摘要：5G NR網(wǎng)絡的發(fā)展為用戶帶來了前所未有的高速率和低時延體驗，但隨著網(wǎng)絡復雜性的增加以及業(yè)務范圍的擴展，如何確保網(wǎng)絡質(zhì)量成為一個挑戰(zhàn)。多模態(tài)數(shù)據(jù)為優(yōu)化網(wǎng)絡質(zhì)量提供了新的視角和方法。該文研究了如何利用多模態(tài)數(shù)據(jù)捕獲與預處理技術，并融入機器學習和深度學習模型來提升NR網(wǎng)絡的性能，文中介紹了多模態(tài)數(shù)據(jù)的概念以及它在網(wǎng)絡優(yōu)化中的重要性，然后詳細描述了數(shù)據(jù)捕獲、預處理、建模，定義了優(yōu)化目標與效用函數(shù)，最后回顧了研究成果并展望了未來的研究方向。

關鍵詞：多模態(tài)數(shù)據(jù)；5G NR網(wǎng)絡；數(shù)據(jù)預處理；網(wǎng)絡質(zhì)量優(yōu)化

doi：10.3969/J.ISSN.1672-7274.2024.09.021

中圖分類號：TN 929.53；TP 183 文獻標志碼：A 文章編碼：1672-7274（2024）09-00-03

Research on Quality Optimization of NR Networks Using Multimodal Data

SI Chunbo1， ZHAO Zhiqiang2， GAO Chunchao1， QIU Jian1， MI Kai2

（1. Chifeng Branch of China Mobile Communications Group Inner Mongolia Co.， Ltd.， Chifeng 024000， China;

2. China Mobile Communications Group Inner Mongolia Co.， Ltd.， Chifeng 024000， China）

Abstract： The development of 5G NR networks has brought unprecedented high-speed and low latency experiences to users， but with the increase in network complexity and the expansion of business scope， ensuring network quality has become a challenge. Multimodal data provides new perspectives and methods for optimizing network quality. This article explores how to utilize multimodal data capture and preprocessing techniques， and integrate machine learning and deep learning models to improve the performance of NR networks. Firstly， the concept of multimodal data and its importance in network optimization were introduced. Then， the data capture， preprocessing， and modeling were described in detail， until the optimization objective and utility function were defined. Finally， the research results were reviewed and future research directions were discussed.

Keywords： multimodal data; 5G NR network; data preprocessing; network quality optimization

0 引言

5G新無線（NR）網(wǎng)絡技術作為提供高速、大容量、低時延通信服務的技術，已經(jīng)成為全球通信行業(yè)發(fā)展的關鍵驅(qū)動力。隨著技術的快速發(fā)展和部署規(guī)模的擴大，如何確保并持續(xù)提升網(wǎng)絡的性能和服務質(zhì)量成為重要議題。網(wǎng)絡質(zhì)量優(yōu)化歷來依賴于網(wǎng)絡性能管理系統(tǒng)收集的數(shù)據(jù)，但這些單一來源數(shù)據(jù)往往難以全面反映用戶體驗和網(wǎng)絡性能的實際狀況，特別是在復雜和動態(tài)變化的網(wǎng)絡環(huán)境中。為了克服這些限制，多模態(tài)數(shù)據(jù)的概念應運而生。多模態(tài)數(shù)據(jù)包含但不限于信號質(zhì)量、用戶設備日志、應用層級的性能指標、地理位置信息、社交媒體反饋等不同類型和來源的數(shù)據(jù)。這些數(shù)據(jù)的結(jié)合為深入理解網(wǎng)絡狀況提供了新維度，有助于網(wǎng)絡運營商更準確地洞察網(wǎng)絡問題和用戶需求。

1 多模態(tài)數(shù)據(jù)的捕獲與預處理

在現(xiàn)代通信網(wǎng)絡中，多模態(tài)數(shù)據(jù)的收集和分析是優(yōu)化網(wǎng)絡性能、提高用戶滿意度和運營效率的重要途徑。本章節(jié)探討多模態(tài)數(shù)據(jù)在5G NR網(wǎng)絡性能提升方面的應用，涵蓋從數(shù)據(jù)源的識別和選擇到預處理步驟，再到處理后數(shù)據(jù)的統(tǒng)計分析。

1.1 數(shù)據(jù)源識別和選擇

在識別數(shù)據(jù)源時，主要關注三個關鍵屬性：數(shù)據(jù)的相關性、可靠性和可獲得性[1]。相關性要求數(shù)據(jù)與網(wǎng)絡優(yōu)化的目標密切相關，這樣才能保證數(shù)據(jù)分析的有效性；可靠性則涉及數(shù)據(jù)的準確度和一致性；可獲得性是指在合理的成本和時間范圍內(nèi)是否能夠獲得數(shù)據(jù)。

選擇數(shù)據(jù)源的過程應遵循可持續(xù)、可擴展的原則，以適應未來網(wǎng)絡技術和應用的演進?？紤]法律法規(guī)和用戶隱私保護。確保數(shù)據(jù)的安全性和匿名處理是合法合規(guī)和保護個人隱私的基礎。

1.2 數(shù)據(jù)預處理步驟

數(shù)據(jù)預處理是提供高質(zhì)量數(shù)據(jù)以確保后續(xù)建模和分析準確性的關鍵步驟。這一過程涉及數(shù)據(jù)清洗，即去除不準確、不完整或不相干的數(shù)據(jù)，這可能涉及缺失值處理、噪聲剔除和異常值檢測[2]。

在預處理階段，對數(shù)據(jù)進行特征提取同樣重要。特征提取是從原始數(shù)據(jù)中抽取信息的過程，以幫助機器學習算法更有效地學習。

1.3 處理后數(shù)據(jù)的統(tǒng)計分析

預處理后，需要通過統(tǒng)計分析來進一步了解數(shù)據(jù)集的特性，用來指導后續(xù)的數(shù)據(jù)建模和分析工作。

統(tǒng)計分析還可以提供對數(shù)據(jù)質(zhì)量和預處理過程有效性反饋。例如，異常值分析可以發(fā)現(xiàn)預處理步驟中可能未經(jīng)處理的噪聲數(shù)據(jù)，而假設檢驗可以檢測數(shù)據(jù)集是否符合后續(xù)建模所依賴的統(tǒng)計假設[3]。在完成統(tǒng)計分析之后，研究人員將擁有對數(shù)據(jù)集深入且詳細的認識，這為利用機器學習和深度學習模型進行網(wǎng)絡質(zhì)量優(yōu)化打下了堅實基礎。

2 網(wǎng)絡質(zhì)量優(yōu)化方法

為了適應5G NR網(wǎng)絡的高速發(fā)展和煩雜需求，網(wǎng)絡質(zhì)量的優(yōu)化理解和應用各種網(wǎng)絡質(zhì)量優(yōu)化技術，尤其是在融合了多模態(tài)數(shù)據(jù)處理和機器學習/深度學習模型的情況下，對于確保優(yōu)異的網(wǎng)絡性能至關重要。

2.1 多模態(tài)數(shù)據(jù)融合技術

在網(wǎng)絡質(zhì)量優(yōu)化中，多模態(tài)數(shù)據(jù)融合技術是將來自不同源頭且形式各異的數(shù)據(jù)有效地融合起來，以提供一個全面的視圖來指導決策制定。

2.1.1 數(shù)據(jù)層融合

網(wǎng)絡工程師需要優(yōu)化網(wǎng)絡性能，減少跳站（Handover）失敗和提升服務連續(xù)性。這些數(shù)據(jù)涵蓋了從用戶行為、設備性能到環(huán)境條件等多個層面，數(shù)據(jù)層融合可能需要通過格式化、同步時間戳、關聯(lián)位置信息等步驟，將其融合為一個統(tǒng)一的數(shù)據(jù)庫。

2.1.2 特征層融合

預測某時段內(nèi)某區(qū)域的流量消耗，以便合理規(guī)劃資源分配。特征層融合就是指通過一系列技術（如歸一化處理、特征選擇和降維）將它們轉(zhuǎn)換為適合進一步分析的形式，再通過算法融合成一個貫穿所有數(shù)據(jù)源的特征集。

2.1.3 決策層融合

（1）專注于識別可能的DDoS攻擊或其他異常流量模式。

（2）用于識別有風險的賬戶行為模式。

（3）用以評估可能的設備漏洞或惡意軟件攻擊。

每個模型都會基于其數(shù)據(jù)源和邏輯提供預測，這些預測結(jié)果需要在決策層融合，以便生成一個綜合的安全態(tài)勢。

2.2 機器學習/深度學習模型設計

在當代網(wǎng)絡技術的背景下，機器學習和深度學習模型已經(jīng)成為數(shù)據(jù)處理和分析的重要工具。設計這些模型通常需要專業(yè)知識，以確保模型能夠有效學習和推斷。以下是一些詳細的場景舉例，展示了如何利用這些模型來處理和分析網(wǎng)絡中的多模態(tài)數(shù)據(jù)。

2.2.1 語音識別和自然語言處理

遞歸神經(jīng)網(wǎng)絡（RNN）或其變體如長短期記憶網(wǎng)絡（LSTM）和門控循環(huán)單元（GRU）在處理時間系列數(shù)據(jù)，如音頻信號方面表現(xiàn)出色[4]。在語音通信中，一個LSTM網(wǎng)絡可以被訓練來識別和預測語音數(shù)據(jù)流的特征，有助于進行語音增強或壓縮編碼。這些模型通常包括：

（1）LSTM單元——利用其內(nèi)部門機制學習長期依賴關系。

（2）可能的嵌入層：用于將單詞或聲音映射到連續(xù)的向量空間。

（3）用于序列建模和預測的循環(huán)結(jié)構(gòu)。

2.2.2 網(wǎng)絡流量預測和異常檢測

在網(wǎng)絡流量預測和異常檢測的場景中，可能會調(diào)用多種深度學習模型，比如使用自注意力機制的Transformer結(jié)構(gòu)來捕獲長距離的流量模式。在設計這樣的模型時，關鍵要素可能包括：

（1）自注意力層——以學習輸入序列中不同位置之間的依賴性。

（2）多頭注意力——為了同時在不同的子空間捕獲信息。

（3）位置編碼——以注入序列位置信息。

（4）堆疊的編碼器和解碼器結(jié)構(gòu)——用于捕獲復雜序列間關系。

在設計這些模型時，還需要定義一個適當?shù)膿p失函數(shù)，例如，交叉熵損失于分類任務，或均方誤差損失于回歸任務。優(yōu)化策略也是至關重要的，通常會選擇像Adam這樣的高效優(yōu)化器，它結(jié)合了動量和自適應學習率的優(yōu)點。

2.3 優(yōu)化目標和效用函數(shù)定義

在任何優(yōu)化問題中，目標的選擇和效用函數(shù)的定義都至關重要，它們共同決定了優(yōu)化過程將如何進行，并指引這一過程向預期效果靠攏。網(wǎng)絡優(yōu)化領域也不例外，下面舉幾個具體例子解釋這一點。

2.3.1 提高吞吐量的例子

比如，在移動網(wǎng)絡優(yōu)化中，運營商可能希望提高某個繁忙區(qū)域的數(shù)據(jù)吞吐量。優(yōu)化目標可能是最大化該區(qū)域的總吞吐量，而效用函數(shù)可以是：

（1）

式中，是效用函數(shù)；（）是一個決策變量的向量；是第（i）個連接的數(shù)據(jù)速率；是連接數(shù)。這個簡單的效用函數(shù)僅考慮了吞吐量，但在實際情況中，可能還需要考慮信號質(zhì)量、用戶等待時間等其他因素。

2.3.2 減少延遲和提升響應能力

在云計算或物聯(lián)網(wǎng)場景中，低延遲和快速響應對于用戶體驗至關重要。優(yōu)化目標可能是減少請求響應時間，效用函數(shù)可能是：

（2）

式中，表示第個請求的延遲；是請求數(shù)，效用函數(shù)取負值因為我們希望最小化延遲。

2.3.3 能量效率的提升

在數(shù)據(jù)中心或移動基站優(yōu)化中，為了節(jié)能減排，提高能源利用效率是一個重要目標。效用函數(shù)可能同時考慮能耗和服務性能：

（3）

式中，是第個任務的處理吞吐量；是能耗；是吞吐量和能耗的權重系數(shù)。

2.3.4 多目標優(yōu)化函數(shù)的定義

在現(xiàn)實世界中，優(yōu)化問題往往涉及多個目標。為了針對這些多目標問題提供一個定義，可以采用多目標優(yōu)化函數(shù)的概念。多目標優(yōu)化函數(shù)可以表示為

（4）

式中，x是決策變量向量；是與各個優(yōu)化目標相關的目標函數(shù)。

多目標優(yōu)化函數(shù)的定義要求注意以下幾點：

（1）決策變量的取值范圍和約束條件需滿足實際問題的限制。

（2）各個目標函數(shù)要能準確地反映優(yōu)化問題的不同目標。

（3）在定義目標函數(shù)時，需要確定各個目標函數(shù)的權重或優(yōu)先級，以便平衡多個目標之間的重要性。

（4）多目標優(yōu)化問題通常追求帕累托最優(yōu)解（Pareto Optimal Solution），即在給定約束條件下無法再優(yōu)化一個目標函數(shù)而不損害其他目標函數(shù)的取值。這樣的解集被稱為帕累托前沿（Pareto Front）。

通過正確定義多目標優(yōu)化函數(shù)，可以實現(xiàn)對現(xiàn)實世界中復雜問題的綜合考慮和折中，以找到最佳的折中解。同時，考慮到約束和權重的合理設置，可以保證解的可行性和平衡性。

3 結(jié)束語

文中首先明確了多模態(tài)數(shù)據(jù)的概念及其對于網(wǎng)絡優(yōu)化的重要性，隨后詳盡探討了多模態(tài)數(shù)據(jù)捕獲、預處理和集成到機器學習與深度學習模型中以優(yōu)化NR網(wǎng)絡表現(xiàn)的過程。本文中建立了關于優(yōu)化目標與效用函數(shù)的框架，揭示了多模態(tài)數(shù)據(jù)在精準把握網(wǎng)絡狀況和用戶需求以及推動5G技術進步方面的潛在價值。

參考文獻

[1] 侯茂新，劉昭濤．基于深度卷積生成對抗網(wǎng)絡的鬼成像質(zhì)量優(yōu)化研究[J]．激光與光電子學進展，2024，61（16）：175-183．

[2] 宓林暉，袁駿毅，王天鷹.融合多模態(tài)數(shù)據(jù)的醫(yī)院網(wǎng)格化管理應用研究[J]．微型電腦應用，2023，39（5）：25-28．

[3] 杜鵬舉.基于多模態(tài)數(shù)據(jù)語義檢索的關鍵技術研究[J]．產(chǎn)業(yè)創(chuàng)新研究，2023（12）：118-120．

[4] 李剛，王超，韓德鵬，等．基于深度主成分相關自編碼器的多模態(tài)影像遺傳數(shù)據(jù)研究[J]．計算機科學，2020（4）：60-66．