關鍵詞：深度學習；用戶定位；傳感網絡中圖分類号：TP39
引言
深度學習在移動網絡領域有着廣泛的應用。我們在不同的網絡域中組織和分組深度學習應用，并描述他們的貢獻。接下來，我們從深度學習驅動移動數據分析、深度學習驅動移動性分析和用戶定位、深度學習驅動無線傳感網絡等三個方面分别進行介紹。
1、深度學習驅動移動數據分析
移動技術（如智能手機，增強現實等）的發展迫使移動運營商發展移動網絡基礎設施。因此，移動網絡的雲端和邊緣端都變得越來越複雜。
網絡級數據通常表現出由用戶行為導緻的顯著的時空變化，可用于網絡診斷和管理，用戶的移動性分析和公共交通規劃。
應用級數據可以通過安裝在各種移動設備上的傳感器或移動應用直接記錄。這些數據經常通過來自不同來源的衆包體系收集，如全球定位系統（GPS）等。移動設備充當傳感器中心，負責數據收集和預處理，并随後根據需要将其分發到特定場所[1]。應用級數據通常直接或間接反映用戶的行為，如流動性，偏好和社交鍊接。分析來自個人的應用程序級别數據可以幫助重建個人和偏好，這可用于推薦系統和用戶定位。
移動大數據包括幾個獨特的特征，如時空多樣性，異質性和個性[1]。一些網絡級别的數據可以被視為全景相機拍攝的照片，這些圖像包含與大量個體運動有關的信息，因此表現出顯著的時空多樣性。另外，由于現代智能電話可以容納多個傳感器和應用，所以一個設備可以同時産生異構數據。
與傳統的數據分析技術相比，深度學習包含幾個獨特的功能來解決上述挑戰。即：
1）深度學習在結構化和非結構化數據的各種數據分析任務中取得了卓越的性能。某些類型的移動數據可以表示為圖像狀或順序數據。
2）深度學習在從原始數據提取特征方面表現出色。這樣可以節省手動功能工程在移動數據上的巨大工作量，從而使員工可以将更多時間花在模型設計上，并減少對數據本身的排序。
3）多模式深度學習允許學習多種形式的特征，這使得它能夠對從異構傳感器和數據源收集的數據進行建模。
1.1網絡級移動數據分析
網絡級移動數據是指由互聯網服務提供商記錄的日志，包括基礎設施元數據，網絡性能指标和通話詳細記錄（CDR）。深度學習最近取得的顯著成功引發了全球利益關注，利用此技術進行移動網絡級數據分析，從而改善終端用戶的體驗質量。這些工作通常可以根據應用分為兩個主題，即網絡預測，CDR采集。
網絡預測：網絡預測是指根據曆史測量或相關數據推斷移動網絡流量或性能指标。其中
x是個(n，1)維的矩陣，表示一個訓練樣本，裡面的n表示一個訓練樣本中的特征數量，w也是一個(n，1)維的矩陣，它表示權重，它一一對應于每個輸入的特征，也可以說它指示了某個特征的重要程度；b是一個實數，在這裡可以将其看作為一個閥值，當越接近時，結果接近1。
半監督支持向量機是指在考慮未标記樣本時，半監督支持向量機試圖找到能将兩類有标記樣本分開，且穿過數據低密度區域的劃分超平面。形式化的說，給定Dl={(x1,y1),(x2,y2),L(xl,yl)和Du={xl+1,xl+2,L,xl+u}，該模型的學習目标是為Du中的樣本給出預測标記，使得
其中，(w,b)确定了一個劃分超平面；ς為一個松弛向量，ςi(i=1,2,L,l)對應于有标記樣本，ςi(i=l+1,l+2,L,m)對應于未标記樣本。Cl與Cu是由用戶指定的用于平衡模型複雜度、有标記樣本與未标記樣本重要程度的折中參數。
CDR挖掘：電信設備每天都在培育大量的CDR數據。這描述了電信交易的具體實例，例如電話号碼，流量消耗等。使用深度學習從CDR數據挖掘有用信息可以提供各種功能。例如，梁等人建議Mercury使用RNN根據流式CDR數據估算城域密度預測。他們将移動電話用戶的軌迹視為一系列位置，而基于RNN的模型在處理順序數據方面效果很好。他們的實驗表明，基于RNN的預測器顯著優于傳統機器學習方法，包括樸素貝葉斯。
1.2應用級移動數據分析
存在兩種應用級移動數據分析方法，即（i）基于雲計算和（ii）基于邊緣的計算。基于雲計算的計算将移動設備視為數據收集器，這些數據收集器不斷向有限本地數據預處理的服務器發送數據。服務器收集收到的數據以進行模型訓練和推理，随後将結果發送回每個設備（或根據應用需求在本地存儲分析結果而不傳播）。這種情況的缺點是用戶必須訪問互聯網才能發送或接收來自服務器的消息，這會産生額外的數據傳輸開銷并可能導緻邊緣應用嚴重延遲。基于邊緣的計算方案是指将預先訓練好的模型從雲端卸載到單個移動設備，以便他們可以在本地進行推理。雖然這種情況下與服務器的交互較少，但其适用性受硬件和電池功能的限制。因此，它隻能支持需要輕量計算的任務。
2、深度學習驅動移動性分析和用戶定位
基于位置的服務和應用（例如移動AR，GPS）需要精确的個人定位技術。因此，對用戶定位的研究正在迅速發展，培養出一套新興的定位技術。
移動性分析：由于深度學習能夠捕捉順序數據中的空間依賴性，因此它正在成為移動性分析的強大工具。研究了深度學習在軌迹預測中的适用性。通過共享RNN和GRU學習到的表示，該框架可以在社交網絡和移動軌迹建模上執行多任務學習。他們依靠深入的學習進展，并提出一種在線學習方案來訓練分層的CNN架構，允許模型并行處理數據流處理。我們這裡簡要介紹一下LSTM模型和GRU模型。
如圖所示，标準LSTM模型是一種特殊的RNN類型，在每一個重複的模塊中有四個特殊的結構，以一種特殊的方式進行交互。在圖中，每一條黑線傳輸着一整個向量，粉色的圈代表一種pointwise操作，諸如向量的和，而黃色的矩陣就是學習到的神經網絡層。LSTM模型的核心思想是“細胞狀态”。“細胞狀态”類似于傳送帶。直接在整個鍊上運行，隻有一些少量的線性交互。信息在上面流傳保持不變會很容易。
其中
GRU作為LSTM的一種變體，将忘記門和輸入門合成了一個單一的更新門。同樣還混合了細胞狀态和隐藏狀态，加諸其他一些改動。
用戶定位：深度學習在用戶定位中也發揮着重要作用。庫馬爾等人利用深度學習來解決室内車輛定位問題。他們使用CNN分析視覺信号，以在停車場内定位車輛。這可以幫助駕駛員輔助系統在系統可用視野有限的地下環境中運行。
還有一些将深度學習應用于室外場景的研究工作。例如，鄭和翁為移動設備上的戶外導航應用引入了一個輕量級的開發網絡。與CNN相比，它們的體系結構所需的更新權重比原有的CNN更低，同時保持了不錯的準确性。這可以在移動設備上實現高效的室外導航。在研究室内和室外環境下的定位研究。他們使用AE來預先訓練四層MLP，以避免手工特征工程。還引入了一個HMM來根據數據的時間屬性對預測進行微調。這提高了WiFi信号在室外定位中的準确度估計。
3、深度學習驅動無線傳感網絡
在這一部分中，我們将注意力轉向移動網絡控制問題。由于強大的函數逼近機制，深度學習在改進傳統強化學習和模仿學習方面取得了顯著的突破。這些進步有可能解決以前複雜或難以處理的移動網絡控制問題。回想一下，在強化學習中，代理不斷與環境交互以學習最佳操作。通過不斷的探索和開發，代理人學習如何在沒有反饋的情況下實現預期收益最大化。模仿學習遵循不同的學習範式，即“通過示範學習”。這種學習範式依賴于一個‘老師’（通常是一個人），告訴代理人在培訓期間在某些觀察下應該執行什麼行動。經過充分的示範，代理人學習模仿老師行為的政策，并且可以在沒有監督的情況下自行運作。
除了這兩種學習場景之外，基于分析的控制正在移動網絡中引起注意。具體而言，該方案使用機器學習模型進行網絡數據分析，并随後利用結果來輔助網絡控制。與以前的方案不同，基于分析的控制範例不會直接輸出操作。相反，它會提取有用的信息并将它們傳遞給一個額外的代理來執行這些操作。我們說明了三種控制範式之間的原理。
4、結束語
深度學習在移動和無線網絡領域扮演着越來越重要的角色。在本文中，通過回顧不同應用場景下的工作，将深度學習和移動網絡學科相關聯。這是以前調查完全忽視的一個方面。我們希望這篇文章能成為研究人員和從業人員對将移動網絡應用于複雜問題感興趣的明确指南。
參考文獻
[1]RonanCollobertandSamyBengio.Linksbetweenperceptrons,MLPsandSVMs.InProceedingsofthetwenty-firstinternationalconferenceonMachinelearning[C],page23.ACM,2004.
作者單位：南京郵電大學貝爾英才學院。