6G网络架构将是具有“人-机-物-灵”融合特性的双世界网络架构，6G网络通过智能协同方式实现对用户所处信息融合空间的感知、反应、决策、优化乃至改造。相应地，6G网络将通过分布式学习以及群体智能式协同算法部署，使6G网络实现智能内生，并通过去中心化的无线接入网架构来提升网络服务的可拓展性和鲁棒性，从而构建新的生态和以用户为中心的业务体验。其中，边缘智能技术通过融合边缘网络计算、存储、应用等核心能力，使智能更贴近用户，因此成为实现网络智能内生的重要手段，也是未来网络发展的重要方向之一。
本书在分析各代移动通信理论与技术升级内在动力的基础之上，阐述“人-机-物-灵”融合的6G网络形态，进而从容量分析、系统演进、网络自治等方面探讨6G组网理论及其关键技术，并对6G网络多域资源协同及边缘智能技术进行系统介绍。
本书适合希望了解6G需求及潜在技术的人士阅读，不仅可作为移动通信行业从业人员和垂直行业相关人员的技术参考书，也可作为高等院校相关专业高年级本科生、硕士生和博士生的专业课教材。

张平，中国工程院院士，北京邮电大学教授、博士生导师，网络与交换技术国家重点实验室主任，主要研究领域为移动通信，先后担任国家自然科学基金委员会首届国际合作咨询委员会委员，信息科学部第三、五、六届咨询委员会委员，科学技术部863计划网络与通信技术主题专家组专家，国家科技重大专项“新一代宽带无线移动通信网”总体组专家，IMT-2020（5G）专家组成员，国家第六代（6G）移动通信技术研发总体专家组专家，国家自然科学基金创新研究群体学术带头人，《中国邮电高校学报》（英文版）和《通信学报》主编等。获得首届全国创新争先奖、光华工程科技奖、何梁何利基金科学与技术进步奖。2017年带领的团队入选首批“全国高校黄大年式教师团队”，2018年当选IEEE Fellow。

第1章 1G～4G移动通信发展
1.1 1G网络架构
1.2 2G网络架构
1.3 3G网络架构
1.4 4G网络架构
参考文献
第2章 5G场景需求及组网架构
2.1 5G的三大应用场景
2.1.1 eMBB
2.1.2 URLLC
2.1.3 mMTC
2.2 5G网络架构
2.2.1 5GNSA和SA架构
2.2.2 云无线接入网架构
2.2.3 开放式无线接入网架构
2.2.4 高低频组网
参考文献
第3章 6G网络形态
3.1 6G潜在应用场景及业务需求
3.2 虚实融合的6G数字李生
3.3 “人-机-物-灵”融合的双世界网络架构
3.3.1 基于AI的6G双世界演进趋势
3.3.2 6G的灵魂
3.3.3 “人-机-物-灵”融合的技术要素
3.4 6G网络智能至简
3.4.1 网络智能内生
3.4.2 网络至简
3.5 去中心化的无线接入网络
3.5.1 去中心化的无线接入网络架构
3.5.2 去中心化的无线网络架构特性及面临的挑战
参考文献
第4章 6G组网理论及技术
4.1 网络信息论
4.1.1 1G～5G的网络容量与理论创新
4.1.2 超密集多层蜂窝网络的容量
4.1.3 去中心化无线网络的容量
4.1.4 卫星网络与地面网络共存系统的容量
4.1.5 6G网络容量提升方法展望
4.1.6 信息论、控制论、系统论的三论融合
4.2 网络耗散理论
4.2.1 耗散结构理论
4.2.2 基于耗散理论的6G网络演进
4.3 动力学理论
4.3.1 复杂网络及传播动力学
4.3.2 复杂网络传播动力学关键属性
4.3.3 基于传播动力学的网络自治技术
参考文献
第5章 6G网络多域资源协同技术
5.1 通信、计算、缓存资源协同融合
5.1.1 资源协同融合的研究背景
5.1.2 通信和计算资源融合
5.1.3 通信和缓存资源融合
5.1.4 计算和缓存资源融合
5.1.5 通信、计算和缓存资源融合
5.2 空间信息网络动态组网及资源协同
5.2.1 空间信息网络动态组网的研究背景
5.2.2 空间信息网络的拓扑构建
5.2.3 空间网络组网的资源协同
5.2.4 低空网络组网的资源协同
5.2.5 海洋网络组网的资源协同
5.2.6 空天地一体动态组网的资源协同
参考文献
第6章 6G边缘智能技术
6.1 边缘智能网络的分布式学习原理及框架
6.1.1 分布式学习：数据并行与模型并行
6.1.2 基于数据并行的分布式学习
6.1.3 基于模型并行的分布式学习
6.2 面向6G的网络自治功能
6.2.1 动态复杂环境下的网络自治适用场景和需求分析
6.2.2 网络自治特征
6.2.3 6G网络自治架构设计
6.2.4 6G网络自治关键技术
6.3 6G基于内生AI的无线网络多维度无线资源管理功能设计
6.3.1 基于内生AI的无线资源管理需求分析
6.3.2 基于内生AI的无线资源管理架构功能接口设计
6.3.3 基于内生AI的无线资源管理典型框架
6.4 边缘智能技术在工业物联网中的应用
6.4.1 工业视觉边缘云架构
6.4.2 基于模型分割的边缘计算卸载策略
6.4.3 基于联邦学习和区块链的边缘网络数字孪生技术
6.4.4 基于联邦学习的工业物联网资源管理
6.4.5 混合联邦与中心化的半联邦学习框架
6.4.6 面向智能交互场景的计算卸载
6.5 基于智能反射表面和空中计算技术的无线网络联邦学习
6.5.1 IRS及AirComp技术优势
6.5.2 基于IRS和AirComp的无线网络联邦学习资源调度策略
6.5.3 基于IRS和NOMA的信息安全通信
参考文献
名词索引