AI原生无线接入网(RAN)前沿研究综述:从资源调度到安全防御的系统性创新

《IEEE Network》:SCANNING THE LITERATURE/Edited by Xiaohua Tian

【字体: 大 中 小 】 时间:2026年01月19日 来源:IEEE Network 6.3

编辑推荐:

  本专栏聚焦AI原生无线接入网(RAN)的前沿挑战,推荐五篇最新研究。针对虚拟化RAN(vRAN)中的资源调度、计算资源争用(“嘈杂邻居”问题)、Cloud-RAN协同边缘AI推理、O-RAN中AI应用决策冲突以及安全威胁(如干扰攻击)等问题,研究人员分别提出了ATHENA(ML+MR调度)、AIRIC(AI驱动编排)、基于判别增益的协同推理、PACIFISTA(冲突管理)及联邦深度强化学习防御等创新框架。这些研究在O-RAN兼容平台上验证了性能提升(如99.9%可用性、30%资源节省),为构建智能、高效、可靠的6G网络提供了关键技术路径。

  
随着第五代移动通信(5G)技术的规模化部署和第六代移动通信(6G)研究序幕的拉开,无线接入网(Radio Access Network, RAN)作为连接用户设备与核心网的关键桥梁,正经历着从硬件专用、集中式架构向软件定义、虚拟化、开放化的深刻变革。虚拟化无线接入网(virtualized RAN, vRAN)和开放无线接入网(Open RAN, O-RAN)等新型架构通过解耦硬件与软件,赋予了网络前所未有的灵活性和可扩展性。然而,这种变革也引入了前所未有的复杂性:在vRAN中,共享云基础设施上的多个虚拟基站会争抢计算资源(如CPU、缓存),导致“嘈杂邻居”(noisy neighbours)问题,严重影响实时业务性能;在O-RAN中,多个由人工智能(Artificial Intelligence, AI)驱动的控制应用(如xApps, rApps)可能因优化目标冲突(如吞吐量最大化与能耗最小化)而产生决策矛盾,引发网络振荡;同时,开放的接口也使其更易遭受如干扰(jamming)等安全攻击。此外,为支持边缘智能(Edge AI)应用,如何在Cloud-RAN架构下实现低延迟、高精度、保护隐私的协同推理(Collaborative Inference)也是一大挑战。面对这些挑战,仅仅将AI作为外挂工具已不足以应对,迫切需要将AI深度融入RAN的设计与运作中,即构建“AI原生(AI-native)”的RAN,使其具备内生的学习、推理与自适应能力。
在此背景下,近期发表于《IEEE Network》杂志“Scanning the Literature”专栏的五篇前沿研究论文,分别从不同角度对AI原生RAN的关键技术进行了深入探索,为解决上述问题提供了创新性的思路和实践方案。
为开展研究,研究人员主要运用了以下关键技术方法:基于深度强化学习(Deep Reinforcement Learning, DRL)的策略优化(如DDPG, DQN)、机器学习与机器推理(Machine Reasoning, MR)的结合、基于关系网络(Relation Network, RN)的依赖关系建模、面向任务(Task-oriented)的通信优化(如判别增益最大化)、联邦学习(Federated Learning)与多智能体强化学习(Multi-Agent Reinforcement Learning)的融合、以及基于层次图模型和统计分析的冲突评估方法。实验验证多在O-RAN兼容的开源平台(如srsRAN, Colosseum, OpenRAN Gym)或标准数据集(如WSN-DS, Fashion-MNIST)上进行。
ATHENA: 机器学习与推理助力vRAN系统无线资源调度
N.Apostolakis等人提出ATHENA框架,将机器学习(Machine Learning, ML)与机器推理(Machine Reasoning, MR)相结合,以增强vRAN中的无线资源管理。该研究通过将调度任务建模为上下文赌博机(contextual bandit)问题,并采用深度确定性策略梯度(Deep Deterministic Policy Gradient, DDPG)算法,使调度器能够同时优化物理资源块(Physical Resource Block, PRB)和调制编码方案(Modulation and Coding Scheme, MCS)的分配,同时适应云端动态的计算资源约束。研究结论表明,ATHENA不仅提升了吞吐量和截止时间遵守率,其集成的推理层还能解释ML的决策,为实现可解释、自主的网络控制提供了途径。
AIRIC: 应对“嘈杂邻居”的虚拟化无线接入网编排
J.X.S.Lozano等人针对vRAN中的计算资源争用问题,提出了AIRIC框架。该研究首先量化分析了共享环境中缓存争用、上下文切换等因素对性能的影响。在此基础上,AIRIC整合关系网络(RN)和深度Q网络(Deep Q-Network, DQN),学习虚拟基站间的相互依赖关系,并动态预测最优的CPU配置。实验结果表明,在波动的业务负载和信道条件下,AIRIC能实现接近最优的吞吐量(服务可用性超过99.9%),并节省高达30%的计算资源。
Cloud-RAN上的协同边缘AI推理
P.Zhang等人研究如何在Cloud-RAN架构上实现高效的协同边缘AI推理。该框架利用空中计算(Over-the-air computation)技术,使分布式设备提取的局部特征向量能在远程无线电头端(Remote Radio Head, RRH)高效聚合,再经受限的前传链路(fronthaul link)传至中央处理器进行联合推理。通过以最大化判别增益(discriminant gain)为目标,联合优化发射预编码、接收波束成形和量化控制,该方案在人类动作和Fashion-MNIST数据集上的实验显示,其推理精度显著优于现有基线方法。
PACIFISTA: 开放RAN中的冲突评估与管理
P.B.del Prever等人关注O-RAN中AI应用间的决策冲突问题,提出了PACIFISTA框架。该框架通过一个分析流程,在沙箱环境中系统性地测试O-RAN应用的行为,并利用层次图模型关联控制参数与关键性能指标(Key Performance Indicators, KPIs),以统计方法识别和量化直接、间接和隐性冲突。研究证明,PACIFISTA能在部署前检测潜在冲突,在存在冲突的xApp场景下可防止高达30%的性能损失,有效维护系统稳定性。
面向下一代关键任务业务的AI原生端到端网络切片
A.R.Hossain等人将研究视角扩展到涵盖RAN和核心网(Core Network, CN)的端到端网络切片。该研究建模了控制面(Control Plane, CP)和用户面(User Plane, UP)的网络功能及其相互依赖关系,以最小化混合业务(如增强移动宽带和超高可靠低时延通信)的端到端时延。作者将问题分解为RAN侧的凸优化和CN侧的AI原生优化,后者利用深度强化学习智能分配资源,并引入了全虚拟隔离(Full Virtual Isolation, FVI)和物理平面隔离(Physical Planar Isolation, PPI)等新配置。仿真结果表明,FVI+PPI配置能显著降低端到端时延,并在高负载下提升可扩展性。
联邦深度强化学习用于O-RAN中高效干扰攻击缓解
Z.A.E.Houda等人针对O-RAN的安全挑战,提出了一种融合联邦学习与深度强化学习(DRL)的框架来缓解干扰攻击。该框架将问题形式化为联邦多智能体强化学习任务,部署在近实时RAN智能控制器(Near-Real-Time RIC)中的多个智能体使用DRL学习本地防御策略,并与非实时RIC(Non-Real-Time RIC)共享模型更新而非原始数据。这种设置通过联邦平均实现全局策略聚合。实验结果显示,该框架检测准确率、精确率和召回率均可达99%,同时大幅减少了训练时间。
综上所述,这系列研究标志着AI原生RAN正从概念走向实践。它们共同指向一个核心趋势:未来的无线网络需要更深层次的智能内生能力,即网络不仅能被AI优化,其架构本身就能支持AI模型的协同训练、分布式推理和自主决策。这些工作通过创新的算法设计(如结合学习与推理、联邦学习)、系统架构优化(如O-RAN原生集成)以及严谨的实验验证,为解决vRAN资源管理、边缘AI推理效率、多智能体决策冲突以及网络安全等关键问题提供了切实可行的解决方案。其意义不仅在于展示了AI在特定场景下的性能优势,更在于为构建一个能够自我优化、自我修复、自我防御的6G智能网络奠定了理论与技术基础,预示着无线通信与人工智能深度融合的新纪元即将到来。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号