2024年随手记第十九篇，总结即将在六月发布的R18规范中的AI/ML的内容。R18时间线：
5G网络有望应对持续优化越来越多的关键性能指标(KPI) 的挑战，包括延迟、可靠性、连接密度、用户体验、能源效率等。人工智能 (AI)/机器学习 (ML) 提供了强大的工具，通过分析收集和自主处理的数据来获得进一步的见解，可帮助运营商改善网络管理和用户体验。3GPP在AI/ML方面研究AI/ML功能框架和潜在用例，以及为这些用例确定的潜在解决方案。R18NG-RAN人工智能 (AI)/机器学习 (ML) 规定了现有NG-RAN接口和架构（仅限于non-split架构）中三种用例的数据收集增强和信令支持，包括基于AI/ML的网络节能、负载平衡和移动性优化。作为 RAN 内部功能，NG-RAN的AI/ML支持用于促进NG-RAN中的人工智能 (AI) 和机器学习 (ML) 技术。NG-RAN的AI/ML的目标是通过分析NG-RAN收集和自主处理的数据来改善网络性能和用户体验，从而获得进一步的见解，例如网络节能、负载平衡、移动性优化等。NG-RAN中AI/ML的支持需要来自邻近 NG-RAN节点（例如预测信息、反馈信息、测量）和/或UE（例如测量结果）的输入。还有就是用于交换信息以支持NG-RAN中的AI/ML的信令程序与用例和数据类型无关，这意味着未指明通过这些程序的数据的预期用途（例如输入、输出、反馈）。信息的收集和报告通过数据收集报告启动程序进行配置，而实际报告则通过数据收集报告程序执行。NG-RAN中对AI/ML的支持不适用于ng-eNB。对于NG-RAN中AI/ML的部署，可支持以下场景：- AI/ML模型训练位于OAM中，AI/ML模型推理位于NG-RAN节点中。- AI/ML模型训练和AI/ML模型推理均位于NG-RAN节点中。网络节能，尤其radio设备节能。基于AI/ML的网络节能是通过利用RAN网络中收集的数据来优化运营商网络某个区域的整体能耗。NG-RAN节点基于AI/ML的节能本质上是让经过训练的AI模型做出实时决策，停用或激活某个小区或NG-RAN节点，以节省网络能耗。在R18中引入了可用于网络节能用例等的能耗成本 (EC) 指标作为AI/ML指标，并可根据请求在相邻的 NG-RAN节点内进行交换，遵循数据收集请求启动和报告启动程序。EC表示为一个索引，应由OAM进行规范化和定义。索引值可以编码为从0到最大值的整数。最大值应保证足够的准确性。“Energy Consumption –
Energy Cost”映射规则由运营商定义。负载均衡，负载平衡Load Balancing是在小区之间和小区的区域之间均匀分配负载，或从拥塞的小区或拥塞的小区区域转移部分流量，或从一个小区、小区区域、载波或RAT卸载用户以提高网络性能。引入基于AI/ML的负载平衡，通过使用AI/ML模型的负载预测和反映卸载操作后UE性能的反馈信息来提高负载平衡性能。对于基于AI/ML的负载平衡，可以配置预测的资源状态信息和UE性能反馈，以便由NG-RAN节点使用数据收集报告启动程序进行收集和测量，而实际报告则通过数据收集报告程序执行。UE性能反馈配置通过使用一组测量ID与切换的UE相关联。此类测量ID标记UE性能指标，并允许源NG-RAN节点确定这些指标对应于哪些UE。成功执行切换时会触发UE性能反馈的收集。支持一次性和定期的UE性能反馈报告。
移动性优化，移动性管理允许通过最大限度地减少掉线、无线链路故障、不必要的切换和乒乓来保证移动期间的服务连续性。引入基于AI/ML的移动性优化来提高成功切换率，并确定哪个是最佳移动性目标，以最大限度地提高效率和性能。为了使目标NG-RAN节点能够了解与移动性相关的预测信息，从而为切换的UE实现资源的最佳分配，基于小区的UE轨迹预测通过切换准备过程传输到目标NG-RAN节点，以提供后续移动性决策的信息，例如，UE 预计要连接到的预测NG-RAN小区。基于小区的UE轨迹预测仅限于第一跳目标NG-RAN节点。对于反馈信息，即测量的UE轨迹，目标NG-RAN节点在成功执行切换时开始收集测量的UE轨迹信息，并支持一次性报告。当满足以下至少一个条件时，测量的UE轨迹的收集终止：UE移动到RRC_INACTIVE或 RRC_IDLE、UE 切换到不同于第一跳目标NG-RAN节点的另一个小区、配置的测量收集时间持续时间到期或达到配置的同一目标NG-RAN节点内的访问小区数量。
![]()
