6G-ADM：基于知識(shí)空間的6G 網(wǎng)絡(luò)管控體系

廖建新，付霄元，戚琦，王敬宇，孫海峰

（北京郵電大學(xué)網(wǎng)絡(luò)與交換國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100876）

0 引言

隨著立體覆蓋、極致性能、虛實(shí)融合、泛在智能等6G 愿景達(dá)成共識(shí)，個(gè)性化服務(wù)定制、網(wǎng)元種類激增、場(chǎng)景疊加多變等問(wèn)題將給網(wǎng)絡(luò)管控體系帶來(lái)更加嚴(yán)峻的挑戰(zhàn)。對(duì)6G 網(wǎng)絡(luò)而言，網(wǎng)元、協(xié)議、應(yīng)用、架構(gòu)等都將呈現(xiàn)高度異構(gòu)性與復(fù)雜性。智慧內(nèi)生與至簡(jiǎn)網(wǎng)絡(luò)為6G 網(wǎng)絡(luò)架構(gòu)與功能設(shè)計(jì)提供了可行思路。智慧內(nèi)生的6G 網(wǎng)絡(luò)，其網(wǎng)元具備不同級(jí)別的智能性，可自主生成策略完成傳統(tǒng)人工配置策略實(shí)現(xiàn)的網(wǎng)絡(luò)功能，為更高效的網(wǎng)絡(luò)管控提供基礎(chǔ)條件。從大道至簡(jiǎn)的網(wǎng)絡(luò)設(shè)計(jì)思想出發(fā)，由高效的網(wǎng)絡(luò)管控入手，可通過(guò)全網(wǎng)多層級(jí)資源的快速高效組織與調(diào)配，簡(jiǎn)化網(wǎng)絡(luò)架構(gòu)、精簡(jiǎn)復(fù)雜協(xié)議、減輕人工運(yùn)維，實(shí)現(xiàn)全場(chǎng)景網(wǎng)絡(luò)按需服務(wù)。當(dāng)前5G網(wǎng)絡(luò)管理、控制和運(yùn)維系統(tǒng)獨(dú)立封閉，重點(diǎn)解決具體場(chǎng)景問(wèn)題，其安全性、智能性、協(xié)同性缺乏全局規(guī)劃和統(tǒng)一設(shè)計(jì)，難以應(yīng)對(duì)未來(lái)沉浸式、個(gè)性化的全場(chǎng)景服務(wù)和性能需求，亟待面向6G 按需服務(wù)的網(wǎng)絡(luò)管控體系構(gòu)建與關(guān)鍵技術(shù)突破。

根據(jù)現(xiàn)有的研究成果，6G 網(wǎng)絡(luò)將向空、天、地、海泛在融合的物理空間拓展，集地面無(wú)線通信、高中低緯度衛(wèi)星互聯(lián)網(wǎng)和海洋互聯(lián)網(wǎng)于一體，形成具有最大化容量、密集泛在連接和高致密頻譜的全覆蓋空間[1-3]。6G 關(guān)鍵指標(biāo)將全面提升，網(wǎng)絡(luò)呈現(xiàn)極致性能，將服務(wù)邊界從物理世界延拓至虛擬世界[4]。智能化在6G領(lǐng)域的必要性和重要性已成共識(shí)，深度學(xué)習(xí)廣泛應(yīng)用于資源管理、參數(shù)調(diào)優(yōu)、策略控制、智能運(yùn)維等領(lǐng)域[5]。目前，針對(duì)6G 的國(guó)內(nèi)外研究形勢(shì)總結(jié)如下。

1) 全場(chǎng)景全域泛在接入與自主組網(wǎng)。美國(guó)已推出星鏈計(jì)劃，有望實(shí)現(xiàn)全球低成本互聯(lián)網(wǎng)服務(wù)[6]。針對(duì)自主組網(wǎng)管控，美國(guó)弗吉尼亞理工大學(xué)提出6G自維持網(wǎng)絡(luò)[7]，在高動(dòng)態(tài)和復(fù)雜環(huán)境下保持關(guān)鍵性能指標(biāo)，按需調(diào)整網(wǎng)絡(luò)功能與資源使用。文獻(xiàn)[8]提出建立信息與價(jià)值的可信通道，著力網(wǎng)絡(luò)態(tài)勢(shì)感知與資源可信共享，滿足網(wǎng)絡(luò)資源、數(shù)據(jù)、服務(wù)等全域可信共享需求。

2) 打通虛實(shí)空間泛在統(tǒng)一的智聯(lián)網(wǎng)絡(luò)。文獻(xiàn)[9]提出6G“人-機(jī)-物-靈”四維通信對(duì)象，滿足認(rèn)知增強(qiáng)與決策推演需求，實(shí)現(xiàn)意念驅(qū)動(dòng)網(wǎng)絡(luò)。文獻(xiàn)[10]提出6G 的服務(wù)對(duì)象將從物理世界的人、機(jī)、物拓展至虛擬世界的“靈”，滿足人類精神和物質(zhì)的全方位需求。文獻(xiàn)[11]提出以Cybertwin 網(wǎng)絡(luò)架構(gòu)實(shí)現(xiàn)虛實(shí)融合的數(shù)字孿生世界。針對(duì)全息通信、數(shù)字孿生等新業(yè)務(wù)的高精度通信需求，6G 將打破傳統(tǒng)網(wǎng)絡(luò)“統(tǒng)計(jì)復(fù)用、盡力而為”的原則，提供細(xì)粒度精準(zhǔn)控制。中國(guó)移動(dòng)提出將構(gòu)建“按需服務(wù)的網(wǎng)絡(luò)”，提供動(dòng)態(tài)、超細(xì)粒度的服務(wù)能力供給，為用戶帶來(lái)極致性能體驗(yàn)[12]。

3) 全網(wǎng)智能化已成為重要共識(shí)。香港科技大學(xué)提出以人工智能為中心的6G 網(wǎng)絡(luò)架構(gòu)[13]，華為開(kāi)展自動(dòng)駕駛網(wǎng)絡(luò)研究[14]，基于海量數(shù)據(jù)提升電信網(wǎng)絡(luò)預(yù)防和預(yù)測(cè)能力。芬蘭奧盧大學(xué)及眾多學(xué)者提出6G 將實(shí)現(xiàn)邊緣原生智能與算力網(wǎng)絡(luò)[15]，協(xié)同優(yōu)化邊緣資源，并提供分布式智能環(huán)境。然而，“數(shù)據(jù)孤島”是限制移動(dòng)通信智能技術(shù)發(fā)展的主要瓶頸之一，美國(guó)麻省理工學(xué)院的Clark 等學(xué)者提出網(wǎng)絡(luò)“知識(shí)平面”概念，基于人工智能與認(rèn)知系統(tǒng)來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)的自配置、自適應(yīng)、自修復(fù)，為解決全網(wǎng)智能化開(kāi)辟了一條新途徑[16]。

上述文獻(xiàn)較少涉及資源管理和控制的管控體系，因此有必要對(duì)6G 網(wǎng)絡(luò)管理和控制的人工智能（AI,artificial intelligence）支持技術(shù)和實(shí)現(xiàn)方法進(jìn)行進(jìn)一步探索。隨著6G 愿景成為共識(shí)，如6G 網(wǎng)絡(luò)的全球覆蓋、服務(wù)的最終性能和網(wǎng)絡(luò)控制的無(wú)處不在的智能，一個(gè)合適的網(wǎng)絡(luò)管理和控制架構(gòu)已變得越來(lái)越重要，迫切需要構(gòu)建一套完整的6G 按需業(yè)務(wù)管控架構(gòu)，并取得關(guān)鍵技術(shù)突破。圖1 展示了6G全場(chǎng)景全域網(wǎng)絡(luò)按需管控架構(gòu)。下一代服務(wù)管控體系預(yù)計(jì)將實(shí)現(xiàn)“服務(wù)隨心所想，網(wǎng)絡(luò)隨需而變和資源隨愿共享”，即及時(shí)處理按需需求，實(shí)現(xiàn)用戶想要的服務(wù)，網(wǎng)絡(luò)將隨著需求而變化，在6G 基礎(chǔ)設(shè)施之上共享用戶服務(wù)所需的資源。目前，5G 網(wǎng)絡(luò)管控運(yùn)營(yíng)方案是孤立封閉的，需重點(diǎn)解決具體的場(chǎng)景問(wèn)題。其安全性、智能性和協(xié)作性缺乏整體規(guī)劃和統(tǒng)一設(shè)計(jì)，很難處理未來(lái)沉浸式和個(gè)性化的服務(wù)需求[17]。具體來(lái)說(shuō)，5G 需要在時(shí)延、能量、成本、硬件復(fù)雜度、吞吐量和端到端可靠性等方面進(jìn)行權(quán)衡。例如，移動(dòng)高帶寬和低時(shí)延通信的要求通過(guò)不同的5G 網(wǎng)絡(luò)配置來(lái)解決，無(wú)法同時(shí)滿足[18]。6G 突破性技術(shù)和當(dāng)前演進(jìn)相結(jié)合。6G 網(wǎng)絡(luò)將具有按需服務(wù)、極簡(jiǎn)、柔性、內(nèi)生智能、內(nèi)生安全五大特征。和5G相比，6G 關(guān)鍵性能指標(biāo)將提高10 到100 倍，且期望以整體方式同時(shí)滿足這些嚴(yán)格的指標(biāo)。

圖1 6G 全場(chǎng)景全域網(wǎng)絡(luò)按需管控架構(gòu)

智簡(jiǎn)網(wǎng)絡(luò)的設(shè)計(jì)思想強(qiáng)調(diào)實(shí)現(xiàn)極智能化的終端節(jié)點(diǎn)和極簡(jiǎn)約化的網(wǎng)絡(luò)通信協(xié)議結(jié)構(gòu)，通過(guò)內(nèi)生智能簡(jiǎn)化通信網(wǎng)絡(luò)本身，實(shí)現(xiàn)網(wǎng)絡(luò)智能化和簡(jiǎn)約化之間的相互促進(jìn)和協(xié)同[19-20]。面向智簡(jiǎn)網(wǎng)絡(luò)的設(shè)計(jì)需求，本文將網(wǎng)絡(luò)內(nèi)生智能的管控知識(shí)空間引入6G管控體系，知識(shí)空間負(fù)責(zé)收集和提取超級(jí)智能網(wǎng)絡(luò)節(jié)點(diǎn)通過(guò)智能計(jì)算生成的網(wǎng)絡(luò)管控經(jīng)驗(yàn)和知識(shí)，構(gòu)成網(wǎng)絡(luò)管控知識(shí)庫(kù)，對(duì)網(wǎng)絡(luò)需求的感知、網(wǎng)絡(luò)資源的共享及全域網(wǎng)絡(luò)管控策略的生成起到“超級(jí)大腦”的作用，最終實(shí)現(xiàn)下一代網(wǎng)絡(luò)基礎(chǔ)設(shè)施之上只有一層知識(shí)空間作為管控決策層的6G 管控架構(gòu)內(nèi)生智能與極簡(jiǎn)優(yōu)化。基于此，本文提出基于知識(shí)空間的6G 網(wǎng)絡(luò)管控體系，簡(jiǎn)稱為6G-ADM（6G admin），主要貢獻(xiàn)總結(jié)如下。

1) 為了實(shí)現(xiàn)6G 業(yè)務(wù)的個(gè)性化定制，提高6G業(yè)務(wù)的性能，闡釋網(wǎng)絡(luò)管理、控制和運(yùn)維的一體化集成趨勢(shì)，網(wǎng)絡(luò)的管控體系的發(fā)展將順應(yīng)“智簡(jiǎn)網(wǎng)絡(luò)”的趨勢(shì)發(fā)展形成“智簡(jiǎn)的管控一體化體系”。管控體系內(nèi)生智能，智能管控的概念和策略生成過(guò)程趨于簡(jiǎn)約化，將以更細(xì)粒度的方式分配資源。

2) 6G 網(wǎng)絡(luò)將支持全場(chǎng)景的個(gè)性化、沉浸式服務(wù)，要為用戶提供極低時(shí)延、極高可靠等極致性能體驗(yàn)。6G 資源很豐富，但仍然是有限的，需求增長(zhǎng)和資源消耗存在矛盾，對(duì)細(xì)粒度資源的高度適配提出了重要挑戰(zhàn)。本文提出6G-ADM 完善網(wǎng)絡(luò)管理和控制知識(shí)，旨在形成一個(gè)閉環(huán)來(lái)支持按需服務(wù)，并有效地處理6G 網(wǎng)絡(luò)中需求增長(zhǎng)與資源消耗之間的矛盾。本文考慮通過(guò)網(wǎng)絡(luò)知識(shí)的內(nèi)生智能實(shí)現(xiàn)可持續(xù)的按需服務(wù)，建立知識(shí)空間來(lái)協(xié)調(diào)人工智能和傳統(tǒng)人工定義。

3) 作為實(shí)現(xiàn)6G-ADM 閉環(huán)管控功能的兩項(xiàng)關(guān)鍵技術(shù)，本文提出了一種新的網(wǎng)絡(luò)切片方法和基于知識(shí)空間的異常檢測(cè)方法。6G-ADM 將包括資源分配和異常檢測(cè)在內(nèi)的閉環(huán)服務(wù)策略轉(zhuǎn)化為全局網(wǎng)元的執(zhí)行行為。本文通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了所提方法的有效性。

1 6G 網(wǎng)絡(luò)管控的動(dòng)機(jī)和挑戰(zhàn)

1.1 6G 的復(fù)雜系統(tǒng)特性

復(fù)雜系統(tǒng)及系統(tǒng)行為經(jīng)常涉及涌現(xiàn)、適應(yīng)性和自組織，可以描述為分散、非層次、扁平、無(wú)定形和分布式的“網(wǎng)絡(luò)”。復(fù)雜系統(tǒng)中組件逐漸增多，系統(tǒng)中的信息流也在快速增長(zhǎng)。復(fù)雜和異構(gòu)的6G網(wǎng)絡(luò)是迅速擴(kuò)展的復(fù)雜系統(tǒng)。6G 網(wǎng)絡(luò)將擁有更密集部署的基站與無(wú)數(shù)的終端用戶，以及預(yù)計(jì)將在6G網(wǎng)絡(luò)中引入的新技術(shù)，如人工智能、機(jī)器學(xué)習(xí)、太赫茲波段通信等，使任何已知的信息理論都無(wú)法直接模擬行為及其動(dòng)力學(xué)。同時(shí)，網(wǎng)絡(luò)功能軟件化和網(wǎng)絡(luò)服務(wù)動(dòng)態(tài)編排的趨勢(shì)進(jìn)一步加劇了這種情況的發(fā)生。

6G 結(jié)合人工智能和機(jī)器學(xué)習(xí)技術(shù)的“連接智能”對(duì)性能提出了更嚴(yán)格的要求，這將不可避免地改變基本的網(wǎng)絡(luò)概念，并增加網(wǎng)絡(luò)的復(fù)雜性。為了實(shí)現(xiàn)“連接智能”，需要非常高且可靠的數(shù)據(jù)速率（單個(gè)數(shù)據(jù)速率約為1 Tbit/s[21]）、極低的端到端時(shí)延、非常高的能效，以及高效的網(wǎng)絡(luò)服務(wù)。此外，地面無(wú)線通信系統(tǒng)與衛(wèi)星和網(wǎng)聯(lián)車輛、網(wǎng)聯(lián)無(wú)人機(jī)等設(shè)施連接將進(jìn)一步增加6G 系統(tǒng)的復(fù)雜性。

1) 動(dòng)態(tài)拓?fù)洹Ｓ脩敉ㄟ^(guò)其設(shè)備接入6G 網(wǎng)絡(luò)，同時(shí)，物聯(lián)網(wǎng)的大量智能設(shè)備也將動(dòng)態(tài)連接到提供最佳服務(wù)質(zhì)量的網(wǎng)絡(luò)，使6G 網(wǎng)絡(luò)呈現(xiàn)完全動(dòng)態(tài)性。自動(dòng)駕駛車輛、無(wú)人機(jī)、衛(wèi)星和雷達(dá)設(shè)備，以及諸多快速移動(dòng)的節(jié)點(diǎn)將進(jìn)一步增加復(fù)雜性。由此需要新的數(shù)學(xué)模型和智能分析模型，準(zhǔn)確建模網(wǎng)絡(luò)的動(dòng)態(tài)干擾特征，使節(jié)點(diǎn)能夠快速切換到提供最佳服務(wù)質(zhì)量的接入設(shè)備。

2) 復(fù)雜結(jié)構(gòu)。6G 網(wǎng)絡(luò)的自組織與演化特性，以及節(jié)點(diǎn)和連接多樣性，使其網(wǎng)絡(luò)具有復(fù)雜的拓?fù)浣Y(jié)構(gòu)與動(dòng)力學(xué)特征。常見(jiàn)的復(fù)雜網(wǎng)絡(luò)，如隨機(jī)網(wǎng)絡(luò)、小世界網(wǎng)絡(luò)和無(wú)標(biāo)度網(wǎng)絡(luò)等結(jié)構(gòu)，都將成為6G 網(wǎng)絡(luò)的一種形態(tài)。這對(duì)6G 網(wǎng)絡(luò)建模表征與優(yōu)化提出了挑戰(zhàn)，需要更好地了解其動(dòng)力學(xué)和功能行為。

3) 自主行為。6G 網(wǎng)絡(luò)可以由不同類型與功能的智能網(wǎng)元節(jié)點(diǎn)組成，通過(guò)具有不同特性和方向的鏈路互連，為全場(chǎng)景應(yīng)用提供至簡(jiǎn)的網(wǎng)絡(luò)功能。然而，內(nèi)生智能的網(wǎng)元在一定約束條件下的自主行為決策，在降低了人工成本的同時(shí)，諸多不確定性因素也給網(wǎng)絡(luò)管控帶來(lái)了新挑戰(zhàn)，亟須利用網(wǎng)絡(luò)的內(nèi)生智能性探索統(tǒng)一的網(wǎng)絡(luò)自治方法，保障6G 網(wǎng)絡(luò)的可靠性。

1.2 管理、控制和運(yùn)維一體化需求

管理、控制和運(yùn)維是實(shí)現(xiàn)當(dāng)前網(wǎng)絡(luò)管控的3 個(gè)關(guān)鍵領(lǐng)域。網(wǎng)絡(luò)管理的功能包括網(wǎng)絡(luò)故障管理、網(wǎng)絡(luò)配置管理、網(wǎng)絡(luò)性能管理、網(wǎng)絡(luò)計(jì)費(fèi)管理和網(wǎng)絡(luò)安全管理，具有靜態(tài)、長(zhǎng)周期的特征。網(wǎng)絡(luò)控制一般指實(shí)現(xiàn)通信網(wǎng)絡(luò)控制面的指令下發(fā)的功能，具有動(dòng)態(tài)實(shí)時(shí)性特征。目前，由于各種新興業(yè)務(wù)場(chǎng)景的需求，網(wǎng)絡(luò)管理的很多功能要求的管理周期越來(lái)越短，網(wǎng)絡(luò)管理與網(wǎng)絡(luò)控制的邊界越來(lái)越模糊。網(wǎng)絡(luò)運(yùn)維的本質(zhì)是對(duì)整個(gè)網(wǎng)絡(luò)的生命周期各個(gè)階段的運(yùn)營(yíng)與維護(hù)，通過(guò)人工和自動(dòng)化方法監(jiān)控和保障網(wǎng)絡(luò)正常運(yùn)行。網(wǎng)絡(luò)運(yùn)維中需要配置監(jiān)控指標(biāo)，其策略是配置監(jiān)控對(duì)象的條件，出現(xiàn)故障問(wèn)題要對(duì)具體網(wǎng)元進(jìn)行處理，這就需要管理和控制相協(xié)同來(lái)解決運(yùn)維事項(xiàng)。由此可見(jiàn)，管理域、控制域和運(yùn)維域已經(jīng)開(kāi)始呈現(xiàn)相互融合的趨勢(shì)。然而，當(dāng)前網(wǎng)絡(luò)管理、控制和運(yùn)維系統(tǒng)獨(dú)立封閉，現(xiàn)有網(wǎng)絡(luò)管控體系受限于單一平面部署，封閉網(wǎng)元設(shè)計(jì)，網(wǎng)絡(luò)管理、控制、運(yùn)維等系統(tǒng)孤立分散，制約了全域網(wǎng)絡(luò)統(tǒng)一科學(xué)管控，無(wú)法實(shí)現(xiàn)資源、數(shù)據(jù)、策略有效共享與協(xié)作，難以發(fā)揮6G 使能技術(shù)優(yōu)勢(shì)。

1.3 網(wǎng)絡(luò)智能策略的一致性挑戰(zhàn)

一般而言，通信網(wǎng)絡(luò)中需要管控的資源對(duì)象包括計(jì)算資源（虛擬機(jī)、容器、函數(shù)級(jí)服務(wù)）、存儲(chǔ)資源、網(wǎng)絡(luò)資源和業(yè)務(wù)資源等。對(duì)于網(wǎng)絡(luò)資源，從數(shù)據(jù)面來(lái)看，有網(wǎng)絡(luò)切片、動(dòng)態(tài)切片（子切片）、具有優(yōu)先級(jí)的路由、主動(dòng)管理的隊(duì)列，以及可調(diào)度的流、幀、包（最小粒度）等；從控制面來(lái)看，可以細(xì)分到將“協(xié)議交互”封裝為一個(gè)“原子能力”的級(jí)別。上層業(yè)務(wù)能力也可以分為各級(jí)別的業(yè)務(wù)能力和復(fù)合能力、平臺(tái)能力和基礎(chǔ)能力等。目前，隨著未來(lái)沉浸式、個(gè)性化的全場(chǎng)景服務(wù)和性能需求的不斷涌現(xiàn)，資源管控的差異性將越來(lái)越大，資源調(diào)配的粒度也會(huì)更加豐富。

在智能化管控場(chǎng)景下，管理域、控制域和運(yùn)維域通常將獨(dú)立運(yùn)行一些智能化管控策略。例如，網(wǎng)絡(luò)管理的切片劃分、網(wǎng)絡(luò)控制相關(guān)的路由選擇和運(yùn)維系統(tǒng)中的關(guān)鍵性能指標(biāo)（KPI,key performance index）采集。上述各個(gè)管控域?qū)⑹褂酶髯缘闹悄芑惴ㄟM(jìn)行策略生成，例如隨機(jī)森林、深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)（RL,reinforcement learning）等。資源管控的差異性將導(dǎo)致管理、控制和運(yùn)維3 個(gè)域的管控策略不一致。具體表現(xiàn)在管理域、控制域、運(yùn)維域生成的策略在不同網(wǎng)絡(luò)層次中可能存在矛盾，不同廠商設(shè)備之間的配置歧義也可能導(dǎo)致策略不一致。因此，在管理、控制和運(yùn)維融合的場(chǎng)景下，需要設(shè)計(jì)合理的管控架構(gòu)，把不同域內(nèi)的管控策略映射到同一個(gè)潛空間，針對(duì)資源管控的差異性進(jìn)行全域網(wǎng)絡(luò)管控策略對(duì)齊，支撐“三域”管控策略的深度融合。其中，域域融合的重點(diǎn)是將管理、控制、運(yùn)維中管理同一個(gè)對(duì)象的策略轉(zhuǎn)換到同一個(gè)表征空間中，消除其矛盾和歧義。然而，目前的網(wǎng)絡(luò)管理、控制和運(yùn)維方案是孤立的，這限制了6G 按需服務(wù)的統(tǒng)一監(jiān)管。如果沒(méi)有集成的管理和控制架構(gòu)，很難充分利用6G 技術(shù)的優(yōu)勢(shì)。因此，隨著管理、控制和運(yùn)維的一體化，有必要設(shè)計(jì)合理的管理和控制架構(gòu)，將不同領(lǐng)域的管理和控制策略映射到相同的潛在空間；然后，根據(jù)資源需求的差異調(diào)整全球戰(zhàn)略，以消除其矛盾和模糊性。

2 6G-ADM 設(shè)計(jì)

2.1 管控體系結(jié)構(gòu)

本文從“三域”融合的6G 網(wǎng)絡(luò)管控理念入手，突破網(wǎng)絡(luò)管理域限制，深入網(wǎng)絡(luò)控制層面，設(shè)計(jì)6G-ADM，按需提供有效資源，以確保網(wǎng)絡(luò)通信的極致性能，力求實(shí)現(xiàn)服務(wù)隨心所想、網(wǎng)絡(luò)隨需而變和資源隨愿共享，支撐提供個(gè)性化、沉浸式的6G服務(wù)。例如，可為個(gè)性化的駕駛服務(wù)（全息會(huì)議、個(gè)性化自動(dòng)駕駛等）提供資源管控的支撐，車移動(dòng)到不同位置時(shí)，根據(jù)環(huán)境和需求的實(shí)時(shí)變化，進(jìn)行動(dòng)態(tài)組網(wǎng)，協(xié)同調(diào)配網(wǎng)聯(lián)車、路、邊、云等資源，根據(jù)需要封裝資源功能為支撐服務(wù)進(jìn)行資源共享。圖2 展示了三橫三縱棋盤式的6G-ADM 結(jié)構(gòu)。

圖2 三橫三縱棋盤式的6G-ADM 結(jié)構(gòu)

從網(wǎng)絡(luò)管控視角，由下到上包含跨地域、跨空域、跨海域的空天地海全域無(wú)縫覆蓋網(wǎng)絡(luò)的3 個(gè)邏輯層次，即接入層、網(wǎng)絡(luò)層、業(yè)務(wù)層。以可信自主接入、知識(shí)定義調(diào)配、能力協(xié)同互聯(lián)為核心技術(shù)設(shè)計(jì)安全管控、智能管控、聯(lián)動(dòng)管控3 個(gè)平面。邏輯平面層間通過(guò)相對(duì)應(yīng)的適配接口與3 個(gè)平面交互，網(wǎng)絡(luò)開(kāi)放架構(gòu)下核心技術(shù)之間相互承載與聯(lián)動(dòng)，實(shí)現(xiàn)智能化、可信化與定制化等技術(shù)的深度交叉融合，為6G 網(wǎng)絡(luò)提供持續(xù)演進(jìn)動(dòng)力。建立全域網(wǎng)絡(luò)復(fù)雜場(chǎng)景下的智能化異常檢測(cè)與自愈的基礎(chǔ)理論框架，實(shí)現(xiàn)棋盤式管控體系的閉環(huán)控制，增強(qiáng)6G網(wǎng)絡(luò)穩(wěn)健性與抗毀能力。以全局視角觀測(cè)網(wǎng)絡(luò)層間行為，通過(guò)狀態(tài)預(yù)警、異常檢測(cè)、根因分析、協(xié)作自愈四階自治實(shí)現(xiàn)網(wǎng)絡(luò)無(wú)人值守。利用知識(shí)空間與數(shù)據(jù)可信共享機(jī)制，打通異常檢測(cè)、網(wǎng)絡(luò)容量預(yù)測(cè)與網(wǎng)絡(luò)資源管理等多個(gè)網(wǎng)絡(luò)管控領(lǐng)域，實(shí)現(xiàn)全域網(wǎng)絡(luò)管控?cái)?shù)據(jù)的特征共享、模型公用、策略互通。

6G-ADM 是內(nèi)嵌的三橫三縱形式。從管控對(duì)象的視角分為橫向的三層，從業(yè)務(wù)層到網(wǎng)絡(luò)層，再到接入層，進(jìn)行服務(wù)意圖的轉(zhuǎn)達(dá)，逐層映射翻譯為下層的控制策略。從管控功能的視角細(xì)化了3 個(gè)縱向的管控平面：安全管控平面保證資源可信，智能管控平面對(duì)各層的資源進(jìn)行優(yōu)化調(diào)配，聯(lián)動(dòng)管控平面確保各層分散資源進(jìn)行有效協(xié)作。各平面協(xié)同進(jìn)行高效的細(xì)粒度資源管控，實(shí)現(xiàn)個(gè)性化的按需服務(wù)，從而把不同域內(nèi)的管控策略映射到同一個(gè)潛空間，支撐管理、控制和運(yùn)維的“三域”管控策略的深度融合。

2.2 細(xì)粒度的資源管控

6G-ADM 的主要特點(diǎn)是細(xì)粒度的資源管控，可實(shí)現(xiàn)靈活的資源復(fù)用和供需平衡，主要體現(xiàn)在以下幾個(gè)方面。

1) 資源的逐層映射。將網(wǎng)絡(luò)功能、業(yè)務(wù)系統(tǒng)進(jìn)一步解耦，按照接入、網(wǎng)絡(luò)與業(yè)務(wù)逐層抽象資源，歸為五類資源（簡(jiǎn)稱為5C），即捕捉（capture）、計(jì)算（computing）、通信（communication）、存儲(chǔ)（cache）、控制（control），資源之間可以相互轉(zhuǎn)換，資源可以繼續(xù)封裝為業(yè)務(wù)能力。

2) 資源的多粒度封裝。通過(guò)虛擬機(jī)、容器以及函數(shù)級(jí)服務(wù)提供不同粒度的服務(wù)能力，并支持將原子能力動(dòng)態(tài)組合為復(fù)合能力，便于資源快速流動(dòng)與精準(zhǔn)按需適配。

3) 資源的精準(zhǔn)需求。分析挖掘業(yè)務(wù)場(chǎng)景特征，針對(duì)業(yè)務(wù)場(chǎng)景，提供按需服務(wù)。例如，捕捉用戶視角，根據(jù)目光位置調(diào)整局部直播碼率為高清。

4) 資源的實(shí)時(shí)調(diào)配。提供超低時(shí)延管控，減少策略生成的時(shí)間周期。在不同的場(chǎng)景中，端到端管控時(shí)延可降低的程度是不一樣的。在實(shí)施過(guò)程中，可能需要根據(jù)特定場(chǎng)景和應(yīng)用，建立柔性專網(wǎng)，采取資源預(yù)留和邊緣計(jì)算的方式，用資源代價(jià)換取時(shí)延的降低。同時(shí)，實(shí)時(shí)監(jiān)控需求情況，資源動(dòng)態(tài)回收。采用AI 算法優(yōu)化，針對(duì)場(chǎng)景提供按需服務(wù)策略，利用細(xì)粒度網(wǎng)絡(luò)管控策略的優(yōu)勢(shì)，為具體場(chǎng)景調(diào)度充足資源，降低現(xiàn)有整體管控時(shí)延。基于知識(shí)空間采用離線預(yù)訓(xùn)練和在線推理結(jié)合的方式，用模型推理來(lái)實(shí)現(xiàn)策略生成，可以大幅度減少策略生成的時(shí)間周期。另外，還可以通過(guò)減少狀態(tài)空間輸入和神經(jīng)網(wǎng)絡(luò)壓縮技術(shù)，甚至模型并行推理技術(shù)，進(jìn)一步降低模型推理時(shí)間。

在6G-ADM 中，從全局角度觀察網(wǎng)絡(luò)層的行為。無(wú)人值守網(wǎng)絡(luò)的管理和控制可以通過(guò)狀態(tài)預(yù)警、異常檢測(cè)、根本原因分析和協(xié)同自愈4 個(gè)階段的功能來(lái)實(shí)現(xiàn)。借助于知識(shí)空間和可信數(shù)據(jù)共享，可以實(shí)現(xiàn)異常檢測(cè)、網(wǎng)絡(luò)容量預(yù)測(cè)、網(wǎng)絡(luò)資源管理等多個(gè)網(wǎng)絡(luò)管理和控制領(lǐng)域。這些領(lǐng)域的開(kāi)放將實(shí)現(xiàn)全網(wǎng)絡(luò)數(shù)據(jù)的特征共享、模型公用和策略互通。6G-ADM 將重塑全場(chǎng)景全域網(wǎng)絡(luò)管控，建立網(wǎng)絡(luò)管理、控制、運(yùn)維融合的按需服務(wù)網(wǎng)絡(luò)管控體系，將安全、智能、聯(lián)動(dòng)內(nèi)化為棋盤式管控平面，融合網(wǎng)絡(luò)運(yùn)維構(gòu)建自治自愈閉環(huán)。

6G 通信系統(tǒng)逐漸解耦并與各類網(wǎng)絡(luò)融合，5C資源在網(wǎng)絡(luò)節(jié)點(diǎn)中大規(guī)模分散部署，6G 資源管控處于一種高度開(kāi)放動(dòng)態(tài)的環(huán)境中。同時(shí)，資源管控的隨需而變和隨愿共享的技術(shù)需求又進(jìn)一步增加了網(wǎng)絡(luò)架構(gòu)復(fù)雜性。本文從網(wǎng)絡(luò)內(nèi)在功能層次與管控之間的關(guān)系著手，設(shè)計(jì)可演進(jìn)、可擴(kuò)展、可定制的管控架構(gòu)，同時(shí)考慮安全、智能、聯(lián)動(dòng)等原生屬性。其中，知識(shí)空間是賦予6G 管控網(wǎng)元認(rèn)知能力的關(guān)鍵部分，將對(duì)6G-ADM 中安全、智能、聯(lián)動(dòng)三重屬性的實(shí)現(xiàn)奠定“知識(shí)基礎(chǔ)”。

基于與現(xiàn)網(wǎng)兼容的架構(gòu)，本文提出了6G-ADM。在上述結(jié)構(gòu)下，考慮到通過(guò)網(wǎng)絡(luò)知識(shí)的內(nèi)生智能實(shí)現(xiàn)可持續(xù)的按需服務(wù)，建立知識(shí)空間來(lái)協(xié)調(diào)人工智能和傳統(tǒng)人工定義。細(xì)粒度的資源管控的實(shí)現(xiàn)目標(biāo)是生成知識(shí)定義的智能管控策略，其基礎(chǔ)和核心是構(gòu)建管控知識(shí)空間，下面將闡述管控知識(shí)空間的構(gòu)建過(guò)程。

3 6G-ADM 管控知識(shí)空間

3.1 網(wǎng)絡(luò)管控知識(shí)空間的定義

隨著6G 系統(tǒng)向立體空間覆蓋擴(kuò)展，各種無(wú)人系統(tǒng)及遠(yuǎn)程控制等新興應(yīng)用將不斷涌現(xiàn)，大規(guī)模人機(jī)物混合接入成為業(yè)務(wù)常態(tài)。網(wǎng)絡(luò)將呈現(xiàn)架構(gòu)動(dòng)態(tài)多變、設(shè)備異構(gòu)、流量指數(shù)級(jí)增長(zhǎng)、服務(wù)質(zhì)量需求差異巨大、資源復(fù)用性與耦合性強(qiáng)等現(xiàn)象，直接導(dǎo)致網(wǎng)絡(luò)運(yùn)行機(jī)理極其復(fù)雜，管控十分困難。為提供沉浸式、個(gè)性化的6G 服務(wù)，且滿足超高可靠、極低時(shí)延性能需求，解決全域大規(guī)模分散自主網(wǎng)絡(luò)資源可信共享與業(yè)務(wù)需求的實(shí)時(shí)自主適配，考慮通過(guò)知識(shí)定義的內(nèi)生智能實(shí)現(xiàn)可持續(xù)演進(jìn)的按需服務(wù)，構(gòu)建管控知識(shí)空間，統(tǒng)籌人工智能與人工定義方法。

本文提出的管控知識(shí)空間包含4 個(gè)部分的內(nèi)容，表示為(G,D,E,R)。其中，G代表歷史記載，D代表客觀事實(shí)，E代表經(jīng)驗(yàn)積累，R代表客觀反饋。具體來(lái)看，歷史記載指由運(yùn)維手冊(cè)、配置文檔、日志、記錄等構(gòu)成的知識(shí)圖譜；客觀事實(shí)指由拓?fù)洹⑿阅苤笜?biāo)、業(yè)務(wù)需求等構(gòu)成的網(wǎng)絡(luò)基礎(chǔ)數(shù)據(jù)；經(jīng)驗(yàn)積累指由網(wǎng)絡(luò)特征表示、業(yè)務(wù)質(zhì)量體驗(yàn)建模等確定的資源特征映射關(guān)系；客觀反饋指網(wǎng)絡(luò)構(gòu)建、流量調(diào)度、資源分配等瞬時(shí)決策對(duì)網(wǎng)絡(luò)的影響效果。

上述提出的知識(shí)空間中，D和E包含了網(wǎng)絡(luò)各層的數(shù)據(jù)與特征，此外還有更豐富的日志和文檔等文本信息、網(wǎng)絡(luò)知識(shí)圖譜，以及智能模型實(shí)際應(yīng)用中的反饋效果，其中部分參數(shù)可作為知識(shí)進(jìn)一步提供給其他模型復(fù)用。6G 網(wǎng)絡(luò)內(nèi)生智能的愿景，已經(jīng)開(kāi)始研究將人工智能模型應(yīng)用于網(wǎng)絡(luò)各個(gè)層次的管控中。例如，智能接入策略、網(wǎng)絡(luò)層智能路由、智能切片編排、業(yè)務(wù)層智能服務(wù)選擇與組合等。然而，針對(duì)具體任務(wù)的智能模型擴(kuò)展性差，難以應(yīng)對(duì)6G 網(wǎng)絡(luò)的高動(dòng)態(tài)特性，亟須提高內(nèi)生智能的認(rèn)知能力。研究網(wǎng)絡(luò)層管控重點(diǎn)關(guān)注智能管控平面，本節(jié)提出人機(jī)協(xié)同賦能“網(wǎng)絡(luò)知識(shí)”，構(gòu)造知識(shí)空間，建立“感知、決策、驗(yàn)證、適配”的知識(shí)定義資源調(diào)配機(jī)制，并且可持續(xù)增量學(xué)習(xí)，以應(yīng)對(duì)變化，使模型在未來(lái)網(wǎng)絡(luò)中能夠長(zhǎng)期穩(wěn)定高效運(yùn)行。

本文把“知識(shí)驅(qū)動(dòng)”理解為對(duì)傳統(tǒng)“數(shù)據(jù)驅(qū)動(dòng)”的升級(jí)，以全局視角代替局部視角，打通多個(gè)網(wǎng)絡(luò)管控問(wèn)題域，將相關(guān)網(wǎng)絡(luò)規(guī)律、機(jī)理、策略都凝練為知識(shí)，包括歷史記載、客觀事實(shí)、經(jīng)驗(yàn)積累、客觀反饋等形式，包含了人類所能總結(jié)的知識(shí)庫(kù)、常識(shí)庫(kù)，以及機(jī)器所能理解的知識(shí)，即智能管控模型所能理解的知識(shí)。因此，管控架構(gòu)可以更好地解決可解釋性和邏輯推理的問(wèn)題。構(gòu)建管控知識(shí)空間旨在發(fā)揮人工全局目標(biāo)把控力和機(jī)器利用數(shù)據(jù)的細(xì)節(jié)調(diào)配敏銳性，實(shí)現(xiàn)特征共享、模型公用和策略互通。同時(shí)，網(wǎng)絡(luò)通過(guò)不斷學(xué)習(xí)，知識(shí)空間可以變得更加豐富。

3.2 知識(shí)空間與策略生成

網(wǎng)絡(luò)管控架構(gòu)的實(shí)現(xiàn)重點(diǎn)是管控單元的研制，承載是服務(wù)器，把新提出的管控策略機(jī)制內(nèi)置進(jìn)去，包含3 個(gè)管控平面的實(shí)現(xiàn)。其中，知識(shí)定義功能將通過(guò)單獨(dú)的管控知識(shí)空間來(lái)利用各方面的知識(shí)基于AI 基礎(chǔ)實(shí)現(xiàn)策略的生成，比如構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，再把模型部署到管控單元中，實(shí)現(xiàn)策略注入。這樣把這些管控功能運(yùn)行起來(lái)，驗(yàn)證其效果，對(duì)照網(wǎng)絡(luò)管控整體的目標(biāo)不斷調(diào)優(yōu)管控策略。知識(shí)空間與策略生成簡(jiǎn)單來(lái)說(shuō)就是抓取網(wǎng)絡(luò)狀態(tài)，通過(guò)學(xué)習(xí)方法訓(xùn)練模型。由于模型的訓(xùn)練過(guò)程僅靠端到端機(jī)器學(xué)習(xí)可能效果不好，應(yīng)該不排斥人工經(jīng)驗(yàn)知識(shí)庫(kù)，使用先驗(yàn)知識(shí)補(bǔ)充模型，結(jié)合規(guī)則與人工經(jīng)驗(yàn)。最終，知識(shí)空間的結(jié)果（模型）將會(huì)發(fā)送給管控架構(gòu)下的控制網(wǎng)元。

網(wǎng)絡(luò)管控中，有非常多的任務(wù)需要用機(jī)器學(xué)習(xí)算法來(lái)配置，之前的各種模型是面向具體任務(wù)的，不能重用。網(wǎng)絡(luò)是千變?nèi)f化的，流量特征是最基礎(chǔ)、最本質(zhì)的特征，應(yīng)該更多地關(guān)注流量數(shù)據(jù)并深入挖掘。本文提出知識(shí)驅(qū)動(dòng)的學(xué)習(xí)模型，探索一種通用的方法，可以應(yīng)用于不同的任務(wù)，允許在最小修改的情況下重用現(xiàn)有的管控模型。最后，將分布式的神經(jīng)網(wǎng)絡(luò)部署在6G 網(wǎng)元上，分布式學(xué)習(xí)流量特征，提供通用的全場(chǎng)景智能策略的生成與驗(yàn)證。

知識(shí)空間在網(wǎng)絡(luò)智能管控的實(shí)施過(guò)程，即“流量感知、知識(shí)獲取、調(diào)配策略生成和策略驗(yàn)證”4 個(gè)步驟中持續(xù)迭代更新。通過(guò)基于知識(shí)空間的管控體系實(shí)現(xiàn)模型與策略在現(xiàn)實(shí)網(wǎng)絡(luò)中長(zhǎng)期穩(wěn)定的高效使用。知識(shí)空間的更新與策略生成過(guò)程如圖3 所示。

圖3 知識(shí)空間的更新與策略生成過(guò)程

1) 知識(shí)增強(qiáng)的全網(wǎng)絡(luò)流量感知

利用深度神經(jīng)網(wǎng)絡(luò)通過(guò)少量流量信息有效提取語(yǔ)義特征，形成流量知識(shí)，實(shí)現(xiàn)基于全場(chǎng)景認(rèn)知的流量分類和流量預(yù)測(cè)。基于深度學(xué)習(xí)的知識(shí)增強(qiáng)的跨設(shè)備多任務(wù)通用流量信息感知模型，利用遷移學(xué)習(xí)等理論提高對(duì)缺乏數(shù)據(jù)的新任務(wù)流量信息的感知能力。利用多任務(wù)流量識(shí)別方式感知流量信息，設(shè)計(jì)公共知識(shí)層和多個(gè)私有層，從不同任務(wù)不同側(cè)面對(duì)神經(jīng)網(wǎng)絡(luò)通用流量知識(shí)進(jìn)行提取，為深度學(xué)習(xí)模型復(fù)用提供新思路。使用輕量級(jí)神經(jīng)網(wǎng)絡(luò)模型，減少模型部署對(duì)計(jì)算資源的消耗，提高感知效率。

2) 可增量學(xué)習(xí)的網(wǎng)絡(luò)知識(shí)表征與獲取

利用網(wǎng)絡(luò)內(nèi)容緩存收集數(shù)據(jù)，獲取網(wǎng)絡(luò)設(shè)備和網(wǎng)絡(luò)狀態(tài)中對(duì)資源調(diào)配的影響力，通過(guò)數(shù)據(jù)分析提取知識(shí)。根據(jù)大規(guī)模網(wǎng)絡(luò)中設(shè)備的角色、功能和性能差異，將其聚集成簇形成功能體。從設(shè)備特征和復(fù)雜的設(shè)備間關(guān)系入手，利用網(wǎng)絡(luò)歷史流量數(shù)據(jù)流轉(zhuǎn)信息，發(fā)現(xiàn)設(shè)備間重要的特征和其運(yùn)行中的一般規(guī)律，并形成知識(shí)描述。網(wǎng)絡(luò)拓?fù)浜陀脩袅?xí)慣會(huì)隨時(shí)間推移發(fā)生變化，設(shè)計(jì)可以支持增量學(xué)習(xí)的網(wǎng)絡(luò)知識(shí)獲取模型，使模型可自動(dòng)感知、自主適應(yīng)知識(shí)發(fā)生的遷移。

3) 知識(shí)定義的全場(chǎng)景資源調(diào)配策略生成

在全場(chǎng)景視角下，依據(jù)路由選擇需求動(dòng)態(tài)獲取網(wǎng)絡(luò)狀態(tài)，學(xué)習(xí)網(wǎng)絡(luò)資源變化的模式，更準(zhǔn)確地預(yù)測(cè)未來(lái)網(wǎng)絡(luò)中流量的趨勢(shì)。以自學(xué)習(xí)方式獲取不同網(wǎng)絡(luò)狀態(tài)的資源分配模式，實(shí)現(xiàn)資源彈性提供和優(yōu)化部署，支持大量數(shù)據(jù)傳輸?shù)男枨蟆Ｍㄟ^(guò)深度學(xué)習(xí)模型求解鏈路權(quán)重、判斷給定路徑是否擁塞或給出流量傳輸路徑等方式調(diào)配網(wǎng)絡(luò)資源。利用適合網(wǎng)絡(luò)資源調(diào)配策略生成的深度模型，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)資源高精度調(diào)配，通過(guò)分布式計(jì)算實(shí)現(xiàn)資源調(diào)配模型的快速訓(xùn)練和推理，實(shí)現(xiàn)網(wǎng)絡(luò)資源實(shí)時(shí)控制。

4) 基于知識(shí)的網(wǎng)絡(luò)資源調(diào)配策略驗(yàn)證

利用知識(shí)圖譜推理技術(shù)和知識(shí)沖突檢測(cè)技術(shù)實(shí)現(xiàn)網(wǎng)絡(luò)策略中的隱式?jīng)_突檢測(cè)。運(yùn)用知識(shí)圖譜存儲(chǔ)與更新機(jī)制，將設(shè)備接口、功能和協(xié)議、配置等依據(jù)路徑信息、拓?fù)湫畔ⅰ⒘髁糠?wù)等內(nèi)容以知識(shí)圖譜的形式統(tǒng)一存儲(chǔ)，并隨網(wǎng)絡(luò)真實(shí)狀態(tài)更新。為了解決圖譜信息不準(zhǔn)確、不一致的問(wèn)題，通過(guò)無(wú)監(jiān)督學(xué)習(xí)技術(shù)獲取知識(shí)圖譜中節(jié)點(diǎn)特征表示，并利用特征的相似關(guān)系對(duì)圖譜中同一概念的節(jié)點(diǎn)發(fā)現(xiàn)一詞多義現(xiàn)象。

4 基于知識(shí)空間實(shí)現(xiàn)的網(wǎng)絡(luò)管控關(guān)鍵技術(shù)

基于與現(xiàn)網(wǎng)兼容考慮，網(wǎng)絡(luò)管控架構(gòu)實(shí)際上屬于控制平面的范疇，為了利于討論，需要進(jìn)一步解耦其內(nèi)部功能，通過(guò)知識(shí)空間特別賦予了網(wǎng)絡(luò)認(rèn)知能力，可以對(duì)6G 網(wǎng)絡(luò)資源進(jìn)行智能化、自動(dòng)化調(diào)配、預(yù)留和分配，實(shí)現(xiàn)閉環(huán)的網(wǎng)絡(luò)管理和控制。為了驗(yàn)證所提出的6G-ADM，本節(jié)介紹了閉環(huán)網(wǎng)絡(luò)管理和控制的兩項(xiàng)關(guān)鍵技術(shù)，一是基于知識(shí)的智能網(wǎng)絡(luò)策略生成，為服務(wù)提供資源分配方案；二是基于知識(shí)的智能異常檢測(cè)，可有效解決網(wǎng)絡(luò)故障的發(fā)現(xiàn)或預(yù)測(cè)問(wèn)題。兩項(xiàng)關(guān)鍵技術(shù)的實(shí)現(xiàn)都基于管控網(wǎng)元可以獲得的知識(shí)，然而知識(shí)空間的生成、建立和優(yōu)化將促進(jìn)兩者的算法性能提升，兩者的實(shí)施和部署的過(guò)程反過(guò)來(lái)也將補(bǔ)充和促進(jìn)知識(shí)空間的完善和發(fā)展。

4.1 知識(shí)賦能的切片資源管控策略生成

與6G-ADM 提出的管理、控制融合的理念一致，將網(wǎng)絡(luò)切片這一粗粒度的資源管理概念細(xì)化為多個(gè)服務(wù)功能鏈的資源和路由選擇問(wèn)題。基于所建立的知識(shí)空間指導(dǎo)資源分配策略生成，基于6G-ADM 整體架構(gòu)下發(fā)和驗(yàn)證策略結(jié)果，將網(wǎng)絡(luò)資源管理和路由選擇控制相結(jié)合。本文使用多任務(wù)深度強(qiáng)化學(xué)習(xí)減少?gòu)?fù)雜任務(wù)決策的動(dòng)作空間維度，并通過(guò)其共享的神經(jīng)網(wǎng)絡(luò)層協(xié)調(diào)多個(gè)路由任務(wù)之間的資源競(jìng)爭(zhēng)。

知識(shí)賦能的多任務(wù)深度強(qiáng)化學(xué)習(xí)生成資源管控策略如圖4 所示，其中，se和he分別表示當(dāng)前輸入狀態(tài)和隱藏層的輸出，F(xiàn)C 表示輸入的特征矩陣。在多任務(wù)學(xué)習(xí)中，不同任務(wù)之間沒(méi)有區(qū)別，其目的是提高所有任務(wù)的性能。在這些學(xué)習(xí)任務(wù)中，所有任務(wù)或它們的至少一個(gè)子集被假定為彼此相關(guān)。與單獨(dú)學(xué)習(xí)這些任務(wù)相比，共同學(xué)習(xí)它們可以大大提高性能。因此，多任務(wù)學(xué)習(xí)旨在提高多個(gè)任務(wù)相關(guān)時(shí)的泛化性能。在本文中，多個(gè)動(dòng)態(tài)切片的實(shí)現(xiàn)過(guò)程通過(guò)多任務(wù)深度強(qiáng)化學(xué)習(xí)得到，控制器或者管控單元以多個(gè)切片的資源調(diào)配為一組并行任務(wù)同時(shí)進(jìn)行決策。對(duì)多個(gè)學(xué)習(xí)任務(wù)進(jìn)行聯(lián)合學(xué)習(xí)是一種很有用的方法，因?yàn)橐粋€(gè)任務(wù)中包含的知識(shí)可以被其他任務(wù)利用。在多任務(wù)學(xué)習(xí)中，不同任務(wù)之間沒(méi)有區(qū)別，而其目的是提高所有任務(wù)的性能。

圖4 知識(shí)賦能的多任務(wù)深度強(qiáng)化學(xué)習(xí)生成資源管控策略

在多任務(wù)學(xué)習(xí)期間，單個(gè)智能體將借助強(qiáng)化學(xué)習(xí)算法同時(shí)學(xué)習(xí)一組緊密相關(guān)的任務(wù)。通過(guò)這種方法，單個(gè)智能體將定期與全局網(wǎng)絡(luò)共享每個(gè)智能體的神經(jīng)網(wǎng)絡(luò)參數(shù)。通過(guò)組合所有單個(gè)智能體的學(xué)習(xí)參數(shù)，全局網(wǎng)絡(luò)會(huì)導(dǎo)出一組新的參數(shù)，這些參數(shù)將與所有智能體共享。此方法的主要目的是通過(guò)在相同環(huán)境中運(yùn)行的多個(gè)相關(guān)任務(wù)之間共享知識(shí)來(lái)增強(qiáng)RL 智能體的整體性能。多任務(wù)學(xué)習(xí)的關(guān)鍵之一是強(qiáng)化學(xué)習(xí)智能體應(yīng)開(kāi)發(fā)一個(gè)常識(shí)庫(kù)并學(xué)習(xí)可以在各種相關(guān)任務(wù)中共享和使用的常規(guī)技能。此外，在多個(gè)任務(wù)的資源必要性之間競(jìng)爭(zhēng)學(xué)習(xí)系統(tǒng)內(nèi)的可用資源之間應(yīng)該保持平衡。多任務(wù)的強(qiáng)化學(xué)習(xí)模型一定能夠提供相比單任務(wù)學(xué)習(xí)更好的結(jié)果。同樣，在經(jīng)常競(jìng)爭(zhēng)有限資源（這些資源屬于強(qiáng)化學(xué)習(xí)智能體使用的單個(gè)學(xué)習(xí)系統(tǒng)）的多個(gè)任務(wù)的資源需求之間應(yīng)該建立適當(dāng)?shù)钠胶狻?/p>

另外，通信網(wǎng)絡(luò)從根本上用圖結(jié)構(gòu)表示，但是，大多數(shù)現(xiàn)有工作都采用深度神經(jīng)網(wǎng)絡(luò)（DNN,deep neural network）或者卷積神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)深度學(xué)習(xí)模型。這些模型不適用于通信網(wǎng)絡(luò)中的問(wèn)題。由于它們無(wú)法利用網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，因此當(dāng)面對(duì)具有不同網(wǎng)絡(luò)拓?fù)涞馁Y源管理問(wèn)題時(shí)，這些方法的通用性很差。為了解決這一挑戰(zhàn)，本文利用圖卷積網(wǎng)絡(luò)從常見(jiàn)的圖結(jié)構(gòu)網(wǎng)絡(luò)狀態(tài)中捕獲切片的拓?fù)湫畔ⅰ＝陙?lái)，在通信網(wǎng)絡(luò)中有很多使用圖神經(jīng)網(wǎng)絡(luò)（GNN,graph neural network）架構(gòu)的研究可以有效地處理拓?fù)漭斎霐?shù)據(jù)，但是其模型僅旨在學(xué)習(xí)節(jié)點(diǎn)級(jí)別的特征，而不是全局級(jí)別（即圖級(jí)別）的特征（這是因?yàn)樗鼈兊哪Ｐ痛蠖嘤糜诠?jié)點(diǎn)分類任務(wù)）。因此，本文將一種可微池化（DiffPool,differentiable pooling）機(jī)制集成到圖卷積模型中，以將節(jié)點(diǎn)級(jí)特征轉(zhuǎn)換為全局級(jí)特征以生成全局決策。DiffPool 是在圖結(jié)構(gòu)中做池化操作的神經(jīng)網(wǎng)絡(luò)層，能夠與任意的圖神經(jīng)網(wǎng)絡(luò)組合來(lái)學(xué)習(xí)網(wǎng)絡(luò)信息。圖卷積模型是將圖節(jié)點(diǎn)的特征A和鄰接矩陣X作為輸入，最后輸出節(jié)點(diǎn)的特征表示矩陣Z。

每層的池化操作都是將上一層的特征和鄰接矩陣作為輸入，并對(duì)應(yīng)輸出池化之后的特征和鄰接矩陣。

賦值矩陣Sl其實(shí)本質(zhì)上也是定義在圖結(jié)構(gòu)上的矩陣，因此可以將該賦值矩陣也通過(guò)GNN 結(jié)構(gòu)來(lái)實(shí)現(xiàn)。DiffPool 可以學(xué)習(xí)到在圖的層級(jí)表征上運(yùn)行的深度GNN 模型，和卷積神經(jīng)網(wǎng)絡(luò)中的空間池化操作相似，DiffPool 的每一層都能使圖形越來(lái)越粗糙，然后訓(xùn)練后的DiffPool 就可以產(chǎn)生輸入圖形的層級(jí)表征。

在深度強(qiáng)化學(xué)習(xí)的建模過(guò)程中，本文將環(huán)境狀態(tài)定義為底層網(wǎng)絡(luò)拓?fù)湫畔ⅰ⑼負(fù)渲泄?jié)點(diǎn)和節(jié)點(diǎn)之間的流量速率、時(shí)延和丟包信息以及服務(wù)的流量需求信息。將動(dòng)態(tài)行為空間定義為網(wǎng)絡(luò)切片的資源配置問(wèn)題，由帶寬資源的分配方案和網(wǎng)絡(luò)路徑的選擇方案來(lái)描述。將深度強(qiáng)化學(xué)習(xí)的優(yōu)化目標(biāo)定義為提升網(wǎng)絡(luò)資源的利用率和服務(wù)的滿意度。在基于多任務(wù)深度強(qiáng)化學(xué)習(xí)的智能網(wǎng)絡(luò)切片訓(xùn)練中，網(wǎng)絡(luò)策略是在先驗(yàn)知識(shí)的輔助下，通過(guò)人工智能算法生成的。此外，切片策略的反饋會(huì)產(chǎn)生新的知識(shí)。

如圖4 所示，智能策略的生成和應(yīng)用產(chǎn)生的新知識(shí)作用于網(wǎng)絡(luò)的狀態(tài)空間，網(wǎng)絡(luò)的業(yè)務(wù)運(yùn)行和資源狀態(tài)都在時(shí)刻發(fā)生變化，6G-ADM 將繼續(xù)感知和捕捉這些狀態(tài)的變化，進(jìn)行自動(dòng)自主的智能運(yùn)維，捕捉網(wǎng)絡(luò)狀態(tài)的異常行為，并入知識(shí)空間，并根據(jù)已有的知識(shí)做出正確的反饋行為，對(duì)異常的產(chǎn)生進(jìn)行溯源跟蹤，產(chǎn)生新的策略阻止或從源頭避免異常的產(chǎn)生。

4.2 知識(shí)賦能的網(wǎng)絡(luò)異常檢測(cè)機(jī)制

作為6G 網(wǎng)絡(luò)管控閉環(huán)的一個(gè)重要部分，本節(jié)介紹6G-ADM 智能運(yùn)維中的一種知識(shí)賦能的異常檢測(cè)機(jī)制Graph-VAE 方法。

基于6G-ADM 可以快速感知網(wǎng)絡(luò)狀態(tài)，以補(bǔ)充知識(shí)空間。反過(guò)來(lái)，可以從知識(shí)空間中提取網(wǎng)絡(luò)狀態(tài)的重要信息，從而實(shí)現(xiàn)智能決策，如預(yù)測(cè)未來(lái)趨勢(shì)或故障產(chǎn)生。通過(guò)6G-ADM 中的策略反饋進(jìn)行策略調(diào)整，確保網(wǎng)絡(luò)能夠獨(dú)立、快速地響應(yīng)網(wǎng)絡(luò)緊急情況，不斷優(yōu)化資源管理方案。作為6G-ADM 閉環(huán)控制的關(guān)鍵技術(shù)，本節(jié)提出一種基于GNN 和變分自動(dòng)編碼器（VAE,variational automatic encoder）的時(shí)間序列智能異常檢測(cè)方法。

GNN 是一種通過(guò)圖形節(jié)點(diǎn)之間的信息傳遞來(lái)獲取圖形依賴性的連接模型。它主要擴(kuò)展了現(xiàn)有的神經(jīng)網(wǎng)絡(luò)用于處理圖領(lǐng)域中的表示數(shù)據(jù)。在一個(gè)圖中，每個(gè)節(jié)點(diǎn)都是由其特征和相關(guān)節(jié)點(diǎn)定義的，而GNN 的目標(biāo)就是學(xué)習(xí)一個(gè)包含了每個(gè)節(jié)點(diǎn)的鄰域信息的狀態(tài)嵌入。自動(dòng)編碼器是一種通過(guò)訓(xùn)練在輸出節(jié)點(diǎn)復(fù)現(xiàn)輸入向量的深度神經(jīng)網(wǎng)絡(luò)。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，目標(biāo)輸出設(shè)置為x，測(cè)試時(shí)的輸出值是x的估計(jì)值。VAE 被視為自動(dòng)編碼的概率版本，其中解碼器不再直接輸出x的估計(jì)值，而是輸出x的估計(jì)值的概率分布參數(shù)。同樣地，編碼器輸出的潛在表征z也不再是固定值，而是其概率分布。

本文將多指標(biāo)時(shí)間序列建模為圖形表示，對(duì)于 一個(gè)具有n個(gè)節(jié)點(diǎn)的圖，假設(shè)其節(jié)點(diǎn)表示為{v1,v2,v3,…,vn}，其中節(jié)點(diǎn)vi代表第i個(gè)指標(biāo)的時(shí)間序列特征。圖注意層為每個(gè)節(jié)點(diǎn)計(jì)算輸出表示，即

其中，hi表示節(jié)點(diǎn)i的輸出表示向量，σ表示sigmoid 激活函數(shù)，αij代表節(jié)點(diǎn)j對(duì)節(jié)點(diǎn)i的貢獻(xiàn)度的注意力分?jǐn)?shù)（j為節(jié)點(diǎn)i的鄰接節(jié)點(diǎn)），L表示節(jié)點(diǎn)i的鄰接節(jié)點(diǎn)的個(gè)數(shù)。

皮爾遜相關(guān)系數(shù)又稱為皮爾遜R 統(tǒng)計(jì)檢驗(yàn)，它可以衡量不同變量之間的關(guān)系強(qiáng)度。給定2 個(gè)隨機(jī)變量X和Y，它們的皮爾遜相關(guān)系數(shù)計(jì)算式為

其中，cov(X,Y)是X和Y的協(xié)方差，σX和σY分別是X和Y的標(biāo)準(zhǔn)差。皮爾遜相關(guān)系數(shù)主要用來(lái)度量2 個(gè)變量之間的相關(guān)程度，其值介于-1 與1 之間。當(dāng)皮爾遜相關(guān)系數(shù)為-1 時(shí)，說(shuō)明2 個(gè)變量之間存在較強(qiáng)的負(fù)相關(guān)關(guān)系；當(dāng)皮爾遜相關(guān)系數(shù)為0 時(shí)，說(shuō)明2 個(gè)變量無(wú)相關(guān)關(guān)系；當(dāng)皮爾遜相關(guān)系數(shù)為1 時(shí)，說(shuō)明2 個(gè)變量之間存在較強(qiáng)的正相關(guān)關(guān)系。

對(duì)于2 條指標(biāo)時(shí)序曲線，皮爾遜相關(guān)系數(shù)也能在一定程度上反映其線性相關(guān)程度，因此，本文將圖注意層的輸出修改為

其中，ρij表示節(jié)點(diǎn)vi與節(jié)點(diǎn)vj所代表的2 條時(shí)序曲線之間的皮爾遜系數(shù)。基于上述過(guò)程，Graph-VAE通過(guò)圖注意層對(duì)時(shí)間序列中的各關(guān)鍵指標(biāo)的相關(guān)關(guān)系進(jìn)行了顯式建模，并提供了各指標(biāo)曲線之間的皮爾遜相關(guān)系數(shù)作為先驗(yàn)知識(shí)。

知識(shí)賦能的網(wǎng)絡(luò)異常檢測(cè)機(jī)制如圖5 所示。每個(gè)單變量時(shí)間序列的相關(guān)特征由圖注意層提取，時(shí)間序列的時(shí)間相關(guān)特征由門控循環(huán)單元（GRU，gated recurrent unit）捕獲，圖注意層和GRU 都可以作為6G-ADM 智能運(yùn)維Graph-VAE 機(jī)制的組件。具體來(lái)說(shuō)，Graph-VAE 的結(jié)構(gòu)主要包括編碼器和解碼器2 個(gè)部分。在輸入數(shù)據(jù)xt后的第一層，使用完全連接的DNN 提取每個(gè)時(shí)間序列的高維特征。然后，將提取出的高維特征作為輸入，使用一個(gè)圖注意層來(lái)加強(qiáng)每個(gè)時(shí)間序列之間的關(guān)系。第一層DNN的輸出與圖注意層的輸出拼接，作為后續(xù)GRU 的輸入，用于捕獲多元時(shí)間序列之間復(fù)雜的時(shí)間依賴關(guān)系。通過(guò)DNN 和激活函數(shù)學(xué)習(xí)一組均值和方差向量，多元時(shí)間序列數(shù)據(jù)的輸入映射到潛在的隨機(jī)變量（即Z空間，Z假設(shè)服從高斯分布）。為了更好地捕捉輸入數(shù)據(jù)的分布，采用平面正則化流（PNF,planar normalizing flow）方法學(xué)習(xí)勢(shì)隨機(jī)空間中的非高斯后驗(yàn)分布。解碼器網(wǎng)絡(luò)的結(jié)構(gòu)與編碼器網(wǎng)絡(luò)相似，根據(jù)輸入的潛在變量重構(gòu)整個(gè)模型的原始輸入。在訓(xùn)練階段，模型學(xué)習(xí)整個(gè)多元時(shí)間序列的正態(tài)模式，并盡可能減小重構(gòu)誤差。在推理階段，模型根據(jù)解碼器最終輸出與原始輸入之間的重構(gòu)誤差判斷數(shù)據(jù)序列是否異常。

圖5 知識(shí)賦能的網(wǎng)絡(luò)異常檢測(cè)機(jī)制

在6G 網(wǎng)絡(luò)中各種業(yè)務(wù)的運(yùn)行過(guò)程中，通過(guò)智能異常檢測(cè)生成更多的網(wǎng)絡(luò)狀態(tài)知識(shí)，然后反饋給智能算法生成新的策略。動(dòng)態(tài)生成更新和修改的策略，實(shí)現(xiàn)網(wǎng)絡(luò)管理中的閉環(huán)控制，實(shí)現(xiàn)6G-ADM 網(wǎng)絡(luò)的自主自愈。

5 仿真實(shí)現(xiàn)和結(jié)果

5.1 切片資源分配策略的仿真設(shè)置和實(shí)驗(yàn)結(jié)果

對(duì)于實(shí)驗(yàn)的仿真環(huán)境，采用Mininet 工具作為轉(zhuǎn)發(fā)平面，選用SDN 控制器OpenDaylight 控制器作為切片資源的管控代理，使用真實(shí)拓?fù)銱ARNET（包含20 個(gè)節(jié)點(diǎn)和26 條鏈路）和有標(biāo)簽的不同服務(wù)的流量包數(shù)據(jù)集進(jìn)行算法的實(shí)現(xiàn)和測(cè)試。深度學(xué)習(xí)模型是由PyTorch 實(shí)現(xiàn)的，在基于GCN 的表示網(wǎng)絡(luò)中，第一層和第二層中的節(jié)點(diǎn)數(shù)分別為32 和64。在多任務(wù)Actor-Critic 模型中，每個(gè)任務(wù)特定的完全連接層包含64 個(gè)節(jié)點(diǎn)，批量大小為50，學(xué)習(xí)率為0.005。網(wǎng)絡(luò)的每條鏈路都有100 Mbit/s 的默認(rèn)帶寬容量和1 ms 時(shí)延。仿真實(shí)驗(yàn)是基于開(kāi)放數(shù)據(jù)集Tor 中的數(shù)據(jù)包生成用戶流量的。Tor 數(shù)據(jù)集是一個(gè)標(biāo)記真實(shí)世界流量的數(shù)據(jù)集，其數(shù)據(jù)來(lái)自18 個(gè)以上具有代表性的應(yīng)用程序，具有21.3 GB 的流量數(shù)據(jù)，并根據(jù)用戶行為將數(shù)據(jù)包分為8 類。由于訓(xùn)練模型的輕量級(jí)結(jié)構(gòu)，模型可以運(yùn)行在臺(tái)式機(jī)上，配置如下：CPU 為Intel i7-8700 3.2 GHz，內(nèi)存為8 GB DDR3 2 666 MHz，操作系統(tǒng)為64 位Ubuntu 16.04LTS。

為了驗(yàn)證知識(shí)增強(qiáng)的智能切片算法的效果，采用的對(duì)比實(shí)驗(yàn)分為兩組。

第一組實(shí)驗(yàn)。目前常用來(lái)做資源調(diào)配任務(wù)的 2 個(gè)基于單任務(wù)的深度強(qiáng)化學(xué)習(xí)算法：ACKTR（actor-critic with Kronecker-factored trust region）和DDQN（dueling deep Q-network）算法，都采用全連接網(wǎng)絡(luò)進(jìn)行任務(wù)訓(xùn)練。在第一組實(shí)驗(yàn)中，管理中心沒(méi)有學(xué)習(xí)到拓?fù)渲泻械挠行畔ⅲňW(wǎng)絡(luò)知識(shí)），并且業(yè)務(wù)需求之間的資源競(jìng)爭(zhēng)信息（經(jīng)驗(yàn)知識(shí)）也沒(méi)有被學(xué)習(xí)和利用。

第二組實(shí)驗(yàn)。基于圖的多任務(wù)深度強(qiáng)化學(xué)習(xí)算法沒(méi)有采用圖池化的機(jī)制，同樣采用全連接網(wǎng)絡(luò)。在第二組實(shí)驗(yàn)中，管理中心學(xué)習(xí)了拓?fù)渲械墓?jié)點(diǎn)知識(shí)，多業(yè)務(wù)之間的資源競(jìng)爭(zhēng)知識(shí)也在訓(xùn)練中得到了強(qiáng)化。另外，值得一提的是，在上述所有的實(shí)驗(yàn)算法的優(yōu)化目標(biāo)和所涉及的重合的優(yōu)化參數(shù)都是相同的。

以服務(wù)時(shí)延指標(biāo)為例，圖6 展示了知識(shí)賦能的智能切片算法的時(shí)延性能。如圖6 所示，隨著服務(wù)需求的增長(zhǎng)，服務(wù)滿足的時(shí)延隨之增長(zhǎng)。優(yōu)化的資源配置方案使服務(wù)質(zhì)量得到了明顯提升。圖7 展示了知識(shí)賦能的智能切片算法的收斂效果，圖7 中獎(jiǎng)勵(lì)曲線取自圖6 中的流量需求為20 Mbit/s 的情況。為了便于展示，本文將獎(jiǎng)勵(lì)歸一化，用于表示資源利用效率和服務(wù)質(zhì)量滿意率的聯(lián)合優(yōu)化效果。如圖7 所示，本文提出的知識(shí)賦能的智能切片收斂速度快，并且抖動(dòng)較小，能夠穩(wěn)定在較高的優(yōu)化目標(biāo)值。本文提出的方法在效果和性能上都有一定的提升，主要原因是其充分利用和增強(qiáng)了對(duì)網(wǎng)絡(luò)狀態(tài)和資源狀態(tài)知識(shí)的理解。算法通過(guò)圖卷積和圖池化獲得了增強(qiáng)的知識(shí)信息，這些知識(shí)包括網(wǎng)絡(luò)拓?fù)溥B接信息、流量狀態(tài)信息和服務(wù)需求信息。基于一般知識(shí)和增強(qiáng)的知識(shí)，管控代理能夠?qū)崿F(xiàn)靈活高效的切片資源調(diào)度和更好的資源利用效果。

圖6 知識(shí)賦能的智能切片算法的時(shí)延性能

圖7 知識(shí)賦能的智能切片算法的收斂效果

5.2 網(wǎng)絡(luò)異常發(fā)現(xiàn)機(jī)制的仿真設(shè)置和實(shí)驗(yàn)結(jié)果

本文主要通過(guò)準(zhǔn)確率、召回率以及F1 分?jǐn)?shù)3 個(gè)指標(biāo)來(lái)評(píng)估和比較所提方法與其他方法的性能。

使用SMD（server machine dataset）來(lái)驗(yàn)證所提Graph-VAE 方法的有效性。SMD 是一個(gè)持續(xù)時(shí)間為5 周的數(shù)據(jù)集，主要從一家大型互聯(lián)網(wǎng)公司收集得到。本文將SMD 分成2 個(gè)大小相同的部分，前一部分為訓(xùn)練集，后一部分為測(cè)試集。SMD 測(cè)試集中的異常及其導(dǎo)致異常的主要維度已經(jīng)由領(lǐng)域?qū)＜腋鶕?jù)事件報(bào)告進(jìn)行了相關(guān)標(biāo)記。在該數(shù)據(jù)集中，異常診斷的對(duì)象為一個(gè)服務(wù)器實(shí)例，一共包含28 個(gè)實(shí)例，每個(gè)實(shí)例包含38 個(gè)相關(guān)指標(biāo)。該數(shù)據(jù)集收集的時(shí)間間隔為1 min，測(cè)試集中的異常時(shí)間點(diǎn)占比為4.16%。在仿真實(shí)驗(yàn)中對(duì)模型的超參數(shù)設(shè)置如下：輸入數(shù)據(jù)序列的長(zhǎng)度設(shè)置為100。GRU 和全連接層的節(jié)點(diǎn)數(shù)均為500；標(biāo)準(zhǔn)差層的ε值設(shè)置為1×10-4；Z空間變量的維數(shù)固定為3；平面正則化流的長(zhǎng)度為20；訓(xùn)練的batch size 大小為50，運(yùn)行10 輪并支持提前停止；在模型訓(xùn)練過(guò)程中，本實(shí)驗(yàn)使用Adam 優(yōu)化器進(jìn)行隨機(jī)梯度下降，初始學(xué)習(xí)率為1×10-3。在本文的仿真實(shí)驗(yàn)中，主要驗(yàn)證先驗(yàn)知識(shí)對(duì)模型學(xué)習(xí)的影響。

1) X-without Hybrid。在該變體中，本文保留了圖注意力層，但不再為其提供帶有先驗(yàn)知識(shí)的特征間關(guān)系，即將圖的鄰接矩陣由原來(lái)的皮爾遜相關(guān)系數(shù)計(jì)算結(jié)果替換為單位矩陣。

2) X-without Graph。在該變體中，不再保留模型中的圖注意力層，與其他對(duì)比方法類似，只對(duì)時(shí)間序列的時(shí)間依賴關(guān)系進(jìn)行學(xué)習(xí)，而不再學(xué)習(xí)多個(gè)時(shí)間序列特征之間的相關(guān)關(guān)系。對(duì)于實(shí)際異常段中的任何一個(gè)檢測(cè)點(diǎn)，如果檢測(cè)到異常，本文就認(rèn)為該段檢測(cè)正確，該段中的所有檢測(cè)點(diǎn)都被認(rèn)為是準(zhǔn)確檢測(cè)到的異常。

知識(shí)賦能的異常檢測(cè)方法的性能比較如圖8所示。沒(méi)有皮爾遜相關(guān)系數(shù)作為先驗(yàn)知識(shí)，F(xiàn)1 分?jǐn)?shù)明顯下降。這充分體現(xiàn)了接入一定的先驗(yàn)知識(shí)對(duì)模型學(xué)習(xí)的幫助。Graph-VAE 在一定程度上完成了正常模式與異常模式的更有辨識(shí)度的學(xué)習(xí)，使正常模式與異常模式下的異常分?jǐn)?shù)更容易被區(qū)分開(kāi)。而在完全去掉了圖注意力層后，準(zhǔn)確率發(fā)生了明顯下降。Graph-VAE 采用變分自動(dòng)編碼器利用了隨機(jī)信息，提高了模型性能。在實(shí)際場(chǎng)景中，許多時(shí)間序列由于存在各種各樣的不可控因素而不可預(yù)測(cè)。Graph-VAE 是一種基于重構(gòu)的模型，旨在學(xué)習(xí)多元時(shí)間序列的正常模式，可同時(shí)適用于可預(yù)測(cè)的時(shí)間序列與不可預(yù)測(cè)的時(shí)間序列。Graph-VAE 通過(guò)GRU 記錄時(shí)間序列的時(shí)間依賴關(guān)系，同時(shí)又通過(guò)圖注意層學(xué)習(xí)多個(gè)時(shí)間序列特征之間的相關(guān)關(guān)系，這些設(shè)計(jì)使它展示出了比較好的檢測(cè)性能。Graph-VAE 在異常診斷方面也具有一定的優(yōu)勢(shì)，該優(yōu)勢(shì)主要來(lái)自圖注意力層對(duì)于各時(shí)間序列曲線之 間的相關(guān)關(guān)系的學(xué)習(xí)。圖注意力層學(xué)習(xí)到的相關(guān)關(guān)系可以幫助模型理解異常，例如，當(dāng)相關(guān)關(guān)系較弱的時(shí)間序列之間忽然產(chǎn)生了強(qiáng)相關(guān)性，或原本具有強(qiáng)正相關(guān)的時(shí)間序列忽然變?yōu)樨?fù)相關(guān)，這些相關(guān)關(guān)系特征的突然變化都可以被模型順利捕捉到，模型可利用這些信息完成異常判斷與診斷。

圖8 知識(shí)賦能的異常檢測(cè)方法的性能比較

6 結(jié)束語(yǔ)

本文首先介紹了一種集成了網(wǎng)絡(luò)管理、控制和操作技術(shù)的6G 隨需應(yīng)變服務(wù)網(wǎng)絡(luò)管理與控制體系6G-ADM。然后，本文重點(diǎn)解釋了智能網(wǎng)絡(luò)管理和控制的知識(shí)空間。最后，本文介紹了6G-ADM 實(shí)現(xiàn)的2 個(gè)關(guān)鍵技術(shù)，并驗(yàn)證了它們的有效性。未來(lái)，通過(guò)6G 網(wǎng)絡(luò)的知識(shí)定義內(nèi)生智能，有望在6G 網(wǎng)絡(luò)中實(shí)現(xiàn)按需服務(wù)的可持續(xù)實(shí)現(xiàn)。