清华大学葛宁：探索通信开放新架构 应对行业5G的复杂性挑战

11月30日消息（乐思）在清华大学-中国移动联合研究院将举办名为“StarLight”的系列学术沙龙活动上，清华大学研究员联合研究院行业5G研究团队项目负责人葛宁发表了《如何应对行业5G的复杂性挑战》的演讲。

在演讲中，葛宁指出，现阶段，行业5G的挑战日益复杂，现有方法基于还原论思路，采用简化模型，受限于统计、稳态理论框架，效率、安全问题日益突出。行业需要探索通信开放的新架构，知识从人—单机-网络，在更高层次上研究通信中的复杂性问题。

现有方法存在局限性

最早人们采用两个极端的简化模式来应对行业5G的复杂性。首先，围绕着普适定律，最有代表性的是采样定律和信息论，无论是在任何时候以及地点，普适定律都是适用的。其次，对于信息来说，采用的是i.i.d简化模式，针对局部的信息应用模型。

葛宁表示，当要应对日益复杂的电磁资源，采用现有的方法的局限性就显露出来—只关心了局部，放弃了整体特性。简化模型导致资源利用瓶颈，面向行业变动条件的网络优化需要新的方式。

对于现有方法，依据统计平均设计优化，尽力而为，网络通常以超额供给的方式提供服务。网络付出2-3倍的超额带宽，也只能满足典型用户需求，对未来大容量、低延时业务仍存在服务瓶颈。这种统计理论局限于平均典型，效率面临瓶颈，难以支持行业服务质量保障。

此外，随着行业的应用，网络的安全成为人们重视的焦点。据统计，在机器流量中，恶意的流量已经占比多半，其原因在于网络将业务分解为数据包，不监管通信行为。这样的方式，网络本身设计采用无记忆，端到端的原则，稳态假设替代过程方法、安全需求难以满足。

应对复杂的新方法

葛宁指出，在这些网络复杂性的挑战之下，迫切需要突破旧的理论方法，找到新的理论途径。

新方法最初是来自于“973”的启发，也就是基于结构的处理方法。其出发点是复杂不确定性描述与处理的粒度。选取合理的力度，找到合适的中间层次，解决复杂性处理力度的问题。

葛宁认为，原来的理论要么模式普适定律，要么是独立丛分布的信息。在这种尺度上，无论是在某一段区域或者某一段时间，孕育着人的知识和规则，这种区域化的知识是一个重要的突破途径。

在这样的理论下，通信有了新的视角。通信网络的发展已经到了云网融合的时代，通信实际上是分布式处理的组织方式，解决的是行业中不同终端，不同用户乃至不同子网中独立协同运行的分布式处理的要求。

葛宁称，在新的视角下，通信和网络有了新的发展。从通信到网络，如果引入知识K，整个信息理论就有了新的内涵。在信息论对应的上方，传统的信息理论主要解决端到端的互信息问题，引入知识后，就成为了条件互信息，条件就成为网络优化和处理的方式。在传递过程中，不仅要处理比特，还要处理知识的交互和传递。

在信息论对应的下方是通信复杂性，这种通信复杂性针对的是分布式处理面临的不同处理单元之间为了达到协同处理需要交互的多少通信量。这是在知识的交互下，解决处理的问题。这种交互协议复杂性也成为网络需要应对的新的业务服务方式。我们需要整合不同的知识，使之成为有序的知识库。

在该背景下，需要探讨面向知识的信息理论。通过信息+知识的闭环演进，能使网络不断地发展，积累出新的知识和规则。在面向知识的信息理论，新的通信方式，从人机通信到虚拟交互。未来，当引入机器之后，机器与人的交互就要触及信息的含义新的层面。

葛宁指出，传统的通信是传递比特，格式是事前约定的，但是对未来人机物混杂的交互系统，就需要引入先验知识，以编码规范信息含义，就要求发展可扩展的标准规范，达到含义网络统一，实现机器互联互通。知识库承载编码含义，可按场景分类，通过演进更新适应需求变化，

引入先验知识库 提升通信能力

葛宁指出，在新的理论的支撑下，得以逐渐探索新的通信架构。为了应对行业5G的复杂性，需要把人和网络的能力结合起来，人的计算、记忆以及沟通能力是有限的，要发挥网络的能力来应对行业5G的复杂性。知识使用从人到单机到网络，探索网络新架构，研究应对复杂性的新途径。

传统通信流程是简化模型，面向稳态分解。973提出创新思路，引入先验知识库，提升通信能力。在层析信道模型和计算通信模型方面整明可行性与有效性。新的发展思路是引入高层次闭环反馈，为“管”传播环境、媒体内容以及流量性质提供途径。网络需要不断地学习以及记忆，形成知识驱动的智能通信架构，通过网络化知识库的构建和运用来应对通信中日益增长的复杂性。

葛宁强调：“以往的通信网络是一个管道，希望在引入智能协同优化平台之后，网络能实现对外交互，从封闭到开放，对服务过程不断评价和优化。同时，引入环境、媒体、行为等知识库，实现从人工驱动到知识驱动，闭环自主学习。”

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。