未来战争将需要跨多个作战域指挥与控制资源。成功实施指挥控制依赖于从各类传感器汇聚的可靠且可访问的信息。在对抗环境中连接这些传感器需要一个可靠的通信网络。本文研究了人工智能辅助的万物软件化、虚拟化与智能化在显著改善对抗环境中网络接入方面的潜力。利用多类队列理论，优化了网络切片环境中面向多类服务的资源分配。该方法考虑了动态频谱分配带来的限制，以及军事通信对可靠性和低延迟的需求。军事通信中动态频谱分配带来的一些限制包括频谱干扰和无线电触发的路边炸弹。人工智能辅助的万物软件化、虚拟化与智能化能通过增加基站的承载业务负载来显著改善网络接入。承载业务负载的增加得益于这些基站可用物理链路的数量增加。分析结果表明，承载业务负载或物理链路数量可增加100,000倍。由于模型和分析仅限于基站，并未考虑整个网络，未来的工作将通过建模整个网络并探索干扰的影响来解决这些局限性。

关键词 6G移动通信，人工智能，指挥控制，蜂窝网络，指挥控制，对抗环境，军事，网络接入，电信。

二十一世纪带来了前所未有的技术进步，彻底改变了军队在各个域开展行动的方式。这种转变使得指挥控制——即指挥官对其所属资产实施意志的概念——变得复杂化。该概念已演变为支持多域作战。美国国防部采纳了“联合全域指挥控制”概念。相比之下，其对应方加拿大和北大西洋公约组织则分别采纳了“泛域指挥控制”和“多域作战”概念。自传统、分离的域作战诞生以来，战场格局已发生显著变化。随着对手越来越多地采用混合和非动能战争，跨域共享信息和协调对于保持作战优势变得至关重要。因此，JADC2、PDC2和MDO等概念需要全域态势感知和全域态势理解，即对所有域作战当前状态的了解和理解。ADSA和ADSU只能通过共享来自大量传感器的数据来实现，以获得完整的情况图景。汇聚数据和信息需要可靠、低延迟和高速的连接。尽管连接在现代军事行动中扮演着关键角色，但确保其可用性和可靠性方面仍然存在挑战。军队经常在对抗环境中行动，对手可能通过网络攻击、干扰或破坏卫星通信来扰乱或降级通信网络。通信网络的降级是目前俄乌战争的焦点之一。乌克兰与俄罗斯之间持续的冲突涉及物理战线之上激烈的电子战。双方都大量使用无人机，并依赖无线电连接进行控制和情报收集。这种依赖性导致了一场不断更新战术和技术以智取对方的持续“猫鼠游戏”。电子战，特别是射频干扰和欺骗，起着重要作用，乌克兰每月损失估计达5千至1万架无人机。图1展示了所提出的无线电资源共享方案的指挥控制军事应用场景示意图。

图1. 所提出的无线电资源共享方案的指挥控制军事应用场景示意图。

1G到4G无线通信系统主要提供通信资源。现代移动业务的进步，如在线游戏、增强现实内容传输和多媒体，要求将计算和缓存与通信相结合，以便移动网络提供更好的服务，从而在5G网络中形成了通信、计算和缓存。移动业务正呈指数级增长，而当前的5G由于3C的限制无法恰当地提供所有服务。为了满足3C的进一步约束，需要从5G演进到6G人工智能使能的无线网络。为了提升移动网络资产利用率和最终用户体验质量，3C应该更靠近最终用户。因此，边缘缓存、计算和通信应运而生。边缘C3的主要目的之一是通过降低网络复杂性来减少带宽成本。网络复杂性的降低将在未来的6G人工智能无线网络中扮演重要角色。智能网络选择可以最小化网络复杂性并提高用户的服务质量。此外，非加密智能指纹识别对于降低网络复杂性和提高用户安全性至关重要。

人工智能辅助的软件化、虚拟化和智能化赋能的网络切片将在无线接入网的动态频谱共享中扮演至关重要的角色，从而改善对抗环境中的网络接入。网络切片对于划分计算、缓存和无线接入网至关重要。网络切片是5G的一项重要创新，预计将在5G+和6G中使用。网络切片至少有三个优点。首先，同一物理网络可以被许多虚拟网络共享，从而实现多租户或多个虚拟网络运营商。其次，网络切片可以生成许多具有不同服务质量的服务，从而为多个租户提供有保障的服务水平协议。第三，网络管理变得高度弹性和可调。软件定义网络和网络功能虚拟化是管理网络切片的关键技术。

受上述优势的启发，本文利用5G相关的人工智能辅助软件化和虚拟化技术来分析网络接入，以及使用这些技术改善对抗环境中网络接入的益处。除了软件化和虚拟化，本文还分析了6G智能化的影响。在本文中，我们仅考虑了无线电资源或频谱共享方案。相同的分析可应用于计算和缓存。文献[17]提出了使用多类队列理论，针对软件定义网络，实现基于人工智能的无线接入网切片，以最大化服务提供商对不同类别服务的利润。利用人工智能策略，认知无线电使用主用户的未用无线电频谱，从而提高了无线电频谱利用率。因此，认知无线电被称为无线电频谱智能化的第一步。许多不同的排队模型可用于提高频谱利用率并增加服务提供商的利润。广义排队模型G/G/m已被用于评估人工智能辅助的软件化和虚拟化无线网络的业务利用率。马尔可夫决策排队模型已被用于5G网络切片中的自适应虚拟资源分配。马尔可夫排队模型也可用于切片准入控制。基于人工智能的马尔可夫决策过程也已用于动态资源分配。然而，这些工作提出的方法旨在最大化网络运营商的利益，而不一定是为了用户。

用于优化无线接入网、计算或缓存的基于人工智能的马尔可夫决策过程存在两个固有问题。首先，它是一个计算密集型的迭代过程，需要相对干净、系统组织的训练数据。其次，该过程使基础设施和网络服务提供商的利润最大化。然而，这两个原因都不适用于军事网络。首先，军事环境中可用于训练人工智能的数据非常少。即使有数据，也通常是嘈杂、不完整、不确定和有错误的。其次，所有技术优势都将被采用，而不考虑商业目的。为此，我们在本文中开发了一个马尔可夫排队模型，该模型利用了人工智能辅助的万物软件化、虚拟化和智能化。由于军事通信只应考虑无线电资源的可用性，因此无需进行商业利益优化。

本文的贡献概述如下：

1. 一个分析框架，展示了在相同呼叫阻塞概率下，基站经过人工智能辅助的软件化和虚拟化后的平均业务负载承载能力提升。

2. 关于人工智能辅助的软件化和虚拟化后平均物理链路数量随网络功能虚拟化因子和/或虚拟网络功能因子变化的闭合形式解析结果。

3. 演示了人工智能辅助的万物软件化、虚拟化和智能化后网络接入和业务负载承载能力的提升。根据我们的分析结果，物理链路数量可增加100,000条。

4. 基于我们的分析，我们为计算人工智能辅助的万物软件化、虚拟化和智能化后的平均物理链路数量提供了一个清晰的解析解，这在缺乏数据训练人工智能或机器学习算法的军事环境中是一个非常重要的参数。

所提出的分析结果具有以下诱人特性：

• 通常，基于人工智能的马尔可夫决策过程用于优化无线接入网、计算或缓存。这些马尔可夫决策过程是迭代过程，并且计算密集。我们的分析结果无需任何密集计算即可使用。

• 求解基于人工智能的马尔可夫决策过程需要相对干净、系统组织的训练数据。我们的分析结果无需数据即可获得。

• 易于理解的全面评估。

本文其余部分组织如下。第二部分介绍了使用人工智能辅助软件化和虚拟化的物理无线网络的系统模型和性能分析。第三部分介绍了使用人工智能辅助的万物软件化、虚拟化和智能化的物理无线网络的系统模型和性能分析。第四部分是讨论。结论和未来工作见第五部分。本文所用符号摘要如表1所示。