學習通過在各節點利用本地數據集完成模型訓練，然后各節點將訓練好的模型參數傳遞至中心節點，中心節點負責對模型參數進行聚合并將聚合的參數分發回各節點，通過這種方式最大程度地保護了數據的隱私，同時網絡之間只需要傳輸模型參數，極大地減少了網絡傳輸資源［３４］。例如文獻［３５］提出一種基于量化的聯邦邊緣學習系統模型用于實現網絡的最優資源分配。

按照數據分割方式，可以將聯邦學習分為水平聯邦學習、垂直聯邦學習和混合聯邦學習［３６］。針對多模態和多任務的機器學習場景可以選取適配的學習方式，可以更好地應對未來網絡多場景業務需求。

２． ２． ２ ＱｏＡＩＳ 機制

６Ｇ 網絡除了傳統通信資源外，還將引入分布式異構算力資源、存儲資源、數據資源和ＡＩ 算法等ＡＩ服務編排的多種資源元素，因而需要從資源四要素等多個維度來綜合評估網絡內生ＱｏＡＩＳ。

文獻［３７］提出了一種ＱｏＡＩＳ 指標體系及保障機制，將６Ｇ 網絡內生的ＡＩ 服務劃分為數據、訓練、推理和驗證四類，針對每一類服務都設計了對應的服務性能評估指標ＱｏＡＩＳ，表１ 給出了其中ＡＩ 訓練類服務指標體系的設計方式，將服務指標拆解為性能、開銷、安全、隱私和自治五個維度，每個維度都對應一套ＱｏＡＩＳ 指標。如表２ 所示，再進一步將服務的ＱｏＡＩＳ 指標在所需數據、算法、算力和連接資源維度上進行拆分，形成量化的ＱｏＳ 指標，通過管理面、控制面和用戶面協同各資源實施ＱｏＳ 保障，為未來６Ｇ 網絡服務保障的實現提供了解決思路。

２． ３ 網絡性能提升技術

２． ３． １ 知識圖譜

網絡環境的日益復雜對智能化運維的實現提出了嚴峻的挑戰，知識圖譜由于強大的數據整合關聯能力，在網絡運維智能化領域成為了研究熱點，通過運用知識圖譜技術，將網絡中異構數據進行處理關聯，形成知識，借助機器學習算法構建知識的響應和推理能力，推動網絡運維管理智能化［３８－３９］。在文獻［１２］中，基于知識圖譜技術構建網絡管控知識空間，進一步結合知識空間形成智能網絡策略生成和智能異常檢測關鍵技術，最終實現對網絡資源智能化、自動化調配和閉環的網絡管控。

知識定義、知識獲取以及知識融合是建立知識圖譜的關鍵過程。知識定義是結合數據基礎和應用場景，對知識模式、實體類型和實體之間的關系進行定義。知識獲取是從零散信息中提取學習知識過程，主要的提取技術有命名識別、關系抽取和屬性抽取等［４０－４１］。知識融合是通過實體鏈接、實體消歧和關系抽取等技術，對同一實體不同知識源的知識進行整合，形成高質量的知識庫。

２． ３． ２ 語義通信技術

語義通信作為未來通信的潛在技術之一，能夠實現強智能、高可靠和高傳輸效率的通信方式。目前語義通信技術的研究主要集中在以下幾個方面。

語義通信理論：主要為基于自然語言和機器學習技術的語義信息表示和理解、語義壓縮編碼和新型語義通信協議設計［４２］。

聯合信源信道編碼技術：主要為語義信息彈性編碼、語義信息傳輸和基于神經網絡的信源信道聯合編碼等。例如文獻［４３］中提出了用于實現ＣＳＩ的壓縮反饋的聯合信源信道編碼技術，通過將所有模塊結構設計為神經網絡并實現端到端的優化。

物理層技術：主要為面向語義通信的自適應調制與波形技術、信道建模、預編碼技術和多址技術等［４２］。例如文獻［４４］中使用神經網絡進行信道編碼與調制，通過對發送端與接收端在信道噪聲下共同訓練，從而得到與信道噪聲匹配的調制策略。

鏈路層技術：主要為面向語義通信的信息封裝和傳輸、重傳和容錯等可靠傳輸機制、自適應傳輸控制、跨層協同機制等。

２． ４ 網絡服務能力拓展技術

２． ４． １ 通感一體化

未來６Ｇ 網絡將實現感知與通信的融合，利用無線傳輸感知周圍環境，同時基于反饋的感知數據幫助提升網絡性能，目前實現通感一體化的關鍵技術研究主要為如下方面。

組網架構：主要為網絡一體化設計、網絡通信協議組件化研究、業務連續性和用戶感知保障研究、感知干擾與通信干擾協調控制、感知與通信聯合參數估計等。

空口關鍵技術：主要為空口波形一體化設計和多天線波束賦形。波形一體化設計路線分為現有波形的一體化適配和新型通感一體化波形設計，其中現有波形的一體化適配主要通過分析正交頻分復用（Ｏｒｔｈｏｇｏｎａｌ Ｆｒｅｑｕｅｎｃｙ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅｘｉｎｇ，ＯＦＤＭ）和正交時頻空（Ｏｒｔｈｏｇｏｎａｌ Ｔｉｍｅ Ｆｒｅｑｕｅｎｃｙ Ｓｐａｃｅ，ＯＴＦＳ）等波形的通信和感知性能，通過單一波形或者復合波形方式實現通感融合波形特性［４５－４７］。

協同感知：主要是進行多模式、多節點、多頻段和多制式的協同感知技術研究，同時研究協同流程設計、組網節點選擇方案和協同感知定位等關鍵技術［４７］。

２． ４． ２ 意圖網絡技術

意圖網絡技術能夠實現對用戶需求的自動獲取、轉移，進一步驅動網絡全生命周期的自動監控和管理，顯著提高網絡的運維效率。

意圖網絡的關鍵技術主要有意圖轉譯、配置驗證、和意圖保障。① 意圖轉譯是運用深度學習和決策樹技術將用戶的“意圖需求”轉化為網絡策略配置［４８］。② 配置驗證是通過數字孿生技術構建虛擬網絡平臺，將待驗證的策略配置下發到仿真環境中進行驗證。③ 意圖保障是基于用戶和網絡數據利用時間序列模型對用戶意圖是否滿足結果進行預判，對預判結果不好的用戶進行意圖的自動修復。

２． ４． ３ 網絡大模型

大模型的出現已成為革命性的突破，在多個領域實現了突破性進展，可以預見大模型與通信融合是構建未來智慧內生網絡最可能的途徑［３２］，目前大模型與通信的融合可以分為大模型賦能通信網絡和通信網絡服務大模型兩個方面。

大模型賦能通信網絡：大模型作為網絡內部單元或功能，能夠進一步提升網絡性能和提供新的應用。例如通過對網絡和用戶數據的學習分析，能夠幫助網絡資源有效分配、網絡策略配置的生成。通過分析海量的網絡設備運行數據，自動進行潛在故障挖掘及優化策略生成，提升智能化運維水平。

通信網絡服務大模型：移動網絡作為一個平臺對內外需求提供大模型服務，首先通信網絡自身為大模型的訓練和推理提供高效的數據傳輸服務。其次基于網絡的云計算和邊緣計算能力，自動編排調度大模型所需的計算資源，提高服務響應速度和降低業務時延。此外通過在網絡上部署大模型，基于意圖理解為業務開發者提供其所需的ＡＩ 模型。

３ 結束語

５Ｇ 時代打開了探索通信網絡與ＡＩ 融合的窗口，面向２０３０ 年及未來社會智能化愿景，智慧內生已然成為了６Ｇ 網絡的重要特征。從網絡功能框架設計與網絡功能部署實現角度，分析總結了產業界和學術界在６Ｇ 智慧內生網絡架構的研究進展，對實現６Ｇ 智慧內生網絡架構的潛在技術進行了分析預判，希望能為６Ｇ 智慧內生網絡研究工作提供一些思考方向。

目前，６Ｇ 智慧內生的網絡架構和關鍵技術的研究還處于探索階段，仍然存在一系列問題需要產業界和學術界共同探討和定義。例如網元智能化實現方案尚未標準化、網絡中聯邦學習尚未形成統一部署方案、面向ＡＩ 服務的網絡協議和ＱｏＳ 體系有待明確和標準化等。展望未來，相信在業界的共同推動下，這些問題都將得到解決，并最終形成統一的６Ｇ網絡架構和關鍵技術標準。

參考文獻

［１］ ＨＵＡＮＧ Ｙ Ｍ，ＬＩＵ Ｓ Ｈ，ＺＨＡＮＧ Ｃ，ｅｔ ａｌ． Ｔｒｕｅｄａｔａ

Ｔｅｓｔｂｅｄ ｆｏｒ ５Ｇ／ Ｂ５Ｇ Ｉｎｔｅｌｌｉｇｅｎｔ Ｎｅｔｗｏｒｋ ［Ｊ］． Ｉｎｔｅｌｌｉｇｅｎｔ

ａｎｄ Ｃｏｎｖｅｒｇｅｄ Ｎｅｔｗｏｒｋｓ，２０２１，２（２）：１３３－１４９．

［２］ ＣＨＥＲＧＵＩ Ｈ，ＶＥＲＩＫＯＵＫＩＳ Ｃ． Ｂｉｇ Ｄａｔａ ｆｏｒ ５Ｇ Ｉｎｔｅｌｌｉｇｅｎｔ

Ｎｅｔｗｏｒｋ Ｓｌｉｃｉｎｇ Ｍａｎａｇｅｍｅｎｔ ［Ｊ］． ＩＥＥＥ Ｎｅｔｗｏｒｋ，２０２０，

３４（４）：５６－６１．

［３］ ＷＵ Ｑ Ｑ，ＬＩ Ｇ Ｙ，ＣＨＥＮ Ｗ，ｅｔ ａｌ． Ａｎ Ｏｖｅｒｖｉｅｗ ｏｆ Ｓｕｓ

ｔａｉｎａｂｌｅ Ｇｒｅｅｎ ５Ｇ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕ

ｎｉｃａｔｉｏｎｓ，２０１７，２４（４）：７２－８０．

［４］ ＩＭＴ２０３０（６Ｇ）網絡技術工作組． 面向６Ｇ 網絡的智能

內生體系架構研究［Ｒ］． 北京：ＩＭＴ２０３０ （６Ｇ）推進

組，２０２２．

［５］ 劉光毅，金婧，王啟星，等． ６Ｇ 愿景與需求：數字孿生、

智能泛在［Ｊ］． 移動通信，２０２０，４４（６）：３－９．

［６］ 中國聯合網絡通信有限公司研究院下一代互聯網寬

帶業務應用國家工程研究中心． 中國聯通６Ｇ 網絡體

系架構白皮書［Ｒ］． 北京：中國聯通，２０２３．

［７］ 中國電信研究院，中興通訊． ６Ｇ 網絡架構展望白皮書

［Ｒ］． 北京：中國電信研究院，２０２３．

［８］ ＩＭＴ２０３０（６Ｇ）推進組． ６Ｇ 無線網絡架構和功能技術

研究報告［Ｒ］． 北京：ＩＭＴ２０３０（６Ｇ）推進組，２０２２．

［９］ 中國移動通信有限公司研究院． ６Ｇ 無線內生ＡＩ 架構

與技術白皮書［Ｒ］． 北京：中國移動通信有限公司研究

院，２０２２．

［１０］吳建軍，鄧娟，彭程暉，等． 任務為中心的６Ｇ 網絡ＡＩ

架構［Ｊ］． 無線電通信技術，２０２２，４８（４）：５９９－６１３．

［１１］ＺＨＯＵ Ｆ Ｑ，ＬＩ Ｗ Ｊ，ＹＡＮＧ Ｙ，ｅｔ ａｌ． Ｉｎｔｅｌｌｉｇｅｎｃｅｅｎｄｏｇｅ

ｎｏｕｓ Ｎｅｔｗｏｒｋｓ：Ｉｎｎｏｖａｔｉｖｅ Ｎｅｔｗｏｒｋ Ｐａｒａｄｉｇｍ ｆｏｒ ６Ｇ［Ｊ］．

ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２２，２９（１）：４０－４７．

［１２］何世文． 無線網絡知識賦能內生智慧架構探索［Ｊ］． 移

動通信，２０２３，４７（６）：１４－２１．

［１３］廖建新，付霄元，戚琦，等． ６ＧＡＤＭ：基于知識空間的

６Ｇ 網絡管控體系［Ｊ］． 通信學報，２０２２，４３（６）：３－１５．

［１４］楊靜雅，唐曉剛，周一青，等． 意圖抽象與知識聯合驅

動的６Ｇ 內生智能網絡架構［Ｊ］． 通信學報，２０２３，４４

（２）：１２－２６．

［１５］周洋程，閆實，彭木根． 意圖驅動的６Ｇ 無線接入網絡

［Ｊ］． 物聯網學報，２０２０，４（１）：７２－７９．

［１６］ＯＲＡＮ． ＯＲＡＮ Ｍｉｎｉｍｕｍ Ｖｉａｂｌｅ Ｐｌａｎ ａｎｄ Ａｃｃｅｌｅｒａｔｉｏｎ

Ｔｏｗａｒｄｓ Ｃｏｍｍｅｒｃｉａｌｉｚａｔｉｏｎ ［Ｒ／ ＯＬ］． （２０２１ － ０６ － ２９）

［２０２４－０１－２５］． ｈｔｔｐｓ：∥ｍｅｄｉａｓｔｏｒａｇｅ． ｏｒａｎ． ｏｒｇ／ ｗｈｉｔｅ

ｐａｐｅｒｓ／ ＯＲＡＮ． ＭｉｎｉｍｕｍＶｉａｂｌｅＰｌａｎａｎｄＡｃｃｅｌｅｒａｔｉｏｎ

ｔｏｗａｒｄｓＣｏｍｍｅｒｃｉａｌｉｚａｔｉｏｎｗｈｉｔｅｐａｐｅｒ－２０２１－０６． ｐｄｆ．

［１７］孫耀華，王則予，袁碩，等． 智能內生６Ｇ 網絡：架構、用

例和挑戰［Ｊ］． 電子技術應用，２０２１，４７（３）：８－１３．

［１８］ＩＱＢＡＬ Ａ，ＴＨＡＭ Ｍ Ｌ，ＣＨＡＮＧ Ｙ Ｃ． Ｄｏｕｂｌｅ Ｄｅｅｐ Ｑ

ｎｅｔｗｏｒｋ ｆｏｒ Ｐｏｗｅｒ Ａｌｌｏｃａｔｉｏｎ ｉｎ Ｃｌｏｕｄ Ｒａｄｉｏ Ａｃｃｅｓｓ Ｎｅｔｗｏｒｋ

［Ｃ］∥２０２０ ＩＥＥＥ ３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ

ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ （ＣＣＥＴ ）．

Ｂｅｉｊｉｎｇ：ＩＥＥＥ，２０２０：２７２－２７７．

［１９］ＩＱＢＡＬ Ａ，ＴＨＡＭ Ｍ Ｌ，ＣＨＡＮＧ Ｙ Ｃ． Ｄｏｕｂｌｅ Ｄｅｅｐ Ｑｎｅｔ

ｗｏｒｋｂａｓｅｄ Ｅｎｅｒｇｙｅｆｆｉｃｉｅｎｔ Ｒｅｓｏｕｒｃｅ Ａｌｌｏｃａｔｉｏｎ ｉｎ Ｃｌｏｕｄ

Ｒａｄｉｏ Ａｃｃｅｓｓ Ｎｅｔｗｏｒｋ ［Ｊ ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２１，９：

２０４４０－２０４４９．

［２０］中國移動通信有限公司研究院，東南大學，清華大學．

６Ｇ 物理層ＡＩ 關鍵技術白皮書［Ｒ］． 北京：中國移動通

信有限公司研究院，２０２２．

［２１］華為技術有限公司． ６Ｇ：無線通信新征程［Ｒ］． 深圳：

華為技術有限公司，２０２２．

［２２］ＩＭＴ２０３０（６Ｇ）推進組． 無線ＡＩ 技術研究報告（第二

版）［Ｒ］． 北京：ＩＭＴ２０３０（６Ｇ）推進組，２０２２．

［２３］ＷＥＩ Ｙ Ｆ，ＹＵ Ｆ Ｒ，ＳＯＮＧ Ｍ，ｅｔ ａｌ． Ｕｓｅｒ Ｓｃｈｅｄｕｌｉｎｇ ａｎｄ

Ｒｅｓｏｕｒｃｅ Ａｌｌｏｃａｔｉｏｎ ｉｎ ＨｅｔＮｅｔｓ ｗｉｔｈ Ｈｙｂｒｉｄ Ｅｎｅｒｇｙ Ｓｕｐ

ｐｌｙ：Ａｎ Ａｃｔｏｒｃｒｉｔｉｃ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ Ａｐｐｒｏａｃｈ

［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，

２０１８，１７（１）：６８０－６９２．

［２４］ＦＡＮ Ｃ Ｑ，ＬＩ Ｂ，ＺＨＡＯ Ｃ Ｌ，ｅｔ ａｌ． Ｌｅａｒｎｉｎｇｂａｓｅｄ Ｓｐｅｃｔｒｕｍ

Ｓｈａｒｉｎｇ ａｎｄ Ｓｐａｔｉａｌ Ｒｅｕｓｅ ｉｎ ｍｍＷａｖｅ Ｕｌｔｒａｄｅｎｓｅ Ｎｅｔｗｏｒｋｓ

［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ，２０１８，

６７（６）：４９５４－４９６８．

［２５］ＺＨＡＮＧ Ｌ，ＬＩＡＮＧ Ｙ Ｃ． Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ ｆｏｒ

Ｍｕｌｔｉａｇｅｎｔ Ｎｏｎｃｏｏｐｅｒａｔｉｖｅ Ｐｏｗｅｒ Ｃｏｎｔｒｏｌ ｉｎ Ｈｅｔｅｒｏｇｅｎｅ

ｏｕｓ Ｎｅｔｗｏｒｋｓ［ＥＢ／ ＯＬ］． （２０２０ － ０４ － ２５）［２０２４ － ０１ －

２５］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ／ ａｂｓ／２００４． １２０９５ｖ１．

［２６］楊凡，楊成，黃杰，等． ６Ｇ 密集網絡中基于深度強化學

習的資源分配策略［Ｊ］． 通信學報，２０２３，４４ （８）：

２１５－２２７．

［２７］３ＧＰＰ． Ｓｔｕｄｙ ｏｎ Ｅｎｈａｎｃｅｍｅｎｔ ｆｏｒ Ｄａｔａ Ｃｏｌｌｅｃｔｉｏｎ ｆｏｒ ＮＲ

ａｎｄ ＥＮＤＣ：ＴＲ ３７． ８１７［Ｒ／ ＯＬ］． （２０２２－０３－２９）［２０２４－

０１－２５］． ｈｔｔｐｓ：∥ｗｗｗ． ３ｇｐｐ． ｏｒｇ／ ｆｔｐ／ Ｓｐｅｃｓ／ ａｒｃｈｉｖｅ／３７＿

ｓｅｒｉｅｓ／３７． ８１７ ／ ．

［２８］ ＷＥＩ Ｘ Ｈ，ＤＡＩ Ｌ Ｌ． Ｃｈａｎｎｅｌ Ｅｓｔｉｍａｔｉｏｎ ｆｏｒ Ｅｘｔｒｅｍｅｌｙ

Ｌａｒｇｅｓｃａｌｅ Ｍａｓｓｉｖｅ ＭＩＭＯ：Ｆａｒｆｉｅｌｄ，Ｎｅａｒｆｉｅｌｄ，ｏｒ

Ｈｙｂｒｉｄｆｉｅｌｄ？［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０２２，

２６（１）：１７７－１８１．

［２９］盧嘉儀，雷浩，肖華華，等． 超大規模ＭＩＭＯ 系統中稀

疏度自適應的極化域信道估計［Ｊ］無線電通信技術，

２０２３，４９（６）：９９９－１００５．

［３０］ＬＩ Ｊ Ｚ，ＡＩ Ｂ，ＨＥ Ｒ Ｓ，ｅｔ ａｌ． Ｏｎ ３Ｄ Ｃｌｕｓｔｅｒｂａｓｅｄ Ｃｈａｎｎｅｌ

Ｍｏｄｅｌｉｎｇ ｆｏｒ Ｌａｒｇｅｓｃａｌｅ Ａｒｒａｙ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ［Ｊ ］．

ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１９，１８

（１０）：４９０２－４９１４．

［３１］馮偉，韋舒婷，曹俊誠． ６Ｇ 技術發展愿景與太赫茲通信

［Ｊ］． 物理學報，２０２１，７０（２４）：１７５－１８９．

［３２］ＩＭＴ２０３０（６Ｇ）推進組． ６Ｇ 前沿關鍵技術研究報告（網

絡技術領域）［Ｒ］． 北京：ＩＭＴ２０３０（６Ｇ）推進組，２０２３．

［３３］張海君，陳安琪，李亞博，等． ６Ｇ 技移動網絡關鍵技術

［Ｊ］． 通信學報，２０２２，４３（７）：１８９－２０２．

［３４］ＷＡＲＮＡＴＨＥＲＲＥＳＴＨＡＬ Ｓ，ＳＣＨＵＬＴＺＥ Ｈ，ＳＨＡＳＴＲＹ

Ｋ Ｌ，ｅｔ ａｌ． Ｓｗａｒｍ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｄｅｃｅｎｔｒａｌｉｚｅｄ ａｎｄ Ｃｏｎｆｉ

ｄｅｎｔｉａｌ Ｃｌｉｎｉｃａｌ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ［Ｊ］． Ｎａｔｕｒｅ，２０２１，５９４

（７８６２）：２６５－２７０．

［３５］王志勤，江甲沫，劉沛西，等． ６Ｇ 聯邦邊緣學習新范式：

基于任務導向的資源管理策略［Ｊ］通信學報，２０２２，４３

（６）：１６－２７．

［３６］ＫＨＡＮ Ｌ Ｕ，ＳＡＡＤ Ｗ，ＨＡＮ Ｚ，ｅｔ ａｌ． Ｆｅｄｅｒａｔｅｄ Ｌｅａｒｎｉｎｇ

ｆｏｒ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ：Ｒｅｃｅｎｔ Ａｄｖａｎｃｅｓ，Ｔａｘｏｎｏｍｙ，ａｎｄ

Ｏｐｅｎ Ｃｈａｌｌｅｎｇｅｓ ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆

Ｔｕｔｏｒｉａｌｓ，２０２１，２３（３）：１７５９－１７９９．

［３７］劉光毅，鄧娟，李娜，等． 內生智能和端到端服務化的

６Ｇ 無線網絡架構設計［Ｊ］無線電通信技術，２０２２，４８

（４）：５６２－５７３．

［３８］王敬宇，莊子睿． 知識定義多模態網絡按需服務體系

研究［Ｊ］． 通信學報，２０２２，４３（４）：７１－８２．

［３９］廖建新，王晶，王敬宇，等． ６Ｇ 網絡按需服務關鍵技術

［Ｍ］． 北京：人民郵電出版社，２０２１．

［４０］沙子凡，承楠，惠一龍，等． ６Ｇ 知識體系構建：面向全域

全場景的學術知識挖掘及其按需應用［Ｊ］． 通信學報，

２０２３，４４（９）：１７３－１８７．

［４１］朱近康，柴名揚，周武． 面向Ｂ５Ｇ／６Ｇ 的三三三網絡

體系架構和優化學習機制［Ｊ］． 通信學報，２０２１，４２

（４）：６２－７５．

［４２］ＩＭＴ２０３０（６Ｇ）推進組． 語義通信技術研究報告［Ｒ］．

北京：ＩＭＴ２０３０（６Ｇ）推進組，２０２３．

［４３］ＸＵ Ｊ Ｌ，ＡＩ Ｂ，ＷＡＮＧ Ｎ，ｅｔ ａｌ． Ｄｅｅｐ Ｊｏｉｎｔ Ｓｏｕｒｃｅｃｈａｎｎｅｌ

Ｃｏｄｉｎｇ ｆｏｒ ＣＳＩ Ｆｅｅｄｂａｃｋ：Ａｎ ＥｎｄｔｏＥｎｄ Ａｐｐｒｏａｃｈ［Ｊ］．

ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｎ Ｓｅｌｅｃｔｅｄ Ａｒｅａｓ ｉｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，

２０２３，４１（１）：２６０－２７３．

［４４］ＢＯ Ｙ Ｆ，ＤＵＡＮ Ｙ Ｈ，ＳＨＡＯ Ｓ，ｅｔ ａｌ． Ｌｅａｒｎｉｎｇ Ｂａｓｅｄ Ｊｏｉｎｔ

Ｃｏｄｉｎｇｍｏｄｕｌａｔｉｏｎ ｆｏｒ Ｄｉｇｉｔａｌ Ｓｅｍａｎｔｉｃ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓ

ｔｅｍｓ［Ｃ］∥２０２２ １４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｉｒｅｌｅｓｓ

Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ（ＷＣＳＰ）． Ｎａｎｊｉｎｇ：

Ｓｏｕｔｈｅａｓｔ Ｕｎｉｖｅｒｓｉｔｙ，２０２２：１－６．

［４５］王曉云，張小舟，馬良，等． ６Ｇ 通信感知一體化網絡的

感知算法研究與優化［Ｊ］． 通信學報，２０２３，４４ （２）：

２１９－２３０．

［４６］王友祥，裴郁杉，黃蓉，等． ６Ｇ 通感算一體化網絡架構

和關鍵技術研究［Ｊ］． 移動通信，２０２３，４７（９）：２－１０．

［４７］ＩＭＴ２０３０（６Ｇ）推進組． 通信感知一體化技術研究報告

［Ｒ］． 北京：ＩＭＴ２０３０（６Ｇ）推進組，２０２２．

［４８］趙曉雪，薛富國，張露露，等． 意圖驅動端到端網絡切

片編排與控制［Ｊ］． 電信科學，２０２３，３９（９）：１－１１．