5G通信网络是什么？
5G（5-th generation），指第五代移动通信系统。目前随着5G技术的蓬勃发展，移动通信将在速率、延迟、能耗、成本等等方面迎来新的一轮迭代，由量变带来质变，预计催生出新一批基于无线通信网络发展的新兴应用和产业。
平日接入即用的通信网络需要优化吗？
无线蜂窝网络由大量的无线基站构成，每个基站覆盖若干个无线小区，为区域内用户提供通信服务；而基站的服务范围、信号强度、天线设置等等，对通信质量和用户体验有巨大影响。现实环境中，由于不同基站的周边环境（诸如地形、建筑物分布、用户分布和移动轨迹、以及用户业务需求等）往往不同，每个站点均需要针对自身无线环境进行专门优化，来保证良好的用户体验。
无线基站
传统的优化方法需要依赖人工经验，由经验丰富的网络工程师对每个站点的大量的高维话务统计数据进行监测，分析和问题定位，根据多年积累下来的专家经验制定无线网络优化方案。而真实的网络中，一个城市可能有成千上万个基站，如果完全依赖人工优化，人力和时间成本异常高昂，同时由于人工经验只能覆盖部分参数，因此优化效果难以保证。
诺亚实验室联合无线产品线研发的无线网络智能优化方案旨在帮助运营商解决这一痛点。该系统基于数据驱动，采用黑盒优化、深度学习、强化学习等算法，可自动感知不同基站的无线环境，并自适应地对基站进行优化，可在短时间内同时优化上千个基站，有效提高网络服务的质量,显著提升网络运维的效率，帮助运营商节省运维成本。
如何优化无线通信网络？
通常运营商会利用多种指标来评估网络的服务质量和用户体验，例如平均用户速率、边缘用户速率、掉话率、传输时延等等，而这些指标和无线网络的参数配置有着紧密关系。每个无线小区有成百上千个参数可以控制调整，这些参数涉及到无线小区的多种功能控制，例如天线控制、小区间用户切换、无线资源调度等等。这些参数是否配置合理，直接影响到无线网络质量及用户体验。我们通过下文若干例子帮助读者理解参数的机理和重要性：
a)调度类参数
当大量用户接入无线小区时，小区需要将无线资源在多用户间进行分配，这个过程称为无线空口资源的调度。调度策略通常涉及多种算法，例如用户信道估计、多用户公平性、功率控制等等。这些算法有大量可配置的参数，例如信道质量更新步长、公平因子、用户最大传输功率等，需要针对不同场景进行自适应优化配置。
b)切换类参数
切换指的是将某个用户的连接由当前小区变换为另一小区的操作。当用户在不同区域间移动，或是不同小区负载不均衡时，需要对用户进行切换，将用户的连接关系转移到信号更好、或者是资源较为空闲的小区，从而实现无线网络多小区间的负载均衡，提高无线资源利用效率和用户体验。切换类参数控制着切换流程，例如用户发起切换的时机、待切换用户的选择标准、如何决定目标切换小区等等。如果切换参数设置不合理，可能会导致用户过早或过晚进行切换，甚至出现掉话，严重影响用户在小区边缘位置的使用体验。
c)射频类参数
相比传统的天线，5GMassive-MIMO设备具备3D赋形能力，可以灵活调整各天线阵子的权值（功率和相位），显著提高系统的波束指向准确性，将信号强度集中于特定指向区域和特定用户群，在增强用户信号的同时可以显著降低小区内干扰和邻区干扰，进而影响用户在多小区之间的服务切换及其服务体验速率。目前对信号覆盖与用户速率调整较为重要的工程参数（工参）包括：天线阵子朝向、位置、功率等的设定参数（如水平及垂直朝向、天线高度、发射功率等）。
（左）部分射频类参数；（右）5G Massive MIMO 3D波束赋形
可以举个参数优化的具体例子吗？
以控制用户在小区间切换的MRO参数为例：在一次通信过程中，用户可能随时会发生位置移动，从当前小区覆盖范围移动到其它小区。为了保障用户的通信顺畅，通信链路的同频无缝切换是由多个参数控制的重要步骤。简单而言，用户终端移动时会每隔一段时间会测量一次附近小区的接收信号强度，并发送A3测量报告至当前服务小区。当测量的无线信号强度满足A3进入条件并持续一段时间（TimeToTrig）后，当前服务小区会与目标切换小区进行切换协调工作，并通过返回切换指令，使得当前用户终端的连接迁移至新的目标小区。其中，关键的A3进入条件定义如下：
这里，和表示服务小区和邻区的信号测量结果，和是服务小区和邻区的频率偏置，而、则代表服务小区、E-UTRAN邻区的小区特定偏置CIO。此外，表示测量结果的偏置，表示测量结果的迟滞值，表示持续满足A3事件进入条件的时长。这些参数共同决定了用户终端在多小区间的移动过程，同样也定义每个小区的服务区域大小。通过精准地调整这些参数，我们可以减少小区间切换失败/乒乓等问题，同时实现小区间负载均衡，提升小区的资源利用率，优化服务性能。
小区间用户切换
参数优化有什么难点？
将AI技术应用到无线网络，对提升用户体验和运营商运维效率有重大价值，然而这项工作面临着如下诸多挑战：
a)缺乏历史调整数据（冷启动）：
由于参数优化本身的挑战性，现实场景中无线小区的参数大部分都是默认配置，或者是统一的经验配置值，缺乏差异化的历史调整数据；即使某些场景可以构造仿真环境，但仿真环境往往同现实网络相距甚远，难以用于离线学习较优的优化策略。因此无线网络的参数优化通常需要在现网探索不同参数配置并收集网络性能反馈数据，通过不断地迭代学习，收敛到到最优的参数配置策略。
b)寻优空间大，探索次数少
现网在线探索可能对运营商网络的安全稳定运行带来一定风险，同时也可能会与其他网络升级和维护等操作产生冲突。因此实际操作中，每个小区可探索不同参数配置的机会非常有限（5~10次）。
另一方面，每个无线小区有大量可配置的参数（400+），而每个参数可能的取值空间从10到几十不等。众多参数配置联合寻优空间非常巨大，这对算法如何利用极少的探索机会进行高效学习提出了巨大挑战。
c)小区间协同优化
单个小区的参数配置不仅会影响自己的性能，也可能对相邻小区产生影响。例如在优化切换类参数时，单个小区会吸收或者释放用户，从而影响与相邻小区的负载分配，进而对用户体验速率产生影响。在对整个网络进行参数优化时，需要使小区间的参数配置相互协调，从而使得整网的性能最大化。
d)网络波动巨大，参数增益相对较小
无线网络的性能指标受到外界环境因素（如人群密度、用户业务需求等）的巨大影响。然而外界环境通常存在着剧烈波动，并且有很多难以观测的隐变量（如网络升级、大型展会等等）。参数优化所能带来的增益相对于外界环境的影响较小，容易被强烈的波动信号所淹没。因此在进行参数优化时，需要算法对参数的作用具有敏感性，能够从巨大的噪声之中检测到参数对性能目标的影响。
人工智能如何应用于无线网络参数优化？
如前文所述，无线网络的参数繁杂多样，不同场景、不同参数面临的问题往往也大相径庭。针对上述诸多挑战，华为诺亚方舟实验室网络大脑团队联合无线产品线探索研究出了一套无线网络多频段多对象多参数优化框架。该方案已经在全球多个主流运营商局点进行了大规模验证，优化效果显著，获得客户的高度肯定。
该框架的大致运作流程是：通过网管系统下发各个无线小区的差异化参数配置值，同时收集每个小区小时级的话务统计数据，包括小区用户数、信道质量、用户平均速率等等，这些小时级的话务统计数据用于表征无线小区的实时状态。采集的数据被用来建立网络级或者小区级模型，并基于模型在动作空间中进行采样/寻优来决定每个小区的推荐参数值。
参数优化流程
主要技术举例
a)多小区联合学习
实际应用场景中，参数寻优空间巨大，而每个小区的探索次数非常有限，无法仅仅利用自身的数据学习到精确的模型。因此小区间需要进行经验共享，利用其他小区的探索数据加快学习效率。由于不同小区之间既有共性，同时也存在差异性，因此在建模时需要综合考虑。我们的无线多小区联合学习框架，利用所有小区的数据学习公共模型，体现小区间共有的行为模式，同时利用各个小区自身的数据学习个性化模型，并将两者结合到一起，实现小区之间的经验共享。
多小区联合学习框架
b)元强化学习
现实的网络场景复杂多变，难以通过一套模型描述多数现实网络可能遇到的场景，因此纯粹基于大数据的建模往往缺乏可迁移性，难以满足现网“快准省”的优化需求。贝叶斯优化可以足够快、对样本的需求也较少，但实际场景中零散、稀疏、不平滑且缺乏规律的状态-动作-奖励空间对它并不友好。因此我们参考业界经典的HyperNetwork的思想，设计了一套元强化学习的方法，让神经网络从其与多个贝叶斯优化合作的过程中学习，旨在寻得一套更有利于贝叶斯优化的状态-动作空间编码方案，提升其在现网的优化效果。
结合贝叶斯优化的元强化学习框架
c)多小区间复杂交互建模
5G网络无线小区的覆盖范围有大量的重叠，导致小区间存在复杂的相互作用。并且，其控制参数之间也存在着复杂的耦合关系。另外，为了更好的适应城市的地理环境和业务需求，无线网络的拓扑结构往往是不规则的，小区间的交互关系错综复杂，且随着时间会发生变化（比如：新增站点、更改信号方向/强弱等）。为了更好地提升整网的性能，实现多小区/多参数间的协同优化，我们采用基于图的方法对小区/参数间的复杂交互关系进行建模。通过我们自主设计的Edge-GCN模型，我们同时在节点和边上进行图卷积操作，实现多小区间的信息传递与聚合，从而实现对复杂交互关系的学习。
基于图的无线小区复杂交互建模
说了这么多，有实际效果吗？
效果显著！诺亚实验室的无线参数智能优化方案已经在全球多个局点进行了验证，无线网络性能在优化后均取得显著提升，大大提高了网络优化效率和质量。
我们利用算法对某局点中约2000个小区的多个参数进行为期一周的优化，优化目标是减少网络中低速率用户比例。对比优化前后网络中低速小区（小区中低速用户占比10%以上）的占比可以发现，优化后网络中低速小区的占比有显著下降。
优化前后低速/正常小区占比
观察网络的用户平均下行速率和低速率用户百分比可以发现，在开始优化后，用户平均下行速率有了显著提升，而低速率用户百分比则有明显下降。另一方面，网络的其他关键KPI（如用户接入成功率和切换成功率等）则保持稳定，没有受到参数调整的影响。
（上）低速率用户百分比和用户平均下行速率；（下）用户接入成功率和切换成功率
每一个接入即用、五格满信号的无线网络背后，都离不开一个成功的“千手观音”。
