研究意义
无线接入网（RAN）作为移动通信系统的核心基石，其架构设计直接决定了网络的性能表现、服务质量及部署成本。面向6G时代泛在智能、沉浸式交互和通感算一体化等全新应用需求，自动驾驶、工业自动化、数字孪生、扩展现实等新兴场景对网络提出了极致吞吐量、超低时延、超高可靠、海量连接及动态环境适配等一系列严苛且高度异构的性能要求。2010年，中国移动提出C-RAN架构，有力支撑了3G/4G/5G在我国及全球范围内的大规模部署与演进。面向6G演进需求，本文在C-RAN基础上，拓展协作化，引入智能化与服务化，提出以“协作化（Cooperative）、智能化（Intelligent）、服务化（Service-based）”为核心特征的CIS-RAN架构，打破传统C-RAN协作边界，强化通信/感知/智能协作；引入内生智能，赋能RAN全流程并使能泛在AI应用；支持RAN能力可开放和可定制，敏捷高效满足多样业务差异化需求，使能“超高可靠通信”、“在网边缘算力”与“原生边缘智能”融合无线服务体系。
本文工作
本文首先系统分析了6G RAN的严苛需求，揭示了现有无线接入网架构在支撑新兴应用场景时的局限性。在此基础上，详细阐述了所提出的CIS-RAN架构，包括其核心组件（增强型RRU/BBU及新增的RAN集中智能单元）、关键功能与接口影响等。进一步地，提出了五大使能技术：异构数据采集、任务驱动协同处理、分层智能分布、超低时延AI服务保障与RAN能力统一暴露。最后，通过仿真与原型实验验证了CIS-RAN的有效性：从AI4RAN视角，以上行干扰预测为例展示了协同智能在学习效率与系统吞吐量方面的优势；从RAN4AI视角，通过室内外AI视觉检测服务原型验证了其在超低时延AI服务提供与能力暴露方面的优越性。
实验结果
为验证CIS-RAN架构的有效性，本文从协同智能与低延迟服务两个维度设计了仿真与原型实验，取得了显著性能提升。
案例一：基于CIS-RAN的干扰预测协同智能
针对6G典型场景（骑行、工厂、办公室）的动态干扰环境，对比了CIS-RAN启用的集中预训练+本地微调（CPLF）机制与传统单BBU本地训练（SLT）机制。
结果表明：
数据效率大幅提升：相比场景专用重训练，CPLF机制在BBU侧所需训练数据量减少36%～50%，显著降低了数据采集与存储开销。
训练时间显著缩短：CPLF将模型更新耗时缩减约71%～78%，证明协同学习能有效加速模型迭代。
预测精度与收敛速度双优：CPLF方案在各场景下均展现出更快的误差收敛速度和更低的稳态预测误差，表明跨场景共享表示可提升泛化能力。
系统吞吐量增益相当，开销却更低：在UE平均上行吞吐量方面，CPLF与SLT均较非AI基线提升9%～18%，但CPLF大幅降低了训练开销，实现了性能与效率的兼得。
以上结果证实，CIS-RAN通过全局知识聚合与本地快速适配的层级协同，在提升学习效率的同时保证了系统级性能，为6G高动态干扰管理提供了可扩展的智能解决方案。
案例二：基于CIS-RAN的超低延迟AI视觉检测保障
基于原型系统在室内（中国移动营业厅）与室外（蟹塘）场景部署了AI视觉检测服务（包括人员计数、入侵检测、异常行为识别等）。
对比传统UPF转发至MEC的方案：
端到端延迟大幅降低：CIS-RAN架构下，AI推理直接在BBU侧完成，服务数据路径终结于RAN内部，室内外场景的平均端到端延迟均低于20 ms；而传统架构需经UPF转发至MEC服务器，延迟约为60 ms。
闭环服务能力增强：CIS-RAN实现了感知-决策-行动的紧耦合闭环，为具身智能等对确定性时延敏感的应用奠定了基础。
实验结果表明，CIS-RAN通过计算能力集成与RAN能力开放，能够有效支撑超低延迟的AI服务，满足6G泛在智能的严苛需求。
