当前位置：首页 > news >正文

毫米波通信中的波束选择挑战与可解释AI解决方案

news 2026/5/28 2:55:58

1. 毫米波通信中的波束选择挑战与可解释AI解决方案

在5G及未来通信系统中，毫米波频段因其大带宽特性成为提升传输速率的关键技术。然而，毫米波信号传播存在严重的路径损耗问题，必须依赖高增益定向波束成形技术来补偿。传统波束选择方法通常采用穷举搜索或分层搜索策略，这些方法虽然直接有效，但面临着两个主要挑战：

首先，随着天线阵列规模的扩大，波束扫描带来的时间开销呈线性增长。以一个32天线的基站为例，采用4倍过采样的DFT码本时，需要测试128个窄波束，这在移动场景下会导致显著的通信中断时间。其次，现有基于深度学习的波束预测模型虽然能减少扫描开销，但其决策过程通常被视为"黑箱"，缺乏可解释性，使得网络运营商难以理解和信任模型的预测结果。

针对这些问题，我们提出了一种融合Deep-SHAP特征选择和DkNN鲁棒性评估的创新框架。该方案的核心价值体现在三个维度：

计算效率优化：通过Deep-SHAP识别对波束预测最具影响力的少量接收信号强度指示(RSSI)特征，将需要扫描的波束数量从Mw减少到f_Mw（实验显示仅需12个关键波束即可保持98%的准确率），直接降低波束对准时间开销。
决策透明度提升：利用Shapley值量化每个RSSI特征对最终波束预测的贡献度，生成人类可理解的特征重要性排序，如图4所示的可视化结果帮助运营商理解模型决策依据。
对抗鲁棒性增强：通过DkNN方法在模型各层检测测试样本与训练数据分布的一致性，当遇到对抗性干扰或异常输入时，系统可自动识别低可信度预测并触发保护机制。

关键提示：在实际部署中，建议将特征选择阈值δ设置为92%左右（对应约12个关键波束），这能在扫描开销和预测准确率之间取得最佳平衡。我们的实验表明，该配置下系统有效频谱效率比传统二分搜索提升达47%。

2. Deep-SHAP原理与特征选择实现

2.1 Shapley值理论基础

Shapley值源于博弈论，用于公平分配联盟总收益给各参与者。在机器学习特征重要性分析中，将模型预测视为联盟总收益，特征视为参与者，其数学表达如公式(10)所示：

ψi(f, x) = Σ[|z′|!(Mw−|z′|−1)!/Mw!] * [f(z′)−f(z′{xi})]

其中ψi表示特征xi的Shapley值，z′是特征子集，Mw是特征总数。权重因子确保对所有可能的特征排列组合进行公平加权。Shapley值的独特优势在于：

完备性：所有特征贡献之和等于模型输出与基准值的差
对称性：贡献相同的特征获得相等分值
零贡献性：不影响输出的特征得分为零
可加性：联合模型的Shapley值等于各模型Shapley值之和

2.2 Deep-SHAP高效计算策略

直接计算Shapley值需要评估2^Mw个特征组合，对于典型Mw=32的毫米波系统，这会产生约43亿次模型推理，显然不切实际。Deep-SHAP通过两项关键技术突破这一限制：

参考值机制：使用背景数据集DBG（通常取部分训练数据）建立特征基准分布。如图4所示的特征重要性分析中，我们采用8162个样本作为背景数据，通过比较测试特征与背景分布的差异来计算贡献度。
分层传播规则：借鉴DeepLIFT的反向传播思想，将神经网络分解为若干线性组件和非线性组件。对于线性层y=wx+b，特征贡献按权重比例分配；对于ReLU等非线性层，采用rescale规则保持贡献守恒。

具体实现流程如算法1所示：

实例化Deep-SHAP解释器，加载预训练模型f(x;θ)
对每个测试样本计算局部Shapley值ψd_i,q
按公式(11)聚合全局特征重要性ψ̄i
根据阈值δ选择关键特征子集xS

实践发现：背景数据集大小对结果稳定性影响显著。建议DBG样本数不少于训练集的10%，且需覆盖各类场景（LOS/NLOS、近/远距离等）。过小的背景集会导致Shapley值波动较大。

2.3 特征选择策略优化

在毫米波波束选择场景中，我们提出动态阈值策略来平衡准确率和效率：

MSHAP(δ) = {i | Σψ̄i ≥ δ·Σψ̄j}

其中δ∈(0,1)控制特征选择严格度。如表III所示，我们测试了不同δ值对应的性能表现：

δ值	选择波束数	Top-1准确率	扫描时间减少
71%	2	68.2%	93.8%
82%	4	82.7%	87.5%
92%	8	95.3%	75.0%
96%	12	98.1%	62.5%

实验表明，δ=92%时系统达到最佳性价比，仅需扫描25%的波束即可保持95%以上的准确率。这一特性使系统特别适合高速移动场景，可将波束对准时间从传统方法的14.4ms降至3.6ms。

3. DkNN鲁棒性评估框架构建

3.1 深度k近邻核心原理

DkNN通过比较测试样本与训练数据在各层的表示相似性来评估预测可信度，其创新性体现在：

分层一致性检查：如图2所示，在模型每层（输入层、隐藏层、输出层）构建独立的k近邻分类器，检查预测的一致性。
局部敏感哈希加速：采用FALCONN库的cross-polytope LSH算法，将高维特征空间中的近邻搜索复杂度从O(N)降至O(logN)。实验中设置k=10，在NVIDIA P2000 GPU上实现单次查询<2ms的实时性能。

关键计算公式包括：

非一致性分数ϱ(x̂S,j) = Σ|{i∈Ωη:i≠j}|
经验p值pj(x̂S) = |{ϱ∈C:ϱ≥ϱ(x̂S,j)}|/|C|
预测结果 = argmax pj(x̂S)

3.2 对抗攻击防御实践

为验证系统鲁棒性，我们采用FGSM方法生成对抗样本： xadv,S = xS + ε·sign(∇xSL(θ,D))

设置ε=0.05~0.2模拟不同强度干扰。如图7所示的可靠性曲线表明，当p值<0.3时，DkNN的预测准确率显著高于传统softmax置信度，证明其能更有效识别对抗样本。具体防御策略包括：

动态置信阈值：当credibility<0.7时触发重扫描
多模态验证：结合信道状态信息(CSI)进行交叉验证
安全降级：切换到更保守的波束宽度确保连接性

3.3 数字孪生辅助训练

为解决真实数据不足问题，我们采用图3所示的数字孪生方案：

使用Wireless InSite生成高保真仿真数据（57144样本）
引入可控误差：建筑位置偏移2m，忽略植被效应
用30%真实数据（7345样本）进行微调

如图5所示，这种迁移学习方法使模型在仅有30%真实数据的情况下，达到与全真实数据训练相当的性能（98%准确率），大幅降低数据采集成本。

4. 系统实现与性能对比

4.1 实验配置细节

硬件平台：

基站：32天线ULA，28GHz载频
用户设备：单天线移动终端
计算单元：Intel Xeon 4114 + NVIDIA P2000

数据集参数（表I）：

场景：Boston-5G城区环境
训练/测试划分：70%/20%/10%
码本设计：
- 感知波束：32 DFT波束
- 窄波束：128 4×过采样DFT波束

4.2 性能基准测试

如图6所示的综合对比表明：

与传统方法相比：

比二分搜索提升47%频谱效率
比两层分级搜索减少62%扫描时间

与固定波束选择相比：

少用50%的波束达到相同准确率

与理想SVD上界相比：

在8波束时差距<3dB

关键指标对比：

方法	扫描波束数	Top-2准确率	频谱效率
穷举搜索	128	100%	2.1bps/Hz
二分搜索	14	73%	3.8bps/Hz
两层分级搜索	36	89%	5.2bps/Hz
本方案(δ=92%)	8	97%	7.6bps/Hz

4.3 实际部署建议

模型更新策略：

短期：每小时更新背景数据集DBG
长期：每周重新训练特征选择模型

异常处理流程：

def beam_selection(xS): shap_values = explainer.shap_values(xS) if max(shap_values) < threshold: return safe_mode_beam pred, conf, cred = dknn.predict(xS) if cred < 0.7: trigger_rescan() return select_top_k_beams(pred, k=3)