基于人工智能的5G无线网规划和优化

摘要:自组织网络(SON)在即将到来的5G系统中的功能是人工智能(AI)机制的一个很有前途的领域。在这方面，本文分析了如何在AI概念的基础上构建未来5G系统中无线接入网规划和优化的自组织网络。提出了一个框架，通过基于学习的分类、预测和聚类模型，对来自多个来源的输入数据进行处理，提取相关知识，以驱动5G自组织网络的决策。不同的基于人工智能的知识发现候选工具和相关的可以提取的知识模型一起被识别出来。在此基础上，分析了这些模型在自规划、自优化和自愈类5G自组织网络综合范围内的适用性。最后，本文确定了基于该框架的研究方向。

1.总体概述

作为移动通信系统发展的下一步，工业界和学术界的研究主要集中在新一代移动通信和无线通信系统的开发上，即所谓的第五代(5G)移动通信系统。对未来5G系统的要求已在不同的论坛中加以确定和讨论。5G无线接入的挑战性要求包括：每个区域的移动数据量增加1000倍，连接设备数量增加10至100倍，典型用户数据速率提高10至100倍，低功耗设备的电池寿命延长10倍，端到端延迟降低5倍。

除了扩展无线接入的性能范围之外，5G还可以设想包括前所未有的网络灵活性和高效自适应网络资源使用，这得益于软件定义网络（SDN）和网络功能虚拟化（NFV）等技术的进步,这将允许支持涉及不同类型的客户和合作伙伴当前和新业务的模型。 具体而言，预计5G将允许移动网络运营商更好地支持来自多个垂直行业（例如，电子医疗，汽车，能源）的客户。 在网络灵活性和网络资源效率方面具有挑战性的性能指标包括服务部署时间减少1000倍（达到大约几小时的完整部署时间）和网络管理运营支出减少5倍。

此外，大数据分析的出现将推动5G网络的管理和运营，大数据分析已经是不同部门(如娱乐、金融服务、汽车、物流)的基本技术。因此，由于移动网络产生的数据量巨大，可以设想大数据技术将在5G中发挥核心作用，以提取现有数据的最高价值，特别是能够提取关于个人用户体验的宝贵知识，并利用这些知识提高移动服务提供的效率。

移动网络运营商面临的5G挑战非常关注如何平衡投资，用户体验和盈利能力。 在这方面，并且作为关键技术推动者在网络灵活性和数据量处理的上得到了支持，确定了两个主要改进领域：（1）用于无线接入网（RAN）规划的方法，可节省大量资本支出（2）用于RAN优化的方法，可以节省大量的运营成本。 本文认为，鉴于对5G的网络效率要求，有必要重新审视RAN规划和优化的实际方法，形成超高效无线接入的愿景，充分利用包含知识和智能的认知能力 ，提高自动化程度，使网络更加自主，并在运营商的无线接入网上实现个性化的用户体验。

在这种情况下，本文支持这样的观点，即人工智能（AI）机制，旨在开发能够感知和分析环境并采取适当行动的智能系统，将在5G生态系统中受益，因此5G时代是基于AI的RAN管理的关键时机。

 

 

2. 基于人工智能的5G自组织网络

未来5G的愿景对应于不同层次的高度异构网络，包括多个无线接入技术（RAT），多个小区层，多个频谱带，多种类型的设备和服务等。因此，整体RAN规划和优化 构成5G概念成功关键点的过程将表现出极大的复杂性。 在这方面，2G / 3G / 4G等传统系统已经开始通过引入SON功能在规划和优化过程中实现更高程度的自动化。

SON指的是一组特性和功能，旨在减少或消除网络生命周期中手动活动的需要。 随着SON的引入，网络的经典手动规划，部署，优化和维护活动可以由更自主和自动化的流程替换和支持，可以降低运营成本并最大限度地减少人为错误。 在本文的上下文中，可以从AI概念的应用中受益的SON功能按以下类别组织：

• 自规划:在特定区域决定是否需要推出新的网络资源(例如，新单元、现有单元中的新组件载体)的过程的自动化，并为这些资源确定适当的配置和设置。

• 自优化:当网络处于运行状态时，自优化包括通过优化不同的网络设置，在覆盖范围、容量和服务质量方面提高或保持网络性能的过程集。如移动负载平衡、移动健壮性优化、自动邻居关系、覆盖和容量优化、接纳控制和包调度优化、小区间干扰协调和节能。

• 自我修复:与故障管理和故障纠正相关的过程的自动化，通常与硬件或软件问题相关，以保持网络的运行，同时等待更持久的解决方案来修复它或防止出现破坏性问题。自修复功能的例子包括小区停用检测和小区停用补偿。

鉴于RAN的管理流程与技术无关，预计5G SON功能的大部分将与传统系统中的功能类似。 然而，由于先进的机制，可能会产生额外的功能。 例如，更先进的频谱管理模型，应从更广泛的角度考虑在5G中的给定时间和地点提供频谱资源的供应，并将其视为一种动态的自我规划机制。

虽然目前的SON愿景表现出内在的反应式设计方法和缺乏网络的端到端知识，但基于人工智能的工具的加入能够将5G中SON范式的演变转变为更加主动的方法，能够利用运营商提供的大量数据，并结合来自最终用户体验和最终用户行为特征的其他维度。

                        

                                                                                         5G SON架构

• 利用各种可用数据源获取和预处理输入数据。 在5G和大数据时代，远远超出传统系统中传统上使用的网络数据（例如性能测量，网络计数器等），并且还考虑其他维度，例如用户特定数据， 与应用程序相关的内容甚至是来自运营商的以外的数据（例如计划事件，天气预报等）。

• 在人工智能的知识发现阶段，依靠机器学习对输入数据进行挖掘，并提取不同级别的相关知识模型：小区级别(包含每个小区基础上的条件特征)、小区集群级别(根据小区的相似性构建小区组的特征)和用户级别(包含单个用户经历的条件的特征)。机器学习的总体目标是建立计算机系统，以适应和学习他们的经验。此处相关的特定机器学习功能包括：

  1）分类：它是查找描述和区分数据类或概念的模型或函数的过程。 然后使用所获得的模型（即分类器）来确定对象所属的类。 对象是要分类的实体，并且它通常由包括一组属性值的元组表示。 分类过程假定可能的类是事先预定义的。 然后，分类器模型通常从监督学习算法获得，该算法分析与已知类相关联的一组训练元组。

  2）预测:寻找预测某一参数未来值的模型。预测模型通常根据四个主要组成部分利用输入数据的趋势分析，即指示时间序列图在较长时间间隔内移动的一般方向的长期运动，指向关于振荡的周期性运动的周期运动 趋势线，系统性或日历相关的季节性运动，以及由随机或偶然事件引起的时间序列的零星运动的不规则或随机运动。

  3）聚类:将一组对象进行分组，使同一集群中的对象彼此相似，而与其他集群中的对象不同。集群机制不依赖于一组预定义的类，但是这些类是通过无监督学习过程获得的。

• 知识开发阶段将应用所获得的知识模型来驱动与自组织网络功能相关的行为的决策。

综上所述，考虑到未来5G系统设计的超高效率，我们的目标是深入细致的了解整个生态系统，了解隐藏的模式、数据结构和关系，从而实现超高效的管理和优化。在这方面，对网络及其用户的了解程度越高，是5G和传统系统之间的一个关键区别因素。

3.支持5G自组织网络的知识模型

下面将针对上述三个小区、用户和小区集群级别，讨论知识发现阶段基于AI工具派生出的不同知识模型。

• 小区级别模型

此级别包括表征小区中现有条件的知识。这包括以下模式：
1) 流量特征。从时域的角度来看，这定义了小区的流量如何随时间变化。可以以不同的方式测量流量，例如负载因子，用户总数，总数据速率等，并且可以在服务质量（QoS）类之间聚合或分割流量。 从空间域的角度来看，流量表征可以用不同的术语完成，例如用户的地理分布，流量负载，服务/应用或QoS等级。 通常，考虑到可以位于室内并部署在高层建筑中的多个小型小区的增殖，可能需要3D表征。 然后，基于人工智能的技术将应用于过去的交通观察，以提供：

a.学习时域中的流量行为：这指的是识别在不同时间段捕获小区流量的模型，并且允许识别表现出类似流量水平的时间段。

b.时域流量模式的分类：应检测给定小区的流量演进中的时间相关性，以识别不同级别的现有季节性并相应地对小区进行分类。

c.对未来流量的预测：可以提取预测模型以预测小区中流量演进的未来值。 这可以馈送关于规划的各种决策过程（例如，为了预测部署额外网络节点的需要）和优化（例如，为了调整相邻小区中的切换参数以在预期小区被过载时吸收业务量） ），主要取决于进行预测的时间尺度。

d.聚类空间流量（热点）：它的目标是识别有限地理区域内的用户集中度。

e.学习移动模式：这旨在识别流量是否遵循小区内的某些特定移动模式，其可以根据原型或许多用户所遵循的代表性轨迹来表征。

2) 性能表征。对单元性能的评估涉及多个度量和关键性能指标(KPI)，这些指标可以根据具体的性能标准按不同的类别进行组织。通常，它可以区分可访问性KPI、移动性、QoS相关KPI和相关测量、资源利用相关测量和RF测量。 传统上，诸如可接通率或掉话率之类的测量值在小区基础上聚合并且在相对长期的时间段内平分。 这些平均值用于触发各种优化过程。 相反，本文中提出的基于AI的方法旨在更深入地利用这些KPI，并基于上述指标的时间域和空间域分析提取额外的知识。 以下列出了一些可能性：

a.学习性能指标的时域模式:它描述给定性能指标的时间演化，目标是识别现有的隐藏模式，如果只考虑连续几天/几周的聚合度量，这些模式将不会被发现。例如，如果小区中的掉线率在某些特定小时内超过了某些阈值，并且这种情况具有一定的规律性，则可以自动检测到它，这意味着应该触发操作来优化这些特定小时的性能。

b.性能指标的预测:这涉及到预测模型的定义，以预测不同时间尺度下性能指标的未来值。预测应以过去对该指标的观测为基础，但也可将过去对其他有关指标的观测作为附加特征。例如，每个用户的吞吐量预测模型可以将信号对用户所看到的噪声和干扰条件的观察结果以及资源使用情况作为输入。

c.学习空间域黑点：在空间维度上对性能指标进行表征，可以确定未达到所需性能限制的特定领域，例如呼叫掉线高度集中、吞吐量降低或信号强度低的黑点。

• 用户级别模型

大数据和大数据分析技术为处理空前数量的数据提供的能力，将使未来5G网络的不同管理流程能够利用用户数据维度。除了支持相关业务流程,如客户体验管理、从描述中提取有价值的知识网络的使用由个人用户可以利用,不仅对提高网络的效率优化决策过程,也为更好的个性化网络服务提供不同的用户。显然，提取这些知识需要在用户个性化的可实现程度和与需要处理的海量数据相关的复杂性之间进行权衡。一般来说，上面描述的所有单元级模型都允许在用户级进行分解和分析。尽管如此，预期下列组成部分对用户一级的特征具有高度的兴趣和适用性:

1）时域流量模式特征：这应反映单个用户在使用移动服务时的行为模式，即在不同时间段使用的服务类型或生成的流量。实例包括用户的时域流量模式的分类(例如，主要在夜间使用流式服务，主要在中午使用Web导航等)，学习用户的时间流量模式以识别规律，提取用户级别的预测模型以预测单个用户的服务需求，等等。

2）空间域流量模式表征：从空间角度捕获单个用户的行为模式，反映用户连接的小区，以及服务和应用程序的类型以及用户在每个小区中生成的流量。此外，分析用户在服务会话中连接到不同小区的顺序可以提供有关用户所遵循的轨迹的信息(例如，从家到办公室、从家到健身房等)。这可以用来预测用户将连接到的下一个小区，检测用户一天中所遵循的原型轨迹，等等。

3）性能表征：这标识了单个用户在上面讨论的不同KPI方面所经历的性能，例如接通率，掉话率，吞吐量，延迟等。此外，用户体验到的性能与小区级别的性能之间的比较可以作为判断是否需要执行特定操作的有用指标，因为可能会发生整体小区性能足够但某个特定用户会重复受到糟糕性能影响的情况，从而可以触发操作以提高用户满意度。

• 小区簇级别

下怄气聚类是指识别具有一定相似性的小区簇的过程，以便通过将小区簇作为一个整体来进行更有效的管理，而不是单独考虑每个小区。小区簇模型可以捕获不同的视角：

1) 对具有一定相互作用的小区进行聚类，如小区间干扰、覆盖重叠、相邻关系等。在这种情况下，小区簇将与小区之间的地理距离密切相关。需要考虑适当的集群大小或集群边界的指定。了解影响某一组小区的共性可以导致在区域级别而不是在小区级别上做出更有效的决策，无论是在规划还是优化，都是在小区级别上。

2）聚类具有相似特征或相似行为的小区，无论它们是否位于紧密位置。这种方法的合理性在于，对于一个小区学习的知识对于同一群集的其余小区是有效的。换句话说，SON功能可以从表现出类似行为的小区的知识中受益，因为对于一个小区而言被学习为好（坏）的动作对于相同聚类的其他小区也可以是好的（坏的）。根据小区相似性的聚类过程可以基于不同的维度来完成：（i）性能（例如，提供类似可访问性，可保留性，QoS KPI等的组小区），（ii）流量特性，（iii）RF特性（例如具有相似接收功率分布，干扰等的组小区）。虽然基于性能的聚类可能导致高度聚合的视觉，但由于它将是多种不同效果的结果，因此聚类基于例如聚类。流量或RF可以提供更详细的小区行为视图。从RF角度和类似流量类型识别类似的小区可以允许从一个小区到另一个小区的外推效应。例如，在给定业务级别之前的小区的行为可以外推到具有相似特性的其他小区，因此可以预测这些小区在作为初始小区到达业务量时将如何表现。在进行此聚类时，每个单元都被视为一个对象，其特征在于许多功能，包括RF测量，流量模式，静态属性，用户级特征等方面。然后，聚类算法将分析这些功能并进行分组小区根据它们的相似性，通常根据距离函数来测量。具体地，分层方法可以是特别合适的，只要可能的簇的数量不是先验已知的，但是它必须从所涉及的单元的观察到的行为导出。

4.研究方向及结束语

 

本文介绍了基于AI的5G SON框架的愿景，该框架通过基于学习的分类，预测和聚类模型，用于驱动SON决策的相关知识模型，处理来自不同来源的输入数据并提取。 根据SON功能的分类和可以赋予5G SON框架权力的基于AI的工具的详细列表，已经确定了许多潜在的知识模型及其对不同SON功能的适用性。

如下所述，完全引入基于AI的5G自组织网络提出了许多挑战和相关的研究方向：

a）数据采集和预处理：大数据分析工具（例如Hadoop）与5G SON生态系统的集成为在数据量方面实现更大规模的预处理和知识发现打开了大门 （例如，使用更大的训练集大小，属性数量，数据源等），这得益于增强的采集，存储和处理能力。 大数据分析对于利用用户级维度至关重要，这本身就需要管理大量数据。 在这方面，应根据数据量，处理时间和数据种类，在5G SON要求的背景下分析现有大数据技术的适用性。

b)基于人工智能的知识发现工具：在5GSON中应用基于人工智能的分类、预测和聚类工具涉及到许多需要权衡的方面，如模型的准确性、计算需求、所需训练数据量和执行训练阶段所需的时间。各种工具种类繁多，特点各异，因此需要进行系统分析，以确定这些工具在应用于无线移动环境时的长处和短处。此外，稳健的知识发现设计需要包括监控机制，以检查所学模型的有效性和可靠性，并确定是否需要修改这些模型以应对环境、网络配置或用户行为的变化。