ENI輔助的5G網絡切片智慧運營

（英特爾（中國）有限公司，北京 100013）

(Intel China Ltd., Beijing 100013, China)

下一代移動通信網絡運營商聯盟（NGMN）在2015年初發布的5G白皮書[1]中引入了網絡切片的概念。5G網絡切片通過組合特定的控制面和用戶面5G網絡功能來支持一類特定的通信連接業務。例如，第1個5G網絡切片用來支持智能手機寬帶業務，第2個5G網絡切片用來支持自動駕駛業務，第3個5G網絡切片用來支持大規模物聯網業務。這些邏輯獨立的網絡切片是端到端的，包括接入網、承載網及云化核心網。切片內部可以按照業務需求來選擇所需的5G網絡功能進行組網，切片間可以共享通用的物理基礎設施，并保持良好的業務隔離。

以5G網絡切片為代表的網絡新技術，一方面為5G網絡帶來了靈活的業務提供能力，另一方面大大增加了網絡運維的復雜性。傳統的依賴專家經驗和人機交互的被動式網絡運維方式，成本高昂并且容易出錯，將阻礙網絡業務的快速創新和部署上線，不足以支撐5G網絡運營。上述問題觸發了運營商將人工智能（AI）引入網絡運維的思考和探索。ETSI于2017年2月正式批準成立的網絡人工智能標準工作組（ENI）[2]，致力于通過引入閉環人工智能機制來改善網絡運營體驗。ENI目前已有近60家來自全球的成員和參與單位，是ETSI最活躍的4大工作組之一。經過3年的研究工作，ENI輸出了用例、需求、術語、架構等系列規范，并啟動了10余個基于ENI架構和用例的概念驗證項目。其中，5G網絡切片智慧運營是ENI的一類重要應用場景，也是ENI的重點概念驗證方向。

1 ENI系統功能架構

ENI系統是一套基于“觀察-調整-決策-行動”控制循環模型的功能集合，它利用人工智能技術輸出命令、建議及知識，用于輔助或直接管理其他系統實現智慧運營[3]。ENI系統功能架構如圖1所示：

ENI系統通過可選的應用程序編程接口（API）代理與業務支撐系統（BSS）/運營支撐系統（OSS）等外部系統交互，從外部獲取數據，經過內部智能化分析，對外輸出建議或命令。ENI系統內部主要包括以下3類功能模塊。

1）輸入處理類功能模塊

（1）數據攝取功能模塊：從多個輸入源收集數據，并使用通用的數據處理技術使攝取的數據能夠被其他ENI功能模塊進一步處理和分析。

（2）數據規范化功能模塊：將對數據攝取功能模塊接收到的數據進行處理，并將其轉換為其他ENI功能塊能夠理解和使用的形式，以便進行進一步分析。

2）分析類功能模塊

（1）知識管理功能模塊：負責管理ENI系統的知識數據庫，是AI建模的基礎。知識管理包括使用共識性知識表示來創建、修改、維護和增強知識資產的存儲、評估、使用、共享和完善。

（2）上下文感知功能模塊：持續地收集ENI系統自身及外部系統信息，構建ENI系統進行決策的基礎環境。

（3）認知管理功能模塊：使用已有知識來生成和驗證新知識。

（4）態勢感知功能模塊：識別當前情況以及未來可能發生的情況，理解環境如何變化及為何變化，明確這些將如何影響ENI系統試圖實現的目標，決定對給定事件的處理操作。

（5）模型驅動工程功能模塊：使用模型驅動的工程機制將態勢感知功能模塊輸出的操作轉換成統一的格式，在此基礎上可以進一步被策略管理功能塊構建為命令式、聲明式及意愿式的策略。

（6）策略管理功能模塊：制定對外部系統的管理、監控和編排等策略。

3）輸出生成類功能模塊

去規范化和輸出生成功能模塊：將ENI系統內部格式的數據和信息轉譯成外部系統能夠理解的格式。

2 5G網絡切片智慧運營場景

圖1 ENI系統功能架構（頂層）[4]

ENI 001規范[5]定義了20余種網絡智慧運營的場景，其中涉及網絡切片的有7個，覆蓋了前傳網絡切片管理編排、承載網切片生命周期管理、接入網和核心網虛擬網元彈性伸縮及云間遷移、切片服務等級協議（SLA）保證等方面。

2.1 智能前傳網絡管理編排

目前全球廣泛應用的集中式無線接入網（C-RAN）將基站的基帶處理單元（BBU）部分集中部署，與射頻拉遠單元（RRU）之間通過前傳接口連接，具體使用通用公共無線接口（CPRI）協議。CPRI采用點對點連接模式，需要高帶寬、低延遲、嚴格同步和額外的傳輸設備。

5G無線網絡對BBU和RRU的功能進行了重新劃分，將部分BBU功能轉移到RRU以減少對前傳帶寬的壓力，重構后分別稱為無線云中心（RCC）和射頻拉遠系統（RRS）。其中RRS又包括天線、RRU以及傳統BBU的部分基帶處理功能即射頻聚合單元（RAU）。RCC與RAU之間采用增強的CPRI（eCPRI）接口，基于分組交換協議將前傳由點對點的模式重新定義為多點對多點的模式。換句話說，下一代前傳網絡是一個多層共享網絡，可以按需動態調整RCC和RAU之間的網絡資源切片。

前傳網絡對資源的切片受多種因素及環境變化影響，例如：RRU群集的大小和如何組成群集，RCC和RAU之間的功能劃分，以及前傳網絡需要保留網絡資源的解決方案空間的維度（比如功率、處理能力、無線資源、緩沖內存、跨多個前傳節點的路徑選擇等）。在這種情況下，引入基于AI的前傳網絡切片管理編排，可以充分考慮并平衡上述影響網絡切片的多維度因素，以實現靈活、動態的資源切片和功能拆分。例如，當前傳關鍵性能指標低于目標值時，將觸發ENI系統從不同RAU/ RCC單元收集前傳參數、當前配置以及過去和當前的流量，基于歷史學習得到的經驗和當前上下文對未來需求進行預測，決定前傳參數并反饋給RAU/ RCC單元執行調整，重新分配前傳網絡資源，新的前傳KPI也會反饋給ENI系統，這樣就形成了前傳網絡切片的閉環智能化管理編排。

2.2 智能承載網切片生命周期管理

承載網切片是5G端到端切片的一部分，通過對網絡的拓撲資源進行虛擬化，形成按需組織的網絡切片以實現特定的性能要求[6]。承載網切片管理器（TNSM）和承載網節點設備之間采用軟件定義網絡技術，實現TNSM對多個承載網節點設備的集中控制。承載網轉發面的切片技術包括基于靈活以太網（FlexE）的硬切片技術和基于分段路由（SR）的軟切片技術，其中，軟硬切片技術可以結合使用。

為了避免流量高峰期資源緊缺，承載網切片的資源一般以滿足業務峰值的要求進行分配，但是這也造成了大多數非高峰期時段網絡帶寬、服務質量等專屬資源的冗余和浪費；因此，引入AI技術對業務未來的流量進行精準預測，結合承載網上下文信息，制定智能化承載網切片配置策略，能夠有助于實現承載網切片資源的按需動態擴展和縮減，提升承載網資源的利用率。

2.3 切片內虛擬網絡功能的彈性伸縮和云間遷移

核心網切片基于網絡功能虛擬化（NFV）技術，使5G的網絡功能（NF）從傳統的專有硬件設備轉變為在運行在共享云資源池上的虛擬網絡功能（VNF）。通過網絡切片管理器（NSMF）及NFV 管理編排系統（MANO），可以按需編排核心網切片內所需的NF，并為每個NF分配所需的虛擬資源。NFV技術提供了VNF彈性伸縮和遷移的功能，例如為一個VNF實例增加或減少虛擬機數量，或者直接增加或減少VNF實例的數量，或者將VNF實例從一個資源池遷移到另外一個資源池，以便更靈活地按照業務需求分配資源。

引入AI技術后，對業務趨勢和資源需求進行預測，并根據核心網切片的上下文信息，給出NF的資源分配建議策略。通過NSMF和MANO執行資源分配和業務遷移，可以在實時業務過程中實現VNF動態彈性伸縮和云間遷移。

3 ENI輔助的智能切片概念驗證

為了驗證ENI技術的有效性，并在互操作等方面更好地引導ENI后續規范制定工作，ENI在2018年啟動了概念驗證（PoC）項目[7]。目前ENI已有10項PoC項目，最早完成的兩個PoC項目很好地驗證了AI技術可以輔助實現網絡切片智慧運營。

3.1 PoC#1智能網絡切片的生命周期管理[8]

該項目針對本文2.2節所述的場景進行了驗證，具體包括兩個方面：一是利用基于意愿的接口將用戶業務意愿自動翻譯為配置并創建切片；二是利用AI技術預測網絡流量變化趨勢并對網絡切片資源進行預調整。

項目采用的方案驗證架構如圖2所示。

驗證方案及結果如下：

1）基于業務意愿的承載網切片自動化創建。用戶通過TNSM操作界面輸入業務意愿，例如業務類型、優先級、帶寬和時延需求等，TNSM將上述業務意愿自動轉譯為創建承載網切片所需的配置信息，結合對承載網實際情況的分析，計算得到最佳的切片配置信息，經過驗證后下發到承載網節點執行，從而實現承載網切片的快速自動化創建。

圖2 ENI系統輔助的智能承載網切片驗證架構

2）基于AI的流量預測及切片帶寬智能化調整。使用27 312條按小時聚合的真實網絡流量數據對基于長短期記憶（LSTM）網絡疊加傳統神經網絡的AI流量預測模型進行訓練。ENI系統通過TNSM收集承載網切片實例的準實時流量數據和網絡切片資源分配情況，并使用預訓練的流量預測模型根據準實時流量數據預測未來6小時的流量趨勢，并傳遞給智能策略生成器。智能策略生成器根據接收到的預測結果判斷承載網切片的帶寬在下一個小時是否需要調整以及如何調整，并在需要調整時生成智能擴縮容策略，例如需要擴容兩個單位的帶寬，之后ENI系統將智能策略轉譯為配置建議下發至TNSM。最后，TNSM通過重新配置承載網節點的端口帶寬來執行相應的智能擴縮容策略，從而實現承載網切片帶寬根據未來流量變化趨勢進行動態智能化調整。經實驗驗證，使用上述方法在真實網絡流量測試數據集基礎上，網絡資源利用率可提高30%左右[9]。

3.2 PoC#2彈性網絡切片管理[10]

該項目是歐盟的5G-MoNArch項目[11]的一部分。針對本文2.3節所述的場景，該項目目標是驗證AI輔助的網絡切片彈性管理和編排的可行性和收益。

該項目在意大利都靈市的馬達馬宮藝術博物館搭建了如圖3所示的測試床，使用虛擬現實（VR）游覽業務進行了現場驗證和展示，驗證方案及結果如下。

1）系統包括邊緣云和中心云兩個資源池，首先通過MANO創建3個切片：第1個切片用于承載來自VR業務所需的展覽室360°視頻流，屬于增強型移動寬帶類（eMBB）切片；第2個切片用于處理VR業務的其他所有通信服務，例如基于IP的語音傳輸（VoIP）、多用戶交互及3D模型注冊和控制等，屬于超高可靠低時延通信（URLLC）切片；第3個切片用于加載4K視頻流作為背景流量模擬資源占用，也是eMBB類切片。

2）VR業務兩個切片的NF部署在邊緣云。當背景流量增加，同時影響到URLLC切片的性能時，觸發ENI的智能編排算法將制定NF編排策略，通過MANO將eMBB切片的NF遷移部署到中心云，以便保證URLLC切片的性能。

3）當eMBB切片的視頻分辨率和視頻流的編碼速率引起資源需求變化時，將觸發ENI的跨切片資源分配算法制定資源重分配策略，通過MANO對VNF進行擴縮容。例如，將背景流量eMBB切片的部分資源調整給VR業務eMBB切片使用，從而保證最佳的業務體驗。

上述測試驗證了ENI系統可以根據業務需求對核心網切片進行NF部署位置和資源數量兩個維度做出智能化調整，保證切片業務的SLA。

圖3 網絡人工智能標準工作組系統輔助的彈性網絡切片管理測試床[12]

圖4 ENI輔助的端到端網絡切片管理框架

4 ENI系統輔助的端到端網絡切片管理框架

ENI系統通過可選的API代理與接入網、承載網、核心網各切片子網的切片管理器對接，實現對整個端到端切片的智慧運營。ENI輔助的端到端網絡切片管理框架如圖4所示。

1）ENI系統利用歷史數據訓練基于AI的各網絡域切片資源預測模型，并利用最新的數據知識進行周期性迭代訓練和模型優化。

2）ENI系統通過各網絡域的切片管理器收集網絡切片的各類信息，包括網絡切片的資源分配情況和關鍵參數等，構建端到端網絡切片上下文。

3）資源預測模型根據實時數據預測未來的資源需求趨勢形成資源需求認知，并傳遞給智能策略管理器。

4）智能策略管理器結合接收到的資源需求預測和網絡切片上下文，制定網絡切片資源分配策略。

5）ENI系統將網絡切片資源分配策略通過模型驅動工程方式，轉譯為各網絡域切片配置建議，例如前傳網絡切片的資源配置建議、承載網切片的帶寬調整建議、核心網VNF的擴縮容建議等，并下發給各網絡域的切片管理器執行。

上述框架可以實現端到端網絡切片的閉環智能化資源動態調整，輔助5G網絡切片智慧運營。

5 結束語

網絡切片是5G網絡的重要創新特性，為5G網絡提供了一個靈活的生態系統。該生態系統將端到端云網資源集成在一起，面向多樣化的5G業務需求，提供軟件化、虛擬化、可編程的網絡創新能力和網絡連接服務。引入基于AI的閉環自動化技術，可以更好地發揮網絡切片的優勢，提升網絡資源利用率和業務體驗，實現網絡切片的智慧運營。