[论文解读] A Comprehensive Survey on Spectrum Sharing Techniques for 5G/B5G Intelligent Wireless Networks: Opportunities, Challenges and Future Research Directions

Anita Patil, Sridhar Iyer+5 more|arXiv (Cornell University)|Nov 16, 2022

PAPR reduction in OFDM参考文献 135被引用 13

一句话总结

本文全面综述了5G/后5G（B5G）无线网络中智能频谱共享（SS）技术，整合人工智能（AI）与机器学习（ML），以提升频谱利用率。文章分析了认知无线电、区块链及基于ML的SS方法，识别了动态频谱接入中的关键挑战，并提出了下一代网络中高效、可扩展且智能的频谱管理的未来研究方向。

ABSTRACT

The increasing popularity of Internet of Everything and small-cell devices has enormously accelerated traffic loads. Consequently, increased bandwidth and high data rate requirements stimulate the operation at the millimeter wave and the Tera-Hertz spectrum bands in the fifth generation (5G) and beyond 5G (B5G) wireless networks. Furthermore, efficient spectrum allocation, maximizing the spectrum utilization, achieving efficient spectrum sharing (SS), and managing the spectrum to enhance the system performance remain challenging. To this end, recent studies have implemented artificial intelligence and machine learning techniques, enabling intelligent and efficient spectrum leveraging. However, despite many recent research advances focused on maximizing utilization of the spectrum bands, achieving efficient sharing, allocation, and management of the enormous available spectrum remains challenging. Therefore, the current article acquaints a comprehensive survey on intelligent SS methodologies for 5G and B5G wireless networks, considering the applications of artificial intelligence for efficient SS. Specifically, a thorough overview of SS methodologies is conferred, following which the various spectrum utilization opportunities arising from the existing SS methodologies in intelligent wireless networks are discussed. Subsequently, to highlight critical limitations of the existing methodologies, recent literature on existing SS methodologies is reviewed in detail, classifying them based on the implemented technology, i.e., cognitive radio, machine learning, blockchain, and multiple other techniques. Moreover, the related SS techniques are reviewed to highlight significant challenges in the B5G intelligent wireless network. Finally, to provide an insight into the prospective research avenues, the article is concluded by presenting several potential research directions and proposed solutions.

研究动机与目标

• 应对因物联网（IoT）和小型基站设备激增而带来的5G/B5G网络中对高速率和频谱效率日益增长的需求。
• 识别在毫米波和太赫兹频段中频谱分配、共享与利用方面的关键挑战。
• 回顾现有频谱共享方法，特别是基于人工智能/机器学习、认知无线电和区块链技术的方法。
• 突出当前SS技术的局限性与开放问题，以指导智能无线网络的未来研究。
• 提出未来研究方向，以实现在B5G智能网络中可扩展、自适应且安全的频谱共享。

提出的方法

• 对5G/B5G网络中的频谱共享技术进行系统性文献回顾，重点关注人工智能/机器学习、认知无线电和基于区块链的方法。
• 根据底层技术对现有SS方法进行分类，并评估其性能、可扩展性与适应性。
• 分析人工智能与机器学习在动态频谱接入中的集成，包括强化学习、深度学习和联邦学习在实时决策中的应用。
• 研究区块链在提升频谱共享中安全性与可信度的作用，特别是在去中心化和边缘计算环境中的应用。
• 通过频谱效率、吞吐量和毫米波与太赫兹频段中延迟降低等指标评估频谱利用效率。
• 综合研究发现，识别研究空白，并提出面向智能、自适应与安全频谱共享框架的未来研究方向。

实验结果

研究问题

• RQ1 人工智能与机器学习技术如何提升5G/B5G网络中频谱共享的效率？
• RQ2 当前频谱共享方法在可扩展性、安全性和实时适应性方面存在哪些主要局限？
• RQ3 如何有效将认知无线电与区块链技术集成到智能频谱共享框架中？
• RQ4 在毫米波与太赫兹频段实现高效频谱利用面临的主要挑战是什么？
• RQ5 在B5G网络中，哪些未来研究方向最有可能实现智能、可扩展且安全的频谱共享？

主要发现

• 基于人工智能与机器学习的频谱共享技术显著提升了动态5G/B5G环境中频谱效率与适应性。
• 基于认知无线电的方法可实现动态频谱接入，但在感知精度与干扰管理方面仍面临挑战。
• 基于区块链的频谱共享提升了去中心化网络中的信任与安全性，但引入了延迟与计算开销。
• 毫米波与太赫兹频段可提供高速率，但需先进波束成形与移动性管理以实现可靠接入。
• 结合人工智能、区块链与认知无线电的混合方法在下一代网络中展现出可扩展与安全频谱共享的潜力。
• 未来研究应聚焦于联邦学习在隐私保护频谱决策中的应用，以及跨层优化以实现端到端性能提升。