[论文解读] 6G Massive Radio Access Networks: Key Issues, Technologies, and Future Challenges

Ying Loong Lee, Donghong Qin+3 more|arXiv (Cornell University)|Oct 23, 2019

Advanced Wireless Communication Technologies参考文献 14被引用 5

一句话总结

本文研究了6G大规模无线接入网（RAN）的关键挑战与使能技术，重点关注灵活性、大规模连接性和能效。提出基于人工智能的解决方案——特别是深度强化学习与分布式边缘/云人工智能——以优化超密集、高移动性环境下的网络切片、波束成形、功率分配及能量采集。

ABSTRACT

Driven by the emerging use cases in massive access future networks, there is a need for technological advancements and evolutions for wireless communications beyond the fifth-generation (5G) networks. In particular, we envisage the upcoming sixth-generation (6G) networks to consist of numerous devices demanding extremely high-performance interconnections even under strenuous scenarios such as diverse mobility, extreme density, and dynamic environment. To cater for such a demand, investigation on flexible and sustainable radio access network (RAN) techniques capable of supporting highly diverse requirements and massive connectivity is of utmost importance. To this end, this paper first outlines the key driving applications for 6G, including smart city and factory, which trigger the transformation of existing RAN techniques. We then examine and provide in-depth discussions on several critical performance requirements (i.e., the level of flexibility, the support for massive interconnectivity, and energy efficiency), issues, enabling technologies, and challenges in designing 6G massive RANs. We conclude the article by providing several artificial-intelligence-based approaches to overcome future challenges.

研究动机与目标

• 识别并分析推动6G无线接入网络范式转变的关键应用，如智慧城市、智能产业以及深空/空间通信等。
• 研究6G RAN的关键性能需求，包括灵活性、大规模互连性与能效，并识别阻碍其落地的技术问题。
• 在超密集6G网络背景下，研究网络切片、基站协作、非正交多址（NOMA）、大规模MIMO及射频能量采集等使能技术。
• 解决大规模RAN优化问题的计算复杂性，并提出基于人工智能的可扩展、可持续6G RAN设计解决方案。

提出的方法

• 提出一种混合人工智能架构，结合基于云与边缘的人工智能，联合优化网络切片，包括逻辑RAN功能部署与OFDM参数配置选择。
• 应用深度强化学习以学习最优网络切片分配策略，在动态、高维的RAN环境中表现优于贪婪算法。
• 提出一种分布式人工智能框架用于能量采集，使每个网络节点能够自主调节发射功率，以平衡干扰与能量采集。
• 利用人工智能求解mMIMO-NOMA系统中的复杂优化问题，包括云端的协作基站选择与边缘用户簇内的功率分配。
• 将SWIPT（同时无线信息与能量传输）中的吞吐量-干扰权衡问题建模为多目标优化问题，提出分布式次优人工智能解决方案。
• 考虑用户移动性、信道状态与载波频率（毫米波/太赫兹）等动态网络参数，以构建真实的超密集RAN场景。

实验结果

研究问题

• RQ1 在6G大规模RAN中，如何优化网络切片以支持多样化的服务质量（QoS）需求，同时将计算开销降至最低？
• RQ2 在超密集6G网络中，实现大规模连接性与能效的关键挑战是什么？又该如何应对？
• RQ3 如何在云与边缘节点之间有效部署人工智能，以解决大规模、动态的RAN优化问题？
• RQ4 在SWIPT支持的6G网络中，吞吐量与干扰之间的权衡关系本质为何？在高移动性、高密度场景下应如何管理？
• RQ5 如何优化mMIMO-NOMA与基站协作，以在6G RAN中实现性能与能效的双重提升？

主要发现

• 深度强化学习在大规模RAN中优化网络切片分配时，收敛速度更快且性能优于贪婪算法。
• 分布式边缘人工智能使各节点能够自主调节发射功率，以平衡干扰与能量采集，从而提升频谱与能量效率。
• 云与边缘人工智能的融合可实现对复杂RAN功能（如OFDM参数配置选择与基站协作）的可扩展优化。
• SWIPT中的吞吐量-干扰权衡是多目标问题，在超密集网络中传统方法难以求解，必须依赖基于人工智能的次优解法。
• 通过人工智能优化波束成形与功率分配的mMIMO-NOMA技术，显著提升了频谱效率，并支持6G RAN中的高用户密度。
• 在密集且动态的网络拓扑中，仅通过智能、分布式控制机制才能实现6G网络中的能量采集。