5G和AI会碰撞出什么样的火花呢?

本文学习和分享一篇综述文章,这篇文章是东南大学移动通信国家重点实验室主任、长江学者特聘教授尤肖虎教授2019年发表在《中国科学 信息科学》(《SCIENCE CHINA Information Sciences》)上关于AI助力5G的研究方向和范式的综述文章。

以下内容是经过翻译和精简整理得到的,与原文难免有些偏颇,但不会影响原文传递的主要思想和观点,如果想深入研究,可以自行查阅原文。

文章摘要
第五代移动网络(5G)等无线通信技术不仅将在未来十年提供1000倍的互联网流量,而且还将为整个行业提供支持物联网(IOT)技术的底层技术。与现有的移动通信技术相比,5G的应用更加多样化,相应的系统设计也更加复杂。人工智能技术的复兴提供了一种可能优于传统思想和性能的替代选择。因此,有必要确定、评估和研究与通过人工智能可以实现的贡献相关的典型和潜在的研究方向。为此,本研究在了解5G关键技术的基础上,首先梳理了5G技术与人工智能结合的几个有前景的研究方向,并重点提供了5G网络优化、资源优化配置、智能优化等设计模式、5G物理层统一加速、端到端物理层关节优化等。
关键词:5G移动通信、人工智能技术、网络优化、资源分配、端到端联合优化

一 引言

5G介绍

5G的三个典型应用为:增强移动宽带(eMBB)、大规模机器类型通信(mMTC)和超可靠低延迟通信(URLLC)(也称为关键任务通信)。这些应用为延迟、可靠性、连接和容量密度、系统频谱效率、能源效率和峰值吞吐量提出了新的性能标准,必须使用5G技术加以解决。

为了满足这些标准,大规模多输入多输出(MIMO)、新无线接入技术(RAT)、异构超加密网络(UDN)、信道编解码(例如极性码)和mmWave接入等是目前正在研究的关键技术。

此外,5G网络将不可避免地具有异构性,通过为特定应用量身定制的统一空中接口实现多种模式和需求。因此,涉及密集的Het-Net等架构,5G系统将通过云数据中心进行虚拟化和实现。网络切片将是5G网络的一个主要特点,包括使用新的空中接口,该接口旨在动态优化网络资源的分配,并有效利用频谱。

与现有的4G网络相比,5G新无线电(5G-NR)具有以下特点:

(1)采用大规模MIMO技术增强MIMO系统;

(2)对正交频分复用(OFDM)进行了完整的时隙结构和资源块(RB)分配,提出了更灵活的空中接口;

(3) 在不久的将来,将引入非正交多址(NOMA)以支持物联网(IoT);

(4)遵循以往的分布式天线系统,将无线功能分为分布式单元(DU)和中央单元(CU),并应用基于云计算的网络虚拟化和网络切片技术。

总的来说,5G网络将为更多的应用和服务定制供应机制,这使得它在复杂的配置问题和不断变化的服务需求方面更具挑战性。在5G之前,对通信系统的研究主要是为了获得令人满意的数据传输速率和支持的移动性管理。在5G时代,通信系统将获得与环境交互的能力,并将目标扩展到联合优化越来越多的关键性能指标(KPI),包括延迟、可靠性、连接密度和用户体验。同时,动态空中接口、虚拟化网络和网络切片等新功能引入了复杂的系统设计和优化要求,以应对与网络操作和维护相关的挑战。幸运的是,这些问题可以在人工智能领域考虑,人工智能提供了超越传统方法的全新概念和可能性。因此,人工智能最近在学术界和工业界都重新引起了通信领域的关注。3GPP和ITU都提出了涉及人工智能技术的5G研究项目。

AI介绍

人工智能研究领域诞生于20世纪50年代,经历了一些进步和挑战,近年来由于现代计算和数据存储技术的迅速发展而重新兴起。具体来说,人工智能学习技术为各种问题构建了一个通用的框架,并取得了巨大的进步,形成了跨领域的最新技术。

人工智能学习任务通常分为两大类,有监督和无监督学习,这取决于学习系统训练数据标签的可用性。另一种学习方法,强化学习,不完全是一种有监督的学习方法,也不完全是一种无监督的学习方法,因此它可以被列为一个新的类别。

  • 监督学习 输入和期望输出的样本数据对被输入到计算机中,其目标是学习将输入与输出相关联的一般函数,并进一步检测未来输入的未知输出。有监督学习的一个典型例子如图1所示,其中标记的数据对被输入到多层深神经网络(DNN)中以训练DNN中节点之间的权重。训练离线进行,收敛后,训练的DNN将准备好识别和推断新的输入。
  • 无监督学习 在无监督学习中,学习算法不需要标注,输入的结构必须由学习算法自己确定。自组织映射(SOM)是一个使用无监督学习进行训练的例子。在SOM中,未标记的数据被输入到神经网络中,以产生称为map的训练样本的输入空间的低维(通常是二维)离散表示(如图2所示)。
  • 强化学习 此技术基于“代理”和“环境”之间的替代交互,流程如图3所示。“代理”将执行某些操作,因此,代理的状态将发生变化,从而导致奖励或惩罚。然后,代理将根据此结果决定下一个操作。通过迭代动作和奖惩过程,代理学习环境。

人工智能学习问题中流行的学习方法包括:

  • 反向传播(BP) 反向传播是在属于梯度下降范畴中使用的一种方法。反向传播迭代计算所定义的损失函数相对于神经网络权值的梯度,最终使神经网络的输出接近已知的训练标签。近年来,BP算法被广泛应用于训练具有多个隐含层的神经网络。例如,卷积神经网络(CNN)是一类具有多个隐含层的前向DNN,包括卷积层、池化层、全连接层和ReLU层。BP方法可以有效地训练CNN,特别是在图像和语音识别领域。

  • Q-Learning Q-Learning算法也被称为Bellman算法,它是强化学习的经典算法。在该算法中,定义了一个函数(Q函数)来根据当前的“环境”来评估“代理”的行为,并以奖励或惩罚的形式输出结果。在某一步,Q函数将评估“代理”的所有可能操作,并选择在当前“环境”中获得最大奖励的操作作为下一步并实际执行。Bellman提出了一个Bellman方程,它是一个递推表达式,将连续时间步的Q函数联系起来。Bellman方程基本上允许我们通过在线时差学习迭代更新和近似Q函数。

机器学习方法的人工智能技术结合了常用的数据科学算法(如线性模型、决策树、k-均值聚类),已经被实现用于各种商业用途。另一方面,近年来,深度学习方法(如DNN、CNN、强化学习)受到越来越多的关注,在认知技术等领域取得了重大突破。同时,基于“学习到学习”的新理念,元学习等深度学习的新分支正在迅速发展。这些新技术将深度学习的可能应用扩展到各种场景中更复杂的问题。这有助于为5G中的人工智能应用带来新的机遇

二 5G+AI的一些研究方向

作为一种通用的智能问题解决技术,人工智能可以广泛应用于5G网络的设计、配置和优化。具体来说,人工智能涉及5G的三大技术问题:

  • 组合优化 5G-NR组合优化问题的一个典型例子是网络资源分配。在资源有限的网络中,必须考虑一种优化的方案,将资源分配给共享网络的不同用户,以使资源的利用达到最大的效率。作为HetNet体系结构在5G-NR中的应用,网络虚拟化、网络切片、自组织网络(SON)等特性使得网络资源分配问题变得越来越复杂,需要更有效的解决方案。

  • 检测 通信接收机的设计就是检测问题的一个例子。优化后的接收机可以根据接收到的信号恢复发送的信息,从而使检测错误率达到最小。在大规模MIMO框架下,5G的检测将是一个挑战。

  • 估算 典型的例子是信道估计问题。5G需要精确估计信道状态信息(CSI)以实现大规模MIMO中空间相关信道的通信。常用的方法包括训练序列(或导频序列),在训练序列中,已知信号被发送,并且利用发送和接收信号的组合知识来估计CSI。

已有不少人研究人工智能在5G中的应用,然而,由于通信系统和人工智能的限制,一些应用可能受到限制。

首先,经过多年的研究和测试,传统的方法已经证明了它们处理通信系统的能力。现有框架已经相对完整、有效、成熟且易于在实际场景中实施。

其次,通信系统的容量受到一定的上界(如香农极限)的约束,一些设计良好的方法可以达到接近最优的性能,在容量界方面损失可以忽略不计。

此外,由于训练中的收敛性问题,人工智能学习在实际问题中的应用仍然存在障碍。应仔细检查,以确保在通信系统中的每一个具体问题中都能“学习”人工智能的最佳性能。

最后,人工智能算法通常具有计算复杂度大的特点,如果性能改善很小,这使得它们比传统的方法缺乏竞争力。

尽管如此,在5G时代的通信系统中,人工智能仍然显示出巨大的潜力和前景。如上所述,5G包括复杂的配置问题和不断变化的服务需求,这会导致在当前传统框架内难以建模、解决或实现的新问题。因此,5G为人工智能技术带来了新的机遇和挑战。

5G中人工智能的潜在应用方向可以总结为如下四个方面:

  • 难以建模的问题 通信系统中的网络优化问题通常是一类难以建模的技术问题。问题包括网络覆盖、干扰、相邻小区选择和切换等典型问题。目前的解决方案大多依赖于工程师的经验。对于5G-NR场景,由于网络结构复杂、KPI数量庞大,这些问题更具挑战性。大规模MIMO波束成形等新特性的应用与高维优化参数相关,优化问题本身可能难以建模。此外,5G-NR涉及多个KPI,包括峰值数据速率、频谱效率、延迟、连接密度、体验质量(QoE)等。这些关键绩效指标必须共同优化,即使其中一些指标相互矛盾。在这些情况下,使用传统方法无法实现整体优化模型,并且期望人工智能技术能够处理关键绩效指标。

  • 难以求解的问题 网络资源分配是5G-NR中的一个关键问题,包括小区间资源块分配、正交导频资源分配、波束形成资源分配、大规模MIMO用户集群和虚拟化网络中的资源池部署等具体问题。网络资源分配的目的是在平衡服务速率的同时最大化网络的吞吐量。它主要是一个NP-hard组合优化问题,随着系统规模的增大,求解这类问题的计算复杂度呈指数增长。传统的解决方案使用网络的静态分区来降低次优解的计算成本。在现代计算技术的帮助下,人工智能将成为解决这些问题的一种新的有效方法。

  • 统一实施 对5G-NR中的一些功能块采用分而治之的设计方法,如5G-NR中的物理层由多用户MIMO空时处理、NOMA信号检测与编码、LDPC或极性码译码等一系列信号处理块组成。研究人员试图优化每个处理模块的算法和实现,并取得了实际的成功。然而,在保证系统性能的前提下,整个通信系统的有效性和可扩展性仍然缺乏。值得注意的是,人工智能技术应该能够处理每个模块。这激励我们进一步开发一个统一的基于人工智能的实现,它可以为5G NR物理层中的所有关键模块共同工作。通过在算法和硬件上将这些模块与人工智能方法相结合,物理层通信的设计、配置和实现将更加简单、快速、经济和高效。

  • 联合优化和检测 将人工智能应用于5G的一个直观想法是,用人工神经网络简单地取代传统的发射机和接收机模块。然而,信道容量受香农极限的限制,并且通过使用人工神经网络的改进是有限的。此外,如上所述,在这方面应仔细审查训练的复杂性和收敛性。与这种直观的方法相比,人工智能在跨层联合优化问题的更大范围内显示出更大的潜力,而传统方法无法有效地解决这一问题。典型的例子包括物理和媒体访问控制层的联合优化,信源和信道的联合优化,以及算法和硬件实现的联合优化。

三 5G中的人工智能范式

本节介绍了人工智能技术在5G中的应用实例,包括5G中的四个不同问题:网络资源分配、SON、统一的5G加速器和端到端物理层通信的优化。

  • 自组织网络中的AI:automatic root cause analysis

自组织网络(SONs)建立了一种新的网络管理概念,为网络的运行和维护提供了智能。SON已经被3GPP作为LTE网络的关键组件引入。在5G时代,网络的密集化和资源的动态分配将给网络的协调、配置和管理带来新的问题,从而导致对子系统功能改进的需求增加。移动网络中的子模块可以分为三大类:自配置、自优化和自修复。SON的主要目标包括自动执行网络规划、配置和优化,而无需人为干预,以降低总体复杂性、运营支出(OPEX)、资本支出(CAPEX)和人为故障。已有的研究内容包括人工智能在自动基站配置、新小区和频谱部署、覆盖和容量优化、小区中断检测和补偿等方面的应用,研究方法包括人工神经网络、蚁群优化、遗传算法等。

  • 资源分配人工智能:OFDMA下行链路资源分配

5G NR中的OFDM资源块分配比以前更复杂,更具挑战性,因为支持三个非传统服务。图5显示了典型的多细胞、多用户下载资源分配场景。在本系统中,由于RB分配给不同的用户在同一个细胞中是正交的,所以消除了蜂窝内干扰。系统干扰主要取决于蜂窝间干扰,从而使RB分配给邻近蜂窝重要的用户。假设通过每一用户可以根据信干比(SIR)进行评估,RB分配的优化目标是该系统的通量最大化。这是一个非线性约束的NP-难的组合优化问题,使用传统方法求解是不现实的。

Q-学习可以应用于这个问题。假设一个“代理”负责RB的分配,那么这个“代理”可能的“动作”,即为每个用户更新RB,可以通过以下策略来选择:(1)在同一小区内,为用户分配具有更高SIR的空闲RB;(2)不断更新分配给当前小区中SIR最差的用户的RB,以获得更好的整体系统容量;(3)对于某个RB,将当前小区中SIR最差的用户与相邻小区中SIR最好的用户配对或群集。前两种策略是直观的。第三种方法用于避免将相同的RB分配给位于靠近边界的相邻小区中的用户,因为在这种情况下,所涉及的用户无论基站的发射功率如何,都无法获得必要的SIR来正常工作。在定义了所有可能的“动作”之后,“代理”将对每个动作进行评估,以选择下一个“动作”来调整RB分配,从而使整个系统的总容量最大化。同时根据Bellman方程更新Q函数,迭代直到Q函数收敛。

  • 基带信号处理人工智能:Uniform 5G accelerator
    5G中的基带信号处理包括一系列信号处理模块,包括大规模MIMO检测、NOMA检测和极性码解码。基带块数目的增加导致硬件面积的增加和实现结构的变化。然而,基于因子图的信念传播算法可以应用于所有的块。对于每个特定的块,框架保持不变,我们只需要调整符号集和变量的约束来适应特定的函数。因此,基于可配置变量的信念传播算法,可以为基带设计一个统一的加速器。人工智能辅助的信念传播算法可以通过以下两种方法设计:
  1. DNN辅助信念传播。(1) 通过重复迭代形成DNN展开信任传播因子图;(2)通过有监督训练训练DNN。此方法在基带中的应用包括基于DNN的极性码解码器和DNN辅助MMO检测器。

  2. 基于信仰传播的CNN。(1) 将信任传播因子图中的每个节点映射到一幅图像中的一个像素,其中连接的节点应映射到相邻的像素;(2)利用获得的图像训练CNN。

神经网络具有高度的自适应性和可靠性。通过在基带中应用DNN和CNN,只要存在统一的硬件实现框架,就可以实现性能的提高。

  • 物理层人工智能:基于DNN的端到端通信

如上所述,AI,特别是DNN,已被应用于物理层中的不同功能块,例如调制识别、极性码解码器和MIMO检测。对于两个或多个块的联合优化,AI算法也取得了成功,如信道均衡器和信道解码器的联合优化。然而,单独优化每个块并不保证整个物理层通信的优化。从整个端到端通信系统的角度来看,不同人工智能模块的直观连接可能会导致训练和在线任务的额外计算成本。因此,需要一种端到端系统的联合优化方法。

自动编码器是一个不同于传统方法的新概念。自动编码器是一种人工神经网络。它旨在以无监督的方式学习一组数据的表示(编码),该表示(编码)将能够在输出层重构压缩输入。DNNs用于表示整个端到端系统,而不考虑每个传统功能块中的具体模型。因此,在太复杂而无法建模的场景中,自动编码器可以是“学习”这些场景并优化性能的适当解决方案。

四 总结

5G有望在传统移动通信系统上取得重大突破。在提升传统移动网络服务能力的同时,进一步发展为支持物联网在商业、制造、医疗、交通等各个领域的应用。因此,5G将成为未来连接和运营整个社会的物联网技术的基础技术。人工智能是5G时代相关问题的有潜力的解决方案,它将带来通信系统中革命性的概念和能力。

在5G中应用人工智能已经进行了大量的研究,本文着重阐明了一些最有潜力的研究方向。通过在这些研究方向上的进一步努力,5G有望实现比传统通信系统更好的性能和更方便的实现。同时,本文介绍了一些令人鼓舞的研究范式,展望了人工智能在5G中的应用。

作者介绍:

尤肖虎:男,1962年8月出生,1988年于东南大学信号、电路与系统专业获博士学位。任东南大学移动通信国家重点实验室主任、博士生导师、长江学者计划特聘教授。2011年当选为IEEE Fellow。国家级有突出贡献的中青年专家、国家教委跨世纪青年专家首批入选者、江苏省青年科学家奖及全国五一劳动奖章获得者。1998年获国家杰出青年基金资助。目前主要研究方向为无线与移动通信系统、现代数字信号处理等。在IEEE Trans等各类国际权威杂志上发表论文60余篇,出版专著2本。作为课题负责人,曾承担十余项国家八六三、科技攻关、国家自然科学基金等,参与完成了我国第一个GSM、CDMA、第三代及第四代移动通信系统开发。1999-2002年但任国家第三代移动通信系统研究开发项目总体组组长,所负责的中国第三代移动通信系统研究与开发项目被两院院士获选为2002年度中国十大科技进展。获国家技术发明一等奖和国家科技进步二等奖各一项,省部级科技进步一等奖五项。获2014年度陈嘉庚科学奖信息技术科学奖。“十五”期间担任国家八六三计划未来移动通信总体专家组组长,国家自然科学基金未来移动通信重大项目首席专家等。“十一五”起,担任国家新一代宽带无线移动通信网科技重大专项副总师。“十二五”期间担任国家863计划5G重大项目专家组组长、宽带网重点科技专项专家组组长等。

更多精彩内容请关注订阅号优化与算法和加入QQ讨论群1032493483获取更多资料

posted @ 2020-02-28 13:26  优化与算法  阅读(885)  评论(0编辑  收藏  举报