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