无线宽带网络技术-移动宽带多媒体网络4g技术

6G技术趋势——无线和网络

导读

中国移动研究院发表了《2030+技术趋势白皮书》，6G将在智享生活、智赋生产和智焕社会三个方面催生全新的应用场景，这些场景需要太比特级的峰值速度、亚毫秒级的时延体验以及内生安全等新的网络能力提供支撑，6G空口技术和架构均需要相应的变革。

白皮书对无线网络的未来技术发展趋势进行了预测和讨论，分别从未来技术发展趋势、无线使能技术和网络使能技术三个方面具体展开探讨。

一、未来技术发展趋势

1.

全频谱通信

随着通信需求的不断提高，移动通信网络需要更多的频谱，由于6GHz以下的频谱已经分配殆尽，26GHz、39GHz的毫米波频段也已经分配给5G使用，需要研究更高频段，如太赫兹和可见光频段，以满足更高容量和超高体验速率的需求。

图1 频率分布

可见光和太赫兹的空间传输损耗都很大，因此更适合于在局域和短距离场景中提供大容量和高速率传输。

为了提升覆盖范围，可利用可见光通信低功耗、低成本和易部署的特点，并与照明功能结合，采用超密集部署以实现更广泛的覆盖；利用太赫兹通信波长短、天线阵子尺寸小并且发送功率低的特点，与超大规模天线结合使用，形成宽度更窄，方向性更好的太赫兹波束，有效地抑制干扰，提高覆盖距离。

2.

空天地一体

未来的主要形式是将网络覆盖范围拓展到太空、深山、深海和陆地等自然空间的立体覆盖网络，因此需要构建空天地一体化网络，实现通信网络全球全域的三维立体“泛在覆盖”。

空天地一体化网络，主要包括不同轨道卫星构成的天基、各种空中飞行器构成的空基以及卫星地面站和传统地面网络构成的地基三部分，具有覆盖范围广、可灵活部署、超低功耗、超高精度和不易受地面灾害影响等特点。

图2 空天地一体化网络

3.

DOICT融合

6G是通信技术、信息技术、大数据技术、人工智能技术、控制技术深度融合的新一代移动通信系统，呈现出极强的跨学科和跨领域发展特征。

DOICT融合将是6G端到端信息处理和服务架构的发展趋势，能够推动人工智能和确定性网络的发展，是智能网络和自动化系统的基础。

4.

网络可重构

未来6G网络将采用更加灵活的可重构架构。

一方面基于共享的硬件资源，网络为不同用户的不同业务分配相应的网络和空口资源，实现端到端的按需服务。

在提供极致服务的同时，能够通过资源共享，实现最大化资源利用率，降低网络建设成本。

另一方面，极简的网络架构和灵活可扩展的网络特性为后续网络的维护、升级及优化提供极大的便利，进一步降低运营商网络运营成本。

5.

感知-通信-计算一体化

感知-通信-计算一体化是指在信息传递过程中无线宽带网络技术，信息采集与计算同步执行的端到端信息处理技术框架，能够打破首先终端进行信息采集，随后网络进行信息传递，继而云端进行计算的烟囱式信息服务框架，一体化框架是满足无人化、浸入式和数字孪生等感知、通信和计算高度耦合业务的技术需求。

图3 感知-通信-计算一体化的应用场景

二、无线使能技术

01

分布式超大规模多输入多输出

（Multiple-Input Multiple-Output，MIMO）

分布式超大规模MIMO将传统的集中部署拓展至分布式部署，并在多个分布式节点之间引入智能协作，实现资源联合调度和数据联合发送。

通过分布式部署和智能协作，一方面能有效消除干扰，增强信号接收质量；另一方面可以有效增强覆盖，为用户带来无边界性能体验。

在未来6G网络，尤其是在更高频段和密集部署场景中，分布式超大规模MIMO将呈现出极大应用潜力[1]。

图4 分布式大规模MIMO示意图

02

智能超表面

(Reconfigurable Intelligent Surface，RIS)

RIS通过表面上的结构单元对电磁波进行控制，通过对每个结构单元的参数和位置进行调整，实现对任意的电磁波反射/透射幅度和相位分布的调整。

在解决非视距传输以及覆盖空洞等传统无线通信痛点问题方面具有积极意义。

图5 RIS辅助通信系统

03

超奈奎斯特传输技术

在传统通信系统中，为了避免符号间干扰（ISI，Inter-Symbol Interference)无线宽带网络技术，通常采用奈奎斯特准则，限制了发送的码元速率。

超奈奎斯特传输技术采用更快的速率发送码元，在传输时人为引入ISI，再通过接收端过采样，利用更高级的接收机消除ISI，从而提升链路实际传输速率和频谱利用率[2]。

04

变换域波形

波形技术在历代无线通信系统的空中接口设计中都占有举足轻重的地位。

传统波形方案认为发送符号位于经典的时频域，而变换域波形认为发送符号位于其他对偶域（如时延-频率、时变-多普勒等对偶域）。

通过对偶域间的变换，变换域符号可以达到一种多维分集的效果，从而将正交频分复用波形中的多普勒频偏等不利因素作为一种分集自由度有效利用起来提升传输性能。

05

AI驱动的物理链路

自5G通信起，无线网络的智能化成为一个重要课题，旨在实现对网络资源更加高效的分配与利用。AI在物理层主要可以应用于信道状态信息（Channel State Information，CSI）处理、接收机设计以及端到端链路设计等方面[3]。

例如，利用深度学习中的神经网络来学习无线通信中高维CSI的压缩表示，从而降低CSI反馈开销[3]；利用人工神经网络学习从接收到的干扰信号到原始信号的逆映射，可以不需要显式的信道估计与均衡[4]。

06

即插即用链路控制

6G无线接入网需要具备覆盖自动扩展能力，以更好的完成立体全场景的覆盖，当新的网络服务体加入网络时，能够快速握手，即插即用，实现覆盖扩展。

即插即用链路控制技术包括流程感知、云对边的控制协调和接入点的自生成自优化。特别地，云和边之间需要高速高效的传输通道以及大带宽来确保即插即用接口间的信息实时交互，同时还需要强大的数字孪生和AI算法支撑完成对远端接入点的自动管控。

07

自适应空口的QoS控制

6G时代将是高度数据化和智能化的时代，全息影像、XR业务和虚拟空间感知与交互等新业务都对6G网络的业务质量保障提出了更多的极致要求。

自适应空口的QoS控制是基于端到端QoS约束，根据空口传输特征、空口资源和发送-反馈的时间约束等情况，实现空口传输数据的QoS保障，是按需提供空口服务和高效网络能力关键技术。

自适应空口的QoS控制主要包括灵活的QoS探测机制、业务QoS和空口能力的深度融合以及接入层端到端的QoS机制。

三、网络使能计划

1.轻量化信令方案

按照已有网络发展趋势，支撑万物互联的6G网络的复杂度将呈几何级增长。

轻量化的信令方案是6G设计的必然选择。6G的无线接入网需要按照统一的信令方案进行设计，在统一信令控制下融合多种空口接入技术，实现空口的统一控制，降低终端接入网络的复杂度。

2.端到端的服务化设计

随着DOICT技术的深度融合以及大量新型业务的涌现，运营商需要网络具有敏捷响应新需求的能力，以快速提供网络服务。

基于云原生的服务化技术是使能上述能力的重要技术，驱动协议功能向服务化架构演进。

基于服务化架构的协议功能具有按照业务需求运行协议功能的能力，技术特征体现在云原生服务化技术驱动的协议功能、云原生服务化技术驱动的接口和云原生服务化技术驱动的能力开放三个方面。

3.智慧感知功能

为了实现业务传输能力和网络能力的实时精准匹配，需要引入端到端网络各协议层的高精度实时测量和反馈，使能协同优化[5]，并在网络端引入智能处理功能。

包括智能化估计和预测，一方面对测量和交互数据进行预处理，实现降维和压缩，另一方面根据应用层和业务传输层的需求进行订阅和通知，降低对网络传输的开销。

4.基于数字孪生的网络自治体系

数字孪生技术是指通过数字化手段将物理世界实体在数字世界建立一个虚拟实体，借此实现对物理世界实体的动态观察、分析、仿真、控制与优化。

数字孪生技术包括功能建模、网元建模、网络建模、网络仿真、参数与性能模型、自动化测试、数据采集、大数据处理、数据分析、人工智能机器学习和故障预测等。

自优化网络通过对未来网络状态的走势进行提前预测，能够对可能发生的性能劣化进行提前干预。

通过数字域持续地对物理网络的最优状态进行寻优和仿真验证，可以提前下发对应的运维操作并自动地对物理网络进行校正。

自演进网络基于人工智能对网络功能的演化路径进行分析和决策，包括既有网络功能的优化增强和新功能的设计、实现、验证和实施。

5.确定性数据传输

确定性数据传输将成为6G网络的代表能力，具有有界时延、低抖动、高可靠性和高精度的时间同步等特性。

需要攻克无线空口灵活的资源预留和实时调度、广域的确定性传输机制和跨层、跨域的确定性机制融合等一系列难点。

6.可编程网络

6G网络需要支持网络可编程能力，实现接入、边缘、核心、广域和数据五网协同，从而使电信网络具备跨多业务、多领域和全生命周期的全场景可定制能力。

网络可编程能力体现在很多的层次上，从下往上依次为芯片可编程、FIB可编程、RIB可编程、设备操作系统可编程、设备配置可编程、控制器可编程和业务可编程。

参考文献

[1] J. Zhang, S. Chen, Y. Lin, et al., "Cell-Free massive MIMO: A new next generation paradigm," in IEE Access, vol. 7, pp.99878-99888, 2019.

[2] R. Hadani et al., "Orthogonal time frequency apace modulation," in Proc. IEEE Wireless Communications and Networking Conference(WCNC), San Francisco, CA, pp. 1-6. 2017.

[3] C. Wen, W. Shih, and S. Jin, "Deep learning for massive MIMO CSI feedback," IEEE Wireless Commun. Lett, vol. 7, no. 5, pp.748-751, Oct. 2018.

[4] H. Ye, G. Y. Li, and B. Juang, "Power of deep learning for channel estimation and signal detection in OFDM systems," IEEE Wireless Commun. Lett., vol. 7, no.1, pp. 114-117, Feb. 2018

[5]Y. Zhang, G. Li, C. Xiong, et al., "MoWIE: Toward systematic, adaptive network information exposure as an enabling technique for cloud-based applications over 5G and beyond," SIGCOMM '20: Amnual conference of the ACM Special Interest Group on Data Communication on the applications. technologies, architectures, and protocols for computer communication.ACM.

END

6G技术公众号 原创出品