关键词：深度学习；用户定位；传感网络中图分类号：TP39
引言
深度学习在移动网络领域有着广泛的应用。我们在不同的网络域中组织和分组深度学习应用，并描述他们的贡献。接下来，我们从深度学习驱动移动数据分析、深度学习驱动移动性分析和用户定位、深度学习驱动无线传感网络等三个方面分别进行介绍。
1、深度学习驱动移动数据分析
移动技术（如智能手机，增强现实等）的发展迫使移动运营商发展移动网络基础设施。因此，移动网络的云端和边缘端都变得越来越复杂。
网络级数据通常表现出由用户行为导致的显著的时空变化，可用于网络诊断和管理，用户的移动性分析和公共交通规划。
应用级数据可以通过安装在各种移动设备上的传感器或移动应用直接记录。这些数据经常通过来自不同来源的众包体系收集，如全球定位系统（GPS）等。移动设备充当传感器中心，负责数据收集和预处理，并随后根据需要将其分发到特定场所[1]。应用级数据通常直接或间接反映用户的行为，如流动性，偏好和社交链接。分析来自个人的应用程序级别数据可以帮助重建个人和偏好，这可用于推荐系统和用户定位。
移动大数据包括几个独特的特征，如时空多样性，异质性和个性[1]。一些网络级别的数据可以被视为全景相机拍摄的照片，这些图像包含与大量个体运动有关的信息，因此表现出显著的时空多样性。另外，由于现代智能电话可以容纳多个传感器和应用，所以一个设备可以同时产生异构数据。
与传统的数据分析技术相比，深度学习包含几个独特的功能来解决上述挑战。即：
1）深度学习在结构化和非结构化数据的各种数据分析任务中取得了卓越的性能。某些类型的移动数据可以表示为图像状或顺序数据。
2）深度学习在从原始数据提取特征方面表现出色。这样可以节省手动功能工程在移动数据上的巨大工作量，从而使员工可以将更多时间花在模型设计上，并减少对数据本身的排序。
3）多模式深度学习允许学习多种形式的特征，这使得它能够对从异构传感器和数据源收集的数据进行建模。
1.1网络级移动数据分析
网络级移动数据是指由互联网服务提供商记录的日志，包括基础设施元数据，网络性能指标和通话详细记录（CDR）。深度学习最近取得的显著成功引发了全球利益关注，利用此技术进行移动网络级数据分析，从而改善终端用户的体验质量。这些工作通常可以根据应用分为两个主题，即网络预测，CDR采集。
网络预测：网络预测是指根据历史测量或相关数据推断移动网络流量或性能指标。其中
x是个(n，1)维的矩阵，表示一个训练样本，里面的n表示一个训练样本中的特征数量，w也是一个(n，1)维的矩阵，它表示权重，它一一对应于每个输入的特征，也可以说它指示了某个特征的重要程度；b是一个实数，在这里可以将其看作为一个阀值，当越接近时，结果接近1。
半监督支持向量机是指在考虑未标记样本时，半监督支持向量机试图找到能将两类有标记样本分开，且穿过数据低密度区域的划分超平面。形式化的说，给定Dl={(x1,y1),(x2,y2),L(xl,yl)和Du={xl+1,xl+2,L,xl+u}，该模型的学习目标是为Du中的样本给出预测标记，使得
其中，(w,b)确定了一个划分超平面；ς为一个松弛向量，ςi(i=1,2,L,l)对应于有标记样本，ςi(i=l+1,l+2,L,m)对应于未标记样本。Cl与Cu是由用户指定的用于平衡模型复杂度、有标记样本与未标记样本重要程度的折中参数。
CDR挖掘：电信设备每天都在培育大量的CDR数据。这描述了电信交易的具体实例，例如电话号码，流量消耗等。使用深度学习从CDR数据挖掘有用信息可以提供各种功能。例如，梁等人建议Mercury使用RNN根据流式CDR数据估算城域密度预测。他们将移动电话用户的轨迹视为一系列位置，而基于RNN的模型在处理顺序数据方面效果很好。他们的实验表明，基于RNN的预测器显著优于传统机器学习方法，包括朴素贝叶斯。
1.2应用级移动数据分析
存在两种应用级移动数据分析方法，即（i）基于云计算和（ii）基于边缘的计算。基于云计算的计算将移动设备视为数据收集器，这些数据收集器不断向有限本地数据预处理的服务器发送数据。服务器收集收到的数据以进行模型训练和推理，随后将结果发送回每个设备（或根据应用需求在本地存储分析结果而不传播）。这种情况的缺点是用户必须访问互联网才能发送或接收来自服务器的消息，这会产生额外的数据传输开销并可能导致边缘应用严重延迟。基于边缘的计算方案是指将预先训练好的模型从云端卸载到单个移动设备，以便他们可以在本地进行推理。虽然这种情况下与服务器的交互较少，但其适用性受硬件和电池功能的限制。因此，它只能支持需要轻量计算的任务。
2、深度学习驱动移动性分析和用户定位
基于位置的服务和应用（例如移动AR，GPS）需要精确的个人定位技术。因此，对用户定位的研究正在迅速发展，培养出一套新兴的定位技术。
移动性分析：由于深度学习能够捕捉顺序数据中的空间依赖性，因此它正在成为移动性分析的强大工具。研究了深度学习在轨迹预测中的适用性。通过共享RNN和GRU学习到的表示，该框架可以在社交网络和移动轨迹建模上执行多任务学习。他们依靠深入的学习进展，并提出一种在线学习方案来训练分层的CNN架构，允许模型并行处理数据流处理。我们这里简要介绍一下LSTM模型和GRU模型。
如图所示，标准LSTM模型是一种特殊的RNN类型，在每一个重复的模块中有四个特殊的结构，以一种特殊的方式进行交互。在图中，每一条黑线传输着一整个向量，粉色的圈代表一种pointwise操作，诸如向量的和，而黄色的矩阵就是学习到的神经网络层。LSTM模型的核心思想是“细胞状态”。“细胞状态”类似于传送带。直接在整个链上运行，只有一些少量的线性交互。信息在上面流传保持不变会很容易。
其中
GRU作为LSTM的一种变体，将忘记门和输入门合成了一个单一的更新门。同样还混合了细胞状态和隐藏状态，加诸其他一些改动。
用户定位：深度学习在用户定位中也发挥着重要作用。库马尔等人利用深度学习来解决室内车辆定位问题。他们使用CNN分析视觉信号，以在停车场内定位车辆。这可以帮助驾驶员辅助系统在系统可用视野有限的地下环境中运行。
还有一些将深度学习应用于室外场景的研究工作。例如，郑和翁为移动设备上的户外导航应用引入了一个轻量级的开发网络。与CNN相比，它们的体系结构所需的更新权重比原有的CNN更低，同时保持了不错的准确性。这可以在移动设备上实现高效的室外导航。在研究室内和室外环境下的定位研究。他们使用AE来预先训练四层MLP，以避免手工特征工程。还引入了一个HMM来根据数据的时间属性对预测进行微调。这提高了WiFi信号在室外定位中的准确度估计。
3、深度学习驱动无线传感网络
在这一部分中，我们将注意力转向移动网络控制问题。由于强大的函数逼近机制，深度学习在改进传统强化学习和模仿学习方面取得了显著的突破。这些进步有可能解决以前复杂或难以处理的移动网络控制问题。回想一下，在强化学习中，代理不断与环境交互以学习最佳操作。通过不断的探索和开发，代理人学习如何在没有反馈的情况下实现预期收益最大化。模仿学习遵循不同的学习范式，即“通过示范学习”。这种学习范式依赖于一个‘老师’（通常是一个人），告诉代理人在培训期间在某些观察下应该执行什么行动。经过充分的示范，代理人学习模仿老师行为的政策，并且可以在没有监督的情况下自行运作。
除了这两种学习场景之外，基于分析的控制正在移动网络中引起注意。具体而言，该方案使用机器学习模型进行网络数据分析，并随后利用结果来辅助网络控制。与以前的方案不同，基于分析的控制范例不会直接输出操作。相反，它会提取有用的信息并将它们传递给一个额外的代理来执行这些操作。我们说明了三种控制范式之间的原理。
4、结束语
深度学习在移动和无线网络领域扮演着越来越重要的角色。在本文中，通过回顾不同应用场景下的工作，将深度学习和移动网络学科相关联。这是以前调查完全忽视的一个方面。我们希望这篇文章能成为研究人员和从业人员对将移动网络应用于复杂问题感兴趣的明确指南。
参考文献
[1]RonanCollobertandSamyBengio.Linksbetweenperceptrons,MLPsandSVMs.InProceedingsofthetwenty-firstinternationalconferenceonMachinelearning[C],page23.ACM,2004.
作者单位：南京邮电大学贝尔英才学院。