基于O-RAN架构的无线网络嵌入式人工智能探索

为应对这一需求，空口技术、网络架构等不断创新演进，网络变得更加开放和灵活。在空口技术方面，5G网络将支持更多的频段和天线数量，以及更加多样化的帧结构参数和物理层控制流程。在网络架构方面，5G网络进行了多层次解耦，如网络虚拟化（NFV）的软硬解耦、控制与转发分离、控制面与用户面解耦、无线接入网的中心单元（CU）与分布式单元（DU）分离等。这使得未来网络更容易部署在云平台，并可根据业务及网络需求进行自动化功能编排和资源分配，为垂直行业提供高效的网络切片服务，提供极致的业务和用户体验。
 

5G为何需要人工智能与机器学习
 

网络的灵活性也不可避免地带来了网络的复杂性。面对复杂的网络环境和网络规模及用户的成倍增长，网络的管理和运维效率需要进一步提升。此外，为更好地满足差异化的应用需求，需要支持灵活的网络功能编排、更加精细化的无线网络资源分配及高效的网络控制。现有的基于人工干预和过度依赖理论建模的网络设计和优化模式，将难以解决5G网络中的复杂网络管理和控制问题。一方面，传统方法难以对复杂无线网络优化问题进行精确建模和高效求解，导致无线网络频谱效率、能量效率等方面性能损失。另一方面，传统基于网络和用户瞬时状态信息的方案将难以充分利用网络潜在的传播环境特征及用户行为规律带来的网络业务时/空规律性变化特征，导致网络性能并未实现最优且存在大量的剩余资源未被充分利用。5G时代网络需要更加自动化和智能化，能够从业务体验、网络质量、网络效率和网络成本等各个方面自主优化。
 

面对传统工具在实际复杂网络环境中的不足，5G网络需要引入新的理论工具和方法论——无线大数据和人工智能 (AI) 技术。在无线网络中引入无线大数据和人工智能技术，为5G网络赋予了如下新的能力。
 

一是可靠的预测模型。如故障预测、业务类型/模式预测、用户轨迹/位置预测、业务感知预测、干扰预测、网络KPI预测等。基于这些预测，可实现主动式的网络管理和控制，有效提升网络运维效率和网络资源利用效率，并提供个性化、差异化的网络服务能力。
 

二是先进的优化决策方法。机器学习算法以数据为驱动，可有效解决5G网络中存在的大量传统方法难以建模、求解和高效实现等问题。
 

具体来看，针对难以建模的问题，可利用网络采集的数据为驱动，用机器学习算法训练的AI模型对问题进行建模与求解。在5G网络中常见的难以建模的问题主要包含：高维度、多目标优化问题和联合跨层优化问题。如针对5G网络运维优化中存在大量高维度的参数优化及海量KPI指标，包含频谱效率、网络时延、可靠性、连接密度、用户体验速率等多个维度。通过引入人工智能技术，可找到网络的KPI与高维参数的映射建模关系并获得最优网络参数配置建议。此外，AI技术也为难以建模的联合跨层优化提供有效的手段。
 

针对通信中大量的NP-Hard组合优化问题，其最优解复杂度一般随系统规模呈指数增长。可考虑基于机器学习，通过求解算法离线训练，实现在线决策，在保证接近最优解的前提下，降低实现复杂度。而传统算法一般通过对问题进行分解以获得低复杂度的次优解，但性能较差。
 

基于上述技术优势，未来5G网络必然需要以大量真实可信的网络数据为驱动，基于数据挖掘、统计分析、深度学习、通信理论和专家系统等诸多技术，以实现对无线网络的环境感知、智能预测和自动化闭环决策。通过对网络的智能管控，最终实现自动化运营，提升运营效率，降低运营成本。
 

目前相关大数据和人工智能技术已经在网络管理、运维及内容缓存与分发优化方面实现了初步应用。这些应用主要在网络管理面，基于离线数据分析实现非实时的基站级别管理和优化，无法较好地满足业务级、用户级和实时快速的网络控制面优化需求。因此，中国移动提出了无线网嵌入式人工智能的概念，进一步渗透到网络控制面和用户面，实现针对业务/用户的极致业务体验保障、基于用户行为和网络场景的精细化网络管控，并使网络能力开放。
 

人工智能技术如何嵌入O-RAN架构
 

为实现无线接入网络的嵌入式人工智能技术，需要从无线接入网架构和关键技术层面进行系统性思考和创新。2018年，中国移动联合AT&T等运营商主导成立O-RAN产业联盟，旨在推动未来无线接入网络的“开放”和“智能”。O-RAN架构在无线网CU/DU架构和功能虚拟化的基础上，引入了无线大数据分析与人工智能引擎，通过两级非实时与实时智能控制器（RIC）实现无线接入网络的嵌入式人工智能管控，使能时间、空间多维度的无线智能应用。基于O-RAN架构的多层智能应用及其闭环控制的时间颗粒度如图所示。

基于O-RAN架构的多层智能闭环控制
 

为支持不同时间尺度的智能闭环管控，在O-RAN整体架构中引入了无线网智能控制器（RIC）功能实体。RIC的核心是利用大数据分析及人工智能技术针对无线网络环境进行感知、预测并对无线资源的分配进行决策。根据处理时延特性，将RIC划分为非实时无线智能控制器和近实时无线智能控制器。
 

非实时层无线网智能控制器可嵌入网管平台部署，实现跨域的整网级、多维度、超大规模数据量的分析与处理，主要用于支持秒级以上的策略管理和控制。非实时智能控制器的主要功能包括服务和意图策略管理、无线网络分析以及AI模型的训练等功能。训练后的AI模型可通过A1接口分发给近实时无线智能控制器进行在线推理和执行。利用采集到的海量无线数据，通过大数据分析及人工智能算法，非实时智能控制器可有效提取无线数据特征及模型，如网络用户级流量空时分布、用户移动性特征及模型、用户业务类型及模式，以及用户服务体验预测模型等。
 

利用这些数据特征及AI模型，非实时智能控制器一方面可协助网管优化非实时的网络参数配置，如切换/重选参数、大规模天线波束角度配置参数等；另一方面，还可以进一步将相关数据特征、AI模型及智能策略分发给近实时智能控制器，辅助近实时智能控制器进行控制面和用户面的用户级/业务级颗粒度的精细化无线资源管理优化。目前O-RAN联盟的讨论聚焦在后者嵌入式人工智能的方案思路上。
 

近实时层无线网智能控制器可嵌入在CU云平台内或独立于基站运行，实现区域网络级、较大数据规模的数据分析和无线资源管控，控制时间颗粒度为10ms到秒级。近实时层无线智能控制器可理解为嵌入人工智能技术的下一代RRM（RRC层的无线资源管理功能）增强功能实体。它的功能可以是全部或部分RRM的功能，完全兼容传统的RRM功能，如基于用户级的载波负载均衡、无线切片资源分配、干扰协调、用户服务质量/体验(QoS/QoE)优化等。在软件架构方面，近实时无线网智能控制器是一个安全、开放的算法实时运行平台，可支持算法功能软件及AI模型或微服务的灵活部署，并可实现多个功能算法间的协同及冲突管理。目前，关于近实时无线网智能控制器的功能框架讨论还在进行中，未来存在一定的变化，但核心思路已经趋于统一。
 

未来，O-RAN框架存在进一步拓展支持实时智能控制的可能，如无线接入控制层（MAC）及物理层（PHY）的智能化应用，这部分探讨还将进一步延续下去。
 

综上所述，O-RAN智能无线网络架构将具备整网级、区域网络级及基站级的多级智能。各级分层自治又可实现跨域和多层级控制间的协同。为激发上层智能控制的创新，缩短无线网管控功能的研发和上线周期，需要进一步推进无线网的上层管控与基站底层实现间的解耦，需要对RIC涉及的相关数据采集及策略控制下发接口，即A1、E2接口，进行研究并标准化。
 

典型应用场景示例
 

智能业务体验实时保障
 

随着移动网络应用的发展和互联网应用的同质化竞争加剧，用户对业务体验的要求越来越高。无线空口传输能力的波动使得传统相对半静态的QoS配置越来越难以满足层出不穷的多样化业务体验需求。为了更好地满足业务需求，需要精确获取用户级实时业务关键质量指标（KQI），使业务与动态的空口传输能力进行高效的适配。
 

为实现业务体验的实时保障，可考虑网络状态与业务的双向协同跨层优化。一方面，CU可以进一步感知和识别业务特征，对空口网络进行定制化、精细化的调整，以提供差异化、极致化的用户业务体验。另一方面，CU侧可实时预测空口传输质量状态，并通知应用服务，应用服务可以根据空口传输质量及时调整传输层或应用层，如进行TCP窗口优化或业务速率调整以使传输和业务精确适配空口传输状态，实现业务体验保障。为实现上述目标，需要解决如下3个关键问题：如何感知识别不同的业务？如何对用户业务体验进行预测，找到影响用户体验的网络空口关键因素，精细化调整实现用户体验保障？如何实现空口状态预测？这3个关键问题的解决恰恰是人工智能和机器学习技术的优势所在。
 

智能业务识别：业务识别是一个典型的AI领域的分类问题，可采用深度学习算法，基于业务用户面数据传输特征（数据分组大小、数据交互节拍等）及业务标签训练得到精确的业务识别模型。基于训练得到模型，无线接入网可利用实时业务流数据对业务进行实时智能感知和识别。
 

QoE预测与优化：QoE建模与优化是一个联合跨层优化问题，不适合理论建模，却非常适合应用人工智能中的关联分析建模理论。其涉及多维度的变量，很难进行理论建模。可通过采集业务及网络侧相关数据，基于数据驱动和人工智能算法建立QoE预测及根因分析模型，指导网络策略进行QoE保障。
 

空口状态预测：空口状态预测是一个典型的基于历史信息的预测问题。利用历史上的空口信道状态，深度学习算法可推演精准的空口状态，用于指导上层业务调整和底层资源分配原则，避免由于空口状态的波动导致业务体验恶化。
 

基于O-RAN架构进一步阐述整体方案的运行机理。在非实时智能控制器侧，可基于获取的多维度的业务数据（流量特征、业务特征等）和网络数据（负载信息、用户信道信息等），在保障用户数据隐私安全的前提下，利用机器学习的方法训练业务分类、业务KQI预测以及空口能力预测等AI模型。通过A1接口，将训练好的AI模型部署到近实时智能控制器。近实时智能控制器可根据训练好的模型及实时获取的网络数据预测业务KQI可能的趋势，动态生成无线网络的QoS保障信息，如精细颗粒度的QCI和无线网络空口参数的优化配置信息等，指导基站优化无线资源调度，使得无线资源的调度和分配随着用户/业务体验的波动，最终确保终端用户的业务体验。
 

智能负载均衡
 

随着资费下调，LTE业务流量激增，现有F或D单频点覆盖容量不足以满足业务需求，需补充F/D/E的多频段、多频点提升无线容量。如何高效利用多频段、多载波的资源提供优质的网络服务是需要解决的重要问题。传统的负载均衡实现方法具有一定的被动性、盲目性和片面性。基于大数据分析和机器学习技术可以较好地解决上述难题。通过引入场景感知、小区级/用户级预测、无线网络指纹地图等基础能力，可实现用户级细颗粒度的精细无线资源管理优化，解决多频段、多载波同覆盖场景下用户驻留不合理造成的业务体验差问题。
 

场景感知：基于机器学习算法，可根据网络历史的无线测量信息及业务流量信息，自动对网络环境及场景进行聚类和分类，智能感知网络环境。基于场景感知，网络可合理匹配和配置多频段多载波算法目标及算法应用范围、门限和参数。
 

小区级/用户级负载预测：基于机器学习，可对网络小区负载、用户业务类型及业务量情况进行精准预测，基于预测可提前对网络负载进行优化和协调，为用户选择合适的小区驻留，避免滞后性及盲目性造成网络拥塞导致用户体验下降。
 

无线网络指纹地图构建：通过小区信道环境及干扰建模，可以精选测量用户、小区和频点，降低测量开销及测量时延，提升负载均衡性能。
 

基于O-RAN架构进一步阐述整体方案的运行机理。在非实时智能控制器侧，可以通过采集到的网络负载及无线信道环境数据生成针对场景的定制化意图策略、负载预测AI模型和构建无线指纹地图，并将相关策略配置通过A1接口部署配置给近实时无线智能控制器。近实时无线智能控制器基于收到的策略、AI模型及无线指纹地图信息，生成切片级、用户级及业务级的精细化负载均衡方案，并通过E2接口指导基站进行相关负载均衡操作。
 

针对上述典型应用场景，目前中国移动已经与多家设备商展开联合研究与攻关。基于O-RAN架构，已初步完成相关算法方案和接口设计，部分功能正在进行PoC验证及相关产品规划，计划在验证环境中进行相关技术方案测试。

实现无线接入网嵌入式智能的挑战
 

O-RAN提出基于开放、智能理念的无线接入网架构将促进未来网络嵌入式智能化，提升网络运维效率和资源利用率，降低网络成本。但是，实现无线接入网嵌入式智能还存在诸多挑战。
 

一是需要提升网络数据的获取和感知能力。海量无线数据是实现网络智能化的基础。无线网络数据量大、种类多、时间尺度差异大、分布节点复杂，如何高效地获取无线网络数据是使能无线网络智能的关键挑战。为此，需要制定网络数据采集接口标准，加强数据采集和感知能力，并支持数据的分级预处理和特征工程，实现对数据的按需订阅及可编程定制化的特征工程。
 

二是需要促进网络控制能力的开放。智能化的输出是对网络的控制。全方位多维度地开放网络行为、资源、配置等方面的控制能力和接口，可以进一步丰富网络嵌入式智能化的应用用例和场景。
 

三是充分考虑网络基础设施中计算、存储及通信能力的融合。研究分级、分布式学习与协同决策机制，降低信令交互、数据回传及能耗开销，提升数据及计算效率。
 

四是需要进一步探索“知识+数据”双驱动的新型学习机制，研究适用于无线网络应用场景的AI算法框架与理论。目前AI技术在语音、图像等通用场景中的应用相对成熟，但在无线网络中暂无法开展规模化、通用化应用并缺少针对无线应用需求的AI算法理论框架。
 

此外，为进一步促进无线AI算法的发展，开放的无线网络数据集构建也是未来研究的重要方向。