[1508.06369] Wireless Communications in the Era of Big Data
Bi, Suzhi et al. “Wireless Communications in the Era of Big Data.” IEEE Communications Magazine 53.10 (2015): 190–199. Crossref. Web.

快速增长的无线数据服务浪潮正在冲破我们通信网络处理能力的界限。普遍且呈指数级增长的数据流量给无线系统设计的各个方面提出了迫在眉睫的挑战，例如频谱效率，计算能力以及前传/回传链路容量。
在本文中，我们讨论了设计可扩展无线系统以迎接“大数据”时代的挑战和机遇。
一方面，我们回顾了适用于管理无线网络中大数据流量的最新网络架构和信号处理技术。
另一方面，我们没有将移动大数据视为不必要的负担，而是引入了利用庞大数据流量中的资本的方法，以构建具有更好无线服务质量和新的移动应用程序的大数据感知无线网络。
我们重点介绍了移动大数据时代无线通信的一些有前途的未来研究方向。

INTRODUCTION

商业数据服务的数十年指数增长已经迎来了所谓的“大数据”时代，在这个时代，广阔的移动无线网络是关键的数据贡献者。截至2014年，移动订户的全球渗透率已达到97％，惊人地产生了全球10.7 ExaBytes（10.7×1018）的移动数据。近年来，移动数据流量的激增主要归因于智能手机，电话相机，移动平板电脑和其他支持移动宽带应用（例如，在线音乐，视频和游戏）的智能移动设备的流行，如图1所示。增长率超过40％，预计从2015年到2020年，移动数据流量将增长5倍。
除了大量的无线源数据外，现代无线信号处理通常会放大系统从大数据中获取的压力，以追求更高的性能。例如，MIMO天线技术现已广泛用于提高高速无线服务的移动终端（MT）和基站（BS）的吞吐量和可靠性。但是，这也会与要使用的天线数量成比例地增加要处理的系统数据流量。此外，目前正在开发中的5G（第五代）无线网络可能会将当前的分层，以BS为中心的蜂窝架构迁移到基于云的分层网络结构，该网络结构由通过以下方式连接的大量协作无线接入点（AP）组成有线或无线前传链接到具有大数据处理能力的中央单元（CU）。正在开发新的无线接入结构，例如协作多点（CoMP或联网的MIMO）[1]，异构网络（HetNet）[2]和基于云的无线电接入网络（C-RAN）[3]，以实现多标准，干扰感知和能源友好（绿色）无线通信。在实践中，由于需要基带联合处理，使用协作无线AP可以轻松地从单个用户的前传链路生成多个Gbps数据，因此高流量负载可能使前传链路或系统计算单元不堪重负，无法进行信号处理和协调。如此高的系统业务量，加上移动数据源量的迅猛增长，不仅超过了我们当前计算能力的处理能力提高速度，还超过了我们网络系统的前传/回传链路速率提高速度。它需要一种新的无线体系结构以及有效的信号处理方法，以使无线系统可扩展以适应数据流量的持续增长。

另一方面，由于大量的移动数据流量并不完全混乱且无法管理，这使得及时，经济高效的信息处理成为可能。
相反，它们通常表现出强大的洞察力特征，例如用户移动性模式，数据内容的空间，时间和社会相关性。移动业务的这些特殊特性为我们提供了利用和利用大数据来获得各种无线服务潜在性能提升的机会。
为了有效地利用和利用这些特性，应该对其进行识别，提取和有效存储。例如，将热门内容缓存在无线热点中可以有效减少前传链路中的实时流量。
另外，可以对数据进行网络驱动决策，例如路由，资源分配和状态报告，而不是对其进行严格编程，以完全捕获大数据与网络结构之间的相互作用。
但是，目前，这些先进的数据感知功能无法在当前主要设计用于内容传递而不是分析和利用数据流量的当前无线系统中有效地实现。

考虑到大数据流量带来的上述挑战和机遇，我们在本文中讨论大数据时代无线通信系统设计中的两个重要问题：
问题1：为有效处理大数据流量，可能构成什么可扩展的无线网络体系结构？
问题2：如何有效整合和利用大数据意识来提高无线系统性能？

具体来说，为回答问题1，我们在第二节中介绍了一种混合信号处理范例，以实现BS / AP和CU级别的灵活数据处理，并相应地采用了多种可扩展的数据流量管理技术来满足整体之间的冲突需求。系统性能和数据处理复杂性。
对于问题2，我们将在第三节中首先讨论典型的大数据功能和有效的数据分析以提取这些功能。
接下来，我们介绍了许多可感知大数据的信号处理方法和无线网络结构，以利用大数据之间的相互作用，例如移动云处理，人群计算和软件定义的网络等。
在第四节中，我们还建议了一些未来的研究方向适用于大数据时代的无线通信。
在第五节中总结了这篇文章。

在进行详细讨论之前，值得一提的是，考虑到的可伸缩网络结构和大数据感知都是在未来无线网络中容纳移动大数据的重要机制，尽管它们将重点放在物理和网络/应用层。
尽管如此，这两种解决方案也可以彼此互补。例如，正如我们稍后将讨论的那样，我们可以通过结合长期缓存配置（网络/应用程序层）和实时缓存辅助信号处理（物理层）技术来优化整体缓存策略。
此外，尽管本文着重介绍大数据时代蜂窝网络的设计方面，但用于移动大数据处理的大多数关键启用机制也适用于其他无线网络结构，例如无线局域网（WLAN）和异构网络。
本文还讨论了一些代表性的系统设计。

开发大数据感知无线网络

我们不将移动大数据视为纯粹的负担，而是在本节中研究开发感知大数据的智能无线网络可能带来的性能提升。 但是，其有效的操作取决于对无线大数据流量特性的深入了解。
由于大多数此类特征都是隐式的，因此我们首先介绍提取这些大数据特征所需的数据分析方法。
然后，我们讨论如何在设计无线网络时利用这些大数据特征，以从移动大数据流量中获利。

有用的移动大数据功能和应用

显然，无线服务的使用与物理世界中人类的行为模式之间有着密切的联系。因此，无线数据流量在各个维度上都具有很强的相关性和统计特征，例如时间，位置和基本的社会关系等。
一方面，移动流量具有很强的集合特征。例如，在空间和时间上存在严重的负载失衡，使得当前，“流行的” BS的10％承担约50％〜60％的业务负载。给定位置的峰值流量远远高于常规平均值。这些综合功能可用于减少实时前传/回传流量并提高无线网络效率。示例应用程序包括：根据地理数据使用分布进行的小区规划，通过基于负载的定价进行峰值负载移动以及基于聚合需求配置文件的缓存配置等。
另一方面，每个移动用户的数据使用情况资料也展现出一套独特的独特功能，例如移动性模式，各种数据应用程序的偏好和服务质量要求。例如，移动用户的轨迹通常由数量非常有限的频繁位置和准重复模式组成。
此外，移动社交网络的最新普及似乎将不相关的单个数据使用关联到一个统一的社交配置文件中，从而提供了一种新颖的视角来分析移动流量模式。这些个人和社交功能对于系统操作员个性化和改善无线服务质量很有用。可以根据用户配置文件提供许多智能的数据感知服务。示例包括使用位置预测进行切换时的资源预留，上下文感知的个人无线服务适配以及基于移动性的路由和寻呼控制。

大数据分析工具

可以通过在BS和CU上都安装了专门设计的学习单元（LU）来实现获取，分析和利用移动业务特征的能力（参见图2）。它们的核心推动因素是嵌入式数据分析算法。一些常用的无线流量分析算法及其在无线通信中的主要应用分类如下，并汇总在表I中。
通用无线大数据分析工具的总结和示例应用

随机建模

随机建模方法使用概率模型来捕获数据流量的显式特征和动态。
常用的随机模型包括：K阶马尔可夫模型，隐马尔可夫模型，几何模型，时间序列，线性/非线性随机动态系统等。例如，马尔可夫模型和卡尔曼滤波器被广泛用于预测用户移动性和服务需求[ 8]。收集的用户数据通常用于随机模型的参数估计，例如估计马尔可夫链的转移概率矩阵。

数据挖掘

数据挖掘专注于利用移动数据集中的隐式结构。
同样以移动性预测问题为例，可以通过在移动性日志中找到最频繁的轨迹段来提取和发现单个用户的移动性模式。可以通过将当前轨迹与移动性轮廓进行匹配来做出预测。
聚类是识别数据集中不同模式的另一种有用技术。它被广泛用于情境感知移动计算中，在该计算中，移动用户的情境和行为信息（例如睡眠和工作）是从无线传感数据中识别出来的，以提供与情境相关的服务[9]。

机器学习

机器学习的主要目标是建立输入数据和输出动作之间的功能关系，从而实现对数据输入不可见模式的自动处理能力。
在应用于无线通信的机器学习中许多有用的技术中，分类（确定输入数据的类型）和回归分析（数据拟合）是两种常见的方法，其应用包括移动使用的上下文识别和流量水平的预测（分类） ，或拟合轨迹长度，移动用户位置和频道保持时间（回归）的分布。
此外，强化学习（例如Q学习[10]）对于采取适当的实时动作以最大化某些长期奖励很有用。一个典型的示例是在给定当前流量负载（状态）和传入新请求（事件）的情况下做出切换和准入控制决策（操作），其中可以根据减少的掉话或失败的连接来评估奖励。

大规模数据分析

无线大数据量大，维数大，数据质量参差不齐，功能复杂，给上述传统的数据分析方法带来了许多挑战。为了提高信号处理效率，可以将以下复杂度降低技术与用于大规模数据处理的常规数据分析工具结合使用。

分布式优化算法

例如原始/对偶分解和乘法器的交替方向方法（ADMM），对于将大规模统计学习问题分解为较小的子问题以进行并行计算非常有用，从而减轻了CU和前传/回传链路的带宽压力。

降维方法

可用于在捕获大数据的关键特征时减少要处理的数据量。
在各种方法中，主成分分析（PCA）及其许多变体是当今使用最广泛的方法。
此外，张量分解方法在移动数据处理中也很流行，它试图将高阶多路数组（张量）近似表示为低阶张量的外部乘积的线性组合。
通过这样做，可以减少用于存储移动数据的高阶阵列的硬件要求和成本。

其他高级学习方法

可用于处理不完整或复杂的数据集。
有趣的例子包括主动学习，它处理部分标记的数据集。
在线学习，实时响应顺序接收的数据；
随机学习，在每个时间间隔内定期做出决定；
以及用于对数据集中包含的复杂行为进行建模的深度学习。

CONCLUSIONS

本文介绍了无线大数据时代我们面临的挑战和机遇。
我们首先回顾了最新的信号处理方法和网络结构，这些方法和网络结构可能使我们能够有效地管理并实际上利用无线大数据流量。
在问题规模和复杂问题结构方面，我们概述了大数据信号处理和网络设计的主要障碍。
然而，鉴于持续的数据量爆炸式增长，对用于无线通信和网络的大数据的研究不仅是有希望的，而且是不可避免的。
我们还提出了一些有趣的研究问题，旨在刺激大数据时代的未来无线研究创新。