综述：6G移动网络中基于移动边缘计算的机器学习切换决策研究

这篇综述系统性地探讨了6G移动网络环境下，如何利用机器学习（ML）优化移动边缘计算（MEC）中的切换决策（HOD）。文章深入分析了6G网络架构特性（如超低延迟、太赫兹通信）、MEC技术优势，以及三类ML方法（监督学习SL、无监督学习UL、强化学习RL）在解决切换失败（HOF）、乒乓效应（HOPP）等关键问题中的应用，为未来网络智能化部署提供了理论框架和技术路径。

　　

网络概述

6G移动网络作为下一代通信技术，预计在2030年实现商用，其核心特征包括1Tbps峰值速率、0.1ms级延迟和10⁷设备/km²的连接密度。相较于5G，6G在能效和频谱效率上分别提升10-100倍和5-10倍，并引入太赫兹（THz）频段、智能超表面（RIS）等新技术。移动边缘计算（MEC）通过将算力下沉至网络边缘，显著降低AR/VR、自动驾驶等场景的端到端（E2E）延迟，但用户移动性导致的边缘服务器切换成为关键挑战。

切换决策机制

传统切换算法基于参考信号接收功率（RSRP）阈值触发，但6G超密集网络（UDN）中频繁切换会导致乒乓效应和资源浪费。机器学习通过以下方式优化决策：

• 监督学习：支持向量机（SVM）利用历史数据预测最优目标基站，准确率达98.4%；决策树则通过RSSI、带宽等多参数联合判断，减少垂直切换（VHO）次数。

• 强化学习：深度Q网络（DQN）在无人机（UAV）通信中动态调整切换策略，降低76%非必要切换；多智能体强化学习（MARL）可平衡网络负载与用户服务质量（QoS）。

关键技术挑战

• 空天地海一体化网络（SAGSIN）：卫星-地面链路切换需解决高速移动（如低轨卫星时速27,000km）带来的多普勒频移问题。

• 资源分配：联合深度强化学习（DRL）与软件定义网络（SDN）实现计算-通信资源协同优化，任务卸载延迟降低30%。

• 安全隐私：联邦学习（FL）在保护用户数据前提下，通过分布式模型训练提升切换预测精度。

未来方向

• 数字孪生网络：构建虚拟映射模型实时模拟切换场景，优化DRL训练效率。

• 太赫兹阻塞预测：结合计算机视觉预判障碍物遮挡，实现 proactive handover。

• AI-native架构：将神经网络嵌入无线协议栈，实现端到端智能切换控制。

该研究为6G时代智能移动性管理奠定了理论基础，其ML-MEC融合框架有望推动全息通信、远程医疗等创新应用落地。