基于数字孪生和内生AI的网络自治

网络自治发展路径 5G网络自动驾驶实践的启示 架构：集中式智能多形态智能 场景：多样性发展需求 •网管集中式数据采集和模型训练网管/网元设备间数据和模型协同机制•重塑网络数据和AI计算资源的分布架构，云边端多形态智能，提高模型训练和响应效率 •以ToC业务为主的智能化应用相对成熟•ToB场景业务智能化水平仍需提升，包括场景、数据、算法、效果，进一步增强网络切片差异化服务能力 环境：强大的模拟复现能力 效果：高度自治网络 •降本增效的运营智能端到端高度服务智能•响应速度：1小时/15分钟秒/毫秒/微秒级•优化提升维度：网元用户、信道•QoS级服务智能保障 •网络资源/参数的智能调度决策依赖精准的环境反馈•缺乏可供智能体训练的试错环境，可依托海量历史数据建模，还原网络不同性能表现 数字孪生和内生AI实现6G网络高水平自治 6G网络以实现L5等级的自动驾驶网络为目标，面向消费者和垂直行业客户提供全自动、零等待、零接触、零故障的创新网络服务与ICT业务，打造自服务、自治愈、自优化、自演进的通信网络 数字孪生和内生AI实现6G网络高水平自治 相比5G，6G新增内生的智能面和虚实交互的数字孪生网络，并通过智能面与数字孪生网络的交互与融合，实现6G网络全生命周期（规、建、维、优）的高水平自治 数字孪生网络生成数据样本，为AI工作流和模型提供预验证和优化环境；内生AI为数字孪生网络提供AI能力支撑，优化孪生网络性能 6G内生AI网络逻辑功能架构设计 6G内生智能面的逻辑功能主要由AI管理编排（AIMO）、任务锚点（TA）、任务控制（TC）和任务执行（TE）组成 6内生AI架构将AI三要素与网络连接一样下沉为网络内部的基本资源，使网络通过多维资源的协同，直接、便捷地为用户提供有QoS保障的AI服务，完成网络自治场景所需的AI用例 内生AI网络逻辑功能部署选项——以ORAN为例 Option 4 Option 3 Option 2 Option 1 •管控两级用例方案•自治区域规模较大，AI用例拆解为本地和全局•本地实时性要求较高，任务执行在网元•本地执行结果上报给网管 •管控两级执行方案•实时性要求较低，所需部分资源仅存在于网元•资源调度上多级协同 •管理面部署方案•实时性要求较低，资源和精准度要求较高场景•任务执行在网管，可能涉及NRT-RIC协作 •管理面部署方案•实时性要求较低、所需资源仅存在于网元•任务执行在网元 AI训练服务示例 AI推理服务用例具体流程：1.用户发起AI推理请求； 2.导入AI用例到网管设备；3.解析AI服务对应的QoAIS，由网管设备下发至基站； 4.将QoAIS分解为资源QoS需求，明确所需四要素资源的需求，包括连接、计算、数据和算法/模型；5.基站实时决定并调整计算的分配、优化通信连接质量、决定并采集处理所需数据，以及决定并更换或优化算法模型，以保证任务QoS的达成，从而保证QoAIS的达成；6.基站将结果反馈给用户。 功能模块：1.网管：解析QoAIS和资源QoS，根据用户业务请求 分解出四要素资源使用量。2.基站：四要素资源的配置，根据资源QoS针对一个请求配置资源，并执行AI推理。 6G数字孪生网络逻辑功能架构设计 关键技术特征 •集中与分布相结合•按需建模、高效交互的数字孪生体 数字孪生网络逻辑功能部署选项——以ORAN为例 核心功能 无线数字孪生体建模 ③基于查表/知识图谱实现按需数据采集 预验证功能 ④预验证功能实现⑤预验证场景搭建⑥预验证功能优化 对于实时性要求高的用例，“规划体生成”位于NT RIC或CU；实时性要求低的用例，“规划体生成”位于SMO；规划体生成涉及决策算法的迭代优化 “孪生体生成”模块的位置依据用例的实时性需求确定 大规模天线权值优化用例示例 nMIMO用例具体流程：1. SMO生成波束权值优化用例； 2. SMO分析初始数据采集需求；3. NT RIC根据初始数据采集需求设置小站数据采集配置；4.终端上报位置和业务信息；5.波束决策模块生成波束决策；6.波束决策在预验证模块中进行预验证，波束决策模块根据预验证的性能优化波束决策，直至满足需求；7.数据需求分析模块根据预验证性能分析数据采集需求，如数据采集类型与频次；8.波束配置决策下发至5G小站；9.新的数据采集需求下发至5G小站；10.如新的数据采集需求涉及采集数据类型变化，新的数据类型采集需求上传至SMO，更新初始数据采集需求； n功能模块：预验证：可预测未来网络状态；接收采集、增广与生 成数据更新预验证环境；与波束权值生成模块交互，返回预验证的性能，辅助波束配置优化；数据需求分析：基于查表/知识图谱分析需要采集的数据类型； 新增接口信息：1. AI接口：模型参数； 2. E2接口：数据采集需求，含类型、频次等； 向高水平自治网络演进：模型 •技术特点：模型参数较少，结构简单，复杂度低，训练推理速度快，可解释性较高•优势：轻量化，无需网络架构适配AI部署•劣势：模型迁移和泛化性不佳，建模场景有局限性，分域而治导致重复性研发 •技术特点：模型参数大，数据规模大，算力大•优势：通用性好，容易裁剪成小模型，针对部分特定场景只需要少量调参•劣势：成本极高（包含算力、数据集构建、人工调优等），需要极为庞大的预训练数据 通信网络大模型 Ø网络智能化应用工作分散到不同厂家和领域，场景数据规范性不相通，存在数据重复采集、资源浪费等问题。Ø网络智能化应用的场景种类繁多导致场景碎片化。Ø网络智能化应用的应用分散，AI模型的通用性较低，各个应用之间缺少协同优化，模型无法复用和积累。 通信网络大模型：应用用例 网络运营 网络运维 网络直接调用封装的大模型服务，利用大模型多模态机器学习、语言理解与文本生成能力，提升网络的信息通信服务能力。 通信网络可以通过网络内部接口进行交互，大模型作为一种网络内部功能或者网元，协助智能运维AIOps助力运维人员快速处理系统故障。 •故障识别•故障定位•故障自愈•网络优化 •增强智能客服的语义理解、情感识别•增强分析，实现智能化经营分析•智能营销 网络运行 无线信道建模：根据无线信道上输入的数据实现信道生成，利用多模态输入输出技术补充或完善已有的数据/图片/视频集，并可根据场景描述生成场景。语义通信：利用ChatGPT作为系统中的编码器（encoder）和解码器（decoder）模块来实现语义编码和解码。 通信网络大模型：通信挑战 有待研究的技术问题 谢谢！