De acordo com pt.wedoany.com-A equipe do Instituto de Pesquisa da China Mobile propôs a arquitetura CIS-RAN voltada para o 6G, com colaboração, inteligência e servicialização como características centrais. A equipe, composta por Wang Xiaoyun (China Mobile Group) e Li Nan, Sun Qi, Wang Yang, Yan Yiwei, Wang Sen, Xu Xiaofei, Li Na, Jin Jing (Instituto de Pesquisa da China Mobile), expande os limites da colaboração com base na arquitetura C-RAN proposta em 2010 e introduz inteligência intrínseca e mecanismos de abertura de capacidades, visando atender aos rigorosos requisitos de taxa de transferência máxima, latência ultrabaixa, confiabilidade ultra-alta e conexões massivas em cenários como direção autônoma, automação industrial, gêmeos digitais e realidade estendida no 6G.
A pesquisa primeiro analisa as demandas enfrentadas pela rede de acesso via rádio 6G e as limitações das arquiteturas existentes. Com base nisso, a arquitetura CIS-RAN proposta inclui RRU aprimorado, BBU e uma nova unidade de inteligência centralizada RAN, além de esclarecer as principais funções e mudanças de interface. As cinco tecnologias capacitadoras incluem coleta de dados heterogêneos, processamento colaborativo orientado a tarefas, distribuição inteligente em camadas, garantia de serviço de IA de latência ultrabaixa e exposição unificada de capacidades RAN. Por meio de simulações e experimentos com protótipos, a pesquisa valida a eficácia da arquitetura sob duas perspectivas: AI4RAN e RAN4AI. No aspecto AI4RAN, a previsão de interferência uplink é usada como exemplo para demonstrar as vantagens da inteligência colaborativa em eficiência de aprendizado e taxa de transferência do sistema. No aspecto RAN4AI, um protótipo de serviço de detecção visual de IA indoor e outdoor é usado para validar seu desempenho no fornecimento de serviços de IA de latência ultrabaixa e exposição de capacidades.
Para validar a arquitetura CIS-RAN, a pesquisa projetou experimentos em duas dimensões: inteligência colaborativa e serviços de baixa latência, obtendo melhorias significativas de desempenho.
O Caso 1 aborda ambientes de interferência dinâmica em cenários típicos do 6G (ciclismo, fábrica, escritório), comparando o mecanismo de pré-treinamento centralizado com ajuste fino local (CPLF) habilitado pelo CIS-RAN com o mecanismo tradicional de treinamento local de BBU único (SLT). Os resultados mostram que, em comparação com o retreinamento específico do cenário, o mecanismo CPLF reduz a quantidade de dados de treinamento necessários no lado BBU em 36% a 50%, e o tempo de atualização do modelo é reduzido em aproximadamente 71% a 78%. O esquema CPLF apresenta convergência de erro mais rápida e menor erro de previsão em estado estacionário em todos os cenários. Em termos de taxa de transferência média uplink do UE, tanto CPLF quanto SLT melhoram de 9% a 18% em relação à linha de base não-AI, mas o CPLF reduz significativamente a sobrecarga de treinamento, alcançando um equilíbrio entre desempenho e eficiência.
O Caso 2 implanta serviços de detecção visual de IA, incluindo contagem de pessoas, detecção de intrusão e reconhecimento de comportamento anômalo, em uma loja da China Mobile (indoor) e em um viveiro de caranguejos (outdoor) com base em um sistema protótipo. Em comparação com o esquema tradicional de encaminhamento UPF para MEC, a inferência de IA na arquitetura CIS-RAN é concluída diretamente no lado BBU, com latência média de ponta a ponta inferior a 20 milissegundos em cenários indoor e outdoor, enquanto a arquitetura tradicional tem cerca de 60 milissegundos. Essa arquitetura realiza um ciclo fechado fortemente acoplado de percepção-decisão-ação, estabelecendo uma base para aplicações sensíveis à latência determinística, como a inteligência incorporada.
