[1711.10089] Big Data Analytics,
下一代无线网络由于服务需求的多样性，应用程序，设备和网络的异构性而发展成为非常复杂的系统。移动网络运营商（MNO）需要充分利用可用资源，例如功率，频谱以及基础架构。
传统的网络方法（即反应性，集中管理的，一刀切的所有方法）和能力（空间和时间）有限的常规数据分析工具不再具有竞争力，就以下方面而言，它们无法满足并服务于未来的复杂网络：以经济有效的方式进行操作和优化。非常需要主动，自我意识，自适应和预测性网络的新颖范例。 MNO可以访问大量数据，尤其是来自网络和订户的数据。大数据的系统开发极大地有助于使网络变得智能，智能，并促进经济高效的操作和优化。
有鉴于此，我们考虑了数据驱动的下一代无线网络模型，其中MNO在其网络中采用了高级数据分析。我们讨论了数据来源以及采用数据分析和机器学习，人工智能使网络智能化的强大动力，这些知识包括自我感知，自适应，主动和规范性。结合数据分析，提出了一组网络设计和优化方案。本文最后讨论了在下一代通信系统中采用大数据分析和人工智能的挑战和好处。
在服务驱动的下一代网络中，单个基础架构需要有效，灵活地提供多种服务，例如增强的移动宽带，超可靠和低延迟的通信以及大规模的机器类型通信。它还应支持第五代（5G），长期演进（LTE）和Wi-Fi等多种标准的共存访问，并协调具有不同类型的基站（BS）（例如宏，微基站）的异构网络，毫微微，微微BS和各种用户设备以及应用程序[1]。对于移动网络运营商（MNO）而言，有效地运营能够促进这种灵活性同时满足多样化服务需求的网络所面临的挑战是巨大的。最重要的是，移动网络运营商在扩大覆盖范围和满足不断增长的容量需求，有限的资金和频谱等资源匮乏方面面临巨大挑战。手动配置网络规划，控制和优化将使事情变得更加复杂。而且，人机交互有时可能很耗时，容易出错并且昂贵。因此，考虑到减少运营费用，蜂窝网络的各种实体和功能的自动化已经成为MNO的主要关注之一。
运营商一直在优化其网络，但是直到今天，流行的方法还是独立地优化单个关键绩效指标（KPI）或网络中的一个元素[2]，从而使用少量数据源。 MNO大多依赖于网络不同位置/部分积累的KPI来采用各种数据分析工具进行决策。网络监视和优化仍然主要在旧数据/记录的数据上执行，但这极大地限制了它们的容量。通常，MNO可以/可以从其自己的网络和订户访问大量数据。借助适当的分析，大数据可从多个来源汲取以揭示以前未知的模式和相关性，因此可以传达更广泛的直观性和理解力[3]。受益于对各种未知值的透彻了解，并提出了各种措施来提高不同级别无线网络的性能。
分析为优化带来的价值来自扩大数据源范围，并采用以客户为中心的基于体验质量（QoE）的方法来优化端到端网络性能。在扩大数据源范围时，与传统的优化相比，分析需要更多的精力，但它也为多个优化目标提供了一个统一的融合平台。现在，在第三代合作伙伴计划（3GPP）中，引入了网络数据分析（NWDA），以自动提供切片和流量控制与分离（在3GPP和非3GPPaccess之间）相关的分析[4]。欧洲电信标准协会（ETSI）已创建了一个称为实验网络智能（ENI）的行业规范小组，该小组定义了一种基于人工智能（AI）技术和上下文感知策略的认知网络管理体系结构。 ENI模型可帮助MNO自动化网络配置和监控过程。
从运营费用的角度来看，该系统需要是智能的，自我感知的，自适应的，并且必须能够经济地运行网络服务并能够自主管理和运行网络[5]。 常规的无功维护不再有效。 利用大数据分析，可以对网络元素进行预测性和主动性维护。 随着数据量，流入数据的速度以及数据源的范围和类型，网络甚至超出了预测范围，即，它可以帮助和/或规定操作和维护单元以及决策选项和行动的影响 机器学习（ML）和AI可以帮助发现无线网络的未知属性，识别我们无法通过检查看到的关联和异常，并提出优化网络部署和运营的新颖方法。
