您的浏览器禁用了JavaScript(一种计算机语言,用以实现您与网页的交互),请解除该禁用,或者联系我们。[紫金山实验室]:2023服务生成网络白皮书 - 发现报告
当前位置:首页/行业研究/报告详情/

2023服务生成网络白皮书

2023服务生成网络白皮书

本白皮书版权属于网络通信与安全紫金山实验室及其合作单位所有并受法律保护,任何个人或是组织在转载、摘编或以其他方式引用本白皮书中的文字、数据、图片或者观点时,应注明“来源:网络通信与安全紫金山实验室等”。否则将可能违反中国有关知识产权的相关法律和法规,对此网络通信与安全紫金山实验室有权追究侵权者的相关法律责任。 主要编写单位:(排序不分先后) 网络通信与安全紫金山实验室、北京邮电大学、北京工业大学。 主要编写人员:(排序不分先后) 刘韵洁、汪硕、王佳森、贾庆民、吴斌伟、黄玉栋、彭国宇、周晓茂、唐琴琴、霍如、谢人超、黄韬等。 前言 随着人工智能技术的不断发展和普及,服务生成网络(ServiceGenerationNetwork,SGN)正成为推动数字化时代的重要力量。SGN是一种创新性的人工智能网络系统,将自然语言处理、深度学习、多模态整合等领域融合,以实现智能化网络服务的自动生成和定制化。 本白皮书旨在探讨服务生成网络的核心概念、关键技术和应用场景。我们将介绍SGN的架构,包括其在意图驱动、数字孪生、可编程整合和处理方面的优势。随后,我们将探讨SGN的核心技术,包括意图驱动网络、自动化网络配置、网络全可编程等。这些技术相互协作,使得SGN能够准确理解用户需求并生成相应的智能化网络服务。 本白皮书还将探讨SGN的应用场景,包括网络规划、网络优化、语义编解码、异构设备接入、网络切片服务定制、网络故障自愈、攻击流量检测等,为用户提供高度个性化和智能化的解决方案。通过深入研究这些应用场景,我们将揭示SGN的应用潜力以及其对未来网络发展的影响。 在探讨SGN的技术和应用的同时,我们也知晓其面临的挑战和限制。模型训练挑战、部署泛化迁移挑战、隐私保护、数据安全等方面都是需要行业认真思考和解决的问题。通过合理的规范和措施,我们需要确保SGN的发展是稳健且可持续的。 目录 前言I 目录II 一、引言1 二、服务生成网络的愿景3 三、服务生成网络架构5 3.1生成式AI赋能意图驱动层5 3.2数字孪生网络映射层8 3.3深度全可编程网络层9 四、服务生成网络关键技术11 4.1生成式人工智能11 4.2意图驱动网络技术21 4.3网络自动化配置24 4.4数字孪生网络技术27 4.5全可编程网络基础设施34 4.6深度强化学习网络优化40 五、服务生成网络场景与用例49 5.1网络智能规划和优化场景用例49 5.2网络智能部署场景用例58 5.3网络智能管理控制用例64 六、服务生成网络的挑战与趋势70 6.1通用大模型训练的挑战70 6.2部署与泛化迁移的挑战72 6.3数据隐私与安全的挑战73 附录A:术语与缩略语77 参考文献78 七、总结76 一、引言 服务生成网络(ServiceGenerationNetwork,SGN)是一种先进的基于人工智能的网络系统,它整合了多种技术,包括自然语言处理 (NLP)、意图驱动网络、自动化网络配置、数字孪生网络、可编程网络和网络优化等能力。SGN旨在根据用户的请求或需求智能化的生成各种网络服务。 SGN利用意图驱动网络技术,理解用户通过自然语言或其他形式的输入所表达的意图和需求。通过解释和分析用户意图,SGN能够准确生成相应的网络服务和响应。 SGN融合了自动化网络配置功能,使其能够根据生成的服务和用户的具体要求动态调整网络设置和参数。这使得网络能够适应并高效优化其配置,以满足不断变化的服务需求。 SGN支持数字孪生网络,即物理网络或网络组件的虚拟副本。这些数字孪生提供网络状态的实时和准确表示,便于对网络行为进行监控、分析和预测。SGN可以基于这些信息生成针对实际网络状况的定制服务。 SGN与可编程网络兼容,网络行为可以通过大语言(决策)模型操作软件接口和编程语言进行控制和定制。这种可编程性使得SGN能够适应不断变化的需求,部署新的服务并高效优化网络资源。 SGN具备先进的网络优化能力,分析生成的服务的性能和效率。 它可以考虑诸多因素,如网络流量、延迟、带宽和用户需求,以优化服务交付和网络性能。 服务生成网络是一种智能网络系统,通过大语言模型和一系列先进技术实现。它能够理解用户意图、自动配置网络、利用数字孪生网络进行实时监控、操作可编程网络以及优化服务交付,从而为各种网络环境提供智能化的服务解决方案。 二、服务生成网络的愿景 服务生成网络的愿景包括训练网络大语言模型、网络设计大模型、和网络决策大模型。 (1)在网络中用大语言模型自动化生成网络领域所需的生成文字、图片、代码、语音、视频,比如语音客服、网络报告、设备文档、操作指令、配置命令行、网络仿真所需的数据格式、流量模型、画实验图,以及辅助进行网络领域的教学和培训,生成教学文档PPT等。 (2)在网络中采用设计大模型,设计网络协议、路由算法、调度机制、拥塞控制机制、容量规划方案、设备购买方案、成本优化方案、算力调度方案、资源分配方案,基站接入频谱和功率、网络覆盖范围和设备数量、视频流自适应编码,支持成本优化、QoS保障、可靠性/稳定性/灵活性/性能优化,借助深度强化学习通讯模型,实现网络智能体的协同与泛在优化。 (3)在网络中用决策大模型,压缩信息特征并将知识符号化,从而完全或者部分替代人进行推理、决策、行动,使能通过自然语言与智能机器交互的方式来高效地完成决策任务。例如,大模型问答系统基于历史数据提供操作和配置建议,进一步实现网络自动化或者自动配置,实现自然语言到网络配置语言的智能转换,自动生成配置参数和配置文件,自动接入异构网络设备,自动故障发现,自动运维,自动生成服务定制网络切片,自动决策网络缩扩容,实时决策路由和 资源调度。 三、服务生成网络架构 服务生成网络涵盖GAI(Generativeartificialintelligence,生成式人工智能)赋能意图驱动层、数字孪生网络映射层、深度全可编程网络层,其架构如图3-1所示。 3.1生成式AI赋能意图驱动层 如图3-1所示,GAI赋能的意图驱动层基于知识图谱、强化学习、深度学习等基础模型库进行GAI大模型训练,以获得大(型)语言模型(LLM,largelanguagemodel)和大(型)决策模型(LDM,largedecision-makingmodel)。 意图驱动层详细展示了基于LLM模型与LDM模型,从用户意图输入到智能决策生成、智能网络解决方案自优化的整体流程。首先,在用户输入自然语言意图文本后(包含用户对网络设计、规划、配置、运维的需求),基于LLM模型进行GAI意图转译,挖掘用户的网络可靠性需求、成本开销等意图实体内容;随后,通过用户意图输入进行LDM模型训练,根据网络状态与意图反馈进行标签任务的预训练、重训练以及微调,生成智能决策模型;最后,通过映射层闭环反馈进行GAI优化以实现决策模型的意图保障与验证,如支持网络协议、网络切片的自动设计与遥测分析等智能管控。其中,GAI模型主要包括语言模型GPT-4、PaLM(PathwaysLanguageModel)和LLaMA (LargeLanguageModelMetaAI)模型等。 GAI赋能的意图驱动生成的智能方案包含三个阶段: (1)自动设计:首先,根据网络场景与用户意图设计并生成新的网络协议。例如高并发场景下的自适应传输控制协议,大规模异构网络场景下的自主生成网络优化方案,解决网络可扩展性问题。 (2)优化部署:基于意图需求自动生成网络部署方案,例如在骨干网络规划时,根据当前流量矩阵和可靠性需求,给出IP+光层拓扑,以及所需的设备数、光纤数,并最小化设施成本开销。 (3)智能管控:GAI感知物理网络环境,学习历史配置操作数据,构建智能运维模型,从而在故障或告警时自动给出智能配置操作建议,比如在网络拥塞时自动增加某链路带宽或迁移重载应用的路径。 综上,SGN架构集合了意图驱动GAI智能化决策生成能力,数字孪生网络虚实映射与配置验证特性以及可编程网络数据平面深度可编程、灵活功能卸载等优点。意图驱动层能够基于LLM模型进行预训练、适应性调整、利用和容量评估,通过对物理网络进行高效的分析、诊断、仿真和控制及策略在线迭代,可基于LDM模型实现网络的智能化决策。生成的智能决策方案可以在映射层内进行调整、优化和验证,以此实现数字孪生网络对实际物理网络的实时控制、反馈与优化,最终实现网络自学习、自验证、自演进的闭环。 拓扑模型 网元模型 虚拟数字孪生网络 CGAI赋能意图驱动层 基础模型库 知识图谱强化学习深度学习生成式AI 大型语言模型LLM 大型决策模型LDM 智能意图输入 智能方案优化 1 大型语言模型LLM 2 意图驱动 大型决策模型LDM 预训练 任 3 智能决策生成 智能网络解决方案 GAI优化 意图文本 意图实体 GAI意图转译 意图输入 闭环反馈 务标签 重训练 微调 意图保障 意图验证 F(X)F’(X) GPT-4PaLM ... LLaMA 孪生北向接口 B数字孪生网络映射层 意图反馈 智能方案下发 1 服务映射模型 数字孪生体管理 功能模型 网络规划 流量建模 调度优化 质量保障 共享数据仓库 模型管理 拓扑管理 用户业务 运行状态 数据管理 数据服务 3 基础模型 迭代调优 仿真验证 安全管理 意图管理 2 资源调度用户管理 业务适配 网络控制与编排 数据模型 数据采集 设备管理跨域协同时延保障 孪生南向接口 A深度全可编程网络层 高效数据测量 转发逻辑可编程 可编程网络交换设备 控制指令下发 可编程网络端侧设备 软件定义与硬件加速 低延时/高速率转发性能 协议解析可编程 网络 管理 低成本定制化可编程能力 资源可编程 物理网络 存储 安全 CPU+SmartNIC/DPU卸载CPU工作负载 多类基础设施操作卸载 高性能可编程数据分组处理芯片 数据平面高性能编程语言 零信任信息安全保护 FPGA ASIC NP... MP 协议无关性 可重构配置 平台无关性 图3-1服务生成网络分层架构。 遥测分析 智能调度 意图驱动 智能管控 网络协议 网络切片 按需定制 自动设计 Z X X’ 流量矩阵M 可靠性X 成本开销Y GAI大模型训练 3.2数字孪生网络映射层 通过深度全可编程网络技术,数字孪生网络映射层可对网络数据平面和控制平面进行实时更新,对物理网络进行高效的操作和配置,并基于数字孪生体,实现对物理网络的低成本试错验证[5]。如图3-1所示,数字孪生网络映射层基于DTN(digitaltwinnetwork)架构[6]集中了服务映射模型、虚拟数字孪生网络、网络孪生体管理模块以及共享数据仓库四个子系统。其中,虚拟数字孪生网络是基于网络层的可编程网元基本配置、环境信息、运行状态、链路拓扑等信息,建立的对应于物理实体网络的孪生网络体。服务映射模型根据意图驱动层的智能方案建立数据建模实例,以最大化网络业务的敏捷性和可编程性。数字孪生体管理负责网络孪生体的网络编排与控制以及全生命周期管理。共享数据仓库负责存储各种测量到的网络数据,并向服务映射模型和数字孪生网络提供数据服务。此外,映射层还通过孪生北向接口与南向接口连接网络层与意图驱动层。 数字孪生网络映射层整体运行流程如图3-1所示。首先,服务映射模型通过孪生北向接口收到智能网络方案后,充分利用数据仓库中的网络数据,调用网络规划、调度、诊断、预测等各种功能模型构建网络模型实例。在虚拟数字孪生网络中,网络模型实例通过程序驱动在虚拟拓扑与网元中对调度优化等目标进行充分仿真验证,保障下发物理网络网元控制指令与配置信息的有效性和可靠性。整个仿真验证与迭代优化过程形成闭环,并可以通过服务映射模型生成意图反馈与 意图驱动层互动。共享数据仓库通过孪生南向接口测量并存储网络实体的各种配置和运行数据,形成数字孪生网络的单一事实源,为各种服务于应用的网络模型提供准确完备的数据。网络孪生体管理子系统完成数字孪生网络的模型、拓扑、安全和意图管理