AI与ML在无线蜂窝网络中的演进

通信大视野

自5G网络诞生以来，人工智能（AI）和机器学习（ML）如何成为伴生技术。实际上，生成型AI和5G网络的同时兴起，代表了两种技术的巨大挑战和机遇。OpenAI在2018年6月宣布了GPT（生成预训练变换器），这是他们基于transformer model的第一个语言模型版本。这一初始版本标志着自然语言处理技术一系列进步的开始，进而发展出更复杂的模型，如GPT-2、GPT-3及后续版本。随着transformer model的爆发，生成型AI在无线蜂窝网络中的应用前景也扩展，涵盖了网络开发和管理的几个关键领域。在本博文中，我将讨论几个生成型AI在无线蜂窝网络中的使用案例——但请注意，这是一个新兴领域。这里讨论的内容并非所有5G网络运营商都已部署。在许多情况下，大家只是在概念验证阶段。但随着5G-Advanced规范在2024年最终确定，AI/ML的整合指向了一个诱人的新时代，构建更智能的网络。其中一些使用案例包括：

• 网络规划与部署，尤其是自动化的小基站布置：在网络设计方面，电信企业可以利用生成型AI对复杂的城市环境进行建模，并预测不同建筑材料如何影响信号传播。例如，生成型AI可以帮助确定城市中小基站的最佳位置，以确保广泛覆盖并最小化干扰。通过生成各种部署场景的模拟来评估信号覆盖和干扰模式，从而确定最佳的基站和小基站站点位置。
• 设计适应特定环境的定制天线模式：传统天线设计可能在复杂的城市景观或需要特定覆盖模式的情况下效率不高。生成型AI可以模拟并生成众多天线设计，在虚拟环境中测试每个设计，以找出在给定区域内提供最佳覆盖和信号强度的模式。例如，在高层建筑林立的区域，AI可以设计出优化信号穿透和最小化盲区的天线模式。
• 容量规划的预测网络建模：容量规划对确保5G网络能够在高峰负载下保持服务质量至关重要。生成型AI可以创建网络需求的预测模型，考虑到一天中的时间、特殊事件，甚至可能影响用户行为的天气条件。通过生成和分析这些预测模型，网络设计人员可以在需求高峰出现之前规划必要的基础设施升级或调整。例如，在大型公共活动之前，生成型AI可以模拟预期的需求增长，以确保网络能够相应地扩展资源。
• 优化光纤部署路线：在连接基站和骨干网络时，铺设光纤电缆是网络部署的重要组成部分。生成型AI可以生成和评估多种路由场景，考虑成本、地理障碍和现有基础设施，从而识别最有效的光纤部署路线，节省大量时间和资源。例如，AI可以在新郊区开发中规划光纤路线，确保5G服务的最佳连接，同时最小化干扰和成本。
• 提高能效：能效对于管理无线蜂窝网络的运营成本和应对全球气候变化至关重要。通过模拟各种网络设计和运营场景，AI可以识别出在能效和网络性能之间达到最佳平衡的配置。例如，它可以生成一种网络设计，使某些组件在需求较低时进入低功率状态，从而减少整体能耗。
• 无线接入网（RAN）配置：生成型AI算法可以模拟数百万种RAN配置，以找到在特定条件下的最佳设置，例如体育场或音乐会等高密度活动，调整功率设置和切换阈值以维持服务质量。
• 动态波束成形优化：生成型AI可以动态调整波束成形参数，基于当前的网络状况和用户位置优化信号方向和强度。例如，在体育赛事期间，生成型AI可以用来模拟并生成最佳波束模式，以确保成千上万用户的一致和高质量的连接，并随着人群移动或需求从体育场的一部分转移到另一部分而调整。
• 自适应小区分裂：生成型AI可以用于模拟和实现高数据流量需求区域的自适应小区分裂策略。这涉及在较大覆盖区域内创建更小、更集中的小区，以更有效地管理容量。例如，AI可以生成配置，在高峰时段分裂覆盖繁忙市区的小区，减少每个小区的负载，改善服务质量。这一策略在非高峰时段可以逆转以节省资源。
• 虚拟化无线接入网络（vRAN）配置：生成型AI在优化性能和资源分配方面起着关键作用。例如，它可以生成配置，在工作时间内为高流量区域分配更多的处理能力，并随着需求模式的变化重新分配资源。
• 减少小区之间的干扰：生成型AI可以创建模型，模拟各种设备和服务在不同频谱带内的行为，生成优化共存的策略。例如，它可以为城市中的5G NR-U部署动态调整传输功率和信道选择的协议，减少与现有Wi-Fi网络的干扰，同时最大化5G用户的吞吐量。
• 多RAT环境中的负载平衡：在多种无线接入技术（RAT）共存的环境中（例如LTE和5G NR），生成型AI可以生成配置，优化这些技术之间的负载平衡，确保用户始终连接到最适合其当前需求和条件的最佳网络。例如，AI可以在5G使用高峰时将非关键数据流量转移到LTE，保持5G带宽可用于优先使用。
• 无线频谱管理中的动态频谱分配：生成型AI可以用于预测需求高峰并动态调整频谱分配。例如，在重大体育赛事期间，AI可以预测某些区域的需求增加，并临时分配更多频谱资源以应对激增，增强用户体验。
• 动态频谱共享（DSS）：生成型AI在实现动态频谱共享的最佳时间和地点方面提供更强大的工具。例如，在5G网络与现有服务共享频谱的场景中，生成型AI可以通过模拟各种场景，预测最佳的频谱共享时机和位置。
• 全球频谱使用的协调：生成型AI可以通过生成模拟不同监管方法对国际频谱可用性影响的模型，辅助全球频谱使用的协调。例如，它可以分析不同频谱分配方案下跨境干扰的潜在影响，并生成协调使用的建议，促进5G服务的顺利部署，减少邻国之间的冲突。
  

例如，国家A和B共享一条长边界，两国都在推出5G网络。然而，国家A为5G分配的频谱带已经在国家B用于卫星通信，导致潜在的干扰问题。此外，两国的监管框架和分配策略历史上一直不一致，增加了跨境频谱管理的复杂性。生成型AI解决方案可以从不同国家收集并分析历史和实时的频谱使用、法规和部署计划数据，基于干扰模式识别跨境协调的潜在区域。然后，它使用生成型AI模拟数千种跨境地区的频谱分配方案，考虑人口密度、地理、现有基础设施和未来计划等因素。这些模拟有助于识别最小化干扰和优化频谱使用的协调策略，如动态共享、协调分配或缓冲区。AI进一步优化这些策略，推荐最佳分配计划和监管变更，通过详细报告和可视化展示这些策略的优势和可行性，促进利益相关者的参与。达成协议后，AI支撑实施并从新数据中不断学习，调整协调策略，确保在条件变化时有效使用频谱。