在手机直连低轨卫星场景中，针对自适应调制编码技术依赖的信道质量指示信息非实时反馈的问题，提出一种基于深层回声状态网络的信道状态预测模型，并根据该预测模型提出一种调制编码方式智能选择机制，即发送端基于信道预测结果选择适应当前信道的调制编码方式。仿真验证表明，基于信道预测的自适应调制编码可以在一定程度上提升链路的误码性能。

现有蜂窝5G/B5G高可靠低时延通信（ultra-reliable and low latency communications，URLLC）标准3GPP Release 17-18采用经典正交频分复用（OFDM）多载波波形传输，因其工作在授权频带，较少考虑URLLC-OFDM多载波传输抗干扰策略。未来工业物联网异构多服务质量（quality of service，QoS）业务大部分部署于非授权频带，其无线通信链路变得复杂，现有URLLC-OFDM波形无法完全为工业物联网信息传输提供高可靠性、低时延的苛刻要求。首先，基于子载波可配置的OFDMA，将鲁棒性更高的子载波跳频（subcarrier frequency hopping，Sub-FH）技术应用于OFDMA中（即Sub-FH/OFDMA），以提高信号传输可靠性。然后，设计将Sub-FH/OFDMA波形融合到以微时隙为基本单位的调度策略中。该调度策略采用Hamming编码+微时隙结合的混合自动重传请求（HARQ）机制，有效降低端到端传输的重传次数，旨在提升节点传输的实时性。并推导了信息误码（块）率与重传次数的折中理论关系。仿真结果表明，在面对外部电磁干扰和内部多用户干扰时，该方案能够保障物联网节点的稳定传输质量，并在目标误块率为10^-5时实现毫秒级短数据包的传输时延。通过波形设计和MAC时隙调度的跨层级设计，为未来B5G/6G通信在复杂工业物联网场景中的实际应用提供了可行解决方案。

基于深度学习进行信号自动调制识别在分类精度、可迁移性等方面普遍优于传统方法，引起广泛关注。但是，当前方法多数针对单信号样本进行识别，无法适用于混叠信号识别场景。针对该问题，对混叠信号调制识别方法进行了研究，结合长短期记忆（long short term memory，LSTM）网络和深度残差收缩网络（deep residual shrinkage network，DRSN），设计了时序深度残差收缩网络模型，其中包含残差模块、收缩模块和LSTM模块。残差模块和收缩模块负责提取混叠信号中的显著信息并自适应生成决策阈值，LSTM模块用于提取混叠信号中的时序隐含特征。三者结合可以有效提高混叠信号的识别精度。公开和实测数据集测试结果表明，所提方法识别精度优于5种典型方法，在高信噪比下的平均识别分类准确率可以达到92.7%；21种混叠信号中有12种识别准确率接近100%。

针对毫米波大规模多输入多输出（multiple-input multiple-output，MIMO）系统中无线资源受限、功耗巨大且能量效率与系统容量相互制约而导致吞吐量和能量效率低的问题，提出一种基于深度强化学习（deep reinforcement learning，DRL）的资源联合优化方法。该方法采用三阶段策略，首先，构建射频波束成形器，通过少量的射频链降低硬件成本和总功耗；其次，利用有效信道状态信息设计基带预编码器；最后，设计应用双层DRL架构实现动态离散带宽和连续功率资源的分配。实验结果表明，与单级全数字预编码和混合预编码的均等资源分配方法及基于粒子群优化的资源分配算法相比，所提的联合优化方法显著提高了系统的吞吐量和能量效率。

在基于深度学习的语音增强方法中，往往会遇到训练数据和测试数据分布不匹配的问题，这种不匹配包括两个数据中说话人、说话内容、噪声类型及信噪比的不匹配。严重的数据不匹配问题会导致语音增强的性能大幅下降，针对这种情况提出了一种基于Patch域对抗训练的语音增强方法。该方法在先前域对抗训练的语音增强方法基础上，通过域判别器的隐式建模，能使整段语音被划分为多个独立Patch再进行判别，实现了对训练数据的适应性学习，从而减小训练数据和测试数据之间的分布差异，提高了模型在测试数据上的增强能力。实验结果表明，该方法在不同程度的数据不匹配问题下较先前方法都表现出优异的性能，且作为对抗训练也保持了良好的稳定性。

随着网络用户业务需求的增长，如何实现网络切片动态和准确的资源分配是当下网络必须解决的问题。考虑传统无模型强化学习方法需要较长的模型训练时间，提出了一种基于OS-MBRL（model based RL supported by online SVM）的网络资源动态分配方法。该方法利用在线支持向量机算法构建了一个系统模型，保证在分配较少资源的情况下产生较低的服务等级协议（service level agreement，SLA）违规次数。仿真实验结果表明，与归一化优势函数（normalized advantage function，NAF）算法、深度Q网络（deep Q-network，DQN）算法和双延迟深度确定性策略梯度（twin delayed deep deterministic dolicy gradient，TD3）算法相比，该方法能够最高减少80%的SLA违规次数，同时降低9%的资源分配。

深入探讨了通信大数据在智能社会治理中的重要性，结合当前政策环境，阐述了研究目的与贡献。介绍了通信大数据的理论基础、发展趋势及其在国内外的现状，论述了构建大数据开放平台的必要性及应用方向。深入分析了多域数据融合、时空数据模型构建、大数据开放策略等关键问题的解决方案，并预测了项目成果及其在技术、经济、社会层面的影响。该研究为通信大数据的未来应用提供了有价值的参考。

随着人工智能大模型引领的新应用和新需求的蓬勃兴起，算力规模和计算技术正经历着前所未有的快速演进与多元化创新。然而，在算力网络呈现集群化和异构化趋势的同时，算力需求迅猛增长与资源利用低效性之间的矛盾日益凸显。如何实现对异构算力的统一高效管控以提升资源利用率，已成为当前研究的重要课题。基于网络虚拟化（network virtualization，NV）技术，提出了一种基于虚拟网络嵌入（virtual network embedding，VNE）异构跨域算力资源分配方法。具体而言，构建了一个基于深度强化学习（deep reinforcement learning，DRL）模型的策略网络，负责精准计算候选算网节点与链路，以实现资源优化分配。通过一系列仿真实验，验证了该方法的有效性，为解决异构算力管理问题提供了新的思路和方法。

随着物联网设备数量激增，传统的集中式访问控制方案在面对当前大规模物联网环境时显得力不从心，现有的分布式访问控制方案存在高货币成本和处理访问请求的低吞吐量等问题。针对这些问题提出一种区块链智能合约结合密文策略属性基加密（ciphertext policy attribute based encryption，CP-ABE）实现对物联网资源的访问控制方案。以超级账本（Hyperledger Fabric）为底层网络，对功能令牌执行属性基加密，利用星际文件系统（interplanetary file system，IPFS）保存令牌密文，通过智能合约公开令牌获取地址实现一对多授权。进一步设计合约部署到区块链实现对令牌请求的去中心化权限评估，维护主体在特定资源对象上允许的操作，实现更为细粒度的属性访问控制。仿真实验及性能分析表明，所提方案与现有方案相比能够使数据所有者在更短的时间内完成对大量请求主体的安全访问授权，压力测试表明链码具有较好性能。

5G轻量化是通过对性能指标的适当裁剪降低终端成本和功耗，以满足物联网等应用场景的需求。结合第三代合作伙伴计划（3rd Generation Partnership Project，3GPP ）的RedCap技术规范，研究了5G轻量化方法、收益以及其对网络的影响，并对端网协同精简、终端自主精简两种轻量化实现方式进行对比分析。在此基础上提出一种融合化的5G轻量化终端实现方案，使终端产品可以更好地适应不同运营商差异化的5G轻量化部署策略。

为了解决新能源大规模并网造成现有新能源场站网络安全防护体系无法满足网络异常监测和告警需求的问题，提出一种基于改进长短期记忆网络的新能源场站网络安全评估方法。首先，根据新能源场站网络系统架构，分析网络安全发生原因；其次，基于随机森林算法求解新能源场站网络流量的基尼系数，进而求出网络流量所有特征的重要系数，选出重要特征；最后，将重要特征输入长短期记忆网络中，利用注意力机制自适应分配数据的时间和特征，加强对网络流量中重要时间和特征的重视，进而提高模型对网络安全评估的准确性。试验结果表明，该方法能够准确评估新能源场站网络安全状态，与支持向量机、卷积神经网络、传统长短期记忆网络相比，评估准确率分别提升了12.65%、9.34%、8.79%，提升了新能源电力系统的网络安全状态感知、评价和告警能力。

加快卫星互联网基础设施建设，推动手机直连卫星等数字经济新技术、新模式、新业态发展，已经成为全球信息通信领域的重点发展方向。手机直连低轨卫星应用面临巨大的技术挑战，我国卫星互联网技术成熟度、商业化体系尚不完善，面临差异需求与全球覆盖、产业投资与商业回报、发射需求与运载能力3方面不匹配的问题，建议结合国情特点、市场特征、技术成熟度，充分发挥我国在地面与卫星移动通信领域已形成的产业优势，探索适合我国手机直连低轨卫星的技术演进路线和商业发展路径，推动创新链、技术链、产业链、资金链衔接配套，形成开放、高效、完备、安全的卫星互联网产业和商业生态，构建适合国情的卫星互联网建设运营模式，为促进我国数字经济和新质生产力发展构建新引擎。

以ChatGPT为代表的人工智能大模型的爆发带动智能算力需求快速增长，电信运营商、云服务商等纷纷加大智算中心布局，大模型的发展对智能算力有多大规模需求、对智算中心的布局与建设有着十分重要的影响。从大模型对智能算力的消耗特点出发，对影响大模型算力消耗的关键影响因素进行深入分析，并基于不同参数量级不同行业类型构建了分层次分阶段的大模型智能算力需求测算模型，对大模型对智能算力的需求进行系统分析，为智算中心的建设提供明确的业务输入与支撑。

随着电信行业的迅猛发展，智能派单已成为运营商提升服务质量和效率的关键手段。然而，传统的派单方法难以同时满足运营商对服务效率和服务质量的多重需求。提出了一种基于多目标优化的数学模型，设定了3个主要目标：客户满意度预期总得分、工单响应时间和坐席人员工作负荷平衡。同时设计了一种基于自适应多目标优化算法，结合自适应权重调整、多目标优化和滚动时域优化等技术，求解该多目标优化模型。某省会运营商坐席实验结果表明，该模型能够提升电信运营商的服务效率和服务质量。

为解决树模型在客户流失预测任务中较难捕捉时序特征的问题，提出了基于集成森林元学习网络（ensemble forest meta-learning network，EFML）的流失预测方法。首先通过分组等策略进行数据提质，并结合下采样技术解决样本类别不平衡问题。然后，基于EFML的语义图构造器构建用户时序特征的语义向量，以描绘用户细粒度行为，形成语义图并显式融合。最后，训练多个基础树模型作为元学习器-多层感知机（multilayer perceptron，MLP）的输入，生成综合的流失预测结果。实验证明，EFML能充分挖掘客户历史行为差异，捕获和学习基础树模型间的互补关系，相对于随机森林（random forest，RF），其AUC提升2.7%，AP提升3.7%，预测精度提升显著。该框架结合树模型和微观特征，具备卓越的解释性，为运营商实现更精细的用户化管理提供新视角。

为了实现天线下倾角的高效、准确测量，满足无线优化运维场景大规模、高效率的测量需求，将YOLOv5目标检测框架巧妙应用于天线下倾角测量的复杂场景中，并对其进行改进，使之适用于复杂的天线检测与姿态识别任务，同时精准预测下倾角。实验结果显示，改进后的YOLOv5模型在保持与改进前相当的侧对天线检测能力的同时，其下倾角预测误差降低了13%，预测绝对误差为0.635°。改进YOLOv5模型在保证高准确率的同时，显著提高了天线下倾角的测量精度，为无线优化智能运维提供了新的技术路径和参考依据。