知識(shí)+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)：未來(lái)網(wǎng)絡(luò)智能的基礎(chǔ)

（中國(guó)科學(xué)技術(shù)大學(xué)，中國(guó) 合肥 230027）

1 未來(lái)網(wǎng)絡(luò)面臨的挑戰(zhàn)

對(duì)未來(lái)無(wú)線通信網(wǎng)絡(luò)（B5G和6G）所面臨的挑戰(zhàn)，已經(jīng)有較多研究者從不同角度進(jìn)行了研究。本文中，我們就未來(lái)無(wú)線網(wǎng)絡(luò)智能管控所面臨的重大技術(shù)課題進(jìn)行討論，研究值得特別關(guān)注的核心和基礎(chǔ)，提出知識(shí)+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)模型作為解決之道。

1.1 未來(lái)網(wǎng)絡(luò)智能3大核心

未來(lái)網(wǎng)絡(luò)（B5G和6G）是在現(xiàn)有網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展起來(lái)的。它既要包容既有網(wǎng)絡(luò)和技術(shù)，比如4G、5G、物聯(lián)網(wǎng)（IoT）及各種專用網(wǎng)，又要引入和構(gòu)建新的6G網(wǎng)絡(luò)，這使未來(lái)網(wǎng)絡(luò)體系變得極為繁雜。此外，各種新型業(yè)務(wù)和服務(wù)層出不窮，與普遍應(yīng)用的軟件定義網(wǎng)絡(luò)交叉疊加，使得人們不得不尋求未來(lái)網(wǎng)絡(luò)管控的技術(shù)基礎(chǔ)和實(shí)現(xiàn)方法。由于需要訴求、網(wǎng)絡(luò)變量和資源開銷都比較多，如果沒有新技術(shù)基礎(chǔ)和新技術(shù)方法，這個(gè)課題的發(fā)展會(huì)相當(dāng)艱難。

因此，未來(lái)智能網(wǎng)絡(luò)必須具有極其簡(jiǎn)單的網(wǎng)絡(luò)架構(gòu)，把過(guò)去、現(xiàn)在和未來(lái)的可能手段都統(tǒng)合起來(lái)，充分利用智能學(xué)習(xí)方法實(shí)現(xiàn)各種資源的最優(yōu)化利用。

未來(lái)網(wǎng)絡(luò)智能將會(huì)有3大核心：智能管控的極其簡(jiǎn)潔的網(wǎng)絡(luò)架構(gòu)、知識(shí)+數(shù)據(jù)雙驅(qū)動(dòng)的學(xué)習(xí)機(jī)制、全場(chǎng)景全業(yè)務(wù)動(dòng)態(tài)聯(lián)合優(yōu)化。其中，“管控”是目標(biāo)，“學(xué)習(xí)”是基礎(chǔ)，“優(yōu)化”是方向，這3點(diǎn)在未來(lái)網(wǎng)絡(luò)智能中缺一不可。

1.2 未來(lái)網(wǎng)絡(luò)智能的3大能力

1）全場(chǎng)景管控。面對(duì)地面覆蓋、空中覆蓋、天體覆蓋以及微覆蓋和點(diǎn)覆蓋的全場(chǎng)景應(yīng)用，未來(lái)網(wǎng)絡(luò)的管控能力要能夠有效實(shí)施、綜合利用?，F(xiàn)在地面網(wǎng)絡(luò)5G、4G、IoT、WiFi和個(gè)人網(wǎng)等統(tǒng)合起來(lái)的超密集網(wǎng)絡(luò)，要做到優(yōu)化管控已經(jīng)十分艱難。在未來(lái)，如果沒有強(qiáng)大穩(wěn)健的學(xué)習(xí)能力，地面與空中切換、地面與衛(wèi)星交互是無(wú)法智能管控的。

2）全知識(shí)學(xué)習(xí)。作為未來(lái)網(wǎng)絡(luò)智能管控的基礎(chǔ)手段，全知識(shí)學(xué)習(xí)會(huì)利用直接和間接的各種知識(shí)，在大數(shù)據(jù)配合下自主、獨(dú)立、透明地學(xué)習(xí)。全知識(shí)包括用戶傳輸需求、用戶屬性、網(wǎng)絡(luò)參數(shù)、資源開銷等。用戶傳輸需求可能比較簡(jiǎn)單，但伴隨的用戶屬性可能相當(dāng)多樣。在未來(lái)，這些知識(shí)的利用可能是實(shí)現(xiàn)期望目標(biāo)的重要因素。

1.3 未來(lái)網(wǎng)絡(luò)的智能學(xué)習(xí)

智能學(xué)習(xí)，通常是指機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)，甚至是這些學(xué)習(xí)的結(jié)合，它是數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)類別。在輸入對(duì)象和輸出對(duì)象一致的情況下（如新媒體學(xué)習(xí)），這類學(xué)習(xí)大多十分有效，能夠提高辨識(shí)能力。這類學(xué)習(xí)可被稱為信號(hào)處理型學(xué)習(xí)。

2017年一篇《模型驅(qū)動(dòng)的深度學(xué)習(xí)》論文，開啟了模型+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)模型的研究和應(yīng)用。2018年用于多輸入多輸出（MIMO）檢測(cè)的模型驅(qū)動(dòng)深度學(xué)習(xí)網(wǎng)絡(luò)、2019年用于波分多址的模型驅(qū)動(dòng)深度學(xué)習(xí)方法以及后用于物理層傳輸?shù)哪Ｐ万?qū)動(dòng)深度學(xué)習(xí)方法等，都是該領(lǐng)域典型的進(jìn)展。由于輸入與輸出的對(duì)象基本上相同，這些研究進(jìn)展可以歸并為信號(hào)處理類型學(xué)習(xí)，并且這些進(jìn)展的研究重點(diǎn)主要在提高判決能力上。

對(duì)于未來(lái)網(wǎng)絡(luò)的智能管控，我們要把各種知識(shí)和參數(shù)的相互關(guān)系和聯(lián)動(dòng)看成一個(gè)學(xué)習(xí)整體。通常，輸入的是用戶需求和用戶屬性，輸出的是優(yōu)化的網(wǎng)絡(luò)參數(shù)和必須提供的資源開銷。隨著用戶需求和用戶屬性的增多，智能管控變成一個(gè)極其復(fù)雜的優(yōu)化問(wèn)題。這就要求智能學(xué)習(xí)要有復(fù)雜群體的設(shè)計(jì)能力。為此，我們提出了一種開放、透明、可解釋的深度學(xué)習(xí)方法，即知識(shí)+數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)方法[1]，這種方法可以把知識(shí)驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)有機(jī)結(jié)合起來(lái)，能夠融合無(wú)線知識(shí)的有效性和數(shù)據(jù)的動(dòng)態(tài)實(shí)時(shí)性。

2 知識(shí)+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)模型

知識(shí)+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)模型，集中體現(xiàn)了無(wú)線通信網(wǎng)絡(luò)智能化的知識(shí)+數(shù)據(jù)雙驅(qū)動(dòng)的學(xué)習(xí)架構(gòu)、知識(shí)和數(shù)據(jù)分別學(xué)習(xí)和訓(xùn)練的數(shù)學(xué)表達(dá)、統(tǒng)一的學(xué)習(xí)輸出和損失率反向傳播判決。

知識(shí)+數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)模型，首先涉及的是知識(shí)的范圍和表達(dá)，隨后是知識(shí)驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)在各層的分與合以及它們透明的可解釋性，最后是反向傳播損失率判決和反饋實(shí)施。學(xué)習(xí)模型把這些綜合起來(lái)，就形成了一種依據(jù)用戶業(yè)務(wù)需求、充分利用用戶屬性和無(wú)線大數(shù)據(jù)、自動(dòng)學(xué)習(xí)知識(shí)變量取值和使用最小資源開銷、實(shí)現(xiàn)最佳通信的能力。

2.1 全知識(shí)的學(xué)習(xí)范疇和表征

無(wú)線通信和網(wǎng)絡(luò)的全知識(shí)分為3個(gè)范疇：用戶面知識(shí)、網(wǎng)絡(luò)面知識(shí)、服務(wù)面知識(shí)。每個(gè)面有各自的知識(shí)變量和公式表達(dá)。

1）用戶面知識(shí)。用戶面知識(shí)最直接的是用戶和用戶傳輸需求。單位面積用戶數(shù)高達(dá)上千萬(wàn)、帶寬從吉比特每秒變?yōu)榈教忍孛棵雽⑹浅B(tài)。這是從1G到5G一直面臨的要求，到B5G和6G，甚至以后，也不會(huì)例外。用戶屬性是用戶面知識(shí)的一個(gè)重要方面，也是未來(lái)必須引入和應(yīng)用的。用戶屬性具有知識(shí)性，相互關(guān)聯(lián)而又隨機(jī)不同的[2]。隨著通信從服務(wù)“人”走向服務(wù)“物”、再走向服務(wù)“虛擬對(duì)象”，針對(duì)用戶和用戶傳輸需求，需要尋找它們附帶的不同用戶屬性，以便精準(zhǔn)估計(jì)用戶意圖，實(shí)現(xiàn)準(zhǔn)確送達(dá)。當(dāng)然，除用戶和用戶傳輸需求之外，用戶的屬性還包括用戶移動(dòng)速度、用戶數(shù)據(jù)時(shí)延要求、用戶所在位置等。這些用戶屬性都可以用數(shù)學(xué)量來(lái)表達(dá)，以實(shí)現(xiàn)在智能網(wǎng)絡(luò)中得到最大限度的利用和滿足。

航線的敷設(shè)按照常規(guī)航空攝影要求完成，旁向重疊度30%，航向重疊度60%，在標(biāo)準(zhǔn)范圍內(nèi)。像片連接點(diǎn)經(jīng)影像量測(cè)程序做自動(dòng)轉(zhuǎn)點(diǎn)，地面控制點(diǎn)上以航空攝影測(cè)量規(guī)范作影像上的人工預(yù)讀，實(shí)現(xiàn)像平面坐標(biāo)的立體觀測(cè)，經(jīng)檢測(cè)發(fā)現(xiàn)，像點(diǎn)坐標(biāo)測(cè)量精度在±2.0m內(nèi)。

2）網(wǎng)絡(luò)面知識(shí)。網(wǎng)絡(luò)面知識(shí)包括無(wú)線傳輸、無(wú)線接入、網(wǎng)絡(luò)配置、定點(diǎn)送達(dá)等。網(wǎng)絡(luò)面知識(shí)涉及的網(wǎng)絡(luò)類型問(wèn)題有：是4G、5G，還是6G?是IoT、WiFi，還是picocell?網(wǎng)絡(luò)面知識(shí)還涉及傳輸與網(wǎng)絡(luò)參數(shù)問(wèn)題：是正交準(zhǔn)正交傳輸，還是干擾對(duì)消或?qū)R傳輸？是大區(qū)無(wú)縫覆蓋，還是密集熱點(diǎn)覆蓋？是MIMO天線，還是超表面多天線？這些知識(shí)可用數(shù)學(xué)符號(hào)來(lái)表達(dá)。有些已經(jīng)被證明有效可靠的數(shù)學(xué)公式，可作為智能構(gòu)建復(fù)雜網(wǎng)絡(luò)和提高管控能力的知識(shí)對(duì)象[3]。

3）服務(wù)面知識(shí)。服務(wù)面知識(shí)主要是指完成給定服務(wù)所需的資源開銷，如頻譜頻段和帶寬、峰值功率和平均功率、算力開銷和緩存大小、人力開銷和經(jīng)濟(jì)成本等。這些知識(shí)是實(shí)現(xiàn)未來(lái)網(wǎng)絡(luò)智能優(yōu)化管控所必須承受的開銷，我們應(yīng)盡量使之最小化。

2.2 知識(shí)驅(qū)動(dòng)+數(shù)據(jù)驅(qū)動(dòng)的雙重結(jié)構(gòu)

知識(shí)+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)模型，由數(shù)據(jù)驅(qū)動(dòng)的深層學(xué)習(xí)架構(gòu)和知識(shí)驅(qū)動(dòng)的逐層優(yōu)化過(guò)程組成，按數(shù)據(jù)驅(qū)動(dòng)和知識(shí)驅(qū)動(dòng)同時(shí)推進(jìn)和彼此交互來(lái)完成。

數(shù)據(jù)驅(qū)動(dòng)的深層學(xué)習(xí)，同標(biāo)準(zhǔn)深度學(xué)習(xí)完全一樣，有輸入層、隱含層、輸出層。層間通過(guò)學(xué)習(xí)加權(quán)函數(shù)連接，不同層的節(jié)點(diǎn)有不同層運(yùn)算。數(shù)據(jù)驅(qū)動(dòng)的深層學(xué)習(xí)最后把輸出層給出的損失率作為反向傳播判決變量，做反饋深度學(xué)習(xí)。數(shù)據(jù)驅(qū)動(dòng)的深層學(xué)習(xí)輸入是用戶傳輸需求，可以是用作分析和預(yù)測(cè)的歷史大數(shù)據(jù)，也可以是用作配置和優(yōu)化的動(dòng)態(tài)實(shí)時(shí)用戶大數(shù)據(jù)。

知識(shí)驅(qū)動(dòng)的逐層優(yōu)化，是在數(shù)據(jù)驅(qū)動(dòng)深層學(xué)習(xí)的伴隨和支持下進(jìn)行的。不同層使用不同的知識(shí)變量，這是依據(jù)通信網(wǎng)絡(luò)知識(shí)來(lái)確定的。知識(shí)變量的取值，可從數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)過(guò)程中獲得。當(dāng)然，對(duì)于非隨機(jī)變動(dòng)不可準(zhǔn)確預(yù)測(cè)的情況，知識(shí)變量的取值也可以從已經(jīng)被證明行之有效的公式和運(yùn)算中獲得。

因此，知識(shí)+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)模型，構(gòu)成了知識(shí)驅(qū)動(dòng)+數(shù)據(jù)驅(qū)動(dòng)的雙重體系結(jié)構(gòu)，可以實(shí)現(xiàn)知識(shí)學(xué)習(xí)和數(shù)據(jù)學(xué)習(xí)的交互運(yùn)算、融和運(yùn)行。

2.3 知識(shí)參與的深度學(xué)習(xí)

知識(shí)+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)模型的每一層，都有數(shù)據(jù)輸入和知識(shí)輸入。數(shù)據(jù)輸入輸入的是用戶、用戶傳輸需求，以及用戶的不同屬性。其數(shù)據(jù)值是隨機(jī)、不可當(dāng)即準(zhǔn)確預(yù)測(cè)的。知識(shí)輸入輸入的是選取的知識(shí)變量和數(shù)學(xué)表達(dá)。各層知識(shí)變量的選擇，按用戶屬性、網(wǎng)絡(luò)參數(shù)、資源開銷分層布局。知識(shí)變量的設(shè)置因要解決的問(wèn)題不同而有所區(qū)別，但知識(shí)變量的取值，可從數(shù)據(jù)學(xué)習(xí)或數(shù)據(jù)支持下的運(yùn)算中獲得。通常，這會(huì)有一些約束和規(guī)范。

如前所述，在深度學(xué)習(xí)的前向結(jié)構(gòu)中，各層按數(shù)據(jù)輸入和知識(shí)輸入雙重推進(jìn)。首先，在數(shù)據(jù)輸入時(shí)，通過(guò)對(duì)加權(quán)矩陣元素值的調(diào)整獲得的可信輸入加權(quán)進(jìn)入各層節(jié)點(diǎn)。在前向?qū)W習(xí)中，知識(shí)變量通過(guò)輸入數(shù)據(jù)計(jì)算的關(guān)聯(lián)公式獲得取值。通過(guò)輸入數(shù)據(jù)對(duì)輸入加權(quán)矩陣和知識(shí)變量取值的學(xué)習(xí)，完成由輸入數(shù)據(jù)、加權(quán)矩陣和知識(shí)變量參與的節(jié)點(diǎn)運(yùn)算，隨后輸出本層數(shù)據(jù)和知識(shí)變量。最后，在輸出層輸出學(xué)習(xí)結(jié)果和反向傳播判決損失率，支持反饋學(xué)習(xí)和輸出。

深度學(xué)習(xí)的反向傳播，是指利用輸出層輸出的損失率，相對(duì)于數(shù)據(jù)加權(quán)矩陣和知識(shí)變量作偏微分，獲得加權(quán)矩陣和知識(shí)變量最佳反饋調(diào)整途徑，然后再一次做前向?qū)W習(xí)。據(jù)此，綜合前后各層整體的不斷學(xué)習(xí)，反復(fù)進(jìn)行，直至達(dá)到期望目標(biāo)，實(shí)現(xiàn)復(fù)雜網(wǎng)絡(luò)最佳管控。

2.4 知識(shí)+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)模型是可解釋的

在知識(shí)+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)模型中，各層的輸入是從用戶傳輸需求數(shù)據(jù)開始的。前一層的輸出數(shù)據(jù)送到下一層加權(quán)處理后，被作為節(jié)點(diǎn)輸入數(shù)據(jù)，進(jìn)行逐層計(jì)算，直至輸出。各層的知識(shí)變量是根據(jù)各層學(xué)習(xí)功能和優(yōu)化需要來(lái)明確的，同時(shí)各層彼此不同；但知識(shí)變量的取值，可通過(guò)對(duì)輸入數(shù)據(jù)的有規(guī)則學(xué)習(xí)來(lái)確定。

由此可見，知識(shí)+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)模型的各層功能是清晰的，學(xué)習(xí)過(guò)程是明確的。數(shù)據(jù)學(xué)習(xí)的走向受到知識(shí)變量的約束，知識(shí)變量的取值由輸入數(shù)據(jù)演變而定。每一層在推進(jìn)中將不會(huì)存在人為干預(yù)或人工操控的可能。因此，知識(shí)+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)模型是可解釋、透明的深度學(xué)習(xí)模型。

3 未來(lái)網(wǎng)絡(luò)的智能管控

3.1 未來(lái)智能網(wǎng)絡(luò)的極簡(jiǎn)架構(gòu)

未來(lái)智能網(wǎng)絡(luò)是一種智能化的極簡(jiǎn)網(wǎng)絡(luò)，也是一種分層學(xué)習(xí)架構(gòu)。它包含一個(gè)由終端網(wǎng)絡(luò)、接入網(wǎng)絡(luò)、核心網(wǎng)絡(luò)構(gòu)成的三層基礎(chǔ)架構(gòu)，擁有明確的網(wǎng)間輸入輸出接口、終端用戶需求數(shù)據(jù)輸入和核心網(wǎng)絡(luò)服務(wù)輸出應(yīng)用。這種分層學(xué)習(xí)架構(gòu)，可以被定義為知識(shí)+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)的虛擬體系架構(gòu)。網(wǎng)間接口涉及層間輸入、輸出和加權(quán)矩陣的設(shè)計(jì)，以完成網(wǎng)間交互。面對(duì)用戶需求和用戶屬性，通過(guò)學(xué)習(xí)和聚類，送往上層網(wǎng)絡(luò)，或者駐留本層網(wǎng)絡(luò)，來(lái)完成端到端服務(wù)。

每層網(wǎng)絡(luò)又是相對(duì)獨(dú)立的，可按各層網(wǎng)絡(luò)功能構(gòu)成自己的分層或分塊結(jié)構(gòu)，并等效為另一類知識(shí)+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)模型。根據(jù)用戶提出的傳輸需求和用戶屬性，各層網(wǎng)絡(luò)可以自行優(yōu)化設(shè)計(jì)，實(shí)現(xiàn)本層網(wǎng)絡(luò)連通的低時(shí)延和低功耗的端對(duì)端服務(wù)。

3.2 智能管控的動(dòng)態(tài)聯(lián)合優(yōu)化

面對(duì)各種動(dòng)態(tài)隨機(jī)的用戶需求，未來(lái)網(wǎng)絡(luò)的智能管控能夠?qū)崟r(shí)動(dòng)態(tài)調(diào)整參與服務(wù)的網(wǎng)絡(luò)架構(gòu)和參數(shù)，實(shí)現(xiàn)各層網(wǎng)絡(luò)資源的開銷最小、效益最大。未來(lái)網(wǎng)絡(luò)的智能管控能涉及的關(guān)鍵詞是動(dòng)態(tài)、聯(lián)合、優(yōu)化。

未來(lái)網(wǎng)絡(luò)的智能化是實(shí)現(xiàn)網(wǎng)絡(luò)整體管控的動(dòng)態(tài)聯(lián)合優(yōu)化。知識(shí)+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)模型和運(yùn)行規(guī)范，是未來(lái)網(wǎng)絡(luò)智能的基礎(chǔ)。用知識(shí)+數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)模型作為基礎(chǔ)模塊，在相對(duì)長(zhǎng)時(shí)間的動(dòng)態(tài)承載活動(dòng)幀內(nèi)，可構(gòu)建一套網(wǎng)絡(luò)整體管控軟件。動(dòng)態(tài)承載活動(dòng)幀包括智能網(wǎng)絡(luò)的初始化、小于網(wǎng)絡(luò)能力的欠載、大于網(wǎng)絡(luò)能力的過(guò)載和隨機(jī)需求動(dòng)態(tài)聯(lián)合優(yōu)化。

動(dòng)態(tài)承載活動(dòng)幀的長(zhǎng)短，不僅取決于網(wǎng)絡(luò)面對(duì)的大量用戶需求的統(tǒng)計(jì)特性穩(wěn)定期，還取決于智能網(wǎng)絡(luò)最基本變量的持續(xù)期。無(wú)線網(wǎng)絡(luò)、頻譜帶寬和小區(qū)半徑，都有較長(zhǎng)的穩(wěn)定期。快，可按小時(shí)計(jì)，如終端網(wǎng)絡(luò)；慢，則按天或月計(jì)，如接入網(wǎng)絡(luò)，有的甚至按年計(jì)，如核心網(wǎng)。

這里以無(wú)線網(wǎng)絡(luò)為例，來(lái)說(shuō)明未來(lái)網(wǎng)絡(luò)智能管控的動(dòng)態(tài)優(yōu)化。首先要實(shí)現(xiàn)無(wú)線網(wǎng)絡(luò)智能管控的初始化，即利用過(guò)去的用戶需求大數(shù)據(jù)和它們的相關(guān)屬性，以及網(wǎng)絡(luò)最基本變量（如頻帶和小區(qū)半徑），做初始化訓(xùn)練。獲得的動(dòng)態(tài)承載活動(dòng)幀的基礎(chǔ)值，在動(dòng)態(tài)承載幀內(nèi)不容易變動(dòng)。

對(duì)小于網(wǎng)絡(luò)能力的欠載情況，在初始化確定的無(wú)線網(wǎng)絡(luò)最基本變量基礎(chǔ)上，本次承載給定的頻譜帶寬有富余。這時(shí)，有的主動(dòng)承載上一次未能完全傳輸?shù)男枨?，或減少網(wǎng)絡(luò)的密集程度、降低發(fā)送功率、回退MIMO天線數(shù)目，以使網(wǎng)絡(luò)的功率開銷最小。

對(duì)大于網(wǎng)絡(luò)能力的過(guò)載情況，當(dāng)無(wú)線網(wǎng)絡(luò)的所有資源效率和開銷放到最大但仍不能滿足到達(dá)的海量傳輸需求時(shí)，不得不按用戶傳輸需求的時(shí)延分類，把可承受較長(zhǎng)時(shí)延的需求從此次傳輸中轉(zhuǎn)移給下一次或再下一次的傳輸。這樣的聯(lián)合協(xié)作和最大化頻譜利用能力，可有助于實(shí)現(xiàn)用戶需求傳輸最大化。

隨機(jī)需求的動(dòng)態(tài)聯(lián)合優(yōu)化，就是把初始化、欠載傳輸功耗最低、過(guò)載傳輸頻譜效率最大整體結(jié)合起來(lái)。無(wú)線大數(shù)據(jù)的支持，使網(wǎng)絡(luò)基本變量得選擇變得更精準(zhǔn)，也使后續(xù)實(shí)時(shí)動(dòng)態(tài)學(xué)習(xí)調(diào)整的代價(jià)變得最小。在動(dòng)態(tài)承載幀內(nèi)，欠載和過(guò)載會(huì)交替出現(xiàn)，并動(dòng)態(tài)協(xié)作。二者聯(lián)合起來(lái)能夠做到傳輸能力最大、所需資源最少，有助于實(shí)現(xiàn)智能網(wǎng)絡(luò)管控目標(biāo)。

4 結(jié)束語(yǔ)

綜上所述，未來(lái)智能網(wǎng)絡(luò)可以構(gòu)建成為一個(gè)適合深度學(xué)習(xí)的極簡(jiǎn)網(wǎng)絡(luò)架構(gòu)?；谥R(shí)+數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)模型，能夠?qū)崿F(xiàn)網(wǎng)際間的學(xué)習(xí)優(yōu)化和網(wǎng)內(nèi)的學(xué)習(xí)優(yōu)化，并構(gòu)成一個(gè)動(dòng)態(tài)聯(lián)合優(yōu)化體系，有助于實(shí)現(xiàn)未來(lái)網(wǎng)絡(luò)的智能自主管控。