基于AI识别的5G网络干扰检测技术探析

摘要：隨着5G网络的快速发展，网络干扰问题日益突出。传统的干扰检测方法需要大量的人力和时间，难以应对复杂多变的干扰形式，而人工智能技术则是解决这一问题的有效途径。本文介绍了一种基于AI识别的5G网络干扰检测方法，利用基于DRL模型的智能算法对5G网络数据进行实时监测和分析，从而快速准确地检测网络干扰，并采用强化学习模型对网络数据进行训练和预测，以实现对不同类型干扰的自动分类和识别。经大量真实场景验证，该模型具备较高的准确性和鲁棒性，能够帮助网络运营商及时发现和解决干扰问题，并提高网络的可靠性。

关键词：5G；无线通信；深度强化学习；信号干扰检

一、5G发展的重要性和前景

（一）研究背景及意义

5G网络以其高速率、低延迟和大容量的特点，为人们带来了更快速和更丰富的应用体验。然而，随着5G网络的普及和使用范围的扩大，网络干扰问题也逐渐显现出来。在5G网络中，干扰可能来自多个方面，包括电磁辐射、其他无线设备、基站之间的频谱交叉等，由此导致通信中断或延迟，影响人们的语音通话、视频通话和数据传输[1]，还可能导致信号衰减和波动，降低网络速度和稳定性，严重影响用户体验。因此，准确、及时地检测和解决5G网络中的干扰问题成为当务之急。

（二）国内外5G网络干扰检测技术发展

针对5G网络干扰问题，目前国内外网络运营商和研究机构在5G网络干扰检测领域进行了广泛地研究和实践，对频谱分析、信号采样和测量等[2]检测方法进行了改进和优化，有效提高了干扰检测的准确性和效率。

国内研究包括：

基于物理层特征的干扰检测：利用5G网络物理层参数和特征的变化，如信号强度、信号质量、调制方式等，来判断是否存在干扰，并进行干扰源的定位和识别。

基于数据分析的干扰检测：通过对大量的网络数据进行采集和分析，应用机器学习和数据挖掘算法，识别干扰的模式和规律，实现对干扰的自动检测和分类。

国外研究包括：

频谱感知和动态频谱分配：通过感知频谱使用情况和干扰状况，动态地进行频谱分配和管理，以减少干扰对网络性能的影响。

智能感知网络：利用智能感知设备和传感器，在网络中部署分布式的干扰检测节点，实时采集和分析网络干扰数据，以提高干扰检测的实时性和准确性。

基于机器学习的干扰检测：应用机器学习算法，训练模型对干扰进行分类和识别。同时，结合深度学习技术，提高模型的性能和自适应能力。

通过对国内外检测技术的整理和分析可见，人工智能（AI）技术成为解决5G网络干扰问题的一种较有前景的解决方案。

二、5G网络干扰情况分析

5G系统中存在两种主要的干扰类型，分别为系统内干扰和系统外干扰。在综合分析了5G信号覆盖小区内干扰频谱的具体状况后，对常见的5G网络系统内和系统外干扰类型进行了整理和分析[3]。经研究发现，在5G无线通信系统中，当多个用户设备同时使用相邻的PRB进行通信时，由于无线信道的特性和无线资源的有限性，极易出现资源块的重叠或重叠利用的情形，从而发生PRB干扰，导致出现以下几个问题。

信号干扰：由于PRB的重叠或重叠利用，相邻用户设备之间的信号可能相互干扰，导致接收设备无法正确解码或解调信号，从而降低通信质量。

数据丢失：PRB干扰可能导致数据包的丢失或错误。当多个用户设备同时传输数据时，由于干扰的影响，接收设备可能无法正确接收或解码数据，导致数据包丢失或损坏。

容量下降：PRB干扰可能限制系统的容量。当干扰增加时，无线资源的可用性减少，导致系统无法支持更多的用户设备或提供更高的数据传输速率。

（一）系统外干扰

外部干扰是指当前网络制式以外干扰源所引起的干扰。这些干扰源可能是因为非法或不当使用导致对5G网络频段的干扰，主要表现为同频干扰。外部干扰源典型的有：屏蔽考场信号的干扰、军区通信系统、柜员机的警用干扰等。因此，了解外部干扰类型及其来源对于5G网络的优化和干扰消除至关重要。

由于5G频谱资源紧张，受外部干扰影响，容易出现PRB干扰。针对该问题，可以采用PRB干扰检测方法来试验，其主要程序是通过对接收信号进行FFT变换，将信号转换到频域，再对每个PRB进行功率谱密度的估计，确定每个PRB的信噪比，如果某个PRB的信噪比低于一定的阈值，即说明该PRB受到了干扰。

（二）系统内干扰

内部干扰和运营商间干扰一般指移动网络自身由于制式或设备对5G网络造成的干扰，常见的内部干扰包括阻塞干扰、互调干扰和杂散干扰。阻塞干扰表现为干扰源话务与电平存在较大的关联，繁忙时段干扰源相对较大；PRB级干扰呈现的特点是PRB之前有一个明显的梯形状凸起。互调和谐波干扰表现为小区级平均干扰电平跟话务关联大，话务忙时网络干扰越大；PRB级干扰呈现的特点是某个或某几个RB呈尖峰突起状，而未受干扰的其他RB的底噪显得很低。杂散干扰表现为小区级干扰平均干扰电平曲线一般相对平直；与干扰源靠得越近，PRB遭受干扰的可能性越高，干扰所产生的电平会出现向一边持续倾斜的特点。

三、传统检测方法与人工智能创新方案

（一）传统检测方法的不足

1.传统检测结果存在局限性

5G基站网络常规检测内容包括无线覆盖率、下行速率、上行速率、上行及下行NR峰值速率、NR接入成功率、语音业务呼叫建立成功率、NR数据业务掉线率、切换成功率、信号泄露和通道底噪等[4]。

在实际测试过程中，以设定的指标值基础，通过常规测试软件接入PC进行测试。测试的结果基本能反映5G基站的功能和性能参数，但无法预估到网络接入极端情况。因此，测试结果也只能表示在网络检测时间段的5G网络信号情况，存在一定的局限性。

2.基于模型的檢测方法存在误差

基于模型的检测方法是指通过建立数学模型来描述5G网络信号的特征，对信号进行分析和判断，其优点是准确性高，缺点是存在误差。5G网络信号的干扰类型多样，且干扰源可能随时移动，同时，干扰信号也可能受其他因素影响，导致模型的适应性不足。

3.基于统计的检测方法对样本要求高

基于统计的检测方法是指通过对5G网络信号进行采样、分析和统计，来判断信号是否受到干扰，其优点是简单易用，缺点是对样本要求较高。由于5G网络信号的干扰类型多样，需要对不同类型的干扰信号进行采样和分析，导致检测成本高。

4.基于机器学习的检测方法需要大量数据和模型训练

基于机器学习的检测方法是指通过对5G网络信号进行大量的数据采集和模型训练，以此实现对信号干扰的检测。这种方法的优点是可以自动学习和适应不同的干扰情况，但缺点是需要大量的数据和模型训练，并耗费大量的时间和精力，不切合实际。

（二）基于人工智能的创新检测方案

1.结合深度学习新技术进行优化

深度学习技术的发展使得5G网络信号干扰检测得到优化。例如，利用卷积神经网络（CNN）等深度学习模型来提取信号特征，然后通过分类器进行判断和分类。这种方法可以自动学习和适应不同的干扰情况，并提高检测的准确性和实时性。

2.结合多源数据进行综合分析

5G网络信号的干扰可能来自多个方面，例如其他设备、信号源、网络设备等。因此，可以结合多源数据进行综合分析，以提高干扰检测的准确性和可靠性。例如，结合无线电频谱分析、网络流量分析、设备定位等多种技术手段，实现对5G网络信号干扰的全方位检测和分析。

3.结合人工智能进行智能化管理

5G网络信号干扰检测不仅需要准确性和实时性，还需要智能化管理。因此，可以结合人工智能等技术，实现对5G网络信号干扰的智能化管理。例如，利用强化学习等技术实现对干扰源的自动定位和追踪，并提高干扰检测的效率和精度。

4.结合人工智能优化干扰检测算法

通过算法的优化，基于PRB的干扰检测算法和基于时频域分析的干扰检测算法等，采用人工智能、机器学习等智能化技术，对干扰检测算法进行优化和改进，使干扰检测自动化，并提高干扰检测的准确性和效率。

四、基于AI识别的5G网络干扰检测方法的实现

（一）深度强化学习

深度强化学习（DRL）结合了深度与强化两种学习方法，用于解决具有高维状态空间和动作空间的复杂任务。它结合了深度学习的能力来处理大规模的原始数据和提取高级特征，以及强化学习的能力来进行决策和优化，其主要思想是通过深度神经网络来学习决策策略，以最大化预期的长期回报。深度强化学习方法通常基于值函数和策略函数优化。值函数表示在设定状态下采取某个动作的长期累积奖励的期望值，而策略函数则定义了在给定状态下选择动作的概率分布。通过不断与环境交互并使用反向传播算法进行梯度下降，深度强化学习可以逐步优化值函数和策略函数，以找到最优策略。其基本流程如下：

环境建模：将决策问题抽象成一个环境，包括状态、动作、奖励等元素。

策略学习：使用深度神经网络学习决策策略，即给定当前状态，输出一个动作的概率分布。

行动执行：根据策略选择一个动作，并执行该动作，得到环境反馈的奖励和新状态。

训练更新：使用反馈的奖励和新状态更新策略的参数，以最大化预期的长期回报。

（二）基于AI识别的5G网络干扰检测方法

基于AI识别的5G网络检测方法的核心在于检测移动终端发出的连接请求信号，并获取相应的通信连接信息，优化网络频谱接入至智能移动终端的参数，降低频谱接入过程中产生的网络干扰，以提高用户的移动通信质量。该创新检测方法主要包括以下步骤：

1.获取初始信息

在接入通信网络过程中，智能移动终端发出通讯网络连接请求，通信基站根据通信网络连接请求生成网络频谱接入指令，然后根据网络频谱接入指令，得到待进行网络连接智能移动终端所需的蜂窝网络传输参数以及所有待接入的网络频谱的特征信息，如图1所示。

2.获得映射关联信息

将网络频谱特征信息和蜂窝网络传输参数信息输入至预设的线性关系分析模型内，以得到关联信息。

将待接入的网络频谱的特征信息和待进行网络连接所需的蜂窝网络传输参数情况输入至线性关系分析模型，通过利用线性关系分析模型，能够得到网络频谱特征信息与蜂窝网络传输参数信息两者之间的映射关联情况，再根据用户所需的蜂窝网络传输要求，快速地匹配出蜂窝网络待接入的频谱，从而有效提高蜂窝网络与频谱之间的匹配效率。

3.优化接入参数

通过关联信息获取频谱接入路径信息，再基于频谱接入路径信息对频谱接入参数进行优化。

得到网络频谱特征信息与蜂窝网络传输参数信息的关联信息后，分析该网络频谱与智能移动终端的接入路径情况，再根据该接入路径情况，优化网络频谱接入过程中的接入参数，例如优化网络频谱接入速率、匹配速率以及接入时间等参数信息。

4.调整匹配方案

根据所述频谱接入参数调整网络通信匹配方案，基于调整后的网络通信匹配方案与智能移动终端网络通信连接。首先，分析该网络频谱与智能移动终端的接入路径情况，再根据该网络频谱具体的接入路径，找到相对应待接入的终端，并优化网络频谱接入至该终端的参数情况，然后根据优化后的频谱接入参数自动调整网络通信匹配方案，从而有效降低频谱接入过程中产生的网络干扰。同时，自动将该匹配方案进行记忆存储，以便后期同样的智能移动设备再次接入蜂窝网络时，能够快速接入网络频谱，进而提高用户的移动通信网络质量。

基于AI识别的5G网络干扰检测方法效用的实现需要匹配相应的检测装置、硬件设备和存储介质，其中检测装置跟检测步骤进行关联，包括以下四种装置：

响应模块：用于响应频谱获取指令、网络频谱特征信息和蜂窝网络传输参数信息；

关联模块：用于将所述网络频谱特征信息和蜂窝网络传输参数信息输入至预设的线性关系分析模型内，以得到关联信息；

参数优化模块：基于所述关联信息获取频谱接入路径信息，基于所述频谱接入路径信息优化频谱接入参数；

频谱接入调整模块：用于根据所述频谱接入参数，调整网络通信匹配方案，并基于调整后的网络通信匹配方案与智能移动终端网络通信连接。

与传统检测方法对比，基于AI识别的5G网络干扰检测方法从另外一个角度阐释了其解决技术方案，既解决了5G网络内在、外在信号干扰的问题，又解决了因5G频谱资源紧张而经常出现的PRB干扰问题。

五、结束语

基于AI识别的5G网络检测方法能够更加高效地识别5G网络干扰情况，推动改善5G网络运行环境和用户的移动通信体验。除了常规传输通信，该方法还能够对医疗、教育、办公、娱乐和出行等多方面起到促进作用，切实提升人们在各领域的获得感和体验感。

随着5G的发展，6G也离人们越来越近。相较于5G，6G的传输速率更快，所面临网络干扰可能性更高，因此，本文研究的创新方法也能够对6G的发展起到促进和赋能作用。

作者单位：柏林 公诚管理咨询有限公司

参  考  文  献

[1]郭鑫.基于5G通信的无线网络智能抗干扰技术分析研究[J].数字通信世界，2021（10）：101-102，5.

[2]王佳欣，常青，田原，等.GNSS干扰信号检测方法研究[J].导航定位与授时，2020，7（4）：117-122.

[3]梁金弟，程郁凡，杜越，等.联合多维特征的干扰识别技术研究[J].信号处理，2017，33（12）：1609-1615.

[4]朱鋆.实时频谱分析在5G干扰排查应用中的优势[J].中国无线电，2021（4）：105-108.