5G核心網業務模型的智能化預測研究

馮楠，劉賀林，周泉，楊海俊，付蜜能，鐘大平

（1.中國移動通信有限公司研究院，北京 100053；2.中國移動通信集團有限公司，北京 100032）

0 引言

當前，5G商用部署持續推進，5G將步入商業化應用的快車道。具有“大帶寬、廣連接、低時延”技術特性的5G催生5G終端和新應用、新場景的涌現，促進超高清視頻、云游戲、VR/AR、物聯網、車聯網、工業互聯網等領域快速發展，從而導致來自各行各業不同領域的移動智能通信設備數量以及移動數據流量呈現爆炸式增長[1]。據統計，2021年前7個月國內移動互聯網累計使用數據流量1 228億GB，同比增長38.1%[2]。在這種環境下，數據通信以及多媒體業務已遠超傳統業務，成為 5G移動通信網中最主要的承載業務。為了承載激增的數據流量，滿足數據密集型服務擴張的需求，5G網絡中用以承載數據業務的分組域核心網設備數量急劇增加，新一輪5G核心網建設將迎來高潮。

在核心網建設過程中，分組業務模型的研究是非常必要的。一方面，業務模型是形成網絡建設規模的基礎。5G核心網建設部署需要依賴國內運營商擬定的5G網絡業務模型。運營商通過建立行之有效的業務模型，統計并預測業務量的現狀和未來發展方向，為后期網絡建設提供更好的容量規劃以及延展性，進而提升運營商的網絡智能化核心能力；另一方面，業務模型是影響設備硬件處理能力的重要因素之一。網絡功能虛擬化（network functions virtualization，NFV）是未來網絡發展的重要趨勢，進行NFV后，相同配置條件下的硬件處理能力主要取決于業務模型，不同的業務模型往往會導致相同配置條件下的硬件處理能力擁有較大差別[3-6]。因此，隨著5G核心網建設部署節奏的加快，關于5G核心網業務模型的研究也成為當下重中之重的課題。

針對現有核心網業務模型的建模與規劃問題，工業界主要基于國內運營商網絡建設經驗結合實驗室數據確定業務模型的關鍵參數，參數主要包括附著激活比、尋呼次數、鑒權服務器功能（authentication server function，AUSF）鑒權次數等[7-9]；學術界則通過曲線擬合法分析和預測分組域業務模型，該方法基于歷史數據，根據其發展規律構建線性曲線、二次曲線、指數曲線以及冪乘曲線等數學擬合曲線，尋求某兩個變量或多個變量之間的合理關系，進而對未來的業務趨勢和數據進行預測[10-12]。

本文認為業務模型參數的取定需要依賴于5G SA各網元側業務量的統計結果，且會根據現網業務的波動情況實時調整。這是由于業務模型各參數取值由每小時對應參數的業務量總和/注冊用戶數/3 600所得，故現網業務波動使業務模型各參數的取值不同。通過現有方法得到的理論業務模型是靜態不可變的，且缺乏符合各地市網絡特征（由于地區經濟發展，用戶人口結構、定制功能要求、組網等差異造成的與移動性管理及會話管理相關的業務模型參數特征）的業務分析與預測手段，理論業務模型與實際網絡存在偏離，從而使5G網絡容量規劃與實際業務發展不匹配、規劃設備不能滿足或遠大于用戶實際業務需求，造成網絡負載過大或資源利用率過低。

為了克服現有5G網絡業務模型與現網模型適配性較差以及規劃設備無法滿足用戶實際業務需求的痛點，及時制定網絡預優化策略，確保網絡覆蓋以及滿足容量需求，本文提出了一種基于“AI+大數據”的5G核心網業務模型的動態預測方法。該方法通過現網網管大數據采集、數據分析、構建長短期記憶（long short-term memory，LSTM）網絡與卷積LSTM（convolution LSTM，ConvLSTM）網絡雙通道數據特征提取融合學習網絡，對未來網絡的運行參數和容量進行預測，根據預測結果進行決策反饋，以優化網絡結構，實現網絡自動部署，使能5G網絡智能化。經驗證，本文提出的LSTM與ConvLSTM的融合預測模型可用于15 min、1 h、1天多維度時間粒度指標數據的多步預測，且預測精度較高。

1 5G核心網業務模型

1.1 業務模型參數構成

當前，5G核心網業務模型主要由網元配置要求、用戶面（吞吐量）、用戶數以及控制面（信令）4類參數組成。

（1）網元配置要求

網元配置要求主要包括接入和移動性管理功能（access and mobility management function，AMF）接入的5G節點（5G node，gNode）數、每定時提前量（timing advance，TA）下的gNode數、每用戶協議數據單元（protocol data unit，PDU）會話數、每會話支持服務質量（quality of service，QoS）流等。

（2）用戶面（吞吐量）

吞吐量參數主要包括 5G PDU會話數、N3/N6/N9接口流量等。

（3）用戶數

用戶數參數主要包括注冊用戶數、5G接入用戶數、5G手機長期演進語音（voice over long-term evolution，VoLTE）用戶簽約比等。

（4）控制面（信令）

信令參數可進一步細分為業務信令參數和移動性管理信令參數。

業務信令參數與用戶使用業務行為相關，主要包括忙時平均每用戶初始注冊/去注冊次數、鑒權次數、忙時平均每用戶PDU會話建立/修改/釋放次數、周期性注冊更新次數、忙時平均每用戶接入網（access network，AN）釋放/業務請求/尋呼次數等。

移動性管理信令參數與用戶移動性相關，主要包括忙時平均每用戶 AMF內/間移動引起的注冊更新、忙時平均每用戶系統內Xn接口/N2接口切換次數、忙時平均每用戶 4G/5G系統間基于N26接口的切換次數、忙時平均每用戶4G/5G空閑態移動切換次數。

1.2 業務模型參數特征

隨著5G網絡建設的加速，未來5G用戶數普遍以當前LTE用戶升級而來。故而未來一段時間內，5G用戶數呈現穩步增長的趨勢。現網中A省與B省5G注冊用戶數如圖1所示。A省、B省10月5G注冊用戶數比2月分別增長242%、976%。當前工程建設和基于此開展的性能測試中，均采用單一業務模型。而核心網中信令參數以及吞吐量參數的產生，主要成因在于用戶使用業務行為、用戶移動性行為，除此之外還與網絡規劃組織以及簽約業務等相關，而用戶行為普遍受不同省市經濟發展差異、用戶人口結構差異、地區組網差異等因素的影響。故單一業務模型難以覆蓋現網多樣差異化場景。A、B兩省部分話務模型參數對比見表1。以A、B兩省為例，B省忙時平均每用戶AMF內N2接口切換次數比A省低60.5%，B省忙時平均每用戶AN釋放次數比A省高16.21%。結果表明各省市業務模型會呈現多元化差異。

表1 A、B兩省部分話務模型參數對比

圖1 現網中A省與B省5G注冊用戶數

由于用戶在一段時間內的行程或使用移動網絡上網的行為相對規律，個人用戶行為在一段時間內是存在規律性和延續性的，例如，一個外賣送餐小哥每日在11:00—20:00的行為可以概括為“送餐－接單－送餐－接單－……”，該行為循環往復，對網絡層面的觸發也存在一定的規律，即“AN釋放－業務請求－AN釋放－業務請求－……”。類似地，以上班族為例，大部分上班族在工作日的7:00—9:00、17:00—20:00（上下班路上）會打開手機流量開關瀏覽網頁或追劇，故而工作日該時間段用戶面吞吐量相對其他時間段偏高。所以可以認為核心網中的控制面信令和用戶面吞吐量也是存在同樣的規律性和延續性。而業務模型預測的前提是一段時間內數據之間是存在時間相關性的。所以本文認為可以通過用戶行為的歷史數據分析、疊加從而對網絡中的業務模型參數進行一定的周期預測分析。A省單資源池7—8月忙時平均每用戶業務請求次數如圖2所示，該信令參數在時間上呈周期震蕩趨勢，具有統計規律。因此，業務模型預測可以看作時間序列預測任務。

圖2 A省單資源池7—8月忙時平均每用戶業務請求次數

2 5G核心網業務模型智能化預測時間周期

2.1 LSTM與ConvLSTM融合預測模型

由于核心網業務模型對應各參數在時間上具有統計規律，因此，核心網業務模型預測可以看作時間序列預測任務。在時間序列預測任務中，LSTM 擅長提取長時序特征，而卷積神經網絡（convolutional neural network，CNN）在短時序特征提取上更有優勢[13-16]。本文提出使用LSTM與基于CNN的卷積LSTM模型ConvLSTM雙通道融合預測模型來對業務模型指標進行預測，通過該雙通道融合預測模型，可以盡可能挖掘時間序列中隱藏的特征信息，這些特征同時包含了長時序和短時序兩類特征。

2.1.1 LSTM網絡模型

早期，時間序列建模主要采用回歸模型、自回歸滑動平均模型（auto-regressive moving average model，ARMA）、差分自回歸滑動平均模型（auto-regressive integrated moving average model，ARIMA）。ARMA和ARIMA常用于周期性平穩序列預測，對歷史數據要求較高[17-19]。隨著深度學習的發展，大部分研究人員通過循環神經網絡（recurrent neural network，RNN）對時間序列建模，以提高在數據趨勢預測中的準確性。RNN在許多領域都有較好的表現[20]。但RNN每一個輸入值均只與其自身的路線建立權連接，不會與其他的神經元連接，這樣的結構缺陷會導致歷史信息在反向傳播中丟失，導致梯度消失和梯度爆炸現象的出現。為了解決 RNN的弊端，LSTM 被提出。LSTM和RNN的不同之處在于，LSTM在隱藏層中使用了3個門控單元，分別為輸入門、遺忘門和輸出門，用來更新或丟棄歷史信息，以控制歷史信息的流動，這也使LSTM更擅長應對時間序列預測任務[21-22]。LSTM網絡結構如圖3所示。其中，σ、?、⊕分別表示sigmoid函數、兩個相同維度對應元素的乘積組成新的向量、兩個相同維度對應元素求和組成新的向量，對數據信息進行過濾運算和疊加運算。

圖3 LSTM網絡結構

假設一個時間序列X= {x1,x2,x3,…,xn}，x1,x2,x3,… ,xn表示每一個時間點，其中包含該時間點的特征信息。

對于LSTM塊中遺忘門ft，通過Sigmoid函數激活上一層隱狀態ht?1和當前輸入狀態xt，該激活值在[0,1]。遺忘門計算式如式（1）所示。

對于 LSTM 塊中的輸入門it，則是控制當前層哪些信息作為新增記憶C~加入當前記憶狀態Ct，it同樣由Sigmoid函數激活上一層隱狀態ht?1和當前輸入狀態xt生成，但權重與ft的權重不同。輸入門計算式如式（2）、式（3）所示。

記憶狀態更新是通過ft控制的上一層歷史記憶狀態Ct?1與it控制的新增記憶C~共同生成當前記憶狀態Ct，如式（4）所示。

對于LSTM塊中輸出門οt，則是輸出當前層的隱狀態ht，該隱狀態由tanh函數激活記憶狀態Ct生成。輸出門計算式如式（5）、式（6）所示。

在模型訓練結束后，除了隱藏狀態會記憶一部分歷史信息，記憶狀態還會記憶整個序列的高維隱信息，如序列的變化率、衰減率等信息。

2.1.2 ConvLSTM網絡模型

ConvLSTM 網絡可以較好地提取時間序列任務中的短時序特征。ConvLSTM 網絡模型主要通過卷積層對時序中的權值進行計算，將時序圖中的特征提取出來，并且通過將上一層的輸出當作下一層LSTM層的輸入提取靜態時序圖的短時序特征。ConvLSTM網絡的主要計算式如式（7）～式（11）所示。

其中，?表示卷積運算，?表示Hadamard乘積。

2.1.3 雙通道融合

針對LSTM以及ConvLSTM模型在時間序列提取方面的特點，本文提出了使用 LSTM 與ConvLSTM 雙通道融合預測模型來對業務模型指標進行預測。ConvLSTM與LSTM雙通道融合網絡結構如圖4所示。LSTM與ConvLSTM輸入相同的數據源，但LSTM通道提取時間序列的長時序特征，輸出長時序特征張量P1={h1,h2,… ,hk}；ConvLSTM 通道提取時間序列的短時序特征，輸出短時序特征張量P2= {h1′ ,h2′ ,… ,hk′}。其中，為了平衡兩通道所提取特征對最終測試結果的影響，需要保證P1與P2的維度相同，均為k，最后將兩通道經提取的時間特征張量拼接，得到一個維度為2k的張量P，如式（12）所示。

圖4 ConvLSTM與LSTM雙通道融合網絡結構

最后將張量P輸入全連接網絡層（Dense），將張量進行維度變換，從而得到預測結果。

與上述提到的LSTM與ConvLSTM神經網絡不同的是，LSTM與ConvLSTM雙通道融合預測模型分別通過LSTM模型提取時間序列的長時序特征，通過ConvLSTM提供時間序列的短時序特征，將兩通道提取的特征進行向量拼接融合作為一個整體再輸入全連接網絡層中，而 LSTM 或ConvLSTM均通過對應模型提取時間序列特征，隨后將特征直接輸入全連接網絡層進行輸出。

2.2 實驗分析

2.2.1 數據集

通過采集現網業務統計數據得到原始性能數據，包含5G SA網元（AMF、SMF、PCF、UDM、NRF、UPF、CHF等）各項性能統計指標及虛擬池位置信息，單網元相關性能統計存為單個數據表，數據周期為2021年1月—8月的8個月，采樣的時間間隔為15 s，其中，前80%的數據序列用于訓練數據，后20%的數據用于測試數據。本文使用平均絕對百分比誤差（mean absolute percent error，MAPE）衡量模型的優劣[23]。MAPE用來衡量評估預測值的準確程度，MAPE是相對值，不是絕對值，MAPE越小，說明模型預測準確度越高。

2.2.2 實驗配置

本文提出的LSTM與ConvLSTM融合預測模型經多次實驗驗證，LSTM與ConvLSTM融合預測模型配置見表2。LSTM通道與ConvLSTM通道中的LSTM層互相獨立，且兩通道的輸出維度相同，以平衡兩通道所提取特征對最終測試結果的影響。

表2 LSTM與ConvLSTM融合預測模型配置

2.2.3 實驗結果

基準算法結果對比如圖5所示，對比了15 min粒度下，傳統時間序列模型S-ARIMA、LSTM與本文提出的LSTM與ConvLSTM融合預測模型的初始注冊（amf_attinitreg）、尋呼（amf_pagatt）、鑒權（amf_auth）、周期性注冊更新（amf_regupdreq）、服務請求（amf_attservicereq）多個業務指標單步預測的MAPE值。一般而言，本文認為當MAPE＜10%時，該預測模型質量較高，可利用該模型進行具體應用場景和具體數據集的后續預測。由圖5可知，針對15 min小顆粒度業務指標，3種模型均可達到較好的業務模型指標預測效果，但融合預測模型由于LSTM通道與 ConvLSTM 通道在數據特征提取方面的優勢互補，因此，融合預測模型在整體業務指標的預測上更穩定、更準確，多指標的MAPE值均保持在5%以下。

圖5 基準算法結果對比

1 h粒度各指標預測值所屬區間統計見表2，其為1 h粒度下，5G SA網元的共計22個業務模型對應信令指標單步預測的MAPE值所屬范圍區間個數統計。22個指標通過使用融合預測模型進行預測，可達到100%數量的6%以下精度的預測。1 h粒度數據由4個15 min粒度疊加生成，所以1 h粒度的數據對應波動性更大，S-ARIMA適用于周期性明顯的數據，對數據本身周期性特征要求較高，因此，S-ARIMA僅適用于小顆粒度業務模型指標預測；而LSTM擅長提取長時序特征，對短期波動劇烈的業務指標預測精度較差，因此，S-ARIMA、LSTM模型在預測時，分別有68.18%、45.45%數量的指標預測精度大于10%。

表2 1 h粒度各指標預測值所屬區間統計

兩模型多時間粒度下的對比如圖6所示，對比了15 min、1 h、1天3種時間粒度下LSTM與LSTM& ConvLSTM 模型基于 Xn接口的切換（amf_attintraamfxn）指標多步預測的MAPE值，與LSTM相比，LSTM & ConvLSTM可實現多時間粒度下該指標的高精度預測，且預測準確度更高。在1 h粒度下，LSTM&ConvLSTM 模型的預測精度可達4.8%，相較于LSTM，該融合模型將預測準確率提高了55%。

圖6 兩模型多時間粒度下的對比

1 h粒度下兩模型不同輸出步長的MAPE對比如圖7所示，1 h粒度下，對于多步預測，相較于LSTM，LSTM&ConvLSTM的平均MAPE更小，預測結果更好，當輸出步長大于 6時，對應LSTM&ConvLSTM預測精度明顯下降，故在1 h粒度下，LSTM&ConvLSTM可用于預測未來最多6個顆粒度輸出的預測。

圖7 1 h粒度下兩模型不同輸出步長的MAPE對比

不同時間顆粒度下 LSTM&ConvLSTM 輸出步長結果見表3，LSTM&ConvLSTM模型可實現未來4天指標容量的高精度預測。可根據輸出的預測值，及時制定網絡預優化策略，確保網絡覆蓋以及容量需求。

表3 不同時間顆粒度下LSTM&ConvLSTM輸出步長結果

3 智能化預測的應用建議

當前，5G、NFV迎來大規模部署期，網絡云化重構、網絡切片等技術創新的加速發展促使一張網絡賦能千行百業，網絡帶寬、連接規模、傳輸時延等關鍵性能指標大幅度提升，網絡性能和靈活性發生了根本性改變[24-25]。與此同時，5G網絡的靈活性和復雜性給網絡的運營、運維帶來了前所未有的挑戰，傳統運維模式已無法滿足成本和效率的需求，采用人工智能技術實現網絡智能化成為必然趨勢。

核心網業務模型是5G網絡容量規劃和網絡建設的基礎。業務模型各參數的預測結果可使維護人員迅速掌握網絡流量的規律、趨勢以便及時調控網絡資源。具體而言，業務模型智能化預測可考慮應用于網管監測系統中。利用長期（季度、年度）業務模型智能化預測，對網絡建設方案進行精準規劃，利用短期（分、時）業務模型智能化預測，實現網絡的自動化彈性擴縮容。具體實現方法為：通過采集北向網管各網元側的數據，對數據進行異常識別、丟棄、異常處理，生成訓練數據，根據需求將數據進行拆分，將數據進行資源池維度、省份維度、單網元維度、時間粒度/維度進行劃分，訓練對應維度數據，構建基于AI的多時間維度預測模型，將預測值上報給網管系統，基于預測值，網絡進行決策判定，將實際業務與5G網絡容量規劃匹配，執行彈性擴縮容操作，實現網絡自動部署，以避免網絡負載過大或資源利用率過低情況的發生，保證系統運行效率。

4 結束語

5G時代需要一個高度智能化的網絡，將 AI引入通信網絡將是5G網絡規劃、建設、維護、優化、運營的必然選擇。本文提出使用 LSTM 與ConvLSTM 雙通道融合預測模型來對業務模型指標進行預測。該方法通過現網網管大數據采集、數據分析、構建LSTM與ConvLSTM雙通道數據特征提取融合學習網絡，對未來網絡的運行參數和容量進行預測，根據預測結果提供更加智慧、靈活的網絡策略，進而實現人工智能賦能通信網絡，推動網絡智能化持續演進。結果表明，本文提出的LSTM與ConvLSTM的融合預測模型可用于15 min、1 h、1天多維度時間粒度指標數據的多步預測，預測精度可達4.8%。相較于傳統時間序列S-ARIMA模型以及LSTM模型，該模型的預測準確度更高。