6G網絡智能內生的思考

李琴，李唯源，孫曉文，胡玉雙，孫滔

（中國移動通信有限公司研究院，北京 100053）

1 引言

面向6G時代，網絡將迎來新的應用場景和新的性能需求，6G時代將構建空天地一體化的網絡通信系統，實現面向全覆蓋、全場景的泛在網絡。多樣化的應用和通信場景、超異構的網絡連接以及極致性能的服務需求，都對移動通信網絡提出了更高的要求。同時隨著人工智能（artificial intelligence，AI）技術的快速發展，人們也期待6G網絡比前幾代網絡在運作和服務上都具有更高的智能性。目前，6G在人工智能、空天地一體化等方面已經初步形成共識，智能內生已經成為6G的重要特征之一。

當前很多AI/ML（machine learning，機器學習）方法已經被應用到網絡研究中，但大多數只是利用機器學習算法解決特定的網絡問題。然而，智能內生網絡應該并不是簡單地將AI方法應用到具體問題上，而是設計和構建適合于網絡系統的AI系統，以及該系統相應的網絡架構和運行環境。

2 5G&5G-Advanced網絡智能化概述

2.1 標準組織進展

（1）3GPP

當前移動通信國際標準化組織3GPP在其網絡架構組SA2的標準化研究中，引入網絡數據分析功能（network data analysis function，NWDAF），定義了以NWDAF為核心的5GC智能架構。Release 15、Release16 完成了網絡智能技術規范，定義了NWDAF作為網絡數據分析功能從5G核心網網元、應用功能（application function，AF）及網管采集數據，并基于數據進行智能化分析（如網絡的性能分析、終端的移動性分析、終端的通信模式分析、終端的行為異常檢測、業務體驗預測等），然后向其他網絡功能（network function，NF）提供數據分析結果信息。Release 17對網絡智能技術規范進行了增強，增加了可選功能實體，包括數據采集協調功能（data collection coordination function，DCCF）、數據存儲功能（analytics data repository function，ADRF）、消息框架適配功能（messaging framework adaptor function，MFAF），擴展了分布式NWDAF框架。如圖1所示，任一NF可以訂閱或請求網絡分析功能，如果該分析功能還沒被收集到，則DCCF向NWDAF請求分析功能，然后再向NF提供。如果該分析功能已經被收集到了，則DCCF可以直接向NF提供分析功能。

圖1 使用數據收集協調功能的網絡數據分析功能架構[1]

3GPP SA5 OAM（Operation Administration and Maintenance）組當前已在Release 17完成管理數據分析的研究報告，啟動標準制定工作。MDA（Management Data Analytics）可以處理和分析與網絡和服務事件以及狀態相關的原始數據（如性能測量、QoE報告、警報、配置數據、網絡分析數據和服務體驗）并提供分析報告和網絡操作建議。其可以與人工智能和機器學習技術相結合，為網絡服務管理和編排帶來了智能和自動化。

MDA可以幫助執行準備、調試、運行以及終止階段的管理任務，MDAS管理數據分析的功能架構如圖2所示。例如，MDA可以通過準備服務目錄、評估新服務的網絡需求和執行可行性檢查來支持服務供應。在操作階段，MDA可以識別影響網絡和服務性能的問題，并提前發現可能導致潛在故障和/或性能下降的潛在問題。MDA還可以幫助預測網絡和服務需求，以實現及時的資源供應和部署，從而加快網絡和服務部署的上市時間。

圖2 管理數據分析的功能架構[2]

（2）ITU

ITU-T的第13研究組（Study Group13，SG13）主要研究未來網絡、云計算和可信網絡架構。該研究組于2017年11月成立了未來網絡機器學習（Machine Learning for Future Network，ML5G）焦點組，主要研究未來網絡的機器學習技術，當前已輸出了統一的邏輯架構。該架構與3GPP SA2定義的NWDAF的數據收集、分析、反饋模型類似。2020年12月，SG13成立了網絡自治焦點組，主要研究未來自治網絡的相關技術規范，包括對未來網絡演進的探索、實時響應實驗，對未來網絡環境的動態適應等相關技術和用例。

另外，中國移動在SG13主導成立了包括《面向IMT-2020及未來網絡的機器學習數據處理框架標準》《面向IMT-2020和未來網絡的機器學習用例》《AI集成跨域網絡架構》以及《基于AI輔助分析的網絡切片管理編排》等在內的智能化項目。該系列標準的制定，對6G智能內生網絡的研究也起到了指導作用。

（3）ETSI

2017年，歐洲電信標準化協會（ETSI）成立了業界首個網絡智能化標準組——體驗網絡智能（Experiential Networked Intelligence，ENI），致力于研究基于數據驅動決策和閉環控制的人工智能網絡體系架構，輔助實現智能化網絡運維。經過4年的工作，ENI 陸續發布了用例、需求、術語、架構、智能分級、分級評估方法、基于意圖感知的網絡自治、數據處理機制等多個系列規范和報告。

2018年，ETSI成立零接觸網絡和服務管理工作組（Zero touch network and Service Management，ZSM），其目標是實現對端到端網絡及服務的自動化管理，包括自動執行交付、部署、配置、維護和優化流程。目前該小組輸出ZSM 的應用案例、需求、端到端切片技術和閉環控制實現等。

（4）O-RAN

O-RAN聯盟于2018年6月份成立，提出了“開放”和“智能”兩大核心愿景。其目標是通過引入數據分析、機器學習等新技術，以支持更加靈活的組網和更豐富的業務，實現開放智能無線網絡。O-RAN架構在無線網CU（centralized unit）/DU（distributed unit）架構和功能虛擬化的基礎上，引入了RAN智能控制器（RAN intelligent controller，RIC）功能實體，O-RAN的邏輯架構如圖3所示[3]。RIC的核心是利用使能基于意圖/策略的閉環智能管控，并利用大數據分析及人工智能技術針對無線網絡環境感知、預測并對無線資源的分配進行決策。根據處理時延的不同，將RIC劃分為非實時無線智能控制器（non-real time RAN intelligence controller，Non-RT RIC）和近實時無線智能控制器（near-real time RAN intelligence controller，Near-RT RIC）。O-RAN聯盟中工作組2和組3分別針對非實時智能控制器和近實時智能控制器功能、接口標準及軟件框架展開研究。

圖3 O-RAN邏輯架構[3]

2.2 5G&5G-Advanced網絡智能化定義和總體架構

基于國內外標準及產業研究現狀，本文總結了在5G&5G-Advanced網絡下網絡智能化的定義。網絡智能化是以AI為使能技術，助力網絡實現智能連接、智能管理和智能服務。其中，智能連接是指通過在網元及網絡功能中引入智能，實現網絡連接的性能最優和效益最優；智能管理是通過在網絡的運維運營域引入智能，實現網絡資源、業務、體驗管理的運維效率和用戶體驗最優；智能服務是通過在網絡的對外服務中引入智能，實現對行業用戶和個人用戶服務的升級。

基于以上定義，提出了面向5G&5G-Advanced的網絡智能化總體架構，如圖4所示。該架構面向網絡接入、傳送、承載、核心四大技術領域，以智能化平臺為支撐，通過網絡自身智能、運營運維智能、對外服務智能實現智能連接、智能管理和智能服務。

圖4 5G&5G-Advanced網絡智能化總體架構

（1）智能化平臺，包含了支撐AI應用的四大核心要素，包括數據平臺、訓練平臺、推理平臺、AI模型市場。數據平臺作為數據采集、處理和存儲平臺，從網元、網絡、網管采集數據后，進行數據的清洗、關聯、標注、脫敏等數據預處理，然后將數據存儲，并基于安全策略進行開放和共享。訓練平臺提供AI模型訓練功能，推理平臺提供推理功能。AI模型市場為已訓練模型提供存儲和調用功能。

（2）網絡自身智能，是在以控制和轉發為核心的網絡連接功能中引入AI技術，實現網絡轉發性能和控制策略的最優，實現網絡成本和業務體驗的最佳匹配。網絡自身智能的典型應用場景包括基于預測的移動性管理、動態路徑優化、QoS保障和優化等。

（3）運營運維智能，通過在網絡運維運營層面引入AI技術，提升網絡規劃、建設、維護、優化、運營的網絡全生命周期的自動化和智能化的水平。網絡運維智能的典型應用場景包括智能站址及工參規劃、告警壓縮、故障的根因定位、智能節能等。

（4）對外服務智能，是指通過網絡智能化能力的開放，為個人和第三方應用提供智能化服務能力，賦能垂直行業應用。對外服務智能的典型應用場景包括對車網協同、業務質量預測等。

此外，網絡自身智能中的各技術域如接入網、傳送網等，通過感知、分析、決策控制、執行，實現本域的閉環自治，同時網絡自身智能與運營運維智能之間相互協同，實現更高層級的閉環自治。

3 6G網絡智能內生的定義和架構特征

3.1 6G智能內生的定義

芬蘭奧盧（Oulu）大學6G旗艦研究計劃（6G Flagship Research Program）2019年9月在6G全球峰會發布了首個6G白皮書[4]，此后許多頂尖公司、研究機構、產業平臺都發布了各自的6G網絡愿景[5-11]，6G在人工智能、空天地一體化等方面已經初步形成共識，智能內生已經成為6G的重要特征之一。

6G智能內生的內涵和定義作為研究熱點正在持續討論中，本文在綜合目前國內外研究現狀基礎上，嘗試給出6G智能內生的定義。6G智能內生是指6G網絡通過原生支持AI，將AI能力作為網絡的基本服務，實現AI即服務（AIaaS），使網絡能夠自學習、自演進，并賦能行業AI，構筑全行業的泛在智能生態系統。

智能內生從字面意思來看可以分成“智能”和“內生”兩個部分。首先，“智能”表示以AI/ML作為核心技術，用于網絡自身的感知、分析、最優決策，AI技術因其具有強大的學習、分析和決策能力，以及分布式的網絡AI能力，與終端AI、云AI相互協作，實現全行業的智能泛在，體現無處不在的AI理念。其次，“內生”意味著“與生俱來”，即在開始設計6G網絡時就要支持AI應用在網絡中的無縫運行，這些AI應用包括網絡自身的AI應用以及行業AI應用。

3.2 6G網絡智能內生架構的特征

本文基于對智能內生的定義和分析，提出了6G網絡智能內生架構應具備的4個特征。

（1）分布式智能

未來20年，智能應用將逐漸成為主流，人工智能將在各個行業廣泛部署，同時，移動設備將呈指數級增長，導致計算資源由云端向邊緣端轉移[10]，分布式的計算資源使得基于中心云的集中AI平臺向協作式、分布式的AI平臺轉變。這種分布式AI平臺，可使每個參與協作的智能節點或設備之間傳遞的只是參數或運行結果，而不是全量原始數據。同時，分布式AI平臺可以支撐模型在邊緣設備之間的交換和協同，以及跨網絡之間的聯合推理[8]。分布式AI突破了集中式智能的運行瓶頸，同時避免了數據傳輸的浪費和低效，解決了數據的隱私保護問題，可極大促進AI應用在全社會的普及。因此，大規模的分布式訓練、群智式的推理協同，以及對數據的隱私保護促使6G網絡需要對AI平臺的原生支持和分布式部署，實現在任何位置都能運行AI，助力構建新的全行業智能通信生態系統。

分布式智能的第二層含義是，6G賦能AI，AI同時也在推動6G的技術革新。6G 不僅包含5G 涉及的人類社會、信息空間、物理世界（人、機、物）這3個核心元素，還包含本文定義的第四維元素——靈（Genie）。Genie存在于虛擬世界體系，不需要人工參與即可實現通信和決策制定。Genie基于實時采集的大量數據和高效機器學習技術，完成用戶意圖的獲取以及決策的制定。Genie 存在于人?機?物全方位融合的基礎之上，可以覆蓋任意物理空間的實體，包含可作為通信與計算節點的物理實體[12]。文獻[12]中的“靈”就是6G網絡中分布式智能的體現，作為6G網絡的第4個核心元素助力6G網絡，通過無處不在的智能，實現空天地一體化、異構大連接場景下，對虛實世界的實時環境感知和預測、意圖的分析和決策以及網絡的自我修復和優化，使6G網絡成為一個真正有智慧的靈動網絡。

（2）智算網融合的智能編排和調度

構筑全行業智能通信生態系統，需要6G網絡通過分布式智能平臺以軟件形式提供智能服務，通過提供支撐智能應用運行的基礎硬件計算資源來提供算力服務，通過提供網絡連接資源來提供連接服務，實現智能、算力、連接的融合。智、算、網的融合極大增加了融合服務管理和調度的復雜性，需要綜合服務的發現、流程的編排、資源的調度、性能的測量實現最優的調度和編排。文獻[13]提出了一個網絡AI服務解析和編排的解決方案，它將AI服務映射為一個包含多個AI模型和多個數據處理模塊的邏輯AI工作流，通過邏輯編排和封裝對外體現完整的AI訓練、推理服務。6G智能內生架構中需設計智算網融合的智能編排和調度功能，并對融合服務的服務保障等級協議（service level agreement，SLA）進行保障。例如，綜合智能、算力、連接情況，通過事先預測和規劃、實時檢測、分析診斷和動態控制調整實現編排和調度的最優，提升網絡綜合服務能力。

（3）數據和知識雙驅動

近年來，基于數據驅動的AI/ML技術正蓬勃發展，特別是以深度學習為代表AI技術掀起了第3次人工智能高潮，在圖像識別、語音識別、自然語言場景取得了很好的效果。通信網絡中有大量數據的優勢，同時存在許多無法建模和無法精確求解的感知、預測、優化等場景，而數據驅動的AL/ML技術[14]其核心優勢之一在于它善于從大量數據中深入挖掘數據的本質特征，無須建立固定的規則。因此，將AL/ML應用到6G網絡中，可以實現精確的感知以及效益和性能的優化。大量且動態的數據不僅可以支撐AI/ML模型的訓練，同時還可以支持網絡鏡像模型的構建實現模型的驗證和試錯，提升了AI應用的可靠性。

但是數據驅動的AI技術還存在不足，反觀AI技術的發展歷程，第一代知識驅動的AI，利用知識構造AI；第二代數據驅動的AI，利用數據、算法與算力3個要素構造AI。由于第一、二代AI只是從一個側面模擬人類的智能行為，因此存在各自的局限性。為了建立一個全面反映人類智能的AI，需要建立魯棒與可解釋的AI 理論與方法，發展安全、可信、可靠與可擴展的AI 技術，即第三代AI。其發展的思路是，把第一代的知識驅動和第二代的數據驅動結合起來，通過同時利用知識、數據、算法和算力4個要素，構造更強大的AI[15]。

因此在6G網絡智能內生架構的設計中要充分考慮AI技術的發展，數據和知識雙驅動將是6G網絡智能的重要特征。

（4）自適應架構

6G面向空天地一體下的多類型終端，需支持包括云XR、全息通信、感官互聯、智慧交互、通信感知等不同類型且復雜的業務場景。多樣化的目標、多變的服務場景和個性化的用戶需求，要求6G網絡具有顯著的可塑性[9]。網絡可通過支持對不同業務需求識別和預測，自動編排和部署各域網絡功能，生成滿足業務需求的端到端服務流[7]，并支持動態擴縮容以滿足網絡超大帶寬、超低時延等不同目標，實現網絡規模的自適應。

傳統的通信系統是面向連接的，最典型的服務可以在兩個特定的終端之間建立連接，他們的服務需求是事先確定并且不會變化的。但是，6G網絡除了提供傳統的固定連接服務之外，還應該提供基于AI的動態服務，例如通過為汽車提供QoS預測服務來支撐完全的自動駕駛[13]。這種新型服務可能涉及多終端或設備之間的連接，服務需具備自適應性，能夠動態地調度和編排多維資源以適應需求的變化。因此，具備自適應性是6G智能內生架構的重要特征。

4 6G網絡智能內生的潛在關鍵技術

4.1 分布式聯合學習

深度學習在圖像識別、自然語言處理等領域中的優異表現，推動了人工智能的發展，增大數據集以及增大模型參數量在提高準確率的同時，也導致了計算量和訓練時間的提高。因此，為了加速模型訓練，業界提出了分布式學習。當前的研究熱點聯邦學習、群體學習作為分布式的機器學習，使用移動端的分散數據進行本地訓練，仍能達到高質量的訓練效果，并保護了數據隱私、減少了數據傳輸成本，如圖5所示。圖5(a)展示了聯邦學習架構，在聯邦學習中，節點使用本地數據集進行模型訓練，然后發送更新的參數到服務器，服務器再將聚合后的參數更新返回給各節點[16]。圖5(b)展示了群體學習架構，它基于區塊鏈智能合約動態地加入新節點，新節點在進行本地模型訓練后，通過swarm網絡交換模型參數[17]。

圖5 分布式的機器學習

空天地海一體的6G網絡，人、機、物存在其中，將產生大量且多樣的數據，這些數據分布在不同的網絡、系統、網元上，如果將這些數據集中起來訓練，那么將會產生高昂的傳輸成本并帶來安全隱患，因此，分布式聯合學習將是實現6G網絡多用戶智能分布協作的關鍵技術。在6G時代，如何設計分布式學習架構、優化參數通信方式，將成為影響6G網絡AI應用產出效率的重要因素。

4.2 數字孿生

數字孿生技術可以利用物理實體模型參數、傳感數據、運行歷史數據等在虛擬空間中完整映射出一個與物理實體一致的孿生體，并在孿生體中精準呈現反映物理實體的全生命周期。隨著數字孿生技術的成熟，數字孿生網絡（DTN）的概念[18]被提出。DTN通過數字孿生技術，可生成6G網絡的數字孿生網絡實體，構建6G網絡智能內生的數據底座，同時物理網絡實體可以和數字孿生網絡實體實時交互映射，實現多種網絡管理和應用的實時閉環控制，降低網絡風險和運營成本。

針對智能內生網絡，網絡決策無處不在且策略復雜多樣，這些策略將分布在網絡的不同運維管理域和網絡功能中，針對業務運行狀態的策略修改將“牽一發而動全身”。利用數字孿生技術，網絡運維及業務運行的不同策略可以在與物理網絡相同的孿生環境中進行初步驗證和協同，確保得到最優策略。與此同時，DTN可基于實時的輸入數據對網絡配置等參數進行動態調整，提高網絡的穩定性和可靠性。

4.3 AutoML

深度學習具有強大的學習能力，但學習過程需要大量的人工參與，AutoML（自動機器學習）作為深度學習領域目前最具潛力的方向之一，可以自動化地學習到合適的參數和配置，提供一站式的數據處理、模型訓練和服務部署而無須人工干預。盡管AutoML仍面臨很多挑戰，例如計算量需求非常大，但它通過迭代自學習的方式，使得機器能夠自己控制自己，這種自我調整的能力為智能內生的6G網絡自學習、自演進提供了有力的技術支撐。一方面，面對6G網絡不同的應用場景，AutoML可以使能算法和網絡結構的自動化適配，如圖6所示，通過自動化特征工程、自動化建模、自動化調參等機器學習的各個環節，快速響應不同的場景需求；另一方面，AutoML通過基于數據的模型結構搜索[19-20]，能夠自動地尋找最佳神經網絡結構，讓網絡自己去學習和訓練規則，使得網絡的自演進成為可能。

圖6 AutoML框架示意圖[21]

4.4 強化學習

強化學習（reinforcement learning）如圖7所示，通過“交互?試錯”機制，與環境不斷交互進而學習到有效的策略，很大程度上反映了人腦做出決定的反饋系統運行機理, 這也是通往真正AI的重要道路[14]。6G網絡是大規模的復雜系統，應用場景復雜多樣，智能內生的6G網絡需具備對環境的全面感知能力，從而實現對全維資源的聯合優化和利用[22]，因此，強化學習算法更加適合動態性強的6G網絡。強化學習通過智能體與環境的交互過程，能夠感知到頻譜、能量、緩存、計算等資源，促進通信與計算、存儲更深地融合，并在選擇行為策略時，充分考慮到環境模型的不確定性和目標的長遠性[14]，確保服務、編排、管理對高動態環境的適應性，提升6G網絡的自治能力。

圖7 強化學習[14]

4.5 知識圖譜

盡管數據驅動的人工智能飛速發展，知識驅動的人工智能憑借其堅實的認知心理學基礎，在學術界仍具有較高的研究價值，其中，2012年谷歌提出的知識圖譜[23]，作為一種將復雜知識進行表示的方法，在技術領域的熱度正在逐年上升。如圖8所示，知識圖譜的構建，包括信息抽取、知識融合、知識加工3個過程[24]。通過信息抽取，可以從一些公開的半結構化、非結構化的數據中提取出實體、屬性以及實體間的相互關系；通過知識融合，可以對新知識進行整合，以消除矛盾和歧義；通過知識加工，可以對已有的知識庫進行知識推理，進一步挖掘隱含的知識，并對經過融合的新知識進行質量評估，將合格的部分加入知識庫中，以確保知識庫的質量。

當6G來臨后，“人?機?物”的連接將向智慧延伸，實現“人?自然?智慧”的互動和連接，即“人?機?物?靈”融合[12]，知識圖譜能夠將6G網絡中海量的數據、復雜的連接進行有效的加工、處理、整合，并聚集為知識，形成簡單、清晰的“實體?關系?實體”的三元組，實現知識的快速響應和推理，使6G網絡的知識互聯成為了可能。

5 6G網絡智能內生應用場景分析

（1）工廠多智能體的群智協同

需求描述：在工業互聯網場景下，工廠智能體遍布工廠的各個環節，智能體應支持自主感知、自主分析、自主決策、自主控制的自動化閉環。由于智能體本身在計算和存儲資源方面有限，需要借助外部的資源進行AI訓練和推理。同時由于單個智能體的數據和場景有限，AI應用的效果不僅依賴于適當的算法，更依賴于大型訓練數據集。由于現場數據本身是分散的，僅僅依靠本地的數據量通常不足以訓練出可靠且能力強的模型[17]，因此在分布式環境下需要多智能體的數據共同訓練模型。此外，在面對需要多智能體綜合決策的復雜場景時，需要多智能體進行協同推理和決策。

解決方案：網絡在邊緣層部署分布式人工智能節點，在聯合訓練、推理場景下，多個單智能體向網絡申請邊緣AI服務，網絡根據終端的性能、位置等需求，綜合網絡的智能、算力、連接資源進行智能編排和調度，然后向多個智能體提供邊緣AI服務。這些AI服務的內容可以包括聯合訓練時的模型參數、梯度等數據傳遞和整合、推理模型和參數的分割、推理數據的整合和傳遞以及流程的協調等。最終實現工廠多智能體的分布式聯合訓練和群智協同。

（2）動態自適應的網絡切片SLA保障

需求描述：6G網絡將實現虛擬世界和物理世界的融合、全息通信、情景化和個性化通信服務、空天地海集成異構的網絡接入[25]，業務的多樣化、用戶需求在時間和空間上的動態變化以及極致的體驗需求，需要6G網絡具備靈活性和動態適應性。

解決方案：5G引入了網絡切片這一技術，一個網絡切片是一個邏輯上獨立的端到端網絡，它根據SLA為特定的服務類型量身定制。靈活定制且支持動態適應的網絡切片是以上需求的可行解決方案。在基于智能內生的網絡切片架構中，網絡切片具備精確的感知能力，基于大量數據和知識底座，通過分布式智能對網絡、用戶、環境等多維信息進行表征、構建和學習。網絡切片在感知和預測用戶需求及其變化的基礎上，進行動態的資源分配、動態流量調度、動態擴/縮容，實現網隨業動的切片網絡動態適應能力。

6 結束語

6G網絡將致力于打造一個空天地海全覆蓋、人機物全連接的通信世界，但網絡的復雜性、連接設備的數量也將劇增，對網絡的性能優化和管理優化等帶來了新的挑戰。人工智能將在應對這些挑戰中發揮重要作用。為了更好地在網絡中引入人工智能，需要從5G的外掛方式演進到6G的內生方式。本文在闡述5G網絡和5G-Advanced的智能化發展和架構定義的基礎上，提出了6G網絡智能內生的定義和特征，即分布式智能、智算網融合的智能編排和調度分析、數據和知識雙驅動和自適應架構，分析了6G網絡智能內生的潛在關鍵技術，最后，結合工廠多智能體群智協同、動態自適應的網絡切片SLA保障的應用案例進一步探討了智能內生架構的實現理念。

6G研究剛剛起步，有許多研究課題需要進一步探索。本文希望通過對6G網絡智能內生的思考，為業界同仁在未來6G網絡的發展研究中提供一些啟示。6G網絡智能內生的理念需要在架構、技術、生態系統等方面進一步研究和推進，從而實現真正的6G智能內生愿景。