Redefining Wireless Communication for 6G: Signal Processing Meets Deep Learning with Deep Unfolding
ANDRO Computational Solutions, LLC（ANDRO计算解决方案有限责任公司）；Northeastern University（东北大学）；University at Buffalo, State University of New York（纽约州立大学布法罗分校）
2019年见证了5G标准的推出，该标准有望提供比4G显著的数据率改进。虽然5G仍处于起步阶段，但研究界对5G以外的通信技术的转变越来越多。最近出现的机器学习方法用于增强无线通信并为其提供急需的智能，为重新定义6G无线通信提供了巨大的潜力。不断发展的通信系统将在延迟、吞吐量和可靠性方面受到物理层的底层信号处理的考验。在本立场文件中，我们激发了通过利用深度展开技术来重新设计迭代信号处理算法以满足6G网络物理层要求的需求。为此，我们首先介绍了服务需求和设想的6G通信架构所带来的关键挑战。我们概述了6G网络背景下传统算法原理和数据饥渴型深度学习（DL）方法的不足。具体而言，深入展开的信号处理，提出了通过勾勒领域知识和DL之间的相互作用。本文中回顾的深度展开方法明确地定位在下一代蜂窝网络所施加的要求的上下文中。最后，本文激发了开放的研究挑战，以真正实现未来6G网络的硬件高效边缘智能。
2021-08-23 cs.LG cs.NI eess.SP
Optimal Slicing and Scheduling with Service Guarantees in Multi-Hop Wireless Networks
该研究针对多跳无线网络的端到端服务保障调度问题，结合网络切片分析可行区域，提出延迟赤字概念与近似规则的多项式时间调度算法，解决多流可行性问题的NP难特性并保障服务要求。
2024-09-14 cs.NI
Towards an Intelligent Edge: Wireless Communication Meets Machine Learning
University of Hong Kong（香港大学）；Hong Kong University of Science and Technology（香港科技大学）
最近人工智能（AI）的复兴正在彻底改变科学和技术的几乎每一个分支。鉴于无处不在的智能移动设备和物联网（IoT）设备，预计大多数智能应用将部署在无线网络的边缘。这一趋势引起了人们对实现“智能边缘”的强烈兴趣，以支持各种边缘设备上支持AI的应用程序。边缘学习是无线通信和机器学习两个学科交叉的一个新的研究领域。边缘学习的一个主要主题是克服每个边缘设备上有限的计算能力和有限的数据。这是通过利用移动边缘计算（MEC）平台并利用分布在大量边缘设备上的海量数据来实现的。在这样的系统中，从分布式数据中学习和边缘服务器与设备之间的通信是两个关键的耦合方面，它们的融合带来了许多新的研究挑战。本文倡导一套新的边缘学习无线通信设计原则，统称为学习驱动通信。提供了说明性的例子来证明这些设计原则的有效性，并确定了独特的研究机会。
2018-09-02 cs.IT cs.LG cs.NI
When Wireless Communications Meet Computer Vision in Beyond 5G
Tokyo Institute of Technology（东京工业大学）；Kyoto University（京都大学）；Deakin University（迪肯大学）；University of Oulu（奥卢大学）；Nokia Bell Labs（诺基亚贝尔实验室）
本文阐述了新兴的范式，坐在计算机视觉和无线通信的交汇处，以实现超越5G/6 G的关键任务应用（自主/远程控制车辆，视觉触觉VR和其他网络物理应用）。首先，利用机器学习的最新进展和非RF数据的可用性，视觉辅助无线网络被证明可以在不牺牲频谱效率的情况下显着提高无线通信的可靠性。特别是，我们演示了计算机视觉如何在毫米波信道阻塞情况下，在阻塞实际发生之前实现{前瞻}预测。从计算机视觉的角度来看，我们强调如何射频（RF）为基础的传感和成像的鲁棒性计算机视觉应用程序对闭塞和故障。这一点通过基于RF的图像重建用例得到了证实，该用例展示了接收器侧图像故障校正，从而减少了重传和延迟。综上所述，本文揭示了迫切需要的RF和非RF模式的融合，以实现超可靠的通信和真正智能的6 G网络。
2020-10-13 cs.CV cs.NI
Synergetic Empowerment: Wireless Communications Meets Embodied Intelligence
College of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics（南京航空航天大学电子与信息工程学院）；College of Artificial Intelligence, Nanjing University of Aeronautics and Astronautics（南京航空航天大学人工智能学院）
本文提出无线通信与具身智能的协同赋能框架，通过感知-认知-执行循环揭示二者相互促进的双重性，将无线通信从简单工具转变为集体智能的数字神经系统，并推动孤立智能体进化为具备涌现能力的超个体。
2026-05-26 cs.NI cs.RO cs.SY
Scheduling in Multi-Hop Wireless Networks With Deadlines
Massachusetts Institute of Technology（麻省理工学院）
研究多跳无线网络中满足端到端服务保证的调度问题，分析调度策略对满足硬包死线的影响，提出通过网络切片模型分离队列动态，推导吞吐量和死线优化策略，并设计分布式算法实现紧致端到端死线保障。
2026-04-19 cs.NI
A Survey on Open-Source-Defined Wireless Networks: Framework, Key Technology, and Implementation
电信领域开源定义的无线网络的实现是通过第五代网络（5G）来完成的。与其前身（3G和4G）相比，5G网络可以支持各种各样的异构用例，这些用例具有来自互联网和物联网（IoT）的挑战性要求。未来的第六代（6G）网络不仅将扩展5G功能，还将创新新功能，以应对新兴的学术和工程挑战。研究界已经确定这些挑战可以通过基于开源软件和硬件的开源定义的无线网络来克服。在本调查中，我们提出了一个开源定义的无线网络，包括动机，框架，关键技术和实现的不同方面的概述。我们首先介绍动机，并探讨几个框架，分为三个不同的类别：黑盒，灰盒和白盒。我们回顾了与开源定义的核心网络（CN），无线电接入网络（RAN），多接入边缘计算（MEC），安全威胁的能力，开源硬件以及各种实现（包括测试床）相关的研究工作。最后，也是最重要的是，在这项调查中，经验教训，未来的研究方向，开放的研究问题，陷阱和现有的调查开源无线网络的局限性，包括激励和鼓励未来的研究。
2022-09-05 cs.NI
When Distributed Consensus Meets Wireless Connected Autonomous Systems: A Review and A DAG-based Approach
本文综述了无线互联自主系统中的共识机制，并提出基于DAG的消息结构以应对消息丢失和延迟，实现非-equivocation传播及部分/全序。研究问题为无线环境下的分布式共识，核心方法是DAG协议，贡献在于增强鲁棒性和顺序性。
2023-11-13 cs.NI
When Machine Learning Meets Big Data: A Wireless Communication Perspective
我们见证了商业数据服务的指数级增长，这导致了“大数据时代”。机器学习作为分析海量数据的最有前途的人工智能工具之一，已经在学术界和工业界的许多研究领域得到了广泛的应用。本文的目的是双重的。首先，我们简要回顾了大数据分析和机器学习，以及它们在下一代无线网络中的潜在应用。第二个目标是调用大数据分析来预测移动用户的需求，并利用它来提高“社交网络感知无线”的性能。提出了一个统一的大数据辅助机器学习框架，包括特征提取、数据建模和预测/在线精化。所提出的框架的主要好处是，依靠大数据，反映了频谱和其他具有挑战性的要求的用户，我们可以完善的动机，问题的配方和强大的机器学习算法的方法在无线网络的背景下。为了表征所提出的框架的效率，一对智能的实际应用作为案例研究提供：1）预测的定位的无人机安装的区域基站（BS）根据特定的远程交通的要求，通过收集有价值的数据从社交网络。2)通过对社交网络数据的挖掘，根据用户的偏好预测基站的内容缓存需求。最后，确定开放的研究机会，以激励未来的调查。
2019-11-12 cs.CY cs.NI
When Cellular Meets WiFi in Wireless Small Cell Networks
覆盖在现有宏蜂窝系统上的小小区基站（SCBS）的部署被视为用于卸载业务、优化覆盖和提高未来蜂窝无线系统的容量的关键解决方案。设想下一代SCBS是多模的，即，其能够在许可和未许可频带上同时发送。这构成了WiFi和蜂窝无线电接入技术（RAT）的具有成本效益的集成，可以有效地应对峰值无线数据流量和异构服务质量要求。为了利用这种多模式SCBS的优势，我们讨论了新提出的跨系统学习的范例，SCBS通过该范例自组织并自主地引导其跨不同RAT的流量。跨系统学习允许SCBS利用WiFi和蜂窝世界的优势。例如，SCBS可以将延迟容忍数据业务卸载到WiFi，同时学习它们在授权蜂窝频带上的传输策略的概率分布函数。本文将首先介绍跨系统学习的基本构建块，然后在覆盖WiFi热点的长期演进（LTE）模拟器中提供初步的性能评估。值得注意的是，它表明，所提出的跨系统学习方法显着优于一些基准流量导向政策。
2013-03-22 cs.IT cs.NI math.IT
Pinching Antennas Meet AI in Next-Generation Wireless Networks
Department of Electrical and Computer Engineering（电气与计算机工程系）；Department of Computer Science（计算机科学系）；University of Manchester（曼彻斯特大学）；University of British Columbia（不列颠哥伦比亚大学）；School of Electronics and Computer Science（电子与计算机科学学院）
针对下一代无线网络的高可靠低延迟需求，本文探讨捏合天线（PAs）与人工智能（AI）的协同：AI优化PA激活位置，PAs支持边缘AI任务，为自适应弹性网络奠定基础。
2025-11-03 cs.AI cs.NI
Quantum Reinforcement Learning for 6G and Beyond Wireless Networks
本文探讨了量子强化学习（QRL）在6G无线网络中的应用潜力，展示了其在动态频谱接入上优于传统DRL，并首次提供了该领域的综述与未来研究方向。
2025-11-02 cs.NI
Next-Generation Sustainable Wireless Systems: Energy Efficiency Meets Environmental Impact
针对现有无线可持续性研究仅关注能效、未考量环境影响的问题，本文提出衡量每比特排放量的可持续性指标，构建资源分配多目标优化问题，利用MORL求解帕累托最优策略，相比现有方法可降低约26%的平均每比特排放量。
2025-09-02 cs.IT cs.NI math.IT
When ICN Meets C-RAN for HetNets: An SDN Approach
在本文中，我们贡献了新颖的提出和阐述的集成的ICN，C-RAN和SDN的HetNet，以实现双赢局面。提出的系统的愿景是证明，其次是优势和挑战。我们进一步提出了具有大规模无线异构校园网络的混合系统。
2015-10-22 cs.IT cs.NI math.IT
When Watchdog Meets Coding
在这项工作中，我们研究了无线网络中的不当行为检测问题。通常采用的方法是利用无线介质的广播性质，并让节点监视它们的邻居。我们称这些节点为看门狗。在本文中，我们首先表明，即使一个看门狗可以偷听到所有的数据包传输的流，任何线性操作的偷听到的数据包不能消除漏检，是低效的带宽。我们提出了一个轻量级的不当行为检测方案，它结合了看门狗和错误检测编码的思想。我们表明，即使看门狗只能观察到一小部分的数据包，通过选择适当的编码器，攻击者将被检测到的概率很高，同时实现吞吐量任意接近最佳。这样的属性减少了攻击者进行攻击的动机。
2009-10-06 cs.CR cs.IT cs.NI
When Graph Meets Retrieval Augmented Generation for Wireless Networks: A Tutorial and Case Study
本教程介绍集成知识图谱的GraphRAG网络应用框架，分析传统RAG局限与知识图谱优势，给出构建步骤，通过信道增益预测案例验证其优于传统RAG，并提出未来研究方向。
2024-12-10 cs.NI
Thirty Years of Machine Learning: The Road to Pareto-Optimal Wireless Networks
Tsinghua University（清华大学）；University of Science and Technology Beijing（北京科技大学）；University of South Florida（南佛罗里达大学）；University of Southampton（南安普顿大学）
未来的无线网络在支持军事和民用领域的广泛复杂应用方面具有巨大的潜力，用户能够享受高速率，低延迟，低成本和可靠的信息服务。由于网络结构和无线服务的复杂异构性，实现这一雄心勃勃的目标需要新的无线电技术进行自适应学习和智能决策。机器学习（ML）算法在支持大数据分析、高效参数估计和交互式决策制定方面取得了巨大成功。因此，在这篇文章中，我们通过详细介绍监督学习，无监督学习，强化学习和深度学习来回顾ML三十年的历史。此外，我们还研究了它们在无线网络的引人注目的应用中的应用，包括异构网络（HetNets），认知无线电（CR），物联网（IoT），机器对机器网络（M2M）等。本文旨在帮助读者澄清各种ML算法的动机和方法，以便调用它们用于迄今为止未开发的服务以及未来无线网络的情形。
2020-08-02 cs.LG cs.NI stat.ML
ML Framework for Wireless MAC Protocol Design
本文探索利用深度强化学习（PPO）设计智能且特定应用的无线MAC协议，提出可灵活配置协议特性的框架，仿真证明其在吞吐量和延迟上优于传统IEEE 802.11ac。
2024-02-11 cs.NI cs.SY eess.SY
Integrating Base Station with Intelligent Surface for 6G Wireless Networks: Architectures, Design Issues, and Future Directions
本文综述了面向6G无线网络的IS集成基站架构与设计问题，通过数值结果对比了不同IS集成BS与传统BS的性能，并指出了未来研究方向。
2024-11-19 cs.NI eess.SP
Software Defined Networking Enabled Wireless Network Virtualization: Challenges and Solutions
下一代（5G）无线网络预计将支持海量数据，并以具有成本效益、灵活和敏捷的方式适应具有不同要求的各种服务/用例。作为一种有前途的解决方案，无线网络虚拟化（WNV）或网络切片使多个虚拟网络能够按需共享公共基础设施，并针对不同的服务/用例进行定制。本文重点讨论实现WNV的网络范围的资源分配。具体而言，动机，使平台，和西尼罗河的好处，首先审查。然后，资源分配西尼罗河随着技术挑战进行了讨论。然后，提出了一个支持软件定义网络（SDN）的资源分配框架，以促进WNV，包括关键过程和相应的建模方法。最后，以西尼罗河流域资源分配为例进行了案例研究。最后，一些开放的研究课题，西尼罗河病毒的必要性进行了讨论。
2017-04-05 cs.NI
Feeling of Presence Maximization: mmWave-Enabled Virtual Reality Meets Deep Reinforcement Learning
Singapore University of Technology and Design（新加坡科技设计大学）；Beihang University（北京航空航天大学）
本文研究了为无线移动用户提供超可靠和节能的虚拟现实（VR）体验的问题。为了确保向移动用户提供可靠的超高清（UHD）视频帧并增强其沉浸式视觉体验，采用了协调多点（CoMP）传输技术和毫米波（mmWave）通信。由于用户移动和时变的无线信道，无线VR体验增强问题被公式化为序列依赖和混合整数问题，其目标是最大化用户在虚拟世界中的存在感（FoP），受限于接入点（AP）和用户的盔装显示器（HMD）上的功耗约束。然而，由于缺乏用户准确的跟踪信息以及序列相关和混合整数的特性，这个问题很难直接解决。为了克服这一挑战，我们开发了一种并行回声状态网络（ESN）的学习方法来预测用户的跟踪信息，通过训练新鲜的和历史的跟踪样本分别收集的AP。根据学习结果，我们提出了一种基于深度强化学习（DRL）的优化算法来解决该问题。在该算法中，我们实现了深度神经网络（DNN）作为一个可扩展的解决方案，以产生整数决策变量和解决连续功率控制问题，以批评整数决策变量。最后，将该算法与各种基准算法进行了性能比较，并讨论了不同设计参数对性能的影响。仿真结果表明，该算法比基准算法节能4.14%。
2021-07-08 cs.AI cs.HC cs.LG
Data-Driven Next-Generation Wireless Networking: Embracing AI for Performance and Security
本文针对物联网、5G及下一代蜂窝系统等新型网络架构带来的挑战，梳理AI技术在无线网络全协议栈的应用，总结其动因、挑战与方法，为未来数据驱动无线网络的AI赋能设计提供思路。
2023-06-09 cs.NI eess.SP
Adaptive Optimization of TLS Overhead for Wireless Communication in Critical Infrastructure
针对关键基础设施无线通信中TLS开销与资源受限的矛盾，提出动态调整TLS配置以适配资源与安全约束的方法，实现稀缺资源下的强化安全保障。
2024-11-04 cs.CR cs.NI
Reconfigurable Intelligent Computational Surfaces: When Wave Propagation Control Meets Computing
第六代（6G）无线网络的设想将涉及通信和计算的智能集成，从而满足各种应用的迫切需求。为了实现智能无线电环境的概念，可重构智能表面（RISs）是一种很有前途的技术，用于通过外部控制来提供撞击电磁信号的可编程传播。然而，传统RIS的纯反射性质在支持基于计算的应用方面引起了重大挑战，例如，基于波的计算和信号处理。为了满足未来的通信和计算需求，需要新材料来补充现有的超表面技术，使电子产品及其应用进一步多样化。在这种情况下，我们介绍了可重构智能计算表面（RICS）的概念，它是由两个可重构的多功能层：“可重构波束形成层”，负责可调信号的反射，吸收和折射，和“智能计算层”，集中在基于超材料的计算。通过探索计算超材料的最新发展趋势，RICSs有可能使联合通信和计算成为现实。我们进一步展示了两个典型的应用RICS进行无线频谱感测和保密信号处理。最后强调了RICSs的设计和操作所带来的未来研究挑战。
2022-10-03 cs.NI eess.SP
When UAV Swarm Meets IRS: Collaborative Secure Communications in Low-altitude Wireless Networks
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University（教育部符号计算与知识工程重点实验室）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；Department of Electrical and Computer Engineering, Auburn University（阿伯茨罕大学电气与计算机工程系）；School of Electrical and Computer Engineering, The University of Sydney（悉尼大学电气与计算机工程学院）
针对低空无线网络中窃听威胁，提出无人机群虚拟天线阵列与智能反射面协同的安全通信框架，通过异构多智能体控制优化保密速率、旁瓣和能耗，仿真验证性能优越。
2025-10-25 cs.AI cs.NI
On the 5G Wireless Communications at the Low Terahertz Band
第四代（4G）移动通信系统的推出为4G之后的研究活动打响了发令枪。尽管增强频谱效率的技术传统上是对数据率和网络容量增加需求的解决方案，但是由于已经先进的技术，甚至更复杂的算法的回报不再值得复杂度的增加。此外，连接设备的数量激增，现在可以有效地使用短距离通信方法。还考虑到最近批准的60千兆赫（GHz）的工业，科学和医疗无线电频段的标准，在本文中，300 GHz左右的传输窗口被提议用于第五代无线通信系统。根据市场趋势提供了太赫兹（THz）波段低端的动机，并列出了更高频率的标准化活动。给出了电磁波在低太赫兹波段传播机制的统一数学表达式。概述了THz波段器件技术，并给出了适合大规模市场生产的最先进的低THz波段电路块的完整调查。最后，对未来的研究方向进行了展望.
2016-05-09 cs.NI
Digital Twin of Wireless Systems: Overview, Taxonomy, Challenges, and Opportunities
未来的无线服务必须专注于通过启用各种应用（如延展实境、脑机交互和医疗保健）来提高生活质量。这些应用具有不同的性能要求（例如，用户定义的体验质量度量、等待时间和可靠性），这些都是现有无线系统难以满足的。为了满足新兴应用的多样化需求，最近提出了数字孪生的概念。数字孪生使用虚拟表示以及安全相关技术（例如，区块链），通信技术（例如，6G）、计算技术（例如，边缘计算）和机器学习，从而实现智能应用。在本教程中，我们将全面概述无线系统的数字孪生。首先，我们介绍了基本概念的概述（即，设计方面、高级架构和框架）。第二，为这两个不同的方面设计了一个全面的分类法。这些方面是双胞胎的无线和无线的双胞胎。对于无线方面的双胞胎，我们考虑参数，如双胞胎对象设计，原型设计，部署趋势，物理设备设计，接口设计，激励机制，双胞胎隔离和解耦。另一方面，对于双胞胎的无线，考虑了诸如双对象接入方面、安全性和隐私性以及空中接口设计等参数。最后，开放式研究的挑战和机遇，以及原因和可能的解决方案。
2022-02-05 cs.NI
