基于AI的MCS、RANK优化研究

作者：李铁钧 奚智伟 刘思享

摘要：随着5G-A技术的商业化进程加速，XR等新兴业务的引入对网络感知速率提出了更高的要求。调制与编码策略（MCS）和空分复用流数（RANK）作为影响网络性能的关键因素，其优化策略对用户体验和网络效率具有显著影响。本文综合分析了MCS、RANK优化的理论基础、现状以及基于人工智能（AI）的优化方法，探讨了通过参数调整和AI建模提升网络性能的途径，并结合实际试点验证了优化效果。

关键词：MCS（调制与编码策略）；RANK（空分复用流数）； 机器学习；优化算法引言

5G网络的高速率、低延迟和高连接能力为众多行业带来了新的发展机遇。然而，在实际部署过程中，信号覆盖弱场优化等挑战依然存在。调制与编码策略（MCS）和空分复用流数（RANK）作为无线网络优化的核心指标，其优化策略对用户体验速率和网络效率起着决定性作用。本文通过深入分析MCS、RANK的原理及其影响因素，结合人工智能技术探索优化方法，并通过实际试点验证优化效果。

MCS与RANK优化的理论基础

调制与编码策略（MCS）是5G无线网络中用于保障用户设备（UE）业务传输效率和质量的关键参数。MCS的调整基于信道质量的好坏：信道质量良好时，采用更高阶的调制方式和更高的编码效率；信道质量较差时，则采用更低阶的调制方式和更低的编码效率。根据3GPP TR 38.214协议，MCS与码率之间存在明确的对应关系。MCS值越高，码率越大，传输效率越高。例如，256QAM和64QAM的MCS Index对应不同的码率和频谱效率，具体参考协议3GPP TS 38.214协议中的“Table 5.1.3.1-4: MCS index table 4 for PDSCH”。

空分复用流数（RANK）表征了在相同的时频资源上，空间上同时传输的数据流数量。RANK值越高，速率越高，且多流之间的相关性越低，抗干扰能力越强。终端能力（如2T4R）和空口环境（如多径反射）对RANK的影响显著。在信道环境较好且存在多径反射的场景下，终端更容易获取较高的RANK值。

在无线通信领域，不同厂商所采用的MCS（调制与编码策略）和RANK（空分复用流数）的资源管理模块（RRM）算法虽存在差异，但其核心理念保持一致。这些RRM算法依据SRS（探测参考信号）测量结果、用户设备（UE）的能力、信道状态信息（CSI）上报、调度结果以及基站配置，计算不同MCS/RANK组合下的频谱效率。在这一过程中，MCS的初始分配基于信道条件及相关调整参数，为UE指定初始MCS值。随后，依据UE的调度反馈，MCS值逐步调整，直至UE的误码率（BLER）稳定在合理区间（通常约为10%）。基站则通过比较不同MCS/RANK组合的频谱效率，选择最优组合进行调度。值得注意的是，不同RANK之间的切换需满足特定的阈值条件，同时，通过参数调整可影响不同RANK的频谱效率，进而调控各RANK的倾向性。

当前MCS与RANK优化的痛点

在实际无线网络环境中，MCS和RANK的优化面临着诸多挑战，其中最为关键的是MCS/RANK组合策略的选择以及误块率（BLER）收敛策略的确定。这些痛点对优化策略的灵活性和适应性提出了更高的要求。

1.MCS/RANK组合策略选择

在相同的无线环境下，不同的MCS/RANK组合会导致显著不同的频谱效率和吞吐率表现。具体而言，低RANK高MCS策略适用于信道质量较好但多径反射不足的场景，通过提高MCS能够有效提升单流传输效率，然而，较低的RANK可能会限制整体吞吐率。相反，高RANK低MCS策略则适用于多径反射丰富但信道质量一般的场景，通过增加RANK可以显著提升整体吞吐率，尽管单流传输效率可能较低。

低RANK高MCS策略：

高RANK低MCS策略：

因此，MCS/RANK组合策略的选择需要根据实际无线环境和业务需求进行动态调整，以实现网络性能的最优化。

2.BLER收敛策略

选择不同业务对BLER的收敛策略需求不同。游戏业务通常选择低BLER收敛策略，以减少时延并提升用户体验；而网页业务则倾向于选择较高的BLER收敛策略，以提升吞吐率并缩短加载时间。

游戏：

网页：

然而，目前并没有一种最优的BLER收敛策略能够适用于所有场景和业务类型。因此，BLER策略的选择需要综合考虑业务类型和用户需求，以实现最佳的网络性能和用户体验。

基于AI的MCS与RANK优化方法

本文提出了一种基于人工智能（AI）的MCS与RANK优化方法，旨在通过AI建模实现最优组合策略，从而提升网络性能。该方法的核心在于利用AI技术对复杂的无线网络环境进行建模和优化，以实现动态调整MCS和RANK参数，满足不同场景下的性能需求。

优化步骤：

1)数据预处理

数据预处理是优化流程中的关键环节，主要包括数据拼接和异常数据清洗两个部分。数据拼接通过北向接口提取5G网络小区的小时级话务统计报表以及每次参数修改后的网络参数配置，以小区名等关键字段进行拼接，这些字段具有唯一标识小区且较少改动的特性，从而确保数据的完整性和一致性。

异常数据清洗则针对优化目标中的异常数据进行过滤和剔除。在对5G网络数据进行深入研究后，我们发现以小区流量和速率作为删除依据，并采用LocalOutlierFactor（局部异常因子，LOF）方法进行数据筛选，能够取得最佳效果。LOF算法作为一种基于密度的经典算法，相较于传统的异常点过滤算法，无需依赖特定的概率分布，且能够量化每个数据样本的异常程度，从而更有效地识别和处理异常数据。

2)网络场景化

场景化建模的必要性主要源于两方面的考量。首先，全网统一模型无法有效解决不同场景下参数的显著差异。例如，边缘用户分布比例对小区边缘速率参数的倾向性具有决定性影响，而这种差异在统一模型中难以得到充分考虑。其次，尽管单小区建模理论上能够为每个小区精确配置最优参数，但现实网络中存在较大的话务波动和用户波动，使得速率与话务模型、优化参数之间的关系变得极为复杂，难以准确建模。鉴于此，本文采用场景化方法，将具有相似状态的小区划分为同一组（即场景），并为每个场景配置统一的优化参数。

在场景化建模过程中，本文采用K-means聚类算法，以专家经验定义的影响速率的话统指标作为状态特征。然而，这些话统指标的数量级存在显著差异，例如流量数量级从0到109以上，信道质量指示（CQI）的取值范围为0到15，而干扰的取值范围则在-130到-70之间。在计算采样点之间的“距离”时，不同数量级的指标会对计算结果的合理性产生显著影响。因此，在进行场景化建模之前，必须先对各话统指标的数量级进行调整，以确保计算的准确性。为此，本文采用StandardScaler方法对状态特征进行标准化处理，通过将各指标转换为均值为0、标准差为1的新序列，有效消除了数量级差异对聚类结果的影响。其计算公式为：

u为X均值，s为X序列的标准差，通过标准化后，X序列转变为均值为0，标准差为1的新序列X'。标准化过程是经过单调增函数计算，变换后的数据排序顺序不变，新的话统指标数量级一致。

以一组小区小时级数据为例，展示整个变换过程：

各话统指标均值、标准差计算如下：

经过StandardScaler变换后，新的指标X'如下：

新数据分布如下图，各话统指标基本位于同一分布区间内，即各指标“距离”权重相当。

标准化之后，使用聚类算法进行多维场景划分。在多种聚类算法中，需要选择一种算法，可以避免某一类场景下小区数量较少，影响该类场景建模的准确性。以常用的四类聚类方式对比看，Kmeans算法具有各类（簇）大小均匀的特点，而且类的数量可控（n_clusters），结合实际应用，更适合我们用作实际生产中的场景划分。

 三维特征示意图中，Kmeans更符合我们的预期。

实际应用中以100个小区左右作为一种场景，设定场景数量（n_clusters）后开始场景划分。

3)数据建模

无线网络优化难点在于优化目标随小区状态（流量、用户数、干扰等）变化而产生大幅变化。以优化平均速率为例，忙时随着用户增多，单用户速率会出现明显下降。

多参数优化的难点也正是如何在变化的状态下，构建优化目标与参数间的模型关系。y=f(α|s)

即在状态s下，如何构建y与a的关系函数。考虑到尽可能增加优化目标对优化参数的敏感性，我们引入RBF+MLP神经网络，将优化参数通过RBF网络代入，话务统计（状态）通过MLP网络代入，联合进行神经网络训练。

MLP模型是最基础的神经网络模型，RBF模型与之类似，在模型结构中隐藏层进行了变化，由MLP的线性函数+激活函数替换为非线性的高斯函数。由此RBF模型具有了只对中心点附近的输入数据高敏感的特点。

调用tensorflow.keras包，按照设计的模型结构搭建模型，根据数据分布优化模型超参：学习率（lr）、数据块大小（batch_size）和迭代次数（epoch）。以MSE（均方损失函数）为模型损失函数，观察MSE收敛速度，同时观察MAE（绝对值误差）、R2变化情况。最终选择合理的迭代次数（150）下，最合适的学习率（0.06）和数据块大小（1024）。

4)参数推荐

在完成小区场景化划分、建模后，对每个场景下的小区进行最优值推荐。通常最优值的求解可以通过梯度下降法求解，但对于高维模型，使用梯度下降求解其最优值并不是一件容易的事。 f(x)=( f x1,…, f xn)τ

在此使用坐标下降法迭代地通过将大多数自变量固定，而只针对剩余的自变量求极值的过程。这样，一个高维的优化问题就被分解成了多个一维的优化问题，从而大大降低了问题的复杂性。

由于实际生产中参数直接存在关联性，需要通过多次迭代，减少参数间关联关系对最优值的影响。从多次验证结果看，三轮优化收敛程度已经达到98%以上，足以满足优化要求。

收敛程度：所有小区、参数推荐结果与下一轮推荐相同的比例。例如优化区域中有500个小区， 优化40个参数，共推荐20000个参数，第N轮推荐结果与第N+1轮有18000个参数相同，则第N轮推荐收敛程度为90%（18000÷20000）。

实际试点验证

为了验证所提出的基于AI的MCS与RANK优化方法的有效性，本文选择在某地市进行多参数优化试点。该区域包含18个3.5G宏基站和203个小区，优化试点分为三个阶段进行，以全面评估优化效果。

通过对比优化前后的网络性能指标，验证了优化方法的有效性。优化后，203个小区的下行平均体验速率显著提升，区域内用户数增长约5%，流量增益约4%，直接统计速率增益达到7%。进一步通过流量拉齐对比，速率增益约为10%。这些结果表明，优化方法能够显著提升网络性能，提高用户体验速率和网络吞吐率。

优化后，下行256QAM占比和下行四流占比提升明显，这表明通过对MCS/RANK参数的优化，有效提升了用户体验速率。具体而言，优化后的网络能够更高效地利用频谱资源，同时提高了多流传输的效率，从而在整体上提升了网络性能。

实际试点验证结果表明，基于AI的MCS与RANK优化方法能够有效提升网络性能，特别是在提升用户体验速率和网络吞吐率方面表现突出。优化后的网络在不同场景下均表现出良好的适应性，验证了该方法的可行性和有效性。

结论与展望

本文通过对MCS和RANK优化的理论基础进行深入分析，结合实际网络中的优化痛点，提出了一种基于人工智能的优化方法。该方法通过参数筛选、数据预处理、场景化分类、AI建模以及最优值推荐等步骤，实现了MCS和RANK的动态优化。实际试点验证表明，该方法能够显著提升网络性能，提高用户体验速率和网络吞吐率，验证了其在实际应用中的有效性。

尽管如此，仍有一些潜在的改进方向值得进一步探索。首先，随着5G网络的不断发展和6G技术的逐步兴起，未来的无线网络将面临更加复杂的环境和更高的性能要求。因此，进一步优化AI算法以提高模型的准确性和效率，将是未来研究的重要方向。其次，结合更多的网络参数和业务类型进行综合优化，可能会进一步提升网络的整体性能。

此外，如何在不同的网络架构和业务场景下，实现优化策略的自适应调整，也是未来研究需要解决的关键问题。综上所述，本文提出的基于AI的MCS与RANK优化方法，为无线网络性能提升提供了一种有效的解决方案。未来，随着AI技术的不断发展和无线网络环境的日益复杂，该领域的研究将具有广阔的应用前景和重要的理论价值。