李爱华：5G-A网络与AI融合架构研究与推进

5G-A网络与AI融合架构标准研究与推进 李爱华 中国移动通信研究院 2023年12月 0 目录 13GPP标准总体进展 2R19标准化研究 3典型应用推进 3GPP标准总体进展 3GPP引入网络大数据分析引擎（NWDAF），经过数个版本迭代演进，现阶段已形成数据采集、训练、推理、闭环控 制，以及支持多样化解决方案的分布式网络大数据分析架构。相关的网络功能及接口规范已成熟，具备加速产业化能力 首次引入，功能单一部署集中，商用受限架构分布，场景多元面向演进，智能协同 R15已冻结R16已冻结R17已冻结 2017Q4完成，首次引入数据收2020Q2完成，定义了集中式架构和能2022Q2完成，设计一个分层智能网集/分析/推理的标准智能化实体，力，引入行业用户监测等六个特性，但络架构，提供AI平台化能力，拓展到用于网络切片选择，功能单一在部署灵活性、可扩展性上存在局限，垂直行业，满足大型运营商部署要求 规模商用受限 R18在维护 2022Q1启动SID，面向2B/2C行业，研究分布式智能架构、新型分析机制、新应用场景、跨域智能协同等诸多课题，全面适应智能化试验落地的相关需求。 2017 2018 2019 2020 2021 2022 2023 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 R16 R17 R18 R19 R19围绕新场景、新技术，让AI更懂网络，使能网络与AI深度融合 ①新应用场景：应对难点、痛点、热点等实际问题问题，研究网络AI进一步辅助机制。 ②新技术方向：引入AI新技术，拓展网络AI的服务范围，提升网络AI的动态适应性和决策能力。 目录 13GPP标准进展 2R19标准化研究 3典型应用推进 R19相关工作任务 Theworkwillbebasedonlyonandlimitedtothescopeofjustified usecases. √ FederatedLearning(VFL)”. WT2-Studywhetherandwhatpotentialenhancementsareneededtoenable5GsystemtoassistincollaborativeAI/ML operationinvolving5GC/NWDAFand/orAFfor“Vertical WT#2：垂直联邦建模 WT#1：AI/ML跨域协同方面 •WT1.1–StudywhetherandhowtosupportUEdata collectiontomeetrequirementsforRANAIsupportforairinterfaceoperation(forRAN)forUE-sidemodeltrai?ning. TheWTwillalsodiscussthepossibledataleakagefromtheoperator’sdomainwhichshouldbeavoidedandthenetworkcontroloverdatacollection •WT1.2–Studywhether(andhow)tosupportmodel transfer/deliverytotheUEaccordingtoRAN1/RAN2 √ assistanceofNWDAF. WT3-StudyenhancementstosupportNWDAF-assistedpolicy controlandaddressnetworkabnormalbehaviour •WT3.1–Studywhetherandwhatadditionallyneedstobesupportedinordertoenhance5GCNFoperations(i.e.policycontrolandQoS)assistedbyNWDAF.√ •WT3.2-Studyprediction,detection,prevention,andmitigation ofnetworkabnormalbehavioursi.e.signallingstormwiththe WT#3：NWDAF辅助策略控制、网络异常行为处理 considerations.? ThisWTwillalsodiscussthepossibledataleakagefromtheoperator’sdomainwhichshouldbeavoided. •WT1.3–Studywhetherandhowtosupportthealignment ofmodelidentificationandmodelmanagementbetween SA2andRAN.? •WT1.4:Studywhetherandhowtoconsiderenhancementsto LCStosupportAI/MLbasedPositioning.√ NOTE2:WhetherSA2canstartworkonWT1.1,1.2and1.3willbediscussedatSA#105(Sep.2024)basedontheoutcomeoftherelatedworkintheinvolvedRANWGs(s). √24年Q1开始研究?24年Q3基于RAN结论是否开展研究5 •NWDAF基于网络状态、资源状态及业务体验需求的分析和预测，快速进行智能决策，及时调整用户的QoS参数。 •5G-A业务呈现形态多样化、体验极致化等特性，网络需及时感知资源状态，按需调整QoS策略； •PCF依赖固定配置进行决策QoS，不是分析锚点，无法适应多业务、 个性化策略的更新和迭代。 •NWDAF采集控制面信令和/或用户面信息，主动学习信令冲击的 数据模型； •基于实时状态，自动调优流控参数，实现主动预防信令冲击。 •当前网络信令风暴采用的是静态、单点的防御及抑制机制； •防冲击需向智能化方向演进，主动学习自适应调整的信令冲击模型，动态、全局性调整流控参数。 新应用场景(1/2)：应对痛点、热点等问题，研究AI辅助机制 WT#3.1：全局策略智能推荐WT#3.2：信令风暴智能抑制 新应用场景(2/2)：应对痛点、热点等问题，研究AI辅助机制 WT#1.4：定位智能化绿色节能智能化 NWDAF (MTLF) MLModel forpositioning TP Case2a ng-eNB TP Case2bCase3b Xn NL1 Case1 TRP NR-UugNBAMF Case3a NG-RAN LMF E-SMLC UESET SLP •由于基站密度不足、多UE间干扰、UE信号处理能力等问题，基于RAN、UE定位精度较差，无法与GNSS这类卫星导航系统相媲美，无法满足更精细位置要求的业务场景； •受限于硬件性能、算力开销、数据规模等问题，RAN、UE能力有限，难以实现基于AI/ML模型的定位智能化任务。 TRP NWDAF (AnLF) •GSMA对全球31个运营商进行研究分析，无线网能耗最大 （73%），核心网能耗其次（13%），其中核心网网元能耗占比 最大（62%）。 •需研究核心网节能方案来降低核心网的能耗、可再生资源、碳排放量等信息。 •由NWDAF提供训练、推理服务，供LMF使用，以辅助RAN/UE定位，提升位置定位精度。 •NWDAF/LMF需增加辅助定位数据维度、数据精度、模型性能等。 •通过NWDAF开展对网络流量、用户行为、网络KPI及体验需求的AI分析，辅助进行网元选择的策略制定、CPU开销调整、虚拟化网元规模调整、风扇转速/空调温度调整等，提升节能效果。 新技术方向：拓展网络AI服务范围，提升网络AI适应性 WT#2：纵向联邦建模 -解决网络内UE、RAN、CN、DN等跨域因数据隐私而存在的数据孤岛问题，实现联合数据建模分析； -区别于横向联邦学习，纵向联邦学习面向不同的应用场景，相同用户在不同域内具有不同特征时，考虑应用纵向联邦学习； -纵向联邦学习技术已较为成熟，业界已具备实践能力。 -网络架构支持（CN/RAN/UE/第三方AF）； -新的usecase（CN/RAN/UE/第三方AF），区别于横向联邦学 习，主要面向用户相同、特征不同的场景； -横向联邦学习的流程机制是否可复用至纵向联邦学习 -纵向联邦学习的独有流程机制。 目录 13GPP标准进展 2R19标准化研究 3典型应用推进 NWDAF智能架构实现原理 •NWDAF在服务化架构基础上，定制采集网络数据，执行智能分析，输出分析结果给其他NF。NWDAF包括训练功能（MTLF）、分析功能（AnLF）；同时为增强数据管理，在NWDAF的基础上，还引入了DCCF、MFAF、ADRF。 •NWDAF可紧密参与核心网的业务运行，可作为核心网AI的参考实现，为核心网智能化的能力演进提供技术基础。 5GC智能服务架构 Nudr AF Naf Nchf Nsmf OAM N4 NWDAF遵循服务化机制，基于服务化接口实现服务注册、数据采集、数 据分析、分析结果反馈。 •数据的来源：5GCNF、AF、OAM，支持实时定制化采集用户、业务、网 元、切片粒度数据。 •算力的来源：网元自身，通过内置或独立于NF的方式提供算法和算力。 •应用的场景：通过实时分析和自动闭环，实现网络自身的提质增效，推进 网络向内生智能演进。 RAN UPF SMF AMF Namf Noam Npcf Nnwdaf Nnef CHF NWDAF UE PCF UDRNEF 网络智能化功能单元 : ② NWDAF ①数据 NWDAF(AnLF) 含采集功能 推理模块 DCCF 模型 MFAF NWDAF(MTLF) 含采集功能 训练模块 ADRF 管理数据协调模块 数据总线模块 数据存储模块 网络智能化相关功能单元包括： •NWDAF，可包括： 模型训练逻辑功能（MTLF）：训练机器学习模型。 分析逻辑功能（AnLF）：提供统计或预测结果。 •为提高数据采集和分发效率，解决多个数据采集/分析请求的重叠问题，还定义了： DCCF：数据采集协调功能。 MFAF:分析和采集消息框架适配功能。 ADRF:存储和提取分析数据数据库功能。 •NWDAF可面向切片、网元、用户、业务四个维度进行分析。截止R17，NWDAF可提供提质、增效两类，13种标准化的分析类型。 •结合实际诉求和价值度，可聚焦提质等系列场景，因地制宜定制化方案，以合理利用网络资源，保证普遍服务、保障高价值业务、事件型体验。 NWDAF标准场景及应用建议 分析对象 分析能力 （AnalyticsID） 能力大类 交互网元 功能描述 数据源 AI消费者 切片 切片负载分析 提质 AMF,SMF,NRF, OAM PCF,NSSF, AMF 面向负载级别提供有关切片实例的UE注册数量和PDU会话数量以及资源利用率提供等信息的统计或预测信息。 网元 NF负载分析 增效 UPF,NRF,OAM NF,OAM 向另一个NF提供特定NF的负载统计或预测信息，可用于网元选择或节能分析等场景。 网络性能分析 AMF,NRF, OAM PCF,NEF,AF,OAM 提供有关特定区域的网络状态信息、网络资源使用情况等网络负荷统计或预测信息。并且,提供有关特定区域中的UE的数量的统计或预测信息。 冗余传输体验分析 提质 SMF,UPF,OAM SMF 为特定URLLC冗余传输服务的决策提供统计或预测信息。 用户数据拥塞分析 AMF,UPF, AF,OAM NEF,AF,PCF 提供有关用户数据拥塞的统计或预测,数据拥塞包括通过用户面传输和通过控制面传输用户数据时发生的拥塞。 会话管理拥塞控制分析 SMF SMF 为特定DNN和