面向6G及未来无线网络的智能无线资源调度技术综述：架构、AI方法与性能评估

《IEEE Open Journal of the Communications Society》：A Survey of Radio Resource Scheduling for 6G and Future Wireless Networks

　　本综述系统探讨了5G向6G演进过程中无线资源调度(RRS)面临的挑战与解决方案。研究人员聚焦异构网络(HetNet)环境下的动态资源分配问题，通过构建统一分类框架整合传统启发式算法、机器学习(ML)及跨层优化等方法，提出支持eMBB/URLLC/mMTC三大场景的智能调度策略。研究表明AI驱动的调度算法可提升30%频谱效率(SE)，为B5G网络实现毫秒级延迟与107设备/km2连接密度提供理论支撑。

　　

随着第五代(5G)网络在全球范围内加速部署，第六代(6G)无线通信的蓝图已逐渐清晰。未来网络将承载全息通信、远程医疗、自动驾驶等颠覆性应用，这对无线资源调度(RRS)提出了前所未有的要求：既要支持每秒100吉比特(Gbps)的峰值速率，又要实现亚毫秒级延迟，还需同时连接海量物联网设备。然而，现有调度策略在异构网络(HetNet)动态环境下面临巨大挑战——毫米波(mmWave)信号易受遮挡，海量设备引发频谱争夺，不同业务的服务质量(QoS)需求相互冲突。这些问题如同交织的蛛网，制约着未来网络的发展。

为解决这些难题，阿赫马德·M·贾拉达特(Ahmad M. Jaradat)团队在《IEEE Open Journal of the Communications Society》发表了系统性综述。研究团队构建了涵盖应用维度(eMBB/URLLC/mMTC)、架构维度(集中式/分布式)与技术维度(传统算法/AI方法)的三维分类框架，对200余篇文献进行梳理。他们发现，单纯依靠经典算法(如比例公平-PF)已无法满足6G需求，而人工智能(AI)与跨层优化正成为破局关键。

研究重点分析了五类核心技术方法：第一，基于强化学习(RL)的动态资源分配，通过深度Q网络(DQN)实现多目标优化；第二，联邦学习(FL)驱动的分布式调度，在保护隐私的前提下协调边缘节点；第三，数字孪生辅助的预测性调度，通过网络虚拟副本提前验证策略；第四，网络切片下的跨层优化，联合物理层(PHY)与媒体接入控制层(MAC)资源；第五，太赫兹(THz)波段的多载波调度，结合可重构智能表面(RIS)增强覆盖。

性能评估与算法比较

通过系统级仿真验证，AI调度器在频谱效率(SE)与延迟控制方面显著优于传统方法。深度强化学习(DRL)算法在URLLC场景下将丢包率降至10^-9，而联邦学习方案降低通信开销达40%。研究特别指出，在密集城区场景中，beamforming（波束成形）与RL的结合使吞吐量提升35%。

跨层与网络切片集成

网络切片技术通过逻辑隔离为不同业务提供定制化调度策略。例如URLLC切片采用MAC层优先调度与传输层快速重传的跨层设计，而eMBB切片则聚焦物理层自适应调制。研究表明，基于图神经网络(GNN)的切片资源分配算法可提升资源利用率25%。

未来挑战与技术演进

研究团队指出6G调度仍面临三大挑战：星地一体化网络的时延差异、量子计算实用化前的算法复杂度、感知-通信一体化的资源竞争。他们建议将explainable AI（可解释人工智能-XAI）与O-RAN（开放无线接入网）架构结合，构建透明可溯的调度系统。

这项研究的意义在于为6G资源管理提供了系统化设计指南。其提出的三维分类框架已被多个国际标准组织引用，而关于AI与跨层优化融合的见解，正推动3GPP Release 19相关标准的制定。正如贾拉达特在结论中所强调：“只有当调度算法具备环境感知、预测决策和自我演进能力时，6G网络才能真正成为支撑数字社会的神经网络。”