空天地一体化空口接入协议研究

空天地一体化通信可实现网络立体覆盖,但存在大时延、高频偏、高动态问题。针对此问题,首先概述了空天地一体化技术演进趋势;其次,分析了地面移动通信以及卫星通信网络的空口接入协议及存在的不足;最后,基于6G空天地一体化的统一空口协议框架以及卫星可通过星间链路交互信息特征,提出一种低时延的空口接入协议方案,通过减少星间切换空口接入流程,达到用户快速接入网络的目的。

基于微服务架构的数字孪生仿真平台设计方法

提出了一种基于微服务架构的数字孪生仿真平台的设计方法,以多维度资源精准调配的网络节能优化场景为例,通过拆分平台中松耦合的仿真单元,设计通信接口,并基于Docker及Kubernetes平台实现微服务仿真组件的部署,完成数字孪生仿真平台的架构升级。通过融合微服务架构的优势,可以为平台未来的升级改造、功能扩展、部署实施等提供便捷。测试结果表明,该方法可以以容器的形式实现并行计算,在计算量较大的场景下,显著缩短平台运行时间。

任务为中心的6G网络AI架构

5G通信系统采用了NWDAF的叠加方式支持人工智能(Artificial Intelligence,AI),其效率和性能较差,6G通信系统迫切需要从架构层面考虑对AI的高效支持。基于此需求,提出了一种以任务为中心的6G网络AI架构,使能6G网络原生支持AI。介绍了6G网络AI的驱动力、场景需求等背景,其中AI驱动力包括三个类别的智能:网元智能、网络智能和业务智能。重点阐述从会话为中心到任务为中心的架构变化,以及任务为中心的架构面临的技术问题。其中,架构变化包括从会话管控到任务管控,从通信QoS到任务QoS,从通信数据到任务数据等。基于以上所述6G架构变化和对应技术问题,提出了一种以任务为中心的无线网络架构。首先,通过统一架构来提供AI4NET、NET4AI、AIaaS的服务;其次,针对无线网络分布式系统的固有特征,提出了任务管控的三层逻辑架构,从而满足实时和灵活的任务部署需求;并进一步提出了在无线接入网域和核心网域独立部署任务锚点TA和任务调度器TS,从而实现不同域内任务的独立部署和各域自治;然后,通过控制信令的方式实现任务控制功能,给出了具体的接口、协议框架和流程设计,并给出针对任务执行期间的任务QoS保障、AI用例自生成和任务应用实例等;最后给出了下一步的研究方向建议。

6G通算融合网络架构

边缘计算在物理位置上部署在通信网络内,但是在逻辑上计算与通信拥有彼此独立的管控体系,协同是非实时的,在应对超低时延业务场景下用户信道状态、用户移动性等的动态变化时,存在技术挑战。因此,6G网络架构在设计之初,就需要原生的支持通信与计算的深度融合机制,基于此,提出了一种在无线网络内通信资源与分布式计算资源实时协同的计算面方案,来实现6G网络业务适配能力上的突破,提升综合资源能效。在终端和基站联合模型拆分推理场景下,通过仿真对比了控制面融合和管理面融合技术方案,验证了控制面融合方案能更好地应对终端空口连接带宽发生的变化,大幅降低业务时延抖动。

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。