作者：李鐵鈞 奚智偉 劉思享

摘要：隨著5G-A技術的商業化進程加速，XR等新興業務的引入對網絡感知速率提出了更高的要求。調制與編碼策略（MCS）和空分復用流數（RANK）作為影響網絡性能的關鍵因素，其優化策略對用戶體驗和網絡效率具有顯著影響。本文綜合分析了MCS、RANK優化的理論基礎、現狀以及基于人工智能（AI）的優化方法，探討了通過參數調整和AI建模提升網絡性能的途徑，并結合實際試點驗證了優化效果。

關鍵詞：MCS（調制與編碼策略）；RANK（空分復用流數）； 機器學習；優化算法引言

5G網絡的高速率、低延遲和高連接能力為眾多行業帶來了新的發展機遇。然而，在實際部署過程中，信號覆蓋弱場優化等挑戰依然存在。調制與編碼策略（MCS）和空分復用流數（RANK）作為無線網絡優化的核心指標，其優化策略對用戶體驗速率和網絡效率起著決定性作用。本文通過深入分析MCS、RANK的原理及其影響因素，結合人工智能技術探索優化方法，并通過實際試點驗證優化效果。

MCS與RANK優化的理論基礎

調制與編碼策略（MCS）是5G無線網絡中用于保障用戶設備（UE）業務傳輸效率和質量的關鍵參數。MCS的調整基于信道質量的好壞：信道質量良好時，采用更高階的調制方式和更高的編碼效率；信道質量較差時，則采用更低階的調制方式和更低的編碼效率。根據3GPP TR 38.214協議，MCS與碼率之間存在明確的對應關系。MCS值越高，碼率越大，傳輸效率越高。例如，256QAM和64QAM的MCS Index對應不同的碼率和頻譜效率，具體參考協議3GPP TS 38.214協議中的“Table 5.1.3.1-4: MCS index table 4 for PDSCH”。

空分復用流數（RANK）表征了在相同的時頻資源上，空間上同時傳輸的數據流數量。RANK值越高，速率越高，且多流之間的相關性越低，抗干擾能力越強。終端能力（如2T4R）和空口環境（如多徑反射）對RANK的影響顯著。在信道環境較好且存在多徑反射的場景下，終端更容易獲取較高的RANK值。

在無線通信領域，不同廠商所采用的MCS（調制與編碼策略）和RANK（空分復用流數）的資源管理模塊（RRM）算法雖存在差異，但其核心理念保持一致。這些RRM算法依據SRS（探測參考信號）測量結果、用戶設備（UE）的能力、信道狀態信息（CSI）上報、調度結果以及基站配置，計算不同MCS/RANK組合下的頻譜效率。在這一過程中，MCS的初始分配基于信道條件及相關調整參數，為UE指定初始MCS值。隨后，依據UE的調度反饋，MCS值逐步調整，直至UE的誤碼率（BLER）穩定在合理區間（通常約為10%）。基站則通過比較不同MCS/RANK組合的頻譜效率，選擇最優組合進行調度。值得注意的是，不同RANK之間的切換需滿足特定的閾值條件，同時，通過參數調整可影響不同RANK的頻譜效率，進而調控各RANK的傾向性。

當前MCS與RANK優化的痛點

在實際無線網絡環境中，MCS和RANK的優化面臨著諸多挑戰，其中最為關鍵的是MCS/RANK組合策略的選擇以及誤塊率（BLER）收斂策略的確定。這些痛點對優化策略的靈活性和適應性提出了更高的要求。

1.MCS/RANK組合策略選擇

在相同的無線環境下，不同的MCS/RANK組合會導致顯著不同的頻譜效率和吞吐率表現。具體而言，低RANK高MCS策略適用于信道質量較好但多徑反射不足的場景，通過提高MCS能夠有效提升單流傳輸效率，然而，較低的RANK可能會限制整體吞吐率。相反，高RANK低MCS策略則適用于多徑反射豐富但信道質量一般的場景，通過增加RANK可以顯著提升整體吞吐率，盡管單流傳輸效率可能較低。

低RANK高MCS策略：

高RANK低MCS策略：

因此，MCS/RANK組合策略的選擇需要根據實際無線環境和業務需求進行動態調整，以實現網絡性能的最優化。

2.BLER收斂策略

選擇不同業務對BLER的收斂策略需求不同。游戲業務通常選擇低BLER收斂策略，以減少時延并提升用戶體驗；而網頁業務則傾向于選擇較高的BLER收斂策略，以提升吞吐率并縮短加載時間。

游戲：

網頁：

然而，目前并沒有一種最優的BLER收斂策略能夠適用于所有場景和業務類型。因此，BLER策略的選擇需要綜合考慮業務類型和用戶需求，以實現最佳的網絡性能和用戶體驗。

基于AI的MCS與RANK優化方法

本文提出了一種基于人工智能（AI）的MCS與RANK優化方法，旨在通過AI建模實現最優組合策略，從而提升網絡性能。該方法的核心在于利用AI技術對復雜的無線網絡環境進行建模和優化，以實現動態調整MCS和RANK參數，滿足不同場景下的性能需求。

優化步驟：

1)數據預處理

數據預處理是優化流程中的關鍵環節，主要包括數據拼接和異常數據清洗兩個部分。數據拼接通過北向接口提取5G網絡小區的小時級話務統計報表以及每次參數修改后的網絡參數配置，以小區名等關鍵字段進行拼接，這些字段具有唯一標識小區且較少改動的特性，從而確保數據的完整性和一致性。

異常數據清洗則針對優化目標中的異常數據進行過濾和剔除。在對5G網絡數據進行深入研究后，我們發現以小區流量和速率作為刪除依據，并采用LocalOutlierFactor（局部異常因子，LOF）方法進行數據篩選，能夠取得最佳效果。LOF算法作為一種基于密度的經典算法，相較于傳統的異常點過濾算法，無需依賴特定的概率分布，且能夠量化每個數據樣本的異常程度，從而更有效地識別和處理異常數據。

2)網絡場景化

場景化建模的必要性主要源于兩方面的考量。首先，全網統一模型無法有效解決不同場景下參數的顯著差異。例如，邊緣用戶分布比例對小區邊緣速率參數的傾向性具有決定性影響，而這種差異在統一模型中難以得到充分考慮。其次，盡管單小區建模理論上能夠為每個小區精確配置最優參數，但現實網絡中存在較大的話務波動和用戶波動，使得速率與話務模型、優化參數之間的關系變得極為復雜，難以準確建模。鑒于此，本文采用場景化方法，將具有相似狀態的小區劃分為同一組（即場景），并為每個場景配置統一的優化參數。

在場景化建模過程中，本文采用K-means聚類算法，以專家經驗定義的影響速率的話統指標作為狀態特征。然而，這些話統指標的數量級存在顯著差異，例如流量數量級從0到109以上，信道質量指示（CQI）的取值范圍為0到15，而干擾的取值范圍則在-130到-70之間。在計算采樣點之間的“距離”時，不同數量級的指標會對計算結果的合理性產生顯著影響。因此，在進行場景化建模之前，必須先對各話統指標的數量級進行調整，以確保計算的準確性。為此，本文采用StandardScaler方法對狀態特征進行標準化處理，通過將各指標轉換為均值為0、標準差為1的新序列，有效消除了數量級差異對聚類結果的影響。其計算公式為：

u為X均值，s為X序列的標準差，通過標準化后，X序列轉變為均值為0，標準差為1的新序列X'。標準化過程是經過單調增函數計算，變換后的數據排序順序不變，新的話統指標數量級一致。

以一組小區小時級數據為例，展示整個變換過程：

各話統指標均值、標準差計算如下：

經過StandardScaler變換后，新的指標X'如下：

新數據分布如下圖，各話統指標基本位于同一分布區間內，即各指標“距離”權重相當。

標準化之后，使用聚類算法進行多維場景劃分。在多種聚類算法中，需要選擇一種算法，可以避免某一類場景下小區數量較少，影響該類場景建模的準確性。以常用的四類聚類方式對比看，Kmeans算法具有各類（簇）大小均勻的特點，而且類的數量可控（n_clusters），結合實際應用，更適合我們用作實際生產中的場景劃分。

 三維特征示意圖中，Kmeans更符合我們的預期。

實際應用中以100個小區左右作為一種場景，設定場景數量（n_clusters）后開始場景劃分。

3)數據建模

無線網絡優化難點在于優化目標隨小區狀態（流量、用戶數、干擾等）變化而產生大幅變化。以優化平均速率為例，忙時隨著用戶增多，單用戶速率會出現明顯下降。

多參數優化的難點也正是如何在變化的狀態下，構建優化目標與參數間的模型關系。y=f(α|s)

即在狀態s下，如何構建y與a的關系函數。考慮到盡可能增加優化目標對優化參數的敏感性，我們引入RBF+MLP神經網絡，將優化參數通過RBF網絡代入，話務統計（狀態）通過MLP網絡代入，聯合進行神經網絡訓練。

MLP模型是最基礎的神經網絡模型，RBF模型與之類似，在模型結構中隱藏層進行了變化，由MLP的線性函數+激活函數替換為非線性的高斯函數。由此RBF模型具有了只對中心點附近的輸入數據高敏感的特點。

調用tensorflow.keras包，按照設計的模型結構搭建模型，根據數據分布優化模型超參：學習率（lr）、數據塊大小（batch_size）和迭代次數（epoch）。以MSE（均方損失函數）為模型損失函數，觀察MSE收斂速度，同時觀察MAE（絕對值誤差）、R2變化情況。最終選擇合理的迭代次數（150）下，最合適的學習率（0.06）和數據塊大小（1024）。

4)參數推薦

在完成小區場景化劃分、建模后，對每個場景下的小區進行最優值推薦。通常最優值的求解可以通過梯度下降法求解，但對于高維模型，使用梯度下降求解其最優值并不是一件容易的事。 f(x)=( f x1,…, f xn)τ

在此使用坐標下降法迭代地通過將大多數自變量固定，而只針對剩余的自變量求極值的過程。這樣，一個高維的優化問題就被分解成了多個一維的優化問題，從而大大降低了問題的復雜性。

由于實際生產中參數直接存在關聯性，需要通過多次迭代，減少參數間關聯關系對最優值的影響。從多次驗證結果看，三輪優化收斂程度已經達到98%以上，足以滿足優化要求。

收斂程度：所有小區、參數推薦結果與下一輪推薦相同的比例。例如優化區域中有500個小區， 優化40個參數，共推薦20000個參數，第N輪推薦結果與第N+1輪有18000個參數相同，則第N輪推薦收斂程度為90%（18000÷20000）。

實際試點驗證

為了驗證所提出的基于AI的MCS與RANK優化方法的有效性，本文選擇在某地市進行多參數優化試點。該區域包含18個3.5G宏基站和203個小區，優化試點分為三個階段進行，以全面評估優化效果。

通過對比優化前后的網絡性能指標，驗證了優化方法的有效性。優化后，203個小區的下行平均體驗速率顯著提升，區域內用戶數增長約5%，流量增益約4%，直接統計速率增益達到7%。進一步通過流量拉齊對比，速率增益約為10%。這些結果表明，優化方法能夠顯著提升網絡性能，提高用戶體驗速率和網絡吞吐率。

優化后，下行256QAM占比和下行四流占比提升明顯，這表明通過對MCS/RANK參數的優化，有效提升了用戶體驗速率。具體而言，優化后的網絡能夠更高效地利用頻譜資源，同時提高了多流傳輸的效率，從而在整體上提升了網絡性能。

實際試點驗證結果表明，基于AI的MCS與RANK優化方法能夠有效提升網絡性能，特別是在提升用戶體驗速率和網絡吞吐率方面表現突出。優化后的網絡在不同場景下均表現出良好的適應性，驗證了該方法的可行性和有效性。

結論與展望

本文通過對MCS和RANK優化的理論基礎進行深入分析，結合實際網絡中的優化痛點，提出了一種基于人工智能的優化方法。該方法通過參數篩選、數據預處理、場景化分類、AI建模以及最優值推薦等步驟，實現了MCS和RANK的動態優化。實際試點驗證表明，該方法能夠顯著提升網絡性能，提高用戶體驗速率和網絡吞吐率，驗證了其在實際應用中的有效性。

盡管如此，仍有一些潛在的改進方向值得進一步探索。首先，隨著5G網絡的不斷發展和6G技術的逐步興起，未來的無線網絡將面臨更加復雜的環境和更高的性能要求。因此，進一步優化AI算法以提高模型的準確性和效率，將是未來研究的重要方向。其次，結合更多的網絡參數和業務類型進行綜合優化，可能會進一步提升網絡的整體性能。

此外，如何在不同的網絡架構和業務場景下，實現優化策略的自適應調整，也是未來研究需要解決的關鍵問題。綜上所述，本文提出的基于AI的MCS與RANK優化方法，為無線網絡性能提升提供了一種有效的解決方案。未來，隨著AI技術的不斷發展和無線網絡環境的日益復雜，該領域的研究將具有廣闊的應用前景和重要的理論價值。