基于 ml 的 csi-开心体育

ai 驱动的网络优化

近期，罗德与施瓦茨和高通技术公司联合展示了“跨节点”ai/ml 执行，这一突破性成果开创了业界先河。两个独立开发的模型协同工作，在复杂的 5g mimo 场景中将下行链路吞吐量提高了 50% 以上。

关键要素

信道状态信息 (csi) 反馈对于大规模 mimo 天线系统的运行至关重要，因为它能够支持精确的波束赋形，从而实现高性能传输。ai/ml 预计将提升系统效率、降低资源开销，并改善 5g-advanced 及未来 6g 网络的用户体验。

然而，受多种因素影响，基于 ml 的 csi 反馈增强面临较大挑战。首先，该方案依靠两个模型协同工作：一个部署在网络侧，另一个在用户设备侧运行。这意味着两个模型分别由不同厂商开发，且必须实现无缝协作。因此，要充分释放该方案的潜在优势，关键在于实现跨厂商的互操作性。基于 ml 的 csi 反馈值得重点关注，因为它是目前 3gpp 正在研究的唯一跨节点（“双边”）ai 试点场景。

模型协作

这两个 ai/ml 模型的工作方式可类比于高清广播中的编码和解码过程：复杂的图像被压缩成更小的数据包进行传输，随后在传输链路的两端通过相应的编码器和解码器重新还原图像。

在此案例中，罗德与施瓦茨为其 cmx500 5g 一体化信令测试仪设计了一个基于 ml 的解码器，用于模拟网络端的功能。另一方面，高通技术公司设计了一个在设备端运行的基于 ml 的编码器。两家公司采用了不同的方法对其模型进行训练。这两个模型基于预定义的参考模型进行训练，以实现相互兼容。

在模型训练完成后，它们被联合应用于 5g-advanced 场景，利用 cmx500 执行 8×4 mimo 测试，并将该场景传递给高通测试设备。智能手机模型完成计算后，对结果进行压缩，并将其返回至 cmx500。随后，网络侧模型借助这些数据对下行链路的波束赋形进行精细调节。