機器學習，能為5G通信技術(shù)帶來哪些新挑戰(zhàn)？

現(xiàn)在無線通信在我們的日常生活中發(fā)揮著重要的作用。最新的5G網(wǎng)絡通信旨在提供比現(xiàn)有4G網(wǎng)絡更快、更可靠、更高效的數(shù)據(jù)傳輸速度和服務。與此同時，近年來人工智能的高速發(fā)展，為傳統(tǒng)通信技術(shù)中的難題提供了新的方法，開辟了新的機遇。本文結(jié)合人工智能領域的經(jīng)典技術(shù)——機器學習的研究進展，介紹了機器學習在5G高級無線通信中的應用，并進一步探討了機器學習在5G高級無線通信中的應用所面臨的挑戰(zhàn)和未來的研究方向。

1、5G網(wǎng)絡通信介紹

5G網(wǎng)絡，即第五代移動通信技術(shù)， 是新一代移動通信技術(shù)的核心。5G具有超高的頻譜利用率和能效, 在傳輸速率和資源利用率等方面較 4G 移動通信提高至少一個量級或更高, 其無線覆蓋性能、傳輸時延、系統(tǒng)安全等也得到顯著的提高。5G移動通信與其他無線移動通信技術(shù)密切結(jié)合, 構(gòu)成新一代無所不在的移動信息網(wǎng)絡。可以滿足未來10年移動互聯(lián)網(wǎng)流量增加 1000 倍的發(fā)展需求[1]。另外，5G移動通信系統(tǒng)的應用領域也進一步擴展, 在智能交通，遠程醫(yī)療，物聯(lián)網(wǎng)，虛擬現(xiàn)實娛樂等領域的應用給人們的生活帶來了前所未有的便捷。

與此同時，5G通信仍然面臨著許多挑戰(zhàn)，例如由于5G網(wǎng)絡的高速度和大容量，對網(wǎng)絡設備和信息傳輸技術(shù)提出了更高的要求；5G網(wǎng)絡具有靈活性和適應性等特點，但其安全性和穩(wěn)定性就需要更多的技術(shù)創(chuàng)新來確保等。

2、機器學習技術(shù)介紹

隨著人工智能技術(shù)的發(fā)展，為傳統(tǒng)方法無法解決的難題提供了新的思路，作為人工智能技術(shù)的一個主要分支，機器學習通過從以前的數(shù)據(jù)中學習并提取特征來解決復雜的問題。

機器學習主要分為三個分支:監(jiān)督學習、無監(jiān)督學習和強化學習。圖一說明了人工智能（Artificial Intelligence，AI）、機器學習（Machine Learning，ML）、監(jiān)督學習、無監(jiān)督學習和強化學習之間的關(guān)系。

監(jiān)督學習通過使用標記的訓練數(shù)據(jù)集來學習相應的映射模型。深度神經(jīng)網(wǎng)絡(Deep Neural Network, DNN)是監(jiān)督學習的典型代表，它通過離線訓練來獲得多層人工神經(jīng)網(wǎng)絡的收斂權(quán)系數(shù)，并對新的數(shù)據(jù)進行推理。

與監(jiān)督學習不同的是，無監(jiān)督學習使用未標記的訓練數(shù)據(jù)集來獲得映射模型。在經(jīng)典的自編碼器結(jié)構(gòu)中，通過學習輸入數(shù)據(jù)的固有特征，調(diào)整網(wǎng)絡系數(shù)來恢復輸入數(shù)據(jù)的真實值。

強化學習是基于智能體與外部環(huán)境之間的動態(tài)交互，可以在線處理數(shù)據(jù)。智能體通過探索環(huán)境和獎勵或懲罰行為來學習，并以最佳行動序列優(yōu)化累積獎勵。

圖一：人工智能，機器學習，監(jiān)督學習，無監(jiān)督學習，強化學習之間的關(guān)系

3、機器學習在5G通信中的應用

近年來，全球研究人員對利用機器學習發(fā)展5G通信技術(shù)表現(xiàn)出了極大的興趣。接下來重點介紹幾種機器學習在5G無線通信中的應用。

3.1 自適應調(diào)制編碼技術(shù)（Adaptive modulation encoding，AMC）

AMC是無線信道上采用的一種自適應的編碼調(diào)制技術(shù)，通過調(diào)整無線鏈路傳輸?shù)恼{(diào)制方式與編碼速率，來確保鏈路的傳輸質(zhì)量。

然而目前的AMC技術(shù)在實際應用中，基于模型的近似不準確或是查找表的尺寸過大導致系統(tǒng)過于復雜，并未表現(xiàn)出較好的性能。由于AMC是一個典型的分類問題，機器學習中的監(jiān)督學習自然成為了優(yōu)化自適應調(diào)制編碼技術(shù)的重要選擇。解決該問題最常用的監(jiān)督學習算法是K-NN（K Nearest Neighbors）算法，其原理就是當預測一個新的值X的時候，根據(jù)距離它最近的K個點是什么類型來判斷x屬于哪個類別。例如圖二中，判斷k=3時的類型，觀察相鄰三個點中有兩個三角一個方塊，所以判斷k=3的類型是三角。

圖二：K-NN算法圖例

然而K-NN算法的最大困難是不能明確類邊界[2]，需要大型的離線訓練數(shù)據(jù)庫。相比較之下，強化學習可以從環(huán)境中直接學習。所以人們嘗試采用馬爾可夫過程的強化學習來實現(xiàn)AMC，它相比于K-NN算法具有更高的自適應能力。

3.2 信道均衡技術(shù)

信道均衡是通信系統(tǒng)為了提高衰落信道的傳輸性能而采取的一種抗衰落措施，主要是為了消除碼間干擾和非線性失真的問題。其原理是根據(jù)信道或整個傳輸系統(tǒng)特性進行補償，例如圖三是通過信道質(zhì)量調(diào)整發(fā)射功率的信道均衡技術(shù)。

由于機器學習可以實現(xiàn)自適應信號處理的能力，所以人們提出了基于機器學習的均衡器來改進傳統(tǒng)均衡器的特性。根據(jù)機器學習可以提取時變無線信道的關(guān)鍵特征，提出了一種基于多層感知器（Multilayer Perceptron，MLP）的自適應均衡器，主要用于線性信道的符號間干擾（ Internsymbol Interference ，ISI）抑制。之后人們在MLP均衡器的基礎上，提出了一種基于FLANN的遞歸神經(jīng)網(wǎng)絡均衡器，通過其模擬非線性濾波器的能力，用于均衡具有非線性信道失真的復雜信號，且具有較低的計算復雜度。

圖三：根據(jù)信道質(zhì)量調(diào)整發(fā)射功率的信道均衡技術(shù)

3.3 負載預測

由于5G無線網(wǎng)絡的使用頻率要比4G快得多，而頻率越大的基站，衰落就會越快，所以要覆蓋與4G相同的區(qū)域，需要部署更多的5G基站。因此，通過負載預測來克服基站密度造成的能耗，也成為了一個關(guān)鍵問題。

多年來，機器學習在負載預測中得到了廣泛的應用。多種機器學習算法均可進行使用。自回歸綜合平均模型是一種簡便的負載預測方法，得到了廣泛應用；Prophet模型通過采用時間序列分析實現(xiàn)預測，也可以用于負載預測；長短期記憶(LSTM)是一種基于RNN的多記憶單元結(jié)構(gòu)，適用于負荷預測。集成學習(EL)可以將多個模型以線性方式組合在一起，生成具有較強預測能力的集成模型。每種ML算法都有自己的優(yōu)點和缺點。因此，最適合負荷預測的機器學習算法需要根據(jù)不同的應用目標來確定。

4、挑戰(zhàn)與未來方向

盡管機器學習目前已廣泛應用在5G通信的多項技術(shù)中，但是仍然存在一些問題和挑戰(zhàn)，例如：

①目前的機器學習方法都需要較長的收斂時間，這會限制其在動態(tài)無線通信中的應用，因此，需要進一步研究加速機器學習收斂過程的方法。

②由于無線信道的時變特性，需要不斷調(diào)整機器學習參數(shù)甚至是機器學習方法，這大大增加了通信系統(tǒng)的復雜程度。所以需要針對不同應用的統(tǒng)一機器學習方法進行深入研究。

③目前大多數(shù)機器學習方法都需要大量的標記數(shù)據(jù)來實現(xiàn)模型的學習和訓練，但是現(xiàn)在無線網(wǎng)絡產(chǎn)生的大多數(shù)據(jù)都是未標記的原始數(shù)據(jù)。因此對原始數(shù)據(jù)的標注需要進行進一步研究和改進。

參考文獻：

[1] 尤肖虎,潘志文,高西奇,等.5G移動通信發(fā)展趨勢與若干關(guān)鍵技術(shù)[J].中國科學:信息科學, 2014, 44(5):551-563.DOI:10.1360/N112014-00032.

[2] Y. Zhou, J. Chen, M. Zhang, D. Li and Y. Gao, "Applications of Machine Learning for 5G Advanced Wireless Systems," 2021 International Wireless Communications and Mobile Computing (IWCMC), Harbin City, China, 2021, pp. 1700-1704, doi: 10.1109/IWCMC51323.2021.9498754.