3GPP中有哪些AI的標準

據(jù)說，今年秋季全國將有533所高校開設人工智能(AI)本科專業(yè)。人工智能可與各個專業(yè)交叉融合，成了最大的一個交叉學科。那么AI在通信中具體是怎么應用的呢？基于目前的AI研究是否都是有效的呢？

在3GPP的5G系列標準中，有這樣三個有關AI的研究報告：

38.743  Study on enhancements for Artificial Intelligence (AI)/Machine Learning (ML) for NG-RAN；38.744  Study on Artificial Intelligence (AI)/Machine Learning (ML) for mobility in NR；38.843  Study on Artificial Intelligence (AI)/Machine Learning (ML) for NR air interface；

負責這三個研究報告的3GPP group分別是RAN3、RAN2和RAN1，我們順便再來復習一下3GPP各個group負責制定的標準內(nèi)容方向，如下圖所示。也就是說這三個標準分別是針對NG-RAN、移動性（層2層3）、空口物理層（層1）的AI研究。

01、TR 38.743

標準的下載鏈接：https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=4286

38.743是今年3月份啟動的一個R19的研究項目，由RAN3負責。內(nèi)容是針對基于人工智能/機器學習的網(wǎng)絡切片（network slicing）和覆蓋及容量優(yōu)化（CCO：Coverage and Capacity Optimization）用例及其相應解決方案提供描述和研究，以及對Rel-18遺留問題進行分析。

我們舉網(wǎng)絡切片的例子來學習一下看看加入AI的流程是怎樣的。網(wǎng)絡切片是一種根據(jù)不同客戶要求進行區(qū)別對待的概念。有了切片技術，移動網(wǎng)絡運營商（MNO：Mobile Network Operators）就可以將客戶視為不同的租戶類型，每種租戶類型都有不同的服務要求，并根據(jù)服務等級協(xié)議（SLA：Service Level Agreement ）和訂閱情況確定每個租戶有資格使用的切片類型。

那么由于NG-RAN在移動性、負載平衡和無線資源管理決策方面發(fā)揮著關鍵作用，其目的就是要滿足每個受支持網(wǎng)絡切片的SLA的目標要求。AI/ML功能可以分析與網(wǎng)絡和UE級性能相關的指標，從而為網(wǎng)絡切片執(zhí)行最佳資源管理和移動性決策，來滿足要求。

解決方案：

1.?關于AI/ML模型訓練和模型推理的位置

支持基于AI/ML的網(wǎng)絡切片可考慮以下解決方案：

- AI/ML模型訓練位于OAM，AI/ML模型推理位于gNB；?- AI/ML模型訓練和AI/ML模型推理都位于gNB。OAM是指Operation、 Administration、Maintenance，操作管理維護。

如果采用 CU-DU 分離架構，則可采用以下解決方案：

- AI/ML模型訓練位于OAM，AI/ML模型推理位于gNB-CU；- AI/ML模型訓練和模型推理都位于gNB-CU。

2. 基于AI/ML網(wǎng)絡切片的輸入數(shù)據(jù)

為了預測優(yōu)化的網(wǎng)絡切片決策，gNB可能需要以下信息作為基于AI/ML的網(wǎng)絡切片的輸入數(shù)據(jù)：

來自本地節(jié)點：-?每個切片測量/預測的無線資源狀態(tài)?-?測量/預測的切片可用容量?-?傳統(tǒng)預測的UE軌跡來自鄰近gNB：-?每個切片測量/預測的無線資源狀態(tài)-?測量/預測的切片可用容量來自UE：-?UE?測量報告（如UE?RSRP、RSRQ、SINR測量等），包括小區(qū)級和波束級UE測量值

3.?基于AI/ML網(wǎng)絡切片的輸出數(shù)據(jù)

gNB中基于AI/ML的網(wǎng)絡切片模型可生成以下輸出信息：

-?每個切片的無線資源狀態(tài)預測?-?切片可用容量預測?-?RRM?策略內(nèi)資源的資源管理決策（由gNB內(nèi)部使用）?-?切片感知移動性決策（由gNB內(nèi)部使用）

4.?基于AI/ML網(wǎng)絡切片的反饋為了優(yōu)化基于AI/ML的網(wǎng)絡切片模型的性能，可以考慮從gNB 收集以下反饋：

-?每個切片測量的無線資源狀態(tài)?-?測量切片可用容量?-?從源gNB切換的UE的傳統(tǒng)UE性能反饋?-?從源gNB切換的UE的更細顆粒度UE性能反饋，以確定某個UE使用的某個切片的UE性能。

5. 標準的潛在影響與Rel-18期間的規(guī)范相比，Rel-19后續(xù)規(guī)范性工作的影響如下：

Xn 接口：-?增強現(xiàn)有程序，以收集gNB之間的預測信息：??■?每個切片的無線資源狀態(tài)預測??■?切片可用容量預測

NR覆蓋和容量優(yōu)化（CCO：Coverage and Capacity Optimization）功能的目標是檢測和解決或減輕CCO問題。NG-RAN節(jié)點可在覆蓋配置內(nèi)自主調(diào)整和切換。當執(zhí)行變更時，NG-RAN節(jié)點可通知其鄰近的NG-RAN節(jié)點，并提供已修改覆蓋的小區(qū)和 SSB 列表。在傳統(tǒng)的CCO解決方案中，使用的是一種被動方法：當 gNB（在 CU-DU 分離架構中為 gNB-CU）檢測到對網(wǎng)絡和 UE 性能有負面影響的 CCO 問題發(fā)生后，gNB（在 CU-DU 分離架構中為 gNB-DU）會嘗試解決或緩解該問題。而基于 AI/ML 的 CCO 則采用更積極主動的方法來防止（或在早期階段限制）CCO問題的出現(xiàn)以及隨之而來的網(wǎng)絡和UE性能的下降。

02、TR 38.744

標準的下載鏈接：https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=4288

38.744是今年6月剛剛啟動的研究項目，由RAN2負責。它是關于mobility的AI研究。用例側重于 RRC_CONNECTED 模式，涵蓋SA NR場景中PCell變化流程的RRM測量預測、測量事件預測和 RLF/HOF 預測。RLF是指Radio link failure；HOF是指Handover failure。

主要有兩個研究目標。第一個研究目標是通過使用預測測量來減少時間、空間或頻率域的測量工作。第二個研究目標是提高切換性能（例如，乒乓 HO、HOF/RLF、短時停留、切換中斷）?？稍谡业骄哂辛己脺y量預測準確性的評估場景后討論切換性能。

采用的通用評估方法是：使用基于信道模型和部署的合成數(shù)據(jù)集，也可選擇使用現(xiàn)場數(shù)據(jù)。原則上，一旦確定了一組仿真參數(shù)和假設，就應將其用于基線情況（即無人工智能模型）、模型訓練（如數(shù)據(jù)集生成）、模型驗證、模型測試和推理操作等。在訓練數(shù)據(jù)集和測試數(shù)據(jù)集之間，至少在信道建模和UE軌跡方面使用不同的隨機種子。

那么報告中具體的關于RRM預測、RLF預測等的方法和結論，還有待進一步補充。

03、TR 38.843

標準的下載鏈接：https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=3983

38.843是R18期間的研究項目，內(nèi)容相對詳細。上面的38.743和38.744兩個R19的標準也是基于38.843。38.843是由RAN1工作組也就是層1物理層工作組來負責研究的。在這本報告中，我們可以了解到AI在通信應用中更加基本的概念和流程。

例如，AI/ML 模型的生命周期管理（LCM：life cycle management）可能包括以下：

-?數(shù)據(jù)采集?注：如適用，還包括相關的輔助信息。?-?模型訓練?-?功能/模型識別?-?模型交付/傳輸?-?模型推理操作?-?功能/模型選擇、激活、停用、切換和回退操作。??包括?網(wǎng)絡決定（網(wǎng)絡啟動或UE啟動并向網(wǎng)絡請求）、??UE?決定（網(wǎng)絡配置的事件觸發(fā)、UE向網(wǎng)絡報告決定或UE自主向網(wǎng)絡報告決定或不報告決定）?-?功能/模型監(jiān)控?-?模型更新?-?UE?能力?

下圖所示是用于NR空中接口的AI/ML功能框架。這是一個通用的功能架構，因此，圖中顯示的某些功能或數(shù)據(jù)/信息/指令流可能并不總是與特定的LCM方法相關。

38.843中主要對以下3個用例進行了分析和評估：

- CSI 反饋增強 ??-?利用雙面人工智能模型進行空間-頻率域CSI壓縮??-?利用UE側模型預測時域CSI-?波束管理??-?根據(jù)波束組B的測量結果對波束組A進行空間域下行鏈路波束預測???-?根據(jù)波束組B的歷史測量結果對波束組A進行時間域下行鏈路波束預測?-?定位精度增強???-?直接AI/ML定位???-?AI/ML輔助定位

我們選擇Beam management（波束管理，簡稱BM）來看一下具體情況。

下圖舉例說明了BM-Case1和BM-Case2的波束管理推理過程?；诓ㄊ疊 的測量結果被用作模型輸入。此外，波束ID信息也可作為 AI/ML 模型的輸入。根據(jù)模型輸出（例如，集合A中每個波束成為Top-1波束的概率、預測的L1-RSRPs），可以預測出波束集合A中的Top-1/N波束和/或可能具有預測的L1-RSRP的波束。在評估中，對于BM-Case1，將集合B的測量值作為模型輸入，以預測集合A中的Top-1/N波束；對于BM-Case2，將歷史時間實例的測量值作為模型輸入，以預測集合A中的波束的時域DL波束。在評估中，BM-Case1 和 BM-Case2 均考慮了集合A和集合B不同（集合B不是集合A的子集）和集合B是集合A的子集的情況，以及 BM-Case2 中集合A和集合B相同的情況。并評估了DL Tx波束預測和DL Tx-Rx波束對兒（beam pair）預測的性能。在BM-Case1和BM-Case2中，UE可以根據(jù)UE端模型的輸出向NW報告預測結果，NW也可以根據(jù)NW端模型的Set B報告測量結果預測Top-1/N波束。

那么在BM的AI建模中要考慮的KPI有哪些呢？

模型的復雜度和計算復雜度；波束預測的精確度；系統(tǒng)性能例如UE吞吐量、RS（參考信號）overhead降低等；

做AI評估，要比較加入前與加入后的性能，就要做很多場景和參數(shù)的假設，評估假設包括系統(tǒng)級（system level simulation assumptions）和鏈路級（link?level simulation?assumptions）。我們分別來舉例看一下：

首先波束管理評估中AI/ML 的基準系統(tǒng)級仿真假設參數(shù)如下：

鏈路仿真參數(shù)如下：

方法有了，參數(shù)也有了，結論是什么呢？結論說起來也是很復雜的，首先看一下在波束管理中應用AI/ML模型的復雜度/計算復雜度參數(shù)：包括以模型參數(shù)數(shù)量表示的模型復雜度；以模型大小數(shù)量表示的模型復雜度；以浮點運算次數(shù)表述的計算復雜度。

結論也很復雜，與非AI相比，并不是所有加入了AI/ML的case性能都會有所提升。對于波束管理分為兩種情況：

在 BM-Case1 中，當集合 B 是集合 A 的子集或集合 B 與集合 A 不同時，在沒有 UE 旋轉的情況下，AI/ML 可以在 DL Tx 波束預測中使用最佳 Rx 波束測得的波束集合 A 的 1/4 或 1/8 的固定集合 B 進行測量，并在波束對預測中使用集合 A 的 1/4 或 1/8 或 1/16 的固定集合 B 進行測量，從而實現(xiàn)良好的性能。此外，根據(jù) 2 或 3 個來源的評估結果，對于 BM-Case1 DL Tx 波束預測，在測量/RS 開銷為 1/4 或 1/8 的情況下，根據(jù) AI/ML 預測的波束，可實現(xiàn) 96%~99% 或 85%~98% 的 UE 平均吞吐量和 95%~97% 或 70%~84% 的 UE 5%ile 吞吐量的非 AI 基線方案 1（對 Set A 波束進行窮舉搜索）。請注意，在評估中假設了理想的測量：無論信噪比如何，都能測量波束，無測量誤差，在單次實例（信道相干時間間隔內(nèi)）中獲得測量，無量化，對 UCI 有效載荷無限制（對于 NW 端模型）。

但是對于BM-Case2，與非AI基線相比的波束預測精度性能，在沒有 UE 旋轉的情況下，對于80毫秒或160毫秒的預測時間：- 某些評估結果表明 AI/ML 的性能可能相似或有所下降。對于160毫秒或更長的預測時間：- 大多數(shù)評估結果表明 AI/ML 可提高一些波束預測精度 - 預測時間越長，AI/ML 可提高的波束預測精度就越高。但是從減少測量/RS 開銷的角度看，AI/ML 可實現(xiàn)良好的波束預測，同時減少測量/RS 開銷。