爱丁堡大学等首篇《移动无线网络中的深度学习》综述论文，67页pdf涵盖570篇文献阐述深度学习在移动无线网络中的应用最佳实践

移动设备的迅速普及以及移动应用和服务的日益普及，对移动和无线网络基础设施提出了前所未有的要求。即将到来的5G系统正在不断发展，以支持爆炸式的移动流量、实时提取细粒度分析和敏捷管理网络资源，从而最大限度地提高用户体验。随着移动环境日益复杂、异构和演进，完成这些任务是具有挑战性的。一个潜在的解决方案是求助于先进的机器学习技术，以帮助管理数据量和算法驱动的应用的增长。最近深度学习的成功为解决这一领域的问题提供了强大的新工具。在本文中，我们通过对这两个领域的交叉研究的全面调研，弥合了深度学习和移动和无线网络研究之间的差距。我们首先简要介绍深度学习技术的基本背景和最新进展，以及在网络中的潜在应用。然后，我们讨论了几种有助于在移动系统上高效部署深度学习的技术和平台。随后，我们对基于深度学习的移动和无线网络研究进行了百科全书式的回顾，并将其划分为不同的领域。根据我们的经验，我们讨论了如何根据移动环境定制深度学习。我们通过明确当前的挑战和打开未来的研究方向来完成这项调研。

与互联网连接的移动设备正渗透到个人生活、工作和娱乐的方方面面。越来越多的智能手机和越来越多样化的应用程序的出现引发了移动数据流量的激增。事实上，最新的行业预测表明，到2021年，全球每年的IP流量消耗将达到3.3 zettabytes (1015 MB)，同年智能手机流量将超过PC流量[1]。鉴于用户偏好向无线连接的转变，当前的移动基础设施面临着巨大的容量需求。为了应对这一日益增长的需求，早期的努力建议灵活地提供资源[2]，并分配地解决移动性管理[3]。但从长远来看，互联网服务提供商(isp)必须开发智能的异构架构和工具，以衍生第5代移动系统(5G)，并逐步满足更严格的终端用户应用需求[4]，[5]。

移动网络结构的日益多样化和复杂性使得对众多网络要素的监控和管理变得非常困难。因此，在未来的移动网络中嵌入多用途的机器智能正引起空前的研究兴趣。这一趋势反映在基于机器学习(ML)的问题解决方案中，从无线电访问技术(RAT)选择[8]到恶意软件检测[9]，以及支持机器学习实践的网络系统的开发(如[10]，[11])。ML允许系统地从交通数据中挖掘有价值的信息，并自动发现相关关系，否则人类专家将无法提取这些相关关系。深度学习作为机器学习的旗舰，在计算机视觉[13]和自然语言处理(NLP)[14]等领域取得了令人瞩目的成绩。网络研究人员也开始认识到深度学习的力量和重要性，并正在探索其解决特定于移动网络领域[15]、[16]问题的潜力。

将深度学习嵌入5G移动和无线网络是有充分理由的。特别是，移动环境产生的数据越来越异构，因为这些数据通常从不同的来源收集，具有不同的格式，并表现出复杂的相关性[17]。因此，对于传统的机器学习工具(如浅神经网络)来说，一系列特定的问题变得过于困难或不切实际。这是因为(i)如果提供更多的数据[18]，它们的性能不会提高;(ii)它们无法处理控制问题[19]中的高维度状态/操作空间。相比之下，大数据促进了深度学习的性能，因为它消除了领域专业知识，而使用层次特征提取。本质上，这意味着可以高效地提取信息，并且可以从数据中获得越来越抽象的相关性，同时减少预处理工作。基于图形处理单元(GPU)的并行计算进一步使深度学习在毫秒内做出推断。这有助于提高网络分析和管理的准确性和及时性，克服了传统数学技术(如凸优化、博弈论、元启发式)的运行时间限制。

尽管移动网络领域对深度学习的兴趣日益增长，但现有的贡献分散在不同的研究领域，缺乏全面的综述。这篇文章填补了深度学习和移动和无线网络之间的空白，通过呈现位于这两个领域之间的交叉点的最新研究调研。除了回顾最相关的文献，我们还讨论了各种深度学习架构的关键利弊，并概述了深度学习模型选择策略，以解决移动网络问题。我们进一步研究了针对单个移动网络任务定制深度学习的方法，以在复杂环境中获得最佳性能。我们总结了这篇论文，指出了未来的研究方向和重要的问题，仍然没有解决和值得追求的深度神经网络。我们的最终目标是为打算使用深度学习来解决感兴趣的问题的网络研究者和实践者提供一个明确的指南。

本综述的目的是在移动网络领域提供最先进的深度学习实践的全面观点。通过这一点，我们旨在回答以下关键问题:

为什么深度学习在解决移动网络问题上很有前景?
与移动和无线网络相关的前沿深度学习模型有哪些?
深度学习在移动网络领域最新的成功应用有哪些?
研究人员如何针对特定的移动网络问题定制深度学习?
哪些是最重要且最有前景的值得进一步研究的方向?

我们之前提到的研究论文和书籍只能部分回答这些问题。这篇文章超越了之前的这些工作，特别关注深度学习和移动网络之间的交叉。我们涵盖了一系列神经网络(NN)结构，这些结构越来越重要，在早期教程中没有明确讨论，例如[77]。这包括自动编码器和生成式对抗网络。与这些现有的教程不同，我们还回顾了用于部署和训练神经网络的开源库，一系列优化算法，以及在大量移动设备上并行化神经网络模型和训练。我们还会调研其他相关综述中没有涉及的应用，包括流量/用户分析、安全和隐私、移动健康等。虽然我们的主要范围仍然是移动网络领域，但为了完整起见，我们也讨论了深度学习在无线网络中的应用，并确定了与这些领域密切相关的新兴应用领域。我们区分了移动网络和无线网络，移动网络指的是设备是便携式的、电池供电的、潜在的可穿戴的，并且经常连接到蜂窝基础设施;无线网络指的是设备大多是固定的，是分布式基础设施(包括wlan和WSNs)的一部分，并服务于单个应用。总的来说，我们的论文从以下几个方面区别于之前的综述:

(i) 我们特别关注深度学习在移动网络分析和管理中的应用，而不是广泛讨论深度学习方法(如[20]、[21])或围绕单个应用领域，如特定平台[17]的移动大数据分析。

(ii) 我们从移动网络的角度讨论前沿的深度学习技术(如[78]，[79])，重点关注它们在该领域的适用性，而较少关注可能过时的传统深度学习模型。

(iii) 我们分析现有的非联网问题与移动网络特有问题之间的相似性;基于此分析，我们提出了最佳深度学习架构选择策略和适应方法，从而利用移动网络的特点进行分析和管理任务。

据我们所知，这是第一次从深度学习的角度共同回顾移动网络分析和管理。我们还首次提供了深度学习如何针对移动网络问题的见解。