智能无线通信 课件 第三章-当无线通信遇到人工智能

当无线通信遇上人工智能5G/6G与AI融合后5G时代移动通信网络的需求与挑战01人工智能与无线通信的融合02人工智能赋能无线通信的主要方向03本节教学内容无线通信+AI的标准化趋势046G网络中的人工智能05后5G时代移动通信网络的需求与挑战3通用技术远程控制网联汽车视频分析虚拟专网网联无人机在线AR/VR╳5G=╳行业=典型业务应用场景移动转播智能制造辅助驾驶智慧港口智能电网智能救护智慧矿山农业环保大数据人工智能数字孪生云计算边缘计算视觉分析后5G时代移动通信网络的需求与挑战4目前，5G网络已大规模商用。人类社会活动正在向空天地海多维立体空间扩展，催生了空中交通、航天工业等诸多新兴领域，这些对移动通信基础设施的覆盖、容量等提出了更广、更高、更多样化的要求1.更多、更大带宽、更高效的频谱资源利用2.更绿色低碳的无线覆盖3.更高效、更低成本的网络运行维护管理4.支持个性化、定制化的按需服务能力5.更安全可信的无线传输绿色节能频谱效率安全传输按需定制后5G时代移动通信网络的需求与挑战01人工智能与无线通信的融合移动通信与AI融合的驱动力智能对无线通信系统的影响02人工智能赋能无线通信的主要方向03本节教学内容无线通信+AI的标准化趋势046G网络中的人工智能05移动通信与AI融合的驱动力6目前，人工智能正在经历由深度学习引发的第三次浪潮，数据、算法、算力和终端平台四个方面取得长足进展，在解决当前移动通信面临的挑战上也具有四个方面的优势。1.

AI基于移动大数据提供强大的学习能力2.AI算法改进通信模型的实际效果3.AI赋能网络运维管理智能化、自动化4.AI使移动通信实现泛在智能数据算法算力终端平台移动通信与AI融合的驱动力7移动通信大数据特点：优势：数据量大、受众全面、分析结果客观劣势：数据类型非结构化、高实时性这些特点导致传统数据分析和处理手段在处理大数据时效率低和灵活性差。AI能从具有复杂结构和内部相关性的数据中自动提取高级特征，极大地减少了昂贵的人工成本。同时，数据量越大，AI的学习能力越强。1.AI基于移动大数据提供强大的学习能力数据类型数据名称终端数据用户姓名、性别、手机号码、IMEI、状态码信息等无线空口数据信道状态信息、多径时延、多普勒频偏、多天线波束形成向量等网络数据信令、告警、故障、数据流量、网络话务量、无线网络利用率、网络重传率等业务数据用户资费数据、消费历史、业务内容等互联网数据上网时的URL、上网时长等位置信息用户位置、所属基站经纬度等移动通信与AI融合的驱动力8AI在理论上可以学习任何隐结构和隐参数，从而拟合任意复杂的函数，这为进行无线信道环境的感知以及网络状态空间的刻画提供了新的手段。同时，深度学习等算法能够解决通信系统中传统方法无法建模或无法求解的难题。这为未来移动通信网络设计全新的端到端架构提供了新思路。2.AI算法改进通信模型的实际效果通信系统设计通常采用分模块优化的方法。但实际无线信道状态存在非高斯或非线性的噪声和失真，因此总会在理论值和真实数据之间存在误差。传统方法流程示意图深度学习方法流程示意图移动通信与AI融合的驱动力9智能中台构建AI算法模型，进行分析决策，可以做到自动检测网络状况、分配网络资源等，大大降低了运维管理的难度。打造自配置、自修复、自优化的运维能力，实现通信网络高度自治，帮助运营商提升故障处理效率，降低运维成本。3.AI赋能网络运维管理智能化、自动化人工智能的引入能加速推进网络“全在线、智能化、自动化”的运维解决方案。移动通信网络收集现网中运行的大量数据以及网络出现异常数据。通过大数据训练，对网络中数据的分析及拟合，从而模拟网络的状态，推断潜在问题。移动通信与AI融合的驱动力10数据处理可以在最靠近数据源的边缘设备处理，对云端处理进行良好的补充，这既能降低时延，又能较好地保护用户隐私。各种产品在万物互联的时代都将成为拥有智能功能的终端设备，不同的终端应用也将具有其独特的个性化需求。4.AI使移动通信实现泛在智能移动边缘计算是一种将计算、存储和网络功能下沉到网络边缘去实现实时数据处理、分析和响应的计算模式。能够减少网络传输延迟，提高数据处理的效率，并支持对大规模数据的实时处理需求。智能对无线通信系统的影响11基于功能模型的传统通信系统设计信源信源编码信道编码调制发送天线映射射频发送信宿信源译码信道译码解调接收天线检测射频接收无线信道发射机Transmitter接收机Receiver智能对无线通信系统的影响12基于数据驱动的智能通信系统设计信源信源编码信道编码调制发送天线映射射频发送信宿信源译码信道译码解调接收天线检测射频接收无线信道将发射机、信道和接收机构建为一个深度神经网络（DeepNeuralNetwork）神经网络黑盒输入使用大量训练数据在神经网络黑盒输出端以最小误差重构输入信号信源信宿输出训练后的神经网络黑盒真实信号使用经过训练后的神经网络黑盒重构出真实信号重构信号训练阶段推理阶段后5G时代移动通信网络的需求与挑战01人工智能与无线通信的融合02人工智能赋能无线通信的主要方向AI赋能移动通信网络的物理层传输AI赋能移动通信网络的网络侧应用03本节教学内容无线通信+AI的标准化趋势046G网络中的人工智能056G内生智能设计14AI4Net→5G、5.5GNet4AI→6G及未来网络移动通信网络与AI相辅相成，将逐渐从目前的AI4Net阶段向Net4AI阶段演进未来AI无所不在，6G将从架构、协议、功能等多方面实现内生AI设计演进6GANA.6G网络原生AI技术需求白皮书[R].6GANATG1,2022.5.AIMLDL三者之间的关系15ML是一种实现AI的方法，DL是一种实现ML的技术。深度学习使机器学习能够实现众多的应用，并拓展了人工智能的领域范围。传统机器学习vs深度学习16在传统机器学习算法中，需手工编码特征，这个过程不仅耗时，还需要相关专业知识。相比之下，在深度学习算法中，特征由算法自动完成。深度学习必须要有海量数据才能得到表现优异的模型，所以深度学习特别适合大数据，经过深度学习训练的模型和系统，是当前可以找到的最接近人类大脑的人工智能系统。AI赋能无线通信17人工智能在计算机视觉、医学诊断、搜索引擎、语音识别等领域已经得到了广泛应用，技术发展也较成熟，而其在无线通信领域中的应用还处于初期阶段人工智能将在以下四个方面发挥重要作用：无线网络性能增强基站节能动态频谱分配基站间协同移动性管理……网络运维效率提升网络覆盖优化参数调优故障告警分析特性自动部署……新兴业务的使能网络切片无线定位环境感知……安全防护能力提升未知攻击识别精准安全防护差异化安全服务……后5G时代移动通信网络的需求与挑战01人工智能与无线通信的融合02人工智能赋能无线通信的主要方向AI赋能移动通信网络的物理层传输AI赋能移动通信网络的网络侧应用03本节教学内容无线通信+AI的标准化趋势046G网络中的人工智能05AI赋能移动通信网络的物理层传输——智能OFDM接收机19传统通信系统的形式如图所示，由发射机、信道和接收机组成，接收机的关键模块包括：信道估计、均衡和解映射AI赋能移动通信网络的物理层传输——智能OFDM接收机201.信道估计：传统方法采用最小二乘估计(LeastSquare,LS)，即寻找一个

，使得接收信号与估计信号之间的误差平方和最小，其中，

，

是接收导频向量，

是已知导频构成的对角矩阵，

是待估计的信道频响2.信道均衡：传统方法采用线性最小均方误差（LinearMinimumMeanSquareErrorEstimation，LMMSE），作用是消除信道引起的幅度和相位畸变，恢复发送的数据符号3.星座解调：传统方法采用对数似然比(log-likelihoodratio，LLR)，将均衡后的符号映射为比特的软信息，供信道译码使用对数似然比定义：

，其中，

是第i位为0的星座点集合，

是第i位为1的星座点集合，

是在高斯噪声下的似然函数AI赋能移动通信网络的物理层传输——智能OFDM接收机21传统接收机按信道估计、均衡、解调分模块设计，仍然存在模型不准、复杂度高、跨场景泛化差等问题3GPP在R20将智能接收机纳入6G的讨论范围[1]，希望利用AI学习接收端映射，直接输出后端译码所需的软信息[1]R1-2505132,“ViewsonAI/MLOperationandUseCasesfor6GRadioAirInterface”,RAN1#122,Bengaluru,India,Aug25th–29th,2025.Nokia给出的智能接收机流程AI赋能移动通信网络的物理层传输——智能OFDM接收机22智能接收机本质为自编码器结构的解码器部分，采用取代多个处理块的方式，将信道估计、均衡和解映射三合一AI赋能移动通信网络的物理层传输——智能OFDM接收机23在不同信噪比下，基于AI的接收机比传统接收机具有更强的泛化能力与鲁棒性实验结果：与传统接收机相比，智能接收机在不同信噪比下均拥有更低的误块率，其性能接近完美CSI结论：AI赋能移动通信网络的物理层传输——智能CSI反馈24多天线阵列通过受控的延迟或相位偏移发射信号，创造出定向的干涉波瓣，产生具有指向性的波束；通过调整每根天线辐射相位和幅度以及发射时延，提高主瓣指向性和能量密度，这就是波束赋形。干涉主瓣主方向波束赋形需要发射端获取CSI，可见波束赋形依赖于CSI反馈大规模MIMO技术无线通信系统物理层的关键技术之一，可以极大提高无线传输的空间自由度，具有高抗干扰能力、高网络容量、高频谱效率以及高能量效率等一系列优势，大规模MIMO的性能严重依赖于CSI反馈的精度。网络性能提升在FDD场景中，随着基站端天线阵列不断增加和系统带宽的增加，大规模MIMO系统获取CSI面临着巨大的导频开销和反馈开销。AI赋能移动通信网络的物理层传输——智能CSI反馈25CSI反馈过程：用户端通过获取到的下行导频信息进行信道估计；由于FDD上下行不同频段，所以用户需要将估计的CSI通过上行信道反馈给基站；基站端通过获取到的CSI进行下行信道的波束赋形；x为导频信息；H为信道；y为用户侧收到的信息AI赋能移动通信网络的物理层传输——智能CSI反馈26频域信道H和预编码W都是可以作为CSI反馈的内容的频域信道H和预编码W两者关系如下：j为子载波维度CSICQIRIPMI（ChannelQualityIndicator，信道质量指示）（RankIndicator，秩指示）（PrecoderMatrixIndicator，预编码矩阵指示）在CSI反馈中，CQI和RI为索引值，反馈开销主要是多天线、高带宽信道下的PMI矩阵，因此如何低开销，高精度反馈PMI是CSI反馈难点CSI反馈的具体内容：AI赋能移动通信网络的物理层传输——智能CSI反馈27选出模值最大L个空域波束进行量化压缩选出模值最大M个频域波束进行量化压缩对波束进行过采样将量化系数进行空口传输查找Rel-16码本恢复出原始信道的预编码矩阵在传统基于码本的CSI反馈中，码本反馈精度低，反馈开销大，在上行反馈中占用了大量的频谱资源，使得本不宽裕的上行资源变得更加紧张传统基于码本的CSI反馈：AI赋能移动通信网络的物理层传输——智能CSI反馈28能否利用AI的思想来对上行CSI进行压缩量化反馈受到Autoencoder的启发，将思想用于CSI反馈中将量化码字进行空口传输CSI数据CSI数据基于AI的CSI反馈架构基于AI的CSI反馈：AI赋能移动通信网络的物理层传输——智能CSI反馈29CSI反馈中AI模型的演进基于卷积的CSI反馈方式主要通过改变卷积核的尺寸来改变视野基于Transfomer的CSI反馈方式主要通过注意力机制关注重要信息基于AI的CSI反馈发展：AI赋能移动通信网络的物理层传输——智能CSI反馈30反馈频域信道——CSI反馈的建模：编码器可以提取信道的特征信息，UE只需将码字反馈给基站即可。编码器的压缩操作可以表示为：解码器的解重建操作可以用函数表示为：基于深度学习的CSI反馈的优化目标就是寻找最优的神经网络参数，使得原始信道和重建后的信道之间的均方误差最小。整个压缩和重建过程可以描述为一个优化问题，如下：AI赋能移动通信网络的物理层传输——智能CSI反馈31ParameterValueDuplex,WaveformFDD，OFDMScenarioDenseUrbanAntennaandport32ports:(8,8,2,1,1,2,8)TrafficmodelfullbufferUEdistribution80%indoor；20%outdoor反馈特征向量：AI赋能移动通信网络的物理层传输——智能CSI反馈32通过系统级仿真验证：性能比较对于相同的性能，基于AI的CSI压缩和恢复可以比Rel-16eTypeII码本节省一半以上的反馈比特，且系统吞吐量更高AI配置模型：transformer量化bit：4bit反馈bit：可调节训练数据量：57万码本配置版本：Rel-16param：1~6反馈bit：可调节R1-2300211

“DiscussiononevaluationonAI/MLforCSIfeedbackenhancement”,#RAN#110bis-e,SpreadtrumCommunications,BUPT,February27th–March3rd,2023

R1-2302593

“DiscussiononevaluationonAI/MLforCSIfeedbackenhancement”,#RAN#112b-e,SpreadtrumCommunications,BUPT,April17th–April26th,2023AI赋能移动通信网络的物理层传输——智能波束管理33MIMO波束的选择需要以准确的波束测量为基础。然而，随着波束数量的增加，全局扫描所有波束会造成巨大的测量开销，在实际的系统中难以接受。

AI赋能移动通信网络的物理层传输——智能波束管理34波束预测的数学模型

采用几何信道模型对信道矩阵进行计算：采用发送码本：

采用接收码本：

最优波束对：

AI赋能移动通信网络的物理层传输——智能波束管理35使用AI进行波束管理是3GPPR18立项中物理层AI的三种典型用例之一[1]空间域预测方案[2]是首先对波束进行稀疏地扫描，并基于测量结果和训练完成的AI模型在空间上对其他未测量的波束进行预测，最后确定最强波束。基于AI的空间域智能波束预测方案图示[1]RP-213599,“NewSI:StudyonArtificialIntelligence(AI)/MachineLearning(ML)forNRAirInterface”,RAN#94-e,ElectronicMeeting,Dec.6-17,2021.[2]RP-210321.“StudyonAI/MLbasedairinterfaceenhancementinRel-18”,RAN#91-e,ElectronicMeeting,Mar.16-26,2021.PredictedTop-KbeamsfromallbeamsAI赋能移动通信网络的物理层传输——智能波束管理36步骤一、二：全波束扫描并获取所有RSRP和对应的最优波束编号，构建训练数据集AI模型训练阶段：步骤三、四：将训练数据反馈输入AI模型，进行训练AI模型推理阶段：步骤五、六：稀疏地波束扫描，并报告所有测量的稀疏波束对应的L1-RSRP。

步骤十、十一：通信双方确定最优波束对并采用其进行通信。基于AI的空间域智能波束预测方案流程图AI赋能移动通信网络的物理层传输——智能波束管理37基于AI的智能波束预测实验结果：

结论：对于空间域波束预测，基于AI的方案优于传统方案（Baseline）当不同波束测量的L1-RSRP区别较小时，基于AI的智能波束预测方案(Top-5)能达到94.95%的预测准确率，而Baseline仅能达到55.3%，提升71.7%。3GPP,Huawei,HiSilicon,R1-2205892.EvaluationonAI/MLforbeammanagement[R],TSGRANWG1#110,2022后5G时代移动通信网络的需求与挑战01人工智能与无线通信的融合02人工智能赋能无线通信的主要方向AI赋能移动通信网络的物理层传输AI赋能移动通信网络的网络侧应用03本节教学内容无线通信+AI的标准化趋势046G网络中的人工智能05AI赋能移动通信网络的网络侧应用——移动数据流量预测39移动数据流量预测的背景与重要性什么是移动数据流量

指在一定时间内通过移动通信网络传输的数据总量

是衡量网络负载和运行状态的重要指标流量快速增长

移动互联网和智能终端的广泛普及

用户数量和业务类型持续增加

网络数据流量呈爆发式增长趋势为什么需要流量预测

支撑无线资源的按需配置与调度

提高资源利用率，降低能耗

是实现网络智能运维和绿色通信的关键技术流量预测是网络从‘被动响应’走向‘主动优化’的基础基站上行流量热力图AI赋能移动通信网络的网络侧应用——移动数据流量预测40人工智能赋能的移动流量预测引入人工智能的动机能处理海量数据和复杂非线性关系具备自学习和自适应能力适合建模复杂时序与空间相关性典型人工智能方法机器学习方法：随机森林，多元线性回归，高斯过程回归深度学习方法：卷积神经网络（CNN），残差网络（ResNet），生成对抗网络（GAN）AI赋能移动通信网络的网络侧应用——移动数据流量预测41小区3小区103小区333fff已有（观测）时间序列预测后一天流量值（序列）收集数据，通过历史数据预测后一天的流量AI赋能移动通信网络的网络侧应用——移动数据流量预测42当前流量预测流量根据已经给出的时间序列的历史数据预测该时间序列未来可能的行为。时间序列预测

AI赋能移动通信网络的网络侧应用——网络节能43基站什么时候运行？365天×24小时全中国基站数量有多少？约1000万全中国5G数量有多少？约145万数据来源：工信部、中国移动设计院、西部证券研发中心移动通信基站的能耗，占移动网络运行能耗的45%－65%AI赋能移动通信网络的网络侧应用——网络节能44基站能耗占整体运维成本主要基站节能方式背景根据国家能源局的数据统计，在整个移动通信网络的电力消耗中，基站的能耗占比最高，大约占72%，因此基站设备的节能管理对降低电信运营商的运维成本至关重要。

基站硬件节能和软件节能两大方式基站硬件节能技术是通过改善基站设备的硬件材料，降低基站硬件的基础耗能，但受限于器件材料和工艺的发展，具有局限性。基站软件节能技术是利用现实网络中网络流量的“潮汐效应”，通过调整基站软件配置对硬件资源进行合理调配，达到基站节能减耗目的。AI赋能移动通信网络的网络侧应用——网络节能45引入人工智能前传统基站软件节能方法中，依赖简单模型或人工设定好的门限决定开关与否，导致节能效果有限。基站的开关策略主要分为基于基站负载的开关策略和基于用户关联的开关策略。前者关注基站的能效问题而忽略了用户关联状态，而后者需要频繁地对基站开关状态进行切换，造成额外的能量消耗。引入人工智能后通过历史数据学习构建模型，同时引入实时数据不断训练修正模型，进而能在当前环境下进行节能场景的识别、流量预测、节能策略的智能推荐，在保证用户体验的条件下，基站能达到智慧节能的效果。AI赋能移动通信网络的网络侧应用——网络节能46能耗流量能效？基站流量分布图忙时闲时忙时闲时能效低基站运行能耗和能效基站流量潮汐现象明显AI赋能移动通信网络的网络侧应用——网络节能47AI赋能移动通信网络的网络侧应用——网络节能48当前流量预测流量根据已经给出的单个基站的历史流量值（GB）预测该基站未来流量值（GB）时间序列预测

AI赋能移动通信网络的网络侧应用——网络节能49STL分解法ARMAARIMASTFTGraminAngularField时空序列深度网络图神经网络DeepSTConvLSTMconv3D时间序列机器学习深度学习STGCNASTGCNAGCRNSTFGNNXGBoostCNNLSTMRNNGRUSeq2seqInformer时序分析预测建模基于机器学习/深度学习基于规则分解建模线性建模转换为频域数据转换为图像DNNProphet朴素预测法朴素周期法历史平均法AI赋能移动通信网络的网络侧应用——网络节能50案例摘要AI算法核心思路与传统基站开关策略对比可知，基于强化学习Actor-Critic算法的解决方案，一方面在状态中引入了流量预测和历史决策信息，有助于加快算法的收敛速度；另一方面通过设置惩罚函数，全面考虑基站功耗、用户动态和用户主观感受，显著降低能耗，而不损害网络服务质量。本案例为基于强化学习的小蜂窝基站（SBS）

开关策略，首先将SBS的开关切换问题建模为马尔可夫决策过程，然后通过强化学习中的Actor-Critic算法求解问题。AI赋能移动通信网络的网络侧应用——网络节能51如何智能处理流量“潮汐”？亚帧（符号关断）通道关断高低频覆盖切换AI赋能移动通信网络的网络侧应用——移动性管理52无线网络中移动性预测主要是基于UE历史运动模式的移动性预测，即根据UE大量的历史运动模式，构建数据的数学模型或挖掘用户的移动规律，进而总结出UE的运动规律或运动模式来对UE的下一步行为进行预测人工智能可以有效解决移动性预测的问题，常见的机器学习模型包括马尔科夫链模型、隐马尔科夫模型、贝叶斯网络和支持向量机（SVM）等等近些年，随着深度学习模型中循环神经网络（RNN）的出现，LSTM（LongShort-TermMemory，长短期记忆网络）和GRU（GatedRecurrentUnit，门控循环单元）等模型逐渐成为使用最广泛的预测方法移动性预测HuangL,LuL,HuaW.ASurveyonNext-CellPredictioninCellularNetworks:SchemesandApplications[J].IEEEAccess,2020,8:201468-201485.CuiQ,HuX,NiW,etal.VehicularmobilitypatternsandtheirapplicationstoInternet-of-Vehicles:acomprehensivesurvey[J].ScienceChinaInformationSciences,2022,65(11):1-42.CuiQ,WangN,HaenggiM.Vehicledistributionsinlargeandsmallcities:Spatialmodelsandapplications[J].IEEETransactionsonVehicularTechnology,2018,67(11):10176-10189.AI赋能移动通信网络的网络侧应用——移动性管理53HuangL,LuL,HuaW.ASurveyonNext-CellPredictioninCellularNetworks:SchemesandApplications[J].IEEEAccess,2020,8:201468-201485.CuiQ,HuX,NiW,etal.VehicularmobilitypatternsandtheirapplicationstoInternet-of-Vehicles:acomprehensivesurvey[J].ScienceChinaInformationSciences,2022,65(11):1-42.CuiQ,WangN,HaenggiM.Vehicledistributionsinlargeandsmallcities:Spatialmodelsandapplications[J].IEEETransactionsonVehicularTechnology,2018,67(11):10176-10189.优点：所需算力和模型复杂度低，在建模中能够考虑多影响因素缺点：需要针对具体问题构建数学模型，模型本身参数较多、灵活度不高，处理大规模数据能力较弱场景：数据随机性不高，噪声少的场景优点：分析计算能力强，处理大规模数据能力强，模型灵活度高缺点：训练时间长，训练开销大场景：数据随机性强，多噪声的复杂场景贝叶斯模型马尔科夫链模型隐马尔科夫模型支持向量机······普通RNN模型LSTM模型GRU模型常见传统机器学习模型常见深度学习模型AI赋能移动通信网络的网络侧应用——移动性管理54DR（航位推算）是一种通过速度、方向和时间估计位置的导航方法，本案例通过引入LSTM，将车辆轨迹和距离输入到LSTM网络预测下一时刻的方向和距离，再根据预测结果使用DR方法，可以得到更为准确的预测结果案例摘要本案例采用基于虚拟小区轨迹预测的移动性管理技术，通过LSTM-DR框架预测车辆下一位置，从而选择目标基站提供接入AI算法核心思路Q.Liu,G.Chuai,J.WangandJ.Pan,ProactiveMobilityManagementWithTrajectoryPredictionBasedonVirtualCellsinUltra-DenseNetworks[J].inIEEETVT,vol.69,no.8,pp.8832-8842.不同时间跨度两种模型的平均绝对误差（MAE）AI赋能移动通信网络的网络侧应用——高精度定位55定义：定位技术用于确定对象在空间中的具体位置；高精度定位强调更小的定位误差，可支撑精细化导航与控制。典型应用场景：紧急救援/人员搜救、无人机物流与监测、智能工厂、自动驾驶等。两大类定位体系：室内/复杂环境中，传统广域定位（如GNSS）受信号覆盖弱等因素限制，难以满足高精度需求；而局域技术大范围部署成本较高。智能驾驶智能工厂紧急救援无人机物流广域定位：卫星导航（GPS/北斗等）、移动通信网络定位（蜂窝定位、OTDOA等）。局域定位：Wi-Fi、蓝牙等（常用于室内）。AI赋能移动通信网络的网络侧应用——高精度定位56传统定位防御与局限传统定位：利用无线信号属性建立几何关系或做匹配推断，为局部环境提供位置信息。典型方法基于信号强度（RSSI）测距：用接收信号强度估算距离，再定位。位置指纹匹配：预先采集“地点—信号特征”指纹库，在线匹配定位。基于传输时间测距：测ToA/TDoA等时间信息推算距离。基于传播角度定位：测AoA等角度信息进行交汇定位。缺点：室内与城市复杂环境中多径/遮挡/噪声显著，容易产生误差指纹库维护成本高、环境变化后性能易下降难以融合多源数据并自适应复杂场景（泛化不足）AI赋能移动通信网络的网络侧应用——高精度定位57AI使能定位的基本原理将定位看作“观测数据→位置”的学习问题：输入可来自Wi-Fi/蓝牙等信号特征，也可融合多传感器数据。AI可建立回归模型，直接预测坐标（x,y,z）在大规模MIMO场景下，可结合通信过程中的CSI进行定位估计，进一步提升精度与鲁棒性。AI还可用于识别特定地点的无线指纹、融合多源传感数据实现高精度定位。优点：所需算力和模型复杂度低，在建模中能够考虑多影响因素，可解释性较强缺点：在复杂环境下劣化，灵活度不高，需要更密集部署或更新指纹库，无法与AI系统模块协同场景：形状简单，噪声少的简单场景优点：精度更高，复杂环境抗多径/噪声能力更强，可与其他AI模块作系统协同缺点：需要数据与训练，新场景需要迁移适配，场景：高精度定位需求下，多噪声的复杂场景传统定位技术AI定位技术AI赋能移动通信网络的网络侧应用——网络参数优化58产业现状：5G网络设备世界领先专利射频设备基站技术设备参数影响网络架构、性能、能耗设备参数必须与电磁环境、用户分布相匹配合理的参数配置是提升网络性能的关键参数配置难！···AI赋能移动通信网络的网络侧应用——网络参数优化59路测采集信号质量数据经验判断基站的参数调整线性回归，通过散点图多轮调优，数据无积累传统网络调优主要依靠：传统网络调优的问题：路测成本高，费时费力，且增大路测范围面临较大风险5G天线数大幅增加，信道从仅有一维路损扩展到N维角度功率谱整网体验的系统性优化还依赖服务专家的工程经验AI赋能移动通信网络的网络侧应用——网络参数优化605G超大规模网络参数深圳：4.6万台5G基站，基站下多小区，参数之间互相耦合，参数组合数102000000网络结构复杂，多频点，多制式围棋解空间参数：101005G网络参数规模大、风险高、环境随机难点1：超大规模参数组合、网络高度复杂AI赋能移动通信网络的网络侧应用——网络参数优化615G网络场景不确定难点2：现网调参风险高服务多样化，需求差异化局部参数调整影响整网性能AI赋能移动通信网络的网络侧应用——网络参数优化62难点3：学术无人区无数据，无模型目前研究主要集中在链路级、小区级网络层级复杂，缺乏与环境相耦合的理论挑战学术无人区，像DeepMind发展出AIphaGo破解围棋一样，找出一条全新技术路线解决5G网络寻优问题AI赋能移动通信网络的网络侧应用——网络参数优化63引入人工智能前超大规模参数组合、网络高度复杂现网调参高风险，牵一发而动全身学术无人区，没有相应数学模型、理论引入人工智能后模型/数据双驱动的网络调优通过AI数字孪生技术，模拟网络信道、流量分布，在实验室模拟基站真实环境产生大量样本综合实验室海量样本+少量真实样本，训练基站统计响应模型安全态势感知和故障告警分析64背景当前5G网络安全机制和安全管理模式相对简单，缺乏灵活性和细粒度性，难以有效适配后5G网络开放融合、网络边界模糊、终端设备异构多元、攻击手段复杂多样等新特征。严密的安全策略可以保证有效的授权管理和访问控制，最大程度上保护通信网络中的关键资源，以应对网络边界模糊带来的安全挑战而人工智能技术可以为通信网络安全重新赋能，通过人工智能与安全防御深度结合，帮助网络系统实现对安全态势的自学习，对安全策略的自优化，实现动态感知安全态势的最优安全策略配置，从而提升网络的安全能力。安全态势感知和故障告警分析65引入人工智能前现有通信网络安全策略大多数情况下是静态的，采用以身份-权限对进行授权，缺乏对主体/资源属性、网络安全态势、威胁等级等动态属性的刻画；并且安全策略通常是人工配置，在大规模的5G网络环境下难以保证完全满足安全需求以及最小特权原则。引入人工智能后在无线网络中设置态势感知系统，结合威胁情报、用户及实体行为分析、大数据分析等技术，帮助网络及时更新主体可信状态、网络安全威胁等级等安全属性；结合AI智能寻优技术，对安全策略进行智能微调，与环境实时交互，并借助专家知识，学习出满足安全需求的最优安全策略。后5G时代移动通信网络的需求与挑战01人工智能与无线通信的融合02人工智能赋能无线通信的主要方向03本节教学内容无线通信+AI的标准化趋势046G网络中的人工智能055G与AI融合的标准化进展67将5G通信系统和AI相结合是业界重点关注的研究方向，目前3GPP（第三代移动通信伙伴项目）、ITU（国际电信联盟）、IMT-2020推进组、ETSI（欧洲电信标准化协会）、GSMA（全球移动通信系统协会）等多个国际标准化组织和行业组织均进行了相关的标准化研究。5G与AI融合的标准化进展683GPP在5G架构中定义了网络数据智能分析功能，借此将人工智能和大数据分析技术引入网络，相关研究涉及SA2、RAN两个工作组。2017年5月，3GPPSA2工作组发起了5G网络自动化、智能化的研究。2018年9月，3GPPRAN工作组成立了RAN侧数据收集和分析的研究项目。2020年6月，3GPP通过了数据收集持续增强研究立项，推进无线与AI融合的研究工作。

3GPP5G与AI融合的标准化进展69ITU的标准化研究侧重于机器学习方法在未来5G网络中的应用。

2017年11月，ITU设立了未来网络及5G的机器学习（FG-ML5G）焦点组。其下设立三个工作组（WG），分别研究机器学习在未来网络的应用场景和潜在需求、用于移动网络优化的机器学习算法、支持机器学习的未来网络架构和协议等。

IMT-2020中国IMT-2020推进组在2019年7月发布《基于AI的智能网络切片管理和协同》白皮书。2019年10月推出《IMT-2020及未来网络智能化分级》标准。

ITU5G与AI融合的标准化进展70

ETSI

ESTI在2017年初成立了体验型网络智能（ENI）工作组，该工作组基于“感知-适应-决策-执行”控制环模型定义了一种认知网络管理架构，它使用人工智能和情境感知策略，根据用户需求、环境条件和业务目标的变化调整提供的服务。

GSMAGSMA于2019年6月发布《AIinNetwork》白皮书，其中介绍5G网络引入人工智能的必要性、AIinNetwork的框架和自动化能力分级以及用例等内容。5G-A/6G与AI融合的标准化进展713GPP各工作组已经展开了对5G智能化的研究SA2：StudyofenableforNetworkAutomationfor5G立项，eNA第二阶段立项SA5：StudyonenhancementofManagementDataAnalyticsService立项RAN3：StudyonenhancementfordatacollectionforNRandENDC立项RAN1：Studyonartificialintelligence(AI)/machinelearning(ML)forNRairinterface

立项5G-A/6G与AI融合的标准化进展722017201820192020202120222023202420252026202720285GR155GR165GR175GR185GR195GR20…SA

2EnablersforNetworkAutomationfor5GSA1RAN2/3DatacollectionforSON/MDTStudyonNRQoEandoptimizationfordiverseservidesRAN1AI/MLforAirinterfaceTrafficcharacterristicofML(OTTusecases)RAN3FunctionalframeworkandusecasesforAI/MLinRANPredictivepotentialofAI/MLTheunifiedarchitectureoftheAirinterface5G-A/6G与AI融合的标准化进展73RAN3AI研究背景：

在SAWG2对AI/ML的相关研究中，Rel-15中引入了网络功能NWDAF，并在R16及后续版本中进行了增强。但是遗留下来的问题在于，无线通信中的AI/ML应用局限于具体的实现方法，当前的RAN架构并不能有效支撑AI/ML应用。

基于上述的研究基础与问题，在3GPPRAN3在R17阶段确定并形成了”Studyonfurtherenhancefordatacollection“

的studyitem，旨在形成统一的AI/MLRAN功能框图、定义AI/ML各个功能模块并通过三个高优先级的AI/ML用例进一步解释RAN智能化进程。在R18阶段，确立了“Artificalintelligence(AI)/machinelearning(ML)forNG-RAN”的workitem，为用例指定数据收集和信令流程。5G-A/6G与AI融合的标准化进展74RAN3AI研究目标：研究AI支持的RAN智能原则与功能框架研究对于应用案例的标准化影响，包括:AI方案中涉及的训练和执行的RANAI信令，AI功能需要输入的数据和AI功能可能的输出结果等研究AI支持的NG-RAN架构可能需要新增的网络节点或功能增强，以接收/提供输入/输出数据研究RAN的AI支持对于现有网络接口的影响，以在网络节点或者AI功能实体之间传递输入/输出数据5G-A/6G与AI融合的标准化进展75Possibleusecasesfocuson:EnergySaving,e.g.,predictedload,dynamicallyconfiguretheenergy-savingstrategy,cellactivation/deactivationLoadBalancing,e.g.,collectionofvariousmeasurementsandfeedbacks,improveuserexperienceandsystemcapacityMobilityOptimization,e.g.,Reductionoftheprobabilityofunintendedevents,UELocation/Mobility/Performanceprediction,TrafficSteering研究结果：形成3GPPTR37.817

研究报告RAN3AI研究案例在RAN#88会议中，确定了初始应用案例，并将在RAN#93会议确立了三个高优先级应用案例，并对应用案例进一步细化解释，以支持在RAN中支撑AI/ML：5G-A/6G与AI融合的标准化进展76TR37.817确定RAN智能化功能架构3GPP

TR

37.817:“StudyonenhancementforDataCollectionforNRandEN-DC”.

通过对应用案例的研究RAN3工作组形成了RAN智能化功能架，可以实现整个AI流程，包括数据收集、模型训练、模型推理、动作执行、模型更新与下发、模型表现反馈等。

确定了两种部署方式，并且针对两种部署方式设计了相应的信令流程。统一功能架构5G-A/6G与AI融合的标准化进展77

在RAN智能化功能架构下，通过对三个应用案例的研究，形成了两种部署方式，一种为模型的训练位于OAM侧，模型的推理位于gNB侧。一种为模型的训练和推理均位于gNB侧。针对与CU-DU分离架构下，gNB中模型的训练和推理均位于gNB-CU中。Thefollowingsolutionscanbeconsidered：

AI/MLModelTrainingislocatedintheOAM

and

AI/MLModelInferenceislocatedinthegNB.AI/MLModelTrainingandAI/MLModelInferencearebothlocatedinthegNB.Note:gNBisalsoallowedtocontinuemodeltrainingbasedonAI/MLmodeltrainedintheOAMIncaseofCU-DUsplitarchitecture,thefollowingsolutionsarepossible:AI/MLModelTrainingislocatedintheOAMandAI/MLModelInferenceislocatedinthegNB-CU.AI/MLModelTrainingandModelInferencearebothlocatedinthegNB-CU.部署方式5G-A/6G与AI融合的标准化进展78

在项目目标中，空口AI公共框架的研究内容包括AI算法的典型阶段、基站和UE的协作等级、AI模型生命周期管理、数据集等方面。AI/MLmodel,terminologyanddescriptiontoidentifycommonandspecificcharacteristicsforframeworkinvestigations:CharacterizethedefiningstagesofAI/MLrelatedalgorithmsandassociatedcomplexity:Modelgeneration,e.g.,modeltraining(includinginput/output,pre-/post-process,online/offlineasapplicable),modelvalidation,modeltesting,asapplicableInferenceoperation,e.g.,input/output,pre-/post-process,asapplicableIdentifyvariouslevelsofcollaborationbetweenUEandgNBpertinenttotheselectedusecases,e.g.,Nocollaboration:implementation-basedonlyAI/MLalgorithmswithoutinformationexchange[forcomparisonpurposes]VariouslevelsofUE/gNBcollaborationtargetingatseparateorjointMLoperation.CharacterizelifecyclemanagementofAI/MLmodel:e.g.,modeltraining,modeldeployment,modelinference,modelmonitoring,modelupdatingDataset(s)fortraining,validation,testing,andinference通用框架研究5G-A/6G与AI融合的标准化进展79数据收集面临的问题：收集时长、收集开销、数据隐私问题模型训练:将AI/ML模型分为单侧AI/ML模型（包括网络侧模型和用户侧模型）、双侧AI/ML模型（网络侧和用户侧模型对联合推理），针对两种不同的模型设计训练方式，对于不同的训练方式要考虑UE和NW的硬件/软件兼容性问题、MRF（modelrepresentativeformat）问题、模型所有权、模型性能问题等数据预处理和后处理方面对标准的潜在影响数据收集和模型训练5G-A/6G与AI融合的标准化进展80Network和UE的协作等级Levelx：Nocollaboration

（完全基于实现的AI/ML算法，不需要引入任何专用于AI/ML的信令）Levely：Signaling-basedcollaborationwithoutmodeltransfer

（需要定义与AI/ML操作相关的信令，UE和gNB之间不涉及AI/ML模型结构和参数信息的交互）Levelz：3.Signaling-basedcollaborationwithmodeltransfer

（在Levelz的基础上，还支持NW和UE之间的模型传输，包括显式传输参数和AI/ML模型的结构）R1-2203139“DiscussionongeneralaspectsofAI/MLframework”,RAN1#109e,Huawei,HiSilicon,May9–20,20225G-A/6G与AI融合的标准化进展81

模型生命周期管理5G-A/6G与AI融合的标准化进展82

RAN#94全会中确定了R18AI/MLforAirinterface的studyitem。该项目旨在探索通过AI/ML算法提高空口性能（提高吞吐量、鲁棒性、准确性或可靠性）、降低复杂度、降低开销等。空口AI的研究背景空口AI的研究目标评估AI技术在潜在应用案例上相对于传统技术的增益以及对复杂度进行评估构建空口AI的通用框架，确定AI/ML可以提高空口性能的场景考虑gNB和UE之间的各种数据交互的协作等级5G-A/6G与AI融合的标准化进展83Usecasestofocuson:Initialsetofusecasesincludes:CSIfeedbackenhancement,e.g.,overheadreduction,improvedaccuracy,prediction[RAN1]Beammanagement,e.g.,beampredictionintime,

and/or

spatialdomain

foroverheadandlatencyreduction,beamselectionaccuracyimprovement[RAN1]Positioningaccuracyenhancementsfordifferentscenariosincluding,e.g.,thosewith

heavyNLOSconditions[RAN1]FinalizerepresentativesubusecasesforeachusecaseforcharacterizationandbaselineperformanceevaluationsbyRAN#98TheAI/MLapproachesfortheselectedsubusecasesneedtobediverseenoughtosupportvariousrequirementsonthegNB-UEcollaborationlevels

在RAN#94e全会中，确定了三个初始应用案例集合，并将在RAN#98会议对应用案例进行进一步地细化选择，子案例的选择应当足够多样化，以支持不同协作等级的需求：研究案例后5G时代移动通信网络的需求与挑战01人工智能与无线通信的融合02人工智能赋能无线通信的主要方向03本节教学内容无线通信+AI的标准化趋势046G网络中的人工智能056G网络中的人工智能——无线分布式智能85让AI训练/推理从“集中上云”转向“端—边—云协同”定义：在无线网络中，多个终端/边缘/云节点协同完成AI训练与推理，尽量不上传原始数据。协同方式：主要交换模型参数/梯度、特征表示或决策信息，而不是原始数据流。目标收益：低时延（贴近业务现场）、省带