AI 与通信的交织、网络优势与应用场景

聊起 AI，画面都充斥着机械语言：精密高级的芯片，光怪陆离的智能产业……你眼中的 AI 有什么样的能力？能给传统行业带来哪些变革与发展？基于此，腾讯云开发者社区联手知乎科技，从知乎AI 与传统行业相关话题中精选内容落地社区专题「 AI 与传统行业的融合 」。

本文为“AI 将如何影响电子信息产业”的精华内容分享。

本文主要从通信与AI的交织、AI在网络中的优势与AI在通信中的应用场景三个方面来谈谈。

一、通信理论的基本问题与人工智能的交织

通信的基本问题：在某一点上精确地或近似地再现在另一点上选择的消息。或者换句话说，通过使用各种技术将消息可靠地从信号源发送器传输到目的地接收器。

人工智能则是赋予计算机以智能，旨在教他们如何像人类一样工作，做出反应和学习。深度学习使人工过程能够从数据中吸收知识并做出决策，而无需进行明确的数学建模与分析。

为了在理论与实践中达到更好的性能，通信理论的一大特点是分层优化。通常将发射机和接收机分为几个处理模块，每个处理模块负责特定的子任务，例如信源编码，信道编码，调制和均衡。尽管已知这种实现不是最佳的，它的优点是可以单独的分析和优化每个模块，从而产生了当今非常有效和稳定的系统。而目前人工智能的发展，可以解决很多非凸优化的问题。通信理论的分层优化或许可以考虑成一个整体，利用深度学习等手段去整体优化我们的通信系统，进而达到更好地性能。

尽管在过去的几十年发展中，通信系统已经优化的非常优秀了，甚至能够逼近传说中的香农界，新出现的一些深度学习、人工智能等新的方法似乎很难比它们在性能方面有很大的优势。但是返回到通信问题的原始定义，将整个通信系统考虑成一个整体模型，该系统可以学习任何类型的信道上的信息跟环境状态，且无需事先进行数学建模和分析，进而整体优化系统可能能够产生很好地效果。

二、深度学习等AI技术在无线网络中的优势

1、对半标记\未标记数据的处理

深度学习能够处理大量数据，而移动网络恰好可以快速生成大量不同类型的数据。传统的监督学习仅在有足够的标记数据可用时才有效。但是，当前大多数移动系统都会生成未标记或半标记的数据。深度学习提供了多种方法，允许利用未标记的数据以无监督的方式学习有用的模式，例如，受限玻尔兹曼机（RBM），生成对抗网络（GAN）等。目前通信中一个较火的方向caching，就有很多人在研究如何给用户推送可能会被请求的数据更有效。这一个方向就用到了很多人工智能范畴内的方法。

2、对于几何数据的处理

深度学习在处理几何移动数据方面很有效，而这对于其他机器学习方法来说却是一个难题。几何数据是指由坐标，拓扑网络，测度和顺序表示的多元数据。诸如移动用户位置和网络连接之类的移动数据可以自然地由具有重要几何特性的点和图形表示。这些数据可以通过专用的深度学习架构有效地建模，例如PointNet ++和Graph CNN。采用这些架构具有巨大的潜力，可以彻底改变几何移动数据分析。

三、人工智能在无线网络中的应用场景

1、雾计算中的深度学习

雾计算是一种对云计算概念的延伸，上面介绍的云计算弱点，雾计算都不具备。除此之外，它主要使用的是边缘网络中的设备，数据传递具有极低时延。雾计算具有辽阔的地理分布，带有大量网络节点的大规模传感器网络。雾计算移动性好，手机和其他移动设备可以互相之间直接通信，信号不必到云端甚至基站去绕一圈，支持很高的移动性。

雾计算为在移动系统中实施深度学习提供了新的机会。雾计算是指允许在网络边缘中部署应用程序或数据存储的一种技术。这种技术减少了通信开销，减轻了数据流量的负担，减少了用户端的等待时间，还减轻了服务器端的计算负担。雾计算可以取代部分存储，并且可以分析和交换数据，减轻云计算负担并执行更多对延迟敏感通信业务，例如可穿戴设备和车联网。

2、强化学习对应许多通信场景

许多移动网络问题可以表述为马尔可夫决策过程（MDP），其中强化学习可以发挥重要作用。例如，基站开关切换策略，路由和自适应跟踪控制。但是其中一些问题涉及高维输入，这限制了传统强化学习算法的适用性。深度强化学习技术扩展了传统强化学习算法，具有处理高维度的能力。因此采用深度强化学习有望解决复杂，多变和异构移动环境下的网络管理和控制问题。

3、通信链路中的路由

深度学习还可以提高路由规则的效率。给出路由节点的详细信息，利用深度神经网络对节点进行分类。使用深度学习技术来决策下一个路由节点并构建软件定义的路由。这样可以显著地减少开销和延迟，实现更高的吞吐量。

4、通信链路中的跨层调度

例如使用深度强化学习在路边的通信网络中进行调度。将车辆与环境之间的交互（包括动作，状态信息，奖励信号）制定为马尔科夫决策过程，通过近似Q值函数进行低复杂度的优化。与传统的调度方法相比，新的调度策略可实现更低的交互时延。

5、无线资源分配

比如使用深度增强学习根据当前模式和用户需求，来确定频谱与功率等资源的分配。

6、物理层安全

现代网络安全系统从深度学习中受益越来越多，因为它可以使系统能够从经验中自动学习签名、模式，并推广到入侵信息的鉴别（监督学习）。相对传统方法可以大大减少工作量，并可以提高准确度。

作者：Skyfall

链接：https://www.zhihu.com/question/378543779/answer/1086031926

来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。