基于强化学习的基站多维度资源协同分配方案

算网融合是未来移动通信网络的发展趋势,面向未来更高实时性的业务需求,6G无线网络需要实现通信与计算的深度融合。一种可能的模式是基站内部具有计算资源,并高效协同调配通信与计算资源。随着基站部署规模的增大、计算业务量的逐步增加,计算资源的能耗问题将成为6G无线网络节能的潜在问题。调研发现,目前无线通信网络的节能方案大多针对通信业务,对计算资源的节能方案研究相对较少,未来6G无线网络则需要同时考虑通信业务与计算业务,将能效作为基站进行通算资源协同分配的优化目标之一。考虑到方案具有动作空间较大、动作输出为离散确定值的特性,提出了一种基于强化学习的6G基站通算资源协同分配方案,并对系统能耗进行了建模,方案奖励由业务特征、基站接入用户情况等信息确定,同时对比了智能模型的迭代优化频次对方案性能的影响。在多小区通信环境下进行了仿真,结果表明,该方案可以在满足业务性能需求(含基站执行业务的时延、RSRP等)的前提下,将系统能耗节约46.98%,并且,所采用的智能模型通过高频样本提供和迭代优化可以获得更优的性能。     

内生智能和端到端服务化的6G无线网络架构设计

为了解决5G网络能耗高、结构复杂和运维管理难度大等问题,同时使得网络具备更极致的全场景适应能力,从网络功能、网络结构、网络运行三个方面对未来6G网络进行设计,实现6G网络的智慧内生和极简。在网络功能层面,提出端到端微服务化的架构,通过按需功能组合与编排提升行业用户乃至个人用户定制化需求的满足能力;在网络结构层面,提出一种低、中、高多频段协同的信令广域覆盖机制及相关方案设计,实现多制式、多频段小区的统一管理,进一步降低整网信令开销、小区管理复杂度和网络能耗;在网络运营层面,不同于5G外挂式AI,提出网络内生智能设计和AI服务质量(Quality of AI Service,QoAIS)指标体系及保障机制,将AI打造成6G网络的一种基础能力和服务。最后,对内生AI网络架构中基于QoAIS的AI工作流编排方案进行了仿真分析。仿真结果表明,在性能和开销方面,三种典型方案(集中式、分布式和协同式)各有优缺点,需要针对QoAIS的具体要求,决定AI工作流中相关任务的分布,并调度所需资源,以保证QoAIS的达成。