Чайна Мобайл представляет 6G CIS-RAN: объём обучающих данных сокращается на 36–50%

Репортаж от Wedoany，Команда Исследовательского института Чайна Мобайл предложила архитектуру CIS-RAN для 6G, основанную на кооперации, интеллектуализации и сервисной ориентации. В состав команды входят Ван Сяоюнь (Чайна Мобайл Груп), а также Ли Нань, Сунь Ци, Ван Ян, Янь Ивэй, Ван Сэнь, Сюй Сяофэй, Ли На и Цзинь Цзин (Исследовательский институт Чайна Мобайл). На основе архитектуры C-RAN, предложенной в 2010 году, расширяются границы кооперации и внедряются механизмы встроенного интеллекта и открытости возможностей. Это направлено на удовлетворение строгих требований к предельной пропускной способности, сверхнизкой задержке, сверхвысокой надёжности и массовому подключению в таких сценариях 6G, как автономное вождение, промышленная автоматизация, цифровые двойники и расширенная реальность.

В исследовании сначала анализируются требования к сети радиодоступа 6G и ограничения существующих архитектур. На этой основе предложенная архитектура CIS-RAN включает усовершенствованные RRU, BBU и новый централизованный интеллектуальный блок RAN, а также определяет ключевые функции и изменения интерфейсов. Пять ключевых технологий включают сбор гетерогенных данных, совместную обработку на основе задач, распределённый иерархический интеллект, обеспечение услуг ИИ со сверхнизкой задержкой и унифицированное раскрытие возможностей RAN. С помощью моделирования и прототипных экспериментов эффективность архитектуры подтверждена с двух точек зрения: AI4RAN и RAN4AI. В части AI4RAN на примере прогнозирования восходящих помех демонстрируются преимущества кооперативного интеллекта в эффективности обучения и пропускной способности системы. В части RAN4AI с помощью прототипа сервиса визуального обнаружения ИИ в помещении и на улице подтверждается его производительность в предоставлении услуг ИИ со сверхнизкой задержкой и раскрытии возможностей.

Для проверки архитектуры CIS-RAN были разработаны эксперименты по двум направлениям: кооперативный интеллект и услуги с низкой задержкой, что позволило добиться значительного повышения производительности.

Пример 1: В условиях динамических помех в типичных сценариях 6G (езда на велосипеде, завод, офис) сравниваются механизм централизованного предварительного обучения с локальной тонкой настройкой (CPLF) в CIS-RAN и традиционный механизм локального обучения на одном BBU (SLT). Результаты показывают, что по сравнению с переобучением для конкретного сценария механизм CPLF сокращает объём обучающих данных на стороне BBU на 36–50%, а время обновления модели — примерно на 71–78%. Схема CPLF демонстрирует более быструю сходимость ошибок и более низкую установившуюся ошибку прогнозирования во всех сценариях. Что касается средней пропускной способности восходящей линии связи UE, как CPLF, так и SLT обеспечивают улучшение на 9–18% по сравнению с не-ИИ базовым уровнем, но CPLF значительно снижает затраты на обучение, достигая баланса между производительностью и эффективностью.

Пример 2: На основе прототипной системы в салоне Чайна Мобайл (в помещении) и на крабовом пруду (на улице) развёрнуты услуги визуального обнаружения ИИ, включая подсчёт людей, обнаружение вторжений и распознавание аномального поведения. По сравнению с традиционной схемой передачи через UPF в MEC, в архитектуре CIS-RAN вывод ИИ выполняется непосредственно на стороне BBU, а средняя сквозная задержка как в помещении, так и на улице составляет менее 20 миллисекунд, тогда как в традиционной архитектуре она составляет около 60 миллисекунд. Эта архитектура реализует тесно связанный замкнутый цикл восприятия-принятия решений-действия, закладывая основу для приложений, чувствительных к детерминированной задержке, таких как воплощённый интеллект.