6G网络拓扑优化新视角

6G网络的拓扑优化

一种网络信息论方法

在超密集蜂窝网络（CNs）中，避免或忽略无线网络干扰的经典方法无法满足雄心勃勃的服务质量（QoS）需求。然而，近年来突破性的信息论进展改变了我们对干扰的看法，将其从敌人转变为朋友。本文旨在阐明将现代干扰管理（IM）方案集成到未来通信网络中的优势。为此，我们提出一种混合多址接入（HMA）方案，该方案将网络分解为潜在IM方案的子拓扑，以更高效地利用网络资源。初步结果表明，HMA方案可以显著提升非正交多址接入（NOMA）的性能，尤其是在用户密集部署的情况下。

概述

在最近的一项研究中，思科[1]预测，到2022年，智能手机的数据流量将超过个人计算机，并且在2017年至2022年期间有效增长两倍。思科还预计由平板电脑和机器类型通信产生的数据流量也将大幅上升。到2022年，无线设备将占总数据流量的近三分之二。尽管这对一些人来说可能并不意外，但令人担忧的是，到2022年，数据通信能力相比2017年将几乎翻倍！由于我们的日常活动正持续变得更加依赖数据通信，可以想象，如果无线网络无法应对数据需求，将会对我们的生活造成怎样的后果。因此，6G网络有望进一步提升5G在增强型移动宽带、大规模机器类型通信和超可靠低延迟通信方面的目标。然而，随着我们逐渐接近传统通信范式的基本极限，这些目标变得极具挑战性。

尽管人们认为小区密集化可以解决这一问题，但在每平方公里部署更多小区会导致网络成为干扰受限网络。通过将用户分配到无干扰信道上来避免干扰的传统方案，无法满足未来网络的高需求。首先，将有限的网络资源分配给大量用户，会使通信网络拓扑分解为一组点对点（P2P）每信道带宽较小的信道。其次，由于频率复用，网络密度导致的小区间干扰变得极为严重。因此，应更加重视能够抑制干扰的方案，从而实现对点对点（P2P）子拓扑结构的扩展。沿着这一方向，研究人员最近开始采用非正交多址（NOMA），通过在上行链路（UL）和下行链路（DL）中将通信网络（CN）分解为多址接入信道（MAC）和广播信道（BC）子拓扑结构来容忍更多干扰。尽管NOMA相较于经典的正交多址（OMA）有所改进，但其在允许的子拓扑结构方面仍然较为保守，并且依赖于信息论（IT）领域关于MAC和BC的已有四十余年的研究成果[2]。

我们坚信，一种更加开放和更新的方法可以带来显著的改进。过去二十年来网络信息理论的发展揭示了干扰管理方案，这些方案在信息论领域取得了突破性成果，并从根本上改变了我们对干扰的认知。如前所述，这些方案将干扰从敌人转变为朋友，并在理论上显著提高数据速率。目前主要的问题在于这些方案的实际可行性、在现实约束条件下所能提供的增益，以及如何在密集且异构的通信网络中协调有利于这些方案的子拓扑结构。在本文中，我们旨在阐明如何将最新的网络信息理论进展融入通信网络优化中，以充分利用现代干扰管理方案的优势。为此，我们提出了关于多样化和混合化潜在网络子拓扑结构的愿景，以更高效地利用通信网络资源。

信息论背景与动机

传统的通信网络资源分配旨在通过正交多址技术实现“干扰避免”，即在上行链路或下行链路频率中为用户设备（UE）与基站（BS）对分配专用的时频资源块（RB），从而将通信相互隔离。因此，通信网络被分解为一组无干扰的点对点信道。基于点对点信道理论，正交多址中每个资源块的速率可表示为
$$
R = \frac{W}{N} \log_2 \left(1 + \frac{S}{I + v}\right) \quad \text{bps}
\tag{1}
$$
其中$W$是总带宽，$N$是$W$中的资源块数量，$S$是信号功率，$I$是使用相同的资源块的发射机带来的干扰功率，$v$是资源块内的噪声功率。

为了满足不断增长的数据需求，必须增加$R$，这相当于提高频谱效率（SE），即$\log_2 \left(1 + \frac{S}{I + v}\right)$和/或减少资源块数量$N$。在过去，研究人员主要关注正交多址（OMA），并开发了编码和资源分配方案旨在最大化第一个目标的方案。然而，使用OMA连接大量设备会降低$R$，因为这需要极大的资源块数量$N$。因此，出现以下问题：在连接大量设备的同时，如何减少$N$？（此后我们使用“UE”来指代通用的连接设备。）

一个实际的建议是在宏小区覆盖区域内部署更多的小小区，以减少每个小区所需的$N$。小区密集化能够为每个用户设备分配更多的资源块（RBs），从而实现更大的通信带宽，但这会因密集的空间复用而导致小区内干扰增加。

另一个建议是允许一个用户设备簇在小区内使用相同的资源块（RB），这虽然一方面减少了所需的$N$，但另一方面也引入了小区间干扰。

因此，这两种建议都会产生副作用；它们会增加$I$，从而降低SE。显然，第一和第二目标之间存在冲突，因为减少RBs的数量必然导致UE资源共享，进而增加干扰。然而，这种情况仅在采用忽略干扰的经典方法（即 [ ，也称为将干扰视为噪声（TIN） ] ）时才会成为问题。由于SE较低，TIN无法充分利用减少$N$所带来的期望增益。但另一方面，通过使用适当的IM方案而非TIN，可以缓解SE的下降。

NOMA‐MAC/BC方案正是通过在每个子拓扑内采用信息论最优方案来实现这一目标，从而提高效率。这突显了使用IM方案在实现通信网络资源更高效利用方面的重要性。为此，我们从以下视角来审视该问题，这也正是本文的研究动机所在。

当前研究旨在通过将通信网络划分为点对点（P2P）、多址接入信道（MAC）或广播信道（BC）子拓扑结构来提升通信网络的容量。也就是说，在信息论中发现多址接入/广播信道的最优方案四十多年后，这些方案已作为非正交多址（NOMA）方案应用于通信网络。然而，仅关注多址接入/广播信道方案不足以支持密集通信网络，尤其是考虑到已有高效的基于信息论的干扰管理方案适用于更广泛的子拓扑结构。从这一角度来看，尽早利用那些已有成熟干扰管理方案的子拓扑结构（如干扰信道（ICs）、多向中继（MWR）信道等）是明智之举。通过将这些子拓扑结构与点对点/多址接入/广播信道相结合，可以缓解前述冲突，从而在使用相同数量资源块（RBs），$N$的情况下服务更多的用户设备。

给定一个密集通信网络，我们希望根据潜在的IM方案将该通信网络分解为子拓扑结构。因此，以下问题构成了我们愿景的框架。

问题1 ：应使用哪些规则来比较子拓扑？
问题2 ：如何将通信网络分解为子拓扑并进行资源分配？
问题3 ：在实施过程中如何克服潜在的实际挑战？

我们称其为网络拓扑优化，因为通过将用户设备分配到不同的子拓扑，并在子拓扑内的簇之间分配网络资源，从而对通信网络进行了优化。通过合理地混合主拓扑，可以大幅提高整个通信网络的性能。这确实是采用该方法的恰当时机，特别是由于未来的通信网络将变得超密集且干扰受限，这为潜在的干扰管理方案提供了合适的实践环境。

潜在IM方案与子拓扑的网络信息技术方法

干扰管理方案可以通过收发器处的适当信号处理来处理干扰，而不是通过正交多址避免干扰或将其视为噪声而忽略。它们能够降低干扰的影响，通过允许$N$减小同时缓解频谱效率下降，从而提高整体核心网络总容量。对干扰的研究在信息论中具有悠久历史，起源于香农1961年关于多终端信息论的最早工作。这一开创性研究引发了人们对多终端网络及干扰（例如多址接入信道、广播信道和干扰信道）的兴趣，采用叠加编码、联合解码或连续干扰消除解码的方法，这些技术已在长期演进高级版本中被考虑。

多用户网络的最终目标是逼近“乌托邦点”，该点表示干扰被完全消除时的可达速率[图1(a)]。虽然这在一般情况下可能无法实现，但在某些情况下得益于干扰管理（IM）是可能实现的。例如，经历强干扰的小区边缘用户设备可以从干扰信道方案（IC schemes）中极大受益[参见图1(b)]。在这种情况下，IM会根据干扰的强度，将速率区域从三角形的蓝色正交多址（OMA）区域向乌托邦点扩展。

现有的NOMA解决方案由于存在一种局限性而未能实现这一目标，这一点最好通过以下简化示例来说明。让我们考虑两个用户设备通过基站相互通信的情况，其中网络在下行链路和上行链路频率上分别作为广播信道或多址接入信道运行。整个通信的可达速率区域在使用OMA时为图1(a)中的OMA三角形，而在使用NOMA时为NOMA‐BC与NOMA‐MAC区域的交集。当两个用户设备（UE）的下行链路信道增益越接近时，NOMA带来的微小性能提升甚至会消失。最终，若信道增益完全相等，则NOMA‐BC与OMA区域将完全相同。即使信道增益存在差异，也只有在信噪比（SNR）较高且信道差异较大的情况下才能实现显著增益。

在密集通信网络中，由于小区尺寸较小，用户设备通常具有较高的信噪比和相近的信道条件，因此该场景下使用NOMA‐BC方案仅能获得较小的增益。类似的分析也适用于上行链路正交多址接入（UL OMA）和NOMA‐MAC方案。尽管NOMA方案减少了每小区所需的资源块（RBs）数量，但在本示例中仍无法提供足够的增益来支持未来的密集通信网络。

需要注意的是，此处的限制并非源于多址接入/广播信道（MAC/BC）方案本身，因为这些方案对于对应信道而言是最优的。

网络拓扑优化：HMA 视角

现有的通信网络无法支持这种多样的方案，从而错失了实现更优性能的机会。因此，除了需要获得适用于这些方案的简单且通用的多址技术外，还需要具备将节点划分为所需结构子拓扑的度量方法和规则。这些内容将在接下来的子章节中进一步讨论。

性能指标和经验法则

信息技术文献中的现有方案要么是针对小型网络定制的，这在现实生活中是不够的通信网络，或在密集通信网络环境中高度复杂的干扰管理方案。因此，有必要将简单模型进行扩展，并降低复杂干扰管理方案的复杂性，以使其适用于实际的通信网络。挑战在于，在保持这些方案本质和增益的同时实现这两个目标。一旦方案被简化，便可基于和速率/对称速率或自由度对其性能进行表征和比较。下一个挑战是设计一个将通信网络分解为较小子拓扑的框架。可以将上述性能指标作为拓扑优化工具中的“适应度函数”。例如，如果我们决定将一个通信网络划分为一组子拓扑$T_i, i=1,\dots,N$，每个子拓扑具有相应的适应度值$F_i$，则该决策的整体质量是$F_i$的函数，例如$\sum F_i$。通过评估每种方案/拓扑的适应度，比较将有助于研究将网络分解为较小子拓扑的最佳方式。

对于给定的子拓扑$T_i$，$F_i$还取决于其成员如何聚类以共享公共的网络资源，以及簇资源在簇成员之间的分配方式。因此，$F_i$由簇成员之间的信道增益以及簇资源的优化共同决定。如果不同子拓扑的各个簇对外部利用网络资源，则这些耦合子拓扑的适应度由这些簇之间的信道增益和资源分配决定。因此，划分可以被理解为从整个通信网络的信道增益矩阵$M$中选择子矩阵。根据$M$所表示的干扰程度，可以决定是通过使用干扰管理方案来允许干扰，还是通过使用正交多址来避免干扰。通过使用定制化干扰管理方案，制定能够对如何选择这些子矩阵提供强有力指导的经验法则将是非常有益的。

对于$N=4$，图2展示了具有七个用户设备（UE）的基站（BS）的资源块划分情况，其中$UE_i, i=1,\dots,7$，$RB_i^f$分别为其上行和下行传输分配了$RB_i$和$RB_i^f$。一个用户设备（UE）可以单独使用其专用资源块（即OMA），或通过采用其他拓扑结构与其他用户设备共享这些资源块，例如NOMA、协作非正交多址（C‐NOMA）或三向信道（3WC）。对于一对通用的用户设备，图2展示了不同拓扑类型下的适配性（上行和下行对称速率）。显然，随着协作信道增益增强，适配性提高，而3WC通过更灵活高效地利用资源块，性能优于C‐NOMA。

HMA方案

为了适应不同的IM方案，需要采用HMA方案将网络划分为在不同方案下运行的子拓扑。然而，设计一个最优的HMA方案属于混合整数非线性规划问题，即使对于中等规模的通信网络也具有不切实际的时间复杂度（即非确定性多项式时间难解）。为了更深入地理解HMA设计，我们将其概述为划分、聚类和资源分配的联合子问题。

划分

划分旨在通过子拓扑对用户设备进行分组；即每个组包含倾向于特定拓扑及其相应IM方案的用户设备。图2展示了具有四个划分的示例。通常，强制整个网络采用NOMA并不总是最佳选择，因为其可实现的增益受限于用户设备的SCD效率[5]。同样，如果考虑和速率以外的目标，例如能效或最大‐最小速率，NOMA可能也不是一个好的选择。还可能遇到存在问题的HMA场景，其中小区边缘用户设备既无法通过正交多址实现期望的速率，也无法加入非正交多址簇，因为它会损害现有簇成员的利益。一种容纳此类用户设备的方法是利用基于设备到设备通信的中继，通过功率频谱交易（PST）实现。也就是说，信道条件较好但带宽有限的设备可以作为中继支持该用户设备，以换取共享其资源块（RB）。因此，应设计HMA方案，根据信道矩阵、硬件能力、公平性、服务质量需求等实际因素对通信网络进行分区。需要注意的是，允许用户设备加入不同的子拓扑结构将提升性能，但会增加设计复杂度。

聚类

聚类进一步将这些子拓扑划分为共享公共网络资源的用户设备组。关于簇的大小和成员的决策应被明智地进行，因为例如，NOMA方案的频谱效率（SE）随着簇大小的增加而提升，但代价是复杂性、解码延迟和功耗的增加[5]。另一方面，应根据信道矩阵仔细选择簇成员，因为可实现的NOMA增益与用户设备（UE）的信道增益差异密切相关。类似地，多用户中继（MWR）信道的复杂性限制了大量用户设备的参与；此外，中继选择的复杂性可能对最大化性能至关重要。

资源分配

资源分配负责在满足用户设备QoS需求的同时，跨子拓扑和簇分配通信网络资源（时间、带宽和功率）。HMA的性能取决于网络资源利用的效率，这也是网络优化研究的主要动机。然而，现有的资源分配方法通常专注于特定的多址接入方案，这不足以充分实现我们所提出的多样化和混合化干扰管理方案的优势。

为了展示HMA方案的潜力，我们接下来对宏小区内M个用户设备的集中式划分与聚类进行初步研究。K个信道的数量等于用户设备数量，可用带宽和基站功率在用户设备之间均等分配，且信道$C_k, k=1,\dots,K$最初专用于用户$U_k$，如正交多址中的情况。该问题旨在优化划分/簇，以最大化用户设备的和速率，每个用户设备最多可加入以下四种拓扑结构之一：($N=4$) OMA、非正交多址、多址接入/广播信道双向中继和物理层网络编码双向中继。实际上，HMA方案是一个三维分配问题，其代价（适应度）矩阵$F$的大小为$M \times M \times N$。如图3所示，我们通过复制用户设备顶点，将HMA方案建模为矩形分配问题，以处理信道与不同子拓扑之间的分配关系。每个信道最多分配给一个用户设备，从而隐式确定划分和簇。将信道$C_k$分配给用户$U_k$的代价由底层拓扑结构的适应度函数决定，其中适应度值是在优化功率和时隙持续时间后的可达速率。因此，最优分配将提供一种理想的划分与聚类方案，以优化整个网络的适应度。

图3展示了基于RAP的HMA方案的性能评估，该方案通过琼克尔‐沃尔格南特算法（JV算法）[6]在多项式时间内求解。在图3左下角的“仿真设置”部分及其表格版本（表1）中，HMA指的是包含NOMA、THR、TWR和PLNC‐TWR的情况。随着M的增加，NOMA增益会下降，因为较高的用户密度会影响NOMA簇内的信道增益差异。相反，HMA方案随着M的增加而持续改善，因为密集网络提供了理想的条件更好的中继方案。这些趋势可以从图3的柱状图中看出，其中采用NOMA（PLNC‐TWR）的用户设备比例及其对整体增益的贡献随着密度增加而降低（上升）。需要注意的是，由于协同转发方法的高性能，TWR主要由PLNC‐TWR主导。最后，有趣的是，HMA‐FD相比HMA‐半双工（HD）和NOMA分别提供了两倍和五倍以上的增益。

研究挑战与机遇

重新思考网络虚拟化

为了实现所提出的HMA方案，6G网络应能够将不同子拓扑的独特网络功能编排整合到一个统一平台中。事实上，5G已通过两种显著的技术趋势——云化和虚拟化，采用软件定义、可重构的架构，从而与其predecessors形成鲜明区别。云化已在云无线接入网络（CRAN）领域得到探索，实现了信号处理、信息论（IT）和网络多个方面的协同与融合。为了满足不同应用的差异化QoS需求，网络虚拟化被视为一项关键技术，可将通信网络（CNs）划分为专用于各类垂直5G行业的网络切片。类似地，6G网络应进一步将运行在同一子拓扑上的一组用户设备（UEs）视为一个虚拟子网络，并定义特定的虚拟网络功能，以控制底层接入方案中的信号处理、通信和网络组件。

潜在的IM方案

一些方案在密集通信网络中具有巨大潜力，具体取决于所涉及的子拓扑结构。特别值得关注的是受近期干扰信道方案以及中继方案启发的、基于云的干扰管理（CIM）方案。

云辅助干扰管理方案

CIM方案可以基于干扰对齐（IA）和速率分割，并结合公共消息解码[7],[8]。此类方案可提供显著增益，但需要基站协调和反馈。幸运的是，在云无线接入网络（CRAN）中，云可通过其强大的处理能力和全局网络视图来协调这种基站协调。因此，云能够实现联合处理聚类和干扰管理的CIM方案。在此背景下，值得注意的是，CRAN在无限回传容量极限下可被视为广播信道（BC），而在零回传容量极限下则可被视为干扰信道（IC）。这一观点要求在有限回传容量机制下结合广播信道和干扰信道方案。早期的研究主要集中在前者（即广播信道）方案，通常结合波束成形与将干扰视为噪声（TIN）。因此，迫切需要开发实用的云辅助干扰管理方案。超越使用TIN[9]的现有技术。这包括受认知无线电网络启发的IA方案[10], X网络[8],协同多点传输与接收[11],以及采用速率分割和公共消息解码的CIM[12]。此外，还需要结合“CIM方案”一节中提到的CIM方案，研究不同的基于云的基站协作技术（例如部分消息共享或压缩信号共享），同时考虑协作成本。

中继方案

感兴趣的中继方案包括THR、TWR和MWR、NC、PLNC、全双工通信以及有噪网络编码，这些方案均可带来显著增益。考虑到密集通信网络中的大量中继组合，可以首先将注意力集中在有前景的候选方案上，例如串行/并行/单跳中继，并针对这些候选方案开发新颖的MWR方案。图3展示了PLNC‐TWR在其半双工和全双工形式下巨大潜力的一个示例。

一些受近期信息论成果启发的干扰管理方案由于其复杂性和对信道状态信息的敏感性，可能在实际中难以实现。因此，简化这些干扰管理方案并研究有限精度信道状态信息的影响，对于推动这些方案走向实际应用具有重要意义。为了获得更深入的认识，有必要推导信息论上界，以评估简化后的干扰管理方案的性能，并发现其能够带来显著增益的条件。最后，应通过聚类规则和算法增强这些干扰管理方案，以便在考虑小区尺寸、发射/接收功率、天线数量和衰落等实际因素的情况下应用于通信网络。

优化工具

匹配理论

匹配理论为两个分区中参与者匹配的组合问题提供了数学上易于处理的解决方案，例如图3中的用户设备和信道。根据参与者的配额，匹配问题可以分为一对一、多对一和多对多匹配；这些匹配问题还可进一步划分为具有单边或双边偏好的匹配。延迟接受（DA）算法是一种强大的匹配机制，参与者在其中迭代地向其他分区的参与者提出提议，这些提议会根据各自的偏好和配额被接受或拒绝[13]。参与者基于个体信息和偏好做出决策，这些偏好可以通过一个适应度值矩阵来表示，其中矩阵的列和行分别代表子拓扑和用户。这些偏好可根据用户设备的本地信息、目标、服务质量需求、硬件能力等进行定制。因此，延迟接受（DA）算法本质上是一种分布式自组织算法，能够应对通信网络中的异质性和复杂性。

然而，通信网络的外部性给匹配问题带来了额外的挑战，这可以解释为参与者偏好和决策之间的相互依赖性[14]。外部性可被理解为在相同资源块上运行的其他簇所引起的干扰。因此，它们基本上是簇数量以及簇成员身份的函数。如果将用户设备/簇分配到专用资源上，即所谓的标准匹配，则这些外部性可以被消除。在标准匹配的一对一和一对多情况下，DA算法始终能产生稳定匹配[13]。由于当存在外部性时，DA过程不一定能产生稳定匹配，因此有必要通过分析对同一资源感兴趣的用户的信道矩阵来扩展DA过程，以获得稳定匹配。合理的设计还应考虑因参与者与资源之间消息传递而产生的通信开销。

博弈论

博弈论设计并分析理性参与者之间的复杂互动。根据是否具有协作性，博弈论主要分为合作型和非合作型。竞争性相互关系。除了其卓越的性能外，合作型博弈更适用于网络拓扑优化，因为复杂的IM方案不可避免地需要协作。合作型博弈主要有两种类型：联盟博弈和网络形成博弈。在此背景下，联盟指的是一个簇，而分区则是联盟的联盟。

联盟形成博弈适用于划分问题，因为它们通过考虑合作成本导致的收益减少，来寻求最优联盟规模和成员。适应度函数和简化经验法则可分别很好地用于联盟比较和合并/分裂决策。如果我们以OMA方案作为初始设置，用户设备可以比较潜在的IM方案，与具有相似特征的其他用户设备形成划分（合并），或在无法从当前划分中获益时选择离开（分裂）。然而，联盟形成博弈并未考虑划分成员之间的互连关系。因此，网络形成博弈为HMA方案提供了更全面的方法，因为分区图内的连接性决定了各划分之间的相互依赖性。网络形成博弈可基于近视或远视策略进行决策，分别依据当前网络状态，或学习/预测其他方的动作。

拍卖博弈

拍卖博弈包含竞标者（买方和/或卖方）以及收集投标以决定谁将以何种成本购买哪些物品的拍卖人。因此，拍卖非常适用于基于PST的中继方案，其中具有强（弱）信道的用户设备可以对具有弱（强）信道的用户设备的功率（频谱）进行竞价。拍卖从初始价格开始，在供给超过需求或反之的情况下，拍卖人会在收集投标后迭代更新价格。拍卖根据规范投标、分配和支付的规则进行设计和分类[15]。在HMA背景下，分配简单指代一个簇，其中买方基于支付（功率或频谱）协议与卖方合作。特别是，组合拍卖由于其通用形式允许竞标者对多个项目出价，因此非常适合HMA方案。因此，它们能够建模复杂的聚类（中继）场景，其中用户设备可以作为频谱卖方和功率买方加入多个簇。此外，拍卖人可以设定保留价格以使竞标者留在拍卖中，例如，竞标者的表现应优于其单独行为（即OMA）或满足QoS需求。

机器学习

机器学习（ML）技术能够适应时变的无线环境并采取将人类行为纳入考虑。这可以通过边缘/群体智能实现，即通过观察环境、从历史中学习、预测未来的网络状态，并相应地采取必要动作，以持续提升性能。因此，机器学习是实现后5G时代HMA方案自组织、自优化和自愈能力的关键使能技术。

尽管传统机器学习（ML）技术已被研究用于无线通信应用，但深度神经网络（DNN）近年来因其能够处理高度复杂、难以建模或解析上难以解决的问题而迅速兴起。随着网络深度的增加，DNNs能够提供更高层次的抽象能力，以捕捉通常具有非线性且动态变化的关系。因此，DNNs可用于处理物理层组件，如信道估计、编码、调制和均衡。它们还被用于预测流量负载、移动模式和内容偏好。因此，DNNs可作为用户设备（UE）在设计和评估适应度函数方面的有力工具。同样，用户设备（UE）可根据环境变化调整其物理层参数，从而避免不必要的频繁分区和聚类。此外，它们还可用于构建匹配偏好、做出合并/分裂决策以及确定竞价值，以实现最佳性能。

或者，可以采用整体方法将机器学习应用于整个HMA方案。在这方面，深度强化学习（DRL）适合通过从与环境的过往交互中学习来进行决策。例如，可以通过将状态与拓扑结构关联、动作与合并/分裂操作关联、奖励与定制化干扰管理方案获得的适应度值关联，来设计基于DRL的HMA方案。在明确定义的信道矩阵上训练该基于DRL的HMA方案可实现理想的性能。由于云无线接入网络（CRAN）具备全局网络视图和计算能力，该方法在协作干扰管理（CIM）中可能尤其有益。

结论

随着经典通信范式接近其基本极限，未来CNs应以更加开放和更新的方式进行设计。这就需要优先选择允许干扰的IM方案，而不是忽略或避免干扰。在发现40多年后，电信行业终于开始考虑从OMA方案向NOMA方案过渡。尽管由NOMA引发的这一范式转变值得肯定，但在CN中允许的拓扑类型方面仍显保守。为此，本文分享了我们对一种支持多种拓扑结构的HMA方案的展望。我们还讨论了先进IM方案的相关开放研究领域以及用于网络拓扑优化的数学工具。