无线通信领域多维度技术融合：从“通信+X“到一体化智能网络

无线通信领域多维度技术融合：从"通信+X"到一体化智能网络

无线通信领域正从单一功能向 "通信-感知-计算-缓存-能量-智能-控制"七维 融合演进，其核心是通过跨领域协同实现资源效率跃升和功能边界突破。

1. 引言

移动通信技术正迈向第六代(6G)，将从“万物互联”走向“万物智联”。这要求通信网络不仅提供高速率、低时延的连接，还要具备环境感知、计算处理、智能决策等能力。为满足如元宇宙、车联网、工业控制等新兴场景对极致通信、精确感知和强大计算的多重需求，学术界提出了“通信+X”的多维度功能融合理念。即在无线、有线通信网络和边缘计算架构中，将通信功能与感知、计算、内容缓存、能量供给、智能算法、控制等其他功能深度融合。通过协同设计，通信+X融合技术可突破各自独立优化的瓶颈，在有限频谱、功率等资源中实现“一信多能”，达到集成增益和协同增益。

2. 无线通信领域多维度技术融合

下面全面梳理当前学术研究中主要的通信多维融合方向，包括通信与感知、计算、缓存、能量、智能、控制等融合技术的原理、进展和挑战，并列举各维度下的代表性综述/工作。

2.1. "通信+感知"融合：通信与感知一体化（ISAC）

2.1.1 简介与原理

通信与感知一体化（Integrated Sensing and Communication, ISAC） 是指利用同一无线信号同时实现数据通信和环境感知两种功能。典型场景如将雷达探测融合进通信系统，使基站在传输信息的同时感知目标的位置、速度等。其核心原理在于一体化波形设计和资源共享：发送端发射经过专门设计的信号，既携带通信数据，又对外部目标进行照射；接收端一方面解调数据，另一方面对回波进行雷达信号处理，以推断环境信息。

通过频谱、硬件的共享，ISAC 带来两大好处：其一是集成增益，即节省了原本感知和通信各自占用的频率时间资源；其二是协同增益，即通信和感知功能可以互相辅助，提高总体性能，例如通过联合波形设计降低感知与通信之间的干扰。正因为具备效率和性能优势，ISAC 被视为5G-A/6G时代的关键技术之一。标准方面，3GPP在R18中已开始研究定位感知的新功能，Wi-Fi联盟也制定IEEE 802.11bf草案以支持WLAN环境下的感知功能。

2.1.2 研究方向与挑战：

主要研究方向：

1. 联合波形设计：设计既适合通信解调又利于目标检测的波形，如在OFDM、多天线波束中嵌入感知信号；

2. 波形优化与资源分配：在频谱和功率受限条件下，在通信速率与感知精度之间寻求Pareto最优，例如通过功率分配、波束赋形在照射目标与服务用户间折中；

3. 通信感知算法协同：开发能同时处理通信信号解码与目标特征提取的算法架构，实现信道编码与目标检测的融合处理；

4. 硬件与架构：研究全双工收发、一体化天线等硬件，使得同一设备可以收发两用，并降低硬件性能对感知精度的影响等。

主要面临挑战：

1. 通信-感知性能权衡和干扰管理：无线信号用于感知需要较高功率、大带宽以获取足够信噪比和分辨率，但通信接收机又容忍不了过高功率的干扰。

2. 波形设计的复杂度和双功能硬件的实现：需要在实时信号处理开销和实现成本上做出折中。

2.1.3 代表性综述

F. Liu et al., “Integrated Sensing and Communications: Toward Dual-Functional Wireless Networks for 6G and Beyond,” IEEE Journal on Selected Areas in Communications, vol. 40, no. 6, pp. 1728–1767, Jun. 2022, doi: https://doi.org/10.1109/JSAC.2022.3156632.
‌
A. Liu et al., “A Survey on Fundamental Limits of Integrated Sensing and Communication,” IEEE Communications Surveys & Tutorials, vol. 24, no. 2, pp. 994–1034, 2022, doi: https://doi.org/10.1109/COMST.2022.3149272.
‌

2.2. "通信+计算"融合：移动边缘计算（MEC）、空中计算（AirComp）、云无线接入网(C-RAN)

2.2.1 简介与原理

移动边缘计算（MEC）：随着移动应用和物联网设备产生海量数据，网络需要具备强大的分布式计算能力以就近处理数据、降低时延。这催生了通信与计算融合的概念，其典型实现方式之一是移动边缘计算（MEC）。MEC通过在接近终端的位置（基站或接入点）部署边缘服务器，将部分或全部本地任务卸载到网络边缘处理，以平衡通信传输负载和本地计算负载。通过这种方式，终端设备可以在保证应用性能的同时降低能耗和时延。通信与计算融合的更广泛愿景是构建“算力网络”，即在云、边、端协同的基础设施上按需调度算力和带宽资源。例如，国内提出的“算力网络”理念，将异构计算资源通过高速网络衔接，按需为业务提供最优的计算资源供给。

空中计算（AirComp）：除MEC外，一个有趣的发展是空中计算（AirComp）技术，它利用无线信道的信号叠加特性直接在“空中”完成分布式数据的计算聚合。例如，在联邦学习中，多个终端同时发送经过预处理的信号，使接收端直接收到各种信号的叠加结果（如平均值），无需单独解调每个终端。AirComp实现了通信和计算过程的融合，大幅提高了数据聚合效率，在无线数据汇聚、边缘AI训练等方面有突出应用。总体而言，通信与计算融合旨在统一规划通信资源和计算资源，根据应用任务的整体目标（如端到端时延最小化、能耗最小化或精度最大化）进行联合优化。这需要突破传统网络仅传输比特的范式，朝着“任务导向通信”演进，使网络明白所传数据对最终任务的价值。

云无线接入网（C-RAN）：随着5G和未来6G网络对超高带宽与超低时延的需求爆发，传统分布式基站架构面临计算资源利用率低、能源消耗大等挑战。这推动了无线接入网向集中化与云化转型，其代表性架构之一就是云无线接入网（C-RAN）。C-RAN通过将基带处理单元（BBU）集中部署在云端数据中心，形成虚拟化的基带资源池，而远端射频单元（RRU）仅保留信号收发功能。这种"集中计算+分布射频"的架构，使得计算资源能够动态共享，基站负载可根据业务需求灵活调度。

2.2.2 研究方向与挑战

主要研究方向：

1. 边缘计算中任务卸载决策与资源分配：根据终端任务特征（大小、期限、所需CPU周期等）决定是否、何时以及向哪个边缘节点卸载，并优化无线链路资源和计算资源的分配。

2. C-RAN中计算赋能的网络功能虚拟化：通过软硬件解耦，将一些通信协议功能或应用处理下沉到边缘计算节点执行，实现网络功能和计算功能的一体化。

3. 空中计算和联邦学习：针对多终端联合训练AI模型，研究利用无线叠加计算高效聚合梯度的方法，以及抗噪声、同步机制等问题。

4. 通信-计算协同调度：前三个应用中的网络调度算法设计，在保证通信传输及时性的同时，充分利用空闲计算能力，例如动态调整传输速率与CPU频率以最小化任务完成时间。

主要面临挑战：

1. 资源竞争与统一优化：通信带宽和计算能力都有限，不同任务对它们的需求不同，如何在全局优化下动态调度是难点；

2. 不确定性：无线链路时变、计算服务器负载波动，导致卸载决策和资源分配需要具有鲁棒性；

3. 安全与隐私：任务数据在网络中传输和处理，存在数据泄露风险，特别在分布式学习中如何保护隐私是热点问题；

4. 异构性：终端设备、边缘节点能力各异，需要兼顾弱设备的需求，提供公平的计算服务等。

"通信+计算+智能"融合：为应对上述挑战，学术界也提出了引入人工智能的方法进行智能调度，以及提出“算力即服务”的新架构。

2.2.3 代表性综述

MEC：
Y. Mao, C. You, J. Zhang, K. Huang, and K. B. Letaief, “A Survey on Mobile Edge Computing: The Communication Perspective,” IEEE Communications Surveys Tutorials, vol. 19, no. 4, pp. 2322–2358, 2017, Available: https://ieeexplore.ieee.org/document/8016573
‌

C-RAN：
A. Checko et al., “Cloud RAN for Mobile Networks—A Technology Overview,” IEEE Communications Surveys & Tutorials, vol. 17, no. 1, pp. 405–426, 2015, doi: https://doi.org/10.1109/comst.2014.2355255.
‌

AirComp：
G. Zhu, J. Xu, K. Huang, and S. Cui, “Over-the-Air Computing for Wireless Data Aggregation in Massive IoT,” IEEE Wireless Communications, vol. 28, no. 4, pp. 57–65, Aug. 2021, doi: https://doi.org/10.1109/mwc.011.2000467.
‌

2.3. "通信+缓存"融合：边缘缓存

2.3.1 简介与原理

通信与缓存融合主要针对网络中日益增长的内容分发需求。大量研究表明，用户请求的数据（视频、网页等）呈现明显的流行度分布，大部分流量集中于少数热门内容。边缘缓存技术因此应运而生，通过在网络边缘节点（如蜂窝基站、接入点、边缘服务器）存储热门内容副本，用户的请求可以在本地直接响应，无需每次都回源服务器获取。这大大减少了核心网和回程链路的流量负荷，降低传输时延和骨干网拥塞。简单来说，缓存为通信系统换取了带宽-存储权衡的好处：利用相对廉价的存储空间来换取宝贵的带宽和时延性能提升。通信与缓存融合常见于内容分发网络(CDN)、信息中心网络(ICN)、移动边缘计算(MEC)平台中。例如在5G MEC架构中，边缘主机可以部署内容缓存应用，将流行视频缓存在小区本地，用户请求命中本地缓存时即可瞬时提供服务。

2.3.2 研究方向与挑战

主要研究方向：

1. 缓存策略与内容放置：如何选择哪些内容进行缓存，以及缓存于何处。典型研究包括利用历史请求统计预测内容流行度，采用优化算法决定缓存列表，以最大化缓存命中率或节省的回程带宽。内容放置还涉及多层级协同，如宏基站-小基站-用户设备多层缓存协作，以扩大内容覆盖面。

2. 缓存替换算法：缓存空间有限，需设计高效的替换策略，当新内容到来时淘汰对整体性能贡献最小的旧内容（如LRU、LFU改进算法，以及考虑内容大小和流行度衰减的策略）。

3. 通信缓存协同调度：缓存命中后怎样优化调度，例如多播传输同一缓存内容给多个用户、缓存辅助D2D通信（邻居终端间共享缓存内容）等，以进一步提高频谱利用率。

4. 跨层设计与语义缓存：将应用层缓存和通信层控制结合，如根据链路状况调整缓存策略，或缓存更高层语义信息而非原始数据，以减少冗余传输。

主要面临挑战：

1. 内容流行度预测不确定性：用户兴趣动态变化，缓存需要及时更新，否则可能缓存无用内容或赶不上新热点；

2. 缓存资源受限：边缘节点存储空间和内存有限，需要在有限容量下取得尽量大效益；

3. 协同与一致性：多节点缓存需要协调，避免重复缓存或因用户移动导致的不连续覆盖，同时维护内容一致性（例如版本更新时同步）；

4. 隐私和版权：缓存用户数据或视频可能引发隐私泄露或版权问题，因此需要访问控制和加密等机制。

2.3.3 代表性综述

M. A. Maddah-Ali and U. Niesen, “Fundamental Limits of Caching,” IEEE Transactions on Information Theory, vol. 60, no. 5, pp. 2856–2867, May 2014, doi: https://doi.org/10.1109/tit.2014.2306938.
‌

Y. Wang and V. Friderikos, “A Survey of Deep Learning for Data Caching in Edge Network,” Informatics, vol. 7, no. 4, p. 43, Oct. 2020, doi: https://doi.org/10.3390/informatics7040043.
‌

2.4. "通信+能量"融合：无线信息能量同时传输（SWIPT）

2.4.1 简介与原理

通信系统的一个前沿探索是同时承担能量传输的职能，即将无线网络变为“信息+能量”双重传输平台。这方面的代表技术是无线信息能量同时传输（Simultaneous Wireless Information and Power Transfer, SWIPT）。SWIPT的基本思想是在射频信号中既承载数据信息，又携带可被接收端整流收集的能量，使得能量受限的无线节点（如物联网传感器）在接收数据的同时给自身充电。这实现了通信网络为终端供电与数据交互一体化的功能，被视为解决物联网设备供电瓶颈的有前景方案。典型架构包括：基站向传感器节点下行发送调制信号，传感器利用其中一部分功率整流获得能量，另一部分用于解调数据；节点充好电后再利用收集的能量上行发送数据。这种“双向能量-信息循环”可实现节点无电池长时间工作，形成无线供能通信网络。

2.4.2 研究方向与挑战

主要面临挑战：

1. 首先是信号波形和收发设计：用于能量传输的RF信号通常希望高功率、连续波以提高能量收集效率，但这可能与调制所需的频谱高效、低峰均比（PAPR）波形相冲突。如何设计兼顾高能量传输和可靠信息解调的波形是核心难点之一。

2. 硬件非线性与干扰：高功率信号在发射机和接收机处容易产生非线性失真（如功放因高PAPR降低效率），接收端的整流电路也会引入非线性噪声，这些都会影响信息解调性能，需要通过优化和补偿技术解决。

3. 距离衰减严重：射频能量传输效率随距离快速降低（路径损耗），因此SWIPT通常只适用于近距离、小功耗设备，如何扩展覆盖是一个问题——可能需要中继协助或定向波束等手段。

4. 安全与健康：在空气中传输能量可能带来信息安全隐患（能量信号可被窃听能量转换攻击）以及电磁辐射安全的问题，需要标准限定和安全防护。

主要解决方法：

1. 波形优化：设计专用的同时传能传信波形（如多音波形能提升能量收集效率）；

2. 智能反射面(RIS)：动态调控环境中信号反射，实现对能量信号的定向增益传输；

3. 协作中继：由部分网络节点代为接收高能量信号再转发信息，从而扩大覆盖；

4. 收发端协同：发端适当牺牲部分通信速率来提升能量传输，或接收端采用先进信号处理算法在强干扰下仍可靠解调信息等。

2.4.3 代表性综述

T. D. Ponnimbaduge Perera, D. N. K. Jayakody, S. K. Sharma, S. Chatzinotas, and J. Li, “Simultaneous Wireless Information and Power Transfer (SWIPT): Recent Advances and Future Challenges,” IEEE Communications Surveys & Tutorials, vol. 20, no. 1, pp. 264–302, 2018, doi: https://doi.org/10.1109/comst.2017.2783901.
‌

2.5. "通信+智能"融合：联邦学习（FL）、分布式智能推理、数字孪生网络（DTN）

2.5.1 简介与原理

未来通信网络被寄望为“智能化”的网络，即利用人工智能技术提升网络运行效率，并为用户提供智能服务。6G被认为是首个原生融合AI的通信网络，业界提出“AI赋能通信”和“通信支撑AI”两个互补视角。前者（AI for Network）指运用机器学习/深度学习算法优化通信网络的各层功能，例如无线资源管理、网络优化、故障预测等，实现自优化和自愈的“智能网络”。后者（Network for AI）则指针对AI应用的通信需求来设计网络，如面向分布式机器学习的高效通信协议、支持边缘智能的网络架构等。最终阶段展望为“AI即服务”（AI as a Service），即通信网络本身提供AI功能给用户，用网络内嵌的算力执行AI计算任务。这种“三位一体”的融合使通信与智能高度结合，被认为将极大拓展网络的功能边界。

2.5.2 研究方向与挑战

主要研究方向：

1. 联邦学习：设计量化、稀疏化技术减少模型更新的数据量，提升通信效率

2. 分布式智能推理：将AI推理分布在云-边-端多个节点上，通信系统需要提供低时延、高可靠的连接以保证推理过程的一致性和实时性。

3. 数字孪生网络：利用网络实时数据来训练仿真模型，指导网络优化决策。

主要面临挑战：

1. 数据和训练：高效训练网络智能模型需要大量标注数据，但实际网络数据复杂多变、分布不均且隐私敏感，如何获取和处理训练数据是问题；

2. 泛化和适应性：AI模型往往对训练分布外的数据缺乏鲁棒性，网络环境动态变化，训练好的模型能否在不同场景适用存疑，这需要在线学习、自适应算法等方案；

3. 开销与复杂度：深度学习模型计算复杂，对资源消耗大，将其部署在实时通信系统中要考虑时延和能耗开销，必须进行模型压缩和加速；

4. 可信与安全：引入AI也可能带来安全隐患，如对抗样本攻击可能诱骗无线信号检测算法，以及AI决策的不透明性在关键通信场景下难以被信任，需要加强可解释性和防护措施。

2.5.3 代表性综述

Q. Cui et al., “Overview of AI and communication for 6G network: fundamentals, challenges, and future research opportunities,” Science China Information Sciences, vol. 68, no. 7, Apr. 2025, doi: https://doi.org/10.1007/s11432-024-4337-1.
‌

2.6. "通信+控制"融合：通信-控制协同调度、状态感知的传输策略、控制与编码联合设计

2.6.1 简介与原理

随着网络物理系统的发展，通信网络正越来越多地承载实时控制任务，例如工业自动化中的无线控制、远程机械操控、车联网协同驾驶等。这类网络化控制系统要求通信系统提供极低时延和超高可靠性，以确保控制回路的稳定和及时响应。通信与控制融合旨在将控制理论与通信工程紧密结合，协同设计通信协议和控制算法，以满足闭环控制对通信的严格要求。例如，触觉互联网（Tactile Internet）愿景提出端到端时延<1ms、99.999%可靠度的通信，用于实现实时远程操纵和反馈，被视为5G/6G的重要应用之一。通信与控制融合的理念是在网络设计中引入控制系统性能指标（如稳定度、跟踪误差）作为优化目标，反过来在控制器设计中考虑通信特性的影响（如分组丢失、时延）。通过这种双向协同，可以避免过去各自独立设计导致的不匹配，实现控制性能和通信效率的同步提升。

2.6.2 研究方向与挑战

主要研究方向：

1. 通信-控制协同调度：传统通信调度以吞吐量或公平为目标，而控制任务有严格的周期性和时延上限要求。研究人员设计了针对控制流的调度算法，例如优先为控制相关的数据流分配资源、在MAC层提供确定性的时隙，或使用Time-Sensitive Networking (TSN)技术在有线网络中实现准时传输。这些手段旨在保证控制信号能够准时送达，从而维持闭环系统稳定。

2. 状态感知的传输策略：并非所有控制采样数据都同等重要，部分冗余数据丢失对控制影响不大。因此出现了事件触发通信等机制：只有当传感器测量偏离预测较大时才触发发送，从而减少不必要的占用，同时保持控制性能。

3. 控制与编码联合设计：将控制系统的状态估计与通信系统的编码结合，比如基于控制状态的重要程度自适应调整编码冗余，在关键状态下提高可靠性。还有研究提出跨层设计，打通感知-通信-控制的接口，例如无线网络预测下个控制周期可能丢包时，控制器提前加强当前控制力度，以抵御未来的信息空窗。

主要面临挑战：

1. 性能衡量复杂：通信的QoS指标（时延、丢包率）如何准确转换为控制性能指标（超调量、稳态误差），进而作为优化目标，这是复杂的，因为控制性能与通信行为间的关系难以精确建模；

2. 极端可靠低时延的实现：要在无线环境下实现近乎实时和100%可靠的通信非常困难，需要新技术（如URLLC、联合编码调制、分集、多连接）以及过度的冗余设计，资源开销巨大；

3. 规模和动态性：大规模网络控制（如上百台协作机器人）场景下，通信网络和控制系统都高度复杂，耦合度高，如何在保证稳定的同时提高资源利用率是一大挑战；

4. 安全性：控制系统对时延和包到达顺序敏感，恶意攻击者若利用通信链路进行时序攻击或假信息插入，可能造成严重后果，因此通信控制融合需要考虑新的安全防护措施。

3. 多维融合趋势与展望

综上所述，当前通信领域已经出现并深入研究的“通信+X”融合维度包括：通信+感知、通信+计算、通信+缓存、通信+能量、通信+智能、通信+控制，以及这些维度的更高阶组合（如通信-计算-缓存3C融合、通信-计算-缓存-控制4C融合等）。各融合方向都有其独特的技术原理和应用场景，但目标一致：通过多功能的协同设计，在有限资源内最大化网络服务能力，催生出信息传输、处理、存储、感知一体化的新型网络。展望未来6G及更远期的网络，新型应用将更加多样、需求更苛刻，仅靠提高单一通信性能已难以为继。因此，走向深度融合是大势所趋：网络节点需要同时具备通信、计算、缓存、感知、控制、智能等多种能力，甚至包括无线供能，才能灵活满足“万物智联”时代的需求。近期的6G研究白皮书和IMT-2030愿景也反复强调了这一点——例如IMT-2030提出6G新增三大场景就包含“智能通信”和“通感一体”。

从科研角度看，各融合方向之间也并非孤立，例如边缘智能就涉及通信-计算-智能融合，物联网综合了通信-感知-能量-控制融合等。未来可能出现更多“通信+X”新课题，例如通信与定位导航（其实属于感知范畴）、通信与区块链（用于网络信任和安全保障）等等，这些都值得持续关注。可以预见，通信多维度融合将引领新型网络架构的变革：通过打破传统通信与其他领域的壁垒，构建起面向任务和体验的通用信息系统。这样的网络将能按需调配异构资源，为用户和社会提供前所未有的服务模式。在走向6G的征程中，“通信+X”融合将是重要里程碑之一，也是当前学术和工程界的研究热点和创新源泉。

通信+感知+计算：
D. Wen, Y. Zhou, X. Li, Y. Shi, K. Huang, and K. B. Letaief, “A Survey on Integrated Sensing, Communication, and Computation,” IEEE Communications Surveys & Tutorials, pp. 1–1, Jan. 2024, doi: https://doi.org/10.1109/comst.2024.3521498.
‌

通信+计算+缓存+控制：
M. M. Adam, L. Zhao, K. Wang, and Z. Han, “Beyond 5G networks: Integration of communication, computing, caching, and control,” China Communications, pp. 1–38, 2023, doi: https://doi.org/10.23919/jcc.2023.00.039.
‌