Page 85 - 无线通信技术创新与应用

第二章 通信传输技术发展

能；能量感知片用于可再生能源的收集和存储状态的获取，为能源路由功能提供
数据支持，使其具备能量分布的全局视角，包括各类传感器、高级计量基础设施
设备等硬件资源的虚拟化功能。

网络切片管理编排体负责管理虚拟化网络功能，一方面根据业务需求在切
片中添加、删除或重新分配虚拟网络功能，另一方面可以监控虚拟网络功能的
状态，进行网络切片的性能优化，为低碳网络中的垂直用户提供多样化的网络服
务。此外，边缘计算也可以增强低碳网络架构的切片能力，边缘计算节点既可被

MANO 用于切片管理和优化，指定 NFV 编排策略，也可以直接在切片内使用，
为服务提供计算能力。相比于集中式计算，边缘计算与网络基础设施和用户终端
更贴近，可以减少传输造成的时延，便于时延敏感性业务的应用，如碳排测量和
能量感知。

（2）计算资源
下一代移动通信网络支持各类大速率、高容量、超密集业务，为了缓解网络
侧能量开销，学术界已提出了大量基于迭代的计算方法，以提高系统能效、降低
基站能耗。目前，人工智能技术已经被采用来简化数学迭代求解过程，包括传统

的启发式算法和流行的机器学习（machine learning，ML）方法，以降低算法复杂度，
降低系统开销。在计算资源的管控方面，节能减排的研究主要集中在计算任务卸
载与计算资源分配上。
利用计算资源管控技术来降低系统能耗的具体表现为：深度强化学习算法

（deep reinforcement learning， DRL） 被应用在移动的边缘计算 （mobile edge
computing，MEC）中，将计算任务卸载到 MEC 服务器。通常数据卸载在通信
中有较高的功率消耗，为管控计算资源以提高系统能效，有关文献提出了一种新
的混合卸载模型，利用有源 RF 通信和低功率反向散射通信的互补操作，平衡本

地计算和数据卸载中的能量消耗，从而提升系统能效；与从零开始学习、需要大
量复杂训练数据的传统机器学习算法不同，迁移学习算法能在已有的数据体系基
础上进行微调整或只训练部分数据体系，从而可以减少计算消耗和所需的训练数
据。也有文献降低计算资源开销，通过迁移学习进一步提高节能效果，可以减少

所需的训练数据和计算资源，加快学习过程，从而扩展和加速应用；联邦学习
（federated learning，FL）可根据当前状态有效地行动，利用空闲的边缘计算资
源获得成果，边缘服务器可在本地保留训练数据，从而减少中央控制器的消耗。

·71·