1、摘摘 要要本白皮书介绍了一种 6G 新型网络架构全解耦无线接入网（FD-RAN）。FD-RAN 的核心是将传统基站物理解耦为控制基站、上行数据基站、下行数据基站，以实现灵活和智能的多基站资源协作，从而更好的满足 6G 用户的个性化服务需求。在 FD-RAN 新型网络架构的基础上，本白皮书进一步介绍了 FD-RAN 中的关键技术，包括基于生成式 AI 的物理层无反馈传输、MAC 层多维资源灵活调度和多连接移动性管理等，并从多个角度探讨了 FD-RAN 网络的部署问题。最后，本白皮书总结了 FD-RAN 的技术挑战，并展望了在通感一体、边缘 AI 大模型推理、低空等领域的潜在应用。Abstract

2、This white paper introduces a novel 6G network architectureFully Decoupled RadioAccess Network(FD-RAN).The core concept of FD-RAN is to decouple traditional base stationsinto control base stations,uplink data base stations,and downlink data base stations,enablingflexible and intelligent multi-base-s

3、tation resource coordination to better meet the personalizedservice demands of 6G users.Building upon the FD-RAN architecture,this white paper furtherpresents key technologies within FD-RAN,including generative AI-based feedback-freetransmission at the physical layer,flexible multi-dimensional resou

4、rce scheduling at the MAClayer,andmulti-connectivitymobilitymanagement.Additionally,itexploresFD-RANdeployment issues from multiple perspectives.Finally,this white paper summarizes the technicalchallenges of FD-RAN and envisions its potential applications in integrated sensing andcommunication(ISAC)

5、,edge-based large AI model inference,and low-altitude communications.目目 录录1 全解耦无线接入网络需求与发展趋势全解耦无线接入网络需求与发展趋势.11.1 传统无线接入网范式与挑战.11.2 新型无线接入网发展趋势.21.3 全解耦无线接入网络的架构设计需求.31.4 相关组织与标准进展.42 全解耦无线接入网络架构与特性全解耦无线接入网络架构与特性.72.1 全解耦无线接入网络架构.72.2 全解耦无线接入网络特性和目标.83 全解耦无线接入网络物理层传输全解耦无线接入网络物理层传输.103.1 现有物理层传输的问题.1

6、03.2 全解耦无线接入网络物理层传输的挑战与应用场景.103.3 全解耦接入网络基于生成式 AI 的信道特征学习.133.4 全解耦接入网络无信道反馈的物理层传输.153.5 全解耦接入网络无信道反馈的多点协作传输.173.6 全解耦接入网络感知增强的无反馈物理层传输.193.7 全解耦接入网络基于信道孪生的无反馈物理层传输.204 全解耦无线接入网络资源管理全解耦无线接入网络资源管理.224.1 全解耦无线接入网络资源调度目标.224.2 全解耦无线接入网络全维资源灵活调度.234.3 全解耦无线接入网络典型灵活资源调度方法.244.4 全解耦无线接入网络灵活多连接移动性管理方法.274.

7、5 基于网络孪生的资源聚合与动态定价.295 全解耦无线接入网络部署全解耦无线接入网络部署.325.1 全解耦无线接入网络部署目标.325.2 全解耦无线接入网络典型低成本部署方法.325.3 全解耦无线接入网络的非独立部署.355.4 全解耦无线接入网络的云原生 O-RAN 部署.355.5 全解耦无线接入网络原型系统与验证.376 全解耦无线接入网络的挑战与展望全解耦无线接入网络的挑战与展望.396.1 技术挑战.396.1.1 差错控制机制.396.1.2 大规模低延时的控制信令.406.1.3 基于网络孪生的个性化服务.406.1.4 用户终端和基站的能耗.416.2 应用展望.416

8、.2.1 FD-RAN 与 ISAC.426.2.2 FD-RAN 与 SAGIN.436.2.3 FD-RAN 与移动 AIGC.436.2.4 FD-RAN 与低空智联网.44名词缩略语名词缩略语.45参考文献参考文献.48致致 谢谢.501/501 全解耦无线接入网络需求与发展趋势全解耦无线接入网络需求与发展趋势1.1 传统无线接入网范式与挑战传统无线接入网范式与挑战移动通信网络由无线接入网（Radio Access Network,RAN）和核心网（Core Network,CN）构成。其中，无线接入网包括终端、基站以及二者之间的无线连接。移动通信网络从 2G 发展至今天的 5G/5G

9、-Advanced（5G-A），尽管物理层经历了 OFDM、MIMO、LDPC/Polar 码等重大技术升级123，但无线接入网的架构和设计始终遵循了最初的范式，而这些范式在应对新的需求时，不可避免的面临一些根本性的挑战：单基站服务范式：指的是用户在网络中只与一个基站相连且由该基站提供服务。相应的产生了服务小区的概念，即一个基站的覆盖范围。随着基站部署的密度不断增加，虽然小区会出现重叠，但单基站服务范式依然是绝大多数情况的选择，因为诸如载波聚合（CarrierAggregation,CA）4、多 点 协 作（Coordinated Multi-Point,CoMP）5、多 连 接（Multi-

10、Connectivity,MC）6技术往往会带来很多的信息交互和控制开销且不够灵活。单基站服务范式面临的主要挑战是服务能力受限，难以面对多样化的用户需求，尤其在小区边缘信道质量较差的位置。此外，当用户移动速度较快时，也会经历频繁的服务基站切换，造成服务质量和用户体验下降。上下行对称/耦合范式：指的是网络在设计和为用户提供服务时，上行和下行往往耦合在一起成对出现。在双工层面，频分双工（Frequency Division Duplex,FDD）使用对称的上下行频谱，时分双工（Time Division Duplex,TDD）虽然设计了多种上下行时隙分配的模式，但上下行依然紧耦合在一起。此外，用户

11、的上下行连接也往往耦合在相同的基站，基站的上下行功能也耦合在一起部署。移动通信的一些主要机制，例如：信道反馈、混合自动重传请求（Hybrid Automatic Repeat request,HARQ）等，也基于上下行耦合的设计实现。上下行对称范式面对的主要问题是难以满足越来越常见的非对称的业务需求，这与移动通信诞生之时以话音为主的对称业务截然不同。另外，上行和下行传输各自也具有不同的特点，在发射功率、移动性等方面存在很大差异，因此上下行耦合范式难以针对上下行各自的特点进行设计和优化。小区间干扰范式：指的是在相邻小区的重叠覆盖区域，本小区将其他小区的信号当作干扰。因此，在部署小区时，经典方法是

12、为相邻小区分配正交的频率资源，而相隔较远的小区才2/50会复用相同的频率资源。但随着频谱资源越来越短缺，频谱的价格不断增加，为了充分利用频谱，相邻小区也开始使用相同的频率资源，这就在重叠覆盖区域造成严重的干扰，导致小区边缘用户的服务质量进一步恶化。虽然可以采用干扰回避、干扰消除等方式降低小区间干扰，但相应的频率资源的利用率又会下降。另外，小区间干扰范式也从根本上制约了基站部署的密度和发射功率，从而导致接收信号的信噪比难以提高。1.2 新型无线接入网发展趋势新型无线接入网发展趋势为了更好的解决上述传统无线接入网面临的挑战，一些新型的无线接入网架构和理念被不断提出：C-RAN：指的是一种集中式控制

13、和信号处理的架构7，其中 C 的含义可以是 Centralized（集中化）、Cloud（云化）、Cooperative（协作化），象征着 C-RAN 架构中包含的一个中央控制单元/处理器与多个分布式部署的基站/无线射频单元。C-RAN 的主要优势来自于计算资源的集中化和池化，通过让多个基站共享资源，可以有效地提高资源的利用率，资源在物理空间上的集中也有助于降低配套设施（例如：机房、空调）的部署成本。另一方面，集中控制也是实现基站间大规模协作的前提，例如小区间干扰控制，联合信号处理等。C-RAN 存在的主要困难，一方面是基带池与射频单元之间的前传链路开销，另一方面是基站之间协作需要依赖用户的信

14、道状态信息（Channel State Information,CSI）反馈，且反馈随着协作基站数和用户数线性增加。异构网（Heterogeneous Network,HetNet）：指的是网络包含多样化的基站8。典型的异构网根据基站的覆盖面积进行划分，包括宏基站和微基站，宏基站保证覆盖，尤其是在室外环境，微基站由于距离用户更近，可以提供更高的速率、更好的室内覆盖以及更好的上行覆盖。广义上，异构网的节点还可以包括：空天节点，例如卫星或无人机基站；不同的网络体制，例如 Wi-Fi；不同的运营商网络等等。异构网的主要优势来自于异构节点对不同场景的适应性以及多层次的资源聚合。相对应地，异构网的主要困

15、难也来自异构节点/不同网络之间的协调，例如宏基站和微基站之间的小区干扰。无蜂窝网络（cell-free network）：指的是将传统基站上集中部署的大量天线以分布式的方式密集且均匀地部署在一个区域，并通过前传链路将这些天线与集中化处理的单元相连9。因此，无蜂窝网络可以实现大量天线的分布式多点协作，从而充分利用天线与多个用户之间的信道多样性，以提高系统的频效。此外，无蜂窝网络颠覆了传统以小区为基本服务单3/50元的理念，以用户为中心进行天线资源的分配，从而消除了小区边缘的概念，使得不同位置的用户能够获得相近的服务质量。然而，相比 C-RAN，无蜂窝网络需要更多的前传开销和 CSI，后者导致无蜂

16、窝网络极度依赖 TDD 的双工模式，即依靠信道互异性来获取 CSI。受 CSI 准确性和时效性影响，无蜂窝网络在实际环境下频效很难达到理论上的效果。此外，无蜂窝网络的架构必然导致其部署困难，成本高。O-RAN：指的是通过将基站等通信设备进行功能拆分和硬件解耦并定义标准化的接口，使得通信设备能够更加的模块化、开放化，且设备的灵活性和相互之间的互操作性更强10。O-RAN 的出发点更多是站在运营商的角度，希望降低通信设备行业的参与门槛，形成一个更有活力的通信设备市场。此外，设备的智能化也是 O-RAN 关注的重点，通过引入的RAN 智能控制器（RAN Intelligent Controller,

17、RIC）模块，以实现更好的网络可编程性，并为人工智能（Artificial Intelligence,AI）/机器学习（Machine Learning,ML）相关技术提供发挥的空间。O-RAN 存在的困难主要在于整体系统的复杂度，兼容性，以及系统的整体优化。全解耦接入网（Fully-Decoupled RAN,FD-RAN）：指的是将网络的控制面和数据面彻底解耦，上行和下行彻底解耦11。当下，解耦的思想在不同领域中是一种主流的系统设计理念12。例如，软件开发从传统的单体架构发展到微服务架构，实现了不同功能的解耦，从而使得不同功能能够根据业务的实际需求在云上灵活动态扩缩，以节省资源。在汽车制造

18、领域，在新能源和电气化的趋势下，通过让四个车轮彻底解耦，即四轮四电机独立驱动，可以实现原地掉头、三轮行驶等功能。参考其他领域的成功先例，在移动通信网络中实施彻底解耦的好处是多方面的。首先，网络将获得极大的灵活性，涉及到用户的上下行连接、基站的部署、切换、资源调度等。并且，由于上下行彻底解耦，频谱资源也可以在上下行之间自由分配，这样就可以根据实际的上下行业务需求调整频谱资源，从而提高频谱的利用率。解耦也有助于实现多基站的灵活协作，从而更好地满足用户多样化的需求。此外，解耦后网络设备进一步简化和模块化，使得网络可以变得更加开放，可扩展性更强。然而，解耦后，很多现有网络的机制都将失效，例如 CSI

19、反馈和 HARQ，因此需要对网络的关键机制进行重新设计。1.3 全解耦无线接入网络的架构设计需求全解耦无线接入网络的架构设计需求要设计全解耦无线接入网络的新架构，首先需要明确设计需求。在宏观层面上，全解耦4/50无线接入网络的设计应该满足以下六点要求：解耦：目标是控制面和数据面彻底解耦，上行和下行彻底解耦。当前 5G 仅完成了核心网控制面和用户面解耦。无蜂窝网络则非常依赖上下行耦合的工作模式。因此，与现有网络架构相比，解耦是最突出的特色。灵活：目标是实现用户与基站之间的极致灵活的连接关系。对于用户的上行和下行各自而言，能够实现与任意基站之间的动态多连接。当用户移动时，也无需经历基站之间的切换，

20、也就是说网络是无切换的（handover-free）。此外，根据上下行业务的特征，基站也可以灵活的按需部署。简单：目标是更加简洁的网络的协议和机制。简化控制信令的设计和传输。简化上行业务和下行业务的传输和资源调度机制，去除二者之间的依赖关系。简化基站部署前所需要的网络规划和优化。开放：目标是更加模块化的功能拆分。遵照微服务的理念，将不同特性的功能尽可能独立化设计，并对各个功能模块之间的接口进行规范，从而可以独立的研发和生产每个功能模块。这样，整个通信网络生态将会变得更加开放，让更多的中小设备商和创业公司有机会加入到市场竞争中。智能：目标是原生智能（intelligence-native）的网络

21、。在网络设施硬件层面，尽可能使用通用的 CPU/GPU 服务器，使得网络的更新迭代成本更低。在算法层面，尽可能使用端到端的 AI 方法来代替传统通信的各个环节，包括物理层编码调制、MAC 层资源调度等。引入 AI 方法的主要目的是解决日益复杂的通信网络优化问题，这些问题靠传统手段优化难度很高，且依赖规则和经验。协作：目标是原生协作（cooperation-native）的网络。原生协作要求网络具备任意方式的协作能力，不仅体现在协作基站的数量上，还体现在资源协作的维度上，即通过在时空频功率等维度上的资源调度，尽可能地让不同用户使用的资源形成在某个维度上的正交或准正交，从而提高资源的使用效率和频效

22、。1.4 相关组织与标准进展相关组织与标准进展相较其他行业，通信行业因为涉及到设备和网络之间的互联互通，因此高度依赖标准化。目前在移动通信领域，最具影响力的标准组织是 3GPP，其主导了 3G/4G/5G 的标准制定，推动了移动通信行业的持续发展。但 3GPP 标准在一些实施细节上仍然留下了很多空间。因5/50此，在 3GPP 之外，行业内的领头企业也基于其自身的目标和关注点成立了不同的组织，其中最有影响力的当属运营商主导的 O-RAN 联盟和 IT 企业主导的 AI-RAN 联盟。3GPP：3GPP 是一个全球性的标准化组织，致力于推动无线通信技术的发展，特别是在移动通信系统的规范制定方面，

23、对 3G、4G 和 5G 等技术的标准化和商业化推进发挥了重要作用。3GPP 的技术规范涵盖了蜂窝通信技术的无线接入、核心网络和服务能力，提供了完整的、系统性的移动通信解决方案。2024 年 6 月，3GPP 在会议上正式冻结了 Release 18，标志着 5G-A 的第一个版本的发布。该版本的主要亮点包括将 Release 17 中引入的非地面网络（Non-Terrestrial Network,NTN）接入进一步整合到 5G 系统中，支持物联网（Internetof Things,IoT）和机器类型通信（Machine Type Communication,MTC），并包括通过卫星覆盖的

24、支持。此外，Release 18 加强了对侧链、邻近、位置和定位服务的支持，满足工业需求（如垂直行业、工厂和北向 API），并提升了多播和广播服务（Multicast and BroadcastServices,MBS）以及网络切片功能，同时增强了对无人机（Unmanned Aerial Vehicle,UAV）的支持。新引入的主题涵盖了能量效率（Energy Efficiency,EE）、AI/ML，以及扩展现实、增强现实和虚拟现实（XR、AR、VR）等沉浸式通信技术。包括 Release 18 在内，Release19 和 Release 20 都属于 5G-A 阶段，但同时也将开始研究

25、6G 的用例和需求。自 Release 20起，3GPP 将启动 6G 技术研究，并预计在 Release 21 及其之后发布首个 6G 相关标准。O-RAN 联盟：由中国移动等运营商在 2018 年发起，至今汇集了包括移动运营商、供应商以及研究和学术机构在内 300 多个组织机构，旨在推动无线接入网络的开放性和互操作性。O-RAN 的核心理念包括开放架构、虚拟化、智能化，以及完全的互操作性。O-RAN 的规范化工作被细分为 9 个技术工作组，涉及整体架构、RAN 智能控制和优化、接口、软硬件、传输网络等多个领域。2024 年，O-RAN 联盟发布了多项技术报告，包括零信任架构白皮书、赋能垂直

26、行业应用的白皮书以及网络设备循环经济指南，进一步增强了 O-RAN在安全性、环境可持续性及商业化应用方面的能力。同年 1 月，O-RAN 联盟的 7 项规范被采纳为 ETSI 规范。此外，11 月，TTA 与 O-RAN 联盟签署协议，共同推动 Open RAN技术的标准化。O-RAN 联盟在 2024 年世界移动通信大会（Mobile World Congress,MWC）拉斯维加斯和上海展会上展示的基于 O-RAN 的最新解决方案，提升了服务质量、智能制造和无线接入网测试的能力。AI-RAN 联盟：AI-RAN 联盟于 2024 年 MWC 上由 AI 和无线行业的领导者发起成立，创立成员

27、包括亚马逊云、英伟达、软银等。这个全新的合作项目旨在将 AI 融入蜂窝技术，6/50通过 AI 提升 RAN 的性能和能力，从而使无线网络变得更加智能、高效和可靠13。AI-RAN联盟目前设有三个工作组：AI-for-RAN 专注于 AI 在 RAN 中的应用，AI-and-RAN 聚焦于实现计算与基础设施的融合，以同时支持 RAN 和 AI 应用，AI-on-RAN 则关注 AI 及相关应用的无线接口规范。在AI-RAN联盟发布的最新报告中14，指出将AI/ML 集成进 O-RAN面临一定挑战，但也带来了许多机遇。报告强调，AI 与 O-RAN 融合的挑战主要体现在数据质量与标准化、可信度、

28、成本、资源需求和上下文理解等五个方面。然而，这一融合也带来了基础设施整合、服务融合和新收入流等优势与机遇。报告进一步指出，智能网络的未来依赖于 AI 能力与传统电信服务的成功融合，并由强大、可扩展的基础设施支撑，而AI/ML 与 O-RAN 的融合将是未来网络发展的重要方向。AI-RAN 联盟目前仍处于发展初期，尚未发布具体的技术规范。7/502 全解耦无线接入网络架构与特性全解耦无线接入网络架构与特性2.1 全解耦无线接入网络架构全解耦无线接入网络架构遵照全解耦无线接入网的设计理念，即控制与数据彻底解耦、上行与下行彻底解耦，FD-RAN 将传统基站功能进行了物理解耦，并拆分为三类不同的基站，

29、分别是：控制基站、上行基站、下行基站。传统 5G 及 FD-RAN 架构如图 2.1 和 2.2 所示。每种基站的特点及工作方式介绍如下：控制基站（Control Base Station,C-BS）：C-BS 通过双向控制链路处理与用户设备（UserEquipment,UE）的所有控制信令。C-BS 负责 UE 的控制平面功能，包括认证、接入管理、移动性管理、资源分配指示等。UE 在接入网络时始终需要与 C-BS 建立安全的控制平面连接。通常情况下，C-BS 控制一个类似 C-RAN 的广域，以便其他基站在 C-BS 的协助下以协作方式为 UE 提供服务。相比 TDD 模式，C-BS 采用

30、FDD 模式更为有利，因为 FDD模式能够提供更大的覆盖范围，并且控制信道在上下行方向上始终存在。C-BS 使用更低的频段以保证控制的覆盖范围。上行基站（Uplink BS,UL-BS）：与 C-BS 不同，UL-BS 属于数据基站，仅执行信号接收功能，因此它们用于接收 UE 的上行数据。UL-BS 通常是轻量级的，因为它们配备的天线数量很少，功耗也很低。由于成本低且易于部署，UL-BS 可以被密集部署，从而接近发射功率通常较低的 UE。此外，UE 发送的信号可以被多个 UL-BS 接收，以利用接收分集增益15。图2.1 5G传统单基站服务模式8/50图2.2 FD-RAN上下行多基站灵活协作

31、 下行基站（Downlink BS,DL-BS）：DL-BS 也是数据基站，负责向 UE 传输数据。与UL-BS 相比，DL-BS 通常配备大量天线，以实现高容量的 MIMO 传输。DL-BS 的能耗也高得多，因此其部署不像 UL-BS 那样灵活，需要更加精心规划。此外，下行链路中还可以利用多种协作传输技术16。核心网：除了上述三类基站之外，核心网也是移动通信网络的重要组成部分。上述三类基站均与核心网相连，核心网采用云原生部署。一方面，这些基站由控制平面进行管理和控制；另一方面，由 UL-BS/DL-BS 处理的 UE 数据通过用户平面进行转发或接收。核心网功能的实例应运行在边缘，以尽量减少控

32、制平面的时延。2.2 全解耦无线接入网络特性和目标全解耦无线接入网络特性和目标上述全解耦接入网的架构有机的结合了现有架构的优势，并充分利用解耦这一特点，获得了现有网络所不具备的新的特性，如图 2.3 所示。9/50图2.3 FD-RAN的特性FD-RAN 的核心优势在于灵活性。由于上行和下行基站是分开的，它们可以被视为独立的网络。上行和下行网络可以拥有各自的频谱资源、传输技术和部署方式。因此，不再像FDD 系统那样需要为上行和下行配对使用频段，也不需要像 TDD 系统那样考虑上行和下行的时隙分配和同步。相反，任何频段都可以用于上行或下行，上行或下行网络所使用的整个频谱可以灵活地聚合或释放，而不

33、会相互影响。这使得当前零散的频谱资源能够更容易被利用。此外，用于上行或下行的频谱资源可以根据实时流量需求自由调整，从而实现更高的频谱利用效率。因此，FD-RAN 能够同时继承 FDD 系统（如更大的覆盖范围）和 TDD 系统（如上行/下行灵活性）的优势。在 FD-RAN 中，上行和下行网络内部可以灵活高效地实现空间、时间、频率、功率等各维度的资源协作。各种协作传输技术可以分别独立应用于上行或下行。考虑到上行和下行的差异，UE 可以灵活地关联到不同的 UL-BS 和 DL-BS17，而不是像 5G 中那样与同一基站紧密耦合。UE 甚至可以采用不同的接入技术，例如分别使用基于基站的地面网络进行上行

34、传输，使用基于卫星的非地面网络进行下行传输。由于 UE 和基站之间存在灵活的多连接关系，在移动性场景下，不同的基站会自然而然的被分配给 UE，因此实质上传统的基站切换问题变成了多基站的资源调度问题，因此从 UE 角度而言是无切换的。UL-BS 和 DL-BS 的部署可以根据上行和下行流量的统计分布分别考虑。这相比于在某些场景（如工业互联网）中部署传统的全功能基站，可以节省基础设施成本。通过部署额外的 UL-BS 和/或 DL-BS，网络的可扩展性也得以增强。此外，UL-BS 或 DL-BS 的停用不会影响另一方，因此可以灵活地采用休眠机制来节约能源成本。基于上述特性，FD-RAN 的核心目标可

35、以总结为：网络架构的简单性与灵活性。资源利用的高效性与经济性。10/50 服务提供的个性化与用户体验质量（Quality of Experience,QoE）保障。3 全解耦无线接入网络物理层传输全解耦无线接入网络物理层传输3.1 现有物理层传输的问题现有物理层传输的问题在 5G 中，实现 MIMO 传输需要进行信道反馈。为了实现容量更高的空分复用，5G 采用基于CSI反馈的闭环空分复用(Closed-Loop Spatial Multiplexing,CLSM)作为其主要传输模式18，如下图所示。例如，在下行链路中，基站首先向 UE 发送导频信号。由于导频信号是UE 已知的，这些符号可用于信

36、道估计。随后，UE 计算 CSI 并反馈给基站。在 5G 标准中，CSI 包括预编码矩阵指示（Precoding Matrix Indicator,PMI）、秩指示（Rank Indicator,RI）和信道质量指示（Channel Quality Indicator,CQI），这些参数共同决定数据信号如何通过多个天线进行传输。然而，由于 UL-BS 和 DL-BS 在物理上是分离的，CSI 无法直接反馈。此外，基于反馈的机制本身也存在缺点。一方面，信道估计和 CSI 反馈会消耗大量的无线资源，而这些资源本可以用于数据传输。在多基站协作场景下，消耗的资源随用户数和基站数线性增长，计算传输参数的

37、复杂度也随之增长，这是网络所难以承受的。另一方面，信道估计的准确性以及 CSI 反馈的延迟也会对系统性能造成影响。图3.1 5G基于CSI反馈的CLSM传输模式3.2 全解耦无线接入网络物理层传输的挑战与应用场景全解耦无线接入网络物理层传输的挑战与应用场景对于 FD-RAN 而言，物理层传输面临的主要挑战是上下行解耦使得传统反馈失效，例如，下行基站发送的导频在 UE 处进行信道估计和传输参数计算后，无法直接反馈到下行基站。如果通过控制或上行基站实施反馈，则会产生较大的反馈延时，导致反馈失效。为此，FD-RAN 将采用无信道反馈的传输方法，下行链路无反馈传输的示意如图 3.2 所示。其基本思想是

38、利用 UE 的位置信息推断 CSI。为了实现这一推断，需要历史信道数据。每个信道数据样本包含特定时间和位置的信道系数。对于 DL-BS，首先需要在边缘云上生11/50成其覆盖区域内任意位置到相应 CSI 的映射，并将该映射存储在 DL-BS 中。UE 首先通过C-BS 将其位置信息告知 DL-BS。然后，DL-BS 根据映射查询 UE 当前位置的 CSI，并利用该 CSI 执行 MIMO 传输。上行链路与此类似，UE 利用映射来确定其当前位置的传输参数。直观上，基于地理位置的传输参数映射是可行的，因为信道传播（即电磁波的反射、衍射和散射）与 UE 的位置以及周围环境密切相关，而周围环境在一段时

39、间内可以认为是相对静态的。图3.2 FD-RAN下行链路无反馈传输示意图虽然缺少了信道信息的直接反馈，但无信道反馈传输具有自身的优势。一是减少了多个基站联合计算 CSI 反馈的通信开销、基站协作集的计算开销；二是消除了部分基站反馈延迟带来的性能损失；三是避免基于实时信道计算多个基站联合预编码的指数计算复杂度。无反馈传输有两个典型的优势应用场景。第一个典型场景是准静态场景，例如：工业互联网场景，其中的 UE 多为静态的 IoT 设备，智能工厂内部的电磁波传播环境也相对稳定。在这个场景下，信道变化不大且不具备突发变化，因此无反馈传输的性能损失必然很小，但却可以节省下导频和反馈开销。第二个典型场景是

40、高速移动场景，例如：高铁通信场景。这个场景下，信道变化速度很快，导致反馈极度不准确甚至失效，因此会造成明显的性能损失。另外，高铁移动的轨迹是可预测的，这意味着可以在无延时的条件下获取位置信息，有利于无反馈传输。借助信道老化模型，可以对无反馈传输和有延时条件下的基于反馈的传输的性能进行初步对比。具体而言，无反馈传输仅利用信道的固定分量（例如视距径）计算预编码，而反馈12/50则是基于完整的信道计算预编码，但由于反馈延时的存在，在实际传输时信道已经发生变化。在多基站多终端、存在较强直射路径信道分量的场景下，基于统计信道模型、考虑信道老化因素的仿真结果表明，有延迟反馈下最小均方误差（Minimum

41、Mean Square Error,MMSE）预编码传输方案的性能随着延迟和终端移动速度的增加快速下降。这是因为多对多传输的场景下，预编码对精确信道的要求较高，随着速度和延迟的增大，实际传输时的信道与反馈获得的信道相关性不断降低，基于反馈信道信息的 MMSE 预编码无法充分利用实际信道的多径增益。当速度和延迟足够大时，反馈获得的信道和实际传输时的信道独立不相关，基于反馈信道信息的预编码只能利用信道中具有统计特性的直射分量进行传输，而具有随机性的多径分量成为了无法利用的干扰。而无反馈传输方案可以通过利用地理位置和信道之间的相关性，利用终端和基站的相对位置、大尺度衰落系数等容易获得的参数对信道的直

42、射路径进行估计，并基于估计得到的信道直射路径设计预编码。图 3.3 的仿真结果表明，该无反馈预编码方案在低速度低延迟情况下的性能低于有延迟反馈传输方案，但在速度和延迟大于一定阈值时表现出更高的频效。图3.3移动场景下无反馈和有延时反馈的频效对比以上仿真结果初步表明，基于地理位置的预编码在高速移动场景具有优势。但仅利用相对位置、大尺度衰落系数无法对信道的多径分量进行准确建模，上述预编码方案无法充分利用地理位置和信道之间的相关性。因此，针对轨迹固定、位置可预测的高铁通信场景，可以进一步使用深度学习的方法进行下行预编码联合设计和功率分配：将列车的位置作为输入，预编码、功率分配结果作为输出，使用历史信

43、道数据对深度神经网络（Deep Neural Network,13/50DNN）进行训练，以此实现地理位置到预编码的直接映射。图 3.4 中，在考虑位置相关性的QuaDriGa 信道下的仿真结果表明，在具有较强信道直射分量的高铁通信场景下，基于 DNN的无反馈方案在不同的速度下均能获得稳定、较高的频效，并且能够达到有反馈方案理论最优性能的95%以上。而基于反馈的MMSE预编码和比例功率分配（Fractional PowerAllocation,FPA）方案由于依赖于精确、实时的信道信息，其性能随着速度、延迟的增大显著下降。图3.4高铁场景下无反馈和有延时反馈传输的性能对比3.3 全解耦接入网络

44、基于生成式全解耦接入网络基于生成式 AI 的信道特征学习的信道特征学习全解耦网络作为最有潜力的下一代通信网络之一，一个核心目标是实现内生智能的网络架构。为了实现内生智能的接入网，需要研究信道特征。信道特征是指利用其在空间、频率和时间域中的内在相关性将信道表征为具有更高信息熵的形式。信道在时频空的相关性在MIMO-OFDM 系统下尤为明显，因为使用均匀线性阵列或均匀平面阵列天线时，电磁波以固定的相位差到达不同的天线。此外，不同载波之间存在固定的间隔，导致不同子载波上的信道之间也存在固定的相位差。在特定位置，信道表现出时间相关性，因为主要的电磁波大致沿相同的传播路径传播。所有这些相关性都可以通过

45、AI 提取。信道特征学习的核心思路是通过自监督学习对未标注的信道数据集进行学习，以获取信道特征。在 AI 领域，自监督学习正逐渐成为主流方法，这一趋势源于观察到在大规模数据集上通过无监督学习训练的模型往往优于在小规模数据集上通过监督学习训练的模型。类似地，全解耦接入网也将通过自监督学习获取信道特征。然而，将自监督学习应用于信道面临若干挑战。首先，尚无适用于信道的预训练任务，因为信道的相关性与自然语言处理中的上下文相关性或计算机视觉中的像素相关性在本质14/50上有所不同。因此，必须基于信道的独特特性专门设计一个合适的预训练任务。其次，目前并没有标准的度量来评估信道表征。因此，需要开发一种合适的

46、度量方法来衡量信道特征的有效性。全解耦接入网将利用一种完整的信道特征提取和验证的方法19。首先，来自不同地理位置的信道被用作负样本，而来自相同地理位置在不同时间点的信道则作为正样本。这些样本用于对比学习的预训练任务，从而利用自监督学习训练一个能够将信道矩阵映射到信道特征的编码器。此外，为了评估所获得的特征效果，引入基于地理位置的无反馈 MIMO 传输作为下游任务，并使用其吞吐量作为评估指标。为了实现基于地理位置的无反馈 MIMO 传输，全解耦网络使用条件扩散生成网络，将地理位置信息作为条件，并隐空间中生成信道特征。随后，训练一个解码器，将这个最佳特征重建为信道，进而用于基于地理位置的无反馈MI

47、MO 传输任务。（a）信道特征（b）信道图3.5信道特征和信道可视化通过统一流形逼近与投影将信道特征映射到二维平面做可视化，可以观察信道特征，如图 3.5，生成的信道特征和信道与原始的信道和信道特征保持类似的分布。进一步观察原始信道和生成的信道响应，如图 3.6，可以看出生成的信道和原始信道遵循类似的响应，这表明生成的信道依然可以体现出信道的多径效应。15/50（a）原始信道（b）生成信道图3.6信道响应可视化最后，在基于地理位置的无反馈任务上，将基于向量量化变分自编码器（Vector QuantizedVariationalAutoencoder,VQVAE）的生成方法生成的信道和原始信道作

48、对比，如图 3.7。由于生成信道学习到时域特征，在使用相同预编码算法的前提下，使用扩散生成模型的生成信道获得的传输参数具有更高的平均吞吐量。图3.7使用不同信道获取传输参数的吞吐量CDF比较3.4 全解耦接入网络无信道反馈的物理层传输全解耦接入网络无信道反馈的物理层传输全解耦接入网络为控制和资源调度提供了极大的灵活性。然而，其上下行物理解耦的架构使得下行基站无法直接从用户获取信道反馈，导致现有基于信道反馈的传输方案失效。通过控制基站进行信道反馈也是比较低效的，因为所有用户的资源消耗很高，同时控制基站引入的额外延迟会导致反馈信息不够准确，所以在全解耦接入网络里如何实现无信道反馈的MIMO 传输是

49、一个亟需解决的问题。为此，全解耦接入网利用无信道反馈的传输方法，利用历史信道数据，仅通过用户的地理位置来确定 MIMO 传输参数，包括预编码矩阵、RI 以及 CQI。这种数据驱动的方法是可行的，因为信道及其对应的传输参数与地理位置高度相关，而某一位置的信号传播环境通常不会发生显著变化。由于没有信道反馈，需要在时域固定一组使用的传输参数。而无反馈映射只能依赖已有的信道数据进行训练，因此需要在空域内进行推理，以确定所有可能位置的16/50传输参数。尽管信道通常是随时间变化的，可以通过节省导频和信道反馈的开销来减轻性能损失。预编码矩阵、RI、CQI 这三个传输参数是高度相关的，因此需要在时间维度上将

50、其固定以及在空间维度上进行预测，如果未能优化选定的参数，性能可能会显著下降。针对这一问题，可以采用一种基于 VAE 的解决方案20。首先，通过奇异值分解（Singular ValueDecomposition,SVD）从信道矩阵中直接提取最优预编码矩阵，并利用 VAE 提取预编码在隐空间的特征，从而选择时间域内的代表性预编码。接着，利用 VAE 生成的隐空间高斯变量表征结合高斯过程回归（Gaussian Process Regression,GPR）进行空域推断。最后，通过自然邻点插值完成 CQI 的空域推断。(a)训练集(b)测试集图3.8无信道反馈与有反馈CLSM的性能对比图通过在基于 5

51、G 标准的链路级仿真器和射线追踪信道数据进行仿真验证，可以比较无反馈方法与 5G 有反馈 CLSM 方案的性能，如图 3.8 所示。在空域测试集上，基于 VAE 的方法实现了 16.01%的性能损失，与训练集在时域上的性能损失相当，证明了所采用的空域推理方法的优势。总的来看，无信道反馈的传输方法与 5G 相比只有 16%左右的性能损失。考虑到节省的导频与反馈开销，以及反馈延时带来的影响，无反馈传输的整体性能是可以接受的，证明了全解耦接入网络无信道反馈的物理层传输的可行性。17/50图3.9用户移动场景下的无信道反馈与有反馈CLSM的性能对比图另外，在用户移动的场景下，无反馈方法与有反馈 CLS

52、M 的吞吐量对比如图 3.9 所示。当用户静止时，信道在一个子帧的 14 个符号内保持一致。然而，随着用户速度的增加，不同符号之间信道的变化会导致 CLSM 和所提方法的性能下降。由于 CLSM 根据导频符号的信道计算传输参数，当用户速度较高时，这些参数无法在整个子帧内保持匹配，从而导致性能显著下降。相比之下，基于 VAE 的解决方案虽然使用了固定用户速度的数据集进行训练，但由于其采用了具有代表性的传输参数，因此在不同用户速度下表现出较强的鲁棒性。这些结果表明，无反馈方法能够为用户的移动性提供有力支持。3.5 全解耦接入网络无信道反馈的多点协作传输全解耦接入网络无信道反馈的多点协作传输在多点协

53、作传输机制中，多个基站通过相干传输技术能够有效提高频谱效率和网络容量。相比于目前5G单基站服务范式，多点协作传输能够将不同小区的干扰信号转化成有用信号，从而降低小区间干扰。此外，多个基站联合接收用户信号，能够在不提高用户发射功率的前提下增加用户接收信号强度，提升用户的吞吐量。然而，多点协作在同一时频资源块上的增益高度依赖于实时 CSI 反馈，尤其是在大规模 MIMO 系统中。随着协作基站数量的增加，基于当前 5G 网络测量 CSI 的反馈机制，所有基站需共享信道信息以协同计算反馈参数，这将导致显著的通信开销；并且，由于各基站测量信道信息的时延差异较大，部分反馈的信道信息在回传过程中可能已过时，

54、无法准确反映当前的信道状况，从而影响多点协作效果，导致系统性能下降；此外，基于 5G 网络 CLSM18/50遍历码本获得最优预编码的方式，多点协作联合预编码的复杂度将随着协作基站的数量指数增长，导致巨大的计算开销，显著增加了多点协作传输的实现难度。为了避免多点协作传输采用实时 CSI 带来的显著通信与计算开销，并减少反馈延时对多点协作性能的影响，采用全解耦网络的无信道反馈机制，基于用户的地理位置固定多点协作传输的 PMI、RI 及 CQI。固定的传输参数由不同位置的历史信道信息通过离线计算获得，不依赖实时信道信息反馈，从而避免每个子帧频繁的通信与计算处理，为多点协作的实现提供可行性方案。此外

55、，考虑到无线信道在时域上呈现的动态变化特性，利用 VAE 和扩散模型等生成式人工智能方法学习信道的时变特征，能够生成符合时域信道数据分布的代表信道21。利用该时域信道计算无信道反馈的物理层传输参数，能够有效适应信道的时变特性，提高全解耦接入网络无信道反馈的多点协作传输性能。24.基站基站图3.10上行多点协作吞吐量性能图 3.10 展示了上行多点协作传输采用实时信道反馈及无信道反馈的吞吐量性能。橙色柱状图表示全解耦接入网络基于统计 CSI，即使用历史 PMI、RI 及 CQI 的众数作为固定的传输参数所获得的吞吐量。随着协作基站数量增加，统计 CSI 的无反馈吞吐量性能不断增加，成功实现了多点

56、协作增益。同时，由于协作基站增加了用户的接收信号强度，减少了信道时变的影响，无信道反馈与有信道反馈的吞吐量差距随着基站数的增加逐渐减小。并且，无信道反馈机制不会受到通信开销、反馈延迟与计算开销的影响。最后，由图 3.10 可知，通过 VAE 的生成式人工智能方法能有效提高无反馈传输性能，基于代表信道的 2 基站上行19/50无反馈协作传输相比于单基站的 CLSM 吞吐量提升了 24.93%。图3.11下行多点协作吞吐量性能图 3.11 展示了下行多点协作传输采用实时信道反馈及无信道反馈的吞吐量性能。由于下行多点协作传输需要不同基站进行联合预编码选择，基于目前普遍使用码本方案进行联合预编码选择具

57、有指数复杂度，因此当前 5G CLSM 的传输方式难以实现下行多点协作传输。采用全解耦接入网络无信道反馈的传输机制，能够有效实现下行多点协作传输，并且相较于5G CLSM 传输方式提升了 2.1%的吞吐量。基于生成式人工智能方法生成的代表信道并计算无信道反馈的传输参数，能够进一步提升下行多点协作传输性能，相较于 5G CLSM 传输方式提升了 12.95%的吞吐量。上述仿真结果验证了全解耦接入网络无信道反馈机制在提升频谱效率的有效性，为多点协作传输提供了有效的设计参考方案。3.6 全解耦接入网络感知增强的无反馈物理层传输全解耦接入网络感知增强的无反馈物理层传输最基本的无反馈传输只使用一组固定的

58、传输参数。在信道环境较复杂的情况下，这种方式存在天然的不足，例如，当 CQI 选择偏高时，会导致较高的误帧率。一种简单有效的改进方法是使用更多组的传输参数作为备选，但这种方法需要根据信道的实际环境来决策当前要使用的传输参数。由于不存在信道反馈机制，因此需要通过一些感知手段来进行传输参数20/50选择的辅助决策。具体而言，有两种感知方法可以为无反馈传输提供有效帮助。第一种是在一段时间内对链路的实际工作状态进行测量，例如：传输速率、丢包率/重传率，这些高层的指标可以在发端统计得出（其中丢包率/重传率的统计涉及到利用空口传输层协议进行基本的 ACK 反馈和重传）。根据这些指标，可以设计相应的算法，从

59、备选的传输参数集合中选择适合当前的传输参数。第二种方法是与通感一体化技术（Integrated Sensing and Communication,ISAC）相结合，其中，“感知辅助通信”通过感知获得的高精度定位、成像和环境重建能力，可以提升通信性能，例如更精确的波束成形、更快速的波束失效恢复，以及在跟踪信道状态信息时更少的开销22。通感一体化技术将为基于设备和无设备的物体定位提供服务。在基于设备的定位中，目标是网络中的连接设备，其位置信息通过设备发出的参考信号或测量反馈推导得出。而对于无设备的物体定位，目标物无需是网络中的连接设备。通过单站感知（发射器和接收器为同一设备）或协作感知（接收器是

60、网络中的其他节点或设备），从散射和反射的无线信号中估计时延、多普勒效应和角谱信息（分别对应物体的距离、速度和角度）。进一步处理这些无线信号后，可以提取物体在物理三维空间中的位置、方向、速度及其他几何信息。借助更大的带宽和更大的天线孔径，ISAC 系统能够更好地分离多径信号，从而实现更优的定位和跟踪性能，户外使用场景中的定位精度可达厘米级。具体而言，在无反馈传输中，利用感知信号，可以对基站和用户之间的信号传播环境进行感知，例如：感知用户和基站之间是否存在遮挡物体。与利用高层指标进行链路状态感知相比，环境感知能够获取到环境的实际变化，因此备选的传输参数需要与感知的几种最常见的情况进行对应，例如：视

61、距/非视距传播，从而可以直接根据感知的结果，针对性的从备选的传输参数集合中选择适合当前的传输参数。3.7 全解耦接入网络基于信道孪生的无反馈物理层传输全解耦接入网络基于信道孪生的无反馈物理层传输无反馈传输的最大挑战在于如何获知信道的准确信息。上面几个小节所介绍的方法本质上是数据驱动的，即利用大量的信道数据学习信道的特征，或以端到端的方式直接学习传输参数。然而，信道的本质是无线信号在物理空间中传播过程的一种刻画，而无线信号作为电磁波，在空间中传播的过程是确定的，且能够用电磁学公式所描述的。这种基于电磁波传播的物理过程获取信道的方法被称为射线追踪（Ray Tracing,RT）。21/50一般而言

62、，射线追踪首先需要一个对环境的建模，建模信息需要包括环境表面材质的电磁学参数，例如介电常数。然后，从发射端尽可能多的向各个角度发射电磁波，即射线，并计算每条射线在环境中的传播过程，以此获知在接收端的状态，从而最终得到发射端与接收端之间的信道。理论上，如果能发射无限多的射线，就可以获得准确的信道信息。但由于射线追踪的计算复杂度非常高，实际中会受到计算资源和计算实时性的约束。一种方案是结合深度学习，在只利用少量射线的条件下，尽可能地产生更加丰富的射线追踪结果。目前，已经存在很多基于射线追踪的信道生成器，例如：Remcom 公司的 Wireless Insite，英伟达公司的 Sionna，以及 M

63、atlab 等。如果将射线追踪应用到实际环境中，如何获得准确的环境建模是一个非常大的挑战。数字孪生技术有望提供一定的帮助23。如果能获取到环境的实时数字孪生，就可以在这个环境中利用射线追踪模型，产生实时的信道。二者的组合应用被称为信道数字孪生或信道孪生。显然，基于信道孪生，就能够实现真正的无反馈物理层传输，整个流程如图 3.12 所示。当前，已有一些基于计算机视觉（Computer Vision,CV）的环境实时建模的研究，但更多的是关注建模本身而非以辅助射线追踪为目标，因此目前还不足以实现准确的信道孪生。然而，结合近年来取得重大进展的生成式 AI（Generative AI,GAI）方法，环

64、境的建模及信道孪生有望实现更大的突破。图3.12面向无反馈传输任务的信道数字孪生构建流程22/504 全解耦无线接入网络资源管理全解耦无线接入网络资源管理4.1 全解耦无线接入网络资源调度目标全解耦无线接入网络资源调度目标对于网络而言，物理层技术决定了它的传输能力上限，而资源调度决定了它实际能实现的传输能力以及用户的服务质量。在全解耦接入网中，上下行解耦的设计被引入，其主要目的是为了能够实现多基站的灵活协作，以及资源的灵活利用，因此，MAC 层的资源调度需要与这些目标充分适配。此外，作为下一代移动通信网络架构，在资源的分配方式上，也应解决现网存在的一些问题。具体而言，全解耦接入网络资源调度的目

65、标包括12：按需：指的是网络的资源调度应该以尽可能满足用户的需求为目标，也就是以用户为中心，而现有网络的主要调度目标仍然是以最大化频谱资源的使用效率为目标（适当加入一定的公平性考量，例如经典的比例公平调度算法），也就是以网络为中心。但是，由于网络的资源本质上是稀缺的，因此网络的服务能力是存在上限的。所以在以用户为中心的调度中，用户的需求应该通过某种方式进行约束。换句话说，网络的目标是满足用户的真实需求（最为迫切和期待的需求），而非无限制地全部需求。个性化：指的是在为用户提供服务时，应充分考虑到不同用户的个性化需求。对于相同的业务，不同用户的主观感受是不一样的，因此需求的迫切程度也不一样。网络应

66、该具备感知用户个性化需求的能力，用户的个性化需求也需要通过某种形式量化表征。经济：指的是在资源调度中引入经济学和价格机制。经济学本身是研究资源如何高效分配的学科，在通信网络中引入经济学和市场机制能够解决供需之间的矛盾，同时满足运营商和用户的利益。价格是反应市场上资源短缺程度的信号，用户的真实需求可以通过其能否接受当前市场上的资源价格反映出来。当资源短缺时，不重要或者不迫切的需求就会被用户放弃，从而使得资源最终被用于满足用户最迫切的需求上，为用户带来最多的价值。资源短缺时的高价格也可以让运营商的收益增加，而资源过剩时的低价格也可以刺激更多的需求，提高资源的整体利用率。绿色：指的是在满足用户需求前

67、提下，资源调度以降低能耗为目标。5G 的高能耗一直是运营商所面临的一个主要挑战，在政策层面也应该尽量满足国家的“双碳”战略目标。具体而言，在资源调度时可以适当减少子载波上分配的功率或减少使用的子载波数，也可以优先使用单个基站服务以休眠其他基站。23/50 效率：指的是充分利用全解耦接入网的灵活性，提高资源的利用率。这里不仅指提高频效，更多的是在宏观层面上把资源调配到可用的位置。例如：当下行业务需求减少而上行业务需求激增时，应该将频谱资源更多地调配到上行使用。此外，当某个运营商的需求减少而其他运营商的需求激增时，应该通过资源共享或租赁的形式，让资源能够调配给需求较多的运营商。智能：指的是利用 A

68、I 方法，解决复杂的资源调度问题。资源调度问题涉及到资源在多个维度上的使用方式，当以特定目标建模为带约束的优化问题后，由于很多待求解变量是离散值，问题往往具备 NP-hard 属性，且由于多基站多用户的存在使得求解空间巨大。此外，资源调度对算法的实时性要求非常高，在实际系统中一般在毫秒级，因此传统优化算法几乎不可用。相较而言，AI 方法在推理时执行速度较快，有潜力能够满足资源调度的要求。4.2 全解耦无线接入网络全维资源灵活调度全解耦无线接入网络全维资源灵活调度在 FD-RAN 中，由于资源使用的灵活性极强，因此资源调度可以看作一个普适的问题。一方面，网络的全部资源可以被自由的调度给任何基站和

69、用户，用于上行和下行。另一方面，资源可以在全部维度上进行调度，包括：时-频-空-功率。整体上，FD-RAN 中的资源调度遵照非正交普适协作的理念，核心是尽可能通过在其他维度上进行区分，让不同用户复用时-频资源，即将时-频维度上的非正交转换为在空、功率维度上的准正交，从而提高资源的利用效率。为了高效利用频谱资源，在资源调度中将采用多种物理层技术，这些技术能够实现数据传输中频率的复用。对于下行链路，我们主要考虑单用户 MIMO（SU-MIMO）结合空分复用、在相同或不同频率上的多基站协作传输，以及多用户 MIMO（MU-MIMO）。此外，还包括一些尚未在现网中普及应用的物理层技术，例如非正交多址接

70、入（Non-OrthogonalMultiple Access,NOMA）和速率分裂多址接入（Rate-Splitting Multiple Access,RSMA）。对于上行链路，我们主要考虑多基站协作接收。需要注意的是，FD-RAN 中使用的所有物理层技术均为无反馈传输。24/50图4.1 FD-RAN资源调度框架FD-RAN 资源调度框架如图 4.1 所示。其中，低层资源调度的任务是为每个 UE 确定合适的物理层传输方式和资源，以实现特定的目标。由于多基站的引入、资源维度的多样性、物理层技术的复杂性以及目标的多样化，实现能够满足实时调度需求的高效资源调度器面临巨大的挑战。通常，在无线资源

71、分配的大量研究文献中，问题被建模为一个优化问题。然而，这类问题通常难以解决，且无法轻松求解，这使得基于优化的调度器在实际网络中难以实现。另一方面，启发式算法易于实现，但在解空间非常大的情况下（如 FD-RAN 中），其性能无法得到保证。因此，我们将转向基于 AI 的解决方案，尤其是最近取得显著进展的生成式AI 方法。虽然 AI 也存在诸如对大量训练数据的需求、对其他环境的泛化能力等局限性，但针对这些问题的解决方案也正在这一快速发展的领域中被不断提出。高层资源协调负责根据用户的流量需求，决定上行和下行网络中使用的频谱资源。在单个移动运营商内部，可以在上行和下行之间调整频谱（即一组频段）。此外，移

72、动运营商还可以利用其他运营商的频谱资源，这可以通过运营商之间的交易或协议实现。高层资源协调对低层资源调度是透明的，低层调度只需知道可用的总频谱资源即可。4.3 全解耦无线接入网络典型灵活资源调度方法全解耦无线接入网络典型灵活资源调度方法本小节将给出一个 FD-RAN 全维度资源灵活资源调度的典型场景，并给出一个仿真案例来证明 FD-RAN 解耦后资源灵活协作调度效果。在一个典型的 FD-RAN 多基站多用户场景中：边缘云控制器负责全局网络的智能管理，包括上下行频谱划分、多基站协作、子信道分配、功率控制等功能；用户终端分为下行用户（如手机）和上行用户（如 IoT 设备），不25/50同类型的用户

73、接入各自适配的基站，通过解耦的上下行链路进行通信；控制基站负责集中控制和信令分发，包括用户业务请求指令和位置信息等，上行基站负责分集接收，下行基站负责数据发送，听从边缘云的决策进行多基站协作传输。FD-RAN 上下行联合资源分配过程描述如下。首先，控制基站收集网络内用户业务请求及位置信息，发送给边缘云，边缘云服务器基于用户上下行业务请求，计算每个用户在资源调度中的权重值。基于位置信息可以预测上下行基站在每个信道上的 CSI 传输参数，基于此通过 AI 算法，获得最优的用户-基站-子信道匹配关系和功率控制决策。然后，边缘云服务器将资源调度指令发送至各基站，由控制基站广播给用户进行业务传输。FD-

74、RAN 中，无线频谱可以被集中起来重新分配，以实现更合理地使用，包括动态上下行频谱划分和子信道分配24。对于 FD-RAN 的上行和下行传输的子信道分配和基站协作，需要解决的问题是用户-基站-子信道的三维匹配。为了进一步提高网络性能，可以控制每个用户的上行预编码和功率，以及每个下行基站的预编码和功率，来实现频域和空域上的高效协作及干扰避免。考虑到上行和下行的物理解耦，将资源调度执行流程分为上下两层结构：上层的资源调度决策为大带宽的上下行频谱划分决策，该决策可以根据网络上下行用户业务需求的比例不同进行动态调整；下层的资源调度决策分为独立的两部分，一部分是以用户为中心的上行多基站协作集选择及用户上

75、行预编码和功率控制，另一部分是为每个用户分配最优的下行多基站协作集和子信道，以及多基站联合预编码与功率控制。如图 4.2 左图所示，在一个由 7 个半径 100 米小区组成区域，中心部署下行基站，周围部署 5 个上行基站，每个基站 3 个扇区，上行扇区 2 根接收天线，下行扇区 10 根发射天线。使用 QuaDRiGa 根据 3GPP TR 38.901 生成信道。作为对比，假设 5G 蜂窝网有 7 个基站，与下行基站位置相同，每个基站有 3 个扇区，每个扇区 10 根天线，这样保证 5G 蜂窝网络与 FD-RAN 具有相同总天线数量 210 根。26/50图4.2左图：7个下行基站、35个上

76、行基站、以及多个随机产生的上下行用户右图：在不同用户配置下的四种算法对应的网络加权速率和如图 4.2 右图所示，这里给出了 4 种方案的对比，包括：具有动态频谱划分（SpectrumDivision,SD）和功率控制（Power Control,PC）的 FD-RAN、仅具有动态 SD 的 FD-RAN、具有固定 SD 的 FD-RAN（均分），以及 5G 蜂窝网络。图中上行用户数量从 10 增加到 130，而下行用户数保持 50，所有用户速率权重为 1。由于多基站协调和灵活子信道分配，固定SD 的 FD-RAN 的加权速率和平均比 5G 蜂窝网络高出 1.86 倍，通过优化功率控制，FD-R

77、AN性能还可以进一步提升。图4.3左图：不同上下行用户数下的最优上下行频谱划分比例右图：上行用户不同速率权重下的最优上下行频谱划分比例图 4.3 左图绘制了在不同上下行频谱划分下的网络加权速率和，可以观察到随着上行用户数量增加，系统会分配更多的子信道用于上行传输。同时，在最佳频谱分配比例的两侧，性能首先提高然后下降。这表明在实际应用中，可以基于历史数据快速确定最佳比例的准确范围，从而节省大量计算，避免穷举所有情况。图 4.3 右图绘制了上下行用户不同权重下的27/50最优上下行频谱划分比例，让上行用户速率权重逐渐增加，下行用户速率权重为 1，可以看到分配给上行的资源会增加，保证了用户的优先级，

78、也证明了 FD-RAN 可以根据用户个性化需求进行资源调度。4.4 全解耦无线接入网络灵活多连接移动性管理方法全解耦无线接入网络灵活多连接移动性管理方法得益于控制面与数据面、上行与下行的完全解耦的网络架构所提供的灵活性，以及原生协作的多基站服务模式，FD-RAN 采用一种基于 AI 的多连接移动性管理方案，能够为移动用户提供无缝的网络连接与按需的通信服务，旨在保障用户移动过程中的服务连续性和 QoE一致性25。相比于目前 5G 移动性管理采用的基于下行参考信号接收功率（Reference SignalReceived Power,RSRP）测量事件触发的单基站切换范式，FD-RAN 能够为用户

79、按照上下行不同的链路质量、服务需求以及用户本身移动状态，来对其上下行基站协作集分别进行智能更新。在移动过程中，用户不会经历传统移动网络中先断后连的基站切换，而是始终由上下行基站协作集动态跟随着提供无缝连接与服务，并且基站协作集的更新对用户而言是几乎无感的。具体地，FD-RAN 中广覆盖的控制基站能够为移动用户提供始终在线的控制面连接，这将大大简化用户与数据基站之间进行接入交互的信令流程。例如，FD-RAN 的用户在与新的数据基站建立连接时，不需要再通过传统的随机接入过程来争取上下行资源，边缘云中的网络控制器可事先在目标数据基站中为用户预留资源，并通过控制基站将资源配置信息下发给用户，用户在完成

80、基本的时频同步后即可直接进行数据传输。这样，相比于现有的 5G 网络接入，FD-RAN 中新数据基站接入的整个过程对用户而言是更加迅速、无感的。28/50图4.4基站协作集更新3种类型示意图在 FD-RAN 中，用户的上行和下行分别被一簇基站协作地服务，而不是单个基站。在多连接移动性管理方案中，移动用户的基站协作集会在边缘云的控制下动态地更新，更新类型主要包括三种：基站添加、基站替换、基站移除，如图 4.4 所示，并确保用户的服务基站协作集中始终至少有一个基站为其提供服务（在协作集的基站数量为 1 时，不会执行基站移除动作）。协作集更新的决策由边缘云的 AI 移动性管理控制器综合做出，其考虑的

81、因素除了基本的信道条件，还包括用户服务需求、用户移动状态等。例如，当用户的业务需求增加时（观看超清直播、大文件下载等），移动性管理控制器会智能地扩大用户的基站协作集来为其提供个性化服务；而当用户的业务需求降低时，控制器也会适当缩小用户的基站协作集，在充分满足用户需求的前提下，将网络资源调度给其他更需要的用户。同时，移动性管理控制器能够根据网络掌握的用户移动信息，优先选择其预估移动路径上的基站进行接入，从而延长每个基站的逗留时间，尽可能降低协作集更新的频率，减少控制信令交互，提高用户的服务连续性。在目前 5G 网络上下行耦合的服务范式中，移动性管理的切换事件是基于下行链路质量而触发的，忽略了上行

82、链路的信道条件以及上下行业务需求的不对称性。FD-RAN 的上下行29/50基站解耦赋予了网络接入强大的灵活性，在 FD-RAN 移动性管理方案中，用户的上行基站接入不再需要被动地根据下行链路质量，而是可以根据上行信道条件和服务需求独立进行，这有助于提升网络整体的上行频效，并为移动用户提供更好的上行按需服务。图4.5无切换移动性管理方案的按需服务提供性能图4.5展示了FD-RAN多连接移动性管理方案在满足移动用户个性化服务需求方面的性能。利用深度强化学习算法驱动的无切换方案，可为移动用户按照其信道条件和服务需求，动态智能地更新下行基站协作集。仿真对比的“单小区”和“三小区”方案，分别是令用户连

83、接到信道质量最强的一个或三个小区，来近似地模拟 5G 网络中的移动性管理方案。每个移动用户都有高、中、低三档的服务质量（Quality of Service,QoS）需求，仿真图纵轴的平均 QoS 不满足率为仿真时间内用户的实际下行速率低于其个性化 QoS 需求的时间占比。可以看到，相比于单小区和三小区的移动性管理方案，在用户数量较多时，FD-RAN 的方案有着较大的性能提升，因为该方案能综合考虑用户信道条件与速率需求，尽可能地提供按需服务并节约网络资源，减少网络整体的干扰，提升网络整体性能。4.5 基于网络孪生的资源聚合与动态定价基于网络孪生的资源聚合与动态定价本小节跳出单一无线接入网的视角

84、，介绍如何整合不同移动运营商的多个 RAN，共同为用户设备提供服务。从用户的角度看，所有可用资源能够无界限地被融合，以提升用户的服务质量。这是一项非常具有挑战性的任务，因为这些移动运营商拥有各自独立的网络管理和计费系统。此外，这些 RAN 的网络体制和空口技术可能不同，包括 5G/6G、Wi-Fi 和卫30/50星通信等。打破各移动运营商和网络之间壁垒并实现集成 RAN 的关键在于从用户的角度管理接入网络。为此，我们引入了一种专门为用户设计的服务，即网络孪生（Cybertwin）。Cybertwin是一个应用层服务，主要作为每个用户的通信代理，负责在传输层聚合不同网络资源。换句话说，用户设备与

85、应用服务器之间的所有数据流量都会通过 Cybertwin 传输。在这种基于Cybertwin 的通信架构中，可以在运行于用户设备和云端的 Cybertwin 客户端与服务器之间建立多条传输路径。基于 Cybertwin 的集成 RAN 示意图如图 4.6 所示。首先，Cybertwin 会检查用户请求的互联网服务，以确定用户的综合需求。为了满足用户需求，Cybertwin 将与各移动运营商协商获取其传输服务。在这里，传输服务是无线资源的虚拟化形式，具有特定的服务级别协议（Service Level Agreement,SLA），例如数据速率和时延等传输性能指标。传输服务在专门的市场上进行交易，

86、运营商根据资源的短缺程度定价，用户根据自身的真实需求购买。为了在这种资源市场中实现需求与供应的平衡，交易将实时进行，不同移动运营商提供的具有不同 SLA 的传输服务价格也将动态确定。Cybertwin 作为用户的个人“运营商”，负责与网络运营商进行实时的资源交易。图4.6基于Cybertwin的网络资源聚合Cybertwin 将为每项传输服务建立一条路径以加以利用。该路径是传输层的端到端连接，其底层资源由相应的 RAN 提供。具体而言，核心网络将执行有保障的 MAC 层资源分配，31/50以满足 SLA 的要求。而在 FD-RAN 中，多基站协作资源分配有可能支持这一目标。Cybertwin的

87、职责是根据每条路径和互联网服务的特性，合理地将用户请求的互联网服务分配到各条路径上，从而提升用户的整体 QoE。总体而言，基于 Cybertwin 的网络资源聚合带来了以下改变：基于交易的计费方案。为了灵活利用不同 RAN 的资源，传统基于预付流量套餐的计费方案效率很差，因为用户可能需要订购来自多家移动运营商的套餐。相反，无线资源被虚拟化为传输服务，并出售给用户。此外，这些资源的交易根据用户的实时需求进行，以实现需求的匹配。解除用户与移动运营商的绑定。通过上述计费方案，用户与其服务移动运营商之间的绑定关系可以被解除。实际上，Cybertwin 成为用户的个人运营商，负责与所有可能的移动运营商进

88、行交易以使用其资源。进一步设想，运营商的规模可以小至个人，例如拥有私人Wi-Fi 接入点并愿意向他人提供付费互联网服务的个人。这样，整个市场将变得更加多样化并充满竞争力。从尽力而为到有保障的资源分配。当前的移动网络由于其以网络为中心的 MAC 层资源分配机制，无法为用户提供任何 SLA。这种机制通常以吞吐量最大化或公平性为目标，因此用户只能享受到尽力而为的服务。相反，在基于 Cybertwin 的集成 RAN 中，每个 RAN都实现了有保障的资源分配，其目标是满足所有用户的 SLA。然而，由于总资源有限，需要采用动态和差异化定价等市场机制，以平衡供需关系并更高效地利用资源26。通过引入交易面和

89、价格维度，从根本上解决成本与服务的矛盾。32/505 全解耦无线接入网络部署全解耦无线接入网络部署5.1 全解耦无线接入网络部署目标全解耦无线接入网络部署目标网络基站的部署情况直接决定了运营商服务用户的能力。然而，基站部署不是一个单纯的理论研究问题，实际中会面临各种现实因素的制约。全解耦接入网络中，上下行基站的彻底解耦为传统基站部署带来新的可能性。具体而言，全解耦无线接入网络部署目标如下12：低成本：指的是尽可能减少网络部署压力，降低部署总成本。从 4G 到 5G，基站部署变得更加密集，为运营商带来了高昂的成本。FD-RAN 中，上下行基站可以根据自身的特点独立部署，其中，上行基站可以低成本的

90、密集部署，而下行基站则可以采用大基站模式，用更低的频段和更高的功率来加强基站的覆盖能力，以减少基站的部署压力。按需部署：指的是根据上下行业务的实际需求进行上下行基站的部署。在不同场景下，上下行业务通常不是对称的。例如：工业互联网就是一个以上行业务为主导的场景，其中大量的 IoT 设备进行数据的上传。在这种场景下，就可以针对性的部署大量的上行基站，而适当减少下行基站的部署。灵活可扩展：指的是在已有网络的基础上，可随时根据需求灵活的增加基站，且无需进行额外的网络优化和配置，新增的基站将会自然的融入已有网络。由于 FD-RAN 上行和下行完全独立，而上行基站对部署条件要求更低，且主要通过分集接收的方

91、式来利用多基站，因此在上行可以非常容易地实现以上目标。开放：指的是在通信网络市场层面，构建开放生态，让微小企业乃至个人都可以加入，实现网络的共建、共享、共赢。一方面，应积极拥抱 O-RAN 的理念和设计，让网络设备的功能尽可能解耦和模块化，以降低单个模块或设备的成本。另一方面，应按照共享经济的方式构建网络，尽可能降低网络建设的参与门槛，例如：允许个人在家部署上行基站并加入网络，在提高网络整体服务质量的同时，也能从中获得一定的收益。5.2 全解耦无线接入网络典型低成本部署方法全解耦无线接入网络典型低成本部署方法随着万物互联时代的到来，未来的6G网络将需要广泛部署基站以实现全面的网络覆盖。这一发展

92、为运营商带来了巨大的挑战，因为每个基站的建设成本不断增加，数量也呈指数增长。因此，如何制定有效策略以降低网络部署成本，成为了运营商亟需解决的重要问题。全33/50解耦的无线接入网络通过上行链路和下行链路基站的分离，为应对不对称的服务需求提供了一种灵活的部署方式，进而为解决高昂的部署成本提供了一个极具潜力的方案27。FD-RAN 的典型部署针对大规模的 IoT 场景，其中大量低功耗的物联网节点均匀地分布在典型的 FD-RAN 覆盖区域内。基于技术经济学方法的成本模型可以为有效评估 FD-RAN的部署成本。该模型将 FD-RAN 架构中的资本支出和运营支出纳入考量，全面评估基站建设、功耗、维护及租

93、赁等多方面成本。图5.1不同网络架构下的网络总成本随用户数的变化图 5.1 的仿真结果表明，FD-RAN 在与其他几种典型网络架构（如大规模 MIMO 网络、Small Cell 网络和无蜂窝网络）相比时，具有显著的成本优势。具体而言，FD-RAN 的上行网络设备成本较低，且上行基站的功耗远低于全功能基站，因此其总体成本明显低于其他网络架构。而大规模 MIMO 网络由于设备价格和功耗较高，其成本远高于其他网络。仿真还发现，当用户数量超过 10000 时，各种网络的成本增长均呈现出线性趋势。进一步分析表明，在用户数较少时，网络处于覆盖受限模式，而在用户数较多时，则转为服务受限模式。FD-RAN

94、因其低成本特性，使其在上行流量主导的场景中展现出显著的成本优势。图5.2左图：FD-RAN面向不同上下行业务比例时的成本变化34/50右图：不同网络架构随上下行业务比例的变化图 5.2 显示，随着上行下行流量比的增大，FD-RAN 网络的成本逐渐降低，直至上行下行流量比超过某一阈值后趋于平稳。当上行下行流量比达到 8 时，FD-RAN 的成本曲线不再继续下降，此时需要部署固定的下行基站以满足区域覆盖需求，进入覆盖受限状态。在最优情况下，FD-RAN 相较于其他三种网络架构能够节省的成本分别为 59%、36%和 33%。右图则表明，随着上行下行流量比的增加，各项成本均有所下降，但趋于平缓，原因在

95、于下行基站需要满足覆盖需求。因此，FD-RAN 面向非对称业务场景发挥出架构优势，尤其是在上行业务占主导时展现出更显著的成本优势，这种特性使其有利于解决未来的超大规模物联网接入问题。图5.3左图：不同网络架构中各成本因素所占比例右图：不同网络架构中各成本因素所占比例功耗、设备租赁和无线接入是影响网络成本的最重要因素。图 5.3 中看出，在 FD-RAN中，网络功耗占比为 44%，低于其他网络架构（超过 60%）。然而，FD-RAN 的场地租赁费用占比高达 46%，这主要是由于解耦部署导致站址租赁成本增加。此外，无线成本的占比差异较大：由于大规模 MIMO（massive MIMO,mMIMO）

96、单基站成本较高，其无线成本占比也较高；而 FD-RAN 采用解耦的低成本上下行基站，因此无线成本占比较低。进一步分析表明，上行/下行基站价格对网络总成本的影响较小，价格上涨 50%仅会导致成本分别增加 0.7%和 0.6%；但若上行/下行基站功耗增加 50%，将导致成本分别增加 9.9%和 3.9%；微基站和宏基站租金增加 50%时，成本分别增加 16.4%和 5.2%。因此，降低基站功耗并简化基站部署形式，将是降低网络总成本的关键。35/505.3 全解耦无线接入网络的非独立部署全解耦无线接入网络的非独立部署作为一种新架构，FD-RAN 在物理层、MAC 层和核心网方面为网络带来了若干变革。

97、然而，目前的移动通信网络主要由 3GPP 标准主导。因此，FD-RAN 面临的一个重要问题是在过渡阶段如何与 5G 网络共存。此外，为了未来可能将 FD-RAN 标准化，使其与现有的3GPP 标准兼容也是必要的。5G 的非独立组网（Non-StandAlone,NSA）模式中，既利用了先进的 5G 空口，同时复用 LTE 核心网络。参考该模式可以设计 FD-RAN 的 NSA 部署方案，旨在补充和复用现有的5G 网络，而非部署一套全新且独立的网络来取代 5G。具体来说，利用 5G 双连接框架，传统的 4G/5G 基站可以被复用为 FD-RAN 的控制基站。用户设备仍然会像以往一样与 4G/5G

98、基站建立无线资源控制（Radio Resource Control,RRC）连接，但仅传输控制信息。上行基站或下行基站则可以部署在上行或下行用户流量需求超过现有 5G 网络容量的地区。此外，可以利用 3GPP 定义的补充上行（Supplementary Uplink,SUL）和补充下行（SupplementaryDownlink,SDL）频段分别为上行基站和下行基站提供支持。这些 SUL/SDL 频段的频率通常较低（低于 2 GHz），以增加覆盖范围，并且其信道带宽可高达 50 MHz（SDL）和 100 MHz（SUL）。FD-RAN 的 NSA 部署具有以下优点。首先，相较于部署全功能的

99、5G 基站，根据实际流量需求部署上行基站或下行基站更具成本效益。此外，上行基站或下行基站的部署更加灵活和独立，并且可以利用 SUL/SDL 频段的额外频谱资源。在某些情况下，仅部署上行或下行基站更为合适。例如，一个运行在毫米波上的室内下行基站对于扩展下行容量非常有用，而毫米波上行可能并非必要。其次，由于上行和下行网络的解耦，独立部署 FD-RAN 仍然具有很多挑战和未解决的问题，但通过 NSA 部署可以规避该问题，实现 FD-RAN 与 5G 的共存，这也意味着并非需要完全颠覆 5G，有助于发挥 FD-RAN 的价值。最后，FD-RAN 的关键技术（涵盖物理层、MAC 层和核心网）在 NSA

100、部署中仍然需要。这些技术在现有网络中的实现有助于展示 FD-RAN 的能力，为未来 FD-RAN 的独立部署铺平道路。在 NSA 部署中研究这些技术也更加容易。例如，我们只需分别考虑上行或下行网络的 MAC 层资源分配，而无需同时考虑包括上行和下行功能在内的整个网络。5.4 全解耦无线接入网络的云原生全解耦无线接入网络的云原生 O-RAN 部署部署O-RAN 架构的开发由 O-RAN 联盟主导，该联盟主要由全球移动运营商组成。O-RAN36/50旨在提供一种基于 3GPP NR（新空口）标准的白盒化、软件化和可互操作的解决方案，以避免供应商锁定。具体而言，O-RAN 遵循 3GPP NR 7.

101、2 功能拆分模型，将基站的功能分解为中央单元（Central Unit,CU）、分布式单元（Distributed Unit,DU）和无线单元（Radio Unit,RU）。CU 负责控制平面（Control Plane,CP）中的分组数据汇聚协议（Packet Data ConvergenceProtocol,PDCP）和 RRC 协议，以及用户平面（User Plane,UP）中的服务数据适配协议（ServiceData Adaptation Protocol,SDAP）。DU 主要处理低层数据，包括无线链路控制层（Radio LinkControl,RLC）、MAC 层和部分物理层（ph

102、ysical layer,PHY）。RU 继续实现物理层和射频（Radio Frequency,RF）功能。此外，O-RAN 引入了非实时和近实时的无线接入网智能控制器（RICs），分别在不同时间尺度上执行网络管理和控制。O-RAN 规范中定义了各实体之间的开放接口，这些接口的引入使得设备的操作数据能够被暴露给外部，从而可以在 RICs上采用 AI/ML 技术进一步优化网络的运行。O-RAN 的上述特性使其成为 6G 的一个有前景的架构。因此，考虑在 O-RAN 架构下实现 FD-RAN 是具有意义的。图5.4全解耦无线接入网络的云原生O-RAN部署本小节介绍基于 O-RAN 的 FD-RAN

103、 扩展，其架构如图 5.4 所示。在边缘云中，我们逻辑上将 O-DU 分为 O-DU-C、O-DU-UL 和 O-DU-DL。O-DU-C 处理来自 O-CU-CP 的控制平面数据，而 O-DU-UL 和 O-DU-DL 分别处理来自 O-CU-UP 的上行和下行用户平面数据。此外，O-RU 被物理上分为不同的 O-RU-C、O-RU-UL 和 O-RU-DL，分别部署在不同的基站站点。每种类型的O-RU与相应的 O-DU相连接，作为解耦基站的对应单元。除了当前O-RAN规范中定义的两个 RIC 之外，我们还在边缘云中引入了实时 RIC，以赋予 MAC 层和 PHY层 AI/ML 的能力。这对

104、于 FD-RAN 至关重要，例如实现大规模协作资源分配和基于 AI 的37/50无反馈 MIMO 传输。所有的 O-CU、O-DU 和 RIC 都以云原生的方式通过软件实现。具体而言，在区域云和边缘云中部署 Kubernetes 集群，这些实体以容器化微服务的形式运行，运行实例的数量可以根据流量负载自动调整。5.5 全解耦无线接入网络原型系统与验证全解耦无线接入网络原型系统与验证为了验证全解耦无线接入网的核心理念和关键技术，可以基于通用软件无线电外设（Universal Software Radio Peripheral,USRP）搭建 FD-RAN 的硬件原型系统。USRP 是一种灵活的软件

105、无线电平台，支持通过软硬件结合实现多种无线通信功能，可部署为通信基站或用户终端。FD-RAN 原型验证系统的架构如图 5.5 所示，包括核心网、控制基站、上行基站、下行基站及用户设备。其中，控制基站负责 UE 与网络的控制信令交互。C-BS 通过独立频段与 UE 建立控制链路，向 UE 传递核心网控制面对上下行数据链路的调度。通过C-BS获取UE 的位置信息，核心网向 UL-BS 和 DL-BS 发送传输参数和资源分配指令，并协调多基站协作。上行基站用于接收 UE 的上行数据。借助多基站分集接收技术，多个 UL-BS 可以同时接收同一 UE 的上行信号，从而增强接收信号质量，并显著提升边缘用户

106、的可靠性。下行基站负责向 UE 传输下行数据。原型系统支持多 DL-BS 协作传输，多个 DL-BS 根据核心网分配的资源和参数，共同为 UE 发送数据。协作传输利用不同下行基站相互正交的子载波，可以为 UE 聚合更多的传输资源。UE 通过控制链路与 C-BS 交换信令，同时与 UL-BS和 DL-BS 建立单向数据连接。UE 支持实时信道估计与误差校正，确保在多基站环境下的稳定通信。38/50图5.5全解耦无线接入网络硬件原型系统架构图实际搭建的全解耦接入网硬件原型系统如 5.6 图所示，在硬件原型测试中，系统目前重点验证了三项核心技术：无反馈下行多基站协作传输、上行多基站联合接收，以及动态

107、资源调度与分配。这些验证展示了 FD-RAN 架构的技术优势及其在高效资源利用与适应复杂通信场景中的潜力。图5.6全解耦无线接入网络硬件原型平台 无反馈下行多基站协作传输无反馈下行多基站协作传输原型系统采用了无反馈的多基站协作传输方案。C-BS 能够通过获取 UE 的位置信息，39/50利用预生成的信道状态映射来估计传输参数，并将分配的频率资源块通知各 DL-BS。DL-BS能够按照 C-BS 指令，在分配的资源块上同时向 UE 协作发送数据，UE 利用接收到的信号进行合并解调。该方案的优势在于显著降低了信道反馈开销，同时通过多基站的协作提高了传输的可靠性和吞吐量。上行多基站联合接收上行多基站

108、联合接收在上行链路，传统架构下的单基站接收模式无法有效解决弱信号或边缘用户的高误码问题。原型系统能够通过多个 UL-BS 的分集接收技术，协同接收来自 UE 的上行数据。多个基站将接收到的信号副本进行联合处理，显著提升了解码的可靠性，并有效解决了单基站接收下的质量劣化问题。动态资源调度与分配动态资源调度与分配全解耦接入网的动态资源调度通过 C-BS 的全网资源感知和实时指令实现。在测试中，原型系统能够动态调整上行与下行频率资源的分配，确保在流量需求不对称的情况下，资源能够灵活转移以满足实际需求。C-BS 不仅能够感知当前负载，还能快速响应流量变化，为网络的高效运行提供保障。6 全解耦无线接入网

109、络的挑战与展望全解耦无线接入网络的挑战与展望6.1 技术挑战技术挑战作为一种新型的网络架构，全解耦接入网将面临一些新的挑战，包括技术层面和商业层面。这里，仅列出若干前文中未提及的但仍需要面对的技术挑战。6.1.1 差错控制机制差错控制机制HARQ 在 MAC 层的差错控制中起着重要作用，然而 FD-RAN 中上下行解耦导致现有的 HARQ 不可行。此外，FD-RAN 物理层无反馈传输不具备直接的自适应调制编码能力，这进一步导致 FD-RAN 空口传输的差错增加。一种思路是继续沿用 HARQ 机制，将 ACK当做业务利用数据基站传输，但需要应对 HARQ 过程中额外增加的时延。已有研究探讨了非地

110、面网络中的 HARQ，例如 3GPP Release 17 为具有大反馈时延的 HARQ 提供了解决方案，这些解决方案可以被 FD-RAN 利用。另一种思路是停用 HARQ 机制，改为在更高的空口传输层（例如 MAC 层之上的 RLC 层）实现更简单的 ARQ 差错控制。利用空口传输层的ACK 反馈，并通过数据基站在空口进行重传，可以有效的减少数据包重传的延迟，提高传40/50输的可靠性。此外，在空口传输层还可以采借鉴端到端传输层协议（例如 QUIC）的一些新机制，以提高性能。6.1.2 大规模低延时的控制信令大规模低延时的控制信令在 FD-RAN 中，控制信令发生在用户设备与控制基站之间。C

111、-BS 使用低频段提供广覆盖，但可能面临大量用户设备的接入，每个设备都需要频繁地传输和接收控制信号。此外，这些控制信号必须满足严格的要求，例如亚毫秒级的时延和 99.9999%的可靠性。同时，还需考虑控制信令的不同流量模式，例如周期性发送的资源调度控制数据包和突发性的移动性管理控制数据包，以及不同控制消息的优先级差异。综上所述，C-BS 必须同时满足 5G 中超可靠低时延通信（ultra-Reliable Low Latency Communication,uRLLC）和大规模机器类型通信（massive MTC,mMTC）的要求，这是一项极具挑战性的任务。因此，采用合适的多址接入方案来实现这

112、一目标是至关重要的。为了满足 5G 中 uRLLC 和 mMTC 的需求，自 Release 15 起，3GPP 提出了免授权随机接入（Grant-Free RandomAccess,GFRA）机制。GFRA 用更高效的两步过程取代了传统的四步授权请求触发传输过程，其中用户设备可以直接发送小型数据包及必要的控制信息，从而减少了上行传输的时延。通过采用先进的混合自动重传请求技术，GFRA 提高了可靠性。GFRA 可以通过预分配频率资源或竞争共享频率资源来运行。前者适用于周期性传输，而后者适用于零散数据包的传输。然而，当接入的用户设备数量增加时，基于竞争的接入可能出现冲突，而预留的频率资源可能不足

113、，从而降低服务质量。在这种情况下，可以考虑数据包的不同优先级实施其他接入控制机制，例如：接入级别限制（Access Class Barring,ACB）和退避（back-off）。6.1.3 基于基于网络孪生网络孪生的个性化服务的个性化服务在 6G 中，关注的重点不仅是提升系统级性能指标（如网络吞吐量），还包括更好地服务于用户。为实现这一目标，需要一种方法来理解和表征用户的服务期望。然而，传统的用户 QoE 指标并未考虑个体用户的主观意见。此外，需要在用户与网络之间建立一种通信渠道，使网络能够感知每个用户的个性化需求。最后，网络还应实施一种资源分配方案，该方案需要综合考虑每个用户的个性化需求及

114、其相应的优先级，因为网络的总资源是有限的。在 FD-RAN 中，Cybertwin 充当用户的代理。它负责将用户的需求传达给网络。在使用网络之前，用户需要为 Cybertwin 配置其对每项服务的期望性能指标，例如数据速率和时延，以及与服务相关的价值。这使得网络能够比较并优先处理不同用户对不同服务的相对重要性。41/50此外，还需要对网络资源的动态定价，以达到实时的供需平衡。当资源价格较高时，网络需要优先处理价值更高的服务，相应的用户也需要支付更高的费用。网络运营商可以与用户签订 SLA，为每位用户设定不同的价格，或者采用一种新的效用函数，在分配资源时综合考虑传输性能和用户价值。6.1.4 用

115、户终端和基站的能耗用户终端和基站的能耗降低用户设备和基站的能耗对于 6G 来说至关重要。由于采用了解耦架构，FD-RAN 具有优化能耗的潜力。从 UE 的角度来看，其发射功率可以进一步降低。在 FD-RAN 中，由于上行基站和下行基站是物理上解耦的，UE 可以与附近的 UL-BS 关联，从而缩短上行传输距离。此外，FD-RAN 还可以采用上行接收分集、信号合并技术，这些方法都能帮助 UE 以更低功率传输数据。对于控制面，可以开发节能的通信协议，以尽量减少信令开销，从而进一步优化能量使用效率。为了降低基站的功耗，最有效的方法之一是基站休眠。因此，需要从网络的角度进行考虑：当总流量需求较低时，可以

116、关闭部分基站。在 FD-RAN 中，这可以通过控制基站实现集中控制来完成。在有 C-BS 的情况下，用户设备至少可以通过控制信道保持连接，从而避免出现覆盖空洞。此外，上下行解耦使得优化总能耗的可能性大幅增加。因此，需要研究一种高效的策略，在能耗和用户 QoS 之间实现平衡。6.2 应用展望应用展望FD-RAN 的应用场景既可以是通用的，也可以是特定的。由于上下行基站的解耦，FD-RAN 可作为现有 5G 网络的补充。例如，可以在下行流量需求较高的区域部署独立的下行基站。在非公用网络（Non-Public Network,NPN）或垂直场景中，以独立模式部署 FD-RAN相较于传统 RAN 更具

117、优势，因为上下行基站可以根据流量需求更灵活地部署。此外，FD-RAN 还可以应用于多种 6G 的新兴服务。具体而言，FD-RAN 可分别与通感一体化28、空天地一体化网络（Space-Air-Ground Integrated Network,SAGIN）29以及 AI 生成内容（AI-Generated Content,AIGC）30相结合，如图 6.1 所示。尽管 FD-RAN 是独立设计的，但当与这些服务集成时，FD-RAN 能够展现出其独特的优势。42/50图FD-RAN与6G应用相结合6.2.1 FD-RAN 与与 ISAC由于频谱资源的匮乏，5G 正逐步向毫米波等高频段发展，例如

118、28GHz 和 60GHz。这些毫米波频段也被用于传统的雷达感知。由于感知，尤其是定位能力，被视为 6G 的一项重要服务，如何在同一系统中集成感知与通信已成为 6G 的一个主要研究方向31。ISAC 系统可以利用信号同时进行数据传输和感知，从而节省宝贵的频谱资源。ISAC 可以分为基于设备和无设备两种类型。前者是一种主动感知过程，涉及对感知目标的信号发送和/或接收；而后者是一种被动感知过程，无需感知目标具备额外的能力。对于基于设备的 ISAC，其又可根据感知/定位是否为协作式进一步分类。协作感知更为强大，因为可以通过多个信号接收端获取更多的信息。然而，它也更具挑战性，因为需要对来自不同来源的感

119、知信号进行融合。同时，网络本身还需要支持协作式传输，例如中继和设备间直接通信（Device to Device,D2D）。对于 FD-RAN 来说，执行协作感知非常适合，这是由于其上下行解耦的架构。具体而言，在协作感知中，感知信号可以由下行基站传输至设备，随后由上行基站接收。因此，无需额外考虑信号发送和接收的物理分离问题，因为这一功能在 FD-RAN 中已实现。信号的组合与处理可以在边缘云完成。进一步，感知到的用户设备的位置信息则可以传递至控制基站，用以直接执行基于位置的无反馈传输。由于省去了位置反馈过程，FD-RAN 的性能也得到了提升。综上所述，将 ISAC 与 FD-RAN 结合对双方均

120、有利，因此这是一个非常有前景的解决方案。43/506.2.2 FD-RAN 与与 SAGIN基于卫星和空中的通信对于实现无处不在的连接是不可或缺的，这是 6G 的一个重要目标。在空天地一体化网络中，不同层级的网络被集成，包括地球同步轨道（Geostationary EarthOrbit,GEO）卫星、中轨道（Medium Earth Orbit,MEO）卫星、低轨道（Low Earth Orbit,LEO）卫星以及高空平台（High Altitude Platform,HAP）。3GPP也定义了NTN的架构，其中NG-RAN的空中接口被 NTN 网关和卫星所取代。因此，NTN 对移动用户而言是

121、完全透明的。具体而言，超密集低轨道卫星与地面网络集成的 6G 系统具有更大的潜力。LEO 卫星具有更低的时延和更高的吞吐量，同时相比高空平台，其覆盖范围更广且可靠性更高。这些优势使得超密集 LEO 卫星网络（例如 Starlink）成为地面移动网络很好的辅助。此外，在未来基于云的互联网中，大多数服务都部署在云数据中心。此时，NTN 网关可以直接与云端连接，从而使移动用户仅需一次跳转即可访问服务。然而，由于移动设备的发射功率较低，传统基于卫星的 NTN 在上行链路上的效率不高，并可能导致用户设备能耗较高。为了解决这一问题，一个自然的选择是解耦上下行链路，这需要一种全新的完全解耦架构，即 FD-R

122、AN。下行传输仍可由 LEO 卫星完成，同时可以利用 FD-RAN 中基于位置的无反馈传输机制，以解决反馈延时较长的问题。另一方面，FD-RAN中的上行基站可用于接收来自用户设备的上行信号，因其相较下行基站具备低成本灵活部署的优势，因而在不具备下行基站的地方仍然可能部署。此外，上下行链路均可以采用协作传输技术。因此，在 FD-RAN 架构下，超密集 LEO 卫星网络的优势可以被充分利用，而其缺点则能够得到规避，使 FD-RAN 成为未来 6G 天地一体化网络的一个极具前景的架构。6.2.3 FD-RAN 与移动与移动 AIGCAIGC 指由 AI 模型而非人类用户生成的内容，例如用于生成文本的

123、大型语言模型（如GPT-4）和用于生成图像的扩散模型（如 Stable Diffusion）。由于 AIGC 能显著提高内容生产效率，其被认为是未来互联网最重要的服务之一。因此，在移动网络中如何提供 AIGC 服务也成为了一个必要的研究方向。将 AIGC 服务与移动网络集成具有多方面的优势。一方面，模型可以部署在边缘云上，使用户能够以更低的时延访问服务。另一方面，通过基于用户自身数据和需求对模型进行微调，可以提供个性化服务。为了保护隐私，这些微调后的模型可以部署在本地的边缘服务器上。FD-RAN 在多个方面能够进一步增强移动 AIGC 网络。在 FD-RAN 中，Cybertwin 作为每个用

124、户的个性化数据管家，在边缘云运行。因此，个性化模型可以通过 Cybertwin 保存的44/50私有数据进行微调，而无需担心数据泄露给第三方的风险。此外，在无线接入网侧，FD-RAN通过以用户为中心的资源分配提供个性化传输服务。尽管 AIGC 服务对资源消耗较大，但FD-RAN 实现更好的服务质量保障。最后，模型的训练需要大量数据，而这些数据需要通过移动网络在越来越多的场景中进行收集，例如工业物联网。借助 FD-RAN，通过部署更多的上行基站，可以满足大规模数据采集的流量需求，同时显著降低基础设施和能源成本。6.2.4 FD-RAN 与低空智联网与低空智联网随着低空经济的兴起，低空相关应用将成

125、为一个巨大的经济增长点，在移动通信领域，低空智联网也受到了广泛关注32。具体而言，低空智联网用无人机作为基站，为用户提供更好的服务。无人机基站具备的主要优势是部署灵活且可根据业务需求自由移动。进一步，无蜂窝无人机网络的概念被提出，以解决传统地面无蜂窝网络密集部署 AP 的困难33。然而，由于无人机基站需要通过无线链路与中央处理单元进行连接，因此传统无蜂窝网络所面临的前传链路带宽、多接入点（Access Point,AP）同步等问题在无人机条件下将变得更加难以解决。在 FD-RAN 中，由于上行和下行基站解耦，因此可以单独部署上行的无人机基站。一方面，上行基站只负责接收，消耗的功率更低，相较下行

126、基站成本也更低（例如：天线更少），更适合在无人机上搭载。另一方面，上行接收可以采用多个上行基站分集接收的方式，对前传和同步的要求更低。因此，在 FD-RAN 架构下仅部署无人机上行网络，既可以充分利用无人机基站灵活部署的优势，又能够避免无蜂窝无人机网络面临的困难，具有很大的应用前景。此外，在低空智联网中也存在无人机终端，例如配送无人机，利用 FD-RAN 地面的上行和下行基站作为锚点，可以更好的实现对无人机终端的定位，并可以基于位置实现无人机之间的高效组网和路由。在传输方式上，可以利用无人机的定位信息，实现基于 3D 位置的无反馈 MIMO 传输。45/50名词缩略语名词缩略语缩略语缩略语全称

127、全称中文名词中文名词2GSecond Generation第二代通信技术3GThird Generation第三代通信技术4GFourth Generation第四代通信技术5GFifth Generation第五代通信技术5G-A5G-Advanced第五代通信技术增强版6GSixth Generation第六代通信技术ACBAccess Class Barring接入级别限制ACKAcknowledgement确认AIArtificial Intelligence人工智能AIGCAI-Generated ContentAI 生成内容APAccess Point接入点APIApplicati

128、on Programming Interface应用程序接口ARAugmented Reality增强现实CACarrierAggregation载波聚合C-BSControl Base Station控制基站CNCore Network核心网CLSMClosed-Loop Spatial Multiplexing闭环空分复用CoMPCoordinated Multi-Point多点协作CPControl Plane控制平面CQIChannel Quality Indicator信道质量指示C-RANCloud Radio Access Network云无线接入网络CSIChannel Sta

129、te Information信道状态信息CUCentral Unit中央单元CVComputer Vision计算机视觉D2DDevice to Device设备间通信DL-BSDownlink Base Station下行基站DNNDeep Neural Network深度神经网络DUDistributed Unit分布式单元EEEnergy Efficiency能量效率FDDFrequency Division Duplex频分双工FD-RANFully-Decoupled Radio Access Network全解耦无线接入网FPAFractional Power Allocation

130、比例功率分配GAIGenerative AI生成式 AIGEOGeostationary Earth Orbit地球同步轨道GFRAGrant-free RandomAccess免授权随机接入GPRGaussian Process Regression高斯过程回归GPUGraphics Processing Unit图形处理单元GPTGenerative Pre-trained Transformer生成式预训练变换器46/50HAPHigh Altitude Platform高空平台HARQHybrid Automatic Repeat reQuest混合自动重传请求HetNetHetero

131、genous Network异构网络IoTInternet of Things物联网ISACIntegrated Sensing and Communication通感一体化LDPCLow-Density Parity-Check低密度奇偶校验LEOLow Earth Orbit低轨道MACMediumAccess Control媒体接入控制MBSMulticast and Broadcast Services广播服务MCMulti-Connectivity多连接MEOMedium Earth Orbit中轨道MIMOMultiple Input Multiple Output多输入多输出ML

132、Machine Learning机器学习mMIMOmassive MIMO大规模 MIMOMMSEMinimum Mean Square Error最小均方误差mMTCmassive Machine Type Communication大规模机器类型通信MTCMachine Type Communication机器类型通信MU-MIMOMulti-User MIMO多用户 MIMOMWCMobile World Congress世界移动通信大会NG-RANNext Generation Radio Access Network下一代无线接入网NOMANon-Orthogonal Multipl

133、e Access非正交多址接入NPNNon-Public Network非公用网络NRNew Radio新空口NSANon-StandAlone非独立组网NTNNon-Terrestrial Network非地面网络OFDMOrthogonal Frequency DivisionMultiplexing正交频分复用O-RANOpen Radio Access Network开放无线接入网PCPower Control功率控制PDCPPacket Data Convergence Protocol分组数据汇聚协议PHYPhysical layer物理层PMIPrecoding Matrix I

134、ndicator预编码矩阵指示QoEQuality of Experience体验质量QoSQuality of Service服务质量QUICQuick UDP Internet Connections快速 UDP 网络连接RANRadio Access Network无线接入网RFRadio Frequency射频RIRank Indicator秩指示RICRAN Intelligent Controller无线接入网智能控制器RLCRadio Link Control无线链路控制RRCRadio Resource Control无线资源控制RSMARate-Splitting Multi

135、ple Access速率分裂多址接入RSRPReference Signal Received Power参考信号接收功率47/50RTRay Tracing射线追踪RURadio Unit无线单元SAGINSpace-Air-Ground Integrated Network空天地一体化网络SDSpectrum Division频谱划分SDAPService Data Adaptation Protocol服务数据适配协议SDLSupplementary Downlink补充下行SLAService LevelAgreement服务级别协议SULSupplementary Uplink补充上

136、行SU-MIMOSingle-User MIMO单用户 MIMOSVDSingular Value Decomposition奇异值分解TDDTime Division Duplex时分双工UAVUnmanned Aerial Vehicle无人机UEUser Equipment用户设备UL-BSUplink Base Station上行基站UPUser Plane用户平面uRLLCultra-Reliable Low LatencyCommunication超可靠低时延通信USRPUniversal Software Radio Peripheral通用软件无线电外设VAEVariation

137、alAutoencoder变分自编码器VQVAEVector Quantized VariationalAutoencoder向量量化变分自编码器VRVirtual Reality虚拟现实XRExtended Reality扩展现实48/50参考文献参考文献1G.L.Stuber,J.R.Barry,S.W.McLaughlin,Ye Li,M.A.Ingram and T.G.Pratt,Broadband MIMO-OFDMwireless communications,Proceedings of the IEEE,vol.92,no.2,pp.271-294,Feb.2004.2L.L

138、u,G.Y.Li,A.L.Swindlehurst,A.Ashikhmin and R.Zhang,An Overview of Massive MIMO:Benefitsand Challenges,IEEE Journal of Selected Topics in Signal Processing,vol.8,no.5,pp.742-758,Oct.2014.3V.Bioglio,C.Condo and I.Land,Design of Polar Codes in 5G New Radio,IEEE Communications Surveys&Tutorials,vol.23,no

139、.1,pp.29-40,1st Quart.,2021.4G.Yuan,X.Zhang,W.Wang and Y.Yang,Carrier Aggregation for LTE-Advanced Mobile CommunicationSystems,IEEE Communications Magazine,vol.48,no.2,pp.88-93,Feb.2010.53GPP,Coordinated multi-point operation for LTE physical layer aspects(Release 11),TR 36.219 V11.2.0,2013.63GPP,Mu

140、lti-connectivity;Overall-Description;Stage2(Release18),TS 37.340 V18.4.0,2024.7A.Checko et al.,Cloud RAN for Mobile NetworksA Technology Overview,IEEE CommunicationsSurveys&Tutorials,vol.17,no.1,pp.405-426,1st Quart.,2015.8Y.Xu,G.Gui,H.Gacanin and F.Adachi,A Survey on Resource Allocation for 5G Hete

141、rogeneous Networks:Current Research,Future Trends,and Challenges,IEEE Communications Surveys&Tutorials,vol.23,no.2,pp.668-695,2nd Quart.,2021.9H.Q.Ngo,A.Ashikhmin,H.Yang,E.G.Larsson and T.L.Marzetta,Cell-Free Massive MIMO VersusSmall Cells,IEEE Transactions on Wireless Communications,vol.16,no.3,pp.

142、1834-1850,Mar.2017.10 M.Polese,L.Bonati,S.DOro,S.Basagni and T.Melodia,Understanding O-RAN:Architecture,Interfaces,Algorithms,Security,and Research Challenges,IEEE Communications Surveys&Tutorials,vol.25,no.2,pp.1376-1411,2nd Quart.,2023.11 Q.Yu et al.,A Fully-Decoupled RAN Architecture for 6G Inspi

143、red by Neurotransmission,Journal ofCommunications and Information Networks,vol.4,no.4,pp.15-23,Dec.2019.12 J.Chen,X.Liang,J.Xue,Y.Sun,H.Zhou and X.Shen,Evolution of RAN Architectures Toward 6G:Motivation,Development,and Enabling Technologies,IEEE Communications Surveys&Tutorials,vol.26,no.3,pp.1950-

144、1988,3rd Quart.,2024.13 N.A.Khan and S.Schmid,AI-RAN in 6G Networks:State-of-the-Art and Challenges,IEEE Open Journalof the Communications Society,vol.5,pp.294-311,Dec.2024.14 AI RAN Alliance,Integrating AI/ML in Open-RAN:Overcoming Challenges and Seizing Opportunities,2024.15 J.Zhao et al.,Fully-De

145、coupled Radio Access Networks:A Resilient Uplink Base Stations CooperativeReception Framework,IEEE Transactions on Wireless Communications,vol.22,no.8,pp.5096-5110,Aug.2023.16 K.Yu et al.,Fully-Decoupled Radio Access Networks:A Flexible Downlink Multi-Connectivity andDynamic Resource Cooperation Fra

146、mework,IEEE Transactions on Wireless Communications,vol.22,no.6,pp.4202-4214,Jun.2023.17 Y.Xu,B.Qian,K.Yu,T.Ma,L.Zhao and H.Zhou,Federated Learning Over Fully-Decoupled RANArchitecture for Two-Tier ComputingAcceleration,IEEE Journal on Selected Areas in Communications,vol.41,no.3,pp.789-801,Mar.2023

147、.18 3GPP,“Evolved Universal Terrestrial Radio Access(E-UTRA);Physical layer procedures(Release 16),”3GPPTS 36.213 V16.2.0,2022.49/5019 Z.Liu et al.,“Leveraging Self-Supervised Learning for MIMO-OFDM Channel Representation andGeneration,”2024,arXiv:2407.07702.20 J.Liu,J.Chen,Z.Liu and H.Zhou,Enabling

148、 Feedback-Free MIMO Transmission for FD-RAN:AData-drivenApproach,IEEE Transactions on Mobile Computing,vol.24,no.3,pp.2437-2454,Mar.2025.21 Y.Xu et al.,“Fully-decoupled RAN for Feedback-Free Multiple Base Stations Transceiver in MIMO-OFDMSystem,”IEEE Journal on Selected Areas in Communications,vol.4

149、3,no.3,pp.780-794,Mar.2025.22 J.Wang et al.,Generative AI for Integrated Sensing and Communication:Insights From the Physical LayerPerspective,IEEE Wireless Communications,vol.31,no.5,pp.246-255,Oct.2024.23 X.Huang,H.Yang,C.Zhou,M.He,X.Shen and W.Zhuang,When Digital Twin Meets Generative AI:Intellig

150、ent Closed-Loop Network Management,IEEE Network,early access,Dec.30,2024.24 B.Qian et al.,Enabling Fully-Decoupled Radio Access with Elastic Resource Allocation,IEEETransactions on Cognitive Communications and Networking,vol.9,no.4,pp.1025-1040,Aug.2023.25 T.Zhang et al.,Toward Handover-Free Mobilit

151、y Management in FD-RAN:Architecture,Challenges,andSolutions,IEEE Network,vol.38,no.6,pp.433-442,Nov.2024.26 J.Liu,J.Chen,C.He and H.Zhou,Leveraging Load-Aware Dynamic Pricing for Cell-LevelDemand-Supply Equilibrium,IEEE Transactions on Vehicular Technology,vol.72,no.5,pp.6902-6906,May 2023.27 J.Zhao

152、,J.Chen,B.Cheng,B.Qian,Y.Xu and H.Zhou,Cost-Effective Deployment for Fully-DecoupledRAN:A Techno-Economic Approach,IEEE Transactions on Vehicular Technology,vol.73,no.11,pp.17007-17023,Nov.2024.28 F.Liu et al.,Integrated Sensing and Communications:Toward Dual-Functional Wireless Networks for 6Gand B

153、eyond,IEEE Journal on SelectedAreas in Communications,vol.40,no.6,pp.1728-1767,Jun.2022.29 B.Qian,J.Chen,Y.Xu,Z.Sun,H.Zhou,and Y.Ji,Learning-Oriented Feedback-Free Transmission andResource Management in Space-Air-Ground Integrated FD-RAN,IEEE International Conference onCommunications(ICC),Montreal,C

154、anada,2025.30 M.Xu et al.,Unleashing the Power of Edge-Cloud Generative AI in Mobile Networks:A Survey of AIGCServices,IEEE Communications Surveys&Tutorials,vol.26,no.2,pp.1127-1170,2nd Quart.,2024.31 X.You et al.,Towards 6G Wireless Communication Networks:Vision,Enabling Technologies,and NewParadig

155、m Shifts,Science China information sciences,vol.64,pp.1-74,Jan.2021.32 X.Liao,C.Xu,and H.Ye,Benefits and Challenges of Constructing Low-Altitude Air Route NetworkInfrastructure for Developing Low-Altitude Economy,Bulletin of Chinese Academy of Sciences(ChineseVersion),vol.39,no.11,pp.1966-1981,Nov.2

156、024.33 C.DAndrea,A.Garcia-Rodriguez,G.Geraci,L.G.Giordano and S.Buzzi,Analysis of UAVCommunications in Cell-Free Massive MIMO Systems,IEEE Open Journal of the Communications Society,vol.1,pp.133-147,Jan.2020.50/50致致 谢谢诚挚感谢如下单位及人员对本白皮书做出的贡献：主编：主编：周海波南京大学陈嘉成鹏城实验室于全鹏城实验室中国工程院院士章节编委：章节编委：许云霆新加坡南洋理工大学钱博日本国立情報学研究所赵纪伟浙江大学柳景博上海交通大学孙泽宇南京大学王宁东南大学主要贡献作者（按姓名首字母排序）：主要贡献作者（按姓名首字母排序）：程博中国联通有限公司广东分公司杜泓阳香港大学李俊伶东南大学康嘉文广东工业大学刘宗熙南京大学彭海霞西安交通大学石宇航南京大学孙宇南京大学吴稳鹏城实验室吴远澳门大学余凯南京大学张天祺南京大学张子达南京大学赵纯熙联通中讯院