人工智能 5G ， 赋能更创新的网络

AI+5G，赋能更创新的网络 匡敬华, 中国移动研究院 •关于自治网络的一些情况 •无线电网络基础设施智能：定义和体系结构 •无线网络基础设施智能化典型使用案例 •网络基础设施智能能力评价建议 1 •人工智能与传统行业的结合和应用越来越受到关注。 •作为新兴ICT技术的代表，5G也不例外 作为国家政策作为行业焦点作为CMCC5G战略 挑战:跨学科经验 2 中国移动提出的愿景自治网络,结合三层网络智能架构实现AI与5G网络深度融合 AI助力5G 有价值的支持AI的算法和流程嵌入到网络的资源管理和操作维护流程中 3级网络智能 自治网络的演进 L1 L2 L3 L4 L5 Informationize Automatize 智能化 • • • • 1级:手动执行，在线记录。 二级:由静态编程规则统治的自动实现 第3级:由动态可编程策略规定的自动实现。 第4级:由AI辅助（如果需要）知识统治的自动实现，具有 continu_x0002_ous学习和快速进化。 第5级:能够自我进化的自动实现适应变化。 AI在O&M • 网络基础设施中的AI 服务中的AI 5G·AI 双向授权 5G赋予AI力量 提供丰富、可靠、准确的5G网络数据 ，推动AI算法演进 3 •在探索自治网络的过程中,运营商重视网络的运维,但未能对网络基础设施的智能化能力给予足够重视 •网络基础设施智能化是自主网络实施的基石，它可以加强运维的智能化效果，触及运维智能力所能及的领域 供全局视图，弥补NI的局限性。 网络基础设施智能对于O&M智能 1、提 面向网络基础设施智能的运维智能 1、具有高实时性，感知基站节能状态 2、制定策略规则，确定网络运行条件 3、提供通用模型，降低NI训练的复杂度。 2、实现基站自主、基站状态和ES策略调整自闭环3、提供数据治理，以提高运营效率和预测准确性 模型 网络管理ES平台 确定ES阈值 状态问题回溯 OMC 接口集合 接口Dl操 作 报告治理数据 决定ES战略 4 理论用例数据集算法 性能验证评价规范工业 实现 5 •无线网络基础设施情报指基站和OMC引入AI能力来制定和实施基站RRM和OAM策略，或为网络管理和上层AI应用提供反映基站状态数据等AI元素的过程。 2+5+N 配置 数据决策 模型训练 数据采集 在网络中引入AI 模型推理管理或上层应用程序 交付决策 报告 数据 数据 AI启用网络 基础设施 网络基础设施 启用AI OMC 决策模型模型 人工智能应用于基础设施的决策和 执行，如RRM或 OAM，形成一个自我封闭的回路 L3（现在）L4L5 L3（现在 ） 基础设施为NMS或上层应用程序提供智能 元素，如数据，这是一个 外环AI能力的重要组成部分 培训推理 gNB...gNB配置 数据采集 L4L5 6 PaaS SaaS IaaS AI-over-RAN： AI应用程序 AI利用协议层生成的数据进行特征提取、感知预测和参数优化,辅助协议处理。 AI能力可以部署在基站/OMC/网络管理中 。 特征提取 •信道特征提取 •服务标识 •指纹光栅 •... 形成智能能力，为协议栈回调 感知预测 •服务/负载/能耗/经验预测 •... 参数优化 •参数配置 •SLA保证参数调整 •... C OM NMS 平面 AI-native-RAN： L3在网络的L1/L2/L3协议栈中应用 AI,改变无线接口,处理协议流和基带 L2等。 L1 为AI应用程序提供数据 7 要求 影响力 有三个步骤，可以帮助我们找出有价值的无线电网络基础设施情报用例。 •从表面上抽象无线网络中需要解决的问题，结合 AI解决方案的技术成熟度，分析它们是否可以通 过AI方法解决 分类问题 干扰识别 聚类问题 特征提取 无线特征提取 Apriori算法 故障根本原因分析 预测感知 负荷和能耗预测 回归问题 无线参数优化 钢筋 Learning 参数优化 •确定网络应用效果是否可 以测量 Perfor -曼斯 Cost 评估 Credible 自动 -nomy 8 •基于现有接口的数据采集能力，确定了无线网络为 AI提供的必要条件和AI的性能效果 Data Algori -thm 要求 Computing 影响 力 复杂性 机制分析(AI）数学分析评估 无线电网络基础设施情报方案：多频协作 载波选择 DL>UL UL>DL 了解覆盖范围结构 f2 f1 意识到用户体验 意识到能源消耗 多个优化目标是分离的，参数和策略很难通过人工调整来协调 9 存在的问题：庞大的参数和优化目标，难以制定运营商选择方 案 F2TDD2.6G 基于覆盖范围 、有效载荷和 服务 F1FA/1.8G/700M 4.9G7:3100M200W 2.6G8:2100M200W 2.6G8:260M120W 700M30M4T4R 基于覆盖、用户体 验、UE的CA 能力 承运人选择 HO 识别无线网络特性，在服务小区中找到具有相似无线特性的用户，并通过与同频RSRP，频谱效率，信道质量等参数进行关联来预测异频小区中的用户性能 聚类的特征空间由无线特征(如频率内RSRP)的参数构成。 多频协作是一个高维多目标优化问题无线网络特性识别，简化优化流程，重用优化经验 10 现有问题:基于配置节能阈值 专家经验，很难准确 •首先，每个基站的有效载荷水平是不同的，很难 手动配置节能阈值 •其次,基站变化的时间粒度 现状是，节能策略不能实时应用 能源节省 （2.6G） 节能 （2.6G） 能源节省 （2.6G） 节能 （2.6G） 覆盖范围 （700M） 覆盖范围 覆盖范围 基站节能的实质是根据基站的状态综合应用节能策略,因此基站状态的获取和预测至关重要 小区ID Status 时间段 小区ID1 信道沉默 09：00~10：00 小区ID2 浅休眠 09：00-10：00 小区ID3 深度休 眠 09：00~09：30 通过经典的回归问题模型，状态预测的基站进行了，并制定了一站一策节能战略可以准确地制定 •采样的输入数据和输出数据具有典型的规律性和强相关性，可以归类为预测回归问题 •用于预测回归问题的成熟算法LSTM •    模型构建： 输入数据：采集时间、PRB利用率、RRC连接用户数对应的能耗值 模型拟合：根据样本数据计算拟合曲线 输出数据：给定任何输入值，您都可以获得此样本点及以后的预测输出 功耗预测 PRB 用法 阈值 0 6 12 18 24 RRC连接 PRB用法 PRB 利用率 11 服务配置后 •静态预留，每天进行评估和修正，资源利用率低，修正周期长，难以实时匹配SLA要求 •跨层感知：网络和应用相互感知，E2ESLA保证 服务 EI 网络 •QoE •网络基础设施智能化：实时策略优化和多目标SLA保证 + 服务特性识别服务预测 +(AMC+PRB+ 加载波选择＋MU) + 位置 调度 信道 在服务配置之前 •服务和资源动态使得传统规划方法难以确保SLA •多SLA目标仿真需要大量样本，在提供服务前很难获得高精度样本 •SLA仿真规划的动态资源评估 •意图驱动的智能SLA规划 战略 冲突解决 模型 仿真 监视器 评价 SLA 分析 翻译 接口 服务配置文件 资源预测 12 无线电资源是静态的，不是实时的，很难在多目标 下优化实时、多目标优化 •RAN资源的静态预留：难以实时匹配SLA要求 •难以感知网络状态：难以适应和响应用户的实时流量变化和快速频道变化 •多目标SLA优化：网络中有各种切片服务，SLA要求差异很大 ，根据专家经验很难满足SLA保证 切片 SLA要求 （目标） 信道状态、流量预测 （网络状态） RB资源配置 （历史经验） 动态RB资源 在1s内执行Eancefeedback （实时） SLA监控 •智能SLA保障解决方案 •可以抽象为参数优化策略生成和回归（预测）问题 •适用的AI解决方案包括DNN和Q-Learning •数据要求\ •网络状态数据； •SLA需求数据切片; •资源配置数据 13 •现有的基站评估方法不适用于网络基础设施智能的评估： •协议栈流和网络基础设施智能功能耦合，功能为黑盒 •无线电网络基础设施智能化评估方案刻不容缓,但仍是空白. 对象 硬件实体： •模型推理设备， 经常作为OMC的基站 •模型训练设备，如服务器 软件实体： •智能功能软件 与协议栈耦合 评价建议 Methodology •培训数据由操作员提供 •厂商根据训练数据进行参数调整，模型训练 •给出了推理数据 •供应商执行推理以获得测试结果 Metrics •智力特征的数量 •性能 •Cost •能力粒度级别 Results •根据目标值和灵敏度系数，每个指标得到一个[0,5]评价值 •根据每个指标的权重，获得最终的[0,5]评估值作为结果 14 5G网络基础设施智能能力评估体系白皮书（2022 年） 目录 •Backgroup •网络基础结构的当前状态 智力评估 •评价的测量方法 指标 •评估场景示例 要了解更多信息，请与kuangjinghua@chinamobile.com 联系 15 谢谢你的时间 期待您的意见和建议 中国移动研究院 16