超越 5G/6G 通信的人工智能 (AI) 和机器学习 (ML)

在过去的几年中，我们看到在现代社会和整个经济中使用数字技术提供广泛服务的巨大增长和新机遇在某些方面影响了我们的日常生活。人工智能和机器学习是这些创新数字技术/服务的核心，增长最快，要求也更高。Beyond 5G/6G通信系统的期望是提供更高系统容量、低延迟、高可靠性、更高频谱效率的服务，并支持大规模物联网（IoT）。没有网络系统的自动化，将很难实现这些要求。所以，在未来无线网络的设计过程中，必须考虑 AI/ML 的所有预期用途，以实现智能网络的愿景，促进网络管理和运营的自动化。本期特刊中的文章重点介绍了使用 AI/ML 设计、管理和优化 B5G/6G 网络的当前研发 (R&D) 趋势和发现。

Georgios P. Koudouridis 等人的文章。提出了一个提供三种不同 AI 架构选项的框架：集中式、完全分散式和混合式。该框架更详细地识别逻辑 AI 功能，确定它们如何映射到 B5G 无线电接入网络架构，并检查部署成本要素，特别是计算、通信和存储成本。基于异构网络的用例场景，对该框架进行了评估。结果表明，部署成本分析因各种 AI 架构可能性而异，在部署和选择 AI/ML 解决方案时应考虑此成本。

B5G 中最有前途的概念似乎是无小区大规模 MIMO（CF M-MIMO）技术。尽管 CF M-MIMO 系统具有诱人的特性（包括功率分配和信道估计），但仍有一些缺点。在包括无线通信在内的各种科学领域中，深度学习 (DL) 已被有效地应用于应对广泛的挑战。Lazaros Alexios Iliadis 等人的文章。回顾了 CF M-MIMO 通信系统中使用的最新 DL 技术。介绍了最流行的 DL 模型以及无细胞网络的基本属性。最后强调了未来研究的方向。

物联网 (IoT) 和车联网 (IoV) 正在迅速扩展到 6G 网络，这极大地引发了安全问题。一种更有用的方法是使用机器学习（包括深度学习）来检测恶意网络流量。孙斌等人的这篇文章。建议检查对话数据集的特征并选择合适的特征组合成一个数据集，以提高恶意软件和恶意流量识别的性能。对真实数据的研究表明，条件数据集组合可用于提高算法性能和检测结果。