6G 的 AI 增强型 Net-RCA
5G 技术带来了重大的里程碑发展,允许新的应用,如增强现实和自动驾驶车辆。然而,这些改进带来了管理复杂性的增加和对故障处理的特别关注,因为 5G 旨在支持的应用程序严重依赖于高网络性能和低延迟。因此,自动自愈解决方案已经成为处理这一要求的有效方式,允许基于学习的系统自动检测异常并执行根本原因分析 (RCA)。然而,实施这种智能系统存在固有的挑战。首先,在异常检测和 RCA 方面缺乏合适的数据,因为故障场景的标记数据不常见。其次,当前的智能解决方案针对 LTE 网络定制,没有完全捕捉到数据中存在的时空特征。鉴于此,我们利用一个校准的模拟器 Simu5G,生成开源的正常和故障场景数据。使用该数据,我们提出了 Simba,一个在 5G 无线接入网络 (RANs) 中进行异常检测和根本原因分析的最先进方法。我们利用图神经网络来捕捉空间关系,而 Transformer 模型则用于学习数据的时间依赖性。我们实现了 Simba 的原型并对多个故障进行了评估。将结果与现有解决方案进行比较,验证了 Simba 的优越性。
Jun, 2024
这篇文章提出了一种基于人工智能的 6G 网络智能架构,用于实现知识发现、智能资源管理、自动网络调整和智能服务提供。作者还回顾和讨论了 AI 技术在 6G 网络中的应用,并详细阐述了如何利用 AI 技术有效地优化网络性能,包括 AI 支持的移动边缘计算、智能移动和切换管理以及智能频谱管理。另外,作者强调了重要的未来研究方向和 AI-enabled 6G 网络的潜在解决方案,包括算法鲁棒性、计算效率、硬件开发和能源管理等。
Dec, 2019
本文提出了一种名为 NetRCA 的算法来解决网络错误本源的准确定位问题,该算法从原始数据中提取有效的派生特征,采用多元时间序列相似性和标签传播来增加数据,最后采用合奏模型来提高性能,并在 ICASSP 2022 AIOps Challenge 数据集上进行实验验证。
Feb, 2022
本文介绍了一种将模型训练和推断能力嵌入到网络边缘的边缘人工智能技术,为 6G 提供了一种优化网络效率、效果、隐私和安全的解决方案,并提出了新的无线网络设计原则、面向服务的资源分配优化方法、端到端的架构以支持边缘人工智能。
Nov, 2021
本综述旨在探讨可解释人工智能在 6G 系统中的应用,包括公共和法律动机、解释性定义、性能与解释性权衡、提高可解释性的方法以及将可解释性纳入未来无线系统的框架,由 PHY 和 MAC 层的优化案例研究支持。
Nov, 2019
在 6G 网络中,我们引入了一种新颖的平台架构,通过基于区块链的智能系统部署零触碰的 PAI 作为服务(PAIaaS),旨在在架构的各个层面上标准化普适的人工智能,并统一接口,以便跨应用程序和基础设施领域轻松部署服务,解决用户在成本、安全和资源分配方面的担忧,并同时遵守 6G 严格的性能要求。作为概念验证,我们展示了联邦学习作为服务的用例,通过评估我们所提出的系统自我优化和自适应于 6G 网络的动态,并最大程度地减少用户的感知成本。
Jul, 2023
本文介绍了一种针对 6G 网络的人工智能本地网络切片架构,旨在促进人工智能和网络切片的协同作用,以便实现智能网络管理并支持新兴人工智能服务。
May, 2021