郑青碧：无线数字孪生网络实践和探索

1 数字孪生网络的驱动力 2 数字孪生网络典型场景 3 总结与展望 2 数字孪生助力网络智能化决策、高效率创新、低成本试错，从而应对效率挑战、风险挑战、成本挑战，推动网络演进升级。 数字孪生将助力解决网络演进效率、风险、成本三大挑战 建设 运维 CU DU AAU 5 G 优化 …… 规划 •网络系统复杂，基于专家经效率验的决策准确性较低，基于挑战人工运维的配置响应速度较 慢； 数字孪生网络 持续规划 6 风险挑战 •网络系统升级、新设备/新技术迭代更新存在不可预知的网络故障风险 物理网络G 迭代寻 效果预验证优 CUDUAAU •网络配置错误导致运维成 成本本增加； 挑战•人工辅助运维方式增加人 力成本； 智能化决策高效率创新低成本试错 数字孪生网络 1 数字孪生网络驱动力 2 数字孪生网络典型场景 3 总结与展望 4 基于数字孪生网络的计算资源协同分配方案 广域覆盖场景（控制信令与业务信令解耦机制）：DTN方案 网络状态预测模型： •用户状态预测 •业务特征预测 •多种预测机制结合 资源分配AI模型： •基站关断决策 •RL算法 性能预验证优化模型： •性能综合计算 •AI决策模型优化触发机制 基站根据未来的网络状态生成决策，解决相应的决策状态与实际网络状态不一致的问题。 5 未来6G网络将具备控制信令与业务数据的解耦机制，通过实现高频数据点播，降低高频BSs密集部署带来的网络功耗，保证网络广域覆盖性能。 广域覆盖场景（控制信令与业务信令解耦机制）：背景介绍 控制信令与业务数据解耦机制： •控制基站-控制信令数据基站-业务数据 •通信与计算资源深度融合 ： •策略算法的推理和优化会产生延迟 •策略部署时间滞后于用户数据上报时间 •系统业务性能下降，能源消耗增加，对现有网络产生重大影响 实现精细化、智能化的通信和计算资源分配策略，降低系统能耗，有效响应用户对通信时延和计算任务精度的要求。 6 广域覆盖场景（控制信令与业务信令解耦机制）：DTN成效 数字孪生网络仿真平台实践： •数字孪生网络与智能体多种联动方案 •实现多种场景 数字孪生网络解决方案可以提高业务性能，业务数据处理时延降低约20%，降低能耗，具有较好的网络动态适应性。 决策提前优化使得决策更快的适应网络变化。 结论：数字孪生网络预测、预验证功能能实现网络性能问题提前发现与解决，提升决策准确度，提升网络性能7 挑战：数字孪生网络模型与智能体模型体量大，需要强大算力支撑，对网络动态适应性不足 面向未来6G无线网络，更高频段的应用（如毫米波、太赫兹等）将带来覆盖范围更小、部署更密集的无线站点，对小区间协作进行的大规模天线波束权值优化的需求将更加凸显。 大规模MIMO权值优化：背景介绍 ： •权值调整对网络性能的不良影响 •权值调整样本采集成本高，开销大 •权值调整复杂 基于网络数字孪生的智能天线权值优化技术将无线通信物理模型和真实无线网络数据相结合，建立网络的数字孪生体，并融入了专家经验作为权值决策的保障，对决策的性能进行预验证进一步保障决策性能。 8 基于数字孪生网络的大规模MIMO权值优化方案 大规模MIMO权值优化：DTN方案 性能预验证模型 •神经网络 安全决策模型： •专家经验决策 数据增广： •CGAN AI决策模型： •RL 数字孪生网络将专家经验决策作为安全基线，降低AI决策对网络性能的影响。 数字孪生网络对采集样本进行数据增广，增加性能预验证模型的准确性。 基于大规模MIMO权值优化的数字孪生网络原型由东南大学完成搭建，并于紫金山实验室完成试验网测试。9 结论：数字孪生网络数据增广技术能提升建模预验证精度，安全保障机制能降低决策对网络的不良影 响，数字孪生网络方案可提升网络性能 挑战：采集数据质量不稳定，隐私保护限制采集数据类型，难以全面准确感知网络状态；数字孪生网 络模型与智能体模型体量大，需要强大算力支撑 10 通过增加生成样本的数量来减少KPI预测的误差，可以提供比DNN更好的KPI预测，KPI预验证相对误差为0.9%。 大规模MIMO权值优化：DTN成效 Augmentationalgorithms MaximalMMD Minimum MMD Mean MMD Gaussiandistributionalgorithm 0.0288 0.0175 0.0220 CGAN 0.0288 0.0138 0.0177 基于数字孪生网络的大规模MIMO权值优化方案将所有终端在区域内的平均NRSINR提升了14.4%，5G信干噪比（NRSINR）性能有提升。 网络切片是6G无线网络的典型场景之一，网络切片是一种网络架构，它支持在相同的物理网络基础设施上多路复用虚拟化且独立的逻辑网络。 智能RAN切片：背景介绍 ： •环境自适应性较差 •计算复杂度高 •用户移动性、信道动态性、网络密集部署等为该场景带来了巨大挑战 基于网络数字孪生的智能RAN切片旨在挖掘切片配置经验，捕捉短期环境变化特性实现高效率、高可靠切片资源管理。 基于智能RAN切片的数字孪生网络原型由东南大学完成搭建，并于紫金山实验室完成试验网测 试。11 基于数字孪生网络的智能RAN切片方案 智能RAN切片：DTN方案 数据增广： •RCGAN 切片配置模型： •DNN •RL 性能预验证模型 •RNN •DNN 数字孪生网络与真实环境交互 数字孪生网络将构建虚拟切片网络系统，根据网络状态和策略预测性能并调整切片策略，使得智能RAN切片系统更快速适应不同环境。 数字孪生网络的数据生成功能能利用实际数据和深度生成模型训练生成更多数据，增强切片策 略的鲁棒性和泛化能力。12 结论：数字孪生网络能提升智能RAN切片场景性能 挑战：预验证准确率影响切片配置决策，对方案性能影响较大 13 智能RAN切片：DTN成效 预验证环境拟合精度数字孪生方案性能数字孪生方案模型扰动 基于数字孪生网络的智能RAN切片优化方案将系统性能提升了约4%。 1 数字孪生网络驱动力 2 数字孪生网络典型场景 3 总结与展望 14 总结与展望 挑战： 数据：采集数据质量不稳定，隐私保护限制采集数据类型，难以全面准确感知网络状态建模：模型体量大，拟真度不足，泛化性不足，需要强大算力支撑 预验证：预验证准确度有待进一步提升 后续研究思路： 重点攻克数字孪生网络关键技术，针对典型场景验证数字孪生网络智能化决策、高效率创新、低成本试错的性能，完善数字孪生网络顶层设计。 中国移动期待与业界合作伙伴携手，探索数字孪生网络典型场景，解决面临的问题与挑战，持续推进数字孪生网络演进，以实现高阶数智化转型的战略目标。 15 谢谢！ 1166