翼助5G：应急通信部署的自动寻优

• 可部署式基站助力应急通信

作为应对突发事件的技术手段，应急通信近年来受到了业界的广泛关注。当自然灾害或其他危及公共安全的突发事件发生时，传统基站可能损坏从而导致业务中断，此时快速恢复基本通信服务对于抢险救灾有着举足轻重的作用；在重大节日或举行大型集会时，局部区域的通信需求激增，如何快速部署能够保障局部区域的通信服务也是应急通信需要解决的问题。上述这些问题均对于应急通信的快速部署和灵活性提出了很高的要求。

为了满足用户需求，应急通信领域越来越关注于使用可部署基站来提供特定场景中的临时覆盖能力增强或额外通信容量提升。作为应急通信领域常用的术语，可部署基站指的是可以临时部署以提供无线接入服务的便携式或移动基站，能够在较短时间内移动至目标区域并完成临时网络的搭建。常见的可部署式基站包含车载基站和飞行基站，其中车载基站通常是将基站设备安装在各式地面车辆上，而飞行基站则是将基站设备安装在无人机，滑翔机，热气球，飞艇或飞机等空中载具上。通常情况下，可以根据业务需求或部署环境来决定使用哪类可部署式基站。相比较而言，车载基站续航能力较强，但在复杂地理环境下仍较难部署；而飞行基站无视地形的特性使其可以被部署在更多的应急通信场景中，但续航能力是制约其服务质量的瓶颈。

对于飞行基站续航时间受限的问题，学术界和工业界都进行了针对性的研究和实践。首先，飞行基站的续航时间与其类型存在密切关系。2021年7月，河南省郑州市突遭大规模极端强降雨，多个村庄通信中断，正是搭载移动公网基站的专用无人机跨区域长距离飞行，实现了约50平方公里范围内长时间稳定的移动信号覆盖，为抢险救灾赢取了宝贵的时间，而一些民用小型无人机的飞行和续航时间则相应较短。另外系留无人机通过有限交直流供电，可以实现24小时应急通信保障需求。因此在实际应用中，可以根据业务所需的续航时间和资金预算来决定无人机类型。Ericsson Research内部也曾研究过通过无人机接力替换来提升应急通信的服务时间。此外，很多学者和专家致力于研究提高无人机的能量效率，通过优化后的部署策略和功率分配使得无人机在电池容量限制下高效地完成指定任务。

在解决了续航时间问题后，可部署式基站面临的另一关键问题是如何部署和配置才能最大限度地提升目标区域的服务质量。在常见的应急通信场景中，地理环境和无线环境通常较为复杂。由于可部署式基站通常使用无线回传技术集成在传统蜂窝网络中，要使得所部署的可移动基站能够满足应急服务的需求，必须兼顾可部署式基站与目标用户之间的接入链路以及可部署式基站与传统宏蜂窝基站之间的回传链路，因此基站的选址和配置就显得尤为重要，这些参数包含但不限于基站的三维部署坐标，天线配置以及发射功率等。如果无线环境或用户分布发生变化，如何相应地快速调整基站设置也对应急通信服务质量有着关键影响。在实际应用场景中，考虑到日益增加的网络负载和用户的高速频繁移动，解决上述问题所要求的系统复杂度将进一步增加。

• 应急通信场景的网络模型

得益于从海量数据中挖掘潜在模型的优势，机器学习近年来被广泛应用于众多领域。作为机器学习的一个重要分支，强化学习的优势在于与环境变量进行交互并提供优化后的行动策略。因此，可以利用强化学习对应急通信中的可部署式基站进行自动化部署和配置。

基于强化学习算法，我们对应急通信场景中的无人机基站进行了自动寻优部署。假定在多小区移动蜂窝网络中，传统宏基站为普通用户提供连接服务。然而由于发生自然灾害导致一个宏基站损坏，无法继续正常工作，因此产生了一个覆盖盲区，导致位于该覆盖盲区内的普通用户出现服务质量下降甚至中断。同时，为了给位于该覆盖盲区内执行搜救任务的特殊用户（如消防员或搜救机器人）提供数据连接服务，需要在该区域内迅速部署应急通信网络来满足普通用户和特殊用户的通信需求。因此，搭载可移动基站的无人机可以飞抵覆盖盲区上空进行快速部署并提供临时网络覆盖。如图所示，这些无人机基站通过集成接入回传技术（Integrated access Backhaul, IAB）与传统宏基站相连，其中IAB-MT（Mobile Terminal）模块作为用户由宿主宏基站（donor-BS）在时隙DL1和UL1上提供回传服务，而IAB-DU（Distributed Unit）模块则作为基站为用户在时隙DL2和UL2上提供接入服务。在此场景中，为了更好地服务覆盖盲区中的用户，无人机基站的部署不仅需要考虑接近用户，同时还要保证与宿主基站之间的回传链路服务质量。此外，如果覆盖盲区内的用户发生了移动，无人机基站还需要相应地进行自适应调整，以确保连接服务的质量。这种自适应部署寻优可以由无人机基站内嵌或搭载的智能模块来辅助完成。

 

• 3GPP标准化支持下的智能架构

为了设计基于机器学习的智能无线接入网络，3GPP在Release 17中启动了关于5G NR中数据采集架构的研究，其中包括设计智能无线接入网需要遵循的高阶原则和功能框架。如图所示，该框架包含多个机器学习相关的功能模块：数据采集模块，模型训练模块，模型推理模块和执行模块。数据采集模块负责采集机器学习中模型训练和模型推理所需的数据，比如从目标用户或基站采集到的各类性能指标。数据采集模块同时接收来自执行模块的反馈，并根据该反馈调整所需采集的数据。模型训练模块根据所采集到的训练数据进行机器学习模型的训练和测试，并将训练好的模型更新至模型推理模块。基于收到的机器学习模型和数据，模型推理模块给出机器学习模型的推理结果，并告知执行器模型执行相应决策。基于此智能框架和现有无线接入协议，无人机基站可以根据网络架构或业务需求搭载一个或多个智能模块来完成智能化决策，并且利用现有信令实现多个无人机智能模块之间的数据和模型交互，使能更为复杂的智能网络。

 

• 基于强化学习的智能寻优方案

通过将应急通信网络模型中的部署策略和配置参数建模为强化学习中的输入特性，无人机基站的自动寻优问题可以被转化为一个强化学习问题，并利用基于神经网络的Deep Q Network（DQN）算法进行解决。如果应急通信网络只包含一个无人机基站，其内嵌的智能模块只需根据采集到的数据进行本地学习，并且训练好的模型只用于该无人机的智能模块。而复杂的应急通信场景通常需要多个无人机基站同时提供连接服务，此时多个无人机基站需要进行协作来共同完成目标区域的信号覆盖。因此，多个无人机智能模块需要共享部分数据用于机器学习模型的协作训练。如图所示，每个无人机基站拥有的本地数据包含其部署策略（如无人机基站位置等），性能指标（如吞吐量，掉线率，干扰等）以及基站的参数配置（如发射功率，天线配置等）。如果将这些数据在多个无人机基站之间共享，网络的信令和数据负荷将会急剧增加，这样并不现实。更为有效的方法是，仅仅在无人机基站之间共享无人机的部署策略以及对应的机器学习模型参数。无人机基站可以将来自邻近基站的共享数据与训练好的本地模型进行整合，生成新的学习模型，实现无人机基站之间的协作。由于共享的模型参数是根据每个无人机基站采集的本地数据而训练生成，因此共享的模型参数包含足够的信息来表征本地的自适应寻优策略。

 

经过验证，在训练一定次数后，基于强化学习的自动寻优算法可以快速收敛并达到稳定的性能指标。训练次数越多，自动寻优算法能根据无人机基站的当前状态越快地提供最优寻优路径，指导无人机基站快速移动至指定位置并调整自身参数以最大化所要求的性能指标。当通信场景发生变化时，如大量用户移动导致业务分布与训练模型之前的分布有较大不同，该自动寻优算法可以自适应地调整模型参数，并且快速收敛，极大地提升了将该算法应用于实践的可行性。

具体而言，下图介绍了在应急通信场景中引入基于强化学习的智能寻优无人机基站前后关键用户部分性能指标的变化情况。在该应急通信场景中，如右下图所示，位于地图中心的一个宏基站发生故障，导致中心区域的关键用户出现服务质量下降甚至中断。以下行链路为例，在宏基站发生故障之前（蓝色直方图），关键用户的最差5%吞吐量（即5%的关键用户吞吐量低于该值），平均吞吐量（50% throughput）以及掉线率（drop rate）均处于较好水平。然而当一个宏基站发生故障无法正常工作时（绿色直方图），关键用户的吞吐量和掉线率性能均出现较大衰落。在这种场景下，如果引入三个搭载智能寻优模块的无人机基站部署在中心区域（橘色直方图），这三个无人机基站可以互相协作来为用户提供临时连接服务。如图所示，关键用户的吞吐量性能出现较大改善，掉线率也明显降低。然而，由于基站能力差异，通过无人机部署的应急通信网络并不能将关键用户的性能提升至宏基站未发生故障之前。此时可以通过增加无人机基站的数量来进一步提升应急通信网络的临时覆盖能力。上行链路的性能变化趋势与下行链路类似，不同之处在于，由于无人机基站有更大的几率靠近用户，因此引入无人机基站后上行较差用户的吞吐量甚至超过了宏基站未故障之前的情形，由此也可以看出无人机基站对于上行性能有较明显的提升效果。

 

• 总结：

如前所述，由于具有快速和灵活部署等优点，可部署式基站被广泛应用于应急通信领域中，为用户提供临时或额外无线连接服务。基于机器学习工具和3GPP提出的智能框架，我们实现了应急通信场景下可部署式基站的自动寻优。研究结果表明，经过训练，可部署式基站搭载的智能模块能够根据当前位置和参数配置迅速提供最佳部署策略，并且根据业务分布的变化调整智能模型，确保部署策略不断自适应优化。此外，基于3GPP标准的设计框架也保证了该研究方案的技术可行性。