5G正在迅速從理想化的未來走向非?，F實的現在。第一款5G手機已經發(fā)布。與所有的一代升級一樣,5G承諾比其前身的速度有很大的改進。4G-LTE提供的最高下載率為100M/秒,平均為25-50M/秒。與之形成鮮明對比的是,5g提供了高達1.8Gbps,改進了近20倍。此外,5G有較低的延遲,主要延遲貢獻者是廣播時間。其潛伏期為?在早期部署中 .在用戶移動性、能源效率和同時連接的數量方面有更多的好處。

然而,這些變化并不是免費的。5G部署需要對現有基礎設施進行廣泛的修改,以處理更高頻率、波束形成、邊緣計算等新技術。幸運的是,這些基礎設施的改進也使以前無法實現的應用程序成為可能。例如,5g有可能?強化現實更有說服力 .

5G系統(tǒng)生成的數據量之大,使數據驅動控制體系結構能夠?機器學習 ,使5G更加強大和有效。在本文中,我們將討論將機器學習應用于5G系統(tǒng)的架構。新的架構和算法可以帶來巨大的服務改進和成本節(jié)約5G系統(tǒng),因為它們在未來幾年變得更加廣泛。

新的5G技術

我們將首先提及一些帶有5G的新技術,這些新技術使數據驅動的架構成為現實。主要驅動因素涉及移動邊緣計算和無線電接入網絡。

MK 移動計算從集中服務器更接近移動數據用戶在不同地區(qū)。通常,數據從基站轉發(fā)到中央服務器。中央服務器處理數據并向基站發(fā)送響應。由于中央服務器可以從基站到全國的一半,數據的往返時間約為幾十至數百毫秒,這限制了蜂窩網絡的響應能力。

MEC將分散式計算引入蜂窩網絡。不是單一的中央服務器,而是分布在全國各地的計算設備,每個服務區(qū)域有一個或多個。這種處理延遲時間的減少使算法比以前可能的復雜得多,特別是實時和區(qū)域特定的算法。

傳統(tǒng)(左)和5G(右)網絡架構延遲時間的比較。

數據驅動的5G架構的第二個關鍵驅動程序是無線電接入網絡改進。RAN負責將數據從用戶設備傳輸到核心網絡。5G技術增加了多個頻帶,波束形成,和大規(guī)模的MIMO。這些允許在如何向用戶傳遞數據方面進行巨大的可重構性,但它們在編排方面提出了挑戰(zhàn)。例如,這種可重構性使得擁擠的音樂會能大大改善服務。

在?第一套5G標準中 ,3GPP規(guī)定將前幾代的基站分成不同的單元作為5G標準。他們建議將基站分成中央單位、分布單位和無線電單位(或分別為中央、中央和聯邦)。5G運行系統(tǒng)的分權性和靈活性使基于每個服務區(qū)數千個單元數據的復雜控制計劃成為可能。

數據驅動的蜂窩結構

一個可能的數據驅動架構可以利用分布式運行系統(tǒng),包括以下內容:

· 管理給定服務區(qū)域運行控制器的云控制器

· RAN控制器負責協(xié)調集中和分散的單元,以處理用戶設備操作,如運行傳輸和負載平衡

· 處理數據傳送業(yè)務的中央和分布單位

· 無線電裝置控制把數據放在空氣中的射頻收發(fā)器

這個架構的描述和描述更詳細。 在本文中,他們提出了一種基于邊緣控制的蜂窩網絡結構,并利用美國一個主要基地站的數百個實際數據來評估其性能。操作員。它們根據用戶的全局移動模式,提供了如何動態(tài)集群和關聯基站和控制器的見解。

云和運行控制器,甚至中央單位都可以部署在MEC中。組件的分布為協(xié)議棧中的不同層提供了一個分離關注點,因此,允許云和運行控制器做出更高級別的決策,而不必擔心像通道編碼和波束形成這樣的低級操作。

圖2.波利斯等人提出的5G分布式控制架構。

例如,該控制器可以從其相應的集中和分布單元中收集數據,并運行機器學習算法,以實時優(yōu)化服務。然后,云控制器可以從多個運行控制器中收集數據,并確定哪些算法的性能最好。它還可以創(chuàng)建一個用戶行為的估計,并可以在一天中監(jiān)視不同地區(qū)的網絡阻塞。

機器學習

波利斯等人。在加州的一個手機供應商的實際4G-LTE數據上測試了他們的體系結構。LTE體系結構是完全分布的,但它沒有5G體系結構中現有的聚合和數據共享。他們的研究發(fā)現,與LTE體系結構相比,如上所述,基于控制器的5G體系結構通過將來自云中多個來源的數據和運行控制器聚集起來,大大提高了預測的準確性。這種從眾多來源獲取信息的權限,使體系結構成為新的數據驅動策略和機器學習的一個很好的候選者。算法可以在云和運行控制器上運行,這些控制器可以將決策傳播到它們各自的CUS、DUS和RUS。

在機器學習算法方面。隨機林、貝葉斯嶺和高斯過程回歸器的實驗。作者利用這些算法預測不同的關鍵性能指標.作者還試驗了基于集群的方法,而不是基于本地的方法?；诩旱姆椒ㄔ噲D根據位置或數據對控制器進行分組。作者認為,基于數據的集群更為有效。基于數據的集群必須根據網絡活動定期更新,這需要網絡開銷來協(xié)調集群之間的工作,但作者發(fā)現,每日更新的性能可與15分鐘的更新相比。

最成功的算法是基于集群的高斯過程回歸器,其次是基于集群的隨機林和基于局部的貝葉斯嶺?；诩旱腉PR在1到10分鐘的時間間隔中超過了所有其他算法。此外,與基于本地的方法相比,使用基于集群的方法可以使RMSE減少53%,這直接顯示了5G體系結構在LTE上的潛在改進。

主要措施

隨著5G繼續(xù)推廣,將需要利用5G網絡的獨特特性的新應用程序來充分實現性能和效率的提高。使用數據驅動技術,如機器學習,運行控制器可以安排如何分散的基站提供服務。簡單地將數據共享添加到完全分散的LTE體系結構中,可以使RMSE減少53%的回歸算法。以這種精確度預測負載、吞吐量和中斷時間的能力非常有利于有效地管理網絡。

20240908_66dd109bf1e7b__使用ML的數據驅動控制如何提高5G網絡性能