移动网络上的大数据：软件定义无线电的作用

作者：BRENDON MCHUGH，KAUE MORCELLES

5G网络的主要结构是无线接入网络（RAN），可以在多种架构中实现。无论架构如何，软件定义无线电 （SDR） 在 RAN 链的每一步都发挥着重要作用，包括回传、中传和前传。无论是在战场上还是在城市丛林中，SDR 都提供了处理“大数据”过剩的重要技术功能，包括快速 10-100 Gb/s 光纤通信、宽调谐范围、多个多输入/多输出 （MIMO） 通道、高相位一致性以及可编程以适应任何应用的基于软件的后端。

术语大数据用于指定从许多不同来源收集的大量数据，以及旨在分析这些数据集的统计工具和技术，通常基于云/边缘计算、机器学习 （ML） 和人工智能 （AI）。收集收集和使用大数据所需的大量信息并非易事。

各种各样的无线设备（通常称为用户设备（UE））在大型5G网络上运行，包括自动驾驶汽车、智能手机和IoT ［物联网］设备。从多个UE中提取大数据，并通过统计分析和ML / AI算法进行进一步的信息处理，为一些有用的网络操作提供了完美的框架，包括设备网关的优化，网络中的频谱共享和动态频谱访问，以及物联网网络上的实时性能诊断和分析，包括关键绩效指标（KPI）的评估。但是，要正确启用大数据，UE和网络必须提供非常高的数据吞吐量，低延迟回程和优化的数据存储。

通常，基带单元（BBU）和无线电主机（RRU）中的通信模块基于软件定义无线电（SDR）;因此，这些SDR的性能是无线大数据采集的主要瓶颈之一。在这种情况下，超低延迟和超高性能SDR越来越多地被5G基站采用，特别是由于真正的并行信号处理（由FPGA［现场可编程门阵列］技术提供支持）及其在以太网光纤上的非常高的数据吞吐能力，能够提取、处理和打包大量数据。

基于 FPGA 的数字后端还可以轻松地在 SDR 中实现大数据功能和分析。此外，随着LTE/5G上连接的UE数量的增加，这些频段变得越来越拥挤和稀缺，因此智能无线资源分配和频谱共享策略可以显着提高网络的电磁（EM）性能。这两种技术都需要宽带频谱监控，而这只能使用高性能SDR来实现，具有MIMO功能，超低延迟，宽带宽和高调谐范围。

5G的未来

与目前的4G / LTE技术不同，5G不仅仅是一个简单的数据管道。事实上，5G网络可以被视为专门构建的网络，旨在促进许多设备，传感器和自动化系统之间的连接。通过提供超过4G十倍的容量，5G可以确保高水平的互连，满足军事，政府和商业设备的需求，以高比特率和超低延迟传输大量数据。这种连接能力对于各种用途都至关重要，例如增强现实 （AR）、虚拟现实 （VR）、自主系统、触觉互联网和自动化。

尽管5G正在迎来技术革命，但仍有一些挑战必须解决，以释放其全部潜力。5G实施的主要瓶颈是网络基础设施。虽然网络骨干的一部分可以在已经使用的电信基础设施中实现，但真正的5G需要在人口稠密的地区使用大量小型蜂窝来支持大量数据流量，每个蜂窝都使用速度大于10 Gb/sec的无线和光纤链路，延迟小于1毫秒。此外，为高数据速率用户（》 6 GHz）提供足够带宽所需的高频在RF信号质量方面存在严重问题。例如，由于信号丢失，高频的范围较短，并且很容易被障碍物（包括建筑物，墙壁和树木）阻挡，因此它们需要大量的小蜂窝来增加覆盖范围。

幸运的是，使用多输入/多输出 （MIMO） SDR 可以简化高密度小型蜂窝网络的实施，同时解决带宽和覆盖范围问题。最后，由于与包括自主系统和车辆在内的关键系统的紧密集成，5G中的网络安全比4G更令人担忧：因此，需要专门的安全方案来确保5G网络的稳健性，特别是考虑到大数据应用中的隐私问题。

5G网络的高带宽和低延迟，结合多接入边缘计算（MEC）架构的实施，为收集和处理RF大数据创造了完美的环境。主要思想包括从密集的小型蜂窝中提取尽可能多的数据，应用于物联网中的大规模机器类型通信（mMTC）和机器对机器通信（M2M），并将这些数据转换为实时见解，用于智能决策，使用分布式计算架构和高性能网络链路，可以进一步应用于服务质量（QoS）评估和优化。例如，大数据可以作为运营商预测需求曲线的工具，协调动态资源分配和网络切片，并通过优化网络容量来解决干扰和覆盖限制。此外，5G改进的互连性将使分布式边缘计算达到一个全新的水平，所有繁重的大数据计算都在云中执行。（图 1。

［图1 |服务、网络和功能层面的整体5G架构。

5G 网络中的 SDR

顾名思义，软件定义无线电是在数字域中实现大多数信号处理和通信功能的RF单元，仅将基本要素留给模拟电路。SDR 的一般架构由模拟前端 （AFE） 和数字后端组成。AFE 包含接收和发送功能，并且可以在 MIMO 操作中由多个通道组成。每个AFE信道都可以在很宽的频率范围内进行调谐，包括5G调谐范围。由AFE放大和滤波的模拟信号使用专用ADC和具有高稳定相位相干性的DAC进行数字化。然而，SDR的真正症结在于数字后端，它通常使用高端FPGA实现。FPGA具有板载DSP功能，负责基本的无线电功能，如调制/解调、上变频/下变频和滤波，但它也可以执行复杂的通信任务，包括最新的5G通信协议和DSP算法。此外，它还可以通过 SFP+/qSFP+ 链路对超过 10 到 100 Gb/秒的以太网数据包进行分组和传输。基于 FPGA 的后端使 SDR 能够针对各种 SWaP（尺寸、重量和功耗）要求进行设计。

SDR 是通用 5G RF 网络的主要构建块。它们可以作为RRU中的前传网络实现，以接收和传输来自用户设备的数据，也可以作为BBU，特别是O-RAN网络标准中的分布式单元（DU）和中央单元（CU）。事实上，SDR可以应用于网络链的任何步骤，在中传和回传中也发挥着重要作用。此外，它们通过提供具有高灵活性、低功耗和小尺寸的现成解决方案，在毫微微蜂窝（小型低功耗蜂窝基站）中结合 RRU 和 BBU 功能的理想技术。基于 SDR 的毫微微蜂窝可用于各种应用，包括用于战术用途的无线网络或用于无人机系统 （UAS） 的嵌入式通信系统。

大数据驱动的 AI/ML 和 SDR

由于其与基于软件的技术的亲和力，SDR可以促进与大数据和人工智能/机器学习（AI/ML）算法相关的多种技术。例如，SDR可用于测试5G网络的关键性能指标（KPI）。快速管理网络切片 （NS） 所需的高速可重构性很容易降低网络的 KPI。在这种情况下，KPI 监视和评估技术（如自主异常检测 （AAD） 和实时分析）是维护 QoS 的基础。这些技术可以通过利用数字后端并使用FPGA在本地运行复杂的KPI分析算法，使用SDR轻松实现。

由于5G RAN（无线接入网络）必须处理大量不同的设备和服务，因此网络切片是强制性的。要创建这些独立的切片，需要SDN/NFV技术，在网络的物理层上提供足够的灵活性和可重构性。SDR在网络软件化中发挥着重要作用，使SD-RAN算法的实施成为可能，例如实时RAN智能控制器（RIN）。此外，大数据驱动的动态切片可以获取有关网络状态的实时信息，并根据流量预测器和专用成本函数自动重新分配资源。（图2。

［图2 |图表显示了数据驱动的AI/ML如何帮助无线接入网络（RAN）。

数据驱动的 ML/AI 算法还可用于波束成形优化，通过协助 RRU 计算和选择最佳波束以最大化参考信号接收功率 （RSRP）。在这种情况下，波束成形过程将采用数据驱动反馈系统的形式，其中每个UE通知服务单元几个光束参数，包括光束指数（BI）和光束参考信号接收功率（BRSRP），然后决定必须选择哪些光束来为该单元提供服务。随着UE的大量使用，这成为一个大数据问题。通过促进RRU的软件化并提供MIMO功能来驱动天线阵列，SDR实际上通过大数据实现了波束成形优化。此外，在大规模MIMO应用中，每个波束成形天线都会接收一个权重，必须对其进行优化才能获得最佳波束。ML/AI 算法可用于根据预测模型、历史数据、干扰数据和用户规范动态优化天线的权重。

审核编辑：郭婷