人工智能在5G網(wǎng)絡(luò)的應(yīng)用和標(biāo)準(zhǔn)化進(jìn)展

1、人工智能在5G網(wǎng)絡(luò)的應(yīng)用和標(biāo)準(zhǔn)化進(jìn)展摘要】首先探討了在5G網(wǎng)絡(luò)中引入AI的必要性和存在的問題。然后介紹AI技術(shù)的開展概況以及AI在5G網(wǎng)絡(luò)中的典型應(yīng)用。最后介紹了目前國際標(biāo)準(zhǔn)化組織3GPP和ITU-T在AI與5G結(jié)合上的標(biāo)準(zhǔn)化研究進(jìn)展。通過介紹AI在5G的開展可知5G網(wǎng)絡(luò)智能化不僅要從AI算法研究方面實(shí)現(xiàn)突破，還需要有相關(guān)的政策法規(guī)來嚴(yán)格保護(hù)用戶隱私?！娟P(guān)鍵詞】5G;人工智能;應(yīng)用場景;標(biāo)準(zhǔn)化1引言隨著2021年6月5G第一階段標(biāo)準(zhǔn)的凍結(jié)，5G網(wǎng)絡(luò)開始走向了真正的商用之路。然而面對未來更多樣化的業(yè)務(wù)需求和更復(fù)雜的通信場景，目前的5G網(wǎng)絡(luò)仍缺乏足夠的智能來提供按需的效勞，也不能保證網(wǎng)絡(luò)資源的利用

2、效率。因此，國際標(biāo)準(zhǔn)制定組織3GPP擬將AI人工智能引入5G網(wǎng)絡(luò)中來保證網(wǎng)絡(luò)效勞質(zhì)量、優(yōu)化網(wǎng)絡(luò)功能和增強(qiáng)網(wǎng)絡(luò)自動化運(yùn)維能力【1】。這一研究得到了國內(nèi)外眾多電信設(shè)備商和運(yùn)營商的支持，例如華為、大唐、愛立信、中國移動、法國電信等。AI是一項(xiàng)使機(jī)器像人類一樣智能的科學(xué)和工程，長期以來一直被用于優(yōu)化各種復(fù)雜環(huán)境下的計(jì)算機(jī)系統(tǒng)和通信網(wǎng)絡(luò)【2】。引入AI的5G網(wǎng)絡(luò)能夠具備更強(qiáng)的場景感知能力，并基于對場景的感知進(jìn)行響應(yīng)，提供網(wǎng)絡(luò)執(zhí)行策略或通信場景特征預(yù)測。由此可見，引入AI的5G網(wǎng)絡(luò)將轉(zhuǎn)變?yōu)檎嬲囊杂脩艉蛨鼍靶畔橹行牡木W(wǎng)絡(luò)【3】。5G網(wǎng)絡(luò)在經(jīng)歷從傳統(tǒng)網(wǎng)絡(luò)到智能化網(wǎng)絡(luò)的變革中，面臨著以下問題：1用例選擇和相

3、應(yīng)的機(jī)器學(xué)習(xí)算法選擇。通過對適用AI技術(shù)的各種用例的分析和比較，確定使用AI對網(wǎng)絡(luò)進(jìn)行增強(qiáng)的技術(shù)方向并選擇或改進(jìn)適宜的AI算法。2網(wǎng)絡(luò)架構(gòu)定義。從網(wǎng)絡(luò)架構(gòu)上支持基于AI的網(wǎng)絡(luò)數(shù)據(jù)分析和反響，包括對靜態(tài)網(wǎng)絡(luò)數(shù)據(jù)和實(shí)時(shí)運(yùn)行數(shù)據(jù)的分析。3用戶數(shù)據(jù)和網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)的采集，完成對應(yīng)用層業(yè)務(wù)信息、運(yùn)維管理層統(tǒng)計(jì)信息、網(wǎng)絡(luò)層實(shí)時(shí)運(yùn)行數(shù)據(jù)等各類數(shù)據(jù)的采集。2AI技術(shù)AI技術(shù)興起于20世紀(jì)50年代，是計(jì)算機(jī)學(xué)科的一個(gè)重要分支，其目的是研究人類智能活動的規(guī)律，構(gòu)造具有一定智能行為的人工系統(tǒng)【4】。目前AI的主要學(xué)派有三家：符號主義、連接主義和行為主義【5】。1符號主義又稱為邏輯主義、心理學(xué)派或計(jì)算機(jī)學(xué)派認(rèn)為AI源于

4、數(shù)理邏輯。從符號主義的觀點(diǎn)來看，只要能賦予機(jī)器邏輯推理的能力，機(jī)器就會具有智能，知識和推理是人工智能的核心。2連接主義又稱為仿生學(xué)派或生理學(xué)派認(rèn)為AI源于仿生學(xué)，特別是對人腦模型的研究。連接主義認(rèn)為智能活動是由大量簡單的單元通過復(fù)雜的相互連接后并行運(yùn)行的結(jié)果。因此，針對問題輸入，可通過構(gòu)建人工神經(jīng)網(wǎng)絡(luò)，并對網(wǎng)絡(luò)的大量連接并行進(jìn)行增強(qiáng)或者減弱例如調(diào)整權(quán)值來較快地求解。3行為主義進(jìn)化主義或控制論學(xué)派認(rèn)為AI源于控制論。行為主義認(rèn)為智能并不只是也是對外界復(fù)雜環(huán)境的一種適應(yīng)【6】。因此行為主義強(qiáng)調(diào)在控制過程中的自學(xué)習(xí)和自優(yōu)化。從AI技術(shù)的開展看，機(jī)器具備智能的必要條件是具備學(xué)習(xí)能力。因此機(jī)器學(xué)習(xí)是實(shí)現(xiàn)

5、AI的重要手段。在目前的機(jī)器學(xué)習(xí)領(lǐng)域，主要有四類學(xué)習(xí)方式，分別存在對應(yīng)的算法模型：1監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)的工作機(jī)制是利用已有正確答案的數(shù)據(jù)來訓(xùn)練算法進(jìn)行學(xué)習(xí)，使得算法能夠?qū)]有學(xué)習(xí)過的數(shù)據(jù)也能夠做出正確的反響。監(jiān)督學(xué)習(xí)主要解決分類和回歸問題，常見的算法有K-近鄰算法、決策樹、樸素貝葉斯、邏輯回歸、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等【7】。2無監(jiān)督學(xué)習(xí)。相對于監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)中的訓(xùn)練數(shù)據(jù)沒有標(biāo)簽或答案，數(shù)據(jù)訓(xùn)練的目的是找到數(shù)據(jù)中的內(nèi)在關(guān)聯(lián)或結(jié)構(gòu)，但學(xué)習(xí)的過程并不知道結(jié)果是否正確。無監(jiān)督學(xué)習(xí)主要解決聚類和降維問題，常見的算法有主成分分析算法、K-均值算法、等距特征映射等。3半監(jiān)督學(xué)習(xí)。半監(jiān)督學(xué)習(xí)主要指將大量

6、的無類標(biāo)簽數(shù)據(jù)和少量有標(biāo)簽數(shù)據(jù)放到一起進(jìn)行訓(xùn)練，目的是提高算法的學(xué)習(xí)性能。根據(jù)學(xué)習(xí)的目的，半監(jiān)督學(xué)習(xí)可進(jìn)一步分為半監(jiān)督分類、半監(jiān)督回歸、半監(jiān)督聚類和半監(jiān)督降維【7】。常見的半監(jiān)督學(xué)習(xí)算法包括協(xié)同訓(xùn)練、轉(zhuǎn)導(dǎo)支持向量機(jī)、基于圖的算法等。4強(qiáng)化學(xué)習(xí)。強(qiáng)化學(xué)習(xí)是讓算法通過不斷的試錯(cuò)并調(diào)整策略以獲得最大獎(jiǎng)勵(lì)，最終使算法找到最優(yōu)策略，即在什么狀態(tài)下選擇什么動作可以獲得最好的結(jié)果，Alphago就是強(qiáng)化學(xué)習(xí)的典型案例。常見的強(qiáng)化學(xué)習(xí)算法有TD-learning、Sarsa算法、Q-learning等8。當(dāng)在5G網(wǎng)絡(luò)中引入AI時(shí)，需要根據(jù)應(yīng)用場景選擇適宜的AI算法。文獻(xiàn)【3】對AI在5G網(wǎng)絡(luò)中的應(yīng)用場景進(jìn)行了

7、分類，主要分為感知、挖掘、預(yù)測和推理4類，并且對適應(yīng)各類場景的典型AI算法進(jìn)行了列舉。當(dāng)然在實(shí)際部署中，具體應(yīng)用場景下的AI算法還需要在實(shí)踐中進(jìn)行驗(yàn)證和演進(jìn)。3AI在5G的應(yīng)用場景隨著人工智能技術(shù)的廣泛應(yīng)用和5G技術(shù)的開展，將AI技術(shù)運(yùn)用到移動通信系統(tǒng)的設(shè)計(jì)與優(yōu)化中已經(jīng)成為可能，并且已經(jīng)成為學(xué)界和業(yè)界重點(diǎn)關(guān)注的研究方向9-10。3GPP、ITU-T等組織均提出了5G與AI相結(jié)合的研究工程。到目前為止，3GPP提出了14個(gè)將AI用于5G的用例，ITU-T共提出了18個(gè)。所提出的用例涵蓋了移動通信系統(tǒng)的多個(gè)方面，包括空口設(shè)計(jì)與優(yōu)化、網(wǎng)絡(luò)性能和效能調(diào)優(yōu)、應(yīng)用層業(yè)務(wù)支持優(yōu)化等。根據(jù)分析，本文將介紹受到

8、廣泛關(guān)注的局部典型用例。3.1物理層信道建模與優(yōu)化無線信道測量和建模是新型無線系統(tǒng)設(shè)計(jì)、評估和部署的根底。隨著5G移動通信需求的提出，無線信道建模和預(yù)測面臨了新的挑戰(zhàn)，例如更加多樣的傳播環(huán)境、復(fù)雜的時(shí)空特性、多頻段共存等。由此可知，未來的信道測量裝置將會搜集到大量的原始信道數(shù)據(jù)。這需要使用大數(shù)據(jù)分析的方法來對原始信道數(shù)據(jù)進(jìn)行高效處理11。利用大數(shù)據(jù)分析進(jìn)行信道建模和預(yù)測時(shí)，首先對問題進(jìn)行抽象，例如場景環(huán)境的影響問題、信道衰落特性等，將其歸類為機(jī)器學(xué)習(xí)能夠解決的回歸、分類、聚類等問題;然后采用機(jī)器學(xué)習(xí)的相關(guān)算法來進(jìn)行求解，例如使用主成分分析方法來建立預(yù)測模型和進(jìn)行信道預(yù)測12。3.2基于終端移動

9、性預(yù)測的移動性管理定制或優(yōu)化5G多樣化場景下的終端具有不同的移動性行為。當(dāng)期望5G網(wǎng)絡(luò)能夠?qū)K端進(jìn)行移動性管理定制或者進(jìn)行移動性支持優(yōu)化時(shí)，網(wǎng)絡(luò)需具備能對終端的移動性模型進(jìn)行預(yù)測的能力。AI技術(shù)提供了終端移動行為預(yù)測方法13。通過將終端位置預(yù)測問題抽象為機(jī)器學(xué)習(xí)中的分類或回歸問題，就可以利用相關(guān)的機(jī)器學(xué)習(xí)算法對終端位置或軌跡進(jìn)行預(yù)測。5G中的網(wǎng)絡(luò)數(shù)據(jù)分析功能首先需要收集終端的位置信息，包括歷史移動軌跡和終端實(shí)時(shí)位置信息。收集的信息可以作為訓(xùn)練數(shù)據(jù)來調(diào)整或修正預(yù)測模型。利用可靠的預(yù)測模型，網(wǎng)絡(luò)可以預(yù)測終端位置或移動性軌跡，包括群組終端的分布特征和單個(gè)終端的位置信息。這些預(yù)測信息是5G網(wǎng)絡(luò)進(jìn)行移動

10、性管理定制或優(yōu)化的重要依據(jù)?；诮K端移動模型的預(yù)測，網(wǎng)絡(luò)可以進(jìn)行動態(tài)的網(wǎng)絡(luò)優(yōu)化，其中包括移動性管理的定制和優(yōu)化，例如移動性管理機(jī)制定制、注冊區(qū)管理、切換管理優(yōu)化等。3.3網(wǎng)絡(luò)切片資源管理優(yōu)化網(wǎng)絡(luò)切片是5G網(wǎng)絡(luò)中引入的重要技術(shù)。從邏輯上看，網(wǎng)絡(luò)切片是一組網(wǎng)絡(luò)功能的集合，用于效勞一類業(yè)務(wù)，但是在物理上，多個(gè)網(wǎng)絡(luò)切片仍然共享網(wǎng)絡(luò)資源14?？紤]到網(wǎng)絡(luò)資源的有限性和不同網(wǎng)絡(luò)切片中的網(wǎng)絡(luò)狀態(tài)，運(yùn)營商需要在保證效勞等級協(xié)議SLAServiceLevelAgreement的同時(shí)，盡可能地復(fù)用底層網(wǎng)絡(luò)資源。因此，為了高效運(yùn)營，運(yùn)營商需最優(yōu)化網(wǎng)絡(luò)切片的資源劃分。AI技術(shù)能幫助運(yùn)營商優(yōu)化網(wǎng)絡(luò)切片資源的管理。在引入A

11、I技術(shù)的5G網(wǎng)絡(luò)中，通過對網(wǎng)絡(luò)切片的實(shí)際運(yùn)行情況、切片中的業(yè)務(wù)量數(shù)據(jù)以及SLA的執(zhí)行情況的采集，利用機(jī)器學(xué)習(xí)算法創(chuàng)立網(wǎng)絡(luò)切片的業(yè)務(wù)量和資源使用狀況的模型。利用該模型，可以實(shí)現(xiàn)對網(wǎng)絡(luò)切片的業(yè)務(wù)量和資源需求的準(zhǔn)確預(yù)測，從而優(yōu)化網(wǎng)絡(luò)切片間的資源分配策略。網(wǎng)管系統(tǒng)將根據(jù)資源分配進(jìn)行網(wǎng)絡(luò)切片資源的動態(tài)調(diào)整，例如動態(tài)擴(kuò)縮容。在使用優(yōu)化的資源分配策略后的網(wǎng)絡(luò)運(yùn)行狀況可以再次迭代到預(yù)測模型中，完成閉環(huán)反響，進(jìn)而趨近最優(yōu)解。3.4網(wǎng)絡(luò)性能預(yù)測輔助的應(yīng)用層調(diào)整車聯(lián)網(wǎng)是5G中的重要技術(shù)。在車聯(lián)網(wǎng)的自動駕駛場景中，車輛即將經(jīng)過的基站的網(wǎng)絡(luò)性能例如QoS信息、網(wǎng)絡(luò)負(fù)載預(yù)測對提高車聯(lián)網(wǎng)的效勞質(zhì)量有著重要作用15。例如車聯(lián)

12、網(wǎng)效勞器可以基于網(wǎng)絡(luò)性能的預(yù)測信息判斷是否繼續(xù)保持無人駕駛模式。為了幫助應(yīng)用層做出正確的參數(shù)調(diào)整，5G網(wǎng)絡(luò)應(yīng)向應(yīng)用層提供準(zhǔn)確的網(wǎng)絡(luò)性能預(yù)測信息。因此，5G網(wǎng)絡(luò)除了對終端的移動性進(jìn)行預(yù)測外，還需要建立網(wǎng)絡(luò)性能的分析模型。網(wǎng)絡(luò)可以收集和分析各基站的運(yùn)行狀態(tài)信息來創(chuàng)立模型。當(dāng)收到應(yīng)用層關(guān)于網(wǎng)絡(luò)性能預(yù)測信息的訂閱請求后，引入AI的5G網(wǎng)絡(luò)可針對相關(guān)終端，利用網(wǎng)絡(luò)性能的分析模型和終端的位置，預(yù)測終端在未來一段時(shí)間內(nèi)所面臨的網(wǎng)絡(luò)狀況。4標(biāo)準(zhǔn)進(jìn)展將AI技術(shù)和5G系統(tǒng)相結(jié)合是業(yè)界重點(diǎn)關(guān)注的研究方向，也是標(biāo)準(zhǔn)化研究的重要方向。目前進(jìn)行相關(guān)研究的國際標(biāo)準(zhǔn)組織主要是3GPP和ITU-T。4.13GPP3GPP針對5

13、G網(wǎng)絡(luò)智能化的研究工程主要在SA2和RAN3工作組開展。3GPPSA2工作組在2021年5月的杭州會議完成5G網(wǎng)絡(luò)智能化的研究工程“StudyofEnablersforNetworkAutomationfor5GeNA的正式立項(xiàng)。該工程是3GPPRel16的工程，SA2在2021年1月的哥德堡會議上正式展開工程研究。該工程的立項(xiàng)背景是，在Rel15的5G網(wǎng)絡(luò)架構(gòu)研究中，SA2引入的一些新技術(shù)，例如按需移動性管理、非標(biāo)準(zhǔn)化QoS、流量分流和卸載等，在沒有網(wǎng)絡(luò)數(shù)據(jù)分析的情況下，難以實(shí)際部署和運(yùn)行。因此，為了讓5G網(wǎng)絡(luò)能夠更靈活更智能地提供效勞，SA2成立了該研究工程來將網(wǎng)絡(luò)數(shù)據(jù)分析功能引入5G網(wǎng)絡(luò)

14、。eNA工程的研究目標(biāo)是，通過對網(wǎng)絡(luò)數(shù)據(jù)的收集和分析，生成分析結(jié)果，然后利用分析結(jié)果進(jìn)行網(wǎng)絡(luò)優(yōu)化，包括定制化的移動性管理、5GQoS增強(qiáng)、動態(tài)流量疏導(dǎo)和分流、UPF選擇、基于UE業(yè)務(wù)用途的流量策略路由、業(yè)務(wù)分類等。3GPPRAN3工作組在2021年6月也成立了RAN數(shù)據(jù)收集和分析的研究工程“StudyonRAN-centricdatacollectionandutilizationforLTEandNRFS_LTE_NR_data_collect。該工程主要研究用于集中式和分布式數(shù)據(jù)分析的RAN側(cè)數(shù)據(jù)的收集過程以及利用分析結(jié)果進(jìn)行網(wǎng)絡(luò)優(yōu)化的信令過程，包括智能化自組網(wǎng)、無線資源管理增強(qiáng)、邊緣計(jì)算

15、增強(qiáng)等。目前該工程尚未啟動研究進(jìn)程。目前3GPPSA2工作組在eNA工程中提出了如圖1的支持網(wǎng)絡(luò)數(shù)據(jù)分析的系統(tǒng)框架【1】。網(wǎng)絡(luò)數(shù)據(jù)分析功能NWDAF，NetworkDataAnalyticsFunction是3GPP在Rel15的5G標(biāo)準(zhǔn)中引入的網(wǎng)絡(luò)功能，主要用于網(wǎng)絡(luò)切片相關(guān)數(shù)據(jù)的分析。在eNA工程中，該功能被進(jìn)一步擴(kuò)展到對各類網(wǎng)絡(luò)數(shù)據(jù)的分析上，包括從5G網(wǎng)絡(luò)功能收集的網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)、從運(yùn)維管理系統(tǒng)OAMOperationAdministrationandMaintenance獲取的終端和網(wǎng)絡(luò)相關(guān)的統(tǒng)計(jì)數(shù)據(jù)、從第三方應(yīng)用獲取的應(yīng)用數(shù)據(jù)。NWDAF生成的分析結(jié)果也會輸出到5G網(wǎng)絡(luò)功能、OAM或第三

16、方應(yīng)用上。5G網(wǎng)絡(luò)功能、OAM或應(yīng)用層效勞器可以利用NWDAF的分析結(jié)果進(jìn)行不同的優(yōu)化操作。具體如下文所示。5G移動性管理相關(guān)功能可以請求NWDAF對終端的移動軌跡進(jìn)行預(yù)測。NWDAF從OAM中獲取終端的歷史位置信息，通過分析，生成終端的移動性預(yù)測模型。NWDAF根據(jù)終端當(dāng)前的位置向5G移動性管理相關(guān)功能提供終端的移動性預(yù)測信息，使得5G移動性管理相關(guān)功能能夠制定更精準(zhǔn)的網(wǎng)絡(luò)策略，完成優(yōu)化的移動性管理操作。例如基于終端位置的統(tǒng)計(jì)規(guī)律進(jìn)行注冊區(qū)域分配、基于終端位置預(yù)測信息輔助切換決策、基于終端移動性軌跡進(jìn)行移動性錨點(diǎn)預(yù)先選擇等。5G網(wǎng)絡(luò)中的OAM也可以請求NWDAF提供網(wǎng)絡(luò)切片中的業(yè)務(wù)運(yùn)行數(shù)據(jù)的

17、分析結(jié)果來優(yōu)化網(wǎng)絡(luò)切片資源的管理。NWDAF可以向OAM提供各切片是否滿足SLA的信息以及切片中的用戶體驗(yàn)分布情況。OAM系統(tǒng)根據(jù)NWDAF的分析結(jié)果確定是否調(diào)整各網(wǎng)絡(luò)切片的資源分配。第三方應(yīng)用可以從NWDAF訂閱網(wǎng)絡(luò)性能預(yù)測信息并基于預(yù)測進(jìn)行應(yīng)用層的調(diào)整。網(wǎng)絡(luò)性能預(yù)測信息可以是業(yè)務(wù)數(shù)據(jù)傳輸?shù)腝oS預(yù)測或者是效勞終端的網(wǎng)絡(luò)的負(fù)載預(yù)測。NWDAF根據(jù)應(yīng)用的訂閱請求周期性或者按需地向應(yīng)用層提供分析或預(yù)測結(jié)果，使得應(yīng)用能夠調(diào)整其運(yùn)行參數(shù)。例如車聯(lián)網(wǎng)應(yīng)用可根據(jù)QoS預(yù)測選擇不同的駕駛等級或者判斷是否預(yù)先下載地圖或?qū)Ш綌?shù)據(jù)，也可以根據(jù)網(wǎng)絡(luò)負(fù)載的預(yù)測選擇背景流量的傳輸時(shí)機(jī)。4.2ITU機(jī)器學(xué)習(xí)ML5G隨著

18、AI技術(shù)的開展，在2021年11月召開的ITU-TSG13會議期間，簡稱FG-ML5G。該焦點(diǎn)組的研究期為1年，F(xiàn)G-ML5G輸出的研究報(bào)告和標(biāo)準(zhǔn)草案可以作為后續(xù)SG13相關(guān)研究的輸入。FG-ML5G是一個(gè)對ITU成員和非ITU成員都開放的工作平臺，目標(biāo)是分析如何在未來網(wǎng)絡(luò)特別是5G網(wǎng)絡(luò)中應(yīng)用機(jī)器學(xué)習(xí)技術(shù)來提升網(wǎng)絡(luò)性能和用戶體驗(yàn)。FG-ML5G下設(shè)3個(gè)工作組WG，WG1主要研究機(jī)器學(xué)習(xí)在未來網(wǎng)絡(luò)的應(yīng)用場景、潛在需求;WG2主要研究用于移動網(wǎng)絡(luò)優(yōu)化的機(jī)器學(xué)習(xí)算法、數(shù)據(jù)結(jié)構(gòu)和個(gè)人信息保護(hù)等;WG3主要研究支持機(jī)器學(xué)習(xí)的未來網(wǎng)絡(luò)架構(gòu)、接口、協(xié)議等。目前FG-ML5G通過與3GPP等其他研究組織的工作

19、進(jìn)行調(diào)研和交流，確定將移動性模型預(yù)測、端到端網(wǎng)絡(luò)切片等幾個(gè)應(yīng)用場景作為重點(diǎn)研究對象，并希望借這些場景需求來推動整個(gè)工作組的工作。例如WG3組提出了利用移動性模型預(yù)測優(yōu)化移動性管理機(jī)制的網(wǎng)絡(luò)架構(gòu)。圖2給出了支持網(wǎng)絡(luò)功能智能化定制的5G網(wǎng)絡(luò)架構(gòu)16。以移動性管理定制為例，網(wǎng)絡(luò)中的數(shù)據(jù)分析功能首先需終端進(jìn)行移動性預(yù)測，然后將預(yù)測結(jié)果輸入到相應(yīng)網(wǎng)絡(luò)功能完成移動性管理的定制。移動性預(yù)測可以分為長期性預(yù)測和短期性預(yù)測。長期性預(yù)測主要指根據(jù)大量靜態(tài)的終端歷史移動信息例如OAM中的數(shù)據(jù)進(jìn)行分析預(yù)測，通常需要由中心NWDAF完成;短期性預(yù)測指參考終端實(shí)時(shí)移動性行為進(jìn)行的分析預(yù)測，可由中心NWDAF和/或本地NW

20、DAF完成。從預(yù)測分析結(jié)果上看，長期性預(yù)測結(jié)果通常為終端活動范圍、出入固定區(qū)域的頻度等;而短期性預(yù)測結(jié)果那么為終端移動的目標(biāo)小區(qū)、移動速度等。長期性預(yù)測結(jié)果可以輸入到OAM系統(tǒng)，輔助核心網(wǎng)網(wǎng)絡(luò)功能的定制，例如移動性管理功能的定制，也可以輸入到核心網(wǎng)中完成特定注冊區(qū)域的劃分。短期性預(yù)測結(jié)果可以輸出到核心網(wǎng)中，用于移動性錨點(diǎn)的選擇，也可以輸出到接入網(wǎng)中，用于輔助接入網(wǎng)節(jié)點(diǎn)執(zhí)行切換決策、小區(qū)重定向等。5結(jié)束語為了讓5G網(wǎng)絡(luò)在面對差異化的業(yè)務(wù)需求時(shí)向用戶靈活提供定制化效勞，需要讓5G網(wǎng)絡(luò)具備智能來識別業(yè)務(wù)需求和確定效勞策略。5G網(wǎng)絡(luò)部署和運(yùn)維更加復(fù)雜，運(yùn)營商需要提高網(wǎng)絡(luò)的智能化水平來提高運(yùn)營效率。因此

21、，AI和5G的結(jié)合得到了業(yè)界的廣泛關(guān)注，也是未來移動通信網(wǎng)絡(luò)的開展方向。目前，將AI運(yùn)用到5G網(wǎng)絡(luò)的研究主要集中在運(yùn)維管理優(yōu)化、網(wǎng)絡(luò)性能增強(qiáng)和應(yīng)用支持優(yōu)化上，相關(guān)的研究工程已經(jīng)在3GPP和ITU-T成立，并且已經(jīng)產(chǎn)出局部成果。然而，真正實(shí)現(xiàn)5G網(wǎng)絡(luò)的智能化仍然存在障礙，包括技術(shù)障礙和非技術(shù)障礙。技術(shù)障礙主要是缺少公認(rèn)適宜的AI算法，而非技術(shù)障礙那么涉及行業(yè)間協(xié)作、用戶數(shù)據(jù)收集及隱私保護(hù)等問題。因此，不僅要在AI算法研究方面實(shí)現(xiàn)突破，還需要促進(jìn)相應(yīng)的政策法規(guī)出臺，以保護(hù)用戶隱私信息和促進(jìn)行業(yè)生態(tài)的健康開展。參考文獻(xiàn)：【1】3GPPTR23.791.StudyofEnablersforNetwor

22、kAutomationfor5GR.2021.【2】WangX，LiX，LeungVCM.ArtificialIntelligence-BasedTechniquesforEmergingHeterogeneousNetwork：StateoftheArts，Opportunities，andChallengesJ.IEEEAccess，20213：1379-1391.【3】LiR，ZhaoZ，ZhouX，etal.Intelligent5G：WhenCellularNetworksMeetArtificialIntelligenceJ.IEEEWirelessCommunications，2021，245：175-183.【4】鄒蕾，張先鋒.人工智能及其開展應(yīng)用J.信息網(wǎng)絡(luò)平安，20212：11-13.【5】蔡自興，徐光祐.人工智能及其應(yīng)用M.4版.北京：清華大學(xué)出版社，2021.【6】李建會.論布魯克斯的無表征智能理論J.自然辯證法研究，2021，237：9-13.【7】劉建偉，劉媛，羅雄麟.半監(jiān)督學(xué)習(xí)方法J.計(jì)