人工智能技术在5G网络中的应用

2021-11-21佟志勇

无线互联科技 2021年4期

佟志勇

（黑龙江省军区数据信息室，黑龙江哈尔滨 150001）

0 引言

人工智能和5G是当前信息技术发展的两大热点。2019年6月6日，工信部向4家电信运营商发放5G商用牌照，标志着中国5G正式进入商用阶段。在5G时代，无论是“人的连接”，还是“万物互联”，都将产生海量数据，这些海量数据是人工智能的基础支撑。人工智能技术对5G网络及其产生的数据运用机器学习和深度学习算法，助力解决5G网络结构复杂、业务需求多样、运维管理难度大等问题。

1 人工智能技术

人工智能是使机器拥有人类的智慧，具备感知和决策能力的一门新的技术科学。机器学习是人工智能的核心研究领域，是使计算机具备人类学习能力的根本途径。深度学习是机器学习领域一个分支，通过模拟人的神经网络，构建学习模型，对输入数据进行学习并提取特征，使机器具备人的分析学习能力。

1.1 机器学习

主要有4类学习方式：

（1）监督学习：在给定的训练样本中，每个输入都对应一个确定的输出结果，在未知的样本给定后，通过训练出的模型对结果做出预测。

（2）无监督学习：训练样本没有标签，通过学习找到数据中的内在关联或规律，但学习的过程并不知道结果是否正确。

（3）半监督学习：将大量的无标签和少量有标签数据样本放到一起进行训练，目的是提高算法的学习性能[1]。

（4）强化学习：通过不断的试错并调整策略以获得最大奖励，最终找到最优策略，即在什么状态下选择什么动作可以获得最好的结果，AlphaGo战胜李世石就是强化学习的典型案例。

1.2 深度学习

深度学习是一种大规模的深层的神经网络，通常由许多处理层和隐藏层构成，主要有深度神经网络（DNN）、卷积神经网络（CNN）、循环神经网络（RNN）等。

1.2.1 深度神经网络

深度神经网络由输入层、若干隐藏层和输出层组成，其工作过程为：将数据输入神经网络，各层运用前向传播算法计算后输出送至下一层，使用损失函数来度量输出结果和真实的训练样本之间的误差，通过使用梯度下降法对损失函数进行迭代优化计算极小值，从而得出合适的加权值和激活函数,让所有的训练样本输入计算出的输出，尽可能接近样本标签。

1.2.2 卷积神经网络

卷积神经网络由输入层、卷积层、池化层、全连接层以及输出层组成。输入层对数据进行标准化、归一化等预处理，提升学习效率。卷积层包含多个不同的权重和偏置向量的卷积核，完成对输入数据的特征提取，形成特征图，输出至池化层进行特征选择和信息过滤，目的是压缩数据和参数，防止过拟合，提高模型的容错能力。全连接层的作用则是对提取的特征进行非线性组合以得到输出，利用现有的高阶特征完成学习目标。

1.2.3 循环神经网络

循环神经网络是一种具有短期记忆能力的神经网络，通过使用带自反馈的神经元，使网络的输出不仅和当前的输入有关，还和上一时刻的输出有关，既可以接收其他神经元的信息也可以接收自身信息，形成具有环路的网络结构，可以用来处理视频、语音、文本等时变序列。

2 人工智能技术在5G网络中的应用

将人工智能技术运用到5G通信系统的设计与优化已经成为学界和业界重点关注的研究方向。在2020年6月召开的3GPP全会上，通过了“数据收集持续增强研究”立项。该项目由中国移动牵头，旨在探索基于大数据的人工智能技术使能智慧无线网络。

2.1 提升无线通信系统性能

传统的无线通信系统采用模块化结构，通信工作者已做了大量的研究工作来优化各个模块的性能，但是对每个模块进行优化不一定能使整个通信系统的性能最大化，而对整个通信系统从发射到接收全程进行端到端的优化，其性能要好于对各个模块进行优化。在无线传输系统中应用人工智能技术，可以大幅提升无线传输系统的性能，信号检测、信道估计、信道编解码等各个环节应用深度学习算法进行端到端优化，为实现系统端到端性能最大化提供了强有力的工具。

对于中射频，5G信号易产生非线性失真。使用卷积神经网络、循环神经网络、LSTM、GAN等深度神经网络对5G宽带射频功放进行数字预失真线性化[2]。

2.2 无线信道测量与建模

无线信道的测量与建模是无线通信系统规划和部署的基础。传统无线网络的覆盖规划、路由损耗、波束成型等问题均使用代数计算方法对网络环境进行计算，而5G网络环境的复杂程度越来越高，可以应用人工智能算法对传统代数计算的方法进行建模，去解决网络环境的规划优化问题，从而确定小区的覆盖范围，减少邻区干扰、优化网络。

应用深度学习技术，针对5G通信网络不同场景的导频功率、波束调整、MIMO特性等参数进行优化调整，针对强信号干扰、恶劣天气等引起的网络时变，建立动态模型，持续进行学习，应对信道突变问题。

2.3 优化网络切片资源管理

网络切片是5G核心网的关键技术之一，它将物理网络根据业务需求进行逻辑分割，形成独立的虚拟网络，为具有不同性能要求的业务提供差异化、相互隔离、功能可定制的网络服务。考虑到网络资源的有限性和不同网络切片中的网络状态，运营商需要在保证服务等级协议SLA的同时，尽可能地复用底层网络资源。

人工智能技术能帮助运营商优化网络切片资源的管理。通过对5G网络切片的实际运行情况、业务量数据以及SLA执行情况的采集，运用机器学习算法建立模型，利用该模型对业务量和资源需求进行精准预测，网管系统进行网络切片资源的动态调整，优化后的网络运行状况可以再次迭代到预测模型中，完成闭环反馈，进而趋近最优解[3]。

2.4 助力网络运营维护智能化

网络的运营维护过程需要全面掌握网络运行状况，对故障进行预警并快速定位，通过相应的手段进行恢复。机器学习被认为是网络运行和管理各种功能自动化的最佳解决方案，如资源管理、按需和自适应网络配置、服务创建和编排、故障检测、安全性、移动性管理、用户体验增强、策略动态调整等。在5G网络运行维护各个环节中引入人工智能技术，对网络质量和业务质量进行实时分析和监控：通过构建统一网络视图，实现网络管理的可视化；使用人工智能技术对网络告警数据进行全面、多角度、深层次的学习和分析，依据告警代码快速准确地定位故障部位，以便尽快排除故障；使用机器学习算法，对网络流量进行全局性优化，实现全网负载均衡，避免网络拥塞，分析网络状态，结合业务负荷、网络环境，自适应调节网络参数，实现网络的智能优化，提高网络的资源利用率，有效降低网络能耗[4]。