英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
B5G 系统中基于无线大数据的新兴技术
， ， ，
(1． 中国科学技术大学 中国科学院无线光电通信重点实验室，合肥 230027;
2． 北京邮电大学 网络与交换技术国家重点实验室，北京 100876;
3． 浙江大学 信息与电子工程学院 英国约克大学－浙江大学认知网络与绿色通信联合实验室，杭州 310058)
摘要
第五代移动通信系统（5G）将于2020年部署，并提供多种通信功能，但是，对于未来十年快速发展的信息技术所产生的通信要求，必将超越5G的发展前景。在超越5G技术的几条途径中，涵盖物理层，网络层和应用层且基于无线大数据（WBD）和基于人工智能（AI）的通信技术被认为是最有前途的方法之一。伴随着这一思想，一些新兴的研究成果已经发表，这进一步激发了更多的研究者对该领域的关注。为此，本文介绍了三项有趣的工作，包括信道建模，大量的数据访问和网络拓扑设计。信道建模部分从将机器学习应用于无线信道建模这一可行方法开始，介绍了在参数估计，信道多径聚类中占主导地位的方法，这对以后的研究具有重要意义。大量的数据访问部分关注分形现象及其在无线网络中的可能应用。在介绍了基本概念之后，本部分将研究最大容量分形D2D社交网络。网络拓扑设计部分提出了一个有趣的话题，其目的是利用移动用户的动态移动性功能减少超密集网络（UDN）中的无线资源消耗。综上所述，这三个方向被认为是有超越5G前途的研究方向，它结合了无线大数据分析这可能会阐明相关的未来研究。
关键词：无线大数据；超越5G；大量访问；信道建模；流动性识别
目录
绪论
第五代移动通信系统将在2020年实现商业化发布并广泛部署，它可以提供多种通信能力，从而使5G不仅可以支持海量的新兴的移动用户并且提供的新兴服务，能满足性能要求各异的垂直行业。此后， 5G网络将容纳更多的无线设备，这将增加在5G网络中生成，收集和存储的数据量。如此大的数据资源，被称为无线大数据（WBD）［1］，将在5G移动通信系统之后的时代产生新颖的研究方向和启用全新的应用领域。
请注意，5G与无线大数据之间在很多方面都有很强的联系。首先，如上所述，连接到5G的无线设备将至少是4G时代的10,000倍，这将产生惊人的巨大数据。第二，随着5G的发展，物联网（IoT）正在迅速普及。物联网的应用广泛，包括智能交通，环境保护，公共安全，工业监控，个人健康等方面现已普及。由于物联网的广泛应用和其使用的先进的传感器，物联网的数据量正在迅速增加。最后，无线通信技术和网络的发展，包括不断增长的带宽，大量天线以及软件定义网络（SDN）和网络功能虚拟化的实现（NFV），不仅使数据量的增长变得可行，而且使数据收集变得方便有利于5G及以后时代的预处理。之后，电信运营商越来越重视无线大数据，以便真正利用大数据的价值，无论是用于商业用途还是用于科学研究。
过去几年，关于无线大数据的研究吸引了更多研究人员的兴趣，尤其是在中国。可能有两个主要原因，第一越来越多的研究人员意识到，通信系统的改进可能来自于计算能力，即所谓的计算通信，第二中国产生的庞大数据和相对不严格的数据保护政策。这鼓励了研究人员和无线大数据所有者之间的合作。到目前为止，在我们看来，这种研究方向可以分为物理层［2］和网络层［3］两个领域。
在物理层，随着大数据和无线通信的发展，许多研究工作正在尝试将机器学习（ML）和大数据用于物理层技术，例如多输入多输出（MIMO）检测［4-5］ ，信道估计［6］，信道建模［7］以及信道解码与解调［8-9］，与深度学习相关的MIMO信道主题［10-11］。因此，无线大数据应运而生，其相关技术被用于传统的通信研究中。
无线信道本质上是物理电磁波，目前的5G信道模型研究遵循传统方法。在5G移动通信系统中，最困难的挑战之一是复杂而通用的传播信道。在不同的载波频率，传播环境，天线结构和带宽下，无线信道将呈现复杂的时空，频率特性［12］。众所周知，信道编码，调制，多天线（MIMO）等。所有这些都需要面对通用的无线信道。因此，具有低复杂度的精确信道模型将大大提升无线通信系统的性能。随着天线数量的增加，巨大的带宽和多样化的应用场景，信道测量数据将始终具有很大的数据量［7］。
在网络层，除了已经非常流行网络行为识别工作［13-14］，另一个重要领域是无线边缘［15］中的内容缓存，其目的是减少网络等待时间并减少网络资源的消耗，以满足来自大量移动用户的内容请求。了解和利用人的移动性是提高缓存性能的关键因素［16-17］。另一个关键因素是如何通过无线大数据分析来设计和管理超越5G的网络。
随着2020年将部署5G，越来越多机构和研究人员提出了超越5G或潜在的第六代通信系统（6G）的建议。2018年二月，中国还宣布开始6G的早期研究。而超越5G的全球目标是更高的数据速率，与物联网和更高频段的深度融合。综上所述，不断带来高数据量WBD将在超越5G的过程中发挥关键作用。
本文无意于介绍5G以外的无线大数据的所有方面，而仅侧重于三项新兴且有前途的研究工作。第一项工作是关于信道建模，从在介绍ML和无线信道建模的结合之后，提出了在参数估计，信道多径聚类中占主导地位的方法，这对以后的研究具有重要意义。第二项工作是关于大量的数据访问，重点是分形现象及其在无线网络中的可能应用。在介绍了基本概念之后，本部分将研究最大容量分形D2D社交网络。最后的工作讨论了网络拓扑设计，其目的是利用移动用户的动态移动性功能来减少超密集网络（UDN）中的无线资源消耗。
本文的其余部分安排如下。第一部分介绍了复杂信道下的有效传输。第二节介绍了对无线网络的分形现象的新颖理解。第三部分讨论了有关通过用户移动性识别进行更好的网络设计的有趣问题。最后，第四节总结了本文。
1 复杂环境中的高效传输信道
基于数据挖掘和ML的信道建模过程如图1所示。首先，在一种情况下，对特定频率的信道数据进行收集，存储和预处理［12，18］。然后，通过收集来自各种场景和频率的数据来构建大型数据库。
建模预测
MPC集群
参数估计
测量数据
图1 信道模型建立
1.1参数估计
在信道特性分析中对测量信道数据后进行处理。提取信道参数，包括时延，方位角和仰角域中到达和离开的角度，多普勒频率和复振幅。参数和非参数估计算法是被广泛使用的两种经典算法。经典波束成形和Capon波束成形是两种常规的非参数算法，分别在1950年代和1960年代由Refs提出。［19-20］。但是，非参数算法的估计精度受到天线孔径的限制。这无法在很小的角度范围内区分不同的路径。自1980年代以来，提出了几种参数化算法，包括多信号分类（MUSIC），通过旋转不变技术（ESPRIT）算法估计信号参数［21-22］。近年来，基于最大似然的空间交替广义期望最大化（SAGE）算法［23］被广泛使用。时空频域参数提取但是，这些算法的准确性不如估计结果的参数算法可靠。未来在超越5G系统中，由于不满足平面波假设，因此在这种情况下可能需要参数算法。因此，非参数算法将使用在毫米波和大规模MIMO技术上。
将来，频道的时变特性是在某些高速移动场景中很重要，例如，高速火车和车对车通讯。在这种情况下，信道参数将快速变化，并且信道参数的提取和预测变得困难。但是，ML非常擅长预测问题。结合信道参数估计算法，我们可以使用一些数据挖掘技术，例如，结合信道参数估计算法，我们可以使用一些数据挖掘技术，主成分分析（PCA）［24］和聚类算法来提取抽象特征，然后使用卡尔曼滤波［25］或某种ML算法，或者神经网络使信道特性规则随时间变化。此外，基于在压缩感知中广泛使用的稀疏表示思想，可以从大量的信息中获得更多有用的信息来测量通道数据。
1.2 通道多路径聚类
MPC集群定义为一组具有相似参数的多路径。用于MPC聚类的聚类算法很多。提出了一种基于核功率密度的MPC算法聚类，其中结合了MPC的核密度来对MPC进行建模［26］。在Ｒef。［27］，评估和发展不同框架下讨论了聚类算法。我们的团队采用了高斯混合模型（GMM）来拟合MPC［18］，表现出较好的聚类结果。GMM假设所有MPC均由不同比例的几个高斯分布组成，用信道多径的足够统计特性，GMM可以得到与多径传播对应的聚类定位特性。给定一组N通道多径X，高斯混合模型的对数似然为，
(1)这里hellip;,K是所有参数的集合，是第k个高斯分布的期望和方差，isin;［0,1］是满足约束的先验概率。为了估计GMM参数，采用期望最大化算法(EM)求解GMM的对数似然函数。图2说明了GMM聚类算法的仿真结果，其中GMM聚类获得了清晰且紧凑的聚类。由于通道多径的散射特性服从高斯分布，因此紧密簇可以符合多径散射的特性。
图2 GMM在视觉方面的聚类结果
1.3 基于簇核的信道模型
在基于簇核的通道模型中，MPC汇总为传统的随机信道模型。同时，通过计算机识别场景，并通过ML方法重建环境。然后，通过将实际的传播对象与聚类进行匹配，可以使聚类核容易发现，这是联系确定性环境和随机集群的关键因素。具体来说，簇核定义为簇，它是由大量的波浪聚集而成的。簇核具有三个重要特征：1）具有一定的形状；2）在真实传播环境中的散射与簇之间具有映射关系；3）在各种情况和配置下支配信道脉冲响应的产生。由于簇核与实际的传播环境具有映射关系，因此优于没有物理意义的簇。
2 大量访问的分形基站
随着智能移动设备的爆炸性增长，社交网络流量也出现了空前的增长，并对传统的内容交付范式提出了巨大的挑战。作为一种有希望的技术来减轻无线网络流量的负担，大规模的设备到设备（D2D）通信使附近的用户可以建立本地链接并进行交换直接获取内容，而不是从蜂窝基站（BS）获取内容。
在海量的D2D通讯场景中，除了物理层上的底层传播网络外，用户还形成一个覆盖的社交网络，其中两个用户之间的通讯由他们的社交关系驱动并由底层传播到网络。特别是，随着人们对安全性和隐私性的意识日益增强，信任已成为移动用户之间进行交互的先决条件。人们只与受信任的人交流而不是地理位置上相近的人。
分形现象作为网络的重要属性，已经在许多无线网络场景中被发现。例如，无线蜂窝网络的覆盖边界呈分形形状，其分形特征可以启发移动终端中越区切换方案的新设计。此外，现实世界中大量重要网络自然表现出分形特征，例如万维网，酵母相互作用，蛋白质同源性和社交网络。另外，分形结构的概念已经在各种应用，包括天线设计用于卫星下行链路和上行链路通信，无线局域网（WLAN）应用，以及其他5G应用。
在下文中，分形组织在弹性，可扩展性和鲁棒性方面的表现优于非分形组织，因此被认为是大规模D2D社交网络中的代表。具体来说，分形社交网络可以从安全攻击中快速恢复，因为几个节点的故障不会引起整个网络的崩溃。因此，研究分形D2D社交网络并回答分形D2D社交网络的容量鲁棒性和可靠性等基本问题就显得尤为重要。
图3说明了分形D2D社交网络中的直接或一级社交交流。如我们所见，四个用户，即Bob，Jane，Joy和Rose，直接与联系，并被视为Alice直接或1级联系人。如果Alice选择在其四个直接联系人中与Bob通信，则Alice和Bob分别被称为源用户和目标用户。通常，一个用户有多个直接联系人并且k表示他或她的1级联系人的数量。在一级社交交流的情况下，在一级社交交流中，度分布和联合概率分布分别为。直接或一级接触并不意味着物理上存在某些直接联系。相反，用于直接社交联系的一对用户可能必须依赖底层物理传播网络中的某些中继节点。
图3 分形D2D社交网络中的社交通信
除了直接案例外，分形D2D社交网络中的社交通信实际上可以是分层的，如图4所示。如果爱丽丝想与她不信任的维多利亚取得联系，则必须通过用户间的鲍勃和杰克传输数据包。也就是
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239847]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
