[[335632]]

5G迎來了新的“天才”網(wǎng)絡，以應對不斷增加的復雜性，預測和實時決策制定水平，這不僅帶來了增強的移動寬帶應用中所承諾的性能提升，而且還涉及物聯(lián)網(wǎng)和關鍵任務用例。進化步驟的核心是機器學習算法的使用。

借助實時網(wǎng)絡優(yōu)化功能(例如資源負載，功率預算平衡和干擾檢測)變得更加動態(tài)，這使網(wǎng)絡在4G時代變得“智能”。5G增加了對新天線功能，高密度和異構網(wǎng)絡拓撲以及基于有效負載類型和應用的上下行信道分配和配置的支持。雖然從物理層到應用層的5G網(wǎng)絡所有層都有許多機器學習用途，但基站正在成為機器學習的關鍵應用程序。

如果進行協(xié)調(diào)更多的資源，意味著更好的性能

下一代5G基站的標志之一是使用高級天線功能。這些功能包括但不限于大規(guī)模多輸入多輸出(MIMO)天線陣列，波束成形和波束控制。

大規(guī)模MIMO是使用具有大量有源元件的天線陣列。取決于其部署的頻帶，大規(guī)模MIMO設計可以使用24個有源天線元件到多達數(shù)百個。

通常，MIMO的用途之一是能夠發(fā)送和接收并行和冗余的信息流，以解決由干擾引起的錯誤。但是，大規(guī)模MIMO的另一種特定用途是波束成形，而在更高級的系統(tǒng)中，是波束控制。

波束成形是一種利用一組相控陣來創(chuàng)建能量束的能力，該能量束可用于聚焦和擴展與特定移動設備之間的基站之間的信號傳輸和接收。

波束控制是在整個移動環(huán)境中控制該波束跟隨該天線陣列覆蓋范圍內(nèi)的設備的能力。充分利用大規(guī)模MIMO并優(yōu)化波束形成和波束控制后，網(wǎng)絡運營商和消費者都將受益于網(wǎng)絡容量的增加和數(shù)據(jù)流的增加，干擾的減少，范圍的擴大以及更優(yōu)化的功率效率的擴展范圍。

但是機器學習對此有何幫助?想象一下，如果您要在10槳船和20槳船之間進行比賽。尾槳為10槳的船不僅由節(jié)奏協(xié)調(diào)，而且還不僅根據(jù)當前正在發(fā)生的情況，而且還預測在以后發(fā)生的情況，對航向和踏頻進行實時校正。

相反，有20槳的船有一個船長，他不能協(xié)調(diào)節(jié)奏，只能根據(jù)已經(jīng)發(fā)生的一般信息進行校正。顯然，前者將贏得比賽，而后者的槳葉不僅進步很小，而且在某些情況下實際上是相互干擾的。大規(guī)模MIMO也是如此。為了充分實現(xiàn)大規(guī)模MIMO功能，波束成形和波束控制的優(yōu)勢，基站采用了機器學習技術，以提供實時和預測性的分析和建模，從而更好地調(diào)度，協(xié)調(diào)，配置和選擇使用哪些陣列以及何時使用。

精準定位

新的5G網(wǎng)絡標準要求與較大的宏小區(qū)和多個空中接口協(xié)議一起工作的較小小區(qū)的更高密度部署。愿景是將較小的小區(qū)設計為室內(nèi)位置或密集的城市環(huán)境，在這些環(huán)境中GPS定位并不總是可靠的，并且射頻(RF)環(huán)境遠非可預測的。理解與網(wǎng)絡交互的設備的位置不僅對于應用層用例至關重要，而且對于實時網(wǎng)絡操作和優(yōu)化也至關重要。因此，至關重要的是找到一種方法，不僅能夠準確定位用戶設備所在的位置，而且能夠跟蹤用戶設備在覆蓋范圍內(nèi)的移動。

為此，正在使用機器學習來使用RF數(shù)據(jù)和三角測量技術來估計用戶設備的位置。盡管這不是一個新概念，但與以前的方法相比，機器學習算法的使用在準確性，準確性和廣泛使用的可行性方面產(chǎn)生了實質(zhì)性的改進。這一點更加重要，因為這些改進是在比以往任何時候都復雜和動態(tài)可變的數(shù)量級環(huán)境中實現(xiàn)的。

一個網(wǎng)絡來統(tǒng)治一切-聽起來并不容易

5G發(fā)展的推動因素之一是擁有一個框架來滿足3個用例的變化且經(jīng)常相互沖突的需求，包括增強型移動寬帶(eMBB)，大規(guī)模物聯(lián)網(wǎng)和關鍵任務應用。

這些用例以前是由專用的異構網(wǎng)絡提供服務，現(xiàn)在將由5G網(wǎng)絡體系結構提供支持，同時繼續(xù)要求相互矛盾的功能。

設計用于支持EMBB用例的網(wǎng)絡需要進行優(yōu)化，以實現(xiàn)高速，中低延遲和可盈利的容量。另一方面，大規(guī)模物聯(lián)網(wǎng)網(wǎng)絡需要低成本，窄帶寬，低控制平面開銷和高可靠性。關鍵任務網(wǎng)絡需要高速，低延遲和高可靠性。為了使這一愿景成為現(xiàn)實，已將5G設計為在控制平面和通道配置中具有高度可變性和靈活性。

因此，至關重要的是5G網(wǎng)絡必須能夠根據(jù)不斷變化的條件(例如歷史負載數(shù)據(jù)，RF條件，位置和其他各種因素)預測有效載荷類型和使用情況，以便高效，動態(tài)地配置和利用5G頻道資源。

因此，機器學習不僅被用于預測用戶設備的特性和功能，可能的用例要求和RF條件，而且還可能預測最有可能請求的內(nèi)容類型，并使用邊緣緩存技術使內(nèi)容更接近最終用戶。

例如，根據(jù)歷史趨勢數(shù)據(jù)，可能會發(fā)現(xiàn)，由于基站到大學的距離以及Netflix或Disney +上的當前趨勢標題，在一天的某些時間應制作特定的電影?？拷摶究捎靡詼p少網(wǎng)絡擁塞，緩沖和延遲。同樣，靠近交叉路口的某個基站在一天中的某些時候會變得擁擠，可能需要更多的流量和V2X傳感器數(shù)據(jù)來幫助輔助ADAS或自動駕駛應用。

進化的下一步

作為一個行業(yè)，隨著5G和機器學習的結合，我們正處在關鍵的發(fā)展點上，這使我們走上了由日益復雜的功能和適應性帶來的網(wǎng)絡能力和效率的跨越式發(fā)展的道路。但這是一個進化，而不是一場革命，而這是很早的日子。這些5G機器學習應用僅僅是潛力的開始，不僅可以在基站支持的物理層釋放出潛力，而且隨著這兩種基礎技術的融合并進入到應用層，我們進入了天才網(wǎng)絡時代。