【摘要】    5G网络为了适应当前的互联网业务，需要使用网络容量自适应算法对自身的业务和性能进行提高，传统的网络容量自适应算法没有考虑基站的网络使用行为和特点，导致在不同信噪比以及不同时延需求下的网络吞吐量性能较差，为此，设计一种基于AI大数据技术的5G网络容量自适应算法。建立5G网络信道模型，计算信息冲击响应和信道频率，利用AI大数据技术分析基站容量时空特征，将得到的空间数据网格化，考虑用户的QoS需求，对自适应算法进行设计，分析子载波数量、基站天线数、用户距离基站位置之间的关系，并设计出子载波的调整算法。实验结果表明：在不同信噪比和时延下，设计算法与传统算法相比优势更明显，吞吐量性能更好。

【关键词】    AI大数据    5G网络    容量自适应    信道模型    子载波数量    基站天线数

引言：

5G网络已经逐步在我国普及，其自身所具有的增强移动宽带、机器通信以及通信性能等特点。在移动互联网发展的历程中，随着移动互联网的普及，网络也承担着流量大爆发的考验。目前的网络容量自适应算法中没有考虑用户需要的特点，导致在不同信噪比以及不同时延需求下的网络吞吐量性能较差，因此本文设计一种基于AI大数据技术的5G网络容量自适应算法。

一、基于AI大数据技术的5G网络容量自适应算法研究

1.1建立5G网络信道模型

信道是5G网络信息传输的重要媒介通道，这种无线通信的信道条件非常容易受到外界因素的影响，稳定性与有线通信相比总体上较差。因此在传输信道中，当接收到了一些不存在视距成分的信号时，将这些信号进行叠加，得到的包络需要服从Rayleigh分布[2]。为了将信道模型进行简化，将信号中的多径链路数量与时延需求都暂定为恒定不变，因此在信道中的信息冲击响应可以用公式进行描述：

上式（1）中，aL表示不稳定5G网络信道中的信号多路径传输增益，τL表示多个路径所对应的时延数量，L表示整个信道中所有能够传输信息的路径总数，fc表示网络中通信载波的频率，δ（τ）表示Diracs Delta函数。将上式进行相应的变化，可以求出多信道中的频域响应。无线信道在不断变化的情况下，将衰落信道看作是高斯白噪声，因此在复冲击响应发生时，信号会产生衰减，信道频率相应也能随之求出。

1.2基于AI大数据技术分析基站容量时空特征

在5G网络的容量自适应算法中，利用AI大数据技术结合卷积神经网络来对5G基站中的流量空间进行特征提取，将提取到的特征数据输入到卷积神经网络中[3]。卷积神经网络在基站中具有空间特征提取能力，对于用户和基站的一些基本信息进行统计。对于5G网络的容量自适应来说，AI大数据的流量预测能够得到网络基站中的自适应网络架构，能够提高资源配置精准性。5G网络中使用AI大数据进行基站的容量分析，可以将已经网格化的基站流量预测进行统一，此时可以将预测的时间缩短。基站中的流量数据可以将连续的时间数据和周期性数据作为输入，在卷积神经网络中也有不同的对应位置。此时可以实现连续时间序列数据的特征提取，并得到基站流量数据的周期性变化。

对该基站中的全部原始数据按照采集时间进行排序整理;由于现阶段5G技术的限制问题，原始数据中还会出现一些数据缺失以及异常值问题，需要在基站运行大数据中将数据异常进行统计，并设定缺失和异常的阈值，当数据自身缺失/异常情况超过该阈值，则需要放弃该数据的使用。

1.3考虑QoS速率需求完成算法设计

在5G通信网络中，子载波的总数一般为偶数，在网络中存在多种QoS的速率需求时，系统的频谱效率与网络的基站天线数量之间成正比[4]。但是基于现实原因，网络中的基站天线数量固定，因此想要将系统频谱效率最大化，网络容量就要完成优化。每个5G网络用户的信道使用速率与大尺度衰落有关系，大尺度衰落则受到用户与基站之间的信息传输距离影响，因此在算法优化的过程中，基站天线数量、QoS速率以及不同位置的子载波需求量之间存在下表所示的关系：

上表中，V表示速率需求，A表示基站天线数，L表示用户距离基站的位置，s表示用户需要的子载波数量。为了保证5G网络速率的需求，在自适应的过程中，基站天线确定了初始数量之后，可以根据上表中的机损规律，给5G用户分配子载波数[5]。当全部用户需要的子载波的总量与5G网络中的总子载波数量相等时，此时网络中处于一种平衡且稳定的状态;当全部用户需要的子载波的总量与5G网络中的总子载波数量，说明5G网络能够完全覆盖用户的通信需求，并且有一定数量的子载波可以进行二次分配，为了将吞吐量提升到最高，可以通过分配多余子载波给信道状况好的用户，以此来优化网络中的频谱效率。当全部用户需要的子载波的总量大于5G网络中的总子载波数量时，需要增加基站的天线数量，直到总子载波数量能够覆盖用户所需的子载波数量。

基于以上三种情况，在考虑用户QoS速率的情况下，需要对5G网络容量自适应算法进行设计，首先根据网络中全体用户的数量来确定基站天线的全部数量，并将此时的情况设定为模式1，在网络模式1的情况下统计用户自身信息和对于速率的需求，确定不同用户能够分配到的子载波数量，并计算出子载波没有分配的数量，并将用户与基站的距离进行统计与排序，并将网络中剩余的子载波按照规则进行分配。至此完成基于AI大数据技术的5G网络容量自适应算法的研究。

二、实验

2.1实验准备

为了验证本文设计的基于AI大数据技术的5G网络容量自适应算法的有效性，需要利用仿真实验进行验证。首先在仿真软件中将5G网络的通信链路设定为高斯白噪声信道。

为了使仿真条件与实际的5G网络通信业务更加相近，并且能够满足通信场景中不同的时延需求，设置三个等级的时间延迟，分别为2ms、5ms、8ms，相应的链路时延信噪比范围平均分布在4.6 dB -9.2 dB之間。在上述三种不同状态下，计算吞吐量。

2.2实验结果分析

在以上实验条件下，分别使用本文设计的算法和传统的算法在不同时延需求下，吞吐量与信噪比之间的关系如图1所示。

图1中给出了不同时延需求下两方法的吞吐量结果，本文在传统算法的吞吐量差距变大，随着信噪比升高，两算法的吞吐量差距越来越小，这说明本文設计的算法与传统的算法相比优势更明显，在不同信噪比和时延下，本文算法的吞吐量性能更好。

三、结束语

5G通信技术在带宽上出现了增大，相应的子载波数量也随之上升。为此，本文对5G网络容量自适应算法进行研究。建立5G网络信道模型，分析基站容量时空特征，同时虑QoS速率需求对算法进行设计。实验结果表明：本文设计的算法优势更加明显，吞吐量更好。但是本文算法在实际应用中还没用得到有效性证实，因此在后续的研究中还有很多需要改进的地方。

参  考  文  献

[1] 廖兵，魏康霞.基于5G、IoT、AI与天地一体化大数据的鄱阳湖生态环境监控预警体系及业务化运行技术框架研究[J].环境生态学，2019，1（07）：23-31.

[2] 曲思潼，张远，王涛，等，曹振新.基于Massive MIMO系统的自适应抗干扰算法研究及实现[J].电视技术，2020，44（07）：67-75.

[3] 唐伦， 赵培培， 赵国繁，等. 基于深度信念网络资源需求预测的虚拟网络功能动态迁移算法[J]. 电子与信息学报， 2019， 41（06）：1397-1404.

[4] 赵晓娟， 杨守义， 张爱华，等. 一种稀疏度自适应的SIMO-NOMA系统多用户检测算法[J]. 电子技术应用， 2019， 45（01）：64-67.

[5] 王巍振，张安琳，黄道颖，等.一种基于吞吐量变化的OpenFlow网络自适应测量算法[J].火力与指挥控制，2019，44（02）：139-143.

基金项目：

2019年广东省普通高校青年创新人才类基金项目：《基于AI技术在5G无线网络优化中的研究与应用》（基金编号2019GKQNCX076）

黄宗伟（1984），男，汉族，江西赣州，硕士，副研究员，研究方向：通信技术，计算机网络。