面向6G通感算融合的網絡智能感知

劉玉鵬，王佳妮，趙力強

(西安電子科技大學 通信工程學院，陜西 西安 710071)

0 引言

無人駕駛、無人機應急通信、沉浸式擴展現實、工業互聯網等新興智能服務依托環境多維信息感知和超強算力,對傳輸速率、端到端時延、可靠性和功耗等都提出了極高的要求。為提高6G的網絡內生智能感知和算力自適應能力，迫切需要研究通信、感知、計算(通感算)融合理論和關鍵技術。而智能感知技術作為通感算融合的基石，亟需設計一種面向6G通感算的網絡智能感知方案。

如今，數字化技術正在不斷地整合到垂直行業，預計將出現大量的新興服務和應用。隨之而來的問題是網絡規模增大、網絡流量變化劇烈，對網絡本身的負載量構成了嚴峻的挑戰。此外，新興業務類型具有差異化服務需求，這給網絡資源管理帶來了新的挑戰。因此，需通過網絡智能感知預測網絡流量與估計業務類型，找到流量未來的走勢，識別用戶的業務類型，實現網絡資源的智能、按需分配，從而提高網絡中各種資源的利用率，降低傳輸時延。隨著人工智能(Artificial Intelligence，AI)技術[1]的快速發展，AI算法具有易于實現、更偏向于處理復雜問題等優點。此外，對于復雜多變的網絡環境，以數據為驅動的AI算法相比于以模型為驅動的傳統算法，不需要復雜的建模過程，擁有自學習、自演進能力，具有更好的適應性和求解復雜問題的能力。因此，可以使用一些AI算法替代傳統算法對網絡進行智能感知。

目前，國內外研究者在通感算融合方面已有較多有益成果。文獻[2]對面向6G通感算融合的應用需求，鏈路級和系統級的關鍵技術、原理、方法和性能以及技術挑戰與未來發展方向進行了概述。未來移動通信論壇對通感算一體化融合的IT趨勢、關鍵技術以及應用場景進行了介紹[3]。文獻[4-5]給出了內生智能網絡架構圖，并對架構圖進行了簡要介紹。在使用流量預測對網絡進行感知方面，Barabas等人[6]的實驗結果證明，基于神經網絡的流量預測準確率遠高于傳統的線性方法預測，Ramakrishnan等人[7]使用循環神經網絡(Recurrent Neural Network，RNN)、長短期記憶(Long Short-term Memory，LSTM)網絡和門控循環單元(Gate Recurrent Unit，GRU)模型來預測流量信息，證明了GRU模型比RNN和LSTM的預測效果更好。Gao等人[8]提出了一種基于注意力機制的卷積遞歸神經網絡方法來捕獲流內相關性和流間相關性，預測效果提升明顯。文獻[9]使用LSTM與序列到序列(Sequence to Sequence，Seq2Seq)模型相結合的算法實現了對未來基站的下行物理資源塊平均利用率及空口總業務流的預測。文獻[10]提出一種基于深度學習的端到端神經網絡用于蜂窩網的流量預測，使用具有注意力機制的Seq2Seq算法用于構建時間序列預測模型。而使用網絡業務類型估計方法進行網絡感知方面，文獻[11]使用RNN以及卷積神經網絡(Convolutional Neural Networks，CNN)和RNN結合的方式對服務類型識別，并對兩種方法進行了性能比較，Moreira等人[12]采用CNN學習數據包原始數據，從而對流量進行分類。但是上述的網絡智能感知方法均采用公開的數據集用來分析或者先采集真實的網絡數據再進行驗證，并未與真實的網絡環境相結合進行實時網絡狀態感知。

針對上述面臨的復雜無線接入網智能感知問題，本文設計了一種網絡智能感知方案，并在6G通感算智能內生融合智能實驗平臺上驗證了此方案可行性。首先采用具有注意力機制的Seq2Seq算法預測用戶及基站的流量，提前感知網絡流量波動趨勢；其次使用CNN算法對用戶的業務類型進行識別；最后搭建了通感算智能內生融合系統實驗平臺，并在此基礎上實現不同感知時間粒度下的流量預測與業務類型估計。通過對比在不同參數設置下的流量預測模型的預測誤差與業務類型估計模型的準確率，驗證了本文所采用的流量預測模型預測誤差較小、業務類型估計模型準確率較高。該網絡智能感知方案及實驗平臺的實現，對資源分配及通感算智能融合等研究具有一定的參考價值。

1 網絡智能感知方案設計

網絡智能感知是指網絡自身主動獲取網絡中的狀態數據，并通過AI技術分析網絡中的狀態信息。感知指標的選擇對網絡掌握自身狀況具有重要的作用，本文選用蜂窩網中應用層的流量以及業務類型兩個網絡感知指標進行感知，其中流量預測選用Seq2Seq算法，業務類型估計選用CNN算法。

網絡智能感知階段圖如圖1所示，主要包括原始數據的采集、數據預處理、模型訓練以及模型的在線推理4個階段。首先，使用網絡監控工具實時捕獲蜂窩網中的原始流量信息；其次，將原始數據分別預處理為流量預測模型和業務類型估計模型可以直接讀取的數據；然后，將預處理后的流量數據分別輸入到流量預測和業務類型估計模型中，生成訓練好的模型。在應用階段，采用預處理后的實時數據對訓練好的流量預測模型和業務類型估計模型進行測試，驗證這兩種模型的可行性與有效性。

圖1 網絡智能感知階段圖

2 基于注意力Seq2Seq的用戶及基站的多步流量預測

網絡流量預測是指根據網絡中已存在的歷史流量數據，分析這些數據周期性的變化規律或者特征，以此為基礎對未來一段時間內的網絡流量值或者趨勢進行合理的預判[13]。此方法能夠提前感知網絡的運行狀況，常用于流量預測的深度學習方法有RNN、LSTM、GRU等，這些模型不僅考慮了當前的輸入，還保留了一定的記憶功能[14]，但是GRU的整體結構比LSTM更簡潔，訓練時收斂速度更快[15]。而在多步預測方面，Seq2Seq模型由于其內部存在編碼器和解碼器兩部分，可以更好地表征歷史數據的特征并且用此特征可以進行未來數據的預測，因此本文選用GRU構成的Seq2Seq模型用于用戶以及基站的多步流量預測。本文中流量預測包含用戶的流量預測和基站的流量預測，統稱為流量預測。

2.1 多步流量預測問題建模

多步預測問題經常使用的方法有4種：直接多步流量預測法、遞歸多步流量預測法、直接遞歸融合多步流量預測法以及多輸出流量預測法。由于第一種預測方法需要訓練的模型太多，第二種預測方法會造成誤差的積累，第三種預測方法所需的時間以及空間開銷較大，故本文使用多輸出流量預測法實現用戶以及基站的多步流量預測。

在實際的場景中，某一終端用戶n在第t個時間間隔內通過的數據流大小用fn,t表示，則該用戶的流量集合可以表示為fn={fn,1,fn,2,...,fn,t}。多步流量預測是使用歷史H個時間步長的流量數據預測未來T個時間步長的流量。因此，在訓練階段，需要使用真實的歷史時間步長為H的用戶流量數據輸入到模型中，而流量數據與歷史時間步長H有關，表示為：

(1)

式中，Fn的每一維流量序列Fn,t-H+1需要對應一個未來時間步長為T的預測序列，表示為：

(2)

2.2 數據采集與預處理

本文使用安裝在虛擬分組數據網網關(virtual Packet Data Network Gateway，vPGW)所在的Docker容器中的網絡數據采集工具Tcpdump和Timeout完成數據的采集工作。

流量預測的數據預處理過程主要包括數據包長度解析、求取包絡、數據截取和歸一化。解析數據包可以得到一個數據包的長度，將單位時間內所用數據包的大小相加可得到用戶的流量序列fn；由于終端用戶的流量在短時間內震蕩比較嚴重，流量數據為非平穩序列，這些震蕩特征有可能超出了Seq2Seq模型的學習范圍，因此通過對流量序列fn取上包絡的方式對流量數據進行平滑，得到新的用戶流量數據fn；數據截取過程首先對流量數據fn進行截取，得到與歷史時間步長H有關的用戶流量數據Fn,t-H+1，然后以H+1為起點，長度為T對fn再進行截取，得到與需要預測的未來時間步長T有關的用戶流量數據Yn,t-H+1，由此構成一個完整的用戶流量樣本。之后，再以滑動步長為1，重復上述操作，直到最后一個流量值被截取到為止；歸一化過程可以避免模型提取到的數據特征向量與預測值之間的量綱不一致問題，使流量數據更方便模型處理。

2.3 基于注意力機制的Seq2Seq模型設計

由于普通的Seq2Seq模型編碼器得到的中間向量C無法完全表達整個輸入的用戶流量信息，而且隨著輸入的用戶流量信息不斷增加，后來的流量信息會覆蓋之前已經編碼過的流量信息，造成信息的丟失。因此本文在Seq2Seq模型中加入了注意力機制用來解決上述問題。

在每一次進行用戶流量預測的過程中，用戶流量的真實值fn,t與經過模型預測后的預測值yn,t越接近，表示預測效果越好，因此損失函數被定義為：

(3)

式中，i為當前時間步，t-H+1為預測序列的長度。在訓練過程中，損失越小，模型的效果越好。

本文所設計的基于注意力機制的Seq2Seq模型結構如圖2所示。圖中，第一層為輸入層，其大小與輸入樣本格式相匹配，為(t-H+1)×H×1。第二層是由含有128個隱藏層神經元的GRU循環單元組成的編碼器，負責將輸入的流量數據進行編碼，得到中間向量。第三層是由含有128個隱藏層神經元的GRU循環單元組成的解碼器，負責對中間向量進行解碼。最后一層為輸出層，其大小與期望預測的未來時間步長有關，為(t-H+1)×T×1。

圖2 具有注意力機制的Seq2Seq模型結構圖

3 基于CNN的業務類型估計

業務類型估計的算法或模型需要根據實際場景需求進行選擇，進而搭建、訓練業務類型估計模型，調整模型的參數。常見的業務類型估計算法有SVM、決策樹、神經網絡等，其中CNN通過引入卷積核與池化層等技術手段自動提取矩陣數據中的特征，避免了提取數據特征的復雜過程以及可能引入的相關誤差，減少了訓練時學習的模型參數數量，因此本文選用CNN用于業務類型估計。

3.1 業務類型估計問題建模

網絡中所有用戶構成的業務類型集合可以表示為m∈M，其中M表示網絡中業務的種類數。輸入到模型中某一業務的第i個數據樣本Gi表示為：

(4)

式中，b代表某一數據包中的某個字節，k為一個樣本中包含的數據包個數，l為所截取的一個數據包中的字節數，所以可將其組合為一個k×l的矩陣。輸入到業務類型估計模型中的數據集表示為Iestimate=[(G1,X1),(G2,X2),…,(Gm,Xm)]，其中，Xm表示第m種業務的種類標簽。

3.2 數據采集與預處理

本節中數據采集過程與前文中數據采集過程相同。數據流中所有的數據包均由數據包細節和字節組成，數據包細節和數據包字節中的內容相對應，包含MAC、IP、數據包長、協議頭部或會話特征等關鍵信息，能夠凸顯出業務特性[16]。

因此數據的預處理需要從數據包字節中提取關鍵字節組合成數據集，由數據包解析、截斷或填充、數據生成、規范化以及打業務標簽這5個步驟組成。數據包解析過程將按會話標準將采集的數據歸類，并刪除數據包中與業務特征無關的信息(如IP、數據鏈路層數據等[17])；截斷或填充過程是為了統一數據包中的字節數l，從第一個字節開始，對超出預設字節數l的字節進行截斷，否則補零直到字節長度達到l；數據生成過程采用進制轉換的方式將數據包中的內容轉換成帶有業務特征信息的數據；規范化過程是對每個數據歸一化為[0-1]；打業務標簽過程是將生成的數據按照業務種類進行標注。

3.3 CNN模型設計

本文所設計的二維CNN結構如圖3所示。

圖3 CNN模型結構圖

第一層為輸入層，其大小為k×l，根據相關研究[18]與實驗對比，本文設置k和l均為28。第二層和第三層分別為卷積層和池化層，卷積層中設置32個卷積核，每個卷積核的尺寸設置為5×5，滑動步長設置為1，激活函數選擇ReLU，相比于Tanh、Sigmoid等算法更容易求解梯度[19]，池化層采用最大池化策略，池化窗口的尺寸設置為2×2，滑動步長設置為2。第四層和第五層也分別為卷積層和池化層，卷積層中設置64個卷積核，其余設置與第二層和第三層保持一致。第六層和第七層均為全連接層，第六層選擇Sigmoid作為激活函數，第七層經過Softmax輸出業務類型估計結果。

4 平臺搭建、實例部署與結果分析

4.1 通感算智能內生融合平臺架構

現如今，通信系統與感知、AI等多種系統的深度融合已成為技術發展的新趨勢。內生智能架構支持網絡元素與AI元素的深度融合，也支持將AI能力按需編排到無線接入網、承載網、核心網中。為了實現網絡高度自治且滿足多樣化業務，需要提供智能化所需的實時、高效的各種基礎能力。

因此，本文設計了一個面向RAN的通感算智能內生融合系統架構。該架構綜合考慮了RAN中的通感算能力，以微服務的形式將各種能力拆分為多個網絡功能(Network Functions，NFs)，并使用AI技術將各種能力進行融合，相對于現有網絡架構具有模塊化設計、解耦資源、便于加載智能算法、便于算法直接調動網絡資源等優點。本文提出的通感算智能內生融合系統架構如圖4所示。

圖4 通感算智能內生融合模型

橫向上該架構每一層功能為：

① 應用與服務層：該層主要為各個面的應用與服務提供相應支持，其中通信面的網絡應用層主要提供RAN中傳輸的業務，感知面的感知應用層主要提供網絡感知應用服務(如流量感知、業務類型感知等)，算力面的算力應用層主要提供算力應用服務(如算力資源分配)，智能融合面的通感算App’s智能融合層主要與其他面進行交互。

② 網絡功能層：該層主要由一些基于微服務思想設計的特定網絡功能組成。該層將各個面提供服務的過程按照功能獨立自治、開發簡易、可重復調用等原則拆分成幾個網絡功能，網絡功能之間采用SBI總線進行信息交互。

③ 虛擬化層：該層主要基于Docker Engine和Hypervisor技術對基礎設施層的多種硬件資源進行虛擬化。

④ 基礎設施層：該層主要由提供整個RAN系統正常運行的各種硬件組成，每個硬件中均包含計算、存儲、通信等資源。

縱向上該架構中的每一個面的功能為：

① 通信面：該面主要負責承載傳統的無線移動通信業務，為用戶提供可靠的無線數據傳送服務。

② 感知面：該面主要負責采集RAN中各種設備的數據并使用AI算法對數據特征進行提取，進而智能感知網絡的整體狀況。

③ 算力面：該面主要將計算能力抽象為服務，為其他層和面提供統一的算力支持。

④ 智能融合面：該面負責將各個層與面多方數據的智能融合與共享，并將這些共享數據用于網絡管理，反作用于其他層和面。

應用與服務層由算力面、感知面、通信面以及智能融合面最上層的應用構成，網絡功能層由算力面、感知面、通信面以及智能融合面中間的網絡功能組成，面與層之間相輔相成，存在重疊部分。

4.2 基于深度學習的流量與業務類型感知流程

本文中網絡智能感知實例為流量預測實例和業務類型估計實例，分為訓練階段和在線推理階段，本文只對在線推理階段實例化流程進行詳細描述。

4.2.1 流量預測實例

流量預測在線推理階段實例化流程如圖5所示，具體描述如下：

圖5 流量預測在線推理階段實例化流程

步驟1智能融合面向在線推理NF發起流量預測實例化請求，轉向步驟2；

步驟2在線推理NF從模型評估網絡功能中獲取評估后的流量預測模型并進行加載，然后向感知數據采集NF發起數據采集請求，轉向步驟3；

步驟3感知數據采集NF捕獲網絡中的流量數據包，然后將采集的原始數據存到感知數據存儲網絡功能中，并發送至數據預處理NF，轉向步驟4；

步驟4感知數據預處理NF對采集的原始數據進行數據預處理操作，然后將預處理后的數據存儲到感知數據存儲網絡功能中，并輸入至在線推理NF中，轉向步驟5；

步驟5在線推理NF將預處理后的數據輸入加載好的Seq2Seq模型中，得到多步流量預測結果，再將預測結果反饋給智能融合面。

4.2.2 業務類型估計實例

業務類型估計在線推理階段實例化流程如圖6所示，具體描述如下：

圖6 業務類型估計在線推理階段實例化流程

步驟1智能融合面向在線推理NF發起業務類型估計實例化請求，轉向步驟2；

步驟2在線推理NF從模型評估網絡功能中獲取評估后的業務類型估計模型并進行加載，然后向感知數據采集發起數據采集請求，轉向步驟3；

步驟3感知數據采集NF捕獲網絡中的流量數據包，然后將采集的原始數據存到感知數據存儲網絡功能，并發送至數據預處理NF，轉向步驟4；

步驟4感知數據預處理NF對之前采集的原始數據數據預處理操作，然后將預處理后的數據存儲到感知數據存儲網絡功能中，并輸入至在線推理NF中，轉向步驟5；

步驟5在線推理NF將預處理后的數據輸入加載好的CNN模型中，得到業務類型估計的結果，再將業務類型估計結果反饋給智能融合面。

4.3 平臺搭建與實例部署

使用蜂窩網實驗平臺對用戶與基站的流量和業務類型感知算法進行實現，實驗場景如圖7所示。

圖7 RAN場景圖

主要考慮具有單個基站的下行鏈路蜂窩網絡系統，服務提供商在邊緣服務器中部署了高清視頻、無損音樂、電子書三種業務。

為了模擬真實的網絡場景，實驗中使用Nginx總共部署了三種業務，分別為高清視頻、無損音樂以及電子書，三個4G智能手機通過基站隨機訪問這三種業務，業務的相關信息如表1所示。

表1 用戶參數設置信息

4.4 方案測試與結果分析

4.4.1 用戶及基站的流量預測

在進行多步流量預測時需要考慮所使用的歷史序列步長以及需要預測的未來步長。當選用的歷史步長過小時，模型無法捕獲時間序列的完整依賴關系，當所選用的歷史步長過大時，模型會將本不存在依賴關系的流量數據過度挖掘。當設置的未來步長過小時，無法突出多步流量預測的優勢；而未來步長較大時，會導致預測值誤差的積累。因此，本文對比了采用不同歷史和未來時間步長的預測模型，從中選擇出預測誤差最小的模型，而基站的流量預測結果為所有用戶的流量預測結果之和。

不同感知時間粒度的用戶流量數據決定了資源分配的最小時間粒度，從而決定了資源分配的靈敏度。因此，本文對比了采用不同感知時間粒度的流量數據進行流量預測。為了對預測結果進行評估，使用平均絕對值誤差(Mean Absolute Error，MAE)和決定系數R2[20]這兩個指標衡量預測結果，其表達式如下：

(5)

(6)

不同算法在感知時間粒度為0.1 s的不同步長的流量預測性能對比結果如表2所示，其中“HxTy”表示使用歷史步長為x的用戶流量數據輸入模型中預測未來步長為y的用戶流量數據。可以看出，相較于其他兩種算法，具有注意力機制的Seq2Seq算法平均MAE最小，同時平均R2也最大。這是由于遞歸GRU算法依然是一個多輸入單輸出的模型，在用于多步流量預測時，是將當前時間步的預測值用于下一時間步的預測，隨著預測時間步的增大，累計的誤差就越大。對于普通的Seq2Seq算法，是將輸入序列編碼為一個中間向量，然后解碼器根據中間向量解碼得到多步預測值。而對于注意力Seq2Seq算法，由于歷史每個時間步的流量值對當前時間步的預測值影響程度不同，該算法通過給每個歷史時間步的中間向量賦予不同的權重值，從而預測出未來的多步流量值，因此預測效果最好。

表2 流量預測性能對比(感知時間粒度為0.1 s)

在使用注意力Seq2Seq算法時，當選用“H4T2”時，MAE最小，而R2可達最大為0.65，相較于其他設置，預測結果最接近真實值。

注意力Seq2Seq算法在步長為“H4T2”、感知時間粒度為0.1 s時的預測結果如圖8所示，從圖中可以看出，以0.1 s為感知時間粒度所采集的用戶流量數據波動性較大，模型很難預測出流量的突然上升或下降，造成模型擬合流量數據的效果一般，且預測值相對于真實值具有一定的滯后性。

圖8 步長為“H4T2”結果圖(感知時間粒度為0.1 s)

不同算法在感知時間粒度為1 s的不同步長的流量預測性能對比結果如表3所示。從表中可以看出，在使用注意力Seq2Seq算法時，選用“H6T4”的歸一化MAE最小，R2可達最大為0.93，相較于其他幾種設置，預測效果最好。

表3 流量預測性能對比(感知時間粒度為1 s)

注意力Seq2Seq算法在步長為“H6T4”、感知時間粒度為1 s時的預測結果如圖9所示，從圖中可以看出，當用戶訪問高清視頻業務、訪問無損音樂以及下載電子書業務時，預測的用戶流量值與對應業務所要求的最低傳輸速率大概一致。只有在流量激增或者陡降時，預測結果稍有滯后。這是由于模型很難在短時間內根據有限的歷史數據判斷未來的流量數據增長或者下降，但是隨著時間的不斷增加，模型的輸出值會緩慢過渡到真實值附近。

圖9 步長為“H6T4”結果圖(感知時間粒度為1 s)

不同算法在感知時間粒度為10 s時，不同步長的流量預測性能對比結果，如表4所示。從表中可以看出，當選用“H4T2”時，MAE最小，R2最大，相較于其他幾種設置，所得到的預測效果最好。

表4 流量預測性能對比(感知時間粒度為10 s)

注意力Seq2Seq算法在步長為“H4T2”、感知時間粒度為10 s時的預測結果如圖10所示，從圖中可以看出，當用戶訪問高清視頻業務與無損音樂時，預測的用戶流量值與對應業務所要求的單位時間內最低傳輸數據量大概一致。而只有當用戶下載電子書時，略低于用戶訪問該業務時的真實值，這是由于在感知時間粒度為10 s的情況下采集到該業務的流量數據較少，且流量值相對較大，將這些流量數據輸入到模型中，模型輸出的預測值還未過渡到該業務需要達到的真實值附近就開始下降。

圖10 步長為“H4T2”結果圖(感知時間粒度為10 s)

從上述不同感知時間粒度的用戶流量預測結果可知，設置步長為“H6T4”、感知時間粒度為1 s時的用戶流量預測值與真實值之間的誤差最小；設置步長為“H4T2”、感知時間粒度為10 s時的預測效果僅次于感知時間粒度為1 s。

4.4.2 業務類型估計

本文使用CNN模型估計了RAN中用戶的業務類型并使用估計準確率衡量估計結果。準確率被定義為模型估計正確的業務樣本數除以總輸入的業務樣本數，即

(7)

式中,Gi是樣本數據，Xi是樣本數據的業務類型標簽。

將訓練集和測試集分別輸入到訓練好的CNN模型中對業務類型估計模型進行評估，如圖11所示。從圖中可以看出，隨著輸入數據量的增加，平均準確率在不斷提高，最終具有較高的準確率，但是在測試集數據量規模為10 000之前，模型的估計結果準確率不高，這是由于訓練過程中出現了過擬合現象，隨著測試集數據量的不斷增大，業務估計模型的估計結果準確率也逐漸上升，最終趨于穩定。

圖11 訓練集與測試集的平均準確率

本文測試了CNN模型中卷積核數量對業務類型估計準確率的影響，如圖12所示。本文中的CNN模型有兩個卷積層，卷積核數量表示為[x,y]，其中,x表示第一個卷積層的卷積核數量，y表示第二個卷積層的卷積核數量。從圖中可以看出，隨著卷積核數量的增大，CNN模型估計結果的平均準確率在不斷提升，當卷積核數量達到[32,64]時，準確率達到95%左右且趨于穩定。因此本文綜合考慮選用卷積核數量為[32,64]的CNN模型用于業務類型估計。

圖12 卷積核數量對平均準確率的影響

本文測試了CNN模型中卷積核大小對業務類型估計準確率的影響，如圖13所示。CNN中的卷積核為一個[x*y]的二維矩陣。從圖中可以看出，隨著卷積核大小不斷增大，平均準確率有所提升，當卷積核大小達到[5*5]時，準確率達到95%左右且趨于穩定。因此本文選用卷積核大小為[5*5]的CNN模型進行業務類型估計。

圖13 卷積核大小對平均準確率的影響

三種業務類型估計的準確率如表5所示。由于在單位時間內高清視頻傳輸的數據量最多，電子書次之，無損音樂最少，因此構建的業務類型估計樣本高清視頻最多，無損音樂最少，而三種業務類型的估計準確率與對應的業務樣本數成正比關系，這是數據分布不均造成的。但是三種業務類型的平均準確率為95.63%，估計結果相對較好。

表5 三種業務類型估計準確率

5 結論

本文設計了一種面向6G通感算融合的網絡智能感知方案，分別使用Seq2Seq和CNN算法對基站與用戶未來流量與當前網絡業務種類這兩個網絡感知指標進行智能感知，并在實驗平臺上進行了部署與測試。通過實驗驗證，證明了本文所設計的模型能夠實現較低誤差的流量預測，同時也能夠實現較高準確率的業務類型估計。網絡智能感知方案及實驗平臺的實現，對資源分配及6G通感算智能融合等研究具有一定的參考價值。未來可以考慮將物理層的一些指標也進行感知，如信道質量指示、SNR、參考信號接收質量等，從而更全面的感知網絡狀態，獲取更加豐富的網絡信息用于做出決策。