面向多維立體全場景的6G

綠色無線接入網白皮書參與單位北京郵電大學電子科技大學華為技術有限公司中國移動通信有限公司前

言隨著

5G

網絡的大規模商用，人工智能（AI）、云計算、邊緣計算的發展加速了信息技術、通信技術和數據技術（ICDT）的深度融合，同時也推動整個社會走向數字化、信息化、智能化。目前，6G

研究的序幕已經拉開，得到了學術界和產業界的廣泛關注。6G

將進一步深化現有

5G

的人工智能與無線網絡的融合，作為一種新型的綜合戰略基礎設施，推動工業互聯網、能源互聯網、智能交通、智能醫療等垂直行業的數字化和智能化。在未來移動通信向全場景應用發展、ICDT

走向深度融合等重要趨勢下，面向

6G

網絡架構的變革與發展需求，6G

無線接入網絡將不再是單純的通信網絡，而是集通信、感知、計算為一體的信息網絡，同時空天地等多種接入域、多種網絡域深度融合，需支持多維立體全場景下不同無線接入方式，固定/移動/衛星/無人機（UAV）等多連接類型以及多服務類型。為使能“萬物智聯，數字孿生”，6G

網絡需要支撐智慧內生、泛在連接、多維融合，傳統的集中式智能計算架構已經不能滿足低延遲高可靠的通信和計算要求，難以高效支撐未來

6G網絡泛在智能的需求。這些都對

6G

無線接入網絡架構設計提出了重大挑戰。另外，為了更好地支持

6G

新興無線業務，6G

無線接入網還需要動態、靈活地對用戶需求和時變環境的智能深度感知，在有限資源、給定網絡能力下更加輕量化、高效智能地滿足無線網絡動態、時變的差異化服務質量（QoS）需求和不同特定場景的業務需求。本白皮書將從

6G

無線接入網（RAN）所面臨的全新需求與挑戰出發，面向

ITU-R

提出的

6G

網絡愿景，重點介紹

6G

多維立體全場景服務下的新型綠色無線接入網絡架構，包括無線接入網側的新型邏輯功能架構及場景部署架構。部署架構中包含高低頻協作無線接入、空天地融合無線接入和無線內生智能接入三個主要的部署場景。然后介紹該

RAN

架構兩方面的關鍵使能技術——6G

多網共生融合技術和

6G

無線接入內生智能技術。最后對

6G

無線接入網在未來的研究和標準化工作進行了展望。本白皮書為國家研發計劃重點專項“寬帶通信和新型網絡”項目《6G

網絡架構及關鍵技術》（項目編號：2020YFB1806800）資助成果。目錄1

6G

RAN

需求挑戰與技術趨勢.............................................................................................11.1

需求.............................................................................................................................11.2

挑戰.............................................................................................................................31.3

技術趨勢.....................................................................................................................52

6G

多維立體全場景服務下新型綠色無線接入網絡架構..................................................

82.1

設計理念.....................................................................................................................82.2

邏輯功能架構.............................................................................................................92.3

場景部署架構...........................................................................................................132.4

架構特征——綠色、多維、立體和全場景服務...................................................203

使能技術——6G

多網共生融合技術...............................................................................

233.1

UCN

異構接入技術..................................................................................................233.2

高低頻協作接入技術...............................................................................................263.3

空天地融合無線接入技術.......................................................................................293.4

多維接入網絡資源智能編排...................................................................................314

使能技術——6G

無線接入內生智能技術.......................................................................

344.1

無線分布式協同智能框架.......................................................................................344.2

有中心模型聚合協同接入技術...............................................................................384.3

全分布式模型聚合協同接入技術...........................................................................394.4

分布式智能框架下的資源管理...............................................................................405

總結與展望..........................................................................................................................43參考文獻..................................................................................................................................441

6G

RAN

需求挑戰與技術趨勢1.1

需求5G

網絡的商用激發了人們對下一代移動網絡的想象和期待。6G

在

5G基礎上，將從服務于人、人與物，進一步拓展到支撐智能體的高效互聯，將實現由萬物互聯到萬物智聯的躍遷，將持續提升人們的生活品質，促進社會生產方式的轉型升級，并且為人類社會可持續發展的終極目標做出貢獻。一方面，新業務與新應用將被開發出來，它們需要更高的網絡性能，如更高的數據速率、更低的時延，這些都超出了

5G

無線接入網的能力范圍。另一方面，需要更敏捷的網絡服務能力，尤其是對于

5G

無法高效支撐的

ToB

業務，需要滿足其業務快速上線需求。再者，新涌現出的業務具備明顯的個性化需求，無線接入網需要具備靈活適配業務需求的能力，實現網絡功能按需定制，資源按需配置。隨著大數據、云計算、物聯網和人工智能等新一代技術和應用的發展，以及

ICDT

的深度融合，6G

社會將逐步走向“數字孿生，智慧泛在”。6G

RAN

將通過提供物理空間與虛擬空間的通信服務構建人類社會、物理世界和虛擬世界融合交互、緊密連接的網絡空間，通過數字化世界創造全新價值，實現“6G

改變世界”的美好愿景。2030

年及以后，在數字孿生世界和智慧泛在的背景下，移動通信的應用場景將會呈現出全新的特點，支持無處不在的無線連接、大數據和人工智能等全新的技術，并催生出智享生活、智賦生產、智煥社會

3

大方面的應用場景，包含空天地一體化、通感互聯、智能交互等。6G

RAN

將不再1僅局限于提供通信的功能，而是隨著感知-通信-計算-AI-安全融合的大趨勢，從傳統單一的功能拓展到提供感知、計算、AI

和安全等新的網絡能力。國際電信聯盟無線電通信部門于

2023

年

6

月在第

44

屆

ITU-R

WP

5D會議通過了《IMT

面向

2030

及未來發展的框架和總體目標建議書》，該建議書對

5G

原有三大應用場景進行增強和擴展，包含沉浸式通信、超大規模連接、極高可靠低時延、人工智能與通信的融合、感知與通信的融合、泛在連接等六大典型場景。沉浸式通信場景涵蓋了為用戶提供豐富的互動視頻（沉浸式）體驗的用例，包括與機器界面的互動；超大規模連接場景涉及連接大量的設備或傳感器；極高可靠低時延場景涵蓋了預計對可靠性和延遲有更嚴格要求的專門用例；人工智能與通信的融合場景將支持分布式計算和人工智能驅動的應用；感知與通信的融合場景促進了需要傳感能力的新應用和服務；泛在連接場景旨在加強連接性，以縮小數字鴻溝。同時，空天地融合組網也是未來的一大趨勢，衛星網絡、無人機網絡等將是地面網絡的重要補充，實現天基、空基、陸基等各類用戶接入與應用，能夠在任何地點、任何時間、以任何方式提供全場景的信息服務。并且隨著

AI

技術的發展，網絡的智能也將在網絡運維、資源編排、空口調度等方面釋放出更大的潛力，為智慧社區、醫院、工廠等不同用戶場景下的多維度異構業務需求提供通信、感知、計算、存儲等一系列能力的按需服務，真正實現

AI

不再是“外掛式”的存在，而是內生于網絡，從而更好的為網絡提供服務。因此為了滿足未來業務和應用發展的需求，6G

RAN

的設計需考慮新型網絡架構，以在更多維度上取得網絡能力的突破，實現極致的性能追求。21.2

挑戰5G

技術滿足了人們對大寬帶、高數據速率、大連接密度、低延時的通信需求。在未來

6G

系統中，上述技術將會繼續得到增強，并擴展更多的應用場景。面向

2030

年，6G

業務和應用將朝著需求的多樣化、覆蓋的立體化、交互形式與內容的多樣化、業務的開放化和定制化、以及通信計算、AI

和安全的融合化的方向發展。然而，當前無線接入網絡在網絡架構設計、組網模式和資源管理上存在不靈活智能、融合網絡之間信息交互復雜、開銷大且低效能等問題，無線接入網絡由

5G

向

6G

的演進中將面臨諸多的挑戰。1.

網絡架構設計不夠靈活現有網絡主要采用一體化的結構，這導致網絡的建設完全是按覆蓋的要求進行規劃和建設，基站形態單一，網絡管理和維護的方法比較傳統，網絡運維效率較低，網絡結構單一固化，這些特點導致了網絡部署的高成本和高功耗問題。另外，由于現網支持

2G/3G/4G/5G

多網共存與互操作，在提供更高吞吐量和更好的業務連續性保障的同時也增加了更多的網絡功能、交互流程、管理策略和異常因素，使得網絡架構與管理更加復雜。因此需要

6G

及其后續網絡在網絡架構設計方面發展自我演進能力，以智能地利用資源，降低運營成本，并保證高服務質量。2.

組網模式難以支撐多元化演進6G

網絡頻段將要由目前的

700MHz

~

2.6GHz

等擴展至毫米波甚至太赫茲和可見光等頻段，覆蓋將由地面覆蓋到立體覆蓋，實現星地一體融合組網。但由于非地面網絡的網絡拓撲結構動態變化以及運行環境的不同，3地面網絡所采用的組網技術不能直接應用于非地面場景，需研究空天地一體化網絡中的新型組網技術，考慮新的立體組網模式。另一方面，隨著分布式邊緣計算以及智能網絡節點大量部署，計算和存儲等資源下沉至邊緣節點，6G

需要中心化集中管理的蜂窩組網與分布式協作的云邊融合組網共同支持多樣化場景的業務需求，滿足用戶的差異化需求。3.

多維資源管理不夠智能化5G

網絡引入了網絡切片技術，但切片在無線側和核心網的融合設計和優化仍需進一步驗證和完善，并且在使用網絡和托管資源時，除了對切片進行獨立管理導致更高的運營成本之外，還存在效率較低的風險。因此，6G

將發展無線資源的智能靈活編排技術。6G

要服務于各行各業新涌現的個性化業務，就需要對各種資源，包括通信、計算、數據等維度，進行更智能化的管理編排，使之具備靈活適配業務差異化需求的能力。同時，由于分布在不同地理位置的無線節點的可用資源是泛在化、異構化的，需要6G

網絡通過模型函數將不同類型的多維資源映射轉換，形成業務層可理解、可閱讀的資源池，為網絡的資源匹配調度提供基礎保障。在數據維度，6G

需要借助于信息和學習理論對從物理世界中采集的大量數據進行管理編排和有效地利用，構建一個數字世界。在通信維度，6G

系統設計將編排使用盡可能少的帶寬資源實現海量大數據的有效傳輸，降低通信成本。在計算維度，需要在

6G

網絡中最優化計算資源的分布，以最大限度地編排利用移動邊緣的計算能力。4.

融合網絡之間的信息交互復雜傳統網元之間采用專用接口進行通信，需要進行相應的接口建立。為4了保證特定業務或服務需求，3GPP

定義了一系列協議，如用于

D2D

發現/通信的

ProSe/PC5

Signalling

協議、用于定位的

LPP/NRPPa

協議、用于實現

QoS

flow

到

DRB

映射的

SDAP

協議、用于回傳的

BAP

協議等。這些協議功能的引入不僅增加了標準化工作量和實現難度，還增加了測試與運維的復雜度。此外，5G

無線網絡采用分層結構，每一層功能處理都會引入時延，信令面與用戶面和協議棧功能之間也存在一定的耦合，妨礙了網絡功能的靈活按需部署。6G

在

5G

基礎上，將從服務于人與物，進一步拓展到支撐智能體的高效互聯，將實現由萬物互聯到萬物智聯的躍遷。新業務與新應用將被開發出來，它們需要更高的網絡性能，如更高的數據速率、更低的時延，這些都超出了

5G

系統的能力范圍。另一方面，網絡需要更敏捷的服務能力，尤其是對于

5G

無法高效支撐的

ToB

業務，需要滿足其業務快速上線需求。這要求

6G

具有智簡統一的協議和網絡體系，以降低支撐各類業務之間的邏輯約束，實現網絡服務即插即用。上述存在的問題和挑戰將成為6G網絡設計的重要驅動力和創新目標。1.3

技術趨勢ITU-R

在《IMT

面向

2030

及未來發展的框架和總體目標建議書》中從全面的視角闡述了未來

6G

網絡將是一個具有包容性、安全性、自治性、可持續性的泛連接綠色網絡，并要求

6G

RAN

側完成新技術的突破以應對未來

6G

通信中更為嚴峻的挑戰。結合

6G

RAN

未來業務和應用發展的需求，新興的技術趨勢可能包括以下方面：51.

通信與

AI

融合提升底層空口傳輸性能研究在未來大規模甚至超大規模

MIMO

場景下，研究基于

AI

的空口側技術增強，應對由于密集天線陣列所帶來的更復雜

CSI

反饋、波束形成和接收機設計等挑戰，達成更可靠的空口傳輸，提升空口性能，并實現在空口側進行網絡的自我監控、自我組織、自我優化、自我修復和自我管理。2.

頻譜共享和動態頻譜分配技術提升頻譜利用率研究頻譜是無線通信中有限且稀缺的資源，但目前很多已分配的頻譜資源長時間處于閑置狀態，利用率低下，嚴重浪費珍貴的頻譜資源。研究基于動態頻譜共享協議或者規則，動態分配資源，合理規劃并有效利用閑置頻譜，提升頻譜的整體利用率。3.

基于分布式

AI

技術提升網絡側通信能力研究隨著硬件性能的提升，無線終端側擁有更加強大的計算能力，這為分布式

AI

的實現提供了算力基礎。同時廣泛分布的終端物聯網設備感知與存儲為分布式

AI

的實現提供了數據基礎。研究基于分布式

AI

的未來

6G

網絡，促進

AI

與通信融合，賦能邊緣智能，實現網絡的智能內生和泛在

AI。4.

基于內生智能的無線網絡實現網絡智能服務研究支持智能服務（如智能數據感知、按需能力供應等）的無線網絡將是IMT

技術設計的基礎，通過應用各種人工智能程序增強網絡服務的智能化能力。該研究包括按需上行/側鏈路為中心、深度邊緣和包括聯邦學習在內的分布式機器學習。5.

高低頻協作組網增強網絡覆蓋研究未來

6G

網絡將采用更高頻段（如亞太赫茲、太赫茲等）的信號以獲6取更大的傳輸容量，但其帶來了基站覆蓋能力顯著下降的影響。研究高低頻異構組網技術，通過分離用戶面和控制面，實現傳統基站拆分為廣域覆蓋的控制基站和可密集部署的數據基站，從而有效提升通信傳輸水平和網絡的可拓展性。6.

基于衛星互聯網實現廣域泛在連接研究地面網絡和非地面網絡互通是

6G

目標之一。衛星互聯網是非地面網絡的重要組成部分，其由一系列通信衛星組成的星座構成，其間以星間鏈路進行通信，實現數據中轉和路由，為用戶提供隨處可及的通信連接服務，并伴隨著衛星硬件性能發展，有望在衛星上提供計算甚至是智能服務。72

6G

多維立體全場景服務下新型綠色無線接入網絡架構2.1

設計理念針對上述

6G

RAN

面臨的關鍵需求、挑戰及技術趨勢，亟需設計

6G網絡總體架構指導下的新型

6G

RAN

架構。6G

網絡總體架構的核心理念包括“分布式、內生智能、一體至簡、空天地泛在接入”。其中，“分布式”是指泛在海量動態連接，解決密度百倍、千萬量級基站的靈活動態組織問題；“內生智能”是指網絡架構在初始設計即考慮智慧的內生式設計，解決智能外掛式設計無法滿足網絡自治需求的問題；“一體至簡”是指智能化簡化、同構化簡化、協議一體化簡化，解決網絡架構設計、組網模式和資源管理上不靈活智能、融合網絡之間信息交互復雜、開銷大且低效能的問題；“空天地泛在接入”是指多維立體全場景下多種接入域、多種網絡域的深度融合，解決固定/移動/衛星/UAV

等多連接類型以及多服務類型的異構泛在接入管控復雜且效率低的問題。圍繞上述

6G

網絡總體架構的核心理念，針對

6G

無線接入網多維立體全場景深度智慧接入與多網共生綠色融合的科學問題，面向

6G

空天地全場景泛在連接、多維立體按需服務和大動態差異化業務等需求，本白皮書提出了

6G

新型無線接入網架構的兩個設計原則，即“綠色無線分布式內生智能設計”和“泛在連接的一體智簡設計”，并形成了

6G

多維立體全場景服務下新型綠色無線接入網絡架構。“綠色”包含兩方面的含義，一是指架構本身在設計之初就做到至簡，即協議、流程、組網模式等等的設計簡單、靈活、高效，多維融合網絡之8間的信息交互的智能化簡化；二是指架構支持網絡實現節能減排，即通過數字化、智能化、服務化的方式實現彈性、自適應的網絡資源智能管理和智慧運維，提升網絡利用率，實現網絡的綠色低碳。“多維”包含三方面的含義，一是指多維網絡，即架構支持異構多網融合、高低頻及多制式網絡協作組網；二是指多維業務，即架構支持連接業務、算力業務、數據業務、AI

業務等多類型、差異化的用戶業務；三是指多維資源，即架構能夠對功率、空時頻等傳統無線通信資源以及存儲、數據、算力、算法、模型等多維度新型資源進行智能編排。“立體”主要是指“空天地一體化”，6G

網絡的覆蓋能力從地面二維向全空間三維覆蓋演進，架構支持的組網模式及業務類型包含空地融合和星地融合，可實現廣域智慧連接，滿足全球泛在無縫接入需求。“全場景服務”主要是指

6G

網絡支持全類型場景的全類型服務，即在

5G

eMBB、mMTC、uRLLC

三大典型場景的基礎上，架構進一步支持沉浸式通信、超大規模連接、超可靠低時延通信等通信增強擴展場景，空天地泛在連接的覆蓋增強新增場景，以及通信感知一體化、通信

AI

一體化等業務擴展新增場景。并且在一切皆服務（X

as

a

Service/Everything

as

aService，XaaS）的趨勢下，支持全行業、全生態的通信、計算、數據、存儲、AI

等全類型服務。2.2

邏輯功能架構6G

無線接入網從所提供功能和資源的角度，可以分為三層：RAN

資源層、RAN

網絡功能層、RAN

服務層。9RAN

資源層：是指在

RAN

內提供資源，通用資源池中包括多層頻段的頻譜資源、多類型的存儲資源、分布式的算力資源以及空天地海的全場景全覆蓋接入設施、感知設施、各類型終端等網絡資源等等。RAN

網絡功能層：是指

6G

RAN

網元邏輯功能架構，可存在

2

種架構設計方式。在功能架構

Option

1

中，通過新型網絡智能功能模塊（Network

AI

Function，NWAIF）在傳統通信面的基礎上高效協同計算面、數據面

的網元功

能。在功能

架構

Option

2

中，通

過增強型

控制面（enhanced-Control

Plane，e-CP）和增強型用戶面（enhanced-UserPlane，e-UP），在承載傳統業務連接控制和數據傳輸的基礎上，進一步承載

AI

業務的連接控制和數據傳輸，同時與計算面、數據面的網元功能協同處理

AI

業務。在架構層面利用

RAN

資源層提供的各類分布式異構資源，從而提供超越連接的新型

AI

功能，并通過

RAN

服務層為網絡用戶提供算力、數據、連接、感知、智能等服務。RAN

服務層：是指

RAN

功能開放和服務提供。通過

RAN

功能層所構建的內生集成和融合多維異構資源的協同能力，實現多類型資源和多節點的資源協同和業務服務等級協議（Service

Level

Agreement，SLA）保障，從而進一步豐富

6G

網絡的應用場景，如沉浸式通信、超高可靠低時延通信、超大規模連接、泛在連接、通信

AI

一體化、通感一體化等等。10圖

1.

6G

無線接入網絡功能架構圖——Option

1.具體而言，對于功能架構

Option

1，6G

RAN

網絡功能層的網元邏輯功能架構中，通信面包含負責傳統通信業務連接控制的控制面和負責傳統通信業務數據傳輸的用戶面，并與核心網網元功能以及運營商數據網絡（Data

Network，DN）進行連接。不同于僅存在通信面的

5G

網絡，6G

RAN網絡功能層中加入了計算面和數據面的功能。其中，計算面包含算力感知、算力路由、算力調度、優化模型管理、算力管理、計算能力開放等功能；數據面包含數據感知、數據采集、數據存儲、數據預處理、數據管理、數據訪問授權等功能。另外，6G

RAN

網絡功能層中的

NWAIF

包含

AI

業務連接控制、AI

業務數據傳輸、AI

模型管理、AI

分析與決策、QoAIS

解釋器等功能，在

RAN側高效協同計算面、數據面和通信面的網元功能以支持智能相關功能，可以賦能部署在

RAN

側的管理編排體、數字孿生體。同時與核心網側負責智能和數據相關功能的網絡數據分析功能（Network

Data

AnalyticsFunction，

NWDAF）相連，共同支持

6G

網絡的內生智能。11圖

2.

6G

無線接入網絡功能架構圖——Option

2.對于功能架構

Option

2，6G

RAN

網絡功能層的網元邏輯功能架構中，通信面包含增強型控制面和增強型用戶面，其中的增強型控制面不僅可以進行傳統通信業務的信令承載，還擴展支持

AI

業務的信令承載，實現

AI業務的連接控制；增強型用戶面不僅可以進行傳統通信業務的數據承載，還擴展支持

AI

業務的數據承載，實現

AI

業務的數據傳輸。Option

2

的網絡功能層中同樣加入了計算面和數據面的功能。其中，計算面包含算力感知、算力路由、算力調度、優化模型管理、算力管理、計算能力開放等功能，也包含

Option

1

中原本由

NWAIF

所包含的

AI

分析與決策、AI

模型管理、QoAIS

解釋器等功能；數據面包含數據感知、數據采集、數據存儲、數據預處理、數據管理、數據訪問授權等功能。計算面和數據面直接與核心網側

NWDAF

相連，通信面中的

AI

業務連接控制和AI

業務數據傳輸兩個網元功能與計算面、數據面的網元功能高效協同，共同處理

AI

業務。122.3

場景部署架構圖

3.

6G

綠色無線接入網絡架構場景部署圖.面向多維度全場景的

6G

綠色無線接入網絡架構場景部署圖包含三個主要的接入部署場景，分別為高低頻協作無線接入部署場景、空天地融合無線接入部署場景和無線內生智能接入部署場景。高低頻協作無線接入部署場景中將傳統基站解耦為信令基站和數據基站，其中信令基站采用低頻信號滿足廣域覆蓋傳播的要求，如一般用于廣播的

700M

頻段；數據基站則采用高頻信號實現熱點容量的增強，所使用的頻段除典型的

Sub-6G

外，還涵蓋毫米波、太赫茲、可見光、智能反射面等

6G

可能新引入的超高頻段。空天地融合接入部署場景中涵蓋地基、天基和空基網絡，除傳統的地基網絡（即傳統的通信網絡）外，空基網絡由無人機平臺和高空平臺組成，13天基網絡涵蓋低軌和中高軌的衛星系統，三者立體分層組網，是實現

6G泛在連接愿景的關鍵解決方案。無線內生智能接入部署場景在經典的集中式云計算場景中補充演進分布式邊緣智能學習，混合協同進行智能服務，并為其提供連接、數據、算力和算法的四要素支持。下面將分別展開介紹這三個主要的接入部署場景。（1）高低頻協作無線接入部署場景圖

4.

高低頻協作無線接入部署場景示意圖.6G

將是一個低、中、高多頻段協同的全頻譜接入系統，無線覆蓋以10GHz

以下為主，毫米波通信將主要用于超大業務流量區域的熱點覆蓋、產業互聯網、固定無線寬帶接入等場景，可見光和太赫茲通信將用于特定場景提供超高速率和感知探測等能力。因此，6G

網絡將實現控制信令和業務數據的全面解耦，由低頻段控制基站提供廣域的統一信令的播發，由高容量、按需開啟的高頻段數據基站提供數據和少量必要的信令的傳輸，以數據基站和控制基站間協作優化資源調度為思路提供按需服務。區別于傳統網絡架構，6G

高低頻協作無線接入架構下，信令廣域覆蓋14打破以服務基站為中心的靜態設計理念，將基站緊耦合的信令與數據功能進一步分離，由低頻信令站點（10

GHz

以下為主）提供廣域的統一信令覆蓋，負責無線資源控制（Radio

Resource

Control，

RRC）消息、物理層信令等控制信令的播發，保證可靠的連接與移動；高頻數據站點（如毫米波、可見光等）按需開啟提供高速數據傳輸，感知探測等能力，從而大幅提升網絡整體能量效率，從組網角度創建一套可提供廣域覆蓋和按需服務的先進網絡。在高低頻協作組網場景中，區域內控制基站廣域覆蓋，數據基站密集部署。6G

RAN

網絡功能層可分為通信面、計算面和數據面。數據基站具備常規的通信數據服務功能。控制基站不僅可以支持小區選擇、移動性管理等常規控制業務，還可通過計算面、數據面以及

NWAIF

的功能，完成全生命周期的

AI/ML

相關任務。目前已有的關鍵技術方案也基本圍繞這個理念，例如高頻數據基站動態開關智能控制這一關鍵技術問題，引入基于用戶的移動性預測，在數據基站側通過數據面功能完成用戶軌跡數據收集、存儲與預處理，以及用戶移動性預測模型的本地訓練，通過在控制基站側執行模型參數聚合，利用

NWAIF

進行用戶移動性預測模型的推理與決策，為數據基站配置小區激活相關的觸發條件等，實現可以按需啟閉的數據小區激活機制，保證網絡能耗的降低。對于低頻覆蓋小區，通過重新設計信令流程，基于區域進行系統信息的廣播，避免用戶設備（User

Equipment，UE）對于系統信息的重復接收，同時保證系統信息的可重用性，減少不必要的控制信令開銷，充分考慮多元化服務的引入，奠定可按需開啟且具備智能性和靈活性的網絡架構基礎。15（2）空天地融合無線接入部署場景圖

5.

空天地融合無線接入部署場景示意圖.由于地理環境的限制，現有移動通信網絡僅僅覆蓋了地球表面陸地約20%的區域，廣闊的海洋和空域沒有網絡覆蓋；又由于經濟成本因素的影響，偏遠山區、高原、邊境等人煙稀少地區無線覆蓋能力較弱，僅靠地面的互聯網、移動通信網絡等傳統網絡難以滿足人們日益增長的空天地海全域覆蓋需求。因此

6G

網絡的覆蓋能力將從地面二維向全空間三維覆蓋演進，空天地融合的通信系統將成為

6G

的一種重要部署場景，被

ITU

列為下一代網絡七大關鍵需求之一，本白皮書將從物理架構與邏輯功能架構方面設計面向

6G

的空天地融合的無線接入網絡部署方案，通過統一的空口技術、統一的網絡架構和統一的智能管控實現廣域智慧連接和全球泛在無縫接入需求。在物理架構上，空天地融合一體架構將是以地面網絡為依托、以天基網絡和空基網絡為拓展的立體分層、融合協作的網絡，為廣域空間范圍內16的各種網絡應用提供泛在、智能、協同、高效的信息保障的基礎設施。其中地基網絡主要由地面互聯網、移動通信網組成，負責業務密集區域的網絡服務；空基網絡由高空通信平臺、無人機自組網絡等組成，具有覆蓋較強、使能邊緣服務和靈活網絡重構等作用；天基網絡由各種衛星系統構成天基骨干網和天基接入網，實現全球覆蓋、泛在連接、寬帶接入等功能。在邏輯架構上，空天地融合無線接入網絡將支持上述

6G

無線接入網絡邏輯功能。具體來說，接入網由各層非地面網絡節點和地面蜂窩接入節點組成，形成覆蓋全球的無線接入網絡，異構的節點將在邏輯功能上分為RAN

資源層、RAN

網絡功能層和

RAN

服務層。空天地融合的

RAN

服務層主要是指在廣域范圍內能夠為用戶以及用戶設備提供的網絡服務，包括傳統的通信連接業務以及新興的感知、智能計算等服務。空天地融合的RAN

資源層主要通過資源虛擬化的技術將節點間的異構網算資源抽象成為資源池，以供不同服務和功能進行統一調度，應對處于高時空動態條件下空中節點資源分布高動態且不均勻導致資源利用率低的問題。RAN

網絡功能層中的計算面、數據面以及通信面可以由不同類型的節點承擔。算力充足的節點可以組成計算面，承擔智能業務中計算能力開放、算力管理等功能；存儲空間大的節點可以承擔數據面的功能，執行數據采集、數據預處理、數據存儲等功能；超低軌道衛星節點或無人機節點等可以組成通信面承擔傳統的通信連接業務。同時在多層異構的節點中將部署大量的專用NWAIF

網元節點，以對執行計算面、數據面、通信面功能的節點進行數據互通、功能合作，支持空天地融合網絡由

5G

的覆蓋融合和業務融合逐漸向用戶融合、體制融合以及系統融合發展。17（3）無線內生智能接入部署場景6G

無線內生智能將包含集中式和分布式兩種智能學習范式，混合協同，是一種自適應分層分簇的學習邏輯架構。其將在

6G

網絡架構內部提供數據采集、數據預處理、模型訓練、模型推理、模型評估等

AI

工作流全生命周期的完整運行環境，將

AI

服務所需的算力、數據、算法、連接與網絡功能、協議和流程進行深度融合設計。圖

6.

無線內生智能接入部署場景示意圖.無線內生智能接入子架構采用集中/分布式協同式模型訓練的混合邏輯架構，使能

6G

無線接入內生智能。通過對

AI

業務特征進行分析識別，實現數據獲取、模型訓練、模型監測及模型部署等功能，通過服務功能鏈和所需微服務構建微服務功能鏈，根據

AI

用例對多維資源與服務體驗的要求，將業務所涉及的微服務部署到合適節點上以提供

AI

服務。對于無需多節點/多域協同的

AI

用例，可以采用集中式的方式進行部署。RAN

以及UE

作為集中式

AI

節點，負責本地可完成的

AI

服務。其中，對于實時性18要求高、算力要求低、數據覆蓋范圍小的服務，可直接由

RAN

甚至

UE提供

AI

服務；而對于實時性要求低、算力要求高、數據覆蓋范圍大的用例，無線網絡側將配合由核心網提供服務。對于需要多節點/多域協同的

AI

服務，如智能小區切換，則需要使用分布式

AI

的方式提供服務。對于分布式

AI

實現架構，從網絡架構的角度可分為中央-本地協同和完全去心化兩種方式。目前最常用的聯邦學習屬于中央-本地協同方式，群體學習是完全去中心化的方式，而遷移學習與元學習則主要通過模型參數在多節點間的共享來輔助學習，可能需要中心節點的協調。還可利用云原生容器框架、大數據計算引擎、分布式計算和機器學習框架等，通過內置數據管理、模型開發、微服務部署等功能模塊，加快內生

AI

服務的開發與部署；通過

API

開放接口，對外提供

AI

服務。該平臺統一調度網絡、計算和存儲資源，并用微服務的方式來實現

AI

服務的各個功能模塊，使

AI

服務輕量、靈活、可擴展且易于部署和管理，最后通過自動化管理工具來實現對

AI

服務的自動化部署和管理。上述場景部署架構分別側重于實現控制信令和業務數據全面解耦、空天地融合接入以及對網絡智能業務的內生支持，并作為一個整體支持完整的網元邏輯功能架構，通過部署

RAN

網絡功能層實現對

RAN

資源層無線資源的智能管理，進而支持

RAN

服務層的功能開放和服務提供。由于

6G網絡的多元化應用場景，需要不同的部署場景之間交集協同，因此三個部署場景之間共存互利，協調合作。以

IMT-2030

中沉浸式通信的全息通信應用舉例，需要以時間同步方19式支持視頻、音頻和其他環境數據的混合流量傳輸，就要求采用無線內生智能部署場景中多模態數據感知與處理技術，并以高低頻協作接入部署場景中高頻數據基站提升傳輸容量，甚至可以以空天地融合接入場景中衛星網絡輔助，達到更高可靠的傳輸。在

IMT-2030

大規模通信的智慧農業用例中，大規模物聯網設備可以考慮以空天地融合接入場景中無人機組網技術實現廣域連接，并采用無線內生智能部署場景中分布式學習的新范式實現智能管理。又例如在流量大容量需求的體育館賽事直播場景，除了采用高低頻協作接入部署場景中數據基站提升信息容量外，還可以用天基網絡中無人機組網輔助通信，從多維度上滿足特定場景下的通信要求。再者如要求高可靠通信的車輛自動駕駛場景，除了以無線內生智能部署中

AI

服務技術來保證模型性能外，額外引入無人機組網連接可以進一步保證通信連接的穩定與可靠性，達成自動駕駛的愿景。2.4

架構特征——綠色、多維、立體和全場景服務本白皮書提出的

6G

新型

RAN

架構設計關鍵特征包括“綠色”、“多維”、“立體”和“全場景服務”。針對“綠色”，面向

6G

RAN

架構設計至簡、靈活、高效、節能的需求，本白皮書提出了信令廣域覆蓋架構設計，能夠有效降低整網信令開銷、小區管理復雜度和網絡能耗；提出了高效準確的小區選擇機制，避免不必要的小區重選同時降低信令開銷，能夠有效提高用戶接入服務的可靠性和質量，構建信令流程高效、網絡部署能耗低的綠色網絡架構；提出了高低20頻組網架構下的靈活接入機制，減少接入流程中的資源浪費，實現網絡的綠色低碳；設計了基于聯邦學習（Federated

Learning，FL）的綠色無線分布式網絡架構，能夠以較小的學習精度損失為代價，獲得理想的整體網絡能耗降低；提出了邊緣計算網絡低能耗網絡關聯技術，能夠顯著降低物聯網設備的時間平均能耗。針對“多維”，面向

6G

RAN

中的多維網絡、多維業務和多維資源，本白皮書設計了分層聚合和異構選擇的

FL

智能部署框架，在保證模型性能的同時減少時延和降低能耗，實現

FL

在無線網絡中更為高效的部署，可以有效解決多維異構性帶來的不利影響；提出了基于用戶行為預測的動態切片資源管理技術，運行中的網絡切片需要有實時感知預測并主動響應用戶需求的能力，實現

RAN

切片資源的實時、動態管理，及時滿足用戶差異化的

QoS

需求；設計了動態智能

RAN

切片配置方案以最大限度地提高頻譜利用率，既可以適用于動態場景，又可以避免頻繁的切片重配置，能夠較好實現不同的粒度下

RAN

切片的動態重配置。針對“立體”，面向

6G

RAN

空天地一體化的趨勢，本白皮書給出了基于隨機幾何理論的三維立體異構網絡的性能分析，對于由地面基站和空中基站組成的三維立體網絡，揭示了網絡參數對于平均速率的影響；設計了星上高效輕量的批量接入流程和解決方案，針對基站部署情況及業務密集程度，使用不同的匯聚節點及批量處理時間，能夠在最大化全局

QoS的同時最大化衛星資源利用率；提出了

LEO

衛星網絡合作計算卸載技術，通過聯合考慮移動用戶、LEO

衛星和云服務器之間的合作，有效降低了任務處理的延遲和能耗；提出了無人機/衛星通信與計算資源統一管理技術，21通過優化卸載決策以及資源分配，能夠在保證總時延的同時有效降低能耗。針對“全場景服務”，面向

6G

RAN

支持全類型場景全類型服務的需求，本白皮書提出了面向分布式移動群智感知的通感算聯合優化技術，通過從數據感知、數據傳輸和數據計算三個角度進行建模仿真，為感知-計算-傳輸策略與資源消耗之間的折衷關系提供理論指導，并且還可擴展到其他相關場景，如多個

MCS

系統合作、通感算聯合優化框架下資源管理等；提出主動式網絡低時延無線接入技術，能在保障開環傳輸結構最小化時延的情況下，使傳輸可靠性保持在

95%以上，滿足了未來無線網絡超低時延高可靠場景的需求。后面將重點介紹

6G

多維立體全場景服務下新型綠色無線接入網絡架構的關鍵使能技術。RAN

架構與關鍵使能技術之間的關系如下圖所示。圖

7.

RAN

架構與關鍵使能技術之間關系圖.223

使能技術——6G

多網共生融合技術未來

6G

網絡將是移動通信網絡、衛星網絡、物聯網等多網異構互聯、多場景并存，且萬物互聯的需求各異、能力各異。在

6G

多維立體全場景服務下新型綠色無線接入網絡架構下，將打破當前多種無線接入制式異構共存、垂直獨立的現狀，通過

6G

多網共生融合技術實現

RAN

的集中/分布式混合、橫向多層、縱向多面、跨域協作、分級部署、統一接入，具備異構分層、高低頻協作、空天地融合統一接入等典型特征，從而支撐多維立體全場景泛在接入和高效組網。3.1

UCN

異構接入技術隨著網絡的更新換代，不同制式的網絡中異構設備的共存成為了亟需處理的問題，為了提升網絡容量和用戶體驗，4G、5G

的異構接入技術得到了飛速發展。3GPP

Release12

提出了雙連接技術，開始是為了讓宏站和微站實現載波聚合，進入

5G

時代之后，雙連接技術被用作

LTE

和

NR的非獨立組網中，并演變成了多連接技術，為了盡可能提高數據流量以及服務多種不同應用場景，多連接技術進一步演變成了宏微分層的網絡架構下超密集異構組網的技術。但是現有異構接入技術仍然存在諸多不足：例如，現有的異構接入技術不能很好地滿足

6G

用戶對高速、低延遲、大帶寬的需求，存在資源浪費和分配不均的問題，此外，當用戶從一個網絡環境移動到另一個環境時，需要進行網絡切換。此時可能會出現連接中斷、延遲升高等問題。在

6G網絡中，用戶數量將大幅增加，并且用戶對網絡性能和服務質量的要求會23變得更加苛刻，現有的異構接入技術并不能完全滿足

6G

網絡的要求，因此需要更加靈活、智能、可靠的網絡架構和技術手段。用戶中心網絡（User-Centric

Networks，

UCN）作為一種以用戶為中心的全新網絡架構，可以通過深度學習和人工智能等技術手段實現更加靈活、智能、可靠的網絡服務。可以更好地滿足

6G

對于高速、低延遲、大帶寬和安全連接的要求，提高用戶體驗和網絡性能，降低運營成本。用戶中心網絡以用戶終端為中心提供服務，各種業務圍繞用戶個性化/定制化提供，滿足用戶的動態需求。以用戶為中心的網絡模式可以很大程度上提高用戶主觀體驗（QoE），并且節約基站的時頻資源。主動式接入技術可看作是實現

UCN

異構接入的一類關鍵技術，主動式接入網絡中采用開環

one-shot

傳輸模式，丟棄了調度請求、上行授權和HARQ

反饋/重傳等閉環控制機制從而避免大量控制信令交互，極致化壓縮通信延遲至

1

個

TTI

時間（mini-slot

模式下可達微秒級）；并通過同時關聯多個接入點（Access

Point，AP）進行多徑傳輸，利用空間分集增益保障網絡可靠性。圖

8.

主動式網絡的基礎架構.24與目前廣泛部署的各類網絡相比，該架構下用戶所有的決策行為具備完全的“主動性”。在動態網絡環境中，用戶自主接入選擇無線資源塊傳輸數據。然而，由于缺乏信道先驗知識，近乎于盲選無線信道進行數據發送會引發數據包丟失或者解碼失敗導致網絡可靠性急劇下降。針對上述問題，提出一種基于深度神經網絡與強化學習結合輔助主動式網絡的方案，該方案可將用戶主動接入的傳輸可靠性達到

86.2%，進一步引入路徑排列碼等空時編碼預處理技術提升糾錯和差錯控制能力，網絡在不增加額外時延開銷時傳輸可靠性可實現

99.999%的目標。另一種支持

UCN

異構接入技術的方案是邊緣計算網絡低能耗網絡關聯研究，本白皮書針對物聯網移動設備的低能耗需求，以多邊緣服務器網絡為支撐，提出移動邊緣計算低能耗網絡接入策略。考慮邊緣服務器與設備間信道質量、計算能力和連接容量存在時空動態差異，建立了系統模型并構建混合整數規劃優化問題，設計單時隙在線優化算法方案將原始問題轉化為單時隙確定性優化問題，基于最小費用最大流的方法實現了單時隙網絡關聯與資源分配。進一步將單時隙在線學習方法擴展為兩時間尺度的網絡關聯與資源分配在線優化方法，實現了漸近最優能耗性能。該方案兼顧多邊緣服務器、網絡時空動態性以及設備公平性三方面因素，將兩時間尺度優化策略與等分配策略、基于優先級的分配策略和單時隙優化策略進行仿真對比，來驗證提出的兩時間尺度的低能耗網絡關聯與資源分配算法的有效性。該方案提出了基于李雅普諾夫優化和雙時間尺度網絡關聯與任務卸載方法，該方法能夠顯著降低物聯網設備的時間平均能耗，同時保證設備間任務卸載的公平性。253.2

高低頻協作接入技術圍繞信令廣域覆蓋架構設計，進一步降低整網信令開銷、小區管理復雜度和網絡能耗，可以從三個方向展開，即以低頻覆蓋高頻小區按需開啟作為實現廣域覆蓋的基礎，以適度分離緊密耦合的控制面和用戶面功能作為柔性覆蓋的核心，以基站和小區間協作優化資源調度為思路提供按需服務。該設計有效簡化小區管理流程，降低整網功耗。目前已有的關鍵技術方案也基本圍繞這些理念，但仍然存在一些問題亟待解決，包括：高頻數據基站動態開關智能控制策略、高低頻小區選擇/重選智能控制機制、高低頻協作組網隨機競爭接入策略、高低頻協作組網干擾管理機制、高低頻協同的信令廣域覆蓋機制、控制基站/數據基站之間的握手機制等問題。對于低頻覆蓋小區，為避免系統信息冗余播發，可以基于區域進行系統信息的廣播，避免

UE

對于系統信息的重復接收，同時保證系統信息的可重用性，降低

UE

功耗。圖

9.

基于區域的系統信息廣播機制.小區選擇是保證用戶接入服務的重要環節。準確高效的小區選擇策略26可以有效提高用戶服務質量。然而，在高低頻混合組網架構下，由于數據基站的瞬時關斷，可能導致用戶駐留小區失敗。因此，針對廣覆蓋控制小區，突破傳統重選機制中僅計算一個

RSRP

和

RSRQ

值的局限，引入小區內頻率優先級概念。本白皮書提出了基于深度強化學習（

DeepReinforcement

Learning，DRL）的小區選擇智能控制策略。該策略采取了用戶側小區選擇決策權上交控制基站的方式，數據基站只有在獲得控制基站業務信令后才會開啟用戶駐留服務，避免全天候下發參考信號。該方案能夠實現高效準確的小區選擇，避免不必要的小區重選同時降低小區添加/刪除/激活、測量等的信令開銷，并且有效地提高了用戶接入服務的可靠性和質量，構建信令流程高效、網絡部署能耗低的綠色網絡架構。圖

10.

多頻帶服務小區示意圖.高頻數據基站的動態開關是高低頻協作組網中非常關鍵的一種節能方案，然而，現有的基站控制方法難以靈活控制基站的啟閉。通過引入基于用戶的移動性預測，再根據用戶個體流量需求，在小尺度上對流量預測進行修正，可以實現基于雙尺度流量預測的基站動態開關智能控制方法。一方面通過大尺度流量預測保證預測的全局性和平穩性，另一方面結合用戶移動位置預測，得到小尺度流量需求，提高預測準確性，進而動態控制數據基站的開關。該方案實現了高頻數據基站的自適應啟閉，在提升網絡智能管理和智慧運維能力的同時大大降低網絡能耗，實現網絡的運行節能化、27綠色化。圖

11.

雙尺度流量預測的基站動態開關智能控制示意圖.高低頻基站解耦的機制便于密集部署的數據基站在一定條件下關閉或進入低功耗模式，降低網絡能耗。但是基站的開啟/關閉和無線網絡的干擾之間存在耦合關系，因此基站啟閉時，新的用戶連接關系、干擾情況的變化使環境過渡到一個新的狀態。通過引入基于智能模塊的高低頻協作組網干擾協調機制，在未有數據基站啟閉的情況下，每個數據基站上部署的智能干擾協調模型，可以執行干擾協調決策。該方案保證了高低頻網絡架構下用戶服務的可靠性與連續性，通過提升干擾協調性能進而提升網絡整體性能，同時實現了高頻數據基站與低頻控制基站之間信息交互的智能化與簡化。綜上，6G

設計全新的高低頻小區協作技術，可通過信令的優化構建分布式控制面系統，減少不必要的控制信令設計和資源開銷，同時在用戶面設計方案中充分考慮多元化服務的引入，為提升用戶面按需開啟、智能性、靈活性奠定基礎。283.3

空天地融合無線接入技術空天地融合無線接入是本白皮書所提新型無線接入網絡架構的重要部署場景，承載著

6G

對全域范圍實現無縫覆蓋的需求。空天地融合無線接入的實現需要地面網絡、空中節點網絡以及衛星網絡共生融合技術的支持，本白皮書針對各層網絡具備的特點以及異構網絡共生融合技術實現過程中存在的問題展開介紹。相比于傳統的網絡節點，UAV、高空平臺（High

Altitude

Platform

，HAP）具有靈活部署、造價低、使用方便等優勢，可以作為空中可靠的訪問和中繼節點。然而與地面網絡節點相比，空中基站的工作環境更加惡劣，且由于載荷、能源有限，其自身的功能也受到限制，這將對整體的空地網絡系統部署帶來挑戰。首先，由于空中基站本身能源有限，并且一般工作在信道環境較差的區域，如何保證空中基站與地面基站能夠建立長時間穩定的連接是一個需要解決的關鍵問題。其次，由于空地通信系統本身具有三維立體特性，相比于傳統地面網絡的二維結構在網絡的性能分析上需要考慮更多的因素。因此，如何完成對空地通信系統中立體組網的性能分析也是需要解決的問題。另一方面，衛星網絡具有多層立體、終端多樣化、空間節點高度動態、空間節點資源受限、拓撲結構時變、衛星鏈路傳播時延高、衛星廣播傳輸鏈路易受攻擊等特點，在傳輸效率、干擾管理、移動性管理、以及安全和隱私等方面都面臨巨大的挑戰。29圖

12.

空地融合網絡系統模型圖.為了解決上述問題，本白皮書提出了一些可供參考的解決方案。如，傳統網絡性能分析結主要是針對二維網絡，難以適用多維立體的空地融合網絡，本白皮書基于隨機幾何理論開展了無人機和地面基站組成的三維立體異構網絡的性能分析，分析了基于

MISR

增益方法逼近典型

TUE

和

UUE平均速率的準確性，揭示了網絡參數對于平均速率的影響。圖

13.

星地協同接入系統模型.為了實現星地無縫接入應對全域覆蓋需求，衛星通信需要與地面通信融合發展，然而傳統接入算法并不適用于星地融合網絡。本白皮書設計了一種星上高效輕量的批量接入流程和解決方案，最大化全局

QoS

的同時30最大化衛星資源利用率。與基準相比，新指標在頻譜效率和全局

QoS

之間取得了更好的平衡。通過地面蜂窩和衛星的協同和互補，可實現對城區熱點大規模接入的輕量高效接入控制。在不額外增加設備，盡量不改變現網結構前提下，提供可靠、低時延的用戶接入體驗。3.4

多維接入網絡資源智能編排6G

網絡在支持日益繁雜的業務時，面臨著資源稀缺且異構、無線環境動態時變、用戶需求隨機多樣、QoS

要求更嚴苛動態等挑戰。現有的無線資源管理方案缺乏對用戶需求和時變環境的智能深度感知，不夠動態、靈活，被動且存在大量的資源浪費。本白皮書開展面向深度智慧、泛在連接的無線資源智能管理研究。網絡通常可以通過大數據分析、預測技術獲取下一時刻業務的流量水平及負載分布，以高效保證用戶的業務體驗。隨著可用歷史數據體量的不斷增長，計算能力的不斷提升，基于

AI

的預測比傳統基于統計學的方法具有更優越的性能。基于流量預測結果，網絡在調度開始前，綜合考慮業務類型和用戶的優先級來為業務動態配置多維資源。為了提高資源利用率，需要縮小資源預留粒度，使得更多的未使用資源被空出，從而能滿足更多業務的資源請求。在資源管理和調度環節中，網絡可以根據用戶行為對預留資源進一步配置，以最大化吞吐量、收益或降低時延、丟包率等。為了實現

RAN

切片資源的實時、動態管理，及時滿足用戶差異化的QoS

需求，運行中的網絡切片需要有實時感知預測并主動響應用戶需求的能力。基于此，本白皮書開展基于用戶行為預測的動態切片資源管理的研31究。考慮一個雙層異構網絡（Heterogeneous

Network，HetNet）的場景，如下圖所示。宏基站（Macro

Base

Station，MBS）作為中心控制單元，根據用戶行為的預測結果，做出

RAN

切片接入選擇和資源調度方案的集中決策，并向微基站（Small

Base

Station，SBS）下發控制信令。其中，接入選擇策略包括用戶對接入點

SBS

和切片的選擇，資源分配考慮的是SBS

上帶寬資源切分。圖

14.

HetNet

場景下的

RAN

切片.在實際場景中，由于網絡切片之間相互隔離，用戶數據在地理上分散，且為了規避用戶數據隱私問題，減小集中式訓練帶來的通信開銷和時延，該方案使用聯邦學習機制對用戶行為預測模型進行分布式訓練。該方案使用聯邦學習機制對用戶行為預測模型進行分布式訓練。假設用戶的行為特征數據（例如流量使用習慣、移動軌跡等）存儲在用戶本地，每個

UE

上訓練本地長短期記憶（Long

Short

Term

Memory，LSTM）預測模型，對用戶行為進行局部預測。相比與上傳所有數據的集中式預測方法，此方案可有效減少用戶上傳信息，在一定程度上保護用戶隱私和減小通信開銷。基于上述研究方案，對基于

FL

的切片用戶流量預測進行了仿真分析，結果顯示在切片間相互隔離、用戶數據地理上分散的場景下，基32于

FL

的用戶行為預測可以減小通信開銷，優化整體的預測性能，實現對用戶需求的精準把控，進而指導切片資源的實時調度決策。另一方面，隨著智能移動終端設備的大量普及和嵌入式傳感技術的迅速發展，移動群智感知（Mobile

Crowd

Sensing

,

MCS），引起了工業界和學術界的廣泛關注。相比于傳統感知模式，MCS

具有感知范圍廣、感知數據種類多、部署成本低、可擴展性高等優勢。但是在無線邊緣網絡中，由于有限的通信資源和不穩定的無線信道，MCS

部署于無線邊緣網絡時面臨新挑戰。基于此，本白皮書所提方案在多維網絡資源限制條件下，聯合考慮感知任務實施過程中涉及的感知、通信與計算策略，從而最優化MCS

系統的性能。該方案所提出的通感算聯合優化算法優于現有的其他算法。研究結果為感知-計算-傳輸策略與資源消耗之間的折衷關系提供理論指導，并且還可擴展到其他相關場景。334

使能技術——6G

無線接入內生智能技術為滿足

6G

多樣化

AI

服務需求，本白皮書認為

6G

分布式協同智能架構將會是集中/分布式協同式模型訓練的混合邏輯架構，是基于自適應分層分簇的學習邏輯架構。該架構能夠根據接入網絡拓撲、信道狀態、業務需求、網絡狀態信息、資源狀況以及智能任務分布等，自適應確定最優的模型聚合分層邏輯結構、協同集群等，并且能夠以合理的通信、算力及數據資源開銷，得到高精度的

AI

模型，用于

RAN

預測、推理和決策，使接入網絡實現內生智能。4.1

無線分布式協同智能框架在分布式協同學習中，智能體通過分享輕數量級的經驗合作建立共識，不僅可以維護全局共享學習模型以解決大規模機器學習問題，還能保護用戶隱私與數據安全。然而，分布式協同學習在實現網絡智能方面仍然面臨許多挑戰，尤其是部署在無線網絡中時。一方面，智能體在傳輸交互內容的時候，消耗的傳輸資源會相當大。即使傳輸的是輕量級模型，當參與訓練的用戶設備數量足夠多或者局部模型的規模足夠大時，傳輸過程中產生的無線資源成本高達幾十億字節（Gb）。另一方面，無線網絡中鏈路不穩定、無線信道損傷、無線資源限制、智能體計算資源異構等因素會影響模型傳輸效率和模型學習效率，產生落后者效應，從而影響模型學習性能。因此，需從通信資源、無線信道質量、計算資源、數據量、模型學習性能等不同維度考慮無線網絡與分布式協同學習之間的相互制約關系，構建無線網絡中的分布式學習理論分析模型，實現分布式協同學習與無線網絡的34深度融合。在分布式學習使能的無線網絡中，智能體通常希望可以根據其底層系統資源約束，執行適當數量的本地計算和數據傳輸工作。比如，計算資源較少的智能體可以訓練較小規模的模型，而無線資源較少的智能體可以傳輸較小規模的模型。此外，許多公司、運營商、研究機構等均希望在不共享學習模型細節和本地數據的情況下探求不同任務之間的協作。因此，智能體也需根據自身網絡環境的實時變化執行個性化學習，以減輕甚至消除網絡資源異構、系統異構、任務異構等帶來的負面影響。傳統的集中式智能計算架構已經不能滿足低延遲高可靠的通信和計算要求，難以高效支撐未來

6G

網絡泛在智能的需求，因此需要引入分布式智能計算架構以充分利用用戶終端和節點所持有的多維數據以及各自的計算資源。同時，在無線接入網絡架構的研究中需要重點關注引入了分布式智能架構之后

6G

無線接入網中的能耗問題。圖

15.

6G

網絡多層次

FL

節點部署示意圖.35通過對引入分布式智能計算的

6G

無線接入網絡能耗問題進行建模分析和方案的仿真驗證，可以通過結合聯邦學習與多層網絡拓撲進行

6G

網絡多層次

FL

節點部署設計，利用與設備更近的輔助接入節點進行分層異構聯邦學習，通過減少高層次聚合的通信頻次，降低系統的整體能耗。還可以通過雙向

FL

節點接入選擇策略，以及引入異構節點動態帶寬補償機制，抑制異構設備和信道狀態惡化等因素的影響，有效地減少

FL

總通信時間，從而降低系統的通信能耗。另外，還可以使用

AI

領域模型訓練中的一些方法如模型量化、梯度稀疏化等模型壓縮的方法，降低每輪聚合的通信負載，從而有效降低系統總能耗。從上述研究中可以得出以下結論：無線分布式網絡架構可通過以上三個角度進行綠色設計，以較小的學習精度損失為代價，獲得理想的整體能耗降低。對于不同的網絡場景和服務需求，可以在這三個角度中使用不同的方案或方案組合，以合理的學習精度成本實現最低的能耗。另一方面，無線分布式協同智能框架下需要考慮數據的分布特征以及智能功能的實時性要求，這亟需對人工智能技術存儲與管理、數據和參數傳輸、智能接口增強等智能功能組件的垂直/水平分層部署進行新的設計。本白皮書提出結合分層分布式智能架構，進行智能功能組件的垂直/水平分層部署設計，構建面向

6G

網絡的分層智能通信網絡架構，并進行基站內生智能的詳細設計和

AI

工作流程，以實現高效的網絡管理功能和用戶業務優化增強。36圖

16.

智能功能組件垂直/水平分層部署示意圖.基于如上圖所示的分布式分層智能通信網絡部署設計，可以支持新型智能網絡架構的靈活設計。在垂直方向上，網絡可以根據不同業務差異化的需求按需編排智能功能組件，靈活利用不同網絡層次的智能功能，極致優化通信計算性能。在水平方向上，可以靈活快速地編排和使用智能功能組件，在網絡的各層級均可組成分布式協同的控制管理體系。通過聯邦學習、元學習等分布式智能框架，實現水平層面上各個節點之間的分布式智能交互與協同。該設計一方面可以通過靠近數據源，避免數據傳輸產生的能耗問題以及時延問題，另一方面能夠更加有效地協同各個節點的通信和計算能力，高效利用人工智能技術來優化網絡效能。374.2

有中心模型聚合協同接入技術傳統的樹狀分布式協同框架為兩層體系架構，由表示聚合中心或智能體的樹節點和表示智能體的樹葉節點組成。這種體系架構經由智能體本地訓練及中心服務器聚合的連續過程，能有效降低網絡負擔并保護用戶隱私。但伴隨著

6G

網絡中新興業務的極致化質量保障要求，以及無線網絡本身資源異構受限、環境動態變化等因素，這種固定模式的樹狀分布式學習框架將可能不再適用于未來通信中。因此，需在這樣復雜的無線環境下，建立分布式協同的自適應分層分簇體系架構，其將有能力根據網絡資源、分布式學習任務需求、服務質量要求等構建高效的分層分簇網絡拓撲，并采用同步或異步方式執行分層聚合方法進行訓練，為

6G

網絡提供高效彈性的邏輯學習架構，同時保證模型學習性能和相對應的服務質量需求。基于這樣的分布式協同學習框架下，進一步考慮無線信道質量、無線資源限制等對于模型傳輸的影響，同時在保證模型精度的條件下減少通信開銷，提升能效比，為異構協同學習模型開發一種高效智能的通信方案。伴隨著

ICDT

在

6G

無線網絡中的深度融合，RAN

的異構性也往更為多元化的維度發展，從單一的通信維度擴展為計算、通信、數據、感知等多個維度。當傳統的

FL

直接部署在多維動態異構的無線網絡中，極有可能出現學習性能降低、收斂變慢、低能效等問題。當前仍缺乏將

FL

應用于實際異構無線網絡中的有效解決方案，亟需研究新型的無線分布式智能部署策略。38圖

17.

異構用戶節點

FL

參與示意圖.通過引入在多維異構的6G無線網絡中

FL

部署模型的時間和能耗分析，設計一種針對異構用戶節點的

FL

參與機制，一方面采用時間容忍度（即允許的最大

FL

本地完成時間）以約束不同設備間的時間差異，另一方面定義學習有效性（即

FL

本地模型性能的評估指標）保證聚合模型的精度。上述研究實現了

FL

在無線網絡中更為高效的部署，有望作為解決多維異構性帶來的不利影響的方案。4.3

全分布式模型聚合協同接入技術在大數據時代，采用把原始數據上傳到數據中心進行處理的傳統方式將不再適用于擁有海量數據的網絡邊緣，網絡將傾向于發展無線節點的全分布式協同技術。然而由于節點位置變化和無線信道的時變特性導致的動態性，以及節點和網絡所能提供的資源的分布不均勻和多維異構性，使得在無線網絡中實現分布式協同往往是低效的，難以挖掘其中的隱含關系。基于聯邦學習的無線接入網高效自協同問題，本質上為貫序決策問題。因此，將其建模為馬爾科夫博弈過程，基于智能體強化學習設計分布式節點的自適應協作策略，優化獎勵函數的平均場表征機制，并采用雙層神經39網絡解耦動作空間的選擇和評估，使之可以支持節點間的靈活通信和本地訓練，提高協同學習效率。圖