文章学习资源：史清江,洪明毅,罗智泉.面向5G/B5G通信的智能无线资源管理技术[J].中国科学基金,2020,34(02):142-149.
目录
一、面向5G/B5G通信的智能无线资源管理中的问题
二、基于优化的物理层技术（物理层要做的事情）
三、基于优化的接入层技术（接入层要做的事情）
四、基于优化的网络层技术（网络层要做的事情）
五、基于AI的物理层技术
六、基于AI的接入层技术
七、基于AI的网络层技术
八、典型案例1-基于机器学习的无线资源管理
九、典型案例2-基于大规模优化的网络切片管理
小结
一、面向5G/B5G通信的智能无线资源管理中的问题
1、新技术的出现+应用场景的多样化和复杂化，无线资源管理的复杂度进一步提高；
2、在多用户大规模MIMO（大规模天线）系统中，随着用户数和天线数的大规模增加，下行用户信道的获取及相应的预编码变的更具有挑战，如：导频污染问题、高维预编码权重矩阵计算的高复杂度问题等；
3、在异构超密集网络（UDN）中，由于小区尺寸的减小以及各层网络（如宏小区、微小区以及微微小区等）的共存，异层/同层小区间干扰问题以及相邻小区间移动用户的切换问题变得尤为困难。
4、无线网络虚拟化与切片技术虽然能够让5G“分身有术”支持个性化需求，但也随之带来了新的切片管理和调度问题。
上述这些问题的解决，需要在5G资源管理问题上做一定的调度管理和优化。
二、基于优化的物理层技术（物理层要做的事情）
1、物理层（PHY）是整个5G系统设计中最为关键的一环。
2、大规模天线技术和传统的多天线技术（MIMO）有着本质的区别，区别最为重要的是：
不可能每一个天线都能分配到一个射频链路（RF chain），原因是这样的全数字（FD）设计会导致整个系统价格昂贵。
3、“混合波束形成”技术，是毫米波和大规模天线系统中的关键技术。其含义如下：
同时使用一个射频预编码和一个基带数字预编码来进行上下行的多天线波束形成。
相关算法：
1）基追踪算法(basis pursuit)；
2）交替最小化算法(Alternating Minimization，AltMin)；（在求解该问题的过程中，使用了流行优化算法-Manifold Optimization），交替最小化是一个在非凸优化中常用的方法。
3）基于原始对偶分解的算法（Primal-Dual Decomposition， PDD）
4）稀疏矩阵优化算法；
5）低秩及张量优化算法；
三、基于优化的接入层技术（接入层要做的事情）
在设计接入网络的时候需要考虑的重点包括降低功耗以及大规模接入。
算法：
1）非正交多址接入（NOMA）：可以让多个用户同时使用同一个载波，可以帮助整个系统显著地提高频谱利用率；
2）大规模随机接入：基站需要能够有效检测哪些用户正在试图发送信息。 对于检测问题：一种有效的建模方法是将设备的活动用一个稀疏的“活跃矩阵”来表示，然后从叠加了所有用户的信息中找出一个最稀疏的矩阵来作为需要估计的活跃矩阵。
四、基于优化的网络层技术（网络层要做的事情）
① 5G会变成一个以多服务为导向的网络。要求整个网络能对于这些不同的服务进行有效“切片”。
② 网络切片：是一种网络功能虚拟化的方法，在一个物理网络的基础上，搭建多个逻辑网络，每个逻辑网络对应一种网络服务。（服务之间形成服务功能链）
③ 网络节点具备一定的服务功能；
综上三点：网络资源管理的任务：尽量满足每种服务的需求，保证和每个网络节点不过载。
延伸1：Xu一个服务可以在多个节点完成，并提出一个具有线性约束的大规模优化问题，然后利用了交替乘子法（Alternating Direction Method of Multipliers，ADMM）算法来高效求解。
Xu的文章：Xu H，Li BC.Joint request mapping and response routing for geodistributed cloud services. Proceding IEEE INFOCOM，2013，854—862.
延伸2：Zhang 提出一个模型：允许一个SFC可以有一系列的功能叠加，并且对与任何一个端对端数据流，每一个的功能必须在一个独立的物理节点上完成。
Zhang 用一个混合整数优化的模型来表示网络切片和服务链选择问题，并且提出了一个基于罚函数的优化方法将整数变量转变为连续变量来求解。
五、基于AI的物理层技术
基于机器学习的大规模MIMO系统优化设计方法，包括信号检测，信道估计，功率分配，预编码等。
目的：降低大规模天线导致的高计算复杂度和反馈开销。
文献19：利用深度神经网络解决多小区网络的功率控制问题，验证DNN能够有效逼近迭代资源优化算法；
文献20：多小区多用户大规模MIMO系统的功率控制问题。基于用户位置与传播环境特征和网络内干扰大小存在的强相关的特性，构建了一个由用户位置到功率分配之间的神经网络映射关系。实验过程：通过仿真证明，与传统功率分配算法相比，基于DNN的方法可以大大降低功率分配的计算复杂度。
文献21：基于DNN的多用户MISO下行系统预编码优化设计，利用预编码最优结构这一先验信息，降低神经网络的输出维度，从而增强神经网络拟合的容易程度。
文献22：基于学习去噪的AMP（Learned Denoising-Based AMP，LDAMP）信道估计方法。将信道矩阵看作二维自然图像，将卷积神经网络引入。
文献23：CsiNet的神经网络进一步减少大规模MIMO系统的信道反馈开销。模拟压缩感知结构，一方面用卷积神经网络以对信道矩阵进行特征提取，一个方面一个自动编码器以对信道矩阵进行压缩和重建。
文献24：将CsiNet与LSTM的递归神经网络进行级联，进一步挖掘大规模MIMO信道的时间相关性，提高估计精确度。
六、基于AI的接入层技术
机器学习能够有效的从大量数据中学习到网络环境的相关特征及变化。 （应对动态频谱）
深度强化学习不通过标记数据进行学习而通过智能实体与环境的直接交互来捕捉环境变化的规律并学习最优的策略。
文献25：针对多时隙网络中时隙共享的问题，基于残差网络的深度强化学习解决方案来最大化整个网络的吞吐量。
文献26：针对无线传感网络，基于深度Q网络的多址接入解决方案来预测和选择最优的接入信道，以最大化平均网络吞吐量。
七、基于AI的网络层技术
目的：优化网络的整体性能，因此需要关注网络环境和网络参数设置的实时适配性。
文献27：基于神经网络的预测模型应用于预测蜂窝网络中的用户体验；
文献28：基于深度卷积神经网络的预测模型，在特定网络切片的基站上观察流量热力分布图，来预测未来相关服务的流量需求。
文献29：基于文献28，提高流量预测的准确性，LSTM循环设计网络模型以挖掘流量的时间相关性，并将该模型与通过自动编码器提取的流量空间特征相结合进行流量预测。
文献30：为高效挖掘流量的时空性，一种结合图卷积神经网络和LSTM的新型深度学习架构来预测移动流量。
八、典型案例1-基于机器学习的无线资源管理
DNN无线资源管理的基本思路：
九、典型案例2-基于大规模优化的网络切片管理
符号定义和算法思路描述：
在求解上述问题时，用到了“松弛-惩罚”方法，主要步骤分两步：
（1）将每个
的值域从{0,1} 松弛到[0,1] ,变成线性规划问题；
（2）线性规划问题中，在目标函数上增加惩罚项（Penalty Term）,即一个p-范数有关的一个非凸函数，来惩罚非整数的；
（3）然后使用分块连续上界最小化（BSUM）求解松弛和惩罚之后的问题。 整体算法被称为PBSUM算法。（能解决优化问题，且解的结果质量高）
小结
（1）无线资源管理方法向分布式优化方向发展；
（2）大规模优化方法来解决超密集网络资源优化；
（3）大规模无线天线系统优化设计；
（4）数据和模型双驱动的无线资源管理技术；
（5）未来无线网络 6G，6G+资源管理技术的探索。
心得：在无线资源管理中，很多性能指标，网络资源管理内容，资源管理方法和算法理解还有很多未知，需要进一步探索和持续学习。
