3GPP 無線電接取網路人工智慧/機器學習標準化

風清揚

更新於 2024/12/08發佈於 2024/12/08閱讀時間約 8 分鐘

本文簡介 3GPP 在 Release 18 與 Release 19中引入人工智慧/機器學習（AI/ML）功能到無線電介面、無線電接取網路和核心網路的標準化工作。

Release 18 中的 AI/ML

空中介面的 AI/ML

3GPP RAN1 工作組在 Release 18 中研究空中介面的 AI/ML 。

功能框架

研究的結果之一是 NR 空中介面的 AI/ML 功能框架。該框架包括資料收集、模型訓練、管理、推論和模型儲存功能。

資料收集功能為模型訓練、管理和推論功能提供輸入資料。
模型訓練功能執行 AI/ML 模型訓練、驗證和測試。
管理功能監督 AI/ML 模型或功能的操作和監控。
推論功能提供 AI/ML 模型或功能應用過程的輸出。
模型儲存功能負責儲存已訓練/更新的模型。

使用案例

3GPP RAN1 工作組考慮了三個使用案例：

通道狀態資訊（CSI）回饋增強
1. 對於 CSI 回饋增強，研究了使用雙邊 AI 模型進行空間頻率域 CSI 壓縮的代表性子使用案例。模擬結果顯示，CSI 回饋開銷減少了 8-79%，同時用戶吞吐量增加了 0-17%。
波束管理
1. 對於波束管理，研究了空間域和時間域的最佳 K 波束預測。模擬結果顯示：
- 當集合 B 是集合 A 的子集時：
- - 最佳波束預測準確率為 60-90%最佳兩個波束預測準確率為 80-90%最佳 K=3,4,... 波束預測準確率超過 95%
- 當集合 A 和集合 B 不同時：
- - 最佳波束預測準確率為 55-80%最佳三個波束預測準確率超過 84%
定位精度增強
1. 對於定位精度增強，AI/ML 基礎定位可在 CDF=90% 時達到優於 1 米的水平定位精度，相比之下，在考慮的模擬場景中（例如，嚴重非視線條件下），傳統定位方法的精度劣於 15 米。

NG-RAN 的 AI/ML

3GPP RAN3 工作組在 Release 18 中基於 Release 17 的研究進行了 NG-RAN AI/ML 的標準制定工作。

使用案例

3GPP RAN3 工作組考慮了三個使用案例：

網路節能
1. 對於網路節能使用案例，目前只考慮了高層次方法，如Cell啟動/停用。引入了「能源成本」這一新指標來表示節點（例如 gNB）的能源效率。
負載平衡
1. 對於負載平衡使用案例，標準化了 gNB 之間通過 Xn 介面交換負載預測。還討論了實現Cell間智慧負載平衡/流量分配的各種方法。
移動性最佳化
1. 對於移動性最佳化使用案例，標準化了 UE 軌跡預測，包括在切換請求訊息中通過 Xn 介面從源 gNB 向目標 gNB 發送 UE 軌跡預測。還討論了進行智慧切換（HO）決策的不同方法，目標是避免 UE 移動期間的意外事件。

功能框架

3GPP RAN3 工作組開發了 RAN 智慧功能框架。該框架包括資料收集、模型訓練、模型推論和執行器功能。

資料收集功能為模型訓練和模型推論功能提供輸入資料。
模型訓練功能執行 AI/ML 模型訓練、驗證和測試。
模型推論功能提供 AI/ML 模型推論輸出。
執行器功能接收模型推論功能的輸出並觸發或執行相應的動作。

Xn 介面的影響

在 Release 18 期間，3GPP RAN3 工作組的標準化主要集中在 Xn 介面上。新增了 AI/ML 相關資料收集的程序到 Xn 介面規範中。這個程序可用於 gNB 之間交換預測，例如預測的無線電資源狀態和預測的活躍 UE 數量。此外，切換程序也進行了更新，現在可以在切換請求訊息中從源 gNB 向目標 gNB 發送預測的 UE 軌跡。

Release 19 中的 AI/ML

NR 移動性的 AI/ML

3GPP RAN2 工作組在 Release 19 中對 NR 移動性的 AI/ML 進行了研究。研究涵蓋了三個主題：

基於過去測量的未來測量預測
1. 測量預測包括基於小區級和波束級過去測量的小區級預測。這個主題還考慮了同頻和異頻測量預測。目標是預測 UE 第 3 層（L3）移動性的測量（用於常規切換）。這也可能減少測量開銷和 UE 測量的功耗。
無線電鏈路故障（RLF）和切換失敗（HOF）的預測
1. RLF 和 HOF 預測的目標是減少 RLF 和 HOF 的概率。
測量事件的預測
1. 測量事件預測可能實現主動切換準備和執行，以減少 HOF 的概率。這也可能減少測量開銷和 UE 測量的功耗。

NG-RAN 的 AI/ML

在 Release 19 中，3GPP RAN3 工作組繼續進行 NG-RAN 的 AI/ML 工作。計劃包括為期六個月的研究，隨後在 Release 19 中進行標準制定工作。目標是考慮新的使用案例並擴展 Release 18 中考慮的使用案例範圍。

新使用案例

Release 19 中的第一個新使用案例是網路切片，包括：

基於 AI/ML 的切片資源分配
切片相關參數預測
動態切片部署
自動化切片管理

Release 19 中的第二個新使用案例是覆蓋和容量最佳化（CCO），包括：

小區容量和覆蓋問題預測
NG RAN 節點之間的 CCO 策略交換
基於 AI/ML 建構Cell

Release 18 使用案例的擴展

對 Release 18 使用案例的擴展包括：

NR 雙連接（NR-DC）的移動性最佳化
分離架構支援（例如，F1 介面的 AI/ML 增強）
節能（例如，能源成本預測增強）
持續最小化路測（MDT）增強，用於跨 UE RRC 連接、非活躍和空閒狀態的 UE 回饋收集
跨多個 gNB 的多UE 軌跡預測和回饋收集

結論

從 Release 18 開始，AI/ML 功能的引入已成為 3GPP 標準化中最重要的主題之一。隨著 3GPP 標準化逐漸從 5G Advanced 向 6G 過渡，Release 20 已有多個 6G 研究項目，我們可以預期 AI/ML 和 6G 技術的進一步整合。這將從環境友善和能源效率部署、降低營運成本、提高用戶滿意度和豐富用戶體驗的角度進一步改善 6G 技術。

參考文獻

3GPP TR 38.843 Study on Artificial Intelligence (AI)/Machine Learning (ML) for NR air interface
3GPP TR 37.817 Study on enhancement for Data Collection for NR and EN-DC
3GPP TS 38.423 Xn Application Protocol (XnAP) (Release 18)
3GPP TS 38.331 Radio Resource Control (RRC) protocol specification