移动和无线网络的深度学习综述（一）

最近开始研究 通信领域的先进机器学习技术 ，本科学的是通信工程，工作做的是机器学习，5G的到来，智能移动网络的需求和应用，预示着通信领域需要先进的机器学习技术，同时，也会带来新的挑战和机遇。

在阅读Chaoyun Zhang, Paul Patras, and Hamed Haddadi的论文**《移动和无线网络的深度学习综述》 论文时，我才用了 分块逐段逐句**地阅读和思考，以帮助自己对这两个领域（通信领域和机器学习领域）的融合有一个全面的认识，为后续的聚焦打基础。

本文中，你可以了解到：

• 论文的摘要和关键词信息
• 论文Introduction部分的内容

第一，我们看下论文的摘要和关键词

现状：移动设备的普及，移动应用和服务的流行问题：这种现状给移动和无线网络基础设施提出了更高的要求。

目标：5G通信系统，通过支持更大的移动流量，更细粒度分析的实时提取和网络资源的敏捷管理，以最大化用户的体验。

任务：移动环境的愈加复杂化，异构化，不断演化，使得达成5G系统的目标是有挑战性的。解决方案：利用先进的机器学习技术，帮助管理数据量和算法驱动的应用程序的增长。最近的深度学习的成功为解决这一领域的问题提供了强大的新工具。

论文做什么：通过做一个深度学习和移动与无线网络的交叉的综述，来缩小两者之间的差距。

论文怎么做的：第一步，首先介绍深度学习的基本背景和最新进展；第二步，讨论几种技术和平台，它们可以有利于深度学习在移动系统上的有效部署和实施；第三步，我们对基于深度学习的移动和无线网络研究进行了百科全书式的回顾，并按不同的领域进行了分类；第四步，根据我们的经验，我们讨论了如何根据移动环境定制深度学习；第五步，通过明确当前的挑战和未来的研究方向来完成这项综述性工作。

关键词：深度学习，机器学习，移动网络，无线网络，移动大数据，5G系统，网络管理

第二，我们研读Intoduction

第一段

第一句话，告诉我们，联网的移动设备已经渗透到我们生活，工作和娱乐的方方面面。第二句话，让我们知道，移动数据流量激增的两大驱动因素，一是，智能手机或者智能终端的不断增加；二是，越来越多的移动应用出现。 第三句话，趋势告知，2021年，IP流量里面智能手机的流量将要超过PC流量。 第四句话，带来新问题，用户对无线连接的偏好发生了转变，当前的移动基础设施面临巨大的容量需求。 第五句话和第六句话，解决方案，早起工作建议灵活第提供资源和分布式移动管理，长远来看，ISP必须开发智能移动架构和工具，推出5G，以逐渐满足更严格的最终用户应用程序需求。

第二段

第一句话，问题描述，移动网络架构的多样性和复杂性日益增加，让对众多网络元素的监控和管理变得非常棘手。 第二句话，研究热点，把多用途的机器智能嵌入到未来的移动网络中，引起了前所未有的研究兴趣。 第三句话，研究现状，基于机器学习的解决方案，例如无线电访问技术选择，恶意软件检测以及支持机器学习实践的网络系统开发。 第四句话，ML可以做什么，它可以从流量数据中系统地挖掘有价值的信息，，并自动化地从人类无法提取的复杂信息中发现相关性。 第五句话，深度学习和机器学习的关系，深度学习是机器学习重要分支，在计算机视觉，自然语言处理等领域取得了显著的成效。 第六句话，深度学习与无线通络的融合，网络研究人员也开始认识到深度学习的重要性和力量，积极探索其解决移动网络领域特定问题的潜力。

第三段

第一句话，机器学习和5G融合的合理性，5G移动和无线网络与机器学习融合是合理的。第二句话，移动数据的特性，移动环境下生成的数据越来越异构，因为这些数据通常是从各种源头来收集，且具有不同的格式，有着复杂的相关性。 第三句话，传统机器学习 工具 的挑战，移动数据的特点，决定传统机器学习工具或者浅层神经网络对于一系列特定问题就变得不切实际。 第四句话，为什么传统机器学习不适合了？一是因为越大的数据量，传统机器学习的性能不在得到改善；二是不能处理好控制问题下高维状态或者操作空间。 第五句话，新的解决方法，深度学习的可行性。大数据可以提升深度学习的性能，深度学习消除了领域专业知识，而是采用分层特征提取。 第六句话，深度学习的本质，1）可以有效地提取信息；2）可以从数据中获得越来越抽象的相关性；3）同时减少预处理工作。 第七句话和第八句话，GPU和分布式计算，使得深度学习的计算不是问题，可以在毫秒内进行响应以实现推理。这有利于网络分析和管理的准确性和 时效性，克服了传统数字技术（如凸优化，博弈论，元启发式）运行时的局限性。

第四段

第一句话，为什么要做这个综述，虽然人们对移动网络领域的深度学习越来越感兴趣，但是现有研究成果分散在不同的研究领域，所以要做个综述。 第二句话，论文做的事情，通过做一个深度学习和移动与无线网络的交叉的综述，来缩小两者之间的差距。 第三句话到第五句话，论文是怎么做，1）回顾与主题最相关的论文，2）对于移动和无线网络问题，提出各种深度学习体系结构的优缺点，并概述深度学习模型选择的策略。3）进一步研究针对单个移动网络任务定制深度学习的方法，使得在复杂环境中获得最佳性能。论文是怎么做，4）指出未来的研究方向和有待解决的重要问题，值得继续深入研究DNN。 第六句话，论文的目标，为网络研究者和实践者提供明确的指导，他们打算利用深度学习来解决感兴趣的问题。

第四段

综述的组织结构 第一句话，设计方式，自顶向下的组织方式，如图

第二句话，第二节做什么，首先讨论的工作是提供深度学习，未来移动网络和使用深度学习构建网络应用程序的高级概述，有助于界定本文的范围和贡献。 第三句话和第四句话，第三节做什么，深度学习背景介绍，因为深度学习技术在移动网络社区中相对较新，突出它在解决移动网络问题的优势。 第四句话和第五句话，第四节做什么，有很多因素使得移动网络应用程序能够实现深度学习（包括专用的深度学习库，优化算法等），讨论这些因素，帮助移动网络研究人员和工程师为他们的深度学习部署选择合适的软件和硬件平台。

第五段

第一句话，第五节做什么，介绍和比较最先进的深度学习模型，并为解决网络问题的模型选择提供指导。 第二句话，第六节做什么，回顾最近的移动和无线网络深度学习应用，把这些应用按着从移动的流量分析到安全到新兴应用的不同场景分组。 第三句话，第七节和第八节做什么，第七节介绍如何针对移动网络问题定制深度学习模型和第八节总结本文，简要谈论了开放式挑战，并展望未来的研究方向。

关于论文的摘要和Introduction，您有什么想法或者问题，请留言。

版权声明： 作者保留权利。文章为作者独立观点，不代表数据人网立场。严禁修改，转载请注明原文链接:http://shujuren.org/article/810.html

数据人网： 数据人学习，交流和分享的平台，诚邀您创造和分享数据知识，共建和共享数据智库。