6G开放可编程虚拟化网络的AI

特伦托大学正教授Fabrizio Granelli、Fondazione Bruno Kessler智能网络和服务（SENSE）研究部门的负责人Cristina E. Costa、AI-enabled Next-Generation Wireless Networks加拿大研究主席Melike Erol-Kantarci、东南大学教授郑军等业内专家表示，6G可编程的虚拟化网络将数据和控制平面分离，并具有支持多样化和不同用例需求的能力，使能服务动态扩展和适应。增强型移动宽带（eMBB）、超可靠和低延迟通信（uRLLC）以及海量机器类型通信（mMTC）用户的多样化需求不可避免地增加了网络的复杂性，仅靠可编程性是不够的。为了满足这些需求，下一代移动网络需要以支持更多异构设备的能力、更多频谱的可用性和复杂协议栈的引入来响应，从而为管理、重新配置、适应、协调网络资源提供自动化和智能的工具迫在眉睫。

解耦式的无线接入网和核心网旨在得到智能闭环控制的支持，响应对这种多样化和异构服务质量（QoS）的动态需求，以及用户需求、环境条件和业务目标的变化。随着网络复杂性在各个层面的增长和新挑战的出现，采取网络智能和数据驱动的方法成为必要。AI/ML技术有望在这一演进中发挥关键作用，预计这将塑造下一代6G移动网络的运行方式。人工智能（AI），或更具体地说是机器学习（ML）算法，作为智能管理网络的有前途的工具，可以实现网络效率可靠性和稳健性目标，满足服务质量需求，最大限度地利用网络和计算资源高效，并以自我优化的方式实现性能目标。事实上，AI将代表6G中开放可编程虚拟化网络的关键推动力，并将成为促进网络自动化和基于临时操作环境和QoS应用程序要求的网络动态重新配置的基础。

最近一期的IEEE无线通信杂志刊登了上述专题的一些研究成果。其中，论文“Graph Neural Networks Meet Wireless Communications: Motivation, Applications, and Future Directions”提出了一种有效的图分析工具——图神经网络（GNNs）并分析了其在无线通信中的应用。之中讨论了两个观点：GNNs在无线通信中的使用，以及无线通信在GNNs中的应用，分别涉及利用GNNs推理能力，以及设计面向任务的无线传输机制。结论部分讨论了GNNs在无线通信中应用的潜在未来方向。

“Semantic Communication Meets Edge Intelligence”阐述了语义通信的新兴范式，即利用人工智能技术“先理解，再传输”，并在不影响传输符号的语义有效性的情况下减少交换的数据量。其中介绍了一种基于边缘驱动的（edge-driven）训练、维护和执行的语义提取过程的解决方案。

此外，“Functional Split of In-Network Deep Learning for 6G: A Feasibility Study”从6G的角度探讨了可编程数据平面的场景，通过网络内深度学习（in-network deep learning）能力增强数据平面。为了控制网络设备上的相应负载，应用功能拆分，以便将深度神经网络（DNNs）组合到数据平面的子元素中，以提高机器学习作业的效率。而且提供了与盲源分离相关的概念验证，以证明所提出的解决方案的潜在好处。