作者：李鐵鈞 奚智偉 劉思享
摘要：隨著5G-A技術(shù)的商業(yè)化進(jìn)程加速，XR等新興業(yè)務(wù)的引入對網(wǎng)絡(luò)感知速率提出了更高的要求。調(diào)制與編碼策略（MCS）和空分復(fù)用流數(shù)（RANK）作為影響網(wǎng)絡(luò)性能的關(guān)鍵因素，其優(yōu)化策略對用戶體驗(yàn)和網(wǎng)絡(luò)效率具有顯著影響。本文綜合分析了MCS、RANK優(yōu)化的理論基礎(chǔ)、現(xiàn)狀以及基于人工智能（AI）的優(yōu)化方法，探討了通過參數(shù)調(diào)整和AI建模提升網(wǎng)絡(luò)性能的途徑，并結(jié)合實(shí)際試點(diǎn)驗(yàn)證了優(yōu)化效果。
關(guān)鍵詞：MCS（調(diào)制與編碼策略）；RANK（空分復(fù)用流數(shù)）； 機(jī)器學(xué)習(xí)；優(yōu)化算法引言
5G網(wǎng)絡(luò)的高速率、低延遲和高連接能力為眾多行業(yè)帶來了新的發(fā)展機(jī)遇。然而，在實(shí)際部署過程中，信號覆蓋弱場優(yōu)化等挑戰(zhàn)依然存在。調(diào)制與編碼策略（MCS）和空分復(fù)用流數(shù)（RANK）作為無線網(wǎng)絡(luò)優(yōu)化的核心指標(biāo)，其優(yōu)化策略對用戶體驗(yàn)速率和網(wǎng)絡(luò)效率起著決定性作用。本文通過深入分析MCS、RANK的原理及其影響因素，結(jié)合人工智能技術(shù)探索優(yōu)化方法，并通過實(shí)際試點(diǎn)驗(yàn)證優(yōu)化效果。
MCS與RANK優(yōu)化的理論基礎(chǔ)
調(diào)制與編碼策略（MCS）是5G無線網(wǎng)絡(luò)中用于保障用戶設(shè)備（UE）業(yè)務(wù)傳輸效率和質(zhì)量的關(guān)鍵參數(shù)。MCS的調(diào)整基于信道質(zhì)量的好壞：信道質(zhì)量良好時，采用更高階的調(diào)制方式和更高的編碼效率；信道質(zhì)量較差時，則采用更低階的調(diào)制方式和更低的編碼效率。根據(jù)3GPP TR 38.214協(xié)議，MCS與碼率之間存在明確的對應(yīng)關(guān)系。MCS值越高，碼率越大，傳輸效率越高。例如，256QAM和64QAM的MCS Index對應(yīng)不同的碼率和頻譜效率，具體參考協(xié)議3GPP TS 38.214協(xié)議中的“Table 5.1.3.1-4: MCS index table 4 for PDSCH”。
空分復(fù)用流數(shù)（RANK）表征了在相同的時頻資源上，空間上同時傳輸?shù)臄?shù)據(jù)流數(shù)量。RANK值越高，速率越高，且多流之間的相關(guān)性越低，抗干擾能力越強(qiáng)。終端能力（如2T4R）和空口環(huán)境（如多徑反射）對RANK的影響顯著。在信道環(huán)境較好且存在多徑反射的場景下，終端更容易獲取較高的RANK值。
在無線通信領(lǐng)域，不同廠商所采用的MCS（調(diào)制與編碼策略）和RANK（空分復(fù)用流數(shù)）的資源管理模塊（RRM）算法雖存在差異，但其核心理念保持一致。這些RRM算法依據(jù)SRS（探測參考信號）測量結(jié)果、用戶設(shè)備（UE）的能力、信道狀態(tài)信息（CSI）上報(bào)、調(diào)度結(jié)果以及基站配置，計(jì)算不同MCS/RANK組合下的頻譜效率。在這一過程中，MCS的初始分配基于信道條件及相關(guān)調(diào)整參數(shù)，為UE指定初始MCS值。隨后，依據(jù)UE的調(diào)度反饋，MCS值逐步調(diào)整，直至UE的誤碼率（BLER）穩(wěn)定在合理區(qū)間（通常約為10%）�；緞t通過比較不同MCS/RANK組合的頻譜效率，選擇最優(yōu)組合進(jìn)行調(diào)度。值得注意的是，不同RANK之間的切換需滿足特定的閾值條件，同時，通過參數(shù)調(diào)整可影響不同RANK的頻譜效率，進(jìn)而調(diào)控各RANK的傾向性。
當(dāng)前MCS與RANK優(yōu)化的痛點(diǎn)
在實(shí)際無線網(wǎng)絡(luò)環(huán)境中，MCS和RANK的優(yōu)化面臨著諸多挑戰(zhàn)，其中最為關(guān)鍵的是MCS/RANK組合策略的選擇以及誤塊率（BLER）收斂策略的確定。這些痛點(diǎn)對優(yōu)化策略的靈活性和適應(yīng)性提出了更高的要求。
1.MCS/RANK組合策略選擇
在相同的無線環(huán)境下，不同的MCS/RANK組合會導(dǎo)致顯著不同的頻譜效率和吞吐率表現(xiàn)。具體而言，低RANK高M(jìn)CS策略適用于信道質(zhì)量較好但多徑反射不足的場景，通過提高M(jìn)CS能夠有效提升單流傳輸效率，然而，較低的RANK可能會限制整體吞吐率。相反，高RANK低MCS策略則適用于多徑反射豐富但信道質(zhì)量一般的場景，通過增加RANK可以顯著提升整體吞吐率，盡管單流傳輸效率可能較低。
低RANK高M(jìn)CS策略：
高RANK低MCS策略：
因此，MCS/RANK組合策略的選擇需要根據(jù)實(shí)際無線環(huán)境和業(yè)務(wù)需求進(jìn)行動態(tài)調(diào)整，以實(shí)現(xiàn)網(wǎng)絡(luò)性能的最優(yōu)化。
2.BLER收斂策略
選擇不同業(yè)務(wù)對BLER的收斂策略需求不同。游戲業(yè)務(wù)通常選擇低BLER收斂策略，以減少時延并提升用戶體驗(yàn)；而網(wǎng)頁業(yè)務(wù)則傾向于選擇較高的BLER收斂策略，以提升吞吐率并縮短加載時間。
游戲：
網(wǎng)頁：
然而，目前并沒有一種最優(yōu)的BLER收斂策略能夠適用于所有場景和業(yè)務(wù)類型。因此，BLER策略的選擇需要綜合考慮業(yè)務(wù)類型和用戶需求，以實(shí)現(xiàn)最佳的網(wǎng)絡(luò)性能和用戶體驗(yàn)。
基于AI的MCS與RANK優(yōu)化方法
本文提出了一種基于人工智能（AI）的MCS與RANK優(yōu)化方法，旨在通過AI建模實(shí)現(xiàn)最優(yōu)組合策略，從而提升網(wǎng)絡(luò)性能。該方法的核心在于利用AI技術(shù)對復(fù)雜的無線網(wǎng)絡(luò)環(huán)境進(jìn)行建模和優(yōu)化，以實(shí)現(xiàn)動態(tài)調(diào)整MCS和RANK參數(shù)，滿足不同場景下的性能需求。
優(yōu)化步驟：
1)數(shù)據(jù)預(yù)處理
數(shù)據(jù)預(yù)處理是優(yōu)化流程中的關(guān)鍵環(huán)節(jié)，主要包括數(shù)據(jù)拼接和異常數(shù)據(jù)清洗兩個部分。數(shù)據(jù)拼接通過北向接口提取5G網(wǎng)絡(luò)小區(qū)的小時級話務(wù)統(tǒng)計(jì)報(bào)表以及每次參數(shù)修改后的網(wǎng)絡(luò)參數(shù)配置，以小區(qū)名等關(guān)鍵字段進(jìn)行拼接，這些字段具有唯一標(biāo)識小區(qū)且較少改動的特性，從而確保數(shù)據(jù)的完整性和一致性。
異常數(shù)據(jù)清洗則針對優(yōu)化目標(biāo)中的異常數(shù)據(jù)進(jìn)行過濾和剔除。在對5G網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行深入研究后，我們發(fā)現(xiàn)以小區(qū)流量和速率作為刪除依據(jù)，并采用LocalOutlierFactor（局部異常因子，LOF）方法進(jìn)行數(shù)據(jù)篩選，能夠取得最佳效果。LOF算法作為一種基于密度的經(jīng)典算法，相較于傳統(tǒng)的異常點(diǎn)過濾算法，無需依賴特定的概率分布，且能夠量化每個數(shù)據(jù)樣本的異常程度，從而更有效地識別和處理異常數(shù)據(jù)。
2)網(wǎng)絡(luò)場景化
場景化建模的必要性主要源于兩方面的考量。首先，全網(wǎng)統(tǒng)一模型無法有效解決不同場景下參數(shù)的顯著差異。例如，邊緣用戶分布比例對小區(qū)邊緣速率參數(shù)的傾向性具有決定性影響，而這種差異在統(tǒng)一模型中難以得到充分考慮。其次，盡管單小區(qū)建模理論上能夠?yàn)槊總�小區(qū)精確配置最優(yōu)參數(shù)，但現(xiàn)實(shí)網(wǎng)絡(luò)中存在較大的話務(wù)波動和用戶波動，使得速率與話務(wù)模型、優(yōu)化參數(shù)之間的關(guān)系變得極為復(fù)雜，難以準(zhǔn)確建模。鑒于此，本文采用場景化方法，將具有相似狀態(tài)的小區(qū)劃分為同一組（即場景），并為每個場景配置統(tǒng)一的優(yōu)化參數(shù)。
在場景化建模過程中，本文采用K-means聚類算法，以專家經(jīng)驗(yàn)定義的影響速率的話統(tǒng)指標(biāo)作為狀態(tài)特征。然而，這些話統(tǒng)指標(biāo)的數(shù)量級存在顯著差異，例如流量數(shù)量級從0到109以上，信道質(zhì)量指示（CQI）的取值范圍為0到15，而干擾的取值范圍則在-130到-70之間。在計(jì)算采樣點(diǎn)之間的“距離”時，不同數(shù)量級的指標(biāo)會對計(jì)算結(jié)果的合理性產(chǎn)生顯著影響。因此，在進(jìn)行場景化建模之前，必須先對各話統(tǒng)指標(biāo)的數(shù)量級進(jìn)行調(diào)整，以確保計(jì)算的準(zhǔn)確性。為此，本文采用StandardScaler方法對狀態(tài)特征進(jìn)行標(biāo)準(zhǔn)化處理，通過將各指標(biāo)轉(zhuǎn)換為均值為0、標(biāo)準(zhǔn)差為1的新序列，有效消除了數(shù)量級差異對聚類結(jié)果的影響。其計(jì)算公式為：
u為X均值，s為X序列的標(biāo)準(zhǔn)差，通過標(biāo)準(zhǔn)化后，X序列轉(zhuǎn)變?yōu)榫禐?，標(biāo)準(zhǔn)差為1的新序列X'。標(biāo)準(zhǔn)化過程是經(jīng)過單調(diào)增函數(shù)計(jì)算，變換后的數(shù)據(jù)排序順序不變，新的話統(tǒng)指標(biāo)數(shù)量級一致。
以一組小區(qū)小時級數(shù)據(jù)為例，展示整個變換過程：
各話統(tǒng)指標(biāo)均值、標(biāo)準(zhǔn)差計(jì)算如下：
| 切換成功率 | 上行干擾 | RRC建立嘗試次數(shù) | 平均CQI | 下行速率 | 下行流量 | |
| 均值 | 99.73 | -112.45 | 1581.00 | 10.88 | 188.06 | 6.66E+07 |
| 標(biāo)注差 | 0.40 | 1.05 | 985.65 | 0.87 | 96.98 | 1.39E+08 |
經(jīng)過StandardScaler變換后，新的指標(biāo)X'如下：
新數(shù)據(jù)分布如下圖，各話統(tǒng)指標(biāo)基本位于同一分布區(qū)間內(nèi)，即各指標(biāo)“距離”權(quán)重相當(dāng)。
標(biāo)準(zhǔn)化之后，使用聚類算法進(jìn)行多維場景劃分。在多種聚類算法中，需要選擇一種算法，可以避免某一類場景下小區(qū)數(shù)量較少，影響該類場景建模的準(zhǔn)確性。以常用的四類聚類方式對比看，Kmeans算法具有各類（簇）大小均勻的特點(diǎn)，而且類的數(shù)量可控（n_clusters），結(jié)合實(shí)際應(yīng)用，更適合我們用作實(shí)際生產(chǎn)中的場景劃分。
| 方法名稱 | 使用場景 |
| K-Means | 通用, 均勻的 cluster size（簇大�。�, flat geometry（平面幾何）, 不是太多的 clusters（簇） |
| Mean-shift | Many clusters, uneven cluster size, non-flat geometry（許多簇，不均勻的簇大小，非平面幾何） |
| Agglomerative clustering | Many clusters, possibly connectivity constraints, non Euclidean distances（很多簇，可能連接限制，非歐氏距離） |
| DBSCAN | Non-flat geometry, uneven cluster sizes（非平面幾何，不均勻的簇大�。� |
三維特征示意圖中，Kmeans更符合我們的預(yù)期。
實(shí)際應(yīng)用中以100個小區(qū)左右作為一種場景，設(shè)定場景數(shù)量（n_clusters）后開始場景劃分。
3)數(shù)據(jù)建模
無線網(wǎng)絡(luò)優(yōu)化難點(diǎn)在于優(yōu)化目標(biāo)隨小區(qū)狀態(tài)（流量、用戶數(shù)、干擾等）變化而產(chǎn)生大幅變化。以優(yōu)化平均速率為例，忙時隨著用戶增多，單用戶速率會出現(xiàn)明顯下降。
多參數(shù)優(yōu)化的難點(diǎn)也正是如何在變化的狀態(tài)下，構(gòu)建優(yōu)化目標(biāo)與參數(shù)間的模型關(guān)系。y=f(α|s)
即在狀態(tài)s下，如何構(gòu)建y與a的關(guān)系函數(shù)�？紤]到盡可能增加優(yōu)化目標(biāo)對優(yōu)化參數(shù)的敏感性，我們引入RBF+MLP神經(jīng)網(wǎng)絡(luò)，將優(yōu)化參數(shù)通過RBF網(wǎng)絡(luò)代入，話務(wù)統(tǒng)計(jì)（狀態(tài)）通過MLP網(wǎng)絡(luò)代入，聯(lián)合進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。
MLP模型是最基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)模型，RBF模型與之類似，在模型結(jié)構(gòu)中隱藏層進(jìn)行了變化，由MLP的線性函數(shù)+激活函數(shù)替換為非線性的高斯函數(shù)。由此RBF模型具有了只對中心點(diǎn)附近的輸入數(shù)據(jù)高敏感的特點(diǎn)。
調(diào)用tensorflow.keras包，按照設(shè)計(jì)的模型結(jié)構(gòu)搭建模型，根據(jù)數(shù)據(jù)分布優(yōu)化模型超參：學(xué)習(xí)率（lr）、數(shù)據(jù)塊大�。╞atch_size）和迭代次數(shù)（epoch）。以MSE（均方損失函數(shù)）為模型損失函數(shù)，觀察MSE收斂速度，同時觀察MAE（絕對值誤差）、R2變化情況。最終選擇合理的迭代次數(shù)（150）下，最合適的學(xué)習(xí)率（0.06）和數(shù)據(jù)塊大�。�1024）。
4)參數(shù)推薦
在完成小區(qū)場景化劃分、建模后，對每個場景下的小區(qū)進(jìn)行最優(yōu)值推薦。通常最優(yōu)值的求解可以通過梯度下降法求解，但對于高維模型，使用梯度下降求解其最優(yōu)值并不是一件容易的事。 f(x)=( f x1,…, f xn)τ
在此使用坐標(biāo)下降法迭代地通過將大多數(shù)自變量固定，而只針對剩余的自變量求極值的過程。這樣，一個高維的優(yōu)化問題就被分解成了多個一維的優(yōu)化問題，從而大大降低了問題的復(fù)雜性。
由于實(shí)際生產(chǎn)中參數(shù)直接存在關(guān)聯(lián)性，需要通過多次迭代，減少參數(shù)間關(guān)聯(lián)關(guān)系對最優(yōu)值的影響。從多次驗(yàn)證結(jié)果看，三輪優(yōu)化收斂程度已經(jīng)達(dá)到98%以上，足以滿足優(yōu)化要求。
收斂程度：所有小區(qū)、參數(shù)推薦結(jié)果與下一輪推薦相同的比例。例如優(yōu)化區(qū)域中有500個小區(qū)， 優(yōu)化40個參數(shù)，共推薦20000個參數(shù)，第N輪推薦結(jié)果與第N+1輪有18000個參數(shù)相同，則第N輪推薦收斂程度為90%（18000÷20000）。
實(shí)際試點(diǎn)驗(yàn)證
為了驗(yàn)證所提出的基于AI的MCS與RANK優(yōu)化方法的有效性，本文選擇在某地市進(jìn)行多參數(shù)優(yōu)化試點(diǎn)。該區(qū)域包含18個3.5G宏基站和203個小區(qū)，優(yōu)化試點(diǎn)分為三個階段進(jìn)行，以全面評估優(yōu)化效果。
通過對比優(yōu)化前后的網(wǎng)絡(luò)性能指標(biāo)，驗(yàn)證了優(yōu)化方法的有效性。優(yōu)化后，203個小區(qū)的下行平均體驗(yàn)速率顯著提升，區(qū)域內(nèi)用戶數(shù)增長約5%，流量增益約4%，直接統(tǒng)計(jì)速率增益達(dá)到7%。進(jìn)一步通過流量拉齊對比，速率增益約為10%。這些結(jié)果表明，優(yōu)化方法能夠顯著提升網(wǎng)絡(luò)性能，提高用戶體驗(yàn)速率和網(wǎng)絡(luò)吞吐率。
優(yōu)化后，下行256QAM占比和下行四流占比提升明顯，這表明通過對MCS/RANK參數(shù)的優(yōu)化，有效提升了用戶體驗(yàn)速率。具體而言，優(yōu)化后的網(wǎng)絡(luò)能夠更高效地利用頻譜資源，同時提高了多流傳輸?shù)男�，從而在整體上提升了網(wǎng)絡(luò)性能。
實(shí)際試點(diǎn)驗(yàn)證結(jié)果表明，基于AI的MCS與RANK優(yōu)化方法能夠有效提升網(wǎng)絡(luò)性能，特別是在提升用戶體驗(yàn)速率和網(wǎng)絡(luò)吞吐率方面表現(xiàn)突出。優(yōu)化后的網(wǎng)絡(luò)在不同場景下均表現(xiàn)出良好的適應(yīng)性，驗(yàn)證了該方法的可行性和有效性。
結(jié)論與展望
本文通過對MCS和RANK優(yōu)化的理論基礎(chǔ)進(jìn)行深入分析，結(jié)合實(shí)際網(wǎng)絡(luò)中的優(yōu)化痛點(diǎn)，提出了一種基于人工智能的優(yōu)化方法。該方法通過參數(shù)篩選、數(shù)據(jù)預(yù)處理、場景化分類、AI建模以及最優(yōu)值推薦等步驟，實(shí)現(xiàn)了MCS和RANK的動態(tài)優(yōu)化。實(shí)際試點(diǎn)驗(yàn)證表明，該方法能夠顯著提升網(wǎng)絡(luò)性能，提高用戶體驗(yàn)速率和網(wǎng)絡(luò)吞吐率，驗(yàn)證了其在實(shí)際應(yīng)用中的有效性。
盡管如此，仍有一些潛在的改進(jìn)方向值得進(jìn)一步探索。首先，隨著5G網(wǎng)絡(luò)的不斷發(fā)展和6G技術(shù)的逐步興起，未來的無線網(wǎng)絡(luò)將面臨更加復(fù)雜的環(huán)境和更高的性能要求。因此，進(jìn)一步優(yōu)化AI算法以提高模型的準(zhǔn)確性和效率，將是未來研究的重要方向。其次，結(jié)合更多的網(wǎng)絡(luò)參數(shù)和業(yè)務(wù)類型進(jìn)行綜合優(yōu)化，可能會進(jìn)一步提升網(wǎng)絡(luò)的整體性能。
此外，如何在不同的網(wǎng)絡(luò)架構(gòu)和業(yè)務(wù)場景下，實(shí)現(xiàn)優(yōu)化策略的自適應(yīng)調(diào)整，也是未來研究需要解決的關(guān)鍵問題。綜上所述，本文提出的基于AI的MCS與RANK優(yōu)化方法，為無線網(wǎng)絡(luò)性能提升提供了一種有效的解決方案。未來，隨著AI技術(shù)的不斷發(fā)展和無線網(wǎng)絡(luò)環(huán)境的日益復(fù)雜，該領(lǐng)域的研究將具有廣闊的應(yīng)用前景和重要的理論價(jià)值。 
