實現了3.86 Mbps的吞吐量提升、63.96%的延遲降低以及24.36%的收斂時間縮短
（中國AI網 2025年08月21日）沉浸式通信（包括新興的增強現實、虛擬現實和全息遠程呈現）是支持下一代無線應用的關鍵服務。為了與增強型移動寬帶（eMBB）或超可靠低時延通信（URLLC）等傳統無線應用保持一致，網絡切片（NS）技術已得到廣泛采用。然而，試圖通過不同的網絡切片在統計上隔離上述類型的無線應用，可能導致吞吐量下降和隊列積壓增加。
為應對這些挑戰，上海大學，瑞典查爾姆斯理工大學，西安電子科技大學和新南威爾士大學團隊建立了一個統一的服務質量（QoS）感知框架，而它能夠同時支持沉浸式通信和傳統無線應用。
基于李雅普諾夫漂移定理，研究人員將原始的長時期吞吐量最大化問題轉化為一個由虛擬隊列長度加權的等效短期吞吐量最大化問題。另外，為應對大時間尺度網絡切片與短時間尺度資源分配（RA）之間交互帶來的挑戰，團隊針對信道統計特性不變的網絡提出了一種自適應對抗性切片（Ad2S）方案。
為了跟蹤網絡信道的變化，他們同時提出了一種基于測量外推-卡爾曼濾波（ME-KF）的方法，并將所提出方案精調為Ad2S-非穩態精調（Ad2S-NR）。通過擴展的數值示例，實驗證明所提出的方案實現了3.86 Mbps的吞吐量提升、63.96%的延遲降低以及24.36%的收斂時間縮短。在所提出的框架內，可以通過調整系統參數來實現總吞吐量與用戶服務體驗之間的權衡。
沉浸式通信預計將在未來十年內提供實時、交互式的視頻體驗，涵蓋增強現實、虛擬現實和全息遠程呈現。作為傳統增強型移動寬帶（eMBB）和超可靠低時延通信（URLLC）的演進，沉浸式通信不僅需要達到每秒十吉比特（Gbps）的極高吞吐量水平，而且需要低至幾毫秒的延遲，以適應人類視覺系統。
最近，國際電信聯盟和3GPP都已啟動沉浸式通信的標準化進程，將其視為實現實時交互式視頻體驗的關鍵推動力量，并在正在形成的Release 19中啟動了研究項目。一種將沉浸式應用與傳統無線應用共同部署的流行方法是利用無線接入網（RAN）切片方案，通過簡單地將不同應用復用到不同的RAN切片中來分配資源。
在過去的5G時代，業界已經提出了幾種創新的資源復用方案，包括基于統計流量需求和無線環境的正交復用、通過puncturing實現的非正交復用、基于superposition的方案，甚至是這些方法的組合。盡管存在這些進步，包括服務質量保障和預測性方法，現有技術在處理沉浸式應用方面已被證明不足。因此，開發一個統一的QoS感知切片復用框架至關重要。
近年來，RAN切片技術得到了廣泛研究，涵蓋了各種正交、非正交和混合復用方案。特別是在正交復用中，不同的網絡切片專用于基于流量和信道狀態統計信息來服務不同類型的應用。例如，有研究人員開發了一種基于樣本近似法（SAA）的方法，用于在已知信道統計信息的情況下進行長時間尺度的無線資源切片操作，而其他研究人員則分別探討了適應突發流量特征和海量物聯網（IoT）用例的擴展方案。
另一方面，在非正交復用中，通常采用puncturing在eMBB服務之上傳輸URLLC數據包，這種方法可以最大化eMBB服務的瞬時吞吐量并保證URLLC的延遲要求。另一種有趣的非正交方案是利用基于superposition的傳輸，將eMBB和URLLC服務疊加在一起，以同時滿足各自的需求。
另外，通過結合上述正交和非正交復用方案，有研究人員提出了一種基于分層深度學習的方法。總的來說，上述方法主要關注物理層QoS保障，而更高層的QoS（如數據包積壓）則很大程度上被忽視了。
為解決此問題，研究者致力于將先進的高層隊列系統模型集成到現有的網絡切片（NS）框架中。例如，基于M/M/1排隊模型，有研究人員闡述了eMBB、URLLC和mMTC的不同QoS特征，并為每個切片配置了適當的虛擬網絡功能。另一方面，另一種方法涉及應用李雅普諾夫漂移定理來研究當前網絡切片框架的長期穩定性問題，通過構建虛擬隊列來保證服務的長期延遲要求。另外，對于更看重短期性能的實際場景，基于馬爾可夫決策過程（MDP）的方法，如強化學習（RL），已廣泛用于解決RAN切片框架中的工作負載管理問題。
同時，為了平衡高層和物理層性能，有研究人員提出了一種采用多時間尺度MDP的分層結構，以同時優化丟包率和頻譜效率。然而，上述所有方法都側重于靜態信道環境下的孤立QoS需求，而即將到來的6G RAN場景中與耦合QoS需求相關的信道非穩態問題仍有待解決，這凸顯了進一步研究的必要性。
為應對下一代沉浸式通信系統中的非穩態信道變化，預測建模在信道估計、軌跡跟蹤等相關領域得到了廣泛研究。例如，業界提出了基于自回歸參數估計和機器學習的信道估計方案來跟蹤這些非穩態信道變化。另外，長短期記憶（LSTM）和回聲狀態網絡（ESN）整合到強化學習框架中，目標是跟蹤環境變化。
更進一步，有人利用了馬爾可夫鏈輔助和上下文感知的在線學習來增強網絡切片性能以達到相同目的。另外，在其他研究中，耦合的QoS需求納入非線性背包問題，并通過基于MDP的在線調度策略有效處理。事實上，同時處理非穩態和耦合QoS需求問題的研究依然有限，并且由于非隨機的多時間尺度交互和參數災難性遺忘（catastrophic forgetting）問題，簡單組合上述解決方案可能無法奏效。
為應對上述挑戰，上海大學，瑞典查爾姆斯理工大學，西安電子科技大學和新南威爾士大學團隊在一個統一的傳統/6G QoS導向框架下，提供了非穩態和非隨機魯棒的切片方案。
團隊的主要貢獻點如下：
混合傳統/6G QoS導向框架：為實現向6G的平滑過渡，表征異構服務的聯合框架具有挑戰性且非比尋常。具體而言，對于傳統服務（如eMBB、URLLC）以及6G MBBLL，一個能區分嚴格與寬松延遲要求、不同服務強度以及硬性與軟性QoS滿足的統一QoS優化框架尚未得到研究。在研究中，團隊針對混合QoS需求，對不同服務強度建模并設定MAC層積壓閾值，結合基于李雅普諾夫的積壓感知資源分配來減少瞬時延遲中斷。
具有非隨機魯棒性的多時間尺度切片方法：管理下一代網絡切片框架中復雜的多時間尺度交互帶來了重大挑戰。具體而言，現有研究中的切片編排器由于無法捕獲系統變化以及處理幀級資源分配策略的非隨機結果，導致其無法高效學習并提供最優決策。團隊的網絡切片方法引入了積壓感知設計和非隨機魯棒性，并開發了具有理論性能保證的在線自適應對抗性切片（Ad2S）算法。大量實驗驗證，所提出方法具有確定的效能，相對于基準算法實現了低于73%的累積遺憾（cumulative regret）。
具有非穩態信道跟蹤的精調切片機制：非穩態信道變化會因參數遺忘問題破壞Ad2S算法的漸近最優性。簡單地應用基于AI的信道跟蹤方案會導致復雜度增加且缺乏理論可解釋性。團隊提出了一種低復雜度的上下文增強方案，融合了無偏測量外推-卡爾曼濾波（ME-KF）信道跟蹤方案的結果，從而有效消除了時間非穩態信道下的遺忘問題。理論分析表明，即使在非穩態場景下，所提出的聯合設計都能實現次線性遺憾（sublinear regret）。
為驗證上述貢獻，研究人員對累積遺憾、平均傳輸速率、體驗延遲和任務滿意度等指標進行了廣泛測試。使用所提出的方案，他們實現了3.86 Mbps的平均吞吐量提升、63.96%的延遲降低和24.36%的收斂時間縮短。
相關論文：A Unified QoS-Aware Multiplexing Framework for Next Generation Immersive Communication with Legacy Wireless Applications
https://arxiv.org/pdf/2504.21444
總的來說，團隊為下一代RAN切片系統提出了一個統一的QoS感知框架。他們的目標是在非穩態信道環境下的雙尺度（網絡切片NS和資源分配RA）框架中，最大化混合傳統/6G服務在MAC層QoS約束下的長期吞吐量。研究人員利用李雅普諾夫優化框架，將耦合的積壓約束問題等價地轉化為瞬時積壓感知優化問題。在穩態情況下，針對幀尺度混合整數非線性規劃（MINLP）問題提出了基于優先級積壓的資源分配（PBRA）方案，針對超幀（super-frame）長期非隨機問題提出了自適應對抗性切片（Ad2S）方案。
非穩態信道變化帶來的挑戰通過ME-KF精調方案（即Ad2S-NR）得以緩解。理論分析給出了兩種方案的次線性遺憾性能。數值結果表明，采用所提出提出的QoS導向框架和方案，傳統和6G應用得以和諧共存，以更少的探索步數實現了QoS保障和吞吐量方面的性能提升。
為了將所提出的統一QoS感知框架擴展到multi-cell場景，可以直接融入多智能體智能技術，包括多智能體強化學習或交替方向乘子法（ADMM），而這將是未來工作的討論內容。
