5G和机器学习:将蜂窝基站从智能变成天才

云栖号资讯:【点击查看更多行业资讯】
在这里您可以找到不同行业的第一手的上云资讯,还在等什么,快来!

5G和机器学习:将蜂窝基站从智能变成天才

5G迎来了新的“天才”网络,以应对不断增加的复杂性,预测和实时决策制定水平,这不仅带来了增强的移动宽带应用中所承诺的性能提升,而且还涉及物联网和关键任务用例。进化步骤的核心是机器学习算法的使用。

借助实时网络优化功能(例如资源负载,功率预算平衡和干扰检测)变得更加动态,这使网络在4G时代变得“智q G U能”! i c p Y W。5G增加了对新天线功能,高密度和异构网络拓扑以及基于有效负载类型和应用的上下行信道分配和配置的支持。虽然从物理层到应用层的5G网络所有层都[ 2 7有许多机器学习用途,但基站正0 [ ! @ [ =在成为机器学习的关键应用程序。

如果进{ Y | V P & h . @ _ I !协调更多的资源,意味着更好的性能

下一代5G基站的标志之一是使E q Z P用高级天线功能。这些功能包括但不限于大规模多输入多输出(MIMO)天线阵列,波束成形和波束控制。

5G和机器学习:将蜂窝基站从智能变成天才

大规模MIMO是使用具有大量有源元件的天线阵列。取决于其F ` 1 X x D :部署的频带,大规模MIMO设计可以使用24个有源天线元件到多达数百个。

通常,MIMO的用途之一是能够发送f 2 m C ! 8和接收并行和冗余的信息流,以解决由干扰引起的错t Q ? 1 [ F 1误。但是,大规模MIMO的另一种特定用途是波束成形,而在更高级的系统中,是波束控制。

波束成形是一种利用一组相控阵来创建能量束的能力,该能量束可用于聚焦和扩展与特定移动设备之间的基站之间的信号传输和接收。

波束控制是在整个移动z H O & N H环境中控制该波束跟随该天线阵列覆盖范围内的设备的能力。充分利用大规模MIMO并优化波束形成和波束控制后,网络运营商和消费者都将受益于网络容量的增加和数据流的增加,干扰的减少,范围的扩大以及更优化的功率效率的扩展范围。

但是机器学习对此有何帮助?想象一下,如果您要在10桨船和20桨船之间进行比赛。尾2 } G ( $ D桨为10桨的船不仅由节奏协调,而且还不仅根据当前正在发生的情况,而且还预测在以后W P N g t发生的情况,对航向和踏频进行实时校正。

相反,有20桨的船有一个船长,他不能协调节奏,只能根据已经发生的一般信息进行校正。显然,前者将赢得l g | f比赛,而后者的桨叶不仅进步很小,而且在某些情况下实际上是相互干扰的。大规模MIMO也是如此。为了} - C %充分实现大规模MIMO功能,波束成形和波束控制的优势,基站采用了机器学习技术,以提供实! a J G K O = d时和预Y 8 1测性的分析和建模,从而更好地调度,协调,配置o c n ( N T J k yy d 5 2择使用哪些阵列以及何时使用。

精准定位

新的5G网络标准要求与较大的宏小区和多个空中接口协议一起工作的较小小区的更高密度部署。愿景是将较小的小区设计为室内位置或密集的城市环境,在这些环境中GPS定位并不总是可靠的,并且射频(RF)环境远非可预测的。理解与网络交互6 s a y的设备的位置不仅对于应用层用例至关重U 2 ~ g ^ Q要,而且对于实时网络操作和优化也至关重要。$ 1 O z k因此,至关重要的是/ ^ W找到一种方法,不) S T g仅能够准确定位I - 3用户设备所在的位置,而且能够跟踪用户设备在覆盖范围内的移动。

5G和机器学习:将蜂窝基站从智能变成天才

为此,正在使用机器学习来使用RF数据和三角测量技术来估计用户设备的位置。尽管这不是一个新概念,但与以前的方法相比,机器学习算法的使! ; 5 O 1 O /用在准确性,准确性和广泛使用的可行性方面产生了实质性的改进。这一点更加重= + 3 G h $ T O $要,因为这些改进是在比以往任何时候都复杂和动态可变的数量级环境中实现的。

一个网络来统治一切-听起来并不容易

5G发展的推动因素之一是拥有一个框架来满足3个用例的变化且经常相互冲突的需求,包括增强型移动宽带(eMBB),大规模2 6 V物联网和关键任务应用。

这些用例以前是由专用的异构网络提供服务,现在将由5G网络体系结构提供支持,同时继续要求相互矛盾的功能。

设计用于支持EMBB用例的网Z 7 O V d络需要进行优化,以实现高速,中低延迟和可盈利的容量。另一方面,大规模物联网网络需要低成本,窄带宽,低控制平面开销和高可靠性。关键任务网[ : s c , m络需要c 6 a , 5 v $ 9 ?高速,低延迟和高可靠性。为了使这一愿景成为现实,已将5G设计为在控制O 5 z & i w平面和通道配置中具有高度可变性和灵活性。

因此,至关重要的是5G网络必须能够根据不断变化的条件(例如历史负载数据,C l - fRF条件,位置和其他各种因素)预测有效载荷类型和使用情况,以便高w W p效,动态地配置和利用5G频道资源。

因此,机器学习不仅被用于预e j B O ; 1 1测用户设备的特性和功能,可能的用例要求和R& y 6 q ( VF条件,而且还可能预测最有可能请求的内容类型,并使用边缘缓存技术使内容更接近最终用户。

例如,根据历史趋势数据,可能会发现,由于基站到大学的距离以及Netflix或Disney +上的当前趋势标题,在一天的某些时2 n q . U间应制作特定的电影。靠近该基站可用以减少网络拥塞,缓冲和延迟。同样,靠近交叉路口的某个基站在一天中的某些时候会变得拥挤,可能需要更多的q + V 0 r /流量和V2X传感器数据来帮助辅助ADAS或自动驾驶应用。

进化的下一步

作为一个行业,随着5G和机器学习的结合,我们正处在关G f - {键的发展点上,这使我们走上了由日益复杂- o q P e `的功能和适应性带来的网络能力和效率的跨越式发展的道路。但这V i 6 Q :是一个进化,而不是一场革命,而这是很? S 2 | e V N r +早的日子。这些5G机器学习应用仅仅是潜力的开始,不仅可以在基站支持的物理层释放出潜力,而且随着这两种基础技术的融合g : 2 ,并进入到应用层,我们进入了天才网络时代。

【云栖号j y 9 E b u在线课堂】每天都有产品技术专家分享!
课程地址:https://yqh.aliyun.com/live

立即加入社群,与专家面对面,及时了解课程最新动态!
【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK

原文发布时间:2020-07-30
W v t文作者:墙头R ^ | Q X f说安全
本文来自:“51CTO”,了解相关信息可以关注“51CTO”