第七届无线大数据研讨会
--迎接2030的挑战--
2021年7月11-12日 江西省南昌市泰耐克国际大酒店
目录
北邮-彭涛-无线系统RRM智能框架 无线干扰挖掘预测与无线资源智能分配
浙大-张宏纲-Semantic Communications with Adaptive Universal Transformer
清华-牛志升-移动通信的三大误区及其对策
传输误区
- 信道传输容量永远是瓶颈:只要提高容量,就能解决(大部分)问题
- 但是这条路已经接近极限
- 频谱资源稀缺且昂贵;功率受限于辐射及电池寿命等
- 高频段的覆盖成本、信号处理代价、切换代价、以及能耗代价
- 更关键的是:大容量≠大吞吐量;≠大连接;≠高可靠;≠低延时
- 从容量到吞吐量?
- 后香农时代的网络理论:随机服务理论or排队论?
- 业务产生、服务需求、网络资源、甚至网络拓扑均是随机的、突发的
- 因此,所需配置的网络资源、甚至网络拓扑也应该是动态调整的
- 业务需求具有随机性、且可容忍一定QoS下降,无需一味提高容量(e.g.流量控制)
- 业务随机性越大,同等资源下的用户QoS越差、资源利用率越低。因此降低随机性是根本!
- 随机服务理论(排队论)的几点启示
- 从“最坏设计”到“差异化”服务
- 为不同业务提供差异化服务
- 大数据以及AI为获取情境信息提供了可能根据业务特性选择适当的扩容方式(实时业务:分割信道;非实时业务:聚合信道)
网络与覆盖误区
- 只要不断缩小蜂窝,就能持续提高网络容量
- 但 UDN 会引入复杂的干扰及巨大的部署成本,并减弱对移动性支持
- 干扰虽然可以被抵消,但 代价 越来越大
- (高)移动性支持是移动通信核心
- 更关键的:UDN 并非能够持续提高容量(边际效应递减、甚至会出现反效应
- 从硬性覆盖到柔性覆盖?
- 网络的信号覆盖、资源接入以及服务模式均随业务需求以及网络状态动态改变的智能高效超蜂窝网络(Hyper Cellular Network) –国家973计划项目(2012-2016)
- 超蜂窝网络柔性覆盖的最优基站密度
- 传统硬性覆盖强度由基础覆盖和峰值容量需求直接确定
- 适当密集部署 反而能够降低全网能耗
- 超蜂窝架构:
- 业务潮汐现象可提升网络效能
- 业务突发特性可提升网络效能
- 动态改变用户与业务基站的关联(association)关系,主动将低负载基站业务转移到临近活跃基站,为低负载基站创造更多休眠机会的同时,增加活跃基站资源利用率
- 移动性真的无法利用吗?未来如果基站也动起来会如何(真正的“移动”通信)?
- 移动性及其带来的业务变化越来越趋于能够被提前预测
- 未来物联网终端好多都是不动的,还能叫移动通信吗?服务节点应该动起来!
- 未来网络中会有越来越多的移动节点(移动RS、移动BS、移动云)
- 在信道存在衰落的情况下,不同packet 的服务率存在相关性
东南-尤肖虎-5G技术演进:新机遇、新挑战
大上行
- 大规模 MIMO 是基站功耗与成本的决定性因素
- 大规模 MIMO 的效用取决于真实场景下并发处理的用户数
- 统计瞬时信道估计,大幅度降低大规模 MIMO 实时处理的计算复杂性
- 链路动态配置资源
- 网络辅助全双工
- 例如网络对下行链路发送信息的已知特征,对上下行交叉链路干扰进行抵消;
- 终端侧半双工
- 增加新的频谱资源:比如毫米波或者sub 10GHz
- 相对于OMA,NOMA的潜在容量提升空间巨大;
5G感知通信一体化
基于5 G 地面网络的厘米级定位:
- 雷达信号嵌入5G系统?还是纯粹基于5G导频信道?
- 单个5G基站的厘米级定位?
- 基于5G地面网络厘米级定位的应用场景研究。
北邮-张平-未来无线通信系统发展的思考
- 需求:全析/通感通信网络 (Human Bond Communications)
- 借助各种传感器,以移动终端为媒介实现两种形式的感觉信息传输。
- 感官信息的直接量化传输。
- 意识信息的间接传输。
- 数字孪生,真实、虚拟结合
- 虚拟物理空间(VPS): 构建真实物理世界在虚拟世界的镜像,并为海量用户的AIG提供信息 交互的虚拟数字空间。可为重大体育活动、抢险救灾、军事行动、数字工厂等提供业务支撑
- 虚拟精神空间(VSS): AIG捕获用户的心理状态与精神需求,支撑用户 的健康生活与满足其完备的精神需求。
- 虚拟行为空间(VBS): 减少对物理空间的无序干扰(如意念开灯)、促进物理空间的有序运转(和谐社会);6G人机接口与生物传感器监控用户身体行为与生理机能,向AIG实时传输诊疗数据。其典型应用是精准医疗。
- 机器可以自动“学习”的算法,即从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法
- 语义基(Seb)模型:一种完备的、高度抽象的语义信息表示方法
- 信息的比特组织形式和语义基组织形式,类似房屋的不同建造模式
- 语义基作用:语义基消除用户背景知识差异,保留共性客观部分和可恢复的主观部分,对信息重新表达
- 多源数据协同处理:将网络中不同设备的海量数据转为不同层面的“语义”,围绕“意图” 进行协同处理,提升工业互联网整体效率
中山-陈翔-面向联邦学习的上下行链路通信设计与分析
系统模型:无线通信+联邦学习
- 核心目标:设计面向无线联邦学习的高效率通信方案
- 优化设计
- 引入量化增益G:方便适配参数范围
- 使用随机舍入(Stochastic Rounding, SR)——利用其无偏特性
- 差分传输方案(Differential Transmission, DT)
- 有效降低参数动态范围,量化精度更高
- 随着训练的推进,具有趋于收敛的特性
- 参数的差分,这个不就是传梯度/改变量吗??
- 然后主要是从理论上和仿真验证了用差分的优势
- 差分传输不适用于下行链路
- 存储大量中间模型、存在被反演隐患
- 无法通过广播方式下发全局模型增加开销
- 无法在只有部分用户的典型配置下使用
- 每轮随机选取,无法确保用户拥有“基准”模型
- 下行链路量化优化方案:时变量化
- 核心思想:量化资源在时间维度上的分配
- 下行链路量化优化方案:分层量化
- 核心思想:网络层动态范围差异大,按层 适配量化参数
电子科大-梁应敞-智能共生无线通信
- 共生的交互通过资源和服务交换发生
- 共生分为三种
- 资源-资源共生
- 资源-服务共生
- 服务-服务共生
- 共生通信(SC):在无线电生态系统中,相关无线电系统也称为共生无线电(SRs),通过智能资源/服务交换形成一种共生关系。
- 资源-资源共生:
- 蜂窝通信:从后向散射设备获得额外的多径(受益于后向散射信号能量资源)
- 后向散射通信:对蜂窝信号进行后向散射传输(受益于蜂窝频谱和能源资源)
- 但是要实现这个通信,必须要有小区间的通信
- SRx采用联合解码实现高可靠的后向散射通信
- STx可部署可重构智能面(RIS)以增强后向散射链路
- 反向散射SC是一个很有前途的方案,支持6G及以上的大规模访问
- 不需要专用射频频谱
- 不需要专用射频源
- 使用后向散射无线电技术,功耗低
中科大-张文逸-语义信息 基于率失真理论的初探
- 刻画语义的关键问题之一在于如何刻画信息的效用。
- 不同的源消息在译码端被表征为不同的重建消息,带来不同的效用。
- 尽管香农并未研究上述信息效用,他发展的率失真理论提供了有用的工具来研究该问题。
- 也许可以将率失真函数视为信源的一阶语义描述。
- 如何进一步引入语义?
- 语义的效用可以通过定义合适的失真度量进行描述。
- 然而,与标准的率失真问题所不同,语义往往呈现为信源的“内蕴”特征,因此无法被直接地、完备地获取和处理。
- 定义(语义信源):一对具有给定联合概率分布p(s; x)的随机变量(S; X),其中,
S称为内蕴(intrinsic)变量,无法被观测和处理;
X称为外在(extrinsic)变量,可以被观测和处理。
- 关键:码字W只能通过对外在变量X编码得到,而内蕴变量S无法被直接观测和处理
- 现实中寻求语义失真约束和表象失真约束的折中
- 这就是老师说的那个两个约束
- 例如在图像分类的问题中
- 极低码率即足够获取满意的分类准确率(内蕴变量)
- 继续增加码率主要用于提升重建清晰度(外在变量)。
- 个人理解:此处内蕴变量是指完成这个任务必须的最基本的信息,外在变量是指传统的比特信息
- 信息表征的三个层次:
- 信源概率模型决定比特(数据压缩编码);
- 信源概率模型+失真度量决定比特(率失真理论);
- 结构化信源概率模型+失真度量决定比特(语义信源率失真理论)。
中国移动-韩双锋-面向未来的AI使能空口技术思考
目标和思路
- AI空口研究的目标:
- 通信标准升级换代快、网络设备更换频繁、系统运维复杂、标准化投入 高
- 在通信模块和链路性能增强的基础上,打造自演进空口技术,降本增效
- 打通RAN AI与业务的接口,促进网络与业务融合设计,提升性能
- 深入推动RAN架构开放,促进运营策略和意图的精准实现
- AI空口研究策略:
- 探索最优RAN架构和技术,充分发挥AI价值,实现资源的全局优化
- 制定未来标准化与产业化推进策略,站位高远,循序渐进落地
- 科研思路:
- AI模型+HI先验知识联合优化,侧重AI对于通信系统的性能提升
- 聚焦重点研究课题,深入研究AI空口关键技术和相应的标准化影响
- 科研基础:
- 完备、开放的数据集;高度泛化性AI架构与算法;运算资源的能力
物理层研究
- 基于深度学习的MIMO系统频域信道估计:利用机器学习技术挖掘信道的低维表征,从而减少导频开销
- 基于深度学习的MIMO系统CSI压缩与反馈:
- 利用深度神经网络(如自编码器)学习信道低维表征
- 收发端网络的非对称设计,即发端采用轻量网络,收端采用深度网络,降低终端部署开销与收发端模型同步的空口资源开销,收端网络以最新 CNN结构
网络与业务联合设计:业务自适应编码
- 面向未来苛刻的云强交互业务 极低缓存和低时延需求,提出基于无线网络感知的业务自适应编码方案和算法, 并通过自有平台进行成功验证,实现了网络能力与业务需求实时精准匹配,大幅降低带宽和时延。
- 技术方案1:基于强化学习的自适应信源码率选择
- 引入无线信道状态信息,结合云游戏的QoE特征反馈,设计强化学习方案,用于自适应码率选择,实验证明能有效提升业务体验。
- 技术方案2:ROI压缩算法自适应选择
- 引入无线信道状态信息,预测无线网络可用带 宽,用于云游戏ROI AI 压缩算法选择,实验证明能实现业务体验和带宽的联合优化。
面向未来的思考
- 物理层AI目前学术研究为主,实用化的考虑较薄弱
- 包括物理层模块的增强(信道估计、预测、压缩、反馈、波束控制、接收机算法等)和端到端链路的优化设计,解决复杂场景的技术挑战
- AI在物理层的应用仍存在较大的技术挑战
- 技术挑战1:数据采集与数据集建立尚未达成共识 。在业界讨论的热门物理层AI用例中,大多数需要采集大量数据用于模型训练或调优(如高维信道信息等)或要求收发端同步部AI模型,目前业界相关研究和讨论较少
- 技术挑战2:AI算法泛化性能是否达到要求尚无明确结论。不同场景间模型泛化性能是目前各厂商的关注焦点之一,但公开的研究内容却屈指可数,而且业界还没有泛化性的统一定义和评估方法
- 技术挑战3:现有方案系统级性能提升不明确,目前业界的公开仿真结果以链路级为主,系统级结果不多;全量CSI反馈对 MIMO 系统的容量提升有重大潜力,但是当天线数不多时容量提升有限。
- 在满足数据采集、模型训练与更新、计算资源等开销约束的前提下,对AI 架构和算法对多个泛化性指标的满足度进行分级,每个指标需要满足最低要求
北邮-彭涛-无线系统RRM智能框架 无线干扰挖掘预测与无线资源智能分配
问题与挑战
- 面临的挑战:如何在高度复杂化的5G系统中为用户提供丰富多变的高质量业务?
- 5G:更复杂的干扰问题
- UDN+HetNet :干扰源急剧增加,强/弱干扰源模糊化,干扰动态性急剧增强
- Massive MIMO/毫米波干扰的方向性强,难以类推
- NOMA :小区内干扰问题
- CR干扰感知现状
- 累计干扰测量:无法识别个体动态性干扰
- 个体干扰测量:参考信号和测量资源消耗大
- 问题和不足
- 信道状态信息的共享。UDN干扰源急剧增加,获取干拢链路即时信息状态会消耗大量资源
- 干扰信息的共享。干扰感知精度严重不足,无法精确到逐对链路间,干扰范围界定模糊
- 基于交互协调式的干扰管控。无法适应和利用干扰强动态性,性能制约严重
研究目标和内容
- 针对三方面问题
- 5G系统干扰感知不充分
- 复杂网络形态适应性差
- 网络动态性考虑不足
- 开展三方面研究
- 基于无线大数据的无我系统RRM智能框架
- 基于5G干扰模型的无线干扰智能化精确识别
- 基于无线性能预测的5G小区群无线资源分配
- 目标:形成实时获取、利用和管控5G干扰的无线资源管控技术方案
- 智能框架:干扰智能感知+无线性能推理+RRM策略智能学习
- 干扰智能感知预测:
- 挖掘无线数据→贴近网络现实
- 感知用户级干扰→感知精度高
- 效率高数据需求量小→近实时
- 性能推测器:
- 基于感知干扰模型推测性能真实,避免短时波动
- 以交互训练取代传统算法的线上训练→解决收敛性与动态性的矛盾
- 资源智能分配:
- 小规模深度学习算法→收敛快
- 解决广义加权速率最大化等多种优化问题→可扩展性强,应用广泛
浙大-张宏纲-Semantic Communications with Adaptive Universal Transformer
- 把整个端到端看作语义信道,包括语义编码和解码器(这个也是用AI/transfomer实现的)
- 发端和收端共享相同知识