| Citation: | YAN Li, FANG Xuming, LI Yi, XUE Qing. Overview on Intelligent Wireless Resource Management of Millimeter Wave Communications under High-speed Railway[J]. Journal of Electronics & Information Technology, 2023, 45(8): 2806-2817. doi: 10.11999/JEIT220923
|
从铁路移动通信角度，数字化与智能化铁路意味着更大规模数据将涌入列车运维网络，严重超出传统窄带铁路专用移动通信系统(Global System for Mobile communications for Railway, GSM-R)与过渡期试验铁路长期演进系统(Long-Term Evolution for Railway, LTE-R)的承载能力[1]。为满足日益增长的移动服务需求，5G移动通信在原有高质量6 GHz以下频段(简称sub-6 GHz)基础上，向拥有更宽连续频谱的毫米波频段进行带宽延展，标准划分的频带宽度为24250～52600 MHz，并采用定向波束赋形技术弥补毫米波频段严重的路径损耗[2]。为了提升传输能力，文献[3,4]指出高铁移动通信系统将向基于5G的新一代系统演进，以满足未来智能铁路在列车运行、运营维护及旅客服务方面日益增长的移动服务需求。在我国5G标准推进组发布的《5G愿景与需求》白皮书及第三代合作计划 (3rd Generation Partnership Project, 3GPP)国际标准组发布的技术报告 (Technology Report 38.913, TR 38.913)文件中均已明确指出时速500 km以上高铁是5G重要应用场景，并支持使用毫米波通信技术提升高铁场景的传输容量[5]。
随着铁路信息技术的发展，铁路移动通信业务类型不断增加，除了传统的车地间调度与列控业务，还衍生出视频监控业务、列车状态监测业务、铁路物联网业务、旅客业务等，呈现业务类型多样化与需求差异化特征。根据5G服务质量标准，高铁移动通信业务可以大致分为3类，即列车安全控制相关的低时延高可靠类业务(Ultra Reliable and Low Latency Communication, URLLC)、运维环境感知相关的海量机器类业务(massive Machine Type Communication, mMTC)及旅客服务相关的增强移动宽带业务(enhanced Mobile BroadBand, eMBB)[6]。高铁列车移动速度较高，无线信道呈现快时变特性，且高铁场景运输线路较长，跨越的环境复杂，包括高架桥、城区、隧道等，无线信道特性差异较大[7]；此外，列车运行轨迹既定、车内用户位置集中等也是高铁区别于公众移动通信场景的特点。虽然5G宽带毫米波通信具有超高传输速率，能够满足铁路站场与枢纽热点区域、重点视频监控线路及车载旅客的大容量通信需求[8]，但毫米波定向波束链路存在覆盖鲁棒性差、移动性支持能力低、链路建立耗时长、传输不稳定等问题[9]，如果这些问题能够得到解决，毫米波通信也同样适用于铁路正线等全部场景。因此，如何结合高铁场景的特殊性，从网络架构设计、无线资源分配及切换优化等方面，设计能够同时满足不同铁路业务性能需求的毫米波通信解决方案是值得深入研究的。另一方面，近几年，随着人工智能技术在各行业展现出的数据挖掘与智能决策能力，已有大量研究将深度学习算法引入到高移动场景下的移动通信系统中，提高资源管理效率与系统传输效率[10]。
本文首先介绍了下一代高铁移动通信网络架构，基于网络切片技术实现不同类型业务定制化服务，并在云无线接入网架构基础上，设计了兼顾传输容量和移动性能的sub-6 GHz与毫米波双频协作无线接入网。接着，讨论了高铁移动业务及无线信道的特征，结合业务数据与信道数据存在多种规律的混叠特性，提出了一种分簇-预测两级业务量预测方法。然后，分析了sub-6 GHz与毫米波两个频段的无线资源分配方法，并提出在高铁线性组网环境下采用联邦学习算法提高整体网络的资源管理效率。最后，利用高铁列车运行轨迹的既定性与规律性，研究了基于深度学习算法的切换过程优化，包括sub-6 GHz频段的切换参数优化与毫米波波束的快速对齐。综上，本文的资源管理不仅涵盖无线资源分配，还研究了与之强相关的网络架构、业务与环境预测及切换优化的问题，通过结合高铁业务需求与传输场景的特殊性，深入分析了高铁sub-6 GHz与毫米波双频智能协作的关键技术。为了表述清晰，表1列出了面向高铁毫米波通信的关键技术研究。
| 研究内容 | 关键技术与智能算法 | 达成目标 | 参考文献 |
| 通信网络架构 | 网络切片 控制面与数据面解耦 sub-6 GHz与毫米波融合 云接入网络架构 车车通信 | 实现定制化服务 大幅度提升容量 保障移动性能 满足应急通信需求 | [12,13,15,16] |
| 业务与信道特征 | 业务预测，长短期记忆网络(Long Short Term Memory, LSTM)及变种等 信道预测，LSTM及变种等 智能反射面，强化学习等 | 预测传输需求 预测传输环境 改变传输环境 | [22,23,27–32] |
| 无线资源分配 | 区分业务的资源调度，强化学习等 网络切片资源预留，强化学习等 | 保障资源可用性 保障资源隔离性 | [40–47] |
| 切换优化 | 切换参数自适应优化，深度神经网络等 快速波束对齐、跟踪，强化学习等 | 提高切换成功率 提高链路稳定性 | [51–55] |
与现有的高质量sub-6 GHz(如GSM-R)的900 MHz频段)资源对比，毫米波频段传输损耗严重，尽管定向波束赋形技术能够延长信号传输距离，但传输仍易受天气、植被等环境影响，且信号绕射能力差、易受阻，导致定向毫米波窄波束的覆盖鲁棒性及传输稳定性较差[11]。为了兼顾覆盖鲁棒性，同时提高系统传输容量，新一代高铁移动网络将深度融合支持不同类型业务定制化服务的网络切片技术、提高网络资源使用效率的云接入架构技术及兼顾传输容量和移动性能的sub-6 GHz与毫米波双频协作技术，具体如图1所示，其中英文缩写含义如下：用户面功能(User Plane Function, UPF)、策略控制功能(Policy Control Function, PCF)、会话管理功能(Session Management Function, SMF)、认证服务器功能(Authentication Server Function, AUSF)、接入和移动性管理功能(Access and Mobility Management Function, AMF)、用户面功能(User Plane Function, UPF)。核心网采用5G网络功能虚拟化(Network Function Virtualization, NFV)及软件定义网络(Software Defined Network, SDN)技术，将网络功能模块化、控制面与数据面分离化；其中控制面功能集中管理，通过网络编排技术按业务需求动态组织网络资源，数据面则下沉到网络边缘，通过分布式内容分发降低服务时延[12]。在接入网侧，基带处理资源集中到基带处理(BaseBand Unit, BBU)池，通过高速回传连接到远端射频单元(Radio Remote Unit, RRU)，形成高铁云无线接入网架构[13]。为保障行车安全，闭塞区间内仅允许一辆列车占用，且线路的列车调度密度动态变化，使沿线通信网络资源的使用出现“潮汐效应”，即高峰期利用率较高，其他时间利用率较低。在高铁云无线接入网络架构的集中控制下，可以灵活调整BBU资源的使用及RRU的开关，实现绿色节能。
在移动通信系统中，用户与接入网间的无线连接存在两个层面，分别为控制面与数据面[14]。其中控制面承载系统信息广播、初始接入、越区切换等相关信令，对传输可靠性需求较高；数据面则承载最终的业务数据，对传输容量需求较高。在向高频频段延展带宽的同时为了兼顾两个层面的需求，在前期的研究工作[15,16]中提出了高铁控制面与数据面解耦网络架构，其中控制面保留在高质量频段传输，保障系统覆盖与移动性支持能力；数据面搬移到更高的频段延展带宽，提升传输容量。为了解决定向毫米波通信在高铁场景下面临的移动性支持能力差问题，如图1所示，下一代高铁移动通信网络基于控制面与数据面解耦思想在网络部署中设置两类RRU[17]，即sub-6 GHz RRU与毫米波RRU；其中全向覆盖的sub-6 GH RRU负责接入网控制面传输，并承载安全类URLLC业务，利用sub-6 GHz优质的传输特性保障网络可靠性；定向覆盖的毫米波RRU负责接入网数据面传输，扩展传输容量。在该架构下，sub-6 GHz链路承载毫米波波束与资源分配的相关控制信令，从而简化波束建立、跟踪、切换等流程，节约波束调整耗时。此外，在发生毫米波链路中断时，传输可以及时切换到sub-6 GHz频段，保障服务连续性。
高速铁路跨越多种复杂的运行环境，包括沙漠等沿线基础设施匮乏的区域，如何在这些区域保障行车安全是亟需研究的，文献[18]指出车车通信技术是解决该问题的一种应急通信方法，且避免了传统列车-无线闭塞系统-列车方式下经轨旁网络转发行车许可而引入的额外时延，实现快速、实时信息交互，从而缩短前后车追踪间隔，增加运输效率。根据文献[19]中的研究结果，对比传统的车地通信方式，车车通信能够将传输时延缩短40%以上。在毫米波技术的支持下，通过天线阵列获取较大的定向增益，延长信号传播距离，能够克服因闭塞区间较长无法满足车车通信短距离需求的这一问题。此外，图1网络中车载部分采用车外移动中继(Mobile Relay, MR)加车内接入热点(Access Point, AP)的双跳结构[20]，车内业务首先汇聚到车内热点，再由车外移动中继转发到路边基站，避免了车体穿透损耗及群切换等问题。考虑到未来网络对人工智能、计算及存储的需求，在高铁新一代网络架构的云端BBU池、边缘RRU侧及列车侧需要扩展计算及存储资源，通过增配硬件与软件资源支持智能化发展[21]。
高铁移动通信业务具有类型多样化及需求差异化的特点，且高铁运输客流量具有较强的时间规律性，例如，在大尺度时间上，节假日客流量出现明显增加，甚至会增开班次；在小尺度时间上，一辆列车的到达将对该站点引入上千人的移动业务，这些都向高铁移动通信网络资源配置对业务需求变化的适应性提出了挑战。在上述基于SDN/NFV网络架构基础上，网络切片技术是5G中为了同时满足eMBB, URLLC及mMTC不同应用场景、实现定制化服务的新型资源管理机制，通过在共享的物理网络资源上，按需隔离出不同的逻辑网络资源，从而满足不同的业务需求。在切片化的高铁云无线通信网络中，不同业务的定制化网络切片资源需要基于对目标业务需求进行周期性预测，并根据预测结果为不同切片进行资源配置。根据业务变化的时间尺度，业务需求预测可以划分为大尺度、中尺度与小尺度[22,23]。大尺度的业务预测可以基于周、月级，并基于预测结果调整网络整体配置，如某些基站的开关，提高资源利用效率，降低运维成本。中尺度的业务预测周期可为分钟、小时级，并基于预测结果调整不同业务网络切片的预留资源量及其生命周期等。小尺度的业务预测周期为毫秒、秒级，在预留的网络切片资源内，基于预测结果为最终的业务数据传输分配无线资源，如具体的时、频、空及功率资源等。根据文献[24]中对不同时间尺度下序列数据的预测性能分析结果，随着时间尺度的增大，同一观测窗口内累积的业务量数值较大，数据的微观波动性对预测结果的影响相对较小，数据的平稳性较好，采用低复杂度的预测算法(如指数平滑、线性回归、支持向量机等)即可获得较高的预测准确度；反之，对于小尺度时间的微观预测，数据的随机性增强，需要采用深度学习预测算法(如LSTM算法及其变种)捕捉微观波动以达到所需的预测性能。为了表述清晰，表2总结了业务预测尺度与预测算法需求及网络资源配置间的关系。
| 业务预测时间尺度 | 预测算法需求 | 网络资源配置 |
| 大尺度 (周、月) | 指数平滑、线性回归、 支持向量机等 | 网络功能单元配置、工作频段及 带宽配置、RRU资源配置等 |
| 中尺度 (分、时) | LSTM算法及其变种等 | 为不同切片预留网络功能模块、 为不同切片预留传输带宽等 |
| 小尺度 (毫秒、秒) | LSTM算法及其变种等 | 时隙分配、子载波分配、空间流分配、 功率分配、调制编码方式等 |
尽管按照5G划分标准，高铁业务可以分为eMBB, URLLC及mMTC 3大类，实际上，在每一种类型中，不同应用所产生的业务数据具有不同的特征。如对于高铁mMTC业务，包括周期上报类业务，也包括事件触发上报类业务[25]；高铁eMBB业务包括视频类及语音类业务；高铁URLLC包括语音类调度、短信类提醒等，不同业务产生数据的规律不同。同一类应用业务产生的数据具有相似的特征，易于预测，但服从不同规律的数据混杂在一起将影响预测算法精度。因此，在进行高铁业务预测前，一种有效的方法是将混杂的3大类业务进行类内分簇，将特征相似的业务聚类，然后再以簇为单位进行数据量、数据包间隔时间等预测，形成分簇-预测的两级业务预测机制，从而提高业务预测精度。以用于中尺度网络切片资源预留的业务量预测为例，图2给出了基于K-means聚类与LSTM预测的高铁业务数据量预测方法。在深度学习算法中，具有记忆能力的递归神经网络(Recurrent Neural Network, RNN)是一类用来处理序列数据的神经网络，但由于RNN具有梯度消失及梯度爆炸的问题，现在应用较多的是RNN的演变版本LSTM算法，具体结构如图2所示。整体算法流程包括首先根据业务量特征，采用K-means算法对高铁3大类切片业务进行分簇，然后以每个簇的数据作为一个特征输入，利用LSTM进行各簇的业务量预测，最终可以获得不同大类及整体的业务量预测结果。
以业务传输的数据包量、每数据包内的字节数及产生该业务的用户移动速度作为业务特征，并且在eMBB, URLLC及mMTC每类业务中模拟3种流量模式，根据表3的仿真参数设置，以10 min作为观测窗口，产生了1600个窗口数据用于模型训练及测试。图3(a)、图3(b)分别给出了传统直接采用LSTM算法进行总业务量预测与采用分簇-预测两级业务量预测的性能结果，从两个图中对比结果可以看出，分簇-预测两级业务量预测方法能够更加精确地跟踪业务量整体变化，达到更好的预测精度。值得注意的是，采用用户移动速度作为业务特征，在分簇阶段能够获得不同簇内用户的速度参数，从而辅助网络侧根据用户速度进行无线资源预留与分配，如高速移动用户的URLLC业务更适合采用sub-6 GHz资源，而静止的路边eMBB视频监控业务更适合采用毫米波资源。
| 切片 类型 | 业务参数(模式1/模式2/模式3) |
| URLLC切片 | 数据包个数:均匀分布 (4000, 4500)/ (1500, 2000)/(500,600) 包内字节数(B): 均匀分布(500, 600)/ (100, 200)/(20,30) 移动速度(m/s): 均匀分布(100, 138)/ (10, 30)/ (1, 3) 用户量: 均匀分布(2, 5)/ (2, 8)/ (6, 16) |
| eMBB切片 | 数据包个数:泊松分布(密度) 6000/ 2400/240 包内字节数(B): 均匀分布(3000, 3500)/ (300, 400)/(100,200) 移动速度(m/s): 均匀分布(100, 138)/ (10, 30)/ (1, 3) 用户量: 均匀分布(2, 5)/ (2, 8)/ (6, 16) |
| mMTC切片 | 数据包个数:均匀分布 (200, 500)/ (1000, 1100)/(10,100) 包内字节数(B): 均匀分布(100, 110)/ (200, 210)/(50,70) 移动速度(m/s): 均匀分布(100, 138)/ (10, 20)/ 0 用户量: 均匀分布(4, 10)/ (1, 10)/ (1, 20) |
目前，高铁列车运行速度最高可达500 km/h以上，使车地间通信链路的无线信道呈现出快时变特性，信道相干时间较短，考虑到资源利用率，无法在无线资源的时域布置致密参考信号，导致快时变信道的估计准确性较低[26]，影响依赖信道信息的相关自适应技术性能。高铁列车运行轨迹既定且具有很强的周期性与规律性，沿轨网络部署呈线性且大部分运行环境相对干净，基于此，文献[27,28]均指出采用深度学习算法进行信道状态预测以用于自适应技术是一种有效的方法，研究结果表明基于深度学习的预测方法能够在合理的计算复杂度内达到较高的信道预测精度。为了实现对传输环境的主动干预，智能反射面技术被引入高铁移动通信系统，并在抑制环境干扰[29]、解决障碍物阻断[30,31]及补偿多普勒频移[32]方面展现出了优势。
由于毫米波通信的波束定向性及严重的传输衰减，目前较难进行实际高速移动场景下的完备信道探测[33]。文献[34]在速度170 km/h的高铁高架桥与隧道场景下进行了28 GHz毫米波信号传播特性的测试，并利用测试数据分析了大尺度及小尺度衰落特性，然而该测试结果不适用于目前高铁500 km/h的场景。为了解决这个问题，文献[11,33,35]搭建了软件高仿真环境，对500 km/h高铁郊区、城区、高架桥及隧道4种典型场景下的20～40 GHz毫米波信号传输信道进行模拟，并将得到的信道数据进行了模型拟合，构建了高铁4种典型场景下的大尺度及小尺度信道衰落模型。上述的研究结果表明，毫米波通信网络覆盖鲁棒性受限，仍需要融合sub-6 GHz频段满足高铁场景的高移动性需求。图4给出了高铁双频网络部署下的sub-6 GHz与毫米波链路信噪比仿真结果，sub-6 GHz信噪比较高的区域对应毫米波链路信噪比较低的区域，sub-6 GHz信噪比较低的区域则对应毫米波链路信噪比较高的区域，两者的变化趋势具有一定相关性。基于此，尽管两个频段间具有一定的频率间隔，但在同一系统中两个频段的信道变化在大尺度上有较强的规律性及相关性[36,37]，可以通过某一频段的信道信息作为特征来预测另一频段的信道信息。实际上，根据文献[36,37]的研究结果，工作在相同系统的不同频段间小尺度衰落同样具有空间一致性，通过人工智能算法能够获得更加准确的对应关系。文献 [17,36-38]则利用sub-6 GHz与毫米波信道之间的相关性，均提出采用sub-6 GHz信道信息辅助进行毫米波频段的波束对齐，研究结果表明该方法能够减少毫米波频段波束对齐的时间开销，提升链路传输质量。
为了进一步大幅度提升传输容量，同时考虑到传统sub-6 GHz(如GSM-R的900 MHz频段)传输损耗较低，信号全向覆盖且不易被障碍物遮挡，能够提供鲁棒的网络覆盖及稳定的传输性能，新一代高铁双频协作无线网络将控制面相关传输保留在sub-6 GHz频段，数据面搬移到毫米波频段。高铁列车运行速度较高，在一个sub-6 GHz小区内的驻留时间仅有数十秒，存在切换频繁的问题，严重影响业务传输连续性与可靠性[39]。在SDN, NFV核心网技术及云无线接入网技术支持下，新一代高铁移动通信网络中相邻sub-6 GHz基站间的资源将被集中化管理，形成更大的逻辑小区[40]，结合业务与信道预测，采用智能资源分配算法管理更大逻辑小区的时间、频率、空间及功率资源，实现相邻基站间干扰及负载自主协调、列车跨基站协作无缝切换等，具体如图5所示。此外，高铁采用线性规律布网，相邻小区传输环境及业务特征有较强相似性，可以采用联邦学习算法，由分布式sub-6 GHz RRU进行本地业务与信道预测模型训练及本地RRU资源智能分配算法训练，然后将模型参数反馈到基带处理中心获得全局模型，最后由基带处理中心将全局模型参数下发到各个RRU进行模型更新，提高模型训练效率与准确性。
从接入网层面，业务的传输时延主要来自资源的申请过程、设备的数据处理过程、数据的传输过程及出错的重传过程[41]。设备的数据处理时延与数据的传输时延是由客观条件决定的，无法通过移动通信技术改善，但可以考虑通过智能的资源管理方法降低资源申请过程与出差错重传过程的时延。在目前系统常采用的动态资源分配机制中，用户需要先向网络申请传输资源，获得授权后进行后续数据传输，该协商过程耗时较长。传统混合自动重传请求技术(Hybrid Automatic Repeat reQuest, HARQ) 采用出错后被动进行重传的方式保障传输可靠性，LTE系统中两次串行重传操作之间间隔时间长达8 ms，导致服务整体时延增加[42]。在新一代高铁双频协作网络下，毫米波频段具有丰富资源，为了增强传输可靠性同时降低传输时延，可以在毫米波频段主动进行多个数据复本的冗余传输，通过牺牲一定的传输资源以降低后续被动出错重传导致的时延；并采用传输与重传资源预分配的方式，避免频繁的传输资源授权过程[43]。在高移动场景下难以获得完备的信道状态信息，导致基于精确优化模型获得的资源分配结果无法与实际传输环境相匹配，造成传输性能下降。在智能学习算法中，强化学习是一类通过不断试错累积经验获得最优策略的学习算法[44]，对与模型直接相关的参数依赖性较低，即使反馈的信道状态信息存在误差，该算法也能够在不断的经验累积中找到最适合的传输方案，因此适合用于解决高铁场景下的无线资源分配及链路自适应问题。在之前的工作[17]中，针对高铁场景难以获得完备信道信息的问题，提出采用强化学习算法实现高铁毫米波波束快速对齐。文献[45]提出在未来高铁毫米波通信中采用深度强化学习进行波束的发射功率分配，并对比了与传统基于模型优化的功率分配方法，结果表明深度强化学习对信道状态信息依赖度较低，能够获得更高的频谱效率。文献[46]考虑到天线数目庞大带来的信道状态信息开销高的问题，提出结合高铁场景下的位置与移动速度等先验信息，利用机器学习算法实现更加鲁棒的波束赋形以适应复杂的信道变化，在提高频谱效率的同时降低了反馈开销。
在新一代高铁移动通信系统中已展开对车车通信技术的深入研究。在频段上，车车通信可以采用sub-6 GHz频段，也可以采用毫米波频段[47]。在车地与车车的资源管理上，车车通信可以复用车地资源，并在网络侧的控制下使用，从而兼顾两者的传输性能；也可以单独划分出一部分资源专用于车车传输，并由列车端自行管理这部分资源的使用，在应急场景下，如地面网络覆盖缺乏或损坏的区域，列车可以采用预先配置的传输资源自主进行车辆发现，通过车车数据交互实现提前制动，最大限度上保障行车安全。在3GPP基于5G标准的sub-6 GHz车联网通信协议中[43]，引入了车辆间预分配的资源使用模式，车辆首先监听控制信息获取周围车辆的资源占用情况，然后预约未被占用的资源，并通过广播的方式告知周围车辆，实现分布式自主资源管理。在高铁车车通信资源自主管理方式中也可以采用这种方式，避免高密度会车场景下的车车间链路干扰。文献[48]基于3GPP车联网通信标准，提出利用强化学习算法进行高铁车车通信的资源分配，并采用信息年龄(Age of Information, AoI)作为性能优化指标，实现了对高铁安全类业务的高可靠传输。文献[49]则利用深度强化学习协调高铁车车与车地通信的资源使用，并通过调整功率分配降低两者间的传输干扰，大幅度提升了系统整体吞吐量。
在高铁场景下，列车快速穿越小区，切换频繁，给业务传输的可靠性与稳定性带来巨大挑战[50]。4.1节已经探讨了通过云无线接入架构集中化管理接入网资源，形成更大的逻辑小区，降低切换频率。接下来从切换流程本身，通过智能化算法进行切换参数的自适应优化，提高切换成功率，进一步保障服务质量。传统切换过程共分为3个阶段，切换准备阶段、切换执行阶段及切换完成阶段[51]。在切换准备阶段，网络侧根据用户上报的信道状态信息进行切换决策，并向用户发起切换指令；在切换执行阶段，用户同步到目标基站并建立新的控制面连接；在切换完成阶段，用户完成数据面路径更新。在整个切换过程中，涉及两个重要切换决策参数，分别是判断信号强度的切换阈值(HandOver Margin, HOM)与避免乒乓效应的触发时长(Time To Trigger, TTT)。在目前实际系统中，上述两个参数均采用静态设置，无法根据环境变化自适应调整，造成切换触发过晚或过早现象，导致因用户与源基站或目标基站的链路信号质量较低而出现的切换失败及传输中断。实际上，高铁列车运行轨迹具有很强的空间规律性与时间周期性，如同一线路的班次多次重复通过同一个切换区域，其信号变化具有一定的相关性。针对这一问题，文献[52]提出采用深度学习等算法挖掘出信号质量变化与切换成功率间的关系，从而根据环境变化自适应调整切换过程中所涉及参数的取值，然后根据信道状态预测结果等提前进行切换决策与资源准备，提高切换成功率。文献[53]针对高铁场景提出了采用深度学习算法智能调整切换参数的方案，仿真结果表明，对比传统固定参数的切换方式，在列车速度高达500 km/h以上时提出方案能够将切换成功率提高150%。
为了克服毫米波频段严重的传播损耗，需要采用定向波束赋形技术延长信号传输距离，如何在高速移动场景下进行高效的波束对齐、追踪及切换成为实现高性能毫米波通信亟需解决的问题。5G标准采用穷举波束扫描机制，毫米波基站沿所有波束方向逐一发送同步信号块(Synchronization Signal Block, SSB)，相应地用户在所有接收方向接收找到最优收发波束对[54]。目前5G标准中限制一个SSB集占用的时间为5 ms，最多支持64个波束方向。但随着天线数目的不断增长，波束宽度不断缩小，扫描集不断扩大，这意味着更高的波束建立耗时；尤其在高移动场景下，较长的波束对齐耗时将导致列车在波束训练过程中发生明显距离偏移，那么决策的最优波束不再适合当前的条件，因此有必要研究快速波束对齐机制来解决这一问题。与公众移动通信场景不同，高铁线路中80%以上为传输环境近直射径 (Line Of Sight, LOS)的高架桥，波束的对齐角度与列车的物理位置有强相关性[33]；且列车运行轨迹既定，具有很强的周期性和重复性。基于此，在本文的研究工作[55]中提出采用学习算法挖掘高铁场景的历史波束对齐数据，利用列车位置信息与最优波束间的相关性，实现更加快速、可靠的波束对齐，具体如图6所示。首先采用传统的毫米波波束对齐方式，并收集存储通信过程中的相关数据，特征数据包括列车位置信息、sub-6 GHz信道信息等，标签数据为最终的对齐波束等；然后，基于采集的相关数据进行深度神经网络线下训练，找到波束对齐与用户位置等信息之间的关系；最后，利用训练好的模型确定波束训练集，对比穷举波束扫描方式，提出方案能够将整体波束对齐耗时降低50%以上。
在sub-6 GHz与毫米波双频协作下，利用人工智能算法实现对高铁业务需求与传输信道的预测、无线资源分配及切换优化，能够进一步提升高铁毫米波资源使用效率、波束对齐效率及移动性能。然而，由于高铁毫米波通信自身的发展仍处于初级阶段，并且随着移动通信向6G全新技术的发展，高铁毫米波通信仍面临诸多挑战，除公网共性问题外，还表现在以下方面：
(1)网络架构。在基于NFV与SDN的核心网中，控制面采用集中化管理，存在SDN控制器单点失效导致整体网络瘫痪的问题。考虑到铁路场景对移动网络高可靠性的要求，仍需要深入研究SDN控制器的部署智能优化问题，兼顾传输时延与网络可靠性。在接入网侧，为了满足铁路在沙漠、郊区等网络基础设施易受灾害破坏区域的应急接入需求，仍需要进一步融合空中无人机及空间卫星通信网络，通过空天地一体化实现增强接入。毫米波通信同样是未来无人机及卫星网络中提升传输容量的重要技术，且无人机飞行轨迹可控、卫星运行轨道可预测性强，结合高铁场景特殊性研究无人机与卫星辅助下的智能毫米波波束对齐及切换优化问题是未来的发展方向。
(2)多波束联合传输。定向毫米波波束覆盖范围狭窄，对高移动场景下的链路稳定性带来巨大挑战。高铁列车物理空间充足，可以在每节车厢顶部部署大规模天线阵列形成多波束联合传输以提升传输容量，且多波束间互为备份能够进一步增强链路稳定性。但传输波束数目的增加将引入波束间干扰，如何通过智能学习算法控制不同波束的波束宽度、发射功率等提升多波束联合传输性能值得进一步研究。
(3)通信感知一体化。高铁运维环境的实时监测是保障运输安全的重要手段。目前毫米波雷达已经十分成熟，随着毫米波通信的发展，已形成毫米波通信、感知一体化的发展趋势，在低成本共享相同软硬件资源下，实现通感一体化安全型基站以进一步增加环境感知信息，提高铁路运维安全。为实现毫米波通感一体化，通信与感知信号如何在时间域、频率域、空间域及波形域进行不同程度的融合、不同基站间如何智能协调通信与感知功能以降低相互干扰等仍需要深入研究。再者，如何利用毫米波环境感知信息智能辅助通信链路的波束对齐与优化也是新的研究热点。
高速铁路的快速发展对铁路移动通信提出了高可靠、低时延、大容量及智能化的高要求。本文首先介绍了基于网络切片、控制面与数据面解耦及云无线接入技术的新一代高铁sub-6 GHz与毫米波双频融合网络架构；然后针对网络切片下的资源管理，分析了高铁无线业务与信道的智能预测，并结合业务需求分别探讨了sub-6 GHz与毫米波频段无线资源的智能协调；接着在切换优化方面，阐述了切换参数的自适应智能优化及波束的智能化对齐；最后，对高铁毫米波通信仍然存在的技术挑战与未来发展方向进行了展望。
| [1] |
HE Ruisi, AI Bo, WANG Gongpu, et al. High-speed railway communications: From GSM-R to LTE-R[J]. IEEE Vehicular Technology Magazine, 2016, 11(3): 49–58. doi: 10.1109/MVT.2016.2564446
|
| [2] |
RAPPAPORT T S, SUN Shu, MAYZUS R, et al. Millimeter wave mobile communications for 5G cellular: It will work![J]. IEEE Access, 2013, 1: 335–349. doi: 10.1109/ACCESS.2013.2260813
|
| [3] |
AI Bo, MOLISCH A F, RUPP M, et al. 5G key technologies for smart railways[J]. Proceedings of the IEEE, 2020, 108(6): 856–893. doi: 10.1109/JPROC.2020.2988595
|
| [4] |
卢永忠, 戚建淮, 胡福强, 等. 探索毫米波通信技术在高铁旅客服务中的应用[J]. 铁道通信信号, 2018, 54(5): 50–53. doi: 10.13879/j.issn1000-7458.2018-05.17567
LU Yongzhong, QI Jianhuai, HU Fuqiang, et al. Application of millimeter wave communication in high-speed railway passenger services[J]. Railway Signalling &Communication, 2018, 54(5): 50–53. doi: 10.13879/j.issn1000-7458.2018-05.17567
|
| [5] |
3GPP TR 38. 913 (V17.0. 0), Technical specification group radio access network. Study on scenarios and requirements for next generation access technologies (Release 17), 2022.
|
| [6] |
CHEN W E, FAN Xiangyuan, and CHEN Lixian. A CNN-based packet classification of eMBB, mMTC and URLLC applications for 5G[C]. 2019 International Conference on Intelligent Computing and its Emerging Applications, Tainan, China, 2019: 140–145.
|
| [7] |
WANG Chengxiang, GHAZAL A, AI Bo, et al. Channel measurements and models for high-speed train communication systems: A survey[J]. IEEE Communications Surveys & Tutorials, 2016, 18(2): 974–987. doi: 10.1109/COMST.2015.2508442
|
| [8] |
闫莉, 方旭明. 高铁基于毫米波的自适应波束分合传输方案[J]. 电子与信息学报, 2016, 38(1): 146–152. doi: 10.11999/JEIT150396
YAN Li and FANG Xuming. Adaptive beam splitting or integrating scheme for railway millimeter wave wireless communications[J]. Journal of Electronics &Information Technology, 2016, 38(1): 146–152. doi: 10.11999/JEIT150396
|
| [9] |
SONG Hao, FANG Xuming, and FANG Yuguang. Millimeter-wave network architectures for future high-speed railway communications: Challenges and solutions[J]. IEEE Wireless Communications, 2016, 23(6): 114–122. doi: 10.1109/MWC.2016.1500255WC
|
| [10] |
艾渤, 章嘉懿, 何睿斯, 等. 面向智能高铁业务和应用的5G基础理论与关键技术[J]. 中国科学基金, 2020, 34(2): 133–141. doi: 10.16262/j.cnki.1000-8217.2020.02.003
AI Bo, ZHANG Jiayi, HE Ruisi, et al. Fundamental theory and key technologies of 5G for service and application of intelligent high-speed railway[J]. Bulletin of National Natural Science Foundation of China, 2020, 34(2): 133–141. doi: 10.16262/j.cnki.1000-8217.2020.02.003
|
| [11] |
GUAN Ke, AI Bo, PENG Bile, et al. Towards realistic high-speed train channels at 5G millimeter-wave band—Part II: Case study for paradigm implementation[J]. IEEE Transactions on Vehicular Technology, 2018, 67(10): 9129–9144. doi: 10.1109/TVT.2018.2865530
|
| [12] |
VALASTRO G C, PANNO D, and RIOLO S. A SDN/NFV based C-RAN architecture for 5G Mobile networks[C]. 2018 International Conference on Selected Topics in Mobile and Wireless Networking, Tangier, Morocco, 2018: 1–8.
|
| [13] |
WANG Kai, LIU Liu, HAN Botao, et al. High-speed railway communication based on dynamic mapping of BBU-RRH using cloud radio access network[C]. The 2019 IEEE 5th International Conference on Computer and Communications, Chengdu, China, 2019: 901–905.
|
| [14] |
LAURIDSEN M, GIMENEZ L C, RODRIGUEZ I, et al. From LTE to 5G for connected mobility[J]. IEEE Communications Magazine, 2017, 55(3): 156–162. doi: 10.1109/MCOM.2017.1600778CM
|
| [15] |
SONG Hao, FANG Xuming, and YAN Li. Handover scheme for 5G C/U plane split heterogeneous network in high-speed railway[J]. IEEE Transactions on Vehicular Technology, 2014, 63(9): 4633–4646. doi: 10.1109/TVT.2014.2315231
|
| [16] |
YAN Li, FANG Xuming, and FANG Yuguang. Control and data signaling decoupled architecture for railway wireless networks[J]. IEEE Wireless Communications, 2015, 22(1): 103–111. doi: 10.1109/MWC.2015.7054725
|
| [17] |
YAN Li, FANG Xuming, WANG Xianbin, et al. AI-enabled Sub-6-GHz and mm-Wave hybrid communications: Considerations for use with future HSR wireless systems[J]. IEEE Vehicular Technology Magazine, 2020, 15(3): 59–67. doi: 10.1109/MVT.2020.2969528
|
| [18] |
ZHANG Jianping, SHEN Chunzi, WANG Shuo, et al. The design and performance test of train control data communication systems based on train-to-train communication[C]. 2020 Chinese Automation Congress, Shanghai, China, 2020: 588–592.
|
| [19] |
WANG Xiaoxuan, LIU Lingjia, TANG Tao, et al. Enhancing communication-based train control systems through train-to-train communications[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(4): 1544–1561. doi: 10.1109/TITS.2018.2856635
|
| [20] |
XU Chenren, WANG Jing, MA Zhiyao, et al. A first look at disconnection-centric TCP performance on high-speed railways[J]. IEEE Journal on Selected Areas in Communications, 2020, 38(12): 2723–2733. doi: 10.1109/JSAC.2020.3005486
|
| [21] |
XU Junyi, WEI Zhenchun, LYU Z W, et al. Throughput maximization of offloading tasks in multi-access edge computing networks for high-speed railways[J]. IEEE Transactions on Vehicular Technology, 2021, 70(9): 9525–9539. doi: 10.1109/TVT.2021.3101571
|
| [22] |
WANG Wei, ZHOU Conghao, HE Hongli, et al. Cellular traffic load prediction with LSTM and gaussian process regression[C]. 2020 IEEE International Conference on Communications, Dublin, Ireland, 2020: 1–6.
|
| [23] |
ZHANG He and WONG V W S. A two-timescale approach for network slicing in C-RAN[J]. IEEE Transactions on Vehicular Technology, 2020, 69(6): 6656–6669. doi: 10.1109/TVT.2020.2985289
|
| [24] |
黄阿琼, 关伟. 不同时间尺度下短期交通流的可预测性[J]. 系统工程, 2010, 28(5): 75–80.
HUANG Aqiong and GUAN Wei. The predictability of short-term traffic flow in different temporal scales[J]. Systems Engineering, 2010, 28(5): 75–80.
|
| [25] |
BERLIN E and VAN LAERHOVEN K. Sensor networks for railway monitoring: Detecting trains from their distributed vibration footprints[C]. 2013 IEEE International Conference on Distributed Computing in Sensor Systems, Cambridge, USA, 2013: 80–87.
|
| [26] |
ZHOU Tao, TAO Cheng, SALOUS S, et al. Implementation of an LTE-based channel measurement method for high-speed railway scenarios[J]. IEEE Transactions on Instrumentation and Measurement, 2016, 65(1): 25–36. doi: 10.1109/TIM.2015.2477166
|
| [27] |
ZHOU Tao, ZHANG Haitong, AI Bo, et al. Deep-learning-based spatial-temporal channel prediction for smart high-speed railway communication networks[J]. IEEE Transactions on Wireless Communications, 2022, 21(7): 5333–5345. doi: 10.1109/TWC.2021.3139384
|
| [28] |
XUE Chen, ZHOU Tao, ZHANG Haitong, et al. Deep learning based channel prediction for massive MIMO systems in high-speed railway scenarios[C]. The 2021 IEEE 93rd Vehicular Technology Conference, Helsinki, Finland, 2021: 1–5.
|
| [29] |
MA Zheng, WU Yanliang, XIAO Ming, et al. Interference suppression for railway wireless communication systems: A reconfigurable intelligent surface approach[J]. IEEE Transactions on Vehicular Technology, 2021, 70(11): 11593–11603. doi: 10.1109/TVT.2021.3111646
|
| [30] |
王丹, 梁家敏, 梅志强, 等. 基于矢量近似消息传递的智能反射面辅助毫米波信道估计[J]. 电子与信息学报, 2022, 44(7): 2400–2406. doi: 10.11999/JEIT211271
WANG Dan, LIANG Jiamin, MEI Zhiqiang, et al. Millimeter-wave channel estimation with intelligent reflecting surface assisted based on vector approximate message passing[J]. Journal of Electronics &Information Technology, 2022, 44(7): 2400–2406. doi: 10.11999/JEIT211271
|
| [31] |
XU Jianpeng and AI Bo. When mmwave high-speed railway networks meet reconfigurable intelligent surface: A deep reinforcement learning method[J]. IEEE Wireless Communications Letters, 2022, 11(3): 533–537. doi: 10.1109/LWC.2021.3135602
|
| [32] |
王靖瑜, 鞠宏浩, 方旭明. 智能反射面在高铁通信下的应用研究[J]. 中兴通讯技术, 2021, 27(4): 14–17,35. doi: 10.12142/ZTETJ.202104004
WANG Jingyu, JU Honghao, and FANG Xuming. Applications of intelligent reflecting surface in high-speed railway communications[J]. ZTE Technology Journal, 2021, 27(4): 14–17,35. doi: 10.12142/ZTETJ.202104004
|
| [33] |
GUAN Ke, AI Bo, PENG Bile, et al. Towards realistic high-speed train channels at 5G millimeter-wave band—Part I: Paradigm, significance analysis, and scenario reconstruction[J]. IEEE Transactions on Vehicular Technology, 2018, 67(10): 9112–9128. doi: 10.1109/TVT.2018.2865498
|
| [34] |
PARK J J, LEE J, KIM K W, et al. Large- and small-scale fading characteristics of mmwave HST propagation channel based on 28-GHz measurements[C]. The 2021 15th European Conference on Antennas and Propagation, Dusseldorf, Germany, 2021: 1–5.
|
| [35] |
HE Danping, AI Bo, GUAN Ke, et al. Channel measurement, simulation, and analysis for high-speed railway communications in 5G millimeter-wave band[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, 19(10): 3144–3158. doi: 10.1109/TITS.2017.2771559
|
| [36] |
ALI A, GONZÁLEZ-PRELCIC N, and HEATH R W. Millimeter wave beam-selection using out-of-band spatial information[J]. IEEE Transactions on Wireless Communications, 2018, 17(2): 1038–1052. doi: 10.1109/TWC.2017.2773532
|
| [37] |
MASCHIETTI F, GESBERT D, and DE KERRET P. Coordinated beam selection in millimeter wave multi-user MIMO using out-of-band information[C]. 2019 IEEE International Conference on Communications, Shanghai, China, 2019: 1–6.
|
| [38] |
LI Tianyou, XU Youyun, TONG Huawei, et al. Low-band information and historical data aided non-uniform millimeter wave beam selection algorithm in 5G-R high-speed railway communication scene[J]. IEEE Transactions on Vehicular Technology, 2022, 71(3): 2809–2823. doi: 10.1109/TVT.2021.3138152
|
| [39] |
LIU Ziyue and FAN Pingzhi. An effective handover scheme based on antenna selection in ground–train distributed antenna systems[J]. IEEE Transactions on Vehicular Technology, 2014, 63(7): 3342–3350. doi: 10.1109/TVT.2014.2300154
|
| [40] |
WANG Ke, LI Suoping, LIN Ying, et al. Performance analysis of high-speed railway handover scheme with different network architecture[C]. The 2019 IEEE 8th Joint International Information Technology and Artificial Intelligence Conference, Chongqing, China, 2019: 1894–1898.
|
| [41] |
张睿, 马钰昕, 黄辉, 等. LTE-M系统的通信时延分析[J]. 工业控制计算机, 2018, 31(5): 20–22,24. doi: 10.3969/j.issn.1001-182X.2018.05.008
ZHANG Rui, MA Yuxin, HUANG Hui, et al. Communication delay analysis of LTE-M system[J]. Industrial Control Computer, 2018, 31(5): 20–22,24. doi: 10.3969/j.issn.1001-182X.2018.05.008
|
| [42] |
李莎莎, 方旭明, 罗万团. 一种提升高速铁路无线通信网络HARQ性能的方法[J]. 铁道学报, 2014, 36(10): 53–58. doi: 10.3969/j.issn.1001-8360.2014.10.009
LI Shasha, FANG Xuming, and LUO Wantuan. Method for improving HARQ performance of mobile communication system of high-speed railway[J]. Journal of the China Railway Society, 2014, 36(10): 53–58. doi: 10.3969/j.issn.1001-8360.2014.10.009
|
| [43] |
GARCIA M H C, MOLINA-GALAN A, BOBAN M, et al. A tutorial on 5G NR V2X communications[J]. IEEE Communications Surveys & Tutorials, 2021, 23(3): 1972–2026. doi: 10.1109/COMST.2021.3057017
|
| [44] |
FENG Mingjie and MAO Shiwen. Dealing with limited backhaul capacity in millimeter-wave systems: A deep reinforcement learning approach[J]. IEEE Communications Magazine, 2019, 57(3): 50–55. doi: 10.1109/MCOM.2019.1800565
|
| [45] |
XU Jianpeng and AI Bo. Artificial intelligence empowered power allocation for smart railway[J]. IEEE Communications Magazine, 2021, 59(2): 28–33. doi: 10.1109/MCOM.001.2000634
|
| [46] |
HAN Shuangfeng, I C L, XIE Tian, et al. Achieving high spectrum efficiency on high speed train for 5G new radio and beyond[J]. IEEE Wireless Communications, 2019, 26(5): 62–69. doi: 10.1109/MWC.001.1800260
|
| [47] |
SONG Haifeng and SCHNIEDER E. Availability and performance analysis of train-to-train data communication system[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(7): 2786–2795. doi: 10.1109/TITS.2019.2914701
|
| [48] |
WANG Xiaoxuan, LIU Lingjia, ZHU Li, et al. Train-centric CBTC meets age of information in train-to-train communications[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21(10): 4072–4085. doi: 10.1109/TITS.2019.2936219
|
| [49] |
ZHAO Junhui, ZHANG Yang, NIE Yiwen, et al. Intelligent resource allocation for train-to-train communication: A multi-agent deep reinforcement learning approach[J]. IEEE Access, 2020, 8: 8032–8040. doi: 10.1109/ACCESS.2019.2963751
|
| [50] |
OH S, YOON B, KIM D, et al. Handover impact on E2E delay of multimedia service in high-speed railway system[C]. 2020 International Conference on Information and Communication Technology Convergence, Jeju, Korea (South), 2020: 1709–1713.
|
| [51] |
陈永, 陈耀, 张薇. 基于SPN的LTE-R无线通信可靠性建模与分析[J]. 铁道学报, 2020, 42(9): 111–119. doi: 10.3969/j.issn.1001-8360.2020.09.014
CHEN Yong, CHEN Yao, and ZHANG Wei. Modeling and analysis of LTE-R wireless communication reliability based on SPN[J]. Journal of the China Railway Society, 2020, 42(9): 111–119. doi: 10.3969/j.issn.1001-8360.2020.09.014
|
| [52] |
ABDELMOHSEN A, ABDELWAHAB M, ADEL M, et al. LTE handover parameters optimization using q-learning technique[C]. The 2018 IEEE 61st International Midwest Symposium on Circuits and Systems, Windsor, Canada, 2018: 194–197.
|
| [53] |
WU Cheng, CAI Xingqiang, SHENG Jie, et al. Parameter adaptation and situation awareness of LTE-R handover for high-speed railway communication[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(3): 1767–1781. doi: 10.1109/TITS.2020.3026195
|
| [54] |
3GPP TR 38.804 V14.0. 0. Technical specification group radio access network; study on new radio access technology[S]. Radio Interface Protocol Aspects (Release 14), 2017.
|
| [55] |
YAN Li, FANG Xuming, HAO Li, et al. A fast beam alignment scheme for dual-band HSR wireless networks[J]. IEEE Transactions on Vehicular Technology, 2020, 69(4): 3968–3979. doi: 10.1109/TVT.2020.2971856
|
| 1. | 李坤浩，李伟强. 人工智能在电信通信工程运维中的应用研究. 信息与电脑. 2025(01): 113-115 .  | |
| 2. | 薛青，来东，徐勇军，闫莉. 基于分布式联邦学习的毫米波通信系统波束配置方法. 电子与信息学报. 2024(01): 138-145 .  本站查看 | |
| 3. | 丁青锋，邹志祥. 高铁场景下有源智能超表面辅助的能效优化研究. 电信科学. 2024(05): 38-48 . | |
| 4. | 闫莉，岳涛，方旭明. 铁路应急场景下无人机通信感知一体化无线网络资源智能分配算法. 电子与信息学报. 2024(09): 3510-3519 . 本站查看 | |
| 5. | 吴润泽，马伊嘉，郭昊博，祝琼珂. 面向海量分布式新能源业务流的通存资源无交互协同预留算法. 电力系统自动化. 2024(23): 112-120 . |
Figures(6) / Tables(3)
YAN Li, FANG Xuming, LI Yi, XUE Qing. Overview on Intelligent Wireless Resource Management of Millimeter Wave Communications under High-speed Railway[J]. Journal of Electronics & Information Technology, 2023, 45(8): 2806-2817. doi: 10.11999/JEIT220923
| 研究内容 | 关键技术与智能算法 | 达成目标 | 参考文献 |
| 通信网络架构 | 网络切片 控制面与数据面解耦 sub-6 GHz与毫米波融合 云接入网络架构 车车通信 | 实现定制化服务 大幅度提升容量 保障移动性能 满足应急通信需求 | [12,13,15,16] |
| 业务与信道特征 | 业务预测，长短期记忆网络(Long Short Term Memory, LSTM)及变种等 信道预测，LSTM及变种等 智能反射面，强化学习等 | 预测传输需求 预测传输环境 改变传输环境 | [22,23,27–32] |
| 无线资源分配 | 区分业务的资源调度，强化学习等 网络切片资源预留，强化学习等 | 保障资源可用性 保障资源隔离性 | [40–47] |
| 切换优化 | 切换参数自适应优化，深度神经网络等 快速波束对齐、跟踪，强化学习等 | 提高切换成功率 提高链路稳定性 | [51–55] |
| 业务预测时间尺度 | 预测算法需求 | 网络资源配置 |
| 大尺度 (周、月) | 指数平滑、线性回归、 支持向量机等 | 网络功能单元配置、工作频段及 带宽配置、RRU资源配置等 |
| 中尺度 (分、时) | LSTM算法及其变种等 | 为不同切片预留网络功能模块、 为不同切片预留传输带宽等 |
| 小尺度 (毫秒、秒) | LSTM算法及其变种等 | 时隙分配、子载波分配、空间流分配、 功率分配、调制编码方式等 |
| 切片 类型 | 业务参数(模式1/模式2/模式3) |
| URLLC切片 | 数据包个数:均匀分布 (4000, 4500)/ (1500, 2000)/(500,600) 包内字节数(B): 均匀分布(500, 600)/ (100, 200)/(20,30) 移动速度(m/s): 均匀分布(100, 138)/ (10, 30)/ (1, 3) 用户量: 均匀分布(2, 5)/ (2, 8)/ (6, 16) |
| eMBB切片 | 数据包个数:泊松分布(密度) 6000/ 2400/240 包内字节数(B): 均匀分布(3000, 3500)/ (300, 400)/(100,200) 移动速度(m/s): 均匀分布(100, 138)/ (10, 30)/ (1, 3) 用户量: 均匀分布(2, 5)/ (2, 8)/ (6, 16) |
| mMTC切片 | 数据包个数:均匀分布 (200, 500)/ (1000, 1100)/(10,100) 包内字节数(B): 均匀分布(100, 110)/ (200, 210)/(50,70) 移动速度(m/s): 均匀分布(100, 138)/ (10, 20)/ 0 用户量: 均匀分布(4, 10)/ (1, 10)/ (1, 20) |
| 研究内容 | 关键技术与智能算法 | 达成目标 | 参考文献 |
| 通信网络架构 | 网络切片 控制面与数据面解耦 sub-6 GHz与毫米波融合 云接入网络架构 车车通信 | 实现定制化服务 大幅度提升容量 保障移动性能 满足应急通信需求 | [12,13,15,16] |
| 业务与信道特征 | 业务预测，长短期记忆网络(Long Short Term Memory, LSTM)及变种等 信道预测，LSTM及变种等 智能反射面，强化学习等 | 预测传输需求 预测传输环境 改变传输环境 | [22,23,27–32] |
| 无线资源分配 | 区分业务的资源调度，强化学习等 网络切片资源预留，强化学习等 | 保障资源可用性 保障资源隔离性 | [40–47] |
| 切换优化 | 切换参数自适应优化，深度神经网络等 快速波束对齐、跟踪，强化学习等 | 提高切换成功率 提高链路稳定性 | [51–55] |
| 业务预测时间尺度 | 预测算法需求 | 网络资源配置 |
| 大尺度 (周、月) | 指数平滑、线性回归、 支持向量机等 | 网络功能单元配置、工作频段及 带宽配置、RRU资源配置等 |
| 中尺度 (分、时) | LSTM算法及其变种等 | 为不同切片预留网络功能模块、 为不同切片预留传输带宽等 |
| 小尺度 (毫秒、秒) | LSTM算法及其变种等 | 时隙分配、子载波分配、空间流分配、 功率分配、调制编码方式等 |
| 切片 类型 | 业务参数(模式1/模式2/模式3) |
| URLLC切片 | 数据包个数:均匀分布 (4000, 4500)/ (1500, 2000)/(500,600) 包内字节数(B): 均匀分布(500, 600)/ (100, 200)/(20,30) 移动速度(m/s): 均匀分布(100, 138)/ (10, 30)/ (1, 3) 用户量: 均匀分布(2, 5)/ (2, 8)/ (6, 16) |
| eMBB切片 | 数据包个数:泊松分布(密度) 6000/ 2400/240 包内字节数(B): 均匀分布(3000, 3500)/ (300, 400)/(100,200) 移动速度(m/s): 均匀分布(100, 138)/ (10, 30)/ (1, 3) 用户量: 均匀分布(2, 5)/ (2, 8)/ (6, 16) |
| mMTC切片 | 数据包个数:均匀分布 (200, 500)/ (1000, 1100)/(10,100) 包内字节数(B): 均匀分布(100, 110)/ (200, 210)/(50,70) 移动速度(m/s): 均匀分布(100, 138)/ (10, 20)/ 0 用户量: 均匀分布(4, 10)/ (1, 10)/ (1, 20) |
下载:
DownLoad:
