Вычислительные архитектуры для сетей 6G: интеграция распределённых вычислений и искусственного интеллекта на периферии сети
Computational Architectures for 6G Networks: Integrating Distributed Computing and Edge Artificial Intelligence
2026-06-05
SCID: 54.1/hdj2p6rw
Discuss with AI
сети 6Gраспределённые вычисленияграничный искусственный интеллектфедеративное обучениеразделённое обучение
Figures from the paper
Abstract (AI)
В статье исследуется интеграция распределённых вычислений и искусственного интеллекта на периферии сети (edge AI) как фундаментальных средств обеспечения мобильных сетей шестого поколения (6G). На основе систематического обзора, выполненного в соответствии с рекомендациями Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) и охватывающего более 200 рецензируемых научных публикаций, архитектурных предложений и документов по стандартизации, полученных из IEEE Xplore, Scopus, Web of Science, MDPI, arXiv, ITU-R, 3GPP и ETSI, в исследовании представлен структурированный вычислительный анализ архитектурных подходов, интегрирующих парадигмы распределённых вычислений и edge AI в качестве ключевых средств обеспечения 6G. Анализ охватывает переход от облачно-ориентированных к периферийно-ориентированным вычислениям, основные методы edge AI, включая федеративное обучение (Federated Learning, FL), разделённое обучение (Split Learning, SL) и адаптированные для периферийных устройств большие модели искусственного интеллекта (Large AI Models, LAMs), а также их роль в обеспечении интеллектуальной оркестрации, оптимизации ресурсов и контекстно-зависимых сервисов. Сравнительный анализ показывает, что архитектуры периферийных вычислений снижают сквозную задержку на 85–95% по сравнению с облачно-ориентированными развертываниями (при размещении серверов MEC в пределах 1 км и использовании фронтхола 5G NR), тогда как федеративное обучение со сжатием градиентов обеспечивает сокращение коммуникационных накладных расходов до 99% при распределениях данных IID и стабильных условиях канала. Результаты показывают, что тесная интеграция распределённых вычислений и edge AI повышает быстродействие, масштабируемость и адаптивность сети, одновременно выявляя сохраняющиеся проблемы, связанные со сложностью оркестрации, ограниченностью ресурсов, безопасностью и совместимостью. В статье делается вывод о том, что целостные вычислительные архитектуры и принципы проектирования AI-native имеют ключевое значение для эффективной реализации сетей 6G, а также для определения направлений дальнейших исследований и стандартизации.
Key Findings
1
Обзор более 200 публикаций, выполненный по методологии PRISMA, систематически анализирует архитектуры распределённых вычислений и периферийного ИИ как фундаментальные компоненты сетей 6G.
2
Периферийные вычисления снижают сквозную задержку на 85–95% по сравнению с облачно-центричными развертываниями при размещении MEC-серверов в пределах 1 км и использовании фронтхола 5G NR.
3
Федеративное обучение со сжатием градиентов сокращает коммуникационные издержки до 99% при одинаковом распределении данных и стабильных условиях канала.
4
Интеграция распределённых вычислений с периферийным ИИ повышает быстродействие, масштабируемость и адаптивность, однако сохраняются проблемы сложности оркестрации, ограниченности ресурсов, безопасности и совместимости.
5
Отрасль развивается от облачно-центричных к периферийно-центричным архитектурам, использующим федеративное обучение, разделённое обучение и адаптированные для периферии большие ИИ-модели.
Research Object
вычислительные архитектуры мобильных сетей 6G, интегрирующие распределённые вычисления и периферийный ИИ
Research Subject
влияние интеграции распределённых вычислений и периферийного ИИ на быстродействие, масштабируемость, адаптивность, оптимизацию ресурсов и оркестрацию сетей 6G
Publication Details
Publication Date
2026-06-05
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest