摘要：在智能时代，无线网络引入了边缘计算、雾计算等技术，并向云化、开放化、智能化等方向持续演进，网络的计算能力逐渐增强。在未来，无线网络的作用将发生根本性变革，如支持内生计算、原生AI、通算融合等。无线算力网络旨在构建通算一体化的智能服务系统，实现无线接入网络内生算
无线算力网络：架构与关键技术
111233（1.北京邮电大学信息与通信工程学院，北京 100876；2.北京邮电大学人工智能学院，北京 100876；3.北京邮电大学计算机学院，北京 100876）【摘 要】在智能时代，无线网络引入了边缘计算、雾计算等技术，并向云化、开放化、智能化等方向持续演进，网络的计算能力逐渐增强。在未来，无线网络的作用将发生根本性变革，如支持内生计算、原生AI、通算融合等。无线算力网络旨在构建通算一体化的智能服务系统，实现无线接入网络内生算力对外开放以及原生AI支持，协同云、边、站、端多级算力，保障未来智能应用的端到端需求。首先从核心网、承载网、接入网三个方面概述了通算融合的研究现状。然后介绍了无线算力网络的体系架构和关键技术，包括算力基站、通算融合调度、移动性管理、云边端协同调度等技术，阐述了其原理和相关方法，旨在充分利用无线网络通算融合优势，以支持原生AI和未来智能应用的需求。最后总结了无线算力网络面临的技术挑战，并对未来的发展方向进行了展望。
【关键词】无线算力网络；通算融合；原生AI；云边端协同
doi:10.3969/j.issn.1006-1010.20250115-0002
中图分类号：TN929.5 文献标志码：A
文章编号：1006-1010(2025)03-0002-08
引用格式：郭凤仙,闫实,彭木根,等. 无线算力网络：架构与关键技术[J]. 移动通信, 2025,49(3): 2-9.
GUO Fengxian, YAN Shi, PENG Mugen, et al. The Architecture and Key Technologies of Radio Computing Power Networks[J]. Mobile Communications, 2025,49(3): 2-9.
0 引言
深度学习、大模型等人工智能（AI, Artificial Intelligence）技术的突破标志着人类已经进入了AI时代。AI技术正广泛应用于社会生产生活，成为推动社会发展的主要动力。在AI时代，垂直行业数智化转型成为必然趋势，对网络和算力提出了更为迫切的需求。据有关研究，在全息化阶段，沉浸式业务的通信需求将达到4 Tbps传输速率和毫秒级时延[1]。另有研究预测，从2018年到2030年，自动驾驶和智慧工厂的算力需求将分别增长390倍和110倍[2]。由此可见，用户业务正从传统数据传输转变为数据处理，管道化网络难以为续。作为5G时代的主要技术特征，高速率和低时延使得无线接入网的份量变得更重，促进了移动边缘计算、雾计算等技术的发展。除此之外，AI技术对网络智能化、性能提高有着至关重要的作用，算力在网络中的作用更加凸显。由新的应用场景和业务需求驱动，未来无线网络将发生根本性变革，主要表现在由传统网络接入转变为提供连接和计算服务的智能系统，支持内生计算、原生AI、通算融合等。在5G向6G演进过程中，上述趋势与特征已初步显现，主要表现在网络云化、开放化、服务化、智能化等演进方向。具体地，网络云化引入了网络功能虚拟化（NFV, Network Function Virtualization）、云原生等技术，将移动通信网络构建于通用硬件之上，赋予了网络节点除了控制和转发能力之外愈加强大的原生算力。由此，业界提出了云网融合技术路线，算力开始服务于网络，并由核心网扩展至接入网，逐渐成为网络基础设施的组成部分。开放化指通过位置服务能力、无线信息能力、服务质量（QoS, Quality of Services）服务能力和安全能力等关键网络能力的开放实现网络能力的变现，促进网络和业务深度融合，为第三方业务提供差异化网络服务[3]。智能化主要指将AI技术应用到无线网络中，实现网络的自动化、智能化运维和优化，改善无线网络性能。服务化带来了用户面的下沉，为边缘计算创造了网络条件，使移动通信网络原生支持边缘计算，推动算力在物理上从中心化、集中化走向边缘化和分散化，形成了分布式计算范式。面向分布式算力，国内外学者和研究机构依据“算力+网络”深度融合的思想提出了算力网络[4-5]，旨在通过算力感知技术，实现算网感知的统筹调度，突破传统网络应用层和网络层相互隔离所带来的泛在算力节点间负载不均、利用低效等困境，从而实现泛在算力和网络的高效利用。然而，现有算力网络仅关注IP网络内部的算网融合解决方案，牺牲了最后一公里的服务等级协议（SLA, Service Level Agreement）保障能力。另一方面，尽管现有无线网络支持边缘计算、雾计算等外挂式算力，但是在逻辑上通信与计算仍分属于彼此独立的管控体系，缺乏动态性，难以及时适应业务与网络的变化。无线网络天然感知用户状态，能够依据业务变化和网络变化快速做出响应，有望实现网络和算力在控制面的统一管控。此外，无线接入网云化带来的原生算力作为最贴近用户的高性能计算载体，具有天然低业务时延优势，有望进一步满足业务SLA要求。因此，为充分利用网络云化带来的原生算力，亟需构建无线算力网络实现无线网络原生算力的对内自治和对外开放，协同云、边、站、端多级算力，以支持原生AI，保障未来智能应用的端到端需求。由于上述无线算力具有体量小、高分散、高动态等特点，同时业务需求多样，现有无线网络在网络架构、算力调度、移动性管理、云边端协同等方面面临巨大挑战。本文围绕无线算力网络，从核心网、承载网、接入网三个等方面概述了通算融合的研究现状，然后介绍了无线算力网络的体系架构和关键技术，包括算力基站、通算融合调度、移动性管理和云边端协同调度等技术，阐述了其原理和相关方法，最后总结了技术挑战。
移动通信系统可划分为业务网络与承载网络，如图1所示。其中承载网络为建立于TCP/IP协议之上的基础网络，为接入网和（RAN, Radio Access Network）和核心网（CN, Core Network）提供连接。软件定义网络（SDN, Software-Defined Networking）技术的引入使得承载网控制面和数据面分离，赋予了承载网可编程能力，在组网上更加灵活。业务网络采用云化的部署方式，在分布式云上为移动用户提供电信业务，包括RAN和CN，连接用户和数据网络（DN, Data Networks），形成了以云为中心的组网架构。在演进过程中，核心网对控制面与用户面进行分离，其中用户面接受控制面的命令，用于承载数据流量。同时，各网络功能采用分布式部署方式，具备灵活组网能力，如切片依赖于管理面进行管理编排。目前移动通信网络中的算力资源可以划分为外挂式算力和内生算力。外挂式算力一般指边缘计算、雾计算等算力，网络资源和算力资源通常需要通过管理面实现联合优化。内生算力指网络节点本身具备的计算能力，如用于承载云化后RAN和CN网络功能的内生算力，目前依赖管理面进行云内、云间的算力调度。为广泛利用上述分布式算力，业界在核心网、承载网和接入网三个领域展开了广泛研究。
在图1所示的网络背景下，为利用上述泛在算力，工业界和学术界提出了算网融合的6G网络架构，旨在架构层面实现通信连接、计算以及AI能力的深度融合。中国联通在2021年发布了《中国联通6G白皮书》，将算网一体作为6G网络的特征之一[7]。2022年，中国移动发布了《中国移动6G网络架构技术白皮书》，提出了三体四层五面的6G总体架构，其设计理念突出了“算力”等资源要素，将为6G提供频谱、存储、算力、网络进一步融合的基础资源[8]。算网融合/一体成为6G网络架构的必然趋势。面对算网融合的演进需求，工业界在承载网和核心网（即算力网络）方面开展了大量工作。2019年，中国联通和中国移动分别发布了《中国联通算力网络白皮书》和《算力感知网络技术白皮书》[4-5]，正式拉开算力网络时代的帷幕。算力网络的体系架构在逻辑功能上被划分为算网融合资源层、算力路由层和算力服务层，以实现在统一度量和建模下的算力感知、路由和协同调度。此后，三大运营商联合华为等公司和中国信息通信研究院等组织，先后发布了数版算力网络白皮书，详述了算力网络体系架构、发展阶段以及核心技术。特别地，在中国移动2021年发布的《算力网络白皮书》阐述了算力网络的三个发展阶段，即泛在协同、融合统一和一体内生[9]。为实现云网业务的统一供给，中国电信在2020年发布《云网融合2030技术白皮书》，阐述了云网融合的发展愿景、目标技术架构和发展阶段，将云划分为接入云、转发云和控制云，指出算网一体是云网融合发展演进的必然结果[10]。在标准组织方面，IMT-2030（6G）将算力网络列为6G潜在网络技术之一，并自2022年开始组织算力网络样机测试与试验工作。在移动通信网络内部，除了网络技术外，业务流还受业务网络的影响。在架构设计方面，考虑到无线接入网算力（无线算力）的管控问题，文献[11]提出了基于开放式无线接入网（ORAN, Open Radio Access Networks）的无线算力网络架构，并阐述了异构计算平台、通算任务建模、接入网算力路由、通算联合编排等关键技术。文献[12]提出了接入网通算内生设计方法，并就移动性管理验证了内生设计的优势。在协议设计方面，中国移动研究院在2022年发布了《6G无线内生AI架构与技术白皮书》，阐述了内生AI的定义与内涵，提出了AI算力、数据、算法与网络连接功能的深度融合，并介绍了AI计算和通信在业务网络控制面上进行深度融合的三种可能的模式[13]。针对6G无线接入网通算协同的需求，华为的研究人员进一步阐述了无线网络内通算实时协同的计算面方案，验证了控制面融合方案相较于管理面融合方案在时延上的优越性[6]。在标准化进展方面，欧盟5G-PPP工作组提出了“计算即服务”概念，指出6G需要原生支持计算服务[14]。中国通信标准化协会面向无线算力网络展开了潜在场景、需求分析、架构和关键技术等研究工作。由此可见，无线算力网络已引起业界的广泛关注，但无线算力网络面临移动网络通算融合所带来的独特挑战。1）在架构方面，传统网络通算分立，缺乏有效协同。2）在算力调度时，通算共享算力，导致业务可用算力动态变化且有限，如何在动态环境下维持其低时延优势仍需进一步探索。3）在移动性管理方面，切换与服务迁移的联合考虑，将导致复杂度上升。此外，如何在协议层面有效进行移动性管理，需要深入研究。
2 无线算力网络架构
无线算力网络的目标是充分利用无线接入网云化后的无线算力，克服自身体量小、高动态等缺陷，充分发挥其低时延、通算协同的天然优势，为VR、AI等第三方业务提供低时延服务保障。
2.1 功能架构
无线算力网络系统架构如图2所示，该架构自下而上划分为终端层、接入层和网络层。
（1）终端层包括各类终端，比如智能手机、无人机、智能驾驶车辆、VR头显等各类智能终端以及各类传感器，即终端可单纯为用户设备，也可以是可支持计算的智能设备。智能设备可以通过无线链路向上层请求计算服务，也可以为其他设备提供终端计算服务，这种计算范式被称为终端计算。
（2）接入层包括各类接入节点，如无线单元（RU, Radio Unit）、传统定制化基站（BS, Base Station）、基于x86平台的虚拟化基站（vBS, virtualized BS）以及基于图形处理器（GPU, Graphics Processing Unit）的AI虚拟化基站（AIvBS）。其中传统定制化基站基于定制化硬件，采用软硬一体的设计方法，相对封闭，不易升级替代。可采用插卡方式增强其算力。基于x86平台的虚拟化基站（vBS, virtualized BS）由RU和虚拟化分布式单元（vDU, virtualized Distributed Unit）、虚拟化集中式单元（vCU, virtualized Centralized Unit）组成。vCU和vDU基于CPU完成协议处理等基站功能，可采用池化的方式进行部署，获得池化增益。这时的vBS仅可共享其CPU算力，也可以采用插卡方式赋能AI和VR等应用。不同于传统的vBS基于x86平台实现其基站功能，智能虚拟化基站（AIvBS）采用GPU硬件一体化配置和实现vCU、vDU和AI、VR等边缘应用，允许在同一台服务器上构建多种功能，具有更高的灵活性和弹性。
（3）网络层包括用户面功能（UPF, User Plane Function）、通算控制器、边缘计算节点、云计算和核心网。其中UPF作为移动通信网络与边缘计算、云计算等外部网络的网关，承担着会话管理、数据分流等重要功能。对于边缘计算来说，UPF的位置至关重要，涉及到数据绕远的问题。通算控制器是一个逻辑功能，负责对通、算信息的感知和通、算功能的编排和管控。通算控制器可以是一个单独的实体，比如开放式无线接入网（O-RAN, Open Radio Access Network）中的智能控制器（RIC, RAN Intelligent Controller）[11]。在实现方式上，可以采用集中式或者分布式[12]。集中式方式需要将收集通、算信息，并基于上述信息进行决策和下发控制决策，实现方式简单。分布式方式的思想在于通和算交换信息，然后基于所交换信息进行决策和交互，架构上兼容性更强但实现相对复杂。2.2 技术特征
无线算力网络的核心在于协同RAN侧分布式算力，包括云化RAN算力、智能终端算力等，并通过感知通、算和业务信息，实现通算联合管控，为终端业务提供最后一公里性能保障。该架构的显著特征在于RAN和AI、VR等第三方业务共享算力，并引入AI等智能优化算法，借助RAN侧协议框架进行数据采集、数据处理、建模、线上/线下训练与推理，增强环境、业务、通、算等信息的感知能力和网络的决策能力，赋能内生AI，增强RAN系统性能，进而保障业务性能。
3 关键技术
通过开放RAN侧算力，与第三方业务共享算力，不仅可以突破传统无线网络管道化的困境，还能够降低网络部署成本，实现提速增效的目标。为了充分利用这类分散动态算力，必须采用一些关键技术来实现业务和动态多维资源的适时适配，以保障业务性能。
3.1 基于通用芯片的AI基站
目前，业界的基站主要分为三类：传统基站、x86基站和算力基站，其特点如表1所示。传统基站通基于ASIC专用芯片实现通信功能，这种方式性能较高，但封闭的实现方式无法兼容其他厂商的设备，升级困难，成本高，不符合6G绿色、可持续等目标。针对上述问题，英特尔与Baicells联合推出的Open RAN 5G IoT系统解决方案[15]。该方案引入虚拟化和容器化等技术，将通信功能软件化，从专用硬件迁移至基于x86架构的通用芯片CPU上。虽然基于x86架构的基站可显著降低成本、改善设备间的互操作性，但无法满足未来6G对于泛在智能的需求。针对上述问题，业界提出了AI基站的概念。AI基站通过在通用算力（如GPU）上实现通信功能，易于集成AI算法，赋能内生智能。同时，由于通信功能和AI业务共享算力，可降低部署成本。在2024年初，软银及英伟达发布并演示了AI基站的集成解决方案AITRAS，为推动算力基站商用落地提供了技术支持[16]。然而，当前的AI基站技术仍在开发之中，需要进一步优化和改进。在安全性方面，通信与计算的深度融合带来了隐私泄露的风险，尤其在算力资源开放时，可能导致敏感数据的暴露，这要求研究和制定新的安全标准以及更严格的数据隔离机制，以确保用户数据的安全性和隐私保护。在能耗方面，搭载GPU芯片的AI基站虽然具备强大的计算能力，但也显著增加了基站的功耗。为此，需要开发深度节能机制。在资源利用率方面，由于基站AI维运所需GPU算力通常较低，在低用户需求时，大量计算资源处于闲置状态，导致利用率低下。因此，需要引入更高效的调度算法，如使用AI驱动的调度算法，根据实时负载智能分配计算任务，确保算力基站始终运行在最优负载状态，从而最大化资源利用效率。
3.2 单站通算融合调度技术
算力基站由于更靠近用户，同时具备通算联合管控的优势，可有效降低用户业务时延。然而，由于无线空口的动态性和不可控的特性，导致用户业务抖动明显，无法保障业务的服务质量。以AI视频识别业务为例，用户将视频流上传至算力基站，算力基站通过部署的DNN模型进行目标识别，并将识别结果下发至用户。由于空口时延的抖动，业务时延无法保障，导致丢帧现象严重[17]。针对上述问题，可采用以算补通的思想，动态调整计算侧时延，弥补空口动态变化，保障业务端到端时延，降低丢帧率。整体方案如图3（a）所示，在业务部署前，通信侧将信噪比、重传率等信息上传至通算控制器；计算侧对DNN模型库中的各DNN推理时延性能进行评估，得出如图3（b）所示的DNN模型与计算时延的映射关系，并上传至通算控制器。此外，计算侧可预下载和预部署DNN模型，以降低DNN模型切换的延迟。通算控制器处部署智能算法，根据上述信息进行决策，其主要思想在于根据通信侧信息预估空口时延，以端到端时延阈值为依据，实时调整DNN模型，降低丢帧率。通算控制器将决策下发至工作节点管理器，并分配新的DNN模型至工作节点进行业务处理。此外，为进一步保障端到端时延，可利用深度强化学习对通信侧参数，如帧结构、资源分配策略、调制与编码策略等进行调整，以进一步保障端到端时延。
在样机上部署上述应用和算法，评估了背景用户以不同速率传输的场景下的视频流目标识别业务性能指标，包括平均E2E时延以及丢帧率。结果如图4所示，图4（a）和图4（b）展示了三种不同调度方案在不同背景用户传输速率场景下的平均E2E时延和丢帧率。实验结果表明，通算融合调度技术相较传统通算分离模式能更好地保障业务性能。
3.3 多站算力共享技术
在多基站场景中，用户需求时空分布不均易导致基站间负载不均，造成资源浪费。为解决上述问题，可利用集中式通算控制中心全局管控的优势实现多站算力共享，为用户选择合适的算力节点，充分发挥计算资源的池化效应和算力基站的低时延优势。
以无线VR为例，多站算力共享方案如图5（a）所示，算力基站提供接入服务和渲染服务，通算控制中心采用主动或者被动的信息感知方式收集通信和计算信息，并与网络功能控制进行交互，进行控制策略的下发。在此过程中，各站点周期性地上报相关的通信与计算性能数据，主要包括用户的信噪比、物理资源块（PRB, Physical Resource Block）占用率和计算负载等通信信息和计算负载等算力信息。基于上述数据，通信控制中心首先以线下的方式训练一个端到端时延预测模型。基于上述预测信息，通信控制中心进行决策，为用户分配最佳的无线接入和计算卸载位置，以此实现多站间的算力共享。在仿真平台上部署所提方案，对基站负载等指标进行评估，结果分别如图5（b）所示。结果表明，所提方案可有效实现负载均衡。
3.4 通算协同的移动性管理技术
在无线算力网络中，算力基站在最靠近的位置提供低时延算力服务。相较于移动边缘计算来说，需要更加灵活的移动性支持。传统移动性管理方案分为两种模式：跟随模式和外挂模式[18]。跟随模式将用户接入与服务迁移绑定，设备移动时计算任务随之转移，时延较低，但迁移成本高，可靠性和灵活性较差。外挂模式中，基站根据所测量信道质量进行切换，将切换决策发送至计算控制中心（如移动边缘计算平台的编排器），然后计算控制中心进行迁移决策，灵活性强，但由于通算互不感知导致用户服务质量无法保障。针对上述问题，可采用通算协同的移动性管理方案，结合上述方案的优势，通算在服务上进行解耦，管理上进行协同[19]。该方案的流程如图6所示。该方案以性能监测为手段，采用临界触发的方式执行。当监测到业务性能不满足时，开始执行该方案。首先进行通信和计算信息的获取和共享，包括无线链路状态、目的节点的计算节点负载等信息。针对上述通算信息，可采用空口接口进行信息共享。当通信控制器获取到足够的信息后，决定切换节点和迁移节点，并与计算控制中心进行协商。之后修改相应的接口和路由，以将后续相关业务流切换/迁移到新的目的节点。上述方案为分布式机制，也可以集中式的方式实现，即由通算控制中心收集信息和集中式决策。为提高算法的时效性，该方案也可采用主动式方式，即预测用户轨迹，由预测算法进行触发。为降低对基站算力的需求，用户轨迹预测算法可采用采集数据、中心节点（如通算控制中心或者云）进行集中训练、模型下发的流程进行部署。
3.5 云边端协同计算
根据计算复杂度和实时性需求，无线算力网络需要支持的场景可以划分为两类：轻计算场景和重计算场景。其中，轻计算场景，如模式识别，计算量小、算力需求较低，可利用单节点算力完成。重计算场景中，如大模型训练、高精度地图生成，计算任务复杂，计算量大，需求多样。通常单节点由于算力受限难以完成独立承担重计算任务，需要将复杂任务进行合理划分，云边端协同计算，并进行中间结果的同步和最终结果的汇聚。在该场景中，通过将复杂任务合理划分并分发至合适的节点进行处理，可以充分利用云边端的空闲算力，是解决重计算任务的关键。
面向重计算任务的云边端协同计算方案通常采用在线的方式进行调度，主要包括三个步骤：任务划分、任务排序和任务调度。针对任务划分，可采用功能分解法、数据流分析法和时序分析法将复杂任务划分为子任务，并采用有向无环图（DAG, Directed Acyclic Graph）进行建模。在划分子任务时，应在保证子任务的完整性和独立性的前提下，充分挖掘并行性和控制适当的任务粒度，以便资源分配和调度，降低任务间的通信开销。DAG图由多个节点和边组成，其中每个节点代表一个子任务，边则表示任务之间的依赖关系或者执行顺序。只有当一个任务的所有前置任务（即指向该任务的节点）都已经完成，该任务才被调度执行。因此，合理的排序策略对DAG任务调度至关重要，需要在正确性和性能之间找到平衡。常用的排序算法Kahn算法、DFS排序、关键路径排序、启发式排序等。在确认执行顺序后，可根据可用算力和网络拓扑以及性能需求进行任务调度，确认子任务的执行节点。传统在线调度算法无法保障任务的整体需求，比如处理时延。针对上述问题，可采用机器学习算法，采用局部奖励和全局奖励的方式，兼顾局部和全局性能[20]4 结束语
无线算力网络通过改进现有无线接入网，支持内生智能，保障业务服务质量，是6G应对泛在智能等趋势的必要途径，亦是构建算力网络的必经阶段。本文以研究背景为切入点，简述了研究现状，介绍了无线算力网络架构及其关键技术。然而。这一领域仍有许多需要进一步探索的方向，比如通算融合的接入网协议设计和核心网协议设计、AI基站的进一步改进和完善、动态算力建模和网络功能部署、AI赋能RAN等。未来，随着算力需求增长，基于AI的算力调度将成为核心，提升资源利用效率并降低能耗。5G向6G的演进将推动Open RAN和异构计算平台应用，促进算力与网络的深度融合。因此，现有的架构只有在技术和业务生态进一步完善后，才能真正实现无线算力网络的愿景，支持泛在智能。
参考文献：（上下滑动浏览）
[1] 侯文军,白冰,杨本植. 6G网络下的全息技术发展及业务趋势[J]. 电信科学, 2021,37(11): 1-10.
[2] 华为. 泛在算力：智能社会的基石（立场文件）[R]. 2020.
[3] 中国联通. 中国联通智能MEC技术白皮书[R]. 2019.
[4] 中国联通网络技术研究院. 中国联通算力网络白皮书[R]. 2019.
[5] 中国移动研究院. 算力感知网络技术白皮书[R]. 2019.
[6] 彭程晖,邓娟,吴建军,等. 6G通算融合网络架构[J]. 无线电通信技术, 2022,48(4): 583-591.
[7] 中国联通. 中国联通6G白皮书[R]. 2021.
[8] 中国移动. 中国移动6G网络架构技术白皮书[R]. 2022.
[9] 中国移动研究院. 算力网络白皮书[R]. 2021.
[10] 中国电信. 云网融合2030技术白皮书[R]. 2020.
[11] Li N, et al. Towards the Deep Convergence of Communication and Computing in Ran: Scenarios, Architecture, Key Technologies, Challenges and Future Trends[J]. China Communications, 2023,20(3): 218-235.
[12] Guo F, Peng M, Li N, et al. Communication-Computing Built-in-Design in Next-Generation Radio Access Networks: Architecture and Key Technologies[J]. IEEE Network, 2024,38(3): 100-108.
[13] 中国移动研究院. 6G无线内生AI架构与技术白皮书[R]. 2022.
[14] 5G-PPP. Cloud Native and 5G Verticals’ services[EB/OL]. (2020)[2025-01-15]. 5G-PPP-SN-WG-5G-and-Cloud-Native.pdf.
[15] Zong P P. Intel and Baicells showcase OpenRAN 5G IoT system for Industry 4.0[EB/OL]. (2020)[2025-01-15]. Intel and Baicells showcase OpenRAN 5G IoT system for Industry 4.0-Intel Community.
[16] MWC 2024看点：无线接入网[J]. 电信工程技术与标准化, 2024,37(7): 22-26.
[17] Nigade V, Bauszat P, Bal H, et al. Jellyfish: Timely Inference Serving for Dynamic Edge Networks[C]//2022 IEEE Real-Time Systems Symposium (RTSS). Houston, TX, USA, 2022: 277-290.
[18] Zhang H, Qiu Y, Chu X, et al. Fog radio access networks: Mobility management, interference mitigation, and resource optimization[J]. IEEE Wireless Commun., 2017,24(6): 120-127.
[19] Guo F, Peng M. Efficient Mobility Management in Mobile Edge Computing Networks: Joint Handover and Service Migration[J]. IEEE Internet of Things Journal, 2023,10(20): 18237-18247.
[20] Zhang R, et al. OSTTD: Offloading of Splittable Tasks With Topological Dependence in Multi-Tier Computing Networks[J]. IEEE Journal on Selected Areas in Communications, 2023,41(2): 555-568. ★
【25专题征稿】6G空口技术、语义通信、通感算一体化
《移动通信》杂志由中国电子科技集团公司主管，中国电子科技集团公司第七研究所主办，是中国期刊方阵“双效期刊”、工业和信息化部精品电子期刊、中国科技论文统计源刊、中国通信学会《信息通信领域高质量科技期刊分级目录》入选期刊、中国电子学会《电子技术、通信技术领域高质量科技期刊分级目录》入选期刊、中国应用型核心期刊、日本JST收录期刊。国内连续出版物号：CN44-1301/TN，国际连续出版物号：ISSN1006-1010，邮发代号：46-181。
来源：移动通信编辑部
