解决方案:【论文】物联网与6G | 意图驱动的6G无线接入网络

　　解决方案:【论文】物联网与6G | 意图驱动的6G无线接入网络

　　意图驱动的 6G *敏*感*词*接入网络

　　周阳城,严石,彭木根

　　北京邮电大学 北京 100876

　　概括：

　　为满足未来物联网全频谱、全场景、全业务的组网需求，降低组网成本和人力投入，提升无线接入网络的智能化，业界提出了意向驱动的 6G 无线接入网络 (ID-RAN)。，意图驱动的*敏*感*词*接入网络）。ID-RAN基于人工智能、网络功能虚拟化、软件定义网络等技术。它可以将用户或运营商在网络上所期望的业务、性能、组网“意图”转化为实际的组网策略，从而实现网络融合。高效、灵活且可重新配置。首先概述了ID-RAN的架构，然后是意图翻译、冲突解决、

　　关键词：6G；意图驱动的*敏*感*词*接入网络；人工智能; 硬件平台

　　1 引言 近年来，随着5G、人工智能（AI、人工智能）和大数据技术的不断创新，智能移动物联网业务的兴起和快速发展，引发了新一轮的信息技术革命浪潮。对海量业务数据的即时获取、分析和交换的需求越来越大。为了支持海量连接场景下多种类型终端的差异化服务质量，5G引入了多种无线接入技术和网络管理策略。随着网络标准和频段的演进，移动网络形态多样化、异构化，网络运维的复杂度和运营成本也随之增加。随着第一份6G报告的发布，我国陆续启动了6G研究工作。6G报告指出：“数字孪生、智能无处不在”的网络发展愿景，期望结合人工智能等技术的发展，满足人们对高性能网络日益增长的需求，实现智能互联和行业数字化转型。然而，现有的商业无线网络具有大量可配置的无线参数。面对海量设备接入和快速变化的业务需求，传统以设备为中心的人工运维模式在成本、性能保障、用户服务等方面难以为继。质量难满足，迫切需要更加灵活简洁的智能无线接入网络，以适应未来物联网智能业务的高度不确定性。人工智能作为6G的重要使能技术，已经进入第三次发展浪潮。云计算、大数据、芯片计算等技术的日益进步和工业生产的智能化需求，正在推动人机交互方式的变革。人工智能已经成为当前行业数字化转型的重要驱动力。芯片计算等技术和工业生产的智能化需求正在推动人机交互方式的变革。人工智能已经成为当前行业数字化转型的重要驱动力。芯片计算等技术和工业生产的智能化需求正在推动人机交互方式的变革。人工智能已经成为当前行业数字化转型的重要驱动力。

　　无线网络的时变动态特性为AI模型的构建提供了庞大的数据样本，异构资源和多站点云场景的协同也为实时计算提供了充足的计算能力。 AI模型。目前，人工智能已初步应用于应对无线网络媒体访问控制层的资源管理、网络层的移动性管理、应用层的用户定位等挑战，并展*敏*感*词*会北向接口工作组主席Daivd Lenrow于2015年提出的。他指出，在所谓的意图模式中，智能软件（如 SDN 控制器）将决定如何将意图转化为特定于基础设施的配置手段，以使网络以期望的方式运行。IDN的构成如图1所示，借助AI，IDN可以实现意图翻译与验证、自动部署配置、网络状态检测与准确预测、动态配置优化与修复等，自主驱动全生命周期通过用户意图管理实现网络自动化，极大地提高了网络运维效率和响应业务变化的速度，在面对不断更新的用户需求和瞬息万变的无线环境时表现出可观的性能优势。然而，

　　图 1 IDN 构成

　　为了使6G在各方面性能较5G有显着提升，6G需要采用全频谱、全场景、全业务、全通量的无线组网，IDN从核心网向无线网演进，即构建ID-RAN。主要优势包括： 1）能够准确识别物联网场景下多类型终端用户的服务意图，实现多维度感知感知需求；2) 可将用户的运维、业务、用户性能等需求转化为无线网络配置、运维 3) 通过采集

网络运维和性能数据，利用AI，实时感知用户体验和网络性能，大数据等技术预测无线网络和用户性能，在减少运维的同时降低成本，提高网络健壮性，保证网络性能。因此，面对6G的海量连接和更高的性能要求，ID-RAN具有广阔的应用前景，同时也面临着系统架构、关键技术、性能展示等诸多挑战。2 ID-RAN架构 ID-RAN能够适应不同的网络配置方式和物理层传输技术，满足6G物联网时代海量连接、超低时延、超大带宽等组网需求。ID-RAN系统架构如图2所示，其中ID-RAN通过五个功能模块处理接收到的无线意图：意图翻译，冲突解决、网络编排、配置激活和策略优化。意图驱动无线网络控制器（ID-RNC，intent-driven radio network controller）负责集中管理从无线意图翻译到优化的所有功能模块的运行过程，包括接入网中的运维数据，无线传输 采集数据和终端测量报告，下发网络配置指令和网络优化指令等 ID-RNC可部署在集中云、基站控制器和具有网管功能的宏基站。在雾基站（F-RRU、

　　图2 ID-RAN系统架构

　　在每个意图周期的初始阶段，ID-RAN的意图翻译模块根据接入网络的意图类型，结合每个意图对网络性能和组网的要求，生成网络配置需求。意图翻译模块根据数据采集处理器通过大数据探头获取的无线网络运维数据、终端测量报告和基站上传的无线传输数据，捕获来自移动运营商或运营商的无线意图。运维经理。具体来说，无线网络中的意图主要包括三种类型：联网意图、业务意图和性能意图。1）联网意向：指运维管理人员设置或改变物理设施配置方案的意愿，包括无线网络接入方式和网络资源管理方案的配置、优化和故障恢复；2）商业意图：指无线网络可以为终端用户提供的服务种类；3）性能意图：指用户对某项关键性能指标的预期阈值。意图翻译模块中的组网意图输出的配置要求通过网管设备的控制指令呈现。对于业务意图和性能意图，可以对网络配置要求进行数学建模，以意图中期望最大化（或最小化）的关键性能指标为优化目标，以组网过程中需要考虑的资源容量上限为约束。根据网络性能需求类型，可配置广域无缝覆盖、大容量热点、大连接低功耗、低时延高可靠四种典型应用场景。ID-RNC中的意图翻译模块作为与意图驱动核心网（ID-CN，intent-driven core network）的接口，位于无线接入网的最高层。它可以单独作为一个新的协议层，也可以嵌入到现有网络层的上层。以及组网过程中需要考虑的资源容量上限作为约束。根据网络性能需求类型，可配置广域无缝覆盖、大容量热点、大连接低功耗、低时延高可靠四种典型应用场景。ID-RNC中的意图翻译模块作为与意图驱动核心网（ID-CN，intent-driven core network）的接口，位于无线接入网的最高层。它可以单独作为一个新的协议层，也可以嵌入到现有网络层的上层。以及组网过程中需要考虑的资源容量上限作为约束。根据网络性能需求类型，可配置广域无缝覆盖、大容量热点、大连接低功耗、低时延高可靠四种典型应用场景。ID-RNC中的意图翻译模块作为与意图驱动核心网（ID-CN，intent-driven core network）的接口，位于无线接入网的最高层。它可以单独作为一个新的协议层，也可以嵌入到现有网络层的上层。根据网络性能需求类型，可配置广域无缝覆盖、大容量热点、大连接低功耗、低时延高可靠四种典型应用场景。ID-RNC中的意图翻译模块作为与意图驱动核心网（ID-CN，intent-driven core network）的接口，位于无线接入网的最高层。它可以单独作为一个新的协议层，也可以嵌入到现有网络层的上层。根据网络性能需求类型，可配置广域无缝覆盖、大容量热点、大连接低功耗、低时延高可靠四种典型应用场景。ID-RNC中的意图翻译模块作为与意图驱动核心网（ID-CN，intent-driven core network）的接口，位于无线接入网的最高层。它可以单独作为一个新的协议层，也可以嵌入到现有网络层的上层。意图驱动的核心网络），位于无线接入网络的最高层。它可以单独作为一个新的协议层，也可以嵌入到现有网络层的上层。意图驱动的核心网络），位于无线接入网络的最高层。它可以单独作为一个新的协议层，也可以嵌入到现有网络层的上层。

　　对于无线意图的捕捉，除了采用大数据分析方法外，还可以将XML（可扩展标记语言）、领域特定语言（DSL，domain specification language）等数据格式以图形化用户界面的形式展现，或直接表达使用标准机器语言进行物理设备配置。冲突解决模块根据ID-RAN意图翻译模块输出的网络配置需求，根据网络配置需求的意图类型，确定相应意图从配置需求进入网络编排流程的顺序，并解决相同意图类型的配置之间共享网络资源的冲突。不同intent类型之间的冲突可以按照预设的intent处理优先顺序进行处理。组网意向基于专家系统根据整体网络运行规范下达的网络配置设置或调整要求，优先级最高；性能意图是满足用户服务水平和满足未来业务发展的性能需求，优先级居中；业务意图是为了使网络能够为用户提供定制服务而添加到网络中的业务需求具有最低的优先级。在确定了多类intent对应的配置需求进入网络编排的顺序后，针对同一类intent的冲突问题，可以采用多目标联合优化的方法来协调资源的调度，使网络在资源有限的情况下满足多种需求。请求的意图。ID-RAN网络编排模块结合数据采集器获取的无线传输数据和终端测量报告评估当前网络现有配置的性能状态，结合冲突解决输出的配置语句的实例化顺序模块来确定网络的原创

配置。保留、优化或修剪操作。请求的意图。ID-RAN网络编排模块结合数据采集器获取的无线传输数据和终端测量报告评估当前网络现有配置的性能状态，结合冲突解决输出的配置语句的实例化顺序模块来确定网络的原创

配置。保留、优化或修剪操作。请求的意图。ID-RAN网络编排模块结合数据采集器获取的无线传输数据和终端测量报告评估当前网络现有配置的性能状态，结合冲突解决输出的配置语句的实例化顺序模块来确定网络的原创

配置。保留、优化或修剪操作。结合冲突解决模块输出的配置语句的实例化顺序，确定网络的原创

配置。保留、优化或修剪操作。结合冲突解决模块输出的配置语句的实例化顺序，确定网络的原创

配置。保留、优化或修剪操作。

　　性能评估运算是指基于实时无线传输数据，利用卷积神经网络（CNN，convolutional neural network）和递归神经网络（RNN，recurrent neural network）等算法，提取测量数据的时空特征和终端测量数据。无线传输数据、终端测量数据和网络性能状态之间的映射关系得到当前网络性能水平。然后，将网络当前的性能水平与每个意图分析的意图翻译模块获得的性能要求进行比较。如果网络当前的性能水平满足意图的性能要求，然后保留这部分网络配置，避免频繁更新网络配置带来的复杂操作。和性能抖动；如果网络当前性能水平与预期性能要求的差异在一定范围内，则根据配置语句对当前网络进行优化操作。否则，删除网络中已有的配置，释放相关网络资源，并根据冲突解决模块确定的配置语句的实例化顺序依次为每个意图制定匹配的网络策略。根据各个intent的配置语句和历史网络配置经验，

　　

" />

　　多模资源包括无线资源、缓存资源和计算资源。无线资源包括时域、频域、码域、空域和电域资源。缓存资源包括可用存储空间、文件内容和缓存替换内容。计算资源包括节点本地数据处理能力、使用的机器学习算法以及支持机器学习模型训练的数据计算能力。在ID-RAN执行过程中，数据采集处理器会周期性地获取各个预期子网的实时无线传输数据和终端测量数据，通过机器学习、统计等方法评估当前网络配置下的性能状态，将网络的预期性能与意图翻译模块分析的当前意图进行比较。如果两者性能差异较大，ID-RAN的优化模块将负责优化当前网络配置。此外，ID-RAN利用大数据和AI技术，可以提前识别网络故障，主动优化体验和修复故障，实现无线接入网的自配置、自动化和自愈。3 ID-RAN关键技术 为保证ID-RAN的高效运行，需要攻克无线意图翻译、意图冲突解决、意图组网的灵活构建、意图组网的实现、性能评估和评估等关键技术。意图网络的优化。3. 1 Wireless Intent Translation 意图转化为组网策略分为三个阶段： 1) 通过自然语言处理（NLP，natural language processing）技术提取接收到的意图关键词，提取的关键词表示为DSL描述的结构化声明语句，即配置语句；2) 基于网络知识库，通过算法制定满足用户需求的组网策略；3) 在具体的网络设备上完成接入层实例化中的组网策略。表示为DSL描述的结构化声明语句，即配置语句；2) 基于网络知识库，通过算法制定满足用户需求的组网策略；3) 在具体的网络设备上完成接入层实例化中的组网策略。表示为DSL描述的结构化声明语句，即配置语句；2) 基于网络知识库，通过算法制定满足用户需求的组网策略；3) 在具体的网络设备上完成接入层实例化中的组网策略。

　　第一阶段是意图翻译过程，第二和第三阶段是网络编排和配置激活过程。为了实现意图翻译过程的关键词提取和配置语句语言的标准化，需要建立涵盖业务需求、组网策略、物理设施资源以及它们之间内在关系的语言模型——无线意图语言模型。根据无线意图的组网过程，结合人类使用自然语言表达意图的方式，可以将无线网络意图表达为[结果，操作，对象]格式的抽象模型，即执行一个操作在一个对象上达到或避免某种结果。无线意图翻译语言模型如图3所示，“结果”标签是指用户期望网络达到的服务状态，由业务类型、性能指标、期望状态、时空约束等要素组成; “运营”标签是指在网络中制定的组网策略，包括网络拓扑结构、节点接入方式、资源分配方案、网络约束要素等；“对象”标签指的是为了实现组网策略而需要操作的物理设备和相关资源，包括网络节点、无线资源、缓存资源和计算资源四个要素。根据专家经验，无线意图语言模型的所有关键元素的自然语言表示以及各元素之间的映射关系存储在网络知识库中。利用网络知识库，可以将用户输入的无线意图通过NLP转化为网络优化问题，为制定与该意图相匹配的组网策略提供优化目标。

　　图 3 无线意图翻译语言模型

　　当无线网络接收到用自然语言描述的无线意图时，可以使用NLP中的命名实体识别（NER，named entity recognition）方法，如BiLSTM-CRF、IDCNN-CRF、FudanNLP等算法，通过语言切分和词性标注、词典查询等自然语言处理过程，在意图文本中寻找与网络知识库中预存的词一致或相关的词作为意图表达关键词，并添加无线意图语言模型将提取的意图关键词中的关键元素对应的标签类别，使得意图关键词可以转化为一系列配置声明。通过无线意图语言模型，隐藏底层复杂网络操作的无线意图可以用声明性配置语言表达。配置声明语言可以是网络优化问题中的优化目标表达式，包括语言模型中的性能指标（优化目标）。、网络资源（优化对象）、网络资源约束（约束条件1）和时间地点限制（约束条件2）。根据存储在网络知识库中的语言模型的元素之间的对应关系，可以使用S2S（sequence to sequence）模型将提取的意图关键词通过RNN编码转化为结构化的配置语句，解码框架。3. 2 意图冲突解决 当接收到多个无线意图时，需要为每个意图制定匹配的组网策略，以满足其*敏*感*词*能要求。由于每个无线意图对应的组网策略在网络运行范围、网元配置参数、无线网络资源调度类型等方面都相似，因此会出现网元参数调整冲突、无线网络资源分配不足、网络性能下降等问题.

　　对于接收到的多种意图，可以根据不同类型意图的优先级，依次制定组网策略和分配物理资源。对于相同优先级的意图，差异化网络性能要求的组网策略会引起对相同物理资源的竞争，例如高能效意图和高吞吐量意图之间匹配的功率分配策略会引起冲突。为了尽可能多地满足意图请求，可以采用多目标联合优化方法，通过各种网络优化目标的组合，实现竞争资源和网元参数的合理分配。多目标优化问题的求解按算法的智能程度可分为数值算法和智能算法。数值算法分为将多目标转化为单目标的方法，包括主目标法、线性加权法和理想点法。每个优化目标根据目标的重要性逐一求解，如层次序列法。智能算法包括遗传算法、模拟退火算法、粒子群算法、蚁群算法、帕累托进化神经网络、模糊神经网络、博弈论等。数值算法通过寻找多个目标的内在关系来建立新的优化目标，并利用严格的数学推导得到满足多个目标函数的帕累托解集（PS，Pareto set）。然而，无线网络具有时变特性，优化目标函数、约束条件及相关参数可能随时间动态变化，给数值算法的求解过程带来了较高的复杂度。对于动态多目标优化问题，非支配排序遗传算法、多目标粒子群优化算法等智能解决方案能够灵敏地检测环境的变化，并通过多样性引入机制、多样性维持机制等响应方式进行有效响应，和预测机制。当环境改变时，

　　3.3 基于意图组网的灵活构建 在ID-RAN的网络编排环节，需要结合无线网络资源现状和网络配置经验，以无线意图翻译输出的结构化配置语句作为网络优化目标，进而制定无线接入网组网策略。虽然可以根据配置语句中的优化目标，利用线性规划、凸优化等数值算法求解出满足意图的最优或次优配置策略方案，但面对用户业务需求多样化的发展趋势未来，求解数学公式的复杂性 数值解集的可靠性和可操作性会增加计算无线网络配置策略的时间，并且无法预测求解出的配置策略在实际网络中可以达到的性能水平。随着云计算技术的发展，无线网络的终端测量数据和信号传输过程中的大数据可以得到有效存储，利用数据挖掘和人工智能技术挖掘数据的内在特征，并通过专家学习系统，相同或超过智能联网水平的人工运维。强化学习旨在引导代理' 通过与环境的频繁交互获得的奖励和惩罚来选择行为，并使用“试错”方法使代理做出能够从环境中获得最大奖励的决策。考虑到无线网络对组网策略适应性的时变要求，可以利用深度强化学习（DRL）采集

网络环境的高维数据，根据优化参考目标制定匹配用户需求的组网策略，实现ID-RAN的灵活组网过程。

　　基于DRL的意图组网策略构建如图4所示，在使用DRL制定匹配无线意图的组网策略的过程中，以意图翻译输出配置语句中的“network constraint”元素作为DRL agent要观察的网络状态参数，配置语句中的“network resource”元素作为agent要执行的配置动作，“performance index”和“desired state”元素的取值配置策略发送到网络后的配置语句作为配置策略的网络奖励。通过网络知识库中历史配置数据的学习，

　　图4 基于DRL的意图组网策略构建 3.4 意图组网的实现 实施过程中，这个过程可以利用SDN和NFV技术对大网络规模下的每个网络设备进行程序化的功能配置和参数设置，从而实现提高网络可编程性，降低人工操作成本。NFV继续采用标准的IT虚拟化技术，将各种网络功能模块以软件的形式部署在通用的硬件设备上，使网络策略的部署不再依赖于专用的硬件设备，实现了软硬件的解耦。5G利用NFV将传统网元解耦为各种网络功能，并通过网络功能服务和基于服务的接口形成基于微服务的网络架构，通过软件中的SDN控制器将配置方案下发给具体的物理设备，从而在保证不同用户网络需求的同时，实现灵活的网络管理。在当前无线接入网络复杂、异构、密集部署的形势下，NFV将是架构的重要演进方向。有助于无线接入网支持越来越多的终端，缩短新兴业务的部署周期，实现ID-RAN中众多无线设备配置参数的高效管理。区别于核心网较为成熟的虚拟化应用环境，

　　3.5 意图组网性能评估与优化 在网络中部署与意图相匹配的网络策略后，持续监测网络的实时性能状态、主动故障预测和体验优化是ID-RAN周期性运行的重要组成部分. 网络中已有意图的性能监测可以基于深度机器学习，利用监测到的网络测量参数分析数据中的潜在特征，根据网络历史经验数据得到测量参数与性能状态的映射关系，从而预测网络性能的下降。具体来说，ID-RAN中的数据采集器基于传感器或大数据探头采集无线网络终端设备和接入节点的网络测量参数，包括信道质量信息指标（CQI，channel quality indicator）、参考信号接收功率（RSRP，reference signal receiving）功率）、参考信号接收质量（RSRQ，reference signal receiving quality）、信号干扰噪声比（SINR，signal to interference ratio）等反映无线信道质量和信号传输效果的数据。为了分析网络性能状态，可以将网络的历史测量参数和性能数据输入深度神经网络，得到网络测量参数与关键性能状态等级之间的映射关系，从而通过实时测量参数来估计网络关键性能指标（KPI，key）。performance indicator)参数可以达到数值级别。

　　在预估性能低于设定阈值的情况下，需要优化配置策略。其中一种方法是通过 DRL 生成有意的网络优化解决方案。具体而言，将当前网络KPI数值水平和网络资源使用情况作为DRL要观察的网络状态，将要调整的物理参数步长作为要执行的配置动作，将反馈的KPI值发送给网络调整策略被视为对网络策略的奖励。基于上面制定的DRL学习框架和历史积累的网络参数知识库，定期更新知识库，并根据当前监测到的实时网络参数和无线网络反馈的性能水平，结合体验回放中的历史训练数据，生成合适的网络配置参数调整策略，从而提高网络服务的服务质量。改善。基于机器学习的意向组网性能评估与优化如图5所示。

　　图5 基于机器学习的意图网络性能评估与优化

　　4 ID-RAN硬件测试平台及性能评估 为了评估ID-RAN的组网性能，基于OpenAirInterface（OAI）开源平台，采用软件定义*敏*感*词*（SDR，software defined radio），实现了ID-RAN意图关键词提取、组网方案制定、网络环境感知、故障检测与策略优化以及相应的性能评估等关键模块。基于OAI的ID-RAN硬件测试平台如图6所示，按照3GPP协议搭建了带有ID-RAN的EPC、基站和用户设备（UE）。其中，ID-RAN管理软件部署在EPC侧，与数据服务器相连。

　　图6 基于OAI的ID-RAN硬件测试平台

　　

" />

　　ID-RAN硬件测试平台的工作流程如图7所示，通过“配置视频会议网络”自然语言输入意图，按照图7所示的意图组网策略进行搭建，获取业务性能反馈，设置人工干扰源、网络故障检测、网络优化等步骤实现ID-RAN的功能验证。ID-RAN硬件测试平台的网络配置和性能如图8所示。首先利用BiLSTM-CRF算法关键词提取输入意图并识别命名实体，并将输入意图匹配到增强型移动宽带（eMBB）的典型应用场景。然后，通过监控当前的网络性能，根据需要的性能，使用DRL算法预测ID-RAN基站配置参数。基于这些配置，ID-RAN智能工作，满足用户对高吞吐量视频传输的需求，使用户终端可以高速接入无线网络，获得超高清视频服务。为了演示ID-RAN智能优化的性能，通过增加相邻基站主动配置干扰源，使目标基站小区间干扰严重。用户接入ID-RAN后，基站监测用户的RSRP、平均SINR、噪声功率等性能指标，然后通过用户数据报采集

接入用户的网络状态和基站自身的配置信息协议（UDP，用户数据报协议）到意图驱动的管理软件。如果相邻小区基站干扰严重，用户性能低于预设门限，ID-RAN会自动触发故障检测告警，并根据专家经验给出网络性能优化建议。ID-RAN根据用户属性和当前网络状态智能确定优化目标，然后将相应的ID-RAN优化方案下发给可重构基站。ID-RAN硬件测试平台网络自优化性能如图9所示，经过网络智能优化后，用户的RSRP和SINR性能均有明显提升。如果相邻小区基站干扰严重，用户性能低于预设门限，ID-RAN会自动触发故障检测告警，并根据专家经验给出网络性能优化建议。ID-RAN根据用户属性和当前网络状态智能确定优化目标，然后将相应的ID-RAN优化方案下发给可重构基站。ID-RAN硬件测试平台网络自优化性能如图9所示，经过网络智能优化后，用户的RSRP和SINR性能均有明显提升。如果相邻小区基站干扰严重，用户性能低于预设门限，ID-RAN会自动触发故障检测告警，并根据专家经验给出网络性能优化建议。ID-RAN根据用户属性和当前网络状态智能确定优化目标，然后将相应的ID-RAN优化方案下发给可重构基站。ID-RAN硬件测试平台网络自优化性能如图9所示，经过网络智能优化后，用户的RSRP和SINR性能均有明显提升。ID-RAN会自动触发故障检测告警，并根据专家经验给出网络性能优化建议。ID-RAN根据用户属性和当前网络状态智能确定优化目标，然后将相应的ID-RAN优化方案下发给可重构基站。ID-RAN硬件测试平台网络自优化性能如图9所示，经过网络智能优化后，用户的RSRP和SINR性能均有明显提升。ID-RAN会自动触发故障检测告警，并根据专家经验给出网络性能优化建议。ID-RAN根据用户属性和当前网络状态智能确定优化目标，然后将相应的ID-RAN优化方案下发给可重构基站。ID-RAN硬件测试平台网络自优化性能如图9所示，经过网络智能优化后，用户的RSRP和SINR性能均有明显提升。

　　图 7 ID-RAN 硬件测试平台工作流程

　　图8 ID-RAN硬件测试平台网络配置及性能

　　图9 ID-RAN硬件测试平台网络自优化性能

　　5 结语 针​​对6G高性能、便捷的智能无线组网需求，为实现AI与6G无线接入网的深度融合，以ID-RAN为核心，创新地将意图驱动从核心网延伸到无线接入网，重点介绍了ID-RAN的组网架构、关键技术和硬件平台，旨在为业界提供ID-RAN的研究思路。6G研究还没有开始，ID-RAN还在早期研究阶段。未来仍有许多挑战需要进一步研究和突破，相关标准化工作需要加快推进，构建ID-RAN研发生态。

　　关于作者About authors

　　周阳成（1995-），女，河南南阳人，北京邮电大学网络与交换技术国家重点实验室硕士*敏*感*词*。主要研究方向为6G无线组网和雾无线网络。

　　严石（1988-），男，北京人，北京邮电大学信息与通信工程学院讲师。主要研究方向为6G无线组网、雾无线网络、智能物联网。

　　彭木根（1978-），男，江西永丰人，北京邮电大学网络与交换技术国家重点实验室副主任、教授。主要研究方向为6G无线组网、雾无线网络和智能物联网等。

　　往期文章回顾

　　《物联网学报》的办刊方针和业务范围是：发表在物联网及相关交叉学科研究领域具有创新性的基础理论、关键技术、研究热点、基础和应用研究成果的学术论文，充分展示我国的研究成果，体现我国的前沿研究水平，为我国快速发展的物联网技术创新和产业服务提供学术支撑，促进我国物联网技术和应用领域的发展。

　　扫描二维码关注物联网学报官方微信公众号，获取更多资讯！

　　解决方案:【论文】传输时限约束下的能量收集无线传感器网络多址接入优化

　　传输时限约束下能量采集

无线传感器网络多接入优化

　　杨敖琴1， 龚傲宇2， 方婷1， 邓磊3， 李强4， 张义进1

　　（1. 南京理工大学电子工程与光电技术学院， 江苏 南京 210094;

　　2. 洛桑联邦理工学院计算机与通信科学学院， 瑞士洛桑 1015;

　　3. 深圳大学 电子信息工程学院， 广东 深圳 518060

　　4. 鹏程实验室，深圳 518055

　　）。

　　总结：

　　随着能量采集

的广泛应用

　　无线传感器网络在环境监测、工业自动化、战场侦察等实时通信场景中，多接入既需要考虑数据包的严格传输时间限制，又需要考虑传感器节点的能量采集

特性。由于节点互干扰、传输紧迫性、储能等因素的固有耦合，这种多址接入的设计和优化比传统的多址只考虑数据包到达特性更具挑战性。首先，各节点接入行为的设计依赖于中心化接入协议的全局传输紧迫性和剩余能量;然后，考虑到中心化接入难以承受的控制开销，设计了各节点接入概率仅取决于本地传输的紧迫性和剩余能量的分布式接入协议。以最大化网络吞吐率为优化目标，利用马尔可夫决策过程进行考虑所有数据包信息的集中访问完全建模和仅考虑组长数据包信息的简化建模，并基于逆向归纳算法求解两种建模的最优中心化策略。最后，利用分布式马尔可夫决策过程简化分布式接入协议建模，提出一种基于马尔可夫策略搜索方法的ε最优分布式策略。仿真结果验证了简化建模的有效性以及所提策略优于其他策略的性能优势。

　　关键词：传输时间限制; 能量采集

;马尔可夫决策过程;多路访问

　　分类编号：TN911

　　文档识别码：A

　　doi：10.11959/j.issn.2096−3750.2022.00283

　　引文格式：

　　杨奥琴， 龚傲宇， 方婷， 等. 传输时限约束下能量采集

无线传感器网络多接入优化[J].物联网学报， 2022， 6（3）： 58-70

　　杨阿强， 龚阿英， 方涛， 等. 具有交付期限约束的能量采集

无线传感器网络中多址接入优化[J].物联网学报， 2022， 6（3）： 58-70.

　　研究意义

　　随着WSN在环境监测、工业自动化、侦察等实时通信场景中的广泛应用，传感器节点往往需要在规定的时限内将观测信息上传到接入点，而传感器节点通常使用电池供电、从自然界采集

能量的特性必然会对传输时效产生负面影响。因此，WSN多址需要同时考虑严格的传输时限特性和能量采集

特性，并且由于节点互干扰、传输紧迫性和储能等因素的内在耦合，其设计和优化比仅考虑数据包到达特性的传统多址更具挑战性。

　　目前还没有多接入设计和优化研究，让节点根据当前传输的紧迫性和剩余能量动态调整接入概率。针对这一缺陷，本文对文献工作进行了扩展[8，10-11，18，20]，主要贡献是：

　　（1）设计中心化接入协议，根据传输的紧迫性和剩余能量，制定各节点的接入概率

　　所有节点，以及仅根据其自身传输紧迫性和剩余能量制定每个节点接入概率的分布式接入协议;

　　（2）利用MDP理论对考虑所有数据包信息的中心化接入进行完全建模和团队头部只考虑数据包信息的简化建模，基于逆向归纳算法提出了两种模型最大化网络吞吐率的最优中心化策略。

　　

" />

　　（3）进一步利用Dec-MDP理论简化分布式接入建模，基于马尔可夫策略搜索方法，提出一种最大化网络吞吐量的ε最优分布式策略。

　　（4）仿真验证了简化建模的有效性以及所提策略与控制策略相比的吞吐量性能优势。

　　本文有效

　　图1 系统型号

　　（1）首次进行建模优化，全面考虑节点互干扰、数据流到达过程、数据包传输时限、数据队列长度、储能容量和能量采集

过程等各种网络要素，并可扩展到其他更复杂的同构或异构情况;（2）考虑团队领导数据包信息在决策中的主导作用，仅基于各节点组长数据包（并非全部数据包）交付时间的马尔可夫特征推导各节点传输急迫性的变化，从而降低协议设计、建模和优化的复杂性;（3）基于Dec-MDP理论得到的ε最优分布式策略不再局限于随机访问或确定性访问等特殊形式的分布式策略，而是涵盖了分布式策略的所有可能形式，从而扩大了策略最优的应用范围。

　　实验结果

　　图3

　　， D=3 不同时域长度下的性能比较

　　图 4T=30

　　，

　　D=3 在不同能量采集

成功率下， 吞吐率对

　　图 5T=30，

　　，

　　D=3，比较不同数据组到达率下的吞吐率

　　图 6 T=30，

　　

" />

　　不同传输时间限制下的吞吐率比较

　　图 7 T=30， D=3

　　当节点的数据包到达率

　　1为0.5，比较不同数据包到达率下节点2的吞吐率性能和平均剩余能量

　　全文链接：

　　指向过去内容的链接

　　1.

　　阿拉伯数字。

　　3.

　　联系我们：

　　电话：

　　电子邮件：

　　互联网学报

　　《物》是由工业和信息化部人民邮电出版社主办的中文学术期刊。办刊宗旨：服务科学发展，传播科学知识，推动科技创新，培养科技人才。

　　收录

在 Scopus

　　中国通信学会中文推荐科技期刊（T1）

　　中国计算机学会中文推荐科技期刊（T2）

　　收录在 Ulrichsweb

　　期刊主页

　　在线提交