5G网络大数据智能分析技术

5G网络大数据智能分析技术

罗晨

身份证号：31010219810420441X

摘要：目前，传统技术体系已经不能满足人们的实际需求，因此，5G应运而生，将进一步推动移动数据的高速发展。5G网络和4G网络进行比较，具有着明显的优势，5G网络的网络传输速度将会更快，但是因为4G网络已经被大众应用很长时间，因此很多方面的服务都比5G网络更加便捷，这也是目前5G网络的缺点。应该根据大数据对其进行一定程度上的优化，让5G网络更快地进入到人们的生活中。

关键词：5G网络；大数据；智能分析；技术

1大数据与5G网络的相关概述

1.1移动大数据的相关概述

用户通过网络而形成的相关数据以及由运营商所形成的数据便是属于移动大数据，而在用户所制造的大数据中，则可包括了富媒体数据以及自媒体数据。基础网络中有关数据与日志有关数据的综合，便是由运营商所产生的数据。如果对运营商数据进行信息收集，那么就会有相当多的环节能够做到，比如测试报告、采集路测、最小化路测、用户习惯、终端的设备类型数据、用户的通话记录、信号强度数据和用户位置信息，等等。

在这样的情形下，大数据中的信息也会包罗万象，因此当对运营商的信息进行收集时，不但会对其中一些相关的业务数据加以掌握，而且还能够对整个信道的使用状况做出较为基本的了解。

在这么多的数据中，还可利用计算机对这些数据加以计算，以此来推演不同的情况与结果。对于人类的发展有着难以想象的作用。

1.25G网络的相关概述

从数据的终端到数据的处理中心便是以5G网络为主要的信息通道，对新时代的发展将具有难以想象的意义，通过利用计算能力和边缘缓存的相关基站，来实现更高效的信息储存和对数据的预先管理。

在进行了这一流程之后，还需要利用核心的互联网技术将相应的信息数据传输到数据中心，在进行了对数据的云运算之后，会得出相关的大数据分析结论。在5G网络的多功能服务中，人们需要对服务器、路由器和交换机实现相互的交换，且数量也很多。5G网络要对来自不同数据库，不同缓存服务器以及各个后台的相关数据进行承载，也要对移动用户的相关数据进行承载。

2关键技术

2.1布式可信AI架构

为了促进联邦学习技术与5G网络的结合，满足用户、运营商和行业的联合建模需求，中国移动提出了一种分布式可信人工智能联邦学习体系结构。

在5g网络分布式可信人工智能联邦学习体系结构中，根据联邦学习涉及的领域，可分为三个层次：域内联邦、跨域联邦和全局联邦。涉及的对象包括用户、运营商、行业和其他建模需求方。中央协调器（Centralcoordinator）提供跨境互操作性、任务协调、资源调度、安全认证等功能。作为用户和行业之间的纽带，运营商可以充当中心协调员。在提供优质服务的同时，帮助用户和行业解决跨域隐私问题，开放数据孤岛，打造先进的数据生态链，构建共享的产业生态，形成良好的智能商业模式。运营商端主要包括网络管理和5GNF（网络功能节点）。这些节点可以承担客户端和协调器的双重角色。作为协调者，他们协调域内/域间节点之间的联合学习；作为客户，他们参与域内/域间节点之间的联合学习。例如，核心网络中的nwdaf可以协调域内NF/其他域的联合学习，并参与域内NF/其他域的联合学习；用户端UE和行业端AF都可以用作协调器/客户端，以实现域内/域间联合学习。

面向5G的网络加密技术

5G网络联邦学习的研究需要面向网络场景，研究联邦学习技术、安全多方计算、同态加密、差异隐私和可信执行环境等隐私计算技术，进行定制研究、优化和应用，实现信息交流中联邦学习的高效可靠实施。

在5G网络的纵向联邦学习中，隐私集的交集可以用于基于用户的数据对齐，以保护非交集中的用户数据；同态加密技术可以用来加密和保护中间过程，如梯度和参数信息，但加密会带来额外的计算成本，降低操作效率。

在5G网络的联邦学习场景中，客户端和服务器将传输梯度数据，梯度的本质是原始数据的函数，因此可以通过梯度推导参与者的原始数据。无论是回归方法还是深度学习，梯度的泄漏都可能导致原始数据的泄漏。为了避免原始数据的泄露，可以使用差分隐私技术添加噪声，实现梯度隐私保护。然而，这种方法会降低分布式学习的收敛速度，并在一定程度上降低训练模型的准确性。可信执行环境是一种芯片级硬件安全计算技术。联邦学习可以依靠这种方式来实现更高的硬件级安全性能。总之，对于网络智能应用场景，需要选择合适的安全解决方案，构建安全的大数据联合学习框架，通过网络和联邦学习与其他安全技术有机集成和合作，在数据加密的基础上实现安全与效率的合理平衡，计算加密和模型加密。

2.3大规模天线与分布式天线

在整个5G网络中，大规模天线属于最重要的一个技术领域，它包含了大约256个天线数据。针对于高阶的大型天线系统而言，当我们在处理通道的时候会为每个通道都带来一种基于波束赋形原理的时空分复用天线发射波束，但同时在该处理过程当中，各条通道的发光波束之间也将出现相互影响的问题，也从而造成了高阶大型天线效能呈现下降趋势。基于此，有必要获取其中的干扰数据，并加以优化。与此同时，由于在网络终端有不同位置上进行接收消息的能力，因此还会存在着各种差别情况。

通常情况下，在基站中央位置接受信号的能力功率较大，而当处于边缘区域时的接收信息能力功率就会比较小，也就是人们常说的信息质量不好。经过对上述问题的研究后发现，最好能够使用分布式天线进行优化设计，以降低由于天线之间所形成的干涉问题，又或者也能够合理利用大数据分析技术，根据无线访问接入点进行联合信号处理，由此以增加定位的精确性。

2.4实时感知网络用户的通信数据

目前，移动边缘计算模式已经覆盖了世界最大规模的5G网络，充分保证了在整个5G覆盖范围内的所有互联网应用，都可以被引入到实时感知和反馈等信息获取的新领域。所以，对于5G运营商来说，运营商需要确保自己准确地掌握和了解网络用户的需求，从而达到通过信息感知汇总用户反馈数据的目的。

目前，在云平台等重要技术支撑手段的影响下，5G运营商已经可以对各个时代产生的移动设备边缘数据进行全方位的梳理和收集，并把汇总得出的结果和数据完全传送到特定的5G终端平台。经过全面总结和深入分析了当前5G网络的技术特性，网络运营商应该可以获得最小的网络时延处理效果，也因此比较合理地丰富了企业在5G模式下的虚拟现实业务。

利用实施云计算的技术手段与方式，互联网运营商也可以准确判断出在移动边缘区域范围内中的沉淀数据流，进而运用相关技术手段来管理中的沉淀数据。

结论

面向5G及未来网络的多样化业务、差异化需求和极致化体验要求，核心网作为网络和业务的枢纽，其发展和演进对运营商网络有着举足轻重的作用。在5G核心网中引入人工智能技术，可实现网络向自动化和智能化的跃迁，以应对网络所面临的需求和挑战。当前网络智能化产业正处于快速发展阶段，本文希望通过对5G网络大数据智能分析技术中架构及关键问题的分析，为业界同仁在网络智能化的发展和落地研究中提供参考和启示，推动网络逐步实现智能和智慧。

参考文献：

[1]赖麟.大数据驱动5G网络与服务优化分析[J].中国新通信,2020,22(04):17.

[2]汤冰,樊忠洋,张校东.大数据驱动下如何实现5G网络与服务优化[J].信息记录材料,2020,21(08):202-203.

[3]崔文祥,阳茂.大数据驱动5G网络与服务优化研究[J].信息记录材料,2020,21(09):144-145.