5G网络优化中人工智能的应用研究

2022-07-13鹤壁职业技术学院电子信息工程学院张玉娇肖文珂

内江科技 2022年6期

◇鹤壁职业技术学院电子信息工程学院张玉娇肖文珂

1 人工智能技术

人工智能是一门新的科学技术，它致力于让机器或计算机具有类似人的智能，能够模仿人进行学习、行动、思考、感知和语言等智能行为。近年来，人工智能这一概念越来越频繁的进入大众视野，其应用也在逐渐渗透到人们的生活的方方面面。人工智能与各行各业的联系也越来越紧密，在制造、教育、环保、交通、商业、健康医疗和网络安全等重要领域都得到了广泛而深入应用。人工智能已不光局限在如何模拟人类行为活动，而是更倾向于“泛智能”建设，即通过人工智能，实现问题发现、问题分析和问题解决.以更具备创意和高效的方式使得复杂问题得以处理[1]。在互联网+时代，能够有效推动各个领域与互联网深度融合的关键因素非人工智能莫属，同时它也是推进网络强国战略和制造强国战略的重要驱动力量。

2 网络优化

网络优化贯穿于网络建设与运行的整个生命周期，是网络运行维护过程中的一项重要内容。随着网络覆盖的不断完善，用户数和业务量必然呈现增长趋势，而用户数和业务量的增长又不可避免的会影响用户的体验和网络的各项性能。而网络优化则是持续优化网络运行状态、改善用户体验的重要途径。网络优化以实现网络性能最优、现有网络资源效率最佳为目标，其运用的方法主要有参数调整和RF（Radio Frequency，射频）优化。它通过数据收集、数据预处理、数据建模、优化方案输出、方案实施5个步骤的迭代执行解决网络中存在的问题。收集数据来源包括业务性能指标、设备配置参数、路测数据、MR（测量报告）、用户跟踪数据等。根据优化内容的不同，网络优化主要分为两大类，即基础性能忧化和专项性能优化两大类。基础性能优化即RF优化，是针对无线射频信号的优化，主要解决覆盖、干扰、切换等基础性能问题。专项优化即网络性能优化，通过对接通性能、移动性能、速率性能的优化保证用户体验良好。

3 5G网络优化的智能化需求

进入数字经济时代，5G网络作为新型基础设施的重要组成部分，为车联网、远程医疗、工业互联网等应用领域铺就了一条数据高速公路。与传统网络制式相比，5G网络引入了许多新的技术，如Miassive MIMO（大规模天线技术）、上下行解耦、时隙调度等，在速率、时延、最大连接数等核心性能方面都有了量级的提升。

新技术的引入在带来服务质量、服务能力提升的同时，也使得5G网络变得日趋复杂，给5G网络优化带来了更严峻的考验，多频段的组网方式使得互操作更加复杂，异构的组网结构提升了宏微协同要求。据统计，5G网络的无线参数规模已达1.8万之多。同时，Miassive MIMO的引入，让天馈调整、波束管理等变得更加繁杂，仅Miassive MIMO 调优就有数千种Pattern组合。在3G、4G时代，网络优化主要依托路测、人工分析、经验判断等方法进行。但5G网络形态复杂，数据信息繁冗庞杂，依靠传统的优化模式显然无法快速完成优化方案选取、形成精细化配置，满足5G网络快速多变的业务需求。而人工智能技术在诸如海量数据量分析、最优策略自动选取以及特征数据的快速挖掘等方面具有天然优势。而这种超强的处理分析能力和推理决策能力，正是5G网络优化所急需的。目前，我国的5G商用网络已进入大规模建设时期，面对网络的高性能需求和业务的多样化需求，借助人工智能技术推动5G网络优化向智能化方向发展，将是有效降低运营成本、进一步提升资源利用率的有效途径。

4 基于人工智能的5G网络优化方案

5G无线网络优化方向是趋于精细化、场景化、业务化、自动化的。精细化需达到栅格化的覆盖处理粒度，由2D向3D维度转变，时间维度细化。场景化仍以无线综合覆盖方案优化为主，设备与场景结合，深化挖掘设备功能，满足场景动态和突发需求，形成有预期变化的全时应对方案。业务化需做到不同业务的指标分离，对关键指标的定义和评判标准进行约定，且具有现实意义。自动化即引入大数据分析和AI、ML算法，实现数据采集及分析的自动化，模拟人工输出化方案，做到优化方案的流程化实施和评估反馈，最终实现人工实施到自动化实施演进。

4.1 无线参数智能调优

无线网络环境、网络结构的细微变化都需要无线参数与之协调变化，小区的无线参数的设置需协同周边环境、网络整体、小区内部等诸多元素，才能保障网络质量处于最优状态。5G网络结构较为复杂，并且采用大规模天线技术，无线参数的数量宏大，由此会产生大量的原始数据，在优化参数配置中应用机器学习算法与深度神经网络，对网管数据、用户数据进行自动采集，并对原始数据进行清洗及分类。经过场景建模后，使用历史数据训练优化模型参数。当出现网络问题后，根据场景特性匹配模型，采集现网数据自动输出无线参数规划和调优建议，即实现无线参数的智能优化。基本思路如下所示。

（1）数据采集。采集历史数据，包括网管数据，如KPI指标、核心侧及无线侧配置数据、MR信息等；基站环境信息，如地形地貌、覆盖区域特征等；用户信息，如受众分布、终端信息、呼叫跟踪信息等；规划信息，如周边小区结构、站型等。

（2）数据清洗。经过数据清洗、格式规整、数据分割，形成事物数据集用于关联挖掘。

（3）训练过程。通过AI算法对上述预处理后的数据进行模型训练，建立性能、参数、小区特征相关联的规则库。

（3）推理过程。实时采集小区参数、性能等特征数据，通过现有规则发现网络性能问题。将现网数据与问题推送至已训练的优化模型，由模型预测产生问题的原因，同时提出优化建议，包括：天线调整（方位角、下倾角调整建议，天线挂高调整等），参数调整（导频信道功率调整，切换参数调整、邻区调整等）及新增规划建议等。

（4）闭环优化。参考优化模型的调优建议，优化工程师对方案进行研判并实施。依据先参数调整后物理调整的顺序依次执行。并根据实际调整效果对规则库进行专家研判，进行进一步完善、修正与更新。

4.2 MIMO波束管理

Massive MIMO作为5G网络标配的关键技术之一，已在5G网络中得到广泛应用，具有诸多增益，如提升网络速率、增强网络覆盖、降低干扰、提升频谱利用率等。在5G网络中，Massive MIMO波束赋型的基本原理为：在射频指纹库的基础上，联合数据地图，运用AI算法建立模型，训练历史数据输出波束管理规则，由此实现对波束的自动管理、跟踪，对场景进行室内外判决，对基站进行精确定位等功能。

5G网络的Massive MIMO技术，因为天线阵子数的增多，其波束赋形能力明显增强，可同时形成水平方向和垂直方向的三维波束覆盖。5G下行所有信道均可波束赋形，其中公共信道采用静态波束，业务信道采用动态波束。静态波束采用波束轮询扫描方式，波束配置优化涉及波束时域位置、波束方位角、波束倾角、水平波束宽度、垂直波束宽度、波束功率因子等；波束管理优化主要涉及宽波束和多波束轮询配置以及波束级的权值配置优化[2]。

Massive MIMO技术的调优方案高达数千种，需要大量的数据计算与推理才能确定最优方案，而人工智能技术的引入，则可通过训练、推理、执行和迭代优化三个步骤快速锁定最优方案，完成调优配置。借助AI算法，我们可以对用户的分布规律进行精细化场景分析，根据场景特征匹配Massive MIMO波束管理规则，对控制信道和广播信道的波束分布进行联合调整，达到覆盖容量最优、干扰最小的理想效果。

举一个艺术馆场景的例子，艺术馆为固定场馆类的场景，其用户分布特征为在一定时间段内，用户数量及分布规律呈现规定状态。基于此特征，我们可以首先对广播权值进行自适应设置，以达到最优覆盖效果。在此基础上，实时收集现场数据，包括网管数据、用户MR信息、话务统计数据等等，再运用相应的 AI 算法将此固定类场景进一步细分为体育比赛、演唱会、晚会等细分场景。随后根据该细分场景的特征值，结合波束优化原则输出最优权值，再次提升信道质量及信噪比，优化用户感知，实现网络性能的进一步优化。最后，为方便后期的网络优化，对于相同场景能够快速匹配获取最优权值，把权值组合、KPI（关键性能指标）、用户分布等信息作为原始数据建立关联数据库，对现有方案模型进行迭代优化。