6GANA TG5
引言
自智网络旨在实现通信网络的自动化和智能化运维，具备“自服务、自愈合、自优化”的功能。其发展路径分为五个阶段：自动化运维、主动感知、认知学习、闭环认知和预知。目前，自智网络仍面临海量数据、特征多变等挑战，需要新的云网络智能管控理论。本文以故障修复为典型场景，研究基于意图驱动、通信网络专属的机器学习模型的云网络智能管控方法，实现“故障定位-策略生成-策略验证”的自智闭环。
网络管控需求与挑战
云网络具有虚拟化、多服务、多租户、弹性服务、集中控制等特点，其智能管控系统需要克服以下挑战：
- 海量异构的高动态时空数据：需要利用灵活的数据特征提取与精准关联特征挖掘，进行故障根因的快速定位。
- 云网络功能的多层次性：需要统一规划、部署和移植数据采集、处理乃至管控任务，实现经验知识在具体管控任务之间有效传递。
- 云网络配置间的强依赖性：需要具有跨域能力和全局视角，持续的模型更新和在线学习，适应动态扩缩容的云网络环境。
- 意图操作精炼与管控策略建模：需要对意图进行转译解析，拆分成不同的网络任务执行，精炼为低层次策略，最后转化为网络应执行的一系列操作。
- 自动化系统的稳定性：需要设计行而有效的策略验证方法，用以应对庞大且实时更新的云网络，实现网络自检测、自优化、自管理。
通信网络引入大模型的必要性
认知网络旨在创造能够感知和理解网络环境，并做出相应决策的智能网络。然而，网络作为分布式系统的本质特点，机器学习等技术在网络控制与管理方面面临一些挑战。通信领域的大模型将能够充分利用其所蕴含的丰富语义知识，能够针对子邻域的特殊性进行领域适应，进一步提高网络管控能力。
网络多模态数据的时空表征大模型学习
本文研究云网络中高动态异构时空数据的处理方法，抽取多层次节点空间拓扑关系信息，关注云网络关键指标的时序数据。研究云网络节点调用链、日志、性能指标等多模态信息融合理论，探索使用超图的方法对不同层级、不同模态的云网络状态信息进行融合并统一表示，提取云网络的时空特征，学习动态异构图的嵌入表征，识别云网络节点的动态时序指标与拓扑连接的复杂关系。
网络知识与不完备意图精炼
本文构建全程依赖的网络大模型，支持根据网络故障调整管控意图，建立基于“不完备意图-声明性策略-确定性策略-命令性策略”的精炼流程。根据策略分解关系生成策略树，确定策略顺序。提出云网络管控意图精炼通用工作流，将意图由高层次到低层次逐步精炼为“不完备意图-声明性策略-确定性策略-命令性策略”，构建全程依赖的网络知识库，作为意图精炼过程的参考。
知识表征共享的多任务目标网络管控决策
本文基于云网络的时空表征模型，通过基础共享表征以及表征模型组合，实现经验知识以表征信息的抽象形式在多管控任务之间有效传递。将云网络的智能管控分解为表征学习与任务学习两个阶段，以表征模型为基础，具体依据场景需求，组合任务学习相关的其他模型，最终完成整体智能化管控。
网络管控研究现状
- 通信网络智能管控：3GPP NWDAF/MDAF、ETSI ENI、TMF OA&M。
- 意图驱动网络管控：意图驱动网络、管控策略生成。
参考文献
(略)
缩略语
(略)
文档作者列表
(略)
