Welche neuen Herausforderungen kann maschinelles Lernen für die 5G-Kommunikationstechnologie mit sich bringen?

Heutzutage spielt die drahtlose Kommunikation in unserem täglichen Leben eine wichtige Rolle. Die neueste 5G-Netzwerkkommunikation soll schnellere, zuverlässigere und effizientere Datenübertragungsgeschwindigkeiten und -dienste bieten als bestehende 4G-Netzwerke. Gleichzeitig hat die rasante Entwicklung der künstlichen Intelligenz in den letzten Jahren neue Methoden zur Lösung schwieriger Probleme in traditionellen Kommunikationstechnologien hervorgebracht und neue Möglichkeiten eröffnet. Dieser Artikel kombiniert die Forschungsfortschritte im Bereich des maschinellen Lernens, einer klassischen Technologie im Bereich der künstlichen Intelligenz, um die Anwendung des maschinellen Lernens in der fortschrittlichen 5G-Mobilfunkkommunikation vorzustellen und untersucht außerdem die Herausforderungen und zukünftigen Forschungsrichtungen, die sich bei der Anwendung des maschinellen Lernens in der fortschrittlichen 5G-Mobilfunkkommunikation ergeben.

1. Einführung in die 5G-Netzwerkkommunikation

Das 5G-Netz, die fünfte Generation der Mobilfunktechnologie, ist der Kern der neuen Generation der Mobilfunktechnologie. 5G verfügt über eine ultrahohe Spektrumauslastung und Energieeffizienz und seine Übertragungsrate und Ressourcenauslastung sind mindestens eine Größenordnung höher als bei der 4G-Mobilkommunikation. Auch die Leistung der drahtlosen Abdeckung, die Übertragungsverzögerung, die Systemsicherheit usw. wurden erheblich verbessert. Die 5G-Mobilkommunikation ist eng mit anderen drahtlosen Mobilkommunikationstechnologien integriert und bildet eine neue Generation allgegenwärtiger mobiler Informationsnetzwerke. Es kann den Entwicklungsbedarf des mobilen Internetverkehrs decken, der in den nächsten 10 Jahren um das Tausendfache steigen wird[1]. Darüber hinaus wurden auch die Anwendungsbereiche der 5G-Mobilfunksysteme weiter ausgebaut. Ihre Anwendungen im intelligenten Transportwesen, in der Telemedizin, im Internet der Dinge, in der Virtual-Reality-Unterhaltung und in anderen Bereichen haben das Leben der Menschen beispiellosen Komfort gebracht.

Gleichzeitig ist die 5G-Kommunikation noch mit zahlreichen Herausforderungen konfrontiert. Beispielsweise werden aufgrund der hohen Geschwindigkeit und der großen Kapazität von 5G-Netzwerken höhere Anforderungen an die Netzwerkausrüstung und die Informationsübertragungstechnologie gestellt. 5G-Netzwerke zeichnen sich durch Flexibilität und Anpassungsfähigkeit aus, ihre Sicherheit und Stabilität erfordern jedoch mehr technologische Innovationen, um sie zu gewährleisten usw.

2. Einführung in die Technologie des maschinellen Lernens

Mit der Entwicklung der künstlichen Intelligenztechnologie wurden neue Ideen für schwierige Probleme bereitgestellt, die mit herkömmlichen Methoden nicht gelöst werden können. Als wichtiger Zweig der künstlichen Intelligenz löst maschinelles Lernen komplexe Probleme, indem es aus vorhandenen Daten lernt und Merkmale extrahiert.

Maschinelles Lernen lässt sich im Wesentlichen in drei Bereiche unterteilen: überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen. Abbildung 1 veranschaulicht die Beziehung zwischen künstlicher Intelligenz (KI), maschinellem Lernen (ML), überwachtem Lernen, unüberwachtem Lernen und bestärkendem Lernen.

Beim überwachten Lernen wird das entsprechende Mapping-Modell mithilfe gekennzeichneter Trainingsdatensätze erlernt. Deep Neural Network (DNN) ist ein typischer Vertreter des überwachten Lernens. Es ermittelt die Konvergenzgewichtskoeffizienten mehrschichtiger künstlicher neuronaler Netzwerke durch Offline-Training und leitet neue Daten ab.

Im Gegensatz zum überwachten Lernen werden beim unüberwachten Lernen unbeschriftete Trainingsdatensätze verwendet, um ein Mapping-Modell zu erhalten. In der klassischen Autoencoder-Struktur werden die inhärenten Eigenschaften der Eingabedaten gelernt und die Netzwerkkoeffizienten angepasst, um den wahren Wert der Eingabedaten wiederherzustellen.

Reinforcement Learning basiert auf der dynamischen Interaktion zwischen dem intelligenten Agenten und der externen Umgebung und kann Daten online verarbeiten. Der Agent lernt, indem er die Umgebung erkundet und Aktionen belohnt oder bestraft, wobei er die kumulative Belohnung mit der besten Aktionsfolge optimiert.

Abbildung 1: Die Beziehung zwischen künstlicher Intelligenz, maschinellem Lernen, überwachtem Lernen, unüberwachtem Lernen und bestärkendem Lernen

3. Anwendung von maschinellem Lernen in der 5G-Kommunikation

In den letzten Jahren haben Forscher auf der ganzen Welt großes Interesse daran gezeigt, maschinelles Lernen zur Entwicklung der 5G-Kommunikationstechnologie einzusetzen. Als Nächstes konzentrieren wir uns auf verschiedene Anwendungen des maschinellen Lernens in der drahtlosen 5G-Kommunikation.

3.1 Adaptive Modulationskodierung (AMC)

AMC ist eine adaptive Codierungs- und Modulationstechnologie, die in drahtlosen Kanälen verwendet wird. Es gewährleistet die Übertragungsqualität der Verbindung durch Anpassung des Modulationsmodus und der Codierungsrate der drahtlosen Verbindungsübertragung.

In praktischen Anwendungen zeigt die aktuelle AMC-Technologie jedoch keine gute Leistung, da die modellbasierte Näherung ungenau ist oder die Nachschlagetabelle zu groß ist, was das System zu kompliziert macht. Da AMC ein typisches Klassifizierungsproblem ist, wird überwachtes Lernen im maschinellen Lernen natürlich zu einer wichtigen Wahl für die Optimierung der adaptiven Modulations- und Codierungstechnologie. Der am häufigsten verwendete überwachte Lernalgorithmus zur Lösung dieses Problems ist der K-NN-Algorithmus (K Nearest Neighbors). Sein Prinzip besteht darin, dass es bei der Vorhersage eines neuen Werts X anhand der Typen der ihm am nächsten liegenden K Punkte bestimmt, zu welcher Kategorie x gehört. Um beispielsweise in Abbildung 2 den Typ bei k=3 zu bestimmen, beobachten wir, dass sich unter den drei benachbarten Punkten zwei Dreiecke und ein Quadrat befinden. Daher bestimmen wir, dass der Typ bei k=3 ein Dreieck ist.

Abbildung 2: Beispiel für einen K-NN-Algorithmus

Die größte Schwierigkeit des K-NN-Algorithmus besteht jedoch darin, dass er die Klassengrenzen nicht klar definieren kann[2] und eine große Offline-Trainingsdatenbank erfordert. Im Gegensatz dazu kann beim bestärkenden Lernen direkt aus der Umgebung gelernt werden. Daher versucht man, zur Implementierung von AMC das bestärkende Lernen durch Markov-Prozesse zu verwenden, das eine höhere Anpassungsfähigkeit als der K-NN-Algorithmus aufweist.

3.2-Kanal-Entzerrungstechnologie

Die Kanalentzerrung ist eine Anti-Fading-Maßnahme, die von Kommunikationssystemen ergriffen wird, um die Übertragungsleistung von Fading-Kanälen zu verbessern, hauptsächlich um die Probleme der Intersymbolinterferenz und der nichtlinearen Verzerrung zu beseitigen. Das Prinzip besteht darin, entsprechend den Eigenschaften des Kanals oder des gesamten Übertragungssystems zu kompensieren. Abbildung 3 zeigt beispielsweise eine Kanalentzerrungstechnologie, die die Sendeleistung entsprechend der Kanalqualität anpasst.

Da maschinelles Lernen die Fähigkeit zur adaptiven Signalverarbeitung erreichen kann, wurden auf maschinellem Lernen basierende Equalizer vorgeschlagen, um die Eigenschaften herkömmlicher Equalizer zu verbessern. Aufgrund der Tatsache, dass maschinelles Lernen die wichtigsten Merkmale zeitvariabler drahtloser Kanäle extrahieren kann, wird ein adaptiver Equalizer auf Basis von Multilayer Perceptron (MLP) vorgeschlagen, der hauptsächlich zur Unterdrückung von Intersymbolinterferenzen (ISI) linearer Kanäle verwendet wird. Später wurde auf Grundlage des MLP-Equalizers ein FLANN-basierter rekursiver neuronaler Netzwerk-Equalizer vorgeschlagen, der durch seine Fähigkeit, nichtlineare Filter zu simulieren, zum Entzerren komplexer Signale mit nichtlinearer Kanalverzerrung verwendet werden kann und eine geringere Rechenkomplexität aufweist.

Abbildung 3: Kanalentzerrungstechnologie, die die Sendeleistung basierend auf der Kanalqualität anpasst

3.3 Lastprognose

Da die Nutzungshäufigkeit von 5G-Mobilfunknetzen viel höher ist als die von 4G und die Basisstationen mit höheren Frequenzen eine schnellere Dämpfung aufweisen, müssen mehr 5G-Basisstationen eingesetzt werden, um dieselbe Fläche wie 4G abzudecken. Daher ist auch die Überwindung des durch die Basisstationsdichte bedingten Energieverbrauchs durch Lastvorhersage zu einem zentralen Thema geworden.

Maschinelles Lernen wird seit Jahren häufig zur Lastprognose eingesetzt. Dabei können verschiedene Algorithmen des maschinellen Lernens zum Einsatz kommen. Das autoregressive integrierte Durchschnittsmodell ist eine einfache Methode zur Lastprognose und wird häufig verwendet. Das Prophet-Modell verwendet Zeitreihenanalysen zur Vorhersage und kann auch zur Lastprognose verwendet werden. Long Short-Term Memory (LSTM) ist eine auf RNN basierende Struktur mit mehreren Speichereinheiten, die sich für die Lastprognose eignet. Ensemble-Lernen (EL) kann mehrere Modelle linear kombinieren, um ein integriertes Modell mit stärkerer Vorhersagekraft zu generieren. Jeder ML-Algorithmus hat seine eigenen Stärken und Schwächen. Daher muss der am besten geeignete Algorithmus für maschinelles Lernen zur Lastprognose entsprechend den unterschiedlichen Anwendungszielen ermittelt werden.

4. Herausforderungen und zukünftige Richtungen

Obwohl maschinelles Lernen in vielen Technologien der 5G-Kommunikation weit verbreitet ist, gibt es immer noch einige Probleme und Herausforderungen, wie zum Beispiel:

①Aktuelle Methoden des maschinellen Lernens erfordern alle eine lange Konvergenzzeit, was ihre Anwendung in der dynamischen drahtlosen Kommunikation einschränkt. Daher ist weitere Forschung erforderlich, um den Konvergenzprozess des maschinellen Lernens zu beschleunigen.

2 Aufgrund der zeitvariablen Eigenschaften drahtloser Kanäle müssen die Parameter des maschinellen Lernens und sogar die Methoden des maschinellen Lernens ständig angepasst werden, was die Komplexität des Kommunikationssystems erheblich erhöht. Daher bedarf es eingehender Forschung zu einheitlichen Methoden des maschinellen Lernens für verschiedene Anwendungen.

3. Derzeit erfordern die meisten Methoden des maschinellen Lernens eine große Menge gekennzeichneter Daten, um das Lernen und Trainieren von Modellen zu ermöglichen. Bei den meisten von drahtlosen Netzwerken generierten Daten handelt es sich jedoch um unbeschriftete Rohdaten. Daher bedarf die Annotation von Rohdaten weiterer Forschung und Verbesserung.

Quellen:

[1] You Xiaohu, Pan Zhiwen, Gao Xiqi, et al. Entwicklungstrend und Schlüsseltechnologien der 5G-Mobilkommunikation[J]. Scientia Sinica: Information Sciences, 2014, 44(5):551-563. DOI:10.1360/N112014-00032.

[2] Y. Zhou, J. Chen, M. Zhang, D. Li und Y. Gao, „Anwendungen des maschinellen Lernens für fortschrittliche 5G-Funksysteme“, 2021 International Wireless Communications and Mobile Computing (IWCMC), Harbin City, China, 2021, S. 1700–1704, doi: 10.1109/IWCMC51323.2021.9498754.