內生智能和端到端服務化的6G無線網絡架構設計

劉光毅，鄧 娟，李 娜，冷昀橘，田開聰

(1.中國移動通信有限公司研究院 未來研究院，北京 100053；2.北京郵電大學 信息與通信工程學院，北京 100876)

0 引言

為了滿足千行百業的差異化和碎片化業務需求，5G引入了基于NFV/ SDN技術的SBA架構及網絡切片技術。網絡切片技術通過在同一基礎設施上構建面向不同垂直行業的邏輯隔離網絡，以滿足不同行業的定制化需求。隨著行業需求的進一步擴展，5G網絡架構及管理方式也變得愈加復雜。

2G/3G/4G/5G多網共存與互操作，網絡結構與功能愈加復雜為了保證多種業務和不同能力終端的接入需求，5G通過引入多連接等技術手段實現多種標準(NR、LTE、WiFi等)共存，在提供更高吞吐量和業務連續性保障的同時，增加了更多網絡功能、交互流程、管理策略、異常因素，使得網絡結構與管理更加復雜。尤其是對于無線接入網，為了滿足各種垂直行業需求，單體式基站需要不斷做加法，而對于某個特定的垂直行業而言，其需要的是更精簡、低成本、易于管理的輕量級網絡。

多種專用接口并存，接口協議復雜傳統網元之間采用專用接口進行通信，在通信前需要進行相應的接口建立。為了保證特定業務或服務需求，3GPP定義了一系列協議，如用于D2D發現/通信的ProSe/ PC5 Signalling協議、用于定位的LPP/NRPPa協議、用于實現QoS flow到DRB映射的SDAP協議、用于回傳的BAP協議等。協議功能的引入不僅帶來了標準化工作量和實現難度，還增加了測試與運維的復雜度和難度。

專用與通用硬件共存，基礎設施平臺管理難5GC引入了面向NFV/SDN的通用硬件平臺，而RAN考慮到性能、功耗等需求，還是多采用專用硬件和專用軟件設備實現。為滿足運營商版本快速升級部署、容量彈性可擴展等需求，提高設備資源利用率，通用基礎設施平臺的構建正在成為新的趨勢。

外掛式AI應用，面臨挑戰眾多人工智能技術在5G網絡中的應用促進了移動通信網絡和垂直行業的智能化發展，但5G網絡智能化大多使用場景驅動的外掛AI模式，其面臨的挑戰如下：一是缺乏統一的標準框架，導致AI應用缺乏有效的驗證和保障手段；二是外掛模式難以實現預驗證、在線評估和全自動閉環優化；三是外掛模式下，算力、數據、模型和通信連接屬于不同技術體系，對于跨技術域的協同，只能通過管理面拉通進行，通常導致秒級甚至分鐘級的時延，服務質量也難以得到有效保障。

為解決上述問題，需要從如下三個方面著手，構建更加智能、至簡的6G網絡[1]：① 深化云網融合，加速推進無線網絡的云化改造。目前無線接入網的云化部署尚在起步，需要進一步推動無線協議棧的服務化、無狀態化研究，完善網絡自動化部署和運維，實現適用于無線接入網領域的云原生技術體系[2]。② 優化網絡結構，結合高低頻頻譜優勢以及控制面與用戶面數據傳輸需求，引入控制面與用戶面深度分離的無線網架構，簡化小區管理流程、降低整網功耗[3]。③ 進一步探索智能化手段提升網絡運行效率及行業差異化需求的適應能力[4]。

智能、至簡是未來網絡設計的兩大原則[5-7]。近年來，隨著AI技術的快速發展，AI技術在通信網絡中的應用也愈加廣泛而深入。首先，AI助力改善無線網絡的資源分配和網絡管理的自動化等問題。文獻[8]利用深度強化學習技術，設計了一種分布式的動態功率分配方案，為無線網絡中的最優化功率分配問題提供了思路。文獻[9]針對無線網絡中頻譜共享問題，提出基于深度學習的占空比頻譜共享框架，具有很高的實用性。其次，AI助力提升通信網絡的自動化、智能化水平和網絡安全性。文獻[10]使用強化學習結合數字孿生的方法，實現了移動無線網絡的自治優化。在現代通信場景中，涌現了大量視頻和各種非語音流量業務，這類業務利用AI 分析用戶反饋的數據，預測網絡狀態、用戶行為、業務特性等信息，實現網絡參數的自動優化，不僅降低了網絡運營和優化成本，還提升了用戶服務質量[11]。此外，網絡可應用機器學習方法，基于大量歷史數據進行安全預測，同時對網絡流量進行實時監控，確保及時發現可疑的用戶和攻擊行為，并自動化分析故障原因、輸出解決方案，實現網絡運維智能化，使網絡更加安全可靠[12]。

但現階段AI在網絡中的應用多采用外掛模式，服務質量、效率等難以保障。關于如何實現未來網絡至簡，目前已有一些設計思路，如考慮通過同態化的設計、端到端采用統一的設計思想、采用統一的接口基礎協議、多種接入方式采用統一的接入控制管理技術，以及基礎網絡架構以極少類型的網元實現完整的功能等。雖然無蜂窩小區等至簡相關技術已經被研究了很多年，但尚無相對系統性的結論。

本文從網絡功能、網絡結構、網絡運行三個維度出發，提出智能和至簡網絡關鍵技術方案。主要創新在于：

① 提出端到端智能至簡網絡總體構想，涉及基礎設施及資源層面、網絡功能層面、應用與服務層面。

② 提出功能至簡解決方案：端到端服務化架構，通過引入統一的服務化接口、統一的編排管理機制等，實現網絡功能定制化、交互流程最優化。

③ 提出結構至簡解決方案：信令廣域覆蓋機制，可實現多制式、多頻段小區的統一管理，在此基礎上，系統信息、小區選擇與重選機制可以進一步降低整網信令開銷和小區管理復雜度。

④ 面向內生AI設計，提出網絡內生智能面、AI服務質量(Quality of AI Service，QoAIS)指標體系及保障機制，并從性能、開銷、安全、隱私、自治等多個維度系統分析AI訓練服務的QoAIS指標體系，從管理面、控制面與用戶面等多個方面提出QoAIS機制與流程，保障AI服務的QoAIS持續達成。

⑤ 對內生AI網絡架構中基于QoAIS的AI工作流編排方案進行了仿真分析。仿真結果表明，在性能和開銷方面，集中式、分布式和協同式三種典型方案各有優缺點，需要針對QoAIS的具體要求，決定AI工作流中相關任務的分布，并調度所需資源，以保證QoAIS的達成。

1 智能至簡網絡構想

面對未來不確定的新業務和新場景需求，除了提升網絡傳統關鍵性能指標外，還需要著力于提升網絡的全場景適應能力。如圖1所示，網絡的適應能力可以通過如下幾個方面來提升：

圖1 智能至簡網絡構想

在基礎設施及資源層面，按需調配合適網絡資源(包括計算、存儲、頻譜、功率、部署位置等各類資源)，最大限度提升網絡效率。一方面要實現資源的靈活動態共享，適配在網計算、在網存儲、功率共享等業務需求；另一方面要全局考慮資源的靜態劃分，以適應信令與數據解耦、上行與下行解耦等發展趨勢。

在網絡功能層面，按需靈活組合與編排必要網絡功能，提供定制化網絡服務能力，避免不必要的功能和流程導致的性能損失或成本增加。基于云原生技術的端到端服務化架構是提升網絡適應能力的必要技術手段。

在應用與服務層面，一方面要精確感知業務需求，另一方面要實現網絡功能與網絡資源的多維度智能編排與管理，實現整網的智能管理。

2 網絡功能至簡：端到端服務化架構

5G引入了基于云原生技術的服務化架構(Service Based Architecture，SBA)，使網絡具備了按需部署、彈性擴縮容、軟件快速升級等能力，通過網絡切片等有效支撐差異化和碎片化的行業用戶需求。但目前商用的5G核心網僅實現了控制面的服務化，這意味著僅核心網控制面功能可以滿足垂直行業用戶的網絡功能定制化需求。為了靈活適配未來不同行業的組網需求，SBA的概念需要進一步擴展到核心網用戶面、接入網，甚至UE，如圖2所示。

圖2 端到端SBA架構

2.1 服務化架構設計層次

綜合考慮產業成熟度、技術成熟度等多個方面，端到端服務化架構的研究可能會包括以下5個層次，不同層次可能單獨出現，也可能同時出現。

2.1.1 核心網用戶面服務化

為了更好地滿足垂直行業需求，業界已開始進行核心網用戶面服務化相關研究[13-14]。R18的UPF支持event exposure服務將是UPF服務化的重要開端，文獻[8]的研究內容主要包括兩點：一是定義UPF信息開放服務并支持通過NRF進行服務注冊和發現；二是使UPF和其他5GC NF可以相互調用彼此的服務，例如，策略控制功能(Policy Control Function,PCF)可以直接訂閱UPF的QoS檢測延時報告以避免重復包傳輸、優化傳輸路徑，或者網絡數據分析功能(Network Data Analytics Function,NWDAF)可以直接訂閱UPF實時業務流信息用于大數據采集分析，以及UPF通過網絡能力開放功能(Network Exposure Function,NEF)直接開放服務給第三方。

2.1.2 接入網控制面服務化

可能會包括兩個階段，即接入網與核心網控制面接口的服務化以及接入網內部的服務化。第一階段研究已有公司在3GPP觸發討論[15]，主要思路是在NG-RAN和核心網之間引入新的服務化N2接口，同時保留傳統N2接口，與UE移動性、NAS信令相關的消息通過傳統N2接口傳輸，其他消息通過新的服務化接口傳輸。第二階段將會實現N2接口的全服務化，以及RAN控制面功能的服務化重構。RAN控制面大致可能包括如下幾種服務：無線承載管理服務、連接與移動性管理服務、本地定位服務、多播廣播服務、數據采集服務、信令傳輸服務以及接入網開放服務。

RAN控制面服務化可以帶來至少如下兩方面的優勢[16]：一是RAN服務可以與CN服務直接互訪，由此可以減少網絡中不必要的AMF轉發；二是RAN控制面服務化后，RAN的控制面服務與其他服務(包括核心網服務、其他RAN控制面服務)之間的交互可從串行交互轉為多方并行交互，由此可優化控制面流程。

2.1.3 接入網用戶面服務化

傳統移動通信協議遵從OSI分層協議設計理念。每個分層僅能接收由它下一層提供的特定服務，并且負責為自己的上一層提供特定的服務。上下層之間進行交互時遵循“接口”約定，同一層之間進行交互時遵循“協議”約定。這種分層設計理念存在的問題是：協議及服務模型固定，無法實現靈活的跨層信令交互和跨層功能組合。RAN用戶面服務化的本質是突破傳統分層設計理念，使服務之間不再受限于上下協議層間的調用關系，服務之間可以靈活地訪問，并在需要時按需組合，以更好地滿足多種業務需求。通過RAN用戶面服務化，打造極致的跨層傳輸體驗。

2.1.4 UE服務化

隨著云手機市場的再次興起，UE也可以具備服務能力，向運營商網絡、第三方應用等提供算力、測量、UE信息等服務。UE服務將與網絡服務融為一體，通過服務化接口互訪，實現更靈活直接的信息交互。

2.1.5 DOICT融合驅動的服務化架構

隨著數據技術、運營技術、信息技術和通信技術(Data,Operation,Information and Communication Technologies，DOICT)的深度融合發展，內生智慧、內生安全、感知通信一體化、計算通信一體化、計算存儲一體化已成為未來網絡發展趨勢，相應的網絡服務能力也需要被引入到網絡中。如網絡內生的AI服務可能包括AI任務流拆分服務、策略生成服務、數據處理服務等。

2.2 至簡服務化架構設計

在服務化架構的基礎上，可以通過如下技術手段進一步實現網絡的至簡。

(1) 服務聚合與接口統一

在RAN服務化與CN服務化演進的過程中，還需要同步考慮RAN服務與CN服務的融合或拆分，從端到端角度精簡網絡功能，避免冗余操作帶來的不必要時延。此外，RAN服務化之后將采用與CN統一的服務化接口，這也將簡化整個網絡的運維管理，提升管理效率。

(2) 流程精簡與并行處理

傳統地，RAN與CN NF之間的控制面交互均需要通過AMF轉發，而RAN服務化之后，RAN服務與CN服務可以通過服務化接口直接通信，減少了不必要的AMF轉發，由此可精簡端到端流程。此外，服務化RAN將一體化RAN拆分為多個功能模塊，這有望使傳統串行執行的流程并行化，加速整個處理過程。

(3) 統一編排與分域管理

基于不同業務需求，自動部署與連接各種虛擬網絡功能服務，按需調配計算、存儲、頻率、功率等資源，由此實現端到端服務的靈活組合與及時交付，最大化網絡資源利用率。為降低管理復雜度，可考慮采用分層分域的編排管理機制。

3 網絡結構至簡：信令廣域覆蓋

為了滿足更加豐富的應用場景需求，6G將是一個低、中、高多頻段協同的全頻譜接入系統。覆蓋仍將以10 GHz以下為主，毫米波(70 GHz以下)將發揮更重要的作用，可見光和太赫茲(100 GHz以上)將在特定場景下提供超高速率和感知探測等能力。

為了降低高頻站點密集部署導致的網絡功耗和成本問題，同時保證網絡廣域覆蓋性能，6G網絡將引入控制信令與業務數據解耦機制。具體而言，由低頻段(如700 MHz)控制基站提供廣域的統一信令覆蓋，負責RRC消息、物理層信令等控制信令的播發，降低高頻段導致的路徑損耗大等影響，保證連續與可靠的連接性與移動性；由高容量、按需開啟的高頻段(如62.5 GHz及以上)數據基站提供數據和少量必要信令的傳輸，降低小區間的干擾及整網能耗。

為了實現控制信令與業務數據分離，需要解決一些關鍵技術問題，包括高頻數據基站的選擇/重選、系統信息廣播、終端移動性管理、控制基站與數據基站之間的握手機制等。

3.1 基于區域的系統信息廣播機制

在傳統系統信息廣播機制中，某小區的信息需要在多個鄰小區通過SIB3/SIB4/SIB5廣播，且某些系統信息(如告警、定位輔助信息)需要在多個重疊小區均發送，冗余的系統信息播發降低了整個系統的資源使用效率和能耗效率。與此同時，一旦UE移到另一個小區，即便某些系統信息的內容在前一個小區中獲得過，也需要重新讀取系統信息。此外，冗余的信令接收也對UE功耗造成一定影響。

在信令廣域覆蓋場景中，系統信息的播發將不再以單個小區為單位，這也為避免系統信息的重復發送帶來了新的解決思路。如圖3所示，將同一地理區域范圍內的多個數據小區歸為一組，以小區組為單位進行系統信息的廣播。

圖3 基于區域的系統信息廣播機制

由此，鄰區系統信息可以無需在服務小區的SIB3/4/5下發，除此，只要鄰區依然屬于信令小區覆蓋范圍，即便UE移動到鄰區，也無需再次獲得系統信息，保證了系統信息的可重用性，降低了UE功耗。

3.2 控制小區的選擇與重選

低頻段(如700～900 MHz，1.4 GHz，1.8 GHz，2.1 GHz，2.3 GHz，2.6 GHz頻帶)穿透損耗小，具有很好的覆蓋性能，但頻譜帶寬相對較窄。為了提升控制小區的容量與覆蓋性能，可以通過載波聚合或多載波服務小區(Multi-Carrier Serving Cell，MCSC)的方式將零散的控制信令載波聚合為更大的帶寬使用[17]。相比CA，MCSC將多個低頻帶聚合到一個服務小區，可以減少載波管理帶來的不必要控制信令開銷，包括同步、小區添加/刪除/激活、測量、移動性等，相應地提升了處理效率，降低了處理時延，因此MCSC具有很好的應用前景，非常適用于廣域信令覆蓋場景。

傳統小區只有一個下行載頻，終端在做小區選擇和小區重選時只會計算出一個RSRP和RSRQ值。而在MCSC場景下，同一個MCSC控制小區會有多個下行載頻，終端在一個小區內可測得多個針對不同載頻的RSRP和RSRQ值，因此傳統的小區選擇和小區重選方法將不再適用。在小區選擇時，可能需要優先選擇到MCSC，以減少小區重選的可能；在小區重選時，由于MCSC控制小區存在多個同頻頻點，因此在執行同頻小區重選時，需要引入MCSC內頻率優先級這一概念，并基于此重選同頻小區。

3.3 數據小區的選擇/重選

傳統小區選擇或重選基于信道質量測量結果，而這一方式并不適用于信令廣域覆蓋場景的數據小區選擇，因為高頻數據基站可能出于節能原因關斷了，或者正處于干擾協調受限狀態。因此，需要引入新的數據小區選擇/重選機制，如需要結合基站位置信息、基于AI的信道質量預測信息等進行選擇。

在小區選擇/重選之后，可能還涉及小區激活。傳統的多小區激活方式有兩種:一種是4G研究CA/DC時提出的，基站通過RRC消息配置多個小區，但不激活，后續基站按需通過MAC CE對小區進行激活;另一種是5G研究時提出的，為了實現小區的快速激活，提出基站RRC配置,即激活小區。這兩種方式都是網絡直接控制小區激活，UE需要持續上報測量結果以便于網絡確定最優小區進行激活，這將導致大量上行信令開銷，尤其對于未來6G網絡大量高頻站點密集部署的場景。一種可行的解決方案是，基站為UE配置多個小區、但不激活，同時配置小區激活相關的觸發條件等，當滿足觸發條件時，UE上報多小區激活指示MAC CE給基站，而無需發送測量結果，由此可避免不必要的上行信令開銷。

4 智慧內生網絡

4.1 驅動力

面向智慧泛在的未來社會發展愿景，6G網絡需助力千行百業的數智化轉型，實現“隨時隨地”智能化能力的按需供應。相比云服務供應商，6G網絡需提供實時性更高、性能更優的智能化能力服務，同時提供行業間的聯邦智能，實現跨域的智慧融合和共享。由于終端的數據存儲和計算能力也越來越強，考慮到數據隱私需求，需要協同網絡和終端的算力、通信連接和算法模型等資源，比如算力卸載、模型編排等，為2C客戶提供極致業務體驗和高價值新型業務。另一方面，6G網絡需實現高水平自治和安全可信。目前網絡自治水平較低(約為2.2級)，未來網絡需要支持對運營商和用戶意圖的感知和實現，實現網絡的自我設計、自我實施、自我優化、自我演進，達到L5級高水平網絡自治。此外，未來網絡將承載更多樣化的業務，服務更多的應用場景，承載更多類型的數據，因此網絡將面臨大量新的、復雜的攻擊方式，需要安全能力在6G網絡的各環節嵌入，實現自主檢測威脅、自主防御或協助防御等。以上均需要6G網絡在設計之初即考慮AI技術的融入和內化，實現6G網絡內生AI。

6G網絡內生AI是在6G網絡架構內部提供數據采集、數據預處理、模型訓練、模型推理、模型評估等AI工作流全生命周期的完整運行環境，將AI服務所需的算力、數據、算法、連接與網絡功能、協議和流程進行深度融合設計。因此內生智慧需要構建AI的服務質量評估和保障體系，重構網絡架構、協議和功能，實現基于服務質量的AI全生命周期編排，包括算力、模型和數據，進而實現計算與通信的深度融合。

4.2 智能面

6G網絡將AI三要素(數據、算法和算力)作為網絡內部的基本資源，每種資源要素在具有自身內部的管理、控制、處理和傳輸機制之外，還應與其他資源之間協同，共同完成AI任務。6G網絡將新增“智能面”以實現對數據、算法和算力端到端的控制和編排。智能面包括管理面、控制面和用戶面上的功能設計，為各類AI工作流的全生命周期提供了完整的運行環境，滿足各類AI服務的質量保障需求。圖4為6G網絡的智能面功能架構設計。

圖4 6G網絡智能面功能架構

4.2.1 總體描述

面向不同行業和場景對6G網絡AI能力的千差萬別的需求，本文提出采用“AI用例”表達和導入用戶對6G網絡AI服務的需求。AI用例是用戶向網絡一次性提出的AI服務請求，一個AI用例可能涉及到一類或多類網絡AI服務的調用(6G網絡的AI服務可以分為AI數據類、AI訓練類、AI推理類和AI驗證類等)。6G網絡應具備自動生成AI用例(需求表達形式)的能力，以避免人工認知的局限性及打補丁式的問題解決方式在用例間產生的效果沖突。進一步地，如何將用戶的需求轉化為網絡可以理解的對網絡AI服務能力的要求？對此，本文提出AI服務質量(Quality of AI Service,QoAIS)的概念，并認為網絡應提供對QoAIS的評估和保障體系。當網絡收到一個AI用例請求后，需要獲知該用例對應的QoAIS要求，以便分解到對各類資源的編排、調度和控制的具體要求上，以保障QoAIS的持續達成，這涉及到AI的管理、控制、業務流等多個層面。從管理角度，本文提出可以通過對AI全生命周期工作流的編排管理，半靜態地使相關資源要素(算力、數據、算法、連接)的配給滿足QoAIS要求；從控制和業務角度，則需要多維資源的融合，協同控制前述資源要素的調配，以實時、持續的滿足QoAIS，其中AI計算和通信的深度融合是主要理念。

6G內生AI架構是集中式與分布式相結合的架構。中央AI超腦算力充足，存儲量大，數據抓取范圍大，適用于模型規模大(如大規模通用AI模型)、性能要求高、實時性要求較低的智能應用場景，所需數據跨域的場景，包含用戶相關數據的場景。無線、傳輸和核心網各域內AI小腦作為域內集中式AI引擎節點，負責本地域內可完成的AI用例。各域內分布式部署的網元節點算力和存儲有限，將通過網元間協作，支持本地實時性要求較高的智能應用場景。當本地域內AI用例的QoAIS無法在域內達成時(比如缺少其他域的特征數據、缺少算力資源)，則該用例上升到中央AI超腦，通過全局資源編排來達成。這種分級分域的部署架構可減輕單一集中的超腦面臨的性能壓力，并兼顧到各種智能應用場景的性能需求。

4.2.2 QoAIS指標體系

QoAIS是評估和保障網絡內生AI服務質量的指標體系和流程機制。

在指標體系設計上，傳統通信網絡的QoS主要考慮通信業務的時延和吞吐率(MBR、GBR等)等與連接相關的性能指標[14]。6G網絡除了傳統通信資源外，還將引入分布式異構算力資源、存儲資源、數據資源、AI算法等AI服務編排的多種資源元素，因而需要從連接、算力、算法、數據等多個維度來綜合評估網絡內生AI的服務質量。同時，隨著“碳中和”“碳達峰”政策的實施、全球智能應用行業對數據安全性和隱私性關注程度的普遍加強，以及用戶對網絡自治能力需求的提升，未來性能相關指標將不再是用戶關注的唯一指標，安全、隱私、自治和資源開銷方面的需求將逐漸顯化，成為評估服務質量的新維度，而不同行業和場景在這些新維度上的具體需求也將千差萬別，需要進行量化或分級評估。因此，QoAIS指標體系從初始設計時，即需要考慮涵蓋性能、開銷、安全、隱私和自治等多個方面，需從內容上進行擴展。

6G網絡內生的AI服務可以分為AI數據類、AI訓練類、AI推理類和AI驗證類。表1提供了一種針對AI訓練服務的設計方式。

表1 AI訓練服務的QoAIS指標體系

其中，“*”代表不同類型AI服務間相同的評估指標。“性能指標界”是評估模型性能好壞指標的上界和下界，如模型錯誤率、查準率、召回率等性能指標的范圍。“泛化性”是指模型經過訓練后，應用到新數據并做出準確預測的能力。“可重用性”是模型在應用場景變化時能夠繼續使用的能力。“魯棒性”是指在輸入數據受到擾動、攻擊或者不確定的情況下，模型仍然可以維持某些性能的特性。“可解釋性”是指模型能支持對模型內部機制的理解以及對模型結果的理解的程度。“損失函數與優化目標的一致性”是指模型訓練過程中，對損失函數的設計與AI用例的優化目標的一致程度，比如函數中考慮的變量個數是否完全覆蓋智能優化場景的優化目標指標。“自治”是指對AI數據/訓練/驗證/推理服務的工作流中自主運行部分和人工干預部分的要求，反映了用戶對AI服務自動化程度的要求。自治分為三個等級：① 完全自治(全流程自動化的AI服務，全程無需人工干預)；② 部分人工可控(AI服務的工作流在部分環節自動化，部分環節要求人工輔助)；③ 全部人工可控(AI服務工作流的各環節均要求人工參與)。

除了表1所示的評估維度，QoAIS也可以包括智能應用的性能指標。以信道壓縮為例，可以選擇歸一化均方誤差(Normalized Mean Square Error,NMSE)或是余弦相似度作為信道恢復精度的KPI，也可以選擇鏈路級/系統級指標(如誤比特率或吞吐量等)作為反映信道反饋精度對系統性能影響的KPI。此外，QoAIS還可以包括AI服務的可獲得性、AI服務的響應時間(從用戶發起請求到AI服務的首條響應消息)等與AI服務類型無關的通用性評價指標。

表2給出了QoAIS各指標維度和各資源維度上的QoS之間的映射關系。

表2 AI訓練服務性能QoAIS到各資源維度的映射

AI服務的QoAIS整體指標拆解到各指標維度上的QoAIS指標，再進一步映射到各資源維度上的QoS指標，由管理面、各資源維度的控制面和用戶面機制進行保障。表中各資源維度上QoS指標可分為適合量化評估的指標(如各類資源開銷)和適合分級評估的指標(如安全等級、隱私等級和自治等級)。在前一類指標中，有部分指標的量化方案已成熟或較容易制定(如訓練耗時、算法性能界、計算精度、各類資源開銷等)，部分指標目前尚無定量評估方法(如模型的魯棒性、可重用性、泛化性和可解釋性等)。因此，如何在起始階段設計出足夠開放包容的網絡架構以便后續逐步引入上述指標的成熟量化技術是需要思考和研究的問題。

4.2.3 QoAIS保障機制

在質量評估和保障機制上，5G網絡的QoS機制仍存在一些問題，如業務區分顆粒度較粗、優化調整的周期較長、空口資源配置無法靈活適配網絡與業務的實時動態變化等。因此在6G網絡中提出評估AI服務QoAIS指標的同時，也需要考慮如何設計端到端QoAIS機制和流程以更加高效準確。

為保障AI服務的QoAIS持續達成，6G網絡不僅要在管理面上實現AI工作流全生命周期的智能化編排管理，還要在控制面和用戶面上實現AI計算與通信的深度融合。控制面上計算和通信深度融合，為QoAIS目標的持續達成提供了較高實時性的保障手段，其優勢在于當發現QoAIS指標發生惡化時，可快速調整。例如，當連接帶寬受限，但本地算力充足時，增加本地計算量，對所需傳輸的AI數據進行高保真度的壓縮；當連接帶寬充足、質量穩定，但本地算力受限時，減少本地計算量，通過增加周邊節點的協作，共同完成該任務。用戶面上，聯合設計和優化AI計算協議和通信協議以實現計算和通信的深度融合，保障QoAIS在性能和開銷上的需求。

管理面基于QoAIS需求對算力和連接資源的編排，其優勢在于對網元連接關系、各類資源狀態具有宏觀視角，可保證資源利用率或其他網絡級性能指標較優。管理面負責管理所有AI用例，調度實施AI用例，生成該用例所需的AI服務和AI工作流，對該工作流中每項任務所需的資源(算力、算法、數據、連接等)進行編排，對工作流的全生命周期進行管理，以保障該AI服務的QoAIS持續達成。在這一過程中，管理面從采集的工作流各環節性能監測數據以及整體QoAIS評估數據中，學習出工作流的任務設計和資源編排方案對QoAIS的影響，從而不斷優化方案和策略，實現智能化的編排管理。

管理面對AI工作流編排后的典型結果有三類：① 集中式，即AI任務編排到資源集中部署的云服務中心內(后稱純云腦)；② 分布式，即AI任務編排到資源分布部署的多個邊緣網絡節點內(后稱純邊腦)；③ 集中分布式結合，即AI任務部分編排到云服務中心，部分編排到分布式邊緣網絡節點內(后稱云邊協同)。管理面在編排各項AI任務時，選擇符合當前AI服務QoAIS要求的方案實施。

在QoAIS中的性能、開銷指標維度上，三種編排方案各有優劣。集中式編排方案是AI任務全部編排到云服務中心內，云腦可提取端到端網絡的數據資源，因此訓練樣本數據多、數據完整度和平衡性較高，基于全局信息訓練得到的模型泛化性和公平性更好。但同時由于數據規模大，占用的存儲資源更多，數據集的準備、算法訓練、計算等耗時更長，消耗的傳輸資源和算力資源量更大。分布式編排是在分布式節點處獨立完成訓練服務，不涉及數據的上傳和下發，因此在傳輸和連接上的時延小、誤碼率及抖動小。集中分布式相結合方案中，云腦和邊腦協作完成AI訓練服務，能兼顧宏觀全局規律和局部細節變化，較純云腦和純邊腦方案更加穩定，因此，訓練得到的模型魯棒性較另外兩種方案更好。對于AI推理服務而言，集中式編排方案的云腦掌握的推理樣本數據多、數據的完整性高，推理吞吐量大、推理流數多。集中式編排中邊腦向云腦上傳數據時受傳輸的影響，云腦收到的樣本數據可能出現誤差，所以無法保障推理結果的安全性和可靠性。分布式編排方案不存在云腦和邊腦間的數據傳遞，各邊腦處理本地樣本數據，因此推理耗時短、時延抖動小、誤碼率低，在連接上更安全可靠。

4.3 仿真分析

本節結合多小區天線波束聯合賦形的場景用例，進一步闡述內生AI架構的思想和流程。該AI用例旨在解決在多個基站覆蓋的區域中出現人群聚集場景時，基站天線的波束權值動態調整方案。目前常用的解決方案是通過使用歷史數據，學習人群運動的規律，指導基站天線進行決策。但是由于人群聚集屬于突發事件，不出現在歷史的軌跡數據中，機器學習較難準確地預知人群的分布位置，因而做出的基站天線決策有偏差。利用6G智慧內生AI架構可以解決這一問題。內生AI架構能夠綜合利用本地邊緣節點和全局中心節點的優勢，可以在遇到人群熱點時，通過本地的模型預測和全局的推理計算，對人群分布作出準確的預測，及時指導基站天線作出決策。

上述AI用例所需調用的AI服務包括數據類、訓練類和推理類。網絡資源部署方式是集中式云腦和多個分布式邊腦(基站)。其中AI數據類服務的工作流包括數據采集、數據傳輸、數據預處理、特征提取、數據存儲；AI訓練類服務的工作流包括訓練和測試數據集構建、模型選擇、模型訓練；AI推理的工作流包括模型部署(含模型優化)，輸入樣本構建，推理計算、推理結果優化、推理結果傳輸等AI任務。圖5為三種編排方案下，上述AI任務在集中式云腦和多個分布式邊腦中的分布情況。

圖5 三種不同編排方案的AI任務分布圖

本文的仿真方案在Linux系統下實現，仿真平臺模擬了2萬名用戶在一定區域內熱點聚集的運動場景，其中仿真區域的大小為1.5 km×1.5 km，中間有一棟100 m×50 m×60 m高樓矗立。在仿真場景中，非熱點區域的用戶初始隨機分布在中心高樓以外的空曠區域，熱點區域分布著較為密集的人群。非熱點區域的用戶軌跡是從四周向高樓移動，而熱點區域內的人群軌跡是從左向右運動。用戶的類型分為三種：在空曠區域隨機閑逛的用戶為漫游用戶，靜止在某一特定位置的用戶為靜態用戶，向高樓移動或隨著熱點人群一起移動的用戶為動態用戶。仿真采用正六邊形小區模型，基站均勻分布。本文對三種典型編排結果進行了仿真，這三種方案分別是：① 集中式編排方案(以下簡稱：集中式)；②分布式編排方案(以下簡稱：分布式)；③ 集中分布相結合編排方案(以下簡稱：協同式)。

在仿真實驗中，模擬三種不同的場景，場景一、場景二和場景三分別含有10%、50%和100%的動態用戶。對于每一種場景，分別使用集中式、分布式和協同式三種方案進行波束選擇，并分析三種方案對該用例QoAIS相關指標的滿足程度。

(1) 性能分析

對于QoAIS指標體系中的性能指標，本文從模型性能指標界(用戶分布預測模型準確度)、AI用例性能(SSB波束覆蓋性能)、模型魯棒性以及優化目標匹配度等4個方面分析。

(2) 用戶分布預測準確度

采用將仿真區域柵格化，每個柵格中的數值代表5 m×5 m區域內的人數，利用式(1)計算用戶分布預測準確度，其中N代表真實分布中的柵格數，M代表三種編排方案預測結果與真實分布結果數值相同的柵格數：

(1)

仿真結果如表3所示，集中式方案在場景一和場景二下的預測準確度較高，協同式方案在場景三的預測準確度較高，分布式方案在三種場景下的預測準確度較低。

表3 用戶預測分布準確度

三種編排結果的性能指標界如表4所示，協同式方案的預測準確度上界最高，分布式方案的下界最低。

表4 性能指標界對比

(3) SSB波束覆蓋性能

信號覆蓋性能采用RSRP進行衡量：

RSRP=PathLoss+ShadowFading+AOG+BTSTPower-7,

(2)

式中，PathLoss為路徑損耗，ShadowFading為陰影衰落，AOG為天線增益，單位均為dB，BTSTPower為基站發射功率，單位為dBm。為了統計2萬用戶的RSRP值，對每個時刻下的數據取平均，得到平均RSRP值。

如表5所示，集中式方案在場景一和場景二下的信號覆蓋性能較好，協同式方案在場景三的信號覆蓋較好，分布式方案在三種場景下的信號覆蓋性能較差。

表5 平均RSRP對比

(4) 魯棒性

魯棒性用來衡量方案結果的抗干擾性，本文用戶分布預測模型準確度的方差表示方案的魯棒性程度，預測結果的方差越小，魯棒性越高。三種編排結果的魯棒性分別為：集中式方案31.58×10-7，分布式方案25.14×10-7，協同式方案1.082×10-7。集中式方案的魯棒性差于分布式方案，協同式方案的魯棒性最好。

(5) 優化目標匹配度

一種量化優化目標匹配度的方式是計算模型訓練過程中損失函數的參數變量對AI用例優化目標指標的覆蓋程度。比如，在本用例場景下，若優化目標指標包括RSRP覆蓋性能和SINR覆蓋性能，而損失函數的設計僅包含RSRP，則并非完全匹配。具體的計算公式可設計如式(3)。其中，α代表RSRP的權值，β代表SINR的權值，(α+β=1)，θ代表優化目標匹配度。f(RSRP)與f(SINR)作為損失函數是否包含相應優化指標的0-1函數(包含則為1，否則為0)，在本用例中，三種編排結果的優化目標都是相同的，故而三種編排結果的匹配度相等。

θ=α×f(RSRP)+β×f(SINR)。

(3)

對于QoAIS中的開銷類指標，本文從數據傳輸、存儲和算力開銷三方面對比。從表6可以看出，集中式方案在傳輸數據上傳量和訓練數據的存儲量上需要較大的數據開銷，同時需要較多的算力資源。

表6 開銷對比

分布式方案因為數據決策都在本地執行，所以沒有傳輸數據量，數據的存儲和算力消耗也比較少。協同式方案由于云邊之間的反饋，所以傳輸數據下發量需要的開銷較大，其余指標與分布式方案相同。

對于QoAIS的其他指標，比如可解釋性和公平性，學術界尚無成熟的量化方案。泛化性、公平性等指標不適用于本AI用例。另外其他指標，諸如樣本空間完整性、樣本分布動態性以及可解釋性等有待學術界進一步的研究和探索。

5 結束語

本文從網絡功能、網絡結構、網絡運行三個維度設計了一種智能、至簡的6G網絡架構，具體包括端到端服務化架構、信令廣域覆蓋機制和智慧面，提出AI服務質量QoAIS指標體系及保障機制，并從性能、開銷、安全、隱私、自治等多個維度系統分析AI訓練服務的QoAIS指標體系。最后，本文對內生AI網絡中基于QoAIS的AI工作流編排方案進行了仿真分析。

仿真結果表明，在性能和開銷方面，三種典型方案各有優缺點，編排功能會根據當前AI用例對QoAIS的具體要求，決定AI工作流中相關任務的分布，并調度所需資源，以保證QoAIS的達成。編排算法的一種簡單實現方式是基于QoAIS與編排方案的映射表進行選擇，如將上述三種編排方案寫入映射表供算法靈活選擇。在實際設備實現中，可采用更復雜、更智能的算法，計算出更精細、效果更優的編排方案，如管理面采集工作流各環節的性能監測數據，評估QoAIS的達成情況，學習出工作流的任務設計和資源編排方案對QoAIS的影響，從而不斷優化方案和策略，實現智能化的編排管理。