论文推荐|机器学习应用于第六代移动通信（6G）的十大挑战及研究方向
发布时间：2022-10-17 12:19:38 所属栏目：云计算 来源：
导读： 智能化6G网络是一个新兴的研究方向。在这篇文章中，作者从通信、网络和计算的角度介绍了在未来6G网络中实现智能机器学习的10个新挑战，并指出潜在的研究方向。
讨论基于机器学习的6G无线通信的挑战，可以
讨论基于机器学习的6G无线通信的挑战，可以
|
智能化6G网络是一个新兴的研究方向。在这篇文章中，作者从通信、网络和计算的角度介绍了在未来6G网络中实现智能机器学习的10个新挑战，并指出潜在的研究方向。 讨论基于机器学习的6G无线通信的挑战，可以从三个方面考虑：通信系统、学习模式和计算系统。 挑战之一：端到端服务质量 End-to-End Qualified Service Provision 6G服务将在QoS、智能和安全等三方面具有多样化的要求。 QoS：与5G相比，QoS在6G中包含更多的指标。传统的QoS KPI通常包括延迟、吞吐量和丢包率。在6G时代，智能将成为基本需求，因而需要考虑计算和存储能力。此外还将考虑多个指标的优化问题。 智能化：挑战来自三个方面。首先，通信系统需要联合学习能力来及时满足移动用户不断变化的服务需求；第二，系统的升级对于适应变化的场景也至关重要；第三，需要解决软件和硬件异构的挑战，以充分发挥机器学习的潜力。 安全性：尽管深度学习在威胁检测方面已经展示了效率，但未来的通信服务将需要上下文感知的安全保护。此外，由于安全性保护通常会牺牲网络QoS，安全性配置的选择也将是一个挑战。 挑战之二：从物理层到应用层Physical Layer to Application Layer 机器学习能够通过环境参数对通信和网络过程进行强大的非线性逼近。例如，利用长短期记忆(LSTM)网络的深度学习，将其融入到典型的非正交多址（NOMA）系统中，以提高自动编码、解码和信道检测能力。机器学习算法在编码、信道估计、信号检测、波束形成以及物理层安全方面是潜在的解决方案。 基于机器学习的跨层智能依赖于跨层协作，为未来6G数据驱动的互联网铺平了道路。最近已提出了一些跨层智能解决方案，如图2所示。为了降低跨层功能部署的成本，软件定义网络（SDN）是网络功能虚拟化（NFV）嵌入机器学习算法的一种很有前途的技术。如何在虚拟化和软件化网络中联合部署机器学习，实现网络跨层功能的智能化，应该是一个新的挑战。 挑战之三：分布式或集中式Distributed or Centralized 近年来，网络的分布式控制和集中式控制都备受关注。 机器学习在空域和时域都擅长状态估计。对于空域，机器学习能够仅从分布式系统的本地和相邻数据中估计出隐藏的校正和未知信息。如图3所示。 不完整的局部信息可能导致不准确的估计，这是分布式机器学习的一个缺点，尤其是在高度动态环境中更是如此。此外，个体机器学习会导致相邻区域的状态发生意外变化，导致多智能体竞争的复杂局面。 在5G中，基于云计算/SDN的集中控制机器学习得到了广泛的研究，如图4所示。集中式机器学习系统根据收集到的信息来解决全局网络优化问题。然而，由于它依赖周期性的信息采集，这就造成了较高的信令和计算开销，特别是在5G/6G这样的大规模网络中。此外，端到端延迟可能导致意外的控制延迟和同步问题。 挑战之四：主动探索的动态在线学习 Dynamic Online Learning with Proactive Exploration 未来网络的智能化必须具备主动学习的网络功能。在线学习使能网络功能的主动性，自适应地做出决策并适应不断变化的环境。例如，利用无线网络中的在线学习，可以智能地完成包路由、信道分配和上/下行链路调度等任务。 在线学习的一个挑战是在线数据收集的开销。离线学习和在线学习相结合，可以平衡训练效率和开销。 挑战之五：学习效率：架构设计与优化Learning Efficiency: Architecture Design and Optimization 首先是问题定义，它影响到训练模式和难点。无监督学习通常用于聚类问题，而监督学习用于线性回归和分类。如果问题可以看作马尔可夫决策过程（MDP），强化学习是最有效的方法。然后需要选择一个相应的机器学习模型，并对其输入和输出进行描述，这是一个比较困难和关键的问题。代价函数的定义也很重要，它影响训练时间和预测误差。第三步是优化所设计的机器学习模型的效率，包括参数调整、激活函数的选择、初始化和学习速率等。最后是测试和评价。 挑战之六：高效的数据集生成 Efficient Dataset Generation 在无线网络中，无论是人工标注的训练数据集还是在线训练的反馈都面临着巨大挑战。前者需要大量的人力资源来处理大规模的网络数据，而后者会导致额外的信令开销。 如何有效地获得训练数据，以优化训练与网路效能，是未来网路面临的新挑战。 挑战之七：全局智能的可扩展性 Scalability for Global Intelligence 在未来6G系统中，由于接入技术、业务需求、硬件架构和网络结构的高度异构性，应根据特定场景制定最有效的智能策略。但是，网络的动态性会导致精度下降。此外，如果为未来6G的大量场景的每个功能都设计明确的智能算法，其工作量将非常大。因此，要实现全局智能，开发可复制到不同场景的可扩展机器学习模型是非常必要的。然而，提高机器学习算法的可扩展性却充满了挑战。 挑战之八：计算开销部署 Computation Overhead Deployment 由于成本的原因，用完全新开发的计算平台取代现有的所有通信基础设施是不现实的，最有效的办法是采用边缘/雾/云计算技术在未来的6G系统中提供可靠的计算。如图8所示。包括移动基站在内的一些新部署设备也将配备足够的计算能力来执行一些本地的智能算法。由于机器学习算法所需的数据可以在设备之间传输，网络控制方式也会影响计算的进行，这通常会导致不同的通信开销。因此，未来智能6G系统的计算部署非常复杂，需要考虑对通信过程、机器学习模型等功能的影响。 挑战之九：可行性验证 Feasibility Verification 可解释性：机器学习的可解释性对学术界和工业界都至关重要。近年来关于机器学习可解释性的研究主要集中在机器学习算法的可见性和数学分析等方面，关于网络领域的机器学习可解释性还未见实质性研究。 重复性和泛化能力：近年来，人们关心的一个重要问题是算法的可重复性和泛化能力。在网络领域，性能评估面临的一个新的挑战是缺乏标准的数据库和测试平台，使得泛化能力难以评判。 网络或学习性能：与以训练精度和计算复杂度为指标的一般性能评价不同，对于通信网络机器学习，网络性能应是首要评价指标。提高学习精度以提升网络性能，但同时也增加了更多的计算和信令开销，从而又会显著降低网络性能，因此移动云计算论文，如何平衡网络性能和学习准确度是一个重要的研究课题。 挑战之十：AI嵌入通信的标准化 Standardization of AI Embedded Communications 当前，机器学习在通信领域的研究还是无序的，为了在未来的6G系统中发展机器学习技术，对AI嵌入通信进行标准化至关重要。现有的基于机器学习的算法通常是根据通信性能的改善程度来评估的。然而，要在未来6G系统中实现全智能化，要考虑的因素还有很多，比如计算和存储成本、减少多少重复工作或人工干预、数据的隐私性、系统需求、应用环境、兼容性等。 人工智能嵌入通信的标准化还未被探索，而目前的研究主要集中在吞吐量、延迟或丢包率的最终提高上。然而，从构建智能6G系统和加速人工智能技术实际应用的角度出发，学术界和工业界应加强合作，共同制定相关标准。 （编辑：草根网_福州站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
站长推荐
浙公网安备 33038102330469号