基于数字孪生和内生AI的网络自治

网络自治发展路径 发展目标：2025年网络运维自治水平达到L4等级 L2 2025 L3 有条件自动驾 驶网络 L4 高级自动驾驶网络 自动实现，规则结合AI，可持续 学习、快速迭代 L5 完全自动驾 驶网络 自动实现，规则顺应变化自动迭代，实现网随业动 L1 辅助运 部分自动驾 驶网络 自动实现，程序 自动实现，规则与功能解耦，可按需灵活配置 L0 人工运 营维护 人工实现 固化专家规则，可自动调度流转 目前网络自治水平处于 营维护 线下人工实现 线上记录 L2-L3等级 2 5G网络自动驾驶实践的启示 ? 5G6G 共生内生 架构：集中式智能多形态智能 •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 场景：多样性发展需求 •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 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 环境：强大的模拟复现能力 •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 3 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 “0”接触运维 自服务 自优化 自治愈 自演进 智能应用 内生AI 网络数字孪生 数据采集 4 物理网络 5 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 内生智能面 数字孪生网络 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 序号 技术特征 1 以任务为中心 •从以会话为中心到以任务为中心•包括AI任务的拆解、管理、资源配置、调度 2 三层闭环QoAIS保障 •QoAIS指标体系：突破传统通信QoS指标维度•三层模型：服务QoS、任务QoS、资源QoS•管控协同的QoAIS保障 3 多维资源调度 •连接、计算、数据和模型•连接与计算融合的控制 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 SMONon-RTRIC GlobalAIMO 内生AI网络逻辑功能部署选项——以ORAN为例 AIMO TE SMO Near-RTRIC TA Non-RTRIC TA TC TE Cloud AIMO TE Near-RTRIC TC TA Near-RTRIC LocalAIMO TA TE TE TC TE Cloud SMO Non-RTRIC AIMO TA TE TC Near-RTRIC TC TE O-CUO-DU O-RU Option1 O-CUO-DU Option2 O-CUO-DU O-RU O-RU Option3 O-CUO-DU TE TE TE TE O-RU Option4 SMO Non-RTRIC Option3 •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 Option2 •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 Option1 •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 Option4 •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 7 AI训练服务示例 基站（CU+O-cloud+ 3 QoAIS SMO 2 数据采集 终端 1.发起AI推理请求 2.业务请求 基站DU NTRIC） 网管设备 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； 1 推理服务请求 空口变化 4 5.请求UE能力/反馈 8.建立连接 9.视频数据 10.推理结果 4.资源QoS 6.四要素资源的配置 7.资源分配建议 3.解析QoAIS和资源QoS 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。 8 6G数字孪生网络逻辑功能架构设计 数字孪生网络基本功能 •生成和解析网络自治需求 •构建、编排和调整数字孪生体和数字规划体模型 •生成和更新网络的数字孪生体 •生成和实施网络的数字规划体 数字孪生网络端到端架构数字孪生网络基本概念间的关系 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•低成本预验证试错环境•内闭环数字域寻优，外闭环校正 9 数字孪生网络逻辑功能部署选项——以ORAN为例 孪生体 ❷生成 网络治理需求分析 PolicyNon-RTRIC…… 核心功能 SMO预验证功能数据需求 Serviceprovisioning Dataanalytics 无线数字孪生体建模 ❶规划体生成 ⑥优化分析 A1 Certificationserver Optimization ④⑤ NT RIC 预验证模块决策模块 QoSmanagementE2 孪生体生成 人工决策模块CU 孪生体生成 决策执行 RRCSDAP ③基于查表/知识图谱实现按需数据采集 ③数据需求分析 O13rdpartyapps RU Trainedmodel DU 数据采集配置 F1 数据采集 PDCP MACRLC 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 孪生体/规划体生成 ❶对于实时性要求高的用例，“规划体生成”位于NTRIC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 ❷“孪生体生成”模块的位置依据用例的实时性需求确定 10 大规模天线权值优化用例示例 MIMO用例具体流程： 终端5G小站DU 5G小站CU NTRIC SMO 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.NTRIC根据初始数据采集需求设置小站数据采集配置； 4.位置/业务信息 1.网络治理需求分析 2.初始数据需求分析 3.初始数据采集需求 5.生成波束决策 6.波束决策预验证与优化 7.分析数据采集需求 8.波束配置 9.数据采集需求 10.数据类型采集需求 11.初始数据需求分析 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； 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；11 向高水平自治网络演进：模型 5G：独立的、局部应用所驱动的小模型6G：通用网络智能大模型 OSS OMC gNB 网络数字孪生 •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 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。 网络智能化应用的场景种类繁多导致场景碎片化。 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。 大模型 离线 小模型1小模型2小模型N 实时 物理层 网络层？ 业务层 小规模大规模统一 无线运维通用模型 运维通用模型 ？ 网络AI大模型 核心网运维通用模型 发展？ 无线运行通用模型 ？运行通用模型 核心网运行通用模型 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。 •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 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 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 场景 对数据的要求 对模型的要求 对网络架构的影响 对网络的影响程度 大模型研发工作量 可行性 网络运营 多模态数据:通信行业属性、客户服务对话、行业标准和法规文件、在线音频、巡检图像、渠道信息 多模态机器学习、语言理解，逻辑推理、文本生成 大模型作为网络外部的一种远程服务，可以直接调用 小 小 高 网络运维 标准化数据：KPI、XDR、MR、拓扑等资源非标准化数据：日志、图、文档/案例等 非标数据治理、数据对齐， 多模态、自然语言理解，逻辑推理、代码生成 大模型作为一种网络内部功能，通信网络可以通过网络内部接口进行交互，需要在已有大模型自然语言理解能力上增强丰富的运维能力，故障的解决方案或修复策略知识库 中 中 待评估 网络运行 非标准化物理层数据：包括上下行信道、语义信息、语义特征、小区内/间干扰 标准化数据网络层，业务层，服务级包括：MR测量数据、MDT数据，业务数据流信息数据（IP五元组、URL、PFD等），控制面信令数据、业务数据流信息数据 逐步推理，模型压缩(减少资源)，自适应推理(跳过不重要层，速度快) 将大模型功能嵌入已有的应用和服务中，或者将大模型作为网元形式与网络架构进行融合，以保证实时性。 大 大 待评估 有待研究的技术问题 序号 内生AI 1 如何基于三层QoA