面向6G的網絡智能化研究

王晴天，劉洋，劉海濤，宗佳穎，楊峰義

（中國電信股份有限公司研究院 5G研發中心，北京 102209）

0 引言

隨著5G的商用，全球領域科研人員對6G的研究腳步也在加速。據統計，平均每月每部移動設備的流量消耗將從2020年的5 GB增長至2030年的250 GB，伴隨著移動數據指數增長的趨勢，以及新型業務場景（如擴展現實和元宇宙等）對網絡傳輸速率、可靠性等參數有更高的要求。當前的5G網絡雖然已經能夠支撐大規模流量和新型應用場景，但隨著場景的迭代和需求的提升，6G的研究迫在眉睫。6G將繼續在5G的基礎上推進超大帶寬、超低時延和超高可靠性的連接，并持續支持各種新型的智能化應用場景。2020年芬蘭奧盧大學的6G Flagship項目發布了White Paper on 6G Networking[1]，提出了6G網絡兼容軟件化和服務化的架構特點，并兼備數據分析功能，涵蓋智能化特征，能夠實現網絡功能的自我管理。同年，紫金山實驗室發布了6G研究白皮書《6G無線網絡：愿景、使能技術與新應用范式》[2]，針對6G新的范式列舉了全覆蓋、全頻譜、全應用和強安全4個特征，全覆蓋意味融合衛星通信、陸地通信、海洋通信以及現有的無線通信技術和無人機等技術，打造空天地海一體化的網絡；全頻率涵蓋sub-6 GHz、毫米波、太赫茲等頻譜資源；全應用實現云網全面融合，打造算網、存儲一體化，應用人工智能（artificial intelligence，AI）技術，推進網絡智能化；強安全將內生安全考慮在6G網絡中。IMT-2030推進組在《6G總體愿景與潛在關鍵技術白皮書》[3]中指出6G網絡是構建人機物智能互聯的網絡，并著力打造數字世界，應用智能化手段，實現“萬物智聯、數字孿生”的愿景?？梢姡?G中網絡智能化的特征已經得到了業界的關注。

網絡智能化的發展，得益于近年來AI技術的飛速發展。機器學習（machine learning，ML）和深度學習（2eep learning，DL）在空口、資源管理和物理層等多個領域應用。同時在應用場景的驅動下，網絡智能化的概念也逐步在網絡中凸顯，AI技術能夠自動從數據中提取特征，自動發現問題、定位問題和解決問題，便于實現網絡的自動升級和維護。AI在網絡中的應用能夠提升網絡的自動化程度，降低網絡管理和優化的復雜度。

伴隨著網絡演進的穩步深入，6G網絡中的智能化更加全面化，已經不限于應用AI算法解決資源的調度和網元的維護等問題，而是AI融入6G網絡，達到AI內生[2-5]。AI內生存在于6G網絡中的各個單元，如在物理層信道建模中可以應用AI算法的自學習能力，根據采集的物理層信道數據集，通過AI算法提取數據特征，推算新的信道模型，該方法無須建立數學模型假設，利用直接真實的數據提取特征，更加貼近實際環境。6G全覆蓋的網絡架構下，多種異構資源的融合讓網絡體系更加多元，提升了網絡的設計難度，AI內生的智能化能夠從網絡架構內部梳理異構資源，完成資源的合理調度，進而支撐更多的6G應用場景。6G網絡中AI內生的演進路線不是建立一個全新的網絡架構體系，而是一個從“外”到“內”的過程，AI技術從網絡架構的“外側”逐步推進、逐層融入，形成6G網絡的內生“大腦”。因此，本文針對此問題進行了6G網絡智能化的研究。

本文首先從6G智能化應用場景入手，描述6G網絡對智能化業務的支撐，接著總結了網絡智能化標準進展，并總結6G網絡智能化中網絡數據庫的建立、AI算法的設計、實時智能與非實時智能和安全性4個特征，而后提出了面向6G的網絡智能化架構并通過室內定位案例場景詳細闡述架構中網絡智能化的應用流程，最后給出了網絡智能化的演進技術。

1 6G智能化新型應用場景

1.1 擴展現實

擴展現實（exten2e2 reality，XR）包含了虛擬現實（virtual reality，VR）、增強現實（augmente2 reality，AR）和混合現實（mixe2 reality，MR）等場景，并已經應用于教育、醫療等領域。XR集成味覺、嗅覺、觸覺、視覺和聽覺感官刺激，營造逼真的用戶體驗，并借助計算機技術和可穿戴設備建立物理世界、虛擬世界和人－機器間的連接關系。在XR場景中，需要使用基于無線電波傳感器來檢測三維環境（3D），6G的雷達頻譜需滿足3D雷達和XR場景中可靠性和精度的水平，傳輸速率在XR場景中需要保證100 Gbit/s和端到端1 ms的時延[6]。同時，為保證高品質用戶體驗的連續性，6G網絡需要提供強大的圖形計算處理能力支撐圖片渲染，以及大吞吐量、超高可靠性和超低時延的無線網絡保證用戶體驗的延續性。此外，6G網絡內生的智能化技術還能保證XR技術的最主要的人－機交互[7]。

1.2 數字孿生

數字孿生（2igital twin）[8]借助多種技術手段，實現物理世界實體特征的提取和抽象，繼而映射出對應的虛擬世界，最終實現數字世界對物理世界的一系列操作，如仿真、控制、下發指令等，當前主要應用在工業和醫療等領域。6G網絡作為傳輸媒介，承載著物理世界數以萬億級的設備與數字世界通信。超大帶寬、超高可靠性和超低時延確保物理世界與數字世界的交互，但是超大規模的設備交互，必然產生更大規模的數據，數據傳輸的精確性和網絡調度的實時性給6G網絡注入了新的挑戰，在數字孿生場景中，6G網絡需要支持100～10 000 Mbit/m2的流量密度，提供接近有線傳輸的可靠性[9]。內生智能對復雜環境的處理優勢，也被認為是當前處理這些挑戰的潛在技術。

1.3 元宇宙

元宇宙的概念近期受到產業界和學術界的推捧，維基百科中對元宇宙的定義為用來描述一個未來持久化和去中心化的在線三維虛擬環境，此虛擬環境將可以通過虛擬現實眼鏡、增強現實眼鏡、手機、個人計算機和電子游戲機進入人造的虛擬世界[10]。國外微軟和Facebook，以及國內騰訊、字節跳動等企業已經開啟對元宇宙的布局和初步探究。6G網絡作為元宇宙的底座，實現多樣化異構設備間超低時延和超高可靠性的人機交互，同時保證算力提供和一系列認證安全服務。元宇宙將是6G網絡的重要應用場景，多樣化的異構設備的接入、多維度的數據傳輸和高密集的數據交互，都需要6G網絡從多維度支撐，6G網絡需要保證10–9的可靠性和10 ns的處理時延[11]確保元宇宙世界與物理世界的連接。網絡智能化在6G網絡中的內生，能夠為這類復雜應用場景的編排和調度提供強力的支持，同時元宇宙內虛擬世界秩序的制定和維護皆可利用AI內生嵌入、更新和升級。

2 6G網絡智能化研究進展

在6G網絡演進趨勢中，云化、虛擬化、軟件化和智能化仍然是6G網絡的主要特征[12]。本節首先總結相關標準化組織在網絡智能化領域的研究進展，然后給出網絡智能化的特點。

2.1 網絡智能化標準進展

3GPP組織在TS 23.503中定義了網絡數據分析功能（network 2ata analytics function，NBDAF）模塊，該模塊用于收集網元產生的數據并進行數據分析，NBDAF的出現代表著5G網絡走向智能化。國際電信聯盟電信標準化部門（ITU- Telecommunications Stan2ar2ization Sector，ITU-T）的SG13（Stu2y Group 13）成立了Machine Learning for Future Networks Inclu2ing 5G進行網絡智能化研究，主要從接口、網絡架構、協議、算法和數據格式的角度開展。ETSI的體驗式網絡化智能行業規范組（In2ustry Specification Group Experiential Networke2 Intelligence，ISG ENI）從應用案例、需求、內容感知機制管理、術語規范和概念驗證架構（proof of concept）5個方面開展網絡智能化研究。近年發展的開放式無線電線入網（Open Ra2io Access Network，O-RAN）組織一直在關注開放式無線電接入網（ra2io access network，RAN）的研究，并在BG2（Bork Group2）和BG3中設計了網絡智能化的架構和對應接口。中國通信標準化協會（China Communications Stan2ar2s Association，CCSA）也一直在開展網絡智能化標準的研究任務，已經在TC1（Technical Committee 1）、TC3、TC5和TC7中分別對網絡智能化的應用場景、關鍵技術以及網絡智能化在無線網絡和傳送網絡中的應用開展標準的討論和制定。網絡智能化組織研究進展見表1。

表1 網絡智能化組織研究進展

當前各組織對6G智能化的研究，多以網絡架構為基礎，延續虛擬化和服務化的理念，采用層次化架構，利用AI算法解決相關的應用場景問題，繼而設計對應的模塊和接口，完成業務邏輯流程。針對網絡虛擬化架構基礎和應用場景的驅動力，未來6G智能化標準的研究建立在網絡智能化核心模塊（如NBDAF）的基礎上，歸納應用場景（如室內定位）當前需求痛點，并量化為網絡需求，逐步完善智能化模塊設計、接口數據類型和內容，構建合理的業務邏輯鏈，最終實現內生智能在6G架構中的融入。

2.2 6G網絡智能存在問題

在6G智能化設計理念中，“外掛”智能是當前6G網絡智能演進的主要路線，通過在網絡架構中引入智能模塊，實現智能化的功能?！巴鈷臁敝悄茈S著技術瓶頸的突破和智能算法的完善，逐步向“內”推進，根據6G網絡每層的特點和功能，嵌入對應的算法，實現智能“內生”。6G網絡智能不僅是機器學習算法的嵌入，還需要根據特定的場景需求，設計新的機器學習算法。

通用接口的設計也是推進6G網絡智能的助力，當前的網絡形態實現對應的功能需要專用的協議，協議間的轉換需要資源的開銷，通用的接口方式能夠有效節省資源的開銷，也便于接口的擴展和機器學習算法的嵌入和更新。

2.3 6G網絡智能演進支撐技術

6G網絡智能化的演進需建立在現有網絡智能化的基礎上不斷向前推進，6G內生智能的實現離不開大量數據的采集、相關AI算法的設計實現、業務需求導向的實時和非實時智能，以及安全性的考量。

（1）網絡數據庫建立

機器學習和深度學習算法都建立在數據集的基礎上。數據集具備數據類型繁多、數據價值密度低和數據高速處理、時效性要求高等特征。網絡數據主要來自于網元設備數據、網絡信道數據和用戶非隱私部分數據。網絡數據集的建立依賴設備制造商的配合，設備制造商需要把設備采集的數據開放給相關運營商。運營商間的數據共享，對網絡數據集的建立有積極的影響。6G網絡的海量接入，不可避免地會采集到冗余的數據信息，需要設計一系列的算法和采取措施對采集的數據集進行“清洗”和“提純”。高速數據處理和高時效性要求6G網絡具備對采集的數據有快速轉移的能力，同時6G網絡的算力能夠滿足數據的快速處理和訓練的需求。

（2）AI算法的設計

6G網絡全覆蓋、全連接的特點提升了網絡的復雜度和動態變化頻率，網絡中前期廣泛使用的動態規劃、博弈論和凸優化等算法理論較難與實際情況結合。AI算法具備從數據集中挖掘數據特征的優勢，且AI算法的實現無須建立在假設條件上。現有網絡中AI算法多為從其他領域（如圖像處理、自然語言處理等領域）移植的算法，并非專門為網絡智能化定制的算法。后續隨著網絡數據集的完善，應用場景的更新以及網絡需求的多樣，需要創新6G網絡智能化相關的AI算法。

（3）實時智能和非實時智能

AI算法存在訓練耗時的缺點，而且數據模型的傳輸會因網絡狀態的變化產生時延抖動，難以滿足6G網絡對低時延應用場景的需求。因此，6G的內生智能從業務場景對時延需求的角度出發，考慮實時智能和非實時智能。實時智能部署在網絡邊緣，如部署在多接入邊緣計算（multi-access e2ge computing，MEC）節點，實時智能模型的訓練一般不在用戶側實現，因為對時延的嚴苛要求，促使用戶側完成對應用的快速響應處理，模型的訓練可以根據AI算法的特性以及邊緣算力分布在網絡的邊緣，也可以在算力更加豐富的云數據中心訓練，然后將訓練后的模型下發至實時智能部署側。非實時智能則可部署在物理上不靠近用戶側、算力豐富的區域，如云數據中心，非實時智能可以運行多種AI算法，完成對AI模型的訓練，滿足對時延不太敏感的應用場景需求。

實時智能和非實時智能不是互相獨立的，而是相互協作。實時智能和非實時智能間需要專用的接口進行通信，該接口需要保證通信的安全性。非實時智能可以將訓練完成的模型下發至實時智能中，實時智能在實際場景中再完成參數更新，并反饋至非實時智能中。對于6G應用場景，如智能工廠等，有可能出現在生產過程中，某一階段對時延要求較低，而另一階段較高，因此會出現實時與非實時智能的協作支撐應用場景。

（4）安全性

6G網絡的內生智能為6G網絡安全既帶來了機遇也迎來了挑戰。一方面，多樣的AI安全算法部署在6G網絡中，提升網絡安全性；另一方面，大量算法的部署加大了對數據量的需求，更多種類的數據接口相繼產生，繼而增加了網絡安全風險，而且部分的AI算法在設計初始并未考慮安全性問題。因此，6G網絡在實現智能化時就應該首先考慮安全性。

海量的異構設備接入6G網絡，認證請求頻次會愈發頻繁，傳統的認證方式難以符合需求。區塊鏈去中心化的方式，能夠防止認證信息的篡改，確保信息交互的安全性。量子技術近年的研究發展也應用于信息安全領域，量子態因為其不可復制的特性，因此無須擔心信息泄露，其次量子信息在傳輸時若被監聽，量子態會發生變化，繼而出現傳輸和發送信息不匹配情況，可以銷毀信息重新發送。

3 面向6G的網絡智能化架構

面向6G的網絡智能化架構如圖1所示，該架構垂直方向分為終端接入層、基礎設施資源層、服務化層和應用層，并在服務化層和應用層水平方向設計資源編排與網絡控制器。本文架構采用虛擬化的架構思路，將網絡智能化引入資源編排與網絡控制器中，智能化的結構遵循智能內生的需求，實現6G網絡的行為決策在網絡內部實現。面對6G場景的多樣性，非實時智能器內能嵌入多種機器學習算法，并完成算法的訓練和更新，實現對場景的快速響應和支撐。服務化RAN的設計思路兼具模塊化、無狀態和獨立化的特點，可實現虛擬化RAN的快速部署，解決多種場景對RAN的定制化需求，服務化促進RAN與智能化技術的融合，最終實現內生AI。

圖1 面向6G的網絡智能化架構

（1）終端接入層

該層實現終端接入網絡，終端接入層兼容各式各樣的設備接入6G網絡，設備種類的不同，造成了接入方式的多樣化，本層應在支持傳統無線接入（如5G、Bi-Fi）和固定接入（如雙絞線、光接入）的基礎上，支持無人機接入、衛星接入和海基接入等更多樣化的接入方式。

（2）基礎設施資源層

本層提供計算、存儲、網絡和加速等資源。計算資源依靠，如x86和ARM（acorn RISC machine）的通用設備。存儲設備可以為專用的存儲服務器，也可以為移動存儲設備。網絡資源為網絡接入設備和交換設備所提供的如頻譜、帶寬等資源。加速設備是為了輔助通用設備提升效率，包括現場可編程門陣列（fiel2- programmable gate array，FPGA）和專用集成電路（application specific integrate2 circuit，ASIC）。此外，基礎設施資源層還支持如高精度時鐘等網絡同步設備，保證設備的時間同步性。

（3）服務化層

服務化層包括了虛擬化平臺、云中間件和服務化應用單元。虛擬化平臺將基礎設施層所提供的資源抽象為可以使用的虛擬單元，如虛擬機（virtual machine，VM）和容器（container）。云中間件包括消息隊列、數據庫等保證虛擬單元間信息交互、傳遞和存儲的單元。云中間件上層為服務化應用（service base2 architecture application，SBA App），一個服務化應用如圖1中服務化層中虛線框所示，該單元包括一個或者多個網絡功能單元（network function，NF），每個NF內部獨立運行著網絡功能，多個NF間協作實現一個服務化應用的功能如服務化無線電接入網（service base2 architecture ra2io access network，SBA RAN）。

（4）應用層

應用層中以應用程序（App）的形式存在，支持網絡中基本應用功能（如大規模多輸入多輸出）的嵌入和第三方應用的部署，圖1中列舉了當前應用場景常用的體驗質量（quality of experience，QoE）優化和室內定位等應用。

（5）資源編排與網絡控制器

資源編排與網絡控制器在服務化層和應用層的水平方向，包括虛擬資源管理、網絡控制器和應用編排器。本架構中的網絡智能化模塊在該控制器中實現，同時控制器有相關的接口與各個層連接。虛擬資源管理部分完成虛擬化平臺中虛擬資源的調度、虛擬單元的生成和回收。網絡控制器負責對服務化層網絡設備的調度，內部包括實時智能單元，該單元服務對時延要求高的應用場景，內嵌訓練完成的人工智能模型。應用編排器通過相關接口與應用層交互，獲取應用層需求信息，在非實時智能單元中選擇對應的人工智能模型完成應用層的需求，非實時智能單元中可以訓練實時性要求低的應用場景所需的人工智能模型，也可以為實時智能單元訓練模型，將訓練完成后的模型下發至實時智能單元。在智能化演進中，網絡智能化在本架構中主要體現為將網絡的需求應用化，如在實現網絡切片等業務場景時，可以通過應用化的方式封裝網絡切片對應的AI模型為相關應用，然后將該應用嵌入非實時和實時智能單元，其中在非實時智能單元可以利用采集的網絡切片相關的數據進行AI算法的訓練和更新，實時智能模塊接收非實時智能下發的網絡切片AI模型，然后根據具體業務的輸入，計算輸出的配置參數，進而通過接口下發至相關模塊，完成網絡切片的配置。

針對當前實時智能和非實時智能單元的實現方案，O-RAN組織[13]已經進行了Near-RT RIC（near-real-time RAN intelligent controller）和Non-RT RIC（non-real-time RAN intelligent controller）的標準化研究，O-RAN組織提出的整體架構具備完整的框架和相關的接口，在Non-RT RIC中智能化算法以rApp的形式存在，在Near-RT RIC中以xApp的方式存在，同時通過E2接口與RAN側通信，Near-RT RIC與Non-RT RIC間利用A1接口交互。具體的實現技術可以借助當前ONF（Open Networking Foun2ation）[14]中開源的SD-RAN項目，在該項目中已經提供了Near-RT RIC和Non-RT RIC的代碼模塊，需求方能根據具體的應用場景開發對應的rApp和xApp完成對應的AI功能。

針對定位技術的研究已經開展多年，高精度的定位技術是6G擴展應用的使能技術。定位技術在室內和室外均有豐富的應用場景，如無人機、機械控制和智能工廠等。在6G驅動下，室內定位技術除了在原有準確性、可靠性和低時延需求下，亦將引入智能化的手段，通過機器學習算法的設計和樣本的建立，滿足室內定位場景的需求。本節從室內定位為切入點，闡述在提出的智能化架構下，室內定位功能的使能過程。

根據圖1提出的架構，通過室內定位案例描述智能化在6G網絡中的應用。非實時智能采用Non-RT RIC，實時智能采用Near-RT RIC，服務化層以服務化RAN（SBA RAN）為例。智能化室內定位流程如圖2所示。具體的工作流程如下。

· Non-RT RIC內需要完成至少一個室內定位場景算法模型的訓練，并構建一定量的數據集，不斷訓練更新，提升算法精度。通過O1接口從SBA RAN側收集所選擇算法需要的輸入信息，如采用基于接收信號強度指示（receive2 signal strength in-2ication，RSSI）的室內定位算法，Non-RT RIC中需要預先選擇基于RSSI算法的機器學習模型，且SBA RAN需要連續的采集接入設備中的RSSI信息作為輸入，數據的采集過程采用發布/訂閱模式，Non-RT RIC向SBA RAN訂閱對應的數據信息，一旦SBA RAN采集到數據就發布，Non-RT RIC存儲對應的數據。

圖2 智能化室內定位流程

· Non-RT RIC根據提供的數據完成模型參數的更新，O-RAN BG2組已經完成AI/ML模塊的邏輯流程設計[13]。

· Non-RT RIC通過A1接口將訓練完成的模型下發至Near-RT RIC中，并在Near-RT RIC中完成模型的安裝，該下發過程可以采用如容器化鏡像下發安裝模式，即Non-RT RIC中完成訓練的模型制作相關的容器鏡像，然后上傳至鏡像倉庫中，利用A1接口將對應的配置文件下發至Near-RT RIC，繼而根據配置文件拉取鏡像生成對應的容器。

· Near-RT RIC使能室內定位功能，該過程即根據配置文件拉起鏡像，生成對應容器的過程。

· Near-RT RIC向SBA RAN發送對應的訂閱數據請求，SBA RAN完成對應訂閱建立的過程，該訂閱請求可以根據用戶的需求實現一次或者多次數據訂閱。

· SBA RAN在完成訂閱后，獲取SBA RAN提供的當前RSSI信息，Near-RT RIC根據獲取的信息作為輸入，利用訓練后的模型計算相關的室內定位結果，并將結果返回至SBA RAN或者其他的功能單元。 · 根據實際情況，完成訂閱刪除。

4 結束語

業界對6G網絡的研究還處于起步階段，全覆蓋、全連接的理念，為網絡的設計增加了復雜度，接入設備的數據將急劇上升，應用場景對網絡的要求也愈發苛刻。為了更好管理網絡，提升網絡性能，網絡智能的方式被業界認為是解決上述問題的潛在方法。

6G網絡不僅僅是實現數據高速率傳輸，是為了支撐更加豐富的應用場景，是以需求為導向的，需要豐富的算力資源實現智能化。邊緣數據中心作為強有力的算力底座，能夠滿足6G網絡對計算、存儲、網絡和FPGA等加速資源的需求。邊緣數據中心涵蓋更加豐富的異構資源，在6G全覆蓋的網絡背景下，無人機網絡、天基網絡和?；W絡的融合，擴展了網絡資源的類型，網絡資源不再單獨是移動網絡和固定網絡提供的資源，而是更大程度上的異構網絡資源的融合；隨著集成電路技術的發展，未來也會有更加豐富的異構計算資源納入邊緣數據中心。多樣的異構異質資源存在于邊緣數據中心，需要通過虛擬化技術完成資源抽象，拆分為符合業務場景顆粒度的單元（如虛擬機和容器），進而被網絡智能化單元統一調度、管理。邊緣數據中心在網絡的邊緣側從物理上鄰近用戶，降低傳輸時延，從一定程度上緩解核心網的傳輸壓力。

邊緣數據中心在6G網絡部署時，應兼顧邊緣數據中心間的協同問題，在部署數據中心時根據網絡特點和計算資源的傾向性，針對業務場景的需求在構建時會考慮資源配比，這種情況可能導致某類資源過載，或對新加入應用場景支持的缺失，這需要多邊緣數據中心間的協同，利用6G網絡的超低時延傳輸和網絡智能化大腦的調度，實現資源的均衡以滿足更豐富的應用場景。因此，在未來的6G網絡智能化實現中，邊緣數據中心這個堅實的底座是滿足網絡智能化的基礎。

本文聚焦6G網絡智能化，闡述了6G網絡的特征、應用場景、當前標準化進展，總結了6G網絡智能化設計時應從網絡數據庫建立、AI算法設計、實時與非實時智能和安全性出發，并提出面向6G的網絡智能化架構模型，結合具體的室內定位場景，描述智能化在該架構的應用流程，最后從邊緣數據中心角度展望網絡智能化演進挑戰。