（2020年度“华苏杯”获奖论文二等奖）面向6G的人工智能物联网技术革新与展望

华敏妤

南京邮电大学

0 引言

随着物理世界和虚拟世界的融合，数十亿的物联网（Internet of Things，IoT）设备将连接起来，共享收集的信息，以便在网络空间中监控甚至重建物理世界。由于新兴的IoT服务需要通信、控制、计算和意识功能的端到端协同设计，而市场上支持基本IoT服务的第五代移动通信技术（5th Generation，5G）基本上忽略了这种需求，因此目前的5G系统设计能否支持未来的智能IoT仍有争议。

第六代移动通信技术（6th Generation，6G）以5G为基础，它将提供全方位的无线覆盖并集成所有功能。6G将利用AI、边缘计算、端到端分布式安全和大数据分析等技术，实现从互联IoT设备到互联智能IoT设备的转变。通过AI和IoT的结合，形成一个高度可持续、安全和成本效益高的网络，使供应商能够为各种行业垂直市场提供智能服务。目前，人工智能物联网（Artificial Intelligence of Things，AIoT）仍处于起步阶段，即单机智能阶段。为了发挥AIoT的潜力，需要在行业应用中大规模部署IoT设备。如果设备之间缺少有效的连接，则每个设备都将成为数据孤岛，收集到的数据无法完全用于支持智能IoT服务。

为了实现6G以上的大规模AIoT设备部署，需要解决以下问题：（1）在6G网络中大规模部署各种AIoT设备会带来什么新的性能挑战？（2）如何有效处理AIoT设备收集的大规模数据？（3）如何增强AIoT的安全性和隐私性？本文旨在回答上述问题，重点介绍实现AIoT服务需求所带来的技术挑战和潜在的使能技术。

1 面向6G的AIoT体系架构

AI和无线基础设施的融合将会实现6G网络的内生智能。AIoT将AI与IoT进一步结合，旨在为终端设备提供智能连接、高效计算、安全性和高扩展性。AIoT将构建一个智能化生态体系，通过大数据分析，利用网络边缘无处不在的缓存和计算资源来感知、存储和分析海量数据，以实现实时认知，达到万物数据化、万物智联化。作为IoT发展的必然趋势，AIoT将成为传统产业智能升级的主要驱动力。

AIoT的发展可以分为三个阶段：单机智能、互联智能和主动智能。在单机智能阶段，智能设备与设备之间不能发生相互联系，需要等待用户主动发起交互需求。因此，AIoT设备需要精确感知、识别和理解用户的各种指令，如语音和手势，进行正确的决策和反馈。在互联智能阶段，采用“一个大脑（云或中控）、多个终端（感知器）”的模式对AIoT设备进行互联。互联智能消除了单机智能中设备会成为数据孤岛的弊端，这对智能化体验场景的升级和优化具有重要意义。在主动智能阶段，AIoT系统具有自学习、自适应和自我完善的能力，根据用户的行为偏好和周围环境，主动提供合适的服务，而无需等待指令。与互联智能阶段相比，主动智能真正实现了AIoT的智能化和自动化。

如图1所示，适用于6G的AIoT体系结构有四层，即感知层、网络层、处理层和应用层。感知层是上面三层的基础，广泛部署了传感类IoT设备、通信类IoT设备、过程类IoT设备和控制类IoT设备。这些IoT设备的功能类似于人的眼睛、鼻子、耳朵和皮肤，通过识别、定位、跟踪和监控来获取信息。网络层是AIoT最重要的基础架构，起着连接感知层和处理层的作用。它像人类的神经一样工作，通过无认证网络（WiFi/LoRa/Zigbee/蓝牙）和认证网络（2G/3G/4G/5G/6G/…/XG）传输感知信息和信号信息。利用AI、大数据分析、云计算、MEC（Mobile Edge Computing，移动边缘计算）、区块链和可信计算，处理层将处理感知层产生的海量数据。它像人脑一样工作，执行数据存储、分类、安全保护和结果获取。应用层则是实施AIoT功能，实现智慧医疗、智慧交通、智慧城市等现实应用。AIoT的实施可以看作是执行人脑（AIoT的处理层）决策的“人体”，AI是“大脑”，让设备的简单连接上升为智能连接，IoT则是让AI具备行动能力的“身体”。

图1 适用于6G的AIoT四层体系结构

2 实现AIoT的挑战

智能IoT设备的指数级增长和应用程序的快速扩展对AIoT的发展提出了重大挑战，包括大规模智能连接、高效计算、安全性、隐私性以及高扩展性。

2.1 大规模智能连接

随着信息和通信技术的发展，网络规模急剧扩大，智能IoT设备的数量也在不断增加。大规模智能连接是移动网络、AI和通过IoT连接的数十亿设备的结合。为了支持灵活可靠的通信，多年来人们广泛研究了各种设备之间的连接技术，包括蜂窝技术（2G/3G/4G）、蓝牙、低功耗广域网（Low Power Wide Area，LPWA）、WiFi和WiMAX、窄带物联网（Narrowband IoT，NB-IoT）。此外，为了在有限的带宽上支持大规模的智能IoT设备并最大化频谱效率，一些有前景的无线接入技术在IoT领域得到了广泛的研究，如大规模多输入多输出（Massive Multiple-Input-Multiple-Output，M-MIMO）、认 知 无 线 电（Cognitive Radio，CR）、波束成形和非正交多址（Non-Orthogonal Multiple Access，NOMA）等。虽然5G网络已经开始使用大规模连接和智能技术，但AIoT部署将更加密集、更加异构，并具有更加多样化的服务需求。考虑到AIoT的大规模智能连接，在以下方面仍然存在许多挑战。

（1）多无线电接入挑战。在动态网络环境下，快速精确的信道划分和多无线电接入对于大规模IoT连接至关重要。例如，时分双工（Time Division Duplex，TDD）、正交频分复用（Orthogonal Frequency-Division Multiplexing，OFDM）、NOMA和MIMO，它们利用时间/频率/功率/代码域/空间域来支持对大规模IoT设备的多路访问，已经在WiFi、WiMAX、NB-IoT支持的各种IoT场景中被广泛研究。这些多无线电接入挑战的核心是准确实时的信道状态信息（Channel State Information，CSI）。然而，在IoT中，网络流量和拓扑结构经常发生变化，即在所有设备中，只有少数设备在任何给定时刻处于活动状态，因此，研究IoT设备活动状态的频繁性是解决高维信道估计问题的关键。此外，考虑到巨大的计算和通信开销，在由大量不同设备连接的IoT中采用智能学习算法仍然具有挑战性。综上所述，传统的多无线电接入方式已经不能满足大规模智能化的接入要求，如何智能地管理多无线电接入以实现大规模连接是一项重大的挑战。

（2）无线电和网络配置挑战。无线电配置通常指分配给每组AIoT设备的无线资源量，用于访问网络和传输数据。考虑到数十亿个受限的AIoT设备的连接，在不同的通信功能上实现轻量化、自动化的无线电配置，以及在网络堆栈的各个层上实现网络配置成为当务之急。而对于高动态的大规模AIoT，无线电和网络配置是费时且不可行的。因此，软件定义网络（Software-Defined Network，SDN）和网络功能虚拟化（Network Functions Virtualization，NFV）得到推广，以促进更灵活的配置并适应IoT服务的发展。然而，在支持SDN的IoT中，流处理可能会带来额外的网络开销，这可能会花费额外的时间并加剧端到端事务中的额外延迟。那么，如何使无线电和网络配置更加可行和智能化，以支持大规模智能连接，成为未来AIoT的一个新兴课题。

（3）波束成形挑战。为了支持大规模智能连接，将波束成形与mmWave和大规模MIMO技术相结合成为一种有前景的解决方案。使用mmWave可以给信号传输带来更大的带宽，波束成形则能解决频谱利用问题，以支持大量用户同时通信，同时使MIMO效率更高。因此，该方案可以有效地提高能量利用率。然而，传统的波束成形方法可能会带来mmWave的高过载以及动态复杂的IoT通信。为了使mmWave和相应的波束成形智能化，基于机器学习（Machine Learning，ML）的波束成形优化可能是一种潜在的解决方案。

总之，6G有助于在超高密度的超广域中部署大规模IoT。通过结合尖端的AI和数十亿个IoT设备的连接，大规模智能连接正在使交通、娱乐、工业和公共服务等领域实现变革。因此，为了在覆盖范围广的网络上支持大量低成本、低能耗的设备，AIoT应该支持大量的连接，并带来更智能的物理互联。

2.2 安全性和隐私性

安全性和隐私性是任何移动通信系统标准化的关键。国际电信联盟机构电信标准化部门（International Telecommunication Union Telecommunication Standardization Sector，ITU-T）的安全建议探讨了一组安全维度，以提供针对所有主要安全威胁的保护。

（1）访问控制。访问控制是AIoT安全的基本和重要策略。它可以验证并授权设备访问允许查看和使用的信息，确保只有授权的AIoT设备才能使用网络资源，并防止未经授权的设备访问网络元素、服务、存储的信息和信息流，可以有效保护数据。

（2）身份验证。身份验证可确认AIoT设备的身份，确保其身份的有效性和正确性，并提供防止伪装或重播攻击的保证。

（3）不可否认性。不可否认性要求发送方和接收方都不能拒绝所发送的信息，以及提供信息的原样性和完成的操作与承诺。

（4）数据机密性。数据机密性可保护数据免遭未经授权的AIoT设备泄露，并确保未经授权的AIoT设备无法获取数据内容并进行分析。

（5）数据完整性。数据完整性可确保数据的正确性以及收发双方数据的一致性，并防止未经授权的AIoT设备创建、修改、删除和复制数据。它还为未经授权的AIoT设备提供与数据相关的活动指示。

（6）通信安全。通信安全确保信息仅在授权的AIoT设备之间流动，并且在传输过程中不会被破坏、转移或拦截。

（7）可用性。可用性确保授权的AIoT设备能够访问网络资源、存储信息或信息流，维护服务和应用程序。

（8）隐私性。保护AIoT设备的信息，这些信息可能来自对其活动的观察。

尽管AIoT的计算能力和存储能力有了显著的提高，但由于安全维度执行不力，潜在的可能攻击对AIoT的负面影响急剧增加。例如，与有线通信不同，无线网络对外部入侵是开放的，不需要物理连接。由于无线传输的广播特性，启用无线功能的AIoT设备更容易受到潜在攻击。在智能工厂中，如果不能确保数据机密性，那么对手就可能发现制造过程，从而对隐私性产生潜在影响。如果数据没有受到完整性保护，那么对手可能会在系统中注入错误数据，修改制造过程，从而对安全性产生潜在影响。AIoT设备所面临的不可忽视的威胁使得其安全性和隐私性仍然是6G中AIoT面临的主要挑战。因此，为了实现AIoT的开发，提出能够为AIoT提供安全的、兼容隐私的潜在解决方案是非常重要的。

3 实现AIoT的潜在使能技术

由于结合了AI与IoT的AIoT尚处于起步阶段，其发展过程可能会受到其他有前景的技术的影响，如移动边缘计算、区块链、AI、物理层安全等。本章主要探讨将MEC、AI技术应用于AIoT时的潜在好处和交互作用。

3.1 MEC技术

随着AI和IoT的结合，大量具有计算功能的终端设备将被连接起来，以支持对延迟敏感和计算密集型的应用。通过在网络边缘使用云计算，我们可以在资源有限的终端设备上支持这些创新应用，因此，MEC被认为是一种有前景的技术。随着网络向异构体系结构的转变，为了解决多址访问特性，欧洲电信标准协会（European Telecommunication Standard Institute，ETSI）的MEC工作规范组将移动边缘计算的概念扩展到了多接入边缘计算。其基本思想是把云计算平台从移动核心网络内部迁移到移动接入网边缘，实现计算及存储资源的弹性利用。

ETSI提出的MEC架构是一种分层结构，从下到上分为三个层级，即网络层、移动边缘主机层和移动边缘系统层。在网络层面，包括3GPP网络、本地网络和其他外部网络在内的各种网络相互连接。如图2所示，异构网络包括LTE、WiFi和5G。在移动边缘主机层，通过利用虚拟机（Virtual Machines，VM）、SDN和NFV等技术，移动边缘主机提供了可供计算和存储资源的虚拟化基础设施。在移动边缘系统层，用户设备（User Equipment，UE）可以通过面向客户的服务（Customer Facing Service，CFS）直接利用MEC。

图2 多接入边缘计算的说明

为了实现AIoT，创新技术公司发布了新硬件，以支持在网络边缘实现AI。2017年，微软提出了Azure IoT Edge，它支持通过标准容器在IoT边缘设备上运行的特定工作负载，如AI和大数据分析。2018年，谷歌推出两款产品，即Edge TPU和Cloud IoT Edge。Edge TPU是为边缘网络机器学习设计的硬件芯片，Cloud IoT Edge是一个将数据处理和机器学习能力扩展到网关和终端设备的软件栈。Nvidia开发了Jestson TX2作为功能强大的嵌入式AI计算设备，可以将其部署在网络边缘，这使得边缘AI成为可能。通过对MEC的系统设计和资源优化进行的广泛研究，我们对以下几个方面进行简要概述：

（1）计算卸载的设计。由于终端设备的功率和计算能力有限，仅利用本地计算资源很难满足计算密集型任务的服务需求。因此，终端设备可以利用网络边缘的通信资源和计算资源，实现边缘智能，低时延和低能耗地处理数据，以此满足服务需求。考虑到应用偏好、终端设备的剩余功率以及网络边缘的通信资源和计算资源的可用性，计算卸载主要包含卸载决策和资源分配两个问题，解决了终端设备何时何地卸载计算任务的问题。

（2）具有异构计算资源的MEC。随着新应用程序的激增，对处理的要求超出了中央处理器（Central Processing Unit，CPU）的能力。图形处理单元（Graphics Processing Unit，GPU）由于其高度并行的计算能力而发展为加速计算的处理器。我们见证了这样一个事实：计算架构正在成为混合架构，GPU与CPU协同工作。通过利用异构计算资源，终端设备可以将计算任务卸载到最适合的处理器上，以实现更好的性能。因此，如何在异构计算资源下联合设计MEC系统中的计算任务卸载方案和资源分配策略将是一个有吸引力的研究方向。

3.2 AI技术：大数据分析和机器学习

随着在不同垂直领域（如健康、交通、智能家居、农业、教育等）具有不同需求的IoT应用的爆炸式增长，AIoT正朝着由大量数据驱动的复杂的系统发展。近年来，大数据分析和机器学习的迅速发展和广泛应用为重塑网络维护和体系结构带来了良好的机遇，这得益于隐藏在海量数据中的知识和统计模式所驱动的分析能力。

（1）大数据分析。大数据是未来网络最重要的特征之一，IoT流量的持续激增不仅对数据通信提出了新的要求，网络本身产生的海量数据也蕴含着大量有用的信息，有助于提高网络管理、资源配置和安全控制等。考虑到网络数据量大且类型繁多，大数据分析可以对收集到的信息进行全面的数据融合和分析，将各种影响因素和网络状态关联起来，借助不断增长的计算能力找出其背后的因果关系和物流资源。大数据分析可综合处理大量异构、复杂的数据，被广泛应用于改善IoT应用的性能。应用场景有智慧医疗系统、智能家居、智慧城市等。

（2）机器学习。ML具有强大的数据处理能力，可以为各种问题提供可行的解决方案，被广泛应用于IoT场景。同时，为了实现6G系统的自动调整，ML模型应能自适应于改变的拓扑结构。当前的IoT通常涉及大量的网络元素和IoT设备，它们可能会生成大量数据，可用于分析、学习和训练ML模型以优化系统性能。此外，多层和多供应商的IoT应用变得非常复杂，需要更高效的解决方案。与传统技术相比，基于ML的技术可以训练模型并从大型数据集中学习，从而可以大大减少人为干预，降低处理大型复杂IoT系统的运营成本。通常，ML包括三种训练方式，即监督学习、无监督学习和强化学习（Reinforcement Learning，RL）。对于每种训练方式，针对不同的场景都开发了具有不同效率的多个模型。例如，无监督学习通常用于聚类问题，监督学习用于线性回归和分类，而强化学习则用于马尔可夫决策过程。在为特定问题选择训练方式和模型后，需要调整体系结构的参数以优化ML模型的效率。利用ML技术，AIoT应用程序可以支持预测分析，以确保满足资源需求并提高网络运行的效率。和其他方法相比，该方法可以优化网络控制和运行，尤其是当网络行为复杂且涉及大量参数时。此外，ML在AIoT中还可以通过部署经过训练的模型和算法来检测网络上的恶意行为。

总之，未来的AIoT具有高度复杂的数据计算和分析能力，能够支持自主网络的运行和维护。借助虚拟化和不断增加的计算能力，网络元素变得更加智能，并可以对网络环境的变化做出快速反应，可以存储和分析来自不同层次和不同分支的所有网络组件的数据，以生成优化的解决方案，从而降低运营支出（operating expense，OPEX）和资本支出（capital expenditure，CAPEX）。更智能的自我维护脚本和算法将被用于资源分配和网络操作，从而使工程师从繁琐的手动过程中解放出来。此外，AIoT可以在网络运行过程中自动更新网络参数。随着大数据分析和ML技术的出现，大规模的智能IoT设备将生成海量多样的数据，以更好的方式更加智能地学习、训练和执行决策。

4 结束语

当前的5G网络主要解决了信息交互和连接问题，而6G将进一步提供“智能连接”、“深度连接”、“全息连接”和“泛在连接”，可以概括为“一念天地，万物随心”。6G在应用级别探索了AIoT的更多可能性和机遇。在6G中，AIoT不仅仅是支持AI的IoT，它还可以被解释为“IoT中的一切”。与此同时，AIoT也面临着各种挑战。本文阐述了6G中AIoT面临的一些挑战，并提出了主要的潜在技术。无可置疑的是，AIoT将使6G网络支持智能社会。