2875
據(jù)說，今年秋季全國將有533所高校開設(shè)人工智能(AI)本科專業(yè)。人工智能可與各個專業(yè)交叉融合，成了最大的一個交叉學(xué)科。那么AI在通信中具體是怎么應(yīng)用的呢？基于目前的AI研究是否都是有效的呢？
在3GPP的5G系列標(biāo)準(zhǔn)中，有這樣三個有關(guān)AI的研究報告：
38.743 Study on enhancements for Artificial Intelligence (AI)/Machine Learning (ML) for NG-RAN；38.744 Study on Artificial Intelligence (AI)/Machine Learning (ML) for mobility in NR；38.843 Study on Artificial Intelligence (AI)/Machine Learning (ML) for NR air interface；
負(fù)責(zé)這三個研究報告的3GPP group分別是RAN3、RAN2和RAN1，我們順便再來復(fù)習(xí)一下3GPP各個group負(fù)責(zé)制定的標(biāo)準(zhǔn)內(nèi)容方向，如下圖所示。也就是說這三個標(biāo)準(zhǔn)分別是針對NG-RAN、移動性（層2層3）、空口物理層（層1）的AI研究。
01、TR 38.743
標(biāo)準(zhǔn)的下載鏈接：https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=4286
| 38.743 | Study on enhancements for Artificial Intelligence (AI)/Machine Learning (ML) for NG-RAN |
38.743是今年3月份啟動的一個R19的研究項目，由RAN3負(fù)責(zé)。內(nèi)容是針對基于人工智能/機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)切片（network slicing）和覆蓋及容量優(yōu)化（CCO：Coverage and Capacity Optimization）用例及其相應(yīng)解決方案提供描述和研究，以及對Rel-18遺留問題進(jìn)行分析。
我們舉網(wǎng)絡(luò)切片的例子來學(xué)習(xí)一下看看加入AI的流程是怎樣的。網(wǎng)絡(luò)切片是一種根據(jù)不同客戶要求進(jìn)行區(qū)別對待的概念。有了切片技術(shù)，移動網(wǎng)絡(luò)運營商（MNO：Mobile Network Operators）就可以將客戶視為不同的租戶類型，每種租戶類型都有不同的服務(wù)要求，并根據(jù)服務(wù)等級協(xié)議（SLA：Service Level Agreement ）和訂閱情況確定每個租戶有資格使用的切片類型。
那么由于NG-RAN在移動性、負(fù)載平衡和無線資源管理決策方面發(fā)揮著關(guān)鍵作用，其目的就是要滿足每個受支持網(wǎng)絡(luò)切片的SLA的目標(biāo)要求。AI/ML功能可以分析與網(wǎng)絡(luò)和UE級性能相關(guān)的指標(biāo)，從而為網(wǎng)絡(luò)切片執(zhí)行最佳資源管理和移動性決策，來滿足要求。
解決方案：
1.?關(guān)于AI/ML模型訓(xùn)練和模型推理的位置
支持基于AI/ML的網(wǎng)絡(luò)切片可考慮以下解決方案：
- AI/ML模型訓(xùn)練位于OAM，AI/ML模型推理位于gNB；?- AI/ML模型訓(xùn)練和AI/ML模型推理都位于gNB。OAM是指Operation、 Administration、Maintenance，操作管理維護(hù)。
如果采用 CU-DU 分離架構(gòu)，則可采用以下解決方案：
- AI/ML模型訓(xùn)練位于OAM，AI/ML模型推理位于gNB-CU；- AI/ML模型訓(xùn)練和模型推理都位于gNB-CU。
2. 基于AI/ML網(wǎng)絡(luò)切片的輸入數(shù)據(jù)
為了預(yù)測優(yōu)化的網(wǎng)絡(luò)切片決策，gNB可能需要以下信息作為基于AI/ML的網(wǎng)絡(luò)切片的輸入數(shù)據(jù)：
來自本地節(jié)點：-?每個切片測量/預(yù)測的無線資源狀態(tài)?-?測量/預(yù)測的切片可用容量?-?傳統(tǒng)預(yù)測的UE軌跡來自鄰近gNB：-?每個切片測量/預(yù)測的無線資源狀態(tài)-?測量/預(yù)測的切片可用容量來自UE：-?UE?測量報告（如UE?RSRP、RSRQ、SINR測量等），包括小區(qū)級和波束級UE測量值
3.?基于AI/ML網(wǎng)絡(luò)切片的輸出數(shù)據(jù)
gNB中基于AI/ML的網(wǎng)絡(luò)切片模型可生成以下輸出信息：
-?每個切片的無線資源狀態(tài)預(yù)測?-?切片可用容量預(yù)測?-?RRM?策略內(nèi)資源的資源管理決策（由gNB內(nèi)部使用）?-?切片感知移動性決策（由gNB內(nèi)部使用）
4.?基于AI/ML網(wǎng)絡(luò)切片的反饋為了優(yōu)化基于AI/ML的網(wǎng)絡(luò)切片模型的性能，可以考慮從gNB 收集以下反饋：
-?每個切片測量的無線資源狀態(tài)?-?測量切片可用容量?-?從源gNB切換的UE的傳統(tǒng)UE性能反饋?-?從源gNB切換的UE的更細(xì)顆粒度UE性能反饋，以確定某個UE使用的某個切片的UE性能。
5. 標(biāo)準(zhǔn)的潛在影響與Rel-18期間的規(guī)范相比，Rel-19后續(xù)規(guī)范性工作的影響如下：
Xn 接口：-?增強(qiáng)現(xiàn)有程序，以收集gNB之間的預(yù)測信息：??■?每個切片的無線資源狀態(tài)預(yù)測??■?切片可用容量預(yù)測
NR覆蓋和容量優(yōu)化（CCO：Coverage and Capacity Optimization）功能的目標(biāo)是檢測和解決或減輕CCO問題。NG-RAN節(jié)點可在覆蓋配置內(nèi)自主調(diào)整和切換。當(dāng)執(zhí)行變更時，NG-RAN節(jié)點可通知其鄰近的NG-RAN節(jié)點，并提供已修改覆蓋的小區(qū)和 SSB 列表。在傳統(tǒng)的CCO解決方案中，使用的是一種被動方法：當(dāng) gNB（在 CU-DU 分離架構(gòu)中為 gNB-CU）檢測到對網(wǎng)絡(luò)和 UE 性能有負(fù)面影響的 CCO 問題發(fā)生后，gNB（在 CU-DU 分離架構(gòu)中為 gNB-DU）會嘗試解決或緩解該問題。而基于 AI/ML 的 CCO 則采用更積極主動的方法來防止（或在早期階段限制）CCO問題的出現(xiàn)以及隨之而來的網(wǎng)絡(luò)和UE性能的下降。
02、TR 38.744
標(biāo)準(zhǔn)的下載鏈接：https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=4288
| 38.744 | Study on Artificial Intelligence (AI)/Machine Learning (ML) for mobility in NR |
38.744是今年6月剛剛啟動的研究項目，由RAN2負(fù)責(zé)。它是關(guān)于mobility的AI研究。用例側(cè)重于 RRC_CONNECTED 模式，涵蓋SA NR場景中PCell變化流程的RRM測量預(yù)測、測量事件預(yù)測和 RLF/HOF 預(yù)測。RLF是指Radio link failure；HOF是指Handover failure。
主要有兩個研究目標(biāo)。第一個研究目標(biāo)是通過使用預(yù)測測量來減少時間、空間或頻率域的測量工作。第二個研究目標(biāo)是提高切換性能（例如，乒乓 HO、HOF/RLF、短時停留、切換中斷）?？稍谡业骄哂辛己脺y量預(yù)測準(zhǔn)確性的評估場景后討論切換性能。
采用的通用評估方法是：使用基于信道模型和部署的合成數(shù)據(jù)集，也可選擇使用現(xiàn)場數(shù)據(jù)。原則上，一旦確定了一組仿真參數(shù)和假設(shè)，就應(yīng)將其用于基線情況（即無人工智能模型）、模型訓(xùn)練（如數(shù)據(jù)集生成）、模型驗證、模型測試和推理操作等。在訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集之間，至少在信道建模和UE軌跡方面使用不同的隨機(jī)種子。
那么報告中具體的關(guān)于RRM預(yù)測、RLF預(yù)測等的方法和結(jié)論，還有待進(jìn)一步補(bǔ)充。
03、TR 38.843
標(biāo)準(zhǔn)的下載鏈接：https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=3983
| 38.843 | Study on Artificial Intelligence (AI)/Machine Learning (ML) for NR air interface |
38.843是R18期間的研究項目，內(nèi)容相對詳細(xì)。上面的38.743和38.744兩個R19的標(biāo)準(zhǔn)也是基于38.843。38.843是由RAN1工作組也就是層1物理層工作組來負(fù)責(zé)研究的。在這本報告中，我們可以了解到AI在通信應(yīng)用中更加基本的概念和流程。
例如，AI/ML 模型的生命周期管理（LCM：life cycle management）可能包括以下：
-?數(shù)據(jù)采集?注：如適用，還包括相關(guān)的輔助信息。?-?模型訓(xùn)練?-?功能/模型識別?-?模型交付/傳輸?-?模型推理操作?-?功能/模型選擇、激活、停用、切換和回退操作。??包括?網(wǎng)絡(luò)決定（網(wǎng)絡(luò)啟動或UE啟動并向網(wǎng)絡(luò)請求）、??UE?決定（網(wǎng)絡(luò)配置的事件觸發(fā)、UE向網(wǎng)絡(luò)報告決定或UE自主向網(wǎng)絡(luò)報告決定或不報告決定）?-?功能/模型監(jiān)控?-?模型更新?-?UE?能力?
下圖所示是用于NR空中接口的AI/ML功能框架。這是一個通用的功能架構(gòu)，因此，圖中顯示的某些功能或數(shù)據(jù)/信息/指令流可能并不總是與特定的LCM方法相關(guān)。
38.843中主要對以下3個用例進(jìn)行了分析和評估：
- CSI 反饋增強(qiáng)??-?利用雙面人工智能模型進(jìn)行空間-頻率域CSI壓縮??-?利用UE側(cè)模型預(yù)測時域CSI-?波束管理??-?根據(jù)波束組B的測量結(jié)果對波束組A進(jìn)行空間域下行鏈路波束預(yù)測???-?根據(jù)波束組B的歷史測量結(jié)果對波束組A進(jìn)行時間域下行鏈路波束預(yù)測?-?定位精度增強(qiáng)???-?直接AI/ML定位???-?AI/ML輔助定位
我們選擇Beam management（波束管理，簡稱BM）來看一下具體情況。
下圖舉例說明了BM-Case1和BM-Case2的波束管理推理過程?；诓ㄊ疊 的測量結(jié)果被用作模型輸入。此外，波束ID信息也可作為 AI/ML 模型的輸入。根據(jù)模型輸出（例如，集合A中每個波束成為Top-1波束的概率、預(yù)測的L1-RSRPs），可以預(yù)測出波束集合A中的Top-1/N波束和/或可能具有預(yù)測的L1-RSRP的波束。在評估中，對于BM-Case1，將集合B的測量值作為模型輸入，以預(yù)測集合A中的Top-1/N波束；對于BM-Case2，將歷史時間實例的測量值作為模型輸入，以預(yù)測集合A中的波束的時域DL波束。在評估中，BM-Case1 和 BM-Case2 均考慮了集合A和集合B不同（集合B不是集合A的子集）和集合B是集合A的子集的情況，以及 BM-Case2 中集合A和集合B相同的情況。并評估了DL Tx波束預(yù)測和DL Tx-Rx波束對兒（beam pair）預(yù)測的性能。在BM-Case1和BM-Case2中，UE可以根據(jù)UE端模型的輸出向NW報告預(yù)測結(jié)果，NW也可以根據(jù)NW端模型的Set B報告測量結(jié)果預(yù)測Top-1/N波束。
那么在BM的AI建模中要考慮的KPI有哪些呢？
模型的復(fù)雜度和計算復(fù)雜度；波束預(yù)測的精確度；系統(tǒng)性能例如UE吞吐量、RS（參考信號）overhead降低等；
做AI評估，要比較加入前與加入后的性能，就要做很多場景和參數(shù)的假設(shè)，評估假設(shè)包括系統(tǒng)級（system level simulation assumptions）和鏈路級（link?level simulation?assumptions）。我們分別來舉例看一下：
首先波束管理評估中AI/ML 的基準(zhǔn)系統(tǒng)級仿真假設(shè)參數(shù)如下：
| 參數(shù) | 取值 |
| 頻率 | FR2 @ 30 GHz; SCS: 120 kHz |
| 網(wǎng)絡(luò)部署 | 200 米 ISD，2 層環(huán)繞模式（7 個站點，每個站點 3 個扇區(qū)/蜂窩） 不排除其他部署假設(shè) |
| 信道模型 | UMa 采用 TR 38.901 表 7.4.2-1 中定義的與距離有關(guān)的 LoS 概率函數(shù)。 |
| 系統(tǒng)帶寬 | 80MHz |
| UE 速度 | 空間域波束預(yù)測: 3km/h
時域: 30km/h 不排除其他值 |
| UE分布 | 每個扇區(qū)/小區(qū) 10 個 UE，用于系統(tǒng)性能相關(guān) KPI[如吞吐量]的全緩沖流量評估（模型推理）。
每個扇區(qū)/小區(qū) X 個 UE，用于 FTP 流量的系統(tǒng)性能相關(guān)關(guān)鍵績效指標(biāo)評估（模型推理）。 不排除其他值。 報告數(shù)據(jù)收集（培訓(xùn)/測試）期間每個扇區(qū)/小區(qū)的 UE 數(shù)量（如果相關(guān)）。
用于空間域波束預(yù)測（可選，用于比較不同的 UE 分布假設(shè)）： - 方案 1：80% 室內(nèi)，20% 室外，如 TR 38.901 - 方案 2：100% 室外 時域預(yù)測：100% 室外 |
| 發(fā)射功率 | 按照38.802 中相應(yīng)方案給出的基站和 UE 的最大功率和最大 EIRP（表 A.2.1-1 和表 A.2.1-2） |
| 基站天線配置 | gNB 的天線設(shè)置和端口布局: (4, 8, 2, 1, 1, 1, 1), (dV, dH) = (0.5, 0.5) λ
不排除其他假設(shè)。 需解釋 TXRU 權(quán)重映射和波束選擇。BS 波束數(shù)：NW 側(cè) 32 或 64 個下行 Tx 波束（可用波束的最大數(shù)量）。不排除其他值，如 256。 |
| 基站天線方向圖 | TR 38.802 表 A.2.1-6, 表?A.2.1-7 |
| UE天線配置 | UE 上的天線設(shè)置和端口布局：（1、4、2、1、2、1、1），2 個面板（左、右） 。不排除其他假設(shè)。
需解釋 TXRU 權(quán)重映射。解釋波束和面板的選擇。UE 波束數(shù)：每個 UE 面板在 UE 側(cè)有 4 或 8 個下行 Rx 波束（可用波束的最大數(shù)量）。不排除其他值，如 16。 |
| UE天線方向圖 | TR 38.802 表A.2.1-8,?表A.2.1-10 |
| 波束對應(yīng) | 廠家解釋波束對應(yīng)假設(shè)（根據(jù) RAN4 中商定的兩種類型） |
| 鏈路適配 | 基于CSI-RS |
| 流量模型 | 對于與系統(tǒng)性能相關(guān)的KPI評估（模型推斷），報告以下任一流量模型：選項 1：完全緩沖 選項 2：帶有詳細(xì)假設(shè)的 FTP 模型（如 FTP 模型 1、FTP 模型 3 |
| UE的panel間校準(zhǔn) | 根據(jù)38.802的理想、非理想（可選） - 解釋任何錯誤 |
| 控制和參考信號overhead | 報告假設(shè)詳情 |
| 控制通道解碼 | 理想或非理想（解釋如何建立模型） |
| UE接收類型 | 以 MMSE-IRC 為基準(zhǔn)，不排除其他高級接收器的可能性 |
| BF 方案 |
應(yīng)解釋所使用的方案 |
| 發(fā)射方案 | 多天線端口發(fā)射方案，解釋使用方案的詳情。 |
| 其他仿真假設(shè) | 解釋服務(wù) TRP 選擇、調(diào)度算法。
TRP這里指的是transmission reception points |
| 其他潛在損傷 | 未模擬（假定為理想狀態(tài)）。如果包含，應(yīng)報告假定損傷的詳細(xì)情況。 |
| 基站發(fā)射功率 | 40 dBm (baseline)
其他值(例如, 34 dBm) 不排除 |
| UE最大發(fā)射功率 | 23 dBm |
| 基站接收機(jī)噪聲系數(shù) | 7 dB |
| UE接收機(jī)噪聲系數(shù) | 10 dB |
| 站間距離 | 200 m |
| 基站天線高度 | 25 m |
| UE天線高度 | 1.5 m |
| 汽車穿透損失 | 按照38.901章節(jié)7.4.3.2: μ = 9 dB, σp = 5 dB |
| UE 測量/報告 |
至少對于時域下行鏈路波束預(yù)測是如此：
- T1 中每次測量/報告的時間周期：20ms、40ms、80ms、[100ms]、160ms、[960ms]。也可報告其他值。- 可報告 T1 測量/報告的時間數(shù)?？蓤蟾嬗糜陬A(yù)測的時間實例。 |
| 場景 | 密集城市（僅宏觀層，TR 38.913）是數(shù)據(jù)集生成和性能評估的基本場景。不排除其他場景。 |
| 空間一致性 | 至少在 BM-case 1 中，報告空間一致性程序之一：- TR38.901 中的程序 A - TR38.901 中的程序 B |
| UE軌跡模型 | 在評估的初始階段，至少要為時間波束預(yù)測定義 UE 軌跡模型。
在評估的初始階段，不一定要定義 UE 軌跡模型，至少對于空間域波束預(yù)測而言。 |
| UE旋轉(zhuǎn) | 要報告的 UE 速度。注：不排除 UE 旋轉(zhuǎn)速度 = 0 的情況，即 UE 不旋轉(zhuǎn)。 |
| 性能評估基準(zhǔn) | 時間波束預(yù)測:
- 方案 1：根據(jù)對 T2 時刻內(nèi)波束集合 A 中所有 RS 資源或所有可能波束的測量結(jié)果，在波束集合 A 中為 T2 選擇最佳波束 - 方案 2：根據(jù)對 T1 時刻內(nèi)波束集合 B 中所有 RS 資源的測量結(jié)果，在波束集合 A 中為 T2 選擇最佳波束 - 詳細(xì)解釋如何根據(jù) T1 中的測量結(jié)果，從集合 A 中為 T2 選擇最佳波束。其中，T2 是選擇最佳波束的持續(xù)時間，T1 是從波束集合 B 中獲取所有 RS 資源的測量結(jié)果的持續(xù)時間。T1 和 T2 與基于 AI/ML 的方法一致。集合 A 和集合 B 是相同還是不同，取決于子用例情況。不排除其他選擇。
對于空間域波束預(yù)測: - 方案 1：根據(jù)對所有 RS 資源或波束集 A 中所有可能波束的測量結(jié)果，在波束集 A 中選擇最佳波束（窮舉式波束掃描） - 方案 2：根據(jù)對波束集 B 中 RS 資源的測量結(jié)果，在波束集 A 中選擇最佳波束 - 不排除其他方案。 |
鏈路仿真參數(shù)如下：
| 參數(shù) | 取值 |
| 頻率 | 30GHz. |
| 子載波間隔 | 120kHz |
| 數(shù)據(jù)采集 | 以 [8 個 RB] 為基準(zhǔn)，可報告更多的 RB PDCCH 的前 2 個 OFDM 符號和數(shù)據(jù)信道的后 12 個 OFDM 符號 |
| PDCCH解碼 | 理想或非理想 |
| 信道模型 | FFS:
LOS 信道：CDL-D 擴(kuò)展，DS = 100ns NLOS 信道：CDL-A/B/C 擴(kuò)展，DS = 100ns 詳細(xì)解釋考慮空間一致性的擴(kuò)展方法。不排除其他信道模型。 |
| 基站天線配置 | 一個panel: (M, N, P, Mg, Ng) = (4, 8, 2, 1, 1), (dV, dH) = (0.5, 0.5) λ 作為基準(zhǔn)。這里M和N分別是天線水平垂直的陣子數(shù)，P極化數(shù)，Mg, Ng分別是天線水平垂直的panel數(shù)。 不排除其他信道模型。 解釋 TXRU 權(quán)重映射和波束選擇、BS波束數(shù)量。 |
| 基站天線陣子輻射方向圖 | 同上表SLS |
| 基站天線高度和天線陣列下傾角 | 25m, 110° |
| UE天線配置 | Panel面板結(jié)構(gòu): (M, N, P) = (1, 4, 2), - 以 (Mg, Ng) = (1, 2) 為基線的 2 個panel（左，右） - 1 個面板為可選項 - 不排除其他假設(shè) 解釋 TXRU 權(quán)重映射、波束和面板選擇、UE波光束數(shù)量 |
| UE天線陣子輻射方向圖 | 同上表SLS |
| UE移動速度 | 同上表SLS |
| 原始數(shù)據(jù)收集格式 | 取決于子用例和廠家的選擇。 |
方法有了，參數(shù)也有了，結(jié)論是什么呢？結(jié)論說起來也是很復(fù)雜的，首先看一下在波束管理中應(yīng)用AI/ML模型的復(fù)雜度/計算復(fù)雜度參數(shù)：包括以模型參數(shù)數(shù)量表示的模型復(fù)雜度；以模型大小數(shù)量表示的模型復(fù)雜度；以浮點運算次數(shù)表述的計算復(fù)雜度。
結(jié)論也很復(fù)雜，與非AI相比，并不是所有加入了AI/ML的case性能都會有所提升。對于波束管理分為兩種情況：
在 BM-Case1 中，當(dāng)集合 B 是集合 A 的子集或集合 B 與集合 A 不同時，在沒有 UE 旋轉(zhuǎn)的情況下，AI/ML 可以在 DL Tx 波束預(yù)測中使用最佳 Rx 波束測得的波束集合 A 的 1/4 或 1/8 的固定集合 B 進(jìn)行測量，并在波束對預(yù)測中使用集合 A 的 1/4 或 1/8 或 1/16 的固定集合 B 進(jìn)行測量，從而實現(xiàn)良好的性能。此外，根據(jù) 2 或 3 個來源的評估結(jié)果，對于 BM-Case1 DL Tx 波束預(yù)測，在測量/RS 開銷為 1/4 或 1/8 的情況下，根據(jù) AI/ML 預(yù)測的波束，可實現(xiàn) 96%~99% 或 85%~98% 的 UE 平均吞吐量和 95%~97% 或 70%~84% 的 UE 5%ile 吞吐量的非 AI 基線方案 1（對 Set A 波束進(jìn)行窮舉搜索）。請注意，在評估中假設(shè)了理想的測量：無論信噪比如何，都能測量波束，無測量誤差，在單次實例（信道相干時間間隔內(nèi)）中獲得測量，無量化，對 UCI 有效載荷無限制（對于 NW 端模型）。
但是對于BM-Case2，與非AI基線相比的波束預(yù)測精度性能，在沒有 UE 旋轉(zhuǎn)的情況下，對于80毫秒或160毫秒的預(yù)測時間：- 某些評估結(jié)果表明 AI/ML 的性能可能相似或有所下降。對于160毫秒或更長的預(yù)測時間：- 大多數(shù)評估結(jié)果表明 AI/ML 可提高一些波束預(yù)測精度 - 預(yù)測時間越長，AI/ML 可提高的波束預(yù)測精度就越高。但是從減少測量/RS 開銷的角度看，AI/ML 可實現(xiàn)良好的波束預(yù)測，同時減少測量/RS 開銷。
