[论文解读] A Survey of Machine Learning Algorithms for 6G Wireless Networks

Anita Patil, Sridhar Iyer+1 more|arXiv (Cornell University)|Mar 16, 2022

Software-Defined Networks and 5G被引用 5

一句话总结

本综述回顾了专为6G无线网络设计的机器学习（ML）算法，强调其在降低运营成本、提升网络性能以及实现动态网络切片和边缘人工智能等先进功能方面的作用。文章概述了关键的ML技术、其在6G架构中的集成方式，并指出了在可扩展性、实时适应性和跨层优化方面的重要开放研究挑战。

ABSTRACT

The primary focus of Artificial Intelligence/Machine Learning (AI/ML) integration within the wireless technology is to reduce capital expenditures, optimize network performance, and build new revenue streams. Replacing traditional algorithms with deep learning AI techniques have dramatically reduced the power consumption and improved the system performance. Further, implementation of ML algorithms also enables the wireless network service providers to (i) offer high automation levels from distributed AI/ML architectures applicable at the network edge, (ii) implement application-based traffic steering across the access networks, (iii) enable dynamic network slicing for addressing different scenarios with varying quality of service requirements, and (iv) enable ubiquitous connectivity across the various 6G communication platforms. In this chapter, we review/survey the ML techniques which are applicable to the 6G wireless networks. and also list the open problems of research which require timely solutions.

研究动机与目标

• 分析适用于6G无线网络的最先进机器学习技术。
• 识别机器学习如何实现高自动化、动态网络切片以及6G中的智能流量引导。
• 研究分布式人工智能/机器学习在网络边缘的作用，以支持低时延、可扩展的6G运营。
• 突出在6G中集成机器学习时存在的开放研究问题，包括实时适应性和跨层设计。
• 提供下一代无线系统中基于机器学习的性能优化与能效提升的全面概述。

提出的方法

• 系统性回顾与6G网络功能相关的机器学习算法，包括深度学习、强化学习和联邦学习。
• 按网络层级和功能对机器学习应用进行分类，如资源分配、波束成形和移动性管理。
• 分析基于边缘的AI/ML架构，以实现去中心化决策和低时延处理。
• 评估用于动态网络切片的机器学习技术，以满足6G应用场景中多样化的QoS需求。
• 将机器学习技术映射到6G通信平台，包括太赫兹频段和集成感知-计算系统。
• 通过批判性评估现有文献和实施约束，识别技术空白与研究挑战。

实验结果

研究问题

• RQ1 哪些机器学习算法在优化6G网络性能和降低能耗方面最为有效？
• RQ2 分布式和基于边缘的机器学习架构如何支持6G网络中的实时、低时延决策？
• RQ3 机器学习在何种方式下可支持动态网络切片，以满足异构6G服务中多样化的QoS需求？
• RQ4 在6G平台（包括太赫兹和集成感知网络）中实现普遍连接时，部署机器学习面临哪些关键挑战？
• RQ5 在扩展性、安全性和标准化方面，6G部署中基于机器学习的解决方案仍存在哪些开放研究问题？

主要发现

• 与传统算法相比，深度学习技术显著降低了6G网络中的功耗并提升了系统性能。
• 在网络边缘部署的分布式AI/ML架构支持高度自动化，并满足6G中低时延应用的需求。
• 基于机器学习的流量引导可实现6G环境中异构接入网络间高效的应用感知路由。
• 由机器学习驱动的动态网络切片可实现根据不同服务质量要求自适应分配资源。
• 通过机器学习驱动的无线接入与回传集成优化，6G平台的普遍连接能力得到增强。
• 关键的开放研究问题包括边缘机器学习的可扩展性、实时模型适应性以及端到端6G智能的跨层设计。