佟志勇

（黑龍江省軍區(qū)數(shù)據(jù)信息室，黑龍江 哈爾濱 150001）

0 引言

人工智能和5G是當前信息技術發(fā)展的兩大熱點。2019年6月6日，工信部向4家電信運營商發(fā)放5G商用牌照，標志著中國5G正式進入商用階段。在5G時代，無論是“人的連接”，還是“萬物互聯(lián)”，都將產(chǎn)生海量數(shù)據(jù)，這些海量數(shù)據(jù)是人工智能的基礎支撐。人工智能技術對5G網(wǎng)絡及其產(chǎn)生的數(shù)據(jù)運用機器學習和深度學習算法，助力解決5G網(wǎng)絡結構復雜、業(yè)務需求多樣、運維管理難度大等問題。

1 人工智能技術

人工智能是使機器擁有人類的智慧，具備感知和決策能力的一門新的技術科學。機器學習是人工智能的核心研究領域，是使計算機具備人類學習能力的根本途徑。深度學習是機器學習領域一個分支，通過模擬人的神經(jīng)網(wǎng)絡，構建學習模型，對輸入數(shù)據(jù)進行學習并提取特征，使機器具備人的分析學習能力。

1.1 機器學習

主要有4類學習方式：

（1）監(jiān)督學習：在給定的訓練樣本中，每個輸入都對應一個確定的輸出結果，在未知的樣本給定后，通過訓練出的模型對結果做出預測。

（2）無監(jiān)督學習：訓練樣本沒有標簽，通過學習找到數(shù)據(jù)中的內(nèi)在關聯(lián)或規(guī)律，但學習的過程并不知道結果是否正確。

（3）半監(jiān)督學習：將大量的無標簽和少量有標簽數(shù)據(jù)樣本放到一起進行訓練，目的是提高算法的學習性能[1]。

（4）強化學習：通過不斷的試錯并調(diào)整策略以獲得最大獎勵，最終找到最優(yōu)策略，即在什么狀態(tài)下選擇什么動作可以獲得最好的結果，AlphaGo戰(zhàn)勝李世石就是強化學習的典型案例。

1.2 深度學習

深度學習是一種大規(guī)模的深層的神經(jīng)網(wǎng)絡，通常由許多處理層和隱藏層構成，主要有深度神經(jīng)網(wǎng)絡（DNN）、卷積神經(jīng)網(wǎng)絡（CNN）、循環(huán)神經(jīng)網(wǎng)絡（RNN）等。

1.2.1 深度神經(jīng)網(wǎng)絡

深度神經(jīng)網(wǎng)絡由輸入層、若干隱藏層和輸出層組成，其工作過程為：將數(shù)據(jù)輸入神經(jīng)網(wǎng)絡，各層運用前向傳播算法計算后輸出送至下一層，使用損失函數(shù)來度量輸出結果和真實的訓練樣本之間的誤差，通過使用梯度下降法對損失函數(shù)進行迭代優(yōu)化計算極小值，從而得出合適的加權值和激活函數(shù),讓所有的訓練樣本輸入計算出的輸出，盡可能接近樣本標簽。

1.2.2 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡由輸入層、卷積層、池化層、全連接層以及輸出層組成。輸入層對數(shù)據(jù)進行標準化、歸一化等預處理，提升學習效率。卷積層包含多個不同的權重和偏置向量的卷積核，完成對輸入數(shù)據(jù)的特征提取，形成特征圖，輸出至池化層進行特征選擇和信息過濾，目的是壓縮數(shù)據(jù)和參數(shù)，防止過擬合，提高模型的容錯能力。全連接層的作用則是對提取的特征進行非線性組合以得到輸出，利用現(xiàn)有的高階特征完成學習目標。

1.2.3 循環(huán)神經(jīng)網(wǎng)絡

循環(huán)神經(jīng)網(wǎng)絡是一種具有短期記憶能力的神經(jīng)網(wǎng)絡，通過使用帶自反饋的神經(jīng)元，使網(wǎng)絡的輸出不僅和當前的輸入有關，還和上一時刻的輸出有關，既可以接收其他神經(jīng)元的信息也可以接收自身信息，形成具有環(huán)路的網(wǎng)絡結構，可以用來處理視頻、語音、文本等時變序列。

2 人工智能技術在5G網(wǎng)絡中的應用

將人工智能技術運用到5G通信系統(tǒng)的設計與優(yōu)化已經(jīng)成為學界和業(yè)界重點關注的研究方向。在2020年6月召開的3GPP全會上，通過了“數(shù)據(jù)收集持續(xù)增強研究”立項。該項目由中國移動牽頭，旨在探索基于大數(shù)據(jù)的人工智能技術使能智慧無線網(wǎng)絡。

2.1 提升無線通信系統(tǒng)性能

傳統(tǒng)的無線通信系統(tǒng)采用模塊化結構，通信工作者已做了大量的研究工作來優(yōu)化各個模塊的性能，但是對每個模塊進行優(yōu)化不一定能使整個通信系統(tǒng)的性能最大化，而對整個通信系統(tǒng)從發(fā)射到接收全程進行端到端的優(yōu)化，其性能要好于對各個模塊進行優(yōu)化。在無線傳輸系統(tǒng)中應用人工智能技術，可以大幅提升無線傳輸系統(tǒng)的性能，信號檢測、信道估計、信道編解碼等各個環(huán)節(jié)應用深度學習算法進行端到端優(yōu)化，為實現(xiàn)系統(tǒng)端到端性能最大化提供了強有力的工具。

對于中射頻，5G信號易產(chǎn)生非線性失真。使用卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、LSTM、GAN等深度神經(jīng)網(wǎng)絡對5G寬帶射頻功放進行數(shù)字預失真線性化[2]。

2.2 無線信道測量與建模

無線信道的測量與建模是無線通信系統(tǒng)規(guī)劃和部署的基礎。傳統(tǒng)無線網(wǎng)絡的覆蓋規(guī)劃、路由損耗、波束成型等問題均使用代數(shù)計算方法對網(wǎng)絡環(huán)境進行計算，而5G網(wǎng)絡環(huán)境的復雜程度越來越高，可以應用人工智能算法對傳統(tǒng)代數(shù)計算的方法進行建模，去解決網(wǎng)絡環(huán)境的規(guī)劃優(yōu)化問題，從而確定小區(qū)的覆蓋范圍，減少鄰區(qū)干擾、優(yōu)化網(wǎng)絡。

應用深度學習技術，針對5G通信網(wǎng)絡不同場景的導頻功率、波束調(diào)整、MIMO特性等參數(shù)進行優(yōu)化調(diào)整，針對強信號干擾、惡劣天氣等引起的網(wǎng)絡時變，建立動態(tài)模型，持續(xù)進行學習，應對信道突變問題。

2.3 優(yōu)化網(wǎng)絡切片資源管理

網(wǎng)絡切片是5G核心網(wǎng)的關鍵技術之一，它將物理網(wǎng)絡根據(jù)業(yè)務需求進行邏輯分割，形成獨立的虛擬網(wǎng)絡，為具有不同性能要求的業(yè)務提供差異化、相互隔離、功能可定制的網(wǎng)絡服務?？紤]到網(wǎng)絡資源的有限性和不同網(wǎng)絡切片中的網(wǎng)絡狀態(tài)，運營商需要在保證服務等級協(xié)議SLA的同時，盡可能地復用底層網(wǎng)絡資源。

人工智能技術能幫助運營商優(yōu)化網(wǎng)絡切片資源的管理。通過對5G網(wǎng)絡切片的實際運行情況、業(yè)務量數(shù)據(jù)以及SLA執(zhí)行情況的采集，運用機器學習算法建立模型，利用該模型對業(yè)務量和資源需求進行精準預測，網(wǎng)管系統(tǒng)進行網(wǎng)絡切片資源的動態(tài)調(diào)整，優(yōu)化后的網(wǎng)絡運行狀況可以再次迭代到預測模型中，完成閉環(huán)反饋，進而趨近最優(yōu)解[3]。

2.4 助力網(wǎng)絡運營維護智能化

網(wǎng)絡的運營維護過程需要全面掌握網(wǎng)絡運行狀況，對故障進行預警并快速定位，通過相應的手段進行恢復。機器學習被認為是網(wǎng)絡運行和管理各種功能自動化的最佳解決方案，如資源管理、按需和自適應網(wǎng)絡配置、服務創(chuàng)建和編排、故障檢測、安全性、移動性管理、用戶體驗增強、策略動態(tài)調(diào)整等。在5G網(wǎng)絡運行維護各個環(huán)節(jié)中引入人工智能技術，對網(wǎng)絡質(zhì)量和業(yè)務質(zhì)量進行實時分析和監(jiān)控：通過構建統(tǒng)一網(wǎng)絡視圖，實現(xiàn)網(wǎng)絡管理的可視化；使用人工智能技術對網(wǎng)絡告警數(shù)據(jù)進行全面、多角度、深層次的學習和分析，依據(jù)告警代碼快速準確地定位故障部位，以便盡快排除故障；使用機器學習算法，對網(wǎng)絡流量進行全局性優(yōu)化，實現(xiàn)全網(wǎng)負載均衡，避免網(wǎng)絡擁塞，分析網(wǎng)絡狀態(tài)，結合業(yè)務負荷、網(wǎng)絡環(huán)境，自適應調(diào)節(jié)網(wǎng)絡參數(shù)，實現(xiàn)網(wǎng)絡的智能優(yōu)化，提高網(wǎng)絡的資源利用率，有效降低網(wǎng)絡能耗[4]。

3 結語

5G時代，無線通信需求呈指數(shù)增長趨勢，給通信網(wǎng)絡設計、運行、管理和維護帶來了諸多困難，傳統(tǒng)無線通信技術難以解決，引入人工智能技術構建智能化5G網(wǎng)絡勢在必行。而當前人工智能在5G通信領域的應用研究處于起步階段，業(yè)界和學術界將持續(xù)推進人工智能與5G技術的融合發(fā)展，不斷提高5G網(wǎng)絡的智能化水平。