5G与AI技术的合作发展方式及应用研究

赵茂伸，周小伟

(重庆信科设计有限公司，重庆，404100)

1 5G和AI技术的合作发展方向

在5G技术的发展和应用下，将在可扩展的带宽应用下数据量的逐渐增长，对于AI技术的发展具有重要促进作用，且能够进一步实现分布式智能[1]。另外在5G技术应用下，可以显著提升AI技术的分析和相应能力。例如想要对不同应用程序性能提供保障，一定要在准确的端到端行为视图应用下连续性监视网络，及时排除网络运行故障，不断实施优化，在此基础上也就需要保障实现对不同来源海量数据的收集及处理，针对端对端连接数据的处理只能够采用自动化方法，AI技术的应用可以实现数据筛选、优化向网络设计灵活性及软件化的过渡。

2 AI技术在5G网络中的应用场景

基于AI技术在无线领域中的应用可以看出，从“资源”和“时间”维度可以实现对控制和管理功能的分类。基于无线智能化应用决策所需时间颗粒度及相应管控资源颗粒度，主要包括有三大类：①基于小时/天/月为时间单位的管理面优化，主要是小区级、基站级或切片级资源颗粒度产生作用。通常是在网络的“规-建-维-优”中应用，主要为网络固化部署、网络故障管理、小区级天线波束参数优化等；②和第一类相比时间颗粒度及作为资源范围颗粒度更加小，主要是在10ms-100ms范围内智能决策中应用，通常是在无线切片资源优化保障、干扰管理及移动性管理等中应用；③具有更高的实时性，通常为毫秒级别，重点是实现对无线空口传输AI应用维内托实施解决，主要是应用在机器学习、智能链路自适应调制编码方案选择等中应用。

在以上不同应用场景中，第一类主要是建立在现有网络运维（O域）、业务域（B域）和管理域（M域）数据基础上，相对来讲数据规范以及数据共享平台已经较为成熟，另外智能决策运行环境通常是建立在集中数据分析或网络运行维护平台上，所以这一类对于传统网络通信设备没有造成较大影响。当前部分AI无线网络已经在商业中应用。第二类和第三类在应用中受到数据时间颗粒度的限制，导致在数据获取中存在一定难度，同时AI智能决策实体和无线网络设备需要具备较高的耦合度，因此当前第二类依旧处于测试验证阶段，第三类则是在理论阶段。

如果在商业需求下，可以实现对以上场景的继续细分，分别为切片/用户体验服务保障、网络能力开放以及面向网络性能增强的无线网络优化。截止到目前，在研究领域关于AI在5G网络中的应用已经逐渐成为研究热点，未来移动通讯论坛以及各大运营商等均已经多次发布白皮书[2]。其中在重点用例上，产业界逐渐有了共识，即为实现对无线数据采集、AI功能框架和架构、无线数据分析等相关方面关键技术的研究。

3 AI技术在5G网络中应用的标准进展

在业界AI技术和5G网络的结合一直是一个重要研究方向，同时也是标准化研究重要方向。当前研究中的国际标准组织主要为两方面，分别为：3GPP及ITU-T。

3.1 3GPP

在这一方面研究中主要从两角度展开，分别为：3GPP RAN3工作组，其中在其研究中2018年6月成立了RAN数据收集和分析研究项目“Study on RAN-centric data collection and utilization for LTE and NR（FS_LTE_ NR_data_collect）”。重点针对集中式和分布式数据分析的RAN侧数据收集及利用实施网络优化，在此过程中主要包括有智能化自组网、边缘计算增强等。当前在eNA项目中，针对3GPP RAN3工作组提出的支持网络数据分析系统框架设计见图1。

图1 5G网络智能化的基本框架

其中在3GPP中，网络数据分析功能为基于Rel 15的5G标准所引入的网络功能，重点是实现对网络切片数据的分析。另外在项目中也可以实现这一功能在不同类型网络数据分析中的应用，包括5G网络运行数据、网络统计数据等等。数据网络分析功能生成的分析结果可以在5G网络功能、OAM等上输出应用。在数据网络分析功能分析结果应用中，能欧在5G网络功能及OAM或应用层服务器上得到优化操作，实际应用中详情如下：5G移动性管理相关管理能够在数据网络分析功能发出请求后，预测分析终端的移动轨迹。通过对数据网络分析功能可以在OAM中得到终端的历史位置信息，在分析后即可以将其生成终端的移动性预测模型。数据网络分析功能结合终端的实时位置能够提供相应的终端移动性预测信息，为5G移动性管理相关功能提供支持，进而提升网络策略制定的精准性，实现对移动性管理操作的优化。比如，在终端位置统计分析基础上，能够实现注册区域分配；在终端位置预测信息的应用下，能够对决策切换提供辅助作用；在终端移动性轨迹分析下，能够预先选择移动性锚点等。在5G网络中的OAM也能够通过数据网络分析功能的请求，获取网络切片业务运行数据，实现对网络切片资源管理的优化。数据网络分析功能在OAM中，能够为其提供不同切片和SLA信息相符性和切片用户体验分布情况。依照数据网络分析功能的分析结果，OAM系统也就能够实现对不同网络切片资源分配方案的确定。

3.2 ITU机器学习（ML）5G

FG-ML 5G工作组的成立是在2017年11月的ITU-TSG13会议期间，由不同国家代表共同建立成立了机器学习-网点组。其中FG-ML 5G工作组输出的研究报告及标准草案，能够作为是之后SG13相关研究的输入，另外也属于是针对ITU成员以及非ITU成员均开发的一个工作平台，主要是关于未来网络实施分析，尤其是机器学习技术在5G网络中的应用，有助于显著提升网络性能以及用户体验。其中在FG-ML 5G下设置有三个工作组（WG），WG1重点实现对未来网络中机器学习应用场景及潜在需求的分析；WG2主要是针对移动网络优化机器学习算法、个人信息保护等的分析；WG3重点关于对机器学习具有支持作用的未来网络架构、接口等实施分析。

当前在FG-ML 5G研究中，在和3GPP等其他研究组织工作进行沟通过程中，最终将移动性模型预测、端到端网络切片等应用场景作为研究重点，且想要在以上场景需求下实现对整个工作组的促进和发展[3]。比如在WG3组研究中提出的在移动性模型应用下，实现对移动性管理机制的预测网络架构设计。将移动性管理定制作为研究对象，在针对网络数据实施分析过程中，其中数据分析功能其先针对终端实施移动性预测，之后在对应网络功能中输入预测结果，即为实现对移动性管理的定制。在移动性预测中可以将其分成两类，分别为长期性预测和短期性预测，前者重点是依照大量静态终端历史信息实施预测以及分析，一般情况是通过中心NWDAF实现；后者在预测分析过程中需要将终端实时移动性行为作为依据，一般情况是通过中心NWDAF和或本地NWDAF实现[4]。结合预测分析结果，一般情况下长期预测结果为终端活动范围、出入固定区域频度等，所得结果可以在OAM系统中输入，实现对核心网网络功能定制的辅助作应用，即可以实现对特定注册区域的划分；短期性预测结果一般为终端移动的目标小以及移动速度等，所得预测分析结果能够输出到核心网中，一般是在移动性锚点选择中应用，也能够输出到接入网中，在接入网节点执行切换去决策、小区重定向等中具有重要的辅助作用。

4 结语

在5G和AI技术合作发展和应用上，重点是在运维管理优化及其性能增强等方面，截止到目前在3GPP以及ITU-T基本实现对相关研究项目的成立，也得到了部分研究成果。但是想要真正实现两者的合作发现，依旧存在有技术障碍和非技术障碍，前者主要集中在缺乏合适的AI算法，后者主要为用户数据隐私保护等方面。所以还需要针对两者合适的相关技术实施分析，并积极颁布实施相应的政策法律，以为行业发展提供重要保障。