综述:关于6G及未来无线网络中人工智能辅助的多址接入技术的全面调查
《CMES - Computer Modeling in Engineering and Sciences》:A Comprehensive Survey on AI-Assisted Multiple Access Enablers for 6G and beyond Wireless Networks
【字体:
大
中
小
】
时间:2025年12月08日
来源:CMES - Computer Modeling in Engineering and Sciences
编辑推荐:
本综述系统分析了人工智能在6G多址接入技术中的应用,涵盖谱感知、资源分配、协议优化及安全隐私挑战,提出基于机器学习、深度学习和强化学习的解决方案,并探讨太赫兹通信、智能表面等新兴技术融合方向。
本文系统性地探讨了人工智能(AI)在第六代(6G)无线通信系统中增强多址接入(MA)技术的潜力与挑战。研究聚焦于如何通过AI优化频谱感知、动态资源分配、协议设计及干扰管理,以应对6G对超低延迟、海量连接、高能效等需求的挑战。以下为关键内容总结:
### 一、6G对多址接入(MA)技术的新要求
传统MA技术(如TDMA、FDMA)已无法满足6G对**超密集连接**(每平方公里10亿设备)、**亚毫秒级时延**(10-100微秒)、**高能效**(较4G提升2000倍)等核心指标的需求。6G需支持以下场景:
- **超高频通信**:毫米波(mmWave)和太赫兹(THz)频段提供超大带宽,但面临高路径损耗、低覆盖等挑战。
- **异构网络融合**:需整合卫星、无人机、地面基站等非蜂窝(NTN)网络,实现全球无缝覆盖。
- **智能应用扩展**:如XR、自动驾驶、工业物联网等需实时、可靠的数据传输与动态资源优化。
### 二、传统MA技术的局限性
1. **正交多址(OMA)**:频谱效率低,无法适应高密度场景。
2. **空分多址(SDMA)**:依赖大规模天线阵列,复杂度高,不适合室内/密集环境。
3. **非正交多址(NOMA)**:虽提升频谱效率,但面临高系统复杂度、干扰管理难题。
4. **协作多点(CoMP)**:虽增强干扰管理,但同步与资源分配成本高。
### 三、AI在6G MA中的核心作用
#### (一)AI技术分类与MA场景适配
- **机器学习(ML)**:监督学习(SL)用于分类任务(如频谱占用检测),无监督学习(USL)发现隐藏模式(如用户聚类)。
- **深度学习(DL)**:CNN/LSTM优化信道建模与干扰预测,DNN实现端到端资源分配。
- **强化学习(RL)**:Q-learning、DQN等动态调整功率分配与频谱共享,支持实时决策。
- **联邦学习(FL)**:隐私保护下多设备协作训练,适用于分布式MA系统。
- **可解释AI(XAI)**:增强协议透明度,如通过可视化解释频谱分配策略。
#### (二)AI驱动的关键技术突破
1. **智能频谱感知(SS)**:
- **深度学习模型**:CNN/LSTM处理射频信号,提升检测精度与实时性(如98.78%检测率在-15dB SNR下)。
- **联邦学习应用**:多设备联合训练SS模型,减少数据泄露风险(如文献[15]中1%误检率)。
2. **动态资源分配(DRA)**:
- **元启发式算法**:遗传算法(GA)、粒子群优化(PSO)解决NP难问题,如用户调度与功率分配。
- **多智能体强化学习(MARL)**:协调基站与边缘计算节点,优化跨层资源分配(如文献[22]联合任务卸载与频谱分配)。
3. **干扰管理与MA协议设计**:
- **干扰消除技术**:基于AI的SIC(选择性干扰 cancellation),如DNN识别并抑制干扰信号。
- **协议自适应**:通过RL动态切换OMA/NOMA/随机接入(RA)策略,平衡吞吐量与碰撞率(如文献[28]提出RSMA统一多址框架)。
#### (三)AI与新兴通信技术的融合
1. **太赫兹通信**:
- AI优化波束赋形与信道估计(如文献[33]中流体天线动态调整相位)。
- **挑战**:高衰减导致覆盖范围受限,需AI实时预测信道状态(如LSTM模型预测THz信号衰落)。
2. **智能表面(RIS)**:
- AI控制反射相位,实现波束动态成形(如文献[35]结合RIS与IM技术提升能效)。
- **应用场景**:无人机通信、室内外无缝切换(文献[64])。
3. **语义通信(SemCom)**:
- AI生成语义编码,压缩数据并保留核心信息(如文献[113]使用扩散模型实现语义重建)。
- **优势**:降低传输带宽需求(如视频流压缩率提升30%)。
4. **区块链与AI协同**:
- 链上记录频谱交易与访问日志,结合AI实现去中心化信用评估(文献[49])。
- **挑战**:共识机制延迟与能源消耗,需AI优化交易验证流程。
### 四、安全与隐私挑战与解决方案
1. **AI安全威胁**:
- **对抗攻击**:恶意输入欺骗AI模型(如频谱感知中的假信号注入)。
- **模型窃取**:攻击者通过逆向工程获取AI模型参数(如文献[142]指出GAN模型易受攻击)。
2. **防护策略**:
- **隐私增强联邦学习(PEFL)**:本地训练模型仅共享梯度(文献[140])。
- **区块链存证**:记录AI决策过程,确保可审计(文献[52])。
- **边缘计算与轻量化模型**:减少云端依赖,如MobileNet用于终端设备实时检测。
### 五、研究缺口与未来方向
1. **技术瓶颈**:
- **模型泛化能力**:现有AI多针对静态场景,动态环境(如高速移动无人机)适应性不足。
- **跨层协同**:物理层与网络层联合优化仍缺乏统一框架(如文献[67]指出RSMA在多用户场景中复杂度高)。
2. **未来趋势**:
- **通用MA框架**:RSMA(速率分裂多址)整合OMA/NOMA优势,支持自适应频谱共享(文献[67][29])。
- **量子AI融合**:量子加密增强安全,量子神经网络加速高频通信(文献[75][153])。
- **可持续AI**:轻量化模型(如TinyML)与绿色计算结合,降低6G基础设施能耗(文献[126][153])。
### 六、应用场景与案例
1. **智能城市与工业物联网**:
- AI动态分配频谱资源,优化路灯、传感器等设备能耗(文献[41][46])。
- 工业机器人通过边缘AI实现实时路径规划与协作通信(文献[103][105])。
2. **自动驾驶与车联网**:
- RL算法预测车辆移动轨迹,动态调整通信资源(文献[100][101])。
- 多车协同通过DRL协调V2V/V2I通信(文献[96][137])。
3. **元宇宙与沉浸式通信**:
- GAN生成虚拟场景数据,优化XR传输效率(文献[127][133])。
- 语义通信压缩高分辨率视频流,降低延迟(文献[113][149])。
### 七、结论与建议
本研究提出**分层AI架构**(感知层-分析层-控制层),实现从频谱感知到资源分配的端到端优化。核心建议包括:
1. **标准化与开放框架**:推动AI模型与通信协议(如3GPP)的互操作性。
2. **轻量化与边缘化**:开发适用于低功耗设备的微型AI模型(如TinyTransformer)。
3. **跨学科协作**:融合通信理论、AI算法与伦理学,解决隐私、公平性问题(文献[151][153])。
该研究为6G-AI融合提供了系统性参考,未来需在模型可解释性、安全鲁棒性及硬件兼容性上持续突破,以支撑万物智联的愿景。
生物通微信公众号
生物通新浪微博
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