用于下一代无线网络优化的生成式人工智能：基础原理、最新进展与开放性挑战

《IEEE Communications Surveys & Tutorials》：Generative AI for the Optimization of Next-Generation Wireless Networks: Basics, State-of-the-Art, and Open Challenges

xG无线网络面临传统优化技术难以应对的复杂挑战，生成式AI凭借数据驱动的动态适应能力与场景生成优势，在资源分配优化、网络性能提升及非地球轨道网络等场景中展现出突破性应用，通过强化学习与扩散模型结合实现负载均衡与网络架构创新。

　　

摘要：

下一代（xG）无线网络具有复杂和动态的特性，这给使用传统的优化技术带来了重大挑战。生成式人工智能（GAI）凭借其独特的优势成为一种强大的工具。与传统优化技术和其他机器学习方法不同，GAI擅长从现实世界的网络数据中学习，捕捉其复杂性。这使得能够安全地进行离线探索各种配置，并生成多样化的、未见过的网络场景，从而推动xG网络的前瞻性、数据驱动的探索和优化。此外，GAI的可扩展性使其非常适合大规模的xG网络。本文探讨了基于GAI的模型如何在xG无线网络中释放优化潜力。我们首先回顾了GAI模型以及xG（例如第六代）无线网络的一些主要通信范式，然后深入探讨了如何利用GAI来改进资源分配并提升整体网络性能。同时，我们还简要介绍了支持xG无线网络中GAI应用的网络需求。文章进一步讨论了利用GAI进行网络优化的关键挑战和未来研究方向。最后，一个案例研究展示了基于扩散的GAI模型在非地面网络中的负载均衡、载波聚合和回程优化中的应用，这是xG网络的核心技术。这个案例研究实际展示了如何结合强化学习和GAI来解决现实世界的网络优化问题。

引言

网络优化通过各种策略和技术来提升通信网络的性能和效率。这些方法旨在提高数据传输速度、减少延迟、增加网络容量，并确保可靠和安全的连接性。在下一代（xG）无线通信领域，如第五代（5G）和第六代（6G）通信中，面临的重大挑战包括管理日益增加的网络复杂性和规模、动态适应服务需求、实现能源和资源的可持续性、在多种应用中保持服务质量和用户体验，以及增强安全性以应对不断变化的威胁。异构网络的集成也带来了在各种网络类型之间保持无缝连接的挑战。为了解决这些挑战并确保未来的无缝用户体验，xG无线网络需要创新的解决方案。人工智能（AI）在这一领域具有巨大潜力。