AI新联接赋能新工业革命研究报告

《AI 新联接赋能新工业革命研究报告》 （以下简称 “研究报告”） 由世界无线局域网应用发展联盟 (World WLAN ApplicationAlliance， WAA ) 和全球固定网络创新联盟 (Network Innovation and Development Alliance， NIDA) 联合创作， 著作权归双方共同所有， 并受法律保护。转载、 摘编或利用其它方式使用本研究报告文字或者观点的， 应注明“来源自世界无线局域网应用发展联盟(World WLAN Application Alliance, WAA) 全球固定网络创新联盟 (Network Innovation and Development Alliance， NIDA)””。违反上述声明者 ,WAA 和 / 或 NIDA 将追究其相关法律责任。版权声明本文档可能含有预测信息， 包括但不限于有关未来的新技术、 新业务、 新产品等信息。由于实践中存在很多不确定因素， 可能导致实际结果与预测信息有很大的差别。因此， 本研究报告信息仅供参考， 不构成任何要约或承诺， 用户应自行判断并承担使用风险。WAA、NIDA 及参与编写单位不对您在本文档基础上做出的任何行为承担责任，WAA 和 / 或 NIDA 有权随时调整、修改上述信息而无须另行通知。免责声明 中移（杭州）信息技术有限公司华为技术有限公司中兴通讯股份有限公司新华三技术有限公司锐捷网络股份有限公司海思技术有限公司深圳市朗力半导体有限公司烽火通信科技股份有限公司TÜV 莱茵深圳市极致汇仪科技有限公司瑞晟微电子 ( 苏州 ) 有限公司参与编写单位赵航斌、苏畅、谢旭东、许一骅、李峰，李彦淳，徐帆，廖倩，吴徐明，赵望生，石华平，岳华伟，张波，王波，张耀东，程永椿，石振中，朱丽花，钟科，徐方鑫，黄启圣，王子晟，钱玉蓉，刘凯林，孙旭红，曹博，李云、陈金花，杜波，李巍，王戈，刘大兴，姚啸峰，樊智超，陈之雄， 张弢主要撰稿人（排名不分先后） 目录引言第一章AI 在 WLAN 网络中的核心价值第二章关键技术及应用场景 ： AI 如何优化 WLAN 体验第三章AI 与未来 WLAN 的空口协同第四章挑战与未来方向结论 010204142124 1.1 AI 技术介绍AI技术通过模拟人类智能，使机器具备感知、学习、推理和决策能力，当前，以机器学习（Machine Learning）为代表的AI技术，凭借其从海量数据中挖掘规律、优化决策的能力，为WLAN网络的高效运维、性能优化、安全保障、资源管理和体验提升提供了新的解决方案。AI技术的核心范式，包括监督学习（Supervised Learning）、无监督学习（Unsupervised Learning）、强化学习（Reinforcement Learning）、生成式AI（Generative AI）等。相应的特点如下：•监督学习：作为应用最广泛的技术分支，监督学习通过分类与回归预测模型，可精准预判网络变化，优化决策。例如，基于接收信号强度（RSSI）的时序预测，可辅助设备漫游决策，优化切换时延与稳定性。•无监督学习：通过聚类与降维技术，可高效处理高维度、无标签数据。例如，对信道状态信息CSI（Channel StateInformation）进行压缩与特征提取，降低空口传输开销，提升频谱利用率。对无线环境的干扰和攻击进行识别，提升安全和隐私保护等。•强化学习：以动态优化为目标，强化学习通过智能体与环境交互实现策略迭代，应用于无线资源管理（RRM）、网络参数自适应调整等领域，显著提升复杂环境下的网络韧性。•生成式AI：以大语言模型（LLM）为代表的生成式技术，可重构人机交互模式，例如通过自然语言指令实现网络配置自动化，降低运维门槛。AI技术的分类方式，还包括传统机器学习和基于神经网络的深度学习（Deep Learning）。在实践中，这两类方式可优势互补。传统机器学习一般基于明确的统计推断，稳定性和可解释性较好，对算力要求较低，但往往模型能力受限，擅长处理数据简单、数据量较少的问题。深度学习则有强大的非线性拟合能力，擅长处理数据量大的复杂问题，对训练数据和算力资源的要求较高。第一章AI 在 WLAN 网络中的核心价值1.2 AI 对 WLAN 的价值从较为传统的 K-means、决策树、概率图模型方法，到新兴的基于神经网络的 DRL、Transformer、LLM 方法，可帮助WLAN 解决各方面的问题。下表列出了一些 AI 技术在 WLAN 应用的探索方向。 引言基于人工智能的无线局域网（AI WLAN）通过深度融合人工智能（AI）与无线网络技术， 为新工业革命提供了关键的基础无线局域网络支持。它通过智能化、 自适应和高效的数据传输， 可显著提升社会生产力， 带来社会生产、 生活效率的提升。WLAN 技术的持续演进， WLAN 日益普及至人们的工作、 生产、 生活等各方面应用中， 无线网络承载的数据量呈指数级增长， 传统静态管理方式已无法满足高密度、 低延迟、 高可靠性的需求。AI 的引入， 使 WLAN 网络能够实时感知环境变化、 预测干扰并动态优化资源分配， 大幅提升用户体验。WLAN 作为信息网络中的毛细血管， 其 AI 智能化是新工业革命的关键支撑。本研究报告探讨 AI 在 WLAN 网络中的关键技术， 并结合实际用例， 展示 AI 如何解决干扰抑制、 信道波动、 负载均衡等核心问题。 第二章关键技术及应用场景 ：AI 如何优化 WLAN 体验2.1 干扰检测与抑制在密集部署场景，大量 WLAN 设备共享 2.4GHz/5GHz 频段，导致 WLAN 频谱严重干扰。AI 解决方案 ：•干扰检测 ：◦干扰类型和程度判断 ： 收集大量正常和干扰状态下的信号数据作为训练集， 使用如支持向量机（SVM）、 决策树等算法进行训练，建立干扰检测模型，实时判断当前是否存在干扰以及干扰的类型和程度◦干扰混合小模型 ： 以时域干扰个数 & 信号强度、频域干扰带宽 & 信号与干扰加噪声比值（SINR）、空域干扰方向 & 用户 MAC 地址等多维信息作为入参， 采用 CNN 卷积神经网络， 自动提取 WLAN 信号的特征， 建立一个系统的干扰模型•性能增强 ：◦深度学习的信道分配 ： 利用深度学习算法， 如深度神经网络（DNN）或卷积神经网络（CNN）， 根据环境中的干扰情况、 用户分布、 业务需求等多维度信息， 自动学习并优化 WLAN 信道的分配。模型可以将环境特征作为输入，输出最优的信道分配方案，以避免干扰并提高频谱利用率•强化学习的功率控制 ：通过强化学习算法， 让 WLAN 智能体 （如接入点 AP） 与环境进行交互学习。智能体根据当前的干扰状态和自身的功率控制策略，采取不同的发射功率动作，然后从环境中获得奖励反馈（如通信质量的提升或干扰的降低）。通过不断地学习和优化，智能体可以找到最优的功率控制策略，在保证通信质量的前提下，降低对其他设备的干扰。在网络通信领域， AI 的智能化特性为 WLAN 的体验优化提供了全新思路——通过实时学习网络状态、 预测用户行为并动态调整资源配置，AI 能够显著提升 WLAN 的速率、稳定性和覆盖效率。AI 可 赋能 WLAN 从物理层到 MAC 层的全方面提升 。在物理层， AI 可提升应对信道干扰和无线信号传播条件变化的能力，减小 CSI 信息传输的开销，提升传输参数选择的准确度。在 MAC 层，AI 可提升对业务需求的估计、对动态流量的预测， 实现动态的链路管理和优化的信道接入和资源调度， 并节省 WLAN 网络能耗。在网络控制和管理层面， AI 可简化人对网络设备的操控。 这些 AI 技术（如机器学习、深度学习、强化学习）为 WLAN 网络带来以下核心优势 ：•实时优化 ：动态调整信道、功率、调制方式以应对环境变化。•干扰抑制 ：识别并规避同频 / 邻频干扰，提升信噪比（SNR）。•性能预测分析和处理 ：通过历史数据分析预测网络拥塞风险，并作预见性处理。•可靠性提升 ：异常检测，可靠性增强•新业务 ：WLAN 感知 ◦人工智能辅助的波束赋形 ： 利用人工智能算法， 如机器学习中的线性回归、 岭回归等算法， 根据环境中的干扰源位置、 信号传播特性等信息， 计算出最优的波束赋形向量。通过调整天线的发射波束方向， 将信号集中指向目标用户，同时抑制对干扰源方向的信号发射，从而提高信号质量并减少干扰。应用场景/用例：在密集办公或家居环境中，存在较多的WLAN设备干扰时，通过AI WLAN实现用户网络体验速率提升。2.2 链路自适应2.3 物理层参数自适应无线信道受多径效应、人体 / 障碍物遮挡、手持终端晃动和移动等影响，信号质量波动剧烈。AI 解决方案 ：•信道感知◦信道波动分类 ： 把采集到的信道特征当作输入，例如信号强度、相位、多普勒频移等，对 SVM 模型进行训练，将信道状态划分成稳定、 轻度波动、 重度波动等类别。高维空间里找出最优分类超平面， 进而实现对信道波动的准确分类。◦信道波动判决 ： 以信号强度、 信噪比、 多径时延扩展等多个信道特征， 构建多个决策树构成的集成学习模型。以此提高信道波动检测的准确性和稳定性，有效处理特征之间的相互作用，减少过拟合现象。•性能增强◦基于深度学习的 MCS 预测 ： 利用深度学习模型（如 CNN、LSTM 等）对信道状态进行预测，根据预测结果自动选择合适的调制与编码方案。◦基于强化学习的 MCS 选择 ： 通过强化学习算法， 智能体根据当前的信道状态和传输效果， 不断调整 MCS。智能体在每次决策后， 根据接收端反馈的误码率、 吞吐量等指标获得奖励， 通过不断学习和优化， 找到最优的MCS 调整策略，提升空口性能。◦基于 AI 的波束跟踪 ： 在用户终端移动的情况下， 利用 AI 技术实现波束的实时跟踪。通过对终端移动轨迹的学习和预测， 以及对信道变化的快速响应， 智能体可以及时调整 WLAN 信号的 MIMO(Multiple Input MultiputOutput) 波束成形方向和形状，确保波束始终准确地指向移动中的终端，减少信号中断和质量下降的情况。应用场景/用例：在复杂办公或家居环境中，存在人走动/穿过，或手持手机晃动/移动时，通过AI WLAN实现用户网络体验速率提升。实时业务的需求在动态、复杂的无线环境下难以满足。传统WLAN速率选择算法（如基于信号强度，历史丢包率或少量数据探测的吟游诗人算法难以应对动态复杂的无线环境，有以下问题：•次优速率选择：静态阈值无法适应信道干扰等实时变化，易选择过高（频繁重传）或过低（浪费带宽）的速率。•高延迟与抖动：频繁速率切换或重传会增大端到端延迟。•选择过程效率低下：随机采样以及标准协议演进带来的可选物理层发射参数集膨胀导致经典速率面临的寻优空间大，参数选择过程收敛慢，影响实时业务（如视频通话、VR）。 2.4 多链路负载均衡与资源分配在 AP 多链路运行（MLO）场景中， 传统 WLAN 依赖 RSSI（信号强度）将用户关联到链路， 存在负载不均的问题。此外， 网络中多个设备的同时接入以及带宽需求和流量模式的波动， 为多链路管理带来进一步挑战。AI 技术的引入能够帮助优化多链路的负载均衡和资源分配，提升用户体验。AI 解决方案 ：•聚类分析用户需求 ：◦通过分类器或聚类算法（例如 K-means）将用户按业务类型（视频、IoT、游戏）分组，分配不同优先级。AI 系统可以实时监控各链路上的网络使用情况， 包括带宽需求、 流量类型和设备的工作负载。通过机器学习和深度学习， AI 能够识别不同设备和应用的流量模式， 并预测未来的带宽需求， 从而优化流量的分配。例如， AI 可以自动识别视频流、 游戏、 浏览网页和下载等不同类型的流量， 通过流量到链路映射（TTLM）将高优先级应用（如视频通话或高清视频流）映射到指定链路上，并分配更多带宽。•动态带宽分配 ：◦深度学习模型等可预测流量高峰， 提前调配各链路资源。基于 AI