5G通信網(wǎng)絡(luò)是什么？
5G（5-th generation），指第五代移動通信系統(tǒng)。目前隨著5G技術(shù)的蓬勃發(fā)展，移動通信將在速率、延遲、能耗、成本等等方面迎來新的一輪迭代，由量變帶來質(zhì)變，預(yù)計催生出新一批基于無線通信網(wǎng)絡(luò)發(fā)展的新興應(yīng)用和產(chǎn)業(yè)。
平日接入即用的通信網(wǎng)絡(luò)需要優(yōu)化嗎？
無線蜂窩網(wǎng)絡(luò)由大量的無線基站構(gòu)成，每個基站覆蓋若干個無線小區(qū)，為區(qū)域內(nèi)用戶提供通信服務(wù)；而基站的服務(wù)范圍、信號強(qiáng)度、天線設(shè)置等等，對通信質(zhì)量和用戶體驗有巨大影響?，F(xiàn)實環(huán)境中，由于不同基站的周邊環(huán)境（諸如地形、建筑物分布、用戶分布和移動軌跡、以及用戶業(yè)務(wù)需求等）往往不同，每個站點均需要針對自身無線環(huán)境進(jìn)行專門優(yōu)化，來保證良好的用戶體驗。
無線基站
傳統(tǒng)的優(yōu)化方法需要依賴人工經(jīng)驗，由經(jīng)驗豐富的網(wǎng)絡(luò)工程師對每個站點的大量的高維話務(wù)統(tǒng)計數(shù)據(jù)進(jìn)行監(jiān)測，分析和問題定位，根據(jù)多年積累下來的專家經(jīng)驗制定無線網(wǎng)絡(luò)優(yōu)化方案。而真實的網(wǎng)絡(luò)中，一個城市可能有成千上萬個基站，如果完全依賴人工優(yōu)化，人力和時間成本異常高昂，同時由于人工經(jīng)驗只能覆蓋部分參數(shù)，因此優(yōu)化效果難以保證。
諾亞實驗室聯(lián)合無線產(chǎn)品線研發(fā)的無線網(wǎng)絡(luò)智能優(yōu)化方案旨在幫助運(yùn)營商解決這一痛點。該系統(tǒng)基于數(shù)據(jù)驅(qū)動，采用黑盒優(yōu)化、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等算法，可自動感知不同基站的無線環(huán)境，并自適應(yīng)地對基站進(jìn)行優(yōu)化，可在短時間內(nèi)同時優(yōu)化上千個基站，有效提高網(wǎng)絡(luò)服務(wù)的質(zhì)量,顯著提升網(wǎng)絡(luò)運(yùn)維的效率，幫助運(yùn)營商節(jié)省運(yùn)維成本。
如何優(yōu)化無線通信網(wǎng)絡(luò)？
通常運(yùn)營商會利用多種指標(biāo)來評估網(wǎng)絡(luò)的服務(wù)質(zhì)量和用戶體驗，例如平均用戶速率、邊緣用戶速率、掉話率、傳輸時延等等，而這些指標(biāo)和無線網(wǎng)絡(luò)的參數(shù)配置有著緊密關(guān)系。每個無線小區(qū)有成百上千個參數(shù)可以控制調(diào)整，這些參數(shù)涉及到無線小區(qū)的多種功能控制，例如天線控制、小區(qū)間用戶切換、無線資源調(diào)度等等。這些參數(shù)是否配置合理，直接影響到無線網(wǎng)絡(luò)質(zhì)量及用戶體驗。我們通過下文若干例子幫助讀者理解參數(shù)的機(jī)理和重要性：
a)調(diào)度類參數(shù)
當(dāng)大量用戶接入無線小區(qū)時，小區(qū)需要將無線資源在多用戶間進(jìn)行分配，這個過程稱為無線空口資源的調(diào)度。調(diào)度策略通常涉及多種算法，例如用戶信道估計、多用戶公平性、功率控制等等。這些算法有大量可配置的參數(shù)，例如信道質(zhì)量更新步長、公平因子、用戶最大傳輸功率等，需要針對不同場景進(jìn)行自適應(yīng)優(yōu)化配置。
b)切換類參數(shù)
切換指的是將某個用戶的連接由當(dāng)前小區(qū)變換為另一小區(qū)的操作。當(dāng)用戶在不同區(qū)域間移動，或是不同小區(qū)負(fù)載不均衡時，需要對用戶進(jìn)行切換，將用戶的連接關(guān)系轉(zhuǎn)移到信號更好、或者是資源較為空閑的小區(qū)，從而實現(xiàn)無線網(wǎng)絡(luò)多小區(qū)間的負(fù)載均衡，提高無線資源利用效率和用戶體驗。切換類參數(shù)控制著切換流程，例如用戶發(fā)起切換的時機(jī)、待切換用戶的選擇標(biāo)準(zhǔn)、如何決定目標(biāo)切換小區(qū)等等。如果切換參數(shù)設(shè)置不合理，可能會導(dǎo)致用戶過早或過晚進(jìn)行切換，甚至出現(xiàn)掉話，嚴(yán)重影響用戶在小區(qū)邊緣位置的使用體驗。
c)射頻類參數(shù)
相比傳統(tǒng)的天線，5GMassive-MIMO設(shè)備具備3D賦形能力，可以靈活調(diào)整各天線陣子的權(quán)值（功率和相位），顯著提高系統(tǒng)的波束指向準(zhǔn)確性，將信號強(qiáng)度集中于特定指向區(qū)域和特定用戶群，在增強(qiáng)用戶信號的同時可以顯著降低小區(qū)內(nèi)干擾和鄰區(qū)干擾，進(jìn)而影響用戶在多小區(qū)之間的服務(wù)切換及其服務(wù)體驗速率。目前對信號覆蓋與用戶速率調(diào)整較為重要的工程參數(shù)（工參）包括：天線陣子朝向、位置、功率等的設(shè)定參數(shù)（如水平及垂直朝向、天線高度、發(fā)射功率等）。
（左）部分射頻類參數(shù)；（右）5G Massive MIMO 3D波束賦形
可以舉個參數(shù)優(yōu)化的具體例子嗎？
以控制用戶在小區(qū)間切換的MRO參數(shù)為例：在一次通信過程中，用戶可能隨時會發(fā)生位置移動，從當(dāng)前小區(qū)覆蓋范圍移動到其它小區(qū)。為了保障用戶的通信順暢，通信鏈路的同頻無縫切換是由多個參數(shù)控制的重要步驟。簡單而言，用戶終端移動時會每隔一段時間會測量一次附近小區(qū)的接收信號強(qiáng)度，并發(fā)送A3測量報告至當(dāng)前服務(wù)小區(qū)。當(dāng)測量的無線信號強(qiáng)度滿足A3進(jìn)入條件并持續(xù)一段時間（TimeToTrig）后，當(dāng)前服務(wù)小區(qū)會與目標(biāo)切換小區(qū)進(jìn)行切換協(xié)調(diào)工作，并通過返回切換指令，使得當(dāng)前用戶終端的連接遷移至新的目標(biāo)小區(qū)。其中，關(guān)鍵的A3進(jìn)入條件定義如下：
這里，和表示服務(wù)小區(qū)和鄰區(qū)的信號測量結(jié)果，和是服務(wù)小區(qū)和鄰區(qū)的頻率偏置，而、則代表服務(wù)小區(qū)、E-UTRAN鄰區(qū)的小區(qū)特定偏置CIO。此外，表示測量結(jié)果的偏置，表示測量結(jié)果的遲滯值，表示持續(xù)滿足A3事件進(jìn)入條件的時長。這些參數(shù)共同決定了用戶終端在多小區(qū)間的移動過程，同樣也定義每個小區(qū)的服務(wù)區(qū)域大小。通過精準(zhǔn)地調(diào)整這些參數(shù)，我們可以減少小區(qū)間切換失敗/乒乓等問題，同時實現(xiàn)小區(qū)間負(fù)載均衡，提升小區(qū)的資源利用率，優(yōu)化服務(wù)性能。
小區(qū)間用戶切換
參數(shù)優(yōu)化有什么難點？
將AI技術(shù)應(yīng)用到無線網(wǎng)絡(luò)，對提升用戶體驗和運(yùn)營商運(yùn)維效率有重大價值，然而這項工作面臨著如下諸多挑戰(zhàn)：
a)缺乏歷史調(diào)整數(shù)據(jù)（冷啟動）：
由于參數(shù)優(yōu)化本身的挑戰(zhàn)性，現(xiàn)實場景中無線小區(qū)的參數(shù)大部分都是默認(rèn)配置，或者是統(tǒng)一的經(jīng)驗配置值，缺乏差異化的歷史調(diào)整數(shù)據(jù)；即使某些場景可以構(gòu)造仿真環(huán)境，但仿真環(huán)境往往同現(xiàn)實網(wǎng)絡(luò)相距甚遠(yuǎn)，難以用于離線學(xué)習(xí)較優(yōu)的優(yōu)化策略。因此無線網(wǎng)絡(luò)的參數(shù)優(yōu)化通常需要在現(xiàn)網(wǎng)探索不同參數(shù)配置并收集網(wǎng)絡(luò)性能反饋數(shù)據(jù)，通過不斷地迭代學(xué)習(xí)，收斂到到最優(yōu)的參數(shù)配置策略。
b)尋優(yōu)空間大，探索次數(shù)少
現(xiàn)網(wǎng)在線探索可能對運(yùn)營商網(wǎng)絡(luò)的安全穩(wěn)定運(yùn)行帶來一定風(fēng)險，同時也可能會與其他網(wǎng)絡(luò)升級和維護(hù)等操作產(chǎn)生沖突。因此實際操作中，每個小區(qū)可探索不同參數(shù)配置的機(jī)會非常有限（5~10次）。
另一方面，每個無線小區(qū)有大量可配置的參數(shù)（400+），而每個參數(shù)可能的取值空間從10到幾十不等。眾多參數(shù)配置聯(lián)合尋優(yōu)空間非常巨大，這對算法如何利用極少的探索機(jī)會進(jìn)行高效學(xué)習(xí)提出了巨大挑戰(zhàn)。
c)小區(qū)間協(xié)同優(yōu)化
單個小區(qū)的參數(shù)配置不僅會影響自己的性能，也可能對相鄰小區(qū)產(chǎn)生影響。例如在優(yōu)化切換類參數(shù)時，單個小區(qū)會吸收或者釋放用戶，從而影響與相鄰小區(qū)的負(fù)載分配，進(jìn)而對用戶體驗速率產(chǎn)生影響。在對整個網(wǎng)絡(luò)進(jìn)行參數(shù)優(yōu)化時，需要使小區(qū)間的參數(shù)配置相互協(xié)調(diào)，從而使得整網(wǎng)的性能最大化。
d)網(wǎng)絡(luò)波動巨大，參數(shù)增益相對較小
無線網(wǎng)絡(luò)的性能指標(biāo)受到外界環(huán)境因素（如人群密度、用戶業(yè)務(wù)需求等）的巨大影響。然而外界環(huán)境通常存在著劇烈波動，并且有很多難以觀測的隱變量（如網(wǎng)絡(luò)升級、大型展會等等）。參數(shù)優(yōu)化所能帶來的增益相對于外界環(huán)境的影響較小，容易被強(qiáng)烈的波動信號所淹沒。因此在進(jìn)行參數(shù)優(yōu)化時，需要算法對參數(shù)的作用具有敏感性，能夠從巨大的噪聲之中檢測到參數(shù)對性能目標(biāo)的影響。
人工智能如何應(yīng)用于無線網(wǎng)絡(luò)參數(shù)優(yōu)化？
如前文所述，無線網(wǎng)絡(luò)的參數(shù)繁雜多樣，不同場景、不同參數(shù)面臨的問題往往也大相徑庭。針對上述諸多挑戰(zhàn)，華為諾亞方舟實驗室網(wǎng)絡(luò)大腦團(tuán)隊聯(lián)合無線產(chǎn)品線探索研究出了一套無線網(wǎng)絡(luò)多頻段多對象多參數(shù)優(yōu)化框架。該方案已經(jīng)在全球多個主流運(yùn)營商局點進(jìn)行了大規(guī)模驗證，優(yōu)化效果顯著，獲得客戶的高度肯定。
該框架的大致運(yùn)作流程是：通過網(wǎng)管系統(tǒng)下發(fā)各個無線小區(qū)的差異化參數(shù)配置值，同時收集每個小區(qū)小時級的話務(wù)統(tǒng)計數(shù)據(jù)，包括小區(qū)用戶數(shù)、信道質(zhì)量、用戶平均速率等等，這些小時級的話務(wù)統(tǒng)計數(shù)據(jù)用于表征無線小區(qū)的實時狀態(tài)。采集的數(shù)據(jù)被用來建立網(wǎng)絡(luò)級或者小區(qū)級模型，并基于模型在動作空間中進(jìn)行采樣/尋優(yōu)來決定每個小區(qū)的推薦參數(shù)值。
參數(shù)優(yōu)化流程
主要技術(shù)舉例
a)多小區(qū)聯(lián)合學(xué)習(xí)
實際應(yīng)用場景中，參數(shù)尋優(yōu)空間巨大，而每個小區(qū)的探索次數(shù)非常有限，無法僅僅利用自身的數(shù)據(jù)學(xué)習(xí)到精確的模型。因此小區(qū)間需要進(jìn)行經(jīng)驗共享，利用其他小區(qū)的探索數(shù)據(jù)加快學(xué)習(xí)效率。由于不同小區(qū)之間既有共性，同時也存在差異性，因此在建模時需要綜合考慮。我們的無線多小區(qū)聯(lián)合學(xué)習(xí)框架，利用所有小區(qū)的數(shù)據(jù)學(xué)習(xí)公共模型，體現(xiàn)小區(qū)間共有的行為模式，同時利用各個小區(qū)自身的數(shù)據(jù)學(xué)習(xí)個性化模型，并將兩者結(jié)合到一起，實現(xiàn)小區(qū)之間的經(jīng)驗共享。
多小區(qū)聯(lián)合學(xué)習(xí)框架
b)元強(qiáng)化學(xué)習(xí)
現(xiàn)實的網(wǎng)絡(luò)場景復(fù)雜多變，難以通過一套模型描述多數(shù)現(xiàn)實網(wǎng)絡(luò)可能遇到的場景，因此純粹基于大數(shù)據(jù)的建模往往缺乏可遷移性，難以滿足現(xiàn)網(wǎng)“快準(zhǔn)省”的優(yōu)化需求。貝葉斯優(yōu)化可以足夠快、對樣本的需求也較少，但實際場景中零散、稀疏、不平滑且缺乏規(guī)律的狀態(tài)-動作-獎勵空間對它并不友好。因此我們參考業(yè)界經(jīng)典的HyperNetwork的思想，設(shè)計了一套元強(qiáng)化學(xué)習(xí)的方法，讓神經(jīng)網(wǎng)絡(luò)從其與多個貝葉斯優(yōu)化合作的過程中學(xué)習(xí)，旨在尋得一套更有利于貝葉斯優(yōu)化的狀態(tài)-動作空間編碼方案，提升其在現(xiàn)網(wǎng)的優(yōu)化效果。
結(jié)合貝葉斯優(yōu)化的元強(qiáng)化學(xué)習(xí)框架
c)多小區(qū)間復(fù)雜交互建模
5G網(wǎng)絡(luò)無線小區(qū)的覆蓋范圍有大量的重疊，導(dǎo)致小區(qū)間存在復(fù)雜的相互作用。并且，其控制參數(shù)之間也存在著復(fù)雜的耦合關(guān)系。另外，為了更好的適應(yīng)城市的地理環(huán)境和業(yè)務(wù)需求，無線網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)往往是不規(guī)則的，小區(qū)間的交互關(guān)系錯綜復(fù)雜，且隨著時間會發(fā)生變化（比如：新增站點、更改信號方向/強(qiáng)弱等）。為了更好地提升整網(wǎng)的性能，實現(xiàn)多小區(qū)/多參數(shù)間的協(xié)同優(yōu)化，我們采用基于圖的方法對小區(qū)/參數(shù)間的復(fù)雜交互關(guān)系進(jìn)行建模。通過我們自主設(shè)計的Edge-GCN模型，我們同時在節(jié)點和邊上進(jìn)行圖卷積操作，實現(xiàn)多小區(qū)間的信息傳遞與聚合，從而實現(xiàn)對復(fù)雜交互關(guān)系的學(xué)習(xí)。
基于圖的無線小區(qū)復(fù)雜交互建模
說了這么多，有實際效果嗎？
效果顯著！諾亞實驗室的無線參數(shù)智能優(yōu)化方案已經(jīng)在全球多個局點進(jìn)行了驗證，無線網(wǎng)絡(luò)性能在優(yōu)化后均取得顯著提升，大大提高了網(wǎng)絡(luò)優(yōu)化效率和質(zhì)量。
我們利用算法對某局點中約2000個小區(qū)的多個參數(shù)進(jìn)行為期一周的優(yōu)化，優(yōu)化目標(biāo)是減少網(wǎng)絡(luò)中低速率用戶比例。對比優(yōu)化前后網(wǎng)絡(luò)中低速小區(qū)（小區(qū)中低速用戶占比10%以上）的占比可以發(fā)現(xiàn)，優(yōu)化后網(wǎng)絡(luò)中低速小區(qū)的占比有顯著下降。
優(yōu)化前后低速/正常小區(qū)占比
觀察網(wǎng)絡(luò)的用戶平均下行速率和低速率用戶百分比可以發(fā)現(xiàn)，在開始優(yōu)化后，用戶平均下行速率有了顯著提升，而低速率用戶百分比則有明顯下降。另一方面，網(wǎng)絡(luò)的其他關(guān)鍵KPI（如用戶接入成功率和切換成功率等）則保持穩(wěn)定，沒有受到參數(shù)調(diào)整的影響。
（上）低速率用戶百分比和用戶平均下行速率；（下）用戶接入成功率和切換成功率
每一個接入即用、五格滿信號的無線網(wǎng)絡(luò)背后，都離不開一個成功的“千手觀音”。
