6G网络关键技术

onion丶丶

1.      增强可见光通信eVLC

增强可见光通信（Enhanced Visible Light Communication）

可见光波段（390-700纳米，频率比界于毫米波和红外的太赫兹更高）的光通信系统系统通常被称为可见光通信（Visible Light Communications，VLC），它充分利用可见光发光二极管（LED）的优势，实现照明和高速数据通信的双重目的。与光纤通信相比，VLC具备无需布线，在自由空间传播的优势。与无线电通信相比，VLC具有多方面极具吸引力的优势。首先，可见光通信技术可以提供大量潜在的可用频谱（THz级带宽），并且频谱使用不受限，不需频谱监管机构的授权。

其次，可见光通信不产生电磁辐射，也不易受外部电磁干扰影响，所以可广泛应用于对电磁干扰敏感、甚至必须消除电磁干扰的特殊场合，如医院、航空器、加油站和化工厂等。再次，可见光通信技术所搭建的网络安全性更高。该技术使用的传输媒介是可见光，不能穿透墙壁等遮挡物，传输限制在用户的视距范围以内，这就意味着网络信息的传输被局限在一个建筑物内，有效地避免了传输信息被外部恶意截获，保证了信息的安全性。最后，可见光通信技术支撑快速搭建无线网络，可以方便灵活的组建临时网络与通信链路，降低网络使用与维护成本。像地铁、隧道等射频信号覆盖盲区，如果使用射频通信，则需要高昂的成本建立基站，并支付昂贵的维护费用。而室内可见光通信技术可以利用其室内的照明光源作为基站，结合其它无线/有线通信技术，为用户提供便捷的室内无线通信服务。

未来典型应用场景包括：光热点（特别是在室内场景）、短距离通信、星间链路激光通信和海底通信（克服衰减和电磁干扰）。这些典型应用场景的OWC技术值得深入研究，并针对性的优化解决。

2.      超大规模MIMO

6G可能采用更高的波段通信，因此天线可以做到很小。当前在毫米波频段就已经可以实现较大规模的天线阵列，以实现信道增益及波束赋形来抵消高频段带来的信道衰减。

未来针对6G的超大规模天线技术需要研究并突破如下几方面的问题：解决跨频段、高效率、全空域覆盖天线射频领域的理论与技术实现问题；研究可配置、大规模阵列天线与射频技术，突破多频段、高集成射频电路面临的包括低功耗、高效率、低噪声、非线性、抗互扰等多项关键性挑战；提出新型大规模阵列天线设计理论与技术、高集成度射频电路优化设计理论与实现方法、以及高性能大规模模拟波束成型网络设计技术。

3.      太赫兹和全谱融合

在6G中预计将会使用从厘米波到毫米波到THz再到可见光的全频段频谱，带来了从硬件到系统设计的几个新的开放问题。 对于毫米波，在毫米波频率上支撑高迁移率将是一个主要的开放性问题。同时，对于太赫兹，需要新的收发器架构以及新的太赫兹传播模型。高功率，高灵敏度和低噪声系数是克服THz频率上非常高的路径损耗所需的关键收发器功能。

不同频段的电磁信号通信都对通信系统有不同的要求，如何为不同的应用业务选择不同的通信频段，让不同频段的电磁波可以合理工作在同一通信系统中并提供有效可靠的多路访问能力将是未来研究重点方向。

4.      AI使能的智慧空口

当前，AI在无线通信网络的应用层和网络层主要有两方面的应用。首先，它们可以用于预测、推理和大数据分析。在此应用领域，AI功能与无线网络从其用户、环境和网络设备生成的数据集学习的能力有关。例如，AI可以用来分析和预测无线用户的可用性状态和内容请求，从而使基站能够提前确定用户的关联内容并进行缓存，从而减少数据流量负载。在这里，与用户相关的行为模式（如移动方式和内容请求）将显著影响缓存哪些内容、网络中的哪个节点以及在什么时间缓存哪些内容。其次，AI在无线网络中的另一个关键应用是通过在网络边缘及其各网元实体（如基站和终端用户设备）上内嵌AI功能来实现自组织网络操作。这种边缘智能是资源管理、用户关联和数据卸载的自组织解决方案的关键促成因素。在这种情况下，AI可以学习环境，并随着环境的变化采用不同的解决方案，使得设备自主决策成为可能，从而实现网络智能化。当然，AI可以同时用于无线通信网络的预测和自组织操作，因为这两个功能在很大程度上是相互依赖的。

未来AI还将用于物理层传输中，主要呈现出两种类型的深度学习网络，一种基于数据驱动，另一种基于数据模型双驱动。基于数据驱动的深度学习网络将无线通信系统的多个功能模块看作一个未知的黑盒子，利用深度学习网络取而代之，然后依赖大量训练数据完成输入到输出的训练。基于数据模型双驱动的深度学习网络在无线通信系统原有技术的基础上，不改变无线通信系统的模型结构，利用深度学习网络代替某个模块或者训练相关参数以提升某个模块的性能。AI用于物理层传输，意味着底层基础的信号处理与通信机制将可能突破传统经典的通信理论框架，而采用基于AI驱动的信号处理及通信机制。

5.      全息通信HoloRadio

由于天地一体化网络的应用及大型智能表面技术应用在6G信道传输过程中，6G必须支撑3D空间中的通信，包括为3D用户提供服务并部署3D基站（例如，系留气球或临时无人机）。反过来，这需要在各个方面进行一致的研究。首先，需要对物理全息空间传播环境进行测量和（数据驱动）建模。其次，必须开发用于全息型的频率和网络规划的新方法（例如，在何处部署基站，系留气球或什至无人机基站）。大家在文献[10]中的工作已经表明，由于新的海拔高度和相关的自由度，这种全息型的规划与传统的2D网络有很大不同。 最后，需要针对全息空间中的移动性管理，多路访问，路由和资源管理进行新的网络优化。

全息RF允许通过空间光谱全息和空间波场合成来控制整个物理空间和电磁场的完整闭环。这极大地提高了频谱效率和网络容量，并有助于集成成像和无线通信。如何实现全息广播是一个广阔的领域。

6.      光子定义无线电（PDR）—6G CloudRAN关键技术

光子定义无线电（Photonics Defined Radio），核心理念在于构建一个开放的、标准化的、模块化的无线电系统，该系统可以进行模拟及数字化的光子信号处理，具备从微波段到光波的超宽带扩展特性。

其系统包括四大模块：

l  光子前端（PFE）采用最有的射频前端（RFE）实行信号发射、接收及光信号与射频信号的转换。（传统射频系统转换为电信号）

l  光子引擎（PE）用于在光域完成信号生成与处理。

l  频谱计算（SC）实行电子任意波形的生成（eAWG）、符号生成、电子数字信号处理以及深度认知无线电引擎功能

l  App与控制模块则以编程方式对“光子无线电PDR”所需的功能进行配置。

7.      大型智能表面（LIS）

Large Intelligent Surface，在电磁可调表面(例如基于超材料)的革命的推动下，6G将控制来自大型智能表面(LIS)的信号反射和折射。开放研究的问题涉及从无源反射器和超材料涂层智能表面的优化部署到可重配置LIS的AI驱动操作。需要进行基本分析以了解LIS和智能表面的性能，包括速率，延迟，可靠性和覆盖范围。

利用LIS技术可增强极高频的6G无线通信的传播和覆盖，通过控制LIS表面来控制6G空口信号的反射和折射，达到改变物理传播空间的目的。

由于未来高频通信中高频信号非视距传播的衍射效应极弱，反射及折射效应十分明显（特性趋近可见光）。因此通过LIS技术实现智能化的深度覆盖将会被广泛应用在未来B5G及6G的无线天线应用中。

8.      天地一体化

天地一体化信息网络由卫星通信系统（天基骨干网、天基接入网、地基节点网）与地面互联网和移动通信网互联互通，建成“全球覆盖、随遇接入、按需服务、安全可信”的天地一体化信息网络体系。

天基骨干网由布设在地球同步轨道的若干骨干卫星节点联网而成，而骨干节点需要具备宽带接入、数据中继、路由交换、信息存储、处理融合等功能，有单颗卫星或多个卫星簇构成；天基接入网由布设在高轨或低轨的若干接入点组成，满足陆海空天多层次海量用户的网络接入服务需求，形成覆盖全球的接入网络；同时，地基节点网有多个地面互联的地基骨干节点组成，主要完成网络控制、资源管理、协议转换、信息处理、融合共享等功能，通过地面高速骨干网络完成组网，并实现与其它地面系统的互联互通。

天地一体化网络特别是天基网络受到空间传播环境与网络设置等因素的影响，与陆地移动通信网络存在显著差别：

（1）空间传输条件受限。空间节点由于距离遥远，信道质量差，链路通常存在较大的传输时延、较高的中断概率、非对称等特点；（低轨道多卫星的组网方式可以降低这些影响）

（2）空间节点组网的特殊性。空间节点设置受轨道、星座等的制约，节点高度动态、稀疏分布、拓扑结构动态变化等；

（3）系统组成与管理上的特殊性。有大量专用系统组成和专网构成，各自长期发展中缺乏统一标准，网络的管理实体应用需求和习惯也大相径庭，不同管理域异构网络互联互通困难，节点资源协同难。

由于天基网络存在上述与陆地移动通信网络的显著差别，大量陆地移动通信网络中的成熟技术难以直接用于天基网络。为尽快克服这些问题，需要考虑从几方面入手：尽快确定网络架构、确定接口标准、星间链路方案选择、天基信息处理、网络协议体系、安全机制等。

未来天地一体化通信网络五大典型的应用场景：

（1）全地形覆盖：地面基站无法覆盖到的区域，如为海洋、湖泊、岛屿、山区等；移动平台，如飞机、远洋船舶、高铁。

（2）应急通信：地震、海啸等灾害。

（3）广播业务：低速的广播服务，如公共安全、应急响应消息等；广播，点播多媒体业务。

（4）IoT服务：远洋物资跟踪、偏远设备监控、大面积物联设备信息采集；

（5）信令分流：通过卫星网络传递控制面的信息。

9.      按需网络计算

按需网络计算是指6G网络智能代理、算力与算法技术，包括神经网络、增强学习、迁移学习、对抗学习、联邦学习、自动学习、可说明学习、负责任学习等深度学习算法以及全局与本地AI分层技术和AI空口设计与AI芯片技术，以确保服务、资源、管理尤其是算力效率及其可信任性。

其应用场景包括物理层自动调制解调与信道编译码、无线高精定位、移动性管理、网络灵活部署、网络服务编排与管理等。

其主要技术挑战为云边端混合联合AI架构、网络全局与本地AI集成、多个AI代理目标对准、可说明AI算法设计、标签数据自助获取、数据标签的主动学习、训练与测试误差降低。

10.  按需拓扑

按需网络拓扑是指依据服务和连接需求灵活选择或改变网络部署形态与密度，包括TN/NTN接入与回传集成、本地网状网、灵活组播与多跳技术、动态路径选择、动态网络切片、多层异构密集化技术等，以实现成本、能耗等性能指标的按需优化。

其主要应用场景包括跨行业（如卫星广播电视与通信）数字基础设施综合服务平台、本地部署的CPS或数字孪生等确定性传感通信（如数字孪生城市基础设施监控、协作机器人通信）服务平台。

其主要技术挑战包括数据/意图驱动智能拓扑[包括网状网（MESH）、组播、多跳]策略、灵活无线接入网或虚拟小区（即用户为中心的服务小区）、智能移动网络（包括用户或站点移动性预测与切换）、智能端到端网络切片（包括业务与用户资源需求预测与分配）等。