人工智能在5G网络的应用和标准化进展

王胡成 陈山枝 艾明

【摘  要】首先探讨了在5G网络中引入AI的必要性和存在的问题。然后介绍AI技术的发展概况以及AI在5G网络中的典型应用。最后介绍了目前国际标准化组织3GPP和ITU-T在AI与5G结合上的标准化研究进展。通过介绍AI在5G的发展可知5G网络智能化不仅要从AI算法研究方面实现突破，还需要有相关的政策法规来严格保护用户隐私。

【关键词】5G;人工智能;应用场景;标准化

1   引言

随着2018年6月5G第一阶段标准的冻结，5G网络开始走向了真正的商用之路。然而面对未来更多样化的业务需求和更复杂的通信场景，目前的5G网络仍缺乏足够的智能来提供按需的服务，也不能保证网络资源的利用效率。因此，国际标准制定组织3GPP拟将AI（人工智能）引入5G网络中来保证网络服务质量、优化网络功能和增强网络自动化运维能力[1]。这一研究得到了国内外众多电信设备商和运营商的支持，例如华为、大唐、爱立信、中国移动、法国电信等。

AI是一项使机器像人类一样智能的科学和工程，长期以来一直被用于优化各种复杂环境下的计算机系统和通信网络[2]。引入AI的5G网络能够具备更强的场景感知能力，并基于对场景的感知进行响应，提供网络执行策略或通信场景特征预测。由此可见，引入AI的5G网络将转变为真正的以用户和场景信息为中心的网络[3]。

5G网络在经历从传统网络到智能化网络的变革中，面临着以下问题：

（1）用例选择和相应的机器学习算法选择。通过对适用AI技术的各种用例的分析和比较，确定使用AI对网络进行增强的技术方向并选择或改进合适的AI算法。

（2）网络架构定义。从网络架构上支持基于AI的网络数据分析和反馈，包括对静态网络数据和实时运行数据的分析。

（3）用户数据和网络运行数据的采集，完成对应用层业务信息、运维管理层统计信息、网络层实时运行数据等各类数据的采集。

2   AI技术

AI技术兴起于20世纪50年代，是计算机学科的一个重要分支，其目的是研究人类智能活动的规律，构造具有一定智能行为的人工系统[4]。目前AI的主要学派有三家：符号主义、连接主义和行为主义[5]。

（1）符号主义（又称为逻辑主义、心理学派或计算机学派）认为AI源于数理逻辑。从符号主义的观点来看，只要能赋予机器逻辑推理的能力，机器就会具有智能，知识和推理是人工智能的核心。

（2）连接主义（又称为仿生学派或生理学派）认为AI源于仿生学，特别是对人脑模型的研究。连接主义认为智能活动是由大量简单的单元通过复杂的相互连接后并行运行的结果。因此，针对问题输入，可通过构建人工神经网络，并对网络的大量连接并行进行增强或者减弱（例如调整权值）来较快地求解。

（3）行为主义（进化主义或控制论学派）认为AI源于控制论。行为主义认为智能并不只是来自计算引擎，也来自环境世界的场景、感应器内的信号转换以及机器人和环境的相互作用，是对外界复杂环境的一种适应[6]。因此行为主义强调在控制过程中的自学习和自优化。

从AI技术的发展看，机器具备智能的必要条件是具备学习能力。因此机器学习是实现AI的重要手段。在目前的机器学习领域，主要有四类学习方式，分别存在对应的算法模型：

（1）监督学习。监督学习的工作机制是利用已有正确答案的数据来训练算法进行学习，使得算法能够对没有学习过的数据也能够做出正确的反馈。监督学习主要解决分类和回归问题，常见的算法有K-近邻算法、决策树、朴素贝叶斯、逻辑回归、支持向量机、神经网络等[7]。

（2）无监督学习。相对于监督学习，无监督学习中的训练数据没有标签或答案，数据训练的目的是找到数据中的内在关联或结构，但学习的过程并不知道结果是否正确。无监督学习主要解决聚类和降维问题，常见的算法有主成分分析算法、K-均值算法、等距特征映射等。

（3）半监督学习。半监督学习主要指将大量的无类标签数据和少量有标签数据放到一起进行训练，目的是提高算法的学习性能。根據学习的目的，半监督学习可进一步分为半监督分类、半监督回归、半监督聚类和半监督降维[7]。常见的半监督学习算法包括协同训练、转导支持向量机、基于图的算法等。

（4）强化学习。强化学习是让算法通过不断的试错并调整策略以获得最大奖励，最终使算法找到最优策略，即在什么状态下选择什么动作可以获得最好的结果，Alphago就是强化学习的典型案例。常见的强化学习算法有TD-learning、Sarsa算法、Q-learning等[8]。

当在5G网络中引入AI时，需要根据应用场景选择合适的AI算法。文献[3]对AI在5G网络中的应用场景进行了分类，主要分为感知、挖掘、预测和推理4类，并且对适应各类场景的典型AI算法进行了列举。当然在实际部署中，具体应用场景下的AI算法还需要在实践中进行验证和演进。

3   AI在5G的应用场景

随着人工智能技术的广泛应用和5G技术的发展，将AI技术运用到移动通信系统的设计与优化中已经成为可能，并且已经成为学界和业界重点关注的研究方向[9-10]。3GPP、ITU-T等组织均提出了5G与AI相结合的研究项目。到目前为止，3GPP提出了14个将AI用于5G的用例，ITU-T共提出了18个。所提出的用例涵盖了移动通信系统的多个方面，包括空口设计与优化、网络性能和效能调优、应用层业务支持优化等。根据分析，本文将介绍受到广泛关注的部分典型用例。

3.1  物理层信道建模与优化

无线信道测量和建模是新型无线系统设计、评估和部署的基础。随着5G移动通信需求的提出，无线信道建模和预测面临了新的挑战，例如更加多样的传播环境、复杂的时空特性、多频段共存等。由此可知，未来的信道测量装置将会搜集到大量的原始信道数据。这需要使用大数据分析的方法来对原始信道数据进行高效处理[11]。

利用大数据分析进行信道建模和预测时，首先对问题进行抽象，例如场景环境的影响问题、信道衰落特性等，将其归类为机器学习能够解决的回归、分类、聚类等问题;然后采用机器学习的相关算法来进行求解，例如使用主成分分析方法來建立预测模型和进行信道预测[12]。

3.2  基于终端移动性预测的移动性管理定制或优化

5G多样化场景下的终端具有不同的移动性行为。当期望5G网络能够对终端进行移动性管理定制或者进行移动性支持优化时，网络需具备能对终端的移动性模型进行预测的能力。AI技术提供了终端移动行为预测方法[13]。通过将终端位置预测问题抽象为机器学习中的分类或回归问题，就可以利用相关的机器学习算法对终端位置或轨迹进行预测。

5G中的网络数据分析功能首先需要收集终端的位置信息，包括历史移动轨迹和终端实时位置信息。收集的信息可以作为训练数据来调整或修正预测模型。利用可靠的预测模型，网络可以预测终端位置或移动性轨迹，包括群组终端的分布特征和单个终端的位置信息。这些预测信息是5G网络进行移动性管理定制或优化的重要依据。

基于终端移动模型的预测，网络可以进行动态的网络优化，其中包括移动性管理的定制和优化，例如移动性管理机制定制、注册区管理、切换管理优化等。

3.3  网络切片资源管理优化

网络切片是5G网络中引入的重要技术。从逻辑上看，网络切片是一组网络功能的集合，用于服务一类业务，但是在物理上，多个网络切片仍然共享网络资源[14]。考虑到网络资源的有限性和不同网络切片中的网络状态，运营商需要在保证服务等级协议SLA（Service Level Agreement）的同时，尽可能地复用底层网络资源。因此，为了高效运营，运营商需最优化网络切片的资源划分。

AI技术能帮助运营商优化网络切片资源的管理。在引入AI技术的5G网络中，通过对网络切片的实际运行情况、切片中的业务量数据以及SLA的执行情况的采集，利用机器学习算法创建网络切片的业务量和资源使用状况的模型。利用该模型，可以实现对网络切片的业务量和资源需求的准确预测，从而优化网络切片间的资源分配策略。网管系统将根据资源分配进行网络切片资源的动态调整，例如动态扩缩容。在使用优化的资源分配策略后的网络运行状况可以再次迭代到预测模型中，完成闭环反馈，进而趋近最优解。

3.4  网络性能预测辅助的应用层调整

车联网是5G中的重要技术。在车联网的自动驾驶场景中，车辆即将经过的基站的网络性能（例如QoS信息、网络负载）预测对提高车联网的服务质量有着重要作用[15]。例如车联网服务器可以基于网络性能的预测信息判断是否继续保持无人驾驶模式。

为了帮助应用层做出正确的参数调整，5G网络应向应用层提供准确的网络性能预测信息。因此，5G网络除了对终端的移动性进行预测外，还需要建立网络性能的分析模型。网络可以收集和分析各基站的运行状态信息来创建模型。当收到应用层关于网络性能预测信息的订阅请求后，引入AI的5G网络可针对相关终端，利用网络性能的分析模型和终端的位置，预测终端在未来一段时间内所面临的网络状况。

4   标准进展

将AI技术和5G系统相结合是业界重点关注的研究方向，也是标准化研究的重要方向。目前进行相关研究的国际标准组织主要是3GPP和ITU-T。

4.1  3GPP

3GPP针对5G网络智能化的研究项目主要在SA2和RAN3工作组开展。

3GPP SA2工作组在2017年5月的杭州会议完成5G网络智能化的研究项目“Study of Enablers for Network Automation for 5G （eNA）”的正式立项。该项目是3GPP Rel 16的项目，SA2在2018年1月的哥德堡会议上正式展开项目研究。该项目的立项背景是，在Rel 15的5G网络架构研究中，SA2引入的一些新技术，例如按需移动性管理、非标准化QoS、流量分流和卸载等，在没有网络数据分析的情况下，难以实际部署和运行。因此，为了让5G网络能够更灵活更智能地提供服务，SA2成立了该研究项目来将网络数据分析功能引入5G网络。eNA项目的研究目标是，通过对网络数据的收集和分析，生成分析结果，然后利用分析结果进行网络优化，包括定制化的移动性管理、5G QoS增强、动态流量疏导和分流、UPF选择、基于UE业务用途的流量策略路由、业务分类等。

3GPP RAN3工作组在2018年6月也成立了RAN数据收集和分析的研究项目“Study on RAN-centric data collection and utilization for LTE and NR（FS_LTE_NR_data_collect）”。该项目主要研究用于集中式和分布式数据分析的RAN侧数据的收集过程以及利用分析结果进行网络优化的信令过程，包括智能化自组网、无线资源管理增强、边缘计算增强等。目前该项目尚未启动研究进程。

目前3GPP SA2工作组在eNA项目中提出了如图1的支持网络数据分析的系统框架[1]。

网络数据分析功能（NWDAF，Network Data Analytics Function）是3GPP在Rel 15的5G标准中引入的网络功能，主要用于网络切片相关数据的分析。在eNA项目中，该功能被进一步扩展到对各类网络数据的分析上，包括从5G网络功能收集的网络运行数据、从运维管理系统OAM（Operation Administration and Maintenance）获取的终端和网络相关的统计数据、从第三方应用获取的应用数据。NWDAF生成的分析结果也会输出到5G网络功能、OAM或第三方应用上。

5G网络功能、OAM或应用层服务器可以利用NWDAF的分析结果进行不同的优化操作。具体如下文所示。

5G移动性管理相关功能可以请求NWDAF对终端的移动轨迹进行预测。NWDAF从OAM中获取终端的歷史位置信息，通过分析，生成终端的移动性预测模型。NWDAF根据终端当前的位置向5G移动性管理相关功能提供终端的移动性预测信息，使得5G移动性管理相关功能能够制定更精准的网络策略，完成优化的移动性管理操作。例如基于终端位置的统计规律进行注册区域分配、基于终端位置预测信息辅助切换决策、基于终端移动性轨迹进行移动性锚点预先选择等。

5G网络中的OAM也可以请求NWDAF提供网络切片中的业务运行数据的分析结果来优化网络切片资源的管理。NWDAF可以向OAM提供各切片是否满足SLA的信息以及切片中的用户体验分布情况。OAM系统根据NWDAF的分析结果确定是否调整各网络切片的资源分配。

第三方应用可以从NWDAF订阅网络性能预测信息并基于预测进行应用层的调整。网络性能预测信息可以是业务数据传输的QoS预测或者是服务终端的网络的负载预测。NWDAF根据应用的订阅请求周期性或者按需地向应用层提供分析或预测结果，使得应用能够调整其运行参数。例如车联网应用可根据QoS预测选择不同的驾驶等级或者判断是否预先下载地图或导航数据，也可以根据网络负载的预测选择背景流量的传输时机。

4.2  ITU机器学习（ML）5G

随着AI技术的发展，在2017年11月召开的ITU-T SG13会议期间，来自德国、韩国、中国、突尼斯、非洲等不同国家地区的代表建议成立机器学习-网络焦点组。随后经SG13全会讨论正式批准成立了Machine Learning for Future Networks Including 5G焦点组，简称FG-ML5G。该焦点组的研究期为1年，FG-ML5G输出的研究报告和标准草案可以作为后续SG13相关研究的输入。

FG-ML5G是一个对ITU成员和非ITU成员都开放的工作平台，目标是分析如何在未来网络特别是5G网络中应用机器学习技术来提升网络性能和用户体验。FG-ML5G下设3个工作组（WG），WG1主要研究机器学习在未来网络的应用场景、潜在需求;WG2主要研究用于移动网络优化的机器学习算法、数据结构和个人信息保护等;WG3主要研究支持机器学习的未来网络架构、接口、协议等。

目前FG-ML5G通过与3GPP等其他研究组织的工作进行调研和交流，确定将移动性模型预测、端到端网络切片等几个应用场景作为重点研究对象，并希望借这些场景需求来推动整个工作组的工作。例如WG3组提出了利用移动性模型预测优化移动性管理机制的网络架构。

图2给出了支持网络功能智能化定制的5G网络架构[16]。以移动性管理定制为例，网络中的数据分析功能首先需终端进行移动性预测，然后将预测结果输入到相应网络功能完成移动性管理的定制。移动性预测可以分为长期性预测和短期性预测。长期性预测主要指根据大量静态的终端历史移动信息（例如OAM中的数据）进行分析预测，通常需要由中心NWDAF完成;短期性预测指参考终端实时移动性行为进行的分析预测，可由中心NWDAF和/或本地NWDAF完成。从预测分析结果上看，长期性预测结果通常为终端活动范围、出入固定区域的频度等;而短期性预测结果则为终端移动的目标小区、移动速度等。长期性预测结果可以输入到OAM系统，辅助核心网网络功能的定制，例如移动性管理功能的定制，也可以输入到核心网中完成特定注册区域的划分。短期性预测结果可以输出到核心网中，用于移动性锚点的选择，也可以输出到接入网中，用于辅助接入网节点执行切换决策、小区重定向等。

5   结束语

为了让5G网络在面对差异化的业务需求时向用户灵活提供定制化服务，需要让5G网络具备智能来识别业务需求和确定服务策略。5G网络部署和运维更加复杂，运营商需要提高网络的智能化水平来提高运营效率。因此，AI和5G的结合得到了业界的广泛关注，也是未来移动通信网络的发展方向。

目前，将AI运用到5G网络的研究主要集中在运维管理优化、网络性能增强和应用支持优化上，相关的研究项目已经在3GPP和ITU-T成立，并且已经产出部分成果。然而，真正实现5G网络的智能化仍然存在障碍，包括技术障碍和非技术障碍。技术障碍主要是缺少公认合适的AI算法，而非技术障碍则涉及行业间协作、用户数据收集及隐私保护等问题。因此，不仅要在AI算法研究方面实现突破，还需要促进相应的政策法规出台，以保护用户隐私信息和促进行业生态的健康发展。

参考文献：

[1] 3GPP TR 23.791. Study of Enablers for Network Automation for 5G[R]. 2018.

[2] Wang X， Li X， Leung V C M. Artificial Intelligence-Based Techniques for Emerging Heterogeneous Network： State of the Arts， Opportunities， and Challenges[J]. IEEE Access， 2015（3）： 1379-1391.

[3] Li R， Zhao Z， Zhou X， et al. Intelligent 5G： When Cellular Networks Meet Artificial Intelligence[J]. IEEE Wireless Communications， 2017，24（5）： 175-183.

[4] 邹蕾，张先锋. 人工智能及其发展应用[J]. 信息网络安全， 2012（2）： 11-13.

[5] 蔡自興，徐光祐. 人工智能及其应用[M]. 4版. 北京： 清华大学出版社， 2010.

[6] 李建会. 论布鲁克斯的无表征智能理论[J]. 自然辩证法研究， 2007，23（7）： 9-13.

[7] 刘建伟，刘媛，罗雄麟. 半监督学习方法[J]. 计算机学报， 2015（8）： 1592-1617.

[8] 刘忠，李海红，刘全. 强化学习算法研究[J]. 计算机工程与设计， 2008，29（22）： 5805-5809.

[9] Chen M， Challita U， Saad W， et al. Machine Learning for Wireless Networks with Artificial Intelligence： A Tutorial on Neural Networks[Z]. 2017.

[10] SDN/NFV产业联盟. 网络人工智能应用白皮书[S]. 2018.

[11] 未来移动通信论坛. 无线大数据与智慧5G[R]. 2017.

[12] Ma X， Zhang J， Zhang Y， et al. A PCA-based modeling method for wireless MIMO channel[C]//IEEE Conference on Computer Communications Workshops. IEEE， 2017： 874-879.

[13] Cho， Sung Bae. Exploiting machinelearning Techniques for location recognition and predictionwith smartphone Logs[J]. Neurocomputing， 2015： 98-106.

[14] 3GPP TS 23.501. System Architecture for the 5G System[S]. 2019

[15] 3GPP TR 23.786. Study on Architecture Enhancements for EPS and 5G System to Support Advanced V2X Services[R]. 2018.

[16] ML5G-I-071. 5G Network Architecture enabling Customized Mobility Management[Z]. 2018.