多国研究团队开发统一QoS通信网络框架，提升AR/VR沉浸式通信性能
实现了3.86 Mbps的吞吐量提升、63.96%的延迟降低以及24.36%的收敛时间缩短
（映维网Nweon 2025年08月21日）沉浸式通信（包括新兴的增强现实、虚拟现实和全息远程呈现）是支持下一代无线应用的关键服务。为了与增强型移动宽带（eMBB）或超可靠低时延通信（URLLC）等传统无线应用保持一致，网络切片（NS）技术已得到广泛采用。然而，试图通过不同的网络切片在统计上隔离上述类型的无线应用，可能导致吞吐量下降和队列积压增加。
为应对这些挑战，上海大学，瑞典查尔姆斯理工大学，西安电子科技大学和新南威尔士大学团队建立了一个统一的服务质量（QoS）感知框架，而它能够同时支持沉浸式通信和传统无线应用。
基于李雅普诺夫漂移定理，研究人员将原始的长时期吞吐量最大化问题转化为一个由虚拟队列长度加权的等效短期吞吐量最大化问题。另外，为应对大时间尺度网络切片与短时间尺度资源分配（RA）之间交互带来的挑战，团队针对信道统计特性不变的网络提出了一种自适应对抗性切片（Ad2S）方案。
为了跟踪网络信道的变化，他们同时提出了一种基于测量外推-卡尔曼滤波（ME-KF）的方法，并将所提出方案精调为Ad2S-非稳态精调（Ad2S-NR）。通过扩展的数值示例，实验证明所提出的方案实现了3.86 Mbps的吞吐量提升、63.96%的延迟降低以及24.36%的收敛时间缩短。在所提出的框架内，可以通过调整系统参数来实现总吞吐量与用户服务体验之间的权衡。
沉浸式通信预计将在未来十年内提供实时、交互式的视频体验，涵盖增强现实、虚拟现实和全息远程呈现。作为传统增强型移动宽带（eMBB）和超可靠低时延通信（URLLC）的演进，沉浸式通信不仅需要达到每秒十吉比特（Gbps）的极高吞吐量水平，而且需要低至几毫秒的延迟，以适应人类视觉系统。
最近，国际电信联盟和3GPP都已启动沉浸式通信的标准化进程，将其视为实现实时交互式视频体验的关键推动力量，并在正在形成的Release 19中启动了研究项目。一种将沉浸式应用与传统无线应用共同部署的流行方法是利用无线接入网（RAN）切片方案，通过简单地将不同应用复用到不同的RAN切片中来分配资源。
在过去的5G时代，业界已经提出了几种创新的资源复用方案，包括基于统计流量需求和无线环境的正交复用、通过puncturing实现的非正交复用、基于superposition的方案，甚至是这些方法的组合。尽管存在这些进步，包括服务质量保障和预测性方法，现有技术在处理沉浸式应用方面已被证明不足。因此，开发一个统一的QoS感知切片复用框架至关重要。
近年来，RAN切片技术得到了广泛研究，涵盖了各种正交、非正交和混合复用方案。特别是在正交复用中，不同的网络切片专用于基于流量和信道状态统计信息来服务不同类型的应用。例如，有研究人员开发了一种基于样本近似法（SAA）的方法，用于在已知信道统计信息的情况下进行长时间尺度的无线资源切片操作，而其他研究人员则分别探讨了适应突发流量特征和海量物联网（IoT）用例的扩展方案。
另一方面，在非正交复用中，通常采用puncturing在eMBB服务之上传输URLLC数据包，这种方法可以最大化eMBB服务的瞬时吞吐量并保证URLLC的延迟要求。另一种有趣的非正交方案是利用基于superposition的传输，将eMBB和URLLC服务叠加在一起，以同时满足各自的需求。
另外，通过结合上述正交和非正交复用方案，有研究人员提出了一种基于分层深度学习的方法。总的来说，上述方法主要关注物理层QoS保障，而更高层的QoS（如数据包积压）则很大程度上被忽视了。
为解决此问题，研究者致力于将先进的高层队列系统模型集成到现有的网络切片（NS）框架中。例如，基于M/M/1排队模型，有研究人员阐述了eMBB、URLLC和mMTC的不同QoS特征，并为每个切片配置了适当的虚拟网络功能。另一方面，另一种方法涉及应用李雅普诺夫漂移定理来研究当前网络切片框架的长期稳定性问题，通过构建虚拟队列来保证服务的长期延迟要求。另外，对于更看重短期性能的实际场景，基于马尔可夫决策过程（MDP）的方法，如强化学习（RL），已广泛用于解决RAN切片框架中的工作负载管理问题。
同时，为了平衡高层和物理层性能，有研究人员提出了一种采用多时间尺度MDP的分层结构，以同时优化丢包率和频谱效率。然而，上述所有方法都侧重于静态信道环境下的孤立QoS需求，而即将到来的6G RAN场景中与耦合QoS需求相关的信道非稳态问题仍有待解决，这凸显了进一步研究的必要性。
为应对下一代沉浸式通信系统中的非稳态信道变化，预测建模在信道估计、轨迹跟踪等相关领域得到了广泛研究。例如，业界提出了基于自回归参数估计和机器学习的信道估计方案来跟踪这些非稳态信道变化。另外，长短期记忆（LSTM）和回声状态网络（ESN）整合到强化学习框架中，目标是跟踪环境变化。
更进一步，有人利用了马尔可夫链辅助和上下文感知的在线学习来增强网络切片性能以达到相同目的。另外，在其他研究中，耦合的QoS需求纳入非线性背包问题，并通过基于MDP的在线调度策略有效处理。事实上，同时处理非稳态和耦合QoS需求问题的研究依然有限，并且由于非随机的多时间尺度交互和参数灾难性遗忘（catastrophic forgetting）问题，简单组合上述解决方案可能无法奏效。
为应对上述挑战，上海大学，瑞典查尔姆斯理工大学，西安电子科技大学和新南威尔士大学团队在一个统一的传统/6G QoS导向框架下，提供了非稳态和非随机鲁棒的切片方案。
团队的主要贡献点如下：
混合传统/6G QoS导向框架：为实现向6G的平滑过渡，表征异构服务的联合框架具有挑战性且非比寻常。具体而言，对于传统服务（如eMBB、URLLC）以及6G MBBLL，一个能区分严格与宽松延迟要求、不同服务强度以及硬性与软性QoS满足的统一QoS优化框架尚未得到研究。在研究中，团队针对混合QoS需求，对不同服务强度建模并设定MAC层积压阈值，结合基于李雅普诺夫的积压感知资源分配来减少瞬时延迟中断。
具有非随机鲁棒性的多时间尺度切片方法：管理下一代网络切片框架中复杂的多时间尺度交互带来了重大挑战。具体而言，现有研究中的切片编排器由于无法捕获系统变化以及处理帧级资源分配策略的非随机结果，导致其无法高效学习并提供最优决策。团队的网络切片方法引入了积压感知设计和非随机鲁棒性，并开发了具有理论性能保证的在线自适应对抗性切片（Ad2S）算法。大量实验验证，所提出方法具有确定的效能，相对于基准算法实现了低于73%的累积遗憾（cumulative regret）。
具有非稳态信道跟踪的精调切片机制：非稳态信道变化会因参数遗忘问题破坏Ad2S算法的渐近最优性。简单地应用基于AI的信道跟踪方案会导致复杂度增加且缺乏理论可解释性。团队提出了一种低复杂度的上下文增强方案，融合了无偏测量外推-卡尔曼滤波（ME-KF）信道跟踪方案的结果，从而有效消除了时间非稳态信道下的遗忘问题。理论分析表明，即使在非稳态场景下，所提出的联合设计都能实现次线性遗憾（sublinear regret）。
为验证上述贡献，研究人员对累积遗憾、平均传输速率、体验延迟和任务满意度等指标进行了广泛测试。使用所提出的方案，他们实现了3.86 Mbps的平均吞吐量提升、63.96%的延迟降低和24.36%的收敛时间缩短。
总的来说，团队为下一代RAN切片系统提出了一个统一的QoS感知框架。他们的目标是在非稳态信道环境下的双尺度（网络切片NS和资源分配RA）框架中，最大化混合传统/6G服务在MAC层QoS约束下的长期吞吐量。研究人员利用李雅普诺夫优化框架，将耦合的积压约束问题等价地转化为瞬时积压感知优化问题。在稳态情况下，针对帧尺度混合整数非线性规划（MINLP）问题提出了基于优先级积压的资源分配（PBRA）方案，针对超帧（super-frame）长期非随机问题提出了自适应对抗性切片（Ad2S）方案。
非稳态信道变化带来的挑战通过ME-KF精调方案（即Ad2S-NR）得以缓解。理论分析给出了两种方案的次线性遗憾性能。数值结果表明，采用所提出提出的QoS导向框架和方案，传统和6G应用得以和谐共存，以更少的探索步数实现了QoS保障和吞吐量方面的性能提升。
为了将所提出的统一QoS感知框架扩展到multi-cell场景，可以直接融入多智能体智能技术，包括多智能体强化学习或交替方向乘子法（ADMM），而这将是未来工作的讨论内容。
