面向多维立体全场景的6G绿色无线接入网白皮书-2023.10

面向多维立体全场景的6G

绿色无线接入网白皮书参与单位北京邮电大学电子科技大学华为技术有限公司中国移动通信有限公司前

言随着

5G

网络的大规模商用，人工智能（AI）、云计算、边缘计算的发展加速了信息技术、通信技术和数据技术（ICDT）的深度融合，同时也推动整个社会走向数字化、信息化、智能化。目前，6G

研究的序幕已经拉开，得到了学术界和产业界的广泛关注。6G

将进一步深化现有

5G

的人工智能与无线网络的融合，作为一种新型的综合战略基础设施，推动工业互联网、能源互联网、智能交通、智能医疗等垂直行业的数字化和智能化。在未来移动通信向全场景应用发展、ICDT

走向深度融合等重要趋势下，面向

6G

网络架构的变革与发展需求，6G

无线接入网络将不再是单纯的通信网络，而是集通信、感知、计算为一体的信息网络，同时空天地等多种接入域、多种网络域深度融合，需支持多维立体全场景下不同无线接入方式，固定/移动/卫星/无人机（UAV）等多连接类型以及多服务类型。为使能“万物智联，数字孪生”，6G

网络需要支撑智慧内生、泛在连接、多维融合，传统的集中式智能计算架构已经不能满足低延迟高可靠的通信和计算要求，难以高效支撑未来

6G网络泛在智能的需求。这些都对

6G

无线接入网络架构设计提出了重大挑战。另外，为了更好地支持

6G

新兴无线业务，6G

无线接入网还需要动态、灵活地对用户需求和时变环境的智能深度感知，在有限资源、给定网络能力下更加轻量化、高效智能地满足无线网络动态、时变的差异化服务质量（QoS）需求和不同特定场景的业务需求。本白皮书将从

6G

无线接入网（RAN）所面临的全新需求与挑战出发，面向

ITU-R

提出的

6G

网络愿景，重点介绍

6G

多维立体全场景服务下的新型绿色无线接入网络架构，包括无线接入网侧的新型逻辑功能架构及场景部署架构。部署架构中包含高低频协作无线接入、空天地融合无线接入和无线内生智能接入三个主要的部署场景。然后介绍该

RAN

架构两方面的关键使能技术——6G

多网共生融合技术和

6G

无线接入内生智能技术。最后对

6G

无线接入网在未来的研究和标准化工作进行了展望。本白皮书为国家研发计划重点专项“宽带通信和新型网络”项目《6G

网络架构及关键技术》（项目编号：2020YFB1806800）资助成果。目录1

6G

RAN

需求挑战与技术趋势.............................................................................................11.1

需求.............................................................................................................................11.2

挑战.............................................................................................................................31.3

技术趋势.....................................................................................................................52

6G

多维立体全场景服务下新型绿色无线接入网络架构..................................................

82.1

设计理念.....................................................................................................................82.2

逻辑功能架构.............................................................................................................92.3

场景部署架构...........................................................................................................132.4

架构特征——绿色、多维、立体和全场景服务...................................................203

使能技术——6G

多网共生融合技术...............................................................................

233.1

UCN

异构接入技术..................................................................................................233.2

高低频协作接入技术...............................................................................................263.3

空天地融合无线接入技术.......................................................................................293.4

多维接入网络资源智能编排...................................................................................314

使能技术——6G

无线接入内生智能技术.......................................................................

344.1

无线分布式协同智能框架.......................................................................................344.2

有中心模型聚合协同接入技术...............................................................................384.3

全分布式模型聚合协同接入技术...........................................................................394.4

分布式智能框架下的资源管理...............................................................................405

总结与展望..........................................................................................................................43参考文献..................................................................................................................................441

6G

RAN

需求挑战与技术趋势1.1

需求5G

网络的商用激发了人们对下一代移动网络的想象和期待。6G

在

5G基础上，将从服务于人、人与物，进一步拓展到支撑智能体的高效互联，将实现由万物互联到万物智联的跃迁，将持续提升人们的生活品质，促进社会生产方式的转型升级，并且为人类社会可持续发展的终极目标做出贡献。一方面，新业务与新应用将被开发出来，它们需要更高的网络性能，如更高的数据速率、更低的时延，这些都超出了

5G

无线接入网的能力范围。另一方面，需要更敏捷的网络服务能力，尤其是对于

5G

无法高效支撑的

ToB

业务，需要满足其业务快速上线需求。再者，新涌现出的业务具备明显的个性化需求，无线接入网需要具备灵活适配业务需求的能力，实现网络功能按需定制，资源按需配置。随着大数据、云计算、物联网和人工智能等新一代技术和应用的发展，以及

ICDT

的深度融合，6G

社会将逐步走向“数字孪生，智慧泛在”。6G

RAN

将通过提供物理空间与虚拟空间的通信服务构建人类社会、物理世界和虚拟世界融合交互、紧密连接的网络空间，通过数字化世界创造全新价值，实现“6G

改变世界”的美好愿景。2030

年及以后，在数字孪生世界和智慧泛在的背景下，移动通信的应用场景将会呈现出全新的特点，支持无处不在的无线连接、大数据和人工智能等全新的技术，并催生出智享生活、智赋生产、智焕社会

3

大方面的应用场景，包含空天地一体化、通感互联、智能交互等。6G

RAN

将不再1仅局限于提供通信的功能，而是随着感知-通信-计算-AI-安全融合的大趋势，从传统单一的功能拓展到提供感知、计算、AI

和安全等新的网络能力。国际电信联盟无线电通信部门于

2023

年

6

月在第

44

届

ITU-R

WP

5D会议通过了《IMT

面向

2030

及未来发展的框架和总体目标建议书》，该建议书对

5G

原有三大应用场景进行增强和扩展，包含沉浸式通信、超大规模连接、极高可靠低时延、人工智能与通信的融合、感知与通信的融合、泛在连接等六大典型场景。沉浸式通信场景涵盖了为用户提供丰富的互动视频（沉浸式）体验的用例，包括与机器界面的互动；超大规模连接场景涉及连接大量的设备或传感器；极高可靠低时延场景涵盖了预计对可靠性和延迟有更严格要求的专门用例；人工智能与通信的融合场景将支持分布式计算和人工智能驱动的应用；感知与通信的融合场景促进了需要传感能力的新应用和服务；泛在连接场景旨在加强连接性，以缩小数字鸿沟。同时，空天地融合组网也是未来的一大趋势，卫星网络、无人机网络等将是地面网络的重要补充，实现天基、空基、陆基等各类用户接入与应用，能够在任何地点、任何时间、以任何方式提供全场景的信息服务。并且随着

AI

技术的发展，网络的智能也将在网络运维、资源编排、空口调度等方面释放出更大的潜力，为智慧社区、医院、工厂等不同用户场景下的多维度异构业务需求提供通信、感知、计算、存储等一系列能力的按需服务，真正实现

AI

不再是“外挂式”的存在，而是内生于网络，从而更好的为网络提供服务。因此为了满足未来业务和应用发展的需求，6G

RAN

的设计需考虑新型网络架构，以在更多维度上取得网络能力的突破，实现极致的性能追求。21.2

挑战5G

技术满足了人们对大宽带、高数据速率、大连接密度、低延时的通信需求。在未来

6G

系统中，上述技术将会继续得到增强，并扩展更多的应用场景。面向

2030

年，6G

业务和应用将朝着需求的多样化、覆盖的立体化、交互形式与内容的多样化、业务的开放化和定制化、以及通信计算、AI

和安全的融合化的方向发展。然而，当前无线接入网络在网络架构设计、组网模式和资源管理上存在不灵活智能、融合网络之间信息交互复杂、开销大且低效能等问题，无线接入网络由

5G

向

6G

的演进中将面临诸多的挑战。1.

网络架构设计不够灵活现有网络主要采用一体化的结构，这导致网络的建设完全是按覆盖的要求进行规划和建设，基站形态单一，网络管理和维护的方法比较传统，网络运维效率较低，网络结构单一固化，这些特点导致了网络部署的高成本和高功耗问题。另外，由于现网支持

2G/3G/4G/5G

多网共存与互操作，在提供更高吞吐量和更好的业务连续性保障的同时也增加了更多的网络功能、交互流程、管理策略和异常因素，使得网络架构与管理更加复杂。因此需要

6G

及其后续网络在网络架构设计方面发展自我演进能力，以智能地利用资源，降低运营成本，并保证高服务质量。2.

组网模式难以支撑多元化演进6G

网络频段将要由目前的

700MHz

~

2.6GHz

等扩展至毫米波甚至太赫兹和可见光等频段，覆盖将由地面覆盖到立体覆盖，实现星地一体融合组网。但由于非地面网络的网络拓扑结构动态变化以及运行环境的不同，3地面网络所采用的组网技术不能直接应用于非地面场景，需研究空天地一体化网络中的新型组网技术，考虑新的立体组网模式。另一方面，随着分布式边缘计算以及智能网络节点大量部署，计算和存储等资源下沉至边缘节点，6G

需要中心化集中管理的蜂窝组网与分布式协作的云边融合组网共同支持多样化场景的业务需求，满足用户的差异化需求。3.

多维资源管理不够智能化5G

网络引入了网络切片技术，但切片在无线侧和核心网的融合设计和优化仍需进一步验证和完善，并且在使用网络和托管资源时，除了对切片进行独立管理导致更高的运营成本之外，还存在效率较低的风险。因此，6G

将发展无线资源的智能灵活编排技术。6G

要服务于各行各业新涌现的个性化业务，就需要对各种资源，包括通信、计算、数据等维度，进行更智能化的管理编排，使之具备灵活适配业务差异化需求的能力。同时，由于分布在不同地理位置的无线节点的可用资源是泛在化、异构化的，需要6G

网络通过模型函数将不同类型的多维资源映射转换，形成业务层可理解、可阅读的资源池，为网络的资源匹配调度提供基础保障。在数据维度，6G

需要借助于信息和学习理论对从物理世界中采集的大量数据进行管理编排和有效地利用，构建一个数字世界。在通信维度，6G

系统设计将编排使用尽可能少的带宽资源实现海量大数据的有效传输，降低通信成本。在计算维度，需要在

6G

网络中最优化计算资源的分布，以最大限度地编排利用移动边缘的计算能力。4.

融合网络之间的信息交互复杂传统网元之间采用专用接口进行通信，需要进行相应的接口建立。为4了保证特定业务或服务需求，3GPP

定义了一系列协议，如用于

D2D

发现/通信的

ProSe/PC5

Signalling

协议、用于定位的

LPP/NRPPa

协议、用于实现

QoS

flow

到

DRB

映射的

SDAP

协议、用于回传的

BAP

协议等。这些协议功能的引入不仅增加了标准化工作量和实现难度，还增加了测试与运维的复杂度。此外，5G

无线网络采用分层结构，每一层功能处理都会引入时延，信令面与用户面和协议栈功能之间也存在一定的耦合，妨碍了网络功能的灵活按需部署。6G

在

5G

基础上，将从服务于人与物，进一步拓展到支撑智能体的高效互联，将实现由万物互联到万物智联的跃迁。新业务与新应用将被开发出来，它们需要更高的网络性能，如更高的数据速率、更低的时延，这些都超出了

5G

系统的能力范围。另一方面，网络需要更敏捷的服务能力，尤其是对于

5G

无法高效支撑的

ToB

业务，需要满足其业务快速上线需求。这要求

6G

具有智简统一的协议和网络体系，以降低支撑各类业务之间的逻辑约束，实现网络服务即插即用。上述存在的问题和挑战将成为6G网络设计的重要驱动力和创新目标。1.3

技术趋势ITU-R

在《IMT

面向

2030

及未来发展的框架和总体目标建议书》中从全面的视角阐述了未来

6G

网络将是一个具有包容性、安全性、自治性、可持续性的泛连接绿色网络，并要求

6G

RAN

侧完成新技术的突破以应对未来

6G

通信中更为严峻的挑战。结合

6G

RAN

未来业务和应用发展的需求，新兴的技术趋势可能包括以下方面：51.

通信与

AI

融合提升底层空口传输性能研究在未来大规模甚至超大规模

MIMO

场景下，研究基于

AI

的空口侧技术增强，应对由于密集天线阵列所带来的更复杂

CSI

反馈、波束形成和接收机设计等挑战，达成更可靠的空口传输，提升空口性能，并实现在空口侧进行网络的自我监控、自我组织、自我优化、自我修复和自我管理。2.

频谱共享和动态频谱分配技术提升频谱利用率研究频谱是无线通信中有限且稀缺的资源，但目前很多已分配的频谱资源长时间处于闲置状态，利用率低下，严重浪费珍贵的频谱资源。研究基于动态频谱共享协议或者规则，动态分配资源，合理规划并有效利用闲置频谱，提升频谱的整体利用率。3.

基于分布式

AI

技术提升网络侧通信能力研究随着硬件性能的提升，无线终端侧拥有更加强大的计算能力，这为分布式

AI

的实现提供了算力基础。同时广泛分布的终端物联网设备感知与存储为分布式

AI

的实现提供了数据基础。研究基于分布式

AI

的未来

6G

网络，促进

AI

与通信融合，赋能边缘智能，实现网络的智能内生和泛在

AI。4.

基于内生智能的无线网络实现网络智能服务研究支持智能服务（如智能数据感知、按需能力供应等）的无线网络将是IMT

技术设计的基础，通过应用各种人工智能程序增强网络服务的智能化能力。该研究包括按需上行/侧链路为中心、深度边缘和包括联邦学习在内的分布式机器学习。5.

高低频协作组网增强网络覆盖研究未来

6G

网络将采用更高频段（如亚太赫兹、太赫兹等）的信号以获6取更大的传输容量，但其带来了基站覆盖能力显著下降的影响。研究高低频异构组网技术，通过分离用户面和控制面，实现传统基站拆分为广域覆盖的控制基站和可密集部署的数据基站，从而有效提升通信传输水平和网络的可拓展性。6.

基于卫星互联网实现广域泛在连接研究地面网络和非地面网络互通是

6G

目标之一。卫星互联网是非地面网络的重要组成部分，其由一系列通信卫星组成的星座构成，其间以星间链路进行通信，实现数据中转和路由，为用户提供随处可及的通信连接服务，并伴随着卫星硬件性能发展，有望在卫星上提供计算甚至是智能服务。72

6G

多维立体全场景服务下新型绿色无线接入网络架构2.1

设计理念针对上述

6G

RAN

面临的关键需求、挑战及技术趋势，亟需设计

6G网络总体架构指导下的新型

6G

RAN

架构。6G

网络总体架构的核心理念包括“分布式、内生智能、一体至简、空天地泛在接入”。其中，“分布式”是指泛在海量动态连接，解决密度百倍、千万量级基站的灵活动态组织问题；“内生智能”是指网络架构在初始设计即考虑智慧的内生式设计，解决智能外挂式设计无法满足网络自治需求的问题；“一体至简”是指智能化简化、同构化简化、协议一体化简化，解决网络架构设计、组网模式和资源管理上不灵活智能、融合网络之间信息交互复杂、开销大且低效能的问题；“空天地泛在接入”是指多维立体全场景下多种接入域、多种网络域的深度融合，解决固定/移动/卫星/UAV

等多连接类型以及多服务类型的异构泛在接入管控复杂且效率低的问题。围绕上述

6G

网络总体架构的核心理念，针对

6G

无线接入网多维立体全场景深度智慧接入与多网共生绿色融合的科学问题，面向

6G

空天地全场景泛在连接、多维立体按需服务和大动态差异化业务等需求，本白皮书提出了

6G

新型无线接入网架构的两个设计原则，即“绿色无线分布式内生智能设计”和“泛在连接的一体智简设计”，并形成了

6G

多维立体全场景服务下新型绿色无线接入网络架构。“绿色”包含两方面的含义，一是指架构本身在设计之初就做到至简，即协议、流程、组网模式等等的设计简单、灵活、高效，多维融合网络之8间的信息交互的智能化简化；二是指架构支持网络实现节能减排，即通过数字化、智能化、服务化的方式实现弹性、自适应的网络资源智能管理和智慧运维，提升网络利用率，实现网络的绿色低碳。“多维”包含三方面的含义，一是指多维网络，即架构支持异构多网融合、高低频及多制式网络协作组网；二是指多维业务，即架构支持连接业务、算力业务、数据业务、AI

业务等多类型、差异化的用户业务；三是指多维资源，即架构能够对功率、空时频等传统无线通信资源以及存储、数据、算力、算法、模型等多维度新型资源进行智能编排。“立体”主要是指“空天地一体化”，6G

网络的覆盖能力从地面二维向全空间三维覆盖演进，架构支持的组网模式及业务类型包含空地融合和星地融合，可实现广域智慧连接，满足全球泛在无缝接入需求。“全场景服务”主要是指

6G

网络支持全类型场景的全类型服务，即在

5G

eMBB、mMTC、uRLLC

三大典型场景的基础上，架构进一步支持沉浸式通信、超大规模连接、超可靠低时延通信等通信增强扩展场景，空天地泛在连接的覆盖增强新增场景，以及通信感知一体化、通信

AI

一体化等业务扩展新增场景。并且在一切皆服务（X

as

a

Service/Everything

as

aService，XaaS）的趋势下，支持全行业、全生态的通信、计算、数据、存储、AI

等全类型服务。2.2

逻辑功能架构6G

无线接入网从所提供功能和资源的角度，可以分为三层：RAN

资源层、RAN

网络功能层、RAN

服务层。9RAN

资源层：是指在

RAN

内提供资源，通用资源池中包括多层频段的频谱资源、多类型的存储资源、分布式的算力资源以及空天地海的全场景全覆盖接入设施、感知设施、各类型终端等网络资源等等。RAN

网络功能层：是指

6G

RAN

网元逻辑功能架构，可存在

2

种架构设计方式。在功能架构

Option

1

中，通过新型网络智能功能模块（Network

AI

Function，NWAIF）在传统通信面的基础上高效协同计算面、数据面

的网元功

能。在功能

架构

Option

2

中，通

过增强型

控制面（enhanced-Control

Plane，e-CP）和增强型用户面（enhanced-UserPlane，e-UP），在承载传统业务连接控制和数据传输的基础上，进一步承载

AI

业务的连接控制和数据传输，同时与计算面、数据面的网元功能协同处理

AI

业务。在架构层面利用

RAN

资源层提供的各类分布式异构资源，从而提供超越连接的新型

AI

功能，并通过

RAN

服务层为网络用户提供算力、数据、连接、感知、智能等服务。RAN

服务层：是指

RAN

功能开放和服务提供。通过

RAN

功能层所构建的内生集成和融合多维异构资源的协同能力，实现多类型资源和多节点的资源协同和业务服务等级协议（Service

Level

Agreement，SLA）保障，从而进一步丰富

6G

网络的应用场景，如沉浸式通信、超高可靠低时延通信、超大规模连接、泛在连接、通信

AI

一体化、通感一体化等等。10图

1.

6G

无线接入网络功能架构图——Option

1.具体而言，对于功能架构

Option

1，6G

RAN

网络功能层的网元逻辑功能架构中，通信面包含负责传统通信业务连接控制的控制面和负责传统通信业务数据传输的用户面，并与核心网网元功能以及运营商数据网络（Data

Network，DN）进行连接。不同于仅存在通信面的

5G

网络，6G

RAN网络功能层中加入了计算面和数据面的功能。其中，计算面包含算力感知、算力路由、算力调度、优化模型管理、算力管理、计算能力开放等功能；数据面包含数据感知、数据采集、数据存储、数据预处理、数据管理、数据访问授权等功能。另外，6G

RAN

网络功能层中的

NWAIF

包含

AI

业务连接控制、AI

业务数据传输、AI

模型管理、AI

分析与决策、QoAIS

解释器等功能，在

RAN侧高效协同计算面、数据面和通信面的网元功能以支持智能相关功能，可以赋能部署在

RAN

侧的管理编排体、数字孪生体。同时与核心网侧负责智能和数据相关功能的网络数据分析功能（Network

Data

AnalyticsFunction，

NWDAF）相连，共同支持

6G

网络的内生智能。11图

2.

6G

无线接入网络功能架构图——Option

2.对于功能架构

Option

2，6G

RAN

网络功能层的网元逻辑功能架构中，通信面包含增强型控制面和增强型用户面，其中的增强型控制面不仅可以进行传统通信业务的信令承载，还扩展支持

AI

业务的信令承载，实现

AI业务的连接控制；增强型用户面不仅可以进行传统通信业务的数据承载，还扩展支持

AI

业务的数据承载，实现

AI

业务的数据传输。Option

2

的网络功能层中同样加入了计算面和数据面的功能。其中，计算面包含算力感知、算力路由、算力调度、优化模型管理、算力管理、计算能力开放等功能，也包含

Option

1

中原本由

NWAIF

所包含的

AI

分析与决策、AI

模型管理、QoAIS

解释器等功能；数据面包含数据感知、数据采集、数据存储、数据预处理、数据管理、数据访问授权等功能。计算面和数据面直接与核心网侧

NWDAF

相连，通信面中的

AI

业务连接控制和AI

业务数据传输两个网元功能与计算面、数据面的网元功能高效协同，共同处理

AI

业务。122.3

场景部署架构图

3.

6G

绿色无线接入网络架构场景部署图.面向多维度全场景的

6G

绿色无线接入网络架构场景部署图包含三个主要的接入部署场景，分别为高低频协作无线接入部署场景、空天地融合无线接入部署场景和无线内生智能接入部署场景。高低频协作无线接入部署场景中将传统基站解耦为信令基站和数据基站，其中信令基站采用低频信号满足广域覆盖传播的要求，如一般用于广播的

700M

频段；数据基站则采用高频信号实现热点容量的增强，所使用的频段除典型的

Sub-6G

外，还涵盖毫米波、太赫兹、可见光、智能反射面等

6G

可能新引入的超高频段。空天地融合接入部署场景中涵盖地基、天基和空基网络，除传统的地基网络（即传统的通信网络）外，空基网络由无人机平台和高空平台组成，13天基网络涵盖低轨和中高轨的卫星系统，三者立体分层组网，是实现

6G泛在连接愿景的关键解决方案。无线内生智能接入部署场景在经典的集中式云计算场景中补充演进分布式边缘智能学习，混合协同进行智能服务，并为其提供连接、数据、算力和算法的四要素支持。下面将分别展开介绍这三个主要的接入部署场景。（1）高低频协作无线接入部署场景图

4.

高低频协作无线接入部署场景示意图.6G

将是一个低、中、高多频段协同的全频谱接入系统，无线覆盖以10GHz

以下为主，毫米波通信将主要用于超大业务流量区域的热点覆盖、产业互联网、固定无线宽带接入等场景，可见光和太赫兹通信将用于特定场景提供超高速率和感知探测等能力。因此，6G

网络将实现控制信令和业务数据的全面解耦，由低频段控制基站提供广域的统一信令的播发，由高容量、按需开启的高频段数据基站提供数据和少量必要的信令的传输，以数据基站和控制基站间协作优化资源调度为思路提供按需服务。区别于传统网络架构，6G

高低频协作无线接入架构下，信令广域覆盖14打破以服务基站为中心的静态设计理念，将基站紧耦合的信令与数据功能进一步分离，由低频信令站点（10

GHz

以下为主）提供广域的统一信令覆盖，负责无线资源控制（Radio

Resource

Control，

RRC）消息、物理层信令等控制信令的播发，保证可靠的连接与移动；高频数据站点（如毫米波、可见光等）按需开启提供高速数据传输，感知探测等能力，从而大幅提升网络整体能量效率，从组网角度创建一套可提供广域覆盖和按需服务的先进网络。在高低频协作组网场景中，区域内控制基站广域覆盖，数据基站密集部署。6G

RAN

网络功能层可分为通信面、计算面和数据面。数据基站具备常规的通信数据服务功能。控制基站不仅可以支持小区选择、移动性管理等常规控制业务，还可通过计算面、数据面以及

NWAIF

的功能，完成全生命周期的

AI/ML

相关任务。目前已有的关键技术方案也基本围绕这个理念，例如高频数据基站动态开关智能控制这一关键技术问题，引入基于用户的移动性预测，在数据基站侧通过数据面功能完成用户轨迹数据收集、存储与预处理，以及用户移动性预测模型的本地训练，通过在控制基站侧执行模型参数聚合，利用

NWAIF

进行用户移动性预测模型的推理与决策，为数据基站配置小区激活相关的触发条件等，实现可以按需启闭的数据小区激活机制，保证网络能耗的降低。对于低频覆盖小区，通过重新设计信令流程，基于区域进行系统信息的广播，避免用户设备（User

Equipment，UE）对于系统信息的重复接收，同时保证系统信息的可重用性，减少不必要的控制信令开销，充分考虑多元化服务的引入，奠定可按需开启且具备智能性和灵活性的网络架构基础。15（2）空天地融合无线接入部署场景图

5.

空天地融合无线接入部署场景示意图.由于地理环境的限制，现有移动通信网络仅仅覆盖了地球表面陆地约20%的区域，广阔的海洋和空域没有网络覆盖；又由于经济成本因素的影响，偏远山区、高原、边境等人烟稀少地区无线覆盖能力较弱，仅靠地面的互联网、移动通信网络等传统网络难以满足人们日益增长的空天地海全域覆盖需求。因此

6G

网络的覆盖能力将从地面二维向全空间三维覆盖演进，空天地融合的通信系统将成为

6G

的一种重要部署场景，被

ITU

列为下一代网络七大关键需求之一，本白皮书将从物理架构与逻辑功能架构方面设计面向

6G

的空天地融合的无线接入网络部署方案，通过统一的空口技术、统一的网络架构和统一的智能管控实现广域智慧连接和全球泛在无缝接入需求。在物理架构上，空天地融合一体架构将是以地面网络为依托、以天基网络和空基网络为拓展的立体分层、融合协作的网络，为广域空间范围内16的各种网络应用提供泛在、智能、协同、高效的信息保障的基础设施。其中地基网络主要由地面互联网、移动通信网组成，负责业务密集区域的网络服务；空基网络由高空通信平台、无人机自组网络等组成，具有覆盖较强、使能边缘服务和灵活网络重构等作用；天基网络由各种卫星系统构成天基骨干网和天基接入网，实现全球覆盖、泛在连接、宽带接入等功能。在逻辑架构上，空天地融合无线接入网络将支持上述

6G

无线接入网络逻辑功能。具体来说，接入网由各层非地面网络节点和地面蜂窝接入节点组成，形成覆盖全球的无线接入网络，异构的节点将在逻辑功能上分为RAN

资源层、RAN

网络功能层和

RAN

服务层。空天地融合的

RAN

服务层主要是指在广域范围内能够为用户以及用户设备提供的网络服务，包括传统的通信连接业务以及新兴的感知、智能计算等服务。空天地融合的RAN

资源层主要通过资源虚拟化的技术将节点间的异构网算资源抽象成为资源池，以供不同服务和功能进行统一调度，应对处于高时空动态条件下空中节点资源分布高动态且不均匀导致资源利用率低的问题。RAN

网络功能层中的计算面、数据面以及通信面可以由不同类型的节点承担。算力充足的节点可以组成计算面，承担智能业务中计算能力开放、算力管理等功能；存储空间大的节点可以承担数据面的功能，执行数据采集、数据预处理、数据存储等功能；超低轨道卫星节点或无人机节点等可以组成通信面承担传统的通信连接业务。同时在多层异构的节点中将部署大量的专用NWAIF

网元节点，以对执行计算面、数据面、通信面功能的节点进行数据互通、功能合作，支持空天地融合网络由

5G

的覆盖融合和业务融合逐渐向用户融合、体制融合以及系统融合发展。17（3）无线内生智能接入部署场景6G

无线内生智能将包含集中式和分布式两种智能学习范式，混合协同，是一种自适应分层分簇的学习逻辑架构。其将在

6G

网络架构内部提供数据采集、数据预处理、模型训练、模型推理、模型评估等

AI

工作流全生命周期的完整运行环境，将

AI

服务所需的算力、数据、算法、连接与网络功能、协议和流程进行深度融合设计。图

6.

无线内生智能接入部署场景示意图.无线内生智能接入子架构采用集中/分布式协同式模型训练的混合逻辑架构，使能

6G

无线接入内生智能。通过对

AI

业务特征进行分析识别，实现数据获取、模型训练、模型监测及模型部署等功能，通过服务功能链和所需微服务构建微服务功能链，根据

AI

用例对多维资源与服务体验的要求，将业务所涉及的微服务部署到合适节点上以提供

AI

服务。对于无需多节点/多域协同的

AI

用例，可以采用集中式的方式进行部署。RAN

以及UE

作为集中式

AI

节点，负责本地可完成的

AI

服务。其中，对于实时性18要求高、算力要求低、数据覆盖范围小的服务，可直接由

RAN

甚至

UE提供

AI

服务；而对于实时性要求低、算力要求高、数据覆盖范围大的用例，无线网络侧将配合由核心网提供服务。对于需要多节点/多域协同的

AI

服务，如智能小区切换，则需要使用分布式

AI

的方式提供服务。对于分布式

AI

实现架构，从网络架构的角度可分为中央-本地协同和完全去心化两种方式。目前最常用的联邦学习属于中央-本地协同方式，群体学习是完全去中心化的方式，而迁移学习与元学习则主要通过模型参数在多节点间的共享来辅助学习，可能需要中心节点的协调。还可利用云原生容器框架、大数据计算引擎、分布式计算和机器学习框架等，通过内置数据管理、模型开发、微服务部署等功能模块，加快内生

AI

服务的开发与部署；通过

API

开放接口，对外提供

AI

服务。该平台统一调度网络、计算和存储资源，并用微服务的方式来实现

AI

服务的各个功能模块，使

AI

服务轻量、灵活、可扩展且易于部署和管理，最后通过自动化管理工具来实现对

AI

服务的自动化部署和管理。上述场景部署架构分别侧重于实现控制信令和业务数据全面解耦、空天地融合接入以及对网络智能业务的内生支持，并作为一个整体支持完整的网元逻辑功能架构，通过部署

RAN

网络功能层实现对

RAN

资源层无线资源的智能管理，进而支持

RAN

服务层的功能开放和服务提供。由于

6G网络的多元化应用场景，需要不同的部署场景之间交集协同，因此三个部署场景之间共存互利，协调合作。以

IMT-2030

中沉浸式通信的全息通信应用举例，需要以时间同步方19式支持视频、音频和其他环境数据的混合流量传输，就要求采用无线内生智能部署场景中多模态数据感知与处理技术，并以高低频协作接入部署场景中高频数据基站提升传输容量，甚至可以以空天地融合接入场景中卫星网络辅助，达到更高可靠的传输。在

IMT-2030

大规模通信的智慧农业用例中，大规模物联网设备可以考虑以空天地融合接入场景中无人机组网技术实现广域连接，并采用无线内生智能部署场景中分布式学习的新范式实现智能管理。又例如在流量大容量需求的体育馆赛事直播场景，除了采用高低频协作接入部署场景中数据基站提升信息容量外，还可以用天基网络中无人机组网辅助通信，从多维度上满足特定场景下的通信要求。再者如要求高可靠通信的车辆自动驾驶场景，除了以无线内生智能部署中

AI

服务技术来保证模型性能外，额外引入无人机组网连接可以进一步保证通信连接的稳定与可靠性，达成自动驾驶的愿景。2.4

架构特征——绿色、多维、立体和全场景服务本白皮书提出的

6G

新型

RAN

架构设计关键特征包括“绿色”、“多维”、“立体”和“全场景服务”。针对“绿色”，面向

6G

RAN

架构设计至简、灵活、高效、节能的需求，本白皮书提出了信令广域覆盖架构设计，能够有效降低整网信令开销、小区管理复杂度和网络能耗；提出了高效准确的小区选择机制，避免不必要的小区重选同时降低信令开销，能够有效提高用户接入服务的可靠性和质量，构建信令流程高效、网络部署能耗低的绿色网络架构；提出了高低20频组网架构下的灵活接入机制，减少接入流程中的资源浪费，实现网络的绿色低碳；设计了基于联邦学习（Federated

Learning，FL）的绿色无线分布式网络架构，能够以较小的学习精度损失为代价，获得理想的整体网络能耗降低；提出了边缘计算网络低能耗网络关联技术，能够显著降低物联网设备的时间平均能耗。针对“多维”，面向

6G

RAN

中的多维网络、多维业务和多维资源，本白皮书设计了分层聚合和异构选择的

FL

智能部署框架，在保证模型性能的同时减少时延和降低能耗，实现

FL

在无线网络中更为高效的部署，可以有效解决多维异构性带来的不利影响；提出了基于用户行为预测的动态切片资源管理技术，运行中的网络切片需要有实时感知预测并主动响应用户需求的能力，实现

RAN

切片资源的实时、动态管理，及时满足用户差异化的

QoS

需求；设计了动态智能

RAN

切片配置方案以最大限度地提高频谱利用率，既可以适用于动态场景，又可以避免频繁的切片重配置，能够较好实现不同的粒度下

RAN

切片的动态重配置。针对“立体”，面向

6G

RAN

空天地一体化的趋势，本白皮书给出了基于随机几何理论的三维立体异构网络的性能分析，对于由地面基站和空中基站组成的三维立体网络，揭示了网络参数对于平均速率的影响；设计了星上高效轻量的批量接入流程和解决方案，针对基站部署情况及业务密集程度，使用不同的汇聚节点及批量处理时间，能够在最大化全局

QoS的同时最大化卫星资源利用率；提出了

LEO

卫星网络合作计算卸载技术，通过联合考虑移动用户、LEO

卫星和云服务器之间的合作，有效降低了任务处理的延迟和能耗；提出了无人机/卫星通信与计算资源统一管理技术，21通过优化卸载决策以及资源分配，能够在保证总时延的同时有效降低能耗。针对“全场景服务”，面向

6G

RAN

支持全类型场景全类型服务的需求，本白皮书提出了面向分布式移动群智感知的通感算联合优化技术，通过从数据感知、数据传输和数据计算三个角度进行建模仿真，为感知-计算-传输策略与资源消耗之间的折衷关系提供理论指导，并且还可扩展到其他相关场景，如多个

MCS

系统合作、通感算联合优化框架下资源管理等；提出主动式网络低时延无线接入技术，能在保障开环传输结构最小化时延的情况下，使传输可靠性保持在

95%以上，满足了未来无线网络超低时延高可靠场景的需求。后面将重点介绍

6G

多维立体全场景服务下新型绿色无线接入网络架构的关键使能技术。RAN

架构与关键使能技术之间的关系如下图所示。图

7.

RAN

架构与关键使能技术之间关系图.223

使能技术——6G

多网共生融合技术未来

6G

网络将是移动通信网络、卫星网络、物联网等多网异构互联、多场景并存，且万物互联的需求各异、能力各异。在

6G

多维立体全场景服务下新型绿色无线接入网络架构下，将打破当前多种无线接入制式异构共存、垂直独立的现状，通过

6G

多网共生融合技术实现

RAN

的集中/分布式混合、横向多层、纵向多面、跨域协作、分级部署、统一接入，具备异构分层、高低频协作、空天地融合统一接入等典型特征，从而支撑多维立体全场景泛在接入和高效组网。3.1

UCN

异构接入技术随着网络的更新换代，不同制式的网络中异构设备的共存成为了亟需处理的问题，为了提升网络容量和用户体验，4G、5G

的异构接入技术得到了飞速发展。3GPP

Release12

提出了双连接技术，开始是为了让宏站和微站实现载波聚合，进入

5G

时代之后，双连接技术被用作

LTE

和

NR的非独立组网中，并演变成了多连接技术，为了尽可能提高数据流量以及服务多种不同应用场景，多连接技术进一步演变成了宏微分层的网络架构下超密集异构组网的技术。但是现有异构接入技术仍然存在诸多不足：例如，现有的异构接入技术不能很好地满足

6G

用户对高速、低延迟、大带宽的需求，存在资源浪费和分配不均的问题，此外，当用户从一个网络环境移动到另一个环境时，需要进行网络切换。此时可能会出现连接中断、延迟升高等问题。在

6G网络中，用户数量将大幅增加，并且用户对网络性能和服务质量的要求会23变得更加苛刻，现有的异构接入技术并不能完全满足

6G

网络的要求，因此需要更加灵活、智能、可靠的网络架构和技术手段。用户中心网络（User-Centric

Networks，

UCN）作为一种以用户为中心的全新网络架构，可以通过深度学习和人工智能等技术手段实现更加灵活、智能、可靠的网络服务。可以更好地满足

6G

对于高速、低延迟、大带宽和安全连接的要求，提高用户体验和网络性能，降低运营成本。用户中心网络以用户终端为中心提供服务，各种业务围绕用户个性化/定制化提供，满足用户的动态需求。以用户为中心的网络模式可以很大程度上提高用户主观体验（QoE），并且节约基站的时频资源。主动式接入技术可看作是实现

UCN

异构接入的一类关键技术，主动式接入网络中采用开环

one-shot

传输模式，丢弃了调度请求、上行授权和HARQ

反馈/重传等闭环控制机制从而避免大量控制信令交互，极致化压缩通信延迟至

1

个

TTI

时间（mini-slot

模式下可达微秒级）；并通过同时关联多个接入点（Access

Point，AP）进行多径传输，利用空间分集增益保障网络可靠性。图

8.

主动式网络的基础架构.24与目前广泛部署的各类网络相比，该架构下用户所有的决策行为具备完全的“主动性”。在动态网络环境中，用户自主接入选择无线资源块传输数据。然而，由于缺乏信道先验知识，近乎于盲选无线信道进行数据发送会引发数据包丢失或者解码失败导致网络可靠性急剧下降。针对上述问题，提出一种基于深度神经网络与强化学习结合辅助主动式网络的方案，该方案可将用户主动接入的传输可靠性达到

86.2%，进一步引入路径排列码等空时编码预处理技术提升纠错和差错控制能力，网络在不增加额外时延开销时传输可靠性可实现

99.999%的目标。另一种支持

UCN

异构接入技术的方案是边缘计算网络低能耗网络关联研究，本白皮书针对物联网移动设备的低能耗需求，以多边缘服务器网络为支撑，提出移动边缘计算低能耗网络接入策略。考虑边缘服务器与设备间信道质量、计算能力和连接容量存在时空动态差异，建立了系统模型并构建混合整数规划优化问题，设计单时隙在线优化算法方案将原始问题转化为单时隙确定性优化问题，基于最小费用最大流的方法实现了单时隙网络关联与资源分配。进一步将单时隙在线学习方法扩展为两时间尺度的网络关联与资源分配在线优化方法，实现了渐近最优能耗性能。该方案兼顾多边缘服务器、网络时空动态性以及设备公平性三方面因素，将两时间尺度优化策略与等分配策略、基于优先级的分配策略和单时隙优化策略进行仿真对比，来验证提出的两时间尺度的低能耗网络关联与资源分配算法的有效性。该方案提出了基于李雅普诺夫优化和双时间尺度网络关联与任务卸载方法，该方法能够显著降低物联网设备的时间平均能耗，同时保证设备间任务卸载的公平性。253.2

高低频协作接入技术围绕信令广域覆盖架构设计，进一步降低整网信令开销、小区管理复杂度和网络能耗，可以从三个方向展开，即以低频覆盖高频小区按需开启作为实现广域覆盖的基础，以适度分离紧密耦合的控制面和用户面功能作为柔性覆盖的核心，以基站和小区间协作优化资源调度为思路提供按需服务。该设计有效简化小区管理流程，降低整网功耗。目前已有的关键技术方案也基本围绕这些理念，但仍然存在一些问题亟待解决，包括：高频数据基站动态开关智能控制策略、高低频小区选择/重选智能控制机制、高低频协作组网随机竞争接入策略、高低频协作组网干扰管理机制、高低频协同的信令广域覆盖机制、控制基站/数据基站之间的握手机制等问题。对于低频覆盖小区，为避免系统信息冗余播发，可以基于区域进行系统信息的广播，避免

UE

对于系统信息的重复接收，同时保证系统信息的可重用性，降低

UE

功耗。图

9.

基于区域的系统信息广播机制.小区选择是保证用户接入服务的重要环节。准确高效的小区选择策略26可以有效提高用户服务质量。然而，在高低频混合组网架构下，由于数据基站的瞬时关断，可能导致用户驻留小区失败。因此，针对广覆盖控制小区，突破传统重选机制中仅计算一个

RSRP

和

RSRQ

值的局限，引入小区内频率优先级概念。本白皮书提出了基于深度强化学习（

DeepReinforcement

Learning，DRL）的小区选择智能控制策略。该策略采取了用户侧小区选择决策权上交控制基站的方式，数据基站只有在获得控制基站业务信令后才会开启用户驻留服务，避免全天候下发参考信号。该方案能够实现高效准确的小区选择，避免不必要的小区重选同时降低小区添加/删除/激活、测量等的信令开销，并且有效地提高了用户接入服务的可靠性和质量，构建信令流程高效、网络部署能耗低的绿色网络架构。图

10.

多频带服务小区示意图.高频数据基站的动态开关是高低频协作组网中非常关键的一种节能方案，然而，现有的基站控制方法难以灵活控制基站的启闭。通过引入基于用户的移动性预测，再根据用户个体流量需求，在小尺度上对流量预测进行修正，可以实现基于双尺度流量预测的基站动态开关智能控制方法。一方面通过大尺度流量预测保证预测的全局性和平稳性，另一方面结合用户移动位置预测，得到小尺度流量需求，提高预测准确性，进而动态控制数据基站的开关。该方案实现了高频数据基站的自适应启闭，在提升网络智能管理和智慧运维能力的同时大大降低网络能耗，实现网络的运行节能化、27绿色化。图

11.

双尺度流量预测的基站动态开关智能控制示意图.高低频基站解耦的机制便于密集部署的数据基站在一定条件下关闭或进入低功耗模式，降低网络能耗。但是基站的开启/关闭和无线网络的干扰之间存在耦合关系，因此基站启闭时，新的用户连接关系、干扰情况的变化使环境过渡到一个新的状态。通过引入基于智能模块的高低频协作组网干扰协调机制，在未有数据基站启闭的情况下，每个数据基站上部署的智能干扰协调模型，可以执行干扰协调决策。该方案保证了高低频网络架构下用户服务的可靠性与连续性，通过提升干扰协调性能进而提升网络整体性能，同时实现了高频数据基站与低频控制基站之间信息交互的智能化与简化。综上，6G

设计全新的高低频小区协作技术，可通过信令的优化构建分布式控制面系统，减少不必要的控制信令设计和资源开销，同时在用户面设计方案中充分考虑多元化服务的引入，为提升用户面按需开启、智能性、灵活性奠定基础。283.3

空天地融合无线接入技术空天地融合无线接入是本白皮书所提新型无线接入网络架构的重要部署场景，承载着

6G

对全域范围实现无缝覆盖的需求。空天地融合无线接入的实现需要地面网络、空中节点网络以及卫星网络共生融合技术的支持，本白皮书针对各层网络具备的特点以及异构网络共生融合技术实现过程中存在的问题展开介绍。相比于传统的网络节点，UAV、高空平台（High

Altitude

Platform

，HAP）具有灵活部署、造价低、使用方便等优势，可以作为空中可靠的访问和中继节点。然而与地面网络节点相比，空中基站的工作环境更加恶劣，且由于载荷、能源有限，其自身的功能也受到限制，这将对整体的空地网络系统部署带来挑战。首先，由于空中基站本身能源有限，并且一般工作在信道环境较差的区域，如何保证空中基站与地面基站能够建立长时间稳定的连接是一个需要解决的关键问题。其次，由于空地通信系统本身具有三维立体特性，相比于传统地面网络的二维结构在网络的性能分析上需要考虑更多的因素。因此，如何完成对空地通信系统中立体组网的性能分析也是需要解决的问题。另一方面，卫星网络具有多层立体、终端多样化、空间节点高度动态、空间节点资源受限、拓扑结构时变、卫星链路传播时延高、卫星广播传输链路易受攻击等特点，在传输效率、干扰管理、移动性管理、以及安全和隐私等方面都面临巨大的挑战。29图

12.

空地融合网络系统模型图.为了解决上述问题，本白皮书提出了一些可供参考的解决方案。如，传统网络性能分析结主要是针对二维网络，难以适用多维立体的空地融合网络，本白皮书基于随机几何理论开展了无人机和地面基站组成的三维立体异构网络的性能分析，分析了基于

MISR

增益方法逼近典型

TUE

和

UUE平均速率的准确性，揭示了网络参数对于平均速率的影响。图

13.

星地协同接入系统模型.为了实现星地无缝接入应对全域覆盖需求，卫星通信需要与地面通信融合发展，然而传统接入算法并不适用于星地融合网络。本白皮书设计了一种星上高效轻量的批量接入流程和解决方案，最大化全局

QoS

的同时30最大化卫星资源利用率。与基准相比，新指标在频谱效率和全局

QoS

之间取得了更好的平衡。通过地面蜂窝和卫星的协同和互补，可实现对城区热点大规模接入的轻量高效接入控制。在不额外增加设备，尽量不改变现网结构前提下，提供可靠、低时延的用户接入体验。3.4

多维接入网络资源智能编排6G

网络在支持日益繁杂的业务时，面临着资源稀缺且异构、无线环境动态时变、用户需求随机多样、QoS

要求更严苛动态等挑战。现有的无线资源管理方案缺乏对用户需求和时变环境的智能深度感知，不够动态、灵活，被动且存在大量的资源浪费。本白皮书开展面向深度智慧、泛在连接的无线资源智能管理研究。网络通常可以通过大数据分析、预测技术获取下一时刻业务的流量水平及负载分布，以高效保证用户的业务体验。随着可用历史数据体量的不断增长，计算能力的不断提升，基于

AI

的预测比传统基于统计学的方法具有更优越的性能。基于流量预测结果，网络在调度开始前，综合考虑业务类型和用户的优先级来为业务动态配置多维资源。为了提高资源利用率，需要缩小资源预留粒度，使得更多的未使用资源被空出，从而能满足更多业务的资源请求。在资源管理和调度环节中，网络可以根据用户行为对预留资源进一步配置，以最大化吞吐量、收益或降低时延、丢包率等。为了实现

RAN

切片资源的实时、动态管理，及时满足用户差异化的QoS

需求，运行中的网络切片需要有实时感知预测并主动响应用户需求的能力。基于此，本白皮书开展基于用户行为预测的动态切片资源管理的研31究。考虑一个双层异构网络（Heterogeneous

Network，HetNet）的场景，如下图所示。宏基站（Macro

Base

Station，MBS）作为中心控制单元，根据用户行为的预测结果，做出

RAN

切片接入选择和资源调度方案的集中决策，并向微基站（Small

Base

Station，SBS）下发控制信令。其中，接入选择策略包括用户对接入点

SBS

和切片的选择，资源分配考虑的是SBS

上带宽资源切分。图

14.

HetNet

场景下的

RAN

切片.在实际场景中，由于网络切片之间相互隔离，用户数据在地理上分散，且为了规避用户数据隐私问题，减小集中式训练带来的通信开销和时延，该方案使用联邦学习机制对用户行为预测模型进行分布式训练。该方案使用联邦学习机制对用户行为预测模型进行分布式训练。假设用户的行为特征数据（例如流量使用习惯、移动轨迹等）存储在用户本地，每个

UE

上训练本地长短期记忆（Long

Short

Term

Memory，LSTM）预测模型，对用户行为进行局部预测。相比与上传所有数据的集中式预测方法，此方案可有效减少用户上传信息，在一定程度上保护用户隐私和减小通信开销。基于上述研究方案，对基于

FL

的切片用户流量预测进行了仿真分析，结果显示在切片间相互隔离、用户数据地理上分散的场景下，基32于

FL

的用户行为预测可以减小通信开销，优化整体的预测性能，实现对用户需求的精准把控，进而指导切片资源的实时调度决策。另一方面，随着智能移动终端设备的大量普及和嵌入式传感技术的迅速发展，移动群智感知（Mobile

Crowd

Sensing

,

MCS），引起了工业界和学术界的广泛关注。相比于传统感知模式，MCS

具有感知范围广、感知数据种类多、部署成本低、可扩展性高等优势。但是在无线边缘网络中，由于有限的通信资源和不稳定的无线信道，MCS

部署于无线边缘网络时面临新挑战。基于此，本白皮书所提方案在多维网络资源限制条件下，联合考虑感知任务实施过程中涉及的感知、通信与计算策略，从而最优化MCS

系统的性能。该方案所提出的通感算联合优化算法优于现有的其他算法。研究结果为感知-计算-传输策略与资源消耗之间的折衷关系提供理论指导，并且还可扩展到其他相关场景。334

使能技术——6G

无线接入内生智能技术为满足

6G

多样化

AI

服务需求，本白皮书认为

6G

分布式协同智能架构将会是集中/分布式协同式模型训练的混合逻辑架构，是基于自适应分层分簇的学习逻辑架构。该架构能够根据接入网络拓扑、信道状态、业务需求、网络状态信息、资源状况以及智能任务分布等，自适应确定最优的模型聚合分层逻辑结构、协同集群等，并且能够以合理的通信、算力及数据资源开销，得到高精度的

AI

模型，用于

RAN

预测、推理和决策，使接入网络实现内生智能。4.1

无线分布式协同智能框架在分布式协同学习中，智能体通过分享轻数量级的经验合作建立共识，不仅可以维护全局共享学习模型以解决大规模机器学习问题，还能保护用户隐私与数据安全。然而，分布式协同学习在实现网络智能方面仍然面临许多挑战，尤其是部署在无线网络中时。一方面，智能体在传输交互内容的时候，消耗的传输资源会相当大。即使传输的是轻量级模型，当参与训练的用户设备数量足够多或者局部模型的规模足够大时，传输过程中产生的无线资源成本高达几十亿字节（Gb）。另一方面，无线网络中链路不稳定、无线信道损伤、无线资源限制、智能体计算资源异构等因素会影响模型传输效率和模型学习效率，产生落后者效应，从而影响模型学习性能。因此，需从通信资源、无线信道质量、计算资源、数据量、模型学习性能等不同维度考虑无线网络与分布式协同学习之间的相互制约关系，构建无线网络中的分布式学习理论分析模型，实现分布式协同学习与无线网络的34深度融合。在分布式学习使能的无线网络中，智能体通常希望可以根据其底层系统资源约束，执行适当数量的本地计算和数据传输工作。比如，计算资源较少的智能体可以训练较小规模的模型，而无线资源较少的智能体可以传输较小规模的模型。此外，许多公司、运营商、研究机构等均希望在不共享学习模型细节和本地数据的情况下探求不同任务之间的协作。因此，智能体也需根据自身网络环境的实时变化执行个性化学习，以减轻甚至消除网络资源异构、系统异构、任务异构等带来的负面影响。传统的集中式智能计算架构已经不能满足低延迟高可靠的通信和计算要求，难以高效支撑未来

6G

网络泛在智能的需求，因此需要引入分布式智能计算架构以充分利用用户终端和节点所持有的多维数据以及各自的计算资源。同时，在无线接入网络架构的研究中需要重点关注引入了分布式智能架构之后

6G

无线接入网中的能耗问题。图

15.

6G

网络多层次

FL

节点部署示意图.35通过对引入分布式智能计算的

6G

无线接入网络能耗问题进行建模分析和方案的仿真验证，可以通过结合联邦学习与多层网络拓扑进行

6G

网络多层次

FL

节点部署设计，利用与设备更近的辅助接入节点进行分层异构联邦学习，通过减少高层次聚合的通信频次，降低系统的整体能耗。还可以通过双向

FL

节点接入选择策略，以及引入异构节点动态带宽补偿机制，抑制异构设备和信道状态恶化等因素的影响，有效地减少

FL

总通信时间，从而降低系统的通信能耗。另外，还可以使用

AI

领域模型训练中的一些方法如模型量化、梯度稀疏化等模型压缩的方法，降低每轮聚合的通信负载，从而有效降低系统总能耗。从上述研究中可以得出以下结论：无线分布式网络架构可通过以上三个角度进行绿色设计，以较小的学习精度损失为代价，获得理想的整体能耗降低。对于不同的网络场景和服务需求，可以在这三个角度中使用不同的方案或方案组合，以合理的学习精度成本实现最低的能耗。另一方面，无线分布式协同智能框架下需要考虑数据的分布特征以及智能功能的实时性要求，这亟需对人工智能技术存储与管理、数据和参数传输、智能接口增强等智能功能组件的垂直/水平分层部署进行新的设计。本白皮书提出结合分层分布式智能架构，进行智能功能组件的垂直/水平分层部署设计，构建面向

6G

网络的分层智能通信网络架构，并进行基站内生智能的详细设计和

AI

工作流程，以实现高效的网络管理功能和用户业务优化增强。36图

16.

智能功能组件垂直/水平分层部署示意图.基于如上图所示的分布式分层智能通信网络部署设计，可以支持新型智能网络架构的灵活设计。在垂直方向上，网络可以根据不同业务差异化的需求按需编排智能功能组件，灵活利用不同网络层次的智能功能，极致优化通信计算性能。在水平方向上，可以灵活快速地编排和使用智能功能组件，在网络的各层级均可组成分布式协同的控制管理体系。通过联邦学习、元学习等分布式智能框架，实现水平层面上各个节点之间的分布式智能交互与协同。该设计一方面可以通过靠近数据源，避免数据传输产生的能耗问题以及时延问题，另一方面能够更加有效地协同各个节点的通信和计算能力，高效利用人工智能技术来优化网络效能。374.2

有中心模型聚合协同接入技术传统的树状分布式协同框架为两层体系架构，由表示聚合中心或智能体的树节点和表示智能体的树叶节点组成。这种体系架构经由智能体本地训练及中心服务器聚合的连续过程，能有效降低网络负担并保护用户隐私。但伴随着

6G

网络中新兴业务的极致化质量保障要求，以及无线网络本身资源异构受限、环境动态变化等因素，这种固定模式的树状分布式学习框架将可能不再适用于未来通信中。因此，需在这样复杂的无线环境下，建立分布式协同的自适应分层分簇体系架构，其将有能力根据网络资源、分布式学习任务需求、服务质量要求等构建高效的分层分簇网络拓扑，并采用同步或异步方式执行分层聚合方法进行训练，为

6G

网络提供高效弹性的逻辑学习架构，同时保证模型学习性能和相对应的服务质量需求。基于这样的分布式协同学习框架下，进一步考虑无线信道质量、无线资源限制等对于模型传输的影响，同时在保证模型精度的条件下减少通信开销，提升能效比，为异构协同学习模型开发一种高效智能的通信方案。伴随着

ICDT

在

6G

无线网络中的深度融合，RAN

的异构性也往更为多元化的维度发展，从单一的通信维度扩展为计算、通信、数据、感知等多个维度。当传统的

FL

直接部署在多维动态异构的无线网络中，极有可能出现学习性能降低、收敛变慢、低能效等问题。当前仍缺乏将

FL

应用于实际异构无线网络中的有效解决方案，亟需研究新型的无线分布式智能部署策略。38图

17.

异构用户节点

FL

参与示意图.通过引入在多维异构的6G无线网络中

FL

部署模型的时间和能耗分析，设计一种针对异构用户节点的

FL

参与机制，一方面采用时间容忍度（即允许的最大

FL

本地完成时间）以约束不同设备间的时间差异，另一方面定义学习有效性（即

FL

本地模型性能的评估指标）保证聚合模型的精度。上述研究实现了

FL

在无线网络中更为高效的部署，有望作为解决多维异构性带来的不利影响的方案。4.3

全分布式模型聚合协同接入技术在大数据时代，采用把原始数据上传到数据中心进行处理的传统方式将不再适用于拥有海量数据的网络边缘，网络将倾向于发展无线节点的全分布式协同技术。然而由于节点位置变化和无线信道的时变特性导致的动态性，以及节点和网络所能提供的资源的分布不均匀和多维异构性，使得在无线网络中实现分布式协同往往是低效的，难以挖掘其中的隐含关系。基于联邦学习的无线接入网高效自协同问题，本质上为贯序决策问题。因此，将其建模为马尔科夫博弈过程，基于智能体强化学习设计分布式节点的自适应协作策略，优化奖励函数的平均场表征机制，并采用双层神经39网络解耦动作空间的选择和评估，使之可以支持节点间的灵活通信和本地训练，提高协同学习效率。图