面向B5G/6G 的三三三网络体系架构和优化学习机制

2021-05-13朱近康柴名扬周武旸

通信学报 2021年4期

朱近康，柴名扬，周武旸

（1.中国科学技术大学信息科学技术学院，安徽合肥 230027；2.中国科学院无线光通信重点实验室，安徽合肥 230027）

1 引言

1.1 研究动机

未来B5G/6G 网络是大连接的、极复杂的、智能化的新型网络，面临诸多挑战。极其大量的不同用户连接、不同需求连接、不同服务连接，将导致未来网络变得极其复杂且比5G 网络庞杂得多。未来网络的复杂性还体现在既要包容已有网络和技术，如4G、5G、IoT（Internet of things）及各种专用网，又要支持层出不穷的新型业务和服务。此外，软件定义网络和人工智能的普遍应用等使网络需求多，网络变量多，资源开销多。上述问题导致新的B5G/6G 网络将变得极其复杂。

要发展大连接复杂网络，首先应统合考虑现有网络（包括4G、5G、IoT、Wi-Fi 和各种专用网络等），重新构建未来的B5G/6G 网络体系，实现现有和新增的网络应用的有效节能运行，把对地面覆盖、空中覆盖、天体覆盖，以及微覆盖、点覆盖都规划进来，做到全场景应用。

其次，大量用户接入导致网络需求多。网络需求有不同应用性质，包括工作需求、生活需求、服务需求；有不同用户属性，如移动速度包括超高速、高速、低速、超低速、静止；有不同需求属性，如人类需求、物联需求、机器需求、机器人需求。用户的数据流量也有很大差别，从极高速（Gbit/s 量级）到极低速（bit/s 量级），跨度极大。

大连接复杂网络的复杂性还体现在网络的资源开销上。复杂网络涉及不同网络的运行变量多，造成各种应用的资源开销也很多。仅自然资源的开销就包括频率资源的频带开销、能量资源的功率开销、时间资源的时长开销。要优化大连接复杂网络对这3 种自然资源的使用，实现开销最小是一个相当复杂的课题。

上述问题同时出现在面向B5G/6G 的大连接复杂网络中，是未来网络发展面临的重大课题，需要提出一个统合规划的新型网络体系架构，规范智能方法和学习机制，实现大连接复杂网络的整体运转和最大性能。

为讨论方便和清晰论述，本文把大连接复杂网络称为整个网络（Net），把包含的核心网、接入网、终端网统称为网络，表示核心网的下角标为C，表示接入网的下角标为E，表示终端网的下角标为T。本文把整个网络和各网络的自然资源开销统称为资源开销（Res），其中频带资源的上角标为H，功率资源的上角标为P，时间资源的上角标为τ。本文把各种用户需求统称为服务需求（Dem），其中工作需求的下角标为W，生活需求的下角标为L，服务需求的下角标为A。

上述定义涉及整个网络的第一层级，继续向下细分，核心网可分为不同的子网，如传输需求子网、协议运行子网、云服务子网；接入网可分为不同子网群，如标准基站群、Wi-Fi 站群、物联站群；终端网是新兴网络，可分为个人终端子网、办公终端子网、服务休闲子网。不同的子网分别用下角标1,2,3,…来标注。基于此，还可继续向下细分，细分标识将在文中涉及时说明。

由上述讨论可知，如果没有把复杂问题变得简单化的理论基础和技术能力，没有规范为一种统合的体系架构，没有给出比较普适的技术方法，那么大连接复杂网络的构建和运行将会相当艰难。所以，研究和发展大连接下复杂网络的体系架构和可达性能是极其重要的。

本文将从机器学习的聚类方法入手，提出网络分层、资源分类、需求分项的三三三网络体系架构，运用知识学习机制，实现各个分层、分类、分项的最佳配置，进而形成一个完整的大连接复杂网络的智能化规范统一体系。

1.2 研究进展

复杂网络涉及自然科学和社会科学的各个领域，引起了科学和工程学各个领域的广泛关注。为描述自然界和社会中的各种系统，研究人员已经从不同角度进行了研究和论述[1]。文献[2]重点关注复杂网络拓扑和动力学的统计机制，讨论了主要模型和分析工具，以及拓扑结构与复杂网络性能的相互作用。研究人员还开发了多种技术和模型来帮助研究复杂网络，包括小世界模型、无标度模型、聚类、网络相关性、随机图模型，以及网络动力学过程等[3]。

通信领域的复杂网络研究基于复杂网络的基本概念，讨论了复杂网络的经典结构和演化特性。文献[4]论述了复杂网络性能指标中的图谱嵌入进行深度学习，探索复杂网络性能指标上深度学习的能力。基于复杂网络发现所属实体的大多数方法都依赖于组合图属性，文献[5]提出了一种系统的动力学框架，用于设计所属实体检测的质量功能，为频谱算法提供了统一的框架，以实现在复杂网络中找到多尺度的所属实体结构。

为了分析导致不确定链路存在的网络特征，可以建立一个适应链接和节点的不确定性和时变性的动态网络架构，并对整个系统的性能进行详细分析[6]。面对不同级别的组织组成的网络和其中存在的不同尺度的模块，以及模块优化可能与系统的模块组织不兼容问题，文献[7]使用更灵活的质量函数，并结合一个分辨率参数，能够揭示系统的自然尺度，统一不同类型的多分辨率质量函数。

对于复杂网络中的各类网络同步问题，许多子网之间相互影响，也受到了研究人员的关注。为实现对复杂网络的固定控制，文献[8]设计了一个钉扎方案，在每个子网的选定节点上设计固定控制，以达到同步行为。为了揭示具有时延的复杂网络中同步的动力学机制，文献[9]提出了一种自适应反馈同步机制，获得了用于全局指数渐近同步的新标准。

随着5G 的兴起，3G/4G/5G 的层叠架构，以及业务/服务的不断创新和增长，使移动无线网络变得越来越复杂，成为庞大混杂大量连接的复杂网络。文献[10]指出从5G 走向未来6G 需引入各种新技术，在通信网络变得十分复杂时，人工智能技术用于复杂网络是一个重要研究方向。为提高未来复杂网络的传输效率，文献[11]提出把复杂网络聚类成分层网络，分层协同，并分析了不同分层结构的效率，以获得更高的接入传输能力。

综上所述，复杂网络的研究是20 世纪就被提出的研究课题，基于随机统计学和控制论，对规则网络和随机网络已有深入研究。进入21 世纪，小世界网络和无标度网络的研究兴起，给出了简明的表达和图谱推演，凸显了其可连接、可聚集、可模式化的特性，推动了复杂网络研究进展。但是，由于各学科、各行业、各应用千差万别，具体到无线通信和无线网络还需要利用复杂网络的进展进行更有针对性的研究。另外，复杂网络的研究目前主要是在连接上和简单维度上进行，还没有看到将节点连接的网络架构、资源开销和应用需求结合起来构成三维立体体系结构并进行优化的研究。

基于上述分析可知，对移动通信复杂网络的研究要寻求能融合网络连接、资源开销和服务要求的三维立体网络模型和架构，要引入人工智能技术以获取更好的性能。

1.3 本文要点

基于现有对复杂网络的研究进展，特别是面向未来6G 的研究，本文提出了一种三三三网络体系架构，它从信息通信网络自身的网络框架出发，把大连接用户的复杂网络体系聚合成3 类网络（核心网、接入网、终端网），研究3 种资源（频率带宽、功耗、时间耗用（简称时延））与不同网络体系架构的关系，论证相关的数学计算式和效益表达，落实到传输3 项业务需求（生活、工作、服务）的能力上。同时，引入知识+数据驱动学习模型，建立复杂网络的学习优化机制和优化计算式，分析实现在业务需求传输中的实时资源开销最小化，并给出数值实例。

2 三三三网络体系

面向B5G/6G 的大连接复杂网络必须具有三大能力，即全场景服务能力、全知识学习能力、全透明优化能力，这是构建未来网络的基本目标。

全场景服务能力是指研究各种应用场景的覆盖、各种构成网络的管控、各种异构的切换和交互等。全知识学习能力是指利用各种直接、间接的知识，在大数据配合下通过不同角度不同面向的相关知识的利用来实现期望目标。全透明优化能力涉及学习的透明、接口的透明、运行的透明等，把知识学习的AI 变成可解释的学习机制，解决面对的复杂问题。

为此，本文提出三三三网络体系架构，把3 类网络、3 种资源、3 项需求综合成一体，统一构建智能优化的完整网络体系，使其成为一个适合未来大连接复杂网络的设计、制造、运营和管理的研究基础和实现标准。

2.1 三三三网络体系架构

三三三网络体系架构是未来庞大用户连接的复杂网络整体架构，包含3 类网络（核心网、接入网、终端网），运用3 种资源（频率带宽、功耗、时延），满足3 项需求（生活、工作、服务），把这些统合起来构成可优化、可扩展的新型网络体系架构。

第一级的三三三网络结构如图1 所示。其还可以进一步划分，即3 类网络各自分解成不同的功能和组成。核心网可分为三大功能，分别为管理、连接、服务，其中服务的占比会越来越大，如云服务。接入网可分为三大接入，分别为区域、专用、行业。随着B5G/6G 的出现和应用，行业接入网的占比会越来越大。终端网涉及三大应用对象，分别为人类、机械、机器人（即活动机器）。未来，机器人的应用将越来越广泛，无人机就是一个成功范例。上述结构属于大连接复杂网络的第二级的三三三网络结构。

图1 第一级的三三三网络结构

进一步地，还可以继续划分第三级、第四级等的三三三网络结构，直至把整个大连接复杂网络的各种场景、各种需求、各种应用和各种开销都涵盖在内。

三三三网络体系架构不仅可以进行上述的3 类网络组成的逐级分解，更重要的是可以对大连接复杂网络组建运营的开销和能力进行研究，引入不同的智能方法，实现整个网络的多维度优化和标准化设计。因此，本文提出的面向B5G/6G 的三三三网络体系架构既简约又复杂，是基础理论化、整体模块化、规范标准化的新型网络体系架构。

2.2 三三三网络体系架构的数学描述

对于图1 所示的第一级三三三网络结构，需要给出相应的数学计算式来表达它的能力、开销和需求。在进行数学分析之前，先说明数学计算式中的基本变量和物理含义，具体如下。

对于用户m，用户参数包括发生时刻t、移动速度v、所在位置l。

接入用户数M可分为服务类接入用户数MA、生活类接入用户数ML、工作类接入用户数MW。

业务需求SM可分为服务类业务需求SA、生活类业务需求SL、工作类业务需求SW。

网络业务SNet可分为核心网业务SC、接入网业务SE、终端网业务ST。

网络体系的应用业务需求来自庞杂的用户终端。无论是按服务、生活、工作分类，还是按高速、短时、精准分类，都可以借鉴无线大数据和机器学习的聚类方法，把庞大的需求分解成更有相似特性的不同群体，表示为

其中，sm(t,v,l)是第m个用户的传输需求（单位为Mbit/s），是用户当前时间t、移动速度v、所在位置l的函数。当M>>1 时，表示有大量用户接入，则传输需求SM非常大。显然，式(1)是对整个网络按不同业务类型需求的第一级聚类。

整个网络的传输需求SNet=SM，不同连接需求会被送到不同的核心网、接入网、终端网中去实现，而不是仅集中到某一类网络。因此，整个网络被视为聚合分群网络，可以把整个网络的传输总需求SNet分解成三部分，表示为

其中，y是形式变量，可以是用户所属知识变量。y的不同阶表示所在的不同类型网络，一阶指数变量对应终端网，二阶指数变量对应接入网，三阶指数变量对应核心网。这样，ST、SE和SC分别表示各类网络的传输需求。

其中，KC、KE、KT是不同网络分别聚合用户需求的特征变量，又称知识变量，如当前时间t、移动速度v、所在位置l等；ρm,k是第m个用户在参数k需求下出现的概率。

在三三三网络体系架构中，核心网可分为信令管理子网、用户需求连接子网和支持服务云子网，因此，核心网完成的传输需求SC可表示为

其中，下角标C-1 表示信令管理，C-2 表示需求连接，C-3 表示云服务。

同理，接入网可分为区域子网、专用子网和行业子网，它们的传输需求流量分别用下角标E-1、E-2 和E-3 表示，则接入网完成的传输需求SE表示为

终端网的传输需求可分为人类、机械、机器人的传输需求，分别用下角标T-1、T-2 和T-3 表示，则终端网的传输需求ST表示为

综上所述，设i表示大连接复杂网络的各类网络，j表示各类网络的不同子网，大连接复杂网络能实现的总体传输需求SNet可以表示为

其中，

式(8)表示归属于第i类网络第j个子网的用户需求，积分区间Ki,j表示属于第i类网络的第j个子网的用户需求的集合区间，共有9 个子区间。对极其复杂的未来网络的聚类，如果9 个子区间不够，还可以继续往下进行聚类，分成27 个子子区间，甚至更多。

因此，式(7)和式(8)是三三三网络体系架构的一组需求计算式，描述了庞杂大量用户的各种各样的传输需求。

2.3 三三三网络体系的优化式

网络体系的传输能力决定了其能否满足用户的业务需求。信息传输遵循香农[12]提出的香农理论和香农公式，即给定时间、带宽、功率下的无线传输能力为

其中，τ对应单位时间的信号时隙帧数，H是可用频带宽度，PS,t,h是不同时隙t、不同频率h、不同传输速率S所需的接收功率，N0是噪声。因此，式(9)是无线网络（包括所属子网）的传输能力和资源开销的评价函数，也可简化成有线网络的评价函数。

整个网络能实现的通信传输能力CNet能满足整个网络庞大的用户传输需求SNet。将其频带、功率、时间的消耗分别表示为xh、xp、xτ，则整个网络可实现的传输容量可表示为

其中，ρq是子函数fq在函数f中的比例因子。

无论无线还是有线，无论在何种网络架构下，信息通信除了直接面对用户传输需求流量外，还要添加管理信息和协议流程，即附属流量，以保证用户传输需求的传送和到达在复杂网络外部环境中准确实现。因此，整个网络在传输用户需求流量SNet的同时，还要传输相应的管理和协议的附属流量，即

其中，ωNet表示附加流量与传输需求流量的比例。

根据式(10)可以把大连接复杂网络的第i类第j子网的传输能力表示为

考虑频率带宽资源带来的网络传输能力，式(12)中的q=H，则有

进一步地，功率资源开销、时间资源开销与网络传输能力的关系可以分别表示为

那么，面对大连接复杂网络的传输能力最大化和资源开销最小化的问题就可以写成2 个不同的优化式，即

其中，given 表示给定参数。式(17)和式(18)是三三三网络体系的一组优化式，其建立在各类网络的各个子网的优化基础上，随庞杂大量用户的业务需求SNet的构成不同，即式(1)的内涵不同而不同。

3 知识学习机制

知识学习是在传统机器学习、深度学习、强化学习及它们结合的学习过程中，引入相关用户特征和网络参数的知识变量，引导数据驱动学习，甚至直接由知识驱动学习的模型和过程。

为此，本文提出一种把知识驱动与数据驱动有机结合，融合无线知识的有效性和数据动态实时性，开放、透明、可解释的学习优化机制，实现复杂网络体系架构智能化。这种学习优化机制主要包括知识+数据驱动学习模型和知识学习的优化。

3.1 知识+数据驱动学习模型

知识+数据驱动学习模型[11]是数据驱动的机器学习和知识驱动的逐层优化相结合，数据驱动和知识驱动同时推进、彼此交互完成的一种学习模型。为实现三三三网络参数和资源的智能配置，本文提出了适合优化复杂网络体系架构的知识+数据驱动学习模型，如图2 所示。其中，图2(a)是知识+数据驱动学习模型的基本框架，它的网络层级、业务层级和资源层级分别对应复杂网络的三层网络、各网络对应的三项业务和三类资源。图2(b)是知识+数据驱动学习模型的分层设计。所提学习模型共分为七层，第一层是网络层级，第二层～第四层是业务层级，第五层和第六层是资源层级，第七层是输出层。

图2 知识+数据驱动学习模型

数据驱动的逐层优化类似标准深度学习，在输入用户业务需求之后，层间通过学习加权函数连接，不同层的节点由不同层运算，最后把输出层得到的差异率作为反向传播判决变量进行反馈。

知识驱动的逐层优化是指伴随数据驱动的不同层有不同的知识变量，依据知识变量来规范加权函数。知识变量的取值在数据驱动学习过程中获得。当随机变化不可准确预测时，可根据行之有效的公式和运算惯例来确定。

因此，利用知识+数据驱动学习模型，可以实现三三三网络体系的学习优化过程。学习模型中的七层变量和物理含义如下。

知识变量V：V(n),n∈{1,…,7}

加权函数W：W(n),n∈{1,…,7}

输入矢量X：X(n),n∈{1,…,7}

输出矢量Y：Y(n),n∈{1,…,7}

1) 网络层级

第一层是网络层级，把大量用户传输业务按照需求传送距离区间分配给本层3 个节点（核心网、接入网、终端网）中的一个，聚类处理如下。

知识变量V(1)=D为需求传送距离区间，表示为

则第m个用户的需求sm可表示为传送距离d的函数sm(dm)。

加权函数W(1)=[w(1)m,i]为传送距离归属概率，表示为

其中，m=1,2,…,M。因此，第一层节点的输入x(1)i,m和输出y(1)i.m分别为

调整区间Di的大小，其概率值不同，则yi(1)也不同。因此，ρi,m可以通过反向传播的反馈调整来改变，直至第一层的知识变量D调整为实现网络传输能力与传输需求的误差最小，即达到最优输出，表示为

2) 业务层级

第二层～第四层是业务层级，把第一层聚类到不同网络的用户业务需求再各自分成不同的三项业务聚类，由第一层的3 个节点，变成9 个节点，分别用下角标i=1,2,3 和j=1,2,3 表示。

第二层～第四层的知识变量分别为移动速度区间、传输效率和由小区及其波束数量决定的覆盖密度，即V(2)=υi、V(3)=βi,j、V(4)=ni,j和γij，分别表示为

其中，下角标i为第一层节点标号，j是给定i下的业务分项标号。

加权函数Wj(2)～Wj(4)为上一个节点的传送业务需求转移到下一个节点的概率，分别表示为

其中，ωi,j为网络传输附加信令流量的比例，ρi,j为上一层节点i转移到本层节点j的概率。则第二层～第四层的输入和输出分别为

各层的知识变量V也在学习，其优化输出为

通常选取核心网的一个网点的覆盖范围为n1=1，γi=1，则覆盖密度正好为1。同时，各层会输出相应的覆盖变量优化值。对于接入网和终端网，各相应子网覆盖小区的最小半径[13]为

其中，tho,i、ςi、Mcell,i是支持移动小区切换参数。无线覆盖小区（i=2,3）的平均频谱效率与信号功率关系[14]为

求解式(36)可得相应无线传输所消耗的功率开销为

其中，PN0是噪声干扰功率。

3) 资源层级

第五层和第六层是资源层级，相对简单，其决定各个子网需要的频宽Bi,j（或功耗Pi,j）和时延τi,j。

知识变量V(5)=Bi,j和V(6)=τ(0)i,j分别为网络中各子网频带开销和可容忍的时延量。

第五层和第六层的输入和输出分别为

第五层的无线传输频带开销B的学习优化输出为

给定频带资源下的功率开销优化输出为

第六层传输时延τi,j也在学习，其优化输出为

4) 输出层

第七层是输出层，从前一层的9 个节点聚合为3 个节点，第一个节点是整个网络实现的端到端传输能力，第二个节点是与用户传输需求Snet的误差 ΔNet，第三个节点是整个网络实现的整体传输能力。

第七层节点的输入x(7)j,i和输出y(7)i.j分别为

第七层的输出目标为ΔC→0。

完成整个七层学习过程后，接下来的学习过程是反馈传播调整知识变量，按式(44)的顺序逐次调整知识变量的取值，直至ΔC≈ 0。

综上所述，所提知识+数据驱动学习模型是适合三三三网络体系架构的可扩展的学习模型。模型的第一层有3 个节点，分别对应核心网、接入网和终端网，按业务需求的传播距离（知识变量D）被聚类进一个节点。如果还有因素影响这个聚类，可以再增加一层仍为3 个节点，将该影响因素作为知识变量，调整前一层的聚类。

3.2 知识学习的优化

基于上述知识+数据驱动学习模型的逐层学习和反向传播优化，能够获得大数据预测的初始化、知识变量调整的最优化，以实现如式(17)和式(18)所示的大连接复杂网络的优化目标，并能够针对不同应用场景获得不同期待的优化结果。

1) 大数据预测的初始化

本文所提知识+数据驱动学习模型中，上层有无线大数据支持，下层有知识变量为基础，是与常规的深度网络学习模型不同的。通过历史大数据支持知识+数据驱动学习模型的学习，能给出较准确的各层知识变量的选择区间或选择值事前预测[15-16]。在实施运行中，通过几次简单的反向传播迭代后，即可得到最优参数。这样，可使数据驱动的深层学习更快速、更可解释。

设M个用户的传输需求为

其中，N>M>>1。下面以第一层为例说明基于大数据的初始化过程，其余层依次类推。

第一层的知识变量是用户需求要连接的距离区间，经过N次学习之后，得到各个Di值，即

对这N次学习结果做统计平均，有

同理，可以得到第二层知识变量，第三层～第六层的知识变量的预测值，即历史N次大数据记录的均值，作为三三三网络体系知识学习优化处理的初始值，使实时到来的大连接庞杂需求能快速获得复杂网络支持。

2) 知识变量调整的最优化

式(16)给出了在确定频带、功耗和时间三大资源开销的情况下，寻求网络传输能力最大化，也就是使用最小资源开销获得的网络传输能力。网络资源表示为

因此，三三三网络结构的知识学习优化之一，是在式(49)所示的网络资源初始化给定后，经过知识+数据驱动多次学习后，求解网络能力的最佳值，即

如果CNet

如果CNet>SNet，说明初始化给定的资源开销超过了大连接用户传输需求，即式(17)给出的优化目标。这里，频带资源为xH=B，xP=P=nγfP−1(β),xT=τ，则可以给出在确定网络能力（用户需求）下的频带、功耗和时间三大资源开销最小化，即

显然，式(51)可以得到利用知识+数据驱动学习模型进行资源优化的最优结果。

综上所述，所提知识+数据驱动学习模型的输入是从用户传输需求数据开始的，一层一层向后进行加权运算输出，直至最后一层。各层知识变量的取值也在各层的学习过程中计算得到，彼此不同。因此，知识+数据驱动学习模型的各层功能是清晰、明确的，数据学习受知识变量的约束，知识变量取值由输入数据演变而定。所以，所提学习模型是可解释的学习模型。

3) 不同场景的不同优化流程调整

大连接复杂网络要适应庞杂用户的不同情况、不同结构和不同应用的各种场景，本文使用知识+数据驱动学习模型对不同应用场景进行优化流程的调整。本文以2 个场景为例进行说明。

场景1庞杂的用户需求不管传输远近都先从终端网接入，然后选出需要送入接入网和核心网的需求。场景1 下使用知识+数据驱动学习模型的优化流程如图3 所示。

图3 场景1 优化流程

场景2庞杂的用户需求按照传输远近分别进入终端网和接入网，然后选出需要送往核心网的需求。场景2 下使用知识+数据驱动学习模型的优化流程如图4 所示。

对比分析场景1 与场景2。场景1 中，用户需求先进入终端网，经逐层学习，过滤出终端网连接输出后，汇聚进入接入网的需求流量。这样，接入网面对的是已汇聚的终端接入，减少了接入数，也就减少了相互干扰。场景2 中，用户需求分为连接终端网部分和连接接入网部分，终端网不需处理和汇聚要直接进入接入网的流量，可减少自身的资源开销，但是连接接入网的大量用户需求直接接入，大大增加了彼此之间的干扰和排序，会额外增大消除干扰的压力。

图4 场景2 优化流程

因此，考虑连接终端网是近距离接入，增加的资源开销少，权衡增加终端网压力，还是带来接入网压力，要视具体应用场景而定。下面对这2 种场景分别进行分析讨论。

4 网络性能分析

4.1 复杂网络的优化性能

本文提出的三三三网络体系架构中，庞杂用户的极大需求SNet按用户需求的连接距离区间Di(di,min,di,max)进行聚类分群。设聚类分群的核心网、接入网和终端网的需求流量比为ηC:ηE:ηT，且ηC+ηE+ηT=1。则整个网络的业务需求SNet可表示为

不进行分类网络传输，而是以终端网、接入网到核心网的顺序统一传送到核心网进行交换处理的传输总流量为

因此，三三三网络体系架构中，按传输连接距离大小的分层优化获得的分层传输总流量的分层优化效率为

不同(ωC:ωE:ωT)下的分层网络优化传输效率随(ηC:ηE:ηT)的变化情况如图5 所示。其中，第1 帧～第6 帧(ηC:ηE:ηT)分别为(1:0:0)、(0.8:0.06:0.14)、(0.66:0.12:0.22)、(0.53:0.18:0.29)、(0.43:0.21:0.36)、(0.33:0.26:0.41)。整体网络的传输需求的流量中，接入网和终端网络所占的比例越高，传输效率越高。从图5 中的小框图可以看出，网络运行不同附加的流量开销，传输效率略有不同，但彼此相差极小，对传输效率的影响可以忽略。

不同(ηC:ηE:ηT)下的分层网络传输效率如图6所示。其中，曲线1 的第1 帧～第6 帧(ηC:ηE:ηT)分别为(1:0:0)、(0.8:0.06:0.14)、(0.66:0.12:0.40)、(0.53:0.14:0.32)、(0.43:0.16:0.41)、(0.33:0.18:0.49)，曲线2 的第1 帧～第6 帧(ηC:ηE:ηT)分别为(1:0:0)、(0.8:0.06:0.14)、(0.66:0.12:0.22)、(0.53:0.18:0.29)、(0.43:0.21:0.36)、(0.33:0.26:0.41)，曲线3 的第1 帧～第6 帧(ηC:ηE:ηT)分别为(1:0:0)、(0.8:0.14:0.06)、(0.66:0.22:0.12)、(0.53:0.29:0.18)、(0.43:0.36:0.21)、(0.33:0.41:0.26)。当终端网络的传输需求流量高达70%时，传输效率提高56.7%。显然，当终端网络的传输需求流量越高，采用三三三网络体系的传输效率越高。

图5 场景1 中不同(ηC:ηE:ηT)的分层网络优化效率

图6 场景1 中不同(ηC:ηE:ηT)的分层网络传输效率

2) 场景2 的优化效率

场景2（用上角标Ⅱ表示）中，终端网只承接终端网的传输需求和在终端网内传送的需求流量，不包括要传送给接入网和核心网的用户需求流量和附加流量。那么，在满足传送SNet的用户需求流量的情况下，终端网的实际流量为

因此，三三三网络体系架构中，按传输连接距离区间的分层优化获得的分层传输的总流量的分层优化效率为

图7 给出了场景2 中，不同(ηC:ηE:ηT)的分层网络传输效率。其中，曲线1 的第1 帧～第6帧(ηC:ηE:ηT)分别为(1:0:0)、(0.8:0.14:0.06)、(0.66:0.22:0.12)、(0.53:0.29:0.18)、(0.43:0.36:0.21)、(0.33:0.41:0.26)，曲线 2 的第1帧～第6帧(ηC:ηE:ηT)分别为(1:0:0)、(0.8:0.06:0.14)、(0.66:0.10:0.24)、(0.53:0.14:0.33)、(0.43:0.16:0.41)、(0.33:0.18:0.49)。对比图6 与图7 可以看出，相比场景1，场景2 的分层效率较高，对(ηC:ηE:ηT)变化的敏感程度较低。

4.2 复杂网络的资源开销

1) 最小资源开销

首先，考虑终端网络要实现的传输能力（如式(53)所示），可以改写为

图7 场景2 不同(ηC:ηE:ηT)的分层网络传输效率

根据第3 节的知识学习机制的优化，由式(64)可得

基于单位频率的功率开销和网络参数的关系为P=nγfP−1(β)，则实现传送SNet的流量，终端网络要消耗的功率开销为

对于接入网络，要使它的传输能力如式(58)所示，可以将其改写为

根据第3 节的知识学习机制的优化，资源开销的网络参数如式(49)所示，则由式(68)可得

基于单位频率的功率开销和网络参数的关系如式(67)所示，则实现传送SNet的流量，接入网要消耗的功率开销为

核心网络采用高速光纤传输链路，相比无线传输，其传输能力是最快速、最节能的。因此，核心网不需要无线频段，其能源开销远小于无线传输，这里可以忽略。

因此，三三三网络体系架构中整个网络的频带的开销和整个网络的功率开销分别为

2) 优化频带开销

本节举例说明上述的分析和讨论。考虑一个半径为1 km、面积为3.14 km2的移动服务区域由比其大得多的核心网覆盖，接入网和终端网是完整覆盖。

终端网。智能终端为终端网核心，稀疏非无缝覆盖，子网有3 种形态：蓝牙、Wi-Fi、高速服务。蓝牙子网是最小覆盖，覆盖半径为1 m，不超过10万个，最大使用1 MHz 带宽，全向天线，β1为1 bit。Wi-Fi 子网的覆盖半径为5 m，最大使用10 MHz 带宽，全向天线，β2,max为2 bit，不超过2 万个。高速服务子网的覆盖半径为10 m，使用200 MHz 带宽，单一波束，β3为2 bit，不超过1 000 个。根据式(66)，这个终端网可能支持的最大传输流量为

其中，θ表示同频复用分区数。

接入网。一个宏基站为覆盖基准，覆盖半径为1 km，面积为3.14 km2，是接入网的第一子网，使用400 MHz 带宽，12MIMO，β1,max为6 bit。第二子网为小基站，覆盖半径为0.25 km，共16 个，使用500 MHz带宽，6MIMO，β2,max为4 bit。第三子网为Wi-Fi 站，覆盖半径为0.02 km，共800 个，稀疏非无缝覆盖，使用20 MHz 带宽，单一波束，β3,max为2 bit。根据式(68)，这个接入网可能支持的最大传输流量为

显然，接入网能传送的流量明显小于终端网的需求流量，即终端网的大量用户需求属于终端网内与终端网间传输。

3) 动态实时优化

面对庞杂用户的不断变更的实时需求，对整个网络的资源配置和开销需要实时优化，举例说明如下。

在覆盖面积3.14 km2内同时有不同大小的10 万个用户通信请求接入，要在知识+数据驱动学习模型的第一层举行聚类分群，并确认相关的基本要求和所属子网。接入网的子网记为Net2,1、Net2,2、Net2,3。终端网的子网记为Net3,1、Net3,2、Net3,3。

表1 例1 的终端网和接入网的相关指标统计

例1需求第1 帧，大连接庞杂用户的各种传输总需求为450 Gbit/s，按需求对象、用户数、频宽划分如下。语音/微信/视频为20 000个，频宽为2.3 MHz，其中频宽的40%属于Net2,3，20%属于Net1；感知终端用户为40 000个，频宽为0.1 MHz，其中频宽的80%属于Net3，20%属于Net2；垂直行业用户为30 000 个，频宽为5 MHz，其中频宽的75%属于Net3，20%属于Net2，5%属于Net1；娱乐服务用户为10 000 个，频宽为25 MHz，其中频宽的90%属于Net3，10%属于Net1。这些输入需求，加上管理和协议附属流量1%，终端网和接入网的相关指标统计如表1 所示。

显然，例1 的连接10 万个用户的传输需求明显小于式(73)和式(74)给出的网络最大传输流量。因此，根据第3 节的知识+数据驱动学习模型，当用户需求流量约为450 Gbit/s（终端网）+46.6 Mbit/s（接入网），小于整个网络的最大传输流量时，其频宽开销降低为583.2 MHz，可以获得远小于最大频宽的结果，如表2 所示。

表2 通过学习机制获得的频率带宽开销

例2需求第2 帧，大连接庞杂用户的各种传输总需求为549 Gbit/s，按需求对象、用户数、频宽划分如下。语音/微信/视频为20 000 个，子网所属比例为4:4:4、4:5:5、2:1:1；感知终端用户为60 000 个，子网所属比例为0.8:0.2:0；垂直行业用户为30 000 个，子网所属比例为0.75:0.2:0.05；娱乐服务用户为20 000 个，子网所属比例为09:0.0:0.1。整个网络实现流量为555.8 Gbit/s，频谱开销为547.6 MHz。

例3需求第3 帧，大连接庞杂用户的各种传输总需求为675 Gbit/s，按需求对象、用户数、频宽划分如下。语音/微信/视频为20 000 个，子网所属比例为4:4:4、4:5:4、2:1:2；感知终端用户为60 000 个，子网所属比例为0.8:0.2:0；垂直行业用户为30 000 个，子网所属比例为0.75:0.2:0.05；娱乐服务用户为20 000 个，子网所属比例为09:0.0:0.1。整个网络实现流量为689.0 Gbit/s，频谱开销为642.2 MHz。

例4需求第4 帧，大连接庞杂用户的各种传输总需求为 720 Gbit/s,整个网络实现流量为728.3 Gbit/s，频谱开销为721.7 MHz。

例5需求第5 帧，大连接庞杂用户的各种传输总需求为 810 Gbit/s,整个网络实现流量为828.1 Gbit/s，频谱开销为756.8 MHz。

复杂网络需求流量和网络能力如图8 所示，流量/能力差异比例如图9 所示。不同用户传输需求的最小频谱带宽开销如图10 所示。为直观展示，对图8 和图10的纵坐标进行了如下处理。图8纵坐标数值=(流量−400)/100，单位为Gbit/s；图10 纵坐标数值=(频率带宽−400)/100，单位为MHz。

5 结束语

综上所述，面对未来B5G/6G 通信的庞杂用户大连接、各种网络混杂覆盖的复杂网络，本文提出了一种三三三网络体系架构，融合3 类网络（核心网、接入网、终端网）、3 种资源（频率带宽、功耗、时延）和3 项需求（生活、工作、服务），成为统合的、可分析的、可扩展的未来网络的基本体系结构。进而引入知识+数据驱动学习模型，具体给出了逐层的知识设计和数据进程，为提出的三三三网络体系建立了学习优化机制，实现了智能化。本文还分析和推导了满足大连接用户需求的各个构成网络的传输能力和最小资源开销的数学关系和效率计算式。最后给出了数值实例的学习优化结果。

上述研究的结果表明，本文的贡献如下。