用时:58ms

6G调研报告-PDF版

您的当前位置:首页 > 5G产业 > 6G报告
  • 中国移动研究院:6G如何适应更加差异化、碎片化场景需求(2023)(30页).pdf

    6G如何适应更加差异化、碎片化场景需求?刘光毅中国移动研究院、中关村泛联院2023年11月16G面临更加差异化碎片化场景需求3总结26G架构如何提升差异化场景适应能力?5G发展的启示(1)信息随心至,万物触手及5G发展的启示(2)针对2B用户的差异化需求,5G网络为不同用户单独打造“优专尊”的网络普通道路 VS 高速公路优享模式普通道路 VS 公交专用道专享模式普通道路 VS 高铁线路尊享模式2B2C信令数据无线网络实体智能网络运维核心网控制实体Internet一张统一网络解决2C场景分级专属网络解决2B场景打造专网的服务模式:成本高、研发周期长、适应性差多样化场景需要5G网络提供更强的通信能力,也开始产生计算、数据、AI等新需求核心网核心网5G发展的启示(3)MECAI安全计算数据叠加通信网简单的外挂和叠加使得效率低、效果差为解决5G时代2B行业碎片化需求,产业界探索端到端云化新途径业界推出端到端云化解决方案(4)6G挑战场景的适应能力智能交互全息通信虚拟旅行数字孪生人机器翻译智能交通医疗识别安全监控机器人救援智能制造声纹识别智能运维6G使能社会的“数字孪生、智慧泛在”的发展,能力要求更多维,场景更加差异化、碎片化智赋生活智焕社会智赋生产场景的适应能力的提升对6G网络的商业变现至关重要6G挑战超越通信的新能力6G六大典型场景要求网络内生支持AI、感知、泛在连接等新能力,网络将从通信服务向信息服务转变6G将超越传统通信,实现XaaS16G面临更加差异化碎片化场景需求3总结26G架构如何提升差异化场景的适应能力?打造通感算智一体融合的综合能力体系,通过云化实现底层资源的动态共享和弹性扩缩容,通过端到端服务化设计实现服务、功能和资源的按需编排和组合,实现个性化和定制化的按需服务。n 通感算智一体化:打造多维的能力体系,满足更加丰富的场景需求n 云原生设计:多维能力所需物理资源的动态共享,带来网络的弹性n 端到端服务化设计:能力原子化,接口标准化,“松耦合”和“高内聚”,服务自组织n 平台化网络:提供一站式用户服务,满足“交钥匙”需求打造通感算智融合、按需服务的体系架构G.Liu,N.Li,J.Deng,et al.,“The SOLIDS 6G Mobile Network Architecture:Driving Forces,Features,and Functional Topology,”Engineering,vol.8,pp.42-59,2022.5G网络逻辑功能设计参考聚焦通信业务,提供端到端的通信服务逻辑,具体将通信面划分为控制和用户面存储计算通信网络功能层控制面用户面管理面信道状态感知网络能力提供通信面业务需求获取通信需求用户需求:6G网络逻辑功能设计(1)12数据开放需求计算服务需求AI服务需求通信需求安全服务需求用户需求:管理与编排数据面:管理网络数据,提供数据服务计算面:内生计算设计,管理计算并提供计算服务智能面:内生AI的设计,提供全生命周期的AI服务运行环境安全面:内生的安全设计,提供安全即服务在5G网络通信协议面的基础上,6G网络将定义新的数据面、智能面、计算面、安全面等面向泛在通信、感知、智能等多种服务需求,6G将新增多个逻辑功能面,提供通信、感知、计算、AI、大数据、安全等一体融合的多维网络能力,以及平台化、一体化的服务体系 6G网络逻辑功能设计(2)AI面数据面安全面统一管控通信面连接控制连接承载通信需求安全面安全控制安全执行安全保护需求计算面计算控制计算执行计算服务需求AI面模型控制模型操作AI服务需求数据面数据控制数据处理数据开放需求控制面用户面模式1:控制面 统一管控其他面模式2:各个面均具备控制面与用户面功能6G逻辑面的拓展新增了更多网络功能,与控制面、用户面存在多种结合模式向差异化碎片化场景提供按需服务,需要网络功能和资源的灵活组合需要端到端云化和服务化端到端云化-5G阶段5G网络已经实现核心网云化,无线网采用C-RAN的部署方式实现BBU的池化,以此节约机房租金6G将进一步推动无线网的云化,以此实现端到端云化AMFUPF5G核心网gNBgNBgNB-CUgNB-DUgNB-DUNG-CNG-UXn-CXn-UF1核心网RAN集中式DU5G2G/3G/4GBBU分布式DU5G核心网云化:弹性、敏捷接入网池化:资源共享与协同,减少机房6G无线网络走向云化6G无线网络的云化既顺应6G通信、计算、感知、AI等一体融合的发展趋势,也有助于无线网络快速适应更加差异化和碎片化场景需求带来的多能力、实时性、轻量化和弹性部署等挑战,是6G实现端到端云化的关键环节。6G功能和应用通信AI计算感知异构硬件池CPUFPGAGPUDPUXPU.计算管理云管存储管理网络管理加速器管理监控微服务安全自动化云底座编排调度6G云化无线网络-云化基带平台多频段多功能前端通用前传网络Sub-10GHz通信毫米波通信智能超表面可见光通信通感一体化高实时高弹性能力融合调度编排异构资源统一管理多种前端按需组合其他新型收发前端6G云化无线网络无线云架构设计:设计高性能的6G无线云平台架构,实现高实时性、大带宽、轻量化、高弹性、多能力融合;异构资源统一管理:设计无线网络异构硬件资源虚拟化和统一管理架构,实现计算资源的高效全生命周期管理;无线调度编排:面向通、感、算、智应用差异化需求,结合无线网络特征,设计资源调度策略和业务编排机制。端到端云化-中关村泛联院白皮书本白皮书由中关村泛联院、中国移动研究院、佰才邦、京信、联想联合撰写。主要观点:开放与云化将成为6G无线网络演进的重要趋势;6G无线网络的云化要在对以往产业经验的继承与发展基础上逐步完成;6G无线网络开放云化需结合无线网络特点,从硬件虚拟化、管理调度编排、服务化协议设计多方面创新;6G开放云化无线网络的发展面临软硬件、资源管理、编排调度、数据管理、安全质量等诸多技术与产业挑战,需要政产学研用等各界协作。全服务化是6G网络的发展方向,需要在兼容5G架构基础上拓展服务化领域、深化服务化机制、扩展服务化要素,为网络高效灵活适应多场景需要、支撑智能无所不及提供基础5G服务化还不完善,面对复杂业务逻辑如何实现高效组合、高效管理还有待优化,新服务的加入会波及已有服务,各个功能服务化过程中需要优化的设计机制在6G中才能彻底设计完善(如UPF需要从处理数据扩展到支持关联上下文)6G网络服务化设计思想通信算力感知通用、开放、可共享能力服务调用、统一协议资源管理编排多样化服务一体化能力供给按需生成、即插即用OTN/OXCOTN/OXCOTN/OXC池化的算网基础设施InternetIoTV2XXR柔性的网络功能动态匹配的服务供给实现网络平台化,服务多样化,功能动态扩展,性能弹性提供,服务供需动态匹配,网络灵活生长全服务化是6G网络的发展方向17AI18服务化架构赋能功能柔化,开启网络即服务演进,使网络平台化成为可能服务化架构不断演进深化 SBA-eSBA-HSBA已服务化部分未服务化部分无线接入网核心网用户面终端核心网控制面无线接入网核心网用户面终端核心网控制面无线接入网核心网用户面终端核心网控制面服务化带来5G网络体系架构的深刻变革;6G将继承服务化的核心理念,实现端到端全服务化系统无线接入网终端核心网控制面核心网用户面5G(SBA)6G(HSBA)5G-A(eSBA)服务化不断走向纵深,成为6G的基石1919通信面服务化-核心网19NSSFNEFNRFPCFUDMAUSFAMFSMFUE(R)ANUPFDNUDR5G服务化新架构SBA,成为5G核心网的唯一基础架构,形成3GPP TS 23.501国际标准,实现了移动通信核心网架构变革灵活敏捷、统一接口、自动管理、开放创新拆:“自包含、可重用、独立管理”的原子化重构组:网元能力自组织的服务自动化治理连:基于互联网协议承载的电信级API接口设计2020通信面服务化-RAN的挑战和设计原则20设计原则挑战传统“单体集成式”的接入网架构中,功能之间强耦合是实现服务化RAN的难点RAN的服务化应面向云原生设计原则对RAN进行功能改造能力原子化接口标准化“松耦合”和“高内聚”服务自组织功能耦合性高上下文关联性强21第二阶段:功能服务化,使能按需组合第一阶段:接口服务化,便于RAN能力开放21RAN能力开放是服务化RAN的切入点,但功能按需组合才是其核心价值通信面服务化-RAN的发展路径21UEDNRAN-UUPFNRFAMFPCFUDMSMFAFRAN-CNranUEDNRAN-UUPFN2NRFPCFUDMAFAMFSMFRAN-CNran选项1:部分N2接口开放化选项2:N2接口全服务化 接口开放化,实现能力开放CPSCPSUEDNNRFAMFPCFUDMRUUPSAFCPSRAN用户面服务UPSUPSUPSUPSUPSCN用户面服务RAN控制面服务AI服务多维能力服务计算服务数据服务SMF 能力服务化,使能按需组合 全网一体化,精简网络设计 要素融合化,服务一体供给本质:功能拆分为服务、RAN与CN的融合设计、多维能力编管与控制本质:至少存在一个信息开放服务本质:突破AMF唯一转发22并行化流程新NAS模型22新NAS模式破解NAS消息间的依附关系,使能并行化流程,降低新功能引入对整体流程的影响转变:串行 并行信令,降低端到端时延,便于新功能引入请求响应UERANCN NF 1CN NF 2CN NF 3请求响应请求响应请求响应请求响应UERANCN NF 1CN NF 2CN NF 3请求1响应1请求2响应2请求3响应3通信面服务化-RAN的控制面并行化流程22破解NAS消息之间的依附关系,提升NAS消息安全性、使能并行化流程23多服务并行处理,服务级扩缩容服务特定包头设计23服务化RAN在用户面突破了传统分层协议设计,使功能访问不再受限于上下层,可以灵活调用、按需组合,但这种灵活性的问题是需要设计与之匹配的包格式及相关机制,在保证灵活性的同时降低其导致的性能损失现有承载级扩缩扩缩容量受限,需要重配置功能1功能2功能3功能4功能5现有用户面串行处理服务1服务2服务3服务4服务5同时执行多服务并行处理处理效率提升服务级扩缩按需扩展,可基于实现、不需要重配置承载1承载2服务1实例3服务1实例2服务1实例1服务2同时执行转变2:承载级 服务级扩缩,提升资源利用率转变1:串行 并行处理,有效提升处理效率通信面服务化-RAN用户面服务特定包头&多服务并行处理机制235G栈式协议服务调用模型特征1:数据处理顺序固定且唯一灵活多变 问题1:需要支持灵活的数据处理顺序特征2:包头格式固定与处理链路上的服务有关 问题2:需要灵活的包头格式设计服务特定包头设计24计算任务执行计算任务编排计算任务管理计算策略控制计算资源管理数据处理数据采集数据任务编排数据任务管理数据策略控制数据资源管理服务化计算面服务化数据面24构建原子化计算服务、数据服务、AI服务能力,以任务为中心进行任务动态编排,实现供需动态匹配提供计算即服务CaaS、数据即服务DaaS、智能即服务AIaaS新增逻辑面服务化-计算面、数据面和智能面24AI模型处理AI任务编排AI任务管理AI任务策略控制模型资源管理服务化智能面6G服务化RAN白皮书主要观点:服务化RAN是实现云原生RAN的关键所在;服务化RAN是实现6G网络DOICT深度融合端到端和全服务化架构的重要环节;控制面和用户面服务化业务场景不同,可以有不同的解决方案;在服务化RAN的基础上进一步考虑RAN与CN、UE相关流程的融合设计,精简网络架构时延和性能是服务化RAN的关键技术挑战,需要以全新的设计视角和解决思路白皮书由中国移动、中国电信、中国联通、中信科移动、亚信、联想、中科院计算所、北京邮电大学、中关村泛联院联合编制发布。示例:云化服务化6G网络提供AI服务基于6G云化服务化架构,可针对不同场景需求实现以任务为中心的统一灵活编排,按需提供有QoS保障的服务计算任务执行计算任务管理和控制功能通信承载通信任务管理和控制功能数据任务管理和控制功能数据采集数据处理AI任务管理和控制功能AI模型操作网络功能管理编排AI服务需求解析通信通信QoSQoS计算计算QoSQoS数据数据QoSQoSAIAI模型模型QoSQoS反馈反馈服务服务QoSQoS保障保障服务请求服务请求AIAI模型模型QoSQoS保障保障计算计算QoSQoS保障保障通信通信QoSQoS保障保障数据数据QoSQoS保障保障问题思考服务拆分与定义按需服务与QoS保证如何根据用户需求动态编排服务?即便是微服务探索已经非常成熟的IT领域,暂无高效完成服务的拆分工作的具体的、定义良好的算法如何解决5G核心网现有的NF的拆分数量多,设计复杂的问题?端到端服务化的机构下QoS的服务机制如何保证?如何应对服务拆分给RAN带来的性能损失?6G网络的形态6G端到端云化的分布式网络功能逻辑功能层联合编排和管理通感互联智慧工业超能交通全息交互精准医疗智能交互元宇宙应用服务层物理基础设施层边算力光底座(SPN/OTN)光底座(基于OXC全光网)边算力中心算力边算力端到端云化服务化的6G网络,既能够支持通信、计算、感知、AI、大数据、安全等一体融合的全新多维能力服务体系,又可灵活裁剪、按需配置,以满足日益差异化、碎片化的场景需求,适应产业模式的新变革。16G面临更加差异化碎片化场景需求3总结26G架构端到端云化服务化总结5G的实践告诉我们,传统的通信网络、架构和产品形态难以满足差异化、碎片化业务场景的需求6G的“数字孪生、智慧泛在”发展愿景将带来更加差异化和碎片化的场景和需求6G将超越传统移动通信网络的范畴,带来通信和感知、计算、大数据、AI等的一体融合,实现由移动通信服务向移动信息服务的转变,实现XaaS6G提升网络的差异化场景的适应能力是网络能力变现的关键端到端的云原生设计有利于资源的动态共享和弹性伸缩,实现网络的按需部署和扩缩容,同时带来端到端的敏捷和弹性服务化是实现云原生设计的有效方式,通过按需的功能和资源的编排与组合实现个性化和定制化服务,带来撑按需服务的范式转变

    浏览量0人已浏览 发布时间2023-12-26 30页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • IMT-2030(6G)推进组: 2023智能超表面典型应用、挑战与关键技术研究报告(73页).pdf

    北京稻壳科技有限公司Beijing Rice Hull Technology Co.,Ltd.地址:北京市朝阳区九住路 188 号IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2023 年年 12 月月版权声明版权声明 Copyright Notification未经书面许可未经书面许可 禁止打印、复制及通过任何媒体传播禁止打印、复制及通过任何媒体传播2023 IMT-2030(6G)推进组版权所有IIMT-2030(6G)推进组IMT-2030(6G)Promotion Group前前言言智能超表面通过构建智能可控无线环境,将为未来 6G 带来一种全新的网络范式。作为全新网元和基础使能技术,智能超表面将充分赋能 6G 网络,满足未来移动通信的巨大需求。智能超表面低成本、低功耗、简单易部署等特性,使其成为国际竞争中备受关注的研究热点,对智能超表面技术的不懈研究将成为未来无线通信的必争之地。2020 年 6 月,IMT-2030(6G)推进组成立了“智能超表面任务组”,标志着智能超表面研究真正开始从学术走向产业。2021 年 9 月 17 日和 2022 年 11 月 17 日,IMT-2030(6G)推进组分别发布了智能超表面技术研究报告(第一版)和智能超表面技术研究报告(第二版)。相对已发布的前两版报告,本研究报告作了全面更新,从应用场景、关键技术、标准工作等多个维度展示了智能超表面在理论和工程化应用技术方面的最新进展。第二章应用场景考虑到工程化实践,从之前版本中十余个应用场景收敛聚焦于增强低频覆盖和容量、使能中高频连续覆盖、使能泛在近场、使能泛在感知定位四大智能超表面应用场景,聚焦于智能超表面技术与现网融合的高价值应用;第三章全面综述了智能超表面基础理论及关键技术的最新进展,新增基于智能超表面的近场辐射理论和系统仿真两部分内容;第四章是新增章节,对智能超表面工程化中面临的问题及其对标准化影响进行了全面梳理,探索智能超表面实际应用道路,为未来智能超表面商用做好准备。本报告是由 IMT-2030(6G)推进组智能超表面任务组的众多专家共同努力编写完成。感谢各成员单位专家的辛苦付出,并感谢崔铁军院士、东南大学金石教授等资深专家的指导。IIIMT-2030(6G)推进组IMT-2030(6G)Promotion Group目目录录第第 1 章章 概述概述.1第第 2 章章 典型应用场景典型应用场景.32.1 增强低频覆盖和容量.32.2 使能中高频连续覆盖.52.3 使能泛在近场.62.4 使能泛在感知与定位.8第第 3 章章 潜在关键技术潜在关键技术.93.1 机理与模型.93.2 面向实现的波束赋形方案.113.3 使能近场.153.4 使能泛在感知与定位.243.5 新型相控阵天线.293.6 性能评估方法.30第第 4 章章 工程化挑战与解决方案工程化挑战与解决方案.484.1 硬件挑战.484.2 信道互易性.494.3 极化特性.514.4 功耗分析.514.5 成本分析.534.6 网络部署.544.7 潜在标准化工作.55第第 5 章章 总结与展望总结与展望.59参考文献参考文献.60贡献单位贡献单位.66IIIIMT-2030(6G)推进组IMT-2030(6G)Promotion Group图目录图目录图 2.1 基于数字编码超表面的收发射机框图1.3图 2.2 AAU 集成反射式智能超表面的超大规模天线设计示意图.3图 2.3 AAU 集成透射式智能超表面的超大规模天线设计示意图.4图 2.4 基于智能超表面的信道侧辅助通信组网场景.4图 2.5 外场测试场景.5图 2.6 杭州亚运试点:潮汐效应区域,忙时扩充容量.5图 2.7 RIS 使能中高频连续覆盖.6图 2.8 近场应用场景.7图 2.9 近场定位场景模型5.8图 2.10 RIS 辅助定位场景.8图 3.1 透射、反射、吸波一体化 RIS 实现形式11.10图 3.2 有源超表面结构等效路传输模型.11图 3.3 条件采样平均(CSM)算法的图解.12图 3.4 不同波束赋形方案的接收功率 CDF 曲线.12图 3.5 基于 RIS 的无线通信链路模型.13图 3.6 包含控制节点的 RIS 系统框图.13图 3.7 两跳链路划分方式.14图 3.8 近场波束聚焦.17图 3.9 傅立叶平面波展开信道建模.18图 3.10 傅立叶平面波展开信道容量仿真.18图 3.11 近场多极化球面波建模.19图 3.12 离散/连续孔径通信容量极限分析.19图 3.13 超大规模 RIS 辅助的近远场混合通信场景模型.20图 3.14 近场波束分裂效应示意图.21图 3.15 近场宽带波束训练.22图 3.16 近场用户的能量扩散效应与远场波束空间角度的关系.23图 3.17 近场波束训练方案可达速率仿真图68.24图 3.18 RIS 辅助无线感知的系统模型.24图 3.19 RIS 辅助无线感知的仿真结果.25图 3.20 半被动 RIS 定位系统.26图 3.21 时分-特征序列混合感知协议.26图 3.22 全方向 RIS 辅助的双基地通感一体化系统.27图 3.23 不同天线数量和不同相位设计策略的定位误差61.27图 3.24 不同相位设计方案的定位误差62.28图 3.25 不同相位设计的定位性能65.29图 3.26 基于 RIS 的相控阵天线.29图 3.27 系统级仿真架构.30图 3.28 RIS 系统仿真评估对象.31图 3.29 RIS 系统仿真拓扑模型.33图 3.30 基于几何随机的统计性信道模型结构.34IVIMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3.31 RIS 辅助通信信道模型.35图 3.32 RIS 辅助的 F2M 几何信道模型示意图.36图 3.33 RIS 辅助下高铁通信信道模型示意图.37图 3.34 自由空间路径损耗模型验证测量实拍图68.37图 3.35 走廊场景基于 USRP 构建的 RIS 信道时域测量系统实拍图84.38图 3.36 镜像法示意图.39图 3.37 边缘绕射示意图.40图 3.38 用户和智能超表面位置分布.43图 3.39 不同位置、调控精度和阵子规模下的 CDF 曲线.44图 3.40 16x16 和 40 x40 RIS 系统仿真在不同波束宽度下的系统级仿真对比.45图 3.41 RIS 拓扑对 UE Throughput 性能影响(10GHz).45图 3.42 RIS 拓扑对 UE Throughput 性能影响(30GHz).46图 3.43 BUR 对 UE 吞吐量性能影响(10GHz).46图 4.1 相位非理性对接收信号强度影响89.49图 4.2 RIS 辅助无线通信系统上下行信道互易性的测试环境.50图 4.3 破坏互易性的条件.50图 4.4 60入射角范围内互易性成立,角度大于60范围互易性变差.51图 4.5 单极化 RIS 对 45入射极化波仅对一个极化方向有赋形效果.51图 4.6 各类型 RIS 硬件及测试过程示意图.52图 4.7 RIS 功耗测量结果展示.52图 4.8 NCR 示意图.55图 4.9 RIS 架构示意图.56图 4.10 NCR 与 RIS 的 RSRP 和 SINR CDF 对比(2.6GHz).56图 4.11 26GHz 时 RSRP 和 SINR 的 CDF.571IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第第 1 章章 概述概述5G 网络已经商用落地四年,已经成为新型基础设施的重要组成部分。截止 2023 年 10月底,我国已累积建设 5G 基站约 321.5 万个1,5G 行业应用也已经融入 60 个国民经济大类,成为推动实体经济数字化转型升级的“加速器”。随着用户需求不断演进,更优质的业务体验,更多垂直行业的业务拓展,都将驱动移动通信网络不断向前发展。未来,6G 在满足用户个性化需求的同时将社会福祉作为6G发展的重要方向,通过人机物多维泛在连接和普惠智能,实现物理世界和虚拟世界的连接,进而推动人类社会从“万物互联”演变为“万智互联”,形成真正意义上的智慧互联时代。为了满足更大带宽、更高速率、更低时延、更智能化的业务需求,工作频段更高、天线规模更大、设备算力更强是下一代未来移动通信网络发展的重要趋势。但是,更高频段、更大规模天线、更强算力的引入导致移动通信网络发展也面临诸多挑战。一是高频信道环境恶劣,相较于低频信号,高频信号的传播与穿透损耗较大,受障碍物遮挡影响也更大,网络覆盖区域容易出现盲区或弱覆盖区域,不利于实现无线网络的泛在接入和深度覆盖;二是天线规模发展受限,伴随天线规模的增加,天线制造工艺与成本、信道测量与建模难度、信号处理运算量、参考信号开销等方面都会显著增加,对天线系统的一体化和集成度提出了更高的要求。因此,超大规模天线技术走向实用化的前提是低成本、低功耗、高可靠和易部署;三是能耗负担日益加剧,能耗是网络运营的关键因素,5G 基站相对 4G 基站能耗显著提升,以基站为代表的 RAN 侧主设备射频器件能耗约占设备能耗 55%,降低射频器件能耗,提升能效是牵引设备绿色演进的核心;四是被动适应无线环境,现阶段无线网络智能调控能力仅限于收发端两侧,对无线信道环境中的路径损耗、多径衰落等现象只能采取被动适应的手段,空口常常成为限制网络性能的关键。智能超表面(Reconfigurable Intelligent Surface,RIS)作为电磁超材料的一种二维实现,以可编程的方式对空间电磁波进行主动的智能调控,形成幅度、相位、极化和频率可控制的电磁环境。由于智能超表面采用少量有源器件甚至全无源器件的设计理念,并且可以通过采用超材料及可拼接部署方式,因此具备低成本、低功耗、低复杂度和易部署的优势,具备面向未来网络的部署潜力。近年来,智能超表面技术研究已经逐步从理论设计向应用落地发展。国内外高校、设备商、运营商等众多智能超表面研发团队开展了大量内外场单站环境下智能超表面辅助的测试验证工作。随着智能超表面的理论与工程化应用技术研究不断深入,在学术和工程领域均取得了一定突破,RIS 工程化应用研究与实践成为当前关注的焦点。在业界的共同努力下,随着工程化问题被不断的提出和攻克,RIS 的研究正在逐步向低成本、低功耗和简单易部署的1https:/ Group技术目标迈进,为 RIS 在未来无线网络大规模部署打下了坚实基础。业界对 RIS 理论与技术研究的价值以及 RIS 对未来无线网络的变革性意义已逐渐形成共识。本技术研究报告的其余部分按以下方式组织:第二章介绍 RIS 典型应用场景;第三章讨论 RIS 潜在关键技术;第四章探讨 RIS 工程化挑战与解决方案;第五章总结并展望未来发展方向。3IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第第 2 章章 典型应用场景典型应用场景随着 RIS 的理论与工程化应用技术研究的深入,其典型应用场景逐渐被揭示和识别。相较于 2022 版本,本版本中的应用场景逐步收敛,更加聚焦于 RIS 技术在实际场景中的具体应用。首先,本章探讨了 RIS 在低频段 5G 网络覆盖环境中的部署策略,并提供了实测的典型场景。接着,分析了中高频传播特性,并给出了 RIS 使能中高频段连续覆盖的场景。最后,分别提供了 RIS 使能近场和使能泛在的感知与定位的应用潜力。2.1 增强低频覆盖和容量增强低频覆盖和容量对于低频场景,智能超表面既可以部署在收发端侧,也可以部署在信道侧,以增强网络的覆盖或容量。2.1.1部署在收发侧部署在收发侧在收发端侧,一方面,智能超表面可应用于简化收发信机设计。基于数字编码超表面的发射机将信源比特映射成智能超表面控制信号,调控智能超表面对入射波的电磁响应,可实现频移键控(Frequency Shift Keying,FSK)、相移键控(Phase Shift Keying,PSK)、正交幅度调制(Quadrature Amplitude Modulation,QAM)调制收发信机1,集能量辐射和信息调制功能于一体,动态调控电波传播方向和谐波能量分布,简化收发信机架构,降低设备功率消耗,如图 2.1 所示。图图 2.1 基于数字编码超表面的收发射机框图基于数字编码超表面的收发射机框图1另一方面,在基站(Base Station,BS)侧,智能超表面还可以用于改善有源天线单元(Active Antenna Unit,AAU)设计。在现有 5G AAU 基础上,集成无源反射式智能超表面阵面,既可以实现一体化动态智能调控,扩展基站覆盖角度,又可以有效提升天线阵面口径增益,增加基站覆盖增益,如图 2.2 所示。在现有 5G AAU 基础上,集成透射式智能超表面阵面,可进一步扩展基站覆盖角度,有效提升基站覆盖范围,解决边远郊区低容量场景,低成本低功耗覆盖补盲问题,如图 2.3 所示。图图 2.2AAU 集成反射式智能超表面的超大规模天线设计示意图集成反射式智能超表面的超大规模天线设计示意图4IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 2.3AAU 集成透射式智能超表面的超大规模天线设计示意图集成透射式智能超表面的超大规模天线设计示意图2.1.2部署在信道侧部署在信道侧在信道侧,智能超表面作为一种低成本低功耗的信道环境调控节点,应用于网络覆盖补盲、室内外覆盖增强、热点扩容等典型场景。智能超表面部署在基站与目标覆盖区域之间,如图 2.4 所示。对于如图 2.4(a)所示的覆盖补盲场景,由于被建筑物遮挡,用户终端(User Equipment,UE)可能无法接收到来自基站的无线信号。将 RIS 部署在适当的位置,可以建立 BS-RIS-UE 的定向链路,从而提高位于基站覆盖边缘的用户性能。与室外环境相比,室内环境的穿墙损耗较大。对于如图 2.4(b)所示的室外覆盖室内场景,通过部署 RIS 能够有效解决由于穿墙损耗导致的从室外基站到室内用户的信号质量差的问题,为室内用户提供可靠、高速率的数据传输服务。对于如图 2.4(c)所示的室内覆盖场景,由于室内墙壁和家具的信号阻挡导致存在较多的覆盖空洞和盲区。通过部署 RIS 可以增强到达目标用户的信号,显著提升室内用户的通信质量。总而言之,可通过智能超表面按需构造非视距反射路径或改变电磁波透射特性,可有效解决由于障碍物遮挡产生的盲区问题,提升室外宏站穿透玻璃覆盖室内的网络质量,改善小区边缘用户富散射环境,提高小区边缘用户传输性能,以低成本、低功耗方式实现深度覆盖和提速扩容。(a)覆盖补盲(b)室外覆盖室内(c)室内覆盖图图 2.4 基于智能超表面的信道侧辅助通信组网场景基于智能超表面的信道侧辅助通信组网场景基于当前阶段的原型样机,业界主要针覆盖增强场景进行测试验证。例如,现网 RIS测试选择了如图 2.5 所示的三个场景2,针对低频段 2.6 GHz:隧道或停车场,该场景的用户少投资收益低,面积大且比较封闭,宏站信号很难进入,但考虑安全性,设备部署有困5IMT-2030(6G)推进组IMT-2030(6G)Promotion Group难;室内场景,室分部署困难,用户网络需求度高;道路,室外空旷,周围多个信号重叠直射,干扰强,信号差。图图 2.5 外场测试场景外场测试场景随着理论和硬件的发展,RIS 可以通过改善信道条件(如汇聚能量、增加散射径等),实现对网络中信道条件较好的用户进行扩容增流传输。以 2023 年杭州亚运会试点计划为例,如图 2.6 所示,通过划分潮汐效应区域,实现忙时利用 RIS 扩充容量,闲时关断部分基站,利用 RIS 保证基本覆盖2。图图 2.6 杭州亚运试点:潮汐效应区域,忙时扩充容量杭州亚运试点:潮汐效应区域,忙时扩充容量2.2 使能中高频连续覆盖使能中高频连续覆盖中频厘米波如 10GHz 频段也是 6G 候选频段和频谱机会点。厘米波频段具有丰富的漫反射和良好的散射和衍射效果,有潜力提供超分辨率空间传播路径。厘米波相对于高频通信具有相对较低的路径损耗可以实现更大范围的覆盖,同时相对于 sub-6G 频段具有更小的波长使能超大规模但较小尺寸的天线部署和配置。6IMT-2030(6G)推进组IMT-2030(6G)Promotion Group基于厘米波路损、波长以及成本等因素,厘米波基站和用户终端可以配置更多的射频通道(如 512 ),这就提供了基于高分辨率空间窄波束用以实现更高空间自由度的可能,因此该波段典型应用场景便是单用户多流或更高阶多用户复用场景。但考虑到物理环境的空间分辨率可能无法匹配或充分利用厘米波多天线系统所提供的空间自由度,RIS 可基于其低成本、低功耗特点,作为提供提升该自由度的使能手段部署于网络中。该场景中关键问题包括RIS 的部署和协作,RIS 辅助多用户 MIMO 系统的用户配对和调度,以及潜在大面板尺寸衍生的近场效应带来的复杂的波束训练,非平面波信道模型建模,以及近场码本设计等问题。高频毫米波和太赫兹是 6G 潜在工作频段。高频信号最明显的特征就是路径损耗较大,受障碍物遮挡、雨雪天气、环境吸收等影响大。按照 3GPP TR38.901 无线信道损耗模型,同等条件下 28GHz 毫米波信号的路径传输损耗比 3.5GHz 信号的路径损耗增大约 18dB。在穿透损耗方面,对于低频毫米波信号而言,混凝土和红外反射玻璃材质的障碍物几乎无法穿透,树叶、人体、车体等障碍物对低频毫米波信号的穿透损耗均在 10dB 以上,过大的穿透损耗将导致覆盖范围内的受遮挡区域通信质量发生显著恶化;而对于高频毫米波和太赫兹频段,障碍物会对无线信号造成数十 dB 的传播损耗。为克服高频毫米波和太特兹通信严重的路径损耗,基站和终端用户通常配备大规模天线阵列实现高增益的定向传输。强指向性的波束和高频信道的稀疏性导致信道矩阵存在秩亏问题。在极端的强视距传播场景,信道秩甚至会降至 1,无法发挥多天线系统的空间复用增益。为解决高频通信的信道秩亏问题,可在基站和终端用户之间部署分布式智能超表面,利用智能超表面的信道定制能力,灵活塑造秩可调的信道矩阵,提升系统空间复用能力。随着超材料天线的应用推广,智能超表面设备形态更加丰富多样,例如建筑物外墙装饰层,低成本、低功耗、易部署的智能超表面设备将使能高频移动通信。图图 2.7 RIS 使能中高频连续覆盖使能中高频连续覆盖2.3 使能泛在近场使能泛在近场如上节所述,为解决高频通信带来的问题,智能超表面技术能够重构无线传播环境并在基站(Base Station,BS)和用户之间建立额外的可靠反射链路。RIS 反射元件的低成本和7IMT-2030(6G)推进组IMT-2030(6G)Promotion Group低复杂性特点也促进了超大规模 RIS 的出现,以实现更高的阵列增益。然而,随着 RIS 反射元件数量的增加,近场通信区域和远场通信区域的分界线距离 RIS 越来越远,使得近场区域变得不可忽略。与远场区域的平面波模型相比,近场区域的电磁结构有本质区别,应采用球面波模型3。近场的球面波传播模型包含角度和距离信息,这使得电磁波束在角度域和距离域上同时聚焦,形成近场波束聚焦。因此,近场通信可以利用距离这一新维度,为 RIS辅助无线网络实现更精确的信号增强、干扰管理和用户定位,如图 2.8 所示。就 RIS 辅助无线网络实现用户定位这一场景而言,在 4G/5G NR 蜂窝网络中,有定位需求的目标用户通常对来自多个基站的定位参考信号(Positioning Reference Signal,PRS)进行测量和处理。通过测量来自多个基站的 PRS 到达时间差(Reference Signal Time Difference,RSTD)及基站的位置信息可以计算得到目标用户的位置。因此,4G/5G NR 的定位精度取决于多个因素:每个基站与目标用户之间保证有直连路径、用户侧观测到的与其有直连链路的基站的数量、及用户侧 PRS 测量结果等。在基站与目标 UE 之间存在阻塞/遮挡的情况下,部署 RIS 可以扩展由非直射基站发送的 PRS 的覆盖范围,从而增加用户处观测到的基站数量。此外,每个基站可能配置多套 PRS,多套 PRS 分别在不同的时隙进行传输。在不同的时隙开启 RIS,可以保证 UE 侧接收到来自每个基站的多个 PRS 来实现 PRS 的接收分集,从而显著提升定位精度。在远场区域,高频信道的秩通常较小,这制约了信道的空间复用增益。与此相对,由于球面波带来的信号幅度以及相位的非线性变化,近场信道往往满秩,可以有效改善系统的复用增益以及空间自由度。当用户位于辐射近场区域时,即使多个用户位于相同辐射角度,也可以通过对智能超表面配置不同的近场码本,通过波束聚焦来减轻同信道干扰,支持多个共存的正交链路,实现空分多址4。图图 2.8 近场应用场景近场应用场景8IMT-2030(6G)推进组IMT-2030(6G)Promotion Group利用球面波前提供的角度信息和距离信息,可以进一步增强无线感知定位服务的精度,如图 2.9 所示,在远场模型中,所有阵元在同一路径上共享一个共同的到达角(Angle ofArrival,AoA),这一假设对于近场场景已不再适用,发射的电磁波到达 RIS 阵列中的每个反射元件时都会有不同的 AoA。另一方面,近场同行这也意味着信道的空间非平稳性加剧,这将给信道估计、码本设计、波束训练复杂度、移动性管理、信令设计等方面带来挑战。图图 2.9 近场定位场景模型近场定位场景模型52.4 使能泛在感知与定位使能泛在感知与定位RIS 不仅能增强无线通信,还能增强系统的定位能力,这得益于 RIS 增强的环境感知能力。在有障碍物或直接路径的接收功率无法实现稳健连接的情况下,RIS 可以与基站一起充当参考节点,提供虚拟视距(Light of Sight,LoS)路径,从而实现精准定位。在自动驾驶中,如图 2.10 所示,即使 LoS 路径被暂时阻断,RIS 也能保证不间断的定位及通信服务,而大型的 RIS 可以利用导频信号的波前曲率来提供近场定位。此外,RIS 也可以在变极化、信号吸收和透射式等多种模式下工作,可以为三维定位提供更大的灵活性和适应性,RIS 的相位值可以根据环境的变化而实时重新配置,从而提升了定位系统的准确性。另外,可以通过预配置基站或者 RIS 位置信息及参考信号来提高三维定位的准确性和鲁棒性。图图 2.10 RIS 辅助定位场景辅助定位场景9IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第第 3 章章潜在关键潜在关键技术技术相较于 2022 版本的 RIS 研究报告,本版本侧重相关理论及关键技术的最新进展,尤其专门新增了基于 RIS 的近场技术和系统仿真两部分内容。3.1 机理与模型机理与模型RIS 通过改变其人工微结构的电磁特性,形成了控制电磁波幅度、相位、频率、极化、波矢等基本物理参量的独特能力,进而可以影响电磁波的折射、反射、透射等特性。在此基础上,RIS 通过操控环境中电磁波的传播行为,从而实现对无线信道进行调控的目的。作为超材料领域与通信领域的交叉热点,RIS 搭建起物理学与信息科学之间的桥梁,以其对电磁波独特的智能调控方式为新型信息调制硬件范式与智能无线环境提供能无限可能。3.1.1实现机理实现机理RIS 的实体硬件通常包括两部分:超表面阵面与控制电路。超表面作为实施电磁调控的载体,是 RIS 的“躯体”,通常由一系列周期排布的电磁单元结构组成。其中,单元结构会集成一些可调元件来获得对电磁波调控的可重构性,如 PIN 二极管、变容二极管、液晶、MEMS开关等。根据单元结构对电磁波的具体调控能力,可重构超表面大致可分为:幅度可重构、相位可重构、极化可重构等6-8。智能控制单元则负责控制超表面所呈现的电磁功能,是RIS 的“大脑”,通常以 FPGA、MCU 等可编程元件为核心,搭配与可重构超表面相应的控制/驱动电路,具有实时控制超表面功能的能力。初期,RIS 的实现形式主要基于传统反射式超表面技术,通过实时调整超表面的反射特性,对入射的电磁波作实时调控,进而改善通信环境,以其低成本、低剖面、轻重量、高灵活性等显著优点促进着新体制通信系统的发展。随着可重构超表面与智能控制电路两方面技术的日趋成熟,RIS 从最初相对单一的反射式,逐渐发展出透射式,透射-反射一体式等新型实现形式,突破了反射式 RIS 仅能在信源同侧的空间内完成调控的限制,将其对电磁场与波的调控能力扩展到了全空间范围。具体地,透射式 RIS 调控的场空间与其信源分别位于超表面的两侧910。通过合理设计透射单元,配合智能控制电路来实时调节入射波的透射特性,RIS 出射口径面可形成特定的场分布,进而完成在出射面侧的场与波的灵活调控。透射-反射一体式 RIS 则是两者的结合,其既可以调控反射场,也可以调控透射场。以图 3.1 所展示的多功能透射-反射一体式 RIS为例,其功能可在智能电路的控制下,在透射、吸波、反射场调控等功能间实时切换11。10IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.1 透射、反射、吸波一体化透射、反射、吸波一体化 RIS 实现形式实现形式113.1.2传输模型传输模型在广义斯涅尔定律提出后,电磁超表面的发展受到了极大的鼓舞1213。而崔铁军院士于 2014 年首次提出的数字编码和现场可编程超超表面7,使超表面由“被动”变“主动”,从“模拟”变“数字”,进而有能力在物理空间上进行信息操作和数字信号处理运算,即一种全新的信息超表面1415。在该理论的指导下,RIS 的设计与优化得到了长足的进步。一个经典的 RIS 结构的等效电路传输模型可以用图 3.2 表示,其中参数固定的无源结构阻抗网络 Z 连接了一个阻抗可变的负载阻抗网络 Za16,整个超表面单元的输入阻抗 Zin是无源结构阻抗网络 Z 和负载阻抗网络 Za的函数。利用传输线网络知识,可以用公式00 ininZZZZ(3.1)获得超表面单元的反射参数。依据功率守恒定律,超表面单元的透射参数计算公式如下(3.2)其中和T为复数形式。对于反射型单元,其反射幅度A,相位arg();对于透射型单元同样适用。因此通过调整单元上可调器件的状态,可以改变负载阻抗网络的参数,进而改变整个传输模型的输入阻抗 Zin,最终调控 RIS 阵列中单元的电磁响应幅度和相位,重构网络传输矩阵。依据目标需求,综合考虑超表面单元的反射和透射系数,实现反射式、透射式和透射-反射一体式等超表面单元设计。此时的信息超表面已不再是一个功能固化的器件,利用驱动控制电路实时调控编码图样,调控远场辐射完成不同功能。当信息超表面上每一个单元的数字状态都可实时调控时,能够实现单波束、双波束、多波束及散射等任意辐射图样的实时可重构,其功能和性能为 RIS 的设计和实现奠定坚实基础。RIS 把超表面物理空间和数字空间融为一体,在操控电磁场和波的同时完成信息的感知、处理与调控,可实现更为复杂的系统化设计,促进新体制通信系统的发展。11IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.2 有源超表面结构等效路传输模型有源超表面结构等效路传输模型3.2 面向实现的波束赋形方案面向实现的波束赋形方案之前版本重点关注理论层面,以达到一定性能指标为目标,对 RIS 波束赋形向量进行优化的算法研究,但是这些波束赋形算法的实现效果高度依赖于实时、全局、准确的信道状态信息,而 RIS 是由大规模无源单元构成,无法主动获取逐单元的经由 RIS 的信道状态信息,需要合理设计低复杂度、低开销、端到端的信道获取方案,对标准的影响较大,在实际通信系统中实现的难度较大。与基于信道状态信息的波束赋形优化方案相比,基于码本的波束扫描方案更易于在实际系统中实现。本版本主要考虑如何低开销、低复杂度地在实际系统中实现波束赋形与波束管理方案,探索 RIS 对现有标准中的波束管理方案的影响。因此,本小节首先介绍了半静态 RIS 在较为简单的场景下,通过盲波束赋形,无需逐阵子信道估计,简单快速确定 RIS 相位,实现对一定区域覆盖。然后,面向标准化,提出了针对 RIS 的动态波束管理方案。3.2.1盲波束赋形盲波束赋形考虑到 RIS 级联信道估计的复杂性和所需要的参考信号、控制信令的开销,基于随机采样的方法可以不借助参考信号而对级联信道进行“盲估计”,进而计算出合适的 RIS 天线单元相位,使复合信道的容量最大化1718。随机采样方法利用统计学工具,可以有不同的实现方法。例如,最大随机采样(Random-Max Sampling,RMS)方案的核心思想是从 RIS 离散相位的全部组合的一个子集(包含若干随机向量样本,记作集合 Q)中选择出测试端接收信号质量最好的一个样本,该方案只关注能使信噪比最大的调相向量,而其它的采样在整个算法中仅作为比较对象,并没有充分利用。再如,条件采样平均(Conditional Sample Mean,CSM)方案,弥补了 RMS 的缺陷,尽量利用所有采样的信息,来推断最佳的调相向量,将总样本集合 Q 分成 RIS 单元数个子集,给定某个单元的相位,对每个子集中所有的采样向量所对应的接收信号质量进行条件平均值的最大,该方案的思想如图 3.3 所示。所述方案的性能图 3.4 所示,由于充分利用了随机采样点,CSM 的性能优于 RMS;CSM 和 RMS 是半静态的工作模式,并没有针对具体信道信息进行相位调整,所以相比 OPT 方案(基于信道状态信息的动态工作模式)要差一些。虽然动态模式的性能优于静态模式,但是需要设计相应的控制方案和传输方案。如何获得开销和性能的折中,为每种工作模式找到合适的场景是值得进一步研究的重要方向。12IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.3 条件采样平均(条件采样平均(CSM)算法的图解)算法的图解图图 3.4 不同波束赋形方案的接收功率不同波束赋形方案的接收功率 CDF 曲线曲线3.2.2波束失败恢复波束失败恢复信道变化会导致波束的接收信号质量下降,接收端无法正确接收来自发端的控制信令,从而发生波束失败。在基于 RIS 的无线通信系统中,基站发出的信号,经过 RIS 反射/透射给 RIS,经历了 BS-RIS、RIS-UE 两段信道。如图 3.5 所示的基于 RIS 无线通信链路中,基站到 RIS 段链路由基站发送波束和 RIS 接收波束共同完成信号的传输,RIS 到 UE 段链路,13IMT-2030(6G)推进组IMT-2030(6G)Promotion Group由 RIS 发送波束和 UE 接收波束共同完成信号传输。其中一段链路的波束失败,就意味着整个链路的波束失败事件发生。图图 3.5 基于基于 RIS 的无线通信链路模型的无线通信链路模型由于 RIS 没有信号处理功能,无法针对基站到 RIS 链路的波束失败事件进行检测和上报,仅能由 UE 针对基站-RIS-UE 的等效信道进行波束失败检测上报。UE 可以检测到等效链路发生了波束失败,相应地,在对新的候选波束进行测量时,也仅能对等效链路对应的波束进行测量。由于 UE 不能确定是哪段链路发生了失败,只能对两段信道的新波束均进行检测,即对级联链路的所有波束进行两两组合测量,这样会导致需要测量的新波束数量或波束组合数量较大。例如,当 BS 使用 M 个波束,RIS 接收使用 M1 个波束,RIS 发送使用 M2个波束,UE 接收使用 N 个波束时,所需要测量的新波束组合数量组合数为 M*M1*M2*N。当终端能力受限时,检测到新波束的概率会大大降低,或者检测到的新波束的质量不佳。对于 RIS 而言,若需要为多个 UE 提供服务,每个时间单元仅有一套调控系数,因此分给每个UE 进行新波束测量的时间相对有限。为了解决以上问题,将基站到 RIS 到 UE 之间的等效链路划分为两段(第一跳链路和第二跳链路),从而使得 UE 可以对每一跳链路和等效信道进行波束失败检测,当等效信道发生波束失败,或某一跳信道发生波束失败时,UE 均可以进行波束失败恢复上报。考虑到 RIS 对信号不具备数字信号处理能力,可以引入具有数字信号处理能力的控制节点对 RIS 进行控制或者由基站直接对 RIS 进行控制。图 3.6 为包含控制节点的 RIS 系统框图,1 个 BS 覆盖 L 个 RIS,每个 RIS 由 1 个控制节点进行控制,每个控制节点可以控制一个 RIS 阵面的波束调控或相位变换,为目标终端提供服务。控制节点图图 3.6 包含控制节点的包含控制节点的 RIS 系统框图系统框图14IMT-2030(6G)推进组IMT-2030(6G)Promotion Group假设 RIS 的调控矩阵可以写成=形式,其中用于对基站发送的信号进行接收调控,用于对 RIS 转发的信号进行发送调控,为补偿路损等影响的相位调控矩阵。此外,假设基站的发送波束赋形矩阵为,UE 的接收波束赋形矩阵为,基站到 RIS 之间的信道为,RIS 到 UE 之间的信道为,则基站到 UE 之间的等效信道可以表示为:=(3.3)为了简化问题,令=,根据等效信道表达式,存在多种两跳链路划分方式,如第一跳链路为,第二跳链路为;又或者,第一跳链路为,第二跳链路为;还可以第一跳链路为,第二跳链路为。以第三种划分方式为例,图 3.7 提供了划分示意图。图图 3.7 两跳链路划分方式两跳链路划分方式在图 3.7 中,RIS 节点包含两部分,分别是控制节点和 RIS 阵面,其中控制节点用于接收基站的控制信息,并根据基站的配置对 RIS 阵面进行调控。控制节点与 RIS 阵面部署在相同或相近地理位置上,具有数字信号处理功能、具有较低天线配置的节点(如具有单天线单通道、仅能进行全向传输等)。在将等效信道划分为两段信道后,UE 可以对第二跳信道和等效信道进行波束失败检测,当等效信道发生波束失败,或第二跳信道发生波束失败时,UE 均可以将失败事件上报给基站。其中,等效信道的波束失败检测过程和现有技术一致,如终端对等效信道对应的波束集合进行检测,当链路质量在一段时间内较差时,终端确定等效信道发生了波束失败事件,并将波束失败事件上报给基站。与等效信道波束失败检测类似,也由 UE 来执行第二跳链路的波束失败检测。实际上,第二跳链路的链路质量和第一跳链路的链路质量共同决定了等效链路的质量。相应地,可以根据等效链路质量以及第一跳链路质量来对第二跳链路的质量进行估算,其中第一跳链路质量由 RIS 的控制节点测量并发送给 UE。控制节点可以像普通 UE 一样进行链路质量测量。由于控制节点和 RIS 部署在相同或相近的物理位置上,基站到控制节点的信道和基站到 RIS 的信道的最大差别在于两个信道的天线数是不同的。假设以 RSRP 来衡量链路质量,由于这种划分方式并未考虑 RIS 的接收波束赋形矩阵的影响(等效于 RIS 和控制节点一致,也进行全向接收),控制节点测量到的链路质量与实际第一跳链路的链路质量实质是相同的。为了体现不同天线数或 RIS 单元数对链路质量的影响,控制节点还可以将补偿了天线数或单元数影响的第一跳链路质量指示给15IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupUE。例如,控制节点测量的第一跳链路质量为 RSRP 1,天线数或单元数的影响体现为偏移值dB,在 TDD 系统中,值可以由网路侧根据控制节点和 RIS 节点到基站之间链路的差异进行计算并配置给控制节点。在测量到第一跳链路的质量后,控制节点周期性地将测量值(如 RSRP 1 )指示给UE,则 UE 可以根据等效链路质量对应的 RSRP 2 和 RSRP 1 确定第二跳链路质量为 RSRP2-RSRP 1-。当 RSRP 2 或 RSRP 2-RSRP 1-低于特定门限时,UE 均可以将波束失败事件上报给基站。在进行新波束测量时,新波束集合中包含了基站发送波束、RIS 接收波束和 RIS 发送波束的波束组合。基于图 3.7 中的划分方式,第一跳链路包含了基站发送波束的影响,第二跳链路包含了 RIS 接收波束和 RIS 发送波束的影响。在新波束识别过程中,若 UE 识别到等效链路质量较差而第一跳链路质量尚可时,则 UE 可以选择当前基站服务波束对应的新波束组合进行测量;若 UE 识别到等效链路质量较差,且第一跳链路质量也较差时,则 UE 可以选择当前 RIS 服务波束对应的新波束组合进行测量。其它两跳链路划分方法也是类似的,UE可以根据等效信道的测量以及控制节点的指示,确定哪个波束或波束组合发生了波束失败。相比 UE 仅能确定等效链路发生失败的情况,本方法可以缩小新波束集合的测量范围,确保在有限的测量能力内,快速识别到新波束,进而缩短通信中断时间。此外,也可以考虑使用具备简单信号发射能力的 RIS 或控制节点,通过 RIS 或控制节点发送第二跳链路的测量信号,由 UE 进行第二跳链路的波束失败检测。等效链路的波束失败检测过程也由 UE 执行,测量信号为基站发送的测量信号。然后通过等效链路质量以及第二跳链路质量来对第一跳链路的质量进行估算。3.3 使能近场使能近场传统无线通信系统已经充分挖掘和利用了远场空间资源,进一步探索和利用近场空间资源,则有望为无线通信系统提供新的物理空间维度。未来 6G 网络中将会配置更大的天线孔径,并将使用毫米波、太赫兹等更高频段,其近场范围可达几十米甚至几百米,这将使得近场特性更加显著。同时,RIS、超大规模 MIMO、去蜂窝(Cell-free)等新技术的引入,则使得未来无线网络中近场场景广泛存在。近场通信技术也是实现未来 6G 网络更高的数据速率要求、高精度的感知需求及物联网无线传能需求等的使能技术之一,有机会成为未来 6G潜在无线空口关键技术之一。其中,RIS 所具备的超大尺寸、无源异常调控、低成本、低功耗和简单易部署等诸多特性,有机会在未来 6G 网络中构建泛在的近场无线传播环境,并带来全新的网络范式。3.3.1近场概念近场概念根据电磁场与天线理论,天线辐射的电磁场分为近场区域(Near-field region)和远场区域(Far-field region)。近场区域进一步划分为感应近场区域(Reactive near-field region)(或16IMT-2030(6G)推进组IMT-2030(6G)Promotion Group称为非辐射近场区域,Non-radiating near-field region)和辐射近场区域(Radiating near-fieldregion)。在天线或散射体附近,非辐射近场行为占主导地位;而在远离天线或散射体的区域,电磁辐射行为占主导地位。当天线在自由空间中辐射信号时,场分布由麦克斯韦方程组唯一确定,传播特性在不同的区域有一定的差异。这些区域中的电磁波表现出不同的传播特性。在远场区域,振幅、角度和相位的变化都可以忽略不计,并且路径损耗效应在确定接收信号强度时占主导地位。在近场中,根据从用户设备到天线表面的距离,存在明显的振幅、角度和相位变化。在远场区域内采用的平面波模型,天线阵列上的信号是平行的,每个天线具有相同的到达角,不同阵元的相位差只与到达角有关。而在近场区域内,不同天线信号不能看成平行,信号到达阵列呈现球面波形式,电磁波面必须精确地建模为球形19-21。相位差不仅与到达角有关,还与距离有关。从波束赋形角度,波束操纵包括将能量集中在远场中的特定方向上(对应于在无限远处聚焦),在近场中操作允许将能量集中在空间中的特定点上。一般将近场和远场的边界距离称为瑞利距离(Rayleigh distance),该边界距离定义为/2d2D,其中,D为天线的最大尺寸,为波长19。感应近场非常靠近天线表面,其边界被认为是2。辐射近场区域(也称为菲涅尔区域,Fresnel near-field)覆盖了从2到瑞利距离/2d2D的大部分近场区域。近场传播将会带来不同于远场传播的信道环境:近场效应和空间非平稳性。另外,近场也会带来更为显著的宽带斜视效应。与传统远场相比,近场有三个显著不同的特征,即球面波模型(Spherical Wave Model,SWM)、空间非平稳性(Spatial Non-Stationarity,SNS)和波束斜视效应(Beam Squint Effect,BSE)。另外,相对于远场,近场衰落随距离的变化更为剧烈:远场信号强度衰落与距离的平方成正比,而近场信号强度的衰落与距离的 46 次方成正比。3.3.2容量极限容量极限现有的 MIMO 容量理论分析和可达容量往往基于在远场平面波假设下建立的理论信道模型。得益于近场球面波波前的物理现象,通过对发送端天线阵列进行合理的波束赋形,可以利用球面波面实现近场波束聚焦(近场波束成形),以便将信号聚焦在特定位置,而不是像传统的远场波束转向(远场波束成形)那样将信号转向特定角度,这使得用户的接收信号能量得到提高,同时用户之间的干扰强度降低,提升信道容量。因此,对于需要重新评估球面波信道模型建模下近场大尺寸天线阵列的信道容量。近场波束聚焦效果如下图所示,可以看到图 3.8 用户相对于发送端处于同一角度,但两者之间能量干扰很小。17IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.8 近场波束聚焦近场波束聚焦Pizzo,Marzetta 等学者在文献22-38中提出在波数域中对近场大规模天线阵列对应的通信信道进行建模。其主要思想是利用波数域信道的有限数量的采样点,基于傅里叶展开重构 HMIMO 信道,如下图所示。与时域和频域之间的傅里叶变换类似,空间域和波数域之间的关系也由傅里叶变换描述,空间域信道可以通过波数域信道的傅里叶变换来表征,表示为,=122,?(3.4)其中,表示波数域信道,,表示接收波矢量,,表示发射波矢量,,是空间域信道。由上式可知,信道模型主要由三部分组成,即发射和接收波矢量和波数域信道。因此,空间域信道的建模可以等效于波数域信道的替代建模,由下式给出。,=12,(3.5)其中波数域信道可以用与散射环境和天线布置相关的信道谱密度,来表示;,涉及信道的随机特性。波数域信道一般具有稀疏结构,即以有限数量的非零系数为主。基于采样理论,可以对有限积分区域进行均匀采样,逼近波长域信道。信道近似精度取决于该区域被采样的点数。随着计算复杂度的增加,人们可以通过生成更多的样本来获得更准确的信道表示。18IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.9 傅立叶平面波展开信道建模傅立叶平面波展开信道建模球面波信道建模对应的仿真结果如下,可以看到此时远场 Rayleigh 衰落模型已经不再适用,同时所建模的信道模型与物理 Clarke 模型相吻合。图图 3.10 傅立叶平面波展开信道容量仿真傅立叶平面波展开信道容量仿真在球面波效应以外,近场通信的另一大特征是三极化效应,文献39中作者通过矢量格林函数同时考虑了近场球面波信道和多极化效应,并在此基础上建模了多极化近场球面波信道以及提出了面向极化和信道的双重预编码,其考虑的系统图如下所示:19IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.11 近场多极化球面波建模近场多极化球面波建模仿真结果证明,近场通信中的多极化效应能够在特定范围内显著提高系统容量。文献40研究了理想点源天线分布密度进行自由空间通信情况下的信道容量影响,其中的理想点源天线可以理解为不考虑耦合时的 RIS 元件,其通信场景图如图 3.12 所示。图图 3.12 离散离散/连续孔径通信容量极限分析连续孔径通信容量极限分析本文研究了在有限孔径面积下的非渐进性能分析方案,以验证密布天线阵列是否可以实现相比于传统离散天线阵列更加的通信性能,对于 3 种收发机的信息容量比较建立在 SNR控制方案的基础上,要求连续表面和离散表面平均来看具有相同的 SNR。研究结果表明半波长采样方案接近最优,更密的天线分布只会在近场通信时带来微小增益。但非理想天线和存在阵列耦合时的容量极限情况仍需进一步研究。3.3.3信道估计信道估计围绕超大规模 RIS 近场效应所带来的挑战,近期开始涌现新的信道估计方法。随着 6G工作频段的升高,超大规模 RIS 成为潜在使能技术。然而阵列尺寸的增加导致近场区扩展,近场效应显著。电磁波在近场采用球面波进行建模,如继续采用平面波的信道估计方法将导致功率扩散效应,降低信道估计精度。基于 Toeplitz 协方差矩阵的信号空间分析方法可进行超大规模 RIS 近场信道估计与定位41。而对于更为通用的场景即用户随机分布在近场与远场区域,需要考虑针对近远场混合 RIS 信道估计,近期工作提出一种基于功率扩散效应的压缩感知算法42。功率扩散效应指,将近远场混合多径信道从空域变换到角域后,近场径功率扩散至多个远场径对应的变换域基底,导致近场径方向、距离和强度信息无法被准确估20IMT-2030(6G)推进组IMT-2030(6G)Promotion Group计。而该方法将超大规模 RIS 的空域信道变换到角域-极化域联合域,使得功率扩散效应对信道估计的干扰可以被识别和消除42。结合优化的正交匹配追踪算法可以提升超大规模 RIS空域信道的估计精度。图图 3.13 超大规模超大规模 RIS 辅助的近远场混合通信场景模型辅助的近远场混合通信场景模型此外,随着通感一体化技术的发展,对于用户和周围环境的感知信息,例如用户位置、用户移动速度、环境雷达探测数据或环境图像数据等,将更容易收集。利用这样的多模态数据结合导频信息,来进行 RIS 信道估计是一种潜在方法4344。利用神经网络辅助 RIS 信道估计以降低导频开销的方法也受到关注。例如使用卷积去噪网络、对抗生成卷积去噪网络和残差密集连接网络提取 RIS 信道的低秩特性进行 RIS 信道估计45,或采用多层感知机神经网络对存在空间非平稳性的 RIS 辅助通信系统进行信道估计46,或设计偏移学习神经网络对室内毫米波 RIS 辅助通信系统进行信道估计47。除了以上方法,还可以采用基于码本设计和波束训练的方法进行信道估计与传输。通过波束训练获取等效信道的角度等信息,在避免直接对信道的高维参数进行估计的同时,获取必要的信道状态信息。对由于超大规模 RIS 所带来的用户随机分布在近场与远场中的普适情况,可以将球面波模型和平面波模型相结合,构造能够同时覆盖近场角度-距离维度和远场角度维度的多波束码字,从而形成近远场一体化码本48。多个用户可同时进行波束训练,并将使各个用户接收功率最大化的码字序号统一反馈至发射机,获取等效信道信息。该波束训练机制无需对空域信道进行高精度估计,仅需一次用户反馈,从而降低开销。总之,对于未来 RIS 辅助通信场景中的信道估计研究,需要结合 RIS、基站与用户的实际硬件配置情况,从而设计低复杂度、低导频开销、适用范围广、工程实用的信道估计方法。3.3.4波束分裂波束分裂在近场宽带通信系统中,另一大问题便是近场波束分裂效应。在近场 RIS 中,基于移相器的波束成形器能够产生对准特定位置的聚焦波束,从而提供波束聚焦增益49。这种波束成形器在窄带系统中效果良好。然而,对于宽带系统,由于使用了几乎与频率无关的移相器,不同频率的球面波束会聚焦在不同的物理位置上,这被称为近场波束分裂效应50。这种效应会导致严重的阵列增益损失,因为不同频率的波束无法与特定位置的目标用户对齐,这一点在宽带系统设计中需要仔细考虑。21IMT-2030(6G)推进组IMT-2030(6G)Promotion Group虽然波束分裂效应会使得宽带系统能量更难对准用户,导致波束赋形性能下降,但其也有对应的好处:由于相同的导频会对应产生空间上的多个波束,因此通过设计系统参数,可以控制波束在不同频率上的覆盖角度范围。得益于此,可以在远场实现非常快速的 CSI 获取,实现快速波束训练或波束跟踪。传统远场通信中对这个问题的研究主要分为两类工作:第一类技术希望减轻远场波束分裂造成的阵列增益损失,在波束成形结构中引入时延电路,减轻远场波束分裂效应;第二类技术通过控制时延参数和多波束实现在大规模多输入多输出系统中快速获取远场 CSI。近场波束分裂效应影响如下图 3.14 所示,可以看到在近场宽带通信时空间上有多个能量聚焦点。图图 3.14 近场波束分裂效应示意图近场波束分裂效应示意图文献50中对近场波束分裂效应进行了定义和分析,并利用基于时延(Time delay,TD)的波束成形器来克服这一效应。我们建议将整个阵列划分为多个子阵列,然后假定用户位于整个阵列的近场范围内,但位于每个子阵列的远场范围内。在此基础上,还可以利用延时电路来补偿近场球面波面引起的不同子阵列之间的群延迟。因此,整个带宽上的光束可以聚焦在所需的空间角度和距离上,近场光束分裂效应也相应得到缓解。文献23提出了一种利用近场波束分裂效应的快速宽带近场波束训练方案。作者首先证明了近场可控波束分裂的效果,通过精心设计的延时电路,不仅可以控制不同频率上波束的覆盖角度范围,还可以控制不同频率上波束的覆盖距离范围,从而实现对近场波束分裂的控制,只需一条射频(RF)链就能同时产生聚焦于多个位置的多个光束。基于这种波束分裂效果,本文进一步提出了一种宽带近场波束训练方案,以实现快速近场 CSI 采集,显著减少波束训练开销。近场波束训练系统图如图 7。22IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.15 近场宽带波束训练近场宽带波束训练证明了时间分集波束形成器在整个带宽上产生的波束可以覆盖多个角度和距离,并在减少训练开销的情况下实现接近最优的平均速率。3.3.5波束扩散波束扩散在大规模 RIS 系统中,当 RIS 使用远场波束对准近场设备时,将产生波束扩散现象(如下图 8 所示)。即远场波束的能量扩散到近场设备周围的角度区域内。这种现象本质上是由于近场信道导向向量和远场波束向量非正交性导致的。特别地,由于波束能量扩散,当使用远场波束对齐近场设备时会带来两个问题:1.近场设备获得的波束增益下降;2.该波束对其附近的其他设备将造成较大的干扰。远近场波束扩散效应在大规模 RIS 系统中具有诸多意义。例如,考虑混合远近场通信场景,即一些用户位于 RIS 的远场区域,而另一些用户位于 RIS 的近场区域。此时,当近场用户的角度与远场用户相近时,远场波束的能量就泄漏(扩散)到近场用户,从而带来对近场用户的干扰。值得注意的是,即使近场用户与远场用户角度差别较大(参见图 8 阴影区域),近场用户也会受到远场用户波束的强烈干扰;这个现象与仅存在近场或远场用户的场景中的结果存在显着差异。文献51中对于远场波束干扰进行分析,首先利用菲涅尔函数得到远场波束对近场用户造成的用户间干扰的闭式表达式,然后在此基础上分析基站天线数量、远场波束对干扰和用户可达速率的影响,并进一步指出需要设计有效的算法来降低远近场用户间的干扰。另一方面,近场波束扩散现象也可以被利用于近场节点充电。即利用大规模 RIS 对远场用户的信息波束来为近场设备无线充电。具体来说,文献52考虑近场能量收集(EH)和信息解码(ID)接收器场景,在 ID 总和速率和基站发射功率的满足约束下,通过联合设计基站波束调度和功率分配来最大化所有 EH 接收器处收获的加权总功率。该工作指出,与远场信能同传场景(SWIPT)只需要建立信息波束不同,远近场信能同传场景既需要建立信息波束,还需要建立能量波束进行传能。23IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.16 近场用户的能量扩散效应与远场波束空间角度的关系近场用户的能量扩散效应与远场波束空间角度的关系3.3.6波束训练波束训练对于大规模 RIS 近场波束训练,一种有效的方法是先利用 RIS 和基站位置固定的性质,设计基站到 RIS 的波束;然后进一步设计 RIS 到用户的近场波束。与远场波束训练不同,RIS 近场波束训练需要在角度域和距离域两个维度上进行波束搜索。具体地,文献53提出一种新的极域码本,其中每个波束码字指向具有目标角度和距离的特定位置。在角度和距离采样方面,研究表明应该采取角度均匀采样,距离非均匀采样的策略,且距离的采样密度应该随着距离增大而增大,这样才能最小化相邻码字的列相干性。基于近场的极域码本,一种直接的波束训练方法是对所有可能的波束码字进行二维穷举搜索。然而,这将导致过高的波束训练开销(即采样角度和距离的乘积),而留给数据传输的时间不足。为降低穷举搜索的导频开销文献54提出一种有效的两阶段快速近场波束训练方法。具体地,当使用远场 DFT 波束码本扫描时,在一定角度域内(称为显著角度区域),用户可以收到相对较高的波束功率。研究发现,用户真实的角度大约位于该显著角度区域中间。因此,利用这一重要的现象,首先使用角度域 DFT 码本估计用户的角度,然后使用极域码本进一步估计用户的距离。文献55提出一种高效的近场分层波束训练方法。具体来说,在第一阶段,采用超大规模阵列的中心子阵列通过传统的远场分层码本在角度域中搜索粗略的用户方向。然后,第二阶段,在给定粗略的用户方向,使用专门设计的近场码本在极域中逐步搜索细粒度的用户方向和距离。如下图 3.17 所示,这些方案显著减少训练导频开销的同时获得相当的通信系统可达速率。文献提出一种基于 DFT 码本的联合角度与距离波束训练方案。具体地,研究利用 DFT 波束码本估计用户角度,然后通过分析接收波束图的能量信息求解得到用户距离。此外,文献57提出一种基于深度学习的波束训练方案,该方案使用卷积神经网络测量传统远场宽波束的波束增益来预测最佳近场码字,缓解了近场波束训练导频开销巨大的问题。24IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.17 近场波束训练方案可达速率仿真图近场波束训练方案可达速率仿真图683.4 使能泛在感知与定位使能泛在感知与定位传统的感知与定位研究主要工作在天线的远场区域,例如基于距离(到达时间或差分到达时间)测量的伪距定位(四点定位)和基于距离结合到达角测量的几何定位方法。RIS 在远场可以增强感知与定位覆盖,提供新的测量参考节点,利用集成传感器(半被动 RIS),以及通过高空间分辨率波束等方式增强感知与定位性能。随着高频段部署的提升,例如毫米波频段,RIS 在高精度定位中的优势更为突出,而RIS 的感知与定位覆盖范围也逐步进入近场区域。需要进一步研究 RIS 在近场感知与定位中的关键问题。3.4.1远场感知与定位远场感知与定位无线感知与无线通信相比,主要挑战是视距链路条件和链路预算。通信在没有视距链路下仍然可以通过非视距链路传输信号,但无线感知主要依赖于视距链路的测量。链路预算的挑战在于感知中信号的传播路径是基站到目标的前向路径与目标反射的反向路径之和。RIS有绕过遮挡和增强信号的优点,可应对以上挑战。(a)RIS 反射前向路径(b)RIS 反射反向路径(c)RIS 反射两次图图 3.18 RIS 辅助无线感知的系统模型辅助无线感知的系统模型25IMT-2030(6G)推进组IMT-2030(6G)Promotion Group以单基地感知系统为例,当前向与反向路径都经过 RIS 反射,根据 RIS 辅助的无线感知链路预算可知,基站接收的回波信号功率与 RIS 单元数量的四次方成正比,因此感知信号强度可以通过增加 RIS 单元数量有效地提高。反之,可以得到在达到感知灵敏度或一定能量增益需求下所需的 RIS 尺寸。在 3.5GHz 频段,部署在 UMa 小区边缘的 RIS(尺寸为 4平方米)可以在其前方约 80m70m(同一水平高度)的区域实现感知能量增益。RIS 在无线感知中的另一优点是提供新的参考点。在无 RIS 的传统蜂窝系统中,需要至少 4 个非共面基站对目标三维定位,而定位误差主要取决于其中感知回波信号最弱的基站的测距误差。而在 RIS 辅助的感知中,RIS 可以取代感知信号最弱基站,作为一个新参考点。由于不需要 RIS 相对于服务基站而只需要相对于信号最弱基站提供能量增益,所需的 RIS尺寸进而减小,可以降低部署成本和难度。蒙特卡洛仿真验证了该方案的可行性和 RIS 辅助下目标定位性能的提升,仿真场景为低空无人机感知。如图 3.19 所示的仿真结果展示了目标无人机在小区中不同位置的感知信号能量增益和是否有 RIS 辅助的定位误差对比。(a)基于四点定位的 RIS 能量增益(b)三维目标定位误差图图 3.19 RIS 辅助无线感知的仿真结果辅助无线感知的仿真结果感知和定位受限于视距链路的缺失和信号衰落,而 RIS 能够提供虚拟视距链路并定向增强波束强度,有效的提高无线感知的范围,解决目前通感一体化中通信和感知能力不对称的问题。通过在有源传感器接收目标反射的回波进行信号处理,估计出到达时间(Time OfArrival,TOA)和到达方向(Angle Of Arrival,AOA),根据几何关系确定目标位置是一种常见的定位手段。文献58研究了半被动 RIS 辅助的感知系统性能,如图 3.20 所示,半被动 RIS 系统能很好的克服全被动 RIS 在感知系统中的路径损耗严重的问题。通过推导了关于 TOA 和 AOA 估计的克拉美罗界,RIS 单元数,感知单元数对于定位性能影响的闭式表达式,半被动 RIS 辅助的无线感知系统性能上界在理论上被给出,亚米级的感知精度和半被动 RIS 的性能优势也在仿真实验中被验证。26IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.20 半被动半被动 RIS 定位系统定位系统针对 RIS 辅助的多目标感知系统,不同应用场景下的感知性能要求(如感知频率、感知精度等)会有所不同,基于时分、特征序列和混合时分特征序列三种协议是实现不同性能折中的手段,如图 3.21 所示,通过将空间中待感知的目标分组和时隙划分,能够灵活调节性能59。图图 3.21 时分时分-特征序列混合感知协议特征序列混合感知协议为解决传统基于反射或透射 RIS 覆盖区域不全的问题,全反向 RIS 是一种潜在的技术手段,如图 3.22 所示,在该模型中,双功能基站与 RIS 联合生成多波束指向多用户和多目标,实现整个空间的通感一体化信号覆盖,并通过双基地雷达来完成回波的信号处理,也能降低信号多次反射引起的路径损耗60。27IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.22 全方向全方向 RIS 辅助的双基地通感一体化系统辅助的双基地通感一体化系统3.4.2近场感知与定位近场感知与定位RIS 在近场(Near Field,NF)定位领域具有巨大的潜力,通过调整 RIS 相位,可以实现精确的信号聚焦,使其集中在特定方向上,这在定位中具有重要意义。针对利用 RIS 辅助定位目前已有研究,文献61考虑了 RIS 在反射模式下的近场定位场景,此场景下远场定位采用的平面波波前不再适用,因此采用了球面波前的入射方式。首先,通过推导出的克拉美劳下界(Cramr-Rao Bound,CRLB),对 RIS 存在下的最终定位和方向估计性能进行了分析。随后,通过分析几何精度稀释系数(Geometric Dilution of Precision,GDOP),评估了 RIS 的几何形状对用户设备(User Experience,UE)定位的影响。最后,通过 RIS 的次优相位设计,以最大化信噪比的方式,进一步提升了定位性能。图 3.23 表示了 RIS 使用不同天线数量和不同相位设计策略的定位误差。图图 3.23 不同天线数量和不同相位设计策略的定位误差不同天线数量和不同相位设计策略的定位误差61文献62引入了一种上行定位方案,其中 UE 利用 RIS 的波束聚焦能力,通过基站进行定位。在远场多路径模型不适用的情况下,使用了近场多路径模型,研究时采用了压缩感知(Compressed Sensing,CS)技术,有效地解决了基于网格的 CS 可能导致的基差错配问题。28IMT-2030(6G)推进组IMT-2030(6G)Promotion Group最后,通过迭代设计 RIS 的相位,以达到最大化信噪比的目的,从而显著提高了定位性能。图 3.24 是使用不同相位设计方案的定位误差。图图 3.24 不同相位设计方案的定位误差不同相位设计方案的定位误差62文献63深入研究了在连续多载波(Multi Carrier,MC)下行链路多径辅助定位,分别在视距(Line of Sight,LOS)和非视距(None Line of Sight,NLOS)条件下进行了理论定位性能的表征和分析。研究表明,当 UE 足够接近 RIS 或 RIS 较大时,通过利用近场中 RIS 反射多径分量的信号波前曲率,可以直接推断用户在 NLOS 情况下的位置,从而实现定位。同时,文献64针对锚节点(Anchors Node,AN)和未知节点(Unknown Node,UN)之间不存在 LOS 路径的情况,提出了一种基于 RIS 辅助的基于接收信号强度(Received Signal Strength,RSS)的近场定位算法。该算法首先利用RIS建立AN和UN之间的虚拟视距路径(Virtual Lineof Sight,VLOS)路径,然后通过 RSS 最大值原理进行初步定位,将估计结果转换为 UN 位置的目标区域,并通过交替迭代方法在目标区域中搜索以获得准确的位置信息。当前对 RIS 在近场定位下的研究主要侧重于单个目标的位置定位,而应用于感兴趣区域(Area of Interest,AOI)中所有目标的定位服务问题尚未得到充分解决。特别值得注意的是,RIS 辅助的定位系统在应用于 AOI 时,有助于避免在目标位置变化时需要频繁调整 RIS 相位的问题。相较于单一目标场景,AOI 的 RIS 最优相位问题更为复杂。为了解决上述问题,文献65提出了 RIS 辅助近场区域定位的架构,包括 RIS 相位设计和位置确定两个关键部分。通过定义 AOI 的平均定位精度,文献引入了一种离散化方法来实现 RIS 相位设计。接着,通过将 AOI 转换为不确定性模型,将相位设计问题转化为鲁棒优化问题,并提出了一种基于迭代熵正则化(Iterative Entropy Regularization,IER)的算法来解决这一问题。最终,通过这种方法得到最佳的 RIS 相位设计,为 AOI 中的目标节点提供了在任何位置都能达到最佳定位性能的近场目标定位算法。如图 3.25 所示数值结果所示,在近场定位中,所提架构是有效的,其中相位设计策略与最优 RIS 相位几乎一致,所提出的定位方法可以通过应用设计的 RIS 相位方案实现近乎最优的定位性能。29IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.25 不同相位设计的定位性能不同相位设计的定位性能653.5 新型相控阵天线新型相控阵天线在下一代移动通信中,为了实现性能的大幅提升,大带宽的毫米波以及更高的太赫兹频段已经成为一种趋势。但是随着频率的提升,路损系数也随之提升,因此,高频段需要更大规模的阵列实现更高的增益来抵消较强衰落带来的性能损失。但是,大规模乃至超大规模的传统相控阵需要数量庞大的移相器和复杂的功分网络,因此带来加工、调控等方面的复杂度和难以承受的成本。针对以上问题,可以考虑利用超表面对波束的调控能力,基于 RIS 实现成本较低和架构简化的大规模天线阵列发射机,使阵列规模的进一步扩展与性能的进一步提升成为可能。图图 3.26 基于基于 RIS 的相控阵天线的相控阵天线图 3.26 为一种基于 RIS 的大规模天线发射机原型样机。该平台采用两个不同极化的RIS 阵面对两个对应极化方向的馈源天线的电磁波进行相移调控,实现高精度的模拟波束赋形,同时支持多流传输。在该架构中,相较于传统的阵列天线,无需相移器,且原本的多个小的功放由等于流数个数的大功放进行了替代,无需考虑多个小功放之间的差异性66。基于 RIS 的发射机由于馈源天线与 RIS 距离较近,且馈源指向性与用户位置相反,因而馈源与用户之间的信道可以忽略,进一步降低了系统设计的复杂度。在调控原理上,由于 RIS阵元数目较多、级联信道难以估计和测量,因此采用码本的方式进行 RIS 调控,可以实现波束搜索、跟踪、恢复等管理过程。30IMT-2030(6G)推进组IMT-2030(6G)Promotion Group3.6 性能评估方法性能评估方法系统仿真性能评估是对 RIS 大规模组网部署策略和效果的提前预演,通过模拟实际环境中多小区多用户的复杂通信环境,可以初探 RIS 对通信网络中干扰和系统性能的影响。对 RIS 网络实际性能的深入全面深入的系统级仿真评估是衡量 RIS 潜在性能空间的必要手段,充分公正的系统级性能评估也可以为 RIS 的标准化和规模商用前景提供极其重要的参考依据和数据基础。本节从系统级仿真平台搭建框架、方法论、信道建模等方面给出系统级仿真评估的必要基础,进一步给出了初步的系统性能评估结果。3.6.1系统框架与仿真方法论系统框架与仿真方法论A.系统级平台基本架构系统级平台基本架构系统级仿真平台的基本架构如图 3.27 所示,与 RIS 相关的模块用黄色高亮出来。额外需要输入 RIS 相关配置,包括调控比特数、反射单元数、节点位置、水平和垂直波束个数和间隔等,以及基站到 RIS 和 RIS 到终端的两段信道相关参数。同时需要对 RIS 引入的通信系统的信道进行重新建模,基于 3GPP TR38.901 中的信道模型,同时考虑级联和直连信道。对于波束扫描方案,先确定 RIS 的波束方向,进而在该方向上进行信道生成;对于波束赋形方案,需要分别生成两段级联的信道状态信息,再进行 RIS 相位调整。图图 3.27 系统级仿真架构系统级仿真架构B.评估因素评估因素31IMT-2030(6G)推进组IMT-2030(6G)Promotion Group评估因素可以包括调控比特数、反射面个数、反射面单元数、节点位置等不同规格性参数配置,以及典型相位调控方案,例如,基于波束扫描的方案和基于信道估计的用户专用(UE-Specific)波束赋形等。首先,RIS 反射面的阵列规模直接影响反射面的阵列增益,观测评估在实际网络中的UE SINR/Throughput 性能在不同规模下的性能变化趋势,是衡量其在实际系统中潜在价值的有效手段。其次,RIS 的节点位置或拓扑(如图 3.28 所示)也会极大影响 RIS 的实际性能。RIS面板挂高、面板倾角、方位角,与其他节点的相对距离和 RIS 面板朝向的评估验证对 RIS性能衡量都较为重要。图图 3.28 RIS 系统仿真评估对象系统仿真评估对象另一方面,考虑到更普遍的 RIS 的无源特性假设,BS、RIS 和 UE 的相对分布研究对RIS 受益用户和场景的定义有比较大的价值。节点位置分布对系统性能的影响可以通过引入指标受益用户比例(BUR,Beneficial UE Ratio)来实现。具体地,BUR 指标可以通过比较级联信道和直接信道之间的信道条件(路径损耗、RSRP.),评估与特定 RIS 有关的潜在有益 UE 数量,可以由特定的信道条件阈值(例如,路径损耗之间阈值)反映,如 BUR 可定义为:_AAll UENUMBURNUM(3.6)其中,集合 A 对应着满足阈值上述阈值条件的所有 UE 集合。C.评估指标评估指标评估指标可以涵盖信干噪比(Signal to Noise and Interference Ratio,SINR)和参考信号接收强度(Reference Signal Received Power,RSRP)的累积概率函数(cumulative probabilityfunction,CDF),吞吐量及用户吞吐的 CDF 等。32IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupRIS 的优化整体目标之一是:最大化(直达 反射)目标信号功率,最小化(直达 反射)干扰信号功率。UE SINR 是体现 RIS 优化目标的最为直观的指标之一。该指标体现了邻区和本区干扰 RIS 对目标用户信干噪比的影响,在实际性能评估中,UE SINR 的分布曲线可以直观体现 RIS 对于传统 MIMO 系统的影响,用以分析在不同的信干噪比区域 RIS 的额外增益大小和趋势。RIS的另一个衡量指标是用户吞吐。BS侧和RIS侧的预编码的联合优化可以增强BS-UE端到端等效信道,再加上可能存在的秩增强特性,这些都进而转化为用户体验速率的增强。在实际性能评估中,UE 吞吐的分布曲线可以从统计意义上体现 RIS 对于网络中不同用户的吞吐影响。D.干扰建模干扰建模考虑更实际的系统时,需要对来自于本区和邻区服务及干扰基站,以及服务及干扰 RIS的权值做出合理的假设。考虑到实际部署的限制,假设服务 RIS 权值矩阵配置为任一目标用户的最优相位配置,而干扰 RIS 的权值则可取单位阵或者随机相位矩阵。目标小区i和目标小区内用户u相关的RIS采用基于该用户的最优相位配置(如基于瞬时或统计信道信息)。非目标小区内的RIS或目标小区内用户的非服务RIS相位配置可采用如下两种方案中一种:单位阵:单位阵配置,.(默认值);随机相位矩阵:=。此外,各 RIS 上相位(包含目标小区和非目标小区内 RIS)的控制采用服务基站配置值,计算精确的用户端干扰。E.拓扑建模拓扑建模基于 RIS 对信号的被动反射特性,RIS 面板的拓扑建模设计对系统性能尤为重要。具体地,RIS 节点的拓扑建模参数可以包括位置参数、空间特性和规模参数。在仿真中,RIS 节点的拓扑建模参数包括:(1)RIS 位置参数:方位角、高度 h、距离 r;(2)RIS 规模及空间特性:阵子数、朝向、俯仰角。实际仿真系统中的 RIS 节点的拓扑建模可如图 3.29 所示:33IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.29 RIS 系统仿真拓扑模型系统仿真拓扑模型图 3.29 中,以 RIS 拓扑中位置参数为例,若基站坐标为,bibibixyz,则 RIS 节点的位置模型,rkrkrkxyz可以表示为:coscosrkbikris kbs iris kxxrcossinrkbikris kbs iris kyyrsinrkbikris kzzr(3.7)式中,bs i指 i-th BS 的方向角,ris k指 k-th RIS 相对于基站阵列法线方向的方位角,ris k则指 k-th RIS 阵列中心相对于基站天线中心阵的俯仰角。3.6.2信道建模信道建模RIS 的引入为信道建模带来新的范式,RIS 的部署使得信道环境在原有 BS-Rx 链路的基础上增加了 RS-RIS-Rx 链路传播路径,使得 RIS 使能的无线信道更为复杂。同时,建模过程中还需考虑 RIS 本身存在的物理特性,包括 RIS 辐射图案,RIS 单元之间的互偶问题等。此外,RIS 通过改变入射多径分量相位对信道特性造成影响,因此基于不同 RIS 相位优化方案探究 RIS 特性对通信信道空间、时间和频率维度特征的影响。主流的信道建模方法包括基于几何的统计性建模方法(Geometry Based StochasticModeling,GBSM)和基于射线追踪的确定性建模方法。基于几何的统计性建模方法可以很好的还原某一类场景下信道的统计特性,同时其复杂度低、方便实现等优点使得该模型成为现有的 5G 标准化信道模型67。基于射线跟踪的确定性信道建模方法通过电磁传播理论识别从发射端到接收端的所有多径,极大地提高了建模的准确度,随着计算机计算能力的提升,该模型逐渐获得了业界的认可,成为标准化信道模型的可选模型68。本文基于上述两种主流信道建模方法,实现 RIS 的信道建模。(1)基于几何的统计性信道建模方法)基于几何的统计性信道建模方法34IMT-2030(6G)推进组IMT-2030(6G)Promotion Group基于几何的统计性建模(GBSM)方法的基本原理是通过对信道进行大量测量,得到相应场景的信道特性统计分布。在进行信道仿真时通过对这些统计分布进行随机采样生成信道特征,还原完整的信道信息。考虑到无线通信系统在时域、频域和空间域的分辨率不断提高,多径的聚簇效应愈加明显,GBSM 模型以簇结构为基础进行建模,其具体的模型结构如图3.30 所示。图图 3.30 基于几何随机的统计性信道模型结构基于几何随机的统计性信道模型结构考虑收发端为多天线的情况,若发射端有个发射天线,接收端有个接收天线,信道可以用 维的复矩阵表示,矩阵中每个元素表示对应子信道的信道冲激响应,具体可以表示为68:,=1=1?n,m,n,m,n,m,n,m,n,mTexp,n,m1exp n,mn,m1exp 2,2exp n,m,n,m,n,m,n,m,n,m.exp 2n,m n,m exp 2n,m n,m.(3.8)其中:、表示簇和对应径的个数;,表示簇中第个径的功率;矩阵部分引入极化,其中有垂直极化和平行极化两个正交的极化方向,相应的表示极化方向上的天线方向图;,,,,,,,表示第个簇中第条多径的水平到达角,垂直到达角,水平离开角和垂直离开角;表示多径的初始相位,,表示相应子径的交叉极化功率比;表示中心载波波长,为到达角和离开角的球坐标单位向量,表示收发端对应天线的位置向量;,表示多普勒频移,,表示对应子径的时延。35IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.31 RIS 辅助通信信道模型辅助通信信道模型下将 RIS 引入到该模型框架中,其信道模型如图 3.31 所示。可以看到,RIS 信道在传统的 Tx-Rx 直接信道之外又引入了 Tx-RIS-Rx 级联信道。Tx-Rx 直接信道可以直接表示为公式(3.9)的形式,因此,对 RIS 信道建模的关键在于对 Tx-RIS-Rx 级联信道的建模。信号在 Tx-RIS-Rx 级联信道传播会经历三个过程,首先通过 Tx-RIS 信道传播到 RIS 处,然后被RIS 反射,最后反射信号通过 RIS-Rx 信道传播到 Rx 处。在每个过程中,信号的幅度、相位和极化都可能发生改变(存在能够调控极化方向的 RIS)。基于上述思想,第个发射机和第个接收机之间的 Tx-RIS-Rx 级联信道冲激响应(CIR)可以表示为69:,=1,11,12,22,21,12,2,2,2,2,2,2,2,2,2Texp 2,22,21exp 2,22,21exp 2,2exp 2,2?1,1,1,1,2,2,2,21,1,1,1,2,2,2,21,1,1,1,2,2,2,21,1,1,1,2,2,2,2exp 1,11,11exp 1,11,11exp 1,1exp 1,1,1,1,1,1,1,1,1,1 exp 22,2 1,1 exp 22,2 1,1 2,2.(3.9)式中包含两套链路多径参数,分别对应 Tx-RIS 信道和 RIS-Rx 信道,对于 Tx-RIS 信道,多径功率(1,1)、时延(1,1)、角度(1,1,1,1,1,1,1,1)、交叉极化比(1,1),以及随机相位(1,112,(1,2,))等参数参照 3GPP TR38.901 中小尺度参数流程的方法生成。RIS-Rx 信道对应的整套参数包括反映接收端多普勒频移的2,2也用模型中的方式生成。RIS 对簇和多径的影响包含在 RIS 辐射方向图12中,当1=2时,它的幅度和相位分别代表 RIS 的同极化反射幅度增益和相移,当1 2时,它的幅度和相位代表 RIS 的交叉极化反射幅度增益和相移。RIS 辐射方向图12的求解过程将在下一节中给出。36IMT-2030(6G)推进组IMT-2030(6G)Promotion Group当前,大多数基于实测的 RIS 信道建模主要集中在路径损耗,文献69基于实验测量数据提出 RIS 辅助双径传播信道模型,该模型考虑了直射路径和 RIS 辅助路径。文献71研究广播和波束成形场景下 RIS 辅助信道自由空间路径损耗模型,探究 RIS 功耗和入射角对路径损耗的影响。文献72基于测量结果提取了室内场景 RIS 辅助通信系统的路径损耗和阴影衰落,刻画路径损耗为浮动截距和 CI 模型两种形式进行对比分析。文献73利用 RIS 辅助自由空间路径损耗测量系统,并研究了毫米波频段不同 RIS 配置对接收功率的影响。规则/非规则几何信道模型近年来被学术界和工业界广泛使用。该建模方式通过对传播场景几何结构做抽象和建模,不依赖于实测数据且无需地理信息。文献73基于远场假设提出了适用于室内和室外环境的 RIS 增强系统的毫米波级联信道模型,该模型考虑了 RIS 元素增益和阵列响应。文献74建立了双 RIS 协同辅助通信的随机信道模型,将 RIS 分别置于发射端和接收端。文献75基于多径簇结构建立 RIS 辅助 MIMO 端到端信道模型,研究了 RIS 的物理特性(如尺寸、方向和配置)对 RIS 信道的影响。在实测数据相对匮乏的情况下,基于几何的随机性信道建模方法可以有效地实现对 RIS信道特征的表征,并且可以很好的将 RIS 相位设计对信道特性的影响与模型结构实现融合。当前,基于几何理论的 RIS 信道建模研究主要取得了如下代表性进展。针对 F2M(Fix-to-Mobile)典型通信场景,提出了 RIS 辅助三维非平稳几何信道模型1667,如图 3.32所示。在该模型中,假设空间中散射体处于单圆柱表面,除了视距传输之外,包含发射端-RIS-接收端以及发射端-散射体-接收端一次反射路径。在此基础上,通过几何原理描述 RIS 时变动态信道特性。图图 3.32 RIS 辅助的辅助的 F2M 几何信道模型示意图几何信道模型示意图针对高度移动场景,如图 3.33 所示为基于非规则几何原理提出的 RIS 辅助高速移动场景的几何模型76。RIS 的安装具有一定的灵活性,将 RIS 安装在高铁车窗辅助车载用户通信,结合 RIS 辐射图案建立 RIS 辅助的毫米波高铁信道模型,描述高速移动带来的信道非平稳性以及多径分量在时延、功率和多普勒等维度的时变动态性变化。37IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.33 RIS 辅助下高铁通信信道模型示意图辅助下高铁通信信道模型示意图RIS 信道模型特征不仅需要考虑复杂环境下信号的电波传播特性,还与 RIS 单元的相位设计密切相关,因此如何建立准确且复杂度低的 RIS 信道模型以及针对性地设计 RIS 相位是未来 RIS 信道建模研究亟需解决的问题。RIS 信道大尺度特性建模方面,主要聚焦于 RIS 信道路径损耗的测量建模。文献77和文献78中考虑了自由空间条件下 RIS 的单个电磁单元提供的辅助子链路和 RIS 整体提供的辅助链路的自由空间路径损耗建模。自由空间下 RIS 单元路径损耗与收发机到 RIS 单元距离乘积的平方成正比,与收发天线增益、单元面积的平方、单元反射效率等成反比。自由空间下 RIS 整体路径损耗可由单元路径损耗叠加推导得到,故 RIS 整体路损还与 RIS 单元个数有关。以上建模研究还指出,自由空间下远场波束成型场景,整体路损与收发机到 RIS 中心距离乘积的平方成正比,与超表面总面积平方成反比。近场广播场景下,整体路损与收发机到 RIS 中心距离和的平方成正比,与 RIS 总面积无关。在暗室场景的多个频段该自由空间下 RIS 路径损耗模型预测值与测量结果吻合度较好,验证了模型的有效性。基于自由空间下 RIS 路径损耗模型,文献79开展了适用于近场、远场、混合场的 RIS 反射波束设计。图图 3.34 自由空间路径损耗模型验证测量实拍图自由空间路径损耗模型验证测量实拍图6838IMT-2030(6G)推进组IMT-2030(6G)Promotion Group实际环境下的 RIS 路径损耗建模方面,文献80-82基于传统的浮动截距(FI)模型以及自由空间下 RIS 波束成型整体路损模型,提出了适用于 RIS 辅助无线通信的改进 FI 模型。该模型指出,实际环境下 RIS 路径损耗与收发机到 RIS 中心的距离以及其与 RIS 法线的夹角有关。针对无 RIS 辅助,采用等相位配置的 RIS 镜面反射以及采用动态阈值方法83的 RIS智能反射三种模式,实地测量表明 RIS 辅助能有效降低路径损耗,而 RIS 采用智能反射模式时效果最好。RIS 信道小尺度特性建模方面,主要聚焦于时延拓展,多径传播等。当前基于实测开展的 RIS 辅助信道时延特性建模研究较少。文献82中研究了无 RIS 辅助,RIS 镜面反射以及RIS 智能反射三种模式下的均方根时延拓展以及频域稳定性。均方根时延扩展方面,智能反射模式最小,无 RIS 模式最大,镜面反射模式位于中间,RIS 智能反射模式能够有效聚焦信号能量;频域稳定性方面,无 RIS 模式下信道呈现明显的频率选择性衰落,有 RIS 辅助时,镜面反射和智能反射模式下信道呈现平坦衰落。文献84对无 RIS 模式,RIS 镜面反射模式和 RIS 智能反射模式下实际走廊场景的功率时延谱进行了测量。测量结果表明,与无 RIS 信道相比,RIS 智能反射能使接收功率提升10dB 以上。随着 RIS 到接收机距离增加,RIS 智能反射能使虚拟直射径功率维持在较好的水平,呈现出良好的空间一致性,可以应用于 RIS 辅助的波束追踪。RIS 辅助信道的多簇特性在该文献中被建模为改进的 S-V 模型,分簇结果表明 RIS 智能反射表现出功率最强的首达簇,并且簇内多径衰减速度最快。走廊场景下,受狭窄空间影响,与无 RIS 相比,RIS 镜面反射会产生多个反射簇。图图 3.35 走廊场景基于走廊场景基于 USRP 构建的构建的 RIS 信道时域测量系统实拍图信道时域测量系统实拍图84(2)基于确定性的建模方法)基于确定性的建模方法不同于统计性信道建模方法,确定性信道建模方法是对真实通信场景高精度还原建模的信道建模方法,它通过对真实的无线传播环境进行重构,提取环境中物体的几何描述和电磁参数等信息,根据电磁波传播理论对无线信道进行精准的描述。在确定性信道建模体系中,39IMT-2030(6G)推进组IMT-2030(6G)Promotion Group主要有基于麦克斯韦方程组的全波分析法和基于几何近似进行数值计算的射线跟踪法两大类方法。其中射线跟踪法应用较为广泛。射线跟踪建模方法依据几何光学理论与一致性绕射理论可以实现对发送端和接收端之间的所有射线(路径)传播过程的预测,精准模拟传播路径之后,就可以确定射线的离开角、到达角、光程等参数。之后,将电磁波的能量传播看作射线(光)的传播,根据电磁学理论和相应的反射系数、绕射系数和穿透系数进行电磁计算,预测所有路径的电磁参数,进而可以得到每条射线的功率等信道参数,最终计算出信道的传播特性,包括路径损耗、角度扩展、时延扩展等,建立对应于具体环境的信道模型。射线跟踪法预测射线传播路径的过程称为射线寻径,完成射线寻径后即可提取多径角度和时延信息。根据射线寻径结果计算每条射线幅度和相位的过程称为电磁计算,其中射线寻径是射线跟踪较为核心的部分。射线寻径包括反射射线的射线寻径和绕射射线的射线寻径。对于反射射线的射线寻径,常用的一种方法为镜像法。如图 3.36 所示,Tx 表示发射点,Rx 代表接收点,O 为平面 P1 上的反射点。由镜像法可知,通过对 Tx 做关于P1的镜像对称点Tx,连接Tx与 Rx,连线与平面P1的交点即为反射点 O。从 Tx 开始,经过反射点 O,最终到达 Rx 的路径就是所求的一次反射射线。对于高阶反射射线,可以通过递归使用镜像法求得。值得注意的是,计算高阶反射射线的计算开销很大,而高阶反射射线又因其功率较低而对信道的影响比较微小,因此有理由忽略反射次数过高的反射射线。文献85中指出,在室内场景中,当射线反射次数高于二时,对信道的影响几乎可忽略。图图 3.36 镜像法示意图镜像法示意图对于绕射射线的射线寻径,可通过一致性绕射理论完成。一致性绕射理论表明,在入射媒质与出射媒质相同的情况下,射线的入射角等于出射角。由这一定律可以确定绕射射线的几何轨迹。图 3.37 为边缘绕射示意图,其中,B 点为 Tx 在障碍物边缘上的垂足,A 点为 Rx在边缘上的垂足,由一致性绕射理论可知,RxAP 与TxBP 相似。若已知收发端位置,只需简单求解点到直线的距离,就可以根据相似三角形定律得到绕射点 P 的位置,由此,绕射射线的射线寻径完成。40IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.37 边缘绕射示意图边缘绕射示意图下面给出单 RIS 辅助通信系统的远场确定性信道建模方法。与传统射线追踪信道建模仿真流程一样,该方法分为射线寻径和电磁计算两部分。需要计算的射线路径可以分为两类,第一类是Tx-Rx直达射线路径,第二类是Tx-RIS-Rx级联射线路径。对于 Tx-Rx 直达射线路径,它不受 RIS 的影响和控制,因此,其计算方法与传统的射线跟踪计算方法一致。对于 Tx-RIS-Rx 级联射线路径,它的计算方法为:首先,分别计算 Tx-RIS 段的射线路径和 RIS-Rx 段的射线路径,记其数量分别为1和2。然后,依次取出 Tx-RIS 段的每条射线路径,将其与 RIS-Rx 段的所有射线路径进行拼接。拼接起来的射线路径就是 Tx-RIS-Rx 段级联射线路径。可知,Tx-RIS-Rx 级联射线路径数量为12。这是不难理解的,因为 RIS 的反射信号并非完全指向某一个方向,而是呈现出一个有主瓣和旁瓣的波束,覆盖全角度范围。这样,每一条 Tx-RIS 段的射线路径在经 RIS 反射后,都会被分散在所有反射角度上,然后沿着每一条 RIS-Rx 段的射线路径到达 Rx。在计算出这两类射线路径后,需要沿着射线路径进行电磁计算,得到每条射线路径的幅度、相位等信息。对于 Tx-Rx 直达射线路径,它的电磁计算仍然遵循传统射线跟踪的流程。对于 Tx-RIS-接收端级联射线路径,它的计算方法为:首先,计算出所有的 Tx-RIS 段射线路径的幅度、相位信息。然后,计算 RIS 的电磁响应,通过一个由 RIS 辐射方向图组成的矩阵来表示。经 RIS反射后的信号和入射至 RIS 的信号相比,其幅度、相位和极化可能都发生了变化,可以采用一个交叉极化矩阵来表征这种变化,写为=,.(3.10)其中,和是入射的垂直角和水平角,和是出射的垂直角和水平角,12,12,是 RIS 辐射方向图,当1=2时,它的幅度和相位分别代表 RIS 的同极化反射幅度增益和相移,当1 2时,它的幅度和相位代表 RIS 的交叉极化反射幅度增益和相移。41IMT-2030(6G)推进组IMT-2030(6G)Promotion Group接着,计算出所有的 RIS-Rx 段的射线路径的幅度、相位信息。最后,将上述三个部分级联起来,得到所有 Tx-RIS-Rx 级联射线路径的幅度、相位信息。通过上述分析,要基于射线追踪实现 RIS 的信道建模,计算 RIS 的辐射方向图至关重要。由于 RIS 由很多阵元组成,它的辐射方向图可以通过相干叠加各个阵元的辐射方向图得到,表示为矩阵的形式为12,=,112,12,.(3.11)其 中,和 分 别 为 入 射 和 出 射 方 向 上 的 RIS 阵 列 导 向 矢 量,,12,1,2,N 代表第个 RIS 阵元的辐射方向图,它的幅度和相位分别表示 RIS 阵元的反射幅度增益和相移,N 是 RIS 阵元数量。因此,需要找到一种计算 RIS 阵元辐射方向图的方法。文献86中通过物理光学法计算了 RIS 阵元辐射方向图。文献87中用cosq函数拟合了 RIS 阵元辐射方向图。文献88中,通过在目标方向选取观测点,对比观测点处的信号和入射到 RIS 阵元的信号,分析了 RIS阵元对信号施加的影响,给出了 RIS 阵元辐射方向图的具体公式,为:,12,=421,1,2(3.12)其中,是信号波长,是观测点到 RIS 阵元的距离,,1表示观测点处的反射场在1极化上的分量,,2表示 RIS 阵元处的入射场在2极化上的分量。可以发现,RIS 阵元的辐射方向图受其反射系数的控制,因为,改变 RIS 阵元的反射系数可以改变,1,进而改变 RIS 阵元辐射方向图。从发送端天线 s 到接收端天线 u、经过 RIS 所有阵元反射的端到端信道可以进一步表示为(与上面的(2)式兼容,只是将 RIS 所有阵元的辐射方向图、可调权值的效果显式表达为各阵元之和):,=1,11,12,22,21,12,2,2,2,2,2,2,2,2,2Texp 2,22,21exp 2,22,21exp 2,2exp 2,2?=1?exp 1,11,11exp 1,11,11exp 1,1exp 1,1,1,1,1,1,1,1,1,1 exp 22,2 1,1 exp 22,2 1,1 2,2.42IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(3.13)其中 Q 是 RIS 阵元总数,单个 RIS 阵元 q 对信道的贡献包括辐射方向图、入射与反射的波程差相位、可调权值:=,1,1,1,1,2,2,2,2,1,1,1,1,2,2,2,2,1,1,1,1,2,2,2,2,1,1,1,1,2,2,2,2 exp 22,2 1,1 (3.14)其中是 RIS 阵元 q 的坐标,RIS 入射或反射径的方向矢量为:,=sin,cos,sin,sin,cos,(3.15)RIS 阵元 q 从极化2到极化1的辐射方向图为:,1,21,1,1,1,2,2,2,2,1,2,(3.16)RIS 阵元 q 配置的权值为(包括幅度和相位)。RIS 阵元辐射方向图模型 1:采用 cosq()函数形式的辐射方向图模型,在这种模型下,由入射到反射的效果可以解耦为入射与反射两部分之乘积,即:,1,1,1,1,2,2,2,2,1,1,1,1,2,2,2,2,1,1,1,1,2,2,2,2,1,1,1,1,2,2,2,2=,2,2,2,2,2,2,2,2,1,1,1,1,1,1,1,1T(3.17)在此种 RIS 阵元辐射方向图模型下,端到端级联信道可以进一步解耦为第一跳信道(RIS-TX)、第二跳信道(RX-RIS)与 RIS 权值:,=1,?(3.18)其中表示对时延的卷积,两跳的信道分别为:43IMT-2030(6G)推进组IMT-2030(6G)Promotion Group,=2,22,22,2,2,2,2,2,2,2,2,2T?exp 2,22,21exp 2,22,21exp 2,2exp 2,2,2,2,2,2,2,2,2,2 exp 22,2 2,2 exp 22,2 2,2,=1,11,11,1,1,1,1,1,1,1,1,1T?exp 1,11,11exp 1,11,11exp 1,1exp 1,1,1,1,1,1,1,1,1,1 exp 21,1 1,1 exp 21,1 1,1(3.19)3.6.3系统性能评估系统性能评估以下对评估指标和因素、典型调控模式和节点分布进行举例说明。A.规格性参数性能规格性参数性能可以考虑不同的用户位置和智能超表面部署位置下的系统性能,如图 3.38 所示。评估指标是 SINR 和 RSRP 的 CDF,如图 3.39 所示2。表格表格 3.1 系统仿真参数系统仿真参数图图 3.38 用户和智能超表面位置分布用户和智能超表面位置分布参数值参数值参数值频点2.6 GHz阵子数16*16,40*40阵子间隔0.8*0.5RIS 个数/扇区8,16基站高度25m用户高度1.5mRIS 高度15mRIS 极化单极化场景7 小区 21 扇区44IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.39 不同位置、调控精度和阵子规模下的不同位置、调控精度和阵子规模下的 CDF 曲线曲线通过系统级仿真,可以初步得到如下结论:在无线网络中部署 RIS 可以显著提高系统的性能,增加单个智能超表面的单元数或增加每个扇区的智能超表面个数可以提高系统的性能;与部署在小区中间相比,部署在小区边缘的智能超表面更能提升边缘用户的性能;2bit调控 RIS 性能已经接近理想调相性能。B.典型调控模式性能典型调控模式性能基于系统级仿真平台,可以验证和对比智能超表面的不同调控模式下的性能,包括静态/半静态模式和动态模式。动态工作模式是利用终端的信道信息反馈,进行指向具体终端的波束赋形,根据信道状态信息的不同形成了两种动态模式:如果信道信息只是接收信号强度,则为基于波束扫描的动态工作模式;如果信道信息是完整的信道状态信息,包含不限于幅度和相位,则为基于信道状态信息(CSI)的动态工作模式。此时考虑的因素除了 RIS 规模和位置外,还有调控精度和波束宽度。评估对象可以是 SINR 和 RSRP 的 CDF 曲线,如图 3.40所示。45IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.40 16x16 和和 40 x40 RIS 系统仿真在不同波束宽度下的系统级仿真对比系统仿真在不同波束宽度下的系统级仿真对比通过系统级仿真,可以初步得到如下结论:当反射面规模较大时,基于信道信息针对用户波束赋形方法具有显著的性能增益。当反射面规模较小、且波束扫描间隔与波束宽度相当时,波束扫描与针对用户的波束赋形的性能相当。C.RIS 拓扑性能拓扑性能本小节分析RIS拓扑、规模以及BS-UE,BS-RIS-UE在不同的信道假设下的UE Geometry性能。分别在 10GHz 和 30GHz 两个频点下进行了分析。具体地,10GHz 下我们考虑了 4 种不同的 RIS 拓扑;30GHz 下我们考虑了不同的 RIS 规模。(a)BS-UE 信道存在 LOS 径假设(b)BS-UE 信道存在 N-LOS 假设图图 3.41 RIS 拓扑对拓扑对 UE Throughput 性能影响性能影响(10GHz)46IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(a)BS-UE 信道存在 LOS 径假设(b)BS-UE 存信道在 N-LOS 假设图图 3.42 RIS 拓扑对拓扑对 UE Throughput 性能影响性能影响(30GHz)不难发现,用户Geometry性能伴随着RIS拓扑,RIS规模,以及不同的BS-UE,BS-RIS-UE在不同的信道假设而改变。在直达信道质量较好时,无论何种 RIS 拓扑、RIS 规模设计,基于用户 Geometry 增益都较小;而仅当直达信道质量变差时,可以明显观测到 RIS 的性能增益。如前文所述,用户受益比例很大程度上影响 RIS 系统的增益空间,本示例中考虑 7 阶不同的 BUR 阈值定义来反应不同的受益户比例,以及研究对应的性能增益。图 3.43 中可以发现,用户吞吐性能伴随着 RIS BUR 增加而递增。当受益用户比例占系统用户数 2%时,RIS 相比于 MIMO 基线的增益仅为 3%,只有当受益用户比例达到 30%时,RIS 才会带来较大的用户吞吐增益,如相比于 MIMO 基线性能提升 20%。(a)UE 吞吐累计分布函数性能(b)不同信噪比下 BUR 分布(c)不同 BUR 阈值条件下小区平均吞吐增益图图 3.43 BUR 对对 UE 吞吐量性能影响(吞吐量性能影响(10GHz)47IMT-2030(6G)推进组IMT-2030(6G)Promotion Group仿真发现,BUR 的假设对 RIS 系统的增益空间识别极为关键,因此在后续方案性能评估和潜在的标准化进程中方案性能比较过程中在对齐的 BUR 假设下展开更能客观和公平地体现 RIS 系统的增益空间48第第 4 章章工程化挑战与解决方案工程化挑战与解决方案智能超表面关键技术研究和基本功能实现当前已比较深入,但从理论研究到应用落地仍面临很多挑战,当前缺乏对 RIS 实际工程应用面临难点的分析和对 RIS 标准化影响的讨论。在本章,探讨 RIS 面临的工程化挑战,结合实际条件分析对应的解决方案,探索 RIS 实际应用道路,为未来 RIS 商用做好准备。智能超表面关键技术研究和基本功能实现当前已比较深入,但从理论研究到应用落地仍面临很多挑战,当前缺乏对 RIS 实际工程应用面临难点的分析和对 RIS 标准化影响的讨论。在本章,探讨 RIS 面临的工程化挑战,结合实际条件分析对应的解决方案,探索 RIS 实际应用道路,为未来 RIS 商用做好准备。4.1 硬件挑战硬件挑战随着 RIS 工程化的深入,工业界出现了各种不同的 RIS 形式,并根据不同的技术特征、形态和形式进行分类。例如,根据频段,RIS 可工作于中低频、毫米波、太赫兹频段;根据透射/反射功能,RIS 分为反射型、折射型、同时反射和折射型;根据调控方式,RIS 分为基于 PIN 管、变容二极管、MEMS、液晶、石墨烯等类型;根据调控动态性,RIS 分为静态调控、半静态调控、动态调控。每种类型的 RIS 具有独特的技术特点,未来实际应用中部署哪些类型的 RIS 仍需进一步研究和探索,以满足不同场景需求。RIS 物理实现会受到固有硬件损伤的不利影响,例如单元响应的幅度相位相关性、量化误差、相位噪声、放大器非线性、载波频率和采样率偏移以及 I/Q 失衡等。尽管可以使用校准、预失真或补偿技术部分抵消其中一些缺陷,但由于时变硬件特性和随机噪声的非理想估计等,在实际情况下大量失真不可避免。(1)量化误差:高分辨率元件会增加硬件成本、设计复杂性和控制开销。为降低硬件成本和功耗,对于具有大量单元的 RIS,一般采用有限数量的离散相移和振幅的 RIS 单元,RIS移相矩阵的优化变得更具挑战性。量化导致严重的信息丢失,基于无限精度量化的传统信道估计方法不再适用于低分辨率的场景。当前研究表明单比特设计由于粗略的相位分辨率而产生 3-4 dB 插入损耗,导致低孔径效率。(2)单元响应的幅度相位相关性:大多数关于 RIS 的工作都假设了理想的相移模型,在每个单元上都有全信号反射,而不管每个单元的相移如何,这在实践中很难实现,因为反射幅度和反射相位之间存在强耦合。当前普遍假设的仅相位调控的反射模型并不准确,反射幅度往往取决于相移本身取值。(3)RIS 单元极化问题:对双极化 RIS,每个 RIS 单元可同时调控双极化信号,独立改变不同极化信号的相位。然而,引入双极化 RIS 使得系统分析和设计变得更加复杂,并且,在实际系统中,双极化缺陷始终存在,包括不同输入端口之间的耦合等硬件损伤和散射环境中发生的偏振转换等辐射损伤。受这些缺陷的影响,两个极化中的子信道不再正交,并且由于交叉极化干扰,实际容量提升有限。49IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(4)耦合:对单元间距较小,特别是小于半波长情况,耦合问题成为不可忽视的硬件挑战。对耦合的建模是十分必要的,虽然以高保真度捕捉耦合的模型是有益的,但该模型的复杂度将影响其对优化不同准则(如能源效率和频谱效率)的帮助程度。(5)相位非理想:RIS 面板在生产、安装、部署、维护等各阶段都存在影响相位调控精度的不利因素,例如温差、形变、平整度、PIN 管失效、频偏等。在 RIS 工程应用中需要建模存在相位误差的 RIS 反射模型,包括全局随机相位误差、分组随机相移误差、分组固定相位误差等89。例如,随着使用时间的增长,PIN 管可能失效,这可以看作一种分组随机相移误差,其影响如图 4.1 所示。图图 4.1 相位非理性对接收信号强度影响相位非理性对接收信号强度影响894.2 信道互易性信道互易性信道的互易性是保证 TDD MIMO 系统基于非码本下行链路预编码得以实现的必要条件。由于 RIS 的人工电磁特性并不严格遵循正常的自然规律,势必带来是否会影响网络互易性的疑问。电磁互易性是指当源点和观测点交换位置时,源点在观测点产生的电磁场保持不变的现象,这一现象源于麦克斯韦方程组与时间的对称性。根据 Rayleigh-Carson 互易性定理得到,材料和传输介质互易,即可以保证无线信道的互易性。一般来说,当作用于 RIS 单元的控制信号保持不变,构成 RIS 的材料(如金属贴片、介质层和电子元件)是遵循互易性定理的,因此,在正常条件下,RIS 辅助的无线信道依然具有互易性,该结论可以通过对常见的变容二极管 RIS 和 PIN 管 RIS 两种原型样机在如图 4.2 所示的测试环境下的测量结果证明90,测量结果如表格 4-1 所示。表格表格 4.1 两种两种 RIS 的信道互易性的测量结果的信道互易性的测量结果RIS 类型入射角()反射角()下行接收功率(dBm)上行接收功率(dBm)变容管300-42.6-42.7变容管5030-53.6-53.7PIN 管350-49.4-49.2PIN 管50-58.2-58.250IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 4.2 RIS 辅助无线通信系统上下行信道互易性的测试环境辅助无线通信系统上下行信道互易性的测试环境虽然常见的 RIS 依然保持信道互易性,但是仍然存在打破信道互易性的可能性,例如,使用有源非互易性电路、时变的单元控制、采用非线性和不对称结构设计。虽然信道互易性经常被用来设计高效的无线通信协议,但在一些潜在的应用场景中,信道互易性并不是必需的,例如无线电力传输和安全无线通信。有一些在 RIS 辅助无线通信系统中打破信道互易性的方法,包括使用有源非互易性电路、执行时变控制、采用非线性和不对称结构(如图 4.3)。当入射角度过大时,会导致交换收发机位置时入射和反射波束方向出现偏差,如图 4.4 所示,但并不必然导致信道非互易91。(a)有源非互易性电路)有源非互易性电路;(b)时变控制)时变控制;(c)非线性和不对称结构)非线性和不对称结构图图 4.3 破坏互易性的条件破坏互易性的条件51IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 4.4 60入射角范围内互易性成立,角度大于入射角范围内互易性成立,角度大于60范围互易性变差范围互易性变差应对 RIS 可能引入的非互易性有两种思路:避免和利用。对于避免非互易性,可以提高制备工艺避免可能引入的非理想因素,降低非互易性的可能性;可以进行上下行校准方法来弥补已存在的非互易性因素。对于利用非互易性,可以利用非互易性 RIS 控制传输状态(包括双向传输、正向传输、反向传输和无传输),从根本上解决数据流拥塞和电磁污染等问题92;上下行非互易性可能对于无线能量传输和安全无线通信等场景更为有利。4.3 极化特性极化特性通过电磁仿真发现单极化 RIS 仅能对一种极化波(其电场平行于表面电流)调相及波束赋形,如图 4.5 所示 45极化波经单极化 RIS 反射会出现两个主瓣方向不同的极化波束,导致接收增益下降、双流传输受到影响。因此,双极化 RIS 更有利于为保证接收增益和双流传输。图图 4.5 单极化单极化 RIS 对对 45入射极化波仅对一个极化方向有赋形效果入射极化波仅对一个极化方向有赋形效果4.4 功耗分析功耗分析RIS硬件总功耗由两部分组成,第一部分是由FPGA控制板和控制电路产生的静态功耗,第二部分是由 RIS 单元产生的单元功耗。文献93对 RIS 的总功耗进行了建模。静态功耗中,FPGA 控制板功耗可视为固定值,驱动电路功耗与硬件实现方式、极化方式、单元个数、调控自由度以及单个驱动电路产生的控制信号数量和功耗有关;单元功耗中,硬件实现方式不同,RIS 单元功耗建模也不相同。具体来说,基于 PIN 管的 RIS 的单元功耗与极化方式、单元个数、单元编码状态、单元调控比特精度等有关;基于变容管的 RIS 的变容管电流在工作时可以忽略不计,因此单元功耗约等于 0;基于 RF 开关型的 RIS 单元功耗与极化方式、单元个数、单个 RF 开关功耗有关,与单元编码状态无关。对于单元的每个比特来说,只有在编码为1时才会消耗功率,而当编码为0时,功率消耗为 0。52IMT-2030(6G)推进组IMT-2030(6G)Promotion Group分别对 PIN 管型 RIS、变容管型 RIS 以及 RF 开关型 RIS 硬件分别进行实际功耗测量,验证功耗模型。最终测量结果与理论功耗建模保持较好的一致性,如图 4.6 和图 4.7 所示。(a)基于 PIN管的 35GHz双极化RIS;(b)基于 PIN管的 3.5GHz RIS;(c)基于RF 开关的3.6 GHz 2bit RIS;(d)基于变容管的 3.15GHz 3bit RIS图图 4.6 各类型各类型 RIS 硬件及测试过程示意图硬件及测试过程示意图图图 4.7 RIS 功耗测量结果展示功耗测量结果展示基于实测结果,对各类型 RIS 的功耗进行了总结如下:FPGA 控制板功耗主要为 FPGA、光口等硬件功耗,可建模为固定值,测量型号为XC7K70T 的 FPGA 功耗为 4.8 W;PIN 管型 RIS 静态功耗:PIN 管单元能够以移位寄存器作为驱动电路,驱动电路简单且功耗较低,使用 8bit 移位寄存器控制 8 个 PIN 管,测量其功耗为 0.066 mW,即产生单个控制信号仅消耗 0.066/8=0.008 mW。53IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupPIN 管型 RIS 单元功耗:单元功耗变化范围较大,RIS 单元编码状态是影响单元功耗大小的重要因素。测量单个 PIN 管功耗值为 12.6 mW。PIN 管型 RIS 若想实现低功耗,需要进行低功耗编码设计,尽可能使相位编码中的 PIN 管导通数量越少越好。变容管型 RIS 静态功耗:对于连续相位调控的变容管型 RIS,需要 DAC 和运算放大器作为驱动电路,功耗很高。用四通道 DAC 和运算放大器产生 4 个控制信号,测得两部分功耗值为 1720 mW,即产生单个控制信号消耗 1720/8=430 mW。对于离散相位调控的变容管型 RIS,可以使用 PWM 信号和电平转换器组合或 CMOS 逻辑电路产生离散相位,驱动电路功耗会降低。变容管型 RIS 单元功耗:只有在变容管两端施加反偏电压时,结电容才会随偏置电压的变化而变化,从而实现调相功能;然而反偏电压会加厚变容管内部的 PN 结,阻止电流通过,因此 RIS 中的变容管工作时总是处于“断开”状态,因此单元功耗约等于 0,这一特性使得其具有实现低功耗的潜力。此外,目前在高频范围内设计和变容管型 RIS 仍存在挑战。RF 开关型 RIS 静态功耗:与 PIN 管型 RIS 驱动电路相似,驱动电路简单且功耗较低。RF 开关型 RIS 单元功耗:其单元功耗仅与单元个数和单个 RF 开关单元的功耗有关,与单元的编码状态无关。测得单个 RF 开关单元的功耗值约为 500 W,是微瓦级别,因此单元功耗极低。作为一种新兴类型 RIS,RF 开关型 RIS 的驱动电路和单元功耗都很低,因此具有实现低功耗的潜力,未来可以深入研究。4.5 成本分析成本分析目前,大部分 RIS 设备都是由大学实验室或大学创办的小型创业公司设计的,其成本和功耗都比较高,如表格 4.2 所示。到一定阶段,基本设计原则确定后,RIS 的硬件设计应由更专业的公司来进行,并配备更专业的设计工具和测试环境。此外,生态链不同层次的供应商应进一步优化 RIS 设备的制造,以降低成本,并使制造超大尺寸和大量元件的 RIS面板成为可能。成本优化包括尝试使用性能要求更宽松的 PIN 二极管和变容二极管,包括更长的切换时间、更高的非线性度等。由于大多数现成的半导体分立设备都用于信号处理,因此这种成本优化是可能的。当 RIS 面板的经济规模达到一定程度时,电路元件供应商就可以为 RIS 设备定制 PIN 二极管和变容二极管;RIS 面板的制造也将由更专业的供应商来完成。根据入射角/反射角计算元素相位需要消耗一定的功率。就目前而言,FPGA 足以满足此类计算的需要,其专有算法经过改进,可有效降低功耗。然而,从长远来看,随着 RIS元素数量的增加,和/或如果需要更复杂的软校正来减轻元表面硬件的非理想特性或补偿近场效应,计算会非常密集,使用定制化的 ASIC 芯片可有效降低功耗,提高性能。表格表格 4.2 成本成本分析示例(参照某原型样机实现)分析示例(参照某原型样机实现)名目名目技术参数技术参数/工艺工艺单价单价数量数量控制单元控制单元FPGAVirtex-5 FX100T10001DAC双输入/输出 FlexRIO 适配器(100 MS/s 采样速率)601时间模块10 MHz501电源模块DC(20V)150154IMT-2030(6G)推进组IMT-2030(6G)Promotion Group超表面面板超表面面板贴片元器件物料及工艺成本变容二极管SMV-2019(Skyworks,Inc)3512电容1 pF0.1512SMT浸焊0.021024PCB 板材物料F4BK265(介电 2.56,损耗正切0.001)3001加工沉金(线宽 0.4 mm)801合计合计3497.684.6 网络部署网络部署从通信环境复杂度和 RIS 部署及调控复杂度角度,可以把部署场景分为小范围可控的受限区域和大范围复杂环境两大类,此两类场景对 RIS 网络部署原则和需求有较大差异94。小范围可控的受限区域,有机会部署足够密度的 RIS 并实现精确电磁环境智能调控,例如典型的室内热点覆盖区域。大范围复杂环境,业务分布相对稀疏,不方便也不必要实现无线传播环境的精确控制。对于此类环境,可以重点对无线传播信道的大尺度特性进行调控,包括阴影衰落、自由空间传播路损等大尺度特性。从网络部署层面,本节主要分析网络控制模式与独立模式,以及集中式与分布式部署95。(1)网络控制模式与独立模式从是否受控于网络的角度,RIS 部署模式可以分为两类。其中,RIS 由网络控制的部署模式称为“网络控制模式”,RIS 自我控制的部署模式称为“独立模式”96。表格 4.3 较了独立模式和网络控制模式的优势和挑战。表格表格 4.3 网络控制模式与独立模式的对比网络控制模式与独立模式的对比类型优势挑战网络控制模式支持多网络协同支持多用户接入更好满足授权频谱无线网络共存需求网络部署相对复杂需要部署网络控制链路需要设计测量和控制信令迭代流程独立模式无需网络控制链路网络易部署适用于非授权频谱低共存需求场景存在多网络干扰协同问题可能造成严重干扰无法很好地支持多用户接入通过对上述两个种模式优劣势的比较分析,并结合授权频谱和非授权频谱的特点,可以知道:1)网络控制模式:适用于复杂网络和具有高网络共存要求的授权频谱场景(即蜂窝网络);2)独立模式:适用于简单网络、局域覆盖的非授权频谱技术场景(例如,Wi-Fi)。(2)集中式与分布式考虑多用户网络的 RIS 部署,网络中一个基站与 1 个用户(或组相邻用户)通信,用户彼此之间距离足够远。在这种情况下,有两种不同的策略来部署网络中的个 RIS 反射元件:1)分布式部署,其中反射元件形成多个分布式 RIS,每个 RIS 位于一个用户附近;2)集中式部署,所有的反射元件形成一个位于基站附近的大型 RIS。注意,对于=1 的单用户情况,上述两种部署策略是等效的,因为都在基站处实现最大接收信号功率。然而,对于 1 的情况,这两种部署策略通常会导致用户和基站之间的信道不同。在集中式部署下,所有用户都可以通过个反射元件来服务;而在分布式部署下,每个用户只使用个反射元55IMT-2030(6G)推进组IMT-2030(6G)Promotion Group件的小部分来获得最近的 RIS 的服务,因为较远的 RIS 反射的信号由于路径损失很大而太弱。就系统容量而言,集中式 RIS 部署通常比分布式 RIS 部署更有利,但值得注意的是,在部署 RIS 时,可能还需要考虑其他实际因素。首先,分布式部署需要更多的 RIS,因此基站和 RIS 控制器之间需要更多的回程链路来交换信息,从而导致网络开销增加。其次,由于站点/空间限制,在基站附近部署大型集中式 RIS 并不总是可行的,而在用户端部署多个分布式 RIS 通常更灵活。第三,集中对抗分布式 RIS 部署的性能增益是在双信道条件的假设下,而在实践中,两种部署策略下的信道统计数据可能会在 LoS 概率,NLoS 衰落分布、信道相关性等方面有很大差异,这可能导致不同场景下的不同比较结果。4.7潜在标准化工作潜在标准化工作4.7.1概述概述2021 年 6 月,3GPP RAN Rel-18 研讨会中,有公司提出 RIS 研究课题的立项,包括 RIS的应用场景、系统架构、信道建模等相关研究内容,这也是 RIS 首次出现在 3GPP 的讨论中。虽然 RIS 课题吸引了众多公司的兴趣,但是有一些公司对 RIS 的鲁棒性和成熟度表达了顾虑。总体来说,一是当时各公司对 RIS 的接受度并不高;二是 Rel-18 有另一个研究课题被提出,即网络控制中继(NCR,Network Controlled Repeater),该技术是面向传统直放站(Repeater)的演进,在传统放大转发的基础上引入了网络侧对中继的控制。从功能上来看,NCR 和 RIS 非常相像,这也使得想引入波束转发能力的公司转向支持 NCR 立项97。最终,2021 年 12 月,NCR 研究课题(SI,Study Item)成功在 3GPP Rel-18 立项,经过半年的研究后,于 2022 年转为标准化项目(WI,Work Item),并于 2023 年基本完成了核心的标准工作。目前,已进入 Rel-19 立项阶段,在 2023 年 6 月举办的 3GPP Rel-19 研讨会中,有 10家左右的公司再次提出了对 RIS 研究课题的立项需求,主要包括研究其信道建模、系统模型、评估方法、控制方式等。从各公司的观点转变中可以感觉到,RIS 的标准化工作已越来越近。4.7.2RIS 与与 NCR 对比对比NCR 的基本架构如图 4.8 所示,包括两个功能实体,其中 NCR-MT 用于 NCR 和基站的信息交互,NCR-Fwd 用于信息转发。整个系统包括三条链路,接入链路(Access-link),回程链路(Backhaul Link)以及控制链路(C-link)。图图 4.8 NCR 示意图示意图56IMT-2030(6G)推进组IMT-2030(6G)Promotion Group与传统直放站相比,NCR 引入了网络侧的控制功能,以实现波束转发。且 NCR 重点关注高频段的覆盖增强的应用场景,兼顾中低频。NCR 与基于波束赋形的 RIS 在系统参数、工作模式、控制信令等细节方面存在一定的差异,具体如表格 4.4 所示。表格表格 4.4 NCR 与与 RIS 对比对比NCRRIS系统架构系统架构两个功能实体,三条链路;控制链路和回传链路是带内的,共享公共射频模块需要通信与控制模块,两条链路(如图 4.9所示);RIS 控制和转发可以分开硬件器件硬件器件天线、射频及数字基带处理器件;收发天线独立,可实现收发波束灵活独立调整,实现全双工需要隔离通信部分:天线、射频及数字基带处理器件;转发部分:近无源电磁单元、控制器件;自然具备全双工特性,成本较低数据处理数据处理仅处理控制链路的数据,不处理转发链路的数据单元数单元数天线单元较少,不超过基站侧天线单元单元数更多,波束指向性更高协议影响协议影响网络侧网络侧,可能会引入终端侧影响噪声及干扰噪声及干扰引入额外的热噪声,可能会放大干扰不引入额外的噪声,可能会放大干扰信号自激信号自激有无图图 4.9 RIS 架构架构示意图示意图本节通过系统级仿真评估了 RIS 和 NCR 辅助通信系统在 FR1 和 FR2 下的性能。对于 FR1 频段,考虑 2.6GHz 载频,仿真假设 NCR 只放大信号而不采用波束赋形,RIS采用反射波束赋形。从图 4.10 中可以看出,在某些配置下,NCR 的 RSRP 性能会优于 RIS。但是,RIS 的 SINR 性能优于 NCR。这是因为 NCR 不仅放大了信号功率,还放大了噪声和干扰。如果考虑 NCR 的自激问题,其性能会进一步恶化。图图 4.10 NCR 与与 RIS 的的 RSRP 和和 SINR CDF 对比(对比(2.6GHz)57IMT-2030(6G)推进组IMT-2030(6G)Promotion Group对于 FR2 频段,考虑 26GHz 载频,仿真假设 NCR 采用波束扫描,RIS 考虑针对用户的波束赋形方案。如图 4.11 所示,2500 个阵子的 RIS 的性能优于 30dB 增益的 NCR。图图 4.11 26GHz 时时 RSRP 和和 SINR 的的 CDF4.7.3潜在标准影响潜在标准影响从标准化的角度来看,有三种潜在的 RIS 类型:全透明 RIS,非透明 RIS,半透明 RIS98。这里的“透明”不是对物理材料的描述,而是指 RIS 作为网络节点时,是否对网络侧、终端侧有标准影响。其中,全透明 RIS 对网络和终端都是“不可见的”,不受网络侧控制。由于全透明 RIS 不涉及控制信息交互问题,较容易部署,但是它只能实现粗粒度调整,并且运维也存在较大挑战。非透明 RIS 将引入网络侧和终端侧的协议影响,有助于实现基站对 RIS 更精细的控制,以充分发掘 RIS 能力,但是需要以增加网络和终端的复杂度为代价,这可能会给终端厂商带来额外的挑战。半透明 RIS,也即终端透明 RIS,它仅对网络“可见”,受网络侧控制,但是对终端“不可见”。因此,无论 RIS 是否参与信息传输,终端侧的行为应该保持不变,这种模式的 RIS 与 NCR 最为相似。通过对比,可以发现在这三种模式中,半透明RIS 在控制灵活性和终端复杂度之间起到了很好的平衡,在现阶段来看最具应用前景。借鉴NCR 标准化经验,RIS 潜在标准化工作方向包括99:系统模型及信道模型:RIS 主要由 PIN 二极管、变容二极管、液晶等电磁单元构成,因此目前标准采用的天线模型将难以适用,需要针对 RIS 电磁单元的具体特性,构建新的单元模型及系统模型。另外,将 RIS 引入无线通信系统后,传统的直连信道模型将不再适用,需要定义新的级联信道模型,同时也包括 RIS 在信道模型中的等效模型。虽然学术界及业界在信道模型方面研究已有一定进展,但是尚未收敛,信道建模工作仍面临挑战。信道测量与反馈:基于 RIS 的不同应用场景,信道类型可能包括:基站-RIS 信道是半静态的,而 RIS-用户信道是动态的(UE 移动性引起);基站-RIS 信道是动态的,而 RIS-用户信道是半静态的(例如,RIS 部署在车辆顶端为车内用户提供无缝覆盖的场景);基站-RIS 信道和 RIS-用户信道都是动态的(例如 RIS 部署在无人机上的场景)。RIS 辅助无线通信的信道测量和反馈取决于 RIS 的特性。若 RIS 不具有执行信道测量的能力,则需要优化和配置 RIS 系数进而辅助基站或用户发送的参考信号来测量和反馈级联信道。当基站和用户之间存在直连链路时,通过 RIS 的 ON/OFF 控制信息,可以分离级联链路与直连链路。若 RIS 能够执行信道测量,其可以分别测量基站-RIS,RIS-用户和基站-RIS-用户等三段信道,并将测量结果反馈给基站以获得单独/分离的信道。因此,需要设计信道测量与反馈机制以灵活得到直连链路和级联链路的信道状态。58IMT-2030(6G)推进组IMT-2030(6G)Promotion Group控制信号、信令研究:RIS 部署网络中后,需要受网络侧控制,否则将对运营商的网络规划及运维带来巨大的挑战。为此,如何实现 RIS 的有效控制至关重要。在 RIS 控制信号、信令研究方面,首先需要甄别哪些控制信息、信令可以重用 NCR 的相关设计。在研究过程中,挖掘 RIS 独有的控制机制,从而最大程度上提升标准工作效率。全双工操作:RIS 与 NCR 最大的不同在于:RIS 天然的工作在全双工模式,且入射信号与反射信号间没有额外的时延。如果能够充分利用 RIS 的全双工特性,可以有效的提升系统容量。此外,为推动 RIS 相关标准立项,需要甄别 RIS 技术核心优势及关键应用场景,尤其是在 NCR 已经完成标准立项的情况下,相应场景及需求的甄别尤为重要。为此,还需要业界一同努力,聚焦 RIS 的关键应用,推进相关标准化进程。59IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第第 5 章章总结与展望总结与展望随着智能超表面(RIS)的理论与工程化应用技术研究的深入,其典型应用场景、工程化落地的挑战及其解决方案逐渐被揭示和识别。本报告基于 RIS 领域最新的研究进展及众多工程实践,首先给出了 RIS 最为典型的几类应用场景,包括增强低频段覆盖与容量、使能中高频网络的连续覆盖、使能泛在近场和使能泛在感知与定位业务;其次,讨论了 RIS 实现机理与关键工程化,尤其专门新增了基于RIS 的近场技术和系统仿真两部分内容;然后,着重分析探讨了 RIS 工程化应用面临的挑战及其解决方案,包括网络部署、硬件挑战、功耗成本及标准化分析等主要方面。在后续的研究中,我们需要在加强基础理论研究的基础上,进一步推动 RIS 的工程化应用研究,优化工程化解决方案,推动 RIS 标准化研究和工程化落地。以下是需要重点加强研究的几个方面:(1)进一步加强 RIS 信道建模与仿真评估机制研究,推进其系统仿真方法论的标准化工作,为 RIS 的工程化研究工作打下坚实基础。(2)深入分析 RIS 作为未来 6G 新增网元和基础使能技术时面临的挑战,探索实现低成本、低功耗和简单易部署的工程化解决方案。(3)RIS 作为支持实现 6G 泛在近场传播环境的关键使能技术,将可以提升通信系统性能,并使能 6G 网络的泛在感知与定位业务。虽然基于 RIS 的近场技术这几年在学术研究方面有很多突破,但在工程化研究方面还有很多挑战,需要进一步加强研究。(4)网络部署、标准化研究等工程化研究也需要进一步加强投入。RIS 通过构建智能可控无线环境,将给未来 6G 带来一种全新的网络范式。作为全新网元和基础使能技术,RIS 将全面赋能 6G 网络,满足未来移动通信需求。60IMT-2030(6G)推进组IMT-2030(6G)Promotion Group参考文献参考文献1程强,崔铁军.电磁超材料,东南大学出版社,2022,南京。2Y.Yuan,et.al.,“Field trial of reconfigurable intelligent surface(RIS)with statistics-based optimization for5G commercial networks,”to be published in IEEE Wireless Communications.3M.Cui,Z.Wu,Y.Lu,X.Wei and L.Dai,Near-Field MIMO Communications for 6G:Fundamentals,Challenges,Potentials,and Future Directions,in IEEE Communications Magazine,vol.61,no.1,pp.40-46,January 2023,doi:10.1109/MCOM.004.2200136.4H.Zhang,N.Shlezinger,F.Guidi,D.Dardari and Y.C.Eldar,6G Wireless Communications:FromFar-Field Beam Steering to Near-Field Beam Focusing,in IEEE Communications Magazine,vol.61,no.4,pp.72-77,April 2023,doi:10.1109/MCOM.001.2200259.5Y.PAN,C.PAN,S.JIN,et al.RIS-Aided Near-Field Localization and Channel Estimation for the TerahertzSystemJ/OL.IEEEJournalofSelectedTopicsinSignalProcessing,2023:1-14.DOI:10.1109/JSTSP.2023.3285431.6KE J C,DAI J Y,CHEN M Z,et al.Linear and Nonlinear Polarization Syntheses and Their ProgrammableControls based on Anisotropic Time-Domain Digital Coding Metasurface J.Small Struct,2021,2(1).7CUI T J,QI M Q,WAN X,et al.Coding metamaterials,digital metamaterials and programmablemetamaterials J.Light Sci Appl,2014,3.8WANGHL,ZHANGYK,ZHANGTY,etal.BroadbandandProgrammableAmplitude-Phase-Joint-Coding Information Metasurface J.ACS Appl Mater Interfaces,2022,14(25):29431-40.9YU H,SU J X,LI Z R,et al.A Novel Wideband and High-Efficiency Electronically Scanning TransmitarrayUsing Transmission Metasurface Polarizer J.IEEE Trans Antennas Propag,2022,70(4):3088-93.10 LI H,LI Y B,GONG C Y,et al.Design of Programmable Transmitarray Antenna With IndependentControls of Transmission Amplitude and Phase J.IEEE Trans Antennas Propag,2022,70(9):8086-99.11 WANG H L,MA H F,CHEN M,et al.A Reconfigurable Multifunctional Metasurface for Full-SpaceControls of Electromagnetic Waves J.Adv Funct Mater,2021,31(25).12 SCHURIG D,MOCK J J,JUSTICE B J,et al.Metamaterial electromagnetic cloak at microwave frequenciesJ.Sci,2006,314(5801):977-80.13 CHEN H T,TAYLOR A J,YU N F.A review of metasurfaces:physics and applications J.Rep Prog Phys,2016,79(7).14 CUI T J,LIU S,ZHANG L.Information metamaterials and metasurfaces J.J Mater Chem C,2017,5(15):3644-68.15 CUI T J,LI L L,LIU S,et al.Information Metamaterial Systems J.Isci,2020,23(8).16 ZHANG Z,ZHANG J W,WU J W,et al.Macromodeling of Reconfigurable Intelligent Surface Based onMicrowave Network Theory J.IEEE TransAntennas Propag,2022,70(10):8707-17.17 袁弋非,苏鑫,顾琪,李亚,张雁茗,6G 智能超表面(RIS)通信技术初探,电子工业出版社,北京,2023 年 12 月.18 REN S,SHEN K,ZHANG Y,et al.Configuring Intelligent Reflecting Surface with Performance Guarantees:BlindBeamformingJ/OL.arXiv:2112.02285cs,math,20212022-04-27.http:/arxiv.org/abs/2112.02285.19 M.Cui,Z.Wu,Y.Lu,X.Wei,and L.Dai,“Near-field communications for 6G:Fundamentals,challenges,61IMT-2030(6G)推进组IMT-2030(6G)Promotion Grouppotentials,and future directions,”arXiv preprint arXiv:2203.16318,Mar.2022.20 M.Cui and L.Dai,“Channel estimation for extremely large-scale MIMO:Far-field or near-field?”IEEETrans.Commun.,vol.70,no.4,pp.26632677,Apr.2022.21 H.Zhang,N.Shlezinger,F.Guidi,D.Dardari,M.F.Imani,and Y.C.Eldar,“Beam focusing for near-fieldmulti-user mimo communications,”IEEE Trans.Wireless Commun.,pp.11,Mar.2022.22 T.L.Marzetta,“Spatially-stationary propagating random field model for massive MIMO small-scale fading,”in Proc.2018 IEEE Int.Symp.Inf.Theory(ISIT),Jun.2018,pp.391395.23 A.Pizzo,T.L.Marzetta,and L.Sanguinetti,“Spatially-stationary model for holographic MIMO small-scalefading,”IEEE J.Sel.Areas Commun.,vol.38,no.9,pp.19641979,Sep.2020.24 Y.Zhang,C.You,L.Chen and B.Zheng,Mixed Near-and Far-Field Communications for ExtremelyLarge-Scale Array:An Interference Perspective,in IEEE Communications Letters,vol.27,no.9,pp.2496-2500,Sept.2023,doi:10.1109/LCOMM.2023.3296409.25 Y.Zhang,C.You,W.Yuan,F.Liu,and R.Zhang,“Joint Beam Scheduling and Power Allocation for SWIPTin Mixed Near-and Far-Field Channels.”arXiv,May 21,2023.Accessed:Jul.06,2023.26 M.Cui and L.Dai,“Channel Estimation for Extremely Large-Scale MIMO:Far-Field or Near-Field?,”IEEETransactionsonCommunications,vol.70,no.4,pp.26632677,Apr.2022,doi:10.1109/TCOMM.2022.3146400.27 Y.Zhang,X.Wu,and C.You,“Fast Near-Field Beam Training for Extremely Large-Scale Array,”IEEEWireless Commun.Lett.,vol.11,no.12,pp.26252629,Dec.2022,doi:10.1109/LWC.2022.3212344.28 C.Wu,C.You,Y.Liu,L.Chen,and S.Shi,“Two-Stage Hierarchical Beam Training for Near-FieldCommunications,”IEEE Trans.Veh.Technol.,pp.113,2023,doi:10.1109/TVT.2023.3311868.29 X.Wu,C.You,J.Li,and Y.Zhang,“Near-Field Beam Training:Joint Angle and Range Estimation withDFT Codebook.”arXiv,Sep.21,2023.Accessed:Nov.09,2023.30 W.Liu,H.Ren,C.Pan,and J.Wang,“Deep Learning Based Beam Training for Extremely Large-ScaleMassiveMIMOinNear-FieldDomain,”IEEECommunicationsLetters,pp.11,2022,doi:10.1109/LCOMM.2022.3210042.31 A.Elzanaty,A.Guerra,F.Guidi and M.Alouini,Reconfigurable intelligent surfaces for localization:Position and orientation error bounds,IEEE Trans.Signal Process.,vol.69,pp.5386-5402,2021.32 O.Rinchi,A.Elzanaty and M.-S.Alouini,Compressive Near-Field Localization for Multipath RIS-AidedEnvironments,in IEEE Communications Letters,vol.26,no.6,pp.1268-1272,June 2022,doi:10.1109/LCOMM.2022.3151036.33 M.Rahal,B.Denis,K.Keykhosravi,B.Uguen and H.Wymeersch,RIS-Enabled Localization ContinuityUnder Near-Field Conditions,2021 IEEE 22nd International Workshop on Signal Processing Advances inWireless Communications(SPAWC),Lucca,Italy,2021.34 S.Huang,B.Wang,Y.Zhao and M.Luan,Near-Field RSS-Based Localization Algorithms UsingReconfigurable Intelligent Surface,in IEEE Sensors Journal,vol.22,no.4,pp.3493-3505,15 Feb.15,2022.35 Zeng S,Di B,Zhang H,et al.RIS-based IMT-2030 Testbed for MmWave Multi-stream Ultra-massiveMIMO Communications Online.Available:arXiv:2310.15486,2023.36 M.Luan,B.Wang,Y.Zhao,Z.Feng and F.Hu,Phase Design and Near-Field Target Localization forRIS-Assisted Regional Localization System,IEEE Transactions on Vehicular Technology,vol.71,no.2,pp.1766-1777,Feb.2022.37 A.Pizzo,T.Marzetta,and L.Sanguinetti,“Holographic MIMO communications under spatially-stationaryscattering,”in Proc.2020 54thAsilomar Conf.Signals,Sys.,Comp.,Nov.2020,pp.702706.38 A.Pizzo,L.Sanguinetti,and T.L.Marzetta,“Fourier plane-wave series expansion for holographic MIMO62IMT-2030(6G)推进组IMT-2030(6G)Promotion Groupcommunications,”IEEE Trans.Wireless Commun.,pp.11,Sep.2022.39 L.Wei et al.,Tri-Polarized Holographic MIMO Surfaces for Near-Field Communications:ChannelModelingandPrecodingDesign,inIEEETransactionsonWirelessCommunications,doi:10.1109/TWC.2023.3266298.40 Wan,Z.,Zhu,J.,and Dai,L.,“Can Continuous Aperture MIMO Achieve Much Better Performance thanDiscrete MIMO?”,arXiv e-prints,2023.doi:10.48550/arXiv.2301.08411.41 Y.Pan,C.Pan,S.Jin,and J.Wang,“RIS-Aided Near-Field Localization and Channel Estimation for theTerahertz System,”IEEE J.Sel.Top.Signal Process.,vol.17,no.4,pp.878-892,July 2023.42 S.Yue,S.Zeng,L.Liang,and B.Di,“Channel Estimation for Holographic Communications in HybridNear-Far Field.”in IEEE Glob.Commun.Conf.(GLOBECOM),Kuala Lumpur,Malaysia,Dec.2023.43 W.Xu,F.Gao,J.Zhang,X.Tao,and A.Alkhateeb,“Deep Learning Based Channel Covariance MatrixEstimation with User Location and Scene Images,”IEEE Trans.Commun.,vol.69,no.12,pp.8145-8158,Dec.2021.44 X.Wang,Z.Lin,F.Lin,and L.Hanzo,“Joint Hybrid 3D Beamforming Relying on Sensor-Based Trainingfor Reconfigurable Intelligent Surface Aided TeraHertz-Based Multiuser Massive MIMO Systems,”IEEESens.J.,vol.22,no.14,pp.14540-14552,July,2022.45 Y.Jin,J.Zhang,C.Huang,L.Yang,H.Xiao,and B.Ai,“Multiple Residual Dense Networks forReconfigurable Intelligent Surfaces Cascaded Channel Estimation”,IEEE Trans.Veh.Technol.,vol.71,no.2,pp.2134-2139,Feb.2022.46 J.Xiao,J.Wang,Z.Chen,and G.Huang,“U-MLP-Based Hybrid-Field Channel Estimation for XL-RISAssisted Millimeter-Wave MIMO Systems,”IEEE Wireless Commun.Lett.,vol.12,no.6,pp.1042-1046,June 2023.47 Z.Chen et al.,“Offset Learning Based Channel Estimation for Intelligent Reflecting Surface-Assisted IndoorCommunication,”IEEE J.Sel.Top.Signal Process.,vol.16,no.1,pp.41-55,Jan.2022.48 Y.Zhang,B.Di,H.Zhang and L.Song,“Near-Far Field Beamforming for Holographic Multiple-InputMultiple-Output,”J.Commun.Inform.Netw.,vol.8,no.2,pp.99-110,June 2023.49 O.E.Ayach,S.Rajagopal,S.Abu-Surra,Z.Pi,and R.W.Heath,“Spatially sparse precoding in millimeterwave MIMO systems,”IEEE Trans.Wireless Commun.,vol.13,no.3,pp.14991513,Mar.2014.50 M.Cui,L.Dai,R.Schober,and L.Hanzo,“Near-field wideband beamforming for extremely large antennaarray,”arXiv preprint arXiv:2109.10054,Sep.2021.51 Y.Zhang,C.You,L.Chen and B.Zheng,Mixed Near-and Far-Field Communications for ExtremelyLarge-Scale Array:An Interference Perspective,in IEEE Communications Letters,vol.27,no.9,pp.2496-2500,Sept.2023,doi:10.1109/LCOMM.2023.3296409.52 Y.Zhang,C.You,W.Yuan,F.Liu,and R.Zhang,“Joint Beam Scheduling and Power Allocation for SWIPTin Mixed Near-and Far-Field Channels.”arXiv,May 21,2023.Accessed:Jul.06,2023.53 M.Cui and L.Dai,“Channel Estimation for Extremely Large-Scale MIMO:Far-Field or Near-Field?,”IEEETransactionsonCommunications,vol.70,no.4,pp.26632677,Apr.2022,doi:10.1109/TCOMM.2022.3146400.54 Y.Zhang,X.Wu,and C.You,“Fast Near-Field Beam Training for Extremely Large-Scale Array,”IEEEWireless Commun.Lett.,vol.11,no.12,pp.26252629,Dec.2022,doi:10.1109/LWC.2022.3212344.55 C.Wu,C.You,Y.Liu,L.Chen,and S.Shi,“Two-Stage Hierarchical Beam Training for Near-FieldCommunications,”IEEE Trans.Veh.Technol.,pp.113,2023,doi:10.1109/TVT.2023.3311868.56 X.Wu,C.You,J.Li,and Y.Zhang,“Near-Field Beam Training:Joint Angle and Range Estimation withDFT Codebook.”arXiv,Sep.21,2023.Accessed:Nov.09,2023.57 W.Liu,H.Ren,C.Pan,and J.Wang,“Deep Learning Based Beam Training for Extremely Large-Scale63IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupMassiveMIMOinNear-FieldDomain,”IEEECommunicationsLetters,pp.11,2022,doi:10.1109/LCOMM.2022.3210042.58 M.Hua,Q.Wu,W.Chen,Z.Fei,H.C.So and C.Yuen,Intelligent Reflecting Surface Assisted Localization:PerformanceAnalysis andAlgorithm Design,in IEEE Wireless Communications Letters.59 K.Meng,Q.Wu,R.Schober and W.Chen,Intelligent Reflecting Surface Enabled Multi-Target Sensing,inIEEE Transactions on Communications,vol.70,no.12,pp.8313-8330,Dec.2022.60 Zhang Z,Chen W,Wu Q,et al.Intelligent omni surfaces assisted integrated multi target sensing and multiuser MIMO communicationsJ.arXiv preprint arXiv:2307.06605,2023.61 A.Elzanaty,A.Guerra,F.Guidi and M.Alouini,Reconfigurable intelligent surfaces for localization:Position and orientation error bounds,IEEE Trans.Signal Process.,vol.69,pp.5386-5402,2021.62 O.Rinchi,A.Elzanaty and M.-S.Alouini,Compressive Near-Field Localization for Multipath RIS-AidedEnvironments,in IEEE Communications Letters,vol.26,no.6,pp.1268-1272,June 2022,doi:10.1109/LCOMM.2022.3151036.63 M.Rahal,B.Denis,K.Keykhosravi,B.Uguen and H.Wymeersch,RIS-Enabled Localization ContinuityUnder Near-Field Conditions,2021 IEEE 22nd International Workshop on Signal Processing Advances inWireless Communications(SPAWC),Lucca,Italy,2021.64 S.Huang,B.Wang,Y.Zhao and M.Luan,Near-Field RSS-Based Localization Algorithms UsingReconfigurable Intelligent Surface,in IEEE Sensors Journal,vol.22,no.4,pp.3493-3505,15 Feb.15,2022.65 M.Luan,B.Wang,Y.Zhao,Z.Feng and F.Hu,Phase Design and Near-Field Target Localization forRIS-Assisted Regional Localization System,IEEE Transactions on Vehicular Technology,vol.71,no.2,pp.1766-1777,Feb.2022.66 Zeng S,Di B,Zhang H,et al.RIS-based IMT-2030 Testbed for MmWave Multi-stream Ultra-massiveMIMO Communications Online.Available:arXiv:2310.15486,2023.67 J.Zhang,Y.Zhang,Y.Yu,et al.,“3-D MIMO:How much does it meet our expectations observed fromchannel measurements?,”IEEE Journal on Selected Areas in Communications,vol.35,no.8,pp.1887-1903,Aug.2017.68“GuidelinesforevaluationofradiointerfacetechnologiesforIMT-2020,”ITU-RM.2412,https:/www.itu.org,Tech.Rep.,2017.69 H.Gong,J.Zhang,Y.Zhang,et al.,“How to extend 3D GBSM to RIS cascade channel with non-ideal phasemodulation?”arXiv preprint arXiv:2302.07501,2023,arXiv:2302.07501.70 R.Zhou et al.,Modeling and Measurements for Multi-path Mitigation with Reconfigurable IntelligentSurfaces,2022 16th European Conference onAntennas and Propagation(EuCAP),Madrid,Spain,2022,pp.1-5.71 Tang W,Chen M,et al.Wireless communications with reconfigurable intelligent surface:Path loss modelingand experimental measurementJ.IEEE Transactions on Wireless Communications.2021.20(1):421-439.72 B.Gao et al.,Propagation Characteristics of RIS-assisted Wireless Channels in Corridors:Measurementsand Analysis,2022 IEEE/CIC International Conference on Communications in China(ICCC),Sanshui,Foshan,China,2022,pp.550-554.73 W.Tang et al.,Path Loss Modeling and Measurements for Reconfigurable Intelligent Surfaces in theMillimeter-Wave Frequency Band,in IEEE Transactions on Communications,vol.70,no.9,pp.6259-6276,Sept.2022.64IMT-2030(6G)推进组IMT-2030(6G)Promotion Group74 E.Basar,I.Yildirim and F.Kilinc,Indoor and Outdoor Physical Channel Modeling and EfficientPositioning for Reconfigurable Intelligent Surfaces in mmWave Bands,in IEEE Transactions onCommunications,vol.69,no.12,pp.8600-8611,Dec.2021.75 H.Jiang,Z.Zhang,B.Xiong,J.Dang,L.Wu and J.Zhou,A 3D Stochastic Channel Model for 6G WirelessDouble-IRS Cooperatively Assisted MIMO Communications,2021 13th International Conference onWireless Communications and Signal Processing(WCSP),Changsha,China,2021,pp.1-5.76 Y.Yuan,R.He,B.Ai,et al.,A 3D Geometry-Based Reconfigurable Intelligent Surfaces-Assisted MmWaveChannel Model for High-Speed Train Communications,IEEE Transactions on Vehicular Technology,toappear,2023.77 W.Tang,M.Z.Chen,X.Chen,J.Y.Dai,Y.Han,M.Di Renzo,Y.Zeng,S.Jin,Q.Cheng,and T.J.Cui,“Wireless communications with reconfigurable intelligent surface:Path loss modeling and experimentalmeasurement,”IEEE Trans.Wireless Commun.,vol.20,no.1,pp.421-439,Jan.2021.78 W.Tang et al.,“Path loss modeling and measurements for reconfigurable intelligent surfaces in themillimeter-wave frequency band,”IEEE Trans.Commun.,vol.70,no.9,pp.6259-6276,Sept.2022.79 S.Meng,W.Tang,Z.Yu,J.Wang,J.Lan,X.Su,Y.Yuan,X.Li,S.Jin,Q.Cheng,and T.J.Cui,“Anefficient multi-beam generation method for millimeter-wave reconfigurable intelligent surface:Simulationand measurement,”IEEE Trans.Veh.Technol.,early access,May 2023.80 B.Gao et al.,“Propagation characteristics of RIS-assisted wireless channels in corridors:Measurements andanalysis,”IEEE/CIC ICCC 2022.(Best PaperAward)81 J.Lan et al.,“Measurement and characteristic analysis of RIS-assisted wireless communication channels insub-6 GHz outdoor scenarios,”IEEE VTC Spring 2023.82 J.Sang et al.,“Multi-scenario broadband channel measurement and modeling for sub-6 GHz RIS-assistedwireless communication systems,”submitted to IEEE Trans.Wireless Commun.,2023.83 J.Sang et al.,“Quantized phase alignment by discrete phase shifts for reconfigurable intelligentsurface-assisted communication systems,”submitted to IEEE Trans.Veh.Technol.,2023.84 Y.Ren et al.,“Time-domain channel measurement and small-scale fading characterization for RIS-assistedwireless communication systems,”submitted to IEEE Trans.Veh.Technol.,2023.85 J.Zhan,J.Zhang,L.Tian et al.,“Comparative channel study of ray tracing and measurement for an indoorscenario at 28 GHz,”in 12th European Conference on Antennas and Propagation(EuCAP 2018),2018,pp.1-586 窦建武,陈艺戬,张楠,等.智能可控电磁表面信道建模J.电波科学学报,2021,36(3):368-377.87 E.Basar,I.Yildirim and F.Kilinc,“Indoor and Outdoor Physical Channel Modeling and EfficientPositioningforReconfigurableIntelligentSurfacesinmmWaveBands,”IEEETransactionsonCommunications,vol.69,no.12,pp.8600-8611,Dec.2021.88 H.Jiang,Z.Zhang,B.Xiong,J.Dang,L.Wu and J.Zhou,A 3D Stochastic Channel Model for 6G WirelessDouble-IRS Cooperatively Assisted MIMO Communications,2021 13th International Conference onWireless Communications and Signal Processing(WCSP),Changsha,China,2021,pp.1-5.89 J.Yang,Y.Chen,Y.Cui,Q.Wu,J.Dou and Y.Wang,How Practical Phase-shift ErrorsAffect Beamformingof Reconfigurable Intelligent Surface?,in IEEE Transactions on Communications.90 TANG W,CHEN X,CHEN M Z,等.On channel reciprocity in reconfigurable intelligent surface assistedwirelessnetworksJ.IEEEWirelessCommunications,2021,28(6):94101.DOI:10.1109/MWC.001.2100136.65IMT-2030(6G)推进组IMT-2030(6G)Promotion Group91 H.ZHANG,B.DI.Intelligent omni-surfaces:simultaneous refraction and reflection for full-dimensionalwireless communicationsJ.IEEE Communications Surveys&Tutorials,2022,24(4):19972028.DOI:10.1109/COMST.2022.3202813.92 MA Q,CHEN L,JING H B,et al.Controllable and programmable nonreciprocity based on detachabledigitalcodingmetasurfaceJ.AdvancedOpticalMaterials,2019,7(24):1901285.DOI:10.1002/adom.201901285.93 WANG J,TANG W,LIANG J C,et al.Reconfigurable intelligent surface:power consumption modeling andpractical measurement validationJ.IEEE Transactions on Antennas and Propagation,2022:11.DOI:10.1109/TAP.2022.3216555.94 赵亚军,菅梦楠.6G 智能超表面技术应用与挑战J.无线电通信技术,2021,47(06):679-691.95 智能超表面技术白皮书.RISTA.2023.96 Zhao,Y.;Lv,X.Reconfigurable Intelligent Surfaces for 6G:Applications,Challenges and Solutions.Preprints 2022,2022120006(doi:10.20944/preprints202212.0006.v2).97 N.Li,J.Zhu,P.Li,B.Wang,X.She and P.Chen,Considerations on Potential Standardization Work forReconfigurable Intelligent Surface,2022 IEEE 8th ICCC,Chengdu,China,2022,pp.320-324.98 N.Li,J.Zhu,J.Guo,X.She and P.Chen,Analysis of Reconfigurable Intelligent Surface-Aided WirelessCommunication:Potential Schemes,Standard Impact and Practical Challenges,2022 IEEE/CIC ICCCWorkshops,Sanshui,Foshan,China,2022,pp.211-215.99 6G 可重构智能表面白皮书.中国电信,电子科技大学.2023.66IMT-2030(6G)推进组IMT-2030(6G)Promotion Group贡献单位序号序号主要贡献单位主要贡献单位1东南大学2中兴通讯股份有限公司3北京交通大学4中国移动通信有限公司5中国联合网络通信集团有限公司6中国电信股份有限公司7华为技术有限公司8中国信息通信研究院9中国铁塔股份有限公司10清华大学11浙江大学12上海交通大学13北京大学14中信科移动通信技术股份有限公司15西安电子科技大学16高通无线通信技术(中国)有限公司17南方科技大学18维沃移动通信有限公司19联想北京软件有限公司20南京航空航天大学21西安邮电大学22北京理工大学25重庆邮电大学26之江实验室27华中科技大学28北京邮电大学29复旦大学30紫光展锐31北京小米移动软件有限公司32行晟科技33钱塘信息高等研究院34华中科技大学35紫金山实验室36中国科学技术大学37NTT DoCoMo38三星电子39京信网络40深圳市大数据研究院联系方式邮箱:COPYRIGHT2023 IMT-2030(6G)PROMOTION GROUP.ALL RIGHTS RESERVED.

    浏览量0人已浏览 发布时间2023-12-13 73页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • IMT-2030(6G)推进组:2023 6G算网一体承载需求及架构研究报告(41页).pdf

    北京稻壳科技有限公司Beijing Rice Hull Technology Co.,Ltd.地址:北京市朝阳区九住路 188 号IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2023 年年 12 月月版权声明版权声明 Copyright Notification未经书面许可未经书面许可 禁止打印、复制及通过任何媒体传播禁止打印、复制及通过任何媒体传播2023 IMT-2030(6G)推进组版权所有IIMT-2030(6G)推进组IMT-2030(6G)Promotion Group目录第一章 6G 承载网络研究综述.11.1 6G 网络愿景.11.2 6G 承载网络发展驱动因素.21.3 6G 承载网络发展内在要求.31.4 6G 承载网络研究进展.4第二章 6G 算网一体承载的主要需求.62.1 算力高效输送.62.2 异构算力的差异化承载.72.2.1 异构算力概述.72.2.2 异构算力标识.72.2.3 异构算力调度.82.3 算网能力深度融合.92.3.1 6G 网络对算网能力深度融合的需求.92.3.2 6G 业务对算网能力深度融合的需求.102.4 在网计算.10第三章 6G 算网一体承载架构分析.123.1 架构设计的基本原则.123.2 架构设计思路.133.2.1 向“面向任务的连接”的架构转变.133.2.2 向超高品质的承载网络转变.143.2.3 向融合智能承载转变.153.3 承载网算网一体架构探讨.153.4 算网一体架构设计场景.17第四章 6G 算网一体承载潜在关键技术.204.1 新型数据转发技术.204.2 智能管控技术.214.3 可编程网络技术.22IIIMT-2030(6G)推进组IMT-2030(6G)Promotion Group4.4 算网编排技术.244.5 应用感知技术.254.6 服务感知技术.274.7 算力路由技术.29第五章 6G 算网一体发展建议与展望.32参考文献.34贡献单位.361IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第一章 6G 承载网络研究综述1.1 6G 网络愿景随着 5G 在全球范围的规模部署和逐渐普及,实现了公众用户通信能力和服务质量的跨越式提升,有力促进了垂直行业的数字化转型。与此同时,空天通信、人工智能、数字孪生、区块链等技术正飞速发展,与网络的结合日趋紧密,正推动人类从信息时代走向智能时代,从平面时代走向立体时代。6G 网络将成为智慧内生、泛在连接、多维融合的基座,是未来经济和社会发展的重要基础。6G 网络愿景具有两大内生、三个一体化,具体如下:(1)智慧内生6G 网络内嵌 AI 能力,实现架构级内生智能。对内能够利用智能来优化网络性能,增强用户体验,自动化网络运营,即 AI 构建网络;对外能够抽取和封装网络智能,为各行各业用户提供网络和 AI 结合的通信和计算服务,即网络赋能AI;从而实现 DOICT(Data Technology,Operational Technology,InformationTechnology,Communication Technology,数据技术,运营技术,信息技术,通信技术)融合的智能感知、智能连接、智能发现、智能服务、智能管理和智能编排,奠定万物智联的基础。(2)安全内生6G 网络内嵌安全能力,实现架构级内生安全。通过 6G 网络内置基础安全能力,提供采集、管控、隔离等能力支持,基于分布式技术,实现去中心化的安全可信机制,构筑安全可信的 6G 网络,满足不同业务场景的差异化安全需求,提高通信系统的安全自治能力,建设可度量、可演进的内生安全防护体系。(3)空天地一体空、天、地的体制、网络、路由、协议等一体化。高/中/低轨卫星网络、空基平台网络与地面网络深度融合,实现人联与物联、无线与有线、广域和近域、空天和地面等的智能全连接,采用空天地一体化协议体系,实现不同地域、不同用途、不同行业网络的跨界融合,构筑泛在连接的网络基座,为用户提供全时全域无缝覆盖的高可靠通信服务。2IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(4)通感一体感知赋能通信,通信增强感知。通过通信感知融合,实现通感一体化的多维信息感知、数据处理、资源管理、干扰对抗,实现对系统环境和通信网络的需求感知、网络测量、事件跟踪、实时监测、精准定位、远程操控,助力通信性能提升,促进基础设施利用率提高,孵化 6G 通感一体新业务。(5)算网一体网络和计算深度融合,以算联网,以网促算。网络和计算相互感知,相互协同,实现实时准确的算力发现、灵活动态的服务调度,提供无处不在的计算和服务,实现算力资源的合理分配和用户无感知,赋能一致化用户体验,提高网络资源、计算资源利用效率,实现云、边、网、算高效协同。1.2 6G 承载网络发展驱动因素在移动通信网络的发展中,作为中枢的网络架构发展是承载移动通信系统设计目标的基础。因此,6G 承载网络的设计,既要与国家战略高度契合,又要考虑新场景、新需求、新业务的驱动,还要探索潜在关键技术的发展态势和引入的可能性。未来 6G 承载网络的设计受到新战略、新业务以及新技术的驱动,具体如下:(1)新战略驱动随着数字化时代的到来,国家关于数字化变革发展的战略方向对移动通信提出了新的要求,6G 承载网络创新需要契合数字经济、双碳、东数西算、安全可信等战略驱动力。“数字经济”是时代发展的新要求,6G 承载网络需要在自身创新发展的基础上,积极赋能数字经济,推动数字社会发展;碳达峰战略时间窗与 6G 网络发展时间线的契合,“双碳”战略要求 6G 承载网络在考虑自身低碳绿色演进的同时,也为其他产业的低碳转型提供辅助;“东数西算”工程,对算力布局、数据调度和网络连接提出了进一步要求,需要 6G 承载网络实现算网深度协同;“安全可信”是 6G 成为全社会数字化基座,与各行业深度融合的根本保障。(2)新业务驱动新的业务需求是 6G 承载网络发展的第一驱动力。随着大量 6G 网络典型和潜3IMT-2030(6G)推进组IMT-2030(6G)Promotion Group在业务场景的提出,包括沉浸式交互、云 XR(Extended Reality,扩展现实)、全息通信、通感互联、智慧交互、数字孪生、泛在覆盖等,6G 承载网络要满足这些新业务需求,除了需要更极致的需求指标外,还要实现包括灵活弹性组网、大规模算网能力、通信能力与感知能力融合、统一的一体化架构等创新能力,从而推动网络从数据连接向信息服务能力转变。(3)新技术驱动6G 在通信技术、信息技术、大数据技术、AI 技术、控制技术等各类技术的深度融合下,呈现出了极强的跨学科、跨领域发展特征。DOICT 融合将是 6G 端到端信息处理和服务架构的发展趋势。同时,随着 SRv6(Segment Routing overIP Version 6 Data Plane,基于 IPv6 的数据平面分段路由技术)、DetNet(Deterministic Networking,确定性网络)、APN(Application-AwareNetworking,应用感知网络)等“IPv6 ”创新技术的发展,6G 承载网络将朝着更加灵活、更加可靠、更加智能的方向演进。1.3 6G 承载网络发展内在要求基于新战略、新业务、新技术融合驱动,6G 承载网络的设计还应考虑与现有承载网络的兼容性和业务的继承性,遵循兼容和创新并举的设计理念,通过创新性设计,解决现有网络架构所存在的问题,提供以用户为中心的业务体验,同时让用户参与到网络运营机制的定制和网络业务的定义中,以满足用户个性化、多样化的需求。6G 是继 5G 之后的下一代移动通信技术,是 5G 的延伸,因此 6G 将在 5G 基础上从服务于人与物,进一步拓展到支撑智能体的高效互联,实现由万物互联到万物智联的跃迁。6G 承载网络与 5G 承载网络相比,应该从以下几点有根本性的进步:更加灵活和可扩展的网络架构,以支持更高的带宽和更低的延迟;支持更多的接入技术,包括卫星通信和无人机通信等;更加智能化的网络管理和控制,以提高网络效率和可靠性;支持更加安全和隐私的通信,以保护用户数据的安全。4IMT-2030(6G)推进组IMT-2030(6G)Promotion Group1.4 6G 承载网络研究进展面向未来,在移动通信网络的不断演进下,针对下一代移动通信愿景、需求及技术研究逐步开展起来。其中,6G 算网一体承载网络需求与关键技术的研究还处于初期阶段,以下列举了国内外的相关研究进展:(1)中 国 联 通 在 Computing Power Network:The Architecture ofConvergence of Computing and Networking towards 6G Requirement中提出了面向 6G 需求的算网融合的架构,具备联网、智网与算网三个方面的技术元素,其中联网是基础。(2)中国移动在6G Network:Towards a Distributed and AutonomousSystem中提出了一种基于 6G 的分布式自治网络架构,通过集成多址技术和引入新协议,网络实现一体化承载。(3)中国移动在2030 网络架构展望中提出 6G 网络需通过通信与计算的融合,突破传统移动通信系统的限制,提升移动通信总体信息交流能力促进整个系统的可持续发展。(4)IETF 成立了 CATS(Computing Aware Traffic Steering)研究组,专注于算力承载网络方向的研究,同时,为提升承载网络的感知能力,IETF 也开展了 APN(Application-aware Network)方向的技术研究,使能业务和网络协同的技术框架。综上所述,5G 给社会带来的巨大变革及附加经济价值,也使得全球高度重视移动通信技术的发展,6G 网络是面向 2030 年以后的网络,在 5G 的基础上需要支持未来业务的更高带宽、更严格的确定性、更广更深程度的覆盖,从而提供更智能、更安全、更灵活的网络。从 6G 网络架构的研究来看,如图 1-1 所示,承载网络不仅承担了 6G 网络中数据传输的责任,而且还应在 6G 网络中具备将算力资源和网络进行融合协同的能力,并且拥有更加稳定可靠、更加智能、更加灵活的优势。总之,承载网络在 6G 网络时代必将起到更加重要的作用,为实现 6G算网一体的发展目标,有必要尽早开展 6G 承载网络方面的研究工作,本研究报告将从主要需求、网络架构以及关键技术等方面对 6G 算网一体承载进行详细阐述。5IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图1-1 6G算网一体网络架构图6IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第二章 6G 算网一体承载的主要需求2.1 算力高效输送算力是数字化经济时代的新生产力,包括网络、计算和存储等多维度资源。在基于 5G 移动连接的数字化系统中,应用业务所需的计算通常在终端和云端执行,5G 系统提供终端侧和云端服务器的连接通道,来辅助完成计算任务。现有的云服务可以通过集中度高的中心云在满足高计算量需求的同时获得较高的资源复用率,通过分布式的边缘云在满足部分低时延需求的同时也减少部分网络传输开销。在 6G 时代,当面向沉浸式 XR、交互型 3D 虚拟数字人、协作机器人、无人驾驶、多感官互联等多种服务用例时,将面临终端侧的算力、存储、智能等能力不足,云端因距离远而时延不满足需求的挑战。虽然基于 5G 部署的 MEC 可以满足部分场景需求,但算网融合度仍有待于进一步提高以满足未来移动终端用户低时延的灵活算力扩展需求。根据算力服务请求的发送方和服务响应的接收方,可以将与终端相关的算力服务流分为如下几种情况:终端 A 请求,服务结果返回给终端 A 的终端算力卸载;终端 A 请求,服务结果提供给终端 B 的终端间通信和计算融合;终端 A 请求,服务结果提供给应用功能/应用服务器的终端和应用功能/服务器间的通信和计算融合;应用功能/应用服务器请求,服务结果提供给终端 A 的终端和应用功能/服务器间的通信和计算融合。6G 算网一体系统通过通算融合技术可为终端提供包括 AI 在内的融合计算服务。随着计算资源进一步分布化,分布式节点间距离不再是决定性因素,而单个节点的计算资源将更加有限,并具有更高的动态变化性,因此需考虑进一步提升获取计算服务信息和计算负载状态信息的实时性,以及避免过早将所需服务的节点与提供服务的节点绑定。此外,面向移动网络终端,无线通信网络是端到端服务的重要组成部分,因此移动网络和承载网络协同是保障端到端算力服务质量的重要方向之一,是算力能够高效输送的重要保障。7IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2.2 异构算力的差异化承载2.2.1 异构算力概述算力是业务运行的必备能力,具体来说,就是设备或平台为完成某种业务所具备处理业务信息的关键核心能力,它涉及设备或平台的计算能力,包括逻辑运算能力、并行计算能力、神经网络加速能力等。异构算力是伴随着面向算力网络的泛在连接而产生的,算力呈现异构性的趋势。尽管随着芯片以及硬件的开源化,不同的设备厂商结合不同的场景,设计并开发了适合的计算芯片进行数据处理,促进了算力市场从传统的通用性向专用性的趋势发展,但面向海量的异构算力,不同的场景需要不同的算力进行协同处理,因此,异构算力也可以称为 CPU、GPU、FPGA、ASIC 等多种算力协同的处理体系,能够满足不同场景中的应用需求,实现计算效力最大化。同时,可以通过算力网络来协同和纳管调度异构算力,构建起“云、边、端”一体的异构算力协同网络,从而更好的满足包括高性能计算、物联网、边缘计算、人工智能等众多场景的算力需求。若将底层算力作为资源进行有效的管理,首先需要建立异构算力的统一标识。异构算力的统一标识体系的建立是将底层异构算力作为资源服务进一步开放和共享的基础。算力网络的构建打破了原有的围绕数据中心内部算力资源实现共享的围墙,构建了基于新型网络连接为基础的异构算力接入的分布式计算形态,通过建立异构算力统一标识和网络标识的映射关系,可以进一步在网络中实现算力资源调度,同时也为算力交易提供底层的技术基础。另外,在面向异构算力统一调度方面,基于“云原生 轻量化云原生”两级调度能力,一方面能够实现“云、边、端”底层资源的统一纳管和协同;另一方面,通过面向上层 PaaS 能力的下沉,建立算法能力库、计算能力库、存储能力库、网络能力库等异构算力能力库,从而实现异构算力服务的共享,用户也可以基于能力库快速实现业务代码的开发和部署。2.2.2 异构算力标识异构算力标识是在算力网络连接范围内异构芯片的统一标识,其设计是为了能够将异厂家和多数据中心算力资源接入算力网络内部,实现算力流通、算力溯源,确保数据在可信算力环境中可管可控,并能够提供切实有效的保障机制。8IMT-2030(6G)推进组IMT-2030(6G)Promotion Group建立异构算力统一标识,其出发点主要基于以下三个方面:可信算力:基于统一标识,实现算力可信接入、安全认证和鉴权,打造算力安全有效的计算环境,切实保障算力网络安全有效的生态环境;算力溯源:基于统一标识,进行算力溯源,实现算力在云、边、端侧的溯源,提升安全等级;算力度量:基于统一标识,构建算力度量,实现算力在分场景下的算力匹配和专家推荐,从而实现算力在联盟范围内的流通。围绕上述异构算力统一标识的需求和场景,国内运营商面向目前主流的算力架构提出了异构算力统一标识和认证体系架构,保障在算力联盟内部接入的算力资源能够提供切实可信的计算环境和算力溯源机制,使上层用户应用程序能够在保证数据安全、稳定、有效的计算环境中正常运行和处理。同时,结合不同应用场景,提供算力度量机制,为算力流通提供可度量、可推荐的算力评价机制。2.2.3 异构算力调度从网络角度看,算力网络是面向计算和智能服务的新型网络体系,“IPv6 ”技术和全光底座技术是算力网络的基石,增强网络内生算力是算力网络演进的重要方向;从计算角度看,算力网络是网络化的算力基础设施,是依托网络构建的多样化异构算力资源调度和服务体系;从服务角度看,算力网络的目标是提供算网一体服务,是云网融合服务的新阶段,是数字基础设施服务的新形态。算力网络作为云网融合的新阶段,基于 5G、泛在计算与 AI 的发展演进,在继承当前云网融合已有成果的基础上,结合未来业务形态的变化,以“应用部署匹配计算,网络转发感知计算,芯片能力增强计算”为目标,实现计算和网络的融合逐步走向深入。当前,算力网络的发展还处于第一阶段,即“协同供给”阶段,已实现一定区域内的计算能力和网络能力联合按需调度,并在向第二阶段,即“融合运营”阶段演进,但同时面临着诸多挑战,其中核心问题是跨域服务异构算力资源调度方式。跨域服务异构算力资源调度本质上是对算网一体化感知的需求,是算力网络实现异构算力资源统一度量、统一标识、统一编排的基础。解决算网一体化感知,实现服务资源、算力资源、网络资源的统一标识、统一寻址是现阶段推进算网一9IMT-2030(6G)推进组IMT-2030(6G)Promotion Group体发展,实现算力网络第二阶段发展目标的关键。针对跨域服务异构算力资源调度这一问题,目前主流的解决方案是基于网络多云连接环境,通过引入网络编程技术,发挥网络在云-边-端多级异构算力资源分布环境下进行服务调度的优势,提升用户云网一致性服务体验。面向用户云网一致性服务体验的实施目标,前期SDN 管控和编排技术及协议创新是基础,具备了对全网进行实时管理和敏捷配置的可能性,为后期发展网络可编程能力提供了必要保证。2.3 算网能力深度融合云计算在 4G 时代发挥了重要的作用,边缘计算是 5G 时代的算力新形态,而到了 6G 时代,算力网络则成为关键技术之一。网络架构正在经历“以网络连接为主”到“以网络资源为主”再到“以应用服务为主”的转变。为满足 6G 网络性能与业务场景的要求,网络对算力的需求更为旺盛,更加多样化,算力资源也需要借助网络来实现资源利用效率的最大化,二者关系也更加紧密,通信和计算逐步走向一体,算网能力深度融合已成为 6G 算网一体承载的主要需求之一。2.3.1 6G 网络对算网能力深度融合的需求随着 6G 网络向全面云化演进,对算力的需求将愈发明显。由于 6G 网络频段更高、单个基站的覆盖范围更小,因此 6G 基站密度将可能远远高于 5G 网络,此外 6G 网络功能更加强大,对信息的高效协同也产生了更强烈的需求。因此,6G网络本身的建设需要泛在、灵活、高效协同的算力资源底座来满足 6G 网络云化的需求。同时,智能是当前网络和业务发展的大趋势,全社会逐步向智能社会过渡,6G 网络在设计之初就提出了智能内生的愿景,人工智能是 6G 网络的一项主要能力,将在网络自主动态规划、网络设计、自动配置参数等方面发挥重要作用。算力作为人工智能的三大要素之一,是 6G 智能特性实现过程中不可缺少的要素,通算一体网络既要为 AI 提供可靠传输的网络,又要提供分布、高效计算的算力,以及灵活多变的资源调度方式,从而更好地支持无处不在的具有感知、通信和计算能力的基站和终端,实现大规模智能分布式协同服务。此外,6G 网络需要算网能力深度融合,算为网提供基础设施,网为算提供信息交互,从而保证用户数据的安全性。6G 网络将向着万物互联发展,用户数据10IMT-2030(6G)推进组IMT-2030(6G)Promotion Group将无时无刻被终端收集,并在网络上进行传输。2.3.2 6G 业务对算网能力深度融合的需求6G 网络将逐步向数字化与智能化发展,同时不断向空天地海、全维度感知世界和网络空间延伸。6G 网络将以人类需求为中心,结合多元知识进行类脑智能训练与推理的能力,可以根据用户实际的情境感知信息、业务体验和个性化需求,从感知资源层,到功能控制层,再到服务应用层,将存在无处不在的分布式计算和智能内生能力。在未来,6G 网络将对整个数字化世界赋能,数据得以在云网边端之间汇聚、流动、分发和处理,最终实现“万物智联”时代。因此,6G 网络将会有效支撑智慧城市、智慧社会、工业互联网、大规模物联网进行海量数据的处理,这对计算能力的需求将迅猛攀升。同时,随着人工智能技术行业渗透率的进一步提升,人工智能算力将逐渐取代通用算力成为主流,支撑海量智能业务。根据 OpenAI 预测,到 2030 年,人工智能相关领域对算力的需求将达到 16000EFLOPS,较 2018 年增长近 400 倍。对比之下,以 GPU、FPGA、ASIC等芯片为代表的智能算力的增长远远无法满足智能算力需求的增长。与此同时,网络中也存在大量闲散的算力资源,例如一些面向特定的、临时的应用场景建设的超算中心与边缘计算节点无法被高效利用,需要通算一体技术将多级泛在的算力资源进行整合协同,以提升算力资源利用率。此外,以自动驾驶、AR/VR、工业互联网为代表的极低时延业务的涌现对网络时延、计算响应时间、数据的实时性以及安全性提出了更加严苛与复杂的要求,更多的数据需要下沉至边缘侧进行处理。同时,将海量业务卸载至多级泛在的边缘计算节点更加需要将网络信息与计算信息进行整合,结合 OSPF/BGP 路由机制,实现算网能力深度融合的全局优化调度。2.4 在网计算从广义上讲,在网计算的定义是主机发出的计算数据在网络路径上转发以实现高效数据处理和超低时延用户体验。例如,边缘计算、雾计算等就近计算,均属于在网计算的范畴。从狭义上讲,在网计算的定义是将应用相关的功能卸载至网络设备,在数据11IMT-2030(6G)推进组IMT-2030(6G)Promotion Group转发的同时实现数据的高效处理,提升系统计算效率。与边缘计算和云计算所采用的边缘/云服务器相比,在网计算通过在距离端设备更近的位置上提供线速处理能力,从而提升边缘/云服务器的计算能力,并进一步降低用户体验时延。云计算技术在过去的十年经历了几个阶段的迅速发展,虚拟化、SDN 等技术实现了最初的云计算网络,服务器取代了传统网络元件,实现了大部分网络功能。随着云承载的业务需求不断增多,通用服务器中部分软件实现的性能已经无法满足业务需求,以智能网卡为代表的在网计算雏形初步呈现,主要包括网络节点、计算节点基于智能网卡的 Open vSwitch 卸载,裸金属服务器节点卸载网关功能,分布式防火墙智能网卡卸载,安全加密硬件加速,网络拥塞控制和服务负载平衡和数据包调度等。网络设备加速和卸载当前部署在服务器上的网络功能不在本文范围内讨论,本文更关注数据中心服务器中的应用计算带来的需求,如在网机器学习。在网机器学习,即在网络设备中运行机器学习,正日益主导人们日常生活各个方面的数字化演进,从个性化的在线购物、社交网络到金融和交易,甚至网络发展到逐渐利用机器学习进行建模和预测。机器学习性能需求的激增推动了机器学习硬件设计的创新,包括 CPU 优化、GPU 以及 FPGA 解决方案以及 ASIC 专用处理器等。目前,包括利用网络方式实现机器学习加速在内的所有机器学习加速方式都备受关注。近年来,业界关注在网机器学习有三个方面的因素:第一,交换机能提供非常高的性能:网络交换机的延迟大约只有每个数据包数百纳秒,优于每个推理数十微秒到毫秒的高端机器学习加速器操作规模延迟;第二,交换机能提供高能效的处理:网络交换机的功率效率使得每瓦特能够处理 10M 的数据包,优于大多数机器学习加速器;第三,对于某些机器学习用例,交换机处理方式的优势更为突出:分布式机器学习的性能受到如何从节点获取数据和从节点获取数据所需时间的限制,如果交换机的分类速率能够达到与它向分布式系统中的节点传送分组一样,那么它将优于任何单个节点。12IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第三章 6G 算网一体承载架构分析3.1 架构设计的基本原则6G 在延续增强前代移动通信能力基础上,从通信连接维度扩展到了网络感知维度,拓展了新的应用空间,并借助原生 AI 能力,既支持未来泛在的万物智联,又可提升网络自身的性能与效率。因此,其架构设计的基本原则应包括适应 6G的 AI 原生能力以满足 6G 承载网算网一体的重要需求。AI 原生能力的引入,是 6G 网络重大的架构范式转变,同时也带来了能力的底层重构。“云 AI”是指网络中的 AI 服务位于云端,停留在应用层面,而“网络原生 AI”则要求网络架构与 AI 紧密结合,将是一个深度融合通信和计算资源的分布式架构,其带来的好处包括:通过超低时延 AI 服务实现的实时 AI 功能;通过分布式架构解决本地化数据处理的隐私问题,从而满足一般数据保护条例(General Data Protection Regulation,GDPR)等隐私和数据治理的要求,实现个人数据自主管理。移动边缘计算促进了原生 AI 的发展。移动边缘计算是分布式计算最好的载体,利用移动边缘计算增强蜂窝网络架构,实现蜂窝网络通信与计算融合,提供原生 AI。分布式机器学习的通信与计算平台将是 6G 无线接入网(Radio AccessNetwork,RAN)的重要发展方向,同时,利用基站集成或旁挂计算能力,构建一个叠加在 RAN 上的深度边缘互联计算网络。有相关的资料表明,这种计算架构是一种多层的云系统,在蜂窝网络中提供卸载能力,可支持各种 AI 应用例如网络AI 应用等。算网一体化的承载网流量模型将由“云 AI”向“网络原生 AI”转变,使得6G 网络架构将是一个深度融合的通信和计算资源的分布式架构,这实际上是承载网类数据中心化,预计未来 6G 承载网数据流量模型会朝着类似数据中心流量的方向演变。早期数据中心主要满足外部对数据中心的访问,所以流量就以“南北”为主,流量占比约为 80%,这与目前承载网的流量模型类似。但随着越来越丰富的业务(如搜索、并行计算、AI 学习等)对数据中心的流量模型产生了巨13IMT-2030(6G)推进组IMT-2030(6G)Promotion Group大的冲击,需要大量服务器组成的集群系统来协同完成工作,导致服务器之间的流量增大,这就逐步演变为目前东西向流量占比约为 70%的情况,比如搜索业务,用户只是发出一个搜索指令,服务器集群需要在海量数据中进行搜索与计算,搜索的过程非常复杂,但将结果传递给用户的过程非常简单,这与承载网深度融合通信和计算资源后的情况类似。算力的多样性与差异化,云边端连续体(Network for AI)和端网边连续体(AI for Network)构建的 AI 应用,分布式多智能体协作,网络植入(内嵌或旁挂)的计算节点,将成为 6G 承载网新的流量集散地,带来新的流量承载模型。随着 6G 原生 AI 的加持,6G 承载网的流量主要由两类流量构成,分别为业务流量(物理世界感知信息)和 AI 流量(机器学习推理信息)。业务流量的主要传输模式是基站到边缘计算、基站到用户面功能设备(User Plane Function,UPF);AI 流量的主要传输模式,包括相邻站协作流量、基站智能体协作流量、基站到边缘计算节点流量、基站到云/数据中心流量。各种流量占比取决于网络计算节点的部署及 AI 和机器学习的应用,未来 AI 流量将可能远超过业务流量,因此如何应对激增的AI流量将是6G算网一体承载网架构设计中重要的范式转变之一。3.2 架构设计思路3.2.1 向“面向任务的连接”的架构转变传统的通信系统是面向信息的,信源和信宿取决于终端用户的业务,整个通信机制和架构(如会话管理和移动性管理)的设计是围绕充分支持这种连接模型的,而 6G 系统是由多个智能节点组成的,AI 和感知是 6G 系统原生支持的功能,同一任务需要在多个分布式节点上的四要素(算力、数据、算法、连接)协调执行,这便是面向任务的连接通信,需要网络支持多种设备类型以及实时变化的拓扑结构,达到任务通信的最佳性能。(1)6G 的面向任务连接,要求网络不仅仅考虑单个连接的性能(例如时延、带宽),而是要综合考虑同一任务下所有连接的性能,这将促使网络从考虑单一连接的网络功能(如基于流为单位的转发机制、调度机制和负载分担机制)发展到综合考虑同一任务多个连接的网络功能,而这些连接之间有受任务约束的关联14IMT-2030(6G)推进组IMT-2030(6G)Promotion Group关系;(2)原来的连接在网络层面是通过五元组进行区分的,而 6G 面向任务的连接需要综合调度转发,需要有一套区分是否为同一任务的连接的标识方式,推测后续网络流量将迎来新的标识方式。因此,6G 算网一体承载架构的研究思路为:构建 6G 承载的新协议、面向任务的连接标识方式、面向任务的网络功能(转发机制,调度机制等)和面向任务的网络连接流量模型/模式等。3.2.2 向超高品质的承载网络转变高品质承载指的是多流同步传输,无损传输,差异化精准承载,超低时延确定性传输。(1)多流同步传输未来算网一体的分布式计算架构中,不同任务间、任务内流间的关联依赖关系将影响整体的任务执行效率,越精准的流间同步越有利于执行效率的提升,因此未来,6G 算网一体承载网应具备对协作流的同步传输机制。(2)无损传输计算对数据的无损传输提出了更高的要求,数据流的损伤不仅会降低网络利用率,也会大大拖后计算的利用率,对于重要的数据流,提供冗余的备份保护是必须的,但是在保护倒换发生时,需要避免数据流的损伤与丢失,因此,6G 算网一体承载网需要提供无损的承载能力,确保重要数据流在承载网络上不丢包,无误码,即使受一些因素影响,也应有相应的机制来实现信息的完全恢复。(3)差异化精准承载随着未来扩展现实(Extended Reality,XR)的发展,传感流量、计算流量,将带来不同的编码类型或承载差异化诉求,因此,6G 算网一体承载网应具备针对不同流量类型,不同编码模式的精准差异化承载保障。当前基于帧级别的视频流优化承载保障方向较为明确,但其他类型的流模式还有待进一步探究。(4)超低时延确定性传输算网一体大大降低了强交互类、控制类应用的时延,但 6G 业务对确定性承载有严格要求,尤其在工业控制领域,对连接的要求需要毫秒级甚至亚毫秒级的数据传输周期,且对网络连接可靠性达到 6 个“9”的要求,因此 6G 算网一体承15IMT-2030(6G)推进组IMT-2030(6G)Promotion Group载网需要具备确定性承载能力,在限定的时间周期内完成数据的传输,且不允许数据包传输周期越界,同时要保证高可靠无损传输。3.2.3 向融合智能承载转变6G 算网一体承载网络改变了过去 3G/4G/5G 被动式的移动承载网络与技术的规划设计模式,积极主动的应对未来 6G 网络的发展与变化,以网络连接为基础,将包括 6G-RAN 与 6G-CORE 在内的各个网络部件极简、高效、有机的联结起来,实现原生承载,支撑达成各种业务愿景。从 6G 网络系统与架构设计之初,承载作为系统部件之一,原生参与系统架构、功能/性能目标设定与分解,以端到端网络愿景及能力为目标,网络方案与系统架构部件设计,从被动到协同、深度融合方向发展。6G 算网一体承载网架构包括,以以太网为承载载体(泛在以太)、以 IP 网络连接为基础,以算力为中心的“IP/以太 算力 数据”的融合智能承载。3.3 算网一体架构探讨从承载视角来看,6G 网络相比前代网络,最核心的变化是流量,在原有的物理世界信息流的基础上(包括人类感官体验流量、物理世界感知流量等),增加了机器学习/智能 AI 流量。为更好的承载未来 6G 网络的流量,6G 承载网络需要引入更智能的方式,借助智能的手段,来实现更智能的承载,相比现在的偏静态设计、偏确定性经验理论的网络设计方式,可以更好的应对未来多样化的业务,多样化的流量形态。未来的世界是智能的世界,普惠泛在的智能,是 6G 网络愿景的目标之一,而作为 6G 网络的一部分,6G 承载网也需将“智能”作为承载服务对象,把为其提供更好的承载作为核心目标之一。6G(RAN 和 CORE)是承载服务的对象之一,行业网络、企业网络、家庭网络等也均是承载的服务对象,各行业的数字化转型,同样伴生着 AI 的普及,因此 6G 承载网络也应该且必须提供各种 AI 应用及能力的连接。面向 6G,超越 6G,承载连接物理世界与数字世界,承载网络将由信息连接网络向“信息连接网络 神经连接网络”转变。未来,6G 承载网将设计为算网一体的融合承载方式,旨在充分发挥 6G 网络对用户的入口优势,以网为基,通过超算/智算、能力资源池打造算力差异化服16IMT-2030(6G)推进组IMT-2030(6G)Promotion Group务,实现算网一体化服务能力开放、算网协同运营,构建内生算力、内生安全的新型算网协同架构,如图 3-1 所示,图3-1 6G算网一体承载网络架构其关键要素包括:算力资源供给算力资源供给:超算、智算、能力资源池通过算力网络互连,实现算力资源统筹调度,降低超算应用门槛。可编程算网承载:可编程算网承载:构建云网边端一体化的可编程服务体系,实现随流检测、SFC、应用感知等“IPv6 ”协议优化,赋能多场景应用。高品质云光一体高品质云光一体:研究新型大容量传输技术、动态灵活带宽电路技术、波长级业务和电路级业务智能连接和动态调度技术,实现高效、敏捷的云光一体服务。敏捷化协同运营敏捷化协同运营:面向企业客户,提供算力、数据、安全等各类产品及服务,实现售前、售中售后全流程运营。智能化算网大脑智能化算网大脑:优化算网大脑体系架构,打造算网协同编排能力,提升网络自智能力和算网原生可信能力。算网协同安全算网协同安全:关注网络内生安全,提高算力网络安全防护能力水平,通过隐私计算等技术确保网络和数据的安全性和可靠性。17IMT-2030(6G)推进组IMT-2030(6G)Promotion Group3.4 算网一体架构场景随着云计算技术的成熟及云网融合产业的推动,数据中心规模化增长,云计算能力逐步从中心下沉到边缘,分布式算力成为业务发展的新需求。算网一体架构将端、边、云侧的算力资源与网络侧资源结合,针对不同的场景和需求,让用户选择最佳的资源分配方案,实现整网资源的最优化调度。算网一体架构也融合了泛在的算力及网络资源,以提供更精准的优质算力资源及服务,其设计场景主要有:边边算力协同场景,边云算力协同场景,端边云算力协同场景,东数西算场景等,其相互关系如图 3-2 所示。图3-2 算网一体架构设计场景(1)边边算力协同边边算力协同服务边边算力协同服务,指不同边缘云之间的算力资源的协同交互,根据所属不同边缘云的算力资源是否相同,可分为两种场景:边边同构算力协同场景边边同构算力协同场景,各边缘节点提供统一的、相同类型的算力资源和服务,用户获取算力资源简单易行;边边异构算力协同场景边边异构算力协同场景,不同边缘云内的边缘节点提供不同类型的算力资源,用户可在多个边缘节点选择或预定不同类型的算力资源或算力模型,以获取用户所需算力资源。边缘云计算是构筑在边缘云基础设施上的云计算平台,计算、存储、网络、18IMT-2030(6G)推进组IMT-2030(6G)Promotion Group安全等服务在边缘节点处理,可降低业务网络时延,减少带宽使用成本。边边同构及边边异构算力协同场景,通过对全局算网资源的可视性,实现对算力资源在不同边缘节点的调度,能够有效打破算力孤岛的局面,实现算力 网络的双重 SLA保障。(2)边云算力协同边云算力协同服务边云算力协同服务,指边缘云和中心云之间的算力资源的协同交互,用于满足不同服务需求的业务数据的边云分流和负载分担。例如,数据量庞大、对处理时延敏感、对隐私敏感的数据,需就近在网络边缘侧进行处理;而计算资源需求大、实时性要求不高的计算任务,可调度到数据中心处理。边云一体化算力协同,是算网一体架构最典型的场景之一。在边云算力协同场景中,为实现中心云和边缘云的协同工作,承载网络系统需要能够根据用户的服务需求将业务流量在中心云和边缘云之间进行灵活的调度。一方面,承载网络设备通过算力路由表项控制流量在网络中的路径;另一方面,根据业务的实际需求,网络设备为流量进行多网络资源多算力资源的最佳选择。(3)端边云算力协同端边云算力协同服务端边云算力协同服务,指终端、边缘云、中心云之间的算力资源协同交互,需要终端、边缘云、中心云都具有一定的数据处理能力,并能够根据服务功能的不同,对应不同的算力类型,形成“端、边、云”多级结构。例如,在端侧进行芯片级数据采集、过滤和处理,在边缘侧进行实时计算及数据推送,在云侧进行数据关联、AI 分析等。通过算力网络的使用,实现在端、边、云不同节点上算力层次化服务保障。“端、边、云”算力协同场景中,通过算力网络技术的使用,可实现对用户所需算力资源的精准调度,提升网络处理效率,最低网络运行时延,同时降低中心云的计算处理压力和网络负载。应用场景如智慧家庭场景、智慧交通场景、智慧医疗场景等。(4)东数西算东数西算,是国家级算力网络,以算力为核心,通过 8 大算力枢纽和 10 大集群,将大量数据和算力东西向协同起来。东数西算通过算网协同的使用把东部19IMT-2030(6G)推进组IMT-2030(6G)Promotion Group数据调度到西部进行计算、训练、推理;把东部时延不敏感、不活跃的数据调度到西部存储;把计算需求高的算力服务部署到西部降成本;把东部应用分级动态调度分担到西部进行数据计算。具体应用场景如大数据挖掘、机器学习、气象预测、基因测序、数据灾备等。东数西算流量由南北向往东西向迁移,减轻了骨干网络的流量压力。承载网提供粗颗粒度的算力流量调度,保障通用的三级时延圈。20IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第四章 6G 算网一体承载潜在关键技术4.1 新型数据转发技术为适应未来 6G 网络的发展,6G 承载网络在数据转发面引入了新型数据转发技术,包括面向任务的连接标识方式、面向任务的网络功能(转发机制,调度机制等)、面向任务的网络连接流量模型/模式等。6G 面向任务的连接需要改变以往基于流、基于五元组的转发机制,从任务出发,达到同一任务多个连接综合性能最优的目的。因此,6G 承载网络需要新型承载协议支撑,需要增加面向任务的连接标识方式,即网络转发面基于任务标识进行转发和调度,同时考虑同一个任务多个连接的关联约束(如先后顺序,优先级,算力分布等)。此外,6G 承载网络新协议在数据转发技术方面不能简单的继承原有网络,而面向任务的网络连接关系也决定了新的流量模型将由无连接的转发向有连接的承载转变。因此,未来面向 6G 承载网络新协议实现的潜在技术主要包括:连接可控的承载:基于 SRv6 技术的进一步发展;面向任务的连接标识方式:应用感知的承载网络,应用和网络实现协同,通过承载协议传递应用信息,通过应用信息约束网络路由转发行为等;面向算力/连接的综合路由:改变以往以可达性为单一目标的路由方式,采用面向任务约束的综合路由方式。为提升数据的高品质传输,未来 6G 承载网还需要实现无损传输,多流同步传输,差异化精准承载,超低时延确定性传输。未来面向 6G 承载网超高品质承载的关键技术主要包括:(1)超高品质多样化的承载切片技术面向多样化低时延的确定性传输和多样化差异化的精准承载,6G 承载网络的切片技术正朝着多维度切片发展,从最底层的物理切片(FlexE)、逻辑切片(信道化子接口),到二层的时间敏感网络(Time-Sensitive Network,TSN),以及三层的确定性 IP,通过多种切片技术多维度组合,以满足 6G 低时延确定性的多样化需求;(2)无损传输技术21IMT-2030(6G)推进组IMT-2030(6G)Promotion Group利用前向纠错码(Forward Error Correction,FEC),帧冗余编码等方式解决通信链路上的比特误码;利用多链路多发选收,以及网络编码等技术,采用带宽冗余的方式,无损解决通信链路/算力节点故障问题;利用链路快速切换技术,节省备份带宽,无损解决通信链路/算力节点故障问题。(3)确定性技术面对“准时、准确”数据传输服务质量的迫切需求,需要建立一种能够提供差异化、确定性服务的网络,网络中通过保护机制减少故障率、提高可用性,实现端到端确定性时延、零拥塞丢包,超高可靠的数据包交付、资源弹性共享以及与“尽力而为”的网络共存等。确定性网络技术还将改变传统以太网的传输不确定性,提供高精度同步、智能控制、智能承载等技术,适应产业的转型升级需求,同时可助力实现高精准、高可靠性的 6G 承载网络架构。4.2 智能管控技术在当前云网业务模式下,算力和网络均独立部署、独立运营、独立服务。用户分别向云服务和网络服务提供商提交服务申请,构建服务合同,组合实现完整的应用服务。这种算网分离模式催生了互联网的繁荣,但同时也导致算力和网络服务粗放式交付模式的产生,造成巨大的资源浪费。因此,6G 网络的另一个重要目标是实现面向服务的算网融合智能管控。6G 网络面向服务的算网融合智能管控,从传统网络以端口地址为对象的数据通信转发,转变为以服务为目标的资源匹配。各种应用从传统的向平台索要资源转变为向网络索要服务。同时,面向服务的算网一体路由机制,也是实现算网融合架构的重要特征。未来 6G 网络场景下,越来越多的算力资源将会被部署到网络内部,提供相同服务的服务实例可能会被部署到网络中不同物理位置的算力节点。不同的算力节点的资源状态(算力负担、请求响应率等)、网络性能(时延、带宽等)等均不相同,且很可能实时变化,因此当网络接收到某一个用户的服务请求时,需要网络做出实时、最优的资源调度以及路由选择。如图 4-1 所示,面向算网融合的智能管控技术,利用算力控制器成熟的管理机制实时掌握各个算力节点的资源和服务状态,利用算网大脑(Net Brain)通22IMT-2030(6G)推进组IMT-2030(6G)Promotion Group过智能算法综合考虑算力负载、网络性能等参数,做出全局最优的资源调度和路由决策。图4-1 面向算网融合的智能管控技术4.3 可编程网络技术随着通信网络支持的行业场景越来越多样化,网络架构和功能也变得越来越复杂,同时也带来了网络演进和定制的复杂化。为了使网络适应未来多变的需求,在 6G 网络中应通过引入网络内生智能和端到端可编程网络技术,使得网络更加智能和灵活,这需从网络架构本身进行根本性的改进,设计高适应性和灵活弹性的网络。可编程网络是实现高适应性和灵活弹性网络目标的有效技术手段。在 5G 网络中,已经开始研究关于网络可编程技术的探索和改进。例如,5G 核心网中引入的 SBA 服务化架构,从根本上改变了传统的 P2P 点到点架构通信方式,采用了控制面与用户面解耦(C/U 分离)的架构。其中,5G 核心网控制面基于云原生的软件设计,使得控制面网络功能如移动性管理、会话管理和用户数据等信令控制功能可以快速构建、发布及部署,结合云计算实现控制面网络功能与底层硬件及操作系统解耦,具有可扩展性、高可用性等特点,而 5G 核心网用户面则重点关注如何利用各种新兴的转发技术来满足 5G 网络的低时延和高带宽需求。23IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图4-2 可编程网络系统可编程网络能够以前所未有的敏捷性和灵活性为消费者提供创新的通信服务,同时支持业务的更快速部署,例如:提供基于云原生设计的网络切片业务。可编程网络的重要使能因素包括基于服务化的体系结构(SBA)、云原生实现的网络虚拟化和微服务架构、持续集成/持续交付(CI/CD)方法以及面向网络应用的定制可编程芯片和硬件平台。在未来的 6G 网络时代,考虑到业务需求动态变化以及网络灵活扩展的需求,6G 网络更需要具备统一架构下按需部署网络功能或服务的能力,以及动态编排和按需资源调度的能力。在未来通信网络引入可编程思想,对传统网络架构进行改进,通过承载与控制分离以及网络功能软件化,将网络设备控制平面从嵌入式节点独立出来到软件平台,由软件驱动的中央控制节点自动对网络架构进行控制。此外,在 5G 网络架构 C/U 分离的基础上,6G 的用户面也将采用新型可编程技术实现,例如目前在数据中心网络中开始大规模采用的智能网卡卸载技术、可编程交换芯片技术和处理器分散处理单元(Data Processing Unit,DPU)技术等将逐步从 IT 领域渗透到 CT 领域,促进 6G 用户面在满足高带宽、低时延转发的基础上,进一步支持与控制面中央控制节点联动的在网动态用户面编程和升级。由于 6G 网络中的各个网元都将支持控制面和数据面的可编程能力,可以构建灵活的端到端可编程网络,实现全网的智能动态调优。通过提升 6G 网络的软件化程度和端到端可编程能力,可以实现网络的灵活可控制、融合可演进、开放可编程以及弹性可定制的特性,从而在更短的时间内实现网络功能的开发和部署,为未24IMT-2030(6G)推进组IMT-2030(6G)Promotion Group来 6G 网络的演进提供更大的发展空间。可编程网络对运营商的影响包括创造所需的效率和灵活性,根据客户/合作伙伴的需要实时扩展容量和能力;提高 ICT 价值链和新兴平台经济的相关性;开发新的商业模式,扩展现有业务并寻求新的商业机会。基于端到端可编程网络技术可以提供更广泛的服务和更好的网络性能,使得网络可以更好地满足消费者的期望。智慧城市和智能工厂等新兴领域也将受益于更丰富的通信服务,从而应对不同物联网设备的需求。同时,可编程网络还可以提供更多的服务定制和更快的响应速度,随着生态系统在医疗保健、公共安全、自动驾驶等领域的扩展,其优势将不断增加。此外,跨行业,私人和企业用户也将受益于可编程通信网络所能提供的业务。使用可编程技术,6G 网络可以从多个方面进行优化:优化网络服务的定义,减少冗余设计,统一网络服务能力;分析不同的部署场景或用例,通过可编程接口实现网络能力的灵活定制化;将人工智能引入网络服务设计和部署实施中,以更快速获取网络能力升级;考虑差异化的协议栈功能设计,优化协议功能分布和接口设计,结合 AI技术进一步增强协议功能。4.4 算网编排管理技术算力网络可以提供基于数据、计算、智能、绿色、网络融合发展的新型共享服务模式,广泛服务于智能科学模拟、数字化政府治理等场景,提供安全可信的服务保障。算力网络的主要组成部分包括管理和控制中心、计算节点、网络、存储系统等。在算力网络中,算网编排技术应用于管理和控制中心,是整个系统的核心,负责对计算资源进行管理、分配和任务调度,实现对算力网络的统一监控和控制。具体来说,算网编排技术是指通过将算网原子能力灵活组合,结合人工智能与大数据等技术,向下实现对算网资源的统一管理、统一编排、智能调度和全局优化,提升算力网络效能,向上提供算网调度能力接口,支持算力网络多元化服务。算网编排技术是一种新型的技术,它可以通过极致可靠的网络连接,协同调度云计25IMT-2030(6G)推进组IMT-2030(6G)Promotion Group算、边缘计算、智能终端等多级算力,以更高的算力性能和更低的终端成本,实现算力对应用的加持,为用户提供智能化、沉浸式服务内容和体验。此外,算网编排技术能够将分散在多个节点上的计算资源,通过网络进行管理和分配,以满足更高的计算性能和更高的可用性需求。该技术主要应用于云计算、大数据分析、人工智能等方面。算力网络的编排管理技术主要包括以下方面:(1)资源管理通过对计算资源进行调度和管理,充分利用所有资源,提高系统的利用率和效率。资源管理包括资源请求、资源预留、资源分配等。(2)负载均衡通过动态调整计算资源的使用率,实现负载均衡,提高系统的稳定性和可用性。负载均衡包括负载检查、负载均衡策略、负载重分配等。(3)任务管理任务管理是指将任务分配给计算节点,并实现任务的优化和调度,以提高任务完成效率。任务管理包括任务请求、任务调度、任务优化等。(4)故障管理对于出现故障的计算节点,需要实现故障检测和故障恢复等处理,以确保系统的稳定性和可用性。(5)安全管理安全管理是指在算力网络中实现对数据安全、网络安全、系统安全等方面的保障,以确保系统不受到攻击和威胁。综上所述,算网编排技术是一种将计算资源分散在多个节点上,通过网络进行管理和分配的技术,旨在提高系统的计算性能和可用性。通过对资源管理、负载均衡、任务管理、故障管理、安全管理等方面的处理,实现对算力网络的高效运行和管理。4.5 应用感知技术IPv6 演进技术中的应用感知技术是指在 IPv6 网络中,通过对网络流量进行深度分析和识别,从而实现对网络应用的感知和优化。这种技术可以帮助网络管26IMT-2030(6G)推进组IMT-2030(6G)Promotion Group理员更好地了解网络应用的使用情况,从而针对性地进行网络优化和调整。例如,可以通过应用感知技术来识别视频、音频、游戏等不同类型的网络流量,并对其进行优先级调整,从而提高用户体验。应用感知的 IPv6 网络(Application-aware IPv6 Networking,APN6)利用IPv6 报文自带的可编程空间,将应用信息(标识和/或网络性能需求)携带进入网络,使能网络感知应用及其需求,进而为其提供精细的网络服务和精准的网络运维。算力网络是一种应用敏感型网络,每个应用的算力需求都是不一样的。结合 APN6,算力网络可以有效感知到每个应用的算力及网络需求,从而实现精细的全网资源统一调度。这个调度是弹性的,即可以实时监控和动态调整。从云网协同到算网一体发展,网络需要为算力提供差异化的服务能力,可通过应用感知网络 ID(Application-aware Networking Identification,APN ID)精细标识关键的应用或用户,引导进入相应的 SRv6 Policy 隧道、网络切片、DetNet(确定性网络)路径,或者服务功能链(Service Function Chaining,SFC)路径等,实现应用分流和灵活选路。APN6 技术有三个方面的要素。首先是网络能够提供更加丰富的服务,通过IPv6 报文的扩展,支持了 SR policy、网络切片、确定性网络、业务链以及无状态组播 BIERv6 等,使网络有了精细化的差异化服务,具备了一个重要的基础;其次是准确的网络测量,保证业务 SLA 需求的前提是能够实现准确的测量,通过基于 IPv6 的随流检测技术,就能够提供更加准确的网络测量,更好地提供对应用的服务;最后就是开放的应用信息携带,需要一个细粒度的应用信息和标识的携带,更好地将应用映射到丰富的网络服务上,这也就是 APN 技术所承担的重要使命。现在的算力网络相对于原来的云网、云计算服务,由通用化向个性化进行发展,由此对网络也提出了个性化的要求。但如何能够实现个性化的网络,满足多样算力的需求,就需要通过 IPv6 的扩展和 APN 技术体系,将应用和网络更加紧密融合在一起,更好的达成目标。APN 技术体系的演进分为三个阶段,第一阶段通过承载网来感知应用提供服务,实现感知应用的承载网络;第二阶段需要端侧提供应用信息传递给网络、传递给云,就是感知应用的互联网,也就是说要实现端、管、云这样的跨多域信息传递;第三阶段就是网络跟计算结合在一起,网络27IMT-2030(6G)推进组IMT-2030(6G)Promotion Group要感知算力,即感知应用的算力网络,相当于把应用的负载能够传递给网络,让网络提供更好的服务。4.6 服务感知技术随着智能化业务的发展和新型业务场景的不断涌现,传统网络以 IP 地址互联的连接模式将无法精准高效地满足业务需求。同时,随着算力的下沉,业务部署开始进入边边、边云、端边云组合协同的模式,传统基于固定节点的服务访问机制将无法适应分布式泛在服务访问的新场景需求。为了满足未来场景业务需求,在 6G 网络中引入服务感知技术,网络感知业务算网需求同时感知算网资源状态,构建面向云网端一体的服务感知网络统一架构,无缝拉通业务、云算和网络,形成高效智能的联动体系,在为业务提供敏捷感知和精细化服务保障的基础上,内生支持面向分布式算力部署的灵活服务路由,使能多策略多因子的算网资源调度。在服务感知技术中,基于目前广泛用于应用开发、云计算和云网融合的代表性面向服务的 SOA 架构,将应用分解为多个强内聚、松耦合的原子单元,称为“服务”。服务感知技术将服务定义为一个具体的可视、可寻址、可调度、可路由、可衡量、可管理的基本单元。服务跨端、网、云全局定义和管控,具体的服务可用服务标识 ID 来表示,同一个服务标识 ID 可用于应用的任务调用、端到端连接、网络服务路由、算力的寻址和调度,形成闭环端网云数据流,从全网的视角构建一体化的算力供给和算力服务,提供面向共性算力服务的全局资源编排和优化方案。(1)服务感知技术特征:服务标识统一纳管(含注册/鉴权/校验/发布/订阅/策略配置),其生命周期涉及注册、发布、策略下发、订阅、服务请求、服务路由、服务分发、服务更新、服务撤销。对用户,服务标识为请求接口,终端无需关心服务提供方及其位置、服务参数,订阅服务并获取服务标识,发起业务请求。对网络,服务标识是算网 SLA 策略的唯一索引,也是网络服务策略的映28IMT-2030(6G)推进组IMT-2030(6G)Promotion Group射标识。对服务,服务标识是服务登记注册、调度和路由的对象。(2)服务感知技术价值:基于统一服务标识,实现泛在服务和算力资源管理和调度,具备较好的扩展性;基于统一服务标识,可以将当前网络能力向算网综合服务能力扩展;基于服务标识和服务参数分离,满足精细化灵活的 SLA 信息(带宽、时延、抖动、丢包)扩展,同时实现了网络访问报文和业务流程处理的简化;基于服务标识的归属和位置无关特征,实现终端移动和服务端迁移等场景下业务连接的连续性;基于服务标识层次化和扩展能力,实现服务访问亲和能力并满足网络流亲和无状态要求;基于统一服务标识,实现服务安全等级定义和用户访问权限管理,满足业务和网络安全的需求;基于统一服务标识,可将业务访问的序列服务进行编排,对业务访问处理进行简化,实现天然的服务链能力。在服务感知网络架构下,网络通过高效的服务标识接口,对服务级颗粒度的SLA 需求感知,是通过转发面和控制面综合实现的。在转发面,用户数据面仅携带轻量级的全局语义服务标识,同时在控制面通过跟服务标识运营系统的交互生成以服务标识为索引的转发表项。转发面经由服务标识索引关联对应的转发表项,从而完成网络对服务的精细化和感知和服务质量交付。服务感知技术,在带来部署和运维成本上优势的同时,网络和业务也将得以根据算网整体基础设施的分阶段发展灵活取舍、平滑演进。29IMT-2030(6G)推进组IMT-2030(6G)Promotion Group4.7 算力路由技术计算是人类认识世界和改造世界的重要方式,无论是集成电路时代大规模生产制造的设备计算,还是信息化时代全球互联互通的移动计算,计算已经渗透到各行各业以及人类生活的方方面面。同时,计算的模式也在发生着翻天覆地的变化,从以互联网为中心的云计算,到业务可就近闭环、实现敏捷智能的边缘计算,再到未来“云-边”计算与端侧计算的联动,计算模式正在向着“云-边-端”多级架构发展,以满足智能社会多样化的算力需求。为应对算网融合趋势所提出的新型网络架构算力网络,需要基于网络对算力感知的基础上,研究未来网络如何实现全网算力资源的统一管理,如何建立计算和网络的协同管理与调度架构,实现算力资源的灵活、安全接入,按需调度与分配以及高效运维和运营,通过将计算任务调度至最优节点,保障业务的算力需求,实现全网资源的高效协同。未来网络的发展需要适应中心、边缘和终端的多级算力资源,而各级算力资源的不同特点在于:中心算力资源庞大,可以弹性扩缩容,灵活分配资源,高效、集中的完成计算任务,但中心算力资源与用户和需要处理的数据距离远,本地产生的数据需要远距离传输至中心,使得业务时延增加,同时数据的安全和业务隐私性无法得到保证;边缘侧算力虽然相较于中心资源有限,可扩展性也相对较差,但其距离用户更近,数据可以就近处理,节省网络带宽。为了满足终端业务的网络时延需求,许多业务需要网络就近提供算力资源,在网络中完成计算并返回计算结果。不同于传统的 QoS 保障需求,网络需要综合考虑计算速率、延迟和可靠性等多重因素,按需调度业务至最优计算节点以保障业务的算力需求。传统网络如何实现对算力的感知并基于算力信息完成路由计算,网络管理机制如何对全网算力资源进行管理并实现算力的按需调度,以及满足新型业务的计算需求和时延需求等,这些都将成为未来网络新的挑战。为应对算网融合趋势所提出的算力网络新型网络架构,需要在网络对算力感知的基础上,研究如何将算力信息作为权重引入到路由计算中来,实现基于算力的路由计算,以及在算力路由基础上研究未来网络如何实现全网算力资源的统一管理,如何建立计算和网络的协同管理与调度架构,实现算力资源的灵活、安全30IMT-2030(6G)推进组IMT-2030(6G)Promotion Group接入,按需调度与分配以及高效运维和运营,通过将计算任务调度至最优节点,保障业务的算力需求,实现全网资源的高效协同。算力路由技术是算力网络实现算网深度融合的基础,在算网融合的新型网络架构下,无所不在的网络连接和高度分布式的计算节点作为基础设施,通过服务的自动化部署、业务的最优路由和负载均衡,构建可以感知全网算力的全新算力网络基础设施,保证网络能够按需、实时调度不同位置的计算资源,提高网络和计算资源利用率,进一步提升用户体验,从而实现网络无所不达,算力无处不在,智能无所不及的愿景。与在传统网络中基于链路度量值进行路径计算的网络路由协议类似,在算力网络中,基于算力度量值来完成路径的计算,而算力度量值来源于全网计算资源信息及网络链路的带宽、时延、抖动等指标。在电信承载网中,为实现计算资源信息及链路指标的全网同步,每个路由器负责本地计算资源信息及相关联链路指标的获取,并加载在网络层协议报文中进行全网同步。在完成全网信息同步后,每个路由器完成全网拓扑的计算,并生成服务路由信息表,用以支持算力网络服务报文的转发。在算力网络中,为达到上述目的,网络设备必须具备相应的算力路由计算能力。算力路由技术包含两个层面的含义,一是网络如何知道算力资源的分布情况,这包括网络设备对算力资源的感知,以及网络设备之间的算力资源信息的交互;二是网络设备如何利用对算力资源分布情况的掌握完成路由决策,并将用户的需求调度到其所需要的服务所在的算力资源中去。在算力网络中,一般可以通过距离算力资源池最近的网络设备负责算力资源信息的收集,不同的网络设备之间通过某种方式完成信息的共享,这种共享可以通过扩展协议的方式来实现。为实现算力资源信息在网络上的共享,需要借助通信报文作为载体完成信息的传递,算力资源信息以一定的规则编码写入通信报文中,然后按照特定的协议在网络设备间完成交互。如果各个网络设备之间的地位是对等的,它们只负责自身能够搜集的算力资源信息并进行分享,域内所有对等的网络设备都会根据搜集后的完整信息以自己为根进行算力路由计算,那么这种实现方式称之为分布式;如果有一台网络设备负责集中搜集算力资源信息并独立完成算力路由计算后,再将路由决策信息发送给其它网络设备,那么这种实现方式称之为集中式,这台负责集中收集信息的网络设备就是网络控制器。31IMT-2030(6G)推进组IMT-2030(6G)Promotion Group在电信承载网中,承载算力资源信息的通信协议可以位于网络层之上(包括网络层)的任意层,以网络层协议为基础,将算力资源信息基于网络层报文进行转发,即可以采用将算力资源信息在 IGP 或者 BGP 协议中携带的方案,通过在网络协议形成的邻居之间进行信息交互,完成信息共享;也可以采用 C/S 的模式,将算力资源信息以 Yaml 文件或者私有实现等方式进行点到点传递。目前较为常用的计算优先网络协议(Computing First Network,CFN)主要采用路由协议报文中通过扩展字节信息的方式携带算力资源信息,将网络中计算节点的负载情况实时向全网进行扩散。算力网络通过将算力资源进行整合,以服务的形式为用户提供算力,相同的服务有可能在不同的计算资源中以不同服务实例的方式存在,而对于用户来说,只需要向网络提出服务需求,不必了解服务实例所处的物理位置。在算力网络中接收用户服务需求信息的设备,称之为业务网关,业务网关应该具备将服务需求映射为服务实例的能力,而对于相同服务需求的不同服务实例,业务网关也能够根据网络情况和承载服务实例的算力资源情况,应用不同的调度策略,将用户服务需求调度给合适的服务实例,这可以通过动态任播技术来实现。32IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第五章 6G 算网一体发展建议与展望随着云计算、大数据、人工智能等技术的快速发展,算力网络已经成为高性能计算和大数据处理的重要手段。为了进一步推动算力网络的发展,以下是一些建议和展望:(1)强化算力网络与云计算、大数据、人工智能等技术的融合,实现算网一体化。以云计算为代表的新型 IT 技术已经成为全球 IT 产业发展的重要分支,而算力网络则是云计算的重要基础,因此算力网络与云计算、大数据、人工智能等技术的深度融合,有利于推动新型 IT 技术的发展,同时也可以加速算力网络的发展;(2)加强算力网络的性能优化,提高系统的计算效率和可靠性。算力网络的核心是高性能计算,因此需要不断优化系统性能,同时提高计算效率和可靠性。这可以通过优化算法、加速计算速度、优化网络连接等手段来实现;(3)开展大规模的算力网络应用,推动其在各个领域的应用。尽管算力网络已经在科学计算、金融计算、气象预报等领域得到了广泛应用,但仍然有很大的发展空间。未来需要深入了解各个领域的需求,并根据需求进行算力网络的优化和应用;(4)建立算力网络的规范化体系,推动算力网络标准化进程。标准化是推动技术发展的重要手段,可以将算力网络的各个方面进行规范化,从而推动算力网络的应用和发展。总之,算力网络作为实现高性能计算和大数据处理的重要手段,具有广阔的应用前景。需要加强算力网络与新型 IT 技术的融合,强化算力网络的性能优化,推动算力网络在各个领域的应用。其中,算网一体是未来网络技术的发展方向之一,它将计算和网络融合在一起,形成一个统一的、可编程的、可管理的网络和计算资源池。未来网络将在提供超低时延、超高通量带宽、超大规模连接等基础能力的同时,需要更加紧密地与应用服务融合,以应用服务为中心的网络将成为未来网络的主流。面向算网一体演进的未来网络设计原则需要顺应IP网络的发展历史和趋势,同时考虑自顶向下、演进与变革共存、融合创新等原则。因此,未来算网一体发展应该注重以下几个方面:33IMT-2030(6G)推进组IMT-2030(6G)Promotion Group积极布局算网融合政策体系;加强算力网络建设,推动算力和网络融合;加强算力网络安全保障;加强算力网络标准化工作。34IMT-2030(6G)推进组IMT-2030(6G)Promotion Group参考文献1 6G 网络架构愿景与关键技术白皮书IMT-2030 6G 推进组 2021 年。2 中国移动 6G 网络架构技术白皮书 中国移动 2022 年。3 2030 网络架构展望白皮书中国移动 2020 年。4 21-1-报告采纳-6G 总体愿景及潜在关键技术白皮书IMT-2030 6G 推进组2021 年。5 2030 技术趋势白皮书 中国移动 2020 年。6 全球 6G 发展综述刘珊、黄蓉、王友祥,邮电设计技术2021 年 3 月。7 在网计算技术需求及架构设计研究报告中国通信标准化协会.R.2022年。8 东数西算与算力网络 中国联通 2023 年。9 面向智能机器通信的语义信息刻画及度量 马楠、宋孟书、刘宜明、董辰,北京邮电大学学报,2022,45(6):12-21。10 Shannon C E.A mathematical theory of communicationJ.The BellSystem Technical Journal,1948,27(3):379-423.11 Wang C X,Renzo M D,Staczak S,et al.Artificial IntelligenceEnabled Wireless Networking for 5G and Beyond:Recent Advances and FutureChallengesJ.IEEE Wireless Communications,2020,27(1):16-23.12 算力网络 算网编排管理技术要求 CCSATC3。13 IP 网络未来演进技术白皮书 中兴通讯股份有限公司 2022 年。14 面向云网端一体的服务感知网络(SAN)架构研究 CCSA。15 Shannon C E,Weaver W.The Mathematical Theory of CommunicationJ.Philosophical Review,1949,60(3).16 信息生态学与语义信息论J.钟义信、张瑞,图书情报知识,2017,(6):8。17 ZhongY.ATheoryofSemanticInformationJ.中 国 通信,2017,014(001):1-17.18 ZhangP,XuW,GaoH,etal.TowardWisdom-EvolutionaryandPrimitive-Concise6G:ANewParadigmofSemanticCommunication35IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupNetworksJ.Engineering,2021,8(6).60-73.19 Dong C,Liang H T,Xu X D,et al.Semantic Communication System Basedon Semantic Slice Models PropagationJ.Accepted by IEEE Journal onSelected Areas in Communications.20 智简无线网络赋能行业应用J 张平、许晓东、韩书君等,北京邮电大学学报,2020(6):9。21 Ping Z,Xiaodong X,Chen D,et al.Intellicise communication system:model-drivensemanticcommunicationsJ.TheJournalofChinaUniversities of Posts and Telecommunications,2022,29(1):2.22 Weaver W.Recent contributions to the mathematical theory ofcommunication.ETC:A Review of General Semantics,1953,10:261281.36IMT-2030(6G)推进组IMT-2030(6G)Promotion Group贡献单位序号序号主要贡献单位主要贡献单位1中国联合网络通信有限公司2中国移动通信集团有限公司3中国电信集团有限公司4华为技术有限公司5中兴通讯股份有限公司6维沃移动通信有限公司7上海诺基亚贝尔股份有限公司8北京邮电大学联系方式邮箱:COPYRIGHT2023 IMT-2030(6G)PROMOTION GROUP.ALL RIGHTS RESERVED.

    浏览量0人已浏览 发布时间2023-12-13 41页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 中国移动:2023年“三体四层五面“的6G网络架构详细设计报告(24页).pdf

    “三体四层五面“的6G网络架构详细设计陆璐中国移动2023年12月目录26G架构的设计思路16G“三体四层五面”架构的详细设计2总结和展望3ITU-R已明确6G典型场景和指标,将实现从移动通信向移动信息的重大转变6G要求网络内生支持AI、感知、泛在连接等新能力,网络将从通信服务向信息服务转变3典型场景可分为三类,从信息传输到信息全过程服务:l第一类是性能沉浸化:5G三大场景的增强l第二类是要素融合化:AI与通信的融合、感知与通信的融合l第三类是覆盖全域化:泛在连接技术指标包括两类,在5G基础上扩展与增强:l第一类是6G新能力拓展:覆盖性、感知、AI、可持续性、互操作性、定位能力l第二类是5G能力增强:安全、可靠性、时延、移动性、连接密度、区域话务容量、频谱效率、数据速率等从ITU技术指标到技术布局,系统是关键4不仅有单点技术的指标也有网络系统的指标对感知、AI、计算等要素与网络(通信)的整体融合提出了要求 峰值速率100Gbps以上 网络频谱效率提升23倍 定位精度提升至1-10cm 空口可靠性提升 连接密度提升2-3倍 支持AI相关能力 支持感知相关能力 安全、隐私与弹性 可持续性 互操作性 通信与AI融合 通信与感知融合 泛在连接 沉浸式通信(Immersive Communication)超高可靠低时延通信(hRLLC)海量连接(Massive Communication)ITU技术指标不是单点技术的要求,而是对整个网络的系统性要求;架构设计需从网络整体出发,系统思考6G架构演进的关键方向面向网络平台化、服务多样化的发展趋势,6G架构演进的关键方向在于增强自身管控能力、扩展服务要素、拓展服务领域5增强自身管控能力扩展服务要素拓展服务领域未来业务需求流量带来基站规模倍增超低时延推动超边缘化数据本地化从集中式网络向分布式自治网络演进,灵活部署、本地闭环,适配多样化场景需求空天地一体化深度融合组网,实现全球全域低成本“立体泛在覆盖”新增数据、计算等服务要素,赋能网络内生AI、通感一体等网络新能力OTN/OXCOTN/OXCOTN/OXC基础设施InternetIoTV2XR数据服务连接服务计算服务通感AI提出“三体四层五面”的6G总体架构6提出“三体四层五面”的6G总体架构,充分利用多样化通信和算力资源,新增数据面、计算面、安全面、服务使能层、数字孪生体,在架构层面实现对新型信息服务全场景、全流程的支持三体增加独立孪生体,虚实映射重组管理编排体,智能自治四层功能分层,跨域拉通强化算力、路由五面增强传统控制面/用户面增加独立数据、计算和安全面服务化功能层服务使能层控制面用户面数据面计算面安全面连接与路由层(空天地多接入,可信连接,异构互联,算力路由,确定性转发)通信与算力层(无线通信,光通信,计算,存储)网络本体数字孪生体管理编排体通信服务感知服务计算服务AI服务安全服务孪生控制孪生编排孪生建模孪生实例能力开放管理自治服务设计资源智能编排调度跨域质量保障跨域数据管理目录76G架构的设计思路16G“三体四层五面”架构的详细设计2总结和展望3体数字孪生体:赋能网络自治闭环验证和控制8网络本体原生支持孪生接口,包括网络实时数据接口、虚实交互控制接口,实现网络物理实体和虚拟实体的实时交互映射,赋能网络运行态下全维透视分析,自治闭环控制。数字孪生编排功能数字孪生控制功能孪生模型库数据面数字孪生实例运行数字孪生实例监控管理数字孪生建模管理网络本体编排管理体网络配置管理数据接口网络本体实时数据接口数字孪生模型生成数据交互功能配置和资源数据p 原生孪生接口:网络本体、编排管理体、数字孪生体基于原生孪生接口,实现虚实体间的数据交换和交互控制,是实现网络数字孪生的基础。p 数字孪生建模:基于模拟、仿真、数学分析、AI建模等多种建模技术生成网络、用户、环境的孪生模型,是构建网络数字孪生的核心。p 按需编排控制:解析网络本体和编排管理体的孪生需求,按需编排孪生资源、模型和对象,实现孪生对象设计,是构建网络数字孪生的大脑。p 孪生实例生成:基于编排结果,生成和运行网络孪生实例,实现对物理网络某个或某些方面的实时或预测性镜像,用于网络的分析和验证,是网络数字孪生的承载实体。虚实交互控制接口虚实交互控制接口数字孪生体体数字孪生体:流程贯通网络本体和数字空间9核心网用户面功能2用户面功能1网络能力开放功能网络存储功能策略控制功能用户数据管理功能鉴权服务功能 会话管理功能接入管理功能网络存储功能模型库数字孪生管理编排功能数字孪生控制功能数据交互单域数字孪生端到端网络数字孪生专网数字孪生孪生指令端到端网络管理编排无线网管核心网网管数字孪生实例管理监控1数字孪生实例管理监控2数字孪生实例管理监控3数据325传输网管基于网络本体对数字孪生体的需求输入;对网络数据进行实时采集;通过对数字孪生对象的智能编排;按需生成相应的数字孪生实例,执行数字孪生运行要求;得到数字孪生运行结果,用于网络本体运行优化闭环;4144体管理编排体:实现网络的全生命周期管理能力开放管理自治服务设计跨域质量保障资源智能调度编排运维管理各域管理无线网OMC传输网SC核心网OMC专业管理域其它功能跨域数据管理故障管理性能管理质量保障域其它功能网络模型设计功能监控功能开放配置功能开放能力开放域其它功能NFV编排SDN编排其它专业编排系统配置管理端到端业务编排资源管理局数据编排传输网DC/EMS10管理编排体网络本体数字孪生体管理编排体是对网络资源、网络能力进行智能的编排管理,实现网络全生命周期管理的功能实体 管理编排体的主要操作对象是网络本体,同时也对数字孪生体进行编排和优化 整合多方资源,端到端拉通以实现管理系统的更新换代p 能力开放管理:将跨域网络的连接能力、算力能力、智能能力、安全能力等编排为可对内对外提供的服务p 运维管理:面向网络资源,需具备对频谱、存储、算力等相关资源的统筹和精细化管理能力。通过自治服务设计、资源智能调度编排以及跨域质量保障实现网络自治的闭环管理运维p 跨域数据管理:具备对端到端各域网络的数据管理能力,包括数据上报、数据监控、配置参数下发等层通信与算力层:实现通信、计算、存储资源协同优化p 增强无线通信频谱效率和接入:充分利用低中高全频谱资源,提供空天地多接入,支持通感一体p 增强光通信底座能力:构筑基于OXC的光电联动全光网络底座,支持400G/800G大容量高速互联和全光灵活调度,实现业务动态感知p 新增智算、超算等新型算力资源:算力基础设施向通算、智算、超算一体化演进,提供多样、立体、泛在算力p 新增新型存储资源:支持文件、对象、块等多元融合存储,引入分布式存储等新型存储p 支持通信、计算、存储资源间协同:支持资源层面感知、协同和优化,实现一体化资源按需、灵活供给p 增强资源绿色与安全能力:提供低碳、绿色、安全的网络、计算、存储资源,并支持资源间协同节能面向6G新场景、新需求,为了更好支撑上层网络功能,需增强通信资源能力,同时支持计算资源和存储资源的高效供给,实现通信、计算、存储资源间的协同优化通信与算力层计算资源通用算力智能算力超算中心存储资源多元融合存储下一代存储分布式存储通信资源光通信无线通信空天地一体通感一体400GOXC新型光纤800G毫米波分布式安全 绿色11层连接与路由层:实现调度智能化、协议一体化、算网一体化以新型统一IP底座为基础,走向调度智能化、协议一体化、算网一体化,实现基于多网络、多体制、多接入融合的连接与路由,满足对服务化功能的支持及自适应调度能力 统一IP底座带来接口的高度一致和效率提升,为采用智能化编制寻址及路由实现已构子网最优连接和路由奠定基础调度智能化 一体化协议能够避免用户频繁切换,通过统一编址寻址和多级动态路由,实现多源异构子网的一体路由调度 未来一体化协议将向3GPP体制替代私有协议的方向发展,实现空、天、地、海统一接入 星间星地链路的统一协议设计协议一体化 未来一体化连接 算力将向算力云化平台 全域资源虚拟化的方向发展,实现连接 算力一体感知、调度、供给、服务通信子网数据子网算力子网空天地子网配置协商IPIPIPIP分布式子网安全鉴别/网络监视网络确定性eSBI智能调度智能路由12算网一体化层服务使能层:基于智能化服务封装实现统一对外开放通过智能化的服务封装,为自有业务和第三方应用提供服务,进一步丰富对外开放的信息和通信能力支持灵活接入、定制化服务、服务供需动态匹配服务使能层连接与路由层通信与算力层网络本体数字孪生体管理编排体服务化功能层p 服务封装p 基于AI进行的服务化功能拆解、重组、编排,灵活匹配服务供需,调度数据、计算、控制等资源,进行服务封装,提供定制化、多样化服务p 服务开放p 支持内部自有业务的服务相互调用,及对外行业客户开放控制面用户面数据面计算面安全面服务开放通信服务数据服务位置服务AI服务服务封装服务注册监测计量服务发现智能编排行业客户对外开放内部调用内部调用13层服务化功能层:分布式服务化框架向广域、分布式、全服务化演进扩展5G以NRF、SCP为核心的服务化框架,为广域、分布式、全服务化网络提供基础UE控制面计算面用户面数据面安全面Service FrameworkeNRFeSCPgNB集中节点分布式节点 1分布式节点 2UE控制面AMFSMFAUSFPCF计算面NWDAF用户面UPF数据面UDM安全面Service FrameworkeNRFeSCPgNBUE控制面计算面用户面数据面安全面Service FrameworkeNRFeSCPgNBp NRF:从控制面拓展到五面、多子网的层次化管理p 从控制面的NF/Service集中化管理到五面所有NF/service层次化管理:所有面的NF/service均通过增强型NRF实现统一管理,并考虑通过各节点的NRF协同、或者汇聚的多维管理方式p 从NF/service的管理到子网的管理:拓展NRF能力,实现分布式子网的自动化注册、能力协商、状态感知和同步等,从而实现子网即插即用p SCP:同通信代理到分布式控制,以及拓扑管理p 框架和服务解耦后的进一步增强:增强SCP的service mesh能力,并增加服务的分布式路由、调用、拥塞控制、容灾备份p 分层、分域、分布式的拓扑管理:层次化的拓扑组织、子网间的拓扑隔离、协同,支持跨层控制14面新增数据面的必要性现有网络仅作为数据传输管道,无法满足6G AI新型数据要素的采集、传输、处理、存储需求问题表现为6G AI模型、网络上下文等数全流程处理构建独立数据面解决思路需要设计全新功能集:现有网络仅支持部分功能,无法满足上述需求,需要引入更多数据相关功能,实现全流程的数据处理新功能集性能、机制差异大:这些新的数据相关功能与传统控制面、用户面的可靠性、时延等KPI要求均不同,要求高可靠存储、高速读取、极高可靠传输等结合移动特性的统一控制:基于移动性管理增强、实现移动网络数据全流程处理融合控制新需求6G AI 数据采集6G AI 数据传输6G AI 数据处理6G AI 数据存储挑战实时性;细粒度;非per UE数据量大;高并发;QoS要求各异去隐私化处理;数据加工;数据/模型封装训练/推理等需要大量数据存储;AI模型等非结构化数据存储;快速索引现有用户面不支持部分支持不支持不支持现有控制面部分支持部分支持部分支持部分支持新增数据面需求挑战设计思路从传统面向用户的单一数据转发,到面向全要素的数据生产、消费全流程增强控制面15面数据面的设计:满足数据高效存储、处理、利用需求p 以数据的高效可靠存储读写为核心,结合数据服务编排等控制,设计新增独立数据面,通过定义标准化的数据服务功能,实现数据服务解耦p 基于控制面增强以支持数据服务、移动性管理等协同的全局控制,以及数据面的服务控制和执行,实现对网络数据、用户数据、AI等新型数据的全流程处理p 增加数据面执行功能DF:新增数据采集、数据处理、数据存储功能,实现对数据的全流程处理DC:Data Collection 数据采集服务(可集成到其他NF)DP:Data Processing 数据处理服务DR:Data Repository 数据存储服务(基于UDR,UDSF演进)p 增加数据面服务控制和管理功能DMF:面向数据服务任务,编排数据处理服务链;构建统一的数据存储前端,实现对多元数据的高效存储和读写SDM:Stored Data Management 存储数据管理服务(基于UDM演进)DSC:Data Service Control 数据服务控制服务DSR:Data Service Register 数据服务控制服务p 增强已有控制面能力eAMF,eSMF,ePCF:实现对数据服务的接入、QoS管理等顶层控制计算面安全面用户面控制面eAMFeSMFePCFDMFDSCDSRSDMUDMDFDCFDPFDRUDRUDSFDCDP数据面16面新增计算面的必要性新需求高性能计算移动计算个性化计算挑战多并发、高实时计算任务连续性、计算能力一致性按需、灵活、可定制现有网络支持情况网络仅作为接入管道,计算任务需到远端计算节点处理,或支持简单策略生成等简单计算计算节点预先加载业务,不支持基于用户位置/行为的连续计算预先规划、固定部署,不支持泛在化、个性化需求需要设计全新功能集:引入计算的编排、管理和执行等新的计算功能,以实现移动网络中的高性能计算新功能集性能、机制差异大:新功能集与传统控制面在功能、计算速度、并发数等KPI存在较大差异,要求高性能计算、分布式计算结合移动特性、算力分布的统一控制:实现对移动性、会话管理、计算任务、计算执行、协同调度等的全局控制现有网络和计算相互独立,无法满足AI业务实时性、动态性、个性化需求问题表现引入计算编排和管理,实现高性能计算任务执行,新增计算面,并增强控制面实现统一控制解决思路需求挑战设计思路新增计算面增强控制面从传统面向用户的连接控制,到面向计算任务的算网一体融合控制、高性能计算执行17面计算面的设计:满足高性能、按需计算服务的需求18p 新增计算资源管理及计算任务的编排、执行功能:计算任务编排服务CTO:Computing Task Orchestration,实现计算任务需求识别、计算任务分解和汇总、技计算任务映射部署计算资源管理CRM:Computing Resource Management,实现计算资源的建模、注册、感知,计算资源拓扑计算任务执行服务CTE:Computing Task Enforcement,在统一编排管理下实现计算任务的按需高效执行(集成到各计算节点内)p 新增计算管理功能(CMF),实现对计算面的统一管控,包括算网联合路径规划、算网联合QoS保障等p 增强已有控制面AMF、SMF、PCF等:为计算面提供计算接入管理、计算会话管理及计算策略控制等控制功能以高性能计算为核心,新增计算资源管理、计算任务编排、计算任务执行等服务,并增强传统控制面支持计算会话、移动性管理、算网协同等全局控制,实现计算服务的按需高效供给数据面安全面用户面控制面eAMFeSMFePCFCMFDCFDPFCTECTOCRM计算面面安全面:构建内生、主动、动态、协同的可信体系19安全单元量子安全信任单元信任与安全协同安全能力调度结构化策略控制管理编排体数字孪生体6G内生安全智能分析安全推演安全防护安全决策功能安全控制功能安全能力功能隐私保护区块链身份认证PKI/DPKI可信计算访问控制威胁检测DDoS防护.无线物理层安全1.外挂到内生,提升网络自免疫能力 安全融入6G网络全生命周期 无线物理层安全实现安全与通信融合2.被动到主动,提升网络风险感知能力 智能分析,防范未知风险 安全推演,从定性到定量,提升确定性3.静态到动态,提升网络防护精细化 安全能力开放,提供精准安全服务 安全能力调度,动态组合、效率最优4.孤立到协同,提升网络安全智能化 信任与安全协同 安全能力与网络能力协同 AI、数字孪生能力协同安全服务安全策略与配置安全能力与资源面用户面:深化用户面服务化,实现高效数据传输继续深化UPF服务化水平,提供策略管理、数据传输、信息开放、服务管理等服务化接口;增强用户面协议栈,实现更高效和多样化的数据传输p 继续深化现有UPF服务化水平:策略管理服务:UPF通过服务化接口的方式接收策略控制信息数据传输服务:通过不同Nupf服务的调用,实现针对不同业务和数据类型的多样化传输信息开放服务:通过服务化接口实现网络信息高效开放UPF服务管理:提供Nupf服务的注册、发现等服务管理p 增强用户面协议栈:增强GTP-U协议,并引入对SRv6协议和路径可编程的支持,以更加灵活、可扩展的方式优化和丰富端到端业务支持能力用户面计算面服务框架数据传输服务数据面安全面控制面20UPF服务管理策略管理服务UPFDNS处理服务EASDF信息开放服务面控制面:面向新场景,提升网络控制能力和服务要素p 面向6G新场景、新需求,网络需要增加对新型计算、存储、安全,以及感知、节能等能力的支持p 增强已有NF、增加新场景控制NF、增加各面顶层控制NF,实现更强的移动性管理等传统控制,并提供新型控制能力,以及对新增各面的总体控制p 增强已有AMF、SMF等NF的能力:实现无源物联网的接入控制、更细粒度的QoS管理、更加灵活可靠的会话控制p 增加提供新的业务能力新NF:新增NF集成LMF并实现通感一体控制、系统能效控制、无源物联控制等SF:Sensing Function 感知功能EEF:Energy Efficiency Function 能效功能IDMF:Identification Management Function 标识管理功能p 增加其他面的总体控制NF:实现计算、数据和安全的顶层控制,以及和移动性、互操作等协同的总体控制DMF:Data Management Function 数据管理功能CMF:Computing Management Function 计算管理功能SEMF:Security Management Function 安全管理功能控制面eAMFeSMFePCF计算面服务框架eNRFeSCPEEFDMFCMFSEMFIDMF数据面安全面用户面 SFLMFUDMUDSFUDRAUSF21服务化功能层五面设计总体视图增强传统控制面和用户面,新增独立数据面、计算面和安全面,形成解耦的“五面”功能,并通过新型控制面对其他各面的总体控制,实现“五面”灵活组合,为用户提供灵活按需的移动信息服务22控制面eAMFeSMFePCFDFDCFDPFDRUDRUDSFDCDP数据面CMFDCFDPFCTECTOCRM计算面DMFSEMFUDMAUSFDCFDPFSCaFSDFSCoF安全面用户面DNS处理服务EASDF数据传输服务UPF服务管理策略管理服务信息开放服务UPF目录236G架构的设计思路16G“三体四层五面”架构的详细设计2总结和展望3总结和展望24要支持6G的“六边形”场景,系统是关键,架构是基础;6G架构通过增强自身管控能力、扩展服务要素、拓展服务领域,实现6G从移动通信向移动信息服务的重大转变三体、四层、五面,呈现跨域、跨层、多维立体的6G网络架构全视图,实现对6G移动信息服务全场景、全流程的支持6G网络架构的详细设计中广域、分布式的服务化框架是基础,增强控制面和用户面深化服务化机制,数据面、计算面、安全面扩展新型服务要素,服务使能层封装通感算智安多样化服务,孪生体贯通网络本体和数字空间6G标准化近在咫尺,希望与业界合作伙伴携手,将6G网络技术研究的优势转化为6G标准化的胜势,共同推动6G网络蓝图落地实现!

    浏览量0人已浏览 发布时间2023-12-12 24页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • IMT-2030(6G)推进组:2023 6G网络应用使能技术研究报告(57页).pdf

    北京稻壳科技有限公司Beijing Rice Hull Technology Co.,Ltd.地址:北京市朝阳区九住路 188 号IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2023 年年 12 月月版权声明版权声明 Copyright Notification未经书面许可未经书面许可 禁止打印、复制及通过任何媒体传播禁止打印、复制及通过任何媒体传播2023 IMT-2030(6G)推进组版权所有2IMT-2030(6G)推进组IMT-2030(6G)Promotion Group目录前言.3第一章6G 网络应用使能的定义和特点.4第二章5G 网络能力开放的痛点分析.7第三章6G 网络应用使能需求.113.16G 能力开放的需求.113.1.1数据及 AI 能力.113.1.2感知能力.123.1.3安全能力.143.1.4算力能力.153.1.5管理及编排能力.163.1.6策略及配置管理能力.183.26G 网络应用使能组件需求.203.2.1数据分发、传递和缓存.203.2.2网络切片映射和管理.213.2.3分布式寻址(服务发现).213.2.4业务连续性保障(应用重定位).213.2.5应用层数据采集和分析.223.2.6垂直应用相关的应用使能服务.233.3应用使能需求特点.24第四章6G 网络应用使能架构.25第五章6G 网络应用使能关键技术.275.16G 新型能力的开放.275.1.1AI 能力开放.275.1.2感知能力开放.295.1.3安全能力开放.305.1.4算力能力开放.315.1.5管理和编排能力开放.325.1.6策略及配置管理能力开放.335.26G 新型的能力开放方式.345.2.16G 组合能力开放.345.2.26G 能力分布式协同开放.355.36G 网络新型的使能框架技术.375.3.16G 应用使能管理框架.375.3.26G 应用使能框架.39第六章总结和建议.50缩略语简表.53主要贡献单位.553IMT-2030(6G)推进组IMT-2030(6G)Promotion Group前言6G 是个跨域多方融合打造的生态,6G 网络将打破以网络为中心的设计思路,而由需求、场景和服务所驱动,单纯从网络的视角去设计 6G 并不是一个行之有效的方法。应用使能从统筹、协同的视角,考虑如何协同应用层的建设和网络层的建设,并从架构层面研究如何更好地实现融合的生态,避免各自发展,并不断通过打补丁方式进行相互适配的相对僵化的发展方式。本研究将构建 6G 应用使能技术,研究 6G 新场景下、新能力下为了更好适配应用需求、协同应用实现所需要的一些配套服务能力。本研究包括以下几部分内容:首先对 6G 网络应用使能作出定义,再分析 5G网络能力开放的痛点及 6G 网络应用使能的需求,需求具体包括能力开放需求、应用层使能组件需求等两方面的内容;接着提出 6G 应用使能架构,并分析各种潜在的使能技术;最后是总结和建议。4IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第一章 6G网络应用使能的定义和特点6G 应用使能,是 6G 网络在提供各种功能的基础上,为应用提供授权范围内的网络、终端等信息或向网络传递应用需求,最终实现网络与应用相互协同的渠道或环境,是一种赋予了丰富内涵和外延的网络服务和能力开放环境。应用使能是网络提供连接、智能、通感、安全等各类服务的终极目标;从某种意义上看,6G 网络架构本身就是为一种应用使能架构。传统的应用使能手段就是网络能力开放,即通过将网络能力进行封装,在授权的情况下以标准 API 的方式提供给应用调用并集成到应用的业务逻辑中。在提供传统连接服务的基础上,6G 网络需要在优化服务环境、协同应用方面有所突破。如何构建新型能力,如何灵活有效地提供各种能力,如何与应用之间相互感知、适配并协同,就决定了 6G 能否达到其既定的目标;所以,6G 的应用使能,是一种赋予了丰富内涵和外延的增强能力开放环境,提供了第三方调用网络能力和使用应用使能组件的执行和管理环境,其中应用使能组件执行 3GPP 定义的应用使能框架中的使能服务器功能,和终端侧的使能客户端配合执行与业务控制、网络协同相关的配置和控制信息交互,以简化应用和网络的实现。6G 网络的应用使能,具备以下特点:1、相对于以往任何代际的移动网络,6G 网络的应用使能能力大大增强。6G 具备内生智能、内生安全、场景化定制、通感一体、算网一体等技术特征,当这些特征应用于 6G 端到端的服务化架构之上,可被封装并呈现出一系列新型的服务能力,如智能服务、数据服务、安全服务、编排服务、通感能力和算力服务等。这些服务能力大大优化了应用与网络服务环境的协同和相互适配,构建了 6G 网络新型的使能服务能力集。从能力的构建看,6G 的能力开放能力集可以在不同的网络层级生成,如资源类能力、网络功能类能力、业务级能力。资源类能力有如计算、存储服务;网络功能类能力指的是单一实体提供的能力,如移动性管理网元提供的位置服务;业务级能力,指的是由多个实体通过流程交互提供的服务能力,如 QoS保障。提供能力的主体,除了核心网网元,还可以来自基站、或者反哺自终端和应用功能 AF。5IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2、6G 的应用使能依托于 6G 网络的重要特征和底层关键技术。适配应用和网络的分布式部署,6G 的应用使能构建了一种分布式服务环境。在这样一种分布式服务环境中,应用逻辑自身对端、边、业协同的需求,加上网络本身呈现的分层分布式多模态性,可信、有效、灵活的协同和交互成为重要诉求;这些诉求的实现依赖于其他 6G 关键技术,如:基于云原生、分布式服务基础框架、场景化编排等技术,6G 跨层级的网络能力,可以被灵活编排和组合,适时随地按需开放。在 6G 多方共同参与的生态中,6G 的应用使能需要基于多方信任框架。区块链作为引领多方信任框架的关键技术,可助力 6G 通过应用使能构建更广更深层的服务生态。区块链不仅可能作为 6G 网络中鉴权用户身份的一种信任机制、共享数据的保护手段,而且可以在分布式协同中,实现数据的一致性保护,或者通过智能合约保证协同过程的一致性行为,提高协同的效率。网络 AI,结合本地数据保护、AI 算法,从另一方面保障了应用使能实现灵活有效的协同。6G 算网一体的基础设施,为区块链、网络 AI 的上线提供了基础的保障,间接地优化了应用使能环境。3、6G 网络的应用使能,是 6G 架构不可或缺的组成部分。6G 网络的应用使能能力,应作为 6G 网络内生能力提出来,即:在 6G 网络设计之初,在架构层面予以考虑。在本文第三章中,将基于该基本思路提出 6G 网络应用使能架构愿景,其中,依赖于应用使能能力构建的应用使能层,成为 6G 架构不可或缺的重要部分。从网络内生的角度构建应用使能层,是为了避免补丁式层层叠加的建设,把网络一步步做得繁重和僵硬;同时,应用是不断发展的,对网络也可以提出新的需求,所以,在应用使能架构的设计中,要考虑灵活性、扩展新、互通性等构建需求,将应用使能相关功能视同基础网络功能,在网络灵活定制、按需编排等层面同步对新功能的能力化加予考虑。由于应用使能层引入的新的功能组件,可能涉及应用侧的改造,在架构层面的考虑有利于产业上下游理解 6G 的使能能力并进行同步建设。综上,6G 的应用使能通过汇聚网络及周边的各种服务能力,并以友好的方式为应用提供,从而使能新型业务、更好服务于垂直应用生态。6G 利用应用使能内6IMT-2030(6G)推进组IMT-2030(6G)Promotion Group生架构将构建协同、可持续、稳健的新型服务生态,以改善各行各业和人类生活的方方面面。7IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第二章 5G网络能力开放的痛点分析从 4G 开始,移动核心网引入了专门用于网络能力开放的网元。比对 4G 和 5G,3GPP 在网络架构中引入能力开放的思路是有差异的:在 4G 中,SCEF 是在 4G 网络设计成熟后引入的,而 5G 从一开始就在网络架构服务化改造的设计中考虑了能力开放,并引入了能力开放网络功能 NEF。服务化连同内生能力开放架构的设计思路,使得 5G 网络从一开始就为网络能力的扩展性做好了铺垫。5G 网络相对于 4G,不仅可开放能力有了很大的扩展,如:用户面路由定制、PFDF 管理能力等;而且,随着 5G 网络不断发展,已标准化的可开放能力也是在不断充实的,如数据分析能力、URSP 辅助决策能力、时间同步服务能力等。能力开放是网络服务能力增强、灵活性提高的产物。目前在 5G 网络中,通过NEF 可开放的网络能力基本上可归纳为监控能力、配置能力、策略和计费能力、数据和分析能力。监控能力用于监控 5GS 中特定的事件,并通过 NEF 向外部开放此类监控事件信息。提供监控能力的网元包括 UDM,AMF,SMF,NSACF 和 GMLC 等,可提供的监控事件包括连接丢失、UE 可达性、位置报告、SUPI-PEI 关联改变、漫游状态、通信失败、下行通信恢复、PDU 会话状态、指定地理位置的用户数、核心网类型变化、下行数据分发状态、短信用户可达性、网络切片中注册用户数或会话数、兴趣区域 UE 状态,等等。配置能力用于允许外部为网络功能提供信息,如期望的 UE 行为、网络配置参数、特定服务参数、5G VN 群组信息、动态接入及移动性管理策略、时间同步服务等。策略控制/计费能力用于根据外部的要求,处理 UE 的 QoS 和计费相关策略。分析能力用于允许外部方获取 5G 系统的一些关联数据或生成的分析信息,例如:根据外部的要求,提供在特定地理区域中或针对特定 UE 的网络状态。其他还有如非 IP 传输能力、定位能力等,也可通过 NEF 开放。表 1 汇总了 NEF 对外开放的主要网络能力。8IMT-2030(6G)推进组IMT-2030(6G)Promotion Group表 1 NEF 对外开放的主要网络能力序号服务名称服务和功能描述1Nnef_EventExposure事件监控能力,包括 AMF 事件、SUM 事件、SMF 事件等,提供连接丢失、用户可达性、漫游状态、QoS 等监控服务2Nnef_PFDManagementPFD(分组数据描述)管理能力3Nnef_ParameterProvision参数配置能力,提供网络参数、通信模式等的配置能力4Nnef_BSTPNegotiation背景流量传输策略协商能力,如协商传送时间窗,传输速率及费率等5Nnef_TrafficInfluence流量引导能力,优化优化业务传输路径6Nnef_ChargeableParty计费方指配能力7Nnef_AFsessionWithQoS请求 QoS 保障,如带宽和优先级等8Nnef_ApplyPolicy背景流量传输策略执行能力9Nnef_Tigger应用激活能力10Nnef_MSISDN-lessMO_SMS无号码上行短消息能力11Nnef_ServiceParameter业务特定参数配置能力12Nnef_APISupportCapability API 支持能力13Nnef_NIDDConfiguration非 IP 数据传输配置能力14Nnef_NIDD非 IP 数据传输能力15Nnef_SMContext会话上下文管理16Nnef_AnalyticsExposure网络数据分析开放能力17Nnef_UCMFProvisioningUE 无线能力管理功能配置能力18Nnef_ECRestriction增强覆盖限制能力19Nnef_Location定位能力除了以上这些通过 NEF 的开放能力,来自 5G 网络的能力开放需求还有一些不直接来自网络功能;典型的有 5G 切片的定制化能力,是在网络管理层面将网络切片的编排管理能力封装并加予开放。虽然移动网络的开放能力在不断增强,但观察 5G 能力开放的发展现状,还存在以下问题:1.能力的可用性和易用性亟待增强能力的可用性和易用性亟待增强;在网络功能的增强研究的众多需求和方案研究9IMT-2030(6G)推进组IMT-2030(6G)Promotion Group中,往往可以看到,利用能力开放的手段,可以为网络新型业务的服务提供方面提供便利,比如利用 AF 对 URSP 的配置能力,使能边缘计算业务,又如利用时间同步能力开放,构建 TSN 服务;但是从另一方面看,以前的能力开放总体情况不理想,像 QoS 能力,对一些大带宽业务有迫切需求,但却用得很少,主要原因是:能力的可用性较差:在 5G 空口资源有限的情况下,对某些特殊用户实施 QoS,通常普通用户的体验会下降,造成用户投诉;而且在有限资源的情况下,如果在临近范围有并发的用户申请 QoS,可申请成功的用户也非常有限,直接影响用户使用业务的体验;能力的易用性较差:在应用调用网络 QoS 能力后,缺乏实时反馈机制,客户无法了解网络保障业务的情况,也因此无法在业务层面及时调整。另一方面,提供类同能力的不同网络运营商存在运营策略、运营方式、网络参数和授权机制等方面的差异,缺乏互联互通的考虑,造成应用对能力的调用过程需要视不同的网络作适配,潜在地提高了使用门槛。另外,网络能力开放通过标准化 API 提供调用,通常要求输入某些网络参数,以便网络容易理解并精准定位到特定的上下文并执行对应的服务逻辑;但网络参数对用户来说通常是不好理解和困难的,也容易发生误操作;以上这些因素影响了用户使用网络能力的意愿,造成即使网络具备很多可开放能力,却鲜有应用方想用或能用。2.缺乏网络能力开放的产业共识缺乏网络能力开放的产业共识:不同于互联网服务平台的能力开放,网络能力的使用通常需要同时和多家运营商达成协议。由于能力开放是嵌入到应用的业务逻辑中的,在缺少共识的情况下,通常软件的初始设计阶段未考虑能力的调用,而在后续引入可能涉及对 APP 基本框架的改动,往往不容易被接受。另一方面,互联网化的 APP 通常需要更新迭代,当网络能力的调用嵌入为业务逻辑的一部分,也就成为软件开发环境的重要部分,因此,对于该 OTT 服务,能力的管理需要与软件的生命周期管理同步,包括能力的服务类别、服务环境要求,排障定位实现等。这种同步,不仅存在于运营商和服务提供商之间,还需要在运营商之间达成共识,否则都会影响 OTT 服务的上线和更新。目前看产业内这方面的共识及其执10IMT-2030(6G)推进组IMT-2030(6G)Promotion Group行的一致性是缺失的,因而也影响了 OTT 服务提供商使用网络能力的积极性。3.缺乏缺乏网络能力开放的网络能力开放的基础设施的支持能力:基础设施的支持能力:通过 API 调用的应用协同方式单一,无法完全适应越来越多样化和个性化的服务需求;能力的使用过程,缺少一些共同的支撑性和保障性服务,以支持授权、安全调用、调用性能保障、业务生成环境等。对应用的这些配套服务需求,目前都依赖于各 OTT 服务提供商各自为营的建设,缺乏应用与网络协同机制,缺乏体系化的应用层基础服务。4.缺乏缺乏跨域能力跨域能力的统一开放管理:的统一开放管理:在 5G 网络中,网络能力来自移动网络内部,与云资源、承载网的能力有明显的区隔,很难做到跨域的能力打通和管理,特别在终端具备较强的移动性和应用分布式部署的情况下,可能造成策略或数据的冲突或者无法同步。11IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第三章 6G网络应用使能需求3.16G 能力开放的需求3.1.1数据及 AI 能力随着人工智能(Artificial Intelligence,AI)技术在信息技术(InformationTechnology,IT)领域的兴起和成熟,其爆发出强大的生产力和智能能力。面向2030 ,全社会更是希冀进入智能普惠的时代,全行业、全场景中,AI 能力将作为基础能力赋能生产和社会。6G 网络将具有内生智能能力,不仅能够实现网络自身的智能自治,更能够将 AI 能力向个人用户、行业用户、第三方等开放提供 AI 服务。6G 智能内生网络在 2030 时代,将成为行业和社会智能普惠的纽带与基石。1.超能交通未来的出行中,将出现无人驾驶、海陆地空立体交通等。在交通工具行驶过程中,涉及到用户需求、交通状况信息、交通工具调度、智能驾驶等复杂信息的收集与处理。超能交通场景提供个性化出行服务的同时,保障区域交通全局优化。因此涉及到用户数据的脱敏,用户交通出行需求与偏好的联合模型训练;交通工具行驶过程中的移动轨迹预测;无人驾驶汽车行驶过程中基于感知信息的模型优化与模型推理。能力开放:数据的脱敏与开放,模型联合训练能力开放,模型推理能力开放。2.智能工厂智能工厂中的机器终端,由于其本身算力等资源的限制,在进行业务作业过程中涉及到的模型训练、近实时决策推理等需求,例如质量检测过程中的依据图像识别的决策等,可以在 6G 智能内生网络进行模型推理,依托 6G 网络的超低时延和高可靠传输,将推理结果发送至终端。另外,多机器协作场景中,机器之间将基于6G 网络态势互通,在网络中联合训练,并提供推理决策。能力开放:模型联合训练,模型推理能力开放。12IMT-2030(6G)推进组IMT-2030(6G)Promotion Group除了服务于垂直行行业,6G 内生智能网络可以通过 AI 为客户/用户提供用户使用网络或应用的行为强相关的一些 AI 服务:-用户行为预测:对用户的使用的业务体验进行分类和预测,比如从每个边缘设备实时收集数据,然后借助 AI 算法在边缘计算平台或附近位置或者云端对数据进行快速处理,以便应用方根据预测的用户行为提前布局、优化为用户提供的服务-动态调整带宽资源:提供对网络的性能监测和资源自动调整的能力,第三方应用如订购了该项服务,则网络可以根据网络 AI 的网络资源调整能力,助力应用数据根据相关的带宽容量进行优化,比如根据网络 AI 提供的网络资源使用情况调整应用数据在多接入路径上的负载。3.1.2感知能力未来无线网络将不仅仅局限于数据通信本身,移动业务将从以人为中心向智能体为中心扩展,从物理世界向虚拟世界延伸,实现感知定位。从另一方面看,6G新的频段和大规模天线的进一步演进为无线通信和感知深度融合提供了可能,利用无线通信信号接收和处理反射实现完成物理环境的探测、目标定位和跟踪、移动同步成像、测距制图以及光谱分析等。在传统通信网络中引入感知功能,可以一套系统满足多种需求,通信和感知的融合成为 6G 潜在的技术趋势。未来 6G 网络能提供通感能力,包括测量目标距离、速度和角度信息,检测目标的运动、存在或接近,感知目标行为,感知环境温度、湿度、风力,感知目标材料信息等。以下描述 6G通感典型场景和相应的能力开放。1、智能家庭6G 通感一体将与先进计算、人工智能等交叉融合,并充分利用既有通信设备(如家庭基站,手机以及其它网络接入设备等)在室内家居环境中实现家居的智能控制,智能安防以及健康监测等。能力开放:对人行为感知和目标定位,结合行为感知对目标进行室内跟踪、定位和识别。2、健康监测6G 通感一体将在既有通信设备的基础上,实现对人或物的健康监测和管理。13IMT-2030(6G)推进组IMT-2030(6G)Promotion Group能力开放:人体的呼吸和心率等健康指标,以及睡觉、走动、跌倒等行为的监测。3、智能交互6G 通感一体可通过识别人的动作和肢体行为,达到智能交互目的。能力开放:动作、手势、位置等识别。4、车路感知车路感知,即对道路本身、道路环境进行识别和感知,对道路参与主体的位置、速度以及运动方向进行识别,对道路上发生的异常事件进行识别,进而为自动驾驶车辆和智慧交通管理提供数字化的道路基础。移动网络可以将感知信息传递给终端设备,也可以通过网络的能力开放功能开放给云端的业务服务器,使能丰富的云端应用场景(如下图所示),如智能导航服务,车路协同服务等。图图 1.智慧交通应用场景智慧交通应用场景能力开放:运动目标的速度、距离、多普勒测量、信号强度等信息。5、无人机监管轻小型民用无人机在航拍、农业、测绘等领域大显身手,同时也会干扰民航飞行,造成事故。通过技术手段限制非法违规飞行,是防止“黑飞”的主要手段。比如,主流无人机厂商均推出了电子围栏功能,无人机接近不准起飞的地带会自动发14IMT-2030(6G)推进组IMT-2030(6G)Promotion Group出警报,并无法操控进入禁飞区域。目前,除了机场附近得到了较严格的电子围栏保护,类似轨道交通沿线、高铁站、码头等重点区域,依然是一些电子围栏的盲点。通过通感一体能监测无人机速度、位置和识别无人机,能有效提供无人机监管。能力开放:空中移动目标速度、位置监测和识别。3.1.3安全能力众多新技术的发展有希望能够在 6G 网络中得以更好的应用与实现。然而新技术在网络中应用的过程中,也增加网络防护难度,对安全能力有新的需求,新技术中包括 AI、量子计算等将使 6G 网络面临前所未有的安全挑战。(1)5G 网络安全演进需求隐私泄露、中间人攻击、分布式拒绝服务攻击等是移动通信网络通常面临的安全挑战。现有 5G 网络架构主要的安全和隐私问题来自于接入、回传、核心网等方面。5G 新特性的 NFV、SDN 相关的安全威胁,关键基础设施的安全威胁,以及云计算和边缘计算相关的威胁是目前比较常见的 5G 网络下的安全威胁。客户在使用运营商的网络和云资源时,往往需要安全保障是到位的。在现有 5G 网络及以前,业界为了解决此类问题多是采用补丁、外挂式的安全服务等防护方式。但被动式防护措施的弊端是响应不及时,防护方式滞后不能及时避免安全损害,而且难以随着网络发展进行适应性调整,缺乏动态性和灵活性。(2)6G 异构网络的安全需求6G 中的异构网络融合,带来了安全能力开放需求。同时 6G 与垂直行业的深度融合,为了帮助第三方应用提供商更好地构建业务安全能力,网络需要提供开放的安全能力。由于 6G 资源、能力更加丰富和复杂化,6G 网络需支持从垂直行业专网、行业互联网络到空天地海一体网络在内的各种异构网络和海量终端,需要提供可扩展的安全能力。(3)安全的智能化需求6G 内生智能需要能进一步促进 6G 新系统内生安全的实现,例如:在面对未来更多未知和不确定的业务场景和用户环境下,6G 新系统要能基于内生 AI 能力,实时地感知分析、推理和预测出各种潜在的威胁和风险、实现全面自主免疫、主动防御和多网元节点之间协作联合的安全防御策略等。基于 6G 新网络内生智能的自学15IMT-2030(6G)推进组IMT-2030(6G)Promotion Group习训练和推理,各种新式变种的安全威胁和风险,都将可能被尽早地识别判定出,从而在 6G 全网内实时地做到安全认知和经验同步,形成无死角的联合协同防御并消灭任何的风险后患。(4)数据安全需求AI 中收集和存储敏感类数据的操作涉及到隐私风险,需要承担隐私保护的责任。数据脱敏是回应隐私关切、实现法律遵从的重要动作,这对于在 6G 新系统中实现安全的 AI 数据服务尤为重要。6G 将更广泛地采用分布式智能网络架构与技术实现通信-计算深度融合,网络中的个人隐私数据(如人体生物特征)以及包含隐私信息的 AI/ML 模型应避免非授权的访问和推断而造成隐私泄露。3.1.4算力能力算力是数字时代的核心生产要素之一,是数字经济发展的源动力。随着云计算、雾计算再到边缘计算的发展,虽然计算范式在不断演进,但在未来数字社会中不同规模的算力资源将从近到远地遍布在用户周围,并将通过柔性化的网络协同地为用户提供各类个性化的计算服务。从个人智能终端,到家庭智能网关及家庭服务器,再到部署在社区机房的边缘计算节点,承载虚拟化网络功能的电信机房,以及大型的云计算中心等等,形成了海量的泛在算力资源。在 6G 时期,海量的泛在算力和网络将会进一步融合共生,通过算力赋能使 6G网络具有更广阔的应用场景。如以 AR、VR 为代表的沉浸化业务场景,需要网络对音频、视频、触觉、多种传感器信息等多模态数据进行传输与处理,需要不同的数据处理算法以及强大的计算能力给予支撑,以保证用户的业务体验。如智能机器人、UAV 等智能终端协同工作业务场景,智能终端能够进行感知、数据采集与本地 AI模型训练,智能协作利用分布式学习等 AI 方法,提升智能决策能力,以上都会受到 AI 模型、通信、算力等多维因素影响,其中关键的因素是要有有效的算力资源支撑实现端到端/端边协同智能组网,提升智能协作处理任务的整体性能。如车联网场景,需要通过低时延、高可靠通信为车辆提供与周边交通元素(车、路、人)的交互能力,实现协同感知、决策与控制,支撑智能驾驶与智能交通应用,在此场景中,不同车辆间的通信,摄像头、雷达等传感设备的多维海量数据分析、学习及推理,都需要开放共享可用的算力资源,合理高效的利用算力能力,才能更好的支持16IMT-2030(6G)推进组IMT-2030(6G)Promotion Group车联网信息交互,提高系统性能和车辆行驶安全性。在 6G 时代,网络不再是单纯的通信网络,而是集通信、计算、存储为一体的信息系统。如何利用泛在的算力资源,需要通过一种新型的计算与网络协同体系来实现算力资源共享,相应地,通过 6G 网络实现算力能力开放,对内实现计算内生,对外提供计算服务,以算力赋能行业应用将具有强烈的需求。3.1.5管理及编排能力管理及编排能力需求包含了两类:监控类和编排类能力。一、一、监控类能力监控类能力如第二章所述,5G 已经能提供部分的监控能力,监控事件包括网络或 UE 的特定事件,提供监控能力的网元主要有 UDM,AMF,SMF,NSACF 和 GMLC 等。6G支持更多更差异化的业务,网络与应用的协同需求越来越高。由于应用的多样化和差异化,以及加密和隐私保护的要求,网络感知应用的手段有限,代价较高,对性能有所影响;相对来说,应用感知网络状态和用户行为特征,并据此做出调整,性价比更好,而且通常更加有效。因此,6G 的监控能力,将扩展包括各种新网元提供的服务信息、UE 使用各种新能力的行为特点、网络提供新能力的执行状态,等等。下面举例说明几个 6G 典型监控能力和场景。1、QoS 监控URLLC 服务、V2X 和工业自动化应用等,对时延、抖动、可靠性等 QoS 指标的要求很高,任何由于无线蜂窝中的干扰,延迟和/或分组错误率增加造成的 QoS指标下降的影响都是不允许的。在网络不能始终保证服务所需的 QoS 的情况下,AF 应及时获得通知并做出调整,或者选择其他网络方案。为 AF 提供网络对 QoS保证的执行情况的通知和报告的服务就为 QoS 监控能力。能力开放:UE 的端到端延迟、服务比特率、通信服务可用性、端到端时延抖动等的测量值、群组 UE 综合 QoS 监控,等等。2、专网自治本地定制专网,通常由不同类型和不同特性的有线和无线通信网络提供服务。如果系统或其中一个子流程的运行不正常,则需要快速查找并消除相关错误或故障,17IMT-2030(6G)推进组IMT-2030(6G)Promotion Group以避免重大运行和财务损失。因此,专网/第三方运维系统,应在获取足够的监测信息的基础上,实现对专网的诊断和错误分析,以及预测性维护功能,确保网络运行和网络服务的可靠性,识别、定位和排除错误,以进一步激话对策实现专网自治。能力开放:各网元运行状态、各接口信令状态、通信损耗、连接损耗、预期网络吞吐量等运维管理信息。3、确定性时钟同步对于确定性通信,时钟同步保障是一个基本要求。6G 系统应能够支持监测定时源故障的机制,应能够检测参考定时信号(例如,来自 GNSS 或其他定时源)何时不再适用于网络时间同步,并启用备用时间源(如原子钟、同步光纤、TBS(Terrestrial Beacon System,地面定位系统)、GNSS(Global Navigation SatelliteSystem,全球导航卫星系统)等)。由于 6G 确定性通信可能是一个跨域集成系统,6G 网络应提供 6G 域内的时间同步信息和同步状态,以协调实现全域的时间同步和确定性。能力开放:时间同步状态检测、定时错误报告(如:UTC 偏差和时间同步降级)等。二、编排类能力二、编排类能力编排能力开放是指移动网络根据第三方应用的业务需求,将网络功能进行有序的组织和协调,已满足用户的实际业务需求,并提供特定的 API 接口供第三方应用输入对网络的各种需求,如,传输资源需求,计算资源需求,AI 能力需求,安全能力需求等,6G 网络根据该需求信息进行抽象和映射,通过网络资源的重组满足第三方业务提供商的网络需求。6G 网络的编排功能需要提供满足自动化部署要求的网络服务封装和重组能力。此外,6G 网络切片能力开放是编排能力开放的重要体现,主要的网络切片开放需求包括如下几个方面:-支持切片的创建、修改和删除;-支持切片能力的定义和更新;-支持切片-相关 UE 和业务信息配置;18IMT-2030(6G)推进组IMT-2030(6G)Promotion Group-切片运行监控、数据统计,去激活、恢复等维护手段;例如,6G 网络可以为第三方应用灵活建立低时延高带宽的网络切片,第三方应用可以通过 6G 网络的 API 接口配置该网络切片的能力,并可以进一步实现该网络切片资源的灵活调整,如图 2 示意。6G 网络的编排能力开放需要满足垂直行业用户对 6G 网络灵活部署、统一管理和运维的需求。图图 2.切片编排应用场景切片编排应用场景3.1.6策略及配置管理能力策略及配置管理能力需求包含了两类:参数配置类和策略类能力。一、参数配置类能力一、参数配置类能力配置能力开放提供应用侧配置网络参数的手段。由于不同类型的 6G 业务的需求可能会具有较大差异性,如:沉浸式 XR 业务要求移动网络具有低时延和高带宽特性,工业控制业务要求移动网络具有低时延和高可靠特性,广域物联业务要求移动网络具有广覆盖和低功耗特性等。所以不同的类型的 6G 业务会对网络的配置有特定的要求,为了更高效的适应业务的需求,提高网络利用率,6G 网络应支持业务侧对网络的特定的参数以及 UE 组的通信模式等参数进行配置的能力,并可以根据与业务方的协商,网络自身能力和策略,向业务方提供支持该业务和 UE 能力的网络传输通道的自动化订购和查询能力。主要包括如下方面:配置网络传输通道的参数:包括网络传输通道的类型、需要支持访问的用户参数(如可同时接入的最大用户数等),配置生效时间,配置生效地点等。19IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupUE 组通信模式参数的配置和管理:6G 网络在 AI、通感赋能下,具有预测终端通信行为的能力,网络将对通信模式参数做进一步的扩展并开放,以使该信息可用于对网络进行资源的动态规划和优化,并通过减少信令等方式实现设备节能。二、策略类能力二、策略类能力PCC 能力即策略和计费控制能力,在 5G 中包括 QoS 保障请求、服务优先级要求、计费定制等。6G 在策略控制层面将提供丰富的基础控制和调度能力,对应的策略控制需求也会大大扩展,如:来自应用需求的 AI、通感、安全策略的定制需求。另外,URSP 是 UE 侧的主要策略,是端侧和网络协同的重要手段,对于网络很难直接感知的应用或业务类别,通过 URSP 策略可以由 UE 自主进行网络适配,从而大大简化网络实现。下面举例说明。1、增强的 QoS 保障和优先级策略在 6G 的融合通信服务架构下,一个应用可能集成了需要不同服务质量和优先级的服务,6G 一方面要为不同应用/服务提供他们需要的 QoS,另一方面必须提供方法来防止单个服务消耗或垄断所有可用的网络资源,或在特定网络条件下影响竞争同一网络上资源的其他服务的 QoS(例如可用性)。例如,防止某些服务在灾难、紧急情况和 DDoS 攻击等事件期间垄断所有可用资源,从而影响其他优先服务(如MPS 和 MCS)的可用性。能力开放:增强的 QoS 保障、业务优先级保证。2、多接入调度策略6G 支持的泛在接入,是对接入介质和手段的覆盖,包括有线、无线、卫星、空间、授信接入、非授信接入,混合多接入等等。6G 的多接入调度机制,是对 5G网络的 ATSSS(Access Traffic Steering,Switching,Splitting)的扩展,涉及更多样的接入方式的选择、业务流在更多的相同或不同接入方式路径间的切换、分流,以及实现更细颗粒度和更精准的调度等。多接入调度策略的开放即为 AF/应用提供多接入调度策略的定制手段,以满足业务带宽提升、可靠性、业务连续性保证等需求或其他的运营需求,如节省费用、节能等。能力开放:多流带宽提升、多流负载均衡、接入优先级、智能接入分流等。20IMT-2030(6G)推进组IMT-2030(6G)Promotion Group3、AI 服务策略6G AI 提供数据、算力、算法等服务能力,同时这些服务可反拉 AF 侧的相同或不同的提供商;AI 服务策略则是在 AI 服务提供过程中的选择、授权、服务提供等的相关逻辑。当 6G 提供 AI 服务时,应在一定范围内允许服务提供方指定 AI 提供过程中的资源和能力配置策略,或指定服务对象的条件,如指定可参与模型学习的用户群组,可调用能力的消费者群体等;同时对需求方开放一定的 AI 服务定制的手段。能力开放:指定模型学习群体,指定消费者群体,模型选择策略(精准度),等等。3.2 6G 网络应用使能组件需求3.2.1数据分发、传递和缓存随着移动网络上应用消费需求的增加,越来越多的应用内容正在移动网络上传输,其中不乏需要关键的垂直应用数据。例如,在智能电网的情况下,3GPP 的研究中提到几个用例,如分布式能源存储、高级计量、智能能源连接的远程管理、智能能源差异化 QoS、分布式智能故障定位、隔离和服务恢复等,这些都是数据密集型应用,需要支持从网络中的各个位置(例如边缘或云)提供的数据交付和数据增值服务。这类服务提供数据分发、传递(周期性、非周期性流量)和缓存等服务,可能需要触发特定的网络资源(如切片)的适配。6G 网络需要有相应的辅助机制,在对应用透明的情况下,支持根据不同的应用数据特性(例如,基于时间的、基于带宽的)和应用数据类型(例如,文件、机器控制),实现数据的有效交互,具体包括:集成 3GPP 所有的应用数据传输方式(例如,消息、广播、切片等);优化端到端传输层连接(例如,考虑到 UE 移动性,可应用无损传输的TCP/UDP);对端到端数据传输进行质量测量和分析以维护用户体验;实施 E2E URLLC 数据传输机制(例如,建立双连接的冗余用户平面路径);提供内容的网络缓存。21IMT-2030(6G)推进组IMT-2030(6G)Promotion Group3.2.2网络切片映射和管理垂直行业客户定制网络切片往往是因为其业务有差异化的网络需求,如特殊的资源、网络性能、网络安全和隔离等。用户在使用多种业务时,希望得到业务保障的同时,自身不需要因为网络的差异性而进行额外的操作,这就对应用和网络切片的自动化映射提出了需求。另外,对于提供业务的第三方来说,定制切片相当于定制了一个专网,因此往往在自主管控该网络,包括切片的资源和策略的配置、故障的管理、开放能力的管理,QoS 监控和验证等的同时,需要有辅助手段提供安全授权和需求翻译。3.2.3分布式寻址(服务发现)移动边缘计算在运营商的网络边缘提供应用的云部署环境,通过流量在网络边缘的卸载减少对网络的负载,实现服务的快速响应和安全的本地化提供(3GPP 定义)。5G 网络就本地分流、路由定制、业务连续性保障等方面提供了边缘计算的保障能力,但其在初始设计时并未考虑边缘计算引入后与应用层寻址机制的协同。在移动边缘计算应用分布式部署的服务环境中,寻址问题也被称为本地服务发现问题,该挑战本质上来源于应用的深度边缘化部署,以及终端的移动性。当终端移动时,为了仍保持就近服务的特性,服务节点会跟着变化,即:终端和应用的地址均可能发生变化;不管是初始使用业务还是发生了移动,网络均要一直保障终端连接到最近的服务节点上。特别到了 6G,随着分布式网络架构的推进,算力和应用服务节点的进一步边缘化,网络如何为终端定位合适的服务节点,就成为网络提供优质连接服务的先决条件;除此,网络还应该协同应用的变化,在底层连接上屏蔽网络切换给应用的业务连续性带来的影响。为了使网络和应用能更好地协同,应在网络与应用之间设置一致的、相互感知和使能交互界面,提供辅助的使能组件。3.2.4业务连续性保障(应用重定位)为了满足工业互联网、车联网、云游戏、XR 等业务提出的低时延和高带宽的要求,MEC(Multi-access Edge Computing)技术通过在接近数据侧的网络边缘部署应用服务器提供低时延的连接和海量的计算能力,可以显著提升网络效率、用户体验,降低响应时延。然而,在 MEC 场景、分布式应用等场景下,经常会发生应用重定位的现象。22IMT-2030(6G)推进组IMT-2030(6G)Promotion Group例如,由于用户从一个小区移动到另一个小区导致应用服务器需要重新放置到贴近用户的位置,或者由于应用本地的策略(例如应用服务器的负载均衡)决定需要更改为用户服务的应用服务器,或者由于网络运营策略需要部署新的/拆除旧的/更改已有的应用服务器平台或实例等多种场景下都存在应用重定位的需求。如何在满足端到端超低时延要求的基础上,还能保证通信的高可靠性和可用性,减少由于应用重定位导致的延迟,安全快速地完成应用上下文的重定位,尤其是在用户快速移动的场景下依然能够保障业务连续性和业务 QoE(Quality of Experience),是应用迁移过程中要重点考虑的问题。在应用迁移的过程,应用需要感知终端行为、网络状态,以便为迁移提前进行预准备操作,以实施应用上下文的快速迁移,保证应用重定位过程的业务连续性,特别在终端具备较强的移动性和应用分布式部署的情况下。从应用层提供业务连续性保障(应用重定位)服务的角度看,使能组件的功能需求分析如下:1.应用使能服务功能需要与 6G 网络协同工作,当终端发生变化时,订阅网络将感知到的终端位置变化信息及时通知使能服务器,支持使能服务功能基于终端位置、行为和业务需求,触发在用户附近部署新的应用平台或新的应用实例。2.需要在多场景、多业务类型,差异化应用提供商和运营商网络等场景下提供应用重定位使能服务,在应用的具体实现过程中支持应用与网络的互联互通,应用支持网络以相对统一的接口、低成本感知应用状态、订阅应用重定位事件,在使能服务功能感知到应用发生重定位时及时通知网络,以减少网络感知业务需求的代价并简化网络实现,从而使能网络做到应用的移动性快速感知,以便快速完成相应调整。3.使能服务功能需要在业务忍受的中断时间范围内完成应用层的业务迁移。例如,XR 业务通常需要应用平台的切换在 20 ms 以内完成。同时,业务迁移过程中需要保证用户应用上下文的快速重定位和数据同步。3.2.5应用层数据采集和分析基于内生智能的设计思路,6G 网络将支持基于数据分析服务。此类分析通过从其他 NF 或 AF 或 OAM 收集数据,并可向第三方/AF 公开,以提供与切片负载水23IMT-2030(6G)推进组IMT-2030(6G)Promotion Group平、观察到的服务体验、NF 负载、网络性能、UE 行为(移动性、通信)、用户数据拥塞、QoS 可持续性、DN 性能等相关的分析、统计和预测。此外,在 3GPP SA5 的研究中,还提出管理数据分析服务的需求,目标是通过基于网络管理数据执行分析来优化不同层次的管理。此类服务可向第三方开放,以提供性能分析、错误分析、切片状态分析等,并可触发实施适当的管理措施,例如资源扩缩容、准入控制、流量负载平衡等。上面描述的是网络侧提供分析服务的场景;在垂直应用场景中,单纯网络提供分析服务往往是不够的,通常需要在移动网络之上进行进一步的数据分析,以向端到端应用服务的应用层提供有用的输出。这种数据分析可能涉及对垂直应用端到端服务过程的某些特定或公共的应用层参数的预测,例如可能包括以下方面的分析:应用层 QoS 参数可持续性(例如延迟、可靠性、抖动等);给定区域/时间范围内群组服务的预测;给定区域/时间范围的边缘网络或边缘应用的性能预测;等等。通过数据分析辅助组件提供数据分析在与托管应用的平台或计算资源相关的预期及分析方面具有优势,可以提供给网络以更好地定制寻址服务、用户面路径,或确定合适的 QoS 参数和策略。到了 6G,基于算网一体化的基础设施,这类服务可以和网络内生的智能融汇贯通,并提供更多的增值服务。基于应用层的数据分析可以更好利用边缘计算/云计算等网络计算资源,同时,可以更好利用来自应用特定层/DN 的数据(例如,高清地图、高清相机、各种传感器、与边缘/云资源相关的数据),与应用服务器状态相关的数据(例如,EAS/AS的负载),或者来自 UE 侧的数据(如,UE 路由/轨迹),等等。3.2.6垂直应用相关的应用使能服务垂直领域是指开发、生产和提供类似产品或服务的特定行业或企业集团。与垂直领域应用相关的通用应用主要来自于自动化控制。自动化控制通过自动化手段控制垂直领域中的过程、设备或系统。自动控制系统的主要控制功能包括进行测量、比对、计算任何检测到的或预期的错误,以及纠正流程以避免将来的错误等。这些24IMT-2030(6G)推进组IMT-2030(6G)Promotion Group功能由传感器、变送器、控制器和致动器执行。自动化中的网络物理控制应用遵循某些活动模式,包括开环控制、闭环控制、顺序控制和批处理控制。支持网络物理控制应用的通信服务需要非常可靠、可靠且具有高通信服务可用性,并且通常需要低或(在某些情况下)非常低的端到端延迟;所以,垂直领域的自动化通信需要引入辅助组件,通过遵循一定的通信模式,在组管理、定位、配置、文件交互、通知机制等遵循一致的操作范式,以实现控制和管理的自动化3.3 6G 应用使能需求特点6G 的应用使能需要适应网络和业务的发展,提供更加有效方便的使能手段;其需求具备以下特点:1)新型能力的开放新型能力的开放相对 5G 传统以连接为基础的能力,6G 引入了更多新型能力,包括数据及 AI、感知、计算、安全等内生能力,从而引发了更加丰富的能力开放的需求;2)新型的能力开放方式新型的能力开放方式6G 的能力开放需要考虑对不同协议形态的能力的兼容,以及能力的组合式开放;在多方共建的分布式网络环境中,迫切需要打破不同服务方、不同网络归属界限,提供多方协同式开放和分布式开放。3)新型的应用使能管理和执行框架新型的应用使能管理和执行框架6G 应用使能需要一个新型的应用使能管理框架,统一实现能力 API 类开放和使能组件的要求,统一满足能力组合、多方协同式开放和分布式开放需求,统一的能力及能力调用/使用方管理。同时 6G 应用使能需要一个新型的应用使能执行框架,以规范化应用使能组件的执行模式,提供有效的辅助功能。25IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第四章 6G网络应用使能架构在 6G 网络整体架构中,6G 网络的应用使能层架设于 6G 网络功能层与应用层之间(见图 3),构建了应用和网络协同的内生能力;对应的 6G 网络架构称之为6G 网络应用使能架构。应用使能层与 6G 网络架构的其他层面均可交互,从而收集和封装各个层级的可开放服务化能力。6G 网络应用使能层提供了一个统一的应用使能管理框架(即:Unified Application Enabling Management Framework,UAEMF)。该管理框架纳管可开放的能力引擎,其中包括各种网络能力及应用使能组件。6G网络能力开放提供传统网络开放能力和上述新型能力的开放,而且,6G 网络将提供更加灵活的网络能力开放手段,如本地开放,用户面开放、组合式、嵌套式开放等;能力开放以友好 API 的服务化接口方式被调用,和网络的端到端服务化相契合,6G 架构提供 AI、意图驱动等手段以深刻解读应用需求,通过管理中心提供 API 的注册、发现、授权、策略配置、计费等管理和控制能力,通过 API 网关提供能力封装、参数适配、转换等,并提供调用的 API 接口、执行调用过程的控制。等,UAEMF可基于区块链基础设施,利用区块链的授信机制保证共建共享和能力调用的公平公正;UAEMF 也可提供业务生成环境方便在应用中集成网络能力。应用使能组件按照统一的应用使能框架和流程,在应用的具体实现过程中提供一些通用的应用服务,以减少网络感知业务需求的代价并简化网络实现。应用使能组件可作为一种新型的能力引擎,由第三方通过能力开放进行激活和配置。6G 的应用使能层可以包含某些具体的新业务辅助功能,即各种嵌入具体网络流程的 AF,如实时通信的各种 AF。这些特殊的应用功能,可以以简化的方式使用各种网络能力或应用使能组件。26IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 3.6G 的应用使能架构的应用使能架构27IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第五章 6G网络应用使能关键技术5.1 6G 新型能力的开放5.1.1AI 能力开放AI 能力是移动网络的重要功能,5G 网络中就已经存在,到了 6G 时代,Al 相关的能开放必然是 6G 网络能力开放的重要组成部分,是实现移动网络 ICT 融合的重要切入点。Al 的能力开放包含数据开放、算力资源开放、模型开放和分析能力开放。6G AI 能力开放向能力消费者提供提供场景特征(通信、感知、计算要求)与网络特征(数据、算力、模型内容,AI 三要素)之间的智能映射和编排服务,并通过 AI 协同功能实(如图 4)现这一目的。一方面第三方 AI 应用对于自身的场景需求最为了解,另一方面 6G 网络自身的 AI 三要素资源的贮备和调配是 6G 网络自身的重要能力,而实现这一转换的关键是 AI 协同功能,如图 4 所示。AI 协同功能作为网络 AI 能力的能力引擎,可以部署为独立的网络功能,也能将部分能力进行拆分,如将 AI 编排能力并入网络编排相关功能中,将 AI 参数映射的设计并入到能力开放相关的功能设计中。图图 4.AI 协同功能的作用示意协同功能的作用示意对于场景特征,通过通信、感知、计算三方面的要求进行描述,不同的 AI 业务对通信、感知和计算的要求不尽相同,三方面的具体要求也直接决定了 6G 网络为该 AI 业务的算力分配多少、数据提供哪些、模型选择哪个,也就是对 AI 三要素的判定具有直接的影响。对于网络特征,主要指 AI 三要素(数据、算力、模型),不同方面对应的网元和接口不同,因此需要按需与不同的 6G 网元进行交互,这里数据和 AI能力消费者28IMT-2030(6G)推进组IMT-2030(6G)Promotion Group6G 网元不仅限于 3GPP 定义的移动网络节点,也包括网管、网络功能虚拟化等其他类型网元。由于第三方 AI 应用并不了解 6G 网络自身的拓扑和 API 能力,需要 AI协同功能根据请求内容翻译成 AI 三要素、拆解为不同的网元交互消息,再与相应的 6G 网元交互达到实现 AI 三要素的目的,并将结果反馈给第三方。AI 能力开放的技术点,包括:1)数据开放:Al 技术之所以能够大规模普及,其中一个重要的因素就是数据,想要训练出好的模型、产生强大的推理能力必然需要跨域的数据采集,这里主要指终端、移动网络和 OTT 三个不同域的数据在安全隐私可接受范围内的共享。只有考虑的因素越全面,做出的判断才越合理。因此数据的开放是决定 6G 网络 Al功能强大与否的关键因素。2)算力开放:很多基于 Al 的服务需要耗费大量的计算、存储、通信资源,大多数的 OTT 厂家都不具有如此庞大的算力资源体量。运营商网络可以为 OTT 提供云资源服务,让 OTT 使用运营商的云资源执行相应的 Al 服务或为 OTT 公司执行 Al 服务,这也是真正实现业务层面 ICT 融合的良好契机。3)模型开放:Al 模型往往能够通过微调、迁移学习等手段被复用到同类问题中,6G 网络和 OTT 之间可以实现对 Al 模型互相共享,按需得到预训练模型,打造出诸如“Al 模型应用商店”之类的全新业务模式。4)分析能力开放:分析能力开放是数据、算力和模型开放的综合运用。分析能力运作的基本框架如图 5 所示:图图 5.AI 分析能力运作的基本框架分析能力运作的基本框架29IMT-2030(6G)推进组IMT-2030(6G)Promotion Group在 3GPP 中,目前已经标准化的 AI 分析能力如表 2 所示。表 2AI 分析能力示例分析信息类别分析结果切片负载级别信息网络切片实例的负载级别,超过给定阈值时通知或周期性通知(如果没有提供阈值)。观测业务体验信息观测到的业务体验统计或预测可以基于网络切片或应用提供。可以由单个 UE、一组 UE 或任何 UE 发起。对于切片业务体验,可以由网络切片上的单个应用、一组应用或所有应用发起。NF 负载信息针对特定 NF 的负载统计或预测信息。网络性能信息针对某些感兴趣区域负载的统计或预测;以及对感兴趣区域的用户数的统计或预测。UE 移动信息UE 移动性统计或预测。UE 通信信息UE 通信信息统计或预测。期望 UE 行为参数分析 UE 移动和/或 UE 通信。UE 异常行为信息观测到异常或预测异常的列表,携带异常 ID、异常级别和其他信息,取决于观测到或预测的异常。用户数据拥塞信息用户面、控制面或用户面和控制面的用户数据拥塞的统计或预测。QoS 保持对于统计,输出 QoS 改变的位置和时间和超过的阈值;对于预测,输出预测的 QoS 可能改变的位置和时间和可能超过的阈值。6G 提供的 AI 分析能力包括但不限于表 2 列举的类别。在为外部提供 AI 服务时,应提供端到端、全生命周期的应用环境。各种算力资源(如 CPU,GPU,NPU 等)和能力模块将会被 6G 网络进行分布式编排和管控,按需灵活地被调用;各种 AI 算法模型将会被 6G 网络结构化地统编进入“AI 模型库”,在训练学习,验证和分析推理方面,实现算法自我演进;各种数据资源会被结构化地统编进入“分层数据库”(基础层、特征层、应用层等),在数据流转应用、价值挖掘拓展和安全可信方面均会被拓展和提升。5.1.2感知能力开放6G 网络提供的感知能力在传递感知信息方面,将在泛在性和精准性两个方面实现突破:6G 网络支持无处不在的接入特性,从卫星到地面网络,从无线局域网到蓝牙、红外等各种无线接入技术的物联网终端和传感器,使得网络可以更多维度地30IMT-2030(6G)推进组IMT-2030(6G)Promotion Group获取和计算感知信息;随着通感融合技术深入,6G 基站融合定位基站和通信基站部署,结合 MEC边缘计算、AI 等,提供高精度的如定位等感知服务。基于上述两个方面,6G 网络可针对第三方的应用特点,在空间和精度上满足相关应用感知需求。5.1.3安全能力开放伴随着 AI、区块链、联邦学习等技术的发展,将安全能力作为智能内生网络架构中由内向外的保护机制成为可能。6G 网络架构的变化将促使 6G 安全的能力做出由内向外的改变。6G 网络的安全能力作为贯穿整个网络的内生安全根本,打破传统安全边界,能够为智能内生网络系统的各个功能和资源提供内生安全的感知、防御和预防功能。内生安全能力应具备以下三种功能:主动免疫、弹性自治和泛在协同。主动免疫功能:指基于可信技术,为网络基础设施、软件以及网络架构等提供由内向外的主动防御功能。信任是实现智能内生的网络安全的基础,6G 网络中的信任机制在多个方面可以得到了增强。在接入认证方面,为了能够实现异构融合网络服务对象的安全接入,需具备轻量化接入认证技术。在密码学方面,量子密钥、无线物理层密钥等增强的密码技术,为智能网络内生安全提供了更强大的安全保证。在网络架构方面,分布式的区块链技术具有较强的防篡改能力和网络恢复能力,能够帮助智能内生网络构建安全可信的通信环境。弹性自治功能:指 6G 网络应具备内生弹性可伸缩框架。6G 网络打破传统网络安全边界,通过整合泛在连接能力、智能能力和编排能力,基于拥有智能化的软件定义安全和网络功能虚拟化,实现内生安全能力的弹性部署和动态编排。泛在协同功能:指 6G 网络在智能内生的赋能下建立端、边、网、云智能主体间的泛在交互和协同机制,从而准确感知网络内部和外部安全态势、监控网络异常,并且能够预测潜在风险和提出风险控制预案。进而实现主动纵深安全防御和安全风险自动处置。安全能力往往耦合在其他的能力中,特别在 AI 能力开放的过程中,往往伴随着安全相关技术和能力的使用。如:AI 模型训练和推理过程中的数据脱敏技术一直31IMT-2030(6G)推进组IMT-2030(6G)Promotion Group备受关注,近年来关于 AI 中的差分隐私,同态加密,多方安全等技术领域都有着大量的研究工作。弹性网络是未来 6G 的发展方向,具备自适应、可扩展、可伸缩等特征。6G 网络将基于软件定义安全、虚拟化与容器化等技术实现网络的泛在化、虚拟化、灵活性。6G 需要提供可扩展的安全架构,构建安全能力资源池,实现安全资源的随需取用,按需支持安全能力的纵向和横向扩展,保证安全架构的健壮性和灵活性。传统网络边界被打破,使网络将面临虚拟化、资源调度、边界干扰等更复杂、更多样的安全挑战。5.1.4算力能力开放6G 网络的算力能力不仅可以通过算力内生服务于通信网络本身,也可以通过对外能力开放服务于行业应用,算力能力开放是实现算力按需调用、算力实时共享的关键技术手段。6G 网络需要具备如下算力使能技术,实现算力能力的开放与共享:算力建模能力面向 6G 的泛在算力作为新型信息基础设施,需要进行统一的抽象描述,具备统一的算力建模与度量的能力,如计算能力建模、通信能力建模、存储能力建模、服务能力建模等,并基于以上建模建立统一的度量体系,提供标准的算力度量规则,可以有效的了解应用调用算法所需的算力,从而更有效的服务于应用。算力能力仓库为了支撑 6G 网络算力能力开放,6G 网络需要维护全局全域的算力资源,需要支持对算网各域资源对象、拓扑等进行管理,并将原子能力进行组合封装,形成算网能力仓库。算力寻址和路由6G 网络在路由设置时,应基于对算力资源的感知,设置路由策略,以实现算网协同,获取端到端优化的业务指标。网络的控制网元应协同算网编排系统,据应用设置的端到端性能指标,实施应用寻址和路由。32IMT-2030(6G)推进组IMT-2030(6G)Promotion Group5.1.5管理和编排能力开放在 6G 网络通感一体的能力支持下,传统的监控能力将作为感知能力的一部分,与通感能力相辅相成。通感能力获取的信息主要依赖外部信息,而监控能力获取的信息主要来自网络内部。随着 6G 网络能力的增强,6G 网络将构建多个功能面,除了传统的控制面、用户面,还将有智能、安全、编排管理等相关功能,伴随网络服务化和分布式架构的推进,监控能力也将涉及多种服务化的功能。第三方应用可以根据需要组合各种同构或异构监控能力,或者直接设置业务层面的监控门限,由 6G 网络在网络智能的辅助下对多种监控能力进行动态的联合调度。5G 网络核心网中引入了 SBA 服务化架构,使得通信网络从传统的 P2P 通信方式向可编排重组、可快速构建和部署的 IT 化架构演进。结合云原生的发展,6G 网络将进一步提升网络的编排能力,将网络控制面、用户面、算力能力、AI 能力、安全能力等多种能力统一调度,创建更加灵活的基础架构,快速更新和管理各种网络和计算资源,以快速响应网络编排需求的创建和更新。为了响应第三方应用对于特定网络能力的要求,可以将 6G 网络抽象成可以对外提供的能力,并提供网络编排能力开放的 API 接口,第三方用户通过该接口提出网络配置需求,网络根据第三方用户的网络配置需求对网络功能或服务进行编排和调度,构建特定的网络能力来满足业务的需求。同时 6G 网络会设定好任务执行步骤,将多个网络服务按步骤进行调度,从而完成各种业务应用场景。6G 网络可以跟踪每个步骤的状态转换,并在必要时执行重试逻辑,以确保网络编排任务的顺利完成。网络编排可以通过提供日志记录任务中每个步骤的状态,便于网络诊断和调试。6G 网络通过对外开放网络编排能力从而实现根据业务需求快速构建网络能力或者网络切片,并根据第三方业务应用的业务需求和网络状态动态调整 6G 网络的具体网络配置。以算网资源编排能力为例,在实现上要求:算网资源协同编排6G 网络需要支持根据用户业务需求以及算网编排策略,结合全局可用算网资源状态,实现算网资源协同编排,同时支持对各行业提供封装好的原子能力,以API 接口的形式开放算力,供其他行业用户调用。33IMT-2030(6G)推进组IMT-2030(6G)Promotion Group 一体化运营管理6G 网络实现算网一体化运营,借助算网资源编排能力为运营商自营服务或第三方应用提供端网协同一体运行环境,提供“算力 网络”的一体化服务能力,通过多方多样算力融合,实现多要素一体供给。5.1.6策略及配置管理能力开放6G 网络将提供更大的带宽和容量,更丰富的 6G 业务对网络资源的管理提出了更高的要求。6G 网络将继续提供策略和计费能力,6G 的策略控制和计费系统确保更好的服务质量(QoS)和计费控制。6G网络将根据新型业务去设计新型的QoS参数、新的 QoS 等级以及新型业务流描述符:a)不同的服务本身都需要不同的 QoS 级别,6G 业务可能需要扩展更多的 QoS 级别以满足数据传输要求。QoS 级别可能受多种因素的影响网络内的突然变化或异常,向应用开放 QoS 等级状态可以和 AI 相结合,提供更精准的预测。b)新型应用向数据包流提供新型数据包流描述符,用于检测新型类型流量并将特定的 PCC 规则应用于检测到的流。网络可向应用开放可灵活构造新型数据包流描述符能力。c)通感网络场景中,应用运行期间需要与巨大数量的终端传感器交换信息。应用可以以群体视图的方式向 6G 网络指定传感器网络数据传输的所有基本要求(例如传输时间、位置以及传输环境条件因素阈值等)。d)6G 网络将是多种接入技术、多种 UE 形态,多模态多流的异构服务环境,除了实现业务或终端级别的 QoS 外,还需支持适用于多种接入和单业务多流的协调 QoS和策略框架;以及具备端到端使能、终端形态和接入方式相关、多模态协同、更精细控制粒度等特点,如:卫星接入相对于地面接入有不同的 QoS;XR 业务对不同特征的帧需要不同的 QoS 保证;6G 网络还需要支持使特定通信的优先级与相关 QoS 特性(如延迟和可靠性)分离的机制,以灵活支持不同的运营要求,如媒体优先语音业务和紧急呼叫业务具有共同的 QoS 特征,但紧急呼叫业务需要优先保障。配置能力提供了网络无法通过感知手段理解应用需求的另外一种需求解读方式,甚至可以直接取代需要通过网络感知才能获取的参数,从而简化网络在感知应34IMT-2030(6G)推进组IMT-2030(6G)Promotion Group用需求方面的实现,比如:根据应用提供的业务信息可更新用户使用的会话参数,通过终端策略指配下发给 UE。6G 的配置能力在 AI 的辅助下可实现智能化和自动化,应用可以根据服务规则将两种能力有序关联,比如:根据分析出来的用户群体特征更新对应的群体订阅信息或会话相关转发策略;根据行为特征参数预测并配置网络的业务连续性保障实现等。6G 网络可提供配置能力开放的 API 接口,第三方应用可以通过该接口配置网络传输路径的业务需求,如业务的时延、带宽、抖动等,也可以配置终端的通信模式等参数信息,并提供该配置的生效时间和生效地点等,实现自动化配置网络服务和终端参数能力。6G 网络可以根据应用提供的配置参数解读业务需求,进而灵活创建或更新网络传输路径。具体来说,6G 网络需要具备良好的策略控制能力、会话管理能力、分布式部署能力等,需要具备网络传输路径的灵活建立和更新能力,如根据传输时延和安全性要求,选择位于特定区域的、满足相应安全传输能力的用户面功能网元。当已创建的传输路径不能满足业务需求时,可以进行路径的更新,重新选择合适的用户面功能网元来满足业务需求,且路径的切换和重建时间不会影响业务的体验。5.2 6G 新型的能力开放方式6G 网络的能力开放需要支持外部系统按需灵活地、实时地、安全的申请调用,这样 6G 网络中的数据、算力、模型的利用率才能获得极大提升。为此,6G 系统需要为具有不同特征的承载于不同业务内的多样化数据、各种分布式部署的异构的算力资源、应用于不同场景的 AI 模型提供统一调度的、可管可控的、安全可信的开放方式。具体地,6G 网络新型能力开放方式可以包括用户面开放、本地开放以及网络能力开放专用切片等方式。5.2.16G 组合能力开放组合能力可以将固定逻辑关系的几个能力打包提供调用,并在调用逻辑上体现单个能力之间的逻辑关系。图 6 为一个组合能力开放的示例。如图,QoS 业务在服务质量下降时(如由于用户的移动性)收到通知并触发用户会话的用户面重定向,由新的 AF 为用户服务。其中,组合能力包括 QoS 保障、QoS 监控及流量引导。QoS监控通过用户面开放,并通过本地能力开放的渠道通知给 AF。35IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 6.能力组合开放示例能力组合开放示例5.2.26G 能力分布式协同开放对于第三方业务提供商来说,由于在相同的地理区域的用户可能会分别属于不同的移动运营商的网络,所以当第三方业务提供商需要和运营商签约特定的网络服务来向该区域的用户提供时,需要向不同的移动运营商分别交互来订购相应的网络服务。由于不同移动运营商对网络能力开放服务部署的种类和性能的差异,第三方业务提供商在不同运营商的移动通信网络订购的网络服务可能会具有不同的用户体验;同时,也需要第三方业务提供商与多个运营商进行交互,才能分别完成不同网络中的网络对外开放服务的订购和查询。6G 网络的业务将具有更加差异化的网络需求,且跨层优化的技术发展也推动业务侧与网络侧进行更加丰富的业务交互,因此第三方业务提供商和移动网络的互动会更加的频繁。如果在这种情况下,仍然需要第三方业务提供商分别与不同的运营商交互,且交互获取的网络能力开放服务参数并不完全相同,则会影响业务的部署、发展和大规模的普及。因此,6G 网络的能力开放需要考虑到同时部署的多个移动网络的能力,增加多个移动网络的内部协商机制,抽象出多个网络共有的 API 能力和参数,以支持第三方业务提供商进行统一订购和查询。如图 7 所示,该能力开放方式使得第三方业36IMT-2030(6G)推进组IMT-2030(6G)Promotion Group务提供商通过一点订购的方式,实现在多个移动网络同时订购该网络开放能力,简化业务交互方式,并统一移动网络的对外服务能力。需要注意的是,该方式并不要求所有的能力开放信息均进行统一,而是将不同运营商之间协商一致的,可以进行对外统一的部分网络开放信息进行接口和参数的统一。图图 7.多网互信、协同式开放示意多网互信、协同式开放示意为了使能协同式开放,运营商之间要达成互联互通和统一开放接口的共识,这些接口称之为联邦使能接口(Federation API)。在 GSMAOP(Operator Platform)项目中,提出了通过 OP 之间的协同,简化运营商之间的互联互通,简化边缘计算应用跨网络和跨云的部署。在 OP 的接口定义中,其北向和东西向接口就属于联邦使能 API,如图 8 所示。图图 8.MEC 联邦使能联邦使能 API 示例示例值得一提的是,2023 年,GSMA 提出了“Open Gateway”倡议,以定义一个通用的 API 框架,提供通用的网络能力开放 API 接口,目前已经计划的 8 个通用网络API 包括:SIM 卡交换、按需的 QoS(QoD)、设备状态(接入或漫游状态)、码号37IMT-2030(6G)推进组IMT-2030(6G)Promotion Group验证、边缘站点选择和路由、码号验证(SMS 2FA)、运营商计费、设备位置(验证位置)等。Open Gateway 最重要的特征是它对互操作性的关注,使用该技术创建的运营商 API 彼此兼容,开发人员将能够轻松地将应用程序在运营商之间进行转移,而无需对代码进行更改。5.3 6G 网络新型的使能框架技术5.3.16G 应用使能管理框架对能力开放实施管理和控制是防患非法、恶意的调用能力,保证能力开放的服务环境有序、可持续的重要条件。具体服务包括:能力的注册和生命周期管理、策略配置、能力使用的认证鉴权、能力封装、限流、负载均衡带宽控制等。在能力开放和管理方面,6G 至少在以下方面要有所突破:能力的动态注册:在异构、多接入、多终端、分布式、服务化等场景和需求的驱动下,能力呈现异构和分布式范式,6G 网络应支持能力的动态注册、激活和去激活等,在不同场景下激活不同的开放能力子集,避免不必要的管理成本,同时方便能力的定制化实现;能力的智能组合:在特定场景下,不同能力间的运作往往具有固定的先后次序和逻辑依赖性;这些关系有的是显而易见的,有的可以借助一些分析手段解析出来。在获取这些依赖关系的前提下,对能力实施自动化的组合/编排,可以大大简化应用使用能力的实现,降低使用门槛;能力开放的安全管理:能力开放本质是一个交易的过程,必然需要安全、可信的保障。除了传统的认证鉴权机制,分布式授信机制,如分布式账本,可进一步匹配 6G 网络的分布式架构,保证安全的接入和服务;能力引入的激励机制:鉴于 6G 网络能力在提供方、能力共享方面的扩展,为了吸引更多的提供者和使用者到 6G 能力开放的共享经济中来,6G 能力开放管理方面应提供激励的配套,保证激励的获取公平公正、可溯源、可存证和自动化,助力能力开放的共享生态建设。能力开放的资源保障:6G 网络可以根据客户需求提供网络能力开放专用切片。基于该专用切片 6G 网络可以实现跨业务的数据采集,跨区域的异构算力资38IMT-2030(6G)推进组IMT-2030(6G)Promotion Group源整合调用,以及跨应用场景的 AI 模型共享。除了直接将数据、算力、模型直接开放给外部第三方外,该专用切片还可以通过采集 6G 网络内部数据、调用算力资源对已有 AI 模型进行再训练,从而提供更契合第三方应用场景的模型。对于资源消耗类能力开放,专用切片提供了保障能力开放资源的一种手段。3GPP 定义的通用 API 架构(CAPIF 架构)提供了能力开放管理和控制的一种有价值的参考模型,如下图所示:图图 9.通用通用 APIAPI 框架(框架(CAPIFCAPIF)其中,各个功能组件提供的服务如下:CAPIF Core:提供 API 控制功能,含 API 发现,API 调用前认证、授权、SLA,日志和计费;AEF:提供 API 调用服务,与 CAPIF Core 配合完成对 API 调用者认证、授权;APF:向 CAPIF Core 发布 API Provider 提供的 API 信息,以便 API invoker可以发现 API 服务;AMF:为 API Provider 提供管理 API 的功能。CAPIF 框架的特点在于将能力开放管理类的功能与业务层面的调用进行了分离,提高了调用的效率和部署的灵活性,可兼容分布式、集中式等多种部署方式,符合分布式网络架构发展趋势。39IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupAPI 网关技术在开发领域被普遍采用,更适合相对集中的部署环境。API 网关最基本的功能是能力的封装和调用,所以可实现 CAPIF 架构中的 AEF 功能。API网关可灵活集成更多的功能,如组合能力、执行 API 调用通知策略等。由于集成度高,实现比较简单,而且扩展性强。在新能力的兼容性上往往比较有优势。相对于 UAEMF 管理框架,CAPIF 已定义的标准化功能尚不足够。UAEMF 可在 CAPIF 和 API 网关的基础上,保留 CAPIF 管理和执行相分离的框架,进一步定义能力动态注册和编排、安全、激励、开放资源、调用策略等管理和执行功能。5.3.26G 应用使能框架5.3.2.1 概述在 5G 的应用使能框架中,在应用服务器和应用客户端的基础上,分别在服务器端和用户端引入使能服务器和使能客户端,通过端侧和服务器侧之间,以及服务器和网络的交互,执行特定于部署模式和承载的传输需求,或特定于某类应用的服务需求。鉴于这种框架式交互相对稳定的交互模式,以及提供服务的通用性,6G架构的应用使能层引入应用使能组件,执行使能服务器的功能,以便形成共同服务的基础设施。应用提供方可从应用研发的初期就考虑对该使能框架的支持,避免后期额外的改造和引入的门槛,更好顺应新型业务的引入。另外,通过使用使能框架进行部署、配置、策略等信息的交互,可以简化网络实现,使能分布式、个性化、多模态等各类场景下的 6G 网络的应用服务,提供如分布式选址、应用重定位、优化数据分发、数据分析等使能服务。6G 使能框架的总体设计如下图所示。40IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 10.6G 网络应用使能框架网络应用使能框架在 6G 架构下,某些使能服务能力可以与 6G 的内生能力进一步融合;例如:在 6G 算网一体化的驱动下,使能框架提供的数据分析和网络内生智能可以进一步融合,协同或有所侧重地提供各种智能服务。下面分析 6G 使能框架提供两类场景下的几种典型使能服务的技术要求;两类场景具体为边缘计算应用场景和垂直应用场景。对应的使能框架实例分别为边缘计算应用使能框架(EEL)和垂直服务使能框架(Service EnablerArchitecture Layer for Verticals,SEAL)。41IMT-2030(6G)推进组IMT-2030(6G)Promotion Group根据 3.2 节的需求分析,可以看出,这些关于应用使能的基础设施需求,通常与边缘计算应用与垂直应用相关,因此,以下将就这两类应用提出使能框架的设计思路。5.3.2.2 位置管理用于位置管理的 SEAL 使能框架如下图所示:图图 11.用于位置管理的用于位置管理的 SEAL 使能框架使能框架图中,VAL 为垂直应用层,SEAL 为应用使能层。位置管理客户端通过 LM-UU 参考点与位置管理服务器通信。位置管理客户端通过 LM-C 参考点向 VAL 客户端提供对位置管理功能的支持。VAL 服务器通过LM-S 参考点与位置管理服务器通信。位置管理服务器可承接 API 开放功能。位置管理服务器还支持与分布式部署中其他位置管理服务器进行交互。5.3.2.3 群组管理用于群组管理的 SEAL 使能框架如下图所示:42IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 12.用于群组管理的用于群组管理的 SEAL 使能框架使能框架群组管理客户端通过 GM-UU 参考点与群组管理服务器通信。群组管理客户端通过 GM-C 参考点向 VAL 客户端提供群组管理功能的支持。VAL 服务器通过 GM-S参考点与群组管理服务器通信。群组管理服务器可与用户的签约数据库进行交互,以对群组类业务执行群组管理流程。群组管理服务器可承接 API 开放功能。群组管理服务器还支持与分布式部署中其他群组管理服务器进行交互。5.3.2.4 网络资源管理网络资源管理提供网络资源管理(例如,单播和组播网络资源)并监控应用的资源使用情况。当该框架应用于支持与移动网络集成的 TSN 的网络资源管理时,TSN CNC 通过 NRM-S 参考点配置经由移动网络中的 TSN 流,NRM-S 支持 IEEE802.1 Qcc 等确定性通信管理协议。网络资源管理服务器作为 TSN AF 功能,收集 TSN 网桥的信息,通过与策略控制相关功能的交互配置期望的 QoS 和 TSCAI 参数,并可触发 AF请求流程;这种情况下使能框架如下图所示:43IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 13.支持支持 TSN 网络资源管理的网络资源管理的 SEAL 使能框架使能框架5.3.2.5 网络切片能力管理网络切片能力管提供对一个或多个垂直应用的网络切片能力管理功能,如支持垂直应用的切片重映射(为运行垂直应用的用户映射到不同的切片)。具体而言,网络切片能力管理使用基于网络的机制,基于网络切片能力管理服务器配置来执行切片重映射。网络切片能力管理服务器通过提供路由选择参数影响每个终端使用应用时采用的策略规则。用于网络切片能力管理的 SEAL 使能框架如下图所示:图图 14.用于网络切片能力管理的用于网络切片能力管理的 SEAL 使能框架使能框架44IMT-2030(6G)推进组IMT-2030(6G)Promotion Group网络切片能力管理客户端通过 NSCM-UU 接口与网络切片能力管理服务器通信。网络切片能力管理客户端通过 NSCM-C 参考点向 VAL 客户端提供对网络切片能力管理功能的支持。VAL 服务器通过 NSCM-S 参考点与网络切片能力管理服务器通信。网络切片能力管理服务器可激活网络切片实例以支持 VAL 应用,并可通过更新终端的策略规则来将一个或多个垂直应用映射或迁移到一个或多个网络切片,进一步可实现切片管理能力的开放。下图简单展示了 VAL 服务器触发的网络切片自适应流程。76图图 15.图图 VAL 应用的网络切片自适应应用的网络切片自适应5.3.2.6 数据分发数据分发使能服务提供一些应用层功能以更好支持垂直应用的应用内容/数据的分发、存储和交付。用于数据分发的 SEAL 使能框架如下图所示:45IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 16.用于数据分发的用于数据分发的 SEAL 使能框架使能框架SEAL 数据分发使能服务器提供传输通道标识分配、数据存储、核心网传输参数配置、数据封装解封和传输代理等功能。SEAL 数据分发使能服务器与 SEAL 数据分发客户端之间建立应用层数据传输路径,分别对数据进行分组处理(例如,分组复制、去重或传输协调、缓存等),并通过之间建立的路径实现数据转发、后台数据传输等。下图进一步说明该实现。图图 17.利用使能框架建立流量转发冗余通道利用使能框架建立流量转发冗余通道如上图,对于上行链路流量,VAL 客户端通过 SEALDD-C 向 SEAL 数据分发46IMT-2030(6G)推进组IMT-2030(6G)Promotion Group客户端发送需要 SEAL 数据分发服务的应用数据流,在 SEAL 数据分发客户端处理数据包之后,应用数据流量被转换为 SEAL 数据流量,并通过 SEALDD-U 传输到SEAL 数据分发使能服务器。SEAL 数据分发使能服务器恢复应用数据流,并通过SEALDD-S 将其发送到 VAL 服务器;下行链路流量反之。VAL 应用可以为其部分或所有流量选择使用 SEAL 数据分发使能服务,对选在使用 SEAL 数据分发使能服务的流量,VAL 客户端和 VAL 服务器可以不需要维护它们之间的直接连接,而通过 SEAL 连接传输对应的数据流。基于数据分发使能框架,可实现端到端冗余传输,业务连续性保障,传输质量测量和保障,服务发现,消息方式封装传送数据,多播、广播式数据传输等。5.3.2.7 应用数据分析应用数据分析使能服务提供针对应用数据的分析,包括对端到端服务指标的统计/预测。用于应用数据分析的 SEAL 使能框架如下图所示:图图 18.用于应用数据分析的用于应用数据分析的 SEAL 使能框架使能框架应用数据分析使能客户端通过ADAE-UU参考点与应用数据分析使能服务器通信。应用数据分析使能客户端通过 ADAE-C 参考点为 VAL 客户端提供应用数据分析使能服务。VAL 服务器通过 ADAE-S 参考点与应用数据分析使能服务器通信。应用数据分析使能服务器收集各类数据,包括网络数据、终端数据、来自应用服务器47IMT-2030(6G)推进组IMT-2030(6G)Promotion Group的数据、网管数据等,如可以通过 ADAE-OAM 接口从 OAM 获取数据。基于该框架实现,可以提供应用性能分析、特定于应用的网络切片性能分析、终端直接通信的应用性能分析、定位精确度分析、服务 API 分析等多种分析服务。5.3.2.8 边缘计算应用使能框架及使能服务3GPP 通过定义移动核心网的某些功能来支持边缘计算部署。ETSI 则是侧重于边缘计算的部署和管理方面。对 MEC 平台架构进行了规范。针对 2.3 中提到的分布式寻址和业务连续性保障需求,3GPP 在相关标准化中引入了新功能,但是基于应用层的解决方案,通常可以更好地识别潜在需求、同时端到端考虑应用边缘化部署、对 UE 上的边缘用影响最小等问题。因此,为了顺应 6G 网络的分布式发展趋势,优化应用和网络协同环境,本研究提出将边缘计算应用使能框架引入到 6G 网络架构的应用使能层中,并设计了对应的网络集成方案,以解决 2,5 中提到的分布式寻址和业务连续性保障需求等问题。边缘应用使能框架如下图所示。图图 19.边缘计算应用使能框架边缘计算应用使能框架如图在现在的应用部署方式(应用服务器和应用客户端)的基础上,分别在终端侧和服务器侧引入了使能客户端和使能服务器功能,终端和应用可以通过与使能层相关实体的交互,传递 UE 的位置、能力,应用的部署信息、服务策略等,使能层可以和网络交互,调用网络能力,获取网络信息、用户信息、或请求网络基于业务策略实施网络的服务质量保障。在上述使能架构中,EDN 是本地数据网络。EAS(边缘应用服务器)包含48IMT-2030(6G)推进组IMT-2030(6G)Promotion Group在 EDN 中,EES(边缘使能服务器)设置与边缘网络一一对应。UE 包含 AC(应用客户端)和 EEC(边缘使能客户端)。ECS(边缘配置服务器)提供与 EES 相关的配置,包括与 EES 对应的边缘网络锚点信息。EES 作为使能服务器,接受 EAS的注册因而具备 EAS 的部署信息;EES 为 EEC 提供本地服务发现的功能(即应用寻址),在临近无可用的 EAS 时可按需触发 EAS 实例化,并实施应用上下文迁移(ACT),同时可作为可信 AF 调用网络能力定制对应的传输路径或其他的服务策略。下面举例说明一种典型的边缘计算应用发现流程:1.EEC 通过 ECS 获取其所在位置和指定业务的 EES;2.EEC 向 EES 发送边缘计算应用发现请求;3.EES 根据终端位置和业务的连续性要求、业务 KPI 和服务提供商的服务策略等业务信息确定边缘服务节点并将其地址通过响应消息返回给 UE。通常来讲,UE 上的一个 AC 关联一个在 S-EAS 上的应用上下文。为了支持业务连续性,应用上下文需要从 S-EAS 传送到 T-EAS,这就涉及到如何保障业务连续性的问题。边缘计算应用使能框架提供的支持服务连续性的能力需要考虑移动性,负载均衡、服务器关闭等各种应用场景,这些场景中涉及应用客户端和一个或多个参与的 EAS,并且可能发生在 EDN 内,EDN 间或与本地网络相关。除了发现,该框架支持的另一个重要功能是 ACR(应用上下文重定向)。ACR过程涉及三个实体角色,即探测实体、决策实体和执行实体。基本过程描述为:检测实体通过监控诸如 UE 的位置或预测/预期的 UE 位置来检测对 ACR 的可能需要,并向决策实体指示是否需要 ACR。EEC、EES 和 EAS 均可执行检测实体的功能。决策实体确定需要 ACR,并指示执行实体执行 ACR。执行实体在决策实体的指示下执行 ACR。承接这三种角色的边缘计算应用使能框架实体(EES、EEC、ECS、EAS 等)可能有多种组合,因此也有对应多种场景的多种方案;但总的来说,边缘计算应用使能框架在 ACR 过程中的主要作用包括:提供检测事件、选择 T-EAS 和将应用上下文从 S-EAS 传输到 T-EAS。ACR 的流程可如下图示意。49IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 20.ACR 流程示意流程示意基于边缘计算应用使能框架,可更方便实现网络与应用的一些协同行为,例如:对 IPv6 多宿主会话,EEC 可以基于 UE 实现感知到新的 IPv6 前缀配置,从而触发 ACR;EAS、EES、ECS 均可充当 AF 的角色,调用网络能力,从而感知终端位置,或者定制期望的用户面路径。50IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第六章 总结和建议基于上面对需求及架构、技术的分析,下面提供了针对第二章的问题的解决思路。针对针对“能力的可用性和易用性亟待增强能力的可用性和易用性亟待增强”的问题的问题提升可用性:通过保障能力开放资源、提供更有效的开放方式(如能力开放切片)等技术手段提升开放能力的可用性;提升易用性:建立能力使用状态的反馈机制;通过实施 FederationAPI 构建客户友好的互联互通环境;对相关性大的能力集,提供组合能力,便于客户调用;适配、简化参数(利用 AI、意图驱动等);提供应用生成环境等。针对针对“缺乏网络能力开放的产业共识缺乏网络能力开放的产业共识”的问题的问题应用 FederationAPI 等互通接口标准,提供能力开放互联互通的良好体验;提供应用生成环境,尝试新型能力开放的合作试点,利用标杆效应促成产业共识。针对针对“缺乏应用层基础设施的支持能力缺乏应用层基础设施的支持能力”的问题的问题利用统一应用使能管理框架和相关技术增强能力开放的管理和控制;建设应用使能框架及使能组件,从自营业务入手进行业务验证和试点;利用网络区块链、网络 AI、意图驱动等技术完善应用能力开放流程和环境。针对针对“缺乏跨域能力的统一开放管理缺乏跨域能力的统一开放管理”的问题的问题新功能引入同步能力化,不断扩展能力集;利用能力的统一编排、组合编排等减弱跨域能力的相互制约;利用通感融合、算力网络、固移融合等融合技术打破专业壁垒;构建新业务辅助功能,提供跨域能力引入、继承的适配能力。51IMT-2030(6G)推进组IMT-2030(6G)Promotion Group基于上述分析,面向 6G,在应用使能层的设计上,需要满足以下关键技术要求:支持根据能力特征选用不同的封装和接口协议,典型地,对于数据类开放业务,可支持通过用户面/数据面开放;对于流量引导类能力,应支持本地开放;支持通用 API 接口及友好使用,可能采取客户易理解、易获取的输入参数,避免应用使用不好理解的网络数据(如 DDN、TAI 等);避免为了能力开放而对应用侧提额外的数据处理要求(如加头标签);利用 AI、意图驱动等技术对客户需求进行解读或推导建议的输入参数;支持通过 AI 等手段,对能力调用过程实施自动检错和纠错。增强 CAPIF 架构支持 UAEMF 的管控机制,支持能力的动态注册和编排、安全、激励、开放资源保障、调用策略等管理和执行功能,支持能力调用过程的发现、认证授权和能力的计费、互通、共享和协同;对数据类和监控事件类能力设置隐私保护和安全防护的锚点;支持能力的灵活编排,结合对能力的耦合度分析,根据需求灵活组合能力,简化能力调用的集成工作。支持通过切片等方式进行能力开放的资源保障,确保可用(授权)则能用(成功率),能用则好用。支持能力开放的区块链底座,提供安全能力的同时保障能力开放的运营环境。引入业新务辅助功能以及应用使能框架技术,构建应用使组件,提供更加丰富的应用使能手段。由于本阶段应用使能研究工作的初衷是 6G 网络架构的设计中明确应用使能的需求,以便在后续功能和流程设计中可以协同;因此本研究还就应用使能设计和 6G整体架构设计的协同提出工作建议,即:明确应用使能层的基础设施和基本功能要求,在网络架构设计中考虑和呈现;推进应用使能层与周边层、体交互的流程和接口的标准化;52IMT-2030(6G)推进组IMT-2030(6G)Promotion Group结合网络分布式架构,关注应用使能层在分布式子网、功能之间的交互需求和具体实现。6G 应用使能涉及 6G 的应用生态圈,迫切需要产业的协同和共识,产业的推进需要在 6G 架构设计之初同步启动,避免后期应用层改造得不偿失的代价。为了更好推进产业的协同,本研究提出以下建议:与垂直行业深度合作,从需求切入,关注产品生命周期的全过程,降低能力集成的业务生成环境的使用条件和简化合作流程;建立先行先试的激励机制,从资金、政策等方面鼓励相关技术的试点和试验;联合应用服务提供商共同参与应用使能的研究和技术验证,打造应用使能标杆应用;积极参与产业界有关通用 API 项目,如 GSMAOpenGW、GSMAOPG 等,推进互联互通;从运营商自营产品切入,提供示范性产品,尽快在应用使能层的设计上达成产业共识。本研究提出的应用使能层框架和组件可能随着 6G 的整体架构的逐步明晰而调整,相关技术的实用性也还有待验证,但 6G 网络无可置疑需要提供更加丰富、有效、智能的应用使能渠道,并且需要从设计之初就考虑对相关功能、流程的支持,做到对应用的内生使能。后续,随着 6G 网络设计逐步细化,应用使能层的相关研究也将进一步推进。53IMT-2030(6G)推进组IMT-2030(6G)Promotion Group缩略语简表英文缩写英文全称中文解释APIApplication Programming Interface应用程序编程接口ATSSSAccess Traffic Steering,Switching,Splitting接入流量转向、切换和分流CAPIFCommon API Framework通用 API 框架EASDFEdge Application Server DiscoveryFunction边缘应用服务器发现功能GMLCGateway Mobile Location Center网关移动位置中心GNSSGlobal Navigation Satellite System全球导航卫星系统MCPTTMission Critical Push To Talk关键任务一键通MCSMission Critical Service关键任务服务MPSMultimedia Priority Service多媒体优先服务NSACFNetwork Slice Admission ControlFunction网络切片准入控制功能OPOperator Platform运营商平台PFDFPacket Flow Description Function数据包流量描述功能QoEQuality of Experience体验质量SCEFService Capability ExposureFunction业务能力开放功能SEALService Enabler Architecture Layerfor Verticals垂直服务使能框架54IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupTBSTerrestrial Beacon System地面定位系统TSCTSFTime Sensitive Communication andTime Synchronization Function时间敏感通信时间同步功能URSPUE Route Selection PolicyUE 路由选择策略VALVertical Application Layer垂直应用层55IMT-2030(6G)推进组IMT-2030(6G)Promotion Group主要贡献单位中国电信、腾讯、OPPO、中信科、中兴、上海诺基亚贝尔、信通院、鹏城实验室联系方式邮箱:COPYRIGHT2023 IMT-2030(6G)PROMOTION GROUP.ALL RIGHTS RESERVED.

    浏览量0人已浏览 发布时间2023-12-12 57页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 中国移动研究院:2023无线光通信在6G中的应用展望报告(21页).pdf

    无线光通信在6G中的应用展望目录6G概述与技术布局无线光通信在6G中的应用与挑战中国移动无线光通信研究进展总结与展望把握移动通信代际发展规律,6G迎来关键时间节点 ITU-R通过6G建议书 工信部规划6G频谱M1M2M3M4M5商用落地网络试验标准冻结标准启动框架及总体目标发布技术预研期 6G框架及建议书:提前2年 6G频率规划:提前4年5G6G2015202020232030发布5G框架及建议书20132018 启动6G研究:提前5年移动通信十年一代,当前ITU明确6G愿景与指标体系,工信部全球率先将6GHz用于5G/6G系统,6G研发进入加速期,但相比5G面临更多挑战(周期更长、起步更早、技术发散)2017规划3.5GHz 4.9GHz商用时间启动5G研究6G明确六大典型场景,实现从移动通信向移动信息重大转变6G六大典型场景涵盖“覆盖全域化、性能沉浸化、要素融合化、网络平台化”特征,网络将从通信服务向信息服务转变六大场景可分为三类:l 第一类是性能沉浸化:5G三大场景的增强l 第二类是要素融合化:AI与通信的融合、感知与通信的融合l 第三类是覆盖全域化:泛在连接网络平台化是基座:网络成为聚合相关业务能力的“平台”,供需动态匹配,为用户提供多样化的移动信息服务ITU-R能力指标体系对6G网络带来全新挑战立足ITU-R能力指标体系,面向标准化开启技术创新赛道2需要融合技术创新3需要网络拓展创新1需要原创技术突破技术创新面临“三重挑战”理论:容量逼近香农极限产业:摩尔定律接近极限需求:场景更极致更多样AI与通信的融合感知与通信的融合覆盖可持续性互操作定位等技术布局:ITU技术指标到技术布局,网络是关键ITU技术指标不是单点技术的要求、而是网络系统性的要求,技术布局需从网络整体出发、系统思考不是单点技术的指标而是网络系统的指标 峰值速率100Gbps以上 网络频谱效率提升23倍 海量连接随机接入用户提升2倍 多频段多制式融合组网 提高组网灵活性降成本 拓展移动网络从广域到微域 高性价比地提供感知能力 通过平台化、服务化、内生设计,实现网络智简和结构熵减 面向全场景,融合全要素,实现全领域资源和能力贯通无线通信无线组网网络架构通感互联智慧工业超能交通全息交互精准医疗智能交互元宇宙SCUSCUSCUSCU技术布局:形成”3 10 1”技术布局,产学研协同攻关加强产学研用协同攻关、强化关键技术系统性创新,打造6G科学实验装置,形成“3 10 1”的6G技术体系布局。超大规模天线空口AI语义通信智能超表面太赫兹通信新型无线传输新型编码多址信道测量与建模新型无源物联异构融合组网通感一体化可见光通信轻量化协议内生智能空天地一体内生安全移动算力分布式自治数字孪生网络全服务化内生确定性新型网络架构无线通信无线组网网络架构新型创新联合体新型创新联合体北京邮电大学-中国移动研究院联合创新中心清华大学-中国移动联合研究院东南大学-中国移动研究院联合创新中心协同攻关基础理论和协同攻关基础理论和原型样机研究原型样机研究产业合作伙伴产业合作伙伴确保技术向标准、确保技术向标准、产品及应用转化产品及应用转化中国移动中国移动以需求为牵引、问题为导向,以需求为牵引、问题为导向,做好做好“网络网络 融合创新融合创新”中关村泛联院 异构融合组网86G网络新变化6G 频段资源更多、更高,网络部署方式更加复杂,组网技术向异构融合方向发展,通过无蜂窝、即插即用与微域融合组网技术,实现网络服务的差异化、特定化,满足用户体验的极致性与一致性设计思路基于无蜂窝的用户接入与连接管理技术,实现无小区无切换分布式MIMO协同传输技术,提升用户体验一致性从蜂窝组网到无蜂窝组网基站即插即用技术,提高网络部署灵活性太赫兹、可见光等新频段按需开启,与中低频段协同接入技术,满足超高速率需求从站址规划部署到即插即用组网广域微域集中式 分布式协同组网技术,实现一体化设计跨域、跨节点、跨制式干扰协同技术,降低网间干扰,实现微域通信极致性能从广域微域独立组网到融合组网现网频谱太赫兹毫米波红外线低频段中频段毫米波THz回传智能手机笔记本电脑全息通信可见光非可见光太赫兹新频段:毫米波、太赫兹、可见光等频谱更高,且可见光以下行为主,如何实现全频谱接入面临挑战新体验:用户速率、时延等要求更高,且对用户切换体验一致性要求更高新融合:6G空口与新型短距通信技术融合,满足差异化需求6G组网目标用户体验一致网络部署灵活广域微域融合网络节能高效目录6G概述与技术布局无线光通信在6G中的应用与挑战中国移动无线光通信研究进展总结与展望可见光应用场景及需求移动通信场景移动通信场景热点高容量场景热点高容量场景小型室内场景小型室内场景垂直行业通信场景垂直行业通信场景交通场景交通场景电磁严苛场景电磁严苛场景可见光通信的挑战信道建模信道建模材料材料与器件与器件空口传输空口传输组网组网空间信道建模:频率、衰落、空时特性空间信道建模:频率、衰落、空时特性器件特性建模:噪声器件特性建模:噪声、频率响应等、频率响应等特性特性提高带宽提高带宽、发射功率发射功率、灵敏度灵敏度,降低非线降低非线性兼顾照明要求性兼顾照明要求波形调制:克服频响特性,高谱效,远距离波形调制:克服频响特性,高谱效,远距离可见光可见光MIMOMIMO:空间相关性大,:空间相关性大,光功率约束光功率约束上行难实现下行易中断上行难实现下行易中断移动性管理、干扰管理移动性管理、干扰管理可见光通信的关键技术信道建模信道建模关键器件关键器件建立传播建立传播环境环境模型:模型:环境光环境光、光源密度、光、光源密度、光反射特性等反射特性等建立器件噪声建立器件噪声与响应模型与响应模型建立建立可见光信道测量平台可见光信道测量平台重点关注重点关注SLDSLD,LDLD,micro-LEDmicro-LED,多色,多色LEDLED等能等能实现高速率传输的光源器件实现高速率传输的光源器件通过材料、结构、阵列等设计提升器件的通通过材料、结构、阵列等设计提升器件的通信指标要求信指标要求可见光通信的关键技术传输技术传输技术组网技术组网技术传输理论:可见光信号的非负实数特性、信号非独传输理论:可见光信号的非负实数特性、信号非独立噪声等特性影响容量界立噪声等特性影响容量界调制波形调制波形:非负实数约束、非负实数约束、PAPRPAPR与削波优化与削波优化均衡技术:预均衡、自适应比特能量加载均衡技术:预均衡、自适应比特能量加载VLC-MIMOVLC-MIMO技术:非成像技术:非成像MIMOMIMO、成像、成像MIMOMIMO、基于发送、基于发送透镜的透镜的MIMOMIMO、VLC-MIMOVLC-MIMO预编码预编码无线光融合组网:射频与可见光融合接无线光融合组网:射频与可见光融合接入、传输、连接管理入、传输、连接管理可见光超密集组网可见光超密集组网:无定形蜂窝网络架无定形蜂窝网络架构、形成机制构、形成机制可见光通信对器件的需求6G6G通信总体需求通信总体需求可见光通信指标可见光通信指标Spectrum Efficiency2 to 3 times higher than 5GMobility1000km/hConnection Density0.1-1hundred million devices/km3Reliablity99.99999%Area Traffic Capacity0.1-10Gbps/m3Control plane latency1msUser plane latency0.1msPeak Data RateTbps levelUser Experienced Data Rate10-100GbpsNetwork Energy Efficiency10 to 100 times higher than 5GNew capabilitiesDL:20GbpsUL:10GbpsCP latency10msUP latency4ms/0.5ms500km/houtdoor:10mindoor:3m1 million/km299.999Mbps/m2DL:100MbpsUL:50Mbps5G6GDL:30bps/Hz UL:15bps/Hz100 times compared to 4Gl 满足 300Mbps/m2 流量密度要求Ultra dense deployment:2x2x3 m3 per VLC APcoverage angle requirement:2*atan(1/3)=37average data rate per AP:1.2Gbps peak data rate per AP:4.8Gbps Modulation bandwidth requirement:5GHz(OOK is assumed)Normal deployment:4x4x3 m3 per VLC APcoverage angle requirement:2*atan(2/3)=67average data rate per AP:4.8Gbps peak data rate per AP:19.2GbpsModulation bandwidth requirement:5GHz(O-OFDM QAM is assumed)l VLC器件要求器件要求 Modulation bandwidth:5GHzcoverage angle/FOV:60coverage distance:5 m高速可见光通信关键器件特性分析可见光硬件电路框图可见光整机级联调测LDLD光路存在光路存在收发对准要求高、频率不平坦、噪声不平稳、非线性、动态范围小收发对准要求高、频率不平坦、噪声不平稳、非线性、动态范围小等挑战等挑战当前可支持点对点通信,组网实现复杂度要求高当前可支持点对点通信,组网实现复杂度要求高可见光信道射频特性测试0246800.010.020.030.040.050.060.070.080.090.10.110.120.13Voltage(V)Current(A)LD V-I曲线(实测)曲线(实测)可见光光路非线性特征评估-39.8-39.6-39.4-39.2-39-38.8-38.6-38.4-38.2-38-37.83.24.25.26.27.28.29.210.211.212.213.214.215.216.217.218.219.220.221.222.2光路衰减-输入功率(500M)-46.2-46-45.8-45.6-45.4-45.2-45-44.8-44.6-44.423456789101112131415161718192020.921.822.723.624.3光路衰减-输入功率(1G)目录6G概述与技术布局无线光通信在6G中的应用与挑战中国移动无线光通信研究进展总结与展望无线光通信研究布局智能手机笔记本电脑VR眼镜毫米波低频段可见光融合组网p6G可见光信道测量平台p6G高速可见光器件与验证平台p6G射频与可见光融合融合通信试验平台p6G空分复用无线光通信传输验证平台p云XR、大视频、全息显示等业务对6G网络的室内流量密度提出新需求p设计蜂窝与可见光通信深度融合系统,解决上行难、移动性差的问题p基于可见光信道、器件特征完善可见光噪声和容量理论模型p设计大带宽多灯协作传输方案,实现高速率、低中断传输 无线光通信验证平台北京邮电大学-中国移动研究院联合创新中心中关村泛联移动通信技术创新应用研究院东南大学-中国移动研究院联合创新中心清华大学-中国移动联合研究院可见光室内组网验证系统(建设中)由于当前已有的器件受限,先搭建中低速可见光通信系统,后续大带宽白灯光源和接收器研制成功后再升级高速的可见光硬件前端。可见光的覆盖和带宽两个重要性能都要保证,才可以实现组网应用需求。搭建无线可见光融合组网原型系统,进行技术方案的性能测试与验证规划可见光室分节点目录6G概述与技术布局无线光通信在6G中的应用与挑战中国移动无线光通信研究进展总结与展望总结与展望面向面向20302030年年6G6G商用的时间点,我们倡议学术界和产业界共同建立并完善商用的时间点,我们倡议学术界和产业界共同建立并完善无无线线光信道模型、完成光信道模型、完成关键器件技术路线选择与攻关、形成传输与组网等关键技术框架,为未来面向关键器件技术路线选择与攻关、形成传输与组网等关键技术框架,为未来面向6G6G的的无无线线光通信光通信的标准化与产业应用奠定基础。的标准化与产业应用奠定基础。

    浏览量0人已浏览 发布时间2023-12-12 21页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • IMT-2030(6G)推进组:2023 6G区块链架构与关键技术研究报告(页).pdf

    北京稻壳科技有限公司Beijing Rice Hull Technology Co.,Ltd.地址:北京市朝阳区九住路 188 号IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2023 年年 12 月月版权声明版权声明 Copyright Notification未经书面许可未经书面许可 禁止打印、复制及通过任何媒体传播禁止打印、复制及通过任何媒体传播2023 IMT-2030(6G)推进组版权所有2IMT-2030(6G)推进组IMT-2030(6G)Promotion Group前前言言移动通信网络作为国家信息基础设施的重要部分,在整个国家经济发展和社会生活中发挥着越来越重要的作用。在 5G 建设和应用逐渐普及的同时,6G 网络技术的研究也已经全面展开。6G 应用场景、需求与关键性能指标、潜在空口技术、网络架构与技术、安全架构与技术等各方面的研究也都已经成为当前学术界和工业界的热点。2023 年,ITU-R 发布的 6G 愿景和技术趋势,定义了 6G 可信的三大能力,安全、隐私和韧性。6G 需要提供更加安全可信赖的网络基础设施,支撑上层网络的创建、运行、维护、业务和数据。6G 新型的业务场景和开放的网络生态,对信任体系提出了新的需求:一方面,6G 将存在多种异构网络的融合、多方共建共享等,信任的建立从传统的双边演进为多方。另一方面,6G 时代的网络 AI、数据服务和无线感知等新兴业务和空天地立体组网需要分布式的多方协同机制。因此,除传统中心式、背书式等信任模型,6G 还需要构建多方互信、公平对等的共识信任模式,共识信任模式与传统的中心式模式、背书式模式共同构筑鲁棒的 6G 可信底座。区块链是一种去中心化的分布式账本技术,可重塑现代社会的信任模式,是一种实现从传统中心式单一可信根到基于共识的分布式信任根演进的重要技术,作为 6G 网络多模信任工作的使能技术之一,为构建网络信任体系提供了新的思路和更多的可能性。基于6G 区块链技术:场景和需求的研究基础,本研究报告进一步提出了区块链技术和 6G 网络的融合。第二章,阐述了网络中引入区块链需要对网络架构和功能做出的演进与更新,阐述区块链能力来源于 6G 网络基础设施,形成网络对区块链单节点能力和区块链全生命周期的管理、控制和配置,即 6G 区块链架构技术,引入全新的网络功能、控制流程等,从而形成 Net4 BC。第三章、基于网络基础设施构建的区块链服务,对内可以服务于 6G 的业务,形成 BC fornet,对外可以服务于第三方的外部业务,形成 BC as a Service。第四章,阐述了6G 架构中引入区块链技术,需要对区块链本身的技术提出的关键需求和研究内容。第五章,针对一个具体的智慧工厂示例,整体的方案设计和业务过程。3IMT-2030(6G)推进组IMT-2030(6G)Promotion Group目录目录.3图目录.5表目录.6第一章 区块链网络和 6G 通信网.71.1 区块链网络体系架构.71.2 区块链使能 6G 通信网.91.2.1 区块链使能 6G 可信.91.2.2 6G 区块链定义.91.2.3 6G 区块链系统结构.111.3 6G 区块链的选型.12第二章、6G 区块链网络架构.152.1 6G 区块链网络架构.152.2 6G 区块链服务.162.2.1 6G BC 服务架构.162.2.2 6G BC 能力的获取.172.2.3 6G BC 的创建.182.2.4 6G BC 生命周期的管理.182.2.5 6G BC 区块链模式.19第三章、6G 区块链业务.203.1 去中心化的设备 PKI 体系.203.1.1 控制与存储分离的哈希上链方案.213.1.2 完整证书上链的 DPKI 方案.223.1.3 无证书跨域认证方案.233.2 去中心化的用户数字身份体系.243.3 6G 区块链赋能网络切片管理.274IMT-2030(6G)推进组IMT-2030(6G)Promotion Group3.4 6G 区块链赋能算力网络.283.5 基于区块链的寻址方案.303.6 联盟网络.33第四章、6G 区块链关键技术.364.1、跨链技术路径.364.1.1 多链互通需求.364.1.2 区块链跨链技术.384.2 安全可信技术路径.394.3 用户隐私保护.414.3.1 个人数据保护法案.414.3.2 区块链的安全.414.3.3 可编辑区块链技术.424.4 6G 区块链共识算法.434.4.1 基于证明的共识机制.444.4.2 基于投票的共识机制.444.4.3 基于交易的共识机制.454.4.4 基于分片的共识机制.46第五章、6G 区块链部署案例.485.1 6G 区块链应用于智慧工厂的场景.485.2 6G 区块链的关键技术在智慧工厂场景下的选择.495.3 智慧工厂场景区块链相关流程.50总结与展望.51贡献单位.525IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图目录图 1-1 区块链体系架构.7图 1-2 6G 区块链结构图.11图 1-3 区块链系统分类.13图 2-1 6G 区块链整体架构.15图 2-2 区块链视角和基础设施视角图示.16图 2-3 区块链服务架构.16图 2-4 6G 区块链模块化架构.18图 2-5 区块链的创建.18图 2-6 区块链模式.19图 3-1 区块链存储 PKI 数据.21图 3-2 基于区块链和 IPFS 的跨域认证.21图 3-3 基于 DPKI 的完整证书上链管理方案.23图 3-4 无证书跨域认证.24图 3-5 基于区块链的分布式身份认证系统架构.26图 3-6 区块链的跨域网络切片.28图 3-7 区块链在算力网络中的应用.29图 3-8 两级 NRF 架构.31图 3-9 基于区块链的服务注册和发现方案.32图 3-10 基于区块链的联盟网络组网新生态.34图 4-1 区块链互通示意图.37图 4-2 可编辑区块链结构.43图 4-3 分片区块链.46图 5-1 基于区块链的智慧工厂架构.496IMT-2030(6G)推进组IMT-2030(6G)Promotion Group表目录表 1-1 公有链,联盟链,私有链的比较.13表 4-1 符号信息.267IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第一章 区块链网络和6G通信网1.1区块链网络体系架构区块链本质是一种分布式共享账本,由网络节点共同维护的区块以链式结构组成。通过分布式账本技术、密码学、共识算法、智能合约等多种技术的有效组合,保障在不通过第三方中介机构信用背书条件下,实现了数据的防篡改、防伪造、可追溯、可审计等,共同创造出一种低成本高可靠的基础设施。区块链体系架构可分为六层,如图 1-1 所示,自下而上分别是数据层、网络层、共识层、激励层、合约层和应用层。图1-1区块链体系架构数据层的功能主要是数据存储、账户和交易的实现与安全。数据层定义三个级别的分层数据结构,分别是:交易结构、区块结构和链式结构,并通过密码学技术来保障交易数据的安全性。实际中,区块网络可以为线性链表,也可以是有向无环图(DAG)。网络层主要定义了三方面内容:区块链网络的拓扑结构、区块或交易等数据传播协议和验证机制。区块链的节点具有分布式、自治性等特性,因而区块链采用对等(Peer to Peer,P2P)网络结构。每个节点地位对等,都可以作为资源/服务的使用者和提供者。每个节点都是一项或多项功能的集合,每个节点都参与验证并传播交易及区块信息,发现并维持与对等节点的连接。区块链中节点间数据传8IMT-2030(6G)推进组IMT-2030(6G)Promotion Group播协议大多建立在 TCP/IP 之上,任一新节点要传输交易或区块等数据,首先需要发现并连接至区块链网络中的路由节点。在区块链网络中,节点时刻监听网络中广播的数据。当接收到邻居节点发来的新交易和新区块时,首先会验证这些交易和区块是否有效。如检查区块数据结构、交易语法、输入输出、数字签名等。只有通过验证的交易和区块才会被处理。如新交易被放入待打包的交易池,同时继续向邻居节点转发;若没有通过验证,则立即丢弃,从而保证无效交易和区块不会在区块链网络中继续传播。共识层主要保证在不可信的网络环境下实现账本数据全网存储的一致性。区块链共识一般可分为基于证明、基于投票、基于交易、基于分片等四类。区块链共识过程包含以下步骤:记账节点选择。记账节点负责打包交易进区块。区块上传。选出的记账节点按照一定的策略将交易池中未确认的交易打包进区块,并将新区块广播给全网所有参与者验证。区块验证。参与节点在收到记账节点发来的新区块后,将验证区块和交易的有效性。区块上链。只有获得一定比例参与节点的认可,该区块才会被作为有效区块放在区块链尾部,从而形成一条从创世区块到最新区块高度的完整链条。激励层主要出现在公有链中,包含激经济激励的发行制度和分配制度,其功能是提供激励措施,鼓励节点参与区块链中安全验证工作,并将经济因素纳入到区块链技术体系中,激励遵守规则参与记账的节点并惩罚不遵守规则的节点。激励层设计的主要目标是保证参与节点价值分配的合理性和机理相容性,通过合理有效的分配机制实现各参与节点的利益最大化,并且能够有效机理更多节点参与,从而保证区块链的稳定性和可持续运行。发行 Token 是常见的激励机制。在现阶段的联盟链中,也可以存在激励机制,激励机制可以为非虚拟货币的形式。合约层封装了各类脚本、算法和智能合约,是区块链可编程性的体现。智能合约,是一段写在区块链上的代码,一旦某个事件触发合约中的条款,代码就自动执行,不再需要人为干预。智能合约生命周期简单概况为合约创建、合约开发、合约部署、合约执行、合约升级和合约销毁。合约部署的时候被编译成操作码存储在区块链上,对应一个存储地址。当合约规定的条件发生时,会发送一笔交易到该合约地址,全网节点都会执行合约的操作码,最后将执行结果写入区块链。智能合约可灵活嵌入各种数据和资产,实现安全高效的信息交换、价值转移和资产管理等。9IMT-2030(6G)推进组IMT-2030(6G)Promotion Group应用层主要定义区块链应用的准则模型、垂直行业及开发工具等。通过 Web前端技术、移动开发技术等开发工具设计友好的图形化接口,服务于不同垂直行业中区块链落地应用开发。1.2 区块链使能 6G 通信网1.2.1 区块链使能 6G 可信6G 网络架构将支持按需部署的能力,包括 5G 网络已有的连接能力,还包括计算能力、数据能力、可信能力等多种能力,不同的能力相互支撑,互为调用。区块链可信能力的一种,是天然的多方共建的信任机制,可以为网络提供不可篡改的存储、自动化的交易执行、多方共识的信任机制,是可信能力中重要的组成部分等。6G 将区块链功能引入网络,为 6G 网络提供新的安全服务,进一步提高安全能力。另外,也可以开放给第三方,以向其提供服务和所需的安全支持。1.2.2 6G 区块链定义当前,针对于区块链使能 6G 的研究中,业界的研究重点都在业务场景对区块链的使用,区块链以“带外”的形式独立于通信网的业务流程,缺少对 6G 区块链的概念和架构定义。带外部署的模式下,区块链的部署和动态管理流程、数据上链的流程和通信网的通信流程完全变成不可耦合的三个流程,不利于对区块链生命周期和业务流程的标准化定义。因此,区别于外挂式的能力,6G 区块链能力内生于网络,基于以下五个方面的诉求:1、从 6G 架构演进维度,6G 网络可以提供超越连接的服务能力。基于 6G网络基础设施的区块链服务,具体体现为服务于 6G 业务的 BC4Net 和服务于对外第三方业务的 BCaaS。BC4Net:通信网通信网业务在多方协作、审计追溯、安全交易、身份管理等方面,需要 6G 基础设施为其提供建设、维护、运行、管理区块链的服务。BCaaS:提供超出通信网的业务范围,对外开放服务于外部各行各业,为第三方业务构建区块链基础设施。总之,基于 6G 这样一个无处不在的、智能普惠的网络,以 6G BC服务的方式赋能通信网业务和第三方业务,构筑了 6G 网络架构的商业10IMT-2030(6G)推进组IMT-2030(6G)Promotion Group竞争力。2、从 6G 组网生态维度。随着 Web3 互联网的发展,6G 将是一个多方参与的网络,网络中每个个体都可能参与到网络的建设、运行、生产、消费和收益中来,区块链可以为网络个体之间的交互提供可信保障,使得网络的共建共享得以实现,用户可以生产各种数字资产并以此获益,大网专网、天网地网都可以在区块链构建的可信基础保障上实现能力的开放服务。此种可信保障将成为 6G 网络的基础能力,与 6G 网络各种通信流程耦合在一起,因此区块链的内生是 6G 网络必然的要求。3、从服务于 6G 场景维度。区块链是一个安全的记录平台,不同的业务在不同的场景下需要通过数据上链的功能用于完成多方交易、溯源存证等安全功能,比如终端向区块链上报环境感知信息、基站向区块链上报网络 KPI 信息、核心网节点用于安全的信息交换和记录,跨运营商进行身份和信任管理等,因此,移动通信网络中的节点将不同程度的参与到账本的数据上报、查询、共识、运维中。内生的节点能力,6G 网络可以从全局视图对节点进行统筹和管理,无需借助外部的管理平台和基础设施。4、从区块链动态管理和数据保护的维度。通信节点的计算能力、存储能力、网络不同;区块链节点也存在客户端、轻节点、全节点等多种角色。因此,通信节点在链上的动态加入和退出,通信节点在链上的角色和管理,通信节点在链上的准入控制,通信节点在链上的隐私保护和安全防护,都需要有 6G 网络决策、判断和维护。因此,从链的运维角度,也需要6G 的区块链内生于 6G 网络。综上所述,6G 区块链是区块链在 6G 场景下的对于区块链的重新定义,将具有鲜明的 6G 特色,既不同于传统比特币、以太坊的公链,又不同于基于云的各种 BaaS 平台与服务。6G 区块链,即 6G BC,具有如下特征:1、6G 原生:传统的公链基于互联网平台,任何一个节点都可以通过互联网接入区块链;或基于云服务供应商的云平台,区块链的使用者如政企、供应链、金融等行业等通过向区块链服务提供商购买、租用并使用区块链服务。6G 区块链将与传统区块链的区别在于,6G 区块链将基于 6G网络作为基础设施,移动通信网络节点作为区块链的基础设施节点,通过网络功能对区块链进行统一的调度和管理。11IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2、服务 6G:6G 区块链服务于 6G 业务,基于 6G BC 为上层业务提供安全的互信互享平台,业务也会因为区块链的引入需要重塑业务流程。3、6G 灵活管理:应对不同业务场景下区块链的性能、安全等需求,可在不同的网络位置部署区块链一体机等专用节点,接受统一调度。根据业务需求实现灵活动态的节点管理。4、符合 6G 网络特征部署:由于 6G 底层基础设置的多样化,因此区块链的节点设置上也将遵循 6G 网络的特征进行分层部署。1.2.3 6G 区块链系统结构图 1-2 6G 区块链结构图结合通信网网络特征、区块链内生特征和区块链自身的分层结构。6G 区块链,如图 1-2 示例,可包括基础设施与资源层、网络能力层、应用层,以及支撑与编排管理、接口与互联等支撑区块链运转和服务所需的能力。各部分的主要功能为:1.基础设施与资源层:作为 6G 网络公共的基础设施和资源,包括频谱资源、云网边端算力、异构网络、安全资源等,提供 6G 区块链运行所需的算力、存储、通信,以及支撑 6G 区块链密码算法功能的密码机、PKI等基础资源。2.网络能力层:作为 6G 网络能力的一部分,实现区块链能力,含区块链功能层和执行层两个子层。12IMT-2030(6G)推进组IMT-2030(6G)Promotion Group区块链执行层:实现区块链运行的底层能力,包括 P2P 传输、区块和链式结构处理、验证等;区块链功能层:实现 6G 与区块链结合、向应用层提供的基础功能服务,包括作为联盟链运行的身份验证、权限控制、联盟治理,以及向应用层提供的数据存证、联合计算、隐私计算等基础能力。3.应用层基于区块链能力,提供 6G 网络服务并向各行业赋能,其中,6G 网络服务基于区块链和网络特色,提供统一认证、频谱共享、协同组网、算力协作、漫游结算等电信应用,行业赋能基于 6G 区块链提供的 BaaS 服务,结合行业特性,提供如网络数据共享、交易结算、供应链管理等应用。4.支撑与编排管理层:实现区块链运营管理所需能力,作为 6G 网络统一支撑、编排与管理功能的子功能,包括区块链节点、联盟链管理等基础信息管理、运营与监控等运维运营类管理,以及区块链编排、及相应策略定制等编排管理功能。5.接口与互联包括区块链与应用的标准 API、二次开发 SDK,及外部实体接入网关、跨链通信网关,以及跨链协议转换等能力。1.3 6G 区块链的选型区块链系统可以通过使用加密算法和共识机制创建和维护一个不可更改的分布式账本,以记录不可信或半可信参与者之间的交易。根据参与者的访问系统授权方式,区块链系统可分为两类:无许可区块链系统和许可区块链系统。在无许可区块链系统中,任何人都可以在未经授权的情况下访问该系统,参与者不受信任。比特币和以太坊就是这类系统的典型例子。在许可区块链系统中,参与者只有在被认证后才能访问该系统,而参与者之间并不完全信任(半信任)。Hyperledger Fabric 就是一个典型的例子。根据区块链的使用范围不同,许可区块链系统又可细分为联盟链和私有链。区块链系统的分类如图 1-3 所示。13IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 1-3 区块链系统分类公有链系统是一个完全开放的系统,任何人都可以参与区块链数据的维护和读取,每个人都可以竞争记账权,容易部署应用程序,完全去中心化不受任何机构控制,交易过程的数据是明文传输。一般采用工作量证明共识机制,也就是所谓的挖矿激励机制,争取到记账权的矿工获得区块链货币的回馈。通常情况下,公链交易速度较慢。联盟链系统是一个半开放系统,需要注册许可才能访问,联盟链仅限于联盟成员参与区块链数据的维护和读取,交易过程的数据是可以是密文传输。需要预先指定几个节点为记账人,每个区块的生成由所有预选记账人共同决定,其他节点可以交易,但是没有记账权。一般采用分布式一致性算法来达成共识,一般不采用挖矿激励机制。交易速度较快。私有链则完全封闭,仅采用区块链技术进行记账,记账并不公开,且只记录内部的交易,由公司或者个人独享。一般采用分布式一致性算法来达成共识,交易速度较快。表 1-1 公有链,联盟链,私有链的比较公有链公有链联盟链联盟链私有链私有链访问控制访问控制无有有参与者参与者任何人联盟成员公司内部共识机制共识机制POW/POS/DPOS分布式一致性算法分布式一致性算法记账人记账人所有人指定指定激励机制激励机制需要可选无中心化程度中心化程度去中心化多中心化中心化交易速度交易速度较慢较快较快区块链数据区块链数据访问访问任何人联盟成员公司内部14IMT-2030(6G)推进组IMT-2030(6G)Promotion Group交易数据是交易数据是否加密否加密否可以可以6G 系统应该采用许可链而不是非许可链,基于如下考虑:1、区块链内嵌在 6G 系统:章节 1.2 所定义的 6G 区块链,6G 区块链将与传统区块链的构建具有鲜明的不同点,6G 区块链将基于 6G 网络作为基础设施,通过集中式管理功能对区块链进行统一的调度和管理。6G 系统这些资源是不对公众开放接入的,只有授权的人或设备才能访问这样资源。2、安全性:区块链上的交易数据涉及到运营商的网络运营相关数据,是不会向公众公开的。为此,区块链的交易过程的数据传输也要求加密。3、性能:非许可链的交易性能通常很难满足 6G 系统中一些对实时性要求高的业务需求。15IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第二章、6G区块链网络架构2.1 6G 区块链网络架构图 2-1 6G 区块链整体架构6G 区块链架构是一种端到端的能力架构,如图 2-1 所示,由两类组件组成:区块链控制功能(LAF)和区块链能力(BC enabler)。其中,区块链控制功能是位于网络侧的统一管理功能,是网络接收区块链需求和管控区块链能力的核心接口。LAF 位于网络侧,是 6G 区块链的整体管理和关联的锚点,将 6G 通信网作为区块链平台的底层基础设施。区块链能力,即 BC enabler,可以集成于移动通信网络的网元中,也可以以独立节点的形式部署在网络中。基于LAF和BCenabler的能力,6G 可以实现基于 6G 网络的 BaaS 功能,接受来自于业务面的区块链需求,完成链的创建。区块链能力可根据网络实体的计算、存储、网络能力的差异匹配多种类型的链节点,如区块链客户端,区块链全节点等。当通信网节点能力不适用于区块链的全节点时,也可部署独立的服务器,如区块链一体机,专门用于承载区块链节点业务。通信网的联盟链中,终端用户、基站、NF 都可以作为链上的客户端,运营商的服务器节点为区块链的运行节点,因此并非每个区块链的参与者都要具备完备的区块链功能。图 2-2 为区块链视角的网络图和底层基础设施视角的网络图示例。底层为运行区块链的物理节点,可以包括 6G 通信网中的实体或区块链一体机。上层为从区块链视角的区块链网络,每个节点可分别映射到底层的物理节点上。16IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 2-2 区块链视角和基础设施视角图示2.2 6G 区块链服务2.2.1 6G BC 服务架构图 2-3区块链服务架构如图 2-3 所示,6G 区块链服务基于 6G 网络基础设施节点,通过基于 LAF和 BC 能力的抽象,为上层业务(包括 6G 自身的业务和第三方的业务)提供区17IMT-2030(6G)推进组IMT-2030(6G)Promotion Group块链能力(BC4Net、BCaaS)及上层的智能合约,屏蔽底层基础设施细节,管理基础设施节点。2.2.2 6G BC 能力的获取6G 区块链功能采用模块化架构,如图 2-4 所示。该架构主要包括 5 个部分:BCRF、BCSF、SePolicy、Node.BC 和 Client.BC,各部分主要功能描述如下:BCRF:BlockChain Repository Function,区块链仓储功能。是一个软件仓库,存放了可用于区块链系统的各种功能。这些功能可能位于区块链体系架构的不同层次,具有不同的特点。例如 BC1.*对应区块链网络数据层的功能,BC1.1 对应哈希函数、BC1.2 对应时间戳功能;BC3.*对应区块链共识层的功能,BC3.1 对应 POW 共识、BC3.2 对应 BPFT 共识等。BCSF:BlockChain Selection Function,区块链选择功能。用于选择所需的区块链功能。BCSF 根据 SePolicy 给出的安全策略,从 BCRF 中选取合适的功能,并将该部署到网络中相关的节点。BCPF:BlockChain Policy Function,区块链策略功能。BCPF 是一组用户、应用等可以选择的 6G 区块链策略集合,为 BCSF 从 BCRF 中选择合适的功能提供依据。Node.BC:这类节点是区块链网络上的节点。Node.BC 能够完成区块链网络中的一项或者多项功能。例如:Node.BC 具有共识功能、或者具有存储账本的功能。多接入边缘计算 MEC 可以是一个 Node.BC 节点。Client.BC:是具有区块链客户端功能的节点。例如 Client.BC 可以发起交易,该交易被送往具有Node.BC 功能的节点。通信网络中的 UE可以是一个 Client.BC节点。区块链功能的可编排,根据业务需求,可由节点向网络提出请求,网络向节点发送相关工具包。或者将各种工具包上传至区块链保存,节点根据自身需求自行下载工具包。为保证工具包的安全性,工具包可被网络节点私钥签名,并具有有效期,可以通过核心网节点公钥进行解密。18IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 2-4 6G 区块链模块化架构2.2.3 6G BC 的创建图 2-5 区块链的创建1.如图 2-5 所示,业务面向 LAF 提出账本需求;2、LAF 接受需求指标,完成指标解析,识别对应节点,确定节点,下发激活指令3、LAF 向 Ledger infrastructure 中的对应节点下发激活指令。完成完成账本建立。2.2.4 6G BC 生命周期的管理区块链创改建后,网络和业务可以继续对链进行生命周期的管理,如:区块链的信息管理:包括基本信息和策略信息。19IMT-2030(6G)推进组IMT-2030(6G)Promotion Group区块链节点配置管理:LAF 对可以对链节点的进行动态的配置管理。区块链的运行视图:Linux 系统性能监控数据:监控 Linux 系统的 CPU 占用率、内存占用情况;日志数据:docker 运行日志、fabric 运行日志、错误日志等;监控运维:区块链网络状态、区块高度、链码和链上数据;业务数据:通道数据、交易数据、区块链本身存储的数据等。2.2.5 6G BC 区块链模式基于 6G 区块链架构产生可根据需要创建多种不同模式的区块链,如图 2-6所示:图 2-6区块链模式20IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第三章、6G区块链业务3.1 去中心化的设备 PKI 体系PKI 技术是利用公钥理论和技术建立的提供信息安全服务的基础设施,是信息安全基础设施的一个重要组成部分,是一种普遍适用的网络安全基础设施。其核心是要解决信息网络空间中的信任问题,确定信息网络空间中行为主体(包括组织和个人)身份的惟一性、真实性和合法性,保护信息网络空间中各种主体的安全利益。在移动通信网络中,数字证书也起着重要作用。在 SBA 架构中用于 NRF 对NF 的认证以及授权令牌的验证。也用于运营商间 SEPP 建立信任关系,以实现运营商间的安全互联互通。它也可能用于运营商网内的前传链路和后传链路建立IPsec/TLS 安全通道。可以预期数字证书也将是在 6G 系统中建立安全信任的一种重要手段。也用于设备厂商的设备在运营商的局点中开局时的通信认证。当前 PKI 系统的核心执行机构证书授权中心(Certificate Authority,CA)都是中心化节点,而 CA 被攻击造成单点失效或者 CA 自身可信性不高伪造证书的事件屡出不穷,造成的严重的安全危害。例如:Comodo 被攻击 ;沃通因篡改证书日期被 Google、Firefox 等移出信任列表案例。另外,由于不同实体会构建自己的信任体系,不同的 CA 形成了许多孤立的信任域,CA 各自为政,导致证书认证不畅。同一用户往往需要同时持有多个 CA 证书,才能满足不同场景的认证需求。并且跨 CA 的证书验证需要借助额外的手段实现,如第三方桥接、签发互信证书等。因此,打破单一信任根带来的中研集权问题,和不同信任域之间的互联互通也成为了目前 PKI 建设亟待解决的问题。在 6G 时代,随着网络共建共享和设备多样化的特征,PKI 的应用将更加广泛,同时由于其单点失效和过度集权带来的可信问题将更加突出。因此 6G 对 PKI 的需求包括以下三点:(1)解决 PKI 由于信任集权带来的单点失效风险,提升证书透明度,利用透明化降低被攻击/恶意CA 带来的攻击影响;(2)通过证书信息透明提升设备厂商证书的可信性,(3)提升跨域认证的便捷性,避免只能通过交叉证书或手动配置才能实现的跨域认证,及证书交叉验证带来的冗长证书链问题。引入区块链技术,可以构建统一的信任21IMT-2030(6G)推进组IMT-2030(6G)Promotion Group平台,利用区块链的公开透明、多方共识、不可篡改的特性构建 CA 联盟,实现基于区块链的证书管理、透明审计、和跨域验证技术,提升 CA 可信性和可监督性等图 3-1 区块链存储 PKI 数据当前,基于区块链的去中心化 PKI(DPKI)的研究之学术研究热点之一,产业界和学术界提出了多种安全方案可供选择,适用于不用的场景:3.1.1 控制与存储分离的哈希上链方案特点:1、利用 IPFS 对区块链进行存储扩展、链上存储证书哈希。用户在使用时传递完整证书,对端到链上进行认证采用区块链技术和星际文件系统(IPFS)实现存储与控制分离的跨域身份数据共享模型。为了尽可能的避免单点失效问题,采用去中心化的方法,在系统内的区块链节点和 IPFS 节点都是由参与到系统中的联盟 CAs 担任,并保证每个CA 承担的节点数量相同,避免事实上的中心。图 3-2 基于区块链和 IPFS 的跨域认证22IMT-2030(6G)推进组IMT-2030(6G)Promotion Group在跨域身份认证方案中,系统需要将跨域共享数据同时存储到区块链和星际文件系统(IPFS)中,并且在星际文件系统(IPFS)中需要额外存储数据对应在区块链的地址数据。首先将跨域共享数据异步存储到 IPFS 和区块链系统中,不同的是存储到区块链的为数据的哈希形式,而存储到IPFS的为数据真实值,并且每条存储在 IPFS的数据还额外包含一条对应的地址数据,这条地址数据是指该数据成功存储到区块链后的区块地址信息。通过地址信息可以从区块链中读取到该实际存储数据的Hash 值,并使用这条 Hash 值作为 IPFS 存储实际数据的校验标准,定期校验 IPFS中的数据是否完整或被篡改。通过这种存储与控制分离的方式,IPFS 负责存储真实数据,区块链负责校验这些数据的完整性,从而避免由于 IPFS 中的节点被攻击失效而造成的危害。在其他安全域需要对跨域身份验证时,证书只需要通过本地的星际文件系统(IPFS)获取身份拥有域的公钥及撤销列表等信息,并经由区块链校验通过后,使用该数据对跨域证书进行有效性校验,并完成身份的跨域认证,最终实现将跨域身份认证转化为同域身份认证。3.1.2 完整证书上链的 DPKI 方案有共同利益的运营商组成联盟链。每个运营商将自己与网络运营所需的数字证书,包括自己 CA 的数字证书,通过联盟链的共识机制写入联盟链,从而构成 DPKI 网络。网络的网元以及需要相关的数字证书时从 DPKI 的状态数据库获取。数字证书的真实性由区块链上数据的不可篡改性保证。23IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3-3 基于 DPKI 的完整证书上链管理方案完整证书上链方案适合用于运营商网络的网元及网络设备证书的管理。使用此方案的优点是,认证协议可以不用携带完整的证书,只需要携带认证需要的标识,根据此标识在数字账本上可以获取到相应的所有与标识对应的数字证书,并在 DPKI 状态数据库获取与标识对应的最新的数字证书以及证书的状态。但此方案不太适合应用于用户证书的管理,因为用户的数量相对于网元及网络设备数量大很多,这要求数字帐本以及状态数据库有非常大的存储空间。3.1.3 无证书跨域认证方案为了满足多样化场景的业务需求,未来 6G 网络采用集中和分布式协同的去中心化的分级网络,6G 网络将通过集中和分布式协同、分布式自治的方式进行组织,可以满足天、地、空、海等多种异构接入场景和网络性能需求。在分布式网络的架构下,设备处于不同的管理域中,管理域内属于可信范畴,为了在位于不同管理域中的设备之间建立信任,参与的设备需要在不涉及受信任的第三方的情况下跨管理域进行相互身份验证。在设备需要执行身份验证时,设备向密钥生成中心发送身份标识信息生成设备私钥。区块链作为具有不可篡改性的分布式账本,可为不同管理域内的设备公钥和系统信息信任背书。当设备进行跨域认证时,24IMT-2030(6G)推进组IMT-2030(6G)Promotion Group下载区块链中存储的公钥,利用区块链中的公钥验证跨域设备发送的认证消息。在该场景中,公钥基于用户身份标识信息生成,无需经过权威机构的签名,无需使用数字证书,简化了密钥系统管理的复杂性。代理服务器:管理域中的每个密钥生成中心都需要构建一个节点来维护区块链的全局账本。代理服务器服务于密钥生成中心,定期更新上传设备公钥及系统信息。密钥生成中心:基于本域内设备发送的身份标识信息以及系统信息生成对应设备私钥。其中,公钥即为设备身份标识信息,设备身份标识为设备生成的临时标识,需要定期更新。密钥生成中心通过代理服务器将设备公钥和系统信息上链,并定期更新。认证服务器:请求区块链中跨域设备的认证所需系统信息和公钥信息,代表请求设备实现对跨域设备的认证。图 3-4 无证书跨域认证3.2 去中心化的用户数字身份体系当前,用户在 CT、IT、日常业务中,需要维护大量的身份信息。CT 领域。用户(卡)需要与运营商强绑定:每个电信运营商独立管理各自的用户身份体系。25IMT-2030(6G)推进组IMT-2030(6G)Promotion Group6G 的发展需要各个领域的互通,包括如 IT 领域、CT 领域、日常生活的身份使用各自维护。基于去中心化的数字身份体系,用户可以维护自主的身份,用于维护用户在不同业务场景下的灵活接入和互通。同时网络中日益复杂的多方交互行为(除了通信,还有感知、AI、计算等)对于身份认证也提出了更高的要求,不仅用户需要进行身份认证,网络节点甚至分布式自治网络整体也需要进行身份的认证,身份认证拓展到网络中的所有主体。同时,运营商也可以基于自身具备的公信力,为用户开具一定的证明,则可以为运营商带来新的商业利益。同时,6G网络提供全覆盖因此支持多种接入技术(如 4G/5G、WLAN、固定网络等技术)以及支持多样的终端设备,特别是海量物联网应用的终端,当前通信网络运营商广泛使用的基于(U)SIM 卡的用户认证方案成本较高,在认证和身份管理方面的成本,需要缩短认证链条实现快速安全的接入。一种基于区块链的跨域认证系统架构如图 3-5 所示,包括信任层为多方机构构成的互信 CA 平台,CA 可为任何身份背书方,如运营商、设备商、卡商等,终端设备 UE(及以 UE 为中心的附属设备身份等其他网络设备)。系统网络架构接收到新增节点发送的注册信息时,对注册消息进行验证,验证通过后生成新增节点对应的证书(或任意一种可验证凭证);根据证书计算新增节点的证书的哈希值,将新增节点的证书的哈希值存储至区块链;将新增节点的证书发送至星际文件系统,根据新增节点的证书生成对应的 CID,并发送至中心节点 CA;基于CID生成注册成功消息并回复至所述新增节点;获取终端设备UE中失效的证书,由中心节点 CA 生成证书吊销列表 CRL 并将证书吊销列表 CRL 发送至星际文件系统;网络和终端设备 UE 之间进行跨域或同域交互获取服务时进行双向认证。26IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3-5 基于区块链的分布式身份认证系统架构在多域网络场景下,基于各域网络内中心节点 CA 颁发的证书互信,从通信的效率、数据交流安全性的角度,通过星际文件系统的分布式以及防篡改特性,解决了传统集中式中心节点 CA 身份认证管理中的单点故障风险以及遭受数据攻击或劫持时的隐私数据泄露问题,削弱了中心节点 CA 在身份认证中的中心化角色,实现了分布式身份认证。表 3-1 为下面流程中使用的符号及解释。表 3-1符号信息符号描述UE用户C区块链分发的随机数ID区块链为用户分配的唯一身份T有效期t时间戳EPK(x)用 x 的公钥加密信息Temp临时会话密钥TX认证信息(日志)1.注册阶段身份认证机制通过验证数字证书的有效性以及验证数字签名来进行身份认27IMT-2030(6G)推进组IMT-2030(6G)Promotion Group证,数字签名采用非对称加密,使用发送方私钥加密生成,接收方使用发送方公钥即可验证签名。设计一种注册流程,包括数字证书的颁发以及存储。2.双向身份认证阶段在身份认证过程中,由于区块链节点中可能存在恶意节点,在物联网用户UE 或网络设备发送身份认证申请之前首先要验证所要接入的节点是否可靠。本节设计了一种双向身份认证机制,实现了对区块链节点的可靠性验证,然后通过节点对用户 UE 或网络设备的认证,实现了单域双向的高度安全的身份认证。3.跨域身份认证在身份认证中,隶属于不同运营商的设备都由该运营商所属 CA 颁发数字证书,而设备由于其可移动性,可能需要接入不同运营商的网络域。本节设计了一种跨域身份认证机制,实现了在各运营商证书互信的前提下用户 UE 或网络设备接入其他运营商网络域的跨域身份认证。同时,还设计一种保存在各域各节点本地的跨域访问列表(Cross-Domain Access List,CAL),用于存储跨域设备的身份信息,提高跨域认证的效率。3.3 6G 区块链赋能网络切片管理社会数字化推动移动通信与各种垂直行业的融合发展,同时 VRXR 等新技术的发展需要移动通信为用户提供差异化定制化的服务,可定制化网络能够依据服务需求将基础设施网络组建为多个相互独立且彼此隔离的逻辑网络,以此满足差异巨大的业务需求和用户需求。可定制化网络的实现形式可以是网络切片或者用户中心网络(User Centric Networking,UCN),无论是哪一种形式都需要实现网络资源的共享和网络资源之间的按需调配。实现可定制网络的组网时,网络运营商可能会通过多个基础设施网络间协作及资源共享的方式扩充网络容量,进而降低部署成本并且提升投资收益。但是各个自治域之间的信息不共享,各域的资源价格也不尽相同。因此虚拟网络提供商如何协同底层各域,实现快速部署,是跨域面临的一个挑战。同时,底层跨越多个基础设施供应商,当多个供应商一同参与网络基础设施的共建共享时,应考虑该种分布式架构应如何准确可信地结算每个供应商的资源服务贡献量和消费量,将关键参数,运维信息等存储以便于事后追溯或审计,避免产生争端。并且在形28IMT-2030(6G)推进组IMT-2030(6G)Promotion Group成定制化网络的过程中,服务等级协议 SLA 检测依赖于第三方审计,在多方参与的情况下,也需要公开可信的审计方案。图 3-6 区块链的跨域网络切片利用区块链网络在不同基础设施提供商之间进行资源的协调,交易的记录,可以在各方利益不同的情况下达成资源的协商一致,并且区块链网络能够记录下资源的使用情况,以便后续计费,责任溯源。具体步骤如下:1.基础设施需求方通过区块链网络广播资源需求情况。2.基础设施需求方依据自身需求触发相应的智能合约,基于智能合约能够匹配到合适的基础设施供应方,供应方利用智能合同基于需求进行协作共同提供资源。3.当基础设施需求方需要与供应方进行点对点的通信时,可利用区块链技术进行加密通信。供应方利用通信地址与需求方建立点对点通信之后,利用点对点通信协商SLA 协议(服务水平协议)。SLA 协商一致后广播至区块链网络,记录在区块链网络中,便于之后的审计等。3.4 6G 区块链赋能算力网络算力网络是通过网络承载、传递泛在计算服务,实现计算、网络融合一体化的新型网络架构。算力网络引入区块链,可赋能应用、终端、网络以及计算资源相互解耦。这29IMT-2030(6G)推进组IMT-2030(6G)Promotion Group意味着在算力网络中,基于区块链,应用、终端、网络以及计算资源之间身份授予、验证、鉴权、授权等功能暨可相互独立,又可实现互操作。比如,算力资源由独立于运营商的第三方提供,不同的运营商不仅可借助区块链等技术验证该算力资源的身份,同时还能对该算力资源访问运营商网络的访问权限进行鉴权和授权。区块链具有链式结构的分布式账本技术可起到防止非法篡改的重要作用,从而为算力网络利益相关者提供一套可信度较高的共享账本。基于该共享账本,要做到解耦应用、终端、网络以及计算资源之间身份授予、验证、鉴权、授权等功能,还需要结合分布式身份(DID)技术。DID 的核心作用是将授权方与鉴权方解耦。根据具体业务场景,可以将算力网络的相关资源抽象为授权方、鉴权方、获权方(见图 3-10)。比如,算力资源管理平台(授权方)为算力资源(获权方)授予的业务权限,应用方(鉴权方)可以通过 DID 和区块链等技术来验证该算力资源(获权方)是否具有其所声称的业务权限。图 3-7 区块链在算力网络中的应用结合 DID,区块链在算力网络中的应用步骤如下(以算力资源为例):身份/权限获得:1.算力资源向算力资源管理平台(授权方)申请身份以及相应的权限;2.算力资源管理平台将算力资源的身份及其对应权限(如网络接入权限)上传至区块链;3.算力资源(获权方)获得相应身份及其对应权限。鉴权/授权:1.算力资源(获权方)向网络申请接入权限;30IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2.网络(鉴权方)向区块链请求相关数据,并验证该算力资源权限;3.根据区块链返回结果,网络赋予算力资源相应网络接入权限。区块链在算力网络中的应用非常广泛。除了在身份管理、鉴权和授权等基础功能上,结合算力度量等技术,区块链还可赋能算力交易等新型商业模式,从而可促进包括运营商在内的社会各方积极投入算力资源建设、提高算力资源利用率、降低社会建设成本。算力交易的内容不在本文范围之内。3.5 基于区块链的寻址方案在 3GPP 5G 网络的 SBA 服务化架构中,当两个网元 NF 进行通信时,它们将扮演不同的角色:发送请求的 NF 为服务消费者,接受请求的的 NF 为服务生成者。服务注册和发现是这其中用于确定服务消费者如何找到并联系服务生产者的机制。该机制依赖于核心网中逻辑上集中的 NF,即 NRF(网络存储功能)。同一个核心网中的其它 NF 将提供的服务注册到 NRF 中,而后 NRF 对所有可用的 NF 及其提供的服务进行跟踪。在网络实际部署,当涉及不同核心网之间的服务调用时,则可由两级 NRF架构实现服务的注册和发现。一种部署的实例如图 3-11 所示,该架构包括位于省层面的省级 NRF 和位于骨干层的骨干 NRF。归属于不同省份网络的 NF 将提供的服务注册到该省网络的 NRF 中,当省 A 的 NF1 在业务流程中需要向省 B的 NF2 发起服务调用时,首先向本省的省级 NRF 发起 NF 服务发现请求,以获取 NF 服务的地址。当本省的 NRF 查找不到对应 NF 服务时,会向骨干 NRF 发起发现请求,骨干 NRF 进一步从省 B 的 NRF 处获得 NF2 服务的地址并返回给省 A 的 NRF,最后,NF1 使用该地址向 NF2 发起服务调用请求。31IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3-8 两级 NRF 架构6G 网络将支持面向特定垂直行业、特定使用场景,实现定制化的分布式边缘网络,网络生态的参与方将更加多样,需要可信公平的运营环境,以激励各方的合作;其次,随着网络进一步服务化,原子化功能按需进行重构,信令需要携带更多的信息,发生频次也将增多,多级寻址不仅带来网络压力,而且在一定程度上降低了业务体验;再次,在网元重启或容灾倒换时,易出现到 NRF 的服务发现信令风暴,引起 NRF 过载及连锁异常反应。基于区块链的寻址方案,利用区块链的技术特点和优势,可以一定程度上解决传统方案在上述方面的难点问题。基于区块链的服务注册和发现方案在具体实现上可以有多种不同的方式,一种方式是由各个分布式网络内的 NF 服务管理功能直接作为 Node.BC 节点,另一种方式是各个分布式网络内的 NF 服务管理功能作为 Client.BC 节点,对接网络内的其它 Node.BC 节点。在第一种实现方式中,NF 服务管理功能是区块链网络上的节点,具有共识和存储账本的能力,为其它 NF 提供基于区块链的服务注册和发现机制;其它 NF 将自身提供的服务注册到 NF 服务管理功能并通过 NF 服务管理功能进行服务发现。该方案的流程如图 3-12 所示。32IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3-9 基于区块链的服务注册和发现方案具体流程描述如下:1.充当服务生产者角色的 NF 向同一分布式网络内的 NF 服务管理功能发起服务注册请求,该请求包含有关 NF 的信息。2.收到服务注册请求的 NF 服务管理功能验证收到的服务注册请求并创建交易。3.收到服务注册请求的 NF 服务管理功能向其它 NF 服务管理功能广播交易,区块链网络对该交易达成共识。4.如果达成共识,NF 服务管理功能将交易写入区块链并将有关 NF 的信息存储到本地状态数据库中。5.收到服务注册请求的 NF 服务管理功能向生产者 NF 返回服务注册响应。33IMT-2030(6G)推进组IMT-2030(6G)Promotion Group6.另一充当服务消费者的 NF 向同一分布式网络内的 NF 服务管理功能发起服务发现请求,说明请求的是哪种 NF,以及该 NF 应该支持的服务。7.收到服务发现请求的 NF 服务管理功能查询区块链(本地的状态数据库),过滤出已注册并提供所请求服务的所有 NF。8.收到服务发现请求的 NF 服务管理功能向消费者 NF 返回服务发现响应。9.消费者 NF 基于收到的服务发现响应中的信息调用生产者 NF 的服务。3.6 联盟网络6G 组网和运营形态相比传统通信系统将更加复杂。ToC 网络日益密集,不仅包含基站,还有智能中继节点、智能反射面等设施,这些节点选址要考虑供电散热人口等,建设和维护的成本飙升。ToB 业务根据 business 的不同具备不同的需求,多数时候需要建立专门的小网提供服务,小网与大网配置不同,具备部分或完整的网络功能。此外还有 AI、算力、感知、可信等新业务,大多发生在边缘接入网,数据传输过程只有 RAN 和终端参与,较少出现端到端的业务流,用户与网络的交互是双向的,不像传统通信由网络单方面向用户提供服务。6G 将会存在运营商大网和许多小网,呈现分布式网络的形态,网络与网络之间会存在多种交互。为了满足不同的需求,6G 不能单纯依靠运营商投资的方式进行建网和服务,各类垂直行业主体和第三方主体也将加入这一进程中。因此 6G 网络将拓宽基础设施建设和组网模式,如图 25,各类主体(例如行业、企业、园区、个人等)可以在获得授权下辅助运营商建立、运行、维护网络站点(可以是基站、感知、AI、计算、终端等节点),从而产生数字资产、向其他网络单元和主体提供服务,在服务的提供中获取相应权益。各类物理资产、数字资产、服务资产需要通过一定方式来实现资产的流转和权益的获取,以 6G 原生区块链为基础的内生可信基础设施即是天然的依托。在基建角度,各类主体可以在获得许可的情况下在授权频段自费建设通信设施,用户可以通过此类通信设施接入网络,运营商租用或者授权主体运营通信设施,主体通过租金和服务分成获得收入。在服务角度,各类主体可以为运营商提供计算任务的卸载、AI 学习的辅助、周围感知的提供等服务,运营商为服务进34IMT-2030(6G)推进组IMT-2030(6G)Promotion Group行付费。在数据角度,各类主体可以通过出售或出租自身持有的数字资产获得收益。一方面,主体可以通过协助运营商获得收益。另一方面,主体可以通过为其他主体用户提供服务获得收益。在主体与运营商交互之外,主体之间也可以进行服务的交互,比如为远端用户提供信号数据的中继、为其他用户提供数据缓存资源降低传输时延等。图 3-10 基于区块链的联盟网络组网新生态下面以辅助建站的 PoC 覆盖证明机制为例简述区块链在联盟网络方面的技术方案。PoC 中有三种角色,挑战者、被挑战者和见证人,被挑战者为覆盖提供者,见证者是覆盖使用者。挑战者挑战被挑战者的信号覆盖,多个见证者验证被挑战者的信号强度并将过程写入区块。这种方式可以有效验证供应商的服务质量,覆盖验证可以拓展到其他领域,比如存储等。1、主体在获得运营商许可之后建立通信设施,此设施可以是基站,也可以是中继节点或者反射面。此设施可以为周围用户提供通信等服务,运营商需要验证其提供服务是否达到了约定要求。2、网络随机选取用户发起对于此设施服务水平的挑战,挑战意指验证服务水平是否达到了要求,挑战中包含了要挑战的内容,需要的见证者数量 n 等信息。3、通信设施查询自身邻区关系列表,根据挑战内容发送挑战验证请求,接收到请求的用户按照挑战验证请求收集相关信息并发送给挑战者。35IMT-2030(6G)推进组IMT-2030(6G)Promotion Group4、挑战者按照接收顺序选取前 n 位见证者的信息作为挑战回复,并将挑战相关信息(包括挑战内容及见证结果,见证者的 ID 及公钥等加密信息等)记录到区块链,使挑战信息可以重复验证。5、运营商根据区块链记录的挑战相关信息给设施相关主体分发权益。36IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第四章、6G区块链关键技术4.1、跨链技术路径4.1.1 多链互通需求区块链在 6G 网络中存在多种应用的可能性。多个区块链有可能同时运行在6G 网络中,主要原因如下:(1)性能考虑:区块链系统的吞吐量一般远低于传统的客户端/服务器系统。如果把所有的区块链应用都集中在一个区块链上实现,在此区块链将成为性能瓶颈,从而对 6G 网络服务和 6G 网络管理造成影响。因此,有必要对每种功能或应用使用对应的区块链。(2)组织架构的考虑:每个运营商都有自己的组织架构。按功能来划分,有营销,运维,管理等部门;按管理范围来划分,有集团公司,省公司,地市公司。与运营商的组织架构相匹配,需要多个区块链运行在 6G 网络中,以便区块链的运行和管理。(3)隐私的考虑:区块链上的数据一般都有共享使用的范围,对 6G 网络中不同功能的数据使用不同的区块链进行上链,能够对数据隐私有一定的保护作用。运营商的区块链互通存在三种情形:运营商与非运营商间区块链互通,运营商之间区块链互通,运营商内部区块链互通,如下图 4-1 所示。37IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 4-1 区块链互通示意图(1)运营商与非运营商间区块链互通:运营商的区块链与非运营商的区块链之间有互联互通和价值流通的要求。比如运营商的积分与非运营商公司的积分互换需要区块链的互通。在 6G 网络中,由于太赫兹频段的使用,基站的覆盖范围在 100 米之内,不可能由运营商来实现全覆盖,需要一些非运营商(如家庭基站)提供 6G 接入能力。为了实现用户 6G 接入时在运营商和非运营商之间能平滑切换和资费管理,需要运营商的区块链与非运营商的区块链互联互通。(2)运营商之间区块链互通:运营商之间在通信层面有互联互通的要求。为此,运营商之间区块链有跨链通信和价值流通的需求。运营商间的资费结算借助运营商之间区块链互通相比现有的方法更准确更高效。基于运营商之间区块链互通,有可能更易实现可管可控的无线资源共享。(3)运营商内部区块链互通:地市公司,省公司和集团公司都有各自的区块链。每个层级公司内部的区块链间需要互通共享消息,如用于多方计费的区块链需要与认证的区块链互通,以便实现计费的准确可靠。地市公司,省公司和集团公司的区块链之间也需要互通,以便实现在通信层面的互联互通和资费结算。38IMT-2030(6G)推进组IMT-2030(6G)Promotion Group4.1.2 区块链跨链技术跨链技术主要有三种:公证人模式、中继模式、hash 锁模式。1、公证人模式最简单的跨链模式,这时候的“中间人”同时也是“公证人”,并将成为可信第三方,类似支付宝。解决的是“先付款还是先发货”的安全问题,解决的思路就是由淘宝担任第三方担保和仲裁的角色,由其先保管货款,待当买家收到货并确认无误后再转帐给卖家。优点:能够灵活地支持各种不同结构的区块链。缺点:存在中心化风险。公证人必须是可信的,公证人可以凭借自身信用,也可以通过智能合约做超额抵押来获得信任。公证人可以是单个主体,也可以是多个主体 通过某种规则组合形成的联盟2、中继模式旨在构造一个第三方公有链,通过跨链消息传递协议,连接区块链网络中的其它链。即:通过在两个链中加入一个通道,通道内创建一种特定的数据结构,使得两个链可以通过该通道内的数据结构进行跨链数据交互,这个加入的通道就称之为中继链。优点:可以用于资产可移植性、原子交换或任何其他更复杂的用例,基本上没有任何限制。缺点:不能支持多币种智能合约,交易速度慢。中继链是一种去中心化的公证人机制。3、Hash 锁模式Hash 锁模式通过一套密码学方法,来实现跨链的去信任资产交易,比如用户 A 的 BTC 和用户 B 的 ETH 交易,就可以通过哈希锁来实现交易的原子性。其原理大致如下:用户A生成随机数s,并计算出该随机数的哈希值h=hash(s)发送给用户 B,A 和 B 通过智能合约先后锁定各自的资产。A 公开出示 S 可获得B 锁定的资产,同时 B 也获得了 S,可获得 A 的锁定资产,若超过设定的时间,A 没有出示 s,智能合约中锁定的资产会自动回退给双方。优点:可实现原子资产交换。缺点:不能做到资产或者信息转移,使用场景有限。39IMT-2030(6G)推进组IMT-2030(6G)Promotion Group4.2 安全可信技术路径隐私保护是指不愿意被其他人知道的信息需要得到保护。隐私包含个人的身份信息,即利用该信息可以直接或者间接地通过连接查询追溯到某个人,或一个团体的各种行为的敏感信息。隐私保护隶属于信息安全研究的分支之一。信息安全侧重于关注数据的机密性、完整性和可用性,隐私保护侧重于关注系统是否提供了隐私信息的匿名性。通常来讲,可以把隐私保护看成是数据机密性问题的具体体现。在区块链技术中,虽然区块链交易存在匿名性的特点,区块链交易的创建者在区块链中使用随机地址或不具备实际意义的唯一地址,但是这也只能提供相当有限的防护。如果通过监控未加密的网络,并遍历所有区块内存储的交易信息,基于某些行为分析策略使用统计手段,极有可能推断出某个地址的实际使用者。区块链的交易数据包含交易创建者的地址、交易具体内容、时间戳和交易创建者的签名,由于区块链网络公开透明可见的性质,通过数据挖掘可以很容易地追踪交易信息流,进而提取用户的真实身份或其他附加信息。1.环签名:环签名是一种典型的数字签名方案,签名者随机选择多个环成员的公钥,结合其公钥、私钥、随机数等数据完成签名,而验证者仅能验证该签名是否来源于用户群组中的某一用户,无法确认签名者的具体身份。相对一般群签名而言,环签名无需设置群管理员,可由签名者自发组建用户群组。环签名所具备的完全匿名性和不可伪造性使其非常适合于匿名投诉、电子投票、数字货币等领域。自从环签名概念提出后,陆续出现了基于离散对数、双线性对、格理论等不同密码原语的环签名方案。除了传统公钥密码基础设施框架下的环签名方案,还出现了基于身份的环签名和基于属性的环签名等方案。基于 PKI 体系下的环签名方案面临证书管理和使用问题,从而导致大量的系统资源被占用,验证环节计算开销增加。尤其当环用户数量增加时,严重影响签名和验证效率。基于身份的密码体制利用用户天然的身份信息作为公钥,无需公钥证书来证明用户身份与用户公钥的绑定关系,解决了 PKI 体制下的证书运维问题。IBC 技术与环签名技术的结合降低密码系统的运维成本,并实现了所需的匿名性和不可伪造性。在匿名性方面,环签名方案不仅对任意的验证用户匿名,而且要对可信的密钥生成中心匿名。即使拥有系统主密钥,密钥生成中心也无法从签名值中知道签名者的真实身份。但40IMT-2030(6G)推进组IMT-2030(6G)Promotion Group是基于身份的环签名构造方案采用的环状结构会导致计算开销随环用户数量而线性增长。考虑实际应用场景,不同密码方案的部署应用会增加用户密钥管理负担和泄露风险。区块链系统中存在传统签名、盲签名、群签名、环签名等不同签名机制,如果其密钥体制不一致,用户需要存储和使用多套密钥,这将增加终端或节点的存储资源消耗。因此,设计一个能够兼容原有数字签名算法的环签名方案也是当前的一个研究热点。2.零知识证明:零知识证明是运行在证明者和验证者之间的一种两方密码协议,用于进行成员归属命题证明或知识证明。零知识证明具有如下三个性质:(1)完备性:用于描述协议本身的正确性。给定某个陈述的有效证据,如果证明者和验证者均诚实运行协议,那么证明者能使验证者相信该陈述的正确性。(2)可靠性:可靠性用于保护诚实验证者的利益,使其免于恶意证明者的欺骗。(3)零知识性:零知识性是指证明者能向验证者证明某个陈述的正确性而不泄露除正确性以外的其他任何信息。零知识证明的三个性质保障其具备信任建立和隐私保护的功能,可以用于公钥加密、签名、身份认证等经典密码学领域,也与区块链、隐私计算等新兴热门技术的信任与隐私需求高度契合。例如在区块链匿名密码货币中,零知识证明可在不泄露用户地址及金额的同时证明某笔未支付资金的拥有权;在区块链扩容中,链上的复杂计算需要转移到链下,而零知识证明可保障该过程的数据有效性;在匿名密码认证中,零知识证明可在不泄露用户私钥的同时证明拥有私钥,从而实现匿名身份认证。3、可信执行环境:区块链和可信执行环境(Trust Excution Environment)结合主要有三方面:在 TEE 环境下生成可信密钥对、执行高效安全的共识算法及构建安全可靠的智能合约执行环境。TEE 技术作为解决安全计算的重要方式方法,能够为数据安全保护提供安全可信任环境,目前 TEE 存在的潜在威胁与安全漏洞在于,当恶意注意篡改或阻断网络通信时,可以限制 TEE 和外部实际的通信联系,且可以篡41IMT-2030(6G)推进组IMT-2030(6G)Promotion Group改非易失性数据,将旧的计算状态重新加载至 TEE Enclave 环境中,实施重放攻击。区块链技术可以将 TEE 运行状态加密存储,即使 TEE 遭受攻击破坏,其计算状态已经安全保持到区块链内,只要区块链维持运作或即使只有一个计算节点工作,TEE 就可以从节点下载运行状态,并为外界提供正常的 TEE 内部署的服务。引入区块链技术有效为 TEE 提供安全可信的状态存储服务,增强 TEE 可用性,为以 TEE 技术为基础的系统提供更加可信的数据机密性服务。4.3 用户隐私保护4.3.1 个人数据保护法案目前,各个国家对于个人数据够提出了数据保护方案,如中华人民共和国个人信息保护法(草案)第十三条:同样规定了取得个人的同意和为订立或者履行个人作为一方当事人的合同所必为个人信息处理者处理个人信息行为的前提。欧盟也提出了 GDPR 数据法案,定义了数据拥有者具有可删除权和可遗忘权的概念。删除权是指数据主体在数据控制者违反法律、行政法规的规定或者双方的约定收集、使用其个人信息的情况下,有要求数据控制者删除其个人信息的权利。“被遗忘权”定义为公民在其个人数据信息不再有合法之需时要求将其删除或不再使用的权利,如当时使用其数据信息是基于该公民的同意,而此时他/她撤回了同意或存储期限已到,则其可以要求删除或不再使用该数据信息。当区块链上包含个人数据是,数据拥有者有权利要求区块链的运营者删除或修改其个人数据,而区块链利用密码学算法保障其不可篡改的特性天然与之矛盾,这个矛盾不解决,将会很大程度上限制区块链的应用和部署。4.3.2 区块链的安全由于区块链的天然不可修改特点,也给它的实际部署和安全带来了一些问题1、从信息安全角度来讲,目前区块链领域的研究和应用更多地强调链上数据的存储与传输安全,而忽略了更为重要的信息内容安全,。如(1)缺乏必要的上链信息审核与评估机制,区块链系统的验证者(矿工)重点42IMT-2030(6G)推进组IMT-2030(6G)Promotion Group核查上链信息的语法正确性,而忽略了信息内容的语义合理性甚至是真实性;(2)链上数据的搜索与甄别机制尚不完善,在区块链中存在有害和潜在非法的文件、图像和链接时,就有必要对非法数据做出更改;(3)区块链的公开透明性和不可篡改性,使得不良信息将带来大范围、持续性甚至是永久性的负面影响,区块链可能会成为规避监管、发布不良信息的有效途径,2、靠硬分叉才能解决的攻击问题,区块链和链上的智能合约,本质上也是软件代码,难免会出现漏洞,攻击者利用这些漏洞造成的攻击,如利用漏洞盗取的虚拟货币,数字资产等,由于区块链无法修改,对这些攻击结果也无法消减。如DAO攻击:Decentralized Autonomous Organization,去中心化自治组织,代币价格大约是100个DAO兑换1至1.5个以太坊。The DAO项目总共筹到了超过1200万个以太坊,几乎占到了当时以太坊数量的14%;黑客利用了漏洞,进行了两百多次攻击,总共盗走了360万的以太坊,超过了该项目筹集的以太坊总数目的三分之一。硬分叉成功实施,分叉之后,形成了两条链,一条为原链(以太坊经典,ETC),一条为新的分叉链(ETH)。对于现有的区块链产品(例如比特币),信息存储到区块链之前没有经过过滤,不法分子利用这一点可以在链上存储恶意信息。由于区块链的不可篡改性,这些信息将永久保留在区块链上。为了避免此类不法信息,一些用户会不愿意使用区块链,这在一定程度上制约了区块链的发展。3、最后,对于商业技术专家来说,可编辑区块链可以使区块链更适应企业的要求和约束。一方面,存储和匿名需求。随着链的增长会出现去匿名化的问题,因此需要删除一些旧有的信息,尽可能减少去匿名化的可能性。另一方面,终止和修改智能合约的需求。在现实场景中,可能会修改现有的合同,这一点可以通过可编辑区块链在链上得以实现。因此,对可编辑区块链的研究都是必要且必须的。4.3.3 可编辑区块链技术去中心化的可编辑区块链和区块一致性检测方法,区块链节点通过多方安全43IMT-2030(6G)推进组IMT-2030(6G)Promotion Group计算生成门限秘密分享的系统公私钥,其中公钥公开,用于计算变色龙哈希值,私钥用于计算变色龙哈希的冲突。为了避免恶意节点盗取足够的私钥分享从而恢复私钥,并且区块链节点可能会加入或离开区块链系统,区块链节点定期更新持有的分享。当区块链节点需要修改交易时,向其它区块链节点发起请求,由门限的区块链节点计算变色龙哈希算法的随机数。然后将旧区块的哈希值存储在 RSA 累加器中,当区块链节点验证某一高度值对应的区块时,由区块链节点提供区块和该区块的 RSA 累加器非成员证明,从而证明该区块没有被修改过。可验证编辑区块链通过特定的密码学算法重写区块内容,但不破坏区块链的一致性。典型的方案是通过使用变色龙哈希函数来完成区块内容的重写。不同于传统的哈希函数,变色龙哈希函数是一种带密钥的单向哈希函数,通过密钥计算哈希碰撞,也就是说可以满足修改链的同时满足链的一致性,如图 4-2 所示,采用变色龙哈希后,区块 2 与区块 4 具有相同的哈希值。同时,为了区块链的安全性,区块链节点可以通过安全多方计算共同持有变色龙哈希的私钥,在多节点达成共识的条件下,才能共同修改。此外,在通过区块头的累加器对编辑历史进行记录,从而达成区块内容可修改,但仅能基于共识的修改,且修改记录可追溯和验证的效果。既满足 GDPR 的遵从性,又满足区块链的一致性和安全性。图 4-2 可编辑区块链结构4.4 6G 区块链共识算法共识机制是一套能够维护区块链系统稳定运行的方法,是区块链的最核心技术,其主要思想是在分布式环境下,使得互不相信的节点之间能够就某些信息达成一致意见。区块链根据存储方式的不同,可以分为链式存储和 DAG(DirectedAcyclic Graph,有向无环图)存储,链式存储方式中共识机制通常可分为两种类型,分别是基于证明和基于投票的共识机制。44IMT-2030(6G)推进组IMT-2030(6G)Promotion Group4.4.1 基于证明的共识机制基于证明的共识机制要求区块链维护者证明其相比于其他维护者更有资格产生新区块。PoW(Proof of Work,工作量证明)是最著名的区块链共识机制,PoW 要求区块链维护者们进行大量哈希运算来竞争产生新区块的资格,通常计算资源丰富者胜出,因此 PoW 共识对计算资源消耗巨大。PoC(Proof of Capacity,容量证明)是一种以存储空间大小来竞争产生新区块的资格。这些都是以节点的基础能力进行竞争。PoS(Proof of Stake,权益证明)机制以区块链维护者的代币数量锚定区块链维护者产生区块的能力,代币数量越多,产生新区块的难度越低。在 PoS 的基础上,代理权益证明(DPoS)将 PoS 中代币持有权益转化为投票选举权,由持币人选出多个代理节点代为管理,而无须消耗大量算力求解数学难题,进一步降低了区块链共识能耗。PoR(Proof of Reputation,信用证明)是通过一些参数考察节点的信用值,信用值越大,产生新区块的概率越大。PoActivity(Proof OfActivity,活动证明)是一种结合了 PoW 和 PoS 的混合方法。PoD(Proof of iDentity,身份证明)是用设备硬件本身的信息例如序列号等类似的标识,或者将这些标识进行变换后的结果,来竞争区块产生权。类似的有通过比较产生的随机数的方式来竞争区块产生权。这些选择获胜者的方法不需要大量的哈希运算,从而极大地减少了共识过程中的资源消耗。4.4.2 基于投票的共识机制基于投票的共识机制广泛应用于联盟链中,此类共识根据多数维护者的决策来生成区块。与依赖弱网络连接的 PoX 类共识相比,基于投票的共识机制要求区块链维护者之间具有完全连接的网络拓扑结构,以便于验证区块并最终达成共识。在基于投票的共识机制中,崩溃容错(Crash fault tolerance,CFT)类共识机制可以在某些维护者因为软硬件故障、网络连接断开而无法响应消息的情况下最终达成共识。常用的 Paxos 共识和 Raft 共识就是 CFT 类共识的典型示例。因为存在行为异常维护者(拜占庭节点)而无法最终达成共识的情况被称为拜占庭将军问题,应对此类问题的共识机制被称为拜占庭容错(Byzantine Fault45IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupTolerance,BFT)机制。著名的实用拜占庭容错机制 PBFT 依赖于一种领导者-被领导者的对等层次结构,并利用三个阶段使所有节点达成最终共识。PBFT 具有低时延、高吞吐和低能耗等优势,但也因较高的通信复杂度导致其可扩展性较差。PoA(Proof ofAuthority,权威证明)是 BFT 的一种基于网络实体身份荣誉的改进共识。与 PBFT 相比,PoA 显著减少了通信开销并提高了共识达成效率。Cosmos 区块链中所采用的 tendermint 共识是 PBFT 的一类改进型,支持在全网超过1/3节点为拜占庭节点时有效阻止区块提交,可显著增强区块链维护安全性。4.4.3 基于交易的共识机制前面的两类共识机制,数据存储结构都是链状,交易的验证方式是由节点进行验证,并需要付给验证节点一定量的费用。由于前两类共识机制吞吐量都较低,且随着网络规模的扩大,共识时间显著增加,因此,出现了基于交易的共识机制,即交易的验证不再是由节点进行验证,而是由后续的交易进行验证,且数据的存储方式也不再是链状,而是 DAG 的存储方式,使得交易的上链可以并行,提高了交易吞吐量、效率高。Tangle 共识机制,应用于 IOTA 区块链。数据采用 Tangle 方式存储,最小共识单位是交易,没有交易费用,Tangle 中未被验证的交易称为 tip。为了向 tangle中加入一笔新的交易,节点必须从 tangle 中随机挑选出两个 tips,并对它们进行验证。如果所选 tips 是合法的,节点就对其进行确认,也就是把新交易加入Tangle 中。这种共识方式也间接证明了之前所有交易的合法性。交易的每次确认就是增加了之前交易确定性的概率。被当前所有 tips 验证和确认的交易就被认为是完全确认。在某个时间点以后,一旦一笔交易在 tangle 中进入足够深的位置,无论从最新的 tip 中的任意一个,都有路径到达该笔交易,则这样的交易就被认为是完全确认,并且会被每一个新的交易再验证,再确认。Tangle 的理论确认时间依赖于网络的交易状况,可能等待了足够长的时间,也很难保证所有的tips都指向待确认的交易,所以实际中通常使用交易确认度来确认交易。不同场景可以灵活设定不同的确认度。如果交易速度比交易价值更重要,或者发送方是可信任者,则可降低交易确认度例如到 80%。对于一些重要的交易,可以提高交易确认度例如到 90%甚至更高。46IMT-2030(6G)推进组IMT-2030(6G)Promotion Group4.4.4 基于分片的共识机制由于 6G 时代,存在着全息通信、智慧工业等复杂应用场景,需要应对海量终端接入、巨量数据传输,以及超低时延、超高带宽、超高可靠等差异化业务需求。然而,目前的区块链系统在自身性能,效率上存在瓶颈,为了提高区块链的可拓展性和交易吞吐量,使得区块链满足 6G 移动网络泛在接入和高速服务的需求。将区块链采用分片设计,如图 4-3 所示。区块链由一个主链和若干个分片链组成,区块链系统的主链和分片链协同工作,从而实现高效和智能的调度,提高区块链的吞吐量,降低区块链的共识时间,提高系统的安全性能。图 4-3 分片区块链1、分片链由于6G网络规模巨大,而目前传统的区块链大部分在网络规模巨大的时候,性能急剧下降,比如 PBFT 共识算法,在节点数过大时,将会给网络通信带来巨大的负担,系统吞吐量急剧下降。因此,分片链采用适用于大规模无线网络的IOTA 区块链,由于 IOTA 采用了 DAG(Directed Acyclic Graph,有向无环图)的存储方式,当节点有交易需要上链时,可以随时写入数据到 DAG 中,而不需要像传统的区块链那样,等待前一个区块共识完成后,才可以写入区块链,因此,IOTA 可以并行写入区块链,大大提高了区块链的执行效率。2、主链主链由各分片链的 leader 组成,主要负责分片链的管理工作以及跨链工作,当分片链需要与其他分片链交互时,由主链进行共识。由于主链节点数量有限,因此,主链采用 PBFT 共识算法。由以上分析可知,不同共识算法性能不同,在 6G 网络中需要根据实际需求,47IMT-2030(6G)推进组IMT-2030(6G)Promotion Group综合考虑效率、安全性、可扩展性等多项因素来进行选择。对于物联网等应用,节点能力有限,在终端侧,可以考虑 DAG 结构的区块链,在 Tangle、Byteball和 Hashgraph 共识机制中进行选择。对于具有较强能力的节点,例如边缘节点与核心网,可以考虑链式区块链结构。采用链式区块链时,如果网络提供的服务对于节点的计算、存储等基础设施能力要求较高,可以采用基于证明的共识机制;如果网络提供的服务对节点间协同工作要求较高,则可以考虑基于投票的共识机制。在基于证明的共识机制中,节点还可以基于有实际意义的任务设计共识算法,而不是执行无意义的哈希运算。例如进行优化算法或者机器学习训练,提供最佳解决策略的节点将被获得下一轮出块权利。对于无线通信环境,还需要统筹考虑产生区块所要消耗的资源与无线设备功率限制,以及网络拓扑动态变化来选择或设计合适的共识机制。48IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第五章、6G区块链部署案例6G 网络的超高带宽、超低时延和超可靠等特性,可以对工厂内车间、机床、零部件等运行数据进行实时采集,利用边缘计算和 AI 等技术,在终端侧直接进行数据监测,并且能够实时下达执行命令。6G 中引入了区块链技术,智能工厂所有终端之间可以直接进行数据交互,而不需要经过云中心,实现去中心化操作,提升生产效率。不仅限于工厂 内,6G 可保障对整个产品生命周期的全连接。基于先进的 6G 网络,工厂内任何需要联网的智能设备/终端均可灵活组网,智能装备的组合同样可根据生产线的需求进行灵活调整 和快速部署,从而能够主动适应制造业个人化、定制化 C2B 的大趋势。智能工厂 PLUS 将从需求端的客户个性化需求、行业的市场空间,到工厂交付能力、不同工厂间的协作,再到物流、供应链、产品及服务交付,形成端到端的闭环,而 6G 贯穿于闭关的全过程,扮演着重要角色。5.1 6G 区块链应用于智慧工厂的场景6G 区块链应用于智慧工厂的应用架构如图 5-1 所示,该架构包括三个本体和四个平面。三个本体分别是网络本体、管理编排体、数字孪生体。网络本体包括四个平面,四个平面分别是终端层、边缘层、功能层和开放使能层。终端层是智慧工厂中的各种终端,比如机械臂、无人车、网络摄像头、无人机等。部分终端具有感知、执行、通信网络能力和 AI 能力,这类终端可以具有区块链节点的功能,即作为 BC-Node 节点。部分终端能力较弱,例如仅有感知和通信网络能力,这类终端可以具有区块链的客户端节点功能,即作为BC-Client 节点。边缘层通常是在工程中能力较强的设备,这些设备具备多种通信网络能力,具有一定的算力,能够对从终端感知到的数据进行相关的人工智能算法。不同的算法可以实现不同的功能,这些功能可以由管理编排体根据应用的需要进行编排。边缘层中的设备都是区块链节点,即 BC-Node 节点。功能层是网络本体为智慧工厂提供基本的能力,包括区块链控制功能(LAF)、各种区块链的能力(区块链体系架构中除应用层外其他层中的能力)、49IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupAI 能力(包括各种人工智能算法)等。开放使能层是智慧工厂提供的一些基础应用能力,其他第三方也可以在这些功能的基础上做进一步的能力开发。管理编排体根据各个智能工厂或者开放使能层的需求,对网络本体中的四层进行编排,得到所需要的区块链网络。数字孪生体也可以通过管理编排体,使用网络本体中的各种能力。图 5-1基于区块链的智慧工厂架构5.2 6G 区块链的关键技术在智慧工厂场景下的选择跨链技术选择:智慧工厂应用中,可能用到跨链的地方有:(1)涉及到该工厂的供应链上下游企业的区块链。(2)智慧工厂的业务数据链、环境监测数据链、监管链采用独立区块链部署的情况下。对于跨链技术的选择,因为智慧工厂区块链不涉及代币,在对交易速度要求不严格的情况下,可以考虑采用中继链的跨链技术。共识算法选择:针对智慧工厂的场景,面对弱一致性的业务,可采用 DAG 类共识。对于实时监控和控制业务,可能需要强一致性来确保所有设备和节点之间的数据始终保持一致,以避免潜在的错误和故障,可采用 PBFT 类共识。对于车间较多的大型工厂,可以采用分片链,基于分片共识与集中共识相结合的共识算法。弱一致性是指在分布式系统中,不同节点之间的数据更新和读取操作可能会50IMT-2030(6G)推进组IMT-2030(6G)Promotion Group出现短暂的不一致性,但最终会达到一致状态。例如数据分析和处理业务,可能可以容忍一定的弱一致性,以换取更高的系统性能和吞吐量。5.3 智慧工厂场景区块链相关流程(分布式身份认证、注册、认证等其他业务)智慧工厂中设备的注册、双向身份认证流程见 4.2.4 节中的描述。智慧工厂中嵌入微处理器的设备对应流程中的 UE,网关设备对应流程中的 EN,管理面中的 CA 与流程中的 CA 相对应。51IMT-2030(6G)推进组IMT-2030(6G)Promotion Group总结与展望综上所述,报告首先阐述了区块链网络和移动通信网络的体系特征,结合二者的体系特征提出了区块链使能 6G 通信网的定义和结构。并进一步提出了Net4BC 和 BC4Net/BCaaS 两大类技术方向,系统的阐述了 6G 通信网如何融合区块链能力和管控区块链生命周期,以及针对 6G 区块链的几大关键业务场景,包括 DPKI、数字身份等。此外,针对 6G 区块链的底层关键技术,本报告也做同步研究。未来,需要探索 6G 区块链架构和业务场景在标准化落地,通过标准化推动区块链原生能力的管控和调度,以及基于区块链的业务场景落地。回顾过去,5G 安全已经取得了较大的成功,面向未来,构建统一架构、持续优化能力、提供极致的安全服务,是 6G 网络可信研究的终极目标。6G 区块链将从架构、技术、算法、业务等多个维度系统化的赋能 6G 可信,以未来面对多样化、不确定的安全场景。报告的体系理论也会继续不断的完善和优化,以期获得产业和行业的共识,指引 6G 安全标准化和产业化。52IMT-2030(6G)推进组IMT-2030(6G)Promotion Group贡献单位表1-1主要贡献单位序号序号主要贡献单位主要贡献单位贡献内容贡献内容1华为技术有限公司1.2,2.1,2.2,3.1,3.2,4.32南京邮电大学1.1,2.2,3.2,4.4,5.1-5.43中国联通3.4,4.24中国移动1.3,3.1,4.15中兴通讯股份有限公司1.2,3.66中信科3.1,3.37中国电信1.1,1.2,3.5联系方式邮箱:COPYRIGHT2023 IMT-2030(6G)PROMOTION GROUP.ALL RIGHTS RESERVED.

    浏览量0人已浏览 发布时间2023-12-12 54页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • IMT-2030(6G)推进组:2023绿色智能化超大规模MIMO技术研究报告(36页).pdf

    北京稻壳科技有限公司Beijing Rice Hull Technology Co.,Ltd.地址:北京市朝阳区九住路 188 号IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2023 年年 12 月月版权声明版权声明 Copyright Notification未经书面许可未经书面许可 禁止打印、复制及通过任何媒体传播禁止打印、复制及通过任何媒体传播2023 IMT-2030(6G)推进组版权所有3IMT-2030(6G)推进组IMT-2030(6G)Promotion Group概述概述.5背景意义背景意义.7绿色节能网络架构绿色节能网络架构.8上下行解耦的动态关断网络架构.8无蜂窝(CELL-FREE)网络架构.10基于 RIS 辅助的绿色网络架构.14空口节能技术空口节能技术.17基于 CSI 反馈增强的天线调节技术.17基于负载情况的公共信号的自适应调节技术.18基于非连续传输的小区休眠技术.18基于 SSB 增强的网络节能技术.19智能化超大规模智能化超大规模 MIMO.21智能化 CSI 反馈方案.21智能化波束管理方案.23智能化基站管理方案.27总结与挑战总结与挑战.28总结.28挑战与建议.29参考文献参考文献.31主要贡献单位主要贡献单位.33缩略语缩略语.344IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图目录图 3.2-1单层 Cell-free 网络架构.11图 3.2-2两层 Cell-free 网络架构.11图 3.2-3动态协作 TRP 簇.13图 3.3-1RIS 辅助的单小区覆盖增强示意图.15图 4.2-1以 SSB 为例的公共信号自适应调节示意图.18图 4.4-1On-demand SSB/SIB1 示意图.19图 4.4-2主载波承载载波的 SIB1 信息示意图.20图 4.4-3主载波触发辅载波的 SIB1 传输示意图.20图 5.1-1SCsiNet 结构示意图.22图 5.1-2SCsiNet 对反馈开销和天线端口数的可扩展性评估结果.23图 5.2-1环境图片处理流程.26表目录表 5.2-1不同波束数量的测试结果.275IMT-2030(6G)推进组IMT-2030(6G)Promotion Group概述概述多输入多输出(MIMO)信道不仅具有经典香农信息论所涉及的时间和频率自由度,还具有空间自由度。MIMO 已成为 4G 和 5G 提升系统容量和频谱效率的最为有效的核心手段1。可以预计,未来将在 5G 的基础上,采用空天地海泛在通信网络,使用新频谱、超大规模天线、大规模分布式协作 MIMO、通信感知一体化等技术,发展覆盖范围更广、传输速率更高、可靠性更高、时延更小的无线传输系统,从而构建更新一代的普适性、智慧化、全业务移动信息基础设施。绿色的通信网络既是行业降低网络成本的共同愿景,也是全世界实现“双碳”目标的必经之路。随着更多新频点、新技术和新场景的引入,超大规模MIMO 的能耗问题将日益突出。同时,受制于器件和干扰,更大规模的 MIMO带来的空间分集增益也将趋于饱和,结合人工智能(Artificial Intelligence,AI)技术的智能化 MIMO 或将给通信网络带来新的活力。本报告围绕绿色智能化超大规模 MIMO,从节能和智能两个维度阐述了目前超大规模 MIMO 技术的热点技术和研究现状。第三章围绕绿色节能网络架构展开,一方面从对现有网络架构的改进角度出发实现网络节能,另一方面对 Cell-free,RIS 等技术进行探讨,阐述了 6G网络中潜在的节能方案。第四章围绕无线空口技术,结合当前网络现状及标准进展,针对当前以及未来通信网络中潜在的空口节能手段进行分析。第五章内容围绕 AI 技术在超大规模 MIMO 中的应用,首先从空口技术角度,介绍了智能化的信道状态信息反馈方法以及波束管理方案;然后结合通信网络特点,分析了对网络节能管理的潜在方向。基于本技术报告内容,绿色智能化超大规模 MIMO 将给未来 6G 移动通信网络带来巨大增益,但是也还存在诸多挑战,如网络架构的前向兼容性、网络能耗与性能的平衡性、AI 技术的低复杂度和可靠性等,在第六章中对此给出6IMT-2030(6G)推进组IMT-2030(6G)Promotion Group了相应的总结和建议。7IMT-2030(6G)推进组IMT-2030(6G)Promotion Group背景意义背景意义随着 5G 移动通信系统的大规模商用,在用户和网络需求的持续驱动下,6G 移动通信的研究已如火如荼地展开。6G 将集成人工智能、边缘计算等先进技术,致力于开启万物智联的新时代。这些新技术、新材料的应用虽然可以有效提高网络性能,但是也带来了更严峻的网络能耗问题。6G 移动通信如何在获得更大的系统容量、更高的可靠性、更低的时延的同时,获得更高的能量与频谱效率,是学术界和工业界普遍关心的一个问题。自 5G 时代开始,我国加快了基站建设,但是同时也使得网络能耗大幅增长。据统计,目前无线网用电量约占整体网络用电量的 80%,其中基站设备为主要能耗来源,占比高达 70%以上。而为了支撑 5G 高速率而引入的更多通道数的有源天线单元(Active Antenna Unit,AAU)的功耗更是占据了基站 90%以上的能耗。随着未来 6G 网络工作频段和天线数量的增加,这一数据会越来越大。以毫米波频段为例,为满足边缘用户的通信体验,其覆盖半径仅约为3.5GHz 基站的 30%,需要更多的基站以满足覆盖需求。同时,毫米波基站功放效率约为 7%-15%,支持毫米波基站功放正常工作的能耗更高。多达 1024甚至更多的天线阵子数也将导致更大的发射天线功耗。另一方面,按照带宽代际增长规律,预计 6G 带宽可达 500MHz1GHz。为保障无线通信质量,单位带宽发射功率基本不变,可推算 6G 基站发射功率将是 5G 的 5 倍以上。此外,智慧内生是 6G 的重要特征。常用 AI 模型的复杂度从十几兆到上百吉个模型参数。以 ChatGPT 为例,据环球零碳研究中心粗略合算,其模型训练碳排放超过 552 吨,运行 60 天碳排放约为 229.2 吨,合计碳排放超过 781.2 吨。内生智能也会带来系统能耗的增加。6G 网络中,超大规模 MIMO 仍将是网络能耗的主要来源。同时,增加基站的天线数形成超大规模 MIMO,虽然可使未来 6G 系统的频谱利用率进一步8IMT-2030(6G)推进组IMT-2030(6G)Promotion Group提高,但当基站天线阵列部署的物理尺寸受限时,过于密集的天线部署将存在严重的互耦效应,相关 MIMO 信道容量存在理论极限。因此,绿色智能化超大规模 MIMO 是使超大规模天线 MIMO 在 6G 时代进一步发挥作用的关键。2020 年,习近平主席在第七十五届联合国大会一般性辩论上的讲话中提出,“中国将提高国家自主贡献力度,采取更加有力的政策和措施,二氧化碳排放力争于 2030 年前达到峰值,努力争取 2060 年前实现碳中和”,正式确立了“双碳”目标。在此战略背景下,目前三大运营商和铁塔公司均制定了自己的“双碳”进度规划,以绿色、环保、低碳为发展目标,减少碳排放,在实现快更强的移动通信网络服务的同时,助力国家“双碳”战略发展。从技术层面上实现绿色网络是进一步实现“双碳”目标的关键。整体上,6G 网络需要采用新型的网络及架构,解耦网路中各模块功能,实现网络各模块的灵活控制;从空口技术上,需要引入更加灵活的控制反馈机制,减少信号的传输,及时关闭发射天线,降低网络能耗。超大规模 MIMO 技术中引入人工智能技术将有助于充分发挥超大规模MIMO 技术的潜力。在未来的通信系统中,超大规模 MIMO 有可能在多个环节实现智能化,如信道探测、波束管理、预处理、多用户检测与调度、信号处理与信道状态信息反馈等,从而使超大规模 MIMO 系统更加高效和智能。绿色节能网络架构绿色节能网络架构绿色节能网络的实现,首先可从高层入手,对网络的结构进行改进。具体地,一方面可以对现有的网络进行改进升级,实现网络能效的提高;另一方面也可以通过引入新技术,使用全新的绿色智能网络架构。上下行解耦的动态关断网络架构上下行解耦的动态关断网络架构大规模 MIMO 系统上下行站点解耦的网络架构在解决上行覆盖受限、站间上下行负载均衡、上下行服务站点选择优化等方面相比上下行站点强绑定架构具备显著优势。由于上下行站点解耦网络架构通常需要密集的基站部署或者宏9IMT-2030(6G)推进组IMT-2030(6G)Promotion Group微异构组网,网络整体能耗较高,因此需要在不明显影响上下行传输质量的前提下通过动态关闭基站上/下行传输来降低网络侧能耗。上下行站点解耦的网络架构中可在下述几种场景通过分别动态关断上/下行传输,实现网络节能:(1)仅上行覆盖容量受限)仅上行覆盖容量受限由于用户设备发射功率通常远小于基站,上行覆盖范围通常明显小于下行覆盖范围,网络部署中会在宏站覆盖范围内专门部署一些小站来应对上行覆盖受限的情况。在传统上下行站点强绑定的网络架构中,原本专门用于上行覆盖增强的小站也必须提供下行服务,但此时宏站可能才是用户的最佳下行服务站点,并且下行覆盖的重叠也带来严重的下行干扰。动态关闭上行覆盖增强小站的下行传输,允许用户与小站建立上行传输链路的同时与宏站建立下行传输链路,不仅明显降低了站点间的下行干扰,同时可以显著降低网络能耗。(2)上下行业务负载不均衡)上下行业务负载不均衡基站能耗主要发生于下行发送模块,当基站的下行业务负载较低而上行业务负载较高时,可以由多个站点提供上行服务,而仅由少量站点提供下行服务,此时动态关闭部分站点的下行发送模块可以有效降低网络侧能耗。同样对于基站上行业务负载较低而下行业务负载较高的场景,也可动态关闭部分站点的上行传输,而由另外少数站点集中提供上行服务。尽管相比下行传输模块的关闭效果稍弱,但是上行接收模块关闭也可以带来一定的能耗降低。(3)相干传输)相干传输根据终端业务需求,一些场景下需要多站点间实现相干联合传输或接收,同时相干联合传输或接收的需求对于上下行业务是独立的。例如有下行相干联合传输需求的终端可能并不需要多站点对上行传输的联合接收。另外,如果不要求上下行站点解耦的网络架构中终端的下行服务站点与上行服务站点绑定,那么在多站点联合传输或接收的场景中,也就意味着并不要求相干联合接收的10IMT-2030(6G)推进组IMT-2030(6G)Promotion Group多个站点与相干联合传输的多个站点完全重合。在上面三种场景中,部分站点会仅提供上行或下行传输服务,那么在业务负载允许的前提下,关闭未被使用或利用率低的传输模块可同时带来降低干扰和节约网络能耗两方面的增益。无蜂窝(无蜂窝(Cell-freeCell-free)网络架构)网络架构Cell-free 网络架构概述网络架构概述传统集中式的超大规模 MIMO 网络中,所有天线单元都集中部署在宏基站处。与之不同,Cell-free 网络中的天线单元以 TRP(Transmission and ReceptionPoint)的形式分布式地部署在不同的地理位置,能够获得更好的分集增益。从网络部署的层级关系来看,Cell-free 网络分为以下两种典型架构:第一种是单层架构,如图 3.2-1 所示,所有 TRP 都密集部署在同一层,每个 TRP 均通过前传链路直接连接到中央处理单元(CPU,Central ProcessingUnit),分布式地进行数据传输和资源配置1-3,由 TRP 完成终端信号的发送和接收,由 CPU 完成不同 TRP 的用户数据的分发、合并、预编码和数据处理,以及终端动态协作簇的更新。第二种是两层架构,如图 3.2-2 所示。第一层网络主要实现 UE 的初始接入和移动性管理,完成 UE 与网络之间的低时延控制信令交换,能够提供较好的覆盖能力4,例如基于单频网(SFN,Single Frequency Network)技术的超级小区(super cell)、或者是基于低频段通信的广覆盖小区。第二层网络主要实现高速率的数据传输,通过动态地为每个用户选择一个或若干个传输节点进行集中式或者分布式 MIMO 的传输,能够获得更高的空间复用增益,提供更高的数据传输速率5。第二层网络可以采用 non-SFN 模式的、或者采用相比第一层网络频点更高的频点。11IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3.2-1 单层Cell-free网络架构图 3.2-2 两层Cell-free网络架构Cell-free 网络节能增益分析网络节能增益分析Cell-free 网络的节能增益主要来源于以下几个方面:第一,Cell-free 网络12IMT-2030(6G)推进组IMT-2030(6G)Promotion Group中 TRP 部署位置距离终端近,因此信号传输的路径损耗较小,能量效率更高,所以天线辐射功率可以有效降低1;第二,Cell-free 网络中 TRP 通过高速率、低延时的前传链路与 CPU 相连,能够实现统一的资源调度和干扰管理,实现分布式部署的 TRP 之间的联合相干传输,可以有效增强信号强度,提升能量效率2;第三,不同于传统网络中同时具备基带处理和射频处理能力的宏基站,Cell-free 网络中的 TRP 可以视作远端射频单元,而信号的基带处理可以集中在 CPU 完成,不需要分布在每个 TRP 实现,这种集中式的基带处理架构能够带来网络侧能耗的降低;第四,Cell-free 网络中服务终端的 TRP 簇会随着终端的移动动态更新,实现“网随人动”,因此终端移动时不需要进行传统网络中小区之间的层 3 切换流程,避免了频繁的小区重选流程,也可以减少寻呼的丢失概率,可以降低传统单小区架构下小区切换的复杂度和信令开销,能够有效降低终端侧的能耗,实现绿色节能5。TRP 动态协作的绿色动态协作的绿色 Cell-free 网络网络当 Cell-free 网络数据流量不均匀时,采用 TRP 动态关断,可以更好的实现网络的绿色节能 6。在动态 TRP 开关场景中,网络中的每个 TRP 可以处于激活模式或休眠模式,由 CPU 动态调整 TRP 的激活比例或者激活集合,利用无线网络中空间流量的非均匀性,可以通过临时关闭数据流量较小的区域的部分 TRP 来达到网络节能的目的。进一步地,将若干服务于同一 UE 的 TRP 构成 TRP 簇,通过 TRP(簇)间的协作进一步提高网络能效。如图 3.2-3 所示,地理位置上相邻的几个TRP 配置为一个 TRP 簇。对于每个终端而言,为其服务的 TRP 簇是专属的。13IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3.2-3 动态协作TRP簇基于此架构,通过如下 TRP 协作设计,可进一步实现网络的节能:(1)公共公共 TRP 簇和服务簇和服务 TRP 簇:减少网络接入能耗簇:减少网络接入能耗为减少网络的接入时间和能耗,可考虑设计公共 TRP 簇和服务 TRP 簇。其中公共 TRP 簇主要用于空闲状态的 UE、非激活态 UE 的初始接入;服务TRP 簇则用于为连接状态的 UE 提供数据传输服务。公共 TRP 簇可服务于所有的 UE,使其实现快速初始接入,因此该类簇需要保证广域的覆盖,但对系统容量要求不高,可以采用低频段作为工作频段,只需要较少的 TRP 数量和信号交互,进而降低网络能耗。服务 TRP 簇是服务特定 UE 的,主要用于实现其数据的高速传输,故可以采用高频段作为工作频段。(2)服务服务 TRP 簇与测量簇与测量 TRP 簇:减少测量资源开销簇:减少测量资源开销为了减少测量过程中的资源开销,可以将网络的 TRP 分为两类:服务 TRP簇和测量 TRP 簇。考虑到 UE 具备移动性,对其进行 RRM 测量时 UE 需要测量包括协作 TRP 簇内的 TRP 和协作簇外的 TRP 的参考信号,用于实现快速的TRP(簇)更新和切换。显然,可以为这两种 TRP 簇的参考信号采用不同的测量配置,例如:服务 TRP 簇可以采用比测量 TRP 簇更小的测量周期。考虑到终端移动的有限性,以此可以减少测量 TRP 簇的测量开销。(3)服务簇参考信号复用:降低参考信号开销)服务簇参考信号复用:降低参考信号开销在上述网络架构中,所述 TRP 簇是 UE 专属的,即使两个 UE 处于同一位14IMT-2030(6G)推进组IMT-2030(6G)Promotion Group置,理论上也需要为每个 UE 单独配置参考信号。为了降低资源开销带来的能耗,网络侧可以将服务簇参考信号进行复用,即处于同一位置的不同 UE 可以使用相同的参考信号。虽然参考信号相同,但基于网络侧为终端配置 TRP 簇的不同 ID,在 UE 侧,参考信号所属 TRP 簇仍然是网络为其唯一配置的。基于基于 RISRIS 辅助的绿色网络架构辅助的绿色网络架构RIS(Reconfigurable Intelligent Surface)技术是新型信息超材料与无线通信技术的融合技术。其愿景是通过在无线环境中合理的部署 RIS 设备来达到重塑无线信道的目的,从而提高无线系统的能量利用率,降低/优化组网站点的部署密度。RIS 技术在绿色通信中的应用可以从 RIS 辅助的单小区节能通信场景和 RIS 辅助的 Cell-free 网络场景两方面来考虑。RIS 辅助的单小区绿色节能通信辅助的单小区绿色节能通信RIS 设备由大量规则排列的亚波长 RIS 单元阵列和后台的 RIS 单元控制模块组成。通过独立调控各个 RIS 单元的频率响应特性,RIS 设备可以对基站下行信号或者终端上行信号按照系统需求的波束方向进行反射转发。相比于普通的物体的漫反射,RIS 设备的波束转发路径可以为基站-RIS-终端的级联信道提供额外的波束赋形增益。在单小区场景下,RIS 节点可以部署在小区边缘或者阴影衰落区域等覆盖受限区域,用以提升基站的信号覆盖质量和节省基站/终端发射功率。文献7中针对 RIS 辅助的单小区覆盖增强的多用户容量和系统能耗进行建模和分析。文中指出由于不具备信号放大功能,在相同收发单元数的情况下,无源 RIS虽然性能增益要低于 AF(Amplify and Forward)中继,但是其能效显然远优于 AF 中继。此外,由于无源 RIS 结构简单成本低廉,其与 AF 在系统容量上的差距也可以通过扩大 RIS 阵列规模来弥补,是一种功耗更低的解决方案。大量规模部署的 RIS 节点从空间维度上提升无线能量的利用率8。RIS 节点可以与基站进行协作实现数据能量同时传输(SWIPT,Simultaneous Wireless15IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupInformation and Power Transfer)的功能。在 SWIPT 系统中,基站的主瓣波束为数据终端提供数据服务;同时,辐射到 RIS 阵面的无线信号被 RIS 节点反射汇聚到能量终端用于能量收集。综上所述,基于 RIS 技术辅助的无线网络架构,有效优化了无线传播环境,提升了无线信号/能量的使用率和使用效率,是绿色通信的一个发展新方向。图 3.3-1RIS辅助的单小区覆盖增强示意图RIS 辅助的辅助的 Cell-free 网络节能通信网络节能通信在 Cell-free 网络中,RIS 节点可以与基站协作形成分布式 MIMO 的组网架构。一方面,RIS 节点依靠反射转发信号来提供服务,没有射频信号处理的操作,不会引入基站-RIS 节点间的频率偏差,进而避免了 RIS 节点与基站之间的周期性频率校准,降低了 Cell-free 组网的开销。另一方面,作为一种异构组网方案,在 RIS 辅助的 Cell-free 网络中,RIS 节点并不会主动生成无线信号,通过合理部署 RIS 节点,降低 Cell-free 基站节点的部署密度,可实现 Cell-free网络整体能耗的降低。16IMT-2030(6G)推进组IMT-2030(6G)Promotion Group相比于单小区场景,RIS 辅助的 Cell-free 网络中,RIS 的控制算法更加复杂。RIS 节点需要反射和控制来自多个基站的不同方向的无线信号汇聚成指向终端的波束。需要保证 RIS 节点的反射信号与基站到终端的直连信道的信号的有效相干叠加9,10。文献3,4中提出使用两步式迭代控制方案,依次优化RIS 节点的反射波束和基站节点的发送波束来逼近最佳的终端覆盖效果。总体看来,RIS 辅助的 Cell-free 网络在组网成本方面有明显优势,但是相应的在Cell-free 网络节点波束控制方面复杂度增加。实际部署中,系统需要在这两面进行权衡和优化。17IMT-2030(6G)推进组IMT-2030(6G)Promotion Group空口节能技术空口节能技术超大规模 MIMO 的能耗增加主要来源于快速增长的基站天线数量,因而降低天线的能耗,是降低网络整体能耗最直接有效的技术手段。基于基于 CSICSI 反馈增强的天线调节技术反馈增强的天线调节技术当小区内活跃用户数量有限时,基站并不需要以满功率工作即可维持网络性能的稳定,故通过对无线信道进行监督进而对基站天线进行调节,可以有效降低中低负载网络的能耗11。目前移动通信网络中,通过信道状态信息反馈(CSI,Channel state indication)机制实现基站对网络环境的监测:U E 依照 RRC 参数的配置,对 CSI-RS 参考信号进行测量并将结果通过 CSI 反馈给基站,从而使得基站可以掌握网络状态并对当前天线预编码矩阵、波束赋形参数等策略进行调整。基站可以根据CSI 反馈的结果,关断部分天线通道或降低天线发射功率实现网络能耗的降低。提高 CSI 反馈效率是实现网络天线自适应调节最关键和直接的方法。具体地,可从如下三个方面对其进行增强:(1)CSI-RS 资源配置的增强资源配置的增强CSI-RS 资源配置使得终端对要测量的 CSI-RS 信号有所准备。通过对其增强,可令一个 CSI-RS 资源对应多个不同的天线配置,如不同的天线端口数量或发射功率。由此,基站可一次性发送多个潜在 CSI-RS 信号,进而缩短调整CSI-RS 配置所需时间。(2)CSI 上报配置的增强上报配置的增强CSI 上报配置可用于具体指示 CSI 上报的内容,对其进行增强可令终端一次同时测量多个 CSI-RS,进而提高效率。可将 CSI 上报配置细化到子配置的颗粒度,同时包含对多个 CSI 上报的配置,进而提高 CSI 上报配置的效率。(3)CSI 上报过程增强上报过程增强同时上报多个 CSI 虽然提高了反馈效率,但是也需要降低终端测量复杂度和反馈开销。最直接的方法是在一个 CSI 上报中包含多个 CSI-RS 的测量结果,18IMT-2030(6G)推进组IMT-2030(6G)Promotion Group甚至对多个测量结果进行联合上报。基于上述 CSI 反馈机制增强,基站可以第一时间得知当前信道状况,在不影响网络性能的情况下,降低基站射频天线的发射能耗,进而实现了网络能耗的降低。基于负载情况的公共信号的自适应调节技术基于负载情况的公共信号的自适应调节技术目前的网络中,SSB、RACH、Paging 等公共信号或信道是周期性传输的,且在每次 RRC 配置后,保持传输周期不变,网络负载较低时,带来了大量的不必要能耗开销。为了节约网络能耗,基站可以通过对网络负载进行实时监控,在网络负载低时,采用更长的公共信号周期,从而实现公共信号/信道的传输周期的自适应调节,通过减少信号发送频率来实现网络节能,如图 4.2-1 所示。通过自适应调节信号发送周期,可以降低网络能耗 20%以上11。图 4.2-1 以SSB为例的公共信号自适应调节示意图基于非连续传输的小区休眠技术基于非连续传输的小区休眠技术进一步地,当小区内没有活跃用户时,可直接对整个小区进行一段时间的关断,仅保留部分信号的发送和接收,以小区非连续发送/接收的方式,实现小区的深度休眠。终端的非连续接收机制(Connected Discontinuous reception,C-DRX)目前已被应用于移动通信网络。当此机制被开启后,终端进入周期性休眠状态,只保留很小一部分信号的正常接收;同时进一步引入唤醒(Wake-up Signal,WUS)19IMT-2030(6G)推进组IMT-2030(6G)Promotion Group信号,只有在特定的情况下才会对终端进行唤醒,进而有效地降低了终端的能耗。同样地,非连续接收机制也可应用于基站侧。基站侧的能耗主要来自于发送信号时天线的能耗,故基站侧需要同时考虑小区的非连续接收和发送,周期性地停止大部分信号的接收/发送工作,以实现基站侧的节能。与 4.1 小节中的天线调节相比,小区的非连续发送/接收可以看作是一种较深层次的休眠,牺牲了一定的灵活性和网络性能,但是可以带来相对较大的节能增益。在低负载场景下,小区的非连续传输可以带来 30%以上的节能增益11,这一数值将随着负载的升高而降低。基于基于 SSBSSB 增强的网络节能技术增强的网络节能技术为保证用户的接入和同步,在 4.3 小节所述的小区非连续接收技术并不会影响 SSB(Synchronization Signal/PBCH Block)的正常发送。通过减少 SSB信号的发送,可以进一步降低网络能耗。在单载波小区中,SSB 的节能主要通过减少发送 SSB,即 On-demand SSB,实现。通过 On-demand SSB,根据网络需要动态调节 SSB 的发送周期,在较长的时间内停止 SSB 的发送,可以大幅降低网络能耗,如图 4.4-1 所示。据评估11,在低/空负载下,这一方法将带来 20%-40%的网络节能增益。图 4.4-1 On-demand SSB/SIB1示意图载波聚合(Carrier Aggravation,CA)技术被广泛应用于多载波场景中,具体地可分为载波内频谱聚合(intra-band CA)和载波间频谱聚合(inter-bandCA)。对于 intra-band CA 场景,只需要在其中一个载波上传输 SSB/SIB1 信息,终端可参考此信息在所有载波上实现与基站的同步。20IMT-2030(6G)推进组IMT-2030(6G)Promotion Group类似地,对于 inter-band CA,在主小区(Primary-Cell,PCell)上,仍需要保持 SSB 的正常发送以维持终端与小区的同步。而对于辅小区(Secondary-Cell,SCell),则可暂停发送 SSB/SIB1(System information block1)。当终端希望与辅小区保持同步时,其接入可通过如下的两种方式之一实现:(1)如图 4.4-2,将 SCell 的 SSB/SIB1 信息存放于 PCell 的 SSB/SIB1内,Scell 的 SSB/SIB1 可采取较长的周期进行发送,进一步实现网络节能。图 4.4-2 主载波承载载波的SIB1信息示意图(2)如图 4.4-3,当终端有与 SCell 同步的需求时,通过 PCell 触发 Scell上 SSB/SIB1 的发送,其余时间 SCell 的 SSB/SIB1 可完全停止发送。图 4.4-3 主载波触发辅载波的SIB1传输示意图无论具体采取哪种方式,都将大量减少 SCell 传输 SSB/SIB1 所需的发射能耗,在多载波场景中有效实现网络节能。21IMT-2030(6G)推进组IMT-2030(6G)Promotion Group智能化超大规模智能化超大规模 MIMO随着 AI 技术的发展,在 5G 空口技术中应用 AI 已经引起了广泛关注和研究12。在未来 6G 移动通信的超大规模 MIMO 网络中,充分利用 AI 技术,既可以有效提升网络性能,又可以降低网络能耗,在二者之间带来更好的平衡,以最小的资源开销换取最优质的网络服务。智能化智能化 CSICSI 反馈方案反馈方案传统的智能化 CSI 反馈方案都是针对特定的反馈开销、天线端口数等进行训练和推演的13,14。当反馈开销或天线端口数发生变化时,通常需要训练新的 AI 模型,这使其难以应用于实际系统中。若针对不同的反馈开销和天线端口数训练不同的机器学习模型,则模型的个数将会非常多,不利于 AI 模型的存储、部署、传递。因此,有必要设计一种灵活可扩展的智能化 CSI 反馈方案。灵活可扩展的智能化灵活可扩展的智能化 CSI 反馈框架:反馈框架:SCsiNet为了同时支持多种反馈开销、多种天线端口配置等,本节提出了一种灵活可扩展的智能化 CSI 反馈方案:SCsiNet(Scalable CsiNet)。如图 5.1-1 所示,SCsiNet 中的核心模块(EN/DE block)在内侧和外侧拥有多条支路,每条支路连接着一个扩展增强模块(US/DS block 或者 LPT/LT block):EN(encoder)block 为自编码器(Auto-encoder)中的编码器,DE(decoder)block 为自编码器中的译码器;US(up sampling)block 为上采样模块,DS(down sampling)block 为下采样模块,上采样模块和下采样模块用于支持多种 CSI 反馈开销;LPT(Linear Pre-Transformer)block 为线性预变换模块,LT(Linear Transformer)block 为线性变换模块,LPT 模块和 LT 模块用于支持不同的天线端口数,上述所有线性变换都是通过一个可训练的全连接层实现的。22IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 5.1-1SCsiNet结构示意图SCsiNet 方案性能评估方案性能评估SCsiNet 方案通过多对上下采样层和一对公共编译码器实现不同反馈开销,通过多对预变换和变换层实现不同天线端口维度的数据统一。SCsiNet 方案方案的仿真评估结果如图 5.1-2 所示。可以观察到 SCsiNet 方案在多种端口和反馈开销下有较好的平方广义余弦相似度(SGCS,Squared Generalized CosineSimilarity)性能,而且与在每一种反馈开销和端口下分别训练 AI 模型的性能相近。本节提出的 SCsiNet 方案适用于不同的系统参数,并且在系统内外部条件变化的情况下,无需重新训练,仍然可以有效运行。23IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 5.1-2SCsiNet对反馈开销和天线端口数的可扩展性评估结果智能化波束管理方案智能化波束管理方案在高频场景下,更精准,更低开销的智能波束成形是实现未来 6G 通信系统容量更大程度提升的关键。随着基站天线数量的不断增加,波束增益也越来越大,进而可以不断提升系统容量和性能。高增益波束对应的波束宽度也越来越窄,覆盖相同范围所需要的波束数量也急剧增加。随着波束数量的增加,全局扫描所有波束进行测量的开销巨大,在实际系统中难以接受。得益于可靠的预测精度和较小的资源开销,基于人工智能和机器学习的波束管理策略技术在学术界和产业界得到广泛的研究。利用机器学习算法,只需要进行稀疏波束扫描测量,并基于测量结果对其它未测量波束进行预测,最后选择最强波束。基于基于环境图片信息的智能化波束预测策略环境图片信息的智能化波束预测策略本节给出了一种利用环境图片信息的基于机器学习的波束预测策略,在保证预测精度的同时具有良好的泛化能力。在球面坐标下,最佳波束方向预测可以拆分为最佳波束的水平方向预测和最佳波束的垂直方向预测。通过大量仿真验证表明,对于水平波束方向预测,基站和终端之间的角度信息起主导作用;对于垂直方向波束预测,基站和终端之间的距离起主导作用。本节提出一种以环境地图分布为输入的基于机器学习的智能化波束预测策略。环境地图中包含了目标基站和目标用户以及分布于基24IMT-2030(6G)推进组IMT-2030(6G)Promotion Group站和用户周围的建筑物信息,例如各建筑物的坐标,高度等尺寸相关信息。首先将基站和终端的位置坐标转换为基站和终端之间的角度和距离。若为LOS 路径,则获取 LOS 路径的角度和距离特征。对于 NLOS 路径,利用环境地图信息,将 NLOS 路径转成若干 LOS 路径,从而可以用 LOS 方法处理 NLOS场景。通常,波束的方向可以用角度表示,而波束增益又会随着距离的增加而衰减。另外,如前所述,发射波束的水平角度主要和基站和终端之间的角度相关,而发射波束的垂直角度主要和基站和终端之间的距离相关。因此,可以将基于环境地图获取到的基站和终端的坐标转换为基站到终端的角度和距离。对于 LOS 路径,可以利用以下主要特征:1)最佳发送波束的水平方向主要与基站和终端之间的发射角度相关,且不受载波频率的影响。2)最佳发送波束的垂直方向主要与基站和终端之间的距离相关。3)最佳接收波束的方向主要与基站和终端之间的接收角度相关,且不受载波频率的影响。基于该特征,本方案将波束预测的问题解耦为最佳发射波束水平方向预测、最佳发射波束垂直方向预测和最佳接收波束预测三个步骤。通过问题分解便于有针对性的特征提取,以提高模型泛化性,便于模型迁移。训练得到的机器学习模型运行速度快、模型小、功耗低、便于实际部署。数据分析数据分析本方案涉及到以下三个数据集,其中数据集 1 主要用于模型训练,数据集2 和数据集 3 则主要用于模型验证和测试。其中,数据集 2 和数据集 1 相比,环境地图信息一致,载波频率和发射波束数量不同;数据集 3 和数据集 1 相比,载波频率和发射波束数量相同,环境地图不同。不同的数据集用于评估所设计模型的泛化性能。环境地图信息给出了生成数据的场景中筑物的布局情况。基站和终端之间可能有或无建筑物的遮挡,因此这些传输环境可能是 NLOS 或25IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupLOS 环境。模型输出为 K 个最强波束对,其中 K=1,3,5。计算三种不同 K的取值下波束预测精度(被选择的 K 个波束对中包含最强波束对的概率)。具体数据集信息如下:数据集数据集 1(包含训练和测试数据集包含训练和测试数据集):对于载波频率为 f1 的通信系统,考虑由 64 个发射波束和 4 个接收波束组成的 644 个波束对集合。对于每个接收波束,扫描其中的 8 个发射波束,得到 84 个波束对测量结果,再将这 84 个波束对的测量结果作为输入,每个训练样本的数据结构为64x4 个波束对的强度,传输环境图片,基站位置,终端位置。数据集数据集 2(测试数据集测试数据集):对于载波频率为 f2 的通信系统,考虑由 128 个发射波束和 4 个接收波束组成的 1284 个波束对集合。对于每个接收波束,扫描其中的 8 个发射波束,得到 84 个波束对测量结果,再将这 84 个波束对的测量结果作为输入,输出 K 个最强波束对,其中 K=1,3,5。数据结构为1284 个波束对的强度,环境地图信息,基站位置,终端位置。数据集数据集 3(测试数据集)(测试数据集):对于载波频率为 f1 的通信系统,考虑由 64 个发射波束和 4 个接收波束组成的 644 个波束对集合。每个数据样本的数据结构为644 个波束对的强度,环境地图信息,基站位置,终端位置。与数据集 1 相比,仅环境地图信息不同。模型构建模型构建首先对环境地图进行处理,以便获取建筑物的边缘信息,从而进一步精确获取基站到终端的路径的距离和角度信息。对环境图片进行处理获取边缘信息的方法有很多,可以采用拉普拉斯算子直接处理。这是一种速度快,资源消耗少的简单方法,具体流程如图 5.2-1 所示。26IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 5.2-1环境图片处理流程由建筑物的边界信息可以计算得出基站和终端的反射或衍射路径,从而更精确的对 NLOS 的情况下的基站到终端的发射和接收角度进行确定,这样将NLOS 转化为 LOS 后,可对所有路径进行统一的处理。基于对数据的分析,考虑将预测最强波束的问题解耦为三个子问题:(1)发射波束的水平方向预测发射波束垂直方向使用特征:八个采样的发射波束的相同位置对接收方向的四个波束的值取最大值,采样的最强波束的索引,采样的最强波束的值,采样的第二强波束的索引,采样的第二强波束的值,发射角度,距离等。(2)发射波束的垂直方向预测发射波束水平方向使用特征:八个采样的发射波束的相同位置对接收方向的四个波束的值取最大值,采样的最强波束的索引,采样的最强波束的值,采样的第二强波束的索引,采样的第二强波束的值,发射角度,距离等。(3)接收波束方向的预测接收波束方向使用特征:接收角度,距离,相同接收方向的八个波束取最大值作为特征。实测性能评估实测性能评估使用数据集 1 的前 10000 组数据进行模型训练,分别用数据集 1 的后 1000组数据,数据集 2 的 1000 组数据以及数据集 3 的 1000 组数据进行预测,对应K=1,3,5的预测精度如下表所示:27IMT-2030(6G)推进组IMT-2030(6G)Promotion Group表 5.2-1 不同波束数量的测试结果数据集数据集 1数据集数据集 2数据集数据集 3K=10.960.940.80K=30.990.980.90K=5110.99根据实测结果,基于机器学习的智能波束预测方法确实可以大幅度降低所需要的波束测量开销,并保证足够的波束预测精度。同时尽可能利用环境地图提取的关键信息作为辅助信息,则可以进一步提高模型预测的鲁棒性,保证模型的泛化性能。智能化基站管理方案智能化基站管理方案利用人工智能技术,以最优的全网运行效率和最优的节能效率为目标,对基站实现高效编排管理,可以减轻超大规模天线运营负担,进而实现绿色智能的超大规模 MIMO 网络。这一过程主要需要对网络数据实时监控并预测,从而展开网络编排,实现网络节能15。AI 技术可根据历史数据分析有效预测网络负载和用户行为,采用如自回归综合移动平均模型、长短期记忆等模型,进行时间序列预测,对基站运营的时间窗口进行配置,使得基站进入更深层次更长时间的休眠,以节省网络能耗16,17。通过 AI 技术预测 RRC 连接的用户数及其资源使用情况,可为不同用户独立配置不同的触发阈值,提高网络性能同时降低网络能耗。不同的网络场景有不同的 KPI 要求,利用 AI 技术有针对性地实施优化策略,可以在提升用户服务体验的同时尽可能节约能耗。智能化基站节能管理需要以大量的采集数据作为支撑,以 AI 为使能对网络业务进行精准预测。当预测业务较低时,可将该小区的负载转移到邻小区,并采取不同程度的节能方法,以实现当前小区的天线节能。而当预测业务恢复时,则可提前关闭部分节能机制,以保证网络性能的稳定和优质的用户体验。28IMT-2030(6G)推进组IMT-2030(6G)Promotion Group总结与挑战总结与挑战总结总结研究报告针对 6G 网络超大规模 MIMO 潜在的绿色节能技术展开,提出了切实可行的网络节能方案和高效的智能实现方法,紧密结合业界研究进展和网络实施情况,为未来移动通信系统的超大规模 MIMO 技术提供了参考的研究思路。网络架构方面,6G 网络既可以对现有网络架构升级,也可以考虑采用革新的网络架构。应用在上下行站点解耦的网络架构,根据网络负载、用户业务需求的变化情况,通过动态关闭上行或下行传输链路,在不影响传输质量的前提下有效降低网络能耗,可以实现网络能耗与系统性能的平衡。通过引入单层或两层架构的无蜂窝网络架构,得益于分布式 TRP 部署的差异化的传输环境与更近的传输距离,可以实现更好的分集增益和更低的路径损耗。无蜂窝网络需要频繁的参考信号测量来保证终端的性能,一方面可以重新设计下行多用户参考信号复用,另一方面也可以将相邻的多个终端划分给同一个 TRP 服务簇,降低资源开销和 TRP 能耗。采用基于 RIS 技术辅助的无线网络架构,能够重塑无线信道,优化无线传播环境,从而有效提高基站的信号覆盖质量和无线系统的能量利用率,降低/优化组网站点的部署密度,从而有效降低网络能耗。空口节能技术是标准组织长期关注的重要节能手段。通过对 CSI 反馈进行增强,可以有效提高基站天线关断及功率调节的效率,实现基站的部分关断和节能。对于必要传输的信号,可以根据网络负载来降低发送频次,从而实现天线的轻度休眠和节能。对于非必要传输的信号,可以通过引入小区非连续发送和接收技术,只在特定周期内集中发送这些信号,从而实现网络深度休眠。同时,无论是单载波场景还是多载波场景,都可以通过 on-demand 的方式减少SSB 信号的传输。AI 技术的发展给超大规模 MIMO 技术带来了更多的新鲜活力与可能性。通过采用灵活可扩展的基于 AI 的 CSI 反馈方案,利用不同的分支灵活支持不29IMT-2030(6G)推进组IMT-2030(6G)Promotion Group同的天线端口数和不同的反馈开销,并且与分别训练的神经网络具有相似的性能,实现了反馈性能提升的同时尽可能降低了资源消耗。基于机器学习进行波束预测,环境地图提取的关键信息作为辅助信息,可以有效提高波束预测精度,并大幅度降低所需要的波束测量开销,且具备良好的鲁棒性和泛化性。将 AI技术应用于基站调度中,可有效通过历史信息对网络情况进行预测和分析,进而对基站资源进行更好的分配,既可以降低网络能耗,又可以获得全局最优的网络性能。挑战与建议挑战与建议实现具备绿色智能化超大规模 MIMO 的 6G 网络仍面临诸多挑战。网络架构方面,考虑到与现有网络制式和技术的前向兼容性,采用上下行站点解耦的网络架构有强依赖性,工作于不支持上行与下行链路解绑的网络中存在一定难度,对基站间回传交互有较高要求,能尽可能兼容当前网络的架构升级是绿色节能网络架构的重点。随着 Cell-free 网络中 TRP 的大规模分布式部署,传输速率提升与网络能耗增加之间的矛盾也逐渐凸显,为了实现网络较高的传输速率并有效降低能耗,无蜂窝网络下终端的移动性管理,低开销的网络连接与数据传输流程,TRP 激活状态的动态调节都是未来的研究重点。未来实现 TRP 的动态协作,还需要考虑 TRP 簇内部各个节点高效管理的实现以及簇间的干扰协调。RIS 阵列尺寸较大,控制算法较为复杂,特别是对于部署在小区边缘或者 Cell-free 网络中的 RIS 设备,需要反射和控制来自多个基站的不同方向的无线信号,汇聚成指向目标终端的波束,未来需要充分权衡组网成本与能耗降低和波束控制复杂度。对超大规模 MIMO 的天线阵子进行关断和功率调整,必然将带来网络吞吐量的下降或时延的上升。为避免这种网络性能的下降,又需要通过基站与终端之间及时的反馈手段,来保证不会带来用户体验的下降。如何在维持系统开销和性能稳定的前提下获得天线节能增益是超大规模 MIMO 空口节能技术的重要研究方向。30IMT-2030(6G)推进组IMT-2030(6G)Promotion Group将 AI 与通信融合的研究目前备受关注,网络性能提升与实际部署可行性的权衡是其广泛应用的关键。基于 AI 的 CSI 反馈是一个双边模型,需要终端与基站配合使用,在模型部署与应用时面临较大的挑战。基于 AI 的波束预测,在存在环境地图信息的场景下,可以获得较高的鲁棒性和优异性能,而在实际部署中,某些场景下环境地图信息不一定有效,需要进一步研究在没有环境地图信息作为辅助情况下如何提升波束管理的预测准确性。通过 AI 技术对基站进行智能化管理,结合历史数据可提前对网络资源进行编排,实现更优性能和更低能耗,如何避免网络管理陷入局部最优解,同时能够应对网络突发状况仍是需要进一步研究的问题。6G 移动通信网络向着更高的频点,更大的带宽演进,同时超大规模 MIMO将有更广泛的应用。随着日益增长的新场景与新业务,对高速率、低时延的追求不再是 6G 时代的唯一标准,更大规模的天线面板也不仅仅是超大规模MIMO 技术演进的唯一考量。立足新维度,结合新技术,支持新应用的绿色智能化超大规模 MIMO 技术必然会给 6G 网络提供更好的服务能力,创造更多的产业价值。31IMT-2030(6G)推进组IMT-2030(6G)Promotion Group参考文献参考文献1 H.A.Ammar,R.Adve,S.Shahbazpanahi,G.Boudreau and K.V.Srinivas,User-Centric Cell-Free Massive MIMO Networks:A Survey of Opportunities,Challenges and Solutions,in IEEE Communications Surveys&Tutorials,vol.24,no.1,pp.611-652,Firstquarter 2022.2 Elhoushy,Salah,Mohamed Ibrahim,and Walaa Hamouda.Cell-free massiveMIMO:A survey.IEEE Communications Surveys&Tutorials 24.1(2021):492-523.3 Hoydis,Jakob,et al.Making smart use of excess antennas:Massive MIMO,small cells,and TDD.Bell Labs Technical Journal,18.2(2013):5-21.4 Q.Yu,et al.A Cybertwin based Network Architecture for 6G,6G WirelessSummit(6G SUMMIT),Levi,Finland,2020,pp.1-5.5 终端友好 6G 技术白皮书,未来移动通信论坛,2022 年 3 月.6 G.Femenias,N.Lassoued and F.Riera-Palou,Access Point Switch ON/OFFStrategies for Green Cell-Free Massive MIMO Networking,in IEEE Access,vol.8,pp.21788-21803,20207 C.Huang,A.Zappone,G.C.Alexandropoulos,M.Debbah,and C.Yuen,“ReconfigurableIntelligentSurfacesforEnergyEfficiencyinWirelessCommunication,”IEEE Transctions on Wireless Communications,vol.18,issu:8,Aug.2019.8 Q.Wu,X.Guan,and R.Zhang,“Intelligent Reflecting Surface-Aided WirelessEnergy and Information Transmission:An Overview,”Proceeding of the IEEE,vol.110,issue:1,Jan.2022.9 T.Noh and J.Choi,“Cell-Free MIMO Systems Powered by IntelligentReflecting Surfaces,”IEEE Communications Letters,vol.26,issue:5,May 2022.10 J.Yao,J.Xu,W.Xu,D.W.K.Ng,C.Yuen,and X.You,“RobustBeamforming Design for RIS-aided Cell-free Systems with CSI Uncertainties andCapacity-limited Backhaul,”IEEE Transactions on Communications,May 2023.11 3GPP,“3GPP TR 38.864 V18.0.0 Study on network energy savings for NR;Dec.2020”12 3GPP.RP-213560:New SI:Study on Artificial Intelligence(AI)/MachineLearning(ML)for NR Air Interface,2021.13 C.-K.Wen,W.-T.Shih,and S.Jin,Deep learning for massive MIMO32IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupCSI feedback,IEEE Wireless Communications Letters,vol.7,no.5,pp.748C751,2018.14 T.Wang,C.-K.Wen,S.Jin and G.Y.Li,Deep Learning-Based CSIFeedback Approach for Time-Varying Massive MIMO Channels,in IEEEWireless Communications Letters,vol.8,no.2,pp.416-419,April 2019,doi:10.1109/LWC.2018.2874264.15徐 丹,曾 宇,孟 维 业 等.AI 使 能 的 5G 节 能 技 术 J.电 信 科学,2021,37(05):32-41.16 李凤花,朱洪文,马云刚.基于 AI 的 5G 网络节能方案研究J.山东通信技术,2021,41(04):19-22 43.17 任强.基于 AI 的多系统协同在 5G 网络节能中的应用J.数字通信世界,2020(05):11-12 20.33IMT-2030(6G)推进组IMT-2030(6G)Promotion Group主要贡献单位主要贡献单位主要贡献单位(排名不分先后)序号序号主主要要贡献单位贡献单位贡献内容贡献内容1中国电信股份有限公司统筹研究报告撰写,负责概述、背景等章节撰写,并为空口节能技术、智能化基站管理相关内容提供研究结果输入2中信科移动通信技术股份有限公司为智能化CSI反馈相关章节提供研究结果输入3维沃移动通信有限公司为无蜂窝网络架构、基于RIS的绿色网络架构相关章节提供研究结果输入4中兴通讯股份有限公司为上下行解耦的动态网络架构相关章节提供研究结果输入5北京小米移动软件股份有限公司为无蜂窝网络架构相关章节提供研究结果输入6北京联想软件有限公司为智能化波束管理相关章节提供研究结果输入34IMT-2030(6G)推进组IMT-2030(6G)Promotion Group缩略语缩略语缩写英文全称中文含义4G4th Generation第四代5G5th Generation第五代6G6th Generation第六代AAUActive Antenna Unit有源天线单元AFAmplify and Forward放大转发AIArtificial Intelligence人工智能BSBase Station基站CACarrier Aggravation载波聚合C-DRXConnected Discontinuousreception非连续接收机制CPUCentral Processing Unit中央处理器CSIChannel State Indication信道状态信息CSI-RSChannelStateInformation-Reference Signal信道状态信息参考信号DEDecoder译码器DSDown Sampling下采样ENEncoder编码器IDIdentity Document身份标识号IMT-2030International MobileTelecommunication-2030国际移动通信-2030KPIKeyPerformanceIndicator关键性能指标LTLinear Transformer线性变换LOSLine-of-sight视距LPTLinear Pre-Transformer线性预变换MIMOMultiple Input MultipleOutput多输入多输出NLOSNon-line-of-sight非视距NRNew Radio新空口PCellPrimary-Cell主小区RACHRandom Access Channel随机接入信道RISReconfigurableIntelligent Surface智能超表面RRCRadio Resource Control无线资源控制35IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupSCellSecondary-Cell辅小区SCsiNetScalable CsiNet可扩展的 CSI 感知与恢复的神经网络SGCSSquaredGeneralizedCosine Similarity平方广义余弦相似度SFNSingleFrequencyNetwork单频网SIB1SystemInformationBlock Type1系统信息块类型 1SSBSynchronizationSignal/PBCH Block同步信号与 PBCH 块SWIPTSimultaneousWirelessInformationandPowerTransfer无线携能通信TRPTransmissionandReception Point收发点UEUser Equipment用户终端USUp Sampling上采样WUSWake-up Signal唤醒信号联系方式邮箱:COPYRIGHT2023 IMT-2030(6G)PROMOTION GROUP.ALL RIGHTS RESERVED.

    浏览量0人已浏览 发布时间2023-12-11 36页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • IMT-2030(6G)推进组:2023面向6G的信道测量与建模研究报告(第二版)(120页).pdf

    北京稻壳科技有限公司Beijing Rice Hull Technology Co.,Ltd.地址:北京市朝阳区九住路 188 号IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2023 年年 12 月月版权声明版权声明 Copyright Notification未经书面许可未经书面许可 禁止打印、复制及通过任何媒体传播禁止打印、复制及通过任何媒体传播2023 IMT-2030(6G)推进组版权所有IMT-2030(6G)推进组IMT-2030(6G)Promotion Group目录前言.1第一章6G 信道研究背景与现状.21.1 6G 愿景与需求.21.2 6G 信道需求与挑战.21.3 6G 信道研究现状.4第二章 太赫兹通信信道研究.102.1 太赫兹信道测量平台与场景.102.2 太赫兹信道特性分析.152.3 小结.25第三章 通信感知一体化信道研究.263.1 通信感知一体化信道建模场景及需求.263.2 通信感知一体化信道测量及仿真研究.273.3 通信感知一体化信道建模方法研究.403.4 小结.53第四章 大规模多输入多输出信道研究.564.1 概述.564.2 大规模 MIMO 信道特性分析与建模.564.3 智能超表面信道特性分析与建模.644.4 小结.71第五章 可见光通信信道研究.735.1 可见光信道建模研究现状.735.2 考虑人体遮挡的可见光通信中断概率分析与建模.745.3 可见光信道建模挑战与展望.795.4 小结.79第六章 多样通信场景信道研究.806.1 车联网无线信道测量和建模.806.2 空-地无线信道测量和建模.836.3 海洋无线信道测量和建模.886.4 小结.97第七章 新型信道建模方法探索.1017.1 基于多任务深度学习的信道特征超分辨率模型.101IMT-2030(6G)推进组IMT-2030(6G)Promotion Group7.2 小结.106第八章 面向 6G 的信道数据集和信道仿真器.1078.1 面向 6G 的信道仿真器.1078.2 面向 6G 的 AI 空口信道数据集.108第九章 总结.109贡献单位.110IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图目录图 2-1 105 GHz 太赫兹信道测量平台.11图 2-2 105 GHz 办公室测量场景及测量点位建模方法原理.11图 2-3 132 GHz 城市微蜂窝测量场景及测量点位部署.12图 2-4 140 GHz&220 GHz 室外街道峡谷的信道测量环境和部署.13图 2-5 306-321GHz 太赫兹信道测量系统.13图 2-6 中庭天台场景和测量部署.13图 2-7 室外 L 型街道场景和测量部署.14图 2-8 LOS 与 NLOS 场景路径损耗模型.16图 2-9 130-135 GHz 与 219-224 GHz 室外街道峡谷路径损耗.17图 2-10 306-321GHz 室外场景最佳方向路径损耗和 CI 模型.17图 2-11 太赫兹室外场景下路径损耗因子的测量值.17图 2-12 LOS 与 NLOS 场景时延扩展模型.18图 2-13 LOS 与 NLOS 场景角度扩展模型.19图 2-14 K 因子模型.20图 2-15 多频段测量、传统 3GPP 模型以及改进后的 3GPP 信道模型的稀疏性曲线.21图 2-16(a)EFeko(s,s)与(b)EDS(s,s)的比较.23图 2-17 三维表面上的散射电场比较(a)Feko,(b)散射模型.24图 2-18 不同入射角度下的散射电场比较(a)Feko,(b)散射模型.24图 2-19(a)不同粗糙表面形状下的散射电场比较(b)Feko,(c)散射模型.25图 3-1 信道测量场景布局.28图 3-2 ISAC 信道实际测量场景.29图 3-3 ISAC 信道的 PADP.29图 3-4 ISAC 信道 MPC 联合分簇结果.30图 3-5 测量实景图.31图 3-6 测量布局图.31图 3-7 不同情况下的功率时延角度谱.32图 3-8 不同点位下目标朝向角度与环境相同角度的 PDP 对比.33图 3-9 多径数目对比.33图 3-10 时延与角度的统计性参数对比.33图 3-11 USRP 硬件测量系统示意图.34图 3-12 InH LOS 场景通信信道路径损耗.34图 3-13 mono-static 感知模式 USRP 硬件测量系统.35图 3-14 角反射器示意图.35图 3-15 InH LOS 场景感知信道路径损耗.36图 3-16 UMi LOS 场景路径损耗测量示意图.36IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3-17 10GHz 汽车 RCS8.36图 3-18 Umi LOS 场景感知信道路径损耗.36图 3-19 RT 仿真结果.37图 3-20 生成的散射簇.38图 3-21 通信信道中使用全向天线的功率时延谱.38图 3-22 通信信道中使用定向天线的功率时延谱.38图 3-23 感知信道中使用全向天线的功率时延谱.39图 3-24 感知信道中使用定向天线的功率时延谱.39图 3-25 考虑气象因素的功率时延谱.40图 3-26 GBSM 通感一体化信道模型示意图.40图 3-27 GBSM 通感信道参数生成流程.41图 3-28 ISAC 信道模型示意.41图 3-29 ISAC 信道模型实现框架.43图 3-30 分段式建模示意图.43图 3-31 不分段式建模示意图.44图 3-32 分段建模示意图.45图 3-33 感知链路与通信链路.45图 3-34 通感一体化系统模型.46图 3-35 ISAC 信道模型包括 LOS 径、前向散射径和后向散射径20.47图 3-36 通感信道模型架构.50图 3-37 车辆散射中心提取.51图 3-38 车辆散射场-角度函数仿真和 5 个多散射中心重构结果.51图 3-39 目标相关分量的系统模型.52图 3-40 目标相关分量的生成流程.52图 3-41 背景分量的系统模型.53图 3-42 单站感知背景分量的生成流程.53图 4-1 无线通信中近场和远场示意图.56图 4-2 NF-SnS 框架的流程图.59图 4-3 平稳区间示意图,以 8 阵元为例.59图 4-4 3GPP 模型仿真结果的 PDP 热度图.60图 4-5 NF-SnS 框架仿真结果的 PDP 热度图.61图 4-6 时延 PSD(a)LoS 环境(b)NLoS 环境.61图 4-7 LoS 环境和 NLoS 环境下(a)SCCF 和(b)ACCF 的绝对值.62图 4-8 沿天线阵列 RMS DS 的变化.62图 4-9 沿天线阵列(a)RMS DS 和(b)RMSAS 的变化.62图 4-10 随着 Rx 天线数量的增加用户信道矢量 SP 的变化(Duser=0.2 m).63IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 4-11 LoS(a)阵列域(b)角度域及 NLoS(c)阵列域(d)角度域归一化信道矩阵.63图 4-12 RIS 单元独立调控极化所对应的入射波磁场分量及相关的分解示意图.66图 4-13 RIS 阵子第一极化及第二极化方向图.69图 4-14 RIS 在复杂场景部署仿真.69图 4-15 BS-UE、级联 BS-RIS-UE、综合 BS-UE 级联 BS-RIS-UE 信道覆盖.69图 4-16 RIS 部署时覆盖目标位置的功率时延谱(PDP).70图 4-17 RIS 室内场景测试环境及部署架构图.70图 4-18 RIS 单元 S11 参数随频率变化曲线.70图 4-19 RIS 面板码本对应的各单元相位状态.71图 4-20 各频点终端轨迹位置接收电平仿真结果.71图 5-1 可见光信道测量平台.74图 5-2 圆形人体阴影示意图.76图 5-3 扇形人体阴影示意图.76图 5-4 中断概率 v.s.人体高度.77图 5-5 中断概率 v.s.人体宽度.77图 5-6 中断概率 v.s.收发端距离.77图 5-7 中断概率建模结果.78图 6-1 车联网中包含多样化的通信链路.80图 6-2 测试场景示意图.80图 6-3 实测路径损耗的距离拟合.81图 6-4 一种简化的断点距离划分方法.82图 6-5 测试场景中的密集多径成分(DMC)能量占比.83图 6-6 基于无人机平台的空-地信道测量系统.83图 6-7 实时测量系统收发端的实现方案.85图 6-8 多通道相位校正.85图 6-9 信道测量系统验证.86图 6-10 路径损耗测量结果.86图 6-11 测量场景及飞行轨迹.87图 6-12 多径数目分布测量结果.88图 6-13 海洋无线信道测量平台示意图.88图 6-14 发射信号通过无线信道示意图.88图 6-15 信道测量仪结构图.89图 6-16 整个信道测量仪在时域上的工作流程图.89图 6-17 基于双射线模型的影响.90图 6-18 REL 的几何模型.91图 6-19 粗糙海面的有效反射和阴影效应.91IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 6-20 不同均方根表面坡度的阴影系数与距离的函数关系.92图 6-21 红色为发散效应.92图 6-22 发散因子与距离的函数关系.92图 6-23 在光滑的地面上超越 LOS 的无线电链路.93图 6-24 h1=14.1m、h2=9.5m 的 LOS 衍射增益与距离的函数关系.94图 6-25 REL 模型、PEL 模型、ITU-R 模型和远距离测量 RSL 之间的比较.94图 6-26 整体估计的最佳拟合分布.96图 6-27 TWDP 分布的估计参数.97图 6-28 TWDP 分布的发生率.97图 7-1 信道特征超分辨率模型研究流程.102图 7-2 多任务学习超分辨率模型网络架构.103图 7-3 用于损失函数计算的掩码示意图.104图 8-1 BUPTCMCCCMG-IMT2030 的架构.107图 8-2 BUPTCMCCCMG-IMT2030 的界面.107图 8-3 BUPTCMCCCMG-IMT2030 的操作界面.108图 8-4 BUPTCMCC-DataAI-6G 的构建方式.108IMT-2030(6G)推进组IMT-2030(6G)Promotion Group表目录表 2-1 太赫兹信道测量系统配置.14表 2-2 太赫兹 K 因子参数表.20表 2-3 太赫兹簇特性参数表.21表 2-4 多频段下 20%,50%以及 80F 的 Gini 系数值.22表 3-1 不同应用的信道建模需求与候选建模方法.27表 3-2 信道测量参数.28表 3-3 信道测量参数.30表 3-4 USRP 硬件测量系统路径损耗测量参数配置.34表 3-5 三角板角反射器 RCS 计算公式.35表 3-6 仿真参数.37表 4-1 中间参数参考取值.60表 6-1 测量结果汇总和提出的参考路径损耗模型.81表 6-2 系统性能指标.84表 6-3 CI 模型拟合参数.87表 6-4 图 6-25 中使用的相关模型参数值.95表 6-5 路径损耗模型与测量结果之间的 RMSE 结果.95表 6-6 最佳拟合分布的百分比.96表 6-7 不同地区的主要分布.97表 7-1 射线追踪仿真中使用的材料电磁参数.102表 7-2 RT 仿真配置.103表 7-3 信道特征数据的正常范围与 NaN 值.1041IMT-2030(6G)推进组IMT-2030(6G)Promotion Group前言在下一代移动通信技术(6G)研究初期,基础性和前提性的信道测量与建模研究为移动通信系统技术评估、设备研发、系统设计和网络部署奠定基础。本研究报告重点关注 6G 信道在频率、技术、场景等多个维度上扩展后的新特性、未知规律以及新型的信道建模方法。频率方面,搭建了太赫兹时频域以及可见光高精度大尺度信道测量平台,研究了太赫兹、可见光通信信道的大、小尺度衰落特性。技术方面,针对 6G 使能技术通信感知一体化、智能超表面等开展相应的信道研究,阐述新技术信道建模场景及需求,论述新技术信道测量及仿真的研究进展,并提出改进的新技术信道模型。建模方法论方面,提出了基于人工智能、射线跟踪、几何随机等新型信道建模方法。目前来看,6G 信道测量与建模所面临三大挑战。第一是频率跨度大:由于 6G 可应用的频率更高、带宽更宽,考虑到搭建宽带和高频信道探测仪(CS)的元器件和平台能力,利用 CS 从更高频率和更宽频带的信道中获得可靠和频率跨度如此巨大的精确信道特性是具有挑战性的;第二是通信场景复杂:考虑到超高速移动、空-天-地的多域空间等场景,物理环境更加复杂,各场景下的散射体分布、地形特征、天气等因素都会呈现较大差异,支持上述复杂通信场景的基础上建立准确、可信的模型理论是具有挑战性的;第三是技术多样:未来 6G 系统中可能会采用超大规模 MIMO/全息 MIMO、智能超表面、通信感知一体化、可见光/太赫兹通信等更加多样的技术,不同技术测试评估所需要的模型特征是有区别的,精确的捕获这些技术下的信道新特征和规律,并低复杂度融入到 6G模型理论框架里,支持上述技术的研究评估是具有挑战性的。为了应对上述挑战,需要结合学术和产业界全体的力量。通过前期的需求评估和合理规划,采集更多典型场景、频段、测量配置下的信道实测数据,而后通过数据的标准化构建真实场景环境和信道测量的数据库,实现信道数据的开源共享。结合传统建模理论,利用人工智能技术深度挖掘信道大数据下的隐藏规律,从而建立高精度、低复杂度、高通用性的 6G 信道模型。2IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第一章 6G 信道研究背景与现状1.1 6G 愿景与需求移动通信领域科技创新的步伐从未停歇,从第一代移动通信系统(The FirstGeneration Mobile Communication System,1G)到万物互联的第五代移动通信系统(TheFifth Generation Mobile Communication System,5G),移动通信不仅深刻变革了人们的生活方式,更成为社会经济数字化和信息化水平加速提升的新引擎。随着 5G 网络的规模化商用,全球针对第六代移动通信系统(The Sixth Generation Mobile CommunicationSystem,6G)研发的战略布局已全面展开。面向 2030 年及未来,6G 将实现物理世界人与人、人与物、物与物的高效智能互联,打造泛在精细、实时可信、有机整合的数字世界,实时精确地反映和预测物理世界的真实状态,助力人类走进虚拟与现实深度融合的全新时代,最终实现“万物智联、数字孪生”的美好愿景1。6G 场景相较于 5G 场景来说,需求指标在速率、可靠性、时延、移动性、能耗等各方面进一步提升。要使 6G 能应用于多种场景,需要从频率带宽、频谱效率、空间自由度三方面进行提升。一方面可以通过使用更高的频段来提升通信带宽,如可见光、太赫兹等新频段,通过新的调制编码、新的波形多址技术提升频谱效率。另一方面,通过智能超表面、超大规模 MIMO(Multiple Input Multiple Output)等新技术提升空间自由度,通过通信感知一体化、空天地一体化扩展 6G 应用场景。围绕 6G 总体愿景,未来业务将呈现沉浸化、智慧化、全域化等全新发展趋势,涵盖沉浸式云扩展现实(ExtendedReality,XR)、全息通信、感官互联、智慧交互、通信感知、普惠智能、数字孪生、全域覆盖等八大业务应用场景2。这些场景一方面要求 6G 网络性能指标在现有 5G 能力指标的基础上尽可能提升,另一方面要求对 6G 网络的能力进行更加全面的拓展,如超低时延抖动、超高安全、立体覆盖、超高定位精度、人工智能(Artificial Intelligence,AI)相关指标和感知相关指标等。1.2 6G 信道需求与挑战无线电波从发送机天线发射后到达接收机天线所经历的通道就是无线信道,移动通信是利用无线电波在信道中传播,从而进行信息交换的一种通信方式。信道的特性决定了移动通信系统的性能限。无线信道传播特性和模型不仅是无线通信领域最具活力的基础性研究,同时也是每一代移动通信技术评估、设备研发、系统设计和网络部署的前提条件3,而复杂、易变的信道一直以来是移动通信面临的巨大挑战之一。随着各代移动通信系统的演进,移动通信信道研究的趋势呈现出场景、频率、带宽、空域维度的持续扩展。国际电信联盟无线部(International Telecommunication Union-Radio,ITU-R)和第三代合作伙伴计划(3rd Generation Partnership Project,3GPP)已经发布了若干 5G 信道3IMT-2030(6G)推进组IMT-2030(6G)Promotion Group模型标准,如 ITU M.2412、3GPPTR 38.900 和 3GPPTR 38.901,它们为 5G 典型技术和通信系统性能评价提供了基础。其中 3GPPTR 38.901 和 ITU M.2412 两个信道模型标准适用于 0.5100 GHz,支持 3D MIMO、大规模 MIMO、毫米波三大新技术的评估,同时支持空间一致性、动态特性、遮挡、氧衰的建模,可以满足 5G 通信系统设计与技术优化的需求4。对于 6G,无线信道传播特性和模型面临的情况将更为复杂5。首先 6G信道的频率跨度较 5G 更大,涉及低频、毫米波、太赫兹和可见光频段,不同频段的信道特性明显不同。其次 6G 的业务场景复杂,涵盖空、天、地等物理环境,环境信道差异较大。然后,使用不同技术考虑到的信道特性也各不相同,每种技术涉及到的信道特性都需要仔细考虑,例如智能超表面(Reconfigurable Intelligent Surface,RIS)、通信感知一体化(Integrated sensing and communication,ISAC)和可见光技术等。最后,针对新频谱、新天线、新场景,传统单一的建模方法无法支撑建模需求,需要联合利用多种建模方法,包括统计性建模、确定性建模、混合信道建模等。因此,6G 需求驱动下的信道研究需要从新频段、新场景、新技术和新建模方法四个维度进行研究。从频率来看,太赫兹通信存在巨大的传输损耗,这使得其传输距离相比于 5G 毫米波来讲更近。但是较高的频率意味着其穿透损耗较毫米波更强。此外由于波长的减小,太赫兹信道模型还需要考虑大气影响,例如水雾等天气对太赫兹信号衰减的影响。还需要注意的是,太赫兹的频率跨度很大,电磁波传播特性随频率变化的差异比毫米波更加复杂,材料的电容率等特性的不同导致物体的反射、透射、衍射、散射特性等也更为不同。对于可见光频段,由于器件的特性和信号的特性,信道建模问题与射频频段有较大不同,环境噪声、相关噪声等需要进一步建模,器件的非线性特征也需要纳入考虑。从传播环境来看,6G 需要考虑空、天、地等不同场景。地面间通信是 5G 以来一直需要考虑的问题,由于业务场景更加广泛,6G 信道研究需要进一步考虑多种地面地形、丰富的散射体以及终端移动等情况。非地面通信对收发端大时延、高移动速率通信要求很高,信道变化更加剧烈。天对地通信(如卫星通信)和天对天通信(如星际通信)还需要考虑对流层、电离层、大气波导、内外范艾伦辐射带中高能粒子等对信道的影响。从使能技术来看,6G 包括超大规模 MIMO、智能超表面、通信感知一体化、轨道角动量等多种技术,需要在多种技术类型下开展进一步的信道测量与建模。智能超表面技术由于引入了可对电磁波进行灵活调控的电磁表面,其电磁波传播的级联信道模型、智能超表面物理模型、收发辐射模型都需要考虑,传统的信道模型需要进行优化,且同时考虑智能超表面对快衰小尺度信道的影响。通信感知一体化需要将现有的 5G 移动信道模型与雷达回波探测模型进行融合,建立两者之间特性、参数、结构的对应关系,并利用雷达探测结果修正信道统计参数。超大规模 MIMO 阵列、高频段的使用带来的是更大的瑞利距离,平面波的波前假设变得不再严格成立,有必要研究大规模天线阵列下的信道空间非平稳特性、空间一致性、信道稀疏性等问题。4IMT-2030(6G)推进组IMT-2030(6G)Promotion Group从信道建模方法上来看,传统典型的信道建模方法包括确定性建模、统计性建模、混合信道建模等,近年来还有一些新颖信道建模方法,如基于人工智能的信道建模方法、基于大数据的信道建模方法、基于点云的信道建模方法等。为满足 6G 丰富的业务需求,提高信道建模的效率与准确性,需要结合实测与仿真数据,联合利用多种建模方法,考虑复杂性与精确性的平衡,提出精确度高、复杂度合适、具有一定普适性的信道模型。综上所述,6G 信道研究应从新频段、新场景、新技术出发,考虑新的建模方法,在信道实测、理论分析和仿真基础上,探索 6G 信道在更广泛的频段、场景、业务需求、新技术等方法,结合空-时-频等多域、多维度扩展,建立高精确度、低复杂度、强普适性的信道模型。1.3 6G 信道研究现状面对 6G 应用和新技术对 6G 信道模型研究的挑战,国内外各大研究机构和组织围绕太赫兹通信技术、可见光通信技术、智能超表面技术、通信感知一体化技术开展了相应的信道测量与建模研究。1.3.1 太赫兹通信信道研究太赫兹(Terahertz,THz)指的是频率从 0.1 THz-10 THz 的频段,介于红外和微波之间,波长约为 303000 m。太赫兹存在大量未开发利用的频谱,具有大容量、高速率、方向性好、保密性高等优势。太赫兹有望于在传统网络场景以及新的纳米通信范例中开发大量新颖应用,是被给予厚望的 6G 技术之一。国内外现有太赫兹通信信道研究可分为两种,第一种是根据信道探测平台进行大量的实际测量,研究信道特性;第二种是基于射线追踪原理,对太赫兹场景信道进行仿真,得到信道特性。两种研究方法涵盖了信道大小尺度的衰落特性,其中大尺度路径损耗衰落特性的研究与建模最为广泛的,对于小尺度参数如时延扩展、角度扩展,簇特性等空间信道特性也进行了一些研究。主流的太赫兹信道测量方法可以分为三类。第一类,基于滑动相关原理的时域信道测量方法。发射端基带发送扩频伪随机序列信号,通过上变频模块变频至太赫兹频段。接收端信号经过下变频至基带,并利用序列自相关特性获取信道冲激响应。北京邮电大学开发了 75-150 GHz 以及 220-330 GHz 的时域信道测量平台。基于该系统,北京邮电大学测量分析了 100 GHz 的信道特性参数、220-330 GHz 的大尺度路径损耗参数6以及反射系数。NYU Wireless 开发了在 140 GHz 的滑动相关模式和实时扩频之间进行双模切换的测量系统7。基于该系统,T.Rappaport 团队测量并分析了 140 GHz 电波传播的反射和散射特性8。北京交通大学和德国布伦瑞克大学对列车间(T2T)9、车内10等信道进行了 60 GHz-0.3 THz 的测量和建模,研究了铁路场景中毫米波和太赫兹波的传播特性11。第二类,基于矢量网络分析仪(Vector Network Analyzer,VNA)的频域信道测量方法。VNA 由于单台设备的频率范围有限,通常与相应的太赫5IMT-2030(6G)推进组IMT-2030(6G)Promotion Group兹上、下变频模块配套使用,通过扫频的方式,采用高增益的定向天线,获取太赫兹宽带频率响应。上海交通大学联合华为、信通院开发了基于 VNA 的信道测量系统,在 140、200、300、350GHz 等多个频段,在会议室12、办公区13、走廊14、狭长走道15、数据中心16等多个场景,进行了信道测量和建模,测量距离达到 50 米。韩国浦项科技大学17开发了一种基于 VNA 的 270-300 GHz 信道测量系统,测量了该频段上的短距离(0.1-1m)视距(Line-of-Sight,LoS)信道。在文献18中,基于 VNA 的信道探测系统,分别在 75-110 GHz 和 220-330 GHz 的频率范围内观察到相似的主要多径分量,与 300 GHz的结果相比,在 100 GHz 可以看到更多的弱径。而在文献19中,基于 30 GHz、140 GHz和 300 GHz 的测量,比较了短距离内的路径损耗建模方法,结果表明多频模型比单频模型更稳定。N.Abbasi 等人在太赫兹频段不同类型的城市场景中进行了一系列中距离(1-35 米)和长距离(达到 100 米)双向户外太赫兹信道测量2021。第二类,基于太赫兹时域光谱(THz-TDS)的时域信道测量方法。THz-TDS 主要配合透镜天线,通过发射极窄的太赫兹脉冲,在时域高速采样,直接获得信道冲激响应,主要应用在测量材料的吸收系数、折射率和透射率等光学参数。Z.Hossain 等人用 THz-TDS 测量了天气对太赫兹信号的衰减,进行了理论分析,总结了不同天气因素对太赫兹链路的影响22。四川大学和中国工程物理研究院测量了常见室内材料在 320-360 GHz 频段的反射特性23。1.3.2 可见光通信信道研究为了满足 6G 超高的通信速率,比 5G 更加密集的部署方式,更加广泛的适用场景和绿色节能的成本需求,可见光通信(Visible Light Communications,VLC)被认为是同时实现上述要求的关键技术之一24。可见光通信利用发光二极管(Light Emitting Diode,LED)和激光二极管(Laser Diode,LD)等可见光光源发出肉眼难以分辨的高速明暗变化的光信号来传输信息,再通过光电探测器(Photoelectric Detector,PD)等光电转换器将接收到的光信号转换为电信号来获取信息。因此可见光通信是一种照明通信一体化的无线通信方式,具有频谱资源丰富、易部署和电磁兼容等优点,被认为是 6G 射频通信的有效补充。对于可见光信道的测量与建模,已经开展了一些研究工作。文献25在停车场场景下进行了毫米波与可见光信道特性的对比,发现毫米波信道频率响应易受停车场结构柱和周围车辆的影响,而可见光信道频率响应受二者影响不大,可见光测量平台性能主要是受器件性能影响。文献26研究了室内场景下人体遮挡对接收功率和均方根时延的影响。文献27进行了室内场景信道冲激响应和路径损耗的测量。文献28研究了车对车场景下不同天气对可见光通信系统的影响。在空间特性、时间特性方面,光信号受限于光源的半功率角较窄,形成了以 LoS 传播为主,以反射非视距 NLoS 传播为辅的传播方式,LoS 径占据大部分接收功率,导致角度扩展、时延扩展大幅降低。目前,基本上没有针对可见光信道噪声的测量工作,缺少对于可见光信道噪声理论模型相对应的实测验6IMT-2030(6G)推进组IMT-2030(6G)Promotion Group证,真实可见光通信系统中噪声的分布情况,也是需要继续解决的问题。1.3.3 通信感知一体化信道研究通信感知一体化是指基于软硬件资源共享或信息共享实现通信与感知功能协同的新型信息处理技术,其可基于同一套设备、同一段频谱,同时具备通信与感知能力,具有提升系统频谱效率、硬件资源利用率等特点。作为 6G 潜在使能关键技术之一,通信感知一体化可使移动网络具备测速、测距、定位、目标成像及识别等全新的感知能力,满足智慧交通、无人机监控、自动驾驶环境感知、机器人交互等智能化场景的新需求。完整的通信感知一体化架构将涉及系统架构优化、空口融合、网络融合、硬件架构等核心问题。通信和感知信道建模过去作为独立的研究方向分别针对各自的应用场景开展研究。对定位、目标成像及识别等感知功能,信道模型着重描述电磁波在散射、反射等传播机理下的功率、时延、相位、角度以及被感知物体带来的多普勒效应,以获取目标从位置、速度、运动方向到材质、形状等信息。通信信道模型表征传播环境对接收信号的影响,在过去的大量研究中可分为基于随机统计的信道模型和针对给定传播环境的确定性模型29。在 3GPP 标准中采用基于几何的随机信道模型,通过大量的测量数据得到不同频段、不同场景下信道的路损系数、时延扩展、角度扩展等统计特性,拟合大小尺度参数模型,用于快速生成同类场景下的信道响应。对于感知的性能评估,由定位精度、目标分辨率、感知范围等指标来确定,而通信的性能评估,则由覆盖率、误比特率、频谱效率等指标来确定。差异化的建模目标和评价指标使得现有的信道模型不适用于同时具备通信与感知能力的新系统,因此,面向 6G 通信感知一体化系统,需要建立一套一体化的信道测量和建模方法。1.3.4 智能超表面信道研究智能超表面是一种可以对电磁波进行灵活调控的电磁表面,它可以通过大量可控的电磁单元来改变馈入电磁波的反射、透射、极化、频率等特性,从而实现对电磁波传播的无线信道环境的重构。智能超表面以软件控制的方式重新设计环境中的电波传播环境,将不可控的无线信道传播环境变为可控,给 6G 通信系统带来一种全新的通信网络范式,满足未来移动通信需求。近年来,RIS 辅助通信系统的信道测量与建模取得了一些重要的成果。文献30在基于地图的混合信道模型基础上给出了一种适用于智能电磁表面部署在复杂实际场景的信道建模方法,该方法将智能电磁表面建模为由不同来波所激励的多个虚拟逻辑基站,并通过有向图的方式进行有效链路的选择,考虑了复杂性与精确性的平衡;文献3132提供了 RIS 辅助通道的概述,揭示了信号在 RIS 辅助信道中的传输机制。文献33通过研究中RIS的物理和电磁特性,建立了RIS辅助无线通信的理论自由空间路径损耗模型。7IMT-2030(6G)推进组IMT-2030(6G)Promotion Group文献34研究了毫米波频段室内外传播环境的物理 RIS 信道模型。文献35引入了一个SimRIS 信道模拟器,用于 RIS 辅助信道的路径损耗建模的计算机模拟。1.3.5 新型信道建模方法面对 6G 频率升高、天线数量增加、带宽巨大、应用场景多样的情况,使得信道数据量呈指数级急剧增大,建模复杂度提高。同时新的传输技术对信道模型精度需求进一步提高,给现有建模方法带来了巨大的挑战传统的信道模型变得极其复杂,仿真耗时。文献36提出了普适信道建模理论并应用于 6G 几何随机信道建模,使用统一的信道建模方法和框架、融合 6G 全频段全场景信道特性,可以适用于全频段、全覆盖场景和全应用场景信道。此外,从海量信道数据中发现未知的信道属性变得更加困难。确定性信道模型(如射线追踪方法)复杂且依赖于地理环境信息的精度,而随机性信道模型(如基于几何的统计性信道模型)高效却缺乏详细的环境物理意义。文献37提出了基于簇核的信道建模方法,利用机器学习算法从海量信道数据中挖掘信道隐含特性,以数据驱动的方式找到确定性模型的散射体和随机性模型的簇之间的映射关系;然后,通过有限个物理意义明确的簇核进行信道建模。文献38提出了一种基于图论和射线跟踪的半确定性信道模型,并在低频和毫米波频段上与实测数据进行比较,验证了模型的准确性。文献39引入传播图理论对无线信道建模,大大减少了运算的复杂度。文献40提出了混合信道建模方法,基于确定性模型构建确定性路径,基于统计模型进行簇扩展以及补充数字地图未包含的散射体的影响,与标准4142中的 GBSM 模型可以有效的衔接。因此,结合传统的统计性信道建模和确定性信道建模方法,从信道数据中挖掘信道特性,建立一个适用于多种实际应用场景的高精度、低复杂度信道模型成为必要的研究问题。参考文献1IMT-2030(6G)推进组.6G 总体愿景与潜在关键技术白皮书R.2021.2IMT-2030(6G)推进组.6G 典型场景和关键能力白皮书 R.2022.3田磊,张建华.IMT-2020 信道模型标准综述J.北京邮电大学学报,2018(5):7.4张建华,唐盼,姜涛,等.5G 信道建模研究的进展与展望J.中国科学基金,2020,34(2):16.5张建华,唐盼,于力,等.面向 6G 的信道测量与建模:现状与展望(英文)J.Frontiers of InformationTechnology&Electronic Engineering,2020,v.21(01):48-71.6P.Tang,J.Zhang,H.Tian,Z.Chang,J.Men,Y.Zhang,et al.,“Channel measurement and path lossmodeling from 220 GHz to 330 GHz for 6G wireless communications,”China Communications,vol.18,no.5,pp.1932,2021.7M.Wang,J.Wang,Q.Wu,and Y.Huang,“Research on indoor channel measurement and simulation at340 GHz,”Acta Physica Sinica,vol.63,no.15,Aug.2014.8G.R.MacCartney and T.S.Rappaport,“A Flexible Millimeter-Wave Channel Sounder With AbsoluteTiming,”IEEE Journal on Selected Areas in Communications,vol.35,no.6,pp.1402-1418,Mar.2017.9S.Ju,S.H.A.Shah,M.A.Javed,et al.,“Scattering Mechanisms and Modeling for Terahertz WirelessCommunications,”in Proc.Of IEEE International Conference on Communications(ICC),pp.1-7,May 2019.10K.Guan,B.Peng,D.He,D.Yan,B.Ai,Z.Zhong,and T.Krner,“Channel Sounding and Ray Tracingfor Train-to-Train Communications at the THz Band,”in Proc.of European Conference on Antennas8IMT-2030(6G)推进组IMT-2030(6G)Promotion Groupand Propagation(EuCAP),pp.1-5,Apr.2019.11K.Guan,B.Peng,D.He,J.M.Eckhardt,S.Rey,B.Ai,Z.Zhong,and T.Krner,“ChannelCharacterization for Intra-wagon Communication at 60 and 300 GHz Bands,”IEEE Transactions onVehicular Technology,vol.68,no.6,pp.5193-5207,Mar.2019.12Y.Chen,Y.-B.Li,C.Han,Z.Yu,and G.Wang,“Channel Measurement and Ray-Tracing-StatisticalHybrid Modeling for Low-Terahertz Indoor Communications”,IEEE Transactions on WirelessCommunications,vol.20,no.12,pp.8163-8176,Dec.2021.13J.He,Y.Chen,Y.Wang,Z.Yu,and C.Han,“Channel Measurement and Path-Loss Characterization forLow-Terahertz Indoor Scenarios”,in Proc.of IEEE ICC Workshop on Terahertz Communications,Montreal,Canada,June 2021.14Y.-Q.Wang,Y.-B.Li,Y.Chen,Z.Yu,and C.Han,“0.3 THz Channel Measurement and Analysis in anL-shaped Indoor Hallway”,in Proc.of IEEE International Conference on Communications(ICC),Seoul,South Korea,May 2022.15Y.-B.Li,Y.-Q.Wang,Y.Chen,Z.Yu,and C.Han,“Channel Measurement and Analysis in an IndoorCorridor Scenario at 300 GHz”,in Proc.of IEEE International Conference on Communications(ICC),Seoul,South Korea,May 2022.16G.Song,Y.-B.Li,J.Jiang,C.Han,Z.Yu,Y.Du,and Z.Wang,“Channel Measurement andCharacterization at 140 GHz in a Wireless Data Center“,in Proc.of IEEE Global CommunicationsConference(GLOBECOM),Rio de Janeiro,Brazil,December 2022.17H.J.Song,“LOS Channel Response Measurement at 300 GHz for Short-Range WirelessCommunication,”in Proc.of IEEE Wireless Communications and Networking Conference Workshops(WCNCW),pp.1-3,Apr.2020.18Y.Lyu,P.Kysti and W.Fan,“Sub-THz VNA-based Channel Sounder Structure and ChannelMeasurements at 100 and 300 GHz,”in 2021 IEEE 32nd Annual International Symposium onPersonal,Indoor and Mobile Radio Communications(PIMRC),pp.1-5,2021.19C.Cheng,S.Kim,A.Zajic.“Comparison of Path LoSs Models for Indoor 30 GHz,140 GHz,and 300GHz Channels,”in Proc 11th European Conference Antennas and Propagation(EUCAP),pp.716-720,2017.20N.Abbasi,J.Gmez,et al.,“Ultra-Wideband Double Directional Channel Measurements for THzCommunicationsinUrbanEnvironments,”inProc.ofIEEEInternationalConferenceonCommunications(ICC),pp.1-6,Jun.2021.21N.Abbasi,J.Gmez,etal.,“Double-DirectionalChannelMeasurementsforUrbanTHzCommunications on a Linear Route,”in Proc.Of IEEE International Conference on CommunicationsWorkshops(ICC Workshops),pp.1-6,Jun.2021.22Z.Hossain,C.N.Mollica,J.F.Federici,et al.,“Stochastic Interference Modeling and ExperimentalValidationforPulse-BasedTerahertzCommunication,”IEEETransactionsonWirelessCommunications,vol.18,no.8,pp.4103-4115,Jun.2019.23K.Guan,G.Li,T.Krner,A.F.Molisch,B.Peng,et al.,“On Millimeter Wave and THz Mobile RadioChannel for Smart Rail Mobility,”IEEE Transactions on Vehicular Technology,vol.66,no.7,pp.5658-5674,Nov.2017.24中国移动通信有限公司研究院.6G 可见光通信技术白皮书 R.2022.25J.R.Barry,J.M.Kahn,W.J.Krause,E.A.Lee,and D.G.Messerschmitt,“Simulation of multipathimpulse response for indoor wireless optical channels,”IEEE J.Sel.Areas Commun.,vol.11,no.3,pp.367379,Apr.1993.26Chvojka P,Zvanovec S,Haigh P A,et al.Channel characteristics of visible light communicationswithin dynamic indoor environmentJ.Journal of Lightwave Technology,2015,33(9):1719-1725.27Eldeeb H B,Uysal M,Mana S M,et al.Channel modelling for light communications:Validation of raytracing by measurementsC/2020 12th International Symposium on Communication Systems,Networks and Digital Signal Processing(CSNDSP).IEEE,2020:1-6.28Y.H.Kim,W.A.Cahyadi,and Y.H.Chung,“Experimental demonstration of VLC-basedvehicle-to-vehicle communications under fog conditions,”IEEE Photonics Journal,vol.7,no.6,pp.19,2015.29W.Li et al.,“Millimeter-Wave Radar Measurement and Ray-Tracing Simulation for Urban StreetEnvironment,”2022 3rd Atlantic/Asia-Pacific Radio Science Meeting of the International Union ofRadio Science(URSIAT-AP-RASC),accepted,2022.30窦建武,陈艺戬,张楠,等.智能可控电磁表面信道建模.电波科学学报,2021,36(3):368-377.DOI:10.12265/j.cjors.202019531E.Bjornson,O.Ozdogan,and E.G.Larsson,“Reconfigurable Intelligent Surfaces:Three Myths and9IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupTwo Critical Questions,”IEEE Commun.Mag.,vol.58,no.12,pp.9096,Dec.2020.32Q.Wu and R.Zhang,“Towards Smart and Reconfigurable Environment:Intelligent Reflecting SurfaceAided Wireless Network,”IEEE Commun.Mag.,vol.58,no.1,pp.106112,Jan.202033W.Tang et al.,“Wireless Communications With Reconfigurable Intelligent Surface:Path LoSsModeling and Experimental Measurement,”IEEE Trans.Wireless Communications.,vol.20,no.1,pp.421439,Jan.2021.34E.Basar,I.Yildirim,and F.Kilinc,“Indoor and Outdoor Physical Channel Modeling and EfficientPositioningforReconfigurableIntelligentSurfacesinmmWaveBands,”IEEETrans.Communications.,vol.69,no.12,pp.86008611,Dec.2021.35E.BasarandI.Yildirim,“SimRISChannelSimulatorforReconfigurableIntelligentSurface-Empowered Communication Systems,”in 2020 IEEE Latin-American Conference onCommunications(LATINCOM),Santo Domingo,Dominican Republic,Nov.2020,pp.16.36 C.-X.Wang,Z.Lv,X.Gao,X.-H.You,Y.Hao,and H.Haas,“Pervasive channel modeling theory andapplications to 6G GBSMs for all frequency bands and all scenarios,”IEEE Trans.Veh.Technol.,accepted for publication,doi:10.1109/TVT.2022.3179695,arXiv:2206.02442.37J.Zhang,The interdisciplinary research of big data and wireless channel:A cluster-nuclei basedchannel model,China Communications,vol.13,no.2,pp.14-26,Feb.2016.38L.Tian,V.Degli-Esposti,E.M.Vitucci,and X.Yin,“Semi-deterministic radio channel modeling based ongraph theory and ray-tracing,”IEEE Trans.Antennas Propag.,vol.64,no.6,pp.24752486,Jun.201639T.Pedersen,G.Steinbock,and B.H.Fleury,“Modeling of reverberant radio channels usingpropagation graphs,”IEEE Trans.Antennas Propagation.,vol.60,no.12,pp.59785988,Dec.2012.40Aki Hekkala,Pekka Kysti,Jianwu Dou et al,Map Based Channel Model for 5G WirelessCommunications,32nd URSI GASS,Montreal,1926August 2017.413GPP,Studyonchannelmodelforfrequenciesfrom0.5to100GHz,2017.Available:http:/www.3gpp.org/DynaReport/38901.htm.42ITU-R M,Guidelines for evaluation of radio interface technologies for IMT-2020,2017.Available:https:/www.itu.int/pub/R-REP-M.2412-2017.10IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第二章 太赫兹通信信道研究为满足 6G 更加丰富的业务应用以及极致的性能需求,包括大数据、互联网、云计算、智慧城市、多维网络融合的发展,需要在探索新型网络架构的基础上,在关键核心技术领域实现突破。太赫兹波(0.1-10 THz),由于其资源丰富、带宽大、具有特有的优良性质,近年来受到了来自学术界和工业界的密切关注。在信道研究领域,太赫兹频段是目前研究较多的 6G 候选频段之一。目前,国际和国内的无线通信标准中尚未确定100 GHz 以上频段的太赫兹信道模型标准。因此,100 GHz 以上频段的信道测量和建模工作将成为 6G 信道标准的重要组成部分。本节分为两部分进行太赫兹信道测量和建模工作,第一部分叙述太赫兹信道测量的平台及场景,第二部分分别从路径损耗,时延扩展,角度扩展,K 因子,簇特性,稀疏特性,散射特性以及大气衰减几个方面进行太赫兹信道特性的分析。2.1 太赫兹信道测量平台与场景本节叙述了频率 100-330 GHz 的信道测量平台以及场景,其中包含了 11 个频段以及 13 个不同场景。对于室内办公室场景,进行了 100 GHz、105 GHz、130-143 GHz以及 221-224 GHz 三种不同办公室的信道测量;对于数据中心场景,进行了 140 GHz 两个不同的数据中心场景信道测量;对于会议室场景,进行了 130-143 GHz、221-224 GHz信道测量;对于室内狭长走廊以及半开放 L 型大厅场景,进行了 300 GHz 信道测量;对于室内短距离场景,进行了 220-330 GHz 信道测量;对于城市微蜂窝场景,进行了 132GHz 信道测量;对于室外街道峡谷环境,进行了 140GHz、220 GHz 信道测量;对于中庭天台和室外 L 型街道场景,进行了 306-321GHz 信道测量。下面详细介绍本研究报告中新增的测量活动细节,其余细节请参考面向 6G 的信道测量与建模研究研究报告。2.1.1 105 GHz 办公室信道测量信道测量过程中,基于时域扩频滑动相关原理,采用矢量信号发生器和频谱分析仪相结合的方法,能够有效支持宽带信道测量,获得多径信号,如图 2-1 所示。信号发射端选用罗德施瓦茨(R&S)的 SMW200A 型号信号发生器,该信号发生器可以产生各种信号的基带信号,并自动加载到设定的载频输出。工作频带覆盖范围 100 KHz40 GHz,非常优良的频带资源可以满足测量的频点需求。测量中伪随机码序列 PN9。信号接收端的采集设备采用罗德施瓦茨(R&S)FSW43 型号的频谱分析仪,该频谱分析仪可以实时显示频域信号,并且可以实时采集时域 IQ 路信号用于后续分析处理。工作频带覆盖范围 2 Hz43 GHz,同样满足测量频点需求。为了增加动态范围,在发射侧采用功率放大器,接收侧使用了低噪声放大器。该系统能够覆盖 150 dB 的路径损耗范围。为了获得纯信道信息的脉冲响应,需要通过直通校准去除相应的测量系统。在测量中,采用频率切换的程序控制方式,减小环境变化的影响,公平地比较不同频段的信道特性。信道11IMT-2030(6G)推进组IMT-2030(6G)Promotion Group探测配置的详细信息如表 2-1 所示。图 2-1 105 GHz 太赫兹信道测量平台105GHz 信道测量场景,如图 2-2 所示,在 105 GHz 频点上,在面积为 84 m2的典型室内办公室场景进行测量。红色星形代表发射端的位置,发射端置于办公室的一角,距地面 1.8 m;黄色圆形代表接收端的位置,接收端置于办公室的桌子和走廊中,距地面 1.4 m,且都处于视距(LOS)场景中;办公室中间有一堵长 2.5 m 的墙,如图 2-2 所示。发送端天线是固定的,每个位置的接收端天线都利用喇叭天线以 LOS 角为原点旋转,方位角从-180到180,步长为 10;仰角分别为-20、-10、0、10和 20,形成虚拟阵列,获得信道完整的角度信息。图 2-2 105 GHz 办公室测量场景及测量点位建模方法原理2.1.2 132 GHz 城市微蜂窝信道测量信道测量过程中,在发射机端,使用矢量信号发生器 R&S SMW 200A 产生中频信号。在基带,利用振幅移位键控技术 ASK 调制周期为 511 的 PN 码序列。倍频器将信号发生器 R&S SMB 100A 产生的本振信号乘以 6。然后,中频信号与本振信号混合并扩展到太赫兹范围。采用大半功率波瓣角(HPBW)的喇叭天线传输太赫兹信号。在接收端,发送的信号由高增益喇叭天线接收,然后通过混频器向下转换为中频信号。利用频谱分析仪 R&S FSW 43 对中频信号进行解调。在基带,采样率为 1.2 GHz,获得 1022 个 IQ信号样本。发射端天线增益范围为 22.5 dBi,接收端天线增益范围为 24.5 dBi。发射端天线 HPBW 在水平面以及垂直面分别是 14 度与 12 度,接收端天线 HPBW 在水平面 10度在垂直面是 9 度。信道测量配置及信道测量平台性能的详细信息如表 2-1 所示。12IMT-2030(6G)推进组IMT-2030(6G)Promotion Group对于 132 GHz 的测量,城市微蜂窝场景和信道测量测点位置如图 2-3 所示。图 2-3 132 GHz 城市微蜂窝测量场景及测量点位部署对于室内视距(LOS)场景,TX 设为 TX1 和 TX2,对于 NLOS,TX 设为 TX3。此外,RX(RX1-16)在 LOS 和 RX(RX17-24)共设置 24 个位置,如图 2 所示。Tx 与 Rx 之间的距离在 LOS 为 14.2 102.7 m,在 NLOS 为 56.7 76.4 m。测量时,TX 高度为 11.6m,RX 高度为 1.5 m。对于 LOS 上的每个 RX 位置,TX 以仰角与 RX 对齐,TX 使用 7个方位角(对齐角度,TX 天线从对齐角度顺时针和逆时针旋转 14 3 次)。对于 NLOS 的每个 RX 位置,TX 和 RX 都在最大一次反射方向。对于每个 TX-RX组合,在 RX 处使用三个仰角(对准角,RX 天线从对准角向上倾斜和向下倾斜 15),RX天线在方位角平面上旋转 360,步长为 10,以捕获任何方位角方向上所有可能的多径。2.1.3 140 GHz&220 GHz 室外街道峡谷信道测量信道测量平台由具有射频(RF)前端的基于矢量网络分析仪(VNA)的测量系统搭建。收发侧都使用定向天线,接收天线在水平和俯仰方向旋转扫描。对于 140GHz 频段,中频(IF)范围为 2-7 GHz。对于 220GHz 频段,中频范围为 9-14 GHz。该测量系统的详细配置见表 2-1。信道测量场景如图 2-4,本次信道测量在办公楼外进行,测量场景和测量部署如图2-4(a)和图 2-4(b)中所示。LoS 场景有 23 个测量点,发射-接收机(Tx-Rx)间隔范围为 3-25 米。随着传播距离的增加,Tx 天线的方向进行了调整,以确保 Tx 和 Rx 定向天线的主瓣方向正对彼此。NLoS 场景有 54 个测量点,Tx 固定在与 LoS 场景相同的位置,Rx 位于两栋建筑之间,Tx-Rx 间隔范围为 12-37 米,其 LoS 路径被 1 号建筑遮挡。在所有的测量期间,环境都是静态的。13IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(a)测量场景(b)测量部署图 2-4 140 GHz&220 GHz 室外街道峡谷的信道测量环境和部署2.1.4 306-321GHz 中庭天台和室外 L 型街道信道测量信道测量过程中,搭建了基于 VNA 的太赫兹信道测量系统,其支持 260-400 GHz的超宽频谱测量,收发距离可达 60 m,如图 2-5 所示。发射机和接收机固定在电控云台上,可以实现水平角 360旋转,俯仰角-75到 40旋转。其具体配置如表 2-1 所示。图 2-5 306-321GHz 太赫兹信道测量系统本次测量场景分布在上海交通大学,分别为龙宾楼中庭天台和室外 L 型街道两个场景。所测量的场景和测量点部署如图 2-6 和图 2-7 所示。其中,中庭天台的测量规划中包含 21 个视距(LoS)。L 型街道的测量规划中包含视距(LoS)和非视距(NLoS)两种情况,一共有 18 个测量点。(a)中庭天台(b)中庭天台测量部署图 2-6 中庭天台场景和测量部署14IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(a)室外 L 型街道(b)室外 L 型街道测量部署图 2-7 室外 L 型街道场景和测量部署本次测量中,发射天线为增益 7dBi 的宽波束天线,接收天线增益为 25dBi,波瓣宽度为 8。测量时发射天线方向固定,对准接收机位置,接收端水平扫描 360,俯仰扫描-20至 20,步长为 10。矢量网络分析仪扫描的频段为 306-321GHz,扫描间隔为 2.5 MHz,时域分辨率为 66.7ps,最大测量时延为 400ns。表 2-1 太赫兹信道测量系统配置参数参数数值数值测量平台类型信号发生器-频谱仪VNAVNAVNAVNA信号发生器-频谱仪测量频率100 GHz140 GHz130-143 GHz 221-224 GHz 306-321 GHz220-330 GHz发射天线增益5 dBi7 dBi25 dBi25 dBi0 dBi24.8-28.6 dBi接受天线增益19.7 dBi25 dBi15 dBi15 dBi25 dBi24.8-28.6 dBi时延分辨率666.7 ps100 ps76.9 ps333.3ps66.7 ps416.7 ps水平旋转范围0,360-0,3600,3600,3600水平旋转步长20-1010100垂直旋转范围-15,15-20,20-20,20-20,200垂直旋转步长15-1010100旋转精度0.01-1110表 2-1(续)参数参数数值数值测量平台类型信号发生器-频谱仪信号发生器-频谱仪VNAVNAVNA测量频率105 GHz132 GHz130-135 GHz 219-224 GHz 306-321 GHz发射天线增益-22.5 dBi-7 dBi接受天线增益-24.5 dBi-25 dBi时延分辨率833.3ps833.3ps0.2 ns0.2 ns66.7 ps水平旋转范围0,3600,3600,3600,3600,360水平旋转步长1010101010垂直旋转范围-20,20-9,9-20,20-20,20-20,20垂直旋转步长109101010旋转精度0.010.01-115IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2.2 太赫兹信道特性分析本节共叙述了 8 种大小尺度衰落特性,其中包括路径损耗,时延扩展,角度扩展,K 因子,簇特性,稀疏特性,散射特性以及大气衰减。其中路径损耗涵盖了 100-330 GHz中的 10 个频段以及 12 种不同场景,时延扩展包括了 100 GHz,132GHz,140 GHz,300GHz,306-321GHz 五个频段以及 10 个场景,角度扩展以及 K 因子包括了 132GHz,140GHz,300 GHz,306-321GHz 以及 9 个场景,簇特性中叙述了 140 GHz,300 GHz 以及306-321GHz 在 6 个场景中的统计性参数,稀疏特性对比了典型厘米波、毫米波和太赫兹频段的 Gini 系数水平,散射特性以及大气衰减描述了 300 GHz 的仿真信道特性。下面详细介绍本研究报告中新增的太赫兹信道特性分析细节,其余细节请参考面向 6G的信道测量与建模研究研究报告。2.2.1 路径损耗通常用三种路径损耗模型 Close In(CI)模型、Float Intercept(FI)模型和Alpha-Beta-Gamma(ABG)模型表征传播过程中的功率衰减。CI 模型和 FI 模型都是单频路径损耗模型。他们只能模拟一个特定频率下的路径损耗。ABG 模型是一种描述连续频段衰落的多频路径损耗模型。CI 模型可以写成:,=,0 10100 (2-1)其中0为基于物理的参考距离,为路径损耗指数(PLE),为零均值高斯随机变量,标准差为,单位为 dB,表征阴影衰落。在0这个分析中被设置为 0.1 m。CI 模型只有一个变量,可以通过最小均方误差方法得到,即用最小的误差拟合实测数据。因此,CI 模型的复杂性相对较低。与 CI 模型相比,FI 模型没有考虑物理参考距离。可以表示为:,= 1010 (2-2)其中是浮点截距,是模型的斜率,是一个零均值高斯变量,其标准差为,表示阴影。与 CI 模型相似,通过最小化可以得到两个变量和。由于截距被建模为一个变量,FI 模型通常在相同测量数据的基础上可以得到比 CI 模型小的。这意味着FI 模型可以更准确地预测特定环境下的路径损失。为了进一步研究路径损耗的频率依赖性,我们使用 ABG 模型来拟合测量的路径损耗。模型如下:,= 10100 10101 GHz (2-3)0是接收功率的参考点,和分别是距离和频率的依赖因子,是路径损耗的优化补偿,与具有相同的物理意义。在这个 ABG 模型中,我们可以看到路径损耗随频率和空间距离的变化而变化。16IMT-2030(6G)推进组IMT-2030(6G)Promotion Group此小节路径损耗信道特性建模涵盖了 100-330 GHz 中的 10 个频段以及 12 种不同场景,其中 10 个频段包括 100 GHz,132 GHz,140 GHz,130-143 GHz,130-135 GHz,219-224 GHz,221-224 GHz,300 GHz,220-330 GHz,306-321GHz。场景涉及办公室场景,会议室场景,数据中心场景,狭长走廊场景,城市微蜂窝场景,半开放 L 型大厅场景,中庭天台,室外 L 型街道以及短距离场景。下面详细介绍本研究报告中新增的太赫兹信道路径损耗分析细节,其余细节请参考面向 6G 的信道测量与建模研究研究报告。2.2.1.1 132 GHz 城市微蜂窝路径损耗132 GHz 于城市微蜂窝场景进行测量,路径损耗结果如图 2-8 所示。132 GHz 的全向路径损耗指数 PLE 值为 n=1.98,阴影衰落标准差为=1.74 dB,略低于 LOS 方向 PLE值 n=1.99。这表明全向测量比定向测量能捕获更多的其他多径功率。此外,在全向和最佳方向的 PLE 接近,这表明在 LOS 场景中,与其他多路径相比,LOS 直射径占主导地位。132GHz 时 NLOS 全向 PLE 为 n=2.50,阴影衰落(SF)标准差为=6.89 dB。PLE小于但接近最大功率多径路径损耗 PLE n=2.52。这表明最大主反射路径在 NLOS 处具有主要的接收功率。(a)LOS(b)NLOS图 2-8 LOS 与 NLOS 场景路径损耗模型2.2.1.2 140 GHz&220 GHz 室外街道峡谷路径损耗130-135 GHz、219-224 GHz 于室外街道峡谷场景进行测量,根据 130-135 GHz 和219-224 GHz 的最佳方向路径损耗,建立 LoS 和 NLoS 场景下的自由空间参考距离路径损耗模型(CI 模型)和浮动截距路径损耗模型(FI 模型)。图 2-9(a)和 2-9(b)分别给出了 LoS 和 NLoS 场景下 140 GHz 和 220 GHz 的最佳方向路径损耗以及对应的 CI和 FI 模型。可以观察到,在 LoS 场景下,PLE n 在 140 和 220 GHz 下接近,分别为 1.82和 1.81。对于 NLoS 场景,即使 220 GHz 测量时 Tx 天线的波束宽度较宽,PLE n 也比140 GHz 要大,这表明 NLoS 多径的功率随着载波频率的增加而明显衰减。17IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(a)LoS 场景(b)NLoS 场景图 2-9 130-135 GHz 与 219-224 GHz 室外街道峡谷路径损耗2.2.1.3 306-321GHz 中庭天台和室外 L 型街道路径损耗306-321GHz 于中庭天台和室外 L 型街道场景进行测量,用测量的路径损耗建立 CI(Close-in)模型,不同场景下的路径损耗测量值以及建立的 CI 模型如图 2-10 所示。图 2-10 306-321GHz 室外场景最佳方向路径损耗和 CI 模型观察不同室外场景的测量结果可以发现,在视距场景下,天台场景的路径损耗因子为 2.25,L 型街道场景的路径损耗因子为 2.18,这两种场景下由于波导效应导致路径损耗因子均略大于 2。图 2-11 太赫兹室外场景下路径损耗因子的测量值18IMT-2030(6G)推进组IMT-2030(6G)Promotion Group在图 2-11 中总结并对比了文献中不同研究组测量的太赫兹室外场景的路径损耗因子。可以发现,文献中太赫兹频段的室外视距场景下路径损耗因子的测量值在 2 上下波动,根据具体测量场景有所差异。将 LoS 和 NLoS 情形下测量的 306-321 GHz 频段不同室外信道的路径损耗因子 PLE 与 3GPP TR38.901 信道模型标准扩展到所测量频段(306-321GHz)的参数进行对比,可以发现所测量的路径损耗因子大于信道模型标准中的参考值。2.2.2 时延扩展此小节时延扩展信道特性建模涵盖了 100-321 GHz 中的 5 个频段以及 10 种不同场景,其中 3 个频段包括 100 GHz,132GHz,140 GHz,300 GHz,306-321GHz。场景涉及办公室场景,数据中心场景,狭长走廊场景,城市微蜂窝场景,半开放 L 型大厅场景,中庭天台和室外 L 型街道。下面详细介绍本研究报告中新增的太赫兹信道时延扩展分析细节,其余细节请参考面向 6G 的信道测量与建模研究研究报告。2.2.2.1 132 GHz 城市微蜂窝时延扩展在132 GHz城市微蜂窝LOS与NLOS场景的时延扩展(DS)分别服从=-8.19,=0.55以及=-8.53,=0.18 的对数正态分布,时延扩展的概率累积函数(CDF)如图 2-12 所示,横坐标是 3GPP 常用的 dBs 的形式。LOS 以及 NLOS 的 50%时延扩展分别是-82.0 dBs以及-85.5 dBs。LOS 的时延扩展大于 NLOS 的时延扩展,这意味着 NLOS 的 RX 不太可能接收到传播距离差异较大的多径分量。图 2-12 LOS 与 NLOS 场景时延扩展模型2.2.2.2 306-321GHz 中庭天台和室外 L 型街道时延扩展306-321GHz 中庭天台 LOS 场景的时延扩展服从均值为-7.90 的对数正态分布,室外L 型街道 LOS 场景和 NLOS 场景的时延扩展分别服从均值为-8.42 以及-7.61 的对数正态分布,时延扩展的均值小于 3GPP TR38.901 信道模型标准扩展到所测量频段(306-321GHz)的参数。19IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2.2.3 角度扩展此小节角度扩展信道特性建模包括了 132GHz,140 GHz,300 GHz,306-321GHz,共 4 个频段以及 9 种不同场景。9 个场景中涉及数据中心场景 4 种,狭长走廊场景,城市微蜂窝场景,半开放 L 型大厅场景,中庭天台和室外 L 型街道。下面详细介绍本研究报告中新增的太赫兹信道角度扩展分析细节,其余细节请参考面向 6G 的信道测量与建模研究研究报告。2.2.3.1 132 GHz 城市微蜂窝角度扩展132 GHz 城市微蜂窝场景的角度扩展(ASA)服从正态对数分布,LOS 以及 NLOS分别为=1.13,=0.23 以及=0.59,=0.23。图 2-13 显示了 ASA 的 CDF。LOS 的 ASA比 NLOS 大,说明 NLOS 的接收端接收的多径更稀疏。图 2-13 LOS 与 NLOS 场景角度扩展模型2.2.3.2 306-321GHz 中庭天台和室外 L 型街道角度扩展306-321GHz 中庭天台 LOS 场景的水平到达角度扩展和俯仰到达角度扩展分别服从均值为 1.08 和 0.56 的对数正态分布,室外 L 型街道 LOS 场景和 NLOS 场景的水平到达角度扩展和俯仰到达角度扩展分别服从均值为 1.10、0.27 以及 1.50、0.70 的对数正态分布,角度扩展的均值小于 3GPPTR38.901 信道模型标准扩展到所测量频段(306-321GHz)的参数。2.2.4 K 因子此小节 K 因子信道特性建模包括了 132GHz,140 GHz,300 GHz,306-321GHz,共 4 个频段以及 9 种不同场景。9 个场景中涉及数据中心场景 4 种,狭长走廊场景,城市微蜂窝场景,半开放 L 型大厅场景,中庭天台和室外 L 型街道。下面详细介绍本研究报告中新增的太赫兹信道 K 因子分析细节,其余细节请参考面向 6G 的信道测量与建模研究研究报告。2.2.4.1 132 GHz 城市微蜂窝 K 因子132 GHz城市微蜂窝场景的K因子服从正态对数分布,图2-14给出了K因子的CDF。20IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupK 因子以 dB 为单位,服从正态分布,=18.85,=6.16。总结见表 2-2。图 2-14 K 因子模型2.2.4.2 306-321GHz 中庭天台和室外 L 型街道 K 因子306-321GHz 中庭天台和室外 L 型街道场景的 K 因子见表 2-2。K 因子的均值小于3GPPTR38.901 信道模型标准扩展到所测量频段(306-321GHz)的参数。表 2-2 太赫兹 K 因子参数表频率频率场景场景K 因子因子/功率比功率比132 GHz城市微蜂窝LoS18.85140 GHz数据中心 1NLoS6.79140 GHz数据中心 2NLoS7.98300 GHz(仿真)(仿真)数据中心 TX-CornerLoS7.76NLoS-2.12数据中心 TX-CenterLoS4.98NLoS0.02300 GHz狭长走廊LoS12.85半开放 L 型大厅LoS/NLoS13.49306-321GHz中庭天台LoS12.82室外 L 型街道LoS6.842.2.5 簇特性此小节簇特性信道特性分析包括了 140 GHz,300 GHz,306-321GHz,共 3 个频段以及 6 种不同场景。6 个场景中涉及数据中心场景 2 种,狭长走廊场景,半开放 L 型大厅场景,中庭天台和室外 L 型街道。下面详细介绍本研究报告中新增的太赫兹信道簇特性分析细节,其余细节请参考面向 6G 的信道测量与建模研究研究报告。2.2.5.1 306-321GHz 中庭天台和室外 L 型街道角度扩展306-321GHz 中庭天台与室外 L 型街道场景簇特性见表 2-3。簇数的均值小于 3GPPTR38.901 信道模型标准扩展到所测量频段(306-321GHz)的参数。21IMT-2030(6G)推进组IMT-2030(6G)Promotion Group表 2-3 太赫兹簇特性参数表频率频率场景场景平均簇数平均簇数量量平均簇内平均簇内时延扩展时延扩展ns平均簇内水平平均簇内水平到达角度扩展到达角度扩展平均簇内俯仰平均簇内俯仰到达角度扩展到达角度扩展140 GHz数据中心 1NLoS11.92.054.163.45140 GHz数据中心 2NLoS9.302.404.052.17300 GHz狭长走廊LoS9-半开放 L 型大厅LoS/NLoS7-306-321GHz中庭天台LoS2.38-室外 L 型街道LoS/NLoS2.50/5.63-2.2.6 稀疏特性Gini 系数1最早应用于经济学来研究财富差距。因为它与稀疏性的定义类似,即少部分信道分量包含了绝大部分的能量,因此被广泛应用于信道稀疏性的研究。Gini 系数的范围为0,1。Gini 系数越接近 1,代表信道越稀疏,其表达式为=1 2=11 12?(2-4)其中,R代表多径数量,ip代表第i条径的功率,p代表R条多径的功率组成的向量,p中元素按从小到大排序,即12Rppp。图 2-15 多频段测量、传统 3GPP 模型以及改进后的 3GPP 信道模型的稀疏性曲线如图 2-15 所示,实线、虚线和点线分别代表由测量、传统 3GPP 信道模型和改进后的 3GPP 模型计算的 Gini 系数的 CDF 曲线,蓝色、黄色和红色线条分别代表厘米波、毫米波和太赫兹频段。从图 2-15 中的实测结果(实线)可以看出,太赫兹信道的 Gini系数更接近于 1,因此太赫兹信道的稀疏性水平大于厘米波和毫米波,毫米波的稀疏性水平高于厘米波信道。测量结果见表 2-4,与毫米波和厘米波信道相比,太赫兹信道中的反射和衍射损耗显著导致 LOS 径包含了绝大部分功率,因此稀疏性更显著。当前的信道模型,如 3GPP 模型,在 100 GHz 以下的频段中所表征的信道矩阵的稀疏性都是相似的,这与真实信道有一定的差距,如图 2-15 中虚线所示。根据 3GPP 模型中的信道系数公式发现信道只有在存在LOS径时才会通过K因子表征LOS径功率占比。因此,当前的信道模型在描述稀疏性方面存在缺陷,导致预测结果与实测结果不相符。22IMT-2030(6G)推进组IMT-2030(6G)Promotion Group通过比较测量结果和根据测量结果拟合的 3GPP 模型计算得出的 Gini 系数,观察到了这一差距,如图 2-15 所示。通过分析测量结果,联合功率-时延-角度进行分簇,发现了 3GPP模型在描述稀疏性方面的不足之处在于该模型将集群功率平均分配给簇内的射线。针对这一发现,基于测量结果改进了 3GPP 信道模型的簇内功率分配方法,引入新的参数簇内 K 因子(I),表示为=1(2-5)其中,np表示第n个簇内所有径的功率集合。将I带入信道模型中,改进簇内功率分配方法来表征信道稀疏性,使得 3GPP 信道模型能够更好的反映稀疏特征,如图 2-15中改进后 3GPP 信道模型的结果所示。对比分析实测信道、传统 3GPP 信道模型和改进后的 3GPP 模型生成的 Gini 系数,发现在厘米波、毫米波和太赫兹频段,改进后的信道模型的稀疏性比传统 3GPP 模型的稀疏性更显著,且与实测结果更匹配,如图 2-15 点线所示。表 2-4 中,在 CDF 为 50%的情况下,实测 Gini 系数在太赫兹频段为 0.91,而传统3GPP 模型的 Gini 指数为 0.72,与实测结果相差 0.19;改进后的 3GPP 信道模型在太赫兹频段的 Gini 系数为 0.91,与测量结果误差小于 0.01。在毫米波频段,改进后的 3GPP信道模型的 Gini 系数在 50%情况下的 Gini 系数为 0.89,与测量结果只相差 0.01;而传统 3GPP 模型的 Gini 系数为 0.79,与测量结果相差 0.11。这些结果证明,引入簇内 K因子后的 3GPP 模型可以更好地表征信道稀疏性。表 2-4 多频段下 20%,50%以及 80F 的 Gini 系数值场景20P%测量厘米波0.840.880.90毫米波0.880.900.91太赫兹0.900.910.92传统 3GPP 信道模型厘米波0.750.810.84毫米波0.730.790.83太赫兹0.660.720.74改进后的 3GPP信道模型厘米波0.840.870.89毫米波0.870.890.91太赫兹0.890.910.922.2.7 粗糙表面散射特性借助全波仿真工具 Feko,对不同粗糙度的粗糙表面散射特性进行仿真。为了获得粗糙表面的散射数据,通过蒙特卡洛法生成粗糙表面,并将其导入 Feko 进行全波仿真,仿真配置为:300 GHz 横向磁极化(TM)波以 45o照射 PEC(Perfect Electric Conductor)粗糙表面。用于仿真的粗糙表面的尺寸为 50 mm 50 mm,其均方根高度为 0.5 mm,相关长度 l 为 8 mm。图 2-16(a)展示了 Feko 在三维表面上的散射电场分布,定义为DS(,),其中x、y 和 z 是笛卡尔坐标系的轴,OR 代表镜面反射的方向。此外,和分别是球面坐标系中的天顶角(Zenith angle)和方位角(Azimuth angle)。方向性散射(DirectiveScattering,DS)模型被广泛用于表征目标的散射特性。利用 DS 模型和三维插值方法,23IMT-2030(6G)推进组IMT-2030(6G)Promotion Group可以重建粗糙表面上的散射电场DS(,),对应的散射功率密度为DS(,)=|DS(,)|2,其中 是自由空间阻抗,=120。如图 2-16(b)所示,DS 模型的散射波瓣呈现出椭圆形。散射能量从镜面反射的方向向四周递减。然而,DS(,)的分布过于规则,无法反映由粗糙度引起的散射电场分布的随机性,具有明显的局限性。(a)(b)图 2-16(a)Feko(,)与(b)DS(,)的比较由于较强的散射成分主要集中在镜面反射方向周围,可以将整个三维表面被分为两部分,即主瓣区域和非主瓣区域。在主瓣区域内,添加了rough来描述由于粗糙度造成的散射功率密度的重新分布。对于非主瓣区域,DS 模型拟合效果良好。因此,DS被用来描述非主瓣区域的散射功率密度。最后,整个三维表面上的散射功率密度如下:(,)=|(,)|2=DS(,) rough(,)DS(,)主瓣区域非主瓣区域(2-6)为了简化建模过程,引入偏离角的概念。其中是镜面反射方向与散射分量之间的夹角。因此式(2-6)可以简化为:()=|()|2=DS() rough()DS()主瓣区域非主瓣区域(2-7)对于粗糙表面散射结果,rough的值遵循 t Location-Scale 分布。受表面粗糙度影响,一些过强或过弱的散射分量会出现在主瓣区域内,进一步设置阈值threshold来区分rough_high和rough_low。如果散射分量的功率密度值大于threshold,则将其定义为rough_high,对应偏离角定义为high。反之,如果散射分量的功率密度值小于threshod,则定义为rough_low,其偏离角定义为low。其表达式如下:rough()=rough_high(high),rough_low(low),|rough|threshold|rough|threshold(2-8)对于粗糙表面散射结果,high遵循广义极值(GEV)分布。low是从镜面反射方向向四周的空位置,散射分量按照rough_low绝对值的降序依次置于low。通过在 DS 模型上叠加rough()优化了散射模型。在考虑rough()的振幅和空间分布之后,可以更全面有效地表征粗糙表面的散射分布特性。基于rough和 DS 模型的拟合参数,可以重建三维表面上的散射分布。Feko 的仿真结果如图 2-17(a)所示,而图 2-17(b)展示散射模型重建的散射电场,它是由公式(2-8)求得的。总的来说,所提出的模型与仿真结果在数值上是一致的,较强的散射电场集中在镜面反射方向周围。|()|=DS() rough(),DS(),主瓣区域非主瓣区域(2-9)24IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(a)(b)图 2-17 三维表面上的散射电场比较(a)Feko,(b)散射模型通过 Kolmogorov-Smirnov(KS)检验,极值(EV)分布可以很好地拟合主瓣区域内的分布,(,),其中EV是位置参数,EV是尺度参数。Feko 和散射模型的EV分别为 40.12 dBmV 和 41.02 dBmV,二者仅相差 0.9 dB,这进一步说明散射模型能够反映粗糙表面的散射特性。为了探究该模型的普适性,将利用三维散射模型重建不同入射角度和不同形状的粗糙表面上的散射。利用 DS 模型构建散射波瓣的大致形状,并在此基础上,加入满足 tLocation-Scale 分布的rough()来表征表面粗糙度的影响。对于不同的入射角度,将其分别设为 15o、30o、45o、60o和 75o,其他配置条件与第二章相同,Feko 的仿真结果如图 2-18(a)所示,相应的建模结果如图 2-18(b)所示。随着入射角的变大,反射角度增加,且散射能量更加集中在入射面附近。散射模型可以很好地表征这一趋势,与 Feko 的仿真结果非常吻合。(a)(b)图 2-18 不同入射角度下的散射电场比较(a)Feko,(b)散射模型对于不同的粗糙表面形状,将其分别设置为正三角形、正方形、正六边形和圆形,其他配置条件与上述过程相同,并使得不同形状表面的面积相同如图 2-19(a)所示。Feko 的仿真结果如图 2-19(b)所示,建模得到的散射电场如图 2-19(c)所示。较大的散射分量位于镜面反射方向周围。整体上,散射模型能很好地表征散射波瓣随着粗糙表面形状的变化,因此适用于不同形状的粗糙表面散射建模。(a)25IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(b)(c)图 2-19(a)不同粗糙表面形状下的散射电场比较(b)Feko,(c)散射模型2.3 小结太赫兹频段资源丰富、带宽大,被认为将成为最有前途的频谱频段以及 6G 无线系统的重要组成部分。太赫兹信道特性研究是设计,优化太赫兹通信系统的基础。本章节在信道特性测量工作方面,描述了 100 GHz,132 GHz,140 GHz,220 GHz,300 GHz以及 220-330 GHz 几个关键频段,在办公室,会议室,数据中心,大厅走廊等常用场景的信道特性测量工作。首先,我们对每个信道测量活动的测量平台的性能进行了介绍,平台性能基本满足太赫兹多场景,宽频带信道测量。其次,我们描述了信道测量场景以及测量方法,为未来信道测量工作提供参考以及借鉴。在信道特性分析方面,分别进行了大小尺度衰落的信道特性分析,其中对于大尺度衰落特性研究与建模工作,涵盖了 100GHz 到 330 GHz 室内多个经典场景,对于小尺度衰落特性、散射特性等建模研究,涉及到了 140 GHz、220 GHz、300 GHz 等关键频点频段及经典场景。通过信道特性模型参数的拟合,填充了太赫兹频段多个场景信道特性研究与建模的数据库。由于篇幅限制,本章详细介绍本研究报告中新增的太赫兹信道测量活动与信道特性分析细节,其余细节请参考面向 6G 的信道测量与建模研究研究报告。本章节工作有助于 6G 太赫兹信道研究以及太赫兹通信系统的搭建。尽管国内太赫兹信道的研究越来越多,但仍然存在许多需要进一步探索的问题,例如高性能太赫兹信道测量系统、太赫兹信道特性的表征与建模、太赫兹信道的频率依赖性等。目前的太赫兹信道测量平台在测量精度、测量速度和测量距离之间难以取得平衡,这制约了太赫兹信道特性的研究;太赫兹信道呈现的新特性,如稀疏性、近场特性和非平稳特性,需要对其进行建模、表征,并纳入标准信道模型。此外,太赫兹频段的范围高达 10 THz,难以对每个频点进行测量和建模,有必要建立包含大尺度和小尺度参数频率依赖的太赫兹信道模型,以简化模型的复杂度。参考文献1C.Gini,“Measurement of inequality of incomes,”The Economic Journal,vol.31,p.124,1921.26IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第三章 通信感知一体化信道研究3.1 通信感知一体化信道建模场景及需求感知将成为 6G 的基础新特性,未来 6G 网络的感知能力将打开物理世界、生物世界融入数字世界的新通道。同时,在 ISAC 系统中,感知和通信将成为两个互惠互利的功能1。随着感知能力的引入,将极大拓展 6G 网络的应用场景。有的应用场景将有别于传统的蜂窝移动通信,这需要我们对于无线信号传播机制有新的认识和理解,从而对通感一体化研究提供新的理论基础。3.1.1 通信感知一体化潜在应用场景未来 6G 网络和终端将具备感知能力,可以用于辅助通信,并支持多种通信之外的新型应用场景,例如目标的检测、识别、定位、追踪、成像、环境重构、手势和姿态识别等2。按照感知的不同目的以及对信道特征的不同需求,这些场景可大致归纳为以下四大类:1)检测、定位与追踪2)环境重构及目标成像3)手势及姿态识别4)感知辅助通信3.1.2 通信感知一体化信道建模需求面向 6G 的信道建模不仅需要考虑通信信道,还要将感知信道纳入范畴,并充分考虑通信信道与感知信道的相关性。通信感知一体化丰富多样的应用场景,对信道建模提出了不同的需求。表 3-1 中总结了不同类型应用的主要性能评估指标,根据评估指标归纳出的信道建模的关键需求和潜在的建模方法。1)检测、定位与追踪目标的检测概率和定位精度是主要的评估指标。在复杂的环境中,目标检测通常需要依赖目标的移动,即利用多普勒信息来检测。这类应用中信道参数需与目标位置强相关,信道模型需支持更具物理意义的空间一致性,且较准确地体现运动目标的多普勒特征。2)环境重构及目标成像环境重构及目标成像,包括对周围环境中静态、准静态、动态散射体的位置重构、散射特性重构,以及对静态或准静态目标的成像。成像准确性(例如调制传递函数 MTF)和分辨率是主要的评价指标。27IMT-2030(6G)推进组IMT-2030(6G)Promotion Group对于环境重构,环境中不同尺寸粒度的物体,存在着不同的重构需求,相应地,对信道模型所反映的散射体信息精准度要求也不同。对于目标成像,对信道的确定性需求要高于环境重构,信道参数应能反映出目标更精细粒度的特征,并体现出目标的物理电磁特性。传统生成通信信道的方法不能满足这一需求,可考虑通过电磁计算等方法生成信道。3)手势及姿态识别手势及姿态识别通常是通过分析运动目标的微多普勒信息、结合人工智能算法实现的,识别成功率和准确率是主要评估指标。因此,信道模型中需构建出不同手势、不同姿态运动目标的多普勒信息。当传统信道模型描述困难时,需要借助 AI 算法生成不同手势、不同姿态的感知传播信道。4)感知辅助通信相比前面三类以感知性能为主要评估指标的应用,在感知辅助通信的应用中,强调利用感知到的角度、时延、多普勒等信息增强通信性能。在基站感知环境和终端、并辅助与终端通信性能增强的场景中,通信发射机和接收机分别在基站侧和终端侧,感知发射机和接收机既可以均在基站侧(mono-static 感知),也可以分别在终端侧和基站侧(bi-static 感知)。针对这一类应用的信道模型中,需着重构建出通信信道与感知信道的关联性,以支持感知辅助通信方案的性能评估。表 3-1 不同应用的信道建模需求与候选建模方法应用分类检测、定位与追踪环境重构及目标成像手势及姿态识别感知辅助通信应用的评估指标检测概率、定位精度分辨率、MTF识别成功率和准确率通信性能增益信道建模关键需求空间一致性,多普勒特征环境/目标的物理电磁特性(微)多普勒特征通信与感知信道相关性潜在建模方法统计模型,混合模型混合模型,确定性模型确定性模型,基于 AI 的信道建模统计模型,混合模型,确定性模型3.2 通信感知一体化信道测量及仿真研究通信感知一体化信道特性测量及仿真研究是通信感知一体化通信系统评估、部署、优化的基础。本节以探索通感一体化不同应用场景下的信道传播特性为目标,分别从测量和仿真角度概述了当前信道研究进展。3.2.1 测量系统设计与测量结果分析3.2.1.1 通感共享簇特性测量与分析28IMT-2030(6G)推进组IMT-2030(6G)Promotion Group1)实验设置及测量架构介绍本测量基于毫米波宽带信道探测仪获取 ISAC 信道特征。在 Tx 端,使用矢量信号发生器 R&S SMW 200A 产生 PN 序列。在基带,PN 序列被调制为 28 GHz 的毫米波探测信号。在 Rx 端,发送的信号经过信道传输后由天线接收。经过低噪放对信号进行放大后利用频谱分析仪 R&S FSW 43 对接收信号进行解调处理。信道测量配置的详细参数在表 3-2 中列出。表 3-2 信道测量参数参数参数配置配置测量中心频率28 GHz符号速率500 Msym/s带宽1 GHz采样率1 GHzPN序列长度511感知Tx/Rx端天线类型喇叭/喇叭天线通信Tx/Rx端天线类型喇叭/全向天线喇叭天线水平HPBW10喇叭天线增益25 dBi全向天线增益3 dBi天线高度1.47 m测量场景布局如图 3-1 所示。感知信道测量如图 3-2(a)所示,Tx 和 Rx 端放置在同一位置(图 318 红色三角所示),采用高定向喇叭天线探测来模拟单站感知系统。通信信道测量如图 3-2(b)所示,Tx 端采用喇叭天线,Rx 端(图 3-1 红星所示位置)使用全向天线接收各方向信号。图 3-1 信道测量场景布局(a)感知信道29IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(b)通信信道图 3-2 ISAC 信道实际测量场景2)数据分析与处理基于以上测量场景,分析了各场景下的功率角度时延谱(Power-Angular-DelayProfile,PADP),PADP,=,2#3 1其中(,)h 表示通信或感知信道的 CIR,和则分别表示信道多径(MultipathComponent,MPC)的水平离开角(Azimuth Angle of Departure,AOD)和传播时延。图3-3(a)和图 3-3(b)分别展示了感知场景和通信场景的 PADP。其中,原点是 Rx 端天线的位置,圆圈半径表示与天线的绝对传播距离,角度表示 AOD,颜色深度表示接收功率的大小(dB)。根据实际环境分析感知和通信信道 PADP 可知,具有相似 AOD 的 MPC是由相同的环境散射体贡献的,通过测量提取出的感知 MPC 传播距离是散射体到天线实际距离的两倍。如图 3-3(a)所示,可以从感知信道的 PADP 中清晰地观察到整个大厅的场景布局,包括大厅四周的墙壁、东西柱子以及其他一些不规则建筑,这与图 3-1 能够很好地匹配。对于图 3-3(b)所示的通信 PADP,LOS 径的功率是最强也是最主要的,其他高功率 MPC 主要是由大厅南、北和东墙反射形成的。对比分析两个 PADP,可以观察到一些环境散射体不仅是感知目标,而且还协助通信传输,如大厅南墙(标签 1)、北墙(标签 3)和东墙(标签 4)。将这些共同作用于通信信道与感知信道的散射体定义为共享散射体。这些观测到的共享散射体反映了电磁波的实际传播路径,揭示了 ISAC 信道的共享特性,这是 ISAC 信道建模不可忽视的。(a)感知信道 PADP(b)通信信道 PADP图 3-3 ISAC 信道的 PADP30IMT-2030(6G)推进组IMT-2030(6G)Promotion Group利用分簇建模算法对 ISAC 信道测量数据进行进一步分析,图 3-4 展示了通信与感知 MPC 联合分簇后的结果。其中极化图的原点、角度和半径的含义与图 3-3 一致,不同簇之间以序号和颜色来区分。可以观察到,一些簇同时包含具有相似属性(如时延和角度)的通信 MPC 和感知 MPC,将之定义为共享簇,它们都是由相同的共享散射体贡献生成的,在图中用黑色数字标记。具体地,图 3-4 中的簇 1-4 和 15 由共享散射体南墙贡献,簇 7 和 10-11 分别对应于共享的北墙和东墙。其余仅包含通信或感知 MPC 的簇定义为通信簇或感知簇,由蓝圈或红圈分别标注。此外,在图 3-4 中可以看到,感知簇的数量更多且分布更加离散,通信簇的数量更少且更加集中和稀疏。图 3-4 ISAC 信道 MPC 联合分簇结果3.2.1.2 太赫兹感知信道测量1)实验设置及测量架构介绍感知信道测量采用基于时域扩频滑动相关原理的太赫兹感知信道测量平台。信道测量配置的详细参数在表 3-3 中列出。表 3-3 信道测量参数参参数数配配置置测量中心频率105 GHz带宽1.2 GHz采样率1.2 GHzPN序列长度511中频频率12 GHz本振频率31 GHzTx/Rx端天线类型喇叭/全向天线喇叭天线水平HPBW9.9喇叭天线增益25.5 dBi全向天线增益2 dBiTx/Rx端天线高度1.4 m极化方式垂直极化测量场景为北京邮电大学科研楼的一个室内环境,同时选取一个成年男性(身高 1.7m、肩宽 0.4 m)作为感知目标。图 3-5 为测量实景图。测量布局如图 3-6 所示,收发端相距 10 m,其中 Tx 端使用高定向喇叭天线,其位置由红色三角形表示;Rx 端使用全31IMT-2030(6G)推进组IMT-2030(6G)Promotion Group向天线,其位置由红色六边形表示。带序号的圆点代表感知目标的不同点位,将感知Rx 端是否能观察到目标作为评判目标 LOS/NLOS 状态的依据,其中蓝色原点代表 LOS状态,橘色原点代表 NLOS 状态。整个测量过程中收发端的位置固定不动,作为目标的人体同样保持静止并且始终朝向 Tx 端。图 3-5 测量实景图图 3-6 测量布局图2)数据分析与处理为了直观地展现多径分量(Multipath Components,MPCs)在空间中的分布情况,首先分析了环境和各点位下的功率时延角度谱(Power-Angular-Delay Profile,PADP)5,PADP,=,2#3 2其中(,)h 表示感知信道的信道脉冲响应(Channel impulse response,CIR),和分别表示 MPCs 的水平离开角(AzimuthAngle of Departure,AOD)和传播时延。图 3-7(a)是环境的 PADP,结合测量场景分析,其中 AOD 为 2040以及 140170上 MPCs 的形成原因是北侧和南侧墙壁的单跳散射(50ns 附近)以及它们间的多跳散射(80 ns 附近),而 50110上的 MPCs 一部分是 LOS 直射径(40 ns 附近),另一部分是电梯走廊和西侧墙壁的散射和反射径(90ns 附近)。挑选目标在点位 1、10 和 14 时进行代表性分析,它们分别处于 LOS、OLOS 和 NLOS 状态。图 3-7(b)、(c)和(d)则分别是目标在点位 1、10 和 14 下的 PADP 情况,将它们分别与环境 PADP 进行地对比分析。可以观察到,目标在点位 1 时,AOD 为 2060上的 MPCs 显著减少,这是因为目标的存在将由南墙到北墙的多跳散射径遮挡,同时信号经过目标散射后功率大大衰减使得目标朝向32IMT-2030(6G)推进组IMT-2030(6G)Promotion Group角度(即 60)的一些散射径消失;目标在点位 10 时,目标朝向角度(即 120)的MPCs 无变化,但邻近角度上(即 110)的 MPCs 相对增加;目标在点位 14 时,整个 PADP 似乎没有变化。(a)环境(b)点位1(LOS)(c)点位 10(OLOS)(d)点位 14(NLOS)图 3-7 不同情况下的功率时延角度谱为了进一步研究信道多径的变化规律,截取了各点位朝向目标角度的功率时延谱(Power Delay Profile,PDP),并与环境的相同角度 PDP 进行对比分析。如图 3-8 所示,点位 1 的 MPCs 明显减少,而点位 6 的 MPCs 却有所增加,点位 10 和 14 的 MPCs 则无明显变化。从信道建模的角度出发,ISAC 信道不能简单地建模为目标响应与环境响应的叠加,两者是相互耦合的。通过提取整个感知信道的多径数目并进行统计性分析,发现目标的引入会使得信道多径的数目增多,如图 3-9 所示。(a)点位 1 朝向目标的PDP(b)点位 6 朝向目标的 PDP33IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(c)点位 10 朝向目标的 PDP(d)点位 14 朝向目标的 PDP图 3-8 不同点位下目标朝向角度与环境相同角度的 PDP 对比图 3-9 多径数目对比利用信道参数提取算法对部分信道参数进行提取,包括时延拓展和角度拓展。图3-10(a)和图 3-10(b)分别展示了目标存在前后感知信道的均方根时延拓展(RMS DS)和 AOD 的均方根角度拓展(RMSASD)的分布情况,它们均服从对数正态分布。无论目标处于 LOS 或 NLOS 状态,均会使得信道的时延或角度参数发生变化。单从所选取的角度来看,目标的存在会使得感知信道的 RMS DS 变大,但却会使得 RMSASD 变小,两者呈现负相关的关系。(a)时延拓展(b)角度拓展图 3-10 时延与角度的统计性参数对比34IMT-2030(6G)推进组IMT-2030(6G)Promotion Group3.2.1.3 感知信道路损测量与验证1)实验设置及测量架构介绍设计了一个基于 USRP 硬件的测量系统用于实际环境中路径损耗的测量。USRP 硬件测量系统如图 3-11 所示,其中通信测试系统的硬件部分主要由发射器和接收器中的USRP1 和 USRP2 分别组成,具体的径损耗测量参数配置如表 3-4 所示。图 3-11 USRP 硬件测量系统示意图表 3-4 USRP 硬件测量系统路径损耗测量参数配置参参数数数数值值系统频率4 GHz系统带宽400 MHz子载波带宽120 KHz信号配置Front-loaded PDSCH-DMRS,DMRS with comb-2One sensing signal every 4-time slots within 200ms,equivalent to 400 OFDM symbols天线增益18dBi for Tx,12dBi for Rx发射功率-25 dBm发端功放40 dB for InH and 60 for UMi收端低噪放34 dB场景InH LOS场景,房间尺寸40 m10 m收/发端天线高度1.5 m对不同收发端距离下通信信道的路损进行实测,并将测量结果和 TR38.901 中InH-Office 场景下的路损公式进行对比:PLInHLOS=32.4 17.3 log10d3D 20 log10fc#3 3图 3-12 描述了在 InH LOS 情况下,路径损耗与收-发天线间距离的函数关系。从图中可以看出,通信信道的测量结果与 TR38.901 中公式计算结果基本吻合,因此可以利用该 USRP 硬件系统测量路径损耗。图 3-12 InH LOS 场景通信信道路径损耗35IMT-2030(6G)推进组IMT-2030(6G)Promotion Group基于 USRP 测量系统,采用 mono-static 感知模式,对室内和室外的感知信道的路径损耗进行了测量。以感知目标为角反射器为例,测量示意图如图 3-13 所示:图 3-13 mono-static 感知模式 USRP 硬件测量系统感知信道的路损计算公式为6:PL d1,d2=PL d1 PL d2 10log1024 10log10RCS#3 4其中 PL d1PL d1和 PL d2参考 TR38.901 中 InH 或 Umi 场景 LOS 情况下路损公式,d1和d2分别是感知发送端到感知目标、感知目标到感知接收端的距离。在室内 LOS 场景中,其 RCS 计算方式如表 3-5 所示7:图 3-14 角反射器示意图表 3-5 三角板角反射器 RCS 计算公式名名称称最最大大RCSm2平平均均RCSm2三角板角反射器4.194L4/20.17L4/2在路损公式计算时 RCS 分别取了最大值 1.7 m2和平均值 0.07 m2。室内场景的对比结果如图 3-15 所示。当 RCS 取最大值 1.7 m2时,感知信道的路损计算值应与路损实测散点图的下沿数据进行比较,可以看到感知信道的路损计算结果与实测结果相差较小;当 RCS 取平均值 0.07 m2时,感知信道的路损计算值应与路损实测散点图的中间数据进行比较,可以看到感知信道的路损计算结果与实测结果相差约 05 dB。36IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3-15 InH LOS 场景感知信道路径损耗如图 3-16 所示,在停车场中进行 Umi 场景的感知路损实测。图 3-16 UMi LOS 场景路径损耗测量示意图图 3-17 10GHz 汽车 RCS8室外场景的对比结果如图 3-18 所示,可以看到感知信道的路损实测值和计算值相差约 07dB。图 3-18 Umi LOS 场景感知信道路径损耗37IMT-2030(6G)推进组IMT-2030(6G)Promotion Group3.2.2 仿真实验及结果分析3.2.2.1 通感一体化太赫兹信道仿真与建模本小节对无线回传场景开展仿真来探索 ISAC 的信道实现。1)射线跟踪仿真RT 仿真能模拟真实环境的波传播,因此在太赫兹和 ISAC 信道建模都受到了广泛关注。为了在无线回传场景中确定参考点,使用北京交通大学研发的 RT 仿真器 CloudRT开展遍历性仿真,具体的仿真配置介绍如下。场景建模场景建模认为图 3-19 所示的典型郊区重建场景是无线回传场景。整个场景 360 m 长、300 m宽,最高和最矮的建筑楼分别为 20.6 m 和 4.5 m。砖块的电磁参数展示在表 3-6 中。表 3-6 仿真参数场场景景材材料料砖块介电常数3.0260.159ri粗糙度=0.50mm,8.00l mm散射系数与等效粗糙度0.41,10.83RS传传播播机机制制直射、散射(最高2阶)传传播播模模型型自由空间路径损耗、太赫兹三维散射模型仿仿真真频频率率中心频率300 GHz带宽2 GHz频点数1601发发射射天天线线结构M,N,P,Mg,Ng=1,1,1,1,1位置m145.1,-48,20.61方向图全向垂直极化天线或者TR38.901方向性天线发射功率40 dBm接接收收天天线线结构M,N,P,Mg,Ng=1,1,1,1,1方向图全向垂直极化天线或者TR38.901方向性天线速度0 m/s图 3-19 RT 仿真结果38IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3-20 生成的散射簇仿真参数仿真参数RT 仿真的发射天线和接收天线都使用全向垂直极化天线。发射机和接收机的位置如图 3-19 所示。传播机制包括直射和最高二阶散射。表 3-6 展示了详细的 RT 仿真参数。仿真结果仿真结果如图 3-20 所示是 RT 仿真结果的多径分布,红色线是直射径,橘黄色线是散射径。发射机和接收机之间的障碍物很有可能是参考点。2)生成信道系数结合图 3-19 中 RT 仿真结果,“想定”图 3-20 中的紫色点为参考点,一个任意位置接收机通信和感知场景的散射簇分布情况如图 3-20 中的(a)和(b)。其它参数和RT 仿真参数保持一致。通信通信如图 3-20(a)所示,发射机和接收机放置在不同的位置。簇 1 是直射径。簇 2-4是单跳散射簇,簇 5-8 是多跳散射簇。使用全向天线的功率时延谱如图 3-21 所示。图 3-21 通信信道中使用全向天线的功率时延谱图 3-22 通信信道中使用定向天线的功率时延谱39IMT-2030(6G)推进组IMT-2030(6G)Promotion Group感知感知如图 3-20(b)所示,发射机和接收机位于相同的位置,生成了 8 个散射簇,顺时针从左往右分别是簇 1 到簇 8。最后生成使用全向天线的功率时延谱,如图 3-23 所示。图 3-23 感知信道中使用全向天线的功率时延谱图 3-24 感知信道中使用定向天线的功率时延谱3)分析仿真结果通信通信从图 3-21 中可以清楚地看出使用全向天线能接收到不同方向的多径。由于簇 1 是直射径,所以有-88.34 dBm 的最大接收功率。簇 8 传播距离较长,因此淹没在噪声中。收发机均使用 TR 38.901 定向天线且朝向簇 8 方向,最后计算的功率时延谱如图 3-22 所示。感知感知如图 3-23 所示,感知场景使用全向天线同样能接收不同方向的多径,从而可以感知不同方向的物体。簇 2 有-88.74 dBm 的最大接收功率,簇 8 有-132.55 dBm 的最小接收功率。簇 6-8 的接收功率明显小于簇 1-3 的接收功率。收发机均使用 TR 38.901 定向天线且朝向簇 8 方向,最后计算的功率时延谱如图 3-24 所示。4)考虑气象因素的影响在室外场景,气象因素的影响是不容忽略的。图 3-25 展示了四种气象衰减的功率时延谱。四种气象因素中,大气衰减与雾衰减相对较小,雪衰减与雨衰减相对较大。气象因素衰减随传播距离增加而增大。降雪时,传播距离较长的簇淹没在噪声中。太赫兹信道建模需要考虑气象因素,尤其雪衰减和雨衰减。40IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3-25 考虑气象因素的功率时延谱3.3 通信感知一体化信道建模方法研究本节分别讨论基于随机统计、基于确定性和基于混合方式的信道模型在通信感知一体化场景下的建模方法。3.3.1 基于随机统计的通感一体化信道建模目前基于随机统计的信道模型针对通信信道,虽然已经具有了连续空间演进和空间一致性,但对通信感知一体化中重要的回波信号还没有建模。通信链路和感知链路之间的相互影响和一致性是基于随机统计的通感一体化信道建模中的重要研究点。在 3GPPTR38.901 的 GBSM 模型中,BS-MS 信道的 LoS 径角度、时延等参数由 BS 和 MS 的相对位置确定,各个 NLoS 的角度、时延则按一定的分布随机生成,NLoS 径中散射体的位置、大小均未在信道模型中显式定义出。而在 BS 的 mono-static 场景中,Target 和散射体是需要重点感知的对象,需在信道模型中着重建模 Target 和散射体的回波。图 3-26 GBSM 通感一体化信道模型示意图待感知的散射体有两类,一类是通信信道中的散射体,如图 3-26 中的绿色圆圈;另一类是不在通信信道中,但在基站感知范围内的散射体,如图 3-26 中的黄色圆圈。黄色圆圈可以认为是其他 MS/Target 信道中的散射体,此时应建模在其他 MS/Target 的回波信道中,不包含在当前 MS/Target 的回波信道中;也可以是不在任何 MS/Target 信41IMT-2030(6G)推进组IMT-2030(6G)Promotion Group道中的散射体,此时可建模在当前 MS/Target 的回波信道中。根据信道的互易性,可认为散射体产生的回波经原路径返回到基站。基于此,基站收到的回波将来自三个部分:1、经 LoS 径入射到目标,并通过 LoS 径返回的回波;2、通信信道中散射体(如图 3-26 中的绿色圆圈所示)的直接回波;3、不在通信信道中,但在 BS 周围的散射体(如图 3-26 中的黄色圆圈所示)的直接回波。图 3-27 GBSM 通感信道参数生成流程回波信道参数可以参考 38.901 的 GBSM 信道参数生成流程,如图 3-27 所示,其主要思路是先利用 GBSM 生成的通信信道参数确定空间中散射体的位置,再结合散射体的 RCS 生成感知信道中的 LoS 径和回波信道的时延、角度、幅度、相位和极化等信道参数。3.3.1.1 基于共享特性扩展 3D GBSM 的 ISAC 信道建模方法本小节基于信道共享特性提出了扩展 3D GBSM 的 ISAC 信道建模框架。信道模型如图 3-28 所示。图 3-28 ISAC 信道模型示意为了在 ISAC 信道模型中刻画真实的共享特性,将通信和感知信道定义为共享簇和非共享簇两部分的叠加。第 p 个发射天线单元和第 q 个通信接收天线单元/第 w 个感知接收天线单元之间的信道冲激响应(Channel Impulse Responses,CIR)分别表示为:,=,shar, ,nons,#3 542IMT-2030(6G)推进组IMT-2030(6G)Promotion Group,=,shar, ,nons,#3 6其中c和s表示通信和感知的传播时延。具体计算展开式表示为00101001zoaaoa/,sharnons,zoaaoa1/,exp()exp()(,)/(,)(,)exp()e xp()TNMMc n mc n mc n mc rx qc n mc n mc q pc q pcc n mnnmmc rx qc n mc n mc n mc n mc n mjjFHHtaFjj1/zodaod,zodaod,00,2()2()(,)expexp(,)exp2(),NTTc rx n mc qc tx n mc pc tx qc n mc n mc tx qc n mc n md c n mcc n mjrdjrdFFjft(3 7)021zoaaoa,sharnons,zoaaoa1/,exp()exp()(,)/(,)(,)exp()exp()Ts n ms n ms n ms rx ws n ms n mtar wp tars q ps q pss n ms n mmms rx ws n ms n ms n ms n ms n mjjFHHtaaFjj020202/outoutininoutoutinin,outoutininoutoutinin,(,)(,)(,)(,)NNMMnns n ms n ms n ms n ms n ms n ms n ms n ms n ms n ms n ms n ms n ms n ms n ms n ms tx pF zodaod,zodaod,00,2()(,)2()expexp(,)exp2().TTs tx n ms ps n ms n ms rx n ms ws tx ps n ms n mtar wp tard s n mss n ms n mjrdjrdFjft(3 8)在模型中,共享簇和共享径表示为0n和0m,通信和感知信道中的非共享分量分别表示为簇1n径1m和簇2n径2m。感知信道采用两段式级联的建模方法。为了建模实现 ISAC 信道共享特性,假设对于 L 个已知的感知目标,首先根据感知信道参数反馈建模经过目标的通信簇tar,1c q pc q p lLHH,即从通信 TX 经历thl目标到达通信 RX 的传播分量。进一步,引入了一个 1L 维的向量参数S,从 L 个目标中提取通信共享簇,公式表示为,shar,=1,1tar,#3 9其中S包含 L 个非负实值,即=1,=0 or 1.#3 101ls 意味着thl感知目标同时作用于通信信道,并生成对应的通信簇/径。相反的,0ls 表示thl目标仅作为感知传播散射体。基于所提出的 ISAC 信道模型,扩展了 3D GBSM,提出了一种 ISAC 信道实现框架,具体流程如图 3-29 所示。43IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3-29 ISAC 信道模型实现框架感知信道实现:如图 3-29 中蓝色框图所示,在步骤 C&S1 中配置全局的环境、网络、天线参数后,感知目标位置和速度在步骤 S2 中预设,可以计算 TXs-TAR/TAR-RXs两段子链路的几何距离3D,TX-TAR/TAR-RXd以及几何角度。当 TXs-TAR/TAR-RXs 均被建模为LOS 簇时,簇的角度可以直接估计为几何角度。S3 步骤中感知子信道的路损的可以按照通信标准或基于自由空间雷达方程生成。步骤 S6 中的 RCS 系数被初步建模为固定值或预设范围内的随机分布值。感知信道环境/杂波的生成被设置为一个独立的可选的模块。其余感知参数仍按照传统 3GPP 标准中的方式生成。通信信道实现:如图 3-29 中灰色框图所示,通信信道中主要参数,例如时延扩展(DS)、角度扩展(AS)、阴影衰落(SF)、莱斯 K 因子等的生成仍遵循 3GPP 标准。此外,为了在 ISAC 信道中建模共享特性,步骤 C&S4 中设置 S 等共享参数。为了权衡通信信道的统计性规律和感知信道的确定性特性,仿真步骤 S5 生成的感知参数将反馈给步骤 C5-C7 用于生成经历感知目标的通信簇tar,c q pH,再根据建模计算公式提取共享通信簇,并按照流程生成最终的通信信道系数。3.3.1.2 不同感知模式小尺度建模考虑1)A 发 B 收(双站感知)分段式建模图 3-30 分段式建模示意图44IMT-2030(6G)推进组IMT-2030(6G)Promotion Group参考文献6中分段建模中感知目标和环境目标叠加之后的信道表示为:H,t=k=1Y PSLkPLkHu,s,k,t?#3 11其中 Y 为感知目标数,P 为环境目标数,Hu,s,k,t 为第 k 个目标的感知信道系数。从本式可以发现,每个目标(不论是环境目标或者是感知目标)都会与对应的路径损耗、阴影衰落进行相乘。此外,公式中路损分别叠加于链路之上,其表现形式类似于 38.901 模型中的簇功率表达,但是其公式左侧并未添加路径损耗,这使得该公式表达存在歧义。当将公式右侧路损完全视作大尺度路径损耗式,该式应当改写为:PLtotalH,t=k=1Y PSLkPLkHu,s,k,t?#3 12其中 PLtotal为通信感知一体化接收机测量得到的整体路损值。当将参考文献6中公式右侧路损完全视作 38.901 模型中的簇功率表达时,应当对这些路损值进行归一化,以保证后续叠加大尺度路径损耗的合理性:H,t=k=1Y PSLkPLkHu,s,k,t?#3 13在分段式建模中需要对最终的信道功率按照接收端的路径损耗进行归一化,保证各个级联链路的功率和与接收端收到功率相匹配。2)A 发 B 收(双站感知)不分段式建模图 3-31 不分段式建模示意图H,t=k=1TSLkPLkHu,sk,t? SLePLeHu,se,t#3 14其中 T 为感知目标数,Hu,sk,t 为第 k 个目标的感知信道系数,Hu,se(,t)为环境信道。从本式可以发现,对于环境目标的建模沿用现有 38.901 标准,而对于感知目标则是单独计算了路径损耗。其中每个感知链路中,感知发送端到感知目标、感知目标到感知接收45IMT-2030(6G)推进组IMT-2030(6G)Promotion Group端均被建模为 LOS 路径。同样的,为与式中右侧表达的路损相匹配,公式左侧同样应当添加路径损耗表达:PLtotalH,t=k=1TSLkPLkHu,sk,t? SLePLeHu,se,t#3 15否则应使用归一化,以保证后续叠加大尺度路径损耗时的正确性:H,t=k=1TSLkPLkHu,sk,t? SLePLeHu,se,t#3 16在不分段式建模中需要对最终的信道功率按照接收端的路径损耗进行归一化,保证各个级联链路的功率和与接收端收到功率相匹配。3)小尺度建模方案感知信道当将感知链路分段建模时,会分别将感知物体作为接收端接收信号,而后经过自身的反射能力再将部分信号或功率发送至感知接收端,如下图所示:图 3-32 分段建模示意图入射和出射感知物体两段链路分别用Hsfirst(,t)和Husecond(,t)进行表示,此时分段感知信道的表示方法为两段链路的卷积:Hu,ssensing,t=Husecondt Hsfirstt#3 17感知信道与通信信道整合图 3-33 感知链路与通信链路46IMT-2030(6G)推进组IMT-2030(6G)Promotion Group在计算通感整体信道时,需要引入共享簇功率分配因子 SD,用来确定共享簇占总功率的比例。以、分别代表情况 A、B、C、D 四种情况的功率,sensing代表感知功率,SD 定义为:= sensing#3 18合并后的通感信道表达为:total,total,=communication,communication. sensing1sensing2,sensing,#3 19其中total 为感知通信一体化接收端测量得到路损,communication()为通信接收端测量的道的路损,sensing1和sensing2分别为感知目标的入射路损以及出射路损。3.3.1.3 基于前向与后向散射的通感一体化信道建模方法本小节针对 sub-6 GHz 频段车联万物(vehicle-to-everything,V2X)场景,提出了一种新型通感一体化信道模型18,该模型包括感知信道和通信信道两个部分。在 V2X场景下,通感一体化信道除了考虑通信信道本身具有的时域非平稳特性外,还需要引入感知信道的特性,如前向散射和后向散射特性19,如图 3-34 所示。感知可分为前向散射感知和后向散射感知。图 3-34 通感一体化系统模型通感一体化(integrated sensing and communication,ISAC)系统模型发送端是一个ISAC 基站(base station,BS),它可以作为一个单站感知系统,实现信号传输和后向散射感知回波信号接收。簇的运动可以通过速度和运动角度来描述。在感知和通信子系统中,统一指定和描述了这些参数。47IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3-35 ISAC 信道模型包括 LOS 径、前向散射径和后向散射径201)感知信道模型在(雷达)感知系统中,根据散射体表面所使用的材料类型和粗糙度的差异,散射可以分为前向散射和后向散射。对于本文所采用的单站感知系统,只有后向散射才能提供所需的感知信息,所以在感知信道冲激响应(channel impulse response,CIR)中只考虑后向散射。感知 CIR 可分为两部分,即通信终端目标感知回波 CIR 和散射体感知回波 CIR。感知信道的 CIR 可写为:00,2()20,0122(),11,Dcsuplc l kDllljft tjfradradA LE LNtKjfjft tl kradA kE kl klkhtG eeAGeeA (3 21)其中,cf为载频大小,2340,00/64RCSGD 表示感知系统中 ISAC BS 与感知目标之间的信道增益,为波长,,0RCS感知目标的雷达散射截面,0D为初始时刻 ISACBS 与感知目标之间的距离。2)通信信道模型提出的通信信道模型需要分为直射(line of sight,LOS)径和非直射(non-LOS,NLOS)径两部分。由于增加了感知系统,NLOS 径分为前向散射径和后向散射径。单站感知系统只能区分后向散射的散射体,但这两种散射体都存在于通信信道模型中。前向散射分量包括无法感知的散射体,这些散射体的参数,如角度、距离和速度,通过随机生成。后向散射分量包括由感知信道感知的所有散射体,并且这些散射体的参数可以直接由感知信道提供。由于在感知物体和 ISAC BS 之间需要 LOS 路径,对于具有多跳簇的径而言,只能感知 ISAC BS 侧的通信信道模型的第一跳簇信息。通过以概率加权求和的方式,将 LOS、前向散射和后向散射部分相加,可以获得通信 CIR,comqpht为48IMT-2030(6G)推进组IMT-2030(6G)Promotion Group 1,11comLfNfbNbqpLqpNqpNqpKhtpthtpthtpthtKK(3 22)其中()Lp t,()fNp t和()bNp t分别是 LOS、前向散射和后向散射分量的概率,K 是莱斯因子。公式(3-22)中 LOS 部分的 CIR 可以表示为 22,0,0LLc qpccVVLHHLjftjfLqpTRRTTjq VE Lp VE LA LA LLqpRRTTjq HE Lp HE LA LA LeetFFehtFFe(3 23)其中,T表示转置运算,p V HF和,qV HF表示天线TpA和RcqA的垂直(水平)极化,VVL和HHL表示均匀分布在0,2上的初始相位,Lqpt表示天线TpA和RcqA之间 LOS 径的时延。时延参数 Lqpt可以计算为=其中 ccqpqpDtDt表示天线TpA与RcqA之间的距离。需要注意的是,感知系统的感知精度由许多因素决定,包括带宽和天线阵列的大小。因此,在不失一般性的情况下,假设 Rx 端第一个天线1RcA可以被感知到。则距离向量 cqpDt可以写作:0tcRcTRqpqpDtD llvt dt其中0,0,0DD,0D的值可以由感知信道提供,Tpl和Rcql表示天线位置矢量,即从天线1TA到TpA和从天线1RcA到RcqA的矢量。径向速度矢量 Rvt也可以由感知信道得到,因此有 Rvt=0vt,并且Rx的运动角度等于感知系统的离开角大小,因此,TA LA L且,TE LE L。所以速度矢量 Rvt可以计算为 ,0,coscos,cossin,sincoscos,cossin,sin.RRTTTTTE LA LE LA LE LE LA LE LA LE Lvtvtv t(3 24)公式(3-22)中前向散射部分的 CIR,,Nfqpht可以计算为 ,1M,111,2,VVVHmmnnnnnnnnHVHHmmnnnnnnnc qp mnncqpTjjRRTTq VE mA mp VE mA mmNfqpRRTTjjnmq HE mA mp HE mA mmjftptmNqFFeehtFFeePt e ,nqp mt(3 25)后向散射部分的 CIR,,Nbqpht可计算为49IMT-2030(6G)推进组IMT-2030(6G)Promotion Group ,1,111,2,VVVHskkllqplllllnHVHHkkllllllnc qp kllTjjRRTTNtKq VE kA kp VE kA kmNbqpRRTTjjlkq HE kA kp HE kA kmjftqp kFFeehtFFeePt e ,lqp kt(3 26)对于没有感知辅助的几何随机信道模型而言,从 Tx 到第一跳簇和最后一跳簇到 Rx的距离和角度参数应通过随机生成方法生成。通信信道模型的簇的速度和运动角也应随机生成。从 Tx 到 Rx 以及从 Tx 到第一跳簇的距离和角度参数可以由感知信道直接提供,不需要随机生成。通信信道模型的传递函数写为 1,11comLfNfbNbqpLqpNqpNqpKHt fptHt fpt Ht fpt Ht fKK(3 27)其中,,LqpHtf,NfqpHt f和,NbqpHt f分别是 LOS、前向散射和后向散射分量的传递函数。,exp2LLqpqpcHtfjtff ,11,exp2 cqpnnnNtMNfqpqp mqp mcnmHt fPtjtff(3 28),11,exp2sqplllNtKNbqpqp kqp kclkHt fPtjtff(3 29)3.3.2 基于混合方式的通感一体化信道建模基于随机统计的信道模型以簇为中心,利用数学方法对信道角度、时延、功率等特征进行随机性、统计性的刻画,并无几何或物理意义,使其无法反映确定性的目标信息,从而无法覆盖所有的典型通感用例。结合确定性的目标信息和信道统计特性的混合信道模型成为满足所有典型通感用例评估需求的潜在解决方案。在通感一体化的场景下,混合信道模型在保留良好的空时一致性和目标建模准确性的同时,能够更好的表征传播场景中的随机性对信道的影响。如何有效的结合确定性信道模型和统计信道模型的优势为混合信道建模的关键。3.3.2.1 基于多散射中心的混合通感信道建模方法1)模型架构在 3GPPTR 38.901 通信信道模型的基础上,本文提出了由目标相关分量与背景分量两部分组成的感知信道模型。图 3-36(a)和图 3-36(b)分别展示了单站感知信道50IMT-2030(6G)推进组IMT-2030(6G)Promotion Group与双站感知信道的系统模型。其中,目标相关分量包含所有经过感知目标的多径,由发射机-感知目标和感知目标-接收机两段级联,将感知目标看作从发射机接收多径,然后将其发送到接收机的节点。而背景分量包含来自背景环境的多径,这些多径不随目标的数量或位置的改变而改变。对于一对收发天线 s,u,感知信道表示为,sensing,=1,Target,? ,Background,#3 30其中 Q 为此对收发机可以观察到的目标的数量,,Target,对应第个目标的目标相关分量,,Target,表示背景相关分量。感知信道与通信信道通过共享部分或全部的统计参数建立相关性。当通信信道中的用户为感知信道中的感知目标时,感知信道中的某段目标相关分量可以复用通信信道的统计参数,包括时延扩展、角度扩展、阴影衰落等大尺度参数和径簇功率、时延、相位等小尺度参数;当通信用户为双站感知信道中的感知发射机或接收机时,通信信道与感知信道相同。(a)单站感知信道(b)双站感知信道图 3-36 通感信道模型架构2)多散射中心目标模型多散射中心模型认为感知目标的电磁散射响应可以等效为多个独立的散射中心的散射响应总和。在通感一体化信道模型中,应用多散射中心模型,可以简化对感知目标的建模,用少量散射中心代替感知目标复杂的几何结构和电磁特性。感知目标的散射场,可以表示为多个散射中心的散射场的和:,=1,?#3 35其中,分别为频率,方位角和俯仰角;I 是所有散射中心的个数,(,)为51IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第 i 个散射中心的散射场。图 3-37 车辆散射中心提取为了验证多散射中心模型,本文用电磁仿真对一辆车后半部分(图 3-37)进行仿真,得到其自发自收的单一方向散射场,再进行散射中心的提取。图中用实心圆画出了提取的 100 个多散射中心,圆圈的颜色代表了散射中心的场强,同时圆圈越大,散射中心的场强越大。可以发现,散射中心分布在后叶子板和车的两侧车窗附近,所有散射中心大致包裹住了车辆的轮廓。图 3-38 车辆散射场-角度函数仿真和 5 个多散射中心重构结果图 3-38 展示了电磁仿真得到的车的散射场关于角度的函数,以及用提取出的多散射中心重构的散射场。为了方便理解,在图中将散射场的强度转换为了车的雷达截面积(radar cross section,RCS)值。多散射中心模型能较好地还原车辆在不同入射角度下的散射场在距离域的响应。相较于单散射点模型只能描述感知目标散射场与角度的关系,多散射中心模型对感知目标散射场的建模更全面,可以支撑通感一体化中定位、识别和环境重构等广泛应用场景。3)目标相关分量的生成52IMT-2030(6G)推进组IMT-2030(6G)Promotion Group如图 3-39 所示,目标相关分量由发射机-感知目标和感知目标-接收机两段组成,在级联时考虑感知目标的特性对目标相关分量的影响。生成目标相关分量时,首先分别生成发射机-感知目标和感知目标-接收机两段的大小尺度信道参数,并使用多散射中心模型表征感知目标,再根据两段的入射和散射角计算感知目标的散射场,最后将两段级联,构成感知信道的目标相关分量。目标相关分量的生成流程如图 3-40 所示。图 3-39 目标相关分量的系统模型图 3-40 目标相关分量的生成流程4)背景分量的生成如图 3-41(a),单站感知场景下感知信道的背景分量取决于收发机在传播环境中的位置,这意味着用于通信信道的统计模型和参数不再适用(如 3GPPTR 38.901 Step 2中的视距概率模型和 Step 3 中的路损模型)。为描述单站感知信道在环境中的损耗,需要在模型的参数化中定义一个与收发机距离不相关的总功率增益系数,如图 3-42,Step2,Step 3 和 Step 12 需要作相应调整。对于其他可以复用的信道参数,如时延扩展和角度扩展,需要针对单站背景分量根据相应的信道测量结果完成模型的参数化。53IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3-41 背景分量的系统模型图 3-42 单站感知背景分量的生成流程双站感知场景下,背景分量为发射机不经过目标直接被接收到的干扰功率,为自发他收的链路,可复用 3GPPTR 38.901 中通信链路的生成过程。3.4 小结通信感知一体化技术是 6G 潜在关键技术之一。通信系统集成无线感知能力,能通过无线电波传输、回波、反射和散射等方式来探索物理世界。同时,由物理环境组成的无线信号传播媒介也会影响通信性能。因此通信感知一体化信道建模对通信感知一体化系统的性能评估和验证具有非常重要的意义。在本章节中,我们首先讨论了通信感知一体化信道建模的场景需求,如定位跟踪、成像、环境重构等不同的感知应用需求,设计不同的信道建模方法与之匹配。在信道测量与仿真方面,本章节主要介绍了几种典型场景的通感测量和仿真方法研究成果,如环境重构,目标成像,汽车雷达及定位,通感信道共存,单站感知等。感知信道测量及仿真方法与通信信道不同,感知包括双站感知和单站感知,在单站感知时,收发处于同一位置,主要研究目标的回波特征,与目标的物理电磁特性相关,而通信主要研究收发处于不同位置的双站间电磁波传播特征,与传播环境的发射、透射、散射及绕射等因素有关。在通信感知一体化信道建模之初,应首先考虑通感信道测量硬件系统构建方案,全双工收发的自干扰消除,感知信道测量方法论等问题,探索感知信道与传54IMT-2030(6G)推进组IMT-2030(6G)Promotion Group统通信信道的相关性及传播特征本质,这将是通信感知一体化信道建模的坚实基础。在信道建模方法论方面,本章节中介绍了基于随机统计和基于混合方式的通感一体化信道建模方法。基于随机统计的模型架构简洁,易于实现,能快速融入无线蜂窝通信系统级和链路级仿真。基于混合方式的通感一体化信道模型由包含确定性目标信息的目标相关分量和基于随机统计的背景分量组成,一方面能够对感知目标进行准确的刻画,具有空间一致性,另一方面满足与现有通信信道模型的兼容性,计算复杂度低。混合信道模型框架能够满足不同感知模式下通感一体化技术用例的评估需求,面向 6G 通感信道模型的标准化,我们需要基于信道测量对典型的感知目标建立多散射中心模型,并对自发自收的背景分量进行参数化建模,以覆盖现有及未来所有通感用例、频段、场景的评估需求。未来的通感信道测量需覆盖更全面的频段与场景。面向 6G 通感信道模型的标准化,需要基于信道测量对典型的感知目标建立多散射中心模型,并在现有自发他收信道参数化模型的基础上对自发自收的信道参数化建模,以尽可能覆盖现有及未来所有通感用例、频段、场景的评估需求。简而言之,通信感知一体化信道建模具有场景多元化的特性,需要在测量系统,仿真评估,模型架构等方面持续突破。相信在不久的将来,随着测量与建模研究的不断演进,通感信道将把通信感知一体化技术推向新高度。由于篇幅限制,上面详细介绍本研究报告中新增的通信感知一体化信道建模方法细节,其余细节请参考面向 6G 的信道测量与建模研究研究报告。参考文献1通信感知一体化技术研究报告,IMT-2030(6G)推进组,2021.2童文,朱佩英,6G 无线通信新征程:跨越人联、物联,迈向万物智联,机械工业出版社,2021.3B.H.Fleury,X.Yin,K.G.Rohbrandt,P.Jourdan,and A.Stucki,“High-resolution bidirectionestimation based on the SAGE algorithm,”Central South Forest Inventory&Planning,2002.4B.H.Fleury,M.Tschudin,R.Heddergott,D.Dahlhaus and K.Ingeman Pedersen,Channel parameterestimation in mobile radio environments using the SAGE algorithm,in IEEE Journal on SelectedAreas in Communications,vol.17,no.3,pp.434-450,March 1999.5Y.Liu,J.Zhang,Y.Zhang,Z.Yuan,and G.Liu,“A shared cluster-based stochastic channel model forjoint communication and sensing systems,”IEEE Transactions on Vehicular Technology,Accepted,2023.6IMT2020 任务组,5G-Advanced 通感融合仿真评估方法研究报告7雷达目标特性,电子工业出版社,2005-03.8Buddendick H,Eibert T F.Acceleration of ray-based radar cross section predictions usingmonostatic-bistatic equivalenceJ.IEEE Transactions on Antennas and Propagation,2009,58(2):531-539.9X.Li,J.He,Z.Yu,G.Wang and P.Zhu,Integrated Sensing and Communication in 6G:theDeterministic Channel Models for THz Imaging,IEEE 32nd Annual International Symposium onPersonal,Indoor and Mobile Radio Communications(PIMRC),2021.10W.Li et al.,“Millimeter-Wave Radar Measurement and Ray-Tracing Simulation for Urban StreetEnvironment,”2022 3rd Atlantic/Asia-Pacific Radio Science Meeting of the International Union ofRadio Science(URSIAT-AP-RASC),accepted,2022.55IMT-2030(6G)推进组IMT-2030(6G)Promotion Group113GPP,Studyonchannelmodelforfrequenciesfrom0.5to100GHz,2017.Available:http:/www.3gpp.org/DynaReport/38901.htm.12ITU-R M,Guidelines for evaluation of radio interface technologies for IMT-2020,2017.Available:https:/www.itu.int/pub/R-REP-M.2412-2017.13,“ITU-R P.676-11Attenuation by atmospheric gases,”2016.14,“ITU-R P.840-7 Attenuation due to clouds and fog,”2017.15,“ITU-R P.838-3 Specific attenuation model for rain for use in prediction methods,”2005.16Ma.J,Adelberg.J,Shrestha.R,“The Effect of Snow on a Terahertz Wireless Data Link,”J InfraredMilli Terahz Waves,vol.39,pp.505-508,2018.17Z.Chai,Y.Zhang,G.Liu,Y.Liu,J.Wang,T.Jiang,and J.Zhang,“Empirical Path Loss ChannelModeling at 28 GHz for Integrated Sensing and Communication System,”Wireless Communicationsand Signal Processing,Accepted,2023.18R.Yang,C.-X.Wang,J.Huang,E.-H.M.Aggoune,and Y.Hao,“A novel 6G ISAC channel modelcombining forward and backward scattering,”IEEE Trans.Wireless Commun.,accepted.19A.Freeman and S.L.Durden,“Athree-component scattering model for polarimetric SAR data,”IEEETrans.Geosci.Remote Sensing,vol.36,no.3,pp.963973,May 1998.20M.Yang,B.Ai,R.He,et al.,“Measurements and cluster-based modeling of vehicle-to-vehiclechannels with large vehicle obstructions,”IEEE Trans.Wireless Commun.,vol.19,no.9,pp.58605874,Sept.2020.21W.Yang et al.,“ISAC channel measurements and modeling methodology”,IEEE GC Wkshps,2023,accepted.22R.Kell,On the derivation of bistatic RCS from monostatic measurements,in Proceedings of theIEEE,vol.53,no.8,pp.983-988.1965.233GPP,Study on integrated access and backhaul,3rd Generation Partnership Project(3GPP),Technical Report(TR)38.874,201956IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第四章 大规模多输入多输出信道研究4.1 概述随着第五代全球网络(5G)的广泛部署,学术界和工业界已开始转向对第六代网络技术(6G)的探讨。相对于 5G,6G 需要提供更高的速率、可靠性、时延、移动性和能耗等关键性能。为满足这些需求,业界已经提出了众多的关键技术并正在积极研发。这些技术可以大致分为两类:一类通过增强基站和终端的能力,来更好地适应传播环境,提升性能;另一类通过控制传播环境来提升性能。大规模多输入多输出(multiple-input multiple-output,MIMO)系统的天线单元数量庞大(数十至数千个),可以在同一时频资源块内为数十个终端服务,容量大,频谱、能量效率较高,增强了基站的能力,以便更好地克服信道的不确定性,满足 6G 系统对通信系统的频谱效率、能量效率等性能指标的更高需求。大规模 MIMO 信道模型是大规模MIMO 通信系统设计、性能评估、优化及部署的基础。当基站端采用成百上千甚至上万个天线单元时1,大规模 MIMO 信道将呈现不同的信道特性,譬如球面波特性、空域非平稳特性、信道硬化特性等。智能电磁表面或可重构智能表面 RIS(Reconfigurable Intelligent Surface)作为 6G的潜在研究方向,近年来得到学术界和工业界越来越多的关注,它使得无线传播环境从被动适应变为主动可控,有助于构建一个可控的智能无线信道环境,是全新的 6G 通信网络范式,其信道建模是后续进行智能电磁表面部署规划、覆盖/容量及其他网络性能评估和分析的基础。4.2 大规模 MIMO 信道特性分析与建模4.2.1 远近场分界线随着毫米波和太赫兹的应用以及极大规模孔径阵列的出现,近场效应变得更为明显和关键。通常,电磁场可以分为三个区域:感应近场区域、辐射近场区域和远场区域。由于感应近场中的电磁波通常在源周围并不传播,因此辐射近场区域更与无线通信相关,因此本提案重点关注辐射近场区域,并将其简称为近场。图 4-1 无线通信中近场和远场示意图57IMT-2030(6G)推进组IMT-2030(6G)Promotion Group随着天线孔径的扩大,近场的有效范围也随之增长,这导致更多的通信设备落在近场范围内。这种变化使得近场和远场之间的信道建模存在巨大的差异,因此对于具有大规模 MIMO 的无线通信系统来说,合理划定近场和远场是至关重要的。下面对近远场边界的现有研究结果进行总结。4.2.1.1 瑞利距离(Rayleigh Distance)天线的近场和远场区域之间的经典边界被称为瑞利距离或 Fraunhofer 距离,计算公式为 22/,其中表示天线的最大孔径,表示载波波长。此距离基于相位误差定义:当用户与基站(BS)之间的距离超过此值时,天线孔径上的最大相位误差不超过/8。它清晰地揭示了近场和远场之间的界定与天线孔径的平方成正比,而与载波波长成反比。4.2.1.2 Critical 距离(Critical Distance)瑞利距离主要涉及到天线阵列单元之间的最大可接受相位差。然而,在使用最佳的最大比合并(MRC)时,信号相位可以完全对齐,消除了它们对接收功率的影响。在这种情况下,接收功率仅依赖于信道的幅度响应。因此,在文献2中,作者提出了一个Critical 距离Critical。这个 Critical 距离确保了最弱和最强的天线单元之间的功率比保持在指定的阈值以上,近似满足Critical 9,其中表示天线孔径。将瑞利距离表示为r,通信距离可以分为三个区间:1)对于 ,天线阵列的幅度和相位差异都很小,可以较好地使用 PWM 进行近似;2)对于Critical ,虽然幅度差异相对较小,可以忽略不计,但天线阵列之间仍存在显著的相位差异,不能忽视;3)对于 Critical,幅度和相位变化都很大。因此,应使用 SWM 对信道进行建模。4.2.1.3 均匀能量距离(Uniform Power Distance,UPD)均匀能量距离是基于文献2中的 Critical 距离进一步拓展的概念,加入了诸如天线阵列的结构和投影口径等其他因素。它定义了一种距离,在此距离之外,天线阵列单元间的功率比维持在特定阈值以上。当接收端 Rx 位于 UPA 的中心并且与其垂直对齐时,UPD 可以表示为2/312/32,其中表示 UPA 的对角线尺寸。对于其他入射角度和位置,可以通过数值方法获得 UPD。4.2.1.4 有效瑞利距离(Effective Rayleigh Distance)尽管文献2和3中的研究依赖于最优最大比合成(MRC)以消除信号相位的影响,但由于实现完美信道估计的固有难度,MRC 可能无法完全中和相位差异。因此,从波束成形的角度来看,文献4中的作者提出了一个有效瑞利距离,如果超过该距离,则在远场条件假设的同时,归一化波束增益不低于 95%。有效的瑞利距离由以下公式给出:=0.3672()22,其中是入射角度,是天线口径,是载波波长。有效瑞利增益可以看成是为了采用 PWM 假设时确保波束增益而对瑞利距离进行的修正。4.2.1.5 Bjornson 距离(Bjornson Distance)文献5中的作者考虑了一个由个相同天线组成的 UPA 结构,每个天线的面积表58IMT-2030(6G)推进组IMT-2030(6G)Promotion Group示为。从严格的电磁角度来看,他们引入了归一化天线阵列增益,表示接收功率与在PWM 假设下的远场接收功率之比。在这种建模下,瑞利距离可以重新表示为=2 2/,其中=2表示每个天线单元的对角线长度。然后,他们提出了 Bjrnson距离,表示为=2。值得注意的是,与瑞利距离中的线性增长相比,Bjrnson距离的增长与的平方根成正比。当通信距离不小于Bjrnson距离时,可以实现至少95%的最大增益。4.2.1.6 Equi-Power Line考虑一个只有直射(LoS)路径的 ULA 结构,在 MRC 下从点源接收到的功率完全由幅度响应决定,与信号相位无关。在文献6中,作者定义了使用 SWM 获得的接收功率与使用 PWM 获得的接收功率的比值。当通信距离趋于无穷时,该比值趋近于一。他们提出了一个 Equi-Power Line,代表这个比值达到了预先定义的阈值。对于此比值的封闭形式解析表达式导致在源与 ULA 的中部垂直对齐时,等功率线大约位于 2.86,其中代表阵列孔径。对于其他源角度,采用数值方法来确定 Equi-Power Line。4.2.1.7 Equi-Power Surface考虑一个只有直射(LoS)路径的均匀圆形平面阵列(UCPA)结构,从点源在 MRC下接收到的功率仅依赖于幅度响应。在文献6中,作者定义了一个归一化接收功率,这表示通过 SWM 得到的接收功率与 PWM 相比的相对值。接着,他们提出了一个Equi-Power Surface,该 Surface 上的归一化接收功率达到了预设的阈值。通过使用派生的封闭形式表达式,当源与 UCPA 的中心垂直时,Equi-Power Line 大约位于 3.96,其中代表 UCPA 的边长。当源位于其他角度时,可以通过数值方式得到 Equi-Power Line。4.2.2 大规模 MIMO 信道特性4.2.2.1 近场非平稳特性假设基站端使用的天线阵列为具有 K 个天线阵元的均匀线型阵列(Uniform lineararray,ULA),用户端使用单个天线。在信道中存在 N 条信号传输的路径,每一条路径中存在 M 条子路径。在 NF-SnS 框架中,具有近场空间非平稳特性的大规模 MIMO 信道系数通过下式计算得到:,=,=1,3?,(4-1)其中,,为第k个天线阵元()经过第n条传输路径()的信道系数,,为空间非平稳矩阵的元素,主要描述当前路径对于当前天线阵元的可见性,,为近场球面波矩阵的元素,主要描述球面波传播对信号幅度和相位造成的影响,,3为3GPP 模型中给出的标准信道系数,在 3GPP 模型中,“路径”被称作“簇(Cluster)”,“子路径”被称作“子径(Ray)”。NF-SnS 框架的计算流程如图 4-2 所示。图中以黑色字体表示的步骤(步骤 1-9,步骤59IMT-2030(6G)推进组IMT-2030(6G)Promotion Group13)与 3GPP 模型中给出的信道模型计算步骤一致,在此不做赘述。图中以红色字体标注的步骤(步骤 10-12)为该仿真框架的主要计算步骤,将分别在下面进行详细描述。图 4-2 NF-SnS 框架的流程图NF-SnS 框架的基站天线阵列配置可扩展至均匀面阵(Uniform planar array,UPA),均匀圆阵(Uniform circular array,UCA);该配置也可应用于用户端,即当用户端使用天线阵列的配置。在图 4-2 的步骤 10 中,将计算空间非平稳矩阵。矩阵的元素,描述第 n 条传播路径对于第 k 个天线阵元的可见性,定义如下:,=10(4-2)在 NF-SnS 框架中,位于同一路径下的子路径具有相同的可见性。具体的矩阵获取方式如下所示。首先,对阵列进行分区。在本框架中,ULA 阵列被分成一系列的“平稳区间”,每个平稳区间由一定数量的邻近的天线阵元构成,位于同一平稳区间内的天线阵元具有相同的非平稳特性(即矩阵 S 的对应元素取值,以图 4-3 为例)。图 4-3 平稳区间示意图,以 8 阵元为例之后,从第一个平稳区间开始计算。在第一个平稳区间上,第 n 条传输路径对于天线阵元可见与否将通过可见概率与不可见概率决定( =1)。和的计算将通过下述的方式得到:步骤 1:利用 3GPP 模型中得到的第 n 条路径功率(图 4-2 中的步骤 6),计算均值和方差= (4-3)60IMT-2030(6G)推进组IMT-2030(6G)Promotion Group()= (4-4)其中,为中间系数,可通过对信道测量或仿真数据进行分布拟合得到,参考值如表 4-1 所示:表 4-1 中间参数参考取值视距下(LOS)0.01180.29920.00680.1981非视距下(NLOS)0.03210.37320.02820.3654步骤 2:利用均值方差产生高斯分布随机数 X,根据 X 的取值确定和(,()(4-5)=1 0.05),表明拟合准确性较高。并且,经验证,当人体高度和人体宽度为其他数值时,相同收发端距离处的 OP 同样服从高斯分布。所以,当人体高度、人体宽度固定时,OP 是一个与收发器距离相关的高斯随机变量。为描述 OP 和人体高度、人体宽度以及收发器距离之间的关系,我们计算不同人体高度、人体宽度下接收平面所有接收位置处的 OP。其中,人体高度范围为 1.50 m 到 2.0578IMT-2030(6G)推进组IMT-2030(6G)Promotion Groupm,人体宽度范围为 0.30 m 到 0.80 m。其次,根据人体高度、人体宽度和收发端距离对OP 进行分组。由于在接收平面上有多个与发送端距离相同的接收位置,所以每组均有多个数据。然后,利用最小二乘(LS)法采用高斯分布拟合每组数据,得到每组数据所服从高斯分布的均值与方差。最后,得到高斯分布的均值、方差与人体身高、人体宽度和收发端距离的关系,将均值和方差表示成人体身高、人体宽度和收发端距离的函数。基于仿真结果与上述分析,提出了考虑人体身高、人体宽度和收发端距离三维 OP模型,表示如下:2(,)(,),(,)OP d H RNd H Rd H R(5-9)其中,111(,)()()()d H Rdd Hd R(5-10)222(,)()()()d H Rdd Hd R(5-11)其中,0.5031()0.120.189dd(5-12)0.3201()0.1560.216dd(5-13)716.771()0.58 100.101dd(5-14)22()0.70sin()0.005(10)0.221ddd(5-15)22()0.40sin()0.003(10)0.120ddd(5-16)22()0.026sin()0.002(10)0.077ddd(5-17)以 H=2.05 m 和 R=0.80 m 为例,利用仿真方法和所提出的模型得到的 OP 如图 5-7所示。图 5-7 中断概率建模结果为了验证模型的准确性,进行均方根误差的计算,计算公式如下:11()NsimulationmodeliRMSEOPOPN(5-18)其中,N 为仿真数据的个数。simulationOP代表仿真得到的 OP,modelOP代表由提出的模型得到的 OP。计算得到的均方根误差数值为 0.009,表明所提出的模型具有较高的准确性。79IMT-2030(6G)推进组IMT-2030(6G)Promotion Group5.3 可见光信道建模挑战与展望可见光信道建模在测量平台、测量场景和特性研究等方面都需进一步提高。在测量平台方面,可见光测量平台性能受器件性能影响较大。在大尺度衰落特性的测量中,LED的发射功率很大程度上决定了信号传输距离。在小尺度衰落特性的测量中,LED 的调制带宽决定了信号的有效带宽,直接关系到信号传输速率的大小,同时,LED 的调制带宽也会限制接收端的时延分辨率,导致无法分辨出多径。由此可见,可见光信道测量得到的信道特性与器件特性高度耦合,如何进行信道特性与器件性能的解耦,在信道特性分析中去除器件带来的影响,或研制具有大功率、大调制带宽的 LED,是可见光信道建模中亟待解决的问题。在测量场景方面,目前可见光信道的理论模型与实测模型多集中在室内场景、V2V场景、水下场景和地下矿区场景,测量场景的多样性有待加强。未来,可进行更多场景下可见光信道的测量和仿真,如停车场、高铁、飞机以及工业互联网等更多场景的测量。在特性研究方面,目前可见光信道特性的理论分析和测量活动都集中在对冲激响应、路径损耗的研究上,对可见光信道频率响应、阴影效应、噪声影响的研究还不成熟。未来,还需要对时延扩展、角度扩展等信道特性进行更加深入的研究。同时,探究人体遮挡、天气影响、波长依赖性和反射面粗糙程度等因素对可见光传播的影响,并对比实测与仿真结果。在得到成熟的信道信息后,后续可以将信道信息与可见光链路级仿真结合,探究自适应传输系统。最后也可研究相同场景下可见光与其他频段信道特性的对比分析。5.4 小结可见光通信技术有望满足 6G 需求中的诸如流量密度、用户体验速率等重要需求,并提升峰值速率、网络能效、定位精度等几个方面的网络性能。本章节阐述了可见光通信信道测量与建模的研究现状、研究进展以及未来挑战与展望。可见光通信信道测量与建模的研究主要从四个方面展开,包括基于实测的可见光信道建模、基于理论的可见光信道建模、可见光噪声模型研究以及考虑人体遮挡的可见光通信中断概率分析与建模。上面详细介绍了本研究报告中新增的考虑人体遮挡的可见光通信中断概率分析与建模研究进展,其余细节请参考面向 6G 的信道测量与建模研究研究报告。在下一阶段,需要更进一步融合可见光测量与射线追踪的仿真建模方式,使得二者结果可以相互验证,从而进一步推动可见光通信系统的设计评估等工作。参考文献1Z.Wu,M.Ismail,J.Kong,E.Serpedin,and J.Wang,“Channel characterization and realization ofmobile optical wireless communications,”IEEE Transactions on Communications,vol.68,no.10,pp.64266439,2020.2Y.Yin,P.Tang,and J.Zhang et al.,“Outage Probability Modeling with Human Blockage for MobileVLC Systems,”EuCAP 2023,accepted.80IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第六章 多样通信场景信道研究6.1 车联网无线信道测量和建模6.1.1 车联网场景信道需求分析图 6-1 车联网中包含多样化的通信链路在交通情况日益复杂的背景下,以蜂窝车联网(Cellular Vehicle-to-Everything,C-V2X)为代表的车辆通信技术逐渐成为研究的热点领域。C-V2X 可在标准化协议下实现人-车-路-云等所有交通参与者之间信息交互的通信网络,如图 6-1 所示。其中,街道路口是道路环境中的关键场景。6.1.2 车联网无线信道测量平台在北京城区内 3 个典型路口展开测量,如图 6-2 所示。关键测量参数如下:中频 5.9GHz,带宽 30 MHz,TX 和 RX 均处在移动状态,速度 10-40 千米/时,使用多载波探测信号,发端使用全向微带天线,收端使用 16 阵元微带阵列天线。图 6-2 测试场景示意图6.1.3 测量结果与建模分析6.1.3.1 大尺度路径损耗测量到的与距离相关的路径损耗和相应的线性拟合如图 6-3 所示。可以发现常规城市地区的路径损失随着对数距离的增加呈线性增加,因此可以通过单斜率线性拟合建模81IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(相应的路径损失指数1为 1.55)。然而在图 6-3(b-d)的路口中,由于建筑的遮挡,双斜率分段线性模型能够更准确地表示测量值。本提案利用断点距离来划分区域,内使用路损指数1,断点距离之外则使用2,表达式如下:(6-1)图 6-3 实测路径损耗的距离拟合(a)为非路口场景,用作对照,(b-d)分别为三个路口场景表 6-1 汇总了测量结果。可以观察到,四种测量情况下的路损指数和截距在 LoS 区域(即断电距离之内)很接近。然而,NLoS 区域(即断电距离之内)存在明显更大的路损指数。即在 NLoS 区域更容易有较大的信号衰减。其原因是,在 NLoS 区域中捕获的信号来自于多样化和随机分布的散射体的反射。散射体的位置和类型的差异会导致显著不同的多路径。直观的结论是,在相同的接收机灵敏度下,与传统场景相比路口的最大通信范围将会减少。街道路口场景的重要性在于 LoS 的受阻极大限制了电波传播质量,并对链路的可靠性产生了负面影响。根据测量和建模结果,提出了一个路口场景的参考路径损耗模型,如表 6-1 所示。该模型可以量化这种负面影响,有助于车辆通信系统的设计和性能评价。表 6-1 测量结果汇总和提出的参考路径损耗模型测量结果场景m11(0)dB82IMT-2030(6G)推进组IMT-2030(6G)Promotion Group路口 124.51.543.9660.45路口 2401.565.3459.81路口 3451.534.8661.82对照组N/A1.55N/A58.58提出的参考模型路口场景城区场景图 6-4 一种简化的断点距离划分方法对于断点距离的选取,直观的方法是根据路口的具体环境划定 LoS 和 NLoS 的分界线。但是对于一般性的应用需求,这样做复杂性相对较高。因此我们给出了一个简化的估计方法,如图 6-4 所示。在简化的情况下,路口的两条路的夹角在 90左右;此外遮挡建筑位于街道之间的中心线上。在这种情况下,最小断点距离=2。最小断点距离的含义是,在一个特定的路口场景中,只要 TX 与 RX 之间的距离小于,就必须存在 LoS。根据该简化方法,计算得到的三个测量路口的分别为24.5 m、40 m 和 45 m,都小于实际(分别为 27 m、43 m 和 50 m)。将作为 LoS和 NLoS 之间的边界,在很多情况下会高估 NLoS 区域的范围,即高估路径损耗。然而考虑到在主要考虑通信可靠性时,相对保守的信噪比预测是一个合理的选择,我们的模型便将作为路损模型的断点距离。6.1.3.2 小尺度密集多径成分密集多径成分(DMC)可以认为是指剔除估计的镜面反射径后的剩余能量。图 6-5显示了三个测量路口测量信道、重建信道(基于镜面反射经)和 DMC 的能量占比情况。发现在 LoS 区域,测量信道和重建信道的两条曲线非常接近,即估计的镜面反射经基本83IMT-2030(6G)推进组IMT-2030(6G)Promotion Group上可以表示信道。相反,在 NLoS 区域,测量信道与重建信道之间的明显差距反映了DMC 能量占相当大的比例。具体到一些量化的结果,当存在 LoS 传播时 DMC 能量一般小于 20%;但 NLoS 情况下 DMC 能量甚至可以占据总能量的 50%左右。一些文献也表现了类似的结果:DMC 的能量比例随着传播距离的增加而增加,而 DMC 能量比例由于障碍物的影响而波动剧烈。图 6-5 测试场景中的密集多径成分(DMC)能量占比6.2 空-地无线信道测量和建模6.2.1 空-地通信场景信道需求分析为实现无线信号全球覆盖,6G 无线通信网络将从陆地移动通信扩展到空天地海一体化通信网络,相比空-空通信,空-地通信链路由于地面散射环境的影响,其信道特征更为错综复杂。首先,飞行器自身特性如机身抖动、机身遮挡等对通信信号传播具有显著的影响1 23。其次,空-地通信信道具有明显的全三维传播特征4 5。文献6针对空-地通信场景提出了一种任意三维速度和飞行轨迹的空-地信道模型,但仍需要更多的角度参数来描述机体的三维姿态变化7。大规模阵列也将对空-地信道模型的构建产生重要影响8。6.2.2 空-地无线信道测量平台6.2.2.1 系统组成空地实时信道测量系统12,包括空中发射端和地面接收端两部分,如图 6-6 所示。空中发射端采用了轻量化设计方案,包括信号处理模块、功率放大器、发射天线和 GPS天线。其中,基于 FPGA 的信号处理模块用于产生测量序列,经由功率放大器和全向天线发射;地面接收端由四通道软件无线电模块、高速磁盘整列、低噪声放大器、GPS 天线和接收天线阵列组成;接收天线阵列装载在高精度可调节的支架,可在水平和垂直两个方向移动各个天线阵元,以满足不同的测量需求;采集的多通道信道数据传输至信号图 6-6 基于无人机平台的空-地信道测量系统84IMT-2030(6G)推进组IMT-2030(6G)Promotion Group处理模块,完成信道数据硬件实时处理,提取信道多径信息,存储至磁盘阵列,供后续进一步信道特性分析。测量系统设计参数和性能指标如表 6-2 所示。该系统可支持 200 MHz 到 4.4 GHz频段的信道测量。收发端系统带宽最高支持 100 MHz,时延精度 10 ns。以探测序列切片长度为 1023 为例,对应的最大距离为 3.069 km。利用硬件实时处理信道数据,可实现信道数据实时处理和 CIR 实时连续提取,连续 CIR 切片更新速率可达百 KHz。表 6-2 系统性能指标系统参数性能指标支持频段200-4400 MHz系统带宽100 MHz功率放大器增益 42 dBGPS 模块L1 频率/精度 20 ns天线规模14时延测量精度10 nsCIR 更新速率97.75 KHz(序列长度 1023 时)6.2.2.2 实现方案系统采用了时域滑动相关的信道测量原理,CIR 的测量过程可表示为(,)()()()()()mrhty tx thtx tx t(6-2)其中,()y t表示接收信号,表示相关运算,()x t表示测量信号,()rh t表示真实 CIR,表示卷积运算。该方案要求测量信号的自相关函数近似于狄拉克函数,该系统采用Zadoff-Chu(ZC)序列作为测量信号,对应测量信号生成可表示为2ZCZCZCZCjexp j(1)exp nNNx nn nNN为偶数为奇数(6-3)式中,ZC0,1,1nN,Z C0,1,1N 且与ZCN互质,ZCN表示序列长度。根据测量原理,测量系统的发射端实现如图 6-7(a)所示;接收端实现框图如图 6-7(b)所示。此外,收发端均配有 GPS 模块提供触发信号来实现收发同步,并对收发端位置等信息进行记录。85IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(a)发射端(b)接收端图 6-7 实时测量系统收发端的实现方案6.2.2.3 系统校正信道测量系统的不同通道初始会有一个随机相位,导致接收通道间存在初始相位差,需要进行校正,相位校正方案如图 6-8(a)所示。利用矢量信号源产生正弦信号,通过功率分配器分成四路输入到测量系统射频接收端口,以第一个射频接口为基准进行初始相位差计算并根据计算结果修改初始相位值。系统相位的校正结果如图 6-8(b)所示,从图中可以看到校正后相位差在 0.2 度以内波动,能够满足空-地场景信道测量的应用要求。(a)相位校正方案(b)相位校正结果图 6-8 多通道相位校正为了全面验证测量系统的有效性和准确性,可利用信道模拟器对测量系统进行测试,发射单元通过射频线与信道模拟器射频输入直连,信道模拟器射频输出接口与地面接收86IMT-2030(6G)推进组IMT-2030(6G)Promotion Group单元通过射频线直连,如图 6-9(a)所示。本案例中,信道模拟器模拟输出四条不同时延、功率的多径信道,时延与功率分别为10 ns,2160 ns,3400 ns,4600 ns,10 dBP,25 d BP,31 5 d BP,42 0 d BP。设置测量系统载波频率为 2 GHz,采样率 100 MHz,1024Z CN,对模拟信道进行测量,获得的多径参数如图 6-9(b)所示,10 .14ns,21 6 0 n s,3400 ns,4600 ns,10 dBP,25.20 dBP ,315.28 dBP ,424.2 dBP ,与信道模拟器模拟的理论 CIR 相比,功率误差均低于 1dB,时延与设定的一致,验证了该系统能够准确地测量信道多径信息。(a)系统验证方案(b)系统验证结果图 6-9 信道测量系统验证6.2.3 测量结果与建模分析6.2.3.1 大尺度路径损耗图 6-10 给出了上述场景不同飞行高度的路径损耗测量结果,同时利用 CI 模型对测试结果进行拟合,该模型可以表示为0100(,)(,)10 log()CIFSdPLd fPdfnd(6-4)式中,0d为 1 m 参考距离,0(,)FSPdf为自由空间损耗,n为路损因子,为表征阴影分量的高斯分布,为标准方差。由于路径损耗大小也受到多径数目影响,可以发现路径损耗随高度的变化规律基本遵循着多径数目的变化规律,其他因素一致情况下,多径数目越多,多径对于大尺度均值功率的能量贡献越大,表现为路径损耗减小。(a)农场场景(b)水面场景图 6-10 路径损耗测量结果87IMT-2030(6G)推进组IMT-2030(6G)Promotion Group表 6-3 给出了不同高度下路径损耗的 CI 模型拟合参数,可以看出农场场景的 CI 模型路损因子分布在 2.7 左右,且随高度增加而增加,水面场景的 CI 模型路损因子分布在2.5 左右,随高度增加有减小的趋势。此外,由于水面场景相对比较纯净,阴影标准方差比农场场景低。表 6-3 CI 模型拟合参数高度农场水面nn10 m2.5572.5392.5801.68315 m2.6572.4322.6331.65520 m2.7552.8582.5251.93625 m2.7613.8382.4812.50830 m2.8934.2772.4212.3636.2.3.2 小尺度多径特性利用空-地信道测量系统对农场和水面场景开展了信道测量,以获取低空场景不同飞行高度的空-地信道特性。测量场景以及飞行轨迹如图 6-11 所示,无人机在 10m-30m之间,以 5m 的高度间隔来回飞行,地面端天线高度 2.5m,测量中心频点 3.6 GHz,系统带宽 100 MHz。(a)农场场景(b)水面场景图 6-11 测量场景及飞行轨迹图 6-12 给出了两个场景不同飞行高度的多径数目分布测量结果,由图可以看出,农场场景的多径数目主要分布在 6-12 之间,水面场景主要分布在 2-6 之间。实测结果表明,农场场景的多径数目远超现有开阔区域的结果,主要是因为农场虽然开阔,但是常建设金属电线架和发电风车,具有丰富的强反射径,加上大量农作物散射路径,导致农场场景的多径数目远多于普通开阔地;水面场景多径数目经常表现出明显的双射线特征(直射径 水面反射径)。此外,农场场景的多径数目均值随着飞行高度增加而逐渐减少;水面场景多径主要来自水波的反射,高度上升时信号更容易反射到接收天线,因此在低空场景下多径数目随着高度增加反而有增加的趋势。88IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(a)农场场景(b)水面场景6.3 海洋无线信道测量和建模6.3.1 海洋通信场景信道需求分析在海洋无线信道研究方面,国内外的研究主要集中在 1GHz 以上的频段13 14 15 16。随后,国内外学者一直在此方面展开研究18 19 16 20 21 22 23 24 25 26。6.3.2 海洋无线信道测量平台发射信号通过无线信道的基本过程如下图 6-14 所示:图 6-14 发射信号通过无线信道示意图可以通过对设备矫正和优化的数据分析算法来最大限度上消除这些干扰信息。整个信道测量仪的结构图如下图 6-15 所示:图 6-12 多径数目分布测量结果图 6-13 海洋无线信道测量平台示意图89IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 6-15 信道测量仪结构图通过天线切换的方式从不同的天线单元对传过来的模拟无线信号进行混频至基带信号,然后进行高速精确采样并数字化并写入硬盘。然后通过数字信号处理算法对收集的信号进行实时的处理,并反馈出各种无线信道信息。整个信道测量仪在时域上的工作流程如下图 6-16 所示:图 6-16 整个信道测量仪在时域上的工作流程图信道测量信号通常是用 PN 伪随机码或者是雷达的扫频信号,我们把其设定为一个信号数列(如上图的一个小方格所示)。我们的信道测量仪在发射端有TXM个天线单元,而在接收端有RXM个天线单元。在一个测量过程中,发射装置的一个天线阵列会连续发送2T XM个信号数列,而在接收端会通过天线切换的方式来在从每个天线单元采样一个信号数列并存储在硬盘,而天线切换的时间间隔设定为一个信号数列的时间长度。之后,发送端会通过天线切换的方式通过下一天线阵列发送相同的连续的2T XM个信号数列,而接收端的采样过程和之前的过程相同。以此类推,如上图所示。这样,我们可以运用先进的数据处理算法对收集的信号进行分析,精确提取无线信道的时域,频域,空域的各种信息,并可以结合实际的信道测量环境进行分析,提出针对于该无线通信环境的有效的系统解决方案。6.3.3 测量结果与建模分析6.3.3.1 大尺度衰落在不同频带(道格拉斯海况 327天气条件下,挪威冷海在 2 GHz 时大尺度衰落高达17 dB,波罗的海28在 5.2 GHz 时高达 10 dB)的几个海上测量结果中发现了短 TX-RX 距离下明显的深度衰减。这些传播“漏洞”会极大地影响系统性能,且已被证明29。当TX-RX 距离在第一个菲涅耳区接触地面的断点3031范围内时,经典 PEL 模型可以预测这些空穴。本节给出了考虑地球曲率的更全面的几何模型。利用球面几何和双射线模型90IMT-2030(6G)推进组IMT-2030(6G)Promotion Group的衍射、阴影和反射修正,得到了圆形地球损耗模型32。需要考虑以下基于双射线模型的影响:图 6-17 基于双射线模型的影响A.几何模型几何模型由于在我们感兴趣的距离上,地球不能被认为是“平面”,因此我们提出了一个基于两射线法的圆形地球几何模型,如图 6-18 所示。地球的半径(6371 km)用 r 表示 e 定义为 TX-RX 距离到地表的投影,如图 6-18 所示。参数 h1 h2 分别表示 TX 和 RX 天线高度。PTX和在PRX各自的天线的终端发送和接收功率。根据图 6-18 所示的几何关系,PRX得到:PRXPTX=(4DLOS)21 R exp(jkDdiff)2(6-5)其中,R 和DLOS分别为海面反射系数和 LOS 路径长度。和 LOS 的路径长度。Ddiff表示 LOS 与海面反射之间的路径长度差。需要指出的是选择满足(6-5)的最小值 alpha和 beta,就能得到一个明确的解决方案。和(6-13)的最小值,就能得到一个明确的解决方案。Ddiff=X1 X2 DLOS(6-6)d=D1 D2(6-7)这里DLOS=(re h1)2 (re h2)2(6-8)=2(e 1)(e 2)cos(e)(6-9)距离1和2可由下式得到12=(1 e)2 e2 2(e 1)ecos(6-10)22=(2 e)2 e2 2(e 2)ecos(6-11)这里的和可以有下式得到arccos(e 11) =arccos(e 22) (6-12) =e(6-13)91IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 6-18 REL 的几何模型B.传播现象传播现象1)粗糙海面的有效反射:由于如图 6-19(a)所示,部分反射功率会被散射到其他方向,因此需要考虑镜面反射光功率的降低。粗糙海面高度变化可拟合为高斯分布的333435。此外,我们暂时假设粗糙表面上没有阴影效应(即没有波峰遮蔽波谷);下面将放宽这个假设。在这两种条件下,Kirchhoff 散射理论33是有效的,有效反射系数Rrough可以表示为:Rrough=R exp 2(2hsine)2(6-14)这里h1=h1 0.5re2(6-15)h2=h2 0.5re2(6-16)e=arcsin(h1X1)=2 i(6-17)其中,i和e分别定义为入射角和仰角(对于掠射角,e 0)。R 和h分别代表镜面反射系数33和表面高度分布的标准偏差。参数 h1和h1代表图 6-18 所示的相应有效天线高度。有效反射系数小于镜面反射系数,并随着波高标准偏差的增大而减小.(a)(b)图 6-19 粗糙海面的有效反射和阴影效应2)反射光的遮蔽效应:海面可能会遮蔽海面上的其他点(如图 6-19(b)所示)。因此,我们通过引入遮蔽系数Sfun来考虑这种遮蔽效应由史密斯36在我们的 REL 模型中提出,可以表示为:Sfun=10.5erfc(coti20)(coti) 1(6-18)(coti)=12(20cotiexpcot2202 erfc(coti20)(6-19)92IMT-2030(6G)推进组IMT-2030(6G)Promotion Group其中,erfc 和02分别代表互补误差函数和波的均方根表面斜率。测得的均方根表面斜率02通常在 0.04,0.0735范围内。通过将阴影系数Sfun与有效系数Rrough相乘,引入阴影效应。图 6-20 可以发现,反射光线在距离 D0(h1=14.1 m,h2=9.5 m 时为 24.4 km)之外将完全被阴影遮挡,此时 LOS 成为地球表面的切线。还可以看出02越大,波的斜率越陡,Sfun越小(波的斜率越明显)。在相同的 TX-RX 距离下,Sfun越小(阴影越明显)。图 6-20 不同均方根表面坡度的阴影系数与距离的函数关系3)散度效应:从图 6-21 可以看出,在 REL 模型中,通过乘以有效反射系数来考虑发散效应Rrough和发散系数37表示为:(6-20)这里的h1和h2可以在(6-15、6-16)中找到。D1和D2是经常在(6-7)中使用。图 6-21 红色为发散效应图 6-22 显示了发散系数,它是通过设置h1=14.1m.h2=9.5m。从(6-20)中得到的。最后,反射光线的功率将在 TX-RX 距离0时衰减为零,这也符合阴影效应。图 6-22 发散因子与距离的函数关系93IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(4)衍射损耗:文献383940提出了光滑球面地球上地波传播的衍射理论,该理论可应用于公海的几何环境。参考文献40,将无线电链路的总距离 d 分成三部分d1,d2,d3,用(6-21)给出,如图 8 所示。d=d1 d2 d3(6-21)其中 d1 还有 d2 到视界的距离是否可以用下列方法计算:dn=2kerehnn=1,2(6-22)如图 6-18 和图 6-23 所示,h1和h2分别代表发射和接收天线的高度。有效地球半径的定义是可以用来代替实际半径的地球半径值,以校正大气折射。ke是有效地球半径与真实地球半径之比。每一部分都会造成相应的损失Ln,n=1,2,3.损失为 dB,L1和L2降低了 RSL,由以下方法得到:L1=20log10N15.6561(6-23)L2=20log10N2(6-24)20log10Nn=0.5 35log10n 10log10Fs(6-25)n=2dn(2kere)23n=1,2,3(6-26)和 10log10Fs的近似值,本文使用多项式函数根据40中的图 6-28 得出:10log10Fs=0.024n3 0.5438n2 2.0391n 0.4403(6-27)L3由以下多项式函数计算,由40对图 6-28 进行曲线拟合得到:L3=0.008633 0.206332 11.09973 0.8934(6-28)当 3和n小于 10 时,上述近似值有效。还需要指出的是,当 TX-RX 总距离 d小于d1和d2之和时(直接路径在地平线之外),d3在 数学上 可能为负值。在这种情况下,衍射损耗L3为负值,使得总衍射损耗小于L1 L2.。当 d 很短,L3 L1 L2.时,总衍射损耗 L 也可能为负值。为了避免这种情况,如果 L3不小于L1 L2.,则总衍射损耗 L 设为零。综上所述,直达路径和反射路径的总衍射损耗Ldif的单位为 dB,可通过以下公式求得:图 6-23 在光滑的地面上超越 LOS 的无线电链路94IMT-2030(6G)推进组IMT-2030(6G)Promotion Group06210632121321dif if 0 if|if|DddddDLLLdddLLLL(6-29)国际电联建议41中提到的第一菲涅耳区(FFZ)的间隙为 0.6,并通过以下方法获得:L=L1 L2 L3=0 时的 TX-RX 距离与国际电信联盟(ITU)建议41中提到的第一菲涅尔区(FFZ)内间隙为 0.6 的路径长度 D06相吻合,该路径长度可通过以下方法获得:D06=DfDhDf Dhkm(6-30)频率相关项:Df=38.9fh1h2(6-31)近似项:Dh=4.1(h1 h2)(6-32)这里,f 表示频率,单位为 GHz。在与我们测量的天线高度相同的情况下(h1=14.1m,h2=9.5m),得 到 的 总 衍 射 损 失L如 图6-24所 示,其 中D0=d1 d2=24.4km,D06=7.8。图 6-24 h1=14.1m、h2=9.5m 的 LOS 衍射增益与距离的函数关系C:圆形地球损耗(1)中所列出的所有传播效应在上述各段中都已详细研究过。即使反射光将完全消除阴影和散度效应超过 TX-RX 距离的D0(图 6-20 和图 6-22)。将这些传播效应整合到图6-18 所示 REL 的几何模型中,将(6-5)改进为如下所示的 REL 模型:Ploss=20log10(4DLOS) 20log10() Ldif(6-33)=1 Sfun Rrongh exp(jkDdiff)(6-34)D.与测量值的比较图 6-25 REL 模型、PEL 模型、ITU-R 模型和远距离测量 RSL 之间的比较95IMT-2030(6G)推进组IMT-2030(6G)Promotion Group表 6-4 图 6-25 中使用的相关模型参数值ParanmetersValuesRX antenna height for ant214.1TX antenna height9.5m00.0080.251图 6-25 为实测 RSL 与 PEL 模型、ITU 模型和我们的 REL 模型三种理论路径损耗模型的比较(6-32、6-33)。测量值在一个窗口内取平均值,以消除小范围衰落(见第四节)。用于评估的参数值列于表 6-4,这与我们的测量活动设置一致。由于远距离测量期间的天气条件较为稳定,地表高度分布的标准差h(6-14)和均方表面斜率0(6-18)中的值设为对应小波粗糙度的小值(见表 6-4)的均方根误差。表 6-5 路径损耗模型与测量结果之间的 RMSE 结果ModelsValuesPEL model10.1ITU-R(50%)3.5ITU-R(10%)14.2ITU-R(1%)18.1REL MODEL1.9理论模型和测量数据作为一种低复杂度的比较度量被广泛用于模型选择4243。表三对应的 RMSE 结果和图 6-25 的对比结果都表明,我们的 REL 模型与测量结果吻合较好。图 6-25 也可以验证,ITU 模型没有考虑到短 TX-RX 距离下的衰落倾角(10dB),而PEL 和 REL 模型可以很好地预测这些情况。另一方面,由于 PEL 模型没有考虑不同天气条件下的海面粗糙度、散度和绕射损失,尤其是 TX-RX 距离在D06以上时,无法提供准确的预测,菲涅耳间隙路径长度为 0.6。综上所述,我们的 REL 模型与测量结果匹配最好,具有可接受的复杂性和较高的适应性。6.3.3.2 小尺度路径损耗多径传播会导致多径分量(MPCs)的构造和破坏叠加,从而导致接收信号水平的波动,定义为小尺度衰落33。小尺度衰落的特性十分重要4445,分别在4647上研究了 1.9 GHz和 5.2 GHz 海洋传播环境下的小尺度衰落。在48中分析得出,在 20 MHz 带宽范围内,可以认为该无线信道是非选频的。因此,本节研究了平坦衰落的幅值 PDF。为了确定归一化包络 PDF,我们首先建立了一组常用的函数形式来表征小尺度衰落。然后通过最大似然估计确定每个函数形式的参数,这样我们就可以得到最接近测量数据的参数化。最后,应用赤池信息准则(AIC)选择最佳的函数形式。这种方法首先在49中提出,与 Kolmogorov-Smirnov(KS)测试相比,被证明具有优势,并已在此后的许多信道建模论文(如50)中成功使用。本研究采用 AIC 方法,从对数正态分布、Nakagami 分布、正态分布、Rician 分布、TWDP 分布51、瑞利分布和 Weibull 分布等 7 种常见分布中寻找测量数据的最佳拟合振幅分布。这一选择的动机是,在40中使用了 Weibull、96IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupRayleigh、Rician 和 Normal 分布来拟合测量结果。由于 TX-RX 无线链路在距离 5 km 处被多艘过往的渡轮阻断,因此也常用对数正态分布来表征物体的遮挡,如图 6-25 所示。散射和两条路径的几何形状使得 TWDP 分布对海洋环境具有直观的吸引力。在我们的分析中,通过减去平均信号电平(平均窗口:10 波长),大尺度信道特性被移除。图 6-26过颜色编码显示了在什么距离和整个路线的总体估计分布下,哪种分布最适合。需要指出的是,在 100 米到 400 米的距离上,船在改变方向,这使得估计的最佳拟合分布多样化。表四显示了最佳拟合分布的相应百分比。表 6-6 最佳拟合分布的百分比Lognormal distribution0.1241%Nakagami distribution2.1096%Normal distribution16.6081%Rician distribution39.2606%TWDP distribution4.4674%Rayleigh distribution15.9721%Weibull distribution21.4374%TWDP 分布表示为:f(xs1,s2,)=x2exp(x2 s12 s22)22 10exp(s1s2cos2)?I0(x2s12 s22 2s1s2cos)d;x 0(6-35)其中,s1和s2分别代表直射路径和反射路径的振幅。是尺度参数,可以理解为漫射贡献的标准偏差。估计参数如图 6-27 示,从中可以发现 TWDP 分布主要出现在 9 千米到 35 千米之间的距离上。总的来说,TWDP 分布和 Rician 分布在 9 千米至 45 千米的距离上占主导地位。TWDP 分布和 Rician 分布相互关联,取决于直接路径和反射路径之间的相关性。如果相关性较高,则可将直达路径和反射路径视为同一路径,接收信号的振幅分布遵循莱斯分布。这可以从 35 千米和 45 千米之间的估计结果中看出,在这一距离超过 D0(24.4 千米)的地方,由于地球曲率,反射路径和直接路径高度相关。由于 AIC 会对使用可调整参数较多的分布进行惩罚,因此在这种情况下将选择赖斯分布。同样,如果相关性较低,则直达路径和反射路径很容易区分。在这种情况下,接收信号的振幅分布就会变成 TWDP 分布。这可以从 9 千米和 15 千米之间的估计结果可以证明这一点,其中距离在0(24.4 千米)以内。路径之间的相关性受船只移动、波面和 TXRX 距离的影响。文献51还提到,当莱斯 K 因子小于 3 dB 时,TWDP 分布图 6-26 整体估计的最佳拟合分布97IMT-2030(6G)推进组IMT-2030(6G)Promotion Group与 Rician 分布之间的差异很小,这与我们的测量结果一致。图 6-27 TWDP 分布的估计参数表 6-7 不同地区的主要分布dominantdistributionrange in kmincident rateWeibull0.39,9.288%Normal9.2,15.682.2%Rician15.6,35.782.1%Rayleigh35.7,45.367.7%图 6-28 表示在 TWDP 为最佳拟合分布的特定 TX-RX 距离上的入射率百分比。可以发现,在 0.4,2.1 km 和 9.2,35.2 km 的距离范围内,有相当大比例的点是 TWDP分布的最佳拟合点。此外,TWDP 还可以作为整体的最佳拟合分布。当反射减弱时,TWDP 在存在 LoS 成分的情况下渐近成为莱斯分布(特例),然后当由于地球曲率而失去视距传输时,莱斯分布退化为瑞利分布。图 6-28 TWDP 分布的发生率6.4 小结6G 将实现多样化的应用场景和“空-天-地-海”全域覆盖的通信网络,与传统地面通信的传播环境存在特别大的差异,因此不同的通信场景会呈现不同的信道传播特性。面对 6G 无线通信中不断涌现的通信场景和应用需求,只有充分和全面地了解各种 6G98IMT-2030(6G)推进组IMT-2030(6G)Promotion Group通信场景中无线信道的特性,才能确保 6G 通信系统的高效性、稳定性和可靠性。本章节分别对车联网通信场景、空-地通信场景、海洋通信场景的信道特性进行了研究、测量和建模分析。车联网场景中主要对街道路口场景进行了研究,由于路口建筑物的遮挡,双斜率分段线性模型能够更准确地刻画车联网路口场景的路径损耗情况。空-地通信场景中,设计了基于无人机平台的空-地信道测量系统,实现空中发射端的轻量化需求,可以研究飞行器机身结构对无线信号传播的影响,并使用这套系统对农场场景和水面场景的信道进行了测量和建模分析。目前这部分工作还处于初步开展的阶段,一方面需要进一步研究更多样化的场景,另一方面在信道测量能力和系统性信道建模方法方面仍需要进一步增强和探索。参考文献1Hua B,Ni H,Zhu Q,et al.Channel modeling for UAV-toground communications with posture variationand fuselage scattering effectJ.IEEE Transactions on Communications,2023,71(5):3103-3116.2Ma Z F,Ai B,He R S,et al.Impact of UAV rotation on MIMO channel characterization forair-to-ground communication systemsJ.IEEE Transactions on Vehicular Technology,2020,69(11):12418-12431.3Yang S,Zhang Z,Zhang J.Impact of rotary-wing UAV wobbling on millimeter-wave air-to-groundwireless channelJ.IEEE Transactions on Vehicular Technology,2022,71(9):9174-9185.4朱秋明,华博宇,毛开等.无人机毫米波信道建模进展和挑战J.数据采集与处理,2020,35(06):1049-1059.DOI:10.16337/j.1004-9037.2020.06.004.5MATOLAK D W,SUN R Y.Air-ground channel characterization for unmanned aircraft systemsPart I:Methods,measurements,and models for over-water settingsJ.IEEE Transactions on VehicularTechnology,2017,66(1):26-44.6ZHU Qiuming,YANG Ying,WANG Chengxiang,et al.Spatial correlations of a 3-D non-stationaryMIMO channel model with 3-D antenna arrays and 3-D arbitrary trajectoriesJ.IEEE WirelessCommunications Letters,2019,8(2):512-515.7刘放,陈明,高丽.捷联惯导系统软件测试中的飞行轨迹设计及应用J.测控技术,2003,22(5):60-63.8ZHONG Weizhi,XU Lei,LIU Xin,et al.Adaptive beam design for UAV network with uniform planearrayJ.Physical Communication,2019,34:58-65.9D.W.Matolak,and R.Sun,“AirGround Channel Characterization for Unmanned AircraftSystemsPart I:Methods,Measurements,and Models for Over-Water Settings,”IEEE Trans.Veh.Technol.,vol.66,no.1,pp.2644,Jan.2017.10X.Cai,J.Rodrguez-Pieiro,X.Yin,et al.,“An Empirical Air-to-Ground Channel Model Based onPassive Measurements in LTE,”IEEE Trans.Veh.Technol.,vol.68,no.2,pp.11401154,Feb.2019.11Z.Cui,K.Guan,C.Oestges,C.Briso-Rodrguez,B.Ai,and Z.Zhong,“Cluster-BasedCharacterization and Modeling for UAV Air-to-Ground Time-Varying Channels,”IEEE Trans.Veh.Technol.,vol.71,no.7,pp.68726883,Jul.2022.12K.Mao,Q.Zhu,Y.Qiu,et al.,“A UAV-Aided Real-Time Channel Sounder for Highly DynamicNonstationary A2G Scenarios,”IEEE Trans.Instrum.Meas.,vol.72,pp.115,Aug.2023,doi:10.1109/TIM.2023.3301592.13K.N.Maliatsos,P.Loulis,M.Chronopoulos,P.Constantinou,P.Dallas and M.Ikonomou,Measurements and Wideband Channel Characterization for Over the Sea Propagation,in IEEEInternational Conference on Wireless and Mobile Computing,Networking and Communications,WiMob 2006.Montreal,Canada,Jun.2006.14F.Bekkadal,Maritime Communication Technologies,(MarCom D4.1),MARINTEK,Report MT28F10-039,17.02.201099IMT-2030(6G)推进组IMT-2030(6G)Promotion Group15K.Yang,T.Rste,F.Bekkadal and T.Ekman,Channel characterization including path loss andDoppler effects with sea reflections of mobile radio propagation over sea at 2 GHz,Proc.WirelessCommunications and Signal Processing,WCSP2010.Suzhou,China,Oct.2010.16K.Yang,A.F.Molisch,T.Ekman,T.Rste and M.Berbineau,A Round Earth Loss Model andSmall-Scale Channel Properties for Open-Sea Radio Propagation,in IEEE Transactions on VehicularTechnology,vol.68,no.9,pp.8449-8460,Sept.2019,doi:10.1109/TVT.2019.2929914.17ITU-R Recommendation P.1546-2,Method for point-to area predictions for terrestrial services in thefrequency range 30 MHz to 3000 MHz,Sep.2005.18A.F.Molisch,Wireless Communications 2nd edition.IEEE Press-Wiley,2011.19J.C.Reyes-Guerrero,Experimental Broadband Channel Characterization in a Sea Port Environmentat 5.8 GHz,in IEEE Journal of Oceanic Engineering,vol.41,no.3,pp.509-514,July 2016,doi:10.1109/JOE.2015.2471697.20J.-H.Lee,J.Choi,W.-H.Lee,J.-W.Choi and S.-C.Kim,Measurement and Analysis onLand-to-Ship Offshore Wireless Channel in 2.4 GHz,in IEEE Wireless Communications Letters,vol.6,no.2,pp.222-225,April 2017,doi:10.1109/LWC.2017.2662380.21Li,C.,Yu,J.,Xue,J.,Chen,W.,Wang,S.,&Yang,K,Maritime broadband communication:Wirelesschannel measurement and characteristic analysis for offshore waters,Journal of Marine Science andEngineering,9(7),783,2021.22W.Wang,R.Raulefs.and T.Jost,Fading Characteristics of Maritime Propagation Channel for BeyondGeometrical Horizon Communications in C-Band,CEAS Space Journal.10.1007s12567-017-0185-1,2017.23 LTE,WiFi and 5G Massive MIMO Communications in Maritime Propagation Environment(MAMIME),Research Council of Norway,Oslo,Norway,2016-2020.24Y.Liu,C.-X.Wang,H.Chang,Y.He and J.Bian,A Novel Non-Stationary 6G UAV Channel Modelfor Maritime Communications,in IEEE Journal on Selected Areas in Communications,vol.39,no.10,pp.2992-3005,Oct.2021,doi:10.1109/JSAC.2021.3088664.25J.Wang et al.,Wireless Channel Models for Maritime Communications,in IEEE Access,vol.6,pp.68070-68088,2018,doi:10.1109/ACCESS.2018.2879902.26C.Wei,C.-Z Li,J.-Y Yu,J.Zhang and F.Chang,A survey of maritime communications:From thewireless channel measurements and modeling perspective,in Regional Studies in Marine Science,vol.48,1 October 2021.27K.Yang,T.Rste,F.Bekkadal,K.Husby and O.Trandem”Long distance propagation measurementsof mobile radio propagation for theopen sea at 2 GHz,”IEEE VTC Spring,San Francisco,US,Sep.2011.28W.Wang,G.Hoerack,T.Jost,R.Raulefs,M.Walter,U.C.Fiebig,“Propagation channel at 5.2 GHz inbaltic sea with focus on scattering phenomena,”in 9th European Conference on Antennas andPropagation(EuCAP).Paris,France,May.2015.29M.J.Lopes,F.Teixeira,J.B.Mamede,R.Campos,“Wi-Fi broadband maritime communications using5.8 GHz band,”Underwater Communications and Networking(UComms),pp.1C5,2014.30Y.Lee,F.Dong,Y.Meng.“Near sea-surface mobile radio wave propagation at 5 GHz:measurementand modeling,”Radio engineering,23(3),pp.824C830,2014.31K.Yang,T.Ekman,T.Rste,and F.Bekkadal“A quasi-deterministic path loss propagation model forthe open sea environment,”in The 14th International Symposium on Wireless Personal MultimediaCommunications,2011.WPMC11.Brest,France,Oct.2011.32K.Yang,A.F.Molisch,T.Ekman and T.Rste”A Deterministic Round Earth Loss Model forOpen-Sea Radio Propagation,”IEEE VTC Spring,2013 IEEE 77th,Dresden,2013,pp.1-5.doi:10.1109/VTCSpring.2013.6691821.33A.F.Molisch,Wirless Communications 2nd edition.IEEE Press-Wiley,2011.34K.Kahma,D.Hauser,H.E.Krogstad,S.Lehner,J.A.J.Monbaliu,L.R.Wyatt“Measuring andAnalysing the Directional Spectra of Ocean Waves,”EU COSTAction 714,EUR 21367,465 p.,ISBN92-898-0003-8.2005.35Y.Karasawa and T.Shiokawa“Characteristics of L-Band Multipath Fading due to Sea SurfaceReflection,”IEEE Transaction on antenna and propagation,VOL.AP-32,NO.6,June 1984.36B.J.Smith,“Geometrical Shadowing of a Random Rough Surface,”IEEE Transaction on antenna and100IMT-2030(6G)推进组IMT-2030(6G)Promotion Grouppropagation,VOL.AP-15,NO.5,Sep 1967.37J.D.Parsons,The Mobile Radio Propagation Channel.John Wiley&Sons,2000.38ITU-R Recommendation P.526-13(2013),“Propagation by diffraction,”Aug.2014.39K.A.Norton“The calculation of ground-wave field intensities over a finitely-conducting sphericalearth,”Proc.IRE,Dec.1941.40K.Bullington“Radio propagation above 30 megacycles,”Proc.IRE,Oct.1947.41ITU-R Recommendation P.1546-5,“Method for point-to-area predictions for terrestrial services in thefrequency range 30 MHz to 3000 MHz,”Sep.2013.42M.Farhoud,A.El-Keyi,A.Sultan,”Empirical correction of the Okumura-Hata model for the 900 MHzband in Egypt,”Third International Conference on Communications and Information Technology(ICCIT),pp 386-390,2013.43I.Rodriguez,H.C.Nguyen,et al,et al.”A Geometrical-Based Vertical Gain Correction for SignalStrength Prediction of Downtilted Base Station Antennas in Urban Areas,”In Vehicular TechnologyConference(VTC Fall),pp 1-5,2012.44E.Biglieri,J.Proakis and S.Shamai,”Fading channels:information theoretic and communicationsaspects,”IEEE Transactions on Information Theory,vol.44,no.6,pp.2619-2692,Oct 1998,45M.K.Simon and Mohamed-Slim Alouini,”Digital communication over fading channels,”Vol.95.John Wiley&Sons,2005.46K.N.Maliatsos,P.Loulis,M.Chronopoulos,P.Constantinou,P.Dallas and,M.Ikonomou,“Measurements and Wideband Channel Characterization for Over-the-sea Propagation,”in IEEEInternational Conference on Wireless and Mobile Computing,Networking and Communications,2006.WiMob 2006.Montreal,Canada,Jun.2006.47W.Wang,R.Raulefs.and T.Jost,”Fading Characteristics of Maritime Propagation Channel forBeyondGeometricalHorizonCommunicationsinC-Band,”CEASSpaceJournal.10.1007/s12567-017-0185-1,2017,48K.Yang,T.Rste,F.Bekkadal,and T.Ekman”Experimental multipath delay profile of mobile radiochannels over sea at 2 GHz,”IEEE LAPC,loughborough,UK,Nov.2012.49U.G.SchusterandH.Bolcskei,“UltrawidebandChannelModelingontheBasisofInformation-Theoretic Criteria.”,IEEE Trans.on WIRELESS COMMUNICATIONS.vol.6,no.7,pp.24642475,July.2007.50C.C.Chong and S.K.Yong,“A Generic Statistical-Based UWB Channel Model for High-RiseApartments.”,IEEE Trans.onAntenna and Propagation.vol.53,no.8,pp.23892399,Aug.2005.51G.D.Durgin,T.S.Rappaport and D.A.de Wolf,“New Analytical Models and Probability DensityFunctionsforFadinginWirelessCommunications.”,IEEETrans.onWIRELESSCOMMUNICATIONS.vol.50,no.6,pp.10051015,June.2002.101IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第七章 新型信道建模方法探索为了更好地满足 6G 新频段、新场景、新技术对无线信道建模的新需求,业界开展了对信道建模方法的进一步探索。本章节介绍了五种新型信道建模方法,分别是基于簇核的信道模型、普适几何随机信道模型、基于地图的混合信道模型、基于射线与传播图的混合模型以及基于多任务深度学习的信道特征超分辨率模型。下面详细介绍本研究报告中新增的新型信道建模方法细节,其余细节请参考 面向 6G 的信道测量与建模研究研究报告。7.1 基于多任务深度学习的信道特征超分辨率模型7.1.1 建模方法原理机器学习的迅猛崛起正在深刻改变几乎所有科学和技术领域,包括无线信道建模。无线信道是一个充满时变性和非线性特征的系统,包含着来自时间、空间和频率多个维度的信息。机器学习具备强大的学习和推理能力,能够自动从信道数据中学习,以提取复杂环境中数据之间的结构关系,以拟合非线性系统。此外,机器学习在从高维数据中挖掘信息方面效率极高,可以显著加速数据处理过程1。然而,目前在这一领域的研究仍显不足。首先,大多数最新研究集中于单一信道特征的预测,例如路径损耗(PL)或者直射和非直射的分类。鲜有研究试图同时估计多个信道特征。与此同时,多任务学习(MTL)呈现出明显的优势:通过共享表示(SharedRepresentation)来提高数据利用率,减少过拟合,并通过利用辅助信息实现快速学习2。此外,现有研究方法主要关注信道特征的预测或估计,鲜有研究利用稀疏采样的信道特征数据进行信道特征的超分辨率(SR)处理。在机器学习算法方面,相关工作通常采用传统算法,如随机森林、支持向量机和 K 近邻,或者是深度学习(DL)模型,如卷积神经网络(卷积模)、Transformer、变分自动编码器和生成对抗网络(GAN)。总的来说,鲜有研究探索使用稀疏采样的信道特征数据作为输入,用于生成多种信道特征数据的多任务学习模型。各个信道特征之间的潜在联系有待挖掘。基于上述研究背景,本节提出了一种结合卷积神经网络,用于信道特征数据的多任务学习超分辨率模型。基于多任务深度学习的信道特征超分辨率模型架构如图 7-1 所示:首先将城市区域的三维模型和区域内建筑材料的电磁参数输入到 CloudRT 平台进行射线追踪仿真。仿真完成后,计算生成信道特征数据,然后利用这些数据构建了用于训练多任务学习超分辨率模型的数据集。接下来利用训练集训练信道特征超分辨率模型。最后,针对信道特征超分辨率模型进行评估分析。102IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 7-1 信道特征超分辨率模型研究流程7.1.2 模型实现流程7.1.2.1 射线追踪仿真与信道特征数据集构建本节将介绍射线追踪仿真和数据集构建的流程。RT 仿真是通过 CloudRT 平台34进行的,以生成信道特征数据。RT 方法被广泛用于在确定的环境中生成准确的信道特征数据。基于 3D 电子地图和电磁参数,使用 CloudRT 平台上进行密集城区场景的 RT仿真。具体从中国的三个主要城市:北京、上海和杭州的城市区域内手动选择了 70 多个仿真区域。这些仿真区域都是边长为1公里的正方形,3D电子地图的分辨率为200200,也就是每个栅格点的边长是 5 米。发射机(Tx)位于仿真区域中心附近的一座高楼上,以确保有一个大面积的直射(LOS)区域。接收机(Rx)位于地面上方 2 米处,均匀分布在水平平面上,相互间距 5 米。仿真过程中仅考虑了位于建筑物外部的接收机。在RT 仿真中,采用了直射、反射、穿透和散射等多种传播机制。RT 仿真所使用的 EM 参数列在表 7-1 中。需要注意的是,表中的 EM 参数与真实值可能存在一些细微差异。由于本节主要研究的信道特征的超分辨率模型,只要这些 EM 参数在正常范围内,用于训练的数据是合理的,就可以接受。其中,是相对介电常数,是损耗角正切,是透射损耗率,是散射系数,是散射阶数。表 7-2 总结了射线追踪的仿真配置。表 7-1 射线追踪仿真中使用的材料电磁参数103IMT-2030(6G)推进组IMT-2030(6G)Promotion Group表 7-2 RT 仿真配置基于 RT 仿真结果,构建了信道特征数据集。路径损耗(PL)、均方根时延展宽(DS)、均方根到达水平角扩展()、均方根到达俯仰角扩展()、LOS(直射)和 NLOS(非直射)的定义遵循惯例公式。莱斯 K 因子被重新定义为多径功率比,如下所示,=10=1?0=1?(7-1)其中和0分别表示第 i 根射线和直射射线的功率。在 LOS 区域,是除0之外的所有射线功率与所有射线功率之比。在 NLOS 区域,等于零。因此,在 LOS 和 NLOS区域都是连续的,适合深度学习训练。这六个信道特征也是本文中的超分辨率目标。信道特征数据集中的每一个数据都是 7200200 的张量,其中 7 表示信道数量,除上述 6个信道特征外,还包含每一区域的离地高度。总共生成了 563 个张量数据构成总的数据集。将每一张量数据的每一维度都分别以比例因子 2、4、8 进行降采样之后双线性插值恢复得到的数据作为模型训练的输入数据。仿真得到的原始数据为真值,依照所需的比例划分训练集和测试集,最终形成信道特征超分辨率模型的训练集和测试集。7.1.2.2 信道特征超分辨率多任务学习模型的网络架构图 7-2 多任务学习超分辨率模型网络架构本节所提出的信道特征超分辨率模型由两个主要组成部分构成:骨干(Backbone)部分和微调(Fine-tune)部分,如图 7-2 所示。骨干部分的任务是从输入数据中提取高维特征。输入数据可以是通过 RT 仿真或测量获得的数据,使用 RT 仿真数据来进行模型的训练和评估。骨干部分能够处理一个大小为 c200200 的张量,其中包含了 c 个通104IMT-2030(6G)推进组IMT-2030(6G)Promotion Group道的信息。骨干部分由两个卷积模块组成。每个卷积模块包含两个卷积层,这些卷积层使用 ReLU 激活函数。每个卷积层的卷积核尺寸为 3,边界填充为 1,两个卷积模块通过残差连接相连接,从而构建了骨干部分。残差连接在超分辨率性能提升方面起着关键作用。在卷积过程中,数据的大小保持在 200200。通过增加更多的卷积模块,多任务学习超分辨率模型可以在之前的实验中实现出色的 SR 性能。微调部分则专注于每个单独的任务,以实现最佳的超分辨率性能。微调部分包括多个并行的轻量级模型,这些模型与骨干部分并行连接,每个模型输出相应的结果。在微调部分,为每个任务设计了三种轻量级模型,这些模型具有相似的结构。轻量级模型通常包括两层或三层的卷积模。对于 LOS/NLOS 分类任务,微调网络的输出是对应传播条件的概率。依据何种传播条件概率更大判断此位置是何种传播条件。对于其他的任务,网络输出的都是超分辨率恢复后的信道特征数据。仿真过程中仅考虑了建筑物外部的接收器,因此存在一些点位并没有仿真。因为深度学习模型只能处理规则的矩阵/张量数据,所以这些点位也被赋予实数值作为此处的信道特征数据,以确保输入数据是一个矩阵或张量。将这些点位的数据设置为 NaN 值,具体设置参见表 7-3。此外,输入数据是基于降采样数据进行双线性插值得到的,因此矩阵中始终包含一些与真值相同的数据。但在超分辨率训练过程中,NaN 值和真实值都不应加入损失函数计算,否则得到的损失会显著小于真实情况。为了保持损失函数的连续性并帮助信道特征超分辨率模型专注于超分辨率恢复点位,引入了加权损失,其中包括掩码矩阵 M,如图 7-3 所示。在 M 中,位于真实数据位置和建筑区域内的条目被设置为掩码值(例如,在图中为 0.01)。实验表明,0.01 是最佳的掩码值选择。此外,测试结果还表明,0 不是理想的掩码值,最佳的掩码值应该接近零但不等于零。表 7-3 信道特征数据的正常范围与 NaN 值图 7-3 用于损失函数计算的掩码示意图105IMT-2030(6G)推进组IMT-2030(6G)Promotion Group在图像 SR 任务中,通常会使用多种损失函数和评估指标,例如像素损失、上下文损失和内容损失。但在信道特征的超分辨率任务中,仅采用像素损失,因为所有其他损失函数的目标是恢复图像的平滑性、样式或纹理,与通信系统的需求无关。因此,训练过程中使用 L1 范数(绝对值误差)作为损失函数。本节涉及了六个不同的 SR 目标,如 7.1.2.1 节所述。对于 LOS/NLOS 目标,超分辨率过程实际上是一个分类问题,需要将输入数据分为 LOS 和 NLOS 两个类别。对于其他四个目标,SR 过程是回归问题。因此,损失函数的形式有三种情况,其中包括交叉熵损失(用于分类问题)和 L1 范数损失(用于回归问题),如下所示:?,=?,LOS/NLOS 分类任务1?,其他任务的平均误差?,其他任务的均方根误差(7-2)=(7-3)?,=2,?log?,(7-4)1?,=2,?,?(7-5)?,=2,?,?2?(7-6)?=,?,?(7-7)其中代表经过掩码加权处理过的数据,是原始数据,也就是超分辨率模型输出的数据。、1、分别代表用于 LOS/NLOS 分类的交叉熵,L1 范数和均方根误差公式。?与代表超分辨率恢复的信道特征数据以及真值数据,他们在进行超分损失计算之前都要经过公式(7-37)处理。h,w 分别是输入矩阵的宽与高,也就是描述尺寸的参数。n 代表同时超分辨率恢复的信道特征种类。在此基础上,用于模型反向传播参数更新的多任务学习损失函数如下所示:,=22? log?(7-8)其中,表示神经网络的权重,表示噪声参数。在训练期间,这些 z 噪声参数也会通过标准的反向传播进行和一起更新。在本研究中就是上述公式(7-38)-(7-40),的数量为 11,因为中有 11 个项,其中一个用于 LOS/NLOS 的交叉熵损失,以及每个其他目标的平均绝对误差(MAE)和均方根误差(STDE)项。根据不同的 SR 任务组合,可以进行修改。106IMT-2030(6G)推进组IMT-2030(6G)Promotion Group7.2 小结随着 6G 新型应用场景与技术研究的发展,新频段、新场景、新技术对传统无线信道建模方法带来了重大挑战,一方面,单一信道建模方法无法支持 6G 丰富的新型应用场景;另一方面,传统基于统计或确定性的信道建模方法无法兼顾建模复杂度和准确度。因此,从模型普适性、复杂性和准确性的角度出发,对信道建模方法开展了进一步的探索和创新。本章节阐述了五种新型信道建模方法。第一,提出一种基于簇核的信道建模方法,利用统计性模型中的多径簇与确定性模型中的散射体必然存在某种映射关系,通过对无线传播环境进行三维重构,匹配环境散射体和簇核的映射关系,生成簇核内的多径参数,最后生成信道系数。第二,针对全频段、全覆盖场景和全应用场景信道的需求,提出一种普适信道建模理论并应用于 6G 几何随机信道建模,使用统一的信道建模方法和框架、融合 6G 全频段全场景信道特性。第三,基于地图中环境的数字信息,提出了一种基于地图的混合信道模型,能够获得全面且精细的信道空、时、频信息。第四,以射线跟踪作为关键技术计算主导传播路径,结合传播图模型添加大量的散射点来模拟环境中的漫散射分量,提出了一种基于射线与传播图的混合信道模型。第五,基于 RT 仿真结果构建信道特征数据集,结合卷积神经网络训练多任务学习超分辨率模型,提出了一种用于信道特征数据的多任务学习超分辨率模型。在信道特征超分辨率任务中体现出了显著优势,也展现出了良好的泛化能力。由于篇幅限制,本章详细介绍本研究报告中新增的新型信道建模方法细节,其余细节请参考面向 6G 的信道测量与建模研究研究报告。面向 6G 广频段、多场景、新技术对信道模型的需求,传统的单一建模方法难以兼顾普适性、复杂性和准确性。因此,应从多个方面展开信道模型的建模方法论研究。这包括统计性建模、确定性建模、混合信道建模等方法,同时结合人工智能技术,挖掘信道隐藏规律,建立一种模型和数据融合驱动的信道模型。此外,在信道建模方法论研究工作中,还需结合其他任务组的评估场景,考虑信道模型对系统及链路仿真的评估需求。参考文献1L.Wu,D.He,B.Ai,J.Wang,K.Guan and Z.Zhong,Path loss prediction based on multi-layerperceptron artificial neural network,Chin.J.Radio Sci.,vol.36,no.3,pp.9,2021.2M.Crawshaw,Multi-task learning with deep neural networks:Asurvey,arXiv:2009.09796,2020.3D.He,B.Ai,K.Guan,L.Wang,Z.Zhong and T.Krner,The Design and Applications ofHigh-Performance Ray-Tracing Simulation Platform for 5G and Beyond Wireless Communications:ATutorial,in IEEE Communications Surveys&Tutorials,vol.21,no.1,4D.He et al.,Physics and AI-based Digital Twin of Multi-spectrum Propagation Characteristics forCommunication and Sensing in 6G and Beyond,in IEEE Journal on Selected Areas inCommunications,doi:10.1109/JSAC.2023.3310108.107IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第八章 面向 6G 的信道数据集和信道仿真器6G 是通感算智深度融合、天地一体全域覆盖的移动信息网络,将考虑太赫兹、超大规模 MIMO、智能超表面(RIS)和通感一体化等潜在多样新技术,覆盖城市、郊区、室内热点、工业互联网(IIOT)和空天地一体化网络(SAGIN)等复杂场景,与 AI 深度融合实现“万物智联”。更高更大带宽的频段、更复杂多尺度变化的场景以及更多样的新技术给 6G 信道建模研究带来了挑战,亟需精确的信道模型和数据集支持 6G 空口新技术,尤其与 AI 融合技术的研发评估、高效对比和优化提高。经任务组调研和推荐,目前已经存在一些 6G 信道数据集和信道仿真器,下文将逐一介绍。8.1 面向 6G 的信道仿真器在面向 6G 的信道仿真器方面,基于 ITU-R 采纳的 5G 标准信道模型仿真器,开发了面向 6G 的信道仿真器(Channel Model Generator),命名为 BUPTCMCCCMG-IMT2030。下载链接:https:/ GHz 到毫米波和太赫兹等多种频段;支持包含大规模 MIMO 信道近场空间非平稳性,毫米波、太赫兹信道的稀疏性,RIS 级联信道的散射响应特性,通感一体化信道的共享簇特性,工业互联网场景的密集散射特性等五个新特性。相关架构图及界面图见图8-1 至图 8-3。图 8-1 BUPTCMCCCMG-IMT2030 的架构图 8-2 BUPTCMCCCMG-IMT2030 的界面108IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 8-3 BUPTCMCCCMG-IMT2030 的操作界面8.2 面向 6G 的 AI 空口信道数据集面向 6G 的 AI 空口信道数据集方面,基于物理层 AI 技术近年来已取得显著进展,将 AI 技术融入到空口各个模块,亟需数据集支持。以 ITU、3GPP、IMT-2030(6G)推进组等为代表的多个行业组织已经在数据集构建、评估准则、典型用例等方面开展研究。为进一步满足 6G 无线 AI 技术设计与应用的需求,搭建了全机制、新特性和可配置的6G AI 空 口 信 道 数 据 集,命 名 为 BUPTCMCC-DataAI-6G。下 载 链 接:https:/ 考虑电波实际传播过程中的直射、反射、衍射、透射、漫散射全部机制,支持大规模 MIMO 近场、上下行互异、高速移动等特性,实现多区域、多天线、多频段、多链路等灵活适配,可根据用户需求灵活提供功率、相位、时延、角度、路损等完整信道状态信息的功能,支撑无线 AI 技术设计和评估。构建方式示意图见图 8-4。图 8-4 BUPTCMCC-DataAI-6G 的构建方式109IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第九章 总结面向未来 6G,新一轮研究和战略部署已经在全球开始。本文阐述了目前 6G 信道建模研究的五个主要方向,包括太赫兹信道特性分析与建模、可见光信道特性分析与建模、通信感知一体化信道研究、智能超表面信道研究以及新型信道建模方法,探讨了各个研究方向的研究内容和存在的难题,旨在促进国内外对 6G 信道研究的开展和突破,为 6G理论和技术的创新提供精确、可靠的信道模型。围绕 6G 新频段,在太赫兹频段,针对 100 GHz、140 GHz、220 GHz-300 GHz 等典型太赫兹频段,开展典型室内场景大、小尺度信道衰落特性研究,研究太赫兹频段路径损耗、时延扩展、角度扩展、K 因子、簇特性、散射特性以及大气衰减并提出相应模型。在可见光频段,基于高精度可见光信道测量平台,研究光路损的距离依赖性与波长依赖性并提出多波长路径损耗模型,针对可见光通信信道的特性,提出一种室内三维空时频非平稳可见光 GBSM 模型。围绕 6G 新技术,针对通信感知一体化技术,开展毫米波频段的通信感知一体化信道测量,构建感知信道路径损耗模型,提出了一种基于 3GPP 38.901 的通感一体 GBSM信道建模方法。针对智能超表面技术,开展 26GHz 的 RIS 信道测量,对 RIS 辅助信道的路径损耗进行分析与建模。提出以电磁散射理论、几何光学和物理光学为基础的 RIS物理模型,设计了基于地图的混合信道模型(MHCM)的 RIS 信道模型,对基于 GBSM的 RIS 信道模型框架给出了建议。围绕 6G 信道建模新方法,基于簇核的信道模型利用机器学习算法从信道数据中提取簇核,兼顾统计性信道模型和确定性信道模型的优点,不仅降低了建模的复杂度,而且能更好地揭示信道的物理传播机理。普适几何随机信道模型采用统一的基于簇的几何随机信道建模方法和框架,对 6G 全频段全场景信道特性进行建模,提出了一种适用于全频段、全覆盖场景和全应用场景的 6G 普适 GBSM。混合信道模型以射线跟踪作为关键技术计算主导传播路径,一方面结合传播图模型添加大量的散射点来模拟环境中的漫散射分量,提出了一种基于射线与传播图的混合信道模型。另一方面基于地图中环境的数字信息,概述了一种基于地图的混合信道模型,能够获得全面且精细的信道空、时、频信息。面向未来,我们倡议学术界和产业界加快推进 6G 信道测量与建模的总体研究,共同建立并完善 6G 信道模型,推动标准化研究工作,为第六代移动通信系统的技术评估、设备研发、系统设计和网络部署奠定基础。110IMT-2030(6G)推进组IMT-2030(6G)Promotion Group贡献单位序号序号贡献单位贡献单位1北京邮电大学2华为技术有限公司3中兴通讯股份有限公司4中国移动5中国信息通信研究院6北京交通大学7东南大学8上海交通大学9同济大学10维沃移动通信有限公司11爱立信(中国)通信有限公司12南京航空航天大学13浙江海洋大学14网络通信与安全紫金山实验室15中信科移动通信技术股份有限公司16华北电力大学17中国电信联系方式邮箱:COPYRIGHT2023 IMT-2030(6G)PROMOTION GROUP.ALL RIGHTS RESERVED.

    浏览量0人已浏览 发布时间2023-12-11 120页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • IMT-2030(6G)推进组:2023 算力网络协同管理的场景及需求研究报告(49页).pdf

    北京稻壳科技有限公司Beijing Rice Hull Technology Co.,Ltd.地址:北京市朝阳区九住路 188 号IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2023 年年 12 月月版权声明版权声明 Copyright Notification未经书面许可未经书面许可 禁止打印、复制及通过任何媒体传播禁止打印、复制及通过任何媒体传播2023 IMT-2030(6G)推进组版权所有IMT-2030(6G)推进组IMT-2030(6G)Promotion Group引引言言在 IMT-2030(6G)推进组的统一安排下,算力工作子组就 6G 算网相关的场景、需求与应用前景开展了深入调研分析,为下一步开展相关研究提供指导和思路。本报告聚焦于开展算力网络协同管理的场景及需求相关的研究,为推进算力网络协同管理的关键技术及后续标准研究提供参考。2IMT-2030(6G)推进组IMT-2030(6G)Promotion Group目录图目录.4表目录.5第一章算网协同管理背景及驱动力.61.1 算网协同管理的背景.61.2 算网协同管理的概念.71.3 算网协同管理研究进展.81.3.1标准.81.3.2运营商.91.3.3设备商.111.3.4学术及产业.11第二章算网协同管理场景.132.1 场景 1:无线网络算网协同.132.1.1概述.132.1.2场景描述.132.1.3需求描述.172.2 场景 2:XR.182.2.1概述.182.2.2场景描述.182.2.3需求描述.222.3 场景 3:V2X.232.3.1概述.232.3.2场景描述.242.3.3需求描述.262.4 场景 4:算网协同管理安全.272.4.1概述.272.4.2场景描述.272.4.3需求描述.272.5 场景 5:AI.292.5.1概述.292.5.2场景描述.292.5.3需求描述.312.6 场景 6:工业应用.312.6.1概述.312.6.2场景描述.322.6.3需求描述.322.7 场景 7:东数西算.332.7.1概述.332.7.2场景描述.333IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2.7.3需求描述.342.8 场景 8:算力内生.352.8.1概述.352.8.2场景描述.352.8.3需求描述.36第三章算网协同管理需求.373.1 通用需求.373.2 架构需求.373.3 关键技术需求.38第四章算网协同管理挑战及展望.404.1 算网协同管理的挑战.404.1.1云网统一编排.404.1.2调度管理.404.1.3业务与资源协同.414.1.4算网智能化.424.1.5现有标准适用性.424.2 下一步研究方向的展望.43缩略语简表.43参考文献.45贡献单位.464IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图目录图 1-1移动算力网络运维架构示意图.7图 2-1基于算力网络的 AR/AI 云端识别业务场景示意图.20图 2-2基于算力网络的 Cloud VR 场景示意图.21图 2-3V2X 智慧车联网场景.25图 2-4AI 推理示意图.30图 4-1统一编排.40图 4-2算网调度管理.41图 4-3业务资源协同.425IMT-2030(6G)推进组IMT-2030(6G)Promotion Group表目录表 1-1算力协同管理相关的标准研究进展.8表 2-1智能车联网场景特点.266IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第一章 算网协同管理背景及驱动力1.1 算网协同管理的背景目前算网协同管理相关的研究还处于初期阶段。IMT2030 发布的6G 架构愿景和关键技术展望白皮书中,提到算力网络关键技术包括算力编排与管理功能:完成对算力资源和网络的管理,包括对算力资源的感知、度量和 OAM 管理等;实现对终端用户的算网运营,以及对网络资源的管理功能;通过合理的算网联编排服务,降低计算网络联动的总体能耗,实现绿色低碳的算网最优组合。CCSATC3 WG1 最近发布的算力网络总体技术要求中,首次提出了算力网络的标准定义和发展目标,并制定了算力网络的总体技术架构和关键技术要求。在网络架构中,提出了算网编排管理层:实现对算力服务的运营与编排管理、对算力路由的管理、对算力资源的管理以及对于网络资源的管理,其中算力资源管理包括基于统一的算力度量衡体系,完成对算力资源的统一抽象描述,进而实现对算力资源的度量与建模、注册和 OAM 管理等功能;以支持网络对算力资源的可感知、可度量、可管理和可控制。国内三大运营商分别发布的和算力网络相关的白皮书中,均提到了要研究和建设算网大脑,用于对网络资源和计算资源的统一编排和调度。未来很多 6G 应用会是计算密集型的,如 AI、XR、多模态通信、数字孪生等,同时这些应用往往还有极致性能的要求。移动算力网络需要为能力受限(电量、算力等)的移动终端按需提供实时的计算服务,并在无线动态环境下高效的保障计算任务 QoS(计算精度/时延/能效、计算交互时延/抖动等)。同时,移动算力网络将是 6G 各类内生智能、感知等计算型服务的基础平台能力。移动算力网络是在 6G 网络架构的控制层面,引入通信与计算深度协同的功能、接口和协议,直接通过未来 3GPP 标准化的信令来实现通算融合甚至一体化。移动算力网络融合的算力资源可以来自网络设备内生的计算,也可以来自中心云、边缘云、终端等,也就是说只要符合未来标准化的通算融合机制的合规算力资源,都将是移动算力网络的目标资源。移动算力网络将构建出一种开放的机制和生态,来高效的整合7IMT-2030(6G)推进组IMT-2030(6G)Promotion Group网络内外的各类算力资源,并基于网络架构内生的通算融合机制,为 6G 业务创新提供新型的基础设施.本报告聚焦于算力网络的算网协同编排管理场景、需求及关键技术,研究算网协同管理系统如何对算力网络涉及的移动网络,包括无线接入网、承载网络、核心网、终端及应用进行合理的算网协同管理。1.2 算网协同管理的概念算网运维运营体系总体可包括:算网统一运营、算网编排、调度、AI 自智、算网感知平台、算网管控、算网开放、算力使能、网络使能及云网基础设施等核心组成。算网协同管理俗称算网大脑,是算网运维运营的核心,满足算力资源和网络资源统一编排、调度、运维的核心系统。总体上分为算网感知单元、算网编排单元、算网调度管理单元及算网智能化运维单元,北向提供统一的原子能力,支撑一体化运营的统一入口。图1-1移动算力网络运维架构示意图见图 1-1 所示的移动算力网络运维架构示意图,其中算网感知平台可实现算与网融合感知,应用对算力需求的感知。计算、网络和服务能够相互感知、高度协同;算网一体化编排模块可对来自服务提供商及运营商相关业务需求拆解、资源层能力编辑、组合设计;算力统一调度模块负责匹配最佳算、网资源以满足业务需求对部署、运行8IMT-2030(6G)推进组IMT-2030(6G)Promotion Group的保障;算网自智模块通过 AI 赋能提供一体化编排、调度等能力的智能化操作,通过数字孪生提供高度自治化的算网管理功能。1.3 算网协同管理研究进展1.3.1标准算网协同管理涉及的国内国际组织中的相关标准,如 CCSA、ITU-T 等 SDO,见表 1-1 所示。表 1-1算力协同管理相关的标准研究进展标准组织标准名称标准类型牵头单位讨论组目前进展CCSA智能计算中心异构算力调度平台技术要求和测试方法行标中国电信TC1/WG4数据中心立项建议书智能计算中心异构人工智能算力硬件协同技术要求行标中国信息通信研究院TC1/WG4数据中心立项建议书面向视频业务的算力技术要求 应用场景行标中国移动TC1/WG3 信源编码征求意见稿智能计算中心异构算力管理和使用技术要求行标中 国 信 息 通信研究院TC1/WG4数据中心征求意见稿算力网络需求与架构行标中国电信TC3/WG1网络总体及人工智能应用送审稿算力网络 算网编排管理技术要求行标中国移动TC3/WG1网络总体及人工智能应用征求意见稿无线算力网络场景、需求和关键技术研究研究报告中国移动TC5/WG6前沿无线技术征求意见稿移动算力网络总体技术研究研究报告中国移动TC5/WG12 移动通信核心网及人工智能应用征求意见稿算力网络安全需求及关键技术研究研究报告中国移动TC5/WG5无线安全与加密征求意见稿算力网络运营管理 业务协同编排技术要求行标中国移动TC7/WG1无线通信管理征求意见稿9IMT-2030(6G)推进组IMT-2030(6G)Promotion Group算力网络 运营管理技术要求行标中国移动TC7/WG1无线通信管理送审稿泛在算力调度管理技术要求行标中国移动TC7/WG1无线通信管理征求意见稿算力网络安全编排管理技术研究研究报告中国移动TC8/WG4新兴技术和业务安全立项建议书ITUComputingPowerNetwork framework andarchitecture国际标准ChinaTelecomSG13已发布Y.2501RequirementsforComputingPowerNetwork Management国际标准BUPTSG2Under studySignalling architecture ofserviceorchestrationforcomputing power network国际标准ChinaUnicomSG11Under studySignallingrequirementsfor service deployment incomputing power network国际标准ChinaUnicomSG11Under studySignallingrequirementsfor cross-domain serviceorchestrationofthecomputing power network国际标准ChinaUnicomSG11Under studyRequirementsandframeworkofNGNeorchestrationenhancementsforsupportingcomputingpower network国际标准ChinaTelecomSG13Under studyIETFComputing-Aware TrafficSteering(CATS)ProblemStatement,Use Cases,andRequirements国际标准China MobileCATSUnder studyComputingInformationDescriptioninComputing-Aware TrafficSteering国际标准China MobileCATSUnder studyApplicationAwareComputing Network国际标准HuaweiCATSUnder study1.3.2运营商现阶段国内三大运营商对算力协同管理及算网大脑的研究及应用已有一系列的技术成果。10IMT-2030(6G)推进组IMT-2030(6G)Promotion Group中国移动中国移动中国移动正围绕算网基础设施构建、业务融合创新、原创技术引领三条主线全面开展工作,形成七方面重大成果。一是深化“4 N 31 X”数据中心布局,形成“热点集约、跨区辐射、边缘覆盖”梯次布局的算力体系,构建 1-5-20 三级低时延服务圈;二是以新型智算为重点打造算力高峰,正在构建 E 级超大规模单体智算中心,支撑 AI 大模型训练和孵化;三是打造算网大脑 1.0,实现了 ABCDNETS 多要素一体化编排调度;四是创新算网产品体系和服务模式,打造了东数西算、数据快递等新型产品,提出了任务式、算力并网等新型服务模式;五是突破算力网络核心技术,提出十大技术方向,布局攻关三十二大关键技术,协同构建算力网络标准体系和开源生态;六是打造算力网络科学装置,实现中国移动算力网络试验网 CFITI 与中国算力网、信息高铁互联互通;七是成立算力网络子链,汇聚了 100 多家核心企业,打造协同创新基地实验室,共同推动算力网络产业链繁荣发展。2023 移动云大会发布“移动云技术内核 3.0”,新技术内核在算力资源、硬件架构、算网调度等方面进行了升级。其中算网大脑可提供“东数西算类”、“强算强 AI 类”、“渲染类”、“泛视频类”四类典型算网服务,并为客户推荐最优资源编排方案、每分钟上万次资源调度、实现 ABCDNETS 等 3,000 余原子能力的注册和开通。中国电信中国电信中国电信积极构建算网大脑,推动网络从连接算力到感知、承载、调配算力,实现算力泛在、算网共生。中国电信天翼云智能计算平台“云骁”,作为云智超一体化算力平台,“云骁”依托天翼分布式架构云底座和海量计算、存储、网络资源,提供智算、超算、通算多样化算力服务,为 ChatGPT 类大模型训练、生命科学等场景提供软硬一体解决方案。天翼云算力分发网络平台“息壤”,采用了算力度量、算力感知、算网融合多项技术,支持通用算力、超算、智算等异构算力的统一接入、统一封装、统一调度。作为算力传输的枢纽能够在全国范围内实现每分钟数万次、每天上千万次的算力统筹和调度。目前“息壤”已全面接入天翼云的多级资源,并与多个合作伙伴实现算力并网,为云渲染、东数西算等应用提供支持。当前,首个算力互联互通验证平台已在北京落地。中国联通11IMT-2030(6G)推进组IMT-2030(6G)Promotion Group在算力供给侧,中国联通进行算力资源的一体化布局,实现云网边协同。除了布局包括东数西算枢纽和 31 省的“5 4 31”算力核心节点外,还大力建设边缘计算节点,并实现与第三方云计算资源的协同。在算力承载上,中国联通打造为算力服务提供超强运力的智能开放的全光底座,在枢纽间通过 OXC/ROADM 构建全光互联,打造 20ms 枢纽间连接;在枢纽内,打造城市算力网关到枢纽内集群的 5ms 时延圈;在城市内,增加光锚点覆盖,实现用户到算力网关的一跳接入,实现城市内 1ms 时延圈。不止于此,中国联通还基于以 SRv6为基础的“IPv6 ”网络技术与能力,形成云网边端一体化的可编程服务体系,实现一网联多云和一键网调云。在算网编排调度上,中国联通凭借算网大脑技术,打造算网一体化编排调度平台和算网一体化产品,实现算力资源与网络联接的同开同管和灵活调度。在算网服务上,中国联通打造算网一站式服务平台,并开放用户自助服务,不断提升用户感知。1.3.3设备商设备厂商聚焦算网协同发展技术创新与设备研发,为算网协同发展提供支撑。设备厂商在算网协同方面的创新主要体现在网络路由转发、算网资源编排调度等方面。在网络路由转发方面,中兴通讯推出算力敏感 IP 网络方案,该方案实现了基于SRv6 的算网一体协同调度,将 SRv6 业务编程纳入通用算力服务功能,实现端到端算网业务无缝拉通。在算网资源编排及调度方面,华为推出 CloudFabric 3.0 超融合数据中心网络方案,该方案支持对多个数据中心的统一纳管及高速无损互联,同时提供 L3 全生命周期自动管理的自动驾驶网络能力,可实现业务分钟级部署,故障分钟级修复,极大地提升了网络运维效率。1.3.4学术及产业在产业层面,目前济南超级计算技术研究院推出的超算平台基于算力网络深度融合技术,自下而上统一实现计算资源与计算业务的编排管理,解决分布式算力中心的资源调度软件难以满足生产级别复杂计算业务需要的问题,实现“算力泛在、算网共生、智能编排、一体化服务”的目标,推动算力成为水电一样,可“一点接入、即去即用”12IMT-2030(6G)推进组IMT-2030(6G)Promotion Group的社会及服务。在学术领域,中国电子科学研究院提出空间算力网络的概念,针对如何高效协同地调度广域分布的星上算力问题开展研究,提出了空间算力网络的物理架构、逻辑架构和软件架构。逻辑架构主要由算力网络基础设施、算力编排管理层、微服务应用层组成。其中,算力编排管理层为空间算力网络提供资源与应用的综合管理能力,是空间算力网络的大脑。一方面,向下利用虚拟化技术对分布式异构算力资源进行抽象,形成统一资源池供应用调度,为应用提供分布式感知、分布式计算、分布式存储资源;另一方面,向上向业务多样化、差异化的服务保障需求,对资源进行统筹编排和按需调度,提高空间算力网络有限资源的利用率。13IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第二章 算网协同管理场景移动算力网络应用有很多典型的场景应用,典型应用如 AI 超大模型训练、东数西算/存场景。用户提供数据需要传输到数据中心或西部节点,利用算力网络实现重算力的调度。这就需要算力实现跨域集群能力,网络可提供超长、大带宽能力;行业数智化场景如工业控制、机器视觉。行业用户数据要求实时处理,需要在近场的边缘计算节点或终端实现应用闭环。算力网络要支持实时的边缘算力服务和用户-边缘之前的确定性网络;用户游戏/娱乐场景,如云游戏、元宇宙。数据从 DC 分发到边缘,进一步传递到用户,边缘侧提供渲染、存储等服务的同时,还要提供用户-边-云的确定性网络体验。该章节主要描述 6G 业务对移动算力网络的场景及需求,特别是算力网络协同管理方面的场景及需求。如 V2X 场景、XR 场景、移动网络涉及的云边端统一管理场景及确定性业务场景、东数西算、元宇宙等。2.1 场景 1:无线网络算网协同2.1.1概述6G 无线网络要实现业务需求精准感知、多维资源按需分配、网络服务按需提供的能力,必须以算力和智能为中心,从云网一体迈向智算网业一体。通过云化,可以将底层异构硬件资源进行虚拟化,实现网络、存储、计算等多维资源的统一管理和调度,实现基站服务和容量的最优匹配;通过基站的算力增强,实现基站内和基站间的资源高效调度;6G 无线网络将通过连接和计算在网络边缘的融合供给,提供网络边缘高速率、低时延、高密度计算的智能无线算网服务,满足千行百业业务确定性要求。2.1.2场景描述 无线无线空口资源调度空口资源调度基站的调度器会根据掌握的各种信息动态地选择哪些终端能够被调度(能够通过空口进行数据发送和接收),以及为这些终端分配多少无线空口资源。池化的 BBU 间可以共享用户的数据收发、信道质量等信息,使得基站的联合调度得以实现,大幅提14IMT-2030(6G)推进组IMT-2030(6G)Promotion Group高了频谱的使用效率。调度器使用不同的调度算法使得系统吞吐量达到最大或是用户的体验最好,也可以在两者间追求一定的平衡。基站内和基站间的高效调度必然使得调度算法更加复杂,这都需要基站在提供传统通信服务能力之外,具备增强的算力和智能,支撑复杂调度算法的运行。例如,节假日商场内客流量突增,重大赛事时体育场馆内观众暴满,都带来了突发性的局部高话务量,从而导致无线网络的资源紧张或者同一基站内各小区的负载不均衡,导致局部用户上线困难体验变差。无线网络利用增强的算力和智能,以及资源共享的全局视图,可以在不增加空口资源的情况下,使用资源的智能调度有效解决这些问题。无线网络可以在同一个基站的小区之间或不同基站间,进行多优先级动态频谱分配与管理、干扰协调、用户小区引导等,快速应对话务量的突增;还可以根据用户的优先级,在不影响用户基本业务体验的前提下,动态调整或降低为每用户分配的空口资源,以提升系统的容量。路径优化路径优化移动核心网的云化部署配合愈发广泛的边缘计算,使分布式的算力资源在移动网络中逐渐重要。移动算力网络通过统一的动态分配,使海量业务能够根据各自的需求,实时地调用网络内空闲的分布式算力资源。网络辅助路径选择就是算力网络保障业务性能和提升用户体验的典型场景。算力网络研究主要基于承载网,根据计算类业务需求,结合实时网络状况和可服务的计算资源状况,动态灵活的将计算任务路由到合适的目标计算节点并保障业务的用户体验。面向移动通信网络,将计算和移动通信网络深度融合、协同调度,结合业务对移动通信网的需求,综合考虑网络的全局视图能力和计算能力,动态调度资源,可以进一步提升用户业务体验。在移动算力网络中,一方面,承担控制面网络功能的基础设施可以作为选择接入算力网络的权重之一。另一方面,用户面亦可通过移动算力网络,基于无处不在的网络连接,将动态分布的计算、存储资源互联,通过网络、存储、算力的多维协同调度,使应用能按需调度到泛在分布的算力资源上,并结合传输时延综合实现资源的全局优化。随着分布式架构的成熟使用,以及分布式业务的蓬勃发展,例如 CDN 业务、边缘云或分布式云,对于如何找到最快路径,并为业务找到一个合适的节点,满足其对15IMT-2030(6G)推进组IMT-2030(6G)Promotion Group带宽、算力、存储的需求,需要对网络和算力进行协同调度。(1)用户面路径选择用户面可通过移动算力网络,基于无处不在的网络连接,将动态分布的计算、存储资源互联,通过网络、存储、算力的多维协同调度,使应用能按需调度到泛在分布的算力资源上,并结合传输时延综合实现资源的全局优化。例如在移动通信网络的会话建立等场景中,SMF 会根据策略进行用户面 UPF 的选择。SMF 可以先根据 UPF 支持的特性因素筛选出所有能适用的 UPF,再根据 UE当前位置等因素选择出“最近”的 UPF,以获得更短的用户面路径、更小的时延等优势。这种情况下,可以在移动通信网内部通过 SMF 实现 UPF 的选择,但是这种选择是 SMF管理范围内基于已存在的 UPF 资源形成的最优路径,没有充分考虑对于全局范围资源的均衡或者没有合适 UPF 资源的情况,如何生成用户面路径,也没有充分考虑用户QoS 需求与用户面传输路径的匹配度,因此不能动态且高效的选择最优的用户面路径为 UE 提供服务。在移动算力网络场景中,通过算力网络的全局算力能力、算力节点状态、网络链路状态等的管控,可以辅助移动通信网络的用户面路径选择,为 UE 规划最优的用户面路径;对于没有合适的用户面网元的场景,移动算力网络可以实现UPF的按需部署;UE 移动时,利用算力网络的全局资源视图,可以综合考虑网络资源和算力资源,更快的进行用户面路径调整,进而保证用户业务的连续性。(2)控制面路径选择控制面亦可通过移动算力网络,基于无处不在的网络连接,将动态分布的计算、存储资源互联,通过网络、存储、算力的多维协同调度,通过算力网络对算力节点/算力服务的状态实时感知,辅助移动通信网实现控制面网元的选择及控制面路径优化。以移动通信网络的 UE 注册场景为例,RAN 可以为 UE 选择最优的服务 AMF 实例。在移动通信网络中,UE 在注册请求中可提供 5G-S-TMSI 或 GUAMI 来选择 AMF,如无法选择到有效的 AMF 实例时,RAN 将根据 requested NSSAI 或本地运营商策略选择可以为 UE 服务的 AMF set,然后按照 AMF 权重因子来选择为 UE 服务的 AMF。这种选择方式无法充分考虑 AMF 节点的实际工作状态以及 RAN 与 AMF 之间链路状态,因此不能动态且高效的选择最优的 AMF 资源为 UE 提供服务。在移动算力网络场景中,算网协同管理功能可以管控全局算力资源,实现算力节点及其节点上的服务(如AMF)信息的感知,UE 接入需求的感知,实时监控算力节点及节点上服务的状态及16IMT-2030(6G)推进组IMT-2030(6G)Promotion Group负载情况,结合算力节点之间(如 RAN 与 AMF 之间)的链路可用带宽、传输时延、拥塞状态等为 UE 选择最优的 AMF 以及最优的控制面路径进行注册信令及后续 PDU会话信令的处理,将计算任务卸载到可用的计算资源,辅助移动通信网实现控制面网元的选择,基于最优的控制面传输路径进一步提高数据处理效率、降低传输和处理时延。(3)CDN 分布式业务随着分布式架构的成熟使用,以及分布式业务的蓬勃发展,例如 CDN 业务、边缘云或分布式云,其中的核心技术是调度。映射到实际的 CDN 场景,核心诉求是如何找到最快路径,并为业务找到一个合适的节点,满足其对带宽、算力、存储的需求。对于呈现出区域特征的热点业务,CDN 会定期从中心云拉取热点内容,以确保 CDN节点有较高的命中率。这类业务呈现出比较稳定的特征。而对于动态的具有潮汐效应特征的业务,例如演唱会、博物馆、景区等场景,数据对节点处理能力要求随时间和地点呈现出较大差异。人工根据业务热点的迁移改变边缘应用的部署并不具备现实可操作性。基于移动接入网络控制面对用户面路径的动态选择和灵活更新,通过边缘计算技术在现网的部署和应用,边缘计算的云平台承载着不同的应用和计算资源已经进入各行各业的边缘机房。虽然现在已经实现了边缘云和中心云的协同,但是计算资源、应用与网络之间并没有形成融合。应用开发者在选择应用部署位置时,可以通过云的管理运营界面呈现的边缘云节点的位置、资源类型和资源数量做出部署决定。但由于边缘云和网络连接之间是弱耦合的关系,边缘云平台上运行的应用执行的终端用户的业务流对应的网络连接节点和应用之间可能存在组网迂回绕行、网络不通等问题。移动算力网络基于网络实时动态可迁移性和对计算资源的感知管理技术来构建运营管理系统,有助于实现云计算资源和网络的一体化调度,网络资源按应用所需、网络调度随云而动。基于算力资源感知、算力实例封装打造算力调度平台,开展算力资源的实时感知和智能分析,实现不同业务的算力需求和算力资源合理匹配。移动性保障移动性保障车联网中的个体除对算力存在大量需求外,车辆是移动的个体,需要在高速移动的过程中保持上述各种服务相关的数据运算,需要得到高速移动中低延迟的服务保障。车辆在移动中会跨越多个 MEC 的覆盖范围,其当前所连接的 MEC 节点在移动过程中17IMT-2030(6G)推进组IMT-2030(6G)Promotion Group是否一直保持为提供稳定服务质量的“最优”选择,从车辆接入到 MEC 节点的路径在移动过程中是否一直保持为提供最短接入路径和时延的“最优”选择,是车联网无法有效解决的问题。而移动无线网络具备广域连续性覆盖,可以提供连续的算力资源,通过算力资源移动性保障,可以有效满足车联网高速移动的需求。为了跟随用户移动位置和服务需求切换最合适的 MEC 和 APP,必要时需切换UPF,缩短已接入用户的数据路径,这是移动无线网络可为车联网提供服务的优势。为解决向高速移动的车联网用户提供“最优”MEC 和路径的问题,需要考虑用户自身的位置、服务需求以外,还需综合考虑网络侧内部的资源状态、当前 MEC 节点负荷、当前链路情况。移动算力网络具备全局联合调度的能力,也需要不断更新调度算法,从而提供高品质连接保障。2.1.3需求描述 云边端算网协同感知调度云边端算网协同感知调度无线网络中单个基站的增强算力有限,可以对外开放的算力更加有限,但是无线网络具备百万基站级别的网络规模优势,通过网络将分散的算力基站连接起来,聚沙成塔可以构筑范围广阔、覆盖深入的边缘算力环境,实现边边协同;同时,根据业务场景的需求,无线网络可以联合端侧和云侧的算力,灵活实现端边协同、云边协同以及端边云协同,实现业务的就近转发、面向业务的通算业一体编排。另外,无线网络需要对算力节点/算力服务的状态实时感知,算网协同管理功能能掌控云边端全局的资源,根据云的管理运营界面呈现的云、边、端各个算力节点的位置、资源类型和资源数量,如实时监控 AMF 个算力节点及节点上服务的状态及负载情况,网络链路状态,做出部署决定辅助移动通信网实现控制面网元的选择及控制面路径优化。能力开放需求能力开放需求移动无线网络侧重于网络能力开放,在引入算力网络概念后,需要叠加对算力资源信息的开放。算网协同管理功能对外提供算网统一的能力开放接口,可以根据算网信息动态调整业务部署和路由策略,或提供应用对计算资源的需求,供移动无线网络选择内生算力节点。移动算力网络可对内能力开放和对外能力开放。对内的能力开放使移动通信网自18IMT-2030(6G)推进组IMT-2030(6G)Promotion Group身可以高效的利用算力资源,构建算力内生的增强型网络架构;对外的能力开放,可以通过移动通信网为外部行业应用提供算力服务,赋能千行百业的多样化应用需求,也可以提供计算资源的平台面向应用租户进行能力开放,移动算力网络通过能力开放接口为各类用户提供安全隔离的端到端移动接入的租户环境,包括算力资源类型(CPU/GPU/NPU)及形态(VM、容器、函数)、网络切片、终端用户群组、VPC 网关等。从开发者友好性以及应用快速开发和部署角度看,移动算力网络需要能够提供算网一体的租户环境,提供符合云计算租户的操作习惯,使得用户不需要关心其租户环境的网络接入的多样性和复杂的组网逻辑。未来的网络不再是单纯的通信网络,而是集通信、计算、存储为一体的信息系统,应通过计算与网络协同与一体化的能力开放,高效利用泛在的算力资源,结合网络状态、提供最优的计算服务,以算力赋能行业应用。移动性需求移动性需求当前 5G 网络架构仅支持单个 MEC 为单一业务服务,而移动终端需要根据用户移动位置和服务需求切换最合适的 MEC 和 APP,使得路径最短,时延最低。移动算力网络需要通过算网协同管理功能来协同网络边缘的算力,形成本地互联的 MEC 群组,并通过计算负载、多点协作等方式在 MEC 群组中进行最优计算任务分配,解决终端算力不足与云计算通信时延长的问题,提供低时延且高可靠的算力服务。2.2 场景 2:XR2.2.1概述扩展现实(Extended Reality,XR)指的是由计算机技术和可穿戴设备产生的真实与虚拟相结合、可人机互动的环境,它通过对视觉、听觉、触觉、嗅觉等感官信息的完全模拟和实时交互,实现用户体验扩展与人机互动,给用户创造身临其境、感同身受的逼真体验。它包括虚拟现实(Virtual Reality,VR)、增强现实(Augmented Reality,AR)和混合现实(Mixed Reality,MR)等代表性的形式以及它们的混合形式。2.2.2场景描述算力网络面向计算类业务,根据业务的需求,结合当前网络中实时的网络状况和可服务的计算资源的计算状况,通过算力网络灵活匹配、动态调度,将终端的计算任19IMT-2030(6G)推进组IMT-2030(6G)Promotion Group务路由到合适的目标计算节点,以支撑业务的计算需求,保证业务的用户体验。典型应用场景有 AR/AI 云端识别业务、Cloud VR 视频业务、V2X 辅助驾驶、科学研究等。实际工程部署中,面向不同的业务场景,需综合考虑业务需求、以及集中式和分布式两种方案的技术特性,合理选择适宜的算力调度方案。其中分布式技术方案基于分布式路由协议进行状态同步,具有实时性高、数据面调度转发快速的特点,比较适用于面向时延敏感业务。集中式技术方案基于中心化管理编排系统进行状态同步、同步代价相对较小,可适用于较大规模网络。AR/AI 云端识别业务云端识别业务典型的 AR/AI 云端识别业务场景中,通常通过终端摄像头采集图像,在家庭网关和边缘节点进行物体识别的计算、需要尽快给出结果的计算,为保证用户体验时延需要控制在百毫秒级,在 DC 节点进行训练以及需要更复杂模型、且对时延不敏感的 AI处理。基于以上不同的计算服务请求类型,算力网络针对分布式计算资源和网络资源进行协同优化,进行计算服务的算力分配。如下图 2-1 所示,该示例基于集中式技术方案,流程概要如下:(1)中心云以及各边缘计算节点分别向算力网络通告所注册的服务信息;(2)算力网络集中式管理编排系统定期收集各个计算节点的计算状态和相关网络节点的网络状态;(3)根据客户端服务请求的需求,通过集中式管理编排系统将 AR/AI 场景中计算负载最重的 AI 训练任务部署在中心云上,次重的特征提取、模板匹配、物体识别等计算任务动态卸载到合适的边缘节点;(4)对于同时部署同类服务的多个边缘节点,如该示例中 MEC1 和 MEC3 同时部署了服务 2,算力网络根据 MEC1 和 MEC3 实时的计算性能和网络性能综合选择 MEC3 为用户提供服务;(5)终端只需负责目标追踪和画面渲染显示,以降低终端的计算开销。20IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图2-1基于算力网络的AR/AI云端识别业务场景示意图 Cloud VR 视频业务视频业务Cloud VR 是将云计算、云渲染的理念及技术引入到 VR 业务应用中,借助高速稳定的网络,将云端的显示输出和声音输出等经过编码压缩后传输到用户的终端设备,实现 VR 业务内容上云、渲染上云。Cloud VR 业务对于网络和计算都有极高的要求,比如入门级 Cloud VR(全视角8K 2D 视频)采用 110 度视场角 FOV 传输情况下,典型网络需求为:带宽 40Mbps,RTT 20ms,丢包率 2.4E-5;典型计算需求为:8K H.265 实时硬解码,2K H.264 实时硬编码,多路并行计算能力等。基于以上要求,算力网络针对分布式计算资源和网络资源进行协同优化,如下图 2-2 所示,该示例基于分布式技术方案,流程概要如下:(1)中心云以及各边缘计算节点分别向算力网络扩散所注册的服务信息;(2)各个计算节点定期向邻近的算力网络节点上报计算状态,算力网络节点整合网络状态后,通过分布式路由协议向全网扩散;(3)根据客户端服务请求的需求,通过就近的算力网络节点将 Cloud VR 中计算负载重、时延要求不敏感的多路并行计算、内容产生等任务部署在中心云上,将计算要求较低、时延要求敏感的视频编解码、内容渲染等任务动态卸载至边缘节点处完成;21IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(4)对于同时部署同类服务的多个边缘节点,如该示例中 MEC2 和 MEC3 同时部署了服务 1,算力网络根据 MEC2 和 MEC3 实时的计算性能和网络性能综合选择 MEC2 为用户提供服务。通过计算任务的分级卸载,提高包含中心云和边缘云的计算资源整体利用效率,提高用户的业务体验,对于 Cloud VR 由试点走向规模部署具有积极的意义。图2-2基于算力网络的Cloud VR场景示意图 沉浸沉浸式式 XR沉浸式 XR 业务相比于现有 5G 网络下的 AR/VR 业务而言,需要提供更高的业务特性以满足用户体验,这些业务特性包括超高分辨率、高帧率、宽色域、高位深高动态范围、宽视场角、编码压缩技术、传输方式等,以及更自然的交互方式。这些业务特性对网络的传输能力,云边端的处理器能力、存储能力等都提出了新的挑战。XR 技术可以应用于各个领域,例如,教育、医疗、家庭娱乐、工业制造、办公、出行、社交等场景,在 ToB、ToC 领域具有巨大的市场和应用潜力。如家庭场景、社交场景、办公场景、出行场景等。要实现 6G 沉浸式 XR 丰富的业务体验,提供更高的数据传输速度、更低时延、更高可靠的网络性能,这需要在终端类、媒体处理、编解码、业务控制和传输类关键技术上进行研究和突破。随着沉浸式 XR 业务不断向超高清、3D、侵入式、实时交互方向发展,对峰值速率、用户体验速率、系统容量、频谱效率都提出了更高的要求。以 16K 分辨率为例,沉浸式 XR 网络传输速率需求达到 0.98Gbit/s。同时如果想让人们在使用 XR 时不产生眩晕感,沉浸式 XR 的端到端时延必须低于 MTP(Motion To Photons)要求,即低于20ms。面向 2030 年及未来,基于云化 XR 的总时延将低于 10ms。22IMT-2030(6G)推进组IMT-2030(6G)Promotion Group 大科学装置、野外站台等科学研究大科学装置、野外站台等科学研究(1)研究所。随着科学研究的长足发展以及大数据和人工智能技术的兴起,科研实验常需要对海量实验数据进行快速的计算和处理,需要算力网络根据科研需求,提供 CPU/GPU 等异构算力。(2)大科学装置。例如 FAST 和 SKA 的大型科学装置需要 EFLOPS(1018)量级的计算能力。算力网络可以通过边边协同、边云协同,将网络中的闲散算力调度起来弥补大科学装置的算力缺口。(3)野外台站。野外台站部署的大量传感器/无人机/摄像头,需要对这些 IoT 设备产生的数据进行实时智能分析、清洗、校验等。算力网络可以利用部署在边缘的算力资源,实时处理 IoT 设备产生的上行数据。(4)大学校园。大学校园人流密集,对算力的需求具有明显的潮汐现象。算力网络可以灵活弹性调度算力资源满足算力在时间、空间维度上的需求;同时,校园会采用 AR/VR/机器人等交互式设备,算力网络可利用部署在边缘的算力资源,提供实时视频渲染/语音识别的能力,打造智慧校园。2.2.3需求描述AR/VR 有如下有如下需求:需求:(1)算网协同管理系统。负责算力网络的资源管理和调度系统,根据业务需求对算力资源进行弹性调度,在满足业务实时需求的同时,提高算力利用率。(2)赋能平台。为用户业务部署赋能,例如针对 AI 业务的 AI 赋能平台。(3)边缘/核心 DC。业务部署节点,包含算力资源基础设施和 NFV 基础设施。其中,用户应用部署在异构算力资源池之上,vBRAS、vCPE 等虚拟网元部署在 NFVI之上。(4)网络基础设施。连接用户、边缘云、核心云的网络基础设施,包括控制面的SDN 控制器、传统网管,以及转发面的网络设备。其中,赋能平台、边缘/核心 DC、网络基础设施包含了算力调度的基础资源,而算网协同管理系统负责对这些资源进行管理和编排,既要实现根据业务需求的动态算力调整,又要实现对各个层面资源的有机协调。其主要功能如下:(1)需求解析模块。分析用户业务需求,将用户业务需求转化为算力资源需求,23IMT-2030(6G)推进组IMT-2030(6G)Promotion Group根据算力需求划分业务等级,以确定业务的部署位置、所需资源大小等信息。(2)算法选择模块。根据用户的业务类型和需求解析模块的结果,在赋能平台中为用户选择合适的部署算法,确定用户业务部署的规格。(3)算网感知模块。动态感知算网节点的算力资源及网络资源,用于根据需求解析为用户选择最优算力节点及最优路由路径。(4)应用部署模块。根据算法选择模块的结果,将用户业务部署到指定的算力节点中。(5)算力调度模块。管理核心云和边缘云的算力资源,根据业务需求为用户分配相应的计算、存储、网络资源,并根据策略对业务部署位置、业务算力进行弹性调整。(6)网络调度模块。管理用户、边缘云、核心云的网络,在用户业务部署或调整之后,配置用户到业务处理节点之间的网络,将用户流量路由到处理节点。对于沉浸式 XR 业务,因为无线基站首先需要保证无线业务的正常运行,然后才能考虑剩余算力的开放和共享,因此剩余算力的变化会导致 XR 业务计算任务的动态调度,可能会造成 XR 业务的卡顿,影响用户的连续性体验。在 XR 业务需求无法继续满足时,需要无线基站辅助算网协同管理功能完成算力任务的动态编排和调度,将运行在当前无线基站的 XR 计算任务迁移到更优质的算力节点。为了保证 XR 业务连续的沉浸式体验,无线网络需要考虑如何稳定地提供无线连接和计算资源。无线网络可以综合考虑接入到网络中的终端业务对无线资源的需求以及需求的变化趋势,合理规划可以开放共享的算力资源,使得无线算力节点被合理调度,尽量减少 XR 业务计算任务的迁移。同时,考虑到 XR 终端的移动性,无线网络需要根据终端的地理位置和所需的算力规模,选择兼顾时延和算力的最优路径提供服务。因此,无线网络需要实施无线资源和无线算力的联合编排,同时满足 XR 业务的网络需求和算力需求,通过跨基站的算力共享和按需编排,实现基站资源池内算力借闲补忙,结合算法优化、提前预测等多种技术手段实现用户无感的计算任务迁移。2.3 场景 3:V2X2.3.1概述车联网(V2X)指车辆通过无线通信技术,实现车与车(V2V)、车与人(V2P)、车与路(V2I)、车与服务平台(V2N)的全方位连接,实现复杂环境感知、智能决策、24IMT-2030(6G)推进组IMT-2030(6G)Promotion Group协同控制等功能,在车辆运行中提供不同维度的服务。随着自动驾驶和 5G/6G 等技术的规模应用,在交通领域以人工智能/大数据为代表的信息处理技术和以 V2X 为代表的信息传输技术正在深度融合,车-路-云间的算力协同,数据交换将以更大的广度进行,全场景自动驾驶有望实现。2.3.2场景描述 V2X 辅助驾驶辅助驾驶车联网辅助驾驶场景中,特别是对于车辆外部由于遮挡、盲区等视距外的道路交通情况,需要通过边缘计算节点获取该车辆位置周边的全面路况交通信息,并进行数据统一处理,对于有安全隐患的车辆发出警示信号,辅助车辆安全驾驶。如在交通道路交叉口,由于路况复杂,交汇处遮挡物等,容易多发交通事故,通过将道路监控摄像头捕捉到的视频图像信息传送到就近的边缘计算节点进行计算,如每条车道上的车辆行驶车速等信息,针对车速过快、有撞车隐患的车辆发出减速、停车告警。当离车辆最近的本地边缘节点过载时,辅助安全驾驶通知会发生延迟,可能导致交通事故的发生。通过算力网络将时延不敏感的业务如车载娱乐从本地节点调度到其他节点进行计算,以降低本地节点的负载,使得时延敏感的 V2X 辅助驾驶业务在最近的本地空闲节点优先处理,保证其用户体验和可用性。智能车联网是传统车联网技术的升级,网络在进行原始数据的传输的同时,还需要考虑不同单元间的算力和算法的协同,从而实现全场景工况下的高安全,高效率,低能耗交通。高安全可通过多单元联合判决的方法,提升系统鲁棒性,例如在路口防撞场景下,车载平台和路侧单元都可以对可能的碰撞情形进行预警,一方面路口和车辆可以对各自盲区进行补充,另一方面还可以对判决结果进行互校验,减少虚检和漏检的概率。高效率需要融合多车,多路侧单元的数据,形成城市交通数字孪生系统,对路径规划,交通调度等应用进行优化,提升交通运行整体效率。低能耗可通过合理的算力分配,最大限度进行资源共享,从而提升算力的利用效率,例如手持终端或车载终端的电量较为受限,融合雷达信号分析,多维视觉分析等高复杂计算可以在边缘云进行处理。智慧车联网场景中,如图 2-3 所示,在自动驾驶过程中,车辆通过高效算力进行感知数据分析和 AI 决策,为了实现车辆在全路网驾驶过程中的驾驶安全,高效行驶,25IMT-2030(6G)推进组IMT-2030(6G)Promotion Group降耗节能等目标,既需要车辆本身的算力支撑,也需要路侧算力支持,同时路侧单元还可以有效补充车辆感知的盲区数据,并对必要的驾驶过程进行仿真和预警。图2-3V2X智慧车联网场景在自动驾驶场景中,车辆传感器数据类型和融合感知决策算法不断发展演进,车联网中的车辆利用算法处理摄像头和雷达收集的大量环境感知数据和其他节点的协作感知信息,并规划运行轨迹,生成转弯、超车、加速或减速等决策指令,车路网之间要求的协作感知、协同操作,需要数据感知、传输、计算和存储等能力,因此必然推动着车联网的算力需求持续高速增长。在车联网中,车身携带的传感器越多,传感器采集的数据越精确,车辆行驶速度越快,则要求的单位时间内算力指标也就越高。车辆本身算力之外,合理协调利用移动网络算力则是对车辆 算力调度的有效扩展,如计算复杂度高的数据识别和分析可以在处理能力强大的云端进行,也可以在靠近用户侧的边缘网络进行处理,MEC 平台通26IMT-2030(6G)推进组IMT-2030(6G)Promotion Group过下沉部署 UPF 进行连接,可以协调调度移动网络算力进行车联网数据计算,满足车联网的低时延处理的需求,保证车联网中的算力调度需求。智能车联网的典型应用场景包括路口碰撞预警,路口视觉融合,自动驾驶半实物仿真,无人区卫星辅助等,相应场景的特点如下表 2-1 所示。表 2-1智能车联网场景特点场景场景描述算力协同方式算力需求估算智能碰撞预测路侧单元融合多车与行人数据,提前预测碰撞危险,实时性要求高车载单元和手持机进行传感数据一级处理;路侧单元根据模型预测碰撞危险50TFLOPS路口视觉融合路侧单元对各路口进行监测,关键信息传到车上,支持辅助驾驶及自动驾驶,实时性高路侧进行视觉训练及目标提取,车辆进行影像重建辅助驾驶,进行推理支持自动驾驶3050TFLOPS自动驾驶半实物仿真系统车路实测数据和云端建模仿真系统融合,提升自动驾驶模型训练效能,算力要求高大规模训练在云端,场景化推理及验证反馈在车路端EFLOPS无人区卫星辅助驾驶卫星遥感影像在轨分析,及时推送气象,道路灾害等相关信息卫星遥感影像分析与地面云端影像分析融合,实现实时性与效能的均衡50100TFLOPS2.3.3需求描述智能车联网业务的算力需求受多种因素的影响,其中包括终端算力架构设计,智能路侧单元分布,车联网总体规模,建模及仿真算法设计等。智能车联网需要通过算网协同管理系统保障移动网络全网的算力,根据不同车联网业务对算力需求的估算及时延要求,感知全网的算力资源并匹配算力需求,根据车移动过程中的位置及时调整算力节点,保证车联网业务的时延。对于车道偏离检测、驾驶员检测等场景,算力协同方式采用车检测,路侧发现异常将告警信息发给对应车辆,时延满足在 100ms 之内;对于行人预测、十字路口管理、Level 5 自动驾驶等场景,算网协同方式采用车路联合预测,互相补盲,时延满足在 10-100ms 之内。对于城市交通数字孪生场景,算网协同方式采用云端训练建模,路侧及车辆实时推理并反馈,时27IMT-2030(6G)推进组IMT-2030(6G)Promotion Group延满足在 1s 之内。2.4 场景 4:算网协同管理安全2.4.1概述算力网络的新架构、新技术和新服务可能存在新的安全风险需要攻克,需要与之适配的新的安全机制来保障。如基础设施层存在潜在复杂的网络风险及算力节点安全风险,编排调度层涉及编排调度安全风险及算力使用失控问题,运营服务层则面临接入恶意节点、交易不可信、应用不安全等问题,此外算力网络中还可能存在计算结果不可信、数据流转不可控等数据安全风险,需通过一体化全程可信机制加强安全保障。2.4.2场景描述编排调度层安全算网信息在编排管理层汇聚,算力信息的正确性、完整性、安全性将影响算力网络正常编排调度服务的开展。由于算力节点的多源泛在特性,一旦节点被攻击或仿冒,造成虚假算力信息上传,将严重影响算网的可靠性。同时,基础设施信息的大量集中存储,增加了黑客对编排管理层进行攻击,窃取或篡改数据的风险。一旦数据被窃取,可能会导致黑客对算力网络的非法利用,若数据被篡改,还会造成用户数据的泄露,影响运营服务的正常开展。2.4.3需求描述编排管理层面对高度复杂的算网环境,针对多样化、定制化的算力需求,对算力网络各个域的资源进行协同调度。编排管理层对算力用户、计算任务、网络资源、算力资源一体感知、协同编排。在此过程中,编排管理层收集并处理大量算力网络敏感数据,数据集中增加了安全风险。编排管理层需在计算任务的编排调度中考虑安全要素,对算力用户、计算任务、算力节点进行安全等级标识,在此基础上进行动态安全分配,实现算力的安全调度。编排管理层需具备对算力的安全管控能力,解决算力滥用问题。算力滥用包括非法挖矿、暴力破解等行为,不仅对算力资源造成侵占,还可能利用算力发起安全攻击。28IMT-2030(6G)推进组IMT-2030(6G)Promotion Group 编排安全保障编排安全保障编排管理层对算力用户、计算任务、网络资源、算力资源一体感知、协同编排。在此过程中,编排管理层收集并处理大量算力网络敏感数据,数据集中增加了安全风险,对编排管理层的安全保障提出了新的安全挑战。编排的安全保障可以考虑三方面:一是编排管理行为需受到授权和监控;二是针对编排管理使用的大量算网信息数据,应防止数据泄露、篡改或恶意使用;三是为保障智能编排算法的有效性,需防止算法被恶意污染的数据影响。编排管理层应根据用户及计算任务对安全的需求去匹配相应能力的算力节点,并能根据用户及算力安全节点安全状态的改变动态调整算力分配。另外,编排管理层也应根据系统安全策略对算力路由进行安全配置,并能根据算力任务的安全需求动态调整安全编排策略并配置算力路由以实现算力服务要求的安全服务链。作为算力大脑,编排管理系统本身应进行安全加固,以保证编排系统应用和数据的安全可靠,AI/ML 模块的安全和健壮,以及编排系统接口的严格访问控制。另外利用自身的自动化集成功能,编排管理系统可实现安全自检、汇报和自我修复。智能安全调度智能安全调度编排管理层需在计算任务的编排调度中考虑安全要素,对算力用户、计算任务、算力节点进行安全等级标识,在此基础上进行动态安全分配,实现算力的安全调度。安全标识是算力安全调度的基础,安全标识可以对算力用户、计算任务、算力资源三类信息进行安全分类分级标记。算力安全调度基于安全标识进行智能编排,一方面通过解析计算任务的安全需求,为计算任务动态适配具有相应安全能力的算力节点;另一方面,根据计算任务对安全能力的需求,在算力节点弹性编排时,动态布署安全能力,增强算力节点的安全防护。为实现算力的安全调度,编排管理层首先需要保证算力节点的安全可信。由于算力节点的多样性和动态性,管理系统应提供统一的算力节点注册功能,在对接入的算力节点进行认证后为其提供全网唯一标识,并颁发证书;根据算力节点的软硬件类型及版本,安全配置,提供者等评估该算力节点的安全能力,并根据相关规则定义安全等级;根据安全策略持续对算力节点进行安全监控,并在检测到异常时触发告警或其29IMT-2030(6G)推进组IMT-2030(6G)Promotion Group它自动响应机制。其次,编排管理层应保证算力用户的安全可信。支持用户注册和鉴权;根据 SLA 及其它实时状态对用户进行授权;实时检测用户安全状态,必要时调整对用户的访问控制策略 算力安全管控算力安全管控为了解决算力网络中的算力滥用问题,需要算力网络具备对算力的安全管控能力。算力滥用包括非法挖矿、暴力破解等行为,不仅对算力资源造成侵占,还可能利用算力发起安全攻击。对算力滥用造成的安全威胁进行管控需结合针对算力用户、算力任务的安全分级标识。通过解析计算任务类型,结合算力用户的算力阈值相关信息,对计算任务进行安全评估,并可采取限制算力用量、拒绝算力请求或降低算力用户信用等措施进行安全管控。2.5 场景 5:AI2.5.1概述AI 的两个关键特性:深度学习和神经网络。深度学习是一种模拟人脑神经网络的方法,通过多层神经元来处理和分析数据。神经网络则是一种模仿生物神经系统的计算模型,可以自动识别模式并进行预测。这两个特性使得 AI 能够处理大量的非结构化数据,从而实现高效的数据分析和决策。深度学习和神经网络的复杂性导致了大量的计算需求。随着 AI 技术的普及,需要确保算力的公平分配和可持续性,以满足未来 AI 应用的需求。2.5.2场景描述 端侧端侧 AI 推理推理随着科技的发展,未来终端的演进将从手持到可穿戴式、再到纺织结合式甚至是人体植入式。随着终端体积越来越小,但用户享受的业务在视觉、听觉、触觉等维度越加丰富,这二者之间的技术差距需要通过终端芯片计算能力和边、云计算能力之间30IMT-2030(6G)推进组IMT-2030(6G)Promotion Group做出一个有效的平衡,即通过边、云的计算资源来卸载原本可以在终端芯片上处理的任务,从而让端侧成本更低、体积更小、更轻便。基于 AI 的人脸识别、物品识别、安全防护已经渗透到日常生活的各个方面,如图 2-4AI 推理应用于滑雪运动。这些场景的终端类型不尽相同,计算资源数量差异较大。基于端侧实现全部的计算是不现实的。因此,需要采用将 AI 推理模型分割,终端侧模型对原始数据做简单的预处理后,上传到移动算力网络的边缘节点,网络侧模型承担计算量更大的算力密集部分任务,并将最终的 AI 推理计算结果返回给端侧。图2-4AI推理示意图端网云协同的分布式计算模型,对终端体验提升有重大意义,不仅可以降低终端成本,伴随着网络代际的演进,单用户可获得的无线带宽逐步增大,对大量数据的传输提供了更有优的网络环境,边云算力与终端的协作,有助于推广更加丰富的应用。脑机协同脑机协同可穿戴智能设备不断发展,从简单脉搏、温度采集发展到可以采集人脑相关信息,在此基础上完成对外部设备的控制和意识监测。其需要多种传感器信息等多模态数据进行传输与处理,且不同数据的处理算法、运算数据量、需要实时反馈控制时对运算的高时效性等等对算力需求日益增长。但可穿戴智能设备本身的电池续航能力、设备本身体积不能伴随增长。移动算力网络可以就近提供算力服务,以头戴移动设备采集脑信号为例,移动算力网络提供强大 AI 算力,训练 处理,可满足脑机接口时延 1Gbps(脑电数据)、安全(通信安全 隐私保护)等需求。从而实现对采集的脑信号数据进行个性化训练和解析,实现低时延远控辅助机器人,提供用户更好的使用体验。从另一方面来说,复杂计算上移到了移动算力网络侧,可以降低脑端设备成本、缩小体积,增加设备电池续航时间。移动算力网络可以把已经部署的零散、专用的算力资源联合成网,统一编排调度。在新增算力资源类型时从全局考虑,灵活调度,避免重复建设,缓解对端侧设备的硬31IMT-2030(6G)推进组IMT-2030(6G)Promotion Group件升级需求。在单点故障或负荷过高时也有备份资源提供,最大程度保障端侧的服务质量和用户体验。2.5.3需求描述 云边端协同需求云边端协同需求基于移动通信网络,已经具备中心云、边缘计算和终端算力等同质化和异构计算资源相结合的海量算力节点。为一个计算任务选择什么样的节点,以及如何将数据转发到该节点是对移动算力网络重要需求。移动算力网络应充分利用中心云、边缘云以及终端等各级算力,根据不同的业务,在终端算力和边云之间、边缘计算节点之间、边缘计算和中心云之间实现灵活的跨层多级算力互联。例如,AR 渲染前进行的物体识别与检测任务,如果通过云侧实现,会导致数据传输量大,对无线侧网络带宽质量要求高。但如果单纯通过终端侧计算,有会因受到算力的限制而导致渲染处理时延较大,影响用户体验。可以联合利用终端与边缘计算的算力,各自分担部分计算任务,实现业务时延与终端功耗的最小化,即:边缘计算支持复杂的推理,而终端仅需进行少量数据预处理。面向移动通信网络,将计算和移动通信网络深度融合、协同调度,结合业务对移动通信网的需求,综合考虑网络的全局视图能力和计算能力,动态调度资源,可以进一步提升用户业务体验,包括将基础设施算力纳入为 UE 接入选择各个网络功能的过程中。算网一体化能力开放需求算网一体化能力开放需求算力是数字时代的核心生产要素之一,是数字经济发展的源动力。海量的泛在算力和网络将会进一步融合共生,通过算力赋能使移动通信网络具有更广阔的应用场景。在移动算力网络场景下,需要开放共享可用的算力资源和网络资源,合理高效的利用算网能力,通过算网一体化能力开放,更好的支持万物互联的新场景。2.6 场景 6:工业应用2.6.1概述算力服务可以应用于需要对数据做大规模快速处理的工业应用场景,如超算和大型渲染、人工智能(训练类和推算类)、泛视频、智能驾驶和区块链应用等。泛视频业32IMT-2030(6G)推进组IMT-2030(6G)Promotion Group务主要包括智能安防、工业视频检测、超高清视频、云游戏、元宇宙等。2.6.2场景描述 工业视觉检测工业视觉检测机器视觉主要是指使用 AI 算法对生产领域的图像、视频进行分析,并根据分析结果统计信息,或者对相关设备进行控制,支撑智能化的工业生产。主要应用于识别、检测、测量、定位与引导等工业领域。如工业质检、安全生产监控、工艺操作规范检查、人员车辆进出控制、设备监控、智能巡检等场景。如在经历自然灾害后,电力企业需要迅速对某省、市、区、县等各级分公司下辖的电力线路进行巡检。传统模式下,需通过固定监控摄像头、无人机、移动摄像机等设备获取的海量视频或图像信息,识别故障或隐患线路,第一时间组织抢修工作。这种情况恢复周期相对漫长,而恢复时长往往又和直接损失成正比。工业视觉检测可基于算力网络提高运算效率,经过算力大脑的编排和调度,仅需通过以下四个步骤,即可快速搭建一套视觉检测系统并投入运行,从而节约大量宝贵的黄金恢复时间,降低灾害损失。相关步骤为:(1)根据该企业的灾复数据稽核要求,算网协同管理系统利用其一体化编排能力,基于距离、时效等原则,在灾复数据产生地的周边算力池分配算力资源;(2)根据视觉检测的要求,快速在已分配的算力资源上,通过云原生的编排能力,自动化部署 AI 检测应用;(3)接收灾复数据,通过相对应的 AI 检测或数字孪生技术应用进行风险检测并输出结果,用于指导灾复工作开展;同时,在根据运行过程的状态,实施进行动态算力调整;(4)在检测工作完成后,根据预定策略快速地释放算力资源。2.6.3需求描述工业应用对算网资源有统一编排与调度的需求,根据工业应用需求,需要对算力资源池基于调度策略进行资源的统一部署,安排最优路径,实现算力利用的最大化。同时,还需要支持算网协同管理的智能化,如 AI 及数字孪生技术,进行有效的风险预测及风险根因分析,实现动态的算力规划及调整。33IMT-2030(6G)推进组IMT-2030(6G)Promotion Group支持云原生的编排能力,由算网协同管理 提供通用性编排框架,通过提供镜像及应用管理、集群及节点管理、访问安全管控、容器编排及调度能力,实现自动化集群部署、外部调用的均衡分发、敏捷扩缩容等,让应用程序不再需要进行复杂的分布式架构设计及规划。算网业务的一体化编排需要充分考虑应用的特性,算网资源的 QOS、安全、成本及能耗等多个维度,输出最合理的编排方案。2.7 场景 7:东数西算2.7.1概述2022 年,国家发展改革委等多部门同意在内蒙古、贵州、甘肃和宁夏等四个节点启动建设国家算力枢纽节点,并规划了 10 个国家数据中心集群。同时在京津冀地区、长三角地区、成渝地区、粤港澳大湾区启动建设全国一体化大数据中心国家算力枢纽节点。全国一体化大数据中心体系完成总体布局设计,东数西算工程开启我国算力资源全国范围跨区域统筹布局。2.7.2场景描述 东数西算东数西算纵观中国算力分布,东部占 60%,西部占 20%,东部远高于西部。而从算力资源的空间分布潜力来看,西部潜力远高于东部。建设数据中心需要大量土地、电力,东部资源日趋紧张,而西部土地广阔、电价便宜、能源尤其是绿色能源丰富,将数据中心建立在西部,不仅能够节约“西电东送”的成本,还能提高对西部光伏、风电等绿色能源的使用,助力“双碳”目标实现。东数西算的实施需要建设全国一体化大数据中心,其中一个方面就是实现集群之间的算力调度。无论是全国一体化大数据中心布局还是东数西算建设,背后都是复杂的巨系统的优化调度问题。东数西算工程目前是对超算算力和智能算力的调度和统筹,这是由于基础算力承载的多是电子游戏、短视频、即时通信等实时性较强的需求,就目前的技术而言,具有实时性的本地数据无法搬到异地计算,因此西部目前主要考虑的是承载后台加工、离线分析、存储备份等非实时算力需求。即使对于能搬过去的计算机来说,一对一进行固定匹配而不是动态调度的可能性也较大。不同超级计算机的34IMT-2030(6G)推进组IMT-2030(6G)Promotion Group处理器、加速卡、框架等各不相同,算力基础设施面临异构化挑战。这需要搭建智能异构算力平台,突破异构算力适配、异构算力网络调度等关键技术,优化东西部各类算力资源的配比。东数西算的实现,需要全国各个节点全部打通形成一个大的算力网络并且建立起成熟的调度系统和机制,实现面向业务、面向服务质量(QoS,Quality of Service)、面向成本的全局优化调度。首先要做好国家规划布局的国家算力枢纽节点、国家数据中心集群与现有的全国各地各类型算力设施的统筹与算网协同,形成合理分工、科学联动、高效协作机制,同时算力网络需要具备算力统筹和智能调度的算网协同管理能力,能够在全国范围内,根据动态业务需求,在云、网、边之间实现按需分配和灵活调度计算、存储、网络等资源。“东数西算”工程要实现算力全国调度,就需要算网融合的支撑。所谓算网融合,是以通信网络设施和计算设施的融合发展为基础,通过计算、存储及网络资源统一编排管控,满足业务对网络和算力灵活泛在、弹性敏捷、智能随机应用需求的一种新型业务模式。从业务服务流程来看,算网融合实质上就是更加高效精准地将算力需求调度到相应的资源节点。首先,算网体系感知用户需求,在此基础上进一步感知全网的算网资源。随后,根据编排结果以及路由策略选择合适的路径,将算力需求调度到相应节点,通过算网融合可以实现以网强算、以算强国。另外,不同业务对算网性能需求不同,如移动支付、网络游戏等时延敏感性业务对网络传输时延提出了较高要求,而数据备份等业务对网络传输时延要求低,但需要根据不同的业务需求灵活匹配算网资源,实现算网资源的精细化供给,充分释放算网资源价值。从底层计算芯片角度来看,目前从以通用CPU计算为主逐步向GPU、FPGA、ASIC 等异构算力芯片与通用算力协同发展的态势演进。因此,实现算网融合的业务模式,就需要算网协同管理的支撑,通过算网协同管理实现云边端协同、异构算力与通用算力协同,资源统一编排管控及按需调度,使得算与网通过算网协同有效地实现融合。2.7.3需求描述东数西算”国家项目在京津冀、长三角、成渝等八大枢纽间建设算力网络,支持全35IMT-2030(6G)推进组IMT-2030(6G)Promotion Group国各地日益增长的算力需求。沿着这张算力网络“地图”,有多个国家算力枢纽节点、区域智算中心。因为跨区域算力计算量大、跨厂商互通难度高等问题,算力网络需要采用算网协同管理机制,通过系统分解、局部优化等方式,实现具备算力统筹和智能调度能力。通过算网协同管理可有效地支撑算网融合业务。算网协同管理可动态感知用户需求及算网资源分布,并具有云边端协同、异构算力与通用算力协同、资源统一编排管控及按需调度、路由优化等能力,从而满足业务对网络和算力灵活泛在、弹性敏捷、智能随机应用需求。算网协同的方式可以是分布式、集中式或者混合式。通过分布式的分层算网协同管理架构在省内部署区域中心算网大脑,实现区域的集中控制、本地优先;通过构建集中式的中心算网协同管理系统,与分布式算网协同管理系统实现有效的算力协同,从而控制调配全网算力资源,降低综合算力成本。在算力调度管理方面,产业需要将路径计算分成用户所在省、全国骨干网、云资源所在省三段,算力评估时各自计算路径,使计算分布式,提高效率、优化管理流程。2.8 场景 8:算力内生2.8.1概述算力作为数字时代的核心资源,不仅改变了人类的生产方式、生活模式和科研范式,而且逐渐成为科技进步和经济社会发展的底座,预示着算力成为数字经济的主要生产力。2021 年 5 月,发改委、网信办、工信部、能源局联合印发全国一体化大数据中心协同创新体系算力枢纽实施方案,明确提出布局全国算力网络国家枢纽节点,启动实施“东数西算”工程,构建国家算力网络体系,赋能百行千业数智化转型。为满足数字数化转型算力供给面临的算力效能低与成本高等问题,亟需算力内生网络实现新型算力业务的灵活接入与即取即用。2.8.2场景描述随着智慧城市、智能制造、自动驾驶、AR/VR/XR 等新型算力业务场景的出现,算力资源需求日益旺盛,驱动数据中心高速发展。据 Machina Research 报告显示:2025年,全球网联设备总数将超过 270 亿;据 Gartner 预测,2025 年,超过 75%的数据需36IMT-2030(6G)推进组IMT-2030(6G)Promotion Group要分流到网络边缘侧;IDC 预计 2025 年全球边缘计算服务器的支出占总体服务器的比重将从 14.4%提升到 24.9%各类新型算力业务的异构数据处理需要云边协同的泛在化算力支持。随着企业数字化转型的算力需求增加与场景丰富,也为新型算力的供给带来了以下挑战。云/数据中心算力供给效能低:云/数据中心算力效能低:截至 2022 年初,我国已建成数据中心 500 万标准机架,整体算力达到 130EFLOPS,但受限于算力的泛在化特征,国内数据中心的平均利用率仅为 55%左右。边缘算力需求激增,潮汐现象导致算力效能低:由于边缘算力分布取决于业务场景,算力利用率受业务潮汐现象影响严重,导致算力效能低。成本高:全球企业公有云算力基础设施开支逐年提升,预计 2024 年将占 IT 总支出的 45%。2021 中国小企业数字初始化指数 2.0指出对于计算密集型小企业,在提高算力的同时还需平衡成本,以经济型算力的模式提升企业核心竞争力。基于以上挑战,算力内生网络应运而生。算力内生网络是基于 5G、云原生、AI与数字孪生等 ICT 技术打造的面向全行业提供 5G 连接 算力 应用服务的集合,主要包括算力内生 5G 基站、算力内生 5G MEC 平台与算力内生 5GC 等。2.8.3需求描述在满足企业数字化转型的网络需求同时,支持应用云边端协同。面向电信运营商:支撑电信运营商 5G 算力网络建设与市场拓展,提供面向政企用户的最后一公里的算力灵活接入与应用/服务部署,助力运营商算力网络降本增效。通过网络算力内生技术,单一 5G BBU 网络设备可同时提供网络服务与算力服务,从而大幅度减少算力设施的硬件投资成本以及对应的集成费用。基于网络负 AI 预测算法,将基站空闲通信能力转化为计算能力,以时分复用方式实现通信能力与计算能力互转,消除了由于网络负载“潮汐”造成的资源浪费,提升资源利用率。面向垂直行业:面向全行业提供 5G 连接 算力 应用的服务,实现业务的算力灵活接入与即取即用,满足企业数字化转型的算力网络需求。5G 基站在提供通信服务的同时,也提供通用计算能力,支持多样化的行业应用服务。5G 网络集成丰富的行业应用,可以解决客户的网络 应用的二次集成痛点。应用供给方式灵活多样,支持标准37IMT-2030(6G)推进组IMT-2030(6G)Promotion Group化的应用能力,也支持基于客户特殊需求,提供定制化开发应用。第三章 算网协同管理需求该章节主要描述对于 6G 网络的算网协同管理的通用需求、关键技术及技术特征。3.1 通用需求算网协同管理所需的通用需求如下:面向算网协同管理场景,算网协同管理需要满足编排调度、安全以及 OAM 要求。能够感知用户需求,并动态感知、协调和管理算网资源和服务,对算网资源进行统一编排调度,支持算力节点和网络节点的选择,服务路径的编排和优化,按需将算力需求调度到相应节点;能够进行应用安全相关控制,以减少算力网络环境中的安全威胁;支持通过对算力网络全面的安全监测分析、编排响应、泛在调度和安全管控实现对算网安全风险的精准排查和处置;能够实现算力网络的操作、管理和维护,对设备的算力性能进行监控,通过多种类型的算力信息采集和上报策略配置,支持最优算力节点的实时选择,并在故障时予以修复。3.2 架构需求算网协同系统需要具备算力统筹和智能调度能力,因此算网协同整体架构需满足如下架构需求:1)算网协同跨区域分布式部署。分层算网协同架构通过在不同地域(如省、市)部署区域算网协同管理系统,实现区域的集中控制、本地优先。同时,在中心地域部署算中心算网协同管理系统,通过专用网络与区域算网协同管理系统实现算力协同,实现分布式控制调配全网算力资源,降低综合算力成本。2)优化算力资源管理与调度。大范围集中管控算力资源带来巨大的计算量和消息通信,需要进行全局的算力管理与调度优化,在最大化利用算力的同时也避免计算量与通信量的激增。如算力资源调度,需要基于场景选择区域算力调度、跨域算力调度38IMT-2030(6G)推进组IMT-2030(6G)Promotion Group及混合算力调度,算力评估时各自计算路径,使计算分布式,提高效率、优化管理流程,确保调度效益最大化。3)算网协同、运营协同共同发展。通过协同算网服务入口,实现资源互调,满足用户一站开通需求,实现算网一体化基础设施的统一管理、编排和调度;算网协同调度可最大程度复用并扩展现有网络协议,使得不同厂商的网络设备之间实现互联互通,更好地支撑算力网络协同需求。4)算网协同管理系统内生能力:算网感知能力:为算网协同管理提供基础支撑,可以感知算网基础设施的算力状态及各个应用对算力的需求,为算网的统一编排及调度提供底层支持。算力路由控制能力:支持算力路由表的生成与更新,用于后续业务转发。算网管控中心、算力路由节点进行算网协同,根据收集的算力和网络信息进行综合选路,以实现多种调度方式,包括集中式调度方式、分布式调度方式、集中式和分布式协同的调度方式。算网统一编排能力:为算网协同管理提供一体化的编排。算网统一调度能力:为算网协同管理提供统一的算网资源的调度,包括算力度量与建模,算力 OAM,算网注册,算力路由管理等能力。算网智能化能力:算网智能化为算网协同管理提供编排的智能化支持。可以支持AI 机器训练与学习能力,智能选路,对调度意图感知解析,并由算网数字孪生提供一体化编排与调度优化仿真。算网协同开放能力:通过能力开放,可以屏蔽底层复杂的端网协同流程和算力资源调度机制,简化应用开发流程,促进第三方、运营商、行业用户快速实现应用部署。3.3 关键技术需求算网协同管理有如下的关键技术要求:1)算网协同编排与调度算力网络是计算能力与网络能力的紧密结合。面向 XR、移动终端 AI 等低时延交互业务,一方面需要核心网与无线接入网络间信息交互,提供高效网络传输;另一方面需要云边算力与移动终端算力进行协同,满足渲染、AI 训练等计算能力要求。现有移动通信网对泛在算力的管理机制相对单一,缺乏对云边端算力的协同调度机制,难39IMT-2030(6G)推进组IMT-2030(6G)Promotion Group以应对业务动态需求与潮汐效应等问题。为满足业务端到端 QoS 需求,需要综合考虑网络连接状态、可用带宽、端边云异构算力类型,算力负载等算网资源信息,通过算网资源联合管理与算网服务一体化编排,通过算网感知、算力路由、算网一体调度等技术实现中心、边缘、终端侧多级算力资源的协同,按需灵活地将业务分发调度到分布式算力节点,并提供动态算网服务来保证业务质量与用户体验。随着新型融合技术发展,移动通信网将支持感知、定位等能力,在一张大网上提供多样化网络服务。同时,网络端到端服务化趋势需要将底层算力资源分离抽象为独立的网络功能,并进一步实现网络功能的灵活部署与调度,以提升网络管理效率。2)云边端算力协同通过云边端算力的协同管理与调度,可充分利用中心云、边缘计算、以及终端的各级算力,通过算法灵活跨层利用多级算力。在算力节点泛在的基础上,通过云边协同、云端协同等接入算力,对接各异厂家、异架构算力,构建多种业务场景的算力协同调度,为各行业提供可定制化、高可靠的算网保障服务。例如在部分涉及 AI 的业务场景下实现云端超大规模模型训练及下发。同时可以克服在当前 5G 网络架构下仅支持单个 MEC 为单一业务服务的问题,支持按网络连接状态充分调用网络边缘的算力形成本地互联的 MEC 群组,并通过计算卸载、多点协作等方式在 MEC 群组中进行最优计算任务分配,解决终端算力不足与云计算通信时延长的问题,提供低时延且高可靠的算力服务。3)算网协同管理能力开放面向未来越来越丰富的业务诉求,移动算力应为运营商自营服务或第三方应用提供端网协同一体运行环境。除了为在网业务提供通用的内生计算服务外,还支持向第三方开放算力和网络能力,通过屏蔽底层复杂的端网协同流程和算力资源调度机制,简化应用开发流程,使得运营商和第三方可以直接在移动算力网络基础设施层上快速开发和部署应用。4)算网协同智能化移动算力网络首先提供了网络内生的 AI 算力服务。UE(User Equipment)接入网络即可获得该 AI 服务,增强 AI 推理能力。同时,网络将算网一体化服务开放给第三方应用商,方便其开发和部署高端 AI 应用。40IMT-2030(6G)推进组IMT-2030(6G)Promotion Group随着自智网络技术的发展与应用,算网协同自智还应支持智慧内生、意图、数字孪生等智能化技术,进一步支持算网协同管理的智能化,实现算网协同管理意图的感知、解析、执行、反馈的闭环,并通过数字孪生平台对算网协同管理的相关调度策略进行优化。第四章 算网协同管理挑战及展望4.1 算网协同管理的挑战算网协同管理面临的挑战包括云网统一编排、调度管理、业务与资源协同、算网自智化、与现有标准适用性等方面。4.1.1云网统一编排云网统一编排需要实现业务的快速部署,目前云网统一编排存在的问题包括:接入网络存在断点,导致业务开通周期长;云间网络存在断点,导致无法实现跨域编排;统一编排存在断点,使得接入、云间、云内未实现跨域打通。图4-1统一编排4.1.2调度管理当前算网调度存在的主要问题,需要在算网协同管理方案中考虑:算网调度中存在多种调度策略,分别有业务调度、云资源调度、网络调度,它41IMT-2030(6G)推进组IMT-2030(6G)Promotion Group们相互独立,难以协同;算网云边端存在多种资源,如多云资源、网跨域资源等,需要统一拉通管理,资源利用率需要提升,如资源静态固定分配,忙闲不均的场景;如何保障业务质量及用户体验,如如何保障业务运行匹配到最佳资源;算网地域范围(4 4 国家枢纽中心 省市数据中心 边缘)大,如何实现东数西算跨区域调度。如区域内调度(省内)、跨区域调度(全国)、跨运营商、云商调度等。图4-2算网调度管理4.1.3业务与资源协同业务与资源需要协同进行编排及调度,包括协同资源及相关服务:云资源:包括异构资源池,网络边缘云、移动边缘云、政企行业云、合营云等 网络资源:包括跨区域、跨专业的网络资源,OTN/SPN/PON/云专网网络资源等;服务应用:通过提供的服务 API 进行协同;42IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图4-3业务资源协同4.1.4算网智能化算网智能化是算网协同管理的智能化演进,可以考虑以下几个阶段:算网内生智能:随着网络云化、网络跨度更宽,算网业务要求的丰富性,对于网络智能化要求越来越高,需要支持 AI 等内生智能技术;协同网络自智:结合自智网络的发展扩展算网自智的范围,如逐步支持意图及数字孪生等技术;平滑演进:智能化程度随着网络演进及业务发展的特性逐步提升;4.1.5现有标准适用性算网协同发展的最终目标是算网一体,而算网一体则强调算力资源和网络资源的统一标识、统一调度和统一管理,这会使算网边界更加模糊。在算网协同体系下,互联网云厂商开始涉足到网络建设领域,通过自建私有骨干网实现算力设施互通。为了避免成为通信管道,电信运营商也开始加速网络云化改造,使网络资源像算力资源一样智能可控、高效调度。我国三大运营商具备完整的通信及IDC 业务牌照,可以涉足云计算及算力设施领域业务。而云厂商则不具备通信相关牌照,尽管云厂商可利用运营商网络资源在物理网络上构建虚拟骨干网,但是虚拟骨干网的业务形式尚缺乏市场监管法律保护。43IMT-2030(6G)推进组IMT-2030(6G)Promotion Group网络边界的模糊化使得网络安全及相关业务标准变得难以适用,云厂商对网络技术的探索和实践可能会诱发网络安全及业务标准合规性问题,是否要基于算网协同需求扩大云厂商数据中心业务边界,以及是否变革现有市场监管制度进行变革是未来的一个挑战。4.2 下一步研究方向的展望当前业界对算力网络的研究进展较快,本研究报告聚焦与算力网络协同管理的场景及需求,提出算力网络协同管理需关注的关键技术,以及算力协同管理带来的挑战。算网协同管理系统是对算力和网络资源的统一编排/调度/管理/运维的核心系统,并通过引入人工智能、意图引擎、数字孪生等技术,向上实现各领域原子能力组合和算网一体化服务支撑,向下实现泛在算力的跨层跨区域融通和网的跨域跨专业拉通。算网协同管理下一步的研究目标,向上希望实现各类算网融合类业务的支撑,向下实现一体化算网全领域资源拉通,全面纳管三方云、端算力、社会算力、国家算力枢纽等不同的算力域。同时进一步提升算网协同管理的智能化,促进算网感知融合统一,并通过引入意图引擎、数字孪生以及基础设施层算力路由等技术,进一步提升算网协同管理的智能化水平。算网协同管理下一步的研究方向,建议对算力网络协同架构及应用进一步深入研究,聚焦算网协同管理的内生能力,如算网感知、算力路由控制、统一编排及调度、智能化等,并考虑与其他编排系统的协作,如云网协同编排系统。同时应考虑对算网协同管理关键技术在国际及国内各个标准组织进一步标准推进,加快算网协同管理相关技术的完善及产业化进程。缩略语简表英文缩写英文全称中文解释3GPP3rd Generation Partnership Project第三代合作伙伴计划ARAugmented Reality增强现实AIArtificial Intelligence人工智能AMFAccess and Mobility Management Function接入和移动管理功能44IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupBBUBaseband Unit基带处理单元CDNContent Delivery Network内容分发网络ETSIEuropean Telecommunications StandardsInstitute欧洲电信标准协会GUAMIGlobally UniqueAMF Identifier全局唯一的 AMF 标识符GPUGraphic Processing Unit图形处理器KPIKey Performance Indicator关键性能指标MECMobile Edge Computing移动边缘计算MRMixed Reality混合现实NSSAINetwork Slice Selection AssistanceInformation网络切片选择辅助信息SMFService Management Function业务管理功能TMSITemperate Mobile Station Identity临时移动台识别码UEUser Equipment用户设备UPFUser Plane Function用户面功能VMVirtual Machine虚机VRVirtual Reality虚拟现实XRExtended Reality扩展现实45IMT-2030(6G)推进组IMT-2030(6G)Promotion Group参考文献1Sharma,Robin.Artificial Intelligence in Agriculture:A Review.2021 5th InternationalConference on Intelligent Computing and Control Systems(ICICCS).IEEE,2021.2ITU-T Y.2501,Computing Power Network framework and architecture3丁文慧、高吉星、虞志刚、冯旭、陆洲.空间算力网络初探J.移动通信,2022,46(10):41-46.4算力网络需求与架构 CCSATC3/WG1 网络总体及人工智能应用5算力网络 算网编排管理技术要求 CCSATC3/WG1 网络总体及人工智能应用6无线算力网络场景、需求和关键技术研究 CCSATC5/WG6 前沿无线技术7算力网络安全需求及关键技术研究 CCSATC5/WG5 无线安全与加密8算力网络 运营管理技术要求 CCSATC7/WG1 无线通信管理9算力网络安全编排管理技术研究 CCSATC8/WG4 新兴技术和业务安全46IMT-2030(6G)推进组IMT-2030(6G)Promotion Group贡献单位序号序号主要贡献单位主要贡献单位1中兴通讯股份有限公司2中国联合网络通信集团有限公司3中国信息通信研究院4中国移动通信有限公司5中国电信股份有限公司6中信科7亚信科技8华为技术有限公司9紫金山实验室联系方式邮箱:COPYRIGHT2023 IMT-2030(6G)PROMOTION GROUP.ALL RIGHTS RESERVED.

    浏览量0人已浏览 发布时间2023-12-11 49页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • IMT-2030(6G)推进组:2023 6G前沿关键技术研究报告(网络技术领域)(47页).pdf

    北京稻壳科技有限公司Beijing Rice Hull Technology Co.,Ltd.地址:北京市朝阳区九住路 188 号IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2023 年年 12 月月版权声明版权声明 Copyright Notification未经书面许可未经书面许可 禁止打印、复制及通过任何媒体传播禁止打印、复制及通过任何媒体传播2023 IMT-2030(6G)推进组版权所有2IMT-2030(6G)推进组IMT-2030(6G)Promotion Group目录一、总体架构体系.4二、架构技术.41、空天地一体组网.41.1 技术简介.41.2 技术研究进展.61.3 技术研判.72、数字孪生网络.82.1 技术简介.82.2 技术研究进展.92.3 技术研判.103、6G 可信内生安全.113.1 技术简介.113.2 技术研究进展.123.3 技术研判.13三、组网技术.141、移动算力网络.141.1 技术简介.141.2 技术研究进展.151.3 技术研判.162、端网云协同.172.1 技术概念.172.2 技术研究进展.172.3 技术研判.183、新型网络共享.193.1 技术简介.193.2 技术研究进展.203.3 技术研判.21四、网络性能提升技术.221、韧性网络.221.1 技术简介.221.2 技术研究进展.231.3 技术研判.242、确定性通信.242.1 技术简介.242.2 技术研究进展.252.3 技术研判.273、语义通信和语义认知网络.273.1 技术简介.273IMT-2030(6G)推进组IMT-2030(6G)Promotion Group3.2 技术研究进展.283.3 技术研判.30五、网络服务能力拓展技术.301、网络大模型.301.1 技术简介.301.2 技术研究进展.321.3 技术研判.342、通信感知网络.352.1 技术概念.352.2 技术研究进展.362.3 技术研判.373、沉浸式通信.383.1 技术概念.383.2 技术研究进展.393.3 技术研判.41六、总结.43参考文献.44主要贡献单位.454IMT-2030(6G)推进组IMT-2030(6G)Promotion Group一、总体架构体系6G 作为新一代信息服务网络,将是一个连接智能、支撑数字与物理世界融合、实现多要素信息服务的时代。6G 网络将成为一个开放创新和提供信息服务的平台,具备超越连接的服务能力是其架构特征。网络能力包括无处不在的连接、算力网络能力,可信安全、感知、数据服务能力,以及基于 AI 的网络智能自治等能力。6G 平台化服务网络架构如下图所示,分为基础设施资源层,网络功能层,应用与开放层,以及贯穿各层级的内生可信和管理与编排功能。本报告将围绕 6G 网络架构展望为基础,从架构类技术、组网类技术、网络性能提升技术、网络服务能力拓展技术,四大类的 12 个前沿技术进行分析,力求对产业界、学术界相关工作起到参考作用。图 1 6G 网络架构二、架构技术1 1、空天地一体组网空天地一体组网1.11.1 技术简介技术简介6G 将构建跨地域、跨空域、跨海域的一体化网络,实现真正意义上的全球无缝覆盖,服务于远洋航行、应急救援、导航定位、航空运输、航天测控等重大应用。因此,空天地一体化组网是 6G 网络的关键技术之一。6G 空天地一体化组5IMT-2030(6G)推进组IMT-2030(6G)Promotion Group网是指以传统地基网络为依托,由各种不同轨道、不同能力的卫星构成的天基网络和由飞行器、临空平台构成的空基网络为拓展,构建立体分层、融合协作的网络。6G 空天地一体化组网可在天基、空基、地基网络之间实现网络资源的统一编排、弹性调度和网络功能的动态部署,在天基、空基、地基网络中灵活构建分布式服务网络,例如,天基服务网络可由空、天基接入节点与星载边缘核心网构成,地基服务网络可由空、地基接入网节点和地面核心网组成。在地面网络管理平台的控制调度之下,天基、空基、地基服务网络之间相互协作,共同提供无缝的全球覆盖,为空、天、地、海广域海量用户提供泛在无线接入和移动业务连续性保证,同时通过网络资源的动态调度,为用户提供快速的网络响应。空天地一体化总体网络架构如图 2 所示。图 2 天地一体化网络架构6IMT-2030(6G)推进组IMT-2030(6G)Promotion Group1.21.2 技术研究进展技术研究进展(1 1)难点及挑战)难点及挑战网元轻量化的设计网元轻量化的设计:在星上部署轻量化核心网,减少卫星接入对地面核心网的依赖是 6G 空天地一体化网络的发展趋势。对于核心网,由于卫星平台载荷和资源严重受限,核心网网元上星不仅需要摆脱厚重的专有设备,同时需要进行网元轻量化设计,保证在资源受限的情况下,更合理的部署核心网网元。而对于网元轻量化的设计,需要解决三个方面的问题:星上最小网元集、网元功能剪裁、接口流程简化。空天地协同组网空天地协同组网:在空天地融合组网场景下,空天网元节点随时间的移动会导致网络拓扑发生频繁的变化。相比于地面几乎静态的网络拓扑,卫星网络具有广覆盖、高动态拓扑、大时空尺度移动等特点。如何实现地面蜂窝网络与卫星网络相互协作,共同为用户提供接入,保证用户在地面蜂窝网络与卫星网络中获取连续用户体验,是空天地协同组网的重点和难点。星地算力资源调度星地算力资源调度:6G 网络中大量业务应用存在算力需求,算力网络是解决该问题的必要手段。然而卫星网络具有高动态拓扑,其网络状态变化频繁,星上载荷性能差异巨大,因此基于卫星边缘计算实现星地算力资源的协同调度是6G 空天地一体化组网技术面临的重大挑战。(2 2)当前研究状况)当前研究状况随着全球空间技术的发展与进步,以及空天地一体化网络在国计民生领域的重要作用,各国开始将空天地一体化网络视为重要基础设施加以高度重视,相应的空天地一体化组网开始成为全球研究热点。对于低轨卫星星座,各国都已着手卫星发射计划。目前国外已公布的星座规划有 14 项,典型的有美国的 Starlink 和 Kuiper、加拿大的 Telesat 等。中国也紧跟步伐,开始建设卫星互联网星座工程并发射了部分主干网卫星。在星地融合组网方面,欧洲的 SaT5G 项目团队宣布成功演示 5G 卫星系列操作,其愿景是为 5G 开发具有成本效益的“即插即用”卫星通信解决方案,使电信运营商和网络供应商能够加速所有地区的 5G 部署。而另一个 SATis5 项目则演示了卫星和地面网络在 5G 背景下进行融合的过程。7IMT-2030(6G)推进组IMT-2030(6G)Promotion Group在标准研究和制定方面,国内外标准化组织均已启动相关研究。ITU-R 在NGAT SAT 项目中提出了星地 5G 网络融合的 4 种应用场景。ITU 开展了 NGAT SAT立项,在 ITU-RM.2460 中分析了将卫星系统整合到下一代接入技术中的关键因素。ITU-T SG 13 完成了多个关于空天地一体化网络的项目,其中我国牵头制定了固移卫融合的空天地一体化国际标准体系。3GPP 从 Rel-15 版本开始启动卫星通信与 5G 融合的研究,在 R17 完成第一个版本的标准规范制定。5G NTN 在 Rel-18 阶段不断完善 5G NR 手机接入透明转发模式的卫星网络的技术方案和标准,为初步的星地融合通信提供解决方案和标准支撑。目前 3GPP 已经开始了 Rel-19 阶段的星地融合研究,旨在支持再生模式卫星接入,进一步提高星地融合 5G 网络的商业价值。CCSA 针对卫星与 5G 系统融合在多个工作组启动研究与标准化项目,在 2020年启动了天地一体 5G 网络场景及需求研究课题,对卫星通信 5G 网络场景及需求进行研究和定义。基于 5G 的卫星互联网 第 1 部分:总体要求标准项目,形成了包括核心网、承载网、接入网、业务模型,以及操作维护系统等在内的总体技术规范,切实指导卫星互联网的建设和运营,为研究 6G 系统夯实基础。在临空通信方面,欧洲 StratXX 公司研制出可部署于 21km 高度的临空飞艇;美国谷歌曾推出了 Loon 项目,尝试借助数千架临空气球平台实现互联网业务全球覆盖。我国已完成多型飞艇飞行测试与部分应用验证,具备较长时留空技术能力,进入世界第一梯队;开展了超长航时太阳能无人机飞行试验,验证了其在低高度、2050 公斤量级下多日飞行的能力。1.31.3 技术研判技术研判空天地一体化组网是 6G 网络实现全球智能互联的关键技术,将在多个领域发挥关键作用。其技术产业优势在于:可以提供全球性的互联网覆盖和连接,包括偏远地区和海洋等地方,消除由于网络连接障碍所导致的经济发展横沟;在自然灾害和紧急情况下可以提供稳定的通信支持;军事和国防领域有广泛应用,为国家安全提供了关键支持。未来空天地一体化组网还需针对以下方向进行研究:(1 1)星地切换:)星地切换:面向未来空天地协调组网场景,需考虑终端在星载基站、8IMT-2030(6G)推进组IMT-2030(6G)Promotion Group地基基站之间的灵活切换。由于星载基站的高速移动,无法为星载基站和地面基站上配置邻区,因此传统的基于地面切换技术无法使用,需要研究新的切换技术,完成切换决策和切换目标选择。(2 2)基于卫星边缘计算的云边协同:)基于卫星边缘计算的云边协同:为了实现 6G 网络中算力的灵活调度,应研究构建星地协同的算力网络。通过建立星地算力资源的动态感知机制和统一资源调度机制,实现云边协同,合理高效的利用有限的在轨计算资源,为用户提供更优质的服务和创造更大的经济价值。(3 3)星载网元部署和实现:)星载网元部署和实现:星载核心网网元通过轻量化技术处理,以适配卫星的载荷能力,为用户提供多样化服务,如:前期未形成覆盖全球的卫星星座时,为用户提供存储转发业务;为偏远地区用户提供实现终端-卫星-终端通信服务等。通过 NFV/SDN 技术将网元功能进行虚拟化和软化,可在星载通用可编辑平台上进行灵活部署与智能编排。对于核心网网元部署,不同的应用场景对核心网网元部署方式也有差异化需求,未来的研究需要针对具体的业务需求,设计合理的星载核心网网元部署方式,并按需提出星地协同机制,充分融合协同空天地网络。总得来说空天地一体化组网在未来发展具有巨大潜力,但需克服一些技术问题和成本问题,同时需要依赖国家政府的支持和行业合作来实现其产业化和可持续发展。2 2、数字孪生网络数字孪生网络2.12.1 技术简介技术简介数字孪生综合运用感知、计算、建模、仿真、通信等技术,实现虚实映射与交互,正成为构建新一代数字基础设施的使能技术和中坚力量。6G 网络将为“数字孪生”世界提供坚实基础;同时,面对持续增加的业务种类、规模和复杂性,6G 网络本身也需利用数字孪生技术寻求超越物理网络的解决方案。数字孪生网络(Digital Twin Network,也称:网络数字孪生)是一个包含物理网络实体,以数字化方式创建物理网络实体的虚拟孪生体,且二者之间可实9IMT-2030(6G)推进组IMT-2030(6G)Promotion Group时交互映射的网络系统。数字孪生网络的核心要素包括数据、模型、交互和映射。基于其对物理网络的高保真模拟与实时交互,数字孪生网络可以实现对物理网络的高效分析,诊断,仿真和控制。构建数字孪生网络系统的技术体系包括数据采集、数据服务、网络建模、网络验证、接口协议等关键技术。通过打造孪生体的完备功能实现网络虚实实时、安全可靠的交互映射能力的同时,需要考虑价值增益,通过成本和效益的平衡,实现 6G 网络孪生的全域高效部署。基于数字孪生网络,未来 6G 网络可以进行更深度实时且多维度多模态的状态同步,并提前进行故障预防、寻优尝试和策略效果性能预验证,从而可实现“定目标”、“寻优化”、“治未病”、“防劣化”、“探未知“、”做增广”等先进的网络治理能力。同时,可以助力未来网络实现自生长、自演进的智能自治愿景。图 3 数字孪生网络架构2.22.2 技术研究进展技术研究进展随着数字孪生技术的发展及其在生产制造、智慧城市、智慧交通等多个产业的应用,数字孪生技术理念在通信网络领域的应用也逐渐被业界研究和关注。在学术界,国内外高校对 DTN 的研究主要包括网络架构,构建技术、数字模型、关键技术以及发展趋势等,提出了特定应用场景的技术方案。内布拉斯加大学林肯分校提出了一种新的高效计算方法来构建数字孪生网络,其通过增强现有10IMT-2030(6G)推进组IMT-2030(6G)Promotion Group的网络模拟器(NS-3),并使用深度学习技术来弥补不同网络状态下真实网络与数字网络的差异,试验表明减少了 91%的差异。国内研究团队提出基于赛博孪生(Cybertwin)的下一代网络架构,通过人和物在虚拟世界的数字表示,提供通信助理、日志记录和数字资产等功能,适于未来网络从端到端连接至云到端连接的演进。北京邮电大学针对卫星网络路测的设计和差异化路测模型同步的挑战,设计了卫星通信网络的分层数字孪生网络,定义了中心路测和边缘路测模型,此外,针对模型同步问题,提出了三种提高模型同步效率的方法,即动态 DT 迁移、QoS感知 DT 同步切片和定位器-标识符-隔离寻址机制。在产业界,Aria 公司的产品 STEP-T(Strategic traffic engineering andplanning tool)在运营商客户的骨干网上建立数字孪生体,运用人工智能技术在大规模复杂骨干网上完成了路由优化和故障仿真。华为公司的“数字地图”方案构建出实时的网络数字地图,基于网络性能指标的实时监控,绘制出网元、协议、网络、分片、业务五个层次的信息,实现对网络状态的实时监控。NVIDIA公司的网络数字孪生方案 Air,构建、模拟和体验由网络操作系统驱动的数据中心,提供了一个始终可访问、始终在线的培训或试生产环境。中兴通讯基于数字星云架构,构建了统一的数字孪生平台,进行了接入网数字孪生网络容量能力、相似度及预测能力测试。中国移动 2021 年发布了业界首篇数字孪生网络(Digital Twin Network)白皮书,系统探讨了数字孪生网络的概念、关键技术、能力评级及典型应用场景。标准推进方面,ITU-T、IETF、3GPP 和 CCSA 等国际国内标准化组织中均开展了数字孪生网络的相关课题研究和标准制定。2022 年 2 月,ITU-T 发布了业界首个数字孪生网络标准 Y.3090,定义数字孪生网络的架构和技术需求,同步推进数据域技术、能力等级体系和评估方法等标准项目。2022 年 3 月,IETF NMRG研究组通过数字孪生网络概念和架构立项,并同步开启了 DTN 接口、数据采集、网络建模等项目研究。2021 年 11 月,CCSA TC3 成立数字孪生网络子组,先后启动 DTN 总体技术、网络建模、路由仿真、评估方法等多个行业标准项目。2.32.3 技术研判技术研判数字孪生网络的概念和价值已在业界形成初步共识,面向 6G 网络的数字孪11IMT-2030(6G)推进组IMT-2030(6G)Promotion Group生将进一步呈现出孪生边界拓宽、虚实同步交付、架构跨域协作、孪生体个性定制等技术特征,驱动 6G 网络从自维护、自优化迈向自生长、自演进。数字孪生网络还需针对以下方向开展研究。(1 1)网络大模型赋能的数字孪生网络技术。)网络大模型赋能的数字孪生网络技术。网络大模型具有强大的生成能力和泛化能力,可帮助数字孪生网络系统完成精确的网络意图感知和解析,实现对网络需求和场景的快速理解和适配。同时,数字孪生网络系统借助网络预训练大模型,实现低现网数据依赖的数据生成和优化,提高网络建模的效率和准确性,加速多场景下孪生系统的部署效率。针对网络大模型和数字技术的融合中的高效建模算法、数据隐私保护、及时训练推理、资源能效等问题和挑战,亟待重点攻关。(2 2)统一的数字孪生网络标准统一的数字孪生网络标准、开放的开放的 DTNDTN 平台平台。通过推进制定 DTN 架构、数据、建模、接口等统一标准,形成全领域、全网络、全场景可兼容互联的数字孪生虚实生态。通过定义可度量,可评测,可落地的数字孪生网络能力分级体系,促进业界形成对数字孪生能力程度的统一认识并指导原型和应用的分阶段部署。通过开源合作,制定 DTN 通用技术框架,打造 DTN 开放平台,加速面向应用的技术方案落地。3 3、6G6G可信内生安全可信内生安全3.13.1 技术简介技术简介6G 网络趋向复杂性、多样性发展,网络的暴露面不断增加、网络边界将被全面打破,网络安全风险将不断增大。传统的附加式、外挂式、边界防护等安全机制无法实现网络的纵深防御,难以满足精准化、高效率、动态化的安全防护需求。基于“信任 安全”融合构建 6G 可信内生安全体系,是将可信、安全功能融入在网络交互和业务流程中,实现网络威胁精确感知、安全能力按需编排、信任关系实时构建等能力,形成“通感算智安”能力融合一体化设计。12IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 4 可信内生安全网络架构从持续发展的角度,可以进一步阐述 6G 可信内生安全技术:(1 1)端到端安全架构。)端到端安全架构。包括构建信任基础设施,实现如分布式数字身份、认证与授权体系,网络资源的共享共识,信息的追踪和审计等 6G 网络能力;实现网络与业务可信,如设备单点可信、网络可信,以及网间可信、业务可信性。(2 2)安全能力的持续更新与演进。)安全能力的持续更新与演进。不仅应伴随网络与业务的设计、部署、运行与运维而适应性提供解决方案,而且应保证在不影响 6G 业务运行的前提下,能够动态实施安全能力的部署、迭代和更替。(3 3)安全能力的多样化和可定制化。)安全能力的多样化和可定制化。基于更先进的技术,提供抗量子攻击能力、安全轻量化、隐私保护和数据安全能力、智能化攻击防护能力,并在各类能力里提供更多单点技术供按需调用和配给;采用软件定制安全的理念,结合6G 以用户为中心的可定制化思路,基于安全能力的模块化,通过智能化编排、调度和管理,实现安全能力为不同场景提供定制化服务。3.23.2 技术研究进展技术研究进展ITU-R 于 2022 年发布面向 2030 及未来的 IMT 技术趋势报告,提出 6G 的安全、隐私和韧性,以抵御新技术、新场景带来的安全挑战,并为 6G 网络和业务提供信任支持;之后在 2023 年 6 月完成的IMT2030 未来发展框架和总体目标报告中进一步将增强的安全、隐私和韧性作为 6G 能力之一。NGMN 于 2023 年 10 月发布了6G Trustworthiness Considerations,从安全、隐私、韧性、可靠性、人身和公共安全等方面阐述 6G 需求和挑战,探讨了实现 6G 安全可信赖性的技术设计考虑,包括分布式信任基础设施、动态信任13IMT-2030(6G)推进组IMT-2030(6G)Promotion Group模型、智能安全协同、解耦安全服务以及客观信任评估。欧盟 6G 旗舰项目 Hexa-X 提出要构建值得信赖(Trustworthiness)的 6G,要求确保端到端通信的机密性、完整性和可用性,保护数据隐私,保障网络运行弹性和安全性。2023 年 1 月,Hexa-X 公布了 6G 安全架构,指出 6G 安全将建立在当今网络经过充分验证的安全原则和机制的基础上,并进行扩展和增强,也将在未来成熟时采用新技术。中国 IMT-2030(6G)推进组网络组安全子组于 2021 年发布了6G 网络安全愿景技术研究报告,提出了以“主动免疫、弹性自治、虚拟共生、泛在协同”为特征的 6G 安全愿景;在 2023 年成立了 6 个课题进行 6G 网络安全研究,包括6G 可信内生安全架构、6G 区块链架构与关键技术、基于区块链的终端数据授权技术、支持可信的分布式数据管理的无线网络技术研究、星地融合安全技术研究和通信感知一体化安全技术。3.33.3 技术研判技术研判从国内外组织对 6G 网络安全的研究成果来看,可信和内生将是 6G 网络安全架构的两大基本要素。利用 6G 网络的重构机会重构安全,将安全内建在 6G 网络架构中,包括与网络的数据面、编排体的联动,形成 6G 网络安全的架构和关键技术。6G 候选可信关键技术可以分为三类:(1 1)可信内生安全技术)可信内生安全技术,包括无线物理层安全、拟态防御拟态构造、可信服务和 IP 网络可信通信等技术。其中,无线物理层安全的典型技术包括通信安全一体化技术,主要思想是发掘利用通信处理和密码计算内在数学结构的相似性,达到传输和安全合一的效果,逼近一次一密完美安全,抵抗量子计算威胁,满足6G 业务需求。(2 2)DOICTDOICT 技术赋能技术赋能 6G6G 安全安全,包括区块链、软件定义安全和人工智能安全等技术。其中,6G 区块链技术需要在 6G 场景下对于对其进行重新定义,既不同于传统的互联网公链,也不同于基于云的 BaaS 平台与服务,而是以 6G 网络作为区块链的基础设施,服务于 6G 网络、业务、行业。(3 3)传统安全技术增强传统安全技术增强,包括量子安全、隐私保护等技术。其中,6G 的隐私保护应从数据的生成、存储、传输、运用四个阶段入手,为隐私信息提供全方14IMT-2030(6G)推进组IMT-2030(6G)Promotion Group位、多角度、完整生命周期的防护。三、组网技术1 1、移动算力网络移动算力网络1.11.1 技术简介技术简介算力网络是指利用分布在云、边、端上的计算资源,通过网络连接协同工作,按需分配和灵活调度计算资源、存储资源以及网络资源的新型信息基础设施。通过有效地管理和分配分布式计算资源,将计算任务分发到合适的设备上进行处理,提供高效、灵活、可扩展的计算能力,以满足不同应用场景的需求,实现任务的并行执行和负载均衡,提高计算效率和性能。移动算力网络作为算力网络的重要组成部分,聚焦移动通信网的算力,对网络的连接质量有严格的要求,包括时延、抖动、带宽、丢包率等指标,移动算力网络以提供连接服务的移动网络为基础,结合移动网络内的泛在算力部署(终端算力、基站算力、边缘算力等算力资源),并通过管控机制来协同联接资源与算力资源,从而实现按需计算服务在移动网内的最优体验。在业务上,移动算力网络以移动网络为基础,实现了用户到用户、用户到应用的最优接入路径与最佳访问体验,同时可以为移动网络原生智能和计算资源或电量受限的移动终端提供按需的计算服务。移动算力网络可以基于核心网与无线接入网的移动性管理、会话管理等能力,高效的保障用户移动模式下业务的 QoS,特别是业务 QoS 中的连接部分。在架构上,移动算力网络在移动网络对连接的核心管控能力基础上,引入联接资源与算力资源的统一管控、统一调度等关键能力,通过管控机制实现移动网络内的连接与计算资源的深度协同,更好地适配无线动态环境,从而保障通信和计算的联合 QoS 性能,如图 5 所示。15IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 5 移动算力网络功能需求架构图1.21.2 技术研究进展技术研究进展结合移动网络的算网融合发展,运营商及相关企业在各自发布的 6G 研究中提出在移动网络中融入计算、智能的设计构想,引入“算力”作为新的要素,网络调度对象从单一的连接向连接 算力扩展,实时感知协同控制网络中的通信和计算会话等。欧洲的 6G 研究项目 Hexa-X 将计算作为服务,提出人工智能驱动的通信与计算协同设计的 CaaS 方案,在接入侧及核心网侧设计 CaaS 信令,从而让终端侧的计算任务可以实时卸载到网络侧,且能够发现和选择适合处理计算任务的网络节点。美国的 Next G 联盟提出通算融合的方案,在空口侧支持通算融合特性、支持端网协同时的动态卸载、设计通算资源控制机制,使能网络通算融合,支持跨设备跨网络节点的高效分配计算负载。国内 IMT-2030(6G)推进组网络技术工作组也已在移动算力网络领域,结合核心网网元的算力调度,进行了技术论证。在算力路由方面,IETF 已经成立专门的工作组 CATS(Computing AwareTraffic Steering)推动算力路由方向的研究;在 CCSA TC3 中,国内各运营商和设备厂商也积极开展了算力路由方面的标准推进工作,分别在算力路由控制面和转发面上制定了相应的行业标准。在编排调度方面,移动算力网络应包括云网统一编排、调度管理、业务与资16IMT-2030(6G)推进组IMT-2030(6G)Promotion Group源协同、与现有标准适用性等能力。未来,电信运营商发布各自算网编排调度产品,可为客户推荐最优资源编排方案,目前可以纳管包括骨干云、MEC 边缘云、公有云等多样化异构算力,形成统一编排调度能力,支持通用算力、超算、智算等异构算力的统一接入、统一封装、统一调度。在研究取得进展的同时,当前移动算力网络仍面临以下挑战,包括如何构建高效的网络结构,实现资源的快速调度和分配;针对任务调度与资源管理需要考虑到移动设备的异构性和动态性,并有效地将任务分配给合适的设备,实现资源的均衡利用等。在克服这些挑战的过程中,需要跨学科的合作和创新,以推动移动算力网络的发展和应用。1.31.3 技术研判技术研判移动算力网络具有广阔的技术前景和应用前景。随着移动设备的普及和计算能力的不断提升,移动算力网络是实现 6G 的关键技术,需要探索通算融合控制、计算服务会话管控、智能服务感知、移动算网编排等潜在关键技术的发展态势和引入的可能性。未来的研究方向可以从以下几个方面进行探索:(1 1)通算融合控制机制。)通算融合控制机制。6G 移动算力网络的通信控制功能和计算控制功能之间的如何相互感知异构资源状态(如连接资源、计算资源),并进行高效协同,从而实现持续保障计算服务执行过程中的 QoS。(2 2)计算服务会话管控。)计算服务会话管控。如何高效支撑不同端边云计算节点之间协作的计算会话管控,支持终端移动性下的服务连续性等场景。(3 3)实现移动算力网络的智能服务感知。)实现移动算力网络的智能服务感知。通过在移动算力网络中引入服务感知技术,使移动网络具备移动算力资源和移动算力业务的感知能力,支持面向全网算力部署的灵活路径选择,构建面向移动算力网络的服务感知统一体系。(4 4)提供移动算网统一编排调度服务。)提供移动算网统一编排调度服务。通过接入网、承载网、核心网多专业融合演进,实现移动算网统一编排调度,使算力在移动网络内的合理分布与高效协同,提供更低时延抖动、更高效率的计算服务。17IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2 2、端网云协同端网云协同2.12.1 技术概念技术概念在网络连接技术飞速发展的今天,云端、网络和终端的协作关系正在经历一场变革,逐步形成了一个全新的云网端协同的系统架构。在这个新的架构中,云端和终端各司其职。云端负责处理计算和数据,具有出色的计算效率、系统化的数据处理能力以及高精度、高效率、高覆盖率的人工智能。网络作为系统的纽带,通过与云端的融合,形成了低延迟、广覆盖的网络,连接各种形态的云端和终端,使得云网端形成了一个更加有机的整体。终端作为系统的交互界面,可以大幅度地简化非必要的计算和数据资源,从而更专注于提供如沉浸式体验等用户体验。终端的形态将更加多样化,满足各种场景下的交互需求。通过终端和云端的协同工作,可以在一种终端上完成多样化的场景,并在多种终端上提供一致的体验。云网端的融合协同将更有效地推动新型应用的诞生,如高精度工业仿真、实时工业质检以及元宇宙虚拟世界等。图 6 端网云协同架构2.22.2 技术研究进展技术研究进展端网云协同架构近年来受到产业界广泛关注。移动网络作为连接服务提供方,18IMT-2030(6G)推进组IMT-2030(6G)Promotion Group为终端与云平台之间提供了无处不在接入服务。因此,在传统的端网云协同中,网络往往作为提供边缘接入的角色,如边缘计算(MEC)场景。各大云产商与 OTT厂商相继推出端网云协同产品,通过构建云-边-端一体化协同体系,打造全新的计算产业生态,推动边缘智能普惠。此外,开源架构将进一步丰富了端网云协同的产业生态体系。此外,移动网络运营也将 MEC 边缘云视为发展 5G 2B/2C 高价值业务的重要战略,以 CT 的联接能力和 IT 的计算能力为切入点,逐步形成了包含完整业务平台和运营平台的“云网边端业”一体化的商用 MEC 体系。学术界在端网云协同方面对资源协同、智能协同和数据协同等协同方式进行了大量研究。如联合通信和计算资源协同分配算法1,云边协同计算卸载2、基于端边云平台的 IoT 部署优化3等等。此外,随着 AI 研究在近几年的火爆,通过云网边端进行智能算法协同训练及推理来实现万物智联也成为了一个研究热点。在标准化方面,MEC 作为端网云协同的重要应用场景,近些年,在全球各个标准体系中一直受到关注。各大设备商与运营商也在 ETSI 和 3GPP 等国际标准化组织中积极推动 MEC 相关标准的制定。2014 年,欧洲电信标准协会(ETSI)正式定义了 MEC 的基本概念并成立了 MEC 规范工作组,开始启动相关标准化工作。2016 年,ETSI 把 MEC 的概念扩展为 Muti-access Edge Computing,意为“多接入边缘计算”,并将移动蜂窝网络中的边缘计算应用推广至像 Wi-Fi 这样的其他无线接入方式。在 ETSI 的推动下,3GPP 以及其他标准化组织也相继投入到了MEC 的标准研究工作中。目前,MEC 已经发展演进为 5G 移动通信系统的重要技术之一。而随着 6G 网络标准化工作的开展,端网云的协同的标准化工作将不仅围绕网络提供终端与应用之间的边缘连接管道服务,还需要考虑 6G 网络在端网云协同中提供超越连接的新服务。2.32.3 技术研判技术研判未来的 6G 网络中,移动网络将提供超越连接的内生服务,AI、感知、智能计算等先进的能力服务都可以开放给终端与应用所使用,后续研究方向建议从如下几个方面开展:(1)网络在端网云协同中将提供超越连接的服务,因此,需要研究移动网研究移动网19IMT-2030(6G)推进组IMT-2030(6G)Promotion Group络如何支撑终端与应用的非连接业务需求络如何支撑终端与应用的非连接业务需求。例如,移动网络内的连接、计算与数据服务之间如何调度与协同以满足终端的能力卸载需求,终端的非连接服务请求的 QoS 保障机制如何设计等。(2)研究终端参与网络与云的协作任务。研究终端参与网络与云的协作任务。网络作为终端与应用之间的连接者,还需要考虑如何将终端与应用之间的能力进行高效的管理与调度。例如,移动网络是否可以作为一个能力服务的管理平台,为终端、网络服务与第三方服务提供商之间进行能力服务的管控与协调,从而满足智能普惠的网络愿景。(3)从标准制定的角度看,6G 网络控制面、用户面都需要进行端到端的协议演进。控制面演进可以考虑研究支撑端网云协同的新网络功能设计研究支撑端网云协同的新网络功能设计、终端与移终端与移动网络之间的信令增强设计、网络为三方提供的能力开放服务等动网络之间的信令增强设计、网络为三方提供的能力开放服务等。6G 用户面需要在支持传统数据传输的能力外,需要研究如何支持可编程的能力研究如何支持可编程的能力、数据随路处数据随路处理的能力、跨域协同与业务感知的能力等以满足不同的业务处理与传输需求。理的能力、跨域协同与业务感知的能力等以满足不同的业务处理与传输需求。3 3、新型网络共享新型网络共享3.13.1 技术简介技术简介网络共享是指多个运营商共享同一网络设施和/或频谱资源,以提高网络效率和降低建设成本。这种模式可以促进网络资源的充分利用,提高网络覆盖范围和质量,同时也可以降低网络建设和运营成本。3GPP R15 版本标准明确 5G 系统应支持 MOCN 共享模式,在该共享网络架构下,根据载波是否共享又分为独立载波网络共享和共享载波网络共享。面向 6G,网络共享仍将是重要的课题,其内涵也将进一步延展。首先,移动通信向高频演进的趋势明显,网络覆盖成本持续提升,而且频谱资源碎片化,如何通过频谱共享技术提升频率使用效率,实现覆盖增强与容量提升是业界的重点关注。其次,支持天地一体是 6G 网络的重要特征,卫星网络的建设周期长建设成本高,而且存在中低轨卫星长时间飞离运营商所在国家,无法继续服务本国,导致投资利用率低的问题,网络共享将是必然选择。面向 6G 的网络共享将从地面网络向空天网络延伸,利用卫星等空天网络为地面网络提供补充覆盖是 6G 的20IMT-2030(6G)推进组IMT-2030(6G)Promotion Group重要研究方向。第三,6G 网络将超越连接,提供智能、感知等新能力,如何通过运营商之间的 6G 网络共享实现 6G 新能力共享亟需业界共同研究。图 7 新型网络共享技术概念图3.23.2 技术研究进展技术研究进展学术界的研究主要聚焦在基于分布式技术(如区块链技术),实现多个运营商之间的无线网络资源共享。通过分布式技术的灵活性可以使能网络共享中的资源自动化共享,提升共享效率。此外,区块链技术带来的原生可信机制可以保障网络资源在共享过程中的共享行为可追溯,保障运营商的利益。国际标准方面,移动运营商之间的地面网络的网络共享技术已经成熟,针对卫星等空天网络的网络共享研究也已启动。3GPP R15 版本标准明确 5G 系统应支持 MOCN 共享模式,网络和终端应支持使用多个 PLMN ID 的能力。ITU-T SG13 重点研究未来网络和新兴网络技术,组内有相关项目研究固定/移动/卫星融合网络的网络共享要求和功能要求,研究内容包括网络共享支持不同运营商和组织共享接入网(如卫星)和融合网络的网络功能,包括共享星上 RAN 功能、共享星上RAN UP 功能、共享星上 RAN CP UP 功能。行业组织 5G Americas 发布的白皮书5G&Non-Terrestrial Networks指出 NTN 和 TN 可以在卫星运营商和地面网络运营商之间通过漫游模式或共享模式实现协作。白皮书阐述了地面移动网络运营商与卫星网络运营商之间可能的关系,例如在地面网络没有覆盖的地区使用卫星网络的场景,同时描述了可能的技21IMT-2030(6G)推进组IMT-2030(6G)Promotion Group术方案。在国内,中国电信和中国联通采用 MOCN 共享模式已经实现了 5G 网络共建共享,取得了很好的效果,同时也积累了丰富的经验,我国在网络共享实践和研究方面已经走在世界前列。2019 年中国电信与中国联通签署5G 网络共建共享框架合作协议书,在全国范围内合作共建一张 5G 接入网络,双方划定区域,分区建设,各自负责在划定区域内的 5G 网络建设相关工作。2021 年中国电信和中国联通共同建设了区块链平台,并打通电信天翼云与联通云,成功跨云组建区块链网络,为双方 5G 共建共享服务提供底层可信区块链基础服务能力。2022 年对区块链系统能力进行优化提升,实现了运营商之间的参数核验存证、双边工单确权、双边资源调度、铁塔站址租赁确权等多运营商协同场景。此外,国内还开展了700MHz 网络基于异网漫游的网络共享研究和测试验证。结合 5G 共建共享的实践,国内企业已经启动 5G-A、6G 网络共享相关研究,包括探索通过网络 AI 技术、数字孪生技术解决共享网络配置优化等运营问题,探索频谱融合和动态频谱共享机制解决覆盖和容量提升问题、面向 6G 的空天一体场景下的卫星网络的共享方案等等。3.33.3 技术研判技术研判综上所述,网络共享可以显著降低运营商的网络部署成本,成为海内外运营商重点关注的网络技术,面向 6G,网络共享研究的深度和广度将进一步延伸,后续研究建议如下:(1)面向共建共享网络的运营,建议深化区块链技术在网络共享领域研究,为网络共享提供信任基础;深化数字孪生技术研究,服务共建共享网络的全生命周期管理,在网络规划、维护、优化等阶段赋能共建共享网络。(2)面向 6G 网络新能力的共享,建议加强网络的感知能力、数据服务能力、计算能力以及 AI 服务能力的共享技术研究,包括新能力共享的需求场景、网络架构、共享机制、业务流程、计费结算等。(3)面向卫星等空天网络的共享,建议研究卫星等空天网络漫游和共享场景和关键场景的甄别,不同场景对地面网络以及卫星网络技术需求,漫游和共享方案的网络架构及关键流程机制设计,以及技术标准化和产业化推动等。22IMT-2030(6G)推进组IMT-2030(6G)Promotion Group四、网络性能提升技术1 1、韧性网络韧性网络1.11.1 技术简介技术简介未来 6G 网络中越来越多新技术的采用,使得系统变得越来越复杂,而针对水灾、地震、飓风或恐怖活动等灾害、应急事件下,网络服务中的任何故障、篡改或降级都可能产生高度破坏性甚至潜在的灾难性影响。因此未来 6G 网络需要支持韧性可靠,具有高度的大规模弹性、可靠性和可用性,并且所有这些功能都能够随着网络和服务复杂性的增长而扩展。从当前业界对网络韧性研究的项目内容来看,网络韧性主要包括如下几个方面:安全性、自适应、自治性和可靠性。(1 1)安全性安全性:6G 网络能够对潜在的威胁进行预测,针对可能出现的攻击事件和网络威胁,调整响应策略。当发生攻击时,网络能够快速识别根本原因,同时网络应具备预防和适应变化的能力、抵御网络攻击的能力(2 2)自适应性:)自适应性:当网络资源可用性受到破坏性事件影响时,网络服务能够平稳降级并能够迅速恢复业务的能力,这些能力能够最大程度减少损失,并保持关键业务正常运转。(3 3)自治性自治性:通过部署人工智能(AI)/机器学习(ML)等技术,网络实现零接触的自主管理和运营能力,能够适应业务需求的变化,灵活地扩展和升级(4 4)可靠性可靠性:6G 网络支持在任何异构环境中的严格时延和高可靠的通信以及高精度定位。网络能够持续提供服务,即使在某些组件出现故障的情况下也能保持正常运行。23IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 8韧性网络1.21.2 技术研究进展技术研究进展美国国家科学基金会 NSF 宣布一项超过 4000 万美元的投资,旨在开发智能、有弹性且可靠的下一代网络,该项目命名为“RINGS”(Resilient&Intelligent NextG Systems,下一代弹性和智能系统),目前该项目已经资助 37个项目。美国 NGA(Next G Alliance)发布了6G 系统的信任、安全和弹性:提出基于零信任原则构建网络,以便为用户提供高水平的可靠性以及对可用性、功能安全和隐私的关注。在广域云演进的 6G 技术白皮书中,提出了为了支持弹性分布式计算,6G 应该能够理解计算任务、能够将计算请求发送到合适的节点并保证通信资源。需要定义新的控制面协议,使得计算和通信相互感知。国内 IMT-2030(6G)推进组网络技术组在6G 分布式网络技术的应用场景及需求研究和6G 分布式自治网络架构和关键技术研究提出分布式自治网络架构,从架构角度支持网络弹性,在场景定制化的 6G 分布式网络架构及技术研究中提出了场景定制化的分层分布式的网络架构,从而提高网络为各类场景服务的能力;在6G 网络安全愿景技术研究报告和6G 可信内生安全架构研究等技术报告中从安全性的角度设计和构建了 6G 可信内生安全架构。我国研究人员提出了一种支持网络韧性的多模态网络技术,该技术提出了网络全维可定义,协同融合各种异构网络,包括 5G 网络蜂窝网络、卫星网络、D2D通信、物联网、无人机(UAV)、移动自组织等,网络能够根据业务需求通过网络节点间的协同来灵活构建网络服务。基于云化基础设施,网络架构随时可变,面向业务场景适配,“网络架构随选”。涉及的关键技术包括 6G 信息网络弹性适变24IMT-2030(6G)推进组IMT-2030(6G)Promotion Group体系架构理论、分布式节点知识构建和安全可信共享、任务驱动的智慧自组网、多域资源融合等等。1.31.3 技术研判技术研判网络韧性网络韧性的达成并不是单一技术的达成并不是单一技术,而是多种技术的有机结合而是多种技术的有机结合。网络韧性相关的技术研究包括了网络架构、数据管理、智能内生、安全内生等多个方面。从NSF 的 RINGS 项目支持的课题来看,覆盖了从电路、设备、天线、信号处理算法、电磁频谱、网络协议、计算设备以及无线链路、边缘、核心和云存储等支持组件和技术。这些技术目前还处于架构概念设计阶段,如何有机结合并在 6G 网络架构中应用目前尚未待进一步研究。网络韧性的体系架构相关的研究尚未收敛网络韧性的体系架构相关的研究尚未收敛。网络韧性的后续研究,需要我国产业界、学术界深度参与,联合开展理论验证工作;针对目前在研的研究课题需要加快研究进度,并且尽快考虑这些技术的产业落地。预计 6G 的网络架构将基于 5G 的服务化架构进行进一步演进,因此需要尽快明确这些技术对现有 5G 网络的增强,并且开展关键技术原型验证工作,以验证技术的实际效果和可用性。2 2、确定性通信确定性通信2.12.1 技术简介技术简介在 6G 移动通信的应用场景中,有些业务对传输时延、时延抖动要求极高,并对网络的可用性和确定性也有较高要求,传统以太网、IP 网络遵循“尽力而为”的设计理念,然而“尽力而为”的网络如今越来越难以满足工业互联网、车联网、沉浸式业务等场景的新兴业务需求,5G 与 TSN 的协同网络无法支持跨广域网长距离的确定性通信和非周期性业务,这些问题有望通过 6G 确定性网络技术得到解决。6G 确定性网络的特征具体包括低传输延时、高精度授时、高传输速率、低时延抖动、超可靠传输、广域大覆盖等。在 6G 网络设计时,需要在现有固网的确定性传输协议基础上,通过使用主动 QoS、精准时钟同步、复制消冗等新技术来实现确定性网络的异构接入、固移融合、协同管理,实现端到端跨层、跨域25IMT-2030(6G)推进组IMT-2030(6G)Promotion Group的确定性数据传输,实现 6G 确定性网络大致包括下图所示的技术。图 9 确定性网络技术未来更多的确定性指标包括带宽、定位等也需要重点考虑,以进一步满足一些业务对可靠性和稳定性的更高要求。确定性网络技术是用来实现端到端准时、准确(可靠)的数据传输的确定性服务质量保障技术,各节点的时钟同步是 6G确定性网络实现的基本要求和根本保证,见下图。图 10 确定性网络时钟同步面向 6G,通信网络的各节点均可能具备一定的感知和计算能力,各节点能够获取网络实时状态并辅助网络进行资源调度与流量调控,从而满足确定性传输需求。此外,确定性网络技术的部署还可以和边缘计算技术统筹考虑,进一步提高网络性能;不同的确定性 QoS 和尽力而为 QoS 需要在同一个网络中共存,这也是确定性网络价值的重要体现。2.22.2 技术研究进展技术研究进展为了满足对确定性业务转发需求,多个标准组织从不同协议层面推进确定性26IMT-2030(6G)推进组IMT-2030(6G)Promotion Group网络的研究工作。IEEE 主导的 TSN 技术面向局域网场景,在层二以太网层面上研究时间敏感网络技术,已发布了系列标准,技术逐渐成熟。IETF 主导的 DetNet标准面向广域网场景,致力于在层三上支持确定性网络服务,标准正在制定,预计标准成熟还需要 2-3 年。国内 CCSA 正积极推进确定性网络、时间敏感网络等研究和标准制定工作,已有 40 余项标准在研或发布。IMT-2030 网络工作组成立确定性子组,开展6G 确定性业务需求及关键技术研究等专题研究。3GPP R16 首次提出了支持时间敏感网络的技术方案,5GS 作为 TSN 网桥与外部系统集成实现数据转发的确定性。为更好匹配行业应用需求,实现多个 5G 终端之间互访的确定性,R17 版本对架构进行增强,引入 5G LAN 机制、TSCTSF 网元,支持无需外接 TSN CNC 即可实现 5G 系统内的确定性转发管理能力,实现 UPF内/间的 UE-UE 间的确定性转发能力。R18 版本持续增强确定性能力,实现对DetNet 的支持,以及 5GS 授时和时间同步方面的功能增强,提升空口的确定性能力。在学术界,针对确定性网络流量调度和控制技术,明确了 6G 跨域场景下多业务流确定性面临的技术挑战4,通过流量整形和控制,在满足时延和带宽约束的条件下获得较好的性能56。针对确定性端到端时延保障技术,提出了面向确定性时延性能的端到端拥塞控制协议,根据业务流和网络状态动态调整优先级7;提出一种联合拥塞控制和队列管理的方法,获得确定性端到端时延以及最小时延抖动8。针对确定性网络的行业应用,面向工业控制9、车联网10、智能电网11等典型应用,提出了确定性网络的通信方法和技术演进方向。在产业界,已成功实现了各个场景下确定性流的时延抖动控制在 15 微秒以内,突破了确定性流和非确定性流并存的问题。在北京-南京千公里级别试验环境中,成功进行了 DIP 试验,验证了 DIP 在大网上的确定性转发能力,抖动可被控制在 30 微秒以内。在福建泉州进行了包括无线、承载、核心网在内的跨域确定性网络技术的创新试点,包括 5G TSN 和 URLLC 等技术验证。未来确定性网络将朝着端对端确定性传输方向演进,以便为产业上下游客户提供差异化、多样化、个性化服务。在工业领域,IIC 联盟、CC-Link 协会等均在推动 TSN 技术应用。德国电气和电子制造商协会(ZVEI)成立了 5G 互联产业与自动化联盟 ACIA,推动 5G 在工27IMT-2030(6G)推进组IMT-2030(6G)Promotion Group业生产领域的落地。但碎片化的工业领域技术壁垒高,存量设备安装惯性高,向工业网络过渡将是一个缓慢的过程。国内众多企业和研究机构联合成立工业互联网产业联盟 AII、5G 确定网络产业联盟 DNA 等以促进相关技术的研究和应用。AII 积极推进 TSN 及 5G TSN 产业链发展,5G DNA 先后发布多份白皮书并面向不同垂直行业领域开展融合应用研究。针对工业领域和移动网络领域标准融合的不足,期待后续行业标准有更大的影响力和落地措施。2.32.3 技术研判技术研判5G 确定性网络已在工业互联网等领域取得了相当的成就,实现了 5 到 10ms的端到端时延,99.999%的可靠性传输,支持了部分 IEEE TSN 和 IETF DetNet功能。6G 确定性网络有望在下述多个关键技术领域获得突破,最终实现 0.1 到0.5ms 传输时延,99.99999%的可靠性12,以及端到端全流程确定性保证:(1 1)基于基于 6G 新能力确定性保证:新能力确定性保证:研究内生智能、通感一体等 6G 新能力,进行业务感知、信道预测、终端轨迹跟踪,优化终端管理和调度,助力 6G 网络确定性能力提升。(2 2)空口确定性保证:空口确定性保证:研究多对多联合传输,基于用户的动态网络选择,大规模分布式天线,快速传输等技术。(3 3)非同步确定性非同步确定性保证保证:支持异步或同异步混合组网方案,研究流量整形、跨层队列管理和资源映射调度机制等。(4 4)端到端全流程联合确定性保证:端到端全流程联合确定性保证:研究跨域确定性信息协同、网络管理能力拓展、广义 QoS 度量体系、多维度联合路由等。3 3、语义通信和语义认知网络语义通信和语义认知网络3.13.1 技术简介技术简介6G 的重要愿景之一是实现通信网络的智慧内生。其内涵是围绕人类用户和网络需求,按需提供通信和网络服务,最终实现服务随心所想、网络随需而变、28IMT-2030(6G)推进组IMT-2030(6G)Promotion Group资源随愿共享的目标。6G 网络将不仅仅聚焦信号的传输和复现,而将同时具备语义认知、识别、分析、理解和推理能力。将语义认知融入通信系统有望促使通信网络架构从传统的数据驱动向语义驱动的范式转变,以此为用户提供更加高效、节能、智能化的服务,并最终推动 6G 内生智能的发展。语义通信是一种全新的通信范式。一方面,它以认知与达意通信为主要目标,通过将用户对信息的需求与认知融入通信过程,减少冗余信息的传输,大幅提高通信效率、改善用户体验质量(QoE,quality-of-experience)。另一方面,它以语义为桥梁打通人-人、人-机和机-机之间的通信壁垒,实现海量设备与用户的智联互通,为最终实现网络的智能认知、学习、决策和演进奠定基础。语义认知网络是一种基于知识共享和资源融合的网络架构,通过解决多用户语义知识更新与共享、环境及语境感知与识别、语义处理所需网络资源调度与优化以及模型协同和隐私安全间的平衡与协调等问题,实现从点对点语义通信技术到语义认知网络技术的拓展,将成为网络中海量用户及设备实现资源和谐共享与智能交互的重要依托。图 11 面向 6G 网络的语义认知网络架构示意图3.23.2 技术研究进展技术研究进展国际电信联盟 ITU-T 于 2021 年 12 月批准启动了面向物联网和智慧城市/社区的语义通信架构(“Architectural Framework for Semantic Communicationin IoT and Smart City&Community Services”)国际标准技术报告,该报告旨在研究语义通信在显著提升通信效率和网络智能性方面的巨大潜力,并指出了语义通信在面向需要大规模部署和资源受限的 IoT 场景下的各项技术要求。国际电信联盟 ITU-T 于 2022 年 7 月批准启动了 面向未来网络的语义认知网络需求29IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(“Requirements of semantic-aware networking for future networks”)国际标准技术报告,该技术报告对语义认知网络三方面需求,即服务需求、网络需求和数据需求进行了标准化建议,为推动学术界和工业界达成共识奠定基础。除了通信网络领域外,视觉语义也在最新的图像和视频编解码国际标准中得到采纳。例如,在视频编解码国际标准 MPEG 正在积极推动的机器视觉编码 VCM,其中采纳了一系列通过利用视觉语义信息进一步提高视频编码效率,降低延迟,并增强机器视觉应用的兼容性的方法。除此之外,IMT-2030(6G)推进组也正在积极推进语义通信和语义认知网络的研究工作。在 2022 年先后发布了 6G 网络架构愿景与关键技术展望白皮书和面向 6G 网络的智能内生体系架构研究,将语义通信列为实现 6G 智能内生的通信网络的潜在关键赋能技术。2023 年 9 月,IMT-2030(6G)推进组正式发布语义通信及语义认知网络架构研究报告,介绍了语义通信以及语义认知网络在 6G 网络总体架构指导下的驱动力、应用场景,探讨了语义通信和语义认知网络的目标、基础理论、架构设计、关键技术和应用需求。学术界,关于语义信息论方面的研究,北京邮电大学团队提出了语法、语用和语义信息的生成模型,通过将经典 Shannon 信息论中熵的概念更换成语法、语用和语义三个信息熵的加权和。华中科技大学团队首次将博弈论与语义信息论相结合,提出了策略语义信息论,并推导出了在提出了发射端和接收端在具有不同信息量和编解码策略优先级时的语义率失真容量界。将人工智能算法应用于语义通信技术同样受到了广泛关注,该类技术主要通过采用神经网络实现信源压缩和信道传输保护,从而实现语义的压缩和解码。例如,利用神经网络采取端到端的学习方式,对语义提取、信源编码和信道编码进行联合设计。西安电子科技大学团队在现有的信源编码前端加上一个语义提取神经网络对原始数据进行预处理。随后,这些被提取出的语义信息分别通过信源编码和信道编码,可进一步提高编码效率。语义通信与语义认知网络的发展依然面临着诸多挑战,例如,语义信息通常非常复杂,包括显性语义和隐性语义。显性语义可以通过直接解析数据获得,但隐性语义需要通过对上下文的理解和推理才能获得。理解和处理这种复杂的语义信息需要高级的技术,如深度学习和自然语言处理,以及大量的计算资源。除此30IMT-2030(6G)推进组IMT-2030(6G)Promotion Group之外,在诸多需要高实时性和可靠性的 6G 应用场景中,如自动驾驶和远程医疗,需要实时的语义认知。如何在保证实时性的同时进行高效的语义认知是一个重要的挑战。此外,语义信息的准确性和可靠性对于系统的正常运行至关重要,如何提高语义认知的准确性和可靠性也是一个需要解决的问题。3.33.3 技术研判技术研判在 6G 网络中,语义通信和语义认知网络将发挥以下重要作用:(1 1)支持个性化服务。)支持个性化服务。通过理解用户需求和偏好,提供定制服务,如根据位置和时间提供最优网络连接。(2 2)优化网络资源管理优化网络资源管理。通过理解业务需求和特性更高效地分配网络资源,如频谱和能量。(3 3)改进网络安全。)改进网络安全。通过理解信息含义和上下文,可以更准确地识别并防范网络攻击,如异常行为检测。(4 4)支持新型应用。)支持新型应用。通过对环境和用户指令的语义理解支持智能家庭自动化和高效自动驾驶等新型应用的实现。未来 6G 场景下的语义通信和语义认知网络还需展开以下研究:(1)处理用户数据可能涉及隐私,如何在保证用户隐私的同时进行有效语义认知是一大挑战。此外,语义信息本身也可能成为网络攻击的目标,如何保护其安全也是一个重要问题。(2)如何将语义认知与现有网络技术和架构结合以实现高效可靠通信是一大挑战。此外,需要制定统一的语义信息标准以保证不同设备和系统的兼容性。五、网络服务能力拓展技术1 1、网络大模型网络大模型1.11.1 技术简介技术简介从移动互联,到万物互联,再到万物智联,6G 网络将与人工智能技术进行31IMT-2030(6G)推进组IMT-2030(6G)Promotion Group深度融合,实现智能普惠愿景。智能内生成为 6G 网络的重要特征已在业界形成共识。6G 网络内生智能,就是要在网络内通过统一的架构设计来提供完整的 AI环境和 AI 服务,由此引入了网络 AI 的理念,以明确区分现有的云 AI,网络 AI可以是云 AI 的有益补充。如图所示,网络 AI 的主要场景可以分为三个类别:网元智能、网络智能、业务智能。图 12 6G 网络 AI 的场景需求随着大模型的颠覆性发展,千亿、万亿参数级别的模型如 GPT 等的出现,大模型的能力得到了前所未有的提升。这些大模型的应用场景也更加广泛,包括自然语言处理、计算机视觉、语音识别等领域。例如,ChatGpt 能够准确识别并理解用户的语音和文本信息,提供更加智能化的服务。这也推动了智能普惠的实现,让更多人能够享受到智能化服务带来的便利。6G 通信和 AI 的融合,更可能是表现为通信与大模型的融合,其具体来说有两个含义:第一个含义是大模型为网络服务。这意味着大模型将在运维、执行、验证等方面为移动网络服务。通过整合通信知识,大模型可以帮助检测故障和生成解决方案。随着网络服务的多样性和复杂性,大模型可以用来编排和调度任务流程,还可以进行性能优化、环境预测、资源分配等。通过出色的生成能力,大型模型将在验证阶段发挥重要作用,如室外复杂环境的通道生成、高铁场景模拟等。第二个含义是网络为大模型服务。意味着移动网络作为一个平台来支撑或者提供大模型服务,通过云-边-端协同提高服务质量和效率。例如,可以基于大模型生成小模型,部署在网络中,提供个性化、低时延的推理服务。基于数据采集和感知功能,网络可以为大模型提供丰富的环境数据。另一种情况是在网络上部32IMT-2030(6G)推进组IMT-2030(6G)Promotion Group署大模型,为用户提供基于意图的服务,或是实现机器人、车辆等智能终端的全局协同控制,共同完成复杂任务等。1.21.2 技术研究进展技术研究进展当前业界主流标准化和行业组织在网络与 AI 技术的深度融合方面已开展了各种研究。在 5G 方面,主要是将 AI 作为辅助工具优化网络性能、提升网络效率,即 AI for Network。应用场景包括网元智能、网络智能和业务智能等。面向 6G,各组织以网络原生智能为目标,一方面在 AI for Network(AI4Net)方向上向物理层 AI 深入,另一方面开始探索和研究 Network for AI(Net4AI)和 AIaaS这样的新技术方向,使得 AI 工作流中的各环节(如训练/推理)可以更高效、更实时,或者使数据安全隐私保护得到提升等。业界普遍认为,6G 原生智能网络将传统网络服务范围从连接服务,扩展到算力、数据、算法等层面。6G 原生智能网络不仅包括 AI4Net,还包括 Net4AI 和 AIaaS 这一观点已逐渐成为业界共识。表 1.国内外主流行业组织的相关研究和核心观点技术方向组织名称核心观点AI forNetwork3GPP管理面 AI 功能 MDAF,核心网 AI 功能 NWDAF,物理层 AICCSA将 AI 作为优化网络的工具,研究基于 AI/ML 的物理层、链路层、和语义通信ITU将 AI 作为优化网络的工具,实现网络智能化。云原生赋能 AI,聚焦于人工智能云平台技术规范和能力要求,指导云服务提供商建立人工智能云平台服务规范IMT2020以 use case 研究为主,包括基于 AI 的节能、移动性管理、切片优化、覆盖和容量优化IMT2030基于 AI/ML 的物理层、链路层、网络层优化,网络智能化管控等ETSI使用人工智能(AI)技术和情境感知策略,帮助运营商自动化其网络配置和监控过程,减少运营支出并改善网络运维效果NGMN使用 AI 技术实现网络自主能效优化等6G使用 AI 技术实现 6G 网络智能边缘计算,优化网络运营效果33IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupFlagshipHexa-XAI 驱动的空口设计、RRM 优化、网络自治和安全Next GAlliance网络实现开放的架构和数据集,使用 AI 技术优化物理层,MAC,RRM,网络管理,安全方面的性能NSF RINGS基于生成式模型弥补数据缺乏问题、基于 AI 的 UHD 系统中的信道估计和波束对齐(beam alignment)方法、基于 AI 的无线边缘网络通算资源调度NICT构建集成边缘计算与以信息为中心的网络,实现基于 AI 的高级数据分析VTT未来网络的性能优化需要 AI 驱动的管理和控制,网络更加基于软件NetworkforAI 或AIaaS3GPP探索 AI 在 5G 网络中功能框架的设计、增强网元功能、制定节点间接口协议与信令流程CCSA研究网络支持 AI 所需基本能力:AI 异构资源编排、AI 工作流编排、AI数据治理等,提出 NetforAI 需要网络架构的革新。IMT2020与 3GPP 保持同步。研究支持 AI 用例的统一无线网络架构、功能及无线网元功能增强,研究分布式 AI 算法的技术特征及对网络的需求。IMT2030网络将 AI 作为一项服务(AIaaS)提供给网络自身和第三方用户。需明确 AIaaS 的场景和业务需求、构建支持 AIaaS 的 6G 智能内生网络架构。NGMN提出 AIaaS 是 6G use case 之一。6G 网络提供的 AI 服务可用于实现网络自治,筛选高价值数据等。边缘分布式网络架构需支持大规模可扩展的 AI 模型训练,并提供运营商与第三方协作的分布式 AI 解决方案。6GFlagship边缘智能的架构从全云端智能逐步向边缘下沉直至全端侧智能,经历云边协同和边端协同Hexa-Xin-network learning:分布式智能需要安全和高效的通信,端侧智能的发展需要边缘智能功能、网络内生 AI、以及高效的分布式 AI;提出了 AIaaS 和 CaaS 等概念及 use case,这些新服务将影响网络架构的设计、需定义相应的 KVI/KPI,并研究通信计算融合的分布式学习、安全、隐私和可信等方面Next-G无线技术 forAI:通过空口使能分布式计算和跨端网智能。需要研究高34IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupAlliance效的、能感知分布式计算和智能功能的空口技术和协议分布式云和计算:提出通信、计算和数据的深度融合,使能广域分布式云,并提出了计算面、数据面的逻辑概念。NSF RINGS研究边缘 AI 服务场景下的关键技术,如分布式学习框架、端-边-云协作学习,联邦学习场景下可扩展和弹性的网络学习系统(包括理论分析,网络架构设计,应用和协议设计),分布式学习和网络机制的联合设计等从上表可以看出,CCSA、IMT2030、NGMN、Hexa-X 和 Next G Alliance 均已分别提出了网络内生 AI、Native AI、in-network learning、无线技术 for AI以及 AIaaS 等 6G 新概念,这些概念的共同核心是设计新的 6G 网络架构、协议和机制以更好地支持 AI 作为网络新能力。6GFlagship 虽未提出明确的概念,但也表明了未来网络需在架构设计上支持 AI 工作流。NSF RINGS 项目设置了多项研究性课题探索边缘 AI 服务场景下的理论、网络架构、协议和技术。可以看出 AI 与通信融合已有较多研究和丰富的成果产出,国内也发布了众多赋能千行百业的盘古大模型 3.0、九天大模型、脑海大模型等,这些大模型还处于赋能网络运维的阶段。在大模型与通信融合,即网络大模型发面,目前的一个热点方向,总体上还处于研究起步阶段。学术界中有部分论文开始对网络大模型与无线网络结合应用场景和研究方向进行了探讨,还有待进一步深入研究。1.31.3 技术研判技术研判从标准制定的角度开展网络 AI 架构和关键特性研究,还需进一步展开网络功能、接口和流程等设计。网络 AI 相关的网络功能将可能包括前述通信与 AI融合相关的控制功能、执行功能,并进行划分或组合形成核心网功能、无线接入网功能或 UE 功能。另外,大模型技术的爆发引发了新一轮 AI 技术革命浪潮,大模型在自然语言处理、计算机视觉和其他领域的应用案例展示了其广泛的适用性和优势。可以预见“大模型与通信融合”是“AI 与通信融合”中未来最有可能的实现范式。从后续研究角度主要包括两方面:一个是适用于通信网络端到端各部分的网络大模型设计,有可能是一个收敛的网络大模型,也可能是基于不同场景,需要设计35IMT-2030(6G)推进组IMT-2030(6G)Promotion Group多种不同类型的网络大模型,如空口大模型、核心网网络大模型、运维网络大模型等。另外,由于大模型本身的特殊性,还有必要从网络架构角度,重新审视大模型与通信融合的方案设计。2 2、通信感知网络通信感知网络2.12.1 技术概念技术概念更先进的下一代移动通信系统 6G 将提供超越通信的多维服务,构建自由连接的物理与数字融合世界。6G 网络服务将以人为中心向智能体为中心扩展,从物理世界向虚拟世界延伸,实现通信、感知和计算等多维服务和功能一体化。6G不仅需具备通信能力以实现物理与数字融合世界的自由连接,还需具备对物理世界的感知能力。在传统通信网络中引入感知能力,一套系统可以满足多种需求,通信和感知的融合成为 6G 潜在的技术趋势。通过无线通信设备(如基站、UE)对目标物体、事件或环境进行感知是射频感知方式之一。非射频感知即利用各式各样的传感器采集环境信息从而得到感知结果。通信感知网络旨在从资源和功能层面支持通过无线通信设备(基站/UE)对目标物体、事件或环境的感知,并综合利用包括雷达感知和非射频感知(如摄像头等)在内的不同类型的感知数据,以提供更加丰富和更加精准的感知服务和应用13。36IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 13 通信感知网络系统功能框通信感知网络可以分为对外服务(6G 系统以外的其他对象,即 network forsensing)和对内服务(6G 系统本身,即 sensing for network)两种。对外服务的潜在感知用例非常丰富,包括住宅入侵检测、高速公路和铁路入侵检测、降雨监测、呼吸监测和睡眠监测等。对内服务的潜在感知用例还包括感知辅助波束管理、信道估计等13。2.22.2 技术研究进展技术研究进展2023 年 6 月 ITU-R 完成了IMT 面向 2030 及未来发展的框架和总体目标建议书,提出了 6G 的典型场景及能力指标体系。在典型场景方面,5G 三大场景增强为沉浸式通信、超大规模连接和极高可靠低时延。3GPP SA1 对通感算一体化的可行性研究侧重于基于 NR(New Radio,新空口)的感知,研究报告报告中包括了 32 个用例,分为目标检测与追踪、环境监测和运动检测三类。IEEE 针对 WLAN 感知(WLAN sensing)在 IEEE 802.11 内成立了 802.11bf任务组(task group)。802.11bf 提出的 WLAN 感知用例包括房屋内感知、手势识别、健康监护、3D 视角、汽车内感知等几个类别,并对各个用例从最大距离、37IMT-2030(6G)推进组IMT-2030(6G)Promotion Group距离精度、最大速度、速度精度、角度精度、分辨率、安全、鲁棒性和最大网络负荷等方面参数进行了描述。IMT-2020 推进组成立通信感知任务组,从场景需求、网络架构、仿真评估方法、空口技术方案和演示验证等多方面开展研究。已发布的5G-Advanced 通感融合场景需求研究报告、5G-Advanced 通感融合网络架构研究报告和5G-Advanced 通感融合仿真评估方法研究报告。IMT-2030(6G)推进组发布了通信感知一体化技术研究报告14 和6G 通感融合系统设计研究报告。前者对通感一体化的范畴、研究现状、发展趋势、应用场景、基础理论、关键技术和原型验证进行了阐述。通感融合系统设计报告基于关键性能指标和应用场景分析提出了支持大量感知数据收集和传输、感知数据复用、全部潜在的感知模式,以及感知和计算协同等系统设计需求,进而提出了通感系统的端到端功能和感知基本流程,并针对感知数据分层定义、感知功能逻辑归属、感知任务参与节点选择、感知服务质量参数映射与使用、通感隐私安全、与非终端/基站的传统感知设备协同、感知与计算协同等关键技术问题提出了潜在技术方案。Next G Alliance 提出的 JCAS 研究领域涵盖了感知与通信性能的 trade-off研究与评估、感知信道建模、波形波束成形设计、感知与通信功能之间的共存、协作与协同设计、资源分配、协同感知、JCAS 产生的硬件要求、杂波抑制、UE定向、多雷达联合处理、基于 AI/ML(Machine Learning,机器学习)的感知融合、全双工无线电等多个方面。Hexa-X 将通信、定位、成像和感知的融合(Convergence of communications,localization,imaging and sensing)作为未来连接技术的趋势之一。国内提出基于网络融合的通信感知一体化网络架构,并实现基于 5G 网络的智能交通协同感知系统原型验证。运营商联合多所高校和科研机构,提出了一种基于全双工无线网络的通信感知一体化网络架构,并实现了基于协同波束赋形的多用户多目标协同通信感知一体化网络系统原型验证。2.32.3 技术研判技术研判面向通信和感知两种功能的一体化设计已成为趋势,通信与感知系统融合能够带来许多优势,例如节约成本、减小尺寸、降低功耗、提升频谱效率、减小互38IMT-2030(6G)推进组IMT-2030(6G)Promotion Group干扰等,从而提升系统整体性能。通信感知网络将针对以下方向展开研究:(1)从标准制定的角度思考通信感知网络,还需进一步研讨网络功能的定研讨网络功能的定义义、网络功能间的接口和流程设计网络功能间的接口和流程设计。网络功能定义指将前述通信感知相关的功能进行划分或组合形成核心网功能、无线接入网功能或 UE 功能。(2)从通感算一体化架构设计的角度,通感感知网络将具有全感知模式、通用感知框架、感知与 AI 等计算能力融合、多设备感知融合等特征。例如面向统一架构方案,如何定义通用的感知测量量和感知结果以支持潜在的应用案例如何定义通用的感知测量量和感知结果以支持潜在的应用案例,感知数据如何高效传输,感知协议是沿用定位协议承载在控制面或用户面,还感知数据如何高效传输,感知协议是沿用定位协议承载在控制面或用户面,还是使用是使用 6G6G 新引入的面新引入的面,通信服务和感知服务等多维服务的通信服务和感知服务等多维服务的 QoSQoS 保障机制如何设保障机制如何设计等。计等。期望业界针对 6G 通感算一体化技术方向进行细化研究,从而形成面向未来 6G 标准架构的整体方案。3 3、沉浸式通信沉浸式通信3.13.1 技术概念技术概念6G 沉浸式通信是对 5G eMBB 的扩展,是在各类环境(热点地区、城市、乡村)下为用户提供丰富沉浸式体验(包括与机器界面的交互)的实时通信技术。其典型用例包括沉浸式 XR 通信、多感官远程呈现和全息通信。沉浸式通信逻辑架构如图 14所示。通过在业务层将一系列原子能力集合组成区块链,并向第三方应用提供身份认证、数据交互、设备共享、统一计费等功能,沉浸式通信可实现对 XR、全息通信、感官互联、智慧交互等沉浸式业务和应用的实时控制。沉浸式通信涉及网络能力开放、边缘缓存与计算、实时数据通信以及多维感知交互等技术领域。39IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 14 沉浸式通信逻辑架构示意图3.23.2 技术研究进展技术研究进展(1 1)开放、共享、协同的新型业务网络开放、共享、协同的新型业务网络6G 将在 5G 基础上全面支持物理世界的数字化和资源的虚拟化,实现数字化资源的泛在共享。当前烟囱式的应用创建过程繁琐,无法支持未来 6G 网络下不同领域应用多样化及高效、灵活、开放的业务能力提供方式。以沉浸式业务为例,沉浸式多媒体涉及多类差异化 QoS 需求的媒体业务流,而为了满足用户的体验,需要提升应用与网络之间的相互合作配合能力,实现网络能力与媒体业务需求的友好对接,优化网络资源配置。基于业务使能的能力开放架构,可以满足 6G 网络基础业务能力内生、功能可扩展、编排自动化、系统开放化、接入全覆盖等特点,为未来更丰富的应用需求提供支持。5G 网络下,已经开展了利用 MEC 边缘云作为业务使能开放平台进行能力提供的相关研究,但是这类架构仍旧不够开放,且未解决第三方能力的认证及计费问题。如何构建一套新的信任和安全管理以及费用结算的业务使能能力开放架构是目前学术界的难点。利用区块链技术,可以帮助解决能力开放过程中的资源安全可信共享、数据安全流通及隐私保护问题。40IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(2 2)边缘缓存和计算技术边缘缓存和计算技术沉浸式 XR 多媒体应用是未来 6G 网络的关键应用之一。典型应用包括 360度视频流(或称为 3DoF 全景视频)和 6DoF 自由视点视频。这些应用都需要大带宽、低时延和超可靠的数据传输。边缘缓存和计算技术包括边缘缓存和边缘计算两部分技术的联合设计。针对360 度视频流业务,典型的边缘缓存和计算方案包括针对 Tile 编码的 360 度视频流实施基于深度强化学习的边缘集群协作转码和缓存替换方法,以及引入视图合成的边缘缓存和计算卸载技术,从而达到减少服务延迟的目的。为确保主动缓存的命中率,FoV 的预测是边缘缓存和计算技术中不可缺少的一部分。目前主流的FoV 预测方法主要包括图像显著性预测、运动特征检测和方位角提取等几种方式。相比 360 度视频流业务,目前针对 6DoF 自由视点视频的边缘缓存和计算技术研发仍然较少。6DoF 自由视点视频的自由度更多,在应用边缘计算技术预测用户视野时需要进一步考虑用户的移动性带来的影响,因此需要更加可靠、可适应高自由度交互场景的视野预测技术。其次,由于数据量比 3DoF 全景视频更多,在带宽受限、传输速率波动的通信场景中支持 6DoF 自由视点视频需要更加智能和稳健的自适应缓存技术。最后,6DoF 自由视点视频在观看时需要根据用户当前的运动位姿、参考视点的纹理和深度信息实时渲染出当前视点的视窗,因此计算负载更大,需要更加智能、高效、可综合利用网络中可用计算资源的分布式计算卸载技术。(3 3)基于基于 Data Channel 的实时通信技术的实时通信技术6G 沉浸式通信在传统语音、视频通信的基础上,增加了多模态、虚拟背景、数字人等全新的通信体验。这就需要除了已有音视频媒体通道,能够在用户之间、用户与应用之间提供传输这些丰富信息的数据通道。Data Channel 基于 WebRTC架构,通过 Web Page JavaScript 方式实现,不限制交互内容,可以为用户提供丰富多彩的通信体验。国内外标准组织对Data Channel开展了深入研究和标准制订。IETF发布RFC定义 Data Channel 的协议栈和协商机制。3GPP 定义了基础的媒体处理流程、IMSData Channel 架构和接口。GSMA 先后发布了 IMS Data Channel 白皮书和 Profile规范,包含 Data Channel 参考架构、功能特征、媒体类型等内容。国内 CCSATC3、41IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupTC11 在完成相关研究报告的基础上,已经分别开展了基于 Data Channel 的增强通话技术要求、终端与平台接口等行标制订。为支持 Data Channel 功能,IMS 网络新增了数据通道信令功能、数据通道应用存储功能和增强的媒体处理功能。为实现多模态通信、AR 通话等业务,在 IMS网络支持 Data Channel 能力的基础上,增加网络侧的 AR 媒体渲染能力以支持AR 通话等业务。(4 4)多维感知交互多维感知交互6G 网络将会支撑将多种感官(如味觉、嗅觉、触觉甚至情感等)纳入交互通信的功能,多维感知之间的协作参与通信将会成为重要的发展趋势。多维感知交互是以触觉、嗅觉、味觉、听觉和视觉等多种感官信息的感知和交互。国内外学术界在多维感知交互方面一直在持续推动其标准化和产业化方面的研究工作。例如,触觉互联网标准工作组开展的触觉互联网标准 IEEE 1918.1,定义了触觉互联网的参考网络架构、接口等。国内相关研究分别从同模态和跨模态两个角度提出了触觉信号的恢复架构,搭建了基于触觉感知的医疗诊断模拟系统以及基于机械手臂的远程触摸控制原型系统,能够实现远程触觉信息的精准感知和反馈,增强用户的沉浸式体验。3.33.3 技术研判技术研判沉浸式通信是未来 6G 网络重点发展的关键技术。从应用市场来看,沉浸式通信技术可应用于卫生保健,教育行业,零售和电子商务,博彩业,建筑行业,媒体与娱乐,制造业,航空航天与国防等领域。然而,面向未来 6G 网络的沉浸式通信仍处在技术发展的萌芽期,其涉及的相关技术领域例如业务能力开放和共享、边缘缓存和计算、实时通信控制、多维感知交互等仍存在不少技术难题和挑战。为促进 6G 沉浸式通信从技术萌芽走向技术成熟,需从以下方向展开研究:(1)在技术创新方面技术创新方面,提出和设计开放、共享、协同等特征的新型业务网络,解决业务原子能力的分类定义、组织架构、引入机制、管理和应用等问题,将区块链技术与业务使能能力开放架构更好的融合。结合编码技术,从边缘缓存和计算技术入手研发 6DoF 沉浸式视觉媒体的视野预测技术、带宽自适应缓存技术和分布式计算卸载技术。研究 IMS Data Channel 等实时通信技术,使其更好42IMT-2030(6G)推进组IMT-2030(6G)Promotion Group地支持与数字人的媒体交互、在全息通信中传输全息辅助信息等。除此之外,触觉、味觉、嗅觉和体感等感官信息需要新的编码方式,并进行同步和整合,保证在通信网络中传输的一致性与协调性,以实现感官互联和多模态通信交互。(2)在标准化和产业化方面标准化和产业化方面,结合国内外标准化现状,需要研究和规划满足沉浸式 XR、全息通信和多维感知应用和场景需求的沉浸式通信标准化体系,并基于该标准化体系,研究端到端沉浸式通信需求及场景、网络架构、运营管理、终端等相关要求,并联合业务提供商、运营商、设备商、终端厂商等产业链相关方,推进沉浸式通信端到端系统的实现和应用。43IMT-2030(6G)推进组IMT-2030(6G)Promotion Group六、总结本报告基于当前 6G 网络的发展,对网络架构、组网、网络端到端性能、网络服务几方面所涉及的 6G 网络前沿技术进行了概述。由于网络涉及面广、新的技术仍然在发展和涌现,这些前沿技术仅是其中的代表。希望本报告能对这些技术的深入研究起到促进作用,从而让未来 6G 网络进行设计和实现时有更扎实的技术基础。44IMT-2030(6G)推进组IMT-2030(6G)Promotion Group参考文献1 Ren J,Yu G,He Y,et al.Collaborative cloud and edge computing for latencyminimizationJ.IEEETransactionsonVehicularTechnology,2019,68(5):5031-5044.2 Kai C,Zhou H,Yi Y,et al.Collaborative cloud-edge-end task offloading inmobile-edge computing networks with limited communication capabilityJ.IEEETransactions on Cognitive Communications and Networking,2020,7(2):624-634.3 Wang Z,Zhou Z,Zhang H,et al.AI-based cloud-edge-device collaboration in 6Gspace-air-ground integrated power IoTJ.IEEE Wireless Communications,2022,29(1):16-23.4 黄韬,汪硕,黄玉栋等.确定性网络研究综述J.通信学报,2019,40(06).5 Y.T.Xia,and B.Hu,“A Multi-Objective Routing Scheme for DeterministicNetwork,”IEEE International Conference on High Performance Switching andRouting(HPSR),2021.6 B.Wu,J.Wang,Y.Wang,et al.“Achieving Deterministic Service in Mobile EdgeComputing(MEC)Networks,”IEEE International Conference on Network Protocols(ICNP),2021.7 X.Yang,W.Wang,J.Han,et al.,“Congestion Control with Deterministic ServiceDelay Guarantee,”IEEE International Conference on Mobile Ad-Hoc and SmartSystems(MASS),2022.8 J.Liu,J.Huang,W.Jiang,et al.,“End-to-End Congestion Control to ProvideDeterministic Latency Over Internet,”IEEE Communications Letters,vol.26,no.4,pp.843-847,2022.9 L.Xu,Q.Xu,J.Tu,et al.,“Learning-Based Scalable Scheduling and RoutingCo-Design With Stream Similarity Partitioning for Time-Sensitive Networking,”IEEE Internet of Things Journal,vol.9,no.15,pp.13353-13363,2022.10J.Tian,Q.Liu,H.Zhang,etal.,“MultiagentDeep-Reinforcement-Learning-Based Resource Allocation for Heterogeneous QoSGuarantees for Vehicular Networks,”IEEE Internet of Things Journal,vol.9,no.3,pp.1683-1695,2022.11 X.Yang,Z.Zhou and B.Huang,“URLLC Key Technologies and Standardizationfor 6G Power Internet of Things,”IEEE Commun.Standards Mag.,vol.5,no.2,pp.52-59,2021.12 IMT2030(6G)推进组6G 沉浸式多媒体业务需求及关键技术研究报告.13 IMT-2030(6G)推进组,6G 通感融合系统设计研究报告,2023.14 IMT-2030(6G)推进组,通信感知一体化技术研究报告,2022.45IMT-2030(6G)推进组IMT-2030(6G)Promotion Group主要贡献单位中国移动通信集团有限公司研究院、华为技术有限公司、中国电信股份有限公司、中兴通讯股份有限公司、中国信息通信研究院、中国联合网络通信有限公司、浙江大学、华中科技大学、北京航空航天大学、中信科移动通信技术股份有限公司、维沃移动通信有限公司、小米科技有限责任公司、上海诺基亚贝尔股份有限公司、紫光展锐(上海)科技有限公司、亚信科技(中国)有限公司、联想集团有限公司、深圳市腾讯计算机系统有限公司、鹏城实验室。联系方式邮箱:COPYRIGHT2023 IMT-2030(6G)PROMOTION GROUP.ALL RIGHTS RESERVED.

    浏览量0人已浏览 发布时间2023-12-11 47页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 中国移动:2023面向6G数据服务的设计思考报告(16页).pdf

    面向6G数据服务的设计思考李琴2023年12月目录216G数据服务的驱动力2设计思路3总结现网问题启示:C/D分离不彻底5G考虑到数据共享、网络容灾等原因,提出了计算和数据分离的网络架构设计方案,但因且前期驱动力不足、标准定义不完善,目前只实现了部分C/D分离初衷 UDM(或PCF)虽C/D分离,但标准定义不完善 接口和数据结构不统一 异厂家数据读写、管理机制有差异,数据不安全 新增功能需异厂家兼容,运维复杂度增加、定位问题难度增加用户静态数据统一存储与访问:为实现数据共享、大数据分析和能力开放,进一步将所有的静态签约数据整合。相对4G已经实现数据分功能独立存储,5G采用统一的数据库、统一的数据接口。HSS FEHSS BEPCRFSPR开放数据SCEF用户状态数据采用分离架构:为了实现网络迁移、备份容灾,进一步将控制面各NF内的上下文信息(Data)(如用户状态等)从负责逻辑处理(Compute)的NF中剥离出来单独部署。共享数据Subscriber dataMobility contextPolicy dataSMFAny NFAMFComputing unit计算单元Data unit数据单元Authentication dataSessioncontextCharging data统一数据库现状 AMF/SMF未实现C/D分离,但标准未定义或不成熟 数据的读写、异常处理都没有定义完善 数据外置后,不同厂家不同网元类型数据结构不统一,无法有效开放和利用;现网问题启示:数据利用不充分网络智能分析功能、网络能力开放功能都从网元访问数据、效率低下DBAMFDBSMFDBNRFUDMPCFUDRUDRNWDA、NEFBOSS通信网络数据很多,但分散在网元里,形成数据孤岛,不易开发利用思考现状UDM/HSSPCF/PCRFSCP/NRF/DNSDRA/BSFSMF/SGWAMF/MMEUPF/PGW用户签约类网络信令类用户会话上下文类用户面报文类用户鉴权和签约数据用户策略数据信令转发和代理数据NF Profile用户会话控制数据用户会话报文数据结构化数据(3GPP已定义的数据模型)结构化和非结构化数据(3GPP未定义的数据模型)需从源头解决数据问题数据的解耦解决数据的高效获取问题数据的统一采集、处理和管理机制解决数据的可获得性问题解决数据的高质量获取问题数据结构的定义和标准化6G新需求的启示:内生AI带来了网络架构升维需求网络需新增两类功能:面向数据的全生命周期管理,面向计算的高性能处理机制能力问题:l面向新型AI和感知数据的传输、处理没有相应功能设计l面向感、智、算的业务与传统业务特征不同,控制手段不同性能问题:l现有网络的数据采集能力,在数量、质量、性能上存在不足l现有AI计算能力难以满足极致的个性化性能需求lAI的算法、数据、算力要素不能高效集成,与网络要素不能有机融合现有架构的不足业务需求跃迁服务于机器和智能服务于智能信息处理全流程服务于业务报文转发 服务于感知 AI数据综合处理规则式信息“生产”智能化信息“生产” 服务于人与物 服务于连接管道5 6G新需求的启示:网络数字孪生的需求感知能力计算能力 AI能力通信能力安全能力 数据能力通感互联智慧工业超能交通全息交互精准医疗智能交互元宇宙边算力IP网络IP网络光底座光底座中心算力边算力端算力数字孪生体新网络:6G是通感算智深度融合、天地一体全域覆盖的新一代移动信息网络数字孪生通过构建网络的数字空间,实现虚实映射,是助力网络高阶数智化演进的重要技术方向。而数据是构建网络数字孪生的基础底座。构建网络数字孪生需要满足数据、模型、映射和交互四个关键要素要实现虚实映射、实时交互的网络数字孪生体需要网络原生支持孪生接口,其中首要支持的即是实时数据接口思考网络自治鲁棒自愈智能运维零等待零故障零接触自配置自修复 自优化自演进L5完全自智网络通过自配置、自修复、自优化、自演进技术手段,达到零等待、零接触、零故障的终极目标目录716G数据服务的驱动力2设计思路3总结面向6G数据服务的设计理念独立统一安全可信按需编排兼容设计从面向用户数据的转发通道转变为面向全要素数据的处理全流程,支持统一的数据采集、存储、处理分析和能力开放,实现数据服务的解耦,支持统一的数据服务控制6G数据中具有大量敏感数据有隐私保护和安全需求,应用区块链及分布式存储、数据脱敏等技术,实现数据的可信高效存储面向6G的数据服务将实现按需智能编排,以场景及用户需求为目的,从全局视图出发,编排数据服务全链条,实现面向数据要素的全流程处理面向异构数据源和不同采集要求,需满足数据采集的兼容性;出于技术平滑演进及投资成本效益的考量,数据服务架构设计要考虑前后向兼容和灵活扩展统一管控安全高效敏捷响应快速迭代分布存储6G网络数据具有分布式的特点,依托算力分布式部署,通过分布式技术使能数据服务能力,面向多源异构数据实现跨层跨域泛在灵活存储灵活泛在提出五大设计理念,体现数据服务的统一、泛在、安全、敏捷、兼容的技术特征面向6G数据服务的方案设计新增数据面的必要性分析现有网络仅作为数据传输管道,无法满足6G AI、通感新型数据要素的采集、传输、处理、存储需求问题表现为6G AI、通感、网络上下文等数据提供全流程处理,构建独立数据面解决思路需要设计全新功能集:现有网络仅支持部分功能,无法满足上述需求,需要引入更多数据相关功能,实现全流程的数据处理新功能集性能、机制差异大:这些新的数据相关功能与传统控制面、用户面的可靠性、时延等KPI要求均不同,要求高可靠存储、高速读取、极高可靠传输等结合移动特性的统一控制:基于移动性管理增强、实现移动网络数据全流程处理融合控制新需求 数据采集数据传输 数据处理 数据存储挑战实时性;细粒度;非per UE数据量大;高并发;QoS要求各异去隐私化处理;数据加工;数据/模型封装训练/推理等需要大量数据存储;AI模型等非结构化数据存储;快速索引现有用户面不支持部分支持不支持不支持现有控制面部分支持部分支持部分支持部分支持新增数据面需求挑战设计思路从传统面向用户的单一数据转发,到面向全要素的数据生产、消费全流程增强控制面9面向6G数据服务的方案设计数据面详细设计p 以数据的高效可靠存储读写为核心,结合数据服务编排等控制,设计新增独立数据面,通过定义标准化的数据服务功能,实现数据服务解耦p 基于控制面增强以支持数据服务、移动性管理等协同的全局控制,以及数据面的服务控制和执行,实现对网络数据、用户数据、AI等新型数据的全流程处理p 增加数据面执行功能DF:新增数据采集、数据处理、数据存储功能,实现对数据的全流程处理DC:Data Collection 数据采集服务(可集成到其他NF)DP:Data Processing 数据处理服务DR:Data Repository 数据存储服务(基于UDR,UDSF演进)p 增加数据面服务控制和管理功能DMF:面向数据服务任务,编排数据处理服务链;构建统一的数据存储前端,实现对多元数据的高效存储和读写SDM:Stored Data Management 存储数据管理服务(基于UDM演进)DSC:Data Service Control 数据服务控制服务DSR:Data Service Register 数据服务注册服务p 增强已有控制面能力eAMF,eSMF,ePCF:实现对数据服务的接入、QoS管理等顶层控制计算面安全面用户面控制面eAMFeSMFePCFDMFDSCDSRSDMUDMDFDCFDPFDRUDRUDSFDCDP数据面面向6G数据服务的方案设计技术问题和技术体系6G数据面的设计在数据存储、处理、采集方面存在技术问题,需要考虑新型数据对高效可靠存储、随路处理以及异构数据采集带来的挑战,构建技术体系11技术体系技术问题数据处理数据存储如何设计兼容用户数据、感知数据、AI模型的存储体系,同时具备简洁的对外接口?如何避免不同设备之间用户数据格式不兼容导致的数据迁移问题?数据处理是否需要设计用于数据随路处理的专用传输通道,如何设计?如何实现对6G网络新型数据(例如感知数据、AI模型)的处理?数据采集如何从多种数据源对异构的数据进行采集?数据采集数据存储6G数据面设计数据存储:6G数据面存储功能,对外为多种数据设计统一的前端接口;对内实行数据分级分类存储,解决设备迁移问题;采用集中式 分布式部署,兼顾存储能力和效率数据处理:在6G数据面定义用于数据随路处理的专用传输通道,设计专用拓扑和传输协议;定义标准化I/O处理接口,支持处理各种6G新型数据数据采集:通过服务化接口采集网络状态数据,以及构建从UE/RAN获取数据的协议栈,实现对多样化数据的采集数据处理数据采集数据存储6G数据面技术体系统一接口分级存储集中 分布式随路传输标准化接口服务化采集UE/RAN采集网络原生支持面向网络各类数据的采集接口和能力:通过标准化接口开放面向用户签约、信令处理、会话控制、用户报文转发的全类型全量网络数据,支持网络智能化、数字孪生等应用需求,提供准确、全面、高效的数据服务,实现基于网络大数据的自主分析和自我优化。提供感知数据的采集处理一体化服务:相比传统通信的用户面数据传输,针对多来源多模态感知数据的采集和传输,数据的终结点不同、传输拓扑不同、对数据的分级操作不同。6G网络将以数据服务的方式为感知需求方提供数据采集、存储、处理等多维服务,支持面向场景的差异化处理。实现网络C/D彻底分离:网络服务的计算逻辑和上下文数据彻底分离,不同服务可独立访问数据,实现网络服务功能无状态化,助力服务化业务解耦。容灾倒换、业务迁移、弹性扩缩容时可快速接管业务,提升网络可靠性、减少信令冲击面向6G数据服务的方案设计实践畅想面向6G数据服务将进一步推进C/D分离,深化网络服务化机制。引入新的数据要素能力,提供面向数据全生命周期的网络原生数据服务,满足网络内生AI、XR、通感一体、网络数字孪生等新技术需求数据面在“三体四层五面”6G总体架构中的对应关系13“三体四层五面”的6G总体架构,充分利用多样化通信和算力资源,新增数据面、计算面、安全面、服务使能层、数字孪生体,在架构层面实现对新型信息服务全场景、全流程的支持三体增加独立孪生体,虚实映射重组管理编排体,智能自治四层功能分层,跨域拉通强化算力、路由五面增强传统控制面/用户面增加独立数据、计算和安全面服务化功能层服务使能层控制面用户面数据面计算面安全面连接与路由层(空天地多接入,可信连接,异构互联,算力路由,确定性转发)通信与算力层(无线通信,光通信,计算,存储)网络本体数字孪生体管理编排体通信服务感知服务计算服务AI服务安全服务孪生控制孪生编排孪生建模孪生实例能力开放管理自治服务设计资源智能编排调度跨域质量保障跨域数据管理目录1416G数据服务的驱动力2设计思路3总结开放问题协议栈设计如何设计完整、灵活、可扩展的6G数据面协议栈,实现数据面的高效管理和运维?存储方式用户数据是否会采用去中心化的存储方式?分布式用户数据系统能否打破用户数据归属地的限制?性能评估如何设计数据面性能分析和评估,实现网络优化的系统性评价体系?数据传输数据面的数据传输能力是在现有用户面上新增QoS通道,还是构建全新的数据路由转发通道?数据整合与现有各类数据平台之间的关系?如何实现数据整合和平滑过渡?总结16在现网问题C/D分离不彻底,数据利用不充分,以及面向未来新需求内生AI、数字孪生的共同驱动下,提出面向6G数据服务理念。提出在6G网络架构中新增数据面的设计方案,实现网络从传统面向用户的单一数据转发,到面向全要素的数据生产、消费全流程。6G新增数据服务的理念已在业界初步形成共识,但在详细设计阶段仍有诸多待解决的问题和挑战。希望与业界专家一道共同研究、通力协作,共同推进6G数据服务技术的成熟、标准化和产业落地,助力6G实现“智慧泛在、数字孪生”愿景。

    浏览量0人已浏览 发布时间2023-12-11 16页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • IMT-2030(6G)推进组:2023分布式超大规模MIMO技术研究报告(47页).pdf

    北京稻壳科技有限公司Beijing Rice Hull Technology Co.,Ltd.地址:北京市朝阳区九住路 188 号IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2023 年年 12 月月版权声明版权声明 Copyright Notification未经书面许可未经书面许可 禁止打印、复制及通过任何媒体传播禁止打印、复制及通过任何媒体传播2023 IMT-2030(6G)推进组版权所有2IMT-2030(6G)推进组IMT-2030(6G)Promotion Group1.概述概述.51.1 技术原理技术原理.51.2 国内外研究现状国内外研究现状.52.应用场景、部署方式、网络架构应用场景、部署方式、网络架构.62.1 应用场景应用场景.62.2 部署方式部署方式.82.3 网络架构网络架构.113.协同传输方案协同传输方案.143.1 初始静态协作簇接入初始静态协作簇接入.143.2 动态协作簇构建动态协作簇构建.173.3 动态协作预编码动态协作预编码.233.4 协作接收算法协作接收算法.274.通道校准通道校准.274.1 协作点间空口校准协作点间空口校准.284.2 基于基于 UE 辅助的校准辅助的校准.305.时频同步时频同步.335.1 时间同步时间同步.335.2 频率同步频率同步.376.原型验证原型验证.397.总结及发展建议总结及发展建议.43参考文献参考文献.44主要贡献单位主要贡献单位.463IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图目录图图 2.1 高校、高校、CBD 等热点区域示图等热点区域示图.6图图 2.2 大中型场馆、交通枢纽等应用场景示图大中型场馆、交通枢纽等应用场景示图.6图图 2.3 企业园区应用场景示图企业园区应用场景示图.7图图 2.4 低空覆盖应用场景示图低空覆盖应用场景示图.7图图 2.5 分布式超大规模分布式超大规模 MIMO 星形部署方式示意图星形部署方式示意图.8图图 2.6 分布式超大规模分布式超大规模 MIMO 环形部署方式示意图环形部署方式示意图.9图图 2.7 分布式超大规模分布式超大规模 MIMO 星形环形结合部署方式示意图星形环形结合部署方式示意图.9图图 2.8 分布式超大规模分布式超大规模 MIMO 树形部署方式示意图树形部署方式示意图.10图图 2.9 基于基于 A-ROF 实现前传链路示意图实现前传链路示意图.10图图 2.10 双层分布式超大规模双层分布式超大规模 MIMO 网络架构示意图网络架构示意图.12图图 2.11 宏微组网分布式超大规模宏微组网分布式超大规模 MIMO 上下行服务节点解耦上下行服务节点解耦.13图图 2.12 上下行解耦网络架构的吞吐量性能增益上下行解耦网络架构的吞吐量性能增益.13图图 3.1 动态协作协作点簇架构动态协作协作点簇架构.14图图 3.2 初始接入流程初始接入流程.16图图 3.3 协作协作 SSB 示意图示意图.17图图 3.4 三层协作簇结构三层协作簇结构.18图图 3.5 协作簇测量协作簇测量.19图图 3.6 异频测量示意图异频测量示意图.21图图 3.7 同频测量示意图同频测量示意图.21图图 3.8RSRP 测量结果比较测量结果比较.23图图 3.9 可扩展的分布式超大规模可扩展的分布式超大规模 MIMO 系统系统.24图图 3.10 某城区一个面积为某城区一个面积为 3 平方公里的区域的三维射线追踪模型平方公里的区域的三维射线追踪模型(左左);接收器位置在品接收器位置在品红色阴影红色阴影区域,发射器用蓝色圆圈表示(右)。区域,发射器用蓝色圆圈表示(右)。.26图图 3.11 不同不同 MIMO 方案的频谱效率比较:(左)单接收天线;(右)四接收天线方案的频谱效率比较:(左)单接收天线;(右)四接收天线.27图图 4.1 通道系数示意图通道系数示意图.28图图 4.2 协作点协作点/RRU 分组校准及校准信号分组校准及校准信号.29图图 4.3 使用不同码书精度情况下的校准误差使用不同码书精度情况下的校准误差 CDF.31图图 4.4 使用多样点联合估计情况下的校准误差使用多样点联合估计情况下的校准误差 CDF.32图图 5.1 上行定时同步协作点分组上行定时同步协作点分组.35图图 5.2 协作点下行定时协作点下行定时.36图图 6.1 低频段分布式超大规模低频段分布式超大规模 MIMO 无线接入网试验场景无线接入网试验场景.404IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图图 6.2 低频段分布式超大规模低频段分布式超大规模 MIMO 无线接入网试验场景无线接入网试验场景.40图图 6.3 48 个数据流时系统总频谱效率个数据流时系统总频谱效率.41图图 6.4 12 个数据流时系统总频谱效率个数据流时系统总频谱效率.42图图 6.5 不同方案的频谱效率对比不同方案的频谱效率对比.42图图 6.6 下行下行 24 个数据流的频谱效率个数据流的频谱效率.43图图 6.7 考虑校准时延的下行考虑校准时延的下行 24 个数据流的频谱效率个数据流的频谱效率.43表目录表表 3.1 中心频率中心频率 4GHZ,车速,车速 60KM 场景下同频测量之效能比较场景下同频测量之效能比较.22表表 5.1 时频同步实现方法对比时频同步实现方法对比.395IMT-2030(6G)推进组IMT-2030(6G)Promotion Group1.概述概述1.1 技术原理技术原理分布式超大规模 MIMO 系统是超大规模天线演进的重要方向,它融合了大规模MIMO 和分布式天线技术的优势,有望通过更广域的节点间协作提供更高的空间分辨率和频谱效率,为终端(UE,User Equipment)提供更为优异的性能体验。6G 网络中的分布式超大规模 MIMO 系统呈现天线数更多、分布地理范围更广、智慧协同作用更深的显著特征。在大规模 MIMO 技术基础上,分布式超大规模 MIMO 将原本集中式天线阵列分散在小区各个位置,以用户为中心,以站间智慧交互与智能协作为基础,融合多频段传输特性,在消除小区间干扰以及提高频谱资源利用率的同时,降低了传统集中式 MIMO 射频和天线数倍增的物理实现挑战,增强系统可拓展性和可靠性,从而使得无边界用户体验在 6G 网络下成为可能。1.2 国内外研究现状国内外研究现状面向未来移动信息网络更高速率(Tbps)、更低时延(0.1ms)、更高可靠(99.99999%)等需求,分布式超大规模 MIMO 被认为是未来 6G 移动通信系统的候选技术方案之一,受到研究者们的广泛关注。4G 时期的协作多点传输(CoMP)、5G 的多收发协作点(Multi-TRP)技术,都是分布式超大规模 MIMO 技术实践应用的早期探索。近几年来,无蜂窝大规模 MIMO(Cell-free massive MIMO)也引起了广泛关注,该技术是一种试图实现去小区化、无缝协作的无线通信技术,在 2017 年由 Marzetta 教授和瑞典林雪平大学的 Larsson 教授共同提出1。从网络架构和物理实现上,无蜂窝大规模 MIMO 与分布式超大规模 MIMO 有较多相似之处。两者都可以采用集中式的中心处理单元实现系统中所有节点的协作。但为了实现无缝协作,无蜂窝大规模 MIMO 更多地强调协作传输的可扩展性,不仅需要物理层信号处理方法的可扩展性,还要要求上层的实时调度具备可扩展性,并具备完善的移动性管理,这就要求物理层支持以用户为中心的有限集的动态协作簇。当前,美国“下一代移动通信技术联盟(Next G Alliance)”发布了 6G Distributed Cloudand Communications Systems 的 白 皮 书,欧 盟“2020 地 平 线 计 划”和“MarieSkodowska-Curie”计 划 设 立 了“An intelligent design of user-centric cell-free massiveMIMO:A deep learning approach”项目,开展研究基于深度学习的智能化无蜂窝大规模MIMO。国内产学研也开展了大量的分布式超大规模 MIMO 的基础理论、关键技术、原型验证等研究工作。可以看到,当前已有的研究更多聚焦分布式超大规模 MIMO 通信关键技术。然而,在从技术走向商用过程中,分布式超大规模 MIMO 还有许多实际问题需要进一步研究分析,例如动态协作、低复杂度预编码技术、高精度时频同步等。6IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2.应用场景应用场景、部署方式部署方式、网络架构、网络架构2.1 应用场景应用场景分布式超大规模 MIMO 主要应用于大容量场景,特别是人流量密集,数据业务爆发式增长的流量密集场景,例如高校、CBD 热点区域、大中型场馆以及交通枢纽等。同时,还可以联合部署不同类型的节点,以适应不同场景覆盖需求,例如除固定式基站外,还可以利用移动式基站、无人机基站、智能超表面等改善覆盖性能。高校、高校、CBD 等热点区域。等热点区域。该类场景的终端流量较大,但分布较为均匀,密度适中,移动性不高。典型的网络需求包含视频会议,网页浏览,数据下载等等。为提升容量,可采用室外覆盖室内的方式,将多个节点连接到基带处理单元,实现控制信道合并,数据信道复用。图 2.1 高校、CBD 等热点区域示图大中型场馆大中型场馆、交通枢纽等应用场景交通枢纽等应用场景。该类场景的主要特点是人流量大,数据业务爆发式增长,需要提供高密度、高速率的网络连接。针对此类大中型场馆以及交通枢纽等室内密集场景,可通过室分系统升级,实现数据信道复用,提升容量。图 2.2 大中型场馆、交通枢纽等应用场景示图企业园区应用场景企业园区应用场景。一般为 ToB 业务的场景,例如智慧工厂,具有大量连接、高并发率、数据速率稳定等特点。通过分布式超大规模 MIMO,可满足上下行大带宽特定业务需求。例如,在智慧工厂的生产调度和状态监控中,可通过分布式超大规模 MIMO 系统,实时获取设备信息,一方面实现设备状态监控和安全维护,另一方面为建立调度模型和优化调度方案提供数据基础。7IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 2.3 企业园区应用场景示图低空覆盖应用场景。低空覆盖应用场景。随着无人驾驶航空器(UAV,Unmanned Aerial Vehicle)相关产业的快速发展,其应用领域也逐渐向各个行业扩展,除军事用途外,还包括快递物流、农业植保、应急通信、气象监测、森林防火等多种用途。为满足无人机的覆盖要求,最主要的是增强垂直维度的覆盖效果。一种方案是直接增加指向空中的天线,另一种是增加 MIMO 天线在垂直维度的数量,即通过多个窄波束取代原有的宽波束,增加整体的垂直覆盖能力。然而,随着无人机飞行高度的提升,“可见”范围内的干扰源增多,当无人机位于服务小区边缘时,干扰信号与服务信号相似,会导致频繁切换或中断。为保证低空覆盖下的传输性能,可通过分布式超大规模 MIMO 化干扰为有用信号,提升低空覆盖性能。图 2.4 低空覆盖应用场景示图为支持上述应用场景,6G 时代的分布式超大规模 MIMO 将融入多频段特性,即 6G将是一个低中高多频段协同的全频谱通信系统,中低频将继续增强连接能力,毫米波、可见光和太赫兹等新频段可以利用其大带宽的优势提供极致容量,多频段协同为终端的快速接入与“零中断”传输提供有力保障。但分布式超大规模 MIMO 技术性能的发挥依赖于空口校准、调度方案、组网及协作簇等方案的实现能力。对于低频段而言,分布式超大规模 MIMO 相干传输可有效提升系统性能,其关键挑战包括动态协作、空口校准等。但对于高频段,由于器件工艺等问题引入相噪等非理想因素,使得空口校准变得极具挑战,因此高频段下的分布式超大规模 MIMO 可优先考虑非相干传输模式,重点解决动态协作、波束管理等问题。8IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2.2 部署方式部署方式分布式超大规模 MIMO 的性能增益源于大规模天线的协作传输。应用分布式超大规模 MIMO 技术,可以灵活、有效地根据不同环境,构建星形、树形、链形、环形等拓扑结构的网络,有效消除干扰快速提升容量。考虑到协作点分布式部署和硬件实现的局限性,网络架构和部署方式与物理层的信号处理方法相互影响。2.2.1 网络拓扑结构网络拓扑结构星形部署现网大多数以星形方式的部署,即中央处理单元(CPU,Central Processing Unit)连接多个协作点,在 CPU 实现集中式的联合处理。这种方式对 CPU 基带池的处理能力有较高的要求。如果协作点具有物理层信号处理能力,例如信道估计、检测、预编码等,结合动态分簇技术,CPU 的处理能力具有较好的扩展性。图 2.5 分布式超大规模 MIMO 星形部署方式示意图环形部署对于上行链路,当协作点具有信道估计、检测能力时,经过检测后的信号可以进行相干合并。相干合并可以采用串行实现,即一个协作点的检测输出到下一个协作点进行合并。对于下行链路,每个数据流的比特信息分发到各个协作点进行预编码。这种串行实现,可以采用文献2提出了 Radio Stripes 形部署。9IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 2.6 分布式超大规模 MIMO 环形部署方式示意图星形与环形结合的部署文献3采用了星形和环形结合的方式进行部署。CPU 与协作点之间采用星形部署,CPU 之间采用环形部署。当 UE 处于两个 CPU 管理范围之间时,为了实现联合传输,需要 CPU 之间有较强的交互能力。图 2.7 分布式超大规模 MIMO 星形环形结合部署方式示意图树形分层部署文献4采用了树形的拓扑形式,虚拟化的中央单元(vCPU,virtual CPU)与多个边缘分布式单元(EDU,Edge Distributed Unit)连接,EDU 与多个协作点连接,vCPU 和EDU 共同实现分布式基带信号处理。多个 vCPU 与云化的 CU 连接,在 Cloud CU 中实现用户的移动性管理。这种树形部署中,EDU 具有较强的联合处理能力,具备信道估计、检测和预编码的能力,这样 vCPU 同样具有较好的扩展性。10IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 2.8 分布式超大规模 MIMO 树形部署方式示意图2.2.2 网络链接技术网络链接技术分布式超大规模 MIMO 的实际部署中,对协作点与基带单元之间的前传实现有较高的要求。通常基带单元和协作点间的前传(fronthaul)链路一般基于光纤连接,传输的是经过光调制的数字信号,因此可以称为 digital-radio-over-fiber(D-RoF)。这要求协作点不仅具备一定的数字处理能力以完成对应分布式单元(DU,Distributed Unit)的信号处理功能,而且包含 AD/DA、混频、功放/低噪放等完整射频链硬件组件,复杂度和功耗相对较高。对于带宽较小的低频段,其基带处理功能的协作点相对成熟,但是对于带宽较大的毫米波及以上频段,协作点的 AD/DA、混频器等器件性能限制了分布式超大规模 MIMO 系统的应用。Analog-radio-over-fiber(A-RoF)技术具有低成本、低损耗、大带宽的特点,可以有效应对以上挑战。与 D-RoF 不同,A-RoF 中传输经过光调制的模拟信号,协作点仅需完成模拟信号的发射、接收等。因此,基于 A-RoF 实现前传链路时,协作点不再需要基带处理功能及 AD/DA 等部分射频器件,可以降低协作点的复杂度。具体的,基于 A-RoF技术的前传链路可以传输光调制的射频(RF)或中频(IF)模拟信号。前者称为 RFoF,在协作点侧进行光电转换后无需上变频即可发射信号;后者称为 IFoF,在协作点侧上变频至射频即可发射信号5。从而实现了协作点极简化。A-RoF 技术也支持构建不同拓扑结构的网络,但具体拓扑及 A-RoF 类型对协作点的要求不同6。在空口层面,由于数字处理能力集中在基带单元,有利于联合传输(JT)。当考虑基于 A-RoF 的分布式超大规模 MIMO 相干联合传输(CJT)时,多个协作点间的同步可以由基带补偿;同时,由于分布式协作点侧结构简单,有利于简化通道校准。图 2.9 基于 A-RoF 实现前传链路示意图11IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2.3 网络架构网络架构在分布式大规模 MIMO 网络中,网络侧以协作点(簇)的形式服务终端,在单层分布式超大规模 MIMO 网络中,由于 UE 的移动性,服务 UE 的协作点(簇)会持续更新,导致 UE 移动性管理相关的功耗较高,并可能导致服务中断问题与复杂的信令交互7。此外,协作点与 UE 的功率差异引入了上下行覆盖范围不平衡的问题。因此,面向 6G 的分布式超大规模 MIMO 架构设计需要考虑灵活的移动性和上下行覆盖均衡的需求。2.3.1 双层分布式网络架构双层分布式网络架构为了应对移动性导致的中断与复杂信令交互的挑战,可以考虑一种双层分布式超大规模 MIMO 网络架构,如图 2.10 所示。其中,第一层网络主要实现 UE 的初始接入和移动性管理功能,完成 UE 与网络之间的低时延控制信令交换,能够提供较高的覆盖性能,例如第一层网络可以是基于单频网1(SFN,Single Frequency Network)技术的超级小区(super cell)、或者是基于低频段通信的广覆盖小区(例如利用原有的 2G/3G/4G/5G 基础设施或频谱资源)、或者是卫星通信中的卫星/HAPS(High Altitude Platform Station)小区。第二层网络主要实现高速率的数据传输功能,通过动态地为每个终端选择一个或若干个传输节点进行集中式或者分布式的传输,能够获得更高的空间复用增益,提供更高的数据传输速率。第二层网络可以采用 non-SFN 模式的、或者采用相比第一层网络频点的更高频点、或者采用卫星通信中的低轨卫星。第一层网络节点的同步信号/参考信号可以关联同一区域内的第二层网络节点的同步信号/参考信号,例如第一层网络可以使用宽波束范围的参考信号维持 UE 的稳定连接,第二层网络可以使用与宽波束关联的若干窄波束范围的参考信号实现 UE 的高速传输。考虑到 UE 在不同状态下差异化的通信和流量需求8,UE 可以在不同状态下根据传输需求连接到不同层的网络。在空闲态或者非激活态下,UE 主要连接到第一层网络,通过测量网络同步信号/参考信号,进行寻呼监听和系统消息读取,以建立或维持网络连接关系,获得较高的覆盖性能并减少切换;在连接态时,则根据流量需求的不同,UE可以连接到第二层网络进行高速率的数据传输。基于这种双层分布式超大规模 MIMO 网络架构,UE 可以一直测量到一个信号质量较好的第一层网络同步信号或参考信号,避免原本基于单小区模式的频繁小区重选流程,减少寻呼的丢失概率。当 UE 进入连接态时,如果其需要接收或者发送的数据量较大,UE 也能够接入到第二层网络,以提升传输效率。1单频网模式下,信号从多个网络侧的协作点(如小区或协作点)发送,因此可以提供更好的覆盖性能。12IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 2.10 双层分布式超大规模 MIMO 网络架构示意图2.3.2 上下行解耦网络架构上下行解耦网络架构分布式超大规模 MIMO 系统可以通过密集的节点部署来改善上行覆盖,也可以在大型节点覆盖边缘部署小型接收节点来提升上行覆盖,但由于大型节点发射功率通常明显大于小型节点,因此通过下行参考信号的 RSRP 确定的服务节点通常只能代表其为最优的下行服务节点,不一定是最优上行服务节点。上下行服务节点解耦网络架构通过允许单一用户的下行数据和上行数据可以面向不同物理节点进行传输来解决上述问题。上下行服务节点解耦以不同的原则分别选择最优上行和下行服务节点。下行服务节点的选择可以仍然基于下行参考信号 RSRP 测量结果,而上行服务节点的选择将基于上行传输损耗。为使分布式超大规模 MIMO 部署具有更高的灵活性,动态协作簇簇间和簇内的节点间的天线阵列特性以及发射功率应当允许存在差异性,传输损耗则是综合考虑了天线面板带来的波束增益以及传播路径损失两个因素,使得在多个不同天线面板配置的节点间进行服务节点选择更加公平。在如图 2.11 所示的宏微异构组网的分布式超大规模 MIMO 系统中,部分 UE(如图中 UE-1)会同时处于宏节点和微节点的下行覆盖范围内,但其上行覆盖范围仅能包含微节点,因此其下行传输可以来自宏节点或微节点,但上行传输只能面向微节点;还有部分 UE(如图中 UE-2)上行覆盖范围会同时包含宏微节点,因此宏节点与微节点都能提供上下行服务,从而在非联合传输场景下需要进行动态服务节点选择。13IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 2.11 宏微组网分布式超大规模 MIMO 上下行服务节点解耦对于一般上下行解耦网络架构,每个节点都可以进行上下行传输,可以根据 RSRP测量、传输损耗和可分配资源等分别动态选择上行服务节点和下行服务节点。对于相干传输场景,由于要选择多于一个节点或协作点进行上下行传输,因此还需要考虑基于多节点整体吞吐量最大原则或者多节点整体接收功率最大原则进行服务节点选择。上下行解耦网络架构的需求还体现在一些特殊场景中,(1)在分布式超大规模 MIMO 系统中,密集的节点部署会导致多个节点的下行覆盖范围严重重叠,为了降低节点间下行干扰,部分节点的下行传输会被关闭,从而仅接收上行传输;(2)低负载场景下,由于节点能耗主要由下行发送模块贡献,出于网络节能的考虑,部分节点的下行传输单元可以被关闭;(3)对于仅存在上行容量覆盖受限的场景,只需要部署仅支持上行接收的节点,在这些场景中,用户上行服务节点和下行服务节点必须进行解耦。上下行解耦网络架构在 5G 频段移动通信场景下的仿真结果如图 2.12 所示,在动态上行传输节点选择场景中,其可以有效改善边缘用户和系统平均吞吐量,对边缘用户吞吐量的提升相比上下行节点绑定的网络架构可以达到约 30%,平均吞吐量的提升可以达到约 20%。其中,传输损耗除了传输损耗外还包含了节点接收面板的接收增益差异。图 2.12 上下行解耦网络架构的吞吐量性能增益上下行解耦网络架构在分布式超大规模 MIMO 系统中提供了更灵活的网络部署方14IMT-2030(6G)推进组IMT-2030(6G)Promotion Group式,一方面,其通过打破上下行节点物理位置统一的传统网络部署限制,实现了分别根据上行和下行链路最优原则选择上下行服务节点,大幅度提升用户上下行业务体验;另一方面,其允许节点只支持上行、只支持下行或者上下行都支持,能够灵活应对不同的应用场景、网络需求、业务负载。3.协同传输方案协同传输方案分布式超大规模 MIMO 网络中的协作簇包括静态协作簇与动态协作簇,其中动态协作簇主要用于连接态的数据传输,静态协作簇主要用于系统消息广播和终端的初始接入。实际系统中为简化随机接入的时延和公共信令开销,可以以静态协作簇或者静态协作簇的一部分协作点子集为单位配置公共的同步信号并进行测量,方便终端快速接入多协作点组成的协作小区。本章节从初始静态协作簇接入,动态协作簇构建、动态协作预编码和协作接收的角度进行具体阐述。3.1 初始静态协作簇接入初始静态协作簇接入在分布式超大规模 MIMO 网络中,一个协作簇一般由地理位置上相邻的几个协作点组成。对于每个 UE 而言,为其服务的协作点簇是 UE 专属的。如下图 3.1 所示,其中一个中心单元(CU,Centralized Unit)可调度的协作点数量是可以动态变化的,并且一个协作点可以同时由两个或以上的 CU 来调度其通信资源为不同的 UE 服务。基于密集的协作点部署,多个协作点联合服务同一 UE 的特点会对 UE 的初始接入过程带来诸多新的挑战910,在多协作点联合服务的场景下,UE 的初始接入存在以下几个特点:图 3.1 动态协作协作点簇架构大量分布式部署的协作点与 UE 的距离远近分布并不均匀,发射功率也可能不同,仅依据接收功率选择协作点可能会导致路径损耗较大,从而导致终端上行功耗较大。因此,除了接收功率 RSRP 外,还可以联合参考路径损耗选择同步信号进行接入;15IMT-2030(6G)推进组IMT-2030(6G)Promotion Group基于大量分布式部署的协作点,UE 可能同时检测到多个符合接入条件的同步信号。为了进一步提高初始接入的可靠性与成功率,可以利用多个同步信号进行初始接入,并确定 UE 随机接入的 PRACH 资源和 MSG 1/MSG A 的发射功率;不同协作点之间的同步精度和物理连接关系可能有所差异,各个协作点(簇)的波束发射能力也有所不同。UE 可以根据 UE 接收能力和协作点(簇)的波束发射能力,选择合适的同步信号进行初始接入。3.1.1 基于双层网络的初始接入基于双层网络的初始接入初始接入阶段,UE 没有分布式协作点的先验信息,如果对周围所有协作点的参考信号进行逐个测量,则扫描时间较长,这增加了基于动态协作点簇的初始接入的设计难度。基于双层网络的分布式超大规模 MIMO 架构,UE 的初始接入和网络连接流程可进一步设计与完善。其中,双层网络中的第一层网络主要实现 UE 的初始接入和移动性管理,提供较高的覆盖性能,第二层网络主要通过动态地为每个终端选择一个或若干个传输协作点来提升空间复用增益,提供高速率的数据传输。为避免 UE 在初始接入过程中由于前导参考信号盲检导致接入时延与资源开销变大,可以利用第一层与第二层网络参考信号之间的关联关系,设计更加灵活的广播信道和更加高效的初始接入方式。例如,当空闲态或者非激活态下的 UE 在第一层网络中接收到属于自己的下行寻呼消息时,UE可以基于对第一层网络参考信号与波束的测量结果,利用第一层和第二层网络参考信号与波束方向的关联关系,缩短第二层网络参考信号的测量时间,更快地接入第二层网络。为此,在基于协作点簇的组网架构中可以考虑设计两种类型的协作点簇:静态协作簇和动态协作簇。其中静态协作簇主要用于空闲态、非激活态 UE 的初始接入,而动态协作主要服务于连接态 UE,为其提供数据传输服务。静态协作簇服务于所有的 UE,主要用于 UE 的快速初始接入,因此该类簇需要保证广域的覆盖,但对系统容量要求不高,可以采用低频段作为初始接入时协作点的工作频段。动态协作簇是 UE 专属的,主要为 UE 提供高速数据传输的服务,可以采用高频段作为工作频段。其中,基于双层网络的初始接入流程如下图 3.2 所示。由于两种协作点簇功能不同,在参数配置上也要有所区别。对于静态协作簇,UE只能通过扫频、搜索的方式接入网络,因此静态协作簇需要配置 SSB/SIB/PRACH 等公共资源参数,以方便 UE 能快速完成接入。而动态协作簇是 UE 专属的,对于每个 UE,一个动态协作簇可以有一个特定的标识来表征其唯一性,例如动态协作点簇 ID。动态协作簇所对应的系统消息和参考信号需要通过 UE 专用信令下发。为了减少系统消息和参考信号的资源开销,网络侧可以将动态协作簇的系统消息和参考信号进行复用,即处于同一位置的不同 UE 可以使用相同的系统消息和参考信号。基于 UE 的测量上报,网络16IMT-2030(6G)推进组IMT-2030(6G)Promotion Group侧确定为 UE 服务的动态协作簇,并且维护一个测量协作簇,测量协作簇中的协作点为动态协作簇周围的部分协作点。当 UE 处于移动状态时,通过对测量协作簇中的协作点进行周期性测量,UE 可完成动态协作簇的更新和切换。图 3.2 初始接入流程3.1.2 静态协作簇初始接入增强静态协作簇初始接入增强现有的技术中,终端要想获得分布式协作传输,需要先接入网络,然后才能在业务信道上进行协作传输。如果是在多点协作网络中,这一过程更加冗长,要在服务小区接入一次,还要在其他相邻小区进行同步信号测量以选择合适的协作小区,最后才能开始协作传输。所以,对于静态簇协作簇的构建,若沿用现有方式时延和开销较大。为降低接入时延,可以考虑接入协作的增强。在接入阶段将系统中的同步信号划分为两类:一类是普通的非协作同步信号,每个协作点在这类同步信号的位置上独立发送同步信号;另一类是协作同步信号,不同的协作点可以在这类同步信号的位置上协作发送同步信号,使得 UE 可以在同步阶段就测量到协作小区的信息,从而在接入阶段就开始进行协作传输,实现时延降低以及接入流程的速率提升或可靠性增强。如图 3.3 所示,在非协作 SSB 的传输位置上,每个协作点发送的 SSB 对应于小区 ID;可以有多个协作点在这个位置上发送 SSB,那么由于小区 ID 不同,这些 SSB 互为干扰信号。而在协作 SSB 的传输位置上,协作点按照协作 ID 发送同步信号,对于使用相同协作 ID 发送 SSB 的协作点,可以看作是以 SFN 方式发送的 SSB,信号得到增强;也可以有多个不同的协作 ID 在相同的位置上发送 SSB,那么他们之间还是一种干扰关系。17IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3.3 协作 SSB 示意图UE 在进行小区搜索时,使用小区 ID 和协作 ID 分别在非协作 SSB 位置和协作 SSB位置上进行检测,考虑到协作 SSB 会提高接收能量,在 UE 进行接入准则判定时,可以考虑如果协作 SSB 的接收 RSRP 高于非协作 SSB 一定范围时,才会选择协作 SSB 进行接入。通过约束不同 SSB 上的终端接入准则,实现 UE 接入协作 SSB,从而实现在接入阶段的协作传输。这样,UE 可以在同步阶段就测量到协作小区的信息,从而在接入阶段就开始进行协作传输,实现时延降低以及接入流程的速率提升或可靠性增强。3.2 动态协作簇动态协作簇构建构建分布式超大规模 MIMO 网络中的协作簇的构建主要包括新的协作簇架构、基于下行参考信号的动态协作簇选择和切换和基于上行参考信号的动态协作簇选择和切换三部分。3.2.1 多层级动态协作簇多层级动态协作簇在分布式超大规模 MIMO 系统中,大量的协作点广泛灵活地部署在服务区域,并通过回程或前传链路相互协作,为 UE 提供统一的高质量的数据传输服务。由于协作点分布在不同的地理位置,与每个 UE 的距离有远有近,服务 UE 的信号强度有大有小,如果所有协作点同时服务 UE,一方面会引起回程或前传链路中出现大量的信道和数据信息的传输,另一方面远离 UE 的协作点带来的协作增益非常有限,因此通常在系统中构建以 UE 为中心的协作簇。每个 UE 的协作簇中可能包含相同或不同的协作点,如果需要在相同的时频资源上同时服务多个 UE,例如相干联合传输(CJT)的方式,多个协作簇中的大部分协作点之间需要有效地协调资源、联合调度、消除 UE 间干扰或联合传输,导致协作规模随 UE 数增加而成倍增加,回程或前传链路资源被大量占用,实现复杂度大规模增加,极大地影响了分布式超大规模 MIMO 系统的有效实施。为此,实际系统中可以考虑多层级的协作簇架构,如图 3.4 所示。第一个层级是资源调度簇,可以根据地理位置的关系,将一组协作点划分成一个相对固定的簇,并通过回程或前传链路连接到同一个 CU,进行统一地 UE 调度、资源分配、发送预编码或接收合并器设计,以及功率分配等等,这样可以有效地控制协作处理的规模和实施效果。第二个层级是信道测量簇,它是以 UE 为中心划分的簇,根据在第一层资源调度簇中的协18IMT-2030(6G)推进组IMT-2030(6G)Promotion Group作点到达 UE 的距离或信号强度大小,将一组邻近的协作点分配给一个 UE,并且配置相应的信道测量资源来估计多个协作点的信道,故称为信道测量簇。资源调度簇可能包含多个 UE 相关的信道测量簇,不同的信道测量簇可能包含相同或不同的协作点。针对下行链路,可以为该 UE 分配一组下行导频,分别接收测量每个协作点的信道状况;针对上行链路,UE 发送的上行导频,只有该簇内的每个协作点能够接收,测量该 UE 的上行信道状况。信道测量簇中的协作点收集信道信息后,可以通过回程或前传链路发送到与资源调度簇相连的 CU 中集中处理,也可以留在每个协作点单独处理。第三个层级是数据传输簇,UE 或 CU 根据实时测量的下行或上行信道信息,进一步从信道测量簇中选取合适的协作点,为 UE 提供下行数据的联合发送或上行数据的联合接收,故称之为数据传输簇。每个 UE 的数据传输簇可以等同于信道测量簇,也可以从信道测量簇中进一步筛选得来。如图 3.5 所示,不同 UE 的数据传输簇可能存在交叠,即同一个协作点可能出现在两个 UE 的数据传输簇,当这两个 UE 同时被调度和服务时,如何有效地抑制簇之间的干扰,3.3.3 节给出了一种联合预编码设计的方法。当然,三层协作簇的划分并不是一成不变的,它可以根据协作点的负荷、能耗要求,以及 UE 的位置变化等相应地调整。不同的资源调度簇,可以独立地服务各自簇内的 UE,也可以通过交换部分信道信息,为处在资源调度簇边缘的 UE 提供一定程度的干扰消除或信号增强的效果,以进一步提升 UE 的服务质量和服务体验。图 3.4 三层协作簇结构3.2.2 基于下行参考信号的动态协作簇选择和切换基于下行参考信号的动态协作簇选择和切换在 5G NR 系统中,网络侧通过波束测量上报和 CSI 测量上报来获得各个协作点与UE 之间的信道信息,进而确定由哪几个协作点为 UE 服务。例如,在基于多个协作点的波束测量上报中,UE 可以上报适合 2 个协作点联合传输的波束组合;在基于多个协作点的 CSI 上报中,UE 可以分别上报 2 个协作点进行 NCJT 传输和进行单点传输的 CQI,19IMT-2030(6G)推进组IMT-2030(6G)Promotion Group或者从 4 个协作点对应资源中上报适合进行 CJT 传输的资源(协作点)。在分布式超大规模 MIMO 系统中,网络部署会更加密集,如果仍然按照 5G 的方法对每 2 个协作点或每 4 个协作点进行联合测量将增加测量上报的延时,进而影响分布式超大规模 MIMO 系统的传输效率。因此,有必要对测量上报进行增强以快速构建动态协作簇。一种方法是沿用 5G 的设计思路,由网络侧确定动态协作簇并通知给 UE。另一种方法是由 UE 确定动态协作簇,或者至少 UE 可以发起对协作簇的动态变更请求。与 5G 类似,UE 通过测量上报来辅助网络侧确定动态协作簇,但测量上报方法相比5G 系统更加灵活。例如,在每次测量上报中,UE 对大于 4 个协作点对应的测量资源进行测量上报,选择部分协作点对应的资源和测量值上报给网络侧;又例如,在进行测量上报时,UE 还可以上报选中的协作点适合进行 NCJT、CJT 或 DPS/DPB 中的哪一种或哪几种传输方式;此外,UE 还可以上报哪些协作点适合进行联合传输,并且当这些协作点进行联合传输时,测量的其它协作点是否适合进行同时传输(如其它协作点对联合传输的协作点干扰过大,则不适合进行同时传输,其它协作点需要静默)。传统多点协作传输网络仅应用于业务数据传输阶段,并未对切换过程的上行速率和鲁棒性进行优化设计。UE 要想获得分布式协作传输,需要先切换至新的网络,而后才能在业务信道上进行协作传输,这对位于小区边缘的 UE 而言,难以保证一致性体验。为此,可以考虑在测量环节即引入协作协作点簇测量的机制,并在切换判决环节生成非协作点、协作点簇两类候选切换目标列表,使得切换过程可按实际网络需求完成多个目标协作的接纳控制,从而在切换后即可实行多协作点的联合传输,实现速率提升或可靠性增强,保证用户一致性体验。图 3.5 协作簇测量在触发协作切换时,考虑协作切换簇列表和非协作点切换列表。两类列表均进行目标协作簇/非协作点综合排序。当判决结果是非协作点切换,源节点/源协作簇只需向单个目标节点发起切换请求和执行切换。当判决结果是协作簇切换,源节点/源协作簇需向目标协作簇内的协作点(协作簇内可预先指定接收和响应切换请求的协作点)或协作簇20IMT-2030(6G)推进组IMT-2030(6G)Promotion Group内切换控制单元(独立于协作点的实体,用于接收和响应切换请求)发起切换请求,协作簇内各协作点完成协作信息发送和确认并完成接纳控制后,执行切换并最终实现成功切换。在以用户为中心的系统中,可以由 UE 发起或决定协作簇的构建和变更。在 UE 发起的协作簇构建/变更方法中,UE 通过网络侧的配置确定测量资源与协作点的关联关系,在 UE 进行协作传输的同时,对部分测量资源进行测量(可以是进行协作传输的协作点对应的测量资源,也可以是协作簇以外协作点,即非协作点对应的资源),根据测量资源与协作点的关联关系,UE 可以确定当前协作簇是否最优,是否需要变更协作簇等。如果有协作点与 UE 间链路质量变差,或其他非协作点有更好的链路质量,则 UE 可以发起协作簇变更上报,如建议网络侧将测量资源 A 对应的协作点在协作簇中删除,或将测量资源 B 对应协作点增加到协作簇中。待网络侧对 UE 发起的协作簇变更上报进行确认后,则 UE 上报的协作簇生效,即网络侧为 UE 动态地更换了协作簇。这样,将会大大缩短协作簇变更时延。在 UE 决定的协作簇构建/变更方法中,UE 同样可以根据测量资源确定出当前最优的协作簇,并将最优协作簇(或对应的测量资源索引)通知给网络侧,网络侧在收到 UE的指示后,按照 UE 的决策,使用协作簇中的协作点为 UE 服务。3.2.3 基于上行参考信号的动态协作簇选择和切换基于上行参考信号的动态协作簇选择和切换在分布式超大规模 MIMO 系统下,每个协作点覆盖范围缩小,且协作点密度相较于以往相对较高。UE 必须要能够更快的测量出协作点信号强度并且完成上报,否则网络将无法及时为 UE 选择最佳的服务协作点簇。这样密集部署的环境中,传统单靠 UE 进行 RRC 触发的层 3 测量、上报测量结果、网络再根据 UE 上报结果选择协作点的方式将会对测量效能以及下行频谱使用效率上造成极大的挑战,并且也会造成切换过程中有过多的传输中断。当前 3GPP 在 Rel-18 对传统的移动性管理提出改进,想从传统的以RRC 触发的层 3 测量上报结果来决定切换对象、推进到以 L1/L2 触发的层 1 测量(L1/L2-triggerd mobility,LTM11)上报结果来决定切换对象。LTM 主要是针对在层 3 测量上报(layer-3 measurement report)后之行为的优化,也就是通过过对层 1 测量流程的调整来降低切换过程中对服务小区或协作点造成的传输中断。虽改进了传输中断但仍旧存在层 3 测量结果跟踪不上实际环境变化以及下行频谱使用效率不佳的问题。为此,我们考虑利用上行测量信号来取代下行测量信号。如图 3.6 所示,当 UE 在服务小区所在的频点接收数据时,过去为了要收异频频点的下行测量信号必须中断服务小区的下行数据接收;现在改为在异频频点上传送上行测量信号,只要服务小区所在频点与异频频点符合 UE 能支持的同时接收和发送的频点组合,就能够让 UE 在维持服务小区的下行数据接收的同时传送上行测量信号、让网络来21IMT-2030(6G)推进组IMT-2030(6G)Promotion Group进行测量。举例来说,FDD 频谱中的相关联的下行/上行频点即为 UE 能支持同时收发频点的组合,一般而言,只要发射和接收的频点差距大于 FDD 频中的下行/上行频点差异,UE 即可支持同时接收和发送。在 TDD 频谱中,以上述上行信号为基础的层 3 测量也适用,如图 3.7 所示,在网络与 UE 皆支持子带全双工(sub-band full duplex)的情况下,除了解决异频频点和服务小区的下行数据无法同时接收的问题,过往同频测量时 UE 在某些场景无法同时进行层 3 测量以及维持服务小区的下行数据接收的问题,也就是有所谓的调度限制(scheduling restriction),也可通过 UE 在维持服务小区的下行数据接收的同时传送上行测量信号、让网络来进行测量来改善。图 3.6 异频测量示意图图 3.7 同频测量示意图根据 3GPP 所制定的仿真假设12,以及参考过去传统 RRC 触发切换流程、LTM 切换流程的仿真假设13,我们依此进行了仿真,比较传统切换流程中常见的效能评估指标切换失败率(handover failure rate)、乒乓率(ping-pong rate)、无线链路失效率(RLFfrequency)以及干扰时间或者叫做传输中断(data interruption time)。表 3.1 所示中心频率4GHz 的仿真结果,我们比较利用不同测量方式做同频测量、在没有测量间隙与有测量间隙两种情况下的进行效能比较。在这里我们假设网络使用了 20ms 的下行测量信号测量周期(SMTC periodicity),而当网络有配给 UE 测量间隙时使用的是 40ms 的测量间隙周期(MGRP)。比较结果可以发现相较于传统 RRC 触发切换流程以及 LTM 切换流程的仿真结果,利用上行测量信号来取代下行测量信号的结果可以大幅降低无线链路失效率以及切换失败率。与传统的切换流程相比,LTM 与基于上行测量信号之切换方式其乒乓率虽有提升,但由于每次切换过程的的传输中断时间比较短,所以总体而言的传输中断22IMT-2030(6G)推进组IMT-2030(6G)Promotion Group比率仍有所改善。在 LTM 的仿真假设当中,我们假设使用者有能力先进行时频域的精准同步且切换过程只有约 25ms 的传输中断(大约是参考资料13中 T3 时间的长度);而在基于上行测量信号之切换方式里,上行同步已经等同于被预先进行,下行同步我们假设在网络给予切换小区指示后会顺带给与非周期性下行同步信号帮助 UE 快速完成时频域的精准同步,因此有约 45ms 的传输中断(大约是参考资料13中 T1 T3 时间的长度)。就仿真结果而言,我们可以看到总体而言基于上行测量信号之切换方式的传输中断比率仍然是所有场景中最低的 2.53%。表 3.1 中心频率 4GHz,车速 60km/h 场景下同频测量之效能比较HO KPIsHO schemesDL RRC-triggeredDL LTMUL basedMGRP 40msWithout MGWith MGWithout MGWith MGNo need MGHO failure rate3.35%5.43%2.54%4.13%0.21%RLF frequency(times/hr)85.44109.4378.9594.9413.00Ping-Pong rate5.93%5.28%7.64%6.97.92tainterruption3.86.20%2.79.02%2.53%图 3.8 中我们比较不同方式所测量到的参考信号接收功率 RSRP 变化,由于 LTM 切换流程仍需基于层 3 测量上报的结果为基础,其仿真结果与传统 RRC 触发切换流程仿真结果类似,故此忽略不显示于图中。图 3.8 中,左图为所有发生 RLF 到重新与网络链接上的中断时间内,理想估测值、基于下行测量信号之估测结果、与基于上行测量信号之估测结果的 CDF 曲线的比较;右图为单一次发生 RLF 到重新与网络链接上的中断时间里,理想估测值、基于下行测量信号之估测结果、与基于上行测量信号之估测结果随着时间的变化的采样。如图所示,与固定周期传输下行测量信号的方式相比,利用短时间密集传输上行测量信号之测量结果更贴近理想估测值,更能反映环境的变化并找到信号最强的协作点;此外,由于测量结果更贴近理想估测值,有利于降低决策错误率,故也能减少 RLF 的发生。23IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3.8RSRP 测量结果比较利用上行测量信号来帮助移动性管理以及协作点簇的选择,不但可以改善下行频谱使用效率也能减少测量所需的时间,让 UE 能对环境的变化做出更精准的反应,连接上最适当的信号源。考虑到 UE 数目众多、上行测量信号的传输资源有限,以及上行传输功率可能不足的限制,实作上如何有效调配资源,仍需进一步研究。3.3 动态协作预编码动态协作预编码为了实现灵活的下行相干传输,需要在协作簇基础上实现动态协作预编码。另外,下行相干联合传输性能严重依赖于上下行互易性校准和协作点间时频同步的影响。因此,设计预编码方法需要结合协作点间时频同步技术及互易性校准。3.3.1 动态动态分布式分布式联合预编码技术联合预编码技术当网络中协作点间做到高精度的同步时,可以采用集中式或分布式预编码,以及基于动态分簇的预编码方法。另外,下行终端的功率分配对系统性能也有较大的影响,需要考虑每协作点功率约束下的多用户功率分配技术。为了实现超大规模 MIMO 的扩展性,将传统的基带单元分为边缘分布式单元 EDU和以终端为中心的分布式单元 UCDU。如图 3.9 所示的可扩展分布式超大规模 MIMO,多个 RRU 连接到 EDU,在 EDU 中可以实现物理层信号处理的功能,实现空-时-频解耦,在 UCDU 实现空域数据流的分发/合并、调制/解调以及编解码。假设系统中有多个边缘分布式单元 EDU,每个 EDU 连接固定数量的 RRU 集合,系统中有多个 UCDU。每个 UCDU 与 EDU 均存在处理能力的上限。对于下行传输,在中央控制单元 CCU 根据终端接入、上行探测等信息,实现动态协作簇,建立终端与 RRU、EDU、UCUD 的关联。每个终端仅关联一个 UCDU。多个 RRU 之间的空口校准可以在 CCU 实现,CCU 将其关联的 RRU 的校准系数下发到 EDU,多个 CCU 管理的 RRU 之间的校准系数,可以由 CCU 之间交互获得联合校24IMT-2030(6G)推进组IMT-2030(6G)Promotion Group准。图 3.9 可扩展的分布式超大规模 MIMO 系统下行相干协作传输的预编码在每个 EDU 本地计算,即每个 EDU 仅根据终端到该EDU 连接的 RRU 的上行信道计算其相应的预编码矩阵。具体地,根据分簇和关联信息,EDU 获得终端上行 SRS 接收信号,进而得到多个终端的上行信道,根据调度和空分复用配置,EDU 对经过校准的上行信道计算下行预编码。3.3.2 鲁棒预编码鲁棒预编码采用多协作点联合预编码时,性能会受到非理想校准和相位同步的影响,尤其是当每个协作点服务的终端数据流接近协作点的天线数时,性能下降较为明显,因此需要采用鲁棒的预编码技术。以共参考时钟不共本振的实现为例,经过校准后,如果不考虑频繁地发送校准信号跟踪本振相位漂移,相位误差或校准的相位误差可以建模为max的均匀分布。为了减轻信道上乘性相位误差对系统性能的影响,需要设计合适的鲁棒预编码。文献14提出了采用加权和速率作为鲁棒预编码设计的目标函数,并且考虑了协作点间信息共享。根据乘性相位噪声的分布,可以计算出信道的协方差矩阵,考虑单协作点的功率约束,建立一个存在功率约束的最大化加权和速率,优化目标为预编码的优化问题。由于该问题无法直接求解,文献14将加权和速率问题转化为加权和估计均方误差(MSE)问题,并证明这两个问题有着相同的全局最优解。进一步,论文给出了最优解的结构,并引入拉格朗日乘子将原问题变为无约束问题,采用迭代方法求解。为了得到闭式解,文中进一步简化为求解下面的瑞利熵最大化问题,25IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2maxkHkkkHkjkj kKNPRRwwwww(公式 3-1)其中kR是第k个终端的信道的协方差矩阵,其中包含了对乘性相位噪声求期望的处理,kw是第k个终端的预编码向量,N是 AP 个数,P是单 AP 的最大功率,K是终端数。其解可以表示为m21axkNMkj kjKNPuIRRw(公式 3-2)其中maxuA表示 A 矩阵的最大的特征值对应的特征向量。由于是次优的鲁棒预编码,此时还不满足协作点的功率约束,最终的预编码还需要对最大预编码功率的协作点进行归一化。3.3.3 重叠协作簇的预编码重叠协作簇的预编码在分布式超大规模 MIMO 系统中,终端与协作簇之间的关联、预编码和功率控制的联合设计可以显著提高性能。当终端可以由其专属簇的协作点服务时,由于簇之间可能存在重叠,需要有效的干扰抑制算法。如果一个终端由其覆盖区域内的所有协作点提供服务,可以使用众所周知的迫零预编码器,它通过对估计的信道矩阵求 Moore-Penrose 逆实现。然而,在分布式超大规模MIMO 中,终端只从其簇内的协作点接收信号,无法通过来自簇外接入点的传输来抑制干扰。一些文献讨论了分布式超大规模 MIMO 中的预编码问题1516,通过限制簇间干扰的迭代算法实现分布式下行波束赋形,但相关算法要求协作点之间交换信道信息。在未来密集网络场景下,干扰源的数量可能非常庞大,传统方案不仅加大了网络传输负荷而且可能无法有效地减轻干扰。以下提出一种使用广义逆矩阵理论的非迭代预编码方法17。它依赖于全局计算簇,以集中的方式一次性计算预编码系数和功率控制,并推送给发射机,避免了任何迭代算法,无需在接入点之间进行消息传递。在基于协作簇的分布式超大规模 MIMO 系统中,解耦簇间干扰可通过簇间链路的预编码系数设为零的方式。预编码矩阵A 的设计目标需满足以下两个条件:GA=I(公式 3-3)A CT=A(公式 3-4)其中(3-3)是迫零条件。矩阵C是与信道G相同大小的二进制簇矩阵。如果协作点j为终端i提供服务,则Cij=1;否则Cij=0。A可以是信道矩阵的求逆。假设协作点的数量大于终端数目,估计的信道矩阵G是奇异的。条件(3-4)确保没有协作点向未包括在其协作点中的终端传输。所提出的预编码算法基于广义逆,即26IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupA=A (I A G)B(公式 3-5)为了实现条件(3-4),需要构造一个任意矩阵B,使得式(3-5)中的A满足(3-4)所示的簇外条目相对应元素为零的条件。广义逆和传统的 Moore-Penrose 逆都可以解决迫零问题,但广义逆的计算速度比 Moore-Penrose 逆更快,并且具备额外的自由度,即可通过适当构造中间矩阵B满足条件(3-4)。功率分配在分布式大规模天线中起着重要作用。以上基于广义逆的预编码算法在服务的单元数远远超过终端数时几乎消除了干扰。因此,将最大化所有终端的最小信噪比(SINR)的功率优化问题可以简化为以下更简单的线性规划问题,即解决最大化给定终端的最小接收符号功率的问题,并能通过变化效用函数来构建闭合解决方案。图 3.10 某城区一个面积为 3 平方公里的区域的三维射线追踪模型(左);接收器位置在品红色阴影区域,发射器用蓝色圆圈表示(右)。为了评估以上算法,通过 ray tracing 射线追踪在 3.5GHz 频段对某城区的一个 3 平方公里的街区进行了信道建模18,如图 3.10(左)所示。我们假设终端在街道上均匀分布,彼此之间距离为 5 米。协作点放置在建筑物立面上,协作点之间的距离为 200 米,交替分布在街道的两侧。图 3.10(右)显示了紫红色阴影区域上的接收器位置和蓝色圆圈表示的发射器。在给定时间内,随机选择了 180 个活跃终端。对于 3.2.1 节中的三层协作簇方案,将资源调度计算和信道测量簇包括在所有 193 个协作点中,而每个终端的传输/接收簇根据信号强度标准确定。每个终端由最多 7 个协作点提供服务,这些协作点的信号强度与最强协作点的信号强度相差不超过 26 dB,形成其传输/接收簇。如图 3.11(左)所示,与独立运行的多用户 MIMO 小小区(small cell)相比,采用提出的三层协作簇的方法可以获得 2.6 倍的中位数频谱效率,而与传统的非重叠服务簇限制在相似数量的 7个协作点的联合传输 CoMP 相比,可以获得 2 倍的中位数频谱效率。图 3.11(右)显示了在接收端采用四个接收天线时,小小区 small cell、CoMP、DmMIMO 和完全协调四个不同方案的比较。与小区相比,DmMIMO 的频谱效率增益为 2.6 倍,与单个接收天线的情况相当。然而,与单个接收天线的情况相比,几乎实现了 2 倍的频谱效率。许多终端位于其簇中的协作点的直射径 LOS 范围内,因此增加接收天线数量并未带来四倍的增益。27IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3.11 不同 MIMO 方案的频谱效率比较:(左)单接收天线;(右)四接收天线3.4 协作接收算法协作接收算法对于分布式超大规模 MIMO 系统,采用集中式的联合接收机可以获得最优的性能。例如,采用联合最大似然检测可获得最优的性能。但是,集中式的联合接收机一方面对前传要求很高,另外对基带信号处理的算力要求也很高。采用干扰抵消类接收机可以获得较好的性能,但是实现的复杂性仍然较高。当协作的天线数远大于数据流个数时,线性接收机可以获得较好的复杂度和性能的折中。由于多 UE 与多点的时延差和多普勒频偏各不相同,从频域和时域看,分布式超大规模 MIMO 信道矩阵整体上在频域和时域变化较大。算力允许的情况下,逐子载波均衡可以获得较好的性能。采用分布式接收机可以降低协作接收机的复杂性。例如分布式超大规模 MIMO 技术可以采用在每个协作点/RRU 本地做分布式检测,然后再进行集中式合并。这种分布式检测/均衡算法只有在协作点个数远大于服务 UE 数据流个数时,可以获得逼近最优的性能。并且,协作点/RRU 检测后的结果与集中式合并基带单元之间的信息传递的前传开销也较大。参考图 3.9 的新型架构下的分布式超大规模 MIMO 系统,以上行接收为例,检测出多个 UE 数据流后,EDU 将其发送给 UCDU。一个 UE 可以关联多个 EDU,但是只能关联一个 UCDU。在 UCDU,可以将不同 EDU 发送过来的相同 UE 的数据流进行合并。这种新型架构下,每个 EDU 服务的 UE 是动态的。例如,当 UE 被多个 EDU 管理的 AP 服务时,P-MMSE 在每个 EDU 中实现,而该 UE 的检测结果在其对应的 UCDU 中进行合并。4.通道校准通道校准在物理实现上,每根天线的射频端需要两套电路来分别完成信号的发送和接收,如图 4.1 所示。由于硬件方面的工艺误差,加上放大器的非线性失真,很难实现射频端的28IMT-2030(6G)推进组IMT-2030(6G)Promotion Group两套电路具有完全一样的特性。另外,每个射频电路的特征响应也随着环境(如温度,湿度等)和时间的变化而变化。这样,从对基带信号的影响上看,发送通道和接收通道等效的对信号乘以了不同的系数,导致了信道的互易性受损。图 4.1 通道系数示意图对于分布式超大规模 MIMO,多个协作点之间时频同步的实现方式也会对上下行整体信道的互易性产生影响。总的来说,在一定的带宽内,校准系数可以建模为19,2,tfc f teecf(公式 4-1)其中,表示收发通道之间固有的时间偏差,t表示由于每个协作点本振相位漂移引起的相位变化,cf表示通道校准系数,通常不随时间变化。当多个协作点采用精确时间同步,以及公共的参考时钟时,在较长时间保持不变,但是由于非理想的锁相环,t仍会随时间变化,其变化特征与锁相环的实现以及参考时钟的实现都有关系,它也可以理解为多个协作点之间载波频率的偏差引起的相位变化。对于集中式大规模 MIMO,通常采用硬件耦合校准获得发送通道的校准系数和接收通道的校准系数,进而可以根据上行信道信息获得下行信道状态信息。在分布式超大规模天线系统中,对于同站 RRU,采用硬件耦合的方式可有效估计校准系数;对于分布式部署的 RRU,硬件耦合的方式部署成本较高,空口校准是低成本的可行实现方法。最优的空口校准系数为发送通道系数与接收通道系数的比值。校准系数的估计通常采用参考天线的方法。参考天线可以是 UE,也可以是 RRU 的天线。基于此,空口校准通常分为两种方式,一种是协作点/RRU 间空口校准,另一种是 UE 辅助的校准。4.1 协作点间空口校准协作点间空口校准4.1.1 基于基于 Argos 的校准的校准一种简单的自校准方法是文献20给出的 Argos 校准,该方法以一个天线为参考,校准系统中所有协作点/RRU。但是这种方法严重依赖于校准天线与协作点/RRU 之间的信噪比。为提升信噪比,可考虑基于波束的协作点/RRU 间天线校准方法。首先,同站 RRU间基于硬件耦合方式完成自校准。在此基础上,异站 RRU 通过多天线互相收发校准信号。进一步地,可基于时域进行加权,获得多组校准系数以提升校准效果。29IMT-2030(6G)推进组IMT-2030(6G)Promotion Group4.1.2 基于基于总体最小二乘的总体最小二乘的分组分组校准校准另一种是基于总体最小二乘的多个协作点/RRU 互相校准。总体最小二乘也可以分为两种方法。方法一是,各个协作点/RRU 轮流发送,其余协作点/RRU 接收。这种方法可以达到最优的性能,但是轮流校准的时间开销较大。方法二是,将协作点/RRU 分为两组,在两组之间互相发送校准信号。这种方法可以在较短时间内实现多个协作点/RRU的校准。两组协作点/RRU 之间的自校准21如下:假设两组协作点/RRU 之间互相发送正交的校准信号,每个接收机先进行信道估计,得到两个协作点/RRU 组之间的频域信道矩阵。如图 4.2 所示,假设两组协作点/RRU 之间互发校准信号后,某个子载波上的信道矩阵分别为 H1和 H2。校准系数是如下总体最小二乘的最优解,cal2T1cal,1cal,22arg mincH CCH(公式 4-2)2cals.t.1c(公式 4-3)其中,Ccal,1和 Ccal,2为校准系数组成的对角阵,cal,1cal,1diagcC和cal,2cal,2diagcC。因此,所有协作点/RRU 的校准向量可以表示为TTTcalcal,1cal,2,ccc。可以看到,当校准系数为该天线单元接收通道系数与发射通道系数的比值时,(4-2)式的最小值为 0。文献21给出了最优校准向量的求解。上述方法同样适用于多个 UE 对多个协作点/RRU 的校准。但是,UE 辅助的校准方法需要 UE 把下行信道反馈给协作点/RRU,或者需要定制化的虚拟 UE,专门完成进行下行信道信息的反馈,实现校准。采用协作点/RRU 之间的自校准可以避免 UE 反馈或定制化的虚拟 UE,并且可以利用 5G 的帧结构实现对射频单元以及终端均透明的校准21。如图 4.2 所示,为了兼容 AP的提前接收,校准参考信号(CARS)在特殊时隙采用两个 OFDM 符号实现。图 4.2 协作点/RRU 分组校准及校准信号这种协作点/RRU 分组校准的方法有如下优点:不考虑通道之间的时间偏差,校准系数的相位在较大的子带带宽内变化较小,因此,利用多天线正交导频,即使利用 1 个OFDM 符号,仍可估计出较多天线的之间的校准系数,这种并发的方式,可以实现多个30IMT-2030(6G)推进组IMT-2030(6G)Promotion Group天线的空口校准,时间开销较少;采用双符号的校准信号,两个符号互为循环前缀,可以支持较大的范围的覆盖。4.1.3 大规模协作点的空口校准大规模协作点的空口校准为了实现大规模协作点的相干协作传输,需要共相位参考,因此要求全网协作点的校准。当协作点规模较大时,需要研究如何以较低的实现复杂度,快速的实现全网校准。为了快速校准,可以将分簇和分组校准相结合,实现快速的大规模协作点校准。(1)分簇为了实现快速校准,我们可以将参与校准的协作点分簇。分簇以邻近为原则,例如可以采用 K-means 聚类的方法,将邻近的协作点视为一簇。分簇中协作点的个数,需要根据协作点的分布、校准信噪比、距离远近等合理地选取。(2)分组每一个簇内的多个协作点可以再次分为两组,在两组协作点之间,设计正交导频,估计两组之间互相发送时的空口信道。为了获得更好的校准信噪比,簇内协作点的分组,需要进一步优化。直观上,两组协作点以交织的方式进行分组,可以获得更好的校准性能。这种交织的方式,应尽可能地将邻近的协作点分别划分在不同的组中。文献21采用遗传算法获得了一种优化的分组方法。(3)簇间间接校准每个簇进行校准时,簇间可以采用正交的校准参考信号,例如在时间上错开。为了获得全网校准,我们还需要进行簇间的相对校准。簇间的相对校准可以在相邻簇内选择两个距离最近的协作点,通过它们使得两个簇的所有天线形成公共的参考。除了上述的分簇和分组校准方法外,还可以采用文献22提出的基于生成树的方式进行校准。这种方法源自于中继校准的思路,根据协作点之间的拓扑,选择最优的校准路径,对大规模协作点完成校准。但是这种方法校准的时间开销较大。4.2 基于基于 UE 辅助的校准辅助的校准4.2.1 UE 辅助的校准系数获取辅助的校准系数获取在 TDD 系统中,网络侧通过 UE 发送的 SRS 估计出上行信道信息,利用互易性原理确定下行信道信息,进而利用估计的下行信道信息确定下行预编码矩阵进行传输。在非理想互易性假设情况下,UE 与每个协作点之间的上下行信道不再是互为转置的关系。相应地,网络侧通过上行信道估计获得的预编码矩阵与实际的下行信道不再匹配。假设由 4 个协