Dynamic Spectrum Access с искусственным интеллектом: Когнитивное радио нового поколения

Проблема дефицита спектра и статический подход

Радиоспектр — это конечный физический ресурс, выделяемый государственными органами управления телекоммуникациями каждой стране. Традиционно спектр разделён между операторами и пользователями на основе долгосрочных лицензий. Однако в реальности использование выделенного спектра сильно варьируется во времени и пространстве: в некоторые часы спектр переполнен, в другие часы — практически не используется.

Традиционный статический подход приводит к значительным потерям потенциальной пропускной способности. Исследования показывают, что в среднем спектр используется на 20–30% от его теоретической ёмкости. Динамический доступ к спектру (DSA) решает эту проблему путём позволения вторичным пользователям (когнитивным радиоустройствам) использовать неиспользуемые полосы частот без помех основным (первичным) пользователям.

Когнитивное радио как основа решения

Когнитивное радио — это интеллектуальное беспроводное устройство, способное осознавать своё электромагнитное окружение, обучаться на основе наблюдений и адаптировать свои параметры (частоту, мощность, модуляцию) для эффективного коммуникирования без помех. Применение искусственного интеллекта делает когнитивное радио практически реальным.

«Динамический доступ к спектру с использованием ИИ потенциально может увеличить пропускную способность существующих сетей на 50–100%, не требуя новых частотных выделений, что особенно важно в условиях насыщения спектра»

CNN для спектрального зондирования и обнаружения помех

Первый компонент системы AI DSA — это спектральное зондирование с использованием глубоких сверточных нейронных сетей (CNN). CNN анализирует спектрограммы, которые представляют собой двумерные изображения, где оси — это частота и время, а интенсивность — мощность сигнала. Сеть обучается распознавать различные типы сигналов, уровни помех и степень загруженности спектра.

Архитектура CNN включает несколько слоёв свёртки с различными размерами фильтров, что позволяет выделять признаки на разных масштабах. После слёев свёртки следуют полносвязные слои, которые преобразуют выделенные признаки в вероятности наличия различных типов активности в спектре. На выходе сеть выдаёт карту спектра с указанием занятых и свободных каналов, типов помех и рекомендуемых параметров для когнитивного радиоустройства.

Обучение CNN на синтетических и реальных данных

Обучение CNN проводится на комбинации синтетических спектрограмм (сгенерированных на основе известных типов сигналов) и реальных данных, собранных в полевых условиях. Синтетические данные позволяют охватить полный спектр возможных сценариев, включая редкие случаи, которые редко встречаются в природе. Реальные данные обеспечивают адаптацию к фактическим условиям и шумам окружения.

Тип сигнала	Частотный диапазон	Точность обнаружения CNN	Скорость обработки
Первичный сигнал (лицензированный)	800–6000 МГц	99,2%	5 мс
Помехи (незаконная передача)	800–6000 МГц	96,5%	8 мс
Свободные каналы	800–6000 МГц	98,8%	3 мс
Помехи окружающей среды (шум)	800–6000 МГц	94,1%	6 мс

RNN для предсказания паттернов занятости спектра

Рекуррентные нейронные сети (RNN) и их более продвинутые варианты (LSTM, GRU) используются для предсказания временных паттернов занятости спектра. Эти сети анализируют историческую информацию о том, когда различные каналы были занятыми, и предсказывают будущее состояние спектра. Такие предсказания позволяют когнитивному радио заранее мигрировать на свободные каналы, прежде чем они будут заняты первичными пользователями.

RNN особенно эффективны при наличии циклических паттернов (например, пиковые часы использования мобильной сети в утренние часы) и долгосрочных тенденций (например, постепенное увеличение нагрузки на спектр в часы пик с дня на день). Система обновляет модель RNN ежедневно на основе новых наблюдений, адаптируясь к сезонным изменениям и специальным событиям.

Примеры предсказаний RNN

Система может предсказать: «Канал на частоте 2450 МГц будет занят первичным пользователем в течение следующих 30 минут с вероятностью 78%, поэтому когнитивное радио должно мигрировать на частоту 2420 МГц, которая предположительно будет свободна в течение следующих 2 часов». Такие предсказания основаны на исторических паттернах и текущем состоянии спектра.

Многоагентное обучение с подкреплением (MARL) для оптимизации доступа

Самый мощный компонент системы AI DSA — это многоагентное обучение с подкреплением (MARL). Каждое когнитивное радиоустройство в сети действует как отдельный агент, который обучается оптимальной стратегии выбора каналов для максимизации собственной пропускной способности при избежании помех другим агентам.

Агенты взаимодействуют между собой через систему обмена информацией, сообщая друг другу о своём местоположении, используемых каналах и интерпретируемых помехах. Глобальная цель системы — максимизировать общую пропускную способность сети, но каждый агент имеет локальную цель — максимизировать свою собственную пропускную способность. MARL алгоритмы, такие как независимое обучение Q (IQL) или их централизованное обучение с децентрализованным выполнением (CTDE), балансируют эти конфликтующие цели.

Алгоритмы MARL

Система использует смесь алгоритмов: Q-обучение для выбора дискретных действий (выбор канала), глубокое детерминированное тактико-стратегическое обучение (DDPG) для непрерывной оптимизации параметров передачи (мощность, ширина полосы), и мультиагентное обучение с подкреплением на основе актора-критика (MAAC). Каждый агент обновляет свою политику действия на основе полученного вознаграждения (положительного за успешную передачу, отрицательного за помехи).

Алгоритм MARL	Применение	Преимущества	Вычислительная сложность
Независимое Q-обучение (IQL)	Выбор канала	Простота, быстрая сходимость	O(n) — линейная
Централизованное обучение с децентрализованным выполнением (CTDE)	Полное управление доступом	Оптимальность, избегание коллизий	O(n^2) — квадратичная
Множественный актор-критик (MAAC)	Непрерывная оптимизация параметров	Плавное изменение параметров, стабильность	O(n^2) — квадратичная
Глубокое обучение на основе политики (PPO)	Аварийные сценарии и ограничения	Стабильность, выполнение ограничений	O(n) — линейная

Интеграция в сети 5G и подготовка к 6G

Текущие сети 5G уже начинают использовать концепции динамического доступа к спектру через специальные диапазоны (например, спектр C-band в США был выделен для динамического использования между сетями). Системы AI DSA в разработке для полной интеграции в 5G инфраструктуру через стандарты 3GPP Release 17 и позже.

Для сетей 6G, ожидаемых в период 2030–2035 годов, AI DSA будет играть центральную роль. 6G сети предполагают использование намного более высоких частот (терагерцовый диапазон, 100–300 ГГц), которые имеют ещё более ограниченное распространение и требуют ещё более интеллектуального управления спектром. Системы AI DSA нового поколения будут использовать квантовые алгоритмы для обработки сигналов и продвинутые версии MARL для управления миллионами когнитивных радиоагентов.

Требования к внедрению в 5G/6G

Для успешного внедрения AI DSA в 5G/6G сети необходимо: совместимость с существующими стандартами (3GPP), поддержка иерархической архитектуры агентов (макроагенты на базовых станциях, микроагенты на пользовательских устройствах), и интеграция с облачными центрами обработки для обучения глобальных моделей. Система должна работать с низкой задержкой (менее 100 мс) и обеспечивать гарантии качества обслуживания (QoS).

«Искусственный интеллект в управлении спектром позволит сетям 6G использовать в три раза больше спектральных ресурсов при той же физической полосе частот, чем 5G сети»

Практические применения и кейс-стадии

В городских средах с высокой плотностью пользователей (например, в центре мегаполиса) AI DSA может снизить неоправданное использование спектра на 35–45%. В сельских регионах с низкой плотностью сети, система позволяет операторам использовать одну и ту же полосу спектра для разных целей в разное время (например, утром для мобильных сетей, вечером для спутниковой связи).

Пример: Интеллектуальное управление спектром в аэропорту

Крупный международный аэропорт должен одновременно поддерживать множество беспроводных приложений: системы связи авиадиспетчерского управления (400 МГц), коммерческие мобильные сети (800–6000 МГц), системы локальной навигации самолётов, видеокамеры наблюдения (микроволновые диапазоны) и самолётные системы связи (спутниковые и наземные). AI DSA система может динамически распределять спектр между этими приложениями, приоритизируя критически важные системы в неотложные моменты.

Вызовы безопасности и надёжности

Система AI DSA должна быть устойчива к враждебным воздействиям. Злоумышленники могут отправлять ложные данные о занятости спектра, пытаясь заставить когнитивные радиоустройства использовать каналы, которые на самом деле занимаются первичными пользователями (джаммеры). Система должна включать проверку целостности данных и механизмы обнаружения аномалий для защиты от таких атак.

Также существует риск того, что система ИИ может обучиться нежелательным стратегиям, например, систематически отправлять помехи определённым типам устройств. Для предотвращения этого необходимо использовать методы обучения с противодействием (adversarial training) и регулярную валидацию политик агентов.

Будущие направления развития

Текущие исследования фокусируются на интеграции AI DSA с другими компонентами 6G (таких как встроенное вычисление — MEC, и машинное зрение для локализации устройств). Разрабатываются квантовые алгоритмы для спектрального зондирования, которые могут обрабатывать экспоненциально большее количество спектральных признаков. Также изучается использование новых диапазонов частот (терагерцовых волн) с полностью новыми характеристиками распространения.