2025年11.0H-全解耦无线接入网络架构（FD-RAN）白皮书-未来移动通信论坛

本白皮书介绍了一种6G新型网络架构——全解耦无线接入网（FD-RAN）。FD-RAN的核心是将传统基站物理解耦为控制基站、上行数据基站、下行数据基站，以实现灵活和智能的多基站资源协作，从而更好的满足6G用户的个性化服务需求。在FD-RAN新型网络架构的基础上，本白皮书进一步介绍了FD-RAN中的关键技术，包括基于生成式AI的物理层无反馈传输、MAC层多维资源灵活调度和多连接移动性管理等，并从多个角度探讨了FD-RAN网络的部署问题。最后，本白皮书总结了FD-RAN的技术挑战，并展望了在通感一体、边缘AI大模型推理、低空等领域的潜在应用。AbstractThiswhitepaperintroducesanovel6Gnetworkarchitecture—FullyDecoupledRadioAccessNetwork(FD-RAN).ThecoreconceptofFD-RANistodecoupletraditionalbasestationsintocontrolbasestations,uplinkdatabasestations,anddownlinkdatabasestations,enablingflexibleandintelligentmulti-base-stationresourcecoordinationtobettermeetthepersonalizedservicedemandsof6Gusers.BuildingupontheFD-RANarchitecture,thiswhitepaperfurtherpresentskeytechnologieswithinFD-RAN,includinggenerativeAI-basedfeedback-freetransmissionatthephysicallayer,flexiblemulti-dimensionalresourceschedulingattheMAClayer,andmulti-connectivitymobilitymanagement.Additionally,itexploresFD-RANdeploymentissuesfrommultipleperspectives.Finally,thiswhitepapersummarizesthetechnicalchallengesofFD-RANandenvisionsitspotentialapplicationsinintegratedsensingandcommunication(ISAC),edge-basedlargeAImodelinference,andlow-altitudecommunications.1全解耦无线接入网络需求与发展趋势 11.1传统无线接入网范式与挑战 1.2新型无线接入网发展趋势 21.3全解耦无线接入网络的架构设计需求 31.4相关组织与标准进展 42全解耦无线接入网络架构与特性 72.1全解耦无线接入网络架构 72.2全解耦无线接入网络特性和目标 83全解耦无线接入网络物理层传输 103.1现有物理层传输的问题 3.2全解耦无线接入网络物理层传输的挑战与应用场景 103.3全解耦接入网络基于生成式AI的信道特征学习 3.4全解耦接入网络无信道反馈的物理层传输 153.5全解耦接入网络无信道反馈的多点协作传输 173.6全解耦接入网络感知增强的无反馈物理层传输 193.7全解耦接入网络基于信道孪生的无反馈物理层传输 204全解耦无线接入网络资源管理 224.1全解耦无线接入网络资源调度目标 224.2全解耦无线接入网络全维资源灵活调度 234.3全解耦无线接入网络典型灵活资源调度方法 244.4全解耦无线接入网络灵活多连接移动性管理方法 274.5基于网络孪生的资源聚合与动态定价 295全解耦无线接入网络部署 325.1全解耦无线接入网络部署目标 325.2全解耦无线接入网络典型低成本部署方法 325.3全解耦无线接入网络的非独立部署 355.4全解耦无线接入网络的云原生O-RAN部署 355.5全解耦无线接入网络原型系统与验证 376全解耦无线接入网络的挑战与展望 396.1技术挑战 396.1.1差错控制机制 396.1.2大规模低延时的控制信令 406.1.3基于网络孪生的个性化服务 406.1.4用户终端和基站的能耗 416.2应用展望 416.2.1FD-RAN与ISAC 426.2.2FD-RAN与SAGIN 436.2.3FD-RAN与移动AIGC 436.2.4FD-RAN与低空智联网 44名词缩略语 45参考文献 48 50移动通信网络由无线接入网（RadioAccessNetwork,RAN）和核心网（CoreNetwork,CN）构成。其中，无线接入网包括终端、基站以及二者之间的无线连接。移动通信网络从2G发展至今天的5G/5G-Advanced（5G-A），尽管物理层经历了OFDM、MIMO、LDPC/Polar码等重大技术升级[1][2][3]，但无线接入网的架构和设计始终遵循了最初的范式，而这些范式在应对新的需求时，不可避免的面临一些根本性的挑战：l单基站服务范式：指的是用户在网络中只与一个基站相连且由该基站提供服务。相应的产生了服务小区的概念，即一个基站的覆盖范围。随着基站部署的密度不断增加，虽然小区会出现重叠，但单基站服务范式依然是绝大多数情况的选择，因为诸如载波聚合（CarrierAggregation,CA）[4]、多点协作（CoordinatedMulti-Point,CoMP）[5]、多连接（Multi-Connectivity,MC）[6]技术往往会带来很多的信息交互和控制开销且不够灵活。单基站服务范式面临的主要挑战是服务能力受限，难以面对多样化的用户需求，尤其在小区边缘信道质量较差的位置。此外，当用户移动速度较快时，也会经历频繁的服务基站切换，造成服务质量和用户体验下降。l上下行对称/耦合范式：指的是网络在设计和为用户提供服务时，上行和下行往往耦合在一起成对出现。在双工层面，频分双工（FrequencyDivisionDuplex,FDD）使用对称的上下行频谱，时分双工（TimeDivisionDuplex,TDD）虽然设计了多种上下行时隙分配的模式，但上下行依然紧耦合在一起。此外，用户的上下行连接也往往耦合在相同的基站，基站的上下行功能也耦合在一起部署。移动通信的一些主要机制，例如：信道反馈、混合自动重传请求（HybridAutomaticRepeatrequest,HARQ）等，也基于上下行耦合的设计实现。上下行对称范式面对的主要问题是难以满足越来越常见的非对称的业务需求，这与移动通信诞生之时以话音为主的对称业务截然不同。另外，上行和下行传输各自也具有不同的特点，在发射功率、移动性等方面存在很大差异，因此上下行耦合范式难以针对上下行各自的特点进行设计和优化。l小区间干扰范式：指的是在相邻小区的重叠覆盖区域，本小区将其他小区的信号当作干扰。因此，在部署小区时，经典方法是为相邻小区分配正交的频率资源，而相隔较远的小区才会复用相同的频率资源。但随着频谱资源越来越短缺，频谱的价格不断增加，为了充分利用频谱，相邻小区也开始使用相同的频率资源，这就在重叠覆盖区域造成严重的干扰，导致小区边缘用户的服务质量进一步恶化。虽然可以采用干扰回避、干扰消除等方式降低小区间干扰，但相应的频率资源的利用率又会下降。另外，小区间干扰范式也从根本上制约了基站部署的密度和发射功率，从而导致接收信号的信噪比难以提高。为了更好的解决上述传统无线接入网面临的挑战，一些新型的无线接入网架构和理念被不断提出：lC-RAN：指的是一种集中式控制和信号处理的架构[7]，其中C的含义可以是Centralized（集中化）、Cloud（云化）、Cooperative（协作化），象征着C-RAN架构中包含的一个中央控制单元/处理器与多个分布式部署的基站/无线射频单元。C-RAN的主要优势来自于计算资源的集中化和池化，通过让多个基站共享资源，可以有效地提高资源的利用率，资源在物理空间上的集中也有助于降低配套设施（例如：机房、空调）的部署成本。另一方面，集中控制也是实现基站间大规模协作的前提，例如小区间干扰控制，联合信号处理等。C-RAN存在的主要困难，一方面是基带池与射频单元之间的前传链路开销，另一方面是基站之间协作需要依赖用户的信道状态信息（ChannelStateInformation,CSI）反馈，且反馈随着协作基站数和用户数线性增加。l异构网（HeterogeneousNetwork,HetNet）：指的是网络包含多样化的基站[8]。典型的异构网根据基站的覆盖面积进行划分，包括宏基站和微基站，宏基站保证覆盖，尤其是在室外环境，微基站由于距离用户更近，可以提供更高的速率、更好的室内覆盖以及更好的上行覆盖。广义上，异构网的节点还可以包括：空天节点，例如卫星或无人机基站；不同的网络体制，例如Wi-Fi；不同的运营商网络等等。异构网的主要优势来自于异构节点对不同场景的适应性以及多层次的资源聚合。相对应地，异构网的主要困难也来自异构节点/不同网络之间的协调，例如宏基站和微基站之间的小区干扰。l无蜂窝网络（cell-freenetwork）：指的是将传统基站上集中部署的大量天线以分布式的方式密集且均匀地部署在一个区域，并通过前传链路将这些天线与集中化处理的单元相连[9]。因此，无蜂窝网络可以实现大量天线的分布式多点协作，从而充分利用天线与多个用户之间的信道多样性，以提高系统的频效。此外，无蜂窝网络颠覆了传统以小区为基本服务单元的理念，以用户为中心进行天线资源的分配，从而消除了小区边缘的概念，使得不同位置的用户能够获得相近的服务质量。然而，相比C-RAN，无蜂窝网络需要更多的前传开销和CSI，后者导致无蜂窝网络极度依赖TDD的双工模式，即依靠信道互异性来获取CSI。受CSI准确性和时效性影响，无蜂窝网络在实际环境下频效很难达到理论上的效果。此外，无蜂窝网络的架构必然导致其部署困难，成本高。lO-RAN：指的是通过将基站等通信设备进行功能拆分和硬件解耦并定义标准化的接口，使得通信设备能够更加的模块化、开放化，且设备的灵活性和相互之间的互操作性更强[10]。O-RAN的出发点更多是站在运营商的角度，希望降低通信设备行业的参与门槛，形成一个更有活力的通信设备市场。此外，设备的智能化也是O-RAN关注的重点，通过引入的RAN智能控制器（RANIntelligentController,RIC）模块，以实现更好的网络可编程性，并为人工智能（ArtificialIntelligence,AI）/机器学习（MachineLearning,ML）相关技术提供发挥的空间。O-RAN存在的困难主要在于整体系统的复杂度，兼容性，以及系统的整体优化。l全解耦接入网（Fully-DecoupledRAN,FD-RAN指的是将网络的控制面和数据面彻底解耦，上行和下行彻底解耦[11]。当下，解耦的思想在不同领域中是一种主流的系统设计理念[12]。例如，软件开发从传统的单体架构发展到微服务架构，实现了不同功能的解耦，从而使得不同功能能够根据业务的实际需求在云上灵活动态扩缩，以节省资源。在汽车制造领域，在新能源和电气化的趋势下，通过让四个车轮彻底解耦，即四轮四电机独立驱动，可以实现原地掉头、三轮行驶等功能。参考其他领域的成功先例，在移动通信网络中实施彻底解耦的好处是多方面的。首先，网络将获得极大的灵活性，涉及到用户的上下行连接、基站的部署、切换、资源调度等。并且，由于上下行彻底解耦，频谱资源也可以在上下行之间自由分配，这样就可以根据实际的上下行业务需求调整频谱资源，从而提高频谱的利用率。解耦也有助于实现多基站的灵活协作，从而更好地满足用户多样化的需求。此外，解耦后网络设备进一步简化和模块化，使得网络可以变得更加开放，可扩展性更强。然而，解耦后，很多现有网络的机制都将失效，例如CSI反馈和HARQ，因此需要对网络的关键机制进行重新设计。要设计全解耦无线接入网络的新架构，首先需要明确设计需求。在宏观层面上，全解耦无线接入网络的设计应该满足以下六点要求：l解耦：目标是控制面和数据面彻底解耦，上行和下行彻底解耦。当前5G仅完成了核心网控制面和用户面解耦。无蜂窝网络则非常依赖上下行耦合的工作模式。因此，与现有网络架构相比，解耦是最突出的特色。l灵活：目标是实现用户与基站之间的极致灵活的连接关系。对于用户的上行和下行各自而言，能够实现与任意基站之间的动态多连接。当用户移动时，也无需经历基站之间的切换，也就是说网络是无切换的（handover-free）。此外，根据上下行业务的特征，基站也可以灵活的按需部署。l简单：目标是更加简洁的网络的协议和机制。简化控制信令的设计和传输。简化上行业务和下行业务的传输和资源调度机制，去除二者之间的依赖关系。简化基站部署前所需要的网络规划和优化。l开放：目标是更加模块化的功能拆分。遵照微服务的理念，将不同特性的功能尽可能独立化设计，并对各个功能模块之间的接口进行规范，从而可以独立的研发和生产每个功能模块。这样，整个通信网络生态将会变得更加开放，让更多的中小设备商和创业公司有机会加入到市场竞争中。l智能：目标是原生智能（intelligence-native）的网络。在网络设施硬件层面，尽可能使用通用的CPU/GPU服务器，使得网络的更新迭代成本更低。在算法层面，尽可能使用端到端的AI方法来代替传统通信的各个环节，包括物理层编码调制、MAC层资源调度等。引入AI方法的主要目的是解决日益复杂的通信网络优化问题，这些问题靠传统手段优化难度很高，且依赖规则和经验。l协作：目标是原生协作（cooperation-native）的网络。原生协作要求网络具备任意方式的协作能力，不仅体现在协作基站的数量上，还体现在资源协作的维度上，即通过在时空频功率等维度上的资源调度，尽可能地让不同用户使用的资源形成在某个维度上的正交或准正交，从而提高资源的使用效率和频效。相较其他行业，通信行业因为涉及到设备和网络之间的互联互通，因此高度依赖标准化。目前在移动通信领域，最具影响力的标准组织是3GPP，其主导了3G/4G/5G的标准制定，推动了移动通信行业的持续发展。但3GPP标准在一些实施细节上仍然留下了很多空间。因此，在3GPP之外，行业内的领头企业也基于其自身的目标和关注点成立了不同的组织，其中最有影响力的当属运营商主导的O-RAN联盟和IT企业主导的AI-RAN联盟。l3GPP：3GPP是一个全球性的标准化组织，致力于推动无线通信技术的发展，特别是在移动通信系统的规范制定方面，对3G、4G和5G等技术的标准化和商业化推进发挥了重要作用。3GPP的技术规范涵盖了蜂窝通信技术的无线接入、核心网络和服务能力，提供了完整的、系统性的移动通信解决方案。2024年6月，3GPP在会议上正式冻结了Release18，标志着5G-A的第一个版本的发布。该版本的主要亮点包括将Release17中引入的非地面网络（Non-TerrestrialNetwork,NTN）接入进一步整合到5G系统中，支持物联网（InternetofThings,IoT）和机器类型通信（MachineTypeCommunication,MTC），并包括通过卫星覆盖的支持。此外，Release18加强了对侧链、邻近、位置和定位服务的支持，满足工业需求（如垂直行业、工厂和北向API并提升了多播和广播服务（MulticastandBroadcastServices,MBS）以及网络切片功能，同时增强了对无人机（UnmannedAerialVehicle,UAV）的支持。新引入的主题涵盖了能量效率（EnergyEfficiency,EE）、AI/ML，以及扩展现实、增强现实和虚拟现实（XR、AR、VR）等沉浸式通信技术。包括Release18在内，Release19和Release20都属于5G-A阶段，但同时也将开始研究6G的用例和需求。自Release20起，3GPP将启动6G技术研究，并预计在Release21及其之后发布首个6G相关标准。lO-RAN联盟：由中国移动等运营商在2018年发起，至今汇集了包括移动运营商、供应商以及研究和学术机构在内300多个组织机构，旨在推动无线接入网络的开放性和互操作性。O-RAN的核心理念包括开放架构、虚拟化、智能化，以及完全的互操作性。O-RAN的规范化工作被细分为9个技术工作组，涉及整体架构、RAN智能控制和优化、接口、软硬件、传输网络等多个领域。2024年，O-RAN联盟发布了多项技术报告，包括零信任架构白皮书、赋能垂直行业应用的白皮书以及网络设备循环经济指南，进一步增强了O-RAN在安全性、环境可持续性及商业化应用方面的能力。同年1月，O-RAN联盟的7项规范被采纳为ETSI规范。此外，11月，TTA与O-RAN联盟签署协议，共同推动OpenRAN技术的标准化。O-RAN联盟在2024年世界移动通信大会（MobileWorldCongress,MWC）拉斯维加斯和上海展会上展示的基于O-RAN的最新解决方案，提升了服务质量、智能制造和无线接入网测试的能力。lAI-RAN联盟：AI-RAN联盟于2024年MWC上由AI和无线行业的领导者发起成立，创立成员包括亚马逊云、英伟达、软银等。这个全新的合作项目旨在将AI融入蜂窝技术，通过AI提升RAN的性能和能力，从而使无线网络变得更加智能、高效和可靠[13]。AI-RAN联盟目前设有三个工作组：AI-for-RAN专注于AI在RAN中的应用，AI-and-RAN聚焦于实现计算与基础设施的融合，以同时支持RAN和AI应用，AI-on-RAN则关注AI及相关应用的无线接口规范。在AI-RAN联盟发布的最新报告中[14]，指出将AI/ML集成进O-RAN面临一定挑战，但也带来了许多机遇。报告强调，AI与O-RAN融合的挑战主要体现在数据质量与标准化、可信度、成本、资源需求和上下文理解等五个方面。然而，这一融合也带来了基础设施整合、服务融合和新收入流等优势与机遇。报告进一步指出，智能网络的未来依赖于AI能力与传统电信服务的成功融合，并由强大、可扩展的基础设施支撑，而AI/ML与O-RAN的融合将是未来网络发展的重要方向。AI-RAN联盟目前仍处于发展初期，尚未发布具体的技术规范。遵照全解耦无线接入网的设计理念，即控制与数据彻底解耦、上行与下行彻底解耦，FD-RAN将传统基站功能进行了物理解耦，并拆分为三类不同的基站，分别是：控制基站、上行基站、下行基站。传统5G及FD-RAN架构如图2.1和2.2所示。每种基站的特点及工作方式介绍如下：l控制基站（ControlBaseStation,C-BS）：C-BS通过双向控制链路处理与用户设备（UserEquipment,UE）的所有控制信令。C-BS负责UE的控制平面功能，包括认证、接入管理、移动性管理、资源分配指示等。UE在接入网络时始终需要与C-BS建立安全的控制平面连接。通常情况下，C-BS控制一个类似C-RAN的广域，以便其他基站在C-BS的协助下以协作方式为UE提供服务。相比TDD模式，C-BS采用FDD模式更为有利，因为FDD模式能够提供更大的覆盖范围，并且控制信道在上下行方向上始终存在。C-BS使用更低的频段以保证控制的覆盖范围。l上行基站（UplinkBS,UL-BS）：与C-BS不同，UL-BS属于数据基站，仅执行信号接收功能，因此它们用于接收UE的上行数据。UL-BS通常是轻量级的，因为它们配备的天线数量很少，功耗也很低。由于成本低且易于部署，UL-BS可以被密集部署，从而接近发射功率通常较低的UE。此外，UE发送的信号可以被多个UL-BS接收，以利用接收分集增益[15]。图2.15G传统单基站服务模式图2.2FD-RAN上下行多基站灵活协作l下行基站（DownlinkBS,DL-BS）：DL-BS也是数据基站，负责向UE传输数据。与UL-BS相比，DL-BS通常配备大量天线，以实现高容量的MIMO传输。DL-BS的能耗也高得多，因此其部署不像UL-BS那样灵活，需要更加精心规划。此外，下行链路中还可以利用多种协作传输技术[16]。l核心网：除了上述三类基站之外，核心网也是移动通信网络的重要组成部分。上述三类基站均与核心网相连，核心网采用云原生部署。一方面，这些基站由控制平面进行管理和控制；另一方面，由UL-BS/DL-BS处理的UE数据通过用户平面进行转发或接收。核心网功能的实例应运行在边缘，以尽量减少控制平面的时延。上述全解耦接入网的架构有机的结合了现有架构的优势，并充分利用解耦这一特点，获得了现有网络所不具备的新的特性，如图2.3所示。图2.3FD-RAN的特性FD-RAN的核心优势在于灵活性。由于上行和下行基站是分开的，它们可以被视为独立的网络。上行和下行网络可以拥有各自的频谱资源、传输技术和部署方式。因此，不再像FDD系统那样需要为上行和下行配对使用频段，也不需要像TDD系统那样考虑上行和下行的时隙分配和同步。相反，任何频段都可以用于上行或下行，上行或下行网络所使用的整个频谱可以灵活地聚合或释放，而不会相互影响。这使得当前零散的频谱资源能够更容易被利用。此外，用于上行或下行的频谱资源可以根据实时流量需求自由调整，从而实现更高的频谱利用效率。因此，FD-RAN能够同时继承FDD系统（如更大的覆盖范围）和TDD系统（如上行/下行灵活性）的优势。在FD-RAN中，上行和下行网络内部可以灵活高效地实现空间、时间、频率、功率等各维度的资源协作。各种协作传输技术可以分别独立应用于上行或下行。考虑到上行和下行的差异，UE可以灵活地关联到不同的UL-BS和DL-BS[17]，而不是像5G中那样与同一基站紧密耦合。UE甚至可以采用不同的接入技术，例如分别使用基于基站的地面网络进行上行传输，使用基于卫星的非地面网络进行下行传输。由于UE和基站之间存在灵活的多连接关系，在移动性场景下，不同的基站会自然而然的被分配给UE，因此实质上传统的基站切换问题变成了多基站的资源调度问题，因此从UE角度而言是无切换的。UL-BS和DL-BS的部署可以根据上行和下行流量的统计分布分别考虑。这相比于在某些场景（如工业互联网）中部署传统的全功能基站，可以节省基础设施成本。通过部署额外的UL-BS和/或DL-BS，网络的可扩展性也得以增强。此外，UL-BS或DL-BS的停用不会影响另一方，因此可以灵活地采用休眠机制来节约能源成本。基于上述特性，FD-RAN的核心目标可以总结为：l网络架构的简单性与灵活性。l资源利用的高效性与经济性。l服务提供的个性化与用户体验质量（QualityofExperience,QoE）保障。在5G中，实现MIMO传输需要进行信道反馈。为了实现容量更高的空分复用，5G采用基于CSI反馈的闭环空分复用(Closed-LoopSpatialMultiplexing,CLSM)作为其主要传输模式[18]，如下图所示。例如，在下行链路中，基站首先向UE发送导频信号。由于导频信号是UE已知的，这些符号可用于信道估计。随后，UE计算CSI并反馈给基站。在5G标准中，CSI包括预编码矩阵指示（PrecodingMatrixIndicator,PMI）、秩指示（RankIndicator,RI）和信道质量指示（ChannelQualityIndicator,CQI），这些参数共同决定数据信号如何通过多个天线进行传输。然而，由于UL-BS和DL-BS在物理上是分离的，CSI无法直接反馈。此外，基于反馈的机制本身也存在缺点。一方面，信道估计和CSI反馈会消耗大量的无线资源，而这些资源本可以用于数据传输。在多基站协作场景下，消耗的资源随用户数和基站数线性增长，计算传输参数的复杂度也随之增长，这是网络所难以承受的。另一方面，信道估计的准确性以及CSI反馈的延迟也会对系统性能造成影响。图3.15G基于CSI反馈的CLSM传输模式对于FD-RAN而言，物理层传输面临的主要挑战是上下行解耦使得传统反馈失效，例如，下行基站发送的导频在UE处进行信道估计和传输参数计算后，无法直接反馈到下行基站。如果通过控制或上行基站实施反馈，则会产生较大的反馈延时，导致反馈失效。为此，FD-RAN将采用无信道反馈的传输方法，下行链路无反馈传输的示意如图3.2所示。其基本思想是利用UE的位置信息推断CSI。为了实现这一推断，需要历史信道数据。每个信道数据样本包含特定时间和位置的信道系数。对于DL-BS，首先需要在边缘云上生成其覆盖区域内任意位置到相应CSI的映射，并将该映射存储在DL-BS中。UE首先通过C-BS将其位置信息告知DL-BS。然后，DL-BS根据映射查询UE当前位置的CSI，并利用该CSI执行MIMO传输。上行链路与此类似，UE利用映射来确定其当前位置的传输参数。直观上，基于地理位置的传输参数映射是可行的，因为信道传播（即电磁波的反射、衍射和散射）与UE的位置以及周围环境密切相关，而周围环境在一段时间内可以认为是相对静态的。图3.2FD-RAN下行链路无反馈传输示意图虽然缺少了信道信息的直接反馈，但无信道反馈传输具有自身的优势。一是减少了多个基站联合计算CSI反馈的通信开销、基站协作集的计算开销；二是消除了部分基站反馈延迟带来的性能损失；三是避免基于实时信道计算多个基站联合预编码的指数计算复杂度。无反馈传输有两个典型的优势应用场景。第一个典型场景是准静态场景，例如：工业互联网场景，其中的UE多为静态的IoT设备，智能工厂内部的电磁波传播环境也相对稳定。在这个场景下，信道变化不大且不具备突发变化，因此无反馈传输的性能损失必然很小，但却可以节省下导频和反馈开销。第二个典型场景是高速移动场景，例如：高铁通信场景。这个场景下，信道变化速度很快，导致反馈极度不准确甚至失效，因此会造成明显的性能损失。另外，高铁移动的轨迹是可预测的，这意味着可以在无延时的条件下获取位置信息，有利于无反馈传输。借助信道老化模型，可以对无反馈传输和有延时条件下的基于反馈的传输的性能进行初步对比。具体而言，无反馈传输仅利用信道的固定分量（例如视距径）计算预编码，而反馈则是基于完整的信道计算预编码，但由于反馈延时的存在，在实际传输时信道已经发生变化。在多基站多终端、存在较强直射路径信道分量的场景下，基于统计信道模型、考虑信道老化因素的仿真结果表明，有延迟反馈下最小均方误差（MinimumMeanSquareError,MMSE）预编码传输方案的性能随着延迟和终端移动速度的增加快速下降。这是因为多对多传输的场景下，预编码对精确信道的要求较高，随着速度和延迟的增大，实际传输时的信道与反馈获得的信道相关性不断降低，基于反馈信道信息的MMSE预编码无法充分利用实际信道的多径增益。当速度和延迟足够大时，反馈获得的信道和实际传输时的信道独立不相关，基于反馈信道信息的预编码只能利用信道中具有统计特性的直射分量进行传输，而具有随机性的多径分量成为了无法利用的干扰。而无反馈传输方案可以通过利用地理位置和信道之间的相关性，利用终端和基站的相对位置、大尺度衰落系数等容易获得的参数对信道的直射路径进行估计，并基于估计得到的信道直射路径设计预编码。图3.3的仿真结果表明，该无反馈预编码方案在低速度低延迟情况下的性能低于有延迟反馈传输方案，但在速度和延迟大于一定阈值时表现出更高的频效。图3.3移动场景下无反馈和有延时反馈的频效对比以上仿真结果初步表明，基于地理位置的预编码在高速移动场景具有优势。但仅利用相对位置、大尺度衰落系数无法对信道的多径分量进行准确建模，上述预编码方案无法充分利用地理位置和信道之间的相关性。因此，针对轨迹固定、位置可预测的高铁通信场景，可以进一步使用深度学习的方法进行下行预编码联合设计和功率分配：将列车的位置作为输入，预编码、功率分配结果作为输出，使用历史信道数据对深度神经网络（DeepNeuralNetwork,DNN）进行训练，以此实现地理位置到预编码的直接映射。图3.4中，在考虑位置相关性的QuaDriGa信道下的仿真结果表明，在具有较强信道直射分量的高铁通信场景下，基于DNN的无反馈方案在不同的速度下均能获得稳定、较高的频效，并且能够达到有反馈方案理论最优性能的95%以上。而基于反馈的MMSE预编码和比例功率分配（FractionalPowerAllocation,FPA）方案由于依赖于精确、实时的信道信息，其性能随着速度、延迟的增大显著下降。图3.4高铁场景下无反馈和有延时反馈传输的性能对比全解耦网络作为最有潜力的下一代通信网络之一，一个核心目标是实现内生智能的网络架构。为了实现内生智能的接入网，需要研究信道特征。信道特征是指利用其在空间、频率和时间域中的内在相关性将信道表征为具有更高信息熵的形式。信道在时频空的相关性在MIMO-OFDM系统下尤为明显，因为使用均匀线性阵列或均匀平面阵列天线时，电磁波以固定的相位差到达不同的天线。此外，不同载波之间存在固定的间隔，导致不同子载波上的信道之间也存在固定的相位差。在特定位置，信道表现出时间相关性，因为主要的电磁波大致沿相同的传播路径传播。所有这些相关性都可以通过AI提取。信道特征学习的核心思路是通过自监督学习对未标注的信道数据集进行学习，以获取信道特征。在AI领域，自监督学习正逐渐成为主流方法，这一趋势源于观察到在大规模数据集上通过无监督学习训练的模型往往优于在小规模数据集上通过监督学习训练的模型。类似地，全解耦接入网也将通过自监督学习获取信道特征。然而，将自监督学习应用于信道面临若干挑战。首先，尚无适用于信道的预训练任务，因为信道的相关性与自然语言处理中的上下文相关性或计算机视觉中的像素相关性在本质上有所不同。因此，必须基于信道的独特特性专门设计一个合适的预训练任务。其次，目前并没有标准的度量来评估信道表征。因此，需要开发一种合适的度量方法来衡量信道特征的有效性。全解耦接入网将利用一种完整的信道特征提取和验证的方法[19]。首先，来自不同地理位置的信道被用作负样本，而来自相同地理位置在不同时间点的信道则作为正样本。这些样本用于对比学习的预训练任务，从而利用自监督学习训练一个能够将信道矩阵映射到信道特征的编码器。此外，为了评估所获得的特征效果，引入基于地理位置的无反馈MIMO传输作为下游任务，并使用其吞吐量作为评估指标。为了实现基于地理位置的无反馈MIMO传输，全解耦网络使用条件扩散生成网络，将地理位置信息作为条件，并隐空间中生成信道特征。随后，训练一个解码器，将这个最佳特征重建为信道，进而用于基于地理位置的无反馈MIMO传输任务。（a）信道特征（b）信道图3.5信道特征和信道可视化通过统一流形逼近与投影将信道特征映射到二维平面做可视化，可以观察信道特征，如图3.5，生成的信道特征和信道与原始的信道和信道特征保持类似的分布。进一步观察原始信道和生成的信道响应，如图3.6，可以看出生成的信道和原始信道遵循类似的响应，这表明生成的信道依然可以体现出信道的多径效应。（a）原始信道（b）生成信道图3.6信道响应可视化最后，在基于地理位置的无反馈任务上，将基于向量量化变分自编码器（VectorQuantizedVariationalAutoencoder,VQVAE）的生成方法生成的信道和原始信道作对比，如图3.7。由于生成信道学习到时域特征，在使用相同预编码算法的前提下，使用扩散生成模型的生成信道获得的传输参数具有更高的平均吞吐量。图3.7使用不同信道获取传输参数的吞吐量CDF比较全解耦接入网络为控制和资源调度提供了极大的灵活性。然而，其上下行物理解耦的架构使得下行基站无法直接从用户获取信道反馈，导致现有基于信道反馈的传输方案失效。通过控制基站进行信道反馈也是比较低效的，因为所有用户的资源消耗很高，同时控制基站引入的额外延迟会导致反馈信息不够准确，所以在全解耦接入网络里如何实现无信道反馈的MIMO传输是一个亟需解决的问题。为此，全解耦接入网利用无信道反馈的传输方法，利用历史信道数据，仅通过用户的地理位置来确定MIMO传输参数，包括预编码矩阵、RI以及CQI。这种数据驱动的方法是可行的，因为信道及其对应的传输参数与地理位置高度相关，而某一位置的信号传播环境通常不会发生显著变化。由于没有信道反馈，需要在时域固定一组使用的传输参数。而无反馈映射只能依赖已有的信道数据进行训练，因此需要在空域内进行推理，以确定所有可能位置的传输参数。尽管信道通常是随时间变化的，可以通过节省导频和信道反馈的开销来减轻性能损失。预编码矩阵、RI、CQI这三个传输参数是高度相关的，因此需要在时间维度上将其固定以及在空间维度上进行预测，如果未能优化选定的参数，性能可能会显著下降。针对这一问题，可以采用一种基于VAE的解决方案[20]。首先，通过奇异值分解（SingularValueDecomposition,SVD）从信道矩阵中直接提取最优预编码矩阵，并利用VAE提取预编码在隐空间的特征，从而选择时间域内的代表性预编码。接着，利用VAE生成的隐空间高斯变量表征结合高斯过程回归（GaussianProcessRegression,GPR）进行空域推断。最后，通过自然邻点插值完成CQI的空域推断。(a)训练集(b)测试集图3.8无信道反馈与有反馈CLSM的性能对比图通过在基于5G标准的链路级仿真器和射线追踪信道数据进行仿真验证，可以比较无反馈方法与5G有反馈CLSM方案的性能，如图3.8所示。在空域测试集上，基于VAE的方法实现了16.01%的性能损失，与训练集在时域上的性能损失相当，证明了所采用的空域推理方法的优势。总的来看，无信道反馈的传输方法与5G相比只有16%左右的性能损失。考虑到节省的导频与反馈开销，以及反馈延时带来的影响，无反馈传输的整体性能是可以接受的，证明了全解耦接入网络无信道反馈的物理层传输的可行性。图3.9用户移动场景下的无信道反馈与有反馈CLSM的性能对比图另外，在用户移动的场景下，无反馈方法与有反馈CLSM的吞吐量对比如图3.9所示。当用户静止时，信道在一个子帧的14个符号内保持一致。然而，随着用户速度的增加，不同符号之间信道的变化会导致CLSM和所提方法的性能下降。由于CLSM根据导频符号的信道计算传输参数，当用户速度较高时，这些参数无法在整个子帧内保持匹配，从而导致性能显著下降。相比之下，基于VAE的解决方案虽然使用了固定用户速度的数据集进行训练，但由于其采用了具有代表性的传输参数，因此在不同用户速度下表现出较强的鲁棒性。这些结果表明，无反馈方法能够为用户的移动性提供有力支持。在多点协作传输机制中，多个基站通过相干传输技术能够有效提高频谱效率和网络容量。相比于目前5G单基站服务范式，多点协作传输能够将不同小区的干扰信号转化成有用信号，从而降低小区间干扰。此外，多个基站联合接收用户信号，能够在不提高用户发射功率的前提下增加用户接收信号强度，提升用户的吞吐量。然而，多点协作在同一时频资源块上的增益高度依赖于实时CSI反馈，尤其是在大规模MIMO系统中。随着协作基站数量的增加，基于当前5G网络测量CSI的反馈机制，所有基站需共享信道信息以协同计算反馈参数，这将导致显著的通信开销；并且，由于各基站测量信道信息的时延差异较大，部分反馈的信道信息在回传过程中可能已过时，无法准确反映当前的信道状况，从而影响多点协作效果，导致系统性能下降；此外，基于5G网络CLSM遍历码本获得最优预编码的方式，多点协作联合预编码的复杂度将随着协作基站的数量指数增长，导致巨大的计算开销，显著增加了多点协作传输的实现难度。为了避免多点协作传输采用实时CSI带来的显著通信与计算开销，并减少反馈延时对多点协作性能的影响，采用全解耦网络的无信道反馈机制，基于用户的地理位置固定多点协作传输的PMI、RI及CQI。固定的传输参数由不同位置的历史信道信息通过离线计算获得，不依赖实时信道信息反馈，从而避免每个子帧频繁的通信与计算处理，为多点协作的实现提供可行性方案。此外，考虑到无线信道在时域上呈现的动态变化特性，利用VAE和扩散模型等生成式人工智能方法学习信道的时变特征，能够生成符合时域信道数据分布的代表信道[21]。利用该时域信道计算无信道反馈的物理层传输参数，能够有效适应信道的时变特性，提高全解耦接入网络无信道反馈的多点协作传输性能。基站图3.10上行多点协作吞吐量性能图3.10展示了上行多点协作传输采用实时信道反馈及无信道反馈的吞吐量性能。橙色柱状图表示全解耦接入网络基于统计CSI，即使用历史PMI、RI及CQI的众数作为固定的传输参数所获得的吞吐量。随着协作基站数量增加，统计CSI的无反馈吞吐量性能不断增加，成功实现了多点协作增益。同时，由于协作基站增加了用户的接收信号强度，减少了信道时变的影响，无信道反馈与有信道反馈的吞吐量差距随着基站数的增加逐渐减小。并且，无信道反馈机制不会受到通信开销、反馈延迟与计算开销的影响。最后，由图3.10可知，通过VAE的生成式人工智能方法能有效提高无反馈传输性能，基于代表信道的2基站上行无反馈协作传输相比于单基站的CLSM吞吐量提升了24.93%。图3.11展示了下行多点协作传输采用实时信道反馈及无信道反馈的吞吐量性能。由于下行多点协作传输需要不同基站进行联合预编码选择，基于目前普遍使用码本方案进行联合预编码选择具有指数复杂度，因此当前5GCLSM的传输方式难以实现下行多点协作传输。采用全解耦接入网络无信道反馈的传输机制，能够有效实现下行多点协作传输，并且相较于5GCLSM传输方式提升了2.1%的吞吐量。基于生成式人工智能方法生成的代表信道并计算无信道反馈的传输参数，能够进一步提升下行多点协作传输性能，相较于5GCLSM传输方式提升了12.95%的吞吐量。上述仿真结果验证了全解耦接入网络无信道反馈机制在提升频谱效率的有效性，为多点协作传输提供了有效的设计参考方案。最基本的无反馈传输只使用一组固定的传输参数。在信道环境较复杂的情况下，这种方式存在天然的不足，例如，当CQI选择偏高时，会导致较高的误帧率。一种简单有效的改进方法是使用更多组的传输参数作为备选，但这种方法需要根据信道的实际环境来决策当前要使用的传输参数。由于不存在信道反馈机制，因此需要通过一些感知手段来进行传输参数选择的辅助决策。具体而言，有两种感知方法可以为无反馈传输提供有效帮助。第一种是在一段时间内对链路的实际工作状态进行测量，例如：传输速率、丢包率/重传率，这些高层的指标可以在发端统计得出（其中丢包率/重传率的统计涉及到利用空口传输层协议进行基本的ACK反馈和重传）。根据这些指标，可以设计相应的算法，从备选的传输参数集合中选择适合当前的传输参数。第二种方法是与通感一体化技术（IntegratedSensingandCommunication,ISAC）相结合，其中，“感知辅助通信”通过感知获得的高精度定位、成像和环境重建能力，可以提升通信性能，例如更精确的波束成形、更快速的波束失效恢复，以及在跟踪信道状态信息时更少的开销[22]。通感一体化技术将为基于设备和无设备的物体定位提供服务。在基于设备的定位中，目标是网络中的连接设备，其位置信息通过设备发出的参考信号或测量反馈推导得出。而对于无设备的物体定位，目标物无需是网络中的连接设备。通过单站感知（发射器和接收器为同一设备）或协作感知（接收器是网络中的其他节点或设备从散射和反射的无线信号中估计时延、多普勒效应和角谱信息（分别对应物体的距离、速度和角度）。进一步处理这些无线信号后，可以提取物体在物理三维空间中的位置、方向、速度及其他几何信息。借助更大的带宽和更大的天线孔径，ISAC系统能够更好地分离多径信号，从而实现更优的定位和跟踪性能，户外使用场景中的定位精度可达厘米级。具体而言，在无反馈传输中，利用感知信号，可以对基站和用户之间的信号传播环境进行感知，例如：感知用户和基站之间是否存在遮挡物体。与利用高层指标进行链路状态感知相比，环境感知能够获取到环境的实际变化，因此备选的传输参数需要与感知的几种最常见的情况进行对应，例如：视距/非视距传播，从而可以直接根据感知的结果，针对性的从备选的传输参数集合中选择适合当前的传输参数。无反馈传输的最大挑战在于如何获知信道的准确信息。上面几个小节所介绍的方法本质上是数据驱动的，即利用大量的信道数据学习信道的特征，或以端到端的方式直接学习传输参数。然而，信道的本质是无线信号在物理空间中传播过程的一种刻画，而无线信号作为电磁波，在空间中传播的过程是确定的，且能够用电磁学公式所描述的。这种基于电磁波传播的物理过程获取信道的方法被称为射线追踪（RayTracing,RT）。一般而言，射线追踪首先需要一个对环境的建模，建模信息需要包括环境表面材质的电磁学参数，例如介电常数。然后，从发射端尽可能多的向各个角度发射电磁波，即射线，并计算每条射线在环境中的传播过程，以此获知在接收端的状态，从而最终得到发射端与接收端之间的信道。理论上，如果能发射无限多的射线，就可以获得准确的信道信息。但由于射线追踪的计算复杂度非常高，实际中会受到计算资源和计算实时性的约束。一种方案是结合深度学习，在只利用少量射线的条件下，尽可能地产生更加丰富的射线追踪结果。目前，已经存在很多基于射线追踪的信道生成器，例如：Remcom公司的WirelessInsite，英伟达公司的Sionna，以及Matlab等。如果将射线追踪应用到实际环境中，如何获得准确的环境建模是一个非常大的挑战。数字孪生技术有望提供一定的帮助[23]。如果能获取到环境的实时数字孪生，就可以在这个环境中利用射线追踪模型，产生实时的信道。二者的组合应用被称为信道数字孪生或信道孪生。显然，基于信道孪生，就能够实现真正的无反馈物理层传输，整个流程如图3.12所示。当前，已有一些基于计算机视觉（ComputerVision,CV）的环境实时建模的研究，但更多的是关注建模本身而非以辅助射线追踪为目标，因此目前还不足以实现准确的信道孪生。然而，结合近年来取得重大进展的生成式AI（GenerativeAI,GAI）方法，环境的建模及信道孪生有望实现更大的突破。图3.12面向无反馈传输任务的信道数字孪生构建流程对于网络而言，物理层技术决定了它的传输能力上限，而资源调度决定了它实际能实现的传输能力以及用户的服务质量。在全解耦接入网中，上下行解耦的设计被引入，其主要目的是为了能够实现多基站的灵活协作，以及资源的灵活利用，因此，MAC层的资源调度需要与这些目标充分适配。此外，作为下一代移动通信网络架构，在资源的分配方式上，也应解决现网存在的一些问题。具体而言，全解耦接入网络资源调度的目标包括[12]：l按需：指的是网络的资源调度应该以尽可能满足用户的需求为目标，也就是以用户为中心，而现有网络的主要调度目标仍然是以最大化频谱资源的使用效率为目标（适当加入一定的公平性考量，例如经典的比例公平调度算法也就是以网络为中心。但是，由于网络的资源本质上是稀缺的，因此网络的服务能力是存在上限的。所以在以用户为中心的调度中，用户的需求应该通过某种方式进行约束。换句话说，网络的目标是满足用户的真实需求（最为迫切和期待的需求），而非无限制地全部需求。l个性化：指的是在为用户提供服务时，应充分考虑到不同用户的个性化需求。对于相同的业务，不同用户的主观感受是不一样的，因此需求的迫切程度也不一样。网络应该具备感知用户个性化需求的能力，用户的个性化需求也需要通过某种形式量化表征。l经济：指的是在资源调度中引入经济学和价格机制。经济学本身是研究资源如何高效分配的学科，在通信网络中引入经济学和市场机制能够解决供需之间的矛盾，同时满足运营商和用户的利益。价格是反应市场上资源短缺程度的信号，用户的真实需求可以通过其能否接受当前市场上的资源价格反映出来。当资源短缺时，不重要或者不迫切的需求就会被用户放弃，从而使得资源最终被用于满足用户最迫切的需求上，为用户带来最多的价值。资源短缺时的高价格也可以让运营商的收益增加，而资源过剩时的低价格也可以刺激更多的需求，提高资源的整体利用率。l绿色：指的是在满足用户需求前提下，资源调度以降低能耗为目标。5G的高能耗一直是运营商所面临的一个主要挑战，在政策层面也应该尽量满足国家的“双碳”战略目标。具体而言，在资源调度时可以适当减少子载波上分配的功率或减少使用的子载波数，也可以优先使用单个基站服务以休眠其他基站。l效率：指的是充分利用全解耦接入网的灵活性，提高资源的利用率。这里不仅指提高频效，更多的是在宏观层面上把资源调配到可用的位置。例如：当下行业务需求减少而上行业务需求激增时，应该将频谱资源更多地调配到上行使用。此外，当某个运营商的需求减少而其他运营商的需求激增时，应该通过资源共享或租赁的形式，让资源能够调配给需求较多的运营商。l智能：指的是利用AI方法，解决复杂的资源调度问题。资源调度问题涉及到资源在多个维度上的使用方式，当以特定目标建模为带约束的优化问题后，由于很多待求解变量是离散值，问题往往具备NP-hard属性，且由于多基站多用户的存在使得求解空间巨大。此外，资源调度对算法的实时性要求非常高，在实际系统中一般在毫秒级，因此传统优化算法几乎不可用。相较而言，AI方法在推理时执行速度较快，有潜力能够满足资源调度的要求。在FD-RAN中，由于资源使用的灵活性极强，因此资源调度可以看作一个普适的问题。一方面，网络的全部资源可以被自由的调度给任何基站和用户，用于上行和下行。另一方面，资源可以在全部维度上进行调度，包括：时-频-空-功率。整体上，FD-RAN中的资源调度遵照非正交普适协作的理念，核心是尽可能通过在其他维度上进行区分，让不同用户复用时-频资源，即将时-频维度上的非正交转换为在空、功率维度上的准正交，从而提高资源的利用效率。为了高效利用频谱资源，在资源调度中将采用多种物理层技术，这些技术能够实现数据传输中频率的复用。对于下行链路，我们主要考虑单用户MIMO（SU-MIMO）结合空分复用、在相同或不同频率上的多基站协作传输，以及多用户MIMO（MU-MIMO）。此外，还包括一些尚未在现网中普及应用的物理层技术，例如非正交多址接入（Non-OrthogonalMultipleAccess,NOMA）和速率分裂多址接入（Rate-SplittingMultipleAccess,RSMA）。对于上行链路，我们主要考虑多基站协作接收。需要注意的是，FD-RAN中使用的所有物理层技术均为无反馈传输。图4.1FD-RAN资源调度框架FD-RAN资源调度框架如图4.1所示。其中，低层资源调度的任务是为每个UE确定合适的物理层传输方式和资源，以实现特定的目标。由于多基站的引入、资源维度的多样性、物理层技术的复杂性以及目标的多样化，实现能够满足实时调度需求的高效资源调度器面临巨大的挑战。通常，在无线资源分配的大量研究文献中，问题被建模为一个优化问题。然而，这类问题通常难以解决，且无法轻松求解，这使得基于优化的调度器在实际网络中难以实现。另一方面，启发式算法易于实现，但在解空间非常大的情况下（如FD-RAN中其性能无法得到保证。因此，我们将转向基于AI的解决方案，尤其是最近取得显著进展的生成式AI方法。虽然AI也存在诸如对大量训练数据的需求、对其他环境的泛化能力等局限性，但针对这些问题的解决方案也正在这一快速发展的领域中被不断提出。高层资源协调负责根据用户的流量需求，决定上行和下行网络中使用的频谱资源。在单个移动运营商内部，可以在上行和下行之间调整频谱（即一组频段）。此外，移动运营商还可以利用其他运营商的频谱资源，这可以通过运营商之间的交易或协议实现。高层资源协调对低层资源调度是透明的，低层调度只需知道可用的总频谱资源即可。本小节将给出一个FD-RAN全维度资源灵活资源调度的典型场景，并给出一个仿真案例来证明FD-RAN解耦后资源灵活协作调度效果。在一个典型的FD-RAN多基站多用户场景中：边缘云控制器负责全局网络的智能管理，包括上下行频谱划分、多基站协作、子信道分配、功率控制等功能；用户终端分为下行用户（如手机）和上行用户（如IoT设备），不同类型的用户接入各自适配的基站，通过解耦的上下行链路进行通信；控制基站负责集中控制和信令分发，包括用户业务请求指令和位置信息等，上行基站负责分集接收，下行基站负责数据发送，听从边缘云的决策进行多基站协作传输。FD-RAN上下行联合资源分配过程描述如下。首先，控制基站收集网络内用户业务请求及位置信息，发送给边缘云，边缘云服务器基于用户上下行业务请求，计算每个用户在资源调度中的权重值。基于位置信息可以预测上下行基站在每个信道上的CSI传输参数，基于此通过AI算法，获得最优的用户-基站-子信道匹配关系和功率控制决策。然后，边缘云服务器将资源调度指令发送至各基站，由控制基站广播给用户进行业务传输。FD-RAN中，无线频谱可以被集中起来重新分配，以实现更合理地使用，包括动态上下行频谱划分和子信道分配[24]。对于FD-RAN的上行和下行传输的子信道分配和基站协作，需要解决的问题是用户-基站-子信道的三维匹配。为了进一步提高网络性能，可以控制每个用户的上行预编码和功率，以及每个下行基站的预编码和功率，来实现频域和空域上的高效协作及干扰避免。考虑到上行和下行的物理解耦，将资源调度执行流程分为上下两层结构：上层的资源调度决策为大带宽的上下行频谱划分决策，该决策可以根据网络上下行用户业务需求的比例不同进行动态调整；下层的资源调度决策分为独立的两部分，一部分是以用户为中心的上行多基站协作集选择及用户上行预编码和功率控制，另一部分是为每个用户分配最优的下行多基站协作集和子信道，以及多基站联合预编码与功率控制。如图4.2左图所示，在一个由7个半径100米小区组成区域，中心部署下行基站，周围部署5个上行基站，每个基站3个扇区，上行扇区2根接收天线，下行扇区10根发射天线。使用QuaDRiGa根据3GPPTR38.901生成信道。作为对比，假设5G蜂窝网有7个基站，与下行基站位置相同，每个基站有3个扇区，每个扇区10根天线，这样保证5G蜂窝网络与FD-RAN具有相同总天线数量210根。如图4.2右图所示，这里给出了4种方案的对比，包括：具有动态频谱划分（SpectrumDivision,SD）和功率控制（PowerControl,PC）的FD-RAN、仅具有动态SD的FD-RAN、具有固定SD的FD-RAN（均分以及5G蜂窝网络。图中上行用户数量从10增加到130，而下行用户数保持50，所有用户速率权重为1。由于多基站协调和灵活子信道分配，固定SD的FD-RAN的加权速率和平均比5G蜂窝网络高出1.86倍，通过优化功率控制，FD-RAN性能还可以进一步提升。图4.3左图：不同上下行用户数下的最优上下行频谱划分比例图4.3左图绘制了在不同上下行频谱划分下的网络加权速率和，可以观察到随着上行用户数量增加，系统会分配更多的子信道用于上行传输。同时，在最佳频谱分配比例的两侧，性能首先提高然后下降。这表明在实际应用中，可以基于历史数据快速确定最佳比例的准确范围，从而节省大量计算，避免穷举所有情况。图4.3右图绘制了上下行用户不同权重下的最优上下行频谱划分比例，让上行用户速率权重逐渐增加，下行用户速率权重为1，可以看到分配给上行的资源会增加，保证了用户的优先级，也证明了FD-RAN可以根据用户个性化需求进行资源调度。得益于控制面与数据面、上行与下行的完全解耦的网络架构所提供的灵活性，以及原生协作的多基站服务模式，FD-RAN采用一种基于AI的多连接移动性管理方案，能够为移动用户提供无缝的网络连接与按需的通信服务，旨在保障用户移动过程中的服务连续性和QoE一致性[25]。相比于目前5G移动性管理采用的基于下行参考信号接收功率（ReferenceSignalReceivedPower,RSRP）测量事件触发的单基站切换范式，FD-RAN能够为用户按照上下行不同的链路质量、服务需求以及用户本身移动状态，来对其上下行基站协作集分别进行智能更新。在移动过程中，用户不会经历传统移动网络中先断后连的基站切换，而是始终由上下行基站协作集动态跟随着提供无缝连接与服务，并且基站协作集的更新对用户而言是几乎无感的。具体地，FD-RAN中广覆盖的控制基站能够为移动用户提供始终在线的控制面连接，这将大大简化用户与数据基站之间进行接入交互的信令流程。例如，FD-RAN的用户在与新的数据基站建立连接时，不需要再通过传统的随机接入过程来争取上下行资源，边缘云中的网络控制器可事先在目标数据基站中为用户预留资源，并通过控制基站将资源配置信息下发给用户，用户在完成基本的时频同步后即可直接进行数据传输。这样，相比于现有的5G网络接入，FD-RAN中新数据基站接入的整个过程对用户而言是更加迅速、无感的。图4.4基站协作集更新3种类型示意图在FD-RAN中，用户的上行和下行分别被一簇基站协作地服务，而不是单个基站。在多连接移动性管理方案中，移动用户的基站协作集会在边缘云的控制下动态地更新，更新类型主要包括三种：基站添加、基站替换、基站移除，如图4.4所示，并确保用户的服务基站协作集中始终至少有一个基站为其提供服务（在协作集的基站数量为1时，不会执行基站移除动作）。协作集更新的决策由边缘云的AI移动性管理控制器综合做出，其考虑的因素除了基本的信道条件，还包括用户服务需求、用户移动状态等。例如，当用户的业务需求增加时（观看超清直播、大文件下载等移动性管理控制器会智能地扩大用户的基站协作集来为其提供个性化服务；而当用户的业务需求降低时，控制器也会适当缩小用户的基站协作集，在充分满足用户需求的前提下，将网络资源调度给其他更需要的用户。同时，移动性管理控制器能够根据网络掌握的用户移动信息，优先选择其预估移动路径上的基站进行接入，从而延长每个基站的逗留时间，尽可能降低协作集更新的频率，减少控制信令交互，提高用户的服务连续性。在目前5G网络上下行耦合的服务范式中，移动性管理的切换事件是基于下行链路质量而触发的，忽略了上行链路的信道条件以及上下行业务需求的不对称性。FD-RAN的上下行基站解耦赋予了网络接入强大的灵活性，在FD-RAN移动性管理方案中，用户的上行基站接入不再需要被动地根据下行链路质量，而是可以根据上行信道条件和服务需求独立进行，这有助于提升网络整体的上行频效，并为移动用户提供更好的上行按需服务。图4.5无切换移动性管理方案的按需服务提供性能图4.5展示了FD-RAN多连接移动性管理方案在满足移动用户个性化服务需求方面的性能。利用深度强化学习算法驱动的无切换方案，可为移动用户按照其信道条件和服务需求，动态智能地更新下行基站协作集。仿真对比的“单小区”和“三小区”方案，分别是令用户连接到信道质量最强的一个或三个小区，来近似地模拟5G网络中的移动性管理方案。每个移动用户都有高、中、低三档的服务质量（QualityofService,QoS）需求，仿真图纵轴的平均QoS不满足率为仿真时间内用户的实际下行速率低于其个性化QoS需求的时间占比。可以看到，相比于单小区和三小区的移动性管理方案，在用户数量较多时，FD-RAN的方案有着较大的性能提升，因为该方案能综合考虑用户信道条件与速率需求，尽可能地提供按需服务并节约网络资源，减少网络整体的干扰，提升网络整体性能。本小节跳出单一无线接入网的视角，介绍如何整合不同移动运营商的多个RAN，共同为用户设备提供服务。从用户的角度看，所有可用资源能够无界限地被融合，以提升用户的服务质量。这是一项非常具有挑战性的任务，因为这些移动运营商拥有各自独立的网络管理和计费系统。此外，这些RAN的网络体制和空口技术可能不同，包括5G/6G、Wi-Fi和卫星通信等。打破各移动运营商和网络之间壁垒并实现集成RAN的关键在于从用户的角度管理接入网络。为此，我们引入了一种专门为用户设计的服务，即网络孪生（Cybertwin）。Cybertwin是一个应用层服务，主要作为每个用户的通信代理，负责在传输层聚合不同网络资源。换句话说，用户设备与应用服务器之间的所有数据流量都会通过Cybertwin传输。在这种基于Cybertwin的通信架构中，可以在运行于用户设备和云端的Cybertwin客户端与服务器之间建立多条传输路径。基于Cybertwin的集成RAN示意图如图4.6所示。首先，Cybertwin会检查用户请求的互联网服务，以确定用户的综合需求。为了满足用户需求，Cybertwin将与各移动运营商协商获取其传输服务。在这里，传输服务是无线资源的虚拟化形式，具有特定的服务级别协议（ServiceLevelAgreement,SLA），例如数据速率和时延等传输性能指标。传输服务在专门的市场上进行交易，运营商根据资源的短缺程度定价，用户根据自身的真实需求购买。为了在这种资源市场中实现需求与供应的平衡，交易将实时进行，不同移动运营商提供的具有不同SLA的传输服务价格也将动态确定。Cybertwin作为用户的个人“运营商”，负责与网络运营商进行实时的资源交易。图4.6基于Cybertwin的网络资源聚合Cybertwin将为每项传输服务建立一条路径以加以利用。该路径是传输层的端到端连接，其底层资源由相应的RAN提供。具体而言，核心网络将执行有保障的MAC层资源分配，以满足SLA的要求。而在FD-RAN中，多基站协作资源分配有可能支持这一目标。Cybertwin的职责是根据每条路径和互联网服务的特性，合理地将用户请求的互联网服务分配到各条路径上，从而提升用户的整体QoE。总体而言，基于Cybertwin的网络资源聚合带来了以下改变：l基于交易的计费方案。为了灵活利用不同RAN的资源，传统基于预付流量套餐的计费方案效率很差，因为用户可能需要订购来自多家移动运营商的套餐。相反，无线资源被虚拟化为传输服务，并出售给用户。此外，这些资源的交易根据用户的实时需求进行，以实现需求的匹配。l解除用户与移动运营商的绑定。通过上述计费方案，用户与其服务移动运营商之间的绑定关系可以被解除。实际上，Cybertwin成为用户的个人运营商，负责与所有可能的移动运营商进行交易以使用其资源。进一步设想，运营商的规模可以小至个人，例如拥有私人Wi-Fi接入点并愿意向他人提供付费互联网服务的个人。这样，整个市场将变得更加多样化并充满竞争力。l从尽力而为到有保障的资源分配。当前的移动网络由于其以网络为中心的MAC层资源分配机制，无法为用户提供任何SLA。这种机制通常以吞吐量最大化或公平性为目标，因此用户只能享受到尽力而为的服务。相反，在基于Cybertwin的集成RAN中，每个RAN都实现了有保障的资源分配，其目标是满足所有用户的SLA。然而，由于总资源有限，需要采用动态和差异化定价等市场机制，以平衡供需关系并更高效地利用资源[26]。通过引入交易面和价格维度，从根本上解决成本与服务的矛盾。网络基站的部署情况直接决定了运营商服务用户的能力。然而，基站部署不是一个单纯的理论研究问题，实际中会面临各种现实因素的制约。全解耦接入网络中，上下行基站的彻底解耦为传统基站部署带来新的可能性。具体而言，全解耦无线接入网络部署目标如下[12]：l低成本：指的是尽可能减少网络部署压力，降低部署总成本。从4G到5G，基站部署变得更加密集，为运营商带来了高昂的成本。FD-RAN中，上下行基站可以根据自身的特点独立部署，其中，上行基站可以低成本的密集部署，而下行基站则可以采用大基站模式，用更低的频段和更高的功率来加强基站的覆盖能力，以减少基站的部署压力。l按需部署：指的是根据上下行业务的实际需求进行上下行基站的部署。在不同场景下，上下行业务通常不是对称的。例如：工业互联网就是一个以上行业务为主导的场景，其中大量的IoT设备进行数据的上传。在这种场景下，就可以针对性的部署大量的上行基站，而适当减少下行基站的部署。l灵活可扩展：指的是在已有网络的基础上，可随时根据需求灵活的增加基站，且无需进行额外的网络优化和配置，新增的基站将会自然的融入已有网络。由于FD-RAN上行和下行完全独立，而上行基站对部署条件要求更低，且主要通过分集接收的方式来利用多基站，因此在上行可以非常容易地实现以上目标。l开放：指的是在通信网络市场层面，构建开放生态，让微小企业乃至个人都可以加入，实现网络的共建、共享、共赢。一方面，应积极拥抱O-RAN的理念和设计，让网络设备的功能尽可能解耦和模块化，以降低单个模块或设备的成本。另一方面，应按照共享经济的方式构建网络，尽可能降低网络建设的参与门槛，例如：允许个人在家部署上行基站并加入网络，在提高网络整体服务质量的同时，也能从中获得一定的收益。随着万物互联时代的到来，未来的6G网络将需要广泛部署基站以实现全面的网络覆盖。这一发展为运营商带来了巨大的挑战，因为每个基站的建设成本不断增加，数量也呈指数增长。因此，如何制定有效策略以降低网络部署成本，成为了运营商亟需解决的重要问题。全解耦的无线接入网络通过上行链路和下行链路基站的分离，为应对不对称的服务需求提供了一种灵活的部署方式，进而为解决高昂的部署成本提供了一