5G拥抱AI当从五方面入手

来源:用户上传      作者:

　　5G采用了大规模天线系统和超密集组网技术，并将引入频谱共享、D2D等复杂的无线传输技术，与此前的移动网络技术相比，整体网络架构更加灵活、功能更加丰富，业务趋向多样化，这一切都使得网络的规划、部署、管理和维护成为极具挑战性的工作，并且5G网络天生肩负着为用户提供智能化的、最佳体验的服务使命。因此，未来的5G网络必将具备高度的自治能力和充分的靈活性。
　　经过60多年的演进，特别是在移动互联网、大数据、超级计算、传感网和脑科学等新理论、新技术以及经济社会发展强烈需求的共同驱动下，人工智能技术也正在加速发展，呈现出深度学习、跨界融合、人机协同、群智开放和自主操控等新特征。受脑科学研究成果启发的类脑智能蓄势待发，芯片化、硬件化和平台化趋势更加明显，人工智能发展进入新阶段。当前，新一代人工智能相关学科的发展、理论建模、技术创新和软硬件升级等正在整体推进，即将引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速迈进。
　　在5G时代，网络与人工智能的结合将成为必然命题，运营商应紧紧抓住国家人工智能发展规划带来的历史性机遇，充分利用各方技术、产品、运营实力，促进通信行业向网络智能化、业务个性化、行业应用智慧化和管理智能化转型。运营商还应通过人工智能技术，提高网络规划、建设和维护等方面的效率，增强网络智能组网、灵活运作和高效支撑业务等方面的能力，降低网络建设、维护和管理成本，提升自身行业、个人和家庭业务的竞争力，实现网络智能化转型。在这个过程中，5G网络应从以下五大方面入手，做好拥抱AI的准备。
　　网络数据规范化
　　数据的获取和处理是AI应用于5G网络的一大挑战。移动通信数据维度高、数据类型多、数据量大、缺失数据多以及不同设备厂家数据格式不统一等，导致无线数据获取和处理难。
　　针对AI应用于5G网络的数据获取和处理问题，整个通信行业需要联动起来。首先要形成统一数据标准，针对无线网络数据，由权威协会、联盟或国家部门制定统一的数据标准，涵盖数据格式、参数定义和计算方式等多个方面，降低数据处理的复杂度；其次是提取高价值数据，减少数据存储和计算所需的硬件资源；再次是数据脱敏，对于含有用户隐私或涉及信息安全的数据加密编码，这将有效保护个人隐私，并且不影响AI算法对数据的分析；最后需要加强分布式并行处理，对于大体量的无线数据集，建立分布式系统，并行处理数据，提高处理效率。
　　能力开放融合
　　运营商在AI技术方面的积累比较薄弱，存在硬件部署、软件开发、人才短缺和成本不足等问题。面对这些问题，运营商需要结合AI产业界的力量，一方面发挥自身在“云、管、端”和大数据应用等方面的优势，另一方面积极与互联网行业和AI产品公司等具有深厚技术积累的外界伙伴合作，不断积累AI技术知识，学习互联网行业在AI应用方面的经验，以便更快、更好地将人工智能应用于5G网络，推动网络向智能化方向发展。
　　如果能将网络相关能力开放，并引入AI技术进行融合，形成网络+AI的能力开放平台，那么AI与网络将非常好地契合。网络开放出来的数据、传输和信息等能力与资源，可以使AI技术快速地融入网络，为运营商提升AI服务能力打下重要基础，也是AI技术上补短板行之有效的方法。采用合作分享、“借兵打仗”的办法，可以提升AI服务能力，同时建设电信行业自己的AI队伍。
　　例如，当前中国联通网络技术研究院正在与AI“独角兽”——第四范式进行合作，借助第四范式AutoML产品“升维”的特征处理思想，将用于互联网行业的AI算法引入到运营商的网络平台中，同时将网络传输、调度和路由等能力以及经过脱敏的网络、用户和业务数据通过能力开放平台输送给AI引擎，实现了通过“升维”算法找到网络和用户的个体特征、组合特征与目标结果的潜在联系，从而提升网络发展、用户体验和业务需求等方面预测结果的准确度。借鉴“升维”的思想，还可以解决网络质量、用户体验评估、网络故障定位、问题溯源等方面的难题。通过仿真测试，相比传统移动通信网络中使用的决策树、专家系统等经典机器学习算法，“升维”这种互联网行业所采用的新算法带来了超出预期的效果，分析结果准确性从66 %提升到79 %，突破了传统方法的准确性瓶颈。
　　引入技术的创新化
　　已有的AI算法在复杂的通信场景中不一定适用，需要根据通信网络特点对AI算法进行改进或创新。例如，在应用AI技术解决业务体验评估和网络动态优化的问题方面，现有的一些AI方法可以很好地解决互联网业务用户体验评估和APP功能优化，但是却无法适应移动通信网络的多因素关联性和环境复杂性。
　　为了克服网络状态和服务的动态特性，应对多样化的多媒体业务挑战，中国联通网研院联合清华大学AI研究团队，将现有AI算法进行改进创新，并且与人因工程、移动通信网络力量相结合，提出一种基于强化学习的、面向QoE的通信和服务协同优化方法，将用户的心理、生理感知映射到移动业务体验，再将移动通信的KPI与QoE建立关联。通过强化学习及反馈学习机制建立模型来获得高维空间中的最优解。同时，输出端的实时网络状态和服务质量被反馈到输入端，从而在当前服务需求下获得最高的网络资源利用率，使用户体验最佳，实现移动网络中复杂业务的动态联合优化及提升QoE的最终目标。
　　AI应用的边缘化
　　5G网络将面向丰富的垂直行业应用提供服务，带来更多的边缘服务需求。多接入边缘计算（MEC）是5G的重要技术之一，通过在靠近移动用户的位置上提供信息技术服务环境和云计算能力，可以更好地支持5G网络中低时延和高带宽的业务要求。同时，MEC天然具有与AI结合的基因，它更接近数据源和基站这样的网络神经末梢，因此可以和5G基站、边缘大数据系统配合。AI技术在边缘业务场景智能化、无线网络的开放化等方面将发挥重要作用。 　　例如，针对通信网络中视频等媒体业务请求暴增、网络拥塞、现网视频内容分发响应延迟等问题，可以将人工智能技术应用在5G网络MEC缓存决策中来提高用户体验质量，基于每个基站收集的网络数据智能地确定高速缓存设备中的内容。基于深度学习的MEC缓存方案可以增强MEC缓存命中率，从而使视频请求能够得到快速响应。
　　网络环境的模型化
　　传统网络的路损计算、覆盖规划和波束成型等都涉及到对网络环境的计算，在5G复杂网络环境的背景下，引入AI解决与网络环境相关的规划优化等问题是必经之路，这时需要将传统代数计算的方法进行基于AI的建模，AI算法中的准确建模对算法的实际应用效果至关重要。
　　一方面，通信网络具有场景多的特点，针对通信网络中的不同场景，例如导频功率调整、边缘吞吐率提升、M-MIMO波束调整、D-MIMO智能簇分配和多天线特性增益等多种场景，需要分别进行精准化的建模。另一方面，通信网络具有时变性强的特点，针对网络发射的异常行为（如被恶意攻击）或者外部环境变化（如恶劣天气引发的信道突变）导致的突发性变化，需要建立动态学习、持续学习的算法模型，以应对通信场景中的突发问题。例如，建立准确的无线信道大尺度模型对于网络设计至关重要，它可以确定小区的覆盖大小，从而达到减少邻区干扰、优化网络的目的。
　　目前信道建模的方法主要依赖于信道测量，基于无线信道的各种统计特性建立的信道模型，具有难以针对特定环境给出准确信道响应的缺点，具有一定的局限性。利用人工智能方法，根据无线信道数据的特点，可将大小尺度衰落预测等任务进行抽象，将其归类于机器学习擅长解决的回归分类等问题，通过机器学习和数据挖掘，得到更精确的信道衰落预测和模拟方法。
　　AI在网络中的应用尚处在起步阶段
　　通信网络正朝着多元化、宽带化、综合化和智能化的方向发展。无线传输采用越来越高的频谱、越来越大的带宽和越来越多的天线，因此传统的通信方法复杂度太高且性能难以保证。同时，随着智能终端和各种APP的爆发，无线通信网络行为和性能因素比过去更加动态和不可预测。低成本、高效率地运营日益復杂的无线通信网络是当前运营商面临的一项挑战。另外，社交媒体的活动可以影响到用户的网络行为，随着网络运营与优化的焦点从网络性能转变为用户体验，传统的KPI优化方法和网络规划优化工具已经无法满足5G网络的需求。
　　网络传输中有大量的测量信息，而通信网络本身也有大量的终端、业务、用户、网络运维和无线传输性能等大数据，充分利用这些通信大数据，采用机器学习和深度学习等人工智能方法，进行深度挖掘，并实时进行动态重配置无线网络，是提高网络性能和用户感受，减少人力成本投入，自适应各种新型应用的核心和关键。
　　但是，人工智能在通信领域的应用仍处于起步阶段，5G网络的智能化演进路线中挑战与机遇并存，运营商需要结合网络现状、云化转型进度和5G技术成熟度分阶段推进二者融合，并与设备商、互联网企业和研究机构等共筑智能新生态。
转载注明来源:https://www.xzbu.com/1/view-14739711.htm