[论文解读] 20 Years of Evolution from Cognitive to Intelligent Communications

Zhijin Qin, Xiangwei Zhou+4 more|arXiv (Cornell University)|Sep 25, 2019

Cognitive Radio Networks and Spectrum Sensing参考文献 111被引用 9

一句话总结

本文追溯了从认知无线电到人工智能驱动的智能通信系统二十年的演进历程，分析了频谱感知、共享及人工智能集成方面的进展。研究提出，人工智能通过更强的泛化能力、预测能力和推理能力，显著提升了认知无线电的性能，从而在复杂的大规模5G及未来网络中实现高效、自适应且可扩展的频谱利用。

ABSTRACT

It has been 20 years since the concept of cognitive radio (CR) was proposed, which is an efficient approach to provide more access opportunities to connect massive wireless devices. To improve the spectrum efficiency, CR enables unlicensed usage of licensed spectrum resources. It has been regarded as the key enabler for intelligent communications. In this article, we will provide an overview on the intelligent communication in the past two decades to illustrate the revolution of its capability from cognition to artificial intelligence (AI). Particularly, this article starts from a comprehensive review of typical spectrum sensing and sharing, followed by the recent achievements on the AI-enabled intelligent radio. Moreover, research challenges in the future intelligent communications will be discussed to show a path to the real deployment of intelligent radio. After witnessing the glorious developments of CR in the past 20 years, we try to provide readers a clear picture on how intelligent radio could be further developed to smartly utilize the limited spectrum resources as well as to optimally configure wireless devices in the future communication systems.

研究动机与目标

• 回顾过去二十年间，从认知无线电（CR）到人工智能赋能系统的智能通信的演进历程。
• 识别传统认知无线电在大规模、动态且异构的5G及未来网络中的关键局限性。
• 分析人工智能如何通过提升学习、预测和推理能力，克服认知无线电的不足之处。
• 突出人工智能驱动通信系统中数据可用性、定制化学习框架及可靠性方面的开放挑战。
• 通过解决技术、治理与实施障碍，为未来智能无线电的部署提供路线图。

提出的方法

• 将感知-行动循环作为无线通信中智能决策的核心框架进行分析。
• 回顾经典频谱感知与共享技术，作为认知无线电的基础组成部分。
• 评估人工智能在感知（例如，从不完整数据中学习环境）和行动（例如，动态资源分配）方面的应用。
• 从泛化能力、预测能力与推理能力的角度，对比认知代理与人工智能代理的差异。
• 提出利用区块链技术实现安全、高效且频繁的次级接入频谱交易管理。
• 倡导使用开放数据集和通信专用学习框架，以提升模型有效性与系统性能。

实验结果

研究问题

• RQ1 过去二十年间，无线系统的能力如何从认知能力演进至人工智能水平？
• RQ2 认知无线电在大规模、动态且异构的5G及未来网络中存在哪些关键局限性？
• RQ3 人工智能在频谱感知、共享与资源分配方面，相较于传统认知无线电，有哪些超越性提升？
• RQ4 在部署人工智能赋能的智能通信系统时，主要挑战是什么，特别是在数据、可靠性与系统设计方面？
• RQ5 如何通过开放数据集与定制化学习框架提升人工智能在通信系统中的性能与公平性？

主要发现

• 人工智能代理在泛化能力方面优于认知代理，即使在环境数据不完整或不准确的情况下，也能实现有效决策。
• 人工智能能够更准确地预测动态无线环境的变化，这对高度可变的5G及未来网络流量模型至关重要。
• 人工智能代理展现出更优越的推理能力，可在无需复杂数学建模的情况下实现接近最优的行动决策。
• 区块链技术的集成为次级接入中频繁发生的微小规模频谱交易提供了可扩展且安全的解决方案。
• 缺乏开放的真实世界通信数据集，制约了智能通信研究中性能评估与模型验证的公平性。
• 现有深度学习框架在通信系统中常表现为“黑箱”行为，亟需开发面向通信场景的专用学习架构以实现最优性能。