744
作者 / 蜉蝣采采
文章字数 / 2700
随着ChatGPT点燃的人工智能（AI）热潮，通信行业的面貌焕然一新。在各种行业展会、论坛上，面向通信行业的AI应用层出不穷。
“ALL in AI，AI for All”不仅仅是口号，AI已经和通信系统深度融合。甚至可以说，在有些方面AI已经成为了主角，形成了通信×AI的乘数效应。5G-A是5G下半场演进的技术底座，“泛在智能”已经成为了5G-A发展的重要方向，5G-A×AI的能量正在厚积薄发。其实，在5G以及5G-A标准的制定过程中，业界也早已认识到了AI的优势，并试图把一些流程用AI来优化赋能。那么，从标准的角度看，3GPP在网络智能化方面的进展如何？
可以看出，在5G阶段，网络智能化有核心网的NWDAF（NetWork Data Analytics Function，网络数据分析功能）、运维层的MDAF（Management Data Analytics Function，管理数据分析功能），以及接入侧的一些基本功能研究，这些AI局限在网络侧，和终端没有交互。到了5G-A阶段，标准制定的AI能力向网络和终端协同的更复杂功能演进。最后到6G，就是全栈全节点的原生智能了。
网络层及运维层网元早在5G标准的第一个版本R15，3GPP就定义了一个全新的核心网网元——NWDAF。NWDAF从各种核心网网元、应用、运维系统以及运营支持系统收集数据，然后对这些数据进行分析，以提供有关网络性能和健康状况的建议及处理方案。
NWDAF可以支持：
网络性能监控：监控时延、吞吐率、以及网络可用性等关键网络指标，用于识别和解决性能问题。网络安全分析：分析网络流量，以识别潜在的安全威胁，用于提高网络的安全性。客户体验优化：分析客户数据，用于改善客户体验。比如，NWDAF可发现某些客户或特定应用程序的体验不佳，并定位存在问题的地点。网络自治闭环：支撑网络运维自动化，在出现性能问题或安全威胁时自动生成告警。与此同时，网络运维（OAM）系统也需要增强，即通过引入AI和自动化来实现接近零接触的网络及服务管理编排。在此背景下，3GPP在R17版本为网络运维层引入了MDAF，进一步丰富和增强管理功能，实现最佳的网络性能及服务保障。综合下来，5G核心网及运维层的智能化架构是下图这样的。
核心网以及上层的运维有了这些动静，那么接入网NG-RAN（Next Generation Radio Access Network，下一代无线接入网）呢？
RAN接入层智能化
3GPP也是从R17阶段开始研究怎样把AI引入基站及终端，首先考虑的是网络节能、负荷均衡以及移动性优化等基础功能。首先要做的是定义AI在RAN（Radio Access Network，无线接入网）侧的基本运行结构。
RAN侧的AI框架和通用的AI架构并没有大的不同之处，都分为数据采集、模型训练、模型推理和执行这几个模块。
数据采集：通过标准接口从网络中获取数据，并提供给模型训练和模型推理。
模型训练：进行数据的预处理，并执行AI/ML训练、验证、测试等工作。
模型推理：采用训练好的模型来进行推理，生成预测数据并进行智能决策。执行：接收模型推理的结论，并在网络中实际生效执行。那么，这些模块是在终端侧运行，还是在网络侧运行？答案是都可以，3GPP根据协作程度的高低定义了x，y，z三个级别。
Level x：基站和终端各自管各自的AI处理，之间没有任何交互与协作。Level y：基站和终端之间的AI处理通过信令交互，但它们之间的交流也仅限于此，没有AI模型层面的交互。
Level z：基站和终端之间的AI处理既有信令交互，也可以进行AI模型的传输和更新。这就是最高级别的协同了。目前已在R17阶段研究并在R18阶段标准化的RAN侧AI主要是网络节能、负荷均衡以及移动性优化。
网络节能：节能的关键是精准预测话务量，并根据话务量来最大程度关闭空闲资源。网络节能的挑战在于话务预测的精度、网络性能和节能之间的收益平衡，以及迭代优化配置的高效性。通过引入AI，可以让网络能效更上一层楼。
负荷均衡：如果大量用户集中在一个小区，周围的小区还很空闲的话，就需要负荷均衡来把用户平均分配在各个小区，最大化资源利用。怎样迁移用户才能始终保持网络体验最佳？这也需要AI的加持。
移动性优化：移动性是指用户在移动时，本小区的服务质量下降，需将用户切换到最合适的小区。不切换不行，切换太频繁了也不好，那么怎样保证以最少的切换次数保障最优的用户体验？AI能让每一次切换都恰如其分。在R18阶段，3GPP研究了CSI反馈增强、毫米波波束管理以及定位精度增强这三个AI应用，跨入了系统和终端协作新时代。
CSI反馈增强：CSI（Channel State Information）是终端测量得到的信道状态信息。信道状态信息越准确，用户的下载速率也就越高。然而在大规模MIMO系统中，大量天线会导致CSI数据量巨大，反馈开销也很大。如果我们能利用神经网络框架对CSI进行非线性编码和解码，可提高系统效率，实现更有效的多用户复用，还可以最小化干扰。我们还可以针对设备进行定制，实现更低开销的反馈。并且，由于用户是移动的，而CSI的反馈需要时间，可能到达基站时就已经因为信道状态变化而成为了无用信息。因此,基于AI/ML的CSI反馈增强还可以采用设备端的AI模型来改善CSI预测。
波束管理增强：毫米波的波长短，传播损耗大，极易被遮挡。为了补偿路损，基站一般要使用超大规模的天线阵列来实现波束赋形增益。但为了最大化利用这些窄波束，我们需要良好的算法来选择并保持发射和接收端最佳对准的波束对。然而，当设备快速移动时，信道状态瞬息万变，保持波束最佳对准是非常困难的，我们还需要多个窄波束来实现最佳覆盖。因此，从众多波束中搜索并跟踪最佳波束变得更加困难。在这种情况下，我们需要引入AI来提升性能。
定位精度增强：在复杂的城市环境中，传统的定位方案可能会由于建筑密度和多径干扰等因素而精度不佳，需要引入AI，综合多维信息来提升精度。AI还可以适应环境的变化，并帮助我们在信号传播受阻的情况下进行定位，如卫星或基站信号被遮挡。
后续的R19将研究新的AI/ML用例。例如，为了实现快速适应和分布式学习，AI/ML的数据和模型可能会直接在设备之间共享，而不需要经过5G网络。这就需要进一步研究隐私保护以及能耗降低等问题。此外，对于分布式学习，在标准制定上还需要考虑更多。比如，如何处理设备进出覆盖区域、电量有限、设备间卸载计算等场景，并在AI/ML模型准确度、模型生成延迟、功耗约束、计算能力等因素之间权衡。再往后，我们离6G的标准化就近在咫尺了。在当前的6G愿景中，“AI与通信融合”六边形的顶点之一。AI将成为网络底层架构的一部分，从之前的外挂式走向AI原生。邬贺铨院士曾经指出，6G应聚焦在如何利用AI分析信道特性实现干扰消除、优化能效和核心网对业务的智能化适应上。这不仅是当前5G-A阶段正在做的，更是6G应该与生俱来的基础能力。
