面向智能服务的雾无线接入网络：原理、技术与挑战

刘晨熙; 刘炳宏; 张贤; 龙新南; 彭木根

doi:10.11959/j.issn.2096-6652.202102

您当前的位置：

首页 >

文章列表页 >

面向智能服务的雾无线接入网络：原理、技术与挑战

综述与展望 | 更新时间：2024-06-05

- 面向智能服务的雾无线接入网络：原理、技术与挑战
- Intelligent service oriented fog radio access network:principles, technologies and challenges
- 智能科学与技术学报 2021年3卷第1期页码：10-17
- 作者机构：
- 作者简介：
  
  [ "刘晨熙（1989- ），男，博士，北京邮电大学网络与交换技术国家重点实验室副研究员、博士生导师，主要研究方向为雾无线接入网络、网络智能、超可靠低时延通信以及网络安全。" ]
  [ "刘炳宏（1995- ），女，北京邮电大学网络与交换技术国家重点实验室博士生，主要研究方向为无人机组网、无线资源分配、非正交多址接入、移动边缘计算。" ]
  [ "张贤（1992- ），男，北京邮电大学网络与交换技术国家重点实验室博士生，主要研究方向为雾无线接入网络、网络智能优化和无人机组网等。" ]
  [ "龙新南（1997- ），男，北京邮电大学网络与交换技术国家重点实验室硕士生，主要研究方向为雾无线接入网络、无人机组网。" ]
  [ "彭木根（1978- ），男，北京邮电大学网络与交换技术国家重点实验室教授、博士生导师，主要研究方向为智能化无线组网理论与关键技术。" ]
- 基金信息：
  
  国家自然科学基金资助项目;The General Program of National Natural Science Foundation of China(61671074);北京市自然科学基金资助项目;The Natural Science Foundation of Beijing(JQ18016);中央高校基本科研业务费专项资金资助项目;The Fundamental Research Funds for the Central Universities(2020RC09)
- DOI：10.11959/j.issn.2096-6652.202102
  中图分类号： TN929.5
- 网络出版日期：2021-03，
  
  纸质出版日期：2021-03-15
- 稿件说明：
移动端阅览
刘晨熙, 刘炳宏, 张贤, 等. 面向智能服务的雾无线接入网络：原理、技术与挑战[J]. 智能科学与技术学报, 2021,3(1):10-17.

Chenxi LIU, Binghong LIU, Xian ZHANG, et al. Intelligent service oriented fog radio access network:principles, technologies and challenges[J]. Chinese journal of intelligent science and technology, 2021, 3(1): 10-17.
刘晨熙, 刘炳宏, 张贤, 等. 面向智能服务的雾无线接入网络：原理、技术与挑战[J]. 智能科学与技术学报, 2021,3(1):10-17. DOI： 10.11959/j.issn.2096-6652.202102.

Chenxi LIU, Binghong LIU, Xian ZHANG, et al. Intelligent service oriented fog radio access network:principles, technologies and challenges[J]. Chinese journal of intelligent science and technology, 2021, 3(1): 10-17. DOI： 10.11959/j.issn.2096-6652.202102.

摘要

大数据和人工智能的兴起推动了智能服务的蓬勃发展。然而由于数据管理和模型训练成本高昂，以及用户对时延和隐私等的需求愈加突出，基于现有的集中式网络架构难以实现整体网络的智能化。为此，提出了一种支持分布式机器学习的基于人工智能的雾无线接入网络（AI-FRAN）架构，并探讨了支撑该架构的基础理论，明确了充分利用雾无线接入网络（F-RAN）中通信资源、计算资源以及缓存资源的关键赋能技术。最后，讨论了AI-FRAN未来的发展机遇与挑战。

Abstract

Big data and artificial intelligence has promoted the development of intelligent service.However

due to the high cost of data management and model training

as well as the increasing demands of users for latency and privacy

it is difficult to achieve the intelligent network based on the existing centralized network architecture.To address this issue

an artificial intelligence-based fog radio access network (AI-FRAN) architecture that supported distributed machine learning was proposed

and the fundamental principles that support the architecture were discussed.The key enabling techniques were identified that can realize the full utilization of communication resources

computing resources and cache resources in fog radio access network (F-RAN).Finally

the opportunities and challenges of AI-FRAN were discussed.

关键词

Keywords

references

YANG Z , DING Z G , FAN P Z . Performance analysis of cloud radio access networks with uniformly distributed base stations [J ] . IEEE Transactions on Vehicular Technology , 2016 , 65 ( 1 ): 472 - 477 .

SUN C , LI H , LI X H , et al . Convergence of recommender systems and edge computing:a comprehensive survey [J ] . IEEE Access , 2020 , 8 : 47118 - 47132 .

PENG M G , YAN S , ZHANG K C , et al . Fog-computing-based radio access networks:issues and challenges [J ] . IEEE Network , 2015 , 30 ( 4 ): 46 - 53 .

SUN Y H , PENG M G , MAO S W . Deep reinforcement learning-based mode selection and resource management for green fog radio access networks [J ] . IEEE Internet of Things Journal , 2019 , 6 ( 2 ): 1960 - 1971 .

XIANG H Y , PENG M G , SUN Y H , et al . Mode selection and resource allocation in sliced fog radio access networks:a reinforcement learning approach [J ] . IEEE Transactions on Vehicular Technology , 2020 , 69 ( 4 ): 4271 - 4284 .

LETAIEF K B , CHEN W , SHI Y M , et al . The roadmap to 6G:AI empowered wireless networks [J ] . IEEE Communications Magazine , 2019 , 57 ( 8 ): 84 - 90 .

WEI Y F , YU R , SONG M , et al . Joint optimization of caching,computing,and radio resources for fog-enabled IoT using natural actor-critic deep reinforcement learning [J ] . IEEE Internet of Things Journal , 2018 , 6 ( 2 ): 2061 - 2073 .

LUONG N C , HOANG D T , GONG S M , et al . Applications of deep reinforcement learning in communications and networking:a survey [J ] . IEEE Communications Surveys ＆ Tutorials , 2019 ( 99 ): 1 .

YU Y , LI H L , CHEN R N , et al . Enabling secure intelligent network with cloud-assisted privacy-preserving machine learning [J ] . IEEE Network , 2019 , 33 ( 3 ): 82 - 87 .

LIU X , XU Y H , JIA L L , et al . Anti-jamming communications using spectrum waterfall:a deep reinforcement learning approach [J ] . IEEE Communications Letters , 2018 , 22 ( 5 ): 998 - 1001 .

浏览量

883

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于多模态大语言模型的数字厨师与智能烹饪系统

新AI与智能科技前沿：从PAPAI++到新产业生态

智能科技与K21教育：未来社会的未来学校与未来师生

数字教师与平行教育：关于ChatGPT之后教学变革的探讨

融合音画同步的唇形合成研究