2022年面向6G網絡的智能內生體系架構研究報告（89頁）.pdf

《2022年面向6G網絡的智能內生體系架構研究報告（89頁）.pdf》由會員分享，可在線閱讀，更多相關《2022年面向6G網絡的智能內生體系架構研究報告（89頁）.pdf（89頁珍藏版）》請在三個皮匠報告上搜索。

1、面向 6G 網絡的智能內生體系架構研究1 IMT-2030（6G）網絡技術工作組 2022 年 8 月2 前言前言 本報告旨在分析面向 6G 網絡智能內生的驅動力、應用場景，探討智能內生的目標、內涵、架構設計和關鍵技術。面向 6G 網絡的智能內生體系架構是在IMT-2030 6G 網絡總體架構指導下，聚焦智能內生特性的架構設計，希望能為業界在 6G 網絡智能內生架構設計和關鍵技術的研究提供參考和指引。3 目目 錄錄 1.動機.6 2.智能內生的網絡場景及能力分析.8 2.1.智能內生網絡應用場景智能內生網絡應用場景.8 2.1.1.網絡智能自治應用場景.8 2.1.2.服務垂直行業 AI 應用

2、場景.11 2.1.3.數據服務增值應用場景.12 2.2.智能內生網絡能力.13 2.2.1.數據能力.13 2.2.2.算力能力.14 2.2.3.算法能力.14 2.2.4.編排能力.15 2.2.5.安全能力.15 3.智能內生的目標.16 4.智能內生的內涵與特征.18 4.1.分層分布式 AI.18 4.2.以任務為中心的資源編管控.19 4.3.網絡架構、能力和服務的內生自構建.19 4.4.數智化服務和能力的開放.20 4.5.AI 能力和服務的實時和精準.21 4.6.AI 生態協同與融合.22 5.6G 網絡智能內生架構設計要求.23 5.1.架構設計原則.23 5.2.體

3、系框架.23 5.3.從功能視角分析智能內生架構要求.25 5.3.1.協同控制功能.25 5.3.2.連接功能.26 5.3.3.算法功能.28 5.3.4.數據功能.30 4 5.3.5.計算功能.32 5.3.6.編排管理功能.34 5.3.7.安全功能.36 5.3.8.能力開放層功能.37 5.4.從服務視角分析智能內生架構要求.39 5.4.1.NCaaS.39 5.4.2.AIaaS.39 5.4.3.DaaS.40 5.4.4.CaaS.41 5.4.5.MaaS.41 5.5.從部署組網視角分析智能內生架構要求.42 5.6.從控制和執行視角分析智能內生架構要求.43 5.6

4、.1.AI 三要素控制/執行功能.43 5.6.2.從控制功能交互方式分析潛在架構.45 6.智能內生的關鍵技術.47 6.1.關鍵技術總述.47 6.2.感知、數據相關關鍵技術.47 6.2.1.面向業務的感知技術.47 6.2.2.數據預處理技術.50 6.2.3.多模態感知融合.51 6.3.計算和存儲關鍵技術.53 6.3.1.技術背景.53 6.3.2.技術需求.53 6.3.3.技術分類.54 6.3.4.技術應用.55 6.4.智能化賦能的通信關鍵技術.56 6.4.1.語義通信.56 6.4.2.意圖網絡.58 6.4.3.可編程網絡技術.60 5 6.4.4.智能化組網技術.

5、61 6.5.機器學習關鍵技術.62 6.5.1.技術背景.62 6.5.2.技術需求.63 6.5.3.技術分類.63 6.5.4.技術應用.67 6.6.安全可信關鍵技術.67 6.6.1.技術背景.67 6.6.2.技術需求.67 6.6.3.技術分類.68 6.6.4.技術應用.69 6.7.融合關鍵技術.70 6.7.1.數字孿生.70 6.7.2.知識圖譜.72 6.7.3.通感算融合.73 7.Use Case 在架構中的應用.76 7.1.請求 AI 服務應用場景.76 7.2.請求計算服務應用場景.78 7.3.請求數據服務應用場景.79 8.總結和展望.81 參考文獻.81

6、 縮略語簡表.82 附錄 A：業界對智能內生的相關定義（資料性附錄）.84 貢獻單位.87 6 1.動機 面向 2030 年及未來，人類社會將進入智能化時代。從移動互聯，到萬物互聯，再到萬物智聯，6G 將實現從服務于人、人與物，到支撐智能體高效連接的躍遷，通過人機物智能互聯、協同共生，滿足經濟社會高質量發展需求，服務智慧化生產與生活，推動構建普惠智能的人類社會1。6G 網絡將與人工智能技術進行深度融合，智能內生/智慧內生/Native Artificial Intelligence/Intelligence endogenous 成為 6G 網絡的重要特征已在業界形成共識1-4。但移動通信網絡

7、的設計不能為了 AI 而 AI，簡單功能疊加的方式引入 AI 難以滿足 AI 無所不在，賦能普惠智能的需求。為指導 6G 智能內生網絡架構的設計，本文從 5G 網絡的痛點和 6G 網絡的愿景兩方面分析 6G 網絡智能內生的內在動機。(1)痛點分析痛點分析 人工智能技術與移動通信網絡的融合發展始于第五代移動通信網絡（5G）階段，網絡智能化被認為是未來網絡發展的重點，行業和各標準組織也在積極開展智能網絡化的研究和應用，并取得了一定的成效。但當前階段的網絡智能化還存在以下痛點：數據質量問題：數據質量問題：網絡數據尚未得到充分、有效的挖掘、流轉、交易和利用。由于缺乏統一、標準化的采集和處理流程，導致數

8、據源多、數據的完整性、可信性和關聯性不足，數據孤島現象明顯，數據質量整體不高，使用效率和應用價值不高。數據安全問題：數據安全問題：數據的安全和隱私保護未來將會被提到前所未有的高度，各國紛紛出臺相關的數據管理法規，包括歐盟的 GDPR，中國的數據安全管理規定等。AI 離不開各種類型的數據，而目前 AI 應用過程中，往往需要從終端獲取數據，涉及數據的傳輸、存儲和使用等各個方面，涉及多方主體共同參與，各方在遵循數據安全和隱私保護等方案機制上存在千差萬別，缺乏統一的可信安全 AI 數據平臺能力和標準。低碳問題：低碳問題：傳統的 AI 訓練模式是將數據帶到計算（例如從終端收集到云中訓練），導致在涉及到大

9、量數據的 AI 訓練任務情況下，數據傳輸和計算的能源開銷巨大，而其中數據遷移的能源消耗可能比計算還要大。特別是到了 6G 時代，無線邊緣終端將產生海量的數據，如果依然采取傳統的云 AI 訓練模式，將由于高能耗問題而無法有效地從這些海量移動數據中通過 AI 來獲取知識。邊緣計算將數據處理能力下沉到邊側，成為低碳問題潛在的有效解決方案，當前邊緣計算與 5G 網絡的融合仍處于標準化階段，但并未針對智能內生進行專門7 考慮，加之該融合網絡架構本身在布網和管理方面的靈活性為智能邊緣計算的設計增加了難度。模型問題：模型問題：AI 模型的泛化性不足，模型的遷移成本高；網絡環境和數據的動態變化會導致 AI 模

10、型性能下降；AI 模型的可解釋性不足，AI 模型訓練過程黑盒，可解釋性差，導致決策過程不透明；AI 模型的可驗證性不足，AI 模型特別是決策類模型在生產環境使用前，無法進行效果的預評估和驗證，導致 AI 模型性能無法得到持續保障。應用問題：應用問題：網絡 AI 應用場景碎片化，煙囪式研發。由于缺乏通用的 AI 工作流程和統一的技術框架，導致網絡 AI 功能只是在現有網絡流程上的簡單疊加，且跨域跨層智能化應用的協同困難。5G 的網絡智能化功能總體屬于外掛式設計，例如在網絡內部或外部以獨立功能實體的方式存在，向外提供完整的 AI 功能，AI 要素間的耦合性較大。面向 6G 低時延和分布式智能等新需

11、求，需要更加靈活高效的 AI 要素和流程服務能力，因此面向 6G 網絡需要在架構設計時就考慮和 AI 要素的深度融合，設計架構級智能內生，實現以 AI 為內生能力的新型移動信息系統。(2)愿景展望愿景展望 6G 將構建一張人機物智慧互聯、智能體高效互通的智能網絡，最終實現“萬物智聯，數字孿生”6G 總體愿景。1 從智能化技術賦能 6G 網絡的角度來看，6G 網絡將基于智能內生優化網絡性能，增強用戶體驗，實現網絡智能自治。隨著新技術和新場景的涌現，對網絡架構的支持能力和演進能力提出現實而嚴苛的需求，應用于未來網絡中的智能技術必須具備自身演化能力和較高程度的自我優化能力2。借助智能技術在感知、預測

12、、優化和決策的優勢，支撐網絡的海量數據處理和零延遲的智能控制。智能技術將助力網絡的自動化運維，實現網絡的自學習、自運行和自維護。從6G網絡助力社會實現智能普惠的角度看，未來人工智能將在各個行業得到廣泛應用，6G 網絡將作為服務于智能社會的支撐底座，助力全社會實現智能普惠。因此需要將網絡、數據、算力、智能進行深度融合，提供網絡 AI 服務。與當前云 AI 服務提供商提供的 AI 服務不同，6G 網絡的 AI 服務具有如下優勢：通過分布式的算力、平臺和服務，實現無線移動環境下無處不在的 AI，提供“隨時隨地”按需共贏的智能服務；可保護行業數據隱私，實現數據不出園區；基于規模巨大的運營商邊緣網絡，提

13、供實時性更高、性能更優的智能服務；8 經過 5G 在與垂直行業合作上的培育，6G 將能夠提供行業間的聯邦智能，實現行業間模型、知識的融合、分享和生長，賦能小企業創新加速。2.智能內生的網絡場景及能力分析 網絡迭代演進，以場景和需求研究始。面向 2030+，6G 時代將是智能普惠的時代，6G網絡將成為智能普惠時代全社會智能、全行業智能的紐帶和平臺，智能內生能力將是 6G 網絡成為智能時代紐帶和平臺的關鍵能力。6G 智能內生網絡作為智能時代的紐帶和平臺，其首要應用場景即是網絡系統自身，在智能內生的能力下，使網絡傳統的能力更加智能、自主、高效、合理；作為智能平臺，千萬垂直行業將是 6G 智能內生網絡

14、應用場景最重要的組成部分；另外，6G 網絡業務服務也將是智能內生場景一個重要方向，利用服務用戶過程中產生的海量數據和業務需求，實現個性和精準的服務供給。6G 智能內生網絡的能力，將實現 AI 要素的高效流轉，具備對數據、算力、和模型進行有安全保障的處理、管理、編排和開放的能力，使 AI 能力成為網絡服務之一。2.1.智能內生網絡應用場景智能內生網絡應用場景 2.1.1.網絡智能自治應用場景 6G 智能內生網絡通過在端到端系統引入 AI/ML 等智能能力，面對網絡不斷變化的特征，實現網絡自感知、自分析、自決策、自執行的閉環自治。圖 2-1 網絡自治閉環 自分析自決策自執行自感知9 （1）自感知）

15、自感知 自感知是自治分析、決策和執行的基礎。網絡自感知是網絡以主動性、預測性、自動化的方式對環境、網絡資源及狀態、用戶需求/意圖、業務質量進行感知，并能夠閉環的任務處理中，根據分析、決策和執行階段的優化需求和指示，更新感知內容和范圍。感知感知自主自主：網絡自感知的主要特點之一在于自主性，即不依賴于外部命令的被動輸入，可以自發、動態地捕獲用戶需求和意圖，掌控網絡動態。網絡對業務質量、用戶體驗的精確感知是對網絡服務效果的主動評估和及時反饋，是助力實現自治閉環的關鍵。感知感知協同協同：網絡的自感知是多覆蓋、全方位的，即網絡自感知不僅包括單點感知，還包括多點感知以及多點之間的協同感知。例如，泛在連接、

16、分層異構的 6G 空天地海一體化網絡的管控場景，對用戶移動性、服務需求動態性、網絡資源可用性、服務質量穩定性等在內的信息進行綜合感知5。通感通感融合融合：通信與感知的融合可使網絡通過對無線信號的探測和智能分析，實現對車流、人流、天氣等宏觀類別的感知，以及動作、姿態、心跳、成像等精細化類別的感知，賦能行業應用。（2）自分析）自分析 6G 系統對網絡運行中的用戶、設備、網絡和應用程序的動態狀況進行全面及時精準地感知,并結合大數據和 AI 技術賦能，進行分析和推理預測，分析不斷變化的場景環境、網絡狀態和用戶業務需求，并可以向自感知反饋任務的更新調整，引入更多的訓練數據樣本等。治愈分析治愈分析：通過對

17、設備自身的運行性能、連接性能、業務性能及功能等數據的分析，以及聯動分析網絡錯誤數據、告警信息，實現自動、快速、準確地檢測與故障定位。各設備的AI 系統之間對監測結果通過聯動分析與預測，實現對設備運行狀態和故障狀態的精準預測，以及進行主動預防式安全隱患分析。例如，在無線網絡運維方面，基于基站的故障數據、告警數據等，進行診斷和根因分析，實現無人的情況下自我干預和恢復。孿生分析孿生分析：依托數字孿生網絡和智能內生能力，6G 系統基于網絡數據孿生出“真實”網絡，并在孿生網絡中進行包括網絡參數優化、用戶面優化、網絡功能及架構優化等方面的分析推理。例如，在網絡資源管理、覆蓋和容量優化中，基于數字孿生網絡，

18、建立差異化的網絡模型，根據不斷變化的網絡特征和用戶業務需求配置網絡資源，優化網絡性能。演進分析演進分析：6G 智能內生網絡中存在的大量人工智能算法、網絡模型和網絡架構，依據優勝劣汰的“進化論”法則，在分析和檢驗下進行淘汰-進化-演進。另外，面對社會發展過程10 中出現的新行業、新場景，6G 智能內生網絡在自演進過程中，對新的需求、發展趨勢、新的范式進行分析，智能的為 B6G 未來網絡發展提供演進方向。（3）自決策）自決策 通信網絡規模和復雜度與日俱增，發展到 6G，各種新興技術的引入、架構功能的變化以及新業務出現，基于經驗的網絡決策將不再能夠適應網絡需求。6G 網絡勢必借助 AI 能力，根據自

19、分析環節提供的分析結果，進行智能、自主決策判斷，從而提升決策效率和成功率。迭代決策迭代決策：根據分析結果判決未達到預期的情況下，網絡進行感知、分析、決策的迭代優化，并可以通過數字孿生網絡，進行分析-決策驗證的迭代，最終達到決策的全局最優和精準滿足預期需求。例如，由無線網絡特征數據迭代訓練建立無線信道模型、信號檢測和估計系統，解決無線時變的超復雜的無線信道建模、信號估計與檢測難題6。動態決策動態決策：根據場景環境和需求的變化，在分析的基礎上，網絡快速生成本地級較優的控制決策和系統級管控決策的輔助信息，動態生成網絡控制、資源分配、路由調度等決策策略，對性能、效率、成本進行更實時的優化。組網組網策略

20、自生成策略自生成：基于場景和需求，在分析結果的基礎上，6G 智能內生網絡最終將自生成決策策略，包括架構策略、功能策略、參數策略等。例如，按不同場景特征，在接入側進行化整為零的智能組網，通過對服務需求變化進行實時感知和動態適配，自生成子網架構、功能構建策略，實現按需構建子網。（4）自執行）自執行 6G 網絡以決策策略作為指導，結合對環境、網絡資源、狀態的自感知和預測，將對網絡的自決策策略智能轉義為網絡架構配置、網絡功能配置、網絡參數配置，然后通過自動化的配置執行和測試驗證，實現網絡策略的全自主化部署和執行。意圖執行意圖執行：以智能內生為底座的網絡自執行其特點在于意圖轉化能力和動態適應能力，自執行

21、能夠識別運營者的意圖，通過智能分析和計算將高級、抽象的意圖轉義為明確、可量化的配置實現。適應執行適應執行：為滿足用戶和業務的需求差異和動態變化，自執行能夠對網絡功能、架構、參數的配置動態地進行配置區間調整、配置切換和可編程配置，實現執行的自適應能力，從而提供個性化和適應性的網絡服務，實現網絡性能、用戶體驗和成本最優。例如，在異構接入協作中，適應服務場景和需求，進行異系統或異基站或異頻點之間執行無縫切換。11 2.1.2.服務垂直行業 AI 應用場景 通信網絡服務的全社會、全行業，都在基于人工智能進行著智能化的浪潮，普惠智能服務是 6G 的新增典型場景，依托網絡對需要進行高效分布式智能學習或推理

22、的智能化服務提供集成化的通信和 AI 算力7，因此 6G 智能內生網絡將作為未來智能化時代的通信基石和智能平臺。6G 智能內生網絡服務的全社會、全行業應用場景如圖 2-1 所示1 ，覆蓋了未來社會的方方面面。6G智能內生網絡垂直行業應用場景超能交通普智教育智賦工業智慧城市智慧能源智賦農業精準醫療智慧家庭車聯網自動駕駛全息通信AR/VR智能制造孿生城市智能港口智能電網智能煤礦智能灌溉智能育種全息手術人體孿生智能家電智能看護智能物流遠程駕駛通感互聯數字孿生人口管理智能發電智能收割智能交互智能養老 圖 2-2 網絡服務社會應用場景 面向 2030+年的垂直行業應用場景，超能交通中汽車將實現 L4 層

23、級及以上的高度自動駕駛。目前依托雷達、視頻攝像頭、傳感器實現的單車感知、處理和低層級智能駕駛，需要依托 6G 智能內生的網絡，在 V2X（Vehicle to Everything）連接下，為車輛提供更高算力支持和智能輔助，并與交通系統融為一體，實現單車和交通系統的高級智能。在自動駕駛中，V2X 需要的是計算密集型的 AI 范式，車輛需要從智能內生網絡的邊緣智能單元獲取更多的資源和數據，輔助使能自動駕駛更安全、更高效、更舒適。典型場景中全息通信也將扮演重要角色，實現全息三維顯示。無需佩戴任何裝備，依靠裸眼就可以 360全視角觀看 3D 效果，使人們將不受時間、空間的限制，身臨其境般地享受完全沉

24、浸式的全息交互體驗。全息通信所需要的帶寬極高并要求極低的時延，才可以保障滿意的業務體驗。完整的傳輸原始的全息圖像對于網絡來說存在巨大挑戰，基于智能內生網絡技術，通過在終端和網絡的邊緣智能單元配合，提取全息語義特征，在對端進行全息信息的恢復，可以降低將數據的傳輸量降低一個或多個數量級。沉浸式多媒體交互要求網絡必須在支持大規模用戶通信和計算的基礎上靈活彈性組網，并對網絡指標提出更極致的要求。例如元宇宙業務，在網絡業務交互協同方面，要求網絡增強與應用的融合設計，與應用建立多種協同模式，更好地支撐強交互的需求。在使能技術方12 面，需要交互技術、AI 技術、數字孿生技術、區塊鏈技術和 NFT（Non-

25、Fungible Token，非同質化代幣），支持豐富的虛擬世界場景創建和互動8。同樣的邏輯，如圖 2-1 中所示的智賦農業、智慧城市、精準醫療等場景，網絡通信服務方面都面臨著一些需要突破桎梏的問題，智能內生網絡基于智能內生能力，將有效保障全行業的智能場景，在此就不一一列舉。到 6G 時代，人工智能應用將逐漸成為主流，在智能生活、賦智生產、助智社會等領域實現智能普惠。而智能應用需要龐大的計算資源和智能平臺服務的支撐，大部分智能終端無法利用本地資源完成智能應用所需訓練和推理任務。集中式云平臺在數據傳輸消耗、數據隱私保護、時延確定性方面都無法滿足泛在智能應用的需求。因此基于智能內生架構的 6G 網

26、絡，通過智算網融合的分布式網絡 AI 平臺，基于連接、算力、算法、數據要素資源，提供AI 訓練和推理及智能協同服務，滿足超低時延、隱私保護。2.1.3.數據服務增值應用場景 數據服務是基于數據采集、預處理、分發、發布以及分析的框架，滿足數據法律法規的相關要求，將數據作為一種服務產品提供，并支持智能內生網絡對數據服務方面的要求。6G潛在的典型數據服務增值應用場景包括：行業終端和用戶管理行業終端和用戶管理：6G 網絡服務的垂直行業將極大豐富，不同垂直行業終端的服務行為、數據流量（頻率、規模）和移動區域可能具有明顯的差異和規律，對服務質量和省電的要求也不盡相同。6G 網絡需要基于智能內生，分析垂直行

27、業終端各類數據特征，例如移動軌跡、通信特征和異常行為等，從而支持基于這些信息管理或優化服務參數以提供更好的應用服務體驗。6G 時代，單個用戶可能會存在多種類型的 6G 終端，如通信終端、可穿戴設備以及嵌入式傳感設備等，需要以用戶為中心開展 6G 泛終端的智能管理，通過對終端行為及數據進行持續智能檢測及分析，提供整體最優的網絡服務體驗，助力用戶實現身體智能自管理。業務體驗業務體驗/質量增強質量增強：6G 網絡的各種創新業務，如沉浸式 XR、全息通信、數字孿生、機器智能等，對網絡時延、抖動、速率等有更高的要求且不同業務之間對質量的要求差異較大，需要網絡對業務體驗/質量進行更快速精準的感知分析和推理

28、預測，并按需將相關服務能力向第三方應用開放，從而支持第三方應用做出更合理的優化決策。通過網絡智能內生及相關的數據服務，可以進一步提高未來 6G 新業務所需的智能感知、高效的分析和推理預測等要求。13 數據特征數據特征分析和分析和優化優化：6G 網絡的海量終端設備和豐富多彩的業務，將產生海量的數據，對相關數據特征進行智能化分析，如業務類型、位置、時間的多維度分布，可以為第三方提供業務熱點、流量特征等相關數據服務，從而有效支持網絡和業務實施提升傳輸效率、節能等各類優化。進一步，由于單個運營商的樣本數據有限，分析結果相對局限，所以 6G 網絡還可以內生支持跨運營商的協作，如基于聯邦學習的跨運營商的智

29、能數據分析等能力。結合6G提供的低延遲和高效率的內生計算服務，如部分應用邏輯將可以在網絡內實現。數據特征分析將可以綜合考慮這類應用特征、6G 終端特性、無線網絡狀態等，從而實現連接和計算性能的端到端服務保障和優化，真正做到用戶體驗可保障。2.2.智能內生網絡能力 智能內生是 6G 網絡的重要特征，當人工智能（AI）應用于移動網絡時，移動網絡不僅需要具備訓練、推理等現有的應用層 AI 功能，更需要一些移動網絡 AI 特有的數據、算力和算法能力，來高效支持 AI 功能在移動網絡中的運行。除此之外，網絡能夠根據場景差異化需求，準確定義 AI 行為的范圍，對資源統一管理編排利用，并將資源作為能力安全的

30、開放給第三方使用。2.2.1.數據能力（1）跨域數據協同能力 在數據驅動的 AI 范式中，只有豐富的數據采集才能訓練出好的模型、產生強大的推理能力，因此必然需要跨域的數據共享和協同能力。6G 智能內生網絡架構中數據協同，主要指終端、移動網絡和 OTT 三個不同域的數據在安全隱私可接受范圍內的協同。數據協同包括直接共享和間接共享，在不影響用戶隱私的前提下直接共享數據是一種直接有效的方式，但需要考慮數據的重要性和網絡傳輸的負荷能力來決定需要共享的數據。如果考慮到用戶隱私和算力負擔，間接共享是另一種有效的方式，間接共享可以通過分布式學習的方式，讓各節點使用本地數據以及本地算力進行訓練和推理，并在必要

31、時將中間結果共享出來，達到隱私的保護和算力的合理分配。（2）AI/ML 數據傳輸能力 AI 的數據傳輸具有獨特性。既需要傳輸 AI/ML 模型數據也需要傳輸樣本數據。因此，需要靈活、按需的傳輸能力，并在不同節點共同參與的情況下，共同完成 AI/ML 任務。相比 5G 網絡中的控制面連接和用戶面連接，AI/ML 數據傳輸需要具備一些新的能力要求：一14 方面，AI/ML 數據傳輸路徑按需確定，即 6G 網絡中的任意兩個或多個節點之間均可以通過該連接實現大批量的數據傳輸，并且數據傳輸可基于內容和行為進行路由，從 6G 系統中的某一節點經過一個或多個其他節點將數據路由到最終目的節點；另一方面，數據傳

32、輸的路徑上經過的部分或全部節點可以感知內容并作相應的處理，以實現諸如分布式學習、模型分割推理等類型的業務。2.2.2.算力能力 5G 引入計算能力時將重點放在了計算能力下沉上，網絡和計算部分相對松耦合的設計，在效率、部署成本、安全和隱私保護等方面存在進一步提升的空間。在 6G 走向智能普惠、連接智能，在基礎設施層面，要從連接的基礎設施變為連接+計算的雙基礎設施。6G 智能內生網絡在提供通信能力的基礎上，實現感知、計算一體的功能，以支持全行業、全社會智能化所需要的需求感知、算力服務，滿足社會、行業對較大算力、極低時延等資源能力的需求。算力管理能力具體包括網絡和計算資源的編排和調度能力、業務與分布

33、式計算的適配與部署的能力、計算的安全管理及隱私保護的能力。圖 2-3 移動通信系統算力需求發展過程 2.2.3.算法能力 算法模型能力的強弱，對 6G 智能內生網絡的實現有著至關重要的作用，只有具備強大的模型能力，才能實現真正的智能內生 6G 網絡。在 6G 智能內生網絡中，模型能力至少具備：根據不同的行業場景，應當能夠自生成模型、模型智能自適應場景；在應用過程中，模型能夠快速的優化更新；在 6G 網絡智能功能架構中，模型應能夠在分布式 AI 系統中按需傳輸；對于復雜的模型在傳輸和使用中，能夠進行效果較好的模型壓縮和模型分割。另外，15 6G 智能內生網絡中的模型在訓練和使用過程中，能夠具備較

34、高的泛化能力和遷移能力；對于系統中多種多樣的模型，能夠有效的管理，具備較高的模型開放能力。除此種種，在未來AI 技術發展的過程中，6G 智能內生網絡能夠緊跟 AI 技術發展，具備強大的模型能力支持6G 網絡的發展和演進。2.2.4.編排能力 AI 服務的編排用于編排、管理、調度端到端的 AI 相關的服務和資源，是智能內生功能的一個關鍵能力。AI 服務編排重點是 AI 服務的解析和編排。AI 服務會映射到邏輯 AI 工作流，根據 AI 服務的類型，邏輯 AI 工作流可以包括不同 AI 模型的模塊。邏輯 AI 工作流需要獲取數據，并依次進行數據處理。此外，邏輯 AI 工作流中會考慮 AI 服務的

35、QoS 要求。在服務的部署過程中，邏輯 AI 工作流會被映射到物理資源上。邏輯 AI 工作流映射的物理資源包括，CPU/GPU/NPU 等計算資源、網絡連接通信資源、存儲資源等異構資源。2.2.5.安全能力 像 5G 網絡切片對于通信資源的劃分一樣，6G 智能內生網絡也需要對資源進行按需劃分和隔離以實現不同的 AI/ML 應用。圖 2-4 6G 智能內生網絡 AI/ML 服務的資源劃分與隔離 為了支持智能內生，6G 網絡需要統籌 AI/ML 相關資源，包括數據、算力、模型等。不同于現有的 OTT 調用自身資源進行自己的 AI/ML 業務，智能內生網絡旨在面向運營商和各種第三方提供相關資源實現不

36、同的按需 AI/ML 服務，因此 6G 網絡不僅提供資源實現 AI/ML服務，更需要對于不同 AI/ML 服務的資源進行劃分和隔離。6G 網絡資源對于 AI/ML 服務的資源分配可以根據如表 2-1 所示的限制條件進行按需匹配。表 2-1 不同限制條件下的 AI/ML 資源分配 數據限制數據限制 采集的數據受到隱私性、有效性等的影響，應用范圍有限，對于特定的 AI/ML 業務，能夠開放和采集的數據具有限制性。算力限制算力限制 對某一 AI/ML 服務提供的算力需求進行限定。16 模型限制模型限制 依據模型的泛化能力和自優化能力，適用場景范圍可能會不同，但模型使用的場景和范圍總是有限的。條件限制

37、條件限制 AI/ML 服務受限于時間、區域、網絡狀態、用戶行為特征等因素。因此，對相關資源形成的隔離和限定是網絡滿足不同 AI/ML 服務的必要條件，同時對于終端和用戶來說，按照業務需求加入到特定的資源域中，以獲得最適合的 AI 模型以及相應的計算、通信等資源。3.智能內生的目標 智能內生網絡的目標，是使能 6G 網絡支持智能普惠愿景，實現從萬物互聯到連接智能，連接智能具體是指智能的泛在可取，全面賦能萬物萬事。圖 3-1 從萬物互聯到連接智能（1）從技術角度，智能內生網絡的目標是要在 6G 架構層面，原生支持網絡內的分布式 AI訓練和推理（稱為網絡 AI），通過無線通信、計算、AI 的深度融合

38、實現綜合效率提升，提供安全隱私保障等，實現在 6G 智能應用場景下分布式網絡 AI。分布式網絡 AI 對比集中 Cloud AI 在數據隱私、極致性能和海量數據傳輸導致的高能耗等方面具備顯著的競爭優勢。智能內生網絡將原生支持如下兩類場景：AI4NET：隨著人工智能技術的發展、算力資源的擴充，利用 AI 方法對傳統復雜問題的優化求解已逐步成為可能。利用 AI 優化網絡系統，實現全網自主管理和優化（網絡自治）、進一步提升無線頻譜和通信效率、提升用戶體驗等，這個領域稱為 AI4NET?；贏I技術的天然優勢，從物理層具體模塊到系統級架構設計均可以通過AI技術進行賦能。這不僅可以實現網絡連接和服務的個

39、性化、確定性性能要求，同時原本需要通過人為維護和迭代優化的維護優化過程將由 AI 進行自學習和自演進，以追求極致為目標，達到17 對性能的不斷優化。同時，隨著 6G 網絡功能愈發強大和復雜，不同場景的特征和對于網絡的要求不盡相同，通過 AI 的感知、預測、分析和遷移學習能力，可以實現智能按需組網的需求。NET4AI：6G 網絡如何通過系統架構本身的設計，為 AI 在 6G 網絡內的應用提供原生支持，包括在網絡內構建端到端的分布式 AI 學習和推理環境，為 AI 特征信息、AI 模型信息、AI 梯度信息等 AI 信息的傳輸提供定制化的設計，提供 AI 服務 AIaaS，為 AI 的安全隱私和服務

40、質量保護提供架構級的保護和保障機制等，這個領域稱為 NET4AI。大部分的分布式 AI 業務對實時性有著較高的要求，例如視頻識別，AI 特征信息實時傳輸以適配不同條件下的圖像識別。由于環境改變或者應用需求變化，AI 業務的執行方式也在不斷變化。這些實時類業務和應用快速的調整導致 OTT 對算力資源和通信能力產生高需求。OTT 需要通過智能內生網絡的開放接口得知網絡的通信能力以及運行 AI 模型節點的算力能力，網絡通過與OTT的交互協同實現更好的AI模型的執行方式的調節，最終保證高質量的 AI 業務。同時，智能內生網絡借助 AI 能力可以實現深度的業務級ICDT 融合。（2）從商業生態維度，智能

41、內生網絡的目標是基于 AIaaS 服務來構建完善的全行業泛在智能生態系統。AIaaS 包括 6G 網絡的連接和算力等異構資源層面的基礎服務（IaaS）和為網絡 AI 提供分布式訓練和推理、數據治理等的平臺服務（PaaS），從而使得 6G 網絡借助無可比擬的基礎資源優勢，向第三方應用提供完成 AI 任務（訓練和推理）所需的完整能力。6G網絡可以利用 AI 相關的基礎能力（包括數據、計算、模型等）向第三方提供對應的服務，第三方則可借助基礎能力的服務進而做定制化功能，達到“術業有專攻”的效果，實現新的業務增長點。AI 包括算法、算力、數據等多個方面，往往需要多方協作來共同實施和持續優化應用，其中涉及

42、數據擁有者、應用提供者、算法開發者、平臺提供者等。智能內生網絡通過構建完善的 AI 平臺能力，解決數據擁有者的安全隱私顧慮，為 AI 算法開發提供全面好用的網絡AI 開發環境、工具和 AI 基礎模型庫等，來豐富 6G 智能內生架構生態，服務好 2B 各行各業和 2C 個人用戶的智能化應用，推動 6G 智能普惠的到來。18 4.智能內生的內涵與特征 隨著 AI 技術的逐步成熟，其作為 6G 網絡核心使能技術，以及智能內生作為 6G 網絡的核心特征之一，已經成為業界共識。對于 AI 與 6G 網絡的結合，業界多以智能內生和智能原生概念進行闡述，相關白皮書、文獻對智能內生/原生的定義可見資料性附錄

43、A?；诒狙芯繄蟾娴闹黝}，不對智能內生與智能原生做明顯的區分，這里統一稱為“智能內生”，并對智能內生的內涵解釋如下：6G 智能內生是指在架構層面將網絡連接與人工智能智能內生是指在架構層面將網絡連接與人工智能要素要素(算力、算法、數據算力、算法、數據)深度融合，構建網絡內完整的智能體系。通過智能的分布式部署和深度融合，構建網絡內完整的智能體系。通過智能的分布式部署和協同，按需對內對外提供協同，按需對內對外提供 AIaaS 服務，實現智能服務的高效和高質量保障，助力網絡實現服務，實現智能服務的高效和高質量保障，助力網絡實現智能自治，促進智能生態的協同與融合智能自治，促進智能生態的協同與融合。對于實

44、現 6G 智能內生所需的特征，可參考圖 4-1。6G網絡智能內生數智化服務和能力的開放網絡架構、能力和服務的內生自構建分層分布式AI以任務為中心的資源編管控AI服務的QoS可保障AI生態協同與融合 跨層、跨網絡的智能協同與控制 近數據源位置分布式部署智能化要素通過各方的開放協同，共建AI產業生態體系對外提供面向數智化要素（算力、算法、數據）服務支持AI服務的實時性、精準性等QoS指標，實現AI服務的高質量服務保障基于用戶意圖的感知和轉義，網絡進行自主構建，并提供與意圖匹配的網絡服務靈活編排和控制智能化要素（算力、連接、算法、數據）和資源，實現以任務為中心的完整生命周期管理 圖 4-1 6G 智

45、能內生的特征 4.1.分層分布式 AI 分布式智能體現了智能化要素（算力、算法、數據）從集中式向分布式的轉變。為解決處理時延、數據隱私、傳輸能耗的問題，AI 算力資源的下沉部署已成為趨勢，同時聯邦學習等分布式 AI 技術也為算法、數據的分布式協同提供了技術支撐。通過將智能化要素分布式部署在靠近數據源的位置，可以減少處理時延、降低數據傳輸成本、保護數據隱私；通過將復雜的 AI 任務分解為分布式并行的多任務，多任務間通過聯合協同，例如模型并行、數據并行等方式共同完成復雜 AI 任務，可有效解決智能應用的復雜性問題和集中式計算的成本和能耗問題，從而提升 AI 效率，實現全網智能資源的最優化利用。19

46、 分層智能可以理解為智能體在集中控制節點的管控下進行分布式部署和協同，集中控制節點與分布式智能體之間、智能體與智能體之間基于應用需求組成一定的邏輯關聯關系。智能體支持集中式管控和協調，同時也可能分布式對等協作，通過模型、數據、分析結果在智能體之間的交換和協同，實現跨層、跨域、跨網絡之間的聯合學習和推理，構筑網絡內不同節點、甚至跨網絡間的智能協同。4.2.以任務為中心的資源編管控 傳統通信系統是以通信連接為中心的設計、提供了完整的通信連接的生命周期管理機制（e.g.E2E 隧道的創建、修改、刪除、錨點遷移等流程）。6G 原生支持網絡 AI，通過對多節點場景下的四要素資源（算力、連接、算法、數據）

47、靈活編排、管理和控制來完成特定目標，可以稱之為 AI 任務。針對這樣的變化，6G 網絡需要設計支持以任務為中心的完整生命周期管理機制，從而實現高效的資源編管控，確保任務的順利執行和 QoS 保障。6G 網絡將與智能深度融合，自主滿足來自網絡內部和外部的智能需求。針對智能業務的多樣性和靈活性需求，網絡能夠動態編排出與之相適配的 AI 工作流（有相互依賴關系的多個 AI 任務的組合，該任務可以串行或并行組成 AI 工作流，完成一個或多個 AI 業務），并根據網絡的動態變化，實時調整各個任務的四要素資源（例如通過調整任務的參與節點、節點的參與資源），確保智能業務的順利執行和 QoS 嚴格保障。4.3

48、.網絡架構、能力和服務的內生自構建 具備智能內生的 6G 網絡，能夠自主的精準感知外部場景的需求，針對不同社會、行業等場景的差異，自主設計最適合的網絡架構，對資源要素進行按需編排和調度，實現能力和服務的自適應內構建，精準匹配業務需求?；谝鈭D驅動和 AI 技術，6G 網絡可以將來自網絡自身數據推演的或者第三方(通信網絡使用者或業務提供者)的場景意圖智能轉譯為網絡策略，依據網絡策略為不同場景進行最佳適配的網絡架構功能選擇和網絡配置，包括：靈活選擇網絡架構(例如采用分層網絡、邊緣網絡或虛擬子網)，配置網絡功能特性與業務參數(例如 QoE/QoS 參數)等；同時，采集網絡的狀態信息數據，進行實時的

49、AI 智能監控、感知、分析和預測，自動地根據期望達到的狀態，以及當前的網絡狀態對網絡策略進行適當的優化與調整，保證網絡始終最佳適配意圖需求。20 基于意圖構建網絡架構、能力和服務使得 6G 新系統更加具有“柔性”與“彈性”，可以充分地利用系統資源，對業務/應用需求進行即時的響應。6G 新系統可以根據系統資源和網絡性能等的動態變化，與業務/應用平臺進行動態的“意圖”協商，請求業務/應用平臺對“意圖”進行修改，以實現業務/應用需求與網絡資源/性能的平衡。當系統資源受限時，6G“意圖”管理功能可以依據“意圖”的優先級，優先為高優先級“意圖”生成資源以確保滿足其需求（例如公共安全業務需求）。4.4.數

50、智化服務和能力的開放 未來，6G 新系統的數智化能力和服務主要體現在：“算力（計算，處理）”、“算法（模型，智能）”和“數據（信息，知識）”三大要素方面。在傳統 IMT 移動通信系統中，“算力算法數據”三要素主要都還是圍繞著通信類業務而展開，并且偏向封閉地服務于通信系統的內部功能（如：用于協議組包，信號處理，算法支撐等），即“算力算法數據”相關的資源、能力和服務無法很好地被外部系統（第三方，3rd Party）按需靈活地申請調用。這就造成了傳統 IMT 系統中的各種資源的利用率欠佳，系統性能和效果方面無法全局優化，各種資源能力的潛在價值無法被最大化開發利用，各種業務應用運行和不同業態之間相對地

51、割裂封閉，無法實現彼此深度地協作融合共同增益。未來，6G 新系統需要把系統內的“算力算法數據”三要素，聯合圍繞著“通、感、算、智、存”等綜合業務全面地對外展開服務化，不僅要能更好地服務于 6G 新系統的上述基本業務功能，更要能被外部系統按需靈活、精準實時、安全可信地申請調用。如此，6G 新系統內的“算力算法數據”資源、能力和服務的利用率才能獲得極大的提升，“通、感、算、智、存”綜合業務的性能和效果才能獲得聯合全局優化，“算力算法數據”資源能力的價值將有望被最大化開發和利用，各種業務應用和業態之間將會實現深度的協作融合。具體而言，各種異構的算力資源（如 CPU，GPU，NPU 等）和能力模塊將會

52、被 6G 新系統更好地分布式編排和管控，能夠按需靈活地被調用；各種 AI 算法模型將會被結構化地統編進入“AI 模型庫”，在訓練學習，驗證和分析推理方面，它們將獲得更大的泛化性和適用度，并能實現算法自生成自演進；6G 新網絡還可為外部 AI 算法提供端到端、全生命周期的應用環境；各種數據資源也會被結構化地統編進入“分層數據庫”（基礎層、特征層、應用層等），它們在數據流轉應用、價值挖掘拓展和安全可信方面均會被拓展和提升。為了能實現有廣義 QoS 質量保障的數智化服務，上述“算力算法數據”三要素，必須要能被 6G 新系統統21 一的可管、可控、可編排、可配置、可安全可信保護等。為了能更好地促進業態

53、開放融合和異廠家設備之間互操作，6G 新系統還需對“算力算法數據”三要素，進行相關的結構化建模、規范化統一描述和格式化表達等，并提供統一的對外服務接口，以實現更全面高級的服務操作。4.5.AI 能力和服務的實時和精準 6G 智能內生網絡應具備 AI 能力和服務的實時性提供和保障機制，尤其為支持智能駕駛、沉浸式 XR、全息通信、數字孿生等 6G 新型的時延敏感類業務，網絡應可以支持未來業務的極致性能、AI QoS 要求，快速匹配并提供相應的各級計算、存儲、通信等資源保障，以滿足業務的實時性需求。為此，在 AI 服務提供過程中，應具備 AI 服務的 QoS 保障機制，如可通過智能感知網絡實時狀態信

54、息、預測網絡未來狀態、及時預留各類資源、甚至在線優化服務編排等技術和措施，來保障智能內生網絡提供的 AI 服務和能力的實時性和魯棒性。6G 智能內生網絡應具備 AI 能力和服務的精準性提供和保障機制，體現在兩方面。一方面應支持千人千面的差異化定制和精準提供，即網絡可以支持未來業務用戶粒度的個性化AI QoS 要求。不同用戶對業務體驗的要求不同，不同業務對通感算智存質量的要求也有巨大差異，通過 AI 技術來感知和挖掘用戶需求及業務差異，對用戶需求和業務差異進行快速精準的感知分析和推理預測，是精準提供 AI 服務的基礎；同時服務設計方式的變革（如服務的動態靈活編排）以及服務部署和提供方式的變革（如

55、微服務或無服務方式、在網計算）等，也為 AI 服務的差異化和精準性提供了架構和技術方面的支持。另一方面應支持資源使用的靈活性和服務提供的確定性。靈活性體現在對用戶需求識別的精細度，以及根據精細度需求對算力、存儲、通信等多維資源進行適當的顆粒度劃分、選擇和智能調度，從而保障 AI 服務和能力提供的高效和準確；服務提供的確定性體現在根據特定業務需求提供具有確定質量要求的服務，應具備對時延、抖動、丟包率、可靠性等具有確定性要求的指標的滿足機制，因此 AI 能力和服務的提供應具備確定性 SLA 保障機制，如資源智能預測與預留機制、幀搶占和流量整形機制、流量精準測量和管理機制、跨網協同調度機制等。22

56、4.6.AI 生態協同與融合 6G 時代大量的應用需求，正在以碎片化的方式涌現。要實現 AI 生態的協同與融合，唯有各方開放協同，共建 AI 產業生態體系。6G 網絡憑借強大的 AI 與大數據分析計算，將成為聚合云、網、端、用于一體的計算型、數據型網絡。6G 網絡與 AI/ML 等技術融合，使得未來網絡的領域涉及 AI 三要素，即算力、數據和算法，并與具體的 AI 應用場景緊密結合，這些都是無法由一個商業實體端到端提供，其中涉及緊密的生態協同與融合的問題。技術的集群需要找到彼此連接的關鍵節點、產品聚合的通道，才能形成高持續運轉的生態體系。例如，基于智能內生的物聯網，其潛力將被進一步地激發，進而

57、改變現有的產業生態和人類的生活模式，將真正實現萬物智聯，也將促進 AI 向應用智能發展，主要應用場景包括智能家居、智慧城市、智能安防以及工業機器人等等。這些智能應用都涉及到多方合作來共同完成，因此，未來智能內生網絡需要從架構層面考慮如何支撐各類智能應用在算力、數據、算法層面的協同與融合，即架構內生支持多方在公平、透明、安全、簡單高效等機制下的協同，解決多方協同于融合的商業和技術上的瓶頸，真正使得基于網絡智能內生架構的生態可以蓬勃發展起來。23 5.6G 網絡智能內生架構設計要求 5.1.架構設計原則 6G 智能內生網絡架構設計遵循如下設計原則：1）AIAI 要素要素功能服務化：功能服務化：通過

58、 AI 各要素功能的解耦和模塊化設計，提供對內和對外的服務化 AI 能力，實現 AI 各個服務的獨立擴展演進和靈活部署，達到 AI能力的高效復用。2）以任務為中心的智能業務編排：以任務為中心的智能業務編排：面向智能業務構建以任務為中心的完整全生命周期管控機制，通過在多節點下四要素資源能力（連接、計算、算法、數據）的聯合動態編排，支持智能業務的高質量 QoS 需求。3）面向服務的協同控制：面向服務的協同控制：基于智能業務的編排結果，對 AI 四要素服務進行生成和協同控制，實現 AI 四要素服務的聯合調度和路由優化，支持全網內 AI 資源的共享和擴展。4）支持分布式智能：支持分布式智能：通過 AI

59、 要素的分布式部署，以及分布式部署下智能體不同節點間的智能協同，滿足網絡各種綜合業務的智能升級需求。5）支持網絡對業務的自適應性支持網絡對業務的自適應性：通過對 AI 四要素的靈活編排、按需生成和部署，實現網絡基于 AI 對業務請求的自感知和自適應。6）支持支持 AIAI 服務的高性能需求：服務的高性能需求：通過對 AI 四要素的靈活部署、智能調度、路由優化等實現 AI 四要素的近源部署、綜合成本能耗最優，以滿足對 AI 服務的低時延、高可靠和高能效需求。7）支持支持 AIAI 服務的開放：服務的開放：AI 服務不僅為通信網絡自身服務，還可為第三方應用和終端提供智能服務，實現通信服務和 AI

60、服務的融合。8）支持支持智能內生智能內生的安全可信，的安全可信，保證 AI 服務的隱私保護、穩定魯棒性和可解釋性。5.2.體系框架 基于前述 6G 網絡智能內生的內涵、特征定義和設計原則，本節提出 6G 智能內生網絡體系框架。如圖 5-1 所示，本體系框架從邏輯層次上分為 3 大層，從下到上依次為異構資源層、功能和編排管理層以及能力開放層。24 算法功能數據功能編排管理功能計算功能連接功能能力開放計算能力數據能力智能能力安全功能管理能力CaaSDaaSAIaaSMaaS異構資源（頻譜、算力、連接、數據）服務對象（內部、終端用戶、第三方合作伙伴）協同控制功能關鍵特征關鍵特征四要素融合編排和協同控

61、制通過以任務為中心的生命周期管理機制，對支撐AI服務的算力、算法、數據、連接四要素進行融合編排、協同調度和控制，構建智能服務的基礎平臺，實現智能服務的QoS可保障分布式智能服務基于智能服務的基礎平臺，支持原生分布式智能協同機制，實現智能服務的分布式部署和協同能力開放服務通過對四要素功能的提取、封裝、組合，為網絡自身和第三方應用提供AI能力和服務異構資源融合通過對異構資源的抽象、云化處理，實現異構資源的融合、共享和統一調度內嵌智能信息交互網絡連接能力NCaaS內生安全 圖 5-1：智能內生網絡體系框架 1 1）能力開放層能力開放層 6G 網絡的組織和運營方式將從面向流程轉變為面向服務的新型范式，

62、以服務為中心，同時支持多種服務模式（NaaS,CaaS,DaaS,AIaaS,SaaS 等等）。能力開放層作為服務的開放平臺，通過對系統能力的抽象、封裝和組合，以統一的服務化接口向終端用戶、互聯網用戶、網管用戶（包含內網、虛網運營商用戶等）、第三方合作伙伴等任何潛在的服務消費者提供各類業務的服務接入，包括計算服務、數據服務、智能服務和管理服務），傳統移動網絡的會話接入請求也可以作為一個特殊的服務請求（NCaaS）通過服務化接口接入，同時將各類業務需求下發給編排管理功能或對應的業務功能。2 2）功能和編排管理層功能和編排管理層 功能和編排管理層包括編排管理功能、協同控制功能、連接功能、計算功能、

63、數據功能和算法功能，通過對多維在網資源（計算、數據、算法模型、頻譜帶寬）的實時監控、融合調度、聯合編排、以及對各種任務實例的全生命周期的實時管理與控制，提供 AI 相關的融合服務。該層是提供融合服務的核心功能層。其中，編排管理功能負責面向融合服務的任務編排和需求服務映射，通過合理的任務編排，實現服務與業務功能需求的最優匹配，并將編排結果發送給協同控制功能或各個業務功能。同時編排管理功能負責對異構資源的感知、度量和管理。協同控制功能負責接收編排管理功能的任務編排結果，并對連接功能、計算功能、數據功能和算法功能進行協同聯合控制，包括融合服務的聯合調度、路由、融合 QoS 保障等。25 連接功能、計

64、算功能、數據功能和算法功能在編排管理功能的指導下或協同控制功能的協同控制下，負責面向各自業務功能的服務構建。3 3）異構異構資源層資源層 異構資源層是網絡連接、頻譜、算力和數據資源等多維在網資源的基礎設施提供者。網絡連接資源包括為網絡各角落提供無處不在網絡連接的路由、傳輸和交換資源；頻譜資源主要包括負責無線接入的無線頻譜資源；算力資源包括 CPU、GPU、NPU 等以計算能力為主的處理器，和具備存儲能力的各類獨立存儲或分布式存儲，以及通過操作系統邏輯化的各種具備數據處理能力的設備；數據資源包括：網絡環境數據、用戶數據、網絡配置數據、網絡運行數據、業務運行數據、AI 相關數據等資源。通過云化、中

65、間件等技術向功能和編排管理層提供抽象的資源視圖和調用接口，實現資源的融合和共享。除上述三大層外，安全功能作為貫穿整個 6G 網絡系統的內生安全根本，負責面向資源層、功能和編排管理層以及能力開放層的安全感知、安全防御和安全預防。5.3.從功能視角分析智能內生架構要求 5.3.1.協同控制功能 6G 智能內生網絡除了提供連接服務外，還將提供智能、數據、計算、管理等服務。6G 智能內生網絡豐富的系統業務功能為 6G 新系統帶來強大的網絡能力和服務外，也為系統業務功能間的協同與管理帶來了新的挑戰。沿用傳統的通信控制面、用戶面和管理面的類別劃分和管理方法，6G 智能內生網絡服務能力將大打折扣。因此，面向

66、 6G 智能內生網絡，需要 AI四要素協同控制功能以提供更高效、更實時的功能協同和管理服務。1 1）更高效的協同能力）更高效的協同能力 協同控制功能將具備更高效的多業務功能協同能力。6G 網絡為千千萬萬的場景提供差異化服務，不同服務所涉及的功能和資源都需要高效的協同，以實現服務的動態高質量保障。對于不同場景下的差異化服務，協同控制功能基于智能內生能力，對融合服務進行任務分析分解，按需選取和關聯 6G 系統內連接、算法、數據、計算等業務功能并分配相應資源。在融合服務建立過程中，根據服務需求，協同不同業務功能，建立關聯并協同進行資源分配；在服務執行過程中，根據服務變化或服務進程的發展，自適應地調整

67、網絡功能和網絡資源。在分層分布式 6G 智能內生網絡中，對于涉及區域跨度大、參與業務功能及節點多的服務，進行跨區跨域的協同控制功能時，不同的協同控制功能間應能夠高效交互，保障融合服務的連續性和高質量。26 2 2）更實時的管理能力）更實時的管理能力 協同控制功能將具備更實時的管理能力。目前移動通信系統中的管理面，由于系統復雜程度和對管理面巨大數據流量的考慮，網絡功能的監督、管理和編排周期一般在十五分鐘以上，對于更實時的編管需求，現有的管理面方式將無法滿足。協同控制功能將部署在更靠近網絡業務功能的位置，與網絡管理功能之間合理分工：對于實時性要求較高、復雜程度較低的管理服務由協同控制功能完成；對于

68、實時性要求較低、涉及區域較大、復雜程度較高的管理服務，協同控制功能可進行初步的處理，上報網絡管理系統后，協助網絡管理系統執行管理工作。在此過程中，協同控制功能將基于 6G 網絡的智能內生，分析融合服務涉及的網絡業務功能、區域范圍以及時間需求，選取所涉及的相對較小范圍的網絡功能和區域節點，針對性地對其實施監督和管理工作，達到更實時的效果。綜上，協同控制功能將實現連接、算法、數據、計算等業務功能的實時協同管理和編排。在分層分布式網絡中，與編排管理功能形成功能分層，協同實現低時延的高效網絡管理，并實現跨區跨域間協同控制信息的高效交互。5.3.2.連接功能 5.3.2.1.傳統連接功能 傳統移動通信系

69、統（如 4G LTE，5G NR）主要是面向廣大的終端用戶提供各式各樣的網絡連接能力和服務（對應于通信類業務），即通過空口無線承載（Radio Bearer）和網絡有線承載（Transport Bearer），實現針對用戶通信業務數據包的上下行傳輸。面向網絡最基本的連接功能，移動通信系統長期構建發展并穩定形成了控制面（Control Plane）和用戶面（User Plane）的經典概念和技術體系。1 1）控制面功能）控制面功能 在傳統移動通信系統中，控制面面向通信類業務提供系統端到端各個網元、資源、功能、工作狀態和業務行為的控制協同，并完成端到端通信連接質量保障等基本功能。在 5G 核心網（

70、5GC）中，控制面功能率先實現了基于服務的架構（Service-based Architecture，SBA），即各個控制面功能實體（Network Function，NF）可通過總線彼此直接連接，并互相調用其它 NF 服務，從而形成特定的通信業務邏輯；但在 5G 無線接入網（NG-RAN）中，控制面功能仍然延續著傳統的“煙囪式固化協議棧（Stack Based）”模式，并未實現 SBA 服務化，無線接入網各個網元節點之間，仍然依賴點對點的“XXAP”應用協議，交互通信連接相關的控制信令。在終端用戶通信業務數據傳輸開啟之前，傳統移動通信系統首先需要基于端到端的控制面信令流程，為終端用戶建立單播

71、或多播的網絡通信連接通道，從而為后續通信用戶面業務數據傳輸做好資源和功能預備。27 2 2）用戶面功能）用戶面功能 在傳統移動通信系統中，通信業務用戶面提供轉發和傳輸用戶業務數據包的基本功能。以 5G 系統為例，核心網域內的 UPF 實體負責面向外部數據的 IP 流和內部 QoS 流之間的映射和傳輸路由等操作；而無線接入網域內的 SDAP/PDCP/RLC/MAC/PHY 協議棧實體，則負責面向內部 QoS 數據包和外部空口 OFDM 符號之間的轉換和相關無線收發。此外，為了實現對用戶面業務數據包傳輸的流量控制、狀態監管等操作，在 SDAP 層之上和 PDCP 層之下又分別規范引入了 PDU

72、Session 和 DRB 級別的用戶面傳輸隧道協議功能。3GPP 協議對上述通信業務用戶面各功能，以及其內部的各個組件模塊的處理和動作先后時序，都有著嚴格的行為規范和限定，且無論對于任何類型的數據通信業務，用戶面處理環節基本都是一樣的。換言之，5G 系統通信業務用戶面協議棧架構和功能編排，都是非常靜態且固定的，并不面向特定的場景或業務做定制化適配。此外，在傳統移動通信系統中，通信業務用戶面功能的大部分配置參數都是由控制面功能產生和提供的。以 5G 系統為例，SMF 產生和提供了與 UPF 操作相關的參數信息，而 gNB-CU-CP 提供了與 gNB-CU-UP 操作相關的參數信息。因此，用戶

73、面各個組件功能實體的執行和應用方式，實際是比較被動和機械的，受到控制面功能的強支配管控。由于 3GPP 協議對用戶面各功能和組件模塊的行為進行了嚴格規范，用戶面數據包一系列處理流程中的每一個環節動作都是單一且確定的，并不面臨動作行為多樣性的分析和抉擇，因此各種 AI 模型算法通常并不能在用戶面功能中直接發揮出太大的作用，AI 模型算法只能通過改變用戶面參數的方式，來間接地獲得用戶面處理增益。5.3.2.2.新型連接功能 鑒于傳統連接功能的局限和不足，在未來 6G DOICT 融合新系統中，網絡連接功能中的控制面和用戶面功能將會繼續發展演進和增強，形成“新控制面”和“新用戶面”。例如：各自接口協

74、議棧的重構、端到端控制面功能的全服務化、采用新型的用戶面傳輸協議方式等。同時，為了更高效靈活地傳輸“感算智數”類新業務所帶來的各種新型數據（如分布式計算的中間數據、智能模型算法數據、聯邦學習梯度數據信息、安全備份數據等），6G 網絡連接功能的“新控制面”和“新用戶面”需要同時考慮和兼容上述新業務控制和傳輸的需求，“新控制面”要能一定程度地感知和管控“感算智數”相關的資源、功能和業務狀態，而“新用戶面”則要能針對“感算智數”類新業務的數據包提供高效轉發和傳輸服務。未來 6G“感算智數”類新業務對于“新用戶面”功能至少會有兩大潛在的增強：1）6G“新用戶面”功能可基于靈活彈性協議棧的原則，在大數據

75、技術和 AI 引擎的驅動下，實現按需靈活地編排、配置和利用，即不再是過去固定僵化的協議棧模式；2）AI 模型算法將能夠更多地直接作用于“新用戶面”功能領域內，如實現用戶面本地行為策略分析和動作優化選擇，實現用戶面功能本地參數的矯正調優等。28 6G 融合新系統基于智能內生的“新控制面”和“新用戶面”架構，將突破過去相對被動、僵化、機械的局限和不足，其功能組件化、服務化和智能化的設計，將為 6G 網絡新架構注入新活力和智簡空間。在 6G“新控制面”接口服務化和智能化的雙重加持下，“新用戶面”必將為 6G 網絡提供更強大更魯棒的數據轉發傳輸能力。注：注：根據傳統通信業務用戶面功能的經典定義，它只能

76、用來傳輸和用戶通信業務相關的數據包。隨著未來 6G“感算智數”等新型業務的引入，它是否也可以同時用來傳輸和上述新型業務相關的數據包，需要進一步分析和確認，這和其他邏輯業務功能的設計也相關。5.3.3.算法功能 智能內生網絡中算法功能包含的邏輯功能如圖 5-2 所示。算法功能算法功能基礎工具支撐功能模型功能模型推理模型驗證模型管理計算引擎管理智能化評測管理知識管理模型訓練模型優化模型存儲模型部署 圖 5-2：算法功能的邏輯功能圖 算法功能分為模型功能和基礎工具支撐功能。模型功能完成對智能模型的訓練、驗證、優化、存儲、部署和推理，是實現 AI 算法功能的核心；基礎工具支撐功能提供對通用模型、工具、

77、環境和知識等的管理，同時提供對模型的評測管理。5.3.3.1.模型功能 模型功能是 AI 算法功能的核心功能，包括：1 1）模型訓練）模型訓練 指根據具體的智能化模型訓練任務需求，選擇合適的特征數據和通用模型或定制模型，對模型進行訓練以實現特定功能，包括離線訓練和在線訓練。離線訓練指在不影響現網運行的離線測試環境中對模型進行訓練（如智能沙箱訓練），并從中選擇最佳模型，具體涉及數據獲取、數據處理、特征提取、訓練模型/算法選取、迭代訓練、結果決策等過程，形成開發態訓練流水線。在線訓練指在現網運行過程中，面向應用 QoS 或任務 QoS，根據實際運行環境和在線數據對模型進行在線持續訓練或增量訓練，形

78、成模型訓練與網絡環境的交互機制，從而保障模型的有效性和實時性。29 2 2）模型驗證模型驗證 指將訓練完成的模型在驗證數據集上進行評估驗證，基于模型準確率、精確率、召回率、效率、時延、計算復雜度等指標評估模型效果，并反饋給模型訓練功能。3 3）模型優化模型優化 指將訓練完成的模型進行優化，包括但不限于：結構優化，在效果上提升模型性能，如采用模型集成、梯度稀疏化等技術；壓縮優化，以更加適應存儲、計算或部署場景需求，如采用模型剪枝、量化、知識蒸餾等技術；遷移優化，以實現模型參數共享，如基于模型的遷移學習等。4 4）模型存儲模型存儲 很多深度神經網絡的結構信息和模型參數數量巨大，即使進行模型壓縮后依

79、然對存儲空間要求和存儲可靠性要求很高。模型存儲功能包括選擇適當的存儲方式（如分布式文件存儲等）、存儲地域、存儲節點、存儲介質等、以及存儲遷移、故障處理等功能。5 5）模型部署模型部署 編排管理功能基于對應用需求和任務需求的分析，將訓練好的模型進行部署配置，而算法功能將根據部署需求，按需實現模型的部署，包括部署模式選擇、模型轉換、模型加載、模型封裝解析、多模型組裝、模型加解密等。6 6）模型推理模型推理 根據 AI 應用需求或任務需求，選擇相應的智能模型和參數執行模型推理工作，包括實時數據獲取、數據預處理、特征提取、推理執行、結果決策等過程，形成運行態智能執行流水線。若推理節點算力受限，還可根據

80、模型存儲位置和網絡帶寬情況采取模型分割分布式推理的方式。綜上，為支持未來 6G 網絡的智能化和高效化，算法功能需要支持對智能模型的快速動態按需生成和按需部署，實現對模型的高效交付、部署和持續迭代等全生命周期管理。同時，未來 6G 網絡多類型算力資源的引入，以及考慮到對數據隱私保護的需求，將更多地使用聯邦學習、集成學習、遷移學習等分布式學習框架，并由此會涉及到模型數據傳遞、模型分割合成等工作內容，因此在模型訓練、部署、推理過程中，一方面需要充分考慮 AI 應用需求和網絡實際組網現狀進行靈活適配；另一方面對網絡的時延、帶寬、資源智能化調度等也提出了更高的要求。5.3.3.2.基礎工具支撐功能 基礎

81、工具支撐功能是高效實現算法功能的基礎條件，包括：30 1 1）模型管理模型管理 模型管理指對業界較為成熟的通用類模型或領域通用類模型進行管理，如支持向量機、決策樹、Q-learning 等機器學習模型；CNN、RNN、GNN、GAN 等深度學習模型；以及一些可以復用的定制類模型等。模型管理功能包括對模型的增加、刪除、查詢、參數管理等。2 2）計算引擎管理計算引擎管理 計算引擎是指專門處理 AI 數據的工具類程序，典型如 MapReduce、Spark、Flink、Rey等，所有模型都需要在一個計算引擎框架下進行訓練和運行。計算引擎管理功能包括計算引擎工具的增加、刪除、選擇、查詢，以及對計算環境

82、的維護等。3 3）知識管理知識管理 網絡的智能化可以是以知識為驅動的，在沙箱訓練、模型優化、模型推理等過程中都可能用到相關知識，包括網絡組網類知識、運維類知識、規則類知識、意圖類知識等。知識管理提供對知識的構建、維護、更新、發布等功能。4 4）智能化評測管理智能化評測管理 在模型研發（訓練和測試以形成最佳模型）、發布、部署、運行使用和下架等全生命周期過程中，模型智能化性能需要一套完整有效的評測機制進行評估和改進。智能化評測管理功能包括對評測指標體系的管理和評測方法的管理，如評測指標的增加、刪除、修改、查詢、對應的評測方法等?；A工具支撐功能為模型功能提供基礎的模型、工具、環境、評價指標、知識等

83、內容，模型功能也可將在訓練和推理過程中形成的模型、評價指標調整需求、運行狀態、知識等反饋給基礎工具支撐功能。此外，基礎工具支撐功能可能不會部署于全部網元中，而是相對集中部署在個別網元中。5.3.4.數據功能 在傳統移動通信系統中，各種類型的數據包如何在各個網絡接口上轉發和傳輸，是移動通信系統的主要目的和業務行為，因此大部分和數據信息相關的處理（如協議封裝拆包、信號調制解調等）都是圍繞通信業務數據包如何在網絡內轉發和傳輸的目的。隨著未來 6G 融合新系統將集成通、感、算、智、數于一體，6G 新系統圍繞數據信息資源和相關數據功能的需求也將隨之增強。數據功能泛指和各類數據信息處理相關的邏輯功能，既包

84、含和 AI 操作強相關的數據功能（如 AI 樣本數據采集、清理、特征提取等），也包含和 AI 操作不強相關的數據功能（如大數據采集和建模、分析推理等）。隨著 AI 將逐漸深入融合到 6G 新系統內，即任何類型的31 數據資源和功能都能被智能內生體系所用，因此本文不再做區分，統稱為數據功能或服務，豐富且強大的數據功能將是 6G 智能內生網絡的核心要素之一。數據功能包含的邏輯功能主要有數據采集、數據處理、數據建模、數據分析和數據應用，如圖 5-3 所示。6G 新系統需能針對各種數據資源，按需高效地完成數據發現、采集、處理、建模、分析和應用等功能。數據功能數據功能AI模型訓練AI模型推理決策交易行為

85、分析影響評估數據可視化模型設計模型檢驗模型評估數據預處理數據清洗數據轉換數據增廣數據源數據應用數據分析數據建模數據處理DMRS數據倉庫社交網絡數據發現數據采集 圖 5-3:數據功能的邏輯功能圖 在 6G 新體系中，數據功能具有如下新的特性：1 1）泛在化與分布式）泛在化與分布式 相比于當前外掛集中式 AI 服務體系，6G 智能內生要求每個 6G 智能網元節點（核心網，基站，終端等）都應具備上述全部或部分數據功能，從而在 6G 新網絡環境下能實現泛在的、本地化的、分布式、協作式、自生長式的數據功能。如 6G 新系統應能支持分布式的 AI 訓練樣本數據采集和匯總提煉，能支持分布式的 AI 模型訓練

86、，智能網元節點本地能高效實現所需數據源的發現、采集、數據增廣和自生長等，智能網元節點之間能實現各種數據功能的深度交互協作等。2 2）數據可管可控可信）數據可管可控可信 為了實現有 QoS 質量保障的數據服務，6G 新系統應能夠實現對上述數據功能的可管、可控、可編排和可配置，并能提供對數據的安全和可信保護。例如 6G 新系統可按需配置 AI數據發現的范圍、樣本數據采集頻率、AI 模型訓練時長、數據挖掘深度和數據開放程度等。32 為了實現有 QoS 質量保障的數據服務，6G 新系統還需配置足夠的計算、通信、存儲資源作為其基礎保障。3 3）數據服務可開放）數據服務可開放 數據功能作為一種能力或服務，

87、應能對 6G 新系統內或系統外的服務對象進行開放和調用共享，能夠被服務對象（如終端用戶、第三方合作伙伴等）申請鑒權后調用。為了促進業態開放融合和異廠家設備互操作，6G 新系統還需要對各數據功能進行規范化的統一描述和格式化表達，并提供統一的對外數據服務接口。4 4）應滿足數據自生長特性）應滿足數據自生長特性 “數據自生長”指 6G 新系統能夠基于自己通感算智等能力、業務、服務發展的需求，主動地進行相關數據的發現、采集、匯聚、拓展、增廣等操作，從而為 6G 新系統提供更豐富的“動力燃料”。面向數據自生長特征需求，6G 新系統應能對原始數據、中間數據和應用數據進行分層存儲和管控。在原始數據方面，需要

88、網絡能準確發現采集源頭，滿足數據采集質量要求。在中間數據方面，應具備數據處理的質量保證體系以及數據格式的規范化，應建立 QoS 控制機制、數據共享機制、數據流轉機制和數據關聯機制。在應用數據方面，應能實現數據的高效融合匯聚管理和重用再利用等，以提升數據應用價值，實現業務和數據深度解耦。在移動基站或相關無線網元節點中，要有數據自生長功能實體和相關的數據轉發和管控流程，它們不同于傳統用戶通信業務流程?？刂泼嫘帕钜軐ι鲜鰯祿D發流程進行編排、配置，實現可管可控和高效轉發。5 5）應保障數據安全可信）應保障數據安全可信 為了保證數據的安全可信，各種數據應使用不同的安全策略進行安全域和非安全域的隔離管

89、控，涉及個人隱私的用戶數據以及敏感的行業數據要放在安全域內，在數據流轉前要進行數據的完整性保護和安全加密。6G 新系統宜使用安全總線和非安全總線 2 個數據總線工作，其中在安全總線上，應采用高級別的安全策略和安全操作來達到數據可用不可見、開放不共享的效果。5.3.5.計算功能 在 6G 時代，網絡不再是單純提供連接服務的通信網絡，而是集通信、計算、存儲為一體的綜合信息系統,應滿足未來各行各業對高速信息傳輸和實時信息處理的需求，尤其是要滿足未來無人駕駛、VR、元宇宙等多種新型應用對于大量算力的迫切需求。過去 5 年，隨著深度學習算法的演進，AI 訓練對算力的需求增加了 30 萬倍。傳統的單體計算

90、模式已經很33 難支撐未來爆發性增長的算力需求，在網分布式計算將成為諸多計算密集型應用的現實選擇，在網算力作為 6G 智能內生網絡重要的基礎設施也將符合算力服務化的趨勢。6G 網絡節點將從只處理通信業務的封閉模式向可對外開放、提供開放算力服務的新形態節點發展，對內實現計算內生，對外提供計算服務，實現計算與網絡的深度融合。一方面通過將計算單元和計算能力嵌入網絡節點，實現云、網、邊、端的高效協同，支撐更好的業務體驗；另一方面計算功能作為一種內生資源，應支持多維度、多粒度的調度控制以及能力開放。智能內生網絡計算功能包含算力感知、算力控制和算力管理功能，以滿足未來多種應用場景的算力需求，邏輯功能組成如

91、圖 5-4 所示。計算功能計算功能算力控制算力管理算力分級算力接入算力調度算力尋址算力分片算力計量算力OAM算力編排算力感知算力發現算力度量算力標識算力服務化 圖 5-4：計算功能邏輯圖 1 1）算力感知）算力感知 大量泛在、異構的算力資源，狹義上包括 CPU、GPU、NPU 等以計算能力為主的處理器，廣義上也可以包括具備存儲能力的各類獨立存儲或分布式存儲，以及通過操作系統邏輯化的各種具備數據處理能力的設備。6G 網絡將建立面向不同類型算力資源的算力感知功能，支持對不同計算類型進行歸約度量和算力標識，并利用多樣化的算力發現或算力通告方式，形成算力感知能力。同時，計算功能需要進行算力的服務化抽象

92、，支持多形式、多粒度的能力開放，以能力服務庫或服務實例的方式提供計算能力、平臺能力、算法能力、軟件能力等多層次能力。2 2）算力控制）算力控制 計算能力作為 6G 網絡的基礎資源將支持更多維度、更細粒度的調度分配。網絡既可支持按照每個分片、每個網絡功能、每個業務來分配算力資源，也可支持按照每個用戶、每個AI 應用請求，每個業務流、每個通信會話來分配算力資源。34 算力控制在綜合考慮網絡和計算資源及狀態的情況下，可將業務靈活按需調度到不同的計算資源節點中，并與網絡的協同控制單元協同，實現算力資源在網絡中的接入控制、調度、分發、路由尋址等功能。此外，還應支持多種模式的算力資源分片共享。3 3）算力

93、管理）算力管理 基于無處不在的網絡連接，6G 網絡將動態分布的計算與存儲資源互聯，實現網絡、計算與存儲等多維資源的統一協同管理。通過對算力的計量統計，支持業務側的交易和計費等功能，使海量應用能夠按需、實時調用泛在分布的計算資源，實現算網一體化運營；通過算力分級，實現對算力進行多維度的分級管理，以更好地適應用戶差異化需求；通過算力 OAM功能，實現對算力資源的智能管理維護；通過算力編排功能，實現算力服務的分解與算力資源編排。5.3.6.編排管理功能 智能內生網絡中編排管理功能支持面向用戶需要和網絡需求提供智能編排能力，包括意圖解析功能、應用能力編排功能和運營管理能力編排功能，其邏輯功能結構如圖

94、5-5 所示。編排管理功能編排管理功能應用能力編排功能運營管理能力編排功能需求意圖意圖解析連接服務能力編排數據服務能力編排算力服務能力編排AI服務能力編排數據支撐智能運營能力編排智能管理能力編排智能維護能力編排 圖 5-5：編排管理功能的邏輯功能圖 其中，意圖解析功能實現意圖的識別和轉譯；應用能力編排功能基于智能化編排能力，形成面向場景和用戶需求的應用能力，包括連接服務能力、算法服務能力、算力服務能力和數據服務能力；運營管理能力編排功能基于智能化編排能力，形成智能運營能力、智能管理能力和智能維護能力。智能內生網絡的基礎資源包括頻譜、算力、連接、數據等異構資源。編排管理功能通過能力開放層提供應用

95、能力和管理能力的訂閱、發布和更新，支撐智能內生網絡將各類應用能力和管理能力作為服務開放給用戶使用。同時，編排管理功能形成的各類組合能力也可不經過能力開放層實現對系統內部提供。5.3.6.1.意圖解析功能 35 意圖解析功能指利用智能化方法識別用戶或網絡的需求意圖，將其進行轉譯，形成應用任務需求（如網絡連接服務、算法服務、數據服務、算力服務等）或網絡運營管理或維護需求（如網絡參數配置、調整、優化、故障檢測診斷、智能運維等）。5.3.6.2.應用能力編排功能 應用能力編排功能通過對各類資源和業務能力的智能編排實現應用需求，具體包括：1 1）網絡連接服務能力編排網絡連接服務能力編排 指通過智能編排實

96、現網絡連接能力，即按需編排各類網絡功能和網絡資源，形成網絡連接服務能力。網絡連接服務既包括面向終端用戶或行業用戶的基本連接服務，也包括面向 6G系統內各種智能、計算、數據等服務能力所需的新型連接服務。以面向用戶的基本連接服務為例，其編排過程示例如：基于意圖解析結果形成的網絡連接服務需求（如網絡切片創建需求），完成服務等級協議（SLA）到網絡服務質量（QoS）的映射，并實現網絡連接服務鏈的編排和映射。如一個網絡連接服務通常由一個或多個虛擬網絡功能 VNF、物理網絡功能 PNF、虛擬鏈路 VL 以及 VNF 轉發圖 VNFFG 等組成，網絡連接服務能力編排實現由 VNF、PNF、VL 及VNFFG

97、 構成的服務鏈的編排，并實現各類資源的映射。面向智能、計算、數據等服務能力的新型連接服務的編排過程待研究。2 2）AIAI 服務能力編排服務能力編排 指通過智能編排實現 AI 服務能力，即按需使用各類特征數據，并靈活編排各類模型、方法等，形成 AI 服務能力。一般過程示例如：基于意圖解析結果形成的 AI 服務需求，完成服務等級協議（SLA）到 AI 服務質量（QoAIS）的映射，實現從 AI 服務到 AI 任務的分解（如分解為數據需求、算法需求、算力需求、連接需求等不同的任務），并同時將 AI 服務的 QoAIS分解為不同任務的 QoS，在此基礎上，完成對數據、算法、算力、連接等不同任務的融合

98、編排和映射。3 3）數據服務能力編排數據服務能力編排 指通過智能編排實現數據服務能力，一般過程示例如：基于意圖解析結果形成的數據服務需求，完成服務等級協議（SLA）到數據服務質量（QoS）的映射，實現從數據服務到數據任務的分解（如分解為數據采集、數據預處理、數據分析、數據存儲等不同的任務），必要時需要算力、算法、連接等其他要素能力的支持，因此在數據任務中還可能包含算力、算法、連接等任務，并同時將數據服務的 QoS 分解為不同任務的 QoS，在此基礎上，完成對數據相關任務的編排和映射。4 4）算力服務能力編排算力服務能力編排 指通過智能編排實現算力服務能力，一般過程示例如：基于意圖解析結果形成的

99、算力服務需求，完成服務等級協議（SLA）到算力服務質量（QoS）的映射，實現從算力服務到算力36 任務的分解（如分解為 CPU 計算需求、GPU 計算需求、存儲需求等不同的任務），必要時需要數據、算法、連接等其他要素能力的支持，因此在算力任務中還可能包含數據、算法、連接等任務，并完成對算力相關任務的編排以及到算力節點、算力資源、存儲節點、存儲資源的映射。5.3.6.3.運營管理能力編排功能 運營管理能力編排功能指通過智能編排實現智能運營、管理和維護等各類智能內生的管理能力，即按需使用各類特征數據，并靈活編排各類模型、功能、方法等，形成面向特定目標的管理能力。一般過程示例如：基于意圖解析結果形成

100、的網絡運營管理或維護需求，實現從管理應用需求到管理任務的分解（以網絡覆蓋優化為例，可分解為數據采集、覆蓋問題分析、覆蓋問題定位、覆蓋優化方案制定、覆蓋優化算法調用等不同的任務），并完成管理任務的編排和映射。智能化運營管理維護能力包括如下幾類：1 1）智能運營能力智能運營能力 智能運營能力是對運營相關的事務進行智能化管理的能力，包括營銷推薦、業務開通運營、差異化計費、智能客服等。2 2）智能管理能力智能管理能力 智能管理能力是對各類網元、網絡、及新型的智能代理等進行智能化管理的能力，包括配置管理、故障管理、告警管理、性能管理、以及對特定事務的生命周期管理（如網絡切片的生命周期管理、網絡虛擬功能的

101、生命周期管理）等，如實現網絡智能優化、故障智能檢測、故障智能定位和恢復等。3 3）智能維護能力智能維護能力 智能維護能力是對網元、鏈路及相關軟硬件系統進行遠程或現場維護、智能巡檢、智能工單處理等的能力，如可利用虛擬現實、可穿戴設備等先進技術和設備提供高效、精確的現場巡檢、現場檢修、遠程故障排除、遠程安裝配置等。5.3.6.4.數據支撐 智能內生網絡的編排管理功能依賴大量高質量高時效性的網絡數據，包括基礎資源數據，如軟硬件基礎設施（網絡、節點、云化資源等）資源數據和支持智能化的基礎設施（智能代理）數據；網絡運行相關數據，如配置數據、性能數據、故障/告警數據等；業務相關數據，如業務需求、業務 SL

102、A、業務運行狀態等；其他數據，如服務評級、投訴、收益等運營相關數據；以及為滿足相關智能能力的個性化要求數據等。5.3.7.安全功能 隱私泄露、中間人攻擊、分布式拒絕服務攻擊等是移動通信網絡通常面臨的安全挑戰?，F有 5G 網絡架構主要的安全和隱私問題來自于接入、回傳、核心網等方面，如關鍵基礎設37 施的安全威脅、NFV/SDN 等 5G 新特性引入的安全威脅、以及云計算和邊緣計算相關的威脅等是目前比較常見的 5G 網絡面臨的安全威脅。在 5G 網絡及以前，業界為了解決此類問題多是采用補丁、外掛式的安全服務等被動防護方式。但被動防護方式的弊端是響應不及時，防護方式滯后不能及時避免安全損害，而且難以

103、隨著網絡發展進行適應性調整，缺乏動態性和靈活性。隨著 AI、區塊鏈、聯邦學習等技術的發展，將安全功能作為智能內生網絡架構中由內向外的保護機制成為可能。6G 網絡架構的變化將促使 6G 安全功能做出由內向外的改變。6G網絡的安全功能作為貫穿整個網絡的內生安全根本，將打破傳統安全邊界，為智能內生網絡的各個功能和資源提供內生安全的感知、防御和預防功能。為此，內生安全功能應具備以下多種能力：主動免疫能力、彈性自治能力和泛在協同能力等。1 1）主動免疫能力）主動免疫能力 主動免疫能力是指基于可信技術，為網絡基礎設施、軟件以及網絡架構等提供由內向外的主動防御功能。信任是實現智能內生網絡安全的基礎，6G 網

104、絡的信任機制將在多個方面得到增強。在接入認證方面，為了能夠實現異構融合網絡服務對象的安全接入，需具備輕量化接入認證技術；在密碼學方面，量子密鑰、無線物理層密鑰等增強的密碼技術，為智能網絡內生安全提供了更強大的安全保證；在網絡架構方面，分布式的區塊鏈技術具有較強的防篡改能力和網絡恢復能力，能夠幫助智能內生網絡構建安全可信的通信環境。2 2）彈性自治能力）彈性自治能力 彈性自治能力是指 6G 網絡安全應具備內生彈性可伸縮框架。6G 網絡打破傳統網絡安全邊界，通過整合泛在連接能力、計算能力、數據能力、智能能力和編排管理能力，基于智能化的軟件定義安全和網絡功能虛擬化，實現內生安全能力的彈性部署和動態編

105、排。3 3）泛在協同能力）泛在協同能力 泛在協同能力是指 6G 網絡在智能內生的賦能下建立端、邊、網、云智能主體間的泛在交互和協同機制，從而準確感知網絡內部和外部安全態勢、監控網絡異常，并且能夠預測潛在風險和提出風險控制預案，進而實現主動縱深安全防御和安全風險自動處置。5.3.8.能力開放層功能 能力開放層實現對各類業務能力的開放管理，負責能力的訂閱、發布和更新等，包括能力管理功能和能力開放接口功能，其邏輯功能如圖 5-6 所示。38 能力開放層 能力開放接口功能 能力管理功能能力訂閱能力發布能力更新計算能力數據能力智能能力管理能力CaaSDaaSAIaaSMaaS服務對象（內部、終端用戶、第

106、三方合作伙伴）網絡連接能力NCaaS能力目錄管理 圖 5-6：能力開放層邏輯功能圖 5.3.8.1.能力管理功能 能力管理功能具體包括：1 1）能力訂閱：能力訂閱：網絡的各類智能化能力，包括應用能力和管理能力，可作為實例化產品對外開放，消費者（服務對象）可以對這些產品或能力進行訂閱。2 2）能力發布：能力發布：將編排管理功能構建出的具體能力產品，進行及時發布，實現能力的對外供給和開放。3 3）能力更新：能力更新：將編排管理功能構建出的具體能力產品，進行及時更新，實現能力的對外供給和開放。4 4）能力目錄管理：能力目錄管理：根據能力的發布和更新，對能力目錄進行實時動態管理，包括能力目錄的增加、刪

107、除、查詢、修改等功能。5.3.8.2.能力開放接口功能 經過封裝后的各類應用能力和管理能力以服務方式向服務對象（包括內部客戶、終端用戶和第三方合作伙伴）提供，能力開放層通過能力開放接口向服務對象提供相應服務，包括：1 1）網絡連接服務（網絡連接服務（NCaaSNCaaS）：）：為服務對象提供特定的網絡連接和相關資源的一種服務。2 2）計算服務（計算服務（CaaSCaaS）：）：為服務對象提供部署和運行軟件、AI 等所需的算力資源和通用計算能力的一種服務。3 3）數據服務（數據服務（DaaSDaaS）：）：為服務對象提供 AI 訓練、推理及其他服務所需的數據資源和通用數據處理能力的一種服務。4

108、4）智能服務（智能服務（AIaaSAIaaS）：）：為服務對象提供 AI 算法模型及相應智能能力（如訓練推理）的一種服務。5 5）管理服務（管理服務（MaaSMaaS）：）：為服務對象提供對業務或網絡進行智能運營、智能管理和智能維護的一種服務。39 5.4.從服務視角分析智能內生架構要求 面向不同服務對象，智能內生網絡應提供差異化服務。5.4.1.NCaaS 傳統移動通信系統（如 4G LTE，5G NR）主要是面向廣大的終端用戶提供各式各樣的網絡連接能力和服務（對應于通信業務），即通過空口無線承載和網絡有線承載，實現用戶各類通信業務數據包的端到端傳輸，該類服務稱為網絡連接服務（Network

109、 Connection As a Service,NCaaS）。從執行通信任務的角度看，移動通信系統只需要負責把用戶通信業務數據包進行高效安全地透傳即可，并不需要理解、管理和利用通信業務數據包。NCaaS 服務通常采取經典的“服務器/客戶端”請求響應模式，由網絡連接服務的發起方（終端用戶或遠端服務器）向移動通信系統請求申請特定的網絡連接服務和相關資源功能；之后網絡連接以通信會話（PDU Session）的方式進行組織管控（以 5G 網絡為例），包括通信會話的建立、修改、釋放等。面向未來 6G 融合新系統，NCaaS 服務仍將是 6G 的基本服務，并且其通信性能會在眾多新技術手段的加持下，進一步

110、拓展增強，如實現更大傳輸帶寬、更低延時、更小抖動等。此外，6G 新系統 NCaaS 服務將不僅會面向廣大的外部終端用戶業務，還會面向 6G 新系統內的各種 AI 智能、計算、數據等新型應用或任務需求，按需構建和提供高品質的網絡連接服務，而這種網絡連接服務不一定以通信會話的方式進行組織管控。6G 新系統內的任何智能網元節點都可以主動發起 AI 智能、計算、數據等新型任務和相關 AI 工作流，借助 NCaaS 服務，形成和其它協作網元節點的聯合業務操作。5.4.2.AIaaS 6G 智能內生網絡可以向服務對象提供 AI 模型/算法的開放服務，稱為 AI 服務（AI as a Service，AIa

111、aS）或智能服務。由于 AI 模型的訓練和管理往往需要大量的基礎設施資源，對于很多服務對象而言，使用 AI 模型，尤其是大規模 AI 模型，是難以克服的門檻。而利用6G 網絡的強大基礎資源打造諸如“AI 模型商店”的智能服務，可以服務于廣闊的 AI 應用市場。具體來說，由于 AI 模型成千上萬，在不同時間、地點、環境、業務、用戶等情況下，服務對象需要按需獲取最佳的 AI 算法模型進行使用，為支持該功能，AIaaS 應具備以下幾方面能力：1 1）場景適配）場景適配 按場景精準確定 AI 模型是服務對象最為關注的能力。在過去，業務層面的 AI 模型訓練和調整大都需要服務對象自己維護，需要耗費大量的

112、算力且無法實現成果共享。按場景適配40 AI 模型可以根據場景中提取到的特征（包括用戶行為預判、外界條件確定、業務體驗需求等）確認最佳的 AI 模型（包括對準確率、推理時間的滿足）開放給服務對象使用。由于服務對象可能僅有少量基于某個特定需求的樣本，無法支持其訓練出一個收斂的AI 模型。為此，通過網絡提供的泛化能力強的基礎模型，服務對象可在此基礎上通過少量樣本繼續訓練，得到性能良好且適配特定需求的 AI 模型。2 2）算力匹配）算力匹配 任何開放給服務對象使用的 AI 模型，都需要按需進行調整/微調，調整/微調的過程會消耗算力資源。6G 網絡可以提供基于服務對象需求特征的最佳預訓練模型供其最高效

113、地實現模型的調整，在這一過程中可以最大限度地節省調整模型帶來的時間和算力消耗，保障用戶體驗。同時，終端或第三方服務器的算力資源能力受硬件條件、操作系統和電量等因素的制約，因此對于 AI 模型選擇和計算層數的分配，需要根據算力要求進行確定后發送給服務對象，從而可充分利用分布式算力的優勢，共同承擔 AI 計算需求。3 3）模型大?。┠Ｐ痛笮∵m配適配 終端或第三方服務器的存儲能力導致了模型大小是決定是否適配服務對象業務需求的重要參考。為此，利用知識蒸餾、剪枝、量化等模型壓縮技術方法個性化打造 student 模型，可以有效適配服務對象對模型大小的要求。5.4.3.DaaS 基于前述的智能內生數據功能

114、，6G 新系統可對內部和外部服務對象（終端用戶，第三方客戶等）按需地提供各類數據服務（Data As a Service，DaaS）。DaaS 既包含 AI 數據資源（采集樣本、算法模型、評估結果、特征數據等）自身，也包含前述數據功能所對應的數據服務項目，如：外部第三方 AI 應用可利用 6G 新系統的數據采集功能和服務，獲得自己 AI應用所需要的充足樣本數據資源；可利用 6G 新系統的分布式訓練能力和服務，輔助進行某些 AI 算法模型的訓練操作；可利用 6G 新系統的分布式分析推理能力和服務，獲得更可靠、更深度的推理決策信息等。為了支持和實現上述數據服務功能，對 6G 新系統提出了新的需求。

115、首先，6G 新系統需要能通過統一規范的方式描述和格式化各種數據服務和任務，即外部對象需要 6G 新系統具體去做什么？怎么做？有哪些數據 QoS 業務質量要求或限制等？上述數據服務請求需能通過服務接口輸入 6G 新系統，同時數據服務的結果信息需能通過標準化接口，規范地反饋給服務對象請求方。其次，6G 新系統需提供可靠、可信、高效的傳輸連接和計算存儲等資源，實現 AI 數據服務請求相關數據的快速傳輸流轉和節點智能計算等。41 最后，面向數據服務效果的評估信息，能夠閉環地規范地反饋給 6G 新系統，以驗證數據服務的執行是否得當或是否需進一步改善。在數據服務中，6G 新系統要能對海量多元異構的數據源進

116、行統一管理，實現數據所有權和使用權分離。通過數據服務注冊、發現、授權等安全機制及安全協議來保障數據服務的安全可信。在數據服務和數據功能調用使用過程中，要做到數據全生命周期的可信可管可控。為了數據開放需要構建雙方可信的環境，如使用區塊鏈技術打造統一數據交易平臺進行契約式開放。5.4.4.CaaS 6G 網絡中，計算資源遍布于中心云、邊緣云、網絡設備、終端設備等各種基礎設施中。6G 智能內生網絡可基于網絡的各類計算資源，為服務對象按需提供內生計算服務，特別是為計算資源或電量受限的終端、具有極致性能要求或高數據安全隱私保護要求的智能業務提供高性能的計算服務（Computing As a Servic

117、e，CaaS）。6G CaaS 將使能 6G 各類分布式計算資源實現按需“流動”，突破單點計算性能限制，提升計算類業務應用的綜合效能。要實現 6G CaaS，更好地為服務對象提供普惠計算服務，6G 智能內生架構需要實現對網絡泛在計算資源的智能調度和利用，并與連接資源深度協同，使能 6G 網絡成為連接和計算的雙基礎設施。CaaS 的智能調度應能夠實時為服務對象提供所需的計算服務，并能夠處理大量 6G 服務對象引發的高并發計算服務請求。同時，還需要適配 6G 網絡計算資源的異構性（計算類型、計算能力、存儲能力各不相同）、以及無線網絡邊緣環境的動態性，例如在用戶無線信道環境變化或移動性等情況下，依然

118、可以保障計算服務的質量。由此，6G CaaS 有必要對各類異構計算資源進行統一建模，來支撐架構層面原生支持各種分布式算力資源的動態發現機制，以及各類異構算力資源的生命周期管理，包括按需調度、分配、部署等。5.4.5.MaaS 基于編排管理功能中的運營管理能力編排功能，形成智能運營能力、智能管理能力和智能維護能力，這些能力可以服務的形式對外提供，形成管理服務(Management as a Service，MaaS)。從 5G 網絡開始，隨著服務化和微服務化架構的興起，移動通信網絡的運營管理開始以服務形式對外提供，包括網絡配置、實時監控、網絡優化、客戶管理等場景服務能力。在未來 6G 智能內生網

119、絡中，可提供的運營管理類服務將更加開放、智能和泛在。首先將提高運營管理服務的開放性，從現有的部分場景管理運維的服務開放，擴展為全方位全場景的開放，包括網絡規劃、建設、維護、優化、運營等全環節，這對網絡智能內生架構提出了挑戰，同時對網絡管理服務的可信性、安全性、數據隱私保護等也提出了更高要求。42 其次運營管理服務的智能化將進一步增強，隨著意圖、AI 及自主管理研究的深入，會更加快捷準確地將管理服務意圖轉化為網絡可理解可操作的管理策略和執行方案，并促進全面實現自智網絡運營管理智能化分級的第 4 級和第 5 級。最后運營管理服務將趨于泛在化，進一步支持垂直行業對網絡的自管理自維護和自運營需求，此外

120、還將支持 AI 任務的全生命周期管理的服務開放，以更好地滿足各類用戶多元化的 AI 應用需求。5.5.從部署組網視角分析智能內生架構要求 從 3G 網絡集中部署的控制面及用戶面，到 4G 網絡后期 CU 控制面和用戶面(Control Plane and User Plane)分離技術的出現，再到 5G 網絡的 CU 徹底分離并引入邊緣計算，向分布式演進成為移動通信網絡架構的重要發展趨勢之一。面向 6G 空天地海一體化、海量異構終端接入及多樣化應用場景，進一步的分布式網絡架構將更好地適應 6G 發展需求。同時，無處不在的算力資源和數據、減少數據傳輸開銷實現綠色低碳、日益受到重視的數據隱私保護需

121、求、以及實現更低的處理時延等，都需要 6G 網絡實現分布式的 AI 架構。但移動網絡各層（算網資源、網絡功能、網絡管理等）各域（終端域、接入網域、核心網域、承載域）的研究發展相對獨立，它們與 AI 能力的結合也各成體系，為實現 6G 網絡資源、服務、性能的全局最優，各層各域的分布式 AI 資源和功能，還需通過集中控制節點進行管控及協同。因此，分層分布式架構將是 6G 智能內生的重要表現特征。為讓 6G 網絡具備快速實現智能的能力，分布式的智能網絡將部署在邊緣形成智能邊緣網絡，支持完成快速的連接控制和區域智能。智能邊緣網絡可擁有完整網絡功能，實現獨立運行，同時支持對輕量化模型的訓練和部署，完成邊

122、緣網絡的本地 AI 任務，另外還可通過域內、跨域協同實現域內域間智能協同。同時，為實現跨智能邊緣網絡之間、智能邊緣網絡與中心網絡之間、網絡與泛智能終端之間的協同、調度和控制，6G 網絡還需要部署智能中樞，以完成跨層網絡之間的協同。智能中樞可通過聯邦學習、多智體學習等方式聯合各邊緣網絡完成強算力、強智能的大型 AI 任務。圖 5-7 給出了一種 6G 分層分布式 AI 部署架構示意圖。43 圖 5-7：6G 分層分布式 AI 部署架構示意圖 5.6.從控制和執行視角分析智能內生架構要求 在移動通信網絡中，連接功能分為控制面（Control Plane,CP）和用戶面（User Plane,UP）

123、。連接控制面的主要功能包括注冊與接入控制、移動性管理、用戶面管理、QoS 保障等各項功能；連接用戶面提供轉發和傳輸用戶業務數據包的基本功能，具體包括映射、頭壓縮、加密完保、流控、路由、ARQ、分段、復用和包編碼等功能?？刂泼尕撠熆刂?，用戶面負責執行。類似的，在智能內生網絡架構中，AI 三要素計算、算法、數據從邏輯上也可以分為控制功能和執行功能。下面將對潛在的控制/執行功能進行分析闡述，旨在促進業界對計算、算法和數據三要素的功能展開進一步深入討論。未來標準化中網絡功能和接口如何設計還需要業界進一步探討，例如，某個 AI 要素的控制/執行功能若合設為一個網絡功能，那么控制和執行之間的接口和交互屬于

124、內部實現，無需標準定義。5.6.1.AI 三要素控制/執行功能 AI 三要素計算、算法和數據的控制功能和執行功能分別闡述如下。1 1）計算功能計算功能 計算控制功能包括計算節點（提供計算和存儲服務的節點）的注冊、接入控制、計算用戶功能管理和計算 QoS 保障。其中，計算節點的注冊指登記新計算節點的計算和存儲能力；計算節點的接入控制指是否允許新計算節點接入現有的計算資源池；計算用戶功能管理包括智能服務智能應用智能邊緣網絡跨域協同層接入網域接入網元網元AI域內協同AI核心網域核心網元網元AI域內協同AI終端域終端AI域間協同AI智能邊緣網絡跨域協同層接入網域接入網元網元AI域內協同AI核心網域核心

125、網元網元AI域內協同AI終端域域間協同AI中心網絡核心網域核心網元網元AI域內協同AI跨層協同層AI智能中樞算網資源網絡功能終端AI44 針對實時的計算任務請求，選擇合適的計算執行節點，并完成配置信息；計算 QoS 保障指監視計算執行節點的 QoS,如果發現計算 QoS 不滿足，則需要調整相關配置，以保障計算 QoS。計算執行功能是在計算控制功能的配置信息下，執行計算和存儲。針對分布式計算任務，一種實現方式是協同控制功能將分布式計算任務拆解為網絡連接任務和計算任務，計算控制功能選擇各個分布式計算執行節點，連接控制功能建立各個分布式計算執行節點之間的連接鏈路。2 2）算法功能算法功能 算法控制功

126、能包括算法節點（提供算法服務的節點）的注冊、接入控制、算法執行功能管理和算法 QoS 保障。其中，算法節點的注冊指登記新算法節點的算法能力；算法節點的接入控制指是否允許新算法節點接入現有的算法資源池；算法執行功能管理包括針對實時的算法任務請求，選擇合適的算法執行節點并完成配置，同時完成相應管理功能；算法 QoS 保障指監視算法執行節點的 QoS,如果發現算法 QoS 不滿足，則需要調整相關配置，以保障算法QoS。其中，算法執行功能管理具體包括：模型管理、評測管理、訓練管理、優化管理和計算引擎管理。模型管理指對業界較為成熟的通用類模型或領域通用類模型進行增加、刪除、查詢、參數管理等；評測管理指對

127、評測指標體系的管理和評測方法的管理，如評測指標的增加、刪除、修改、查詢、對應的評測方法等；訓練管理指對業界較為成熟的學習方法或訓練方法的增加、刪除和查詢等；優化管理指利用結構調整、模型壓縮和遷移等對模型進行優化，包括結構優化技術、壓縮優化技術、遷移優化技術的增加、刪除和查詢等；計算引擎管理指計算引擎工具的增加、刪除、選擇、查詢，以及對計算環境的維護等。算法執行功能是在算法控制功能的配置下，進行模型訓練、模型推理、模型優化、模型驗證和模型存儲。此時，算法執行功能等同于計算執行功能。3 3）數據功能數據功能 數據控制功能包括數據節點（提供數據服務的節點）注冊、接入控制、數據執行功能管理和數據 Qo

128、S 保障。數據節點的注冊指登記申請加入新數據節點的數據能力；數據節點的接入控制指是否允許新數據節點接入現有的數據資源池；數據執行功能管理包括針對實時的數據任務請求，選擇合適的數據執行節點并完成配置，同時還完成相應的管理功能；數據 QoS保障指監視數據執行節點的 QoS,如果發現數據 QoS 不滿足，則需要調整相關配置，以保障數據 QoS。其中，數據執行功能管理具體包括：數據采集管理、數據預處理管理、數據分析管理、數據安全/隱私保護管理。數據采集管理指對采集源頭，采集頻率，采集數據分類等進行管理；數據預處理管理指利用特征提取、數據清洗、數據變換等技術對數據進行預處理，數據預處理管理包括對數據預處

129、理技術的增加、刪除和查詢等；數據分析管理指利用行為描述、45 影響評估、數據可視化等技術實現數據分析，數據分析管理包括對數據分析技術的新增、刪除和查詢；數據安全/隱私保護管理指借助安全和隱私保護技術為用戶和網絡按需提供高質量的可信數據服務，既保證用戶和網絡的隱私保護，又保證數據的安全不可篡改及可溯源性。數據執行功能是在數據控制功能的配置下，執行數據收集、處理、建模、分析和應用。5.6.2.從控制功能交互方式分析潛在架構 基于四要素（包括連接要素和 AI 三要素）控制功能的交互方式，6G 智能內生網絡架構可以分為協作式、集中式和對等式。1 1）協作式控制架構協作式控制架構 圖 5-8 所示為智能

130、內生網絡的協作式控制體系架構，在該架構下，協同控制功能將任務QoS 進一步拆分為四要素（網絡連接、計算、數據、算法）QoS，由四要素各自的控制功能分別進行四要素各自執行節點的選擇和初始配置。協同控制功能算法控制功能數據控制功能編排管理功能計算控制功能連接控制功能(AMF,SMF)能力開放計算能力數據能力智能能力安全功能管理能力CaaSDaaSAIaaSMaaS異構融合資源（頻譜、算力、連接、數據）服務對象（內部、終端用戶、第三方合作伙伴）網絡連接能力NCaaS算法執行功能數據執行功能計算執行功能連接執行功能內嵌智能信息交互 圖 5-8：智能內生網絡的協作式控制架構 2 2）集中式控制架構集中式

131、控制架構 如圖 5-9 所示為智能內生網絡的集中式控制架構，在該架構下，四要素（網絡連接、計算、數據、算法）的控制功能集成到協同控制功能內部。由協同控制功能統一完成任務 QoS監測、四要素執行節點的選擇和初始配置等功能。46 協同控制功能協同控制功能算法控制功能數據控制功能編排管理功能計算控制功能連接控制功能(AMF,SMF)安全功能異構融合資源（頻譜、算力、連接、數據）算法執行功能數據執行功能計算執行功能連接執行功能能力開放計算能力數據能力智能能力管理能力CaaSDaaSAIaaSMaaS服務對象（內部、終端用戶、第三方合作伙伴）網絡連接能力NCaaS內嵌智能信息交互 圖 5-9：智能內生網

132、絡的集中式控制架構 3 3）對等式控制架構對等式控制架構 圖 5-10 所示為智能內生網絡的對等式控制體系架構，在該架構下，針對每個任務，對應一個入口要素，可為連接、計算、算法和數據中的一種。如果該任務除入口要素外還需要其他要素的輔助，則由該入口要素決策需要哪些其它功能進行協同，并進行 QoS 的分解。例如，極端情況下除入口要素外還需要其他三要素的輔助，則入口要素將任務 QoS 進一步拆分為本要素 QoS 和其他三要素 QoS，再把其他三要素 QoS 需求信息傳遞給對應要素。四要素各自的控制功能分別進行四要素各自執行節點的選擇和初始配置。算法控制功能數據控制功能融合編排管理計算控制功能連接控制

133、功能AMF,SMF)安全功能異構融合資源（頻譜、算力、連接、數據）內嵌智能信息交互算法執行功能連接執行功能數據執行功能計算執行功能能力開放計算能力數據能力智能能力管理能力CaaSDaaSAIaaSMaaS服務對象（內部、終端用戶、第三方合作伙伴）網絡連接能力NCaaS 47 6.智能內生的關鍵技術 6.1.關鍵技術總述 為了實現智能內生網絡架構的協同控制、連接、算法、數據、計算、編排管理、安全等功能，如圖 6-1 所示，本章從關鍵技術的角度闡述如何實現這些功能。其中，智能內生網絡架構的協同控制功能通過智能化賦能的通信、機器學習關鍵技術實現；連接功能通過智能化賦能的通信關鍵技術實現；算法功能和計

134、算功能通過算力關鍵技術實現；數據功能通過感知、數據關鍵技術實現；編排管理功能通過機器學習、融合關鍵技術實現；安全功能通過安全可信關鍵技術實現。圖 6-1：智能內生網絡架構需求和關鍵技術之間的映射關系 6.2.感知、數據相關關鍵技術 6.2.1.面向業務的感知技術 6.2.1.1.技術背景 6G 智能內生網絡中存在各種不同的業務，例如 AR/VR、數字孿生、工業互聯網和精準醫療等。網絡應該具備感知不同業務的需求，提供相應的資源和功能。48 6.2.1.2.技術需求 適配業務 能夠根據各種物理信息精準分配資源和調度網絡功能服務以適配相應的業務。保護數據隱私 在感知的同時保護用戶數據隱私，例如身份、

135、位置和偏好等信息。6.2.1.3.技術分類 6G 智能內生網絡將在三個層次，即資源層、功能層與業務層，實現面向業務的感知。資源層 資源層包括天線、頻譜和網絡基礎設施等傳統資源，也包括數據、算力、算法、AI 模型等新興資源。其中，數據作為一種新興資源被普遍認為是大量機器學習模型訓練和算法構建的重要基礎。與頻譜和網絡基礎設施等傳統資源不同，數據資源與用戶隱私密切相關，這給基于用戶和網絡感知數據的通感算融合技術帶來巨大挑戰。具體而言，按照隱私需求，數據資源可大致分為下述三類：（1）公開數據，如去除了用戶信息的各種宏觀大數據；（2）有限/局部共享數據，如網絡運維所需的網絡狀態和業務數據等；（3）私有數

136、據，如單個用戶的行為及偏好數據等。對公開數據而言，其具有易共享并可直接與大量計算與協同決策算法相結合，實現自適配模型訓練與優化決策，但由于公開數據一般要求隱去用戶地理位置和使用時間等敏感信息，因此導致適用場景和業務類型具有較大的局限性。相比而言，私有數據一般能夠為用戶提供具有個性化和更加精準的網絡資源與業務適配，但是一般而言私有數據難以獲取。如何打通數據需求和隱私保護間的鴻溝，在不侵犯用戶隱私的前提下實現數據與計算模型及決策的最優適配是實現通感算融合的重要前提之一。除此之外，傳統通信網絡以傳輸用戶業務數據為主，因此，通信網絡設計與優化所追求的大帶寬均以最大化用戶業務數據傳輸可使用的帶寬為基礎。

137、隨著大量人工智能算法對數據傳輸和協同的需求不斷提高，未來網絡將需要承載大量機器學習所需的訓練數據和分布式計算所需的協同數據，從而可能導致網絡帶寬不斷增大的同時，用戶業務傳輸可使用的通信帶寬不增反減的情況出現。如何在用戶業務傳輸數據及智能算法訓練和計算協同數據間取得平衡將是 6G 智能內生網絡的重要挑戰之一。通感算三者之間對資源需求之間的相互矛盾將可能成為 6G 網絡智能化發展的重要阻礙之一。因此，亟需設計和開發可在滿足 6G 網絡對用戶業務通信帶寬、時延和連接數等需求的同時提升網絡的智能化程度并降低網絡運維和部署成本的全新方法與技術。具體而言，我們不僅要設計可融合數據感知、傳輸、運算、存儲等環

138、節的全新架構，還需要實現 AI/ML 方49 法與數據、算力、帶寬、業務場景和需求等的一體化整合。通過建立包括多模態感知、聯邦學習、自動機器學習和并行計算與分布式協同技術等在內的新興技術，實現通感算的深入融合。功能層 功能層包括通感算協同控制、跨資源調度、多網絡互操作及動態決策等功能實體。在現有網絡中通信功能、感知功能、計算及存儲模塊相對獨立且有不同的運營商和服務供應商提供。6G 網絡將存在多個不同的設備商、運營商、資源供應商和內容提供商共存的場景。通信網絡基礎設施、計算能力、存儲能力、算法與海量業務數據功能模塊分離且由不同的網絡和供應商部署和運維，將導致網絡智能決策效率低、效果差且所支持業務

139、和功能受限。因此，亟需設計可實現通信功能、感知與數據采集功能及計算與機器學習功能統一調度與協同的接口與方法。具體而言，通過將在不同區域和時間的多模態感知數據實時傳輸并融合到控制與決策功能模塊，可實現網絡運維的自動適配、降低管理和運維延遲并提升網絡智能算法和模型決策效率并改善精度。同樣的，通過將通信功能模塊與感知和計算功能模塊深度融合可實現感知信息按需傳送。最后，通過設計可根據感知和通信功能實時適配分布式并行計算功能模塊，并結合分布式計算與聯邦學習架構實現跨區域、跨業務特征與跨數據的網絡智能化解決方案，實現高可靠、低延遲和高資源利用率的全局決策優化。業務層 通感算融合技術不僅能顯著提升包括網絡資

140、源調度和智能運維等在內的現有業務的執行效率、可靠性、安全性和智能度，還將賦能以沉浸式、交互式和高度智能化為代表的大量6G 新興業務。具體而言，目前依賴提前采集和標注數據所訓練出的網絡智能化模型難以實現網絡資源的按需共享和自動適配。通過通感算融合技術能夠支撐未來復雜業務和包括通信網絡、數據和算力等在內的大量異構資源的自動智能適配與動態調整。此外，通感算融合技術也將成為大量新興業務的重要基礎性技術之一。例如，通過對包含人和物及所在環境的多模態跨域感知和實時決策可實現從物理空間到虛擬空間的無縫銜接，改善包括數字孿生、虛擬現實和全息通信等新興業務的用戶體驗。此外，針對交互式業務領域，通感算融合技術也能

141、夠實時感知和計算多方交互時各方的業務體驗與反饋信息，并在交互的同時實現自動學習及糾錯。50 6.2.1.4.技術應用 認知無線電 隨著智能穿戴設備和物聯網的普及,頻譜資源稀缺已成為無線通信網絡面臨的最重大挑戰之一。在人們不斷增加的大網絡容量和快速數據傳輸需求下,傳統的靜態頻譜分配已不再可行,而認知無線電技術變得越來越重要。認知無線電通過動態頻譜共享,可以使認知用戶利用空閑的授權頻段,進而提高頻譜利用效率并有助于解決頻譜不足問題?？仗斓匾惑w化 空天地一體化信息網絡的提出為解決頻譜和軌道等資源的限制，各系統的全球覆蓋能力有限，不同的技術體制導致網絡擴展能力差等問題提供了有效途徑，且已成為全球范圍內

142、的研宄熱點和基本趨勢。然而空天地一體化的場景中存在復雜多樣的業務，需要通過精準的感知來提高對業務的適配和網絡資源的高效利用。6.2.2.數據預處理技術 6.2.2.1.技術背景 隨著信息技術被廣泛的應用到各行各業中，數據作為一種資源被不斷的收集與處理，產生的數據量急劇增多。在海量的數據集中發現有價值的信息，數據挖掘技術則派上用場。研究人員通常將方法和模型建立在理想的數據集上，通過相關算法挖掘出有用的信息。然而實際場景中的數據質量遠遠偏離理想情況，可能存在數據集缺失數據、冗余數據、不確定數據以及不一致數據等問題。數據質量主要指的是數據的完整性、可靠性、一致性、正確性。這些低質量數據將嚴重影響數據

143、挖掘過程中抽取的模式的正確性，導出錯誤的規則，使得數據挖掘與數據分析的結論出現差錯，會給科學研究和企業帶來誤導和損失。6.2.2.2.技術需求 規范性 指的是數據符合數據標準、數據模型、業務規則、元數據或權威參考數據的程度。完整性 指的是按照數據規則要求，數據元素被賦予數值的程度。例如“互聯網+監管”主題庫中，監管對象為特種設備時，監管對象標識必須包含“企業統一社會信用代碼+產品品牌+設備編碼”，監管對象為藥品時，監管對象標識必須包含“藥品名稱+批準文號+生產批號”。準確性 指的是數據準確表示其所描述的真實實體（實際對象）真實值的程度。51 一致性 指的是數據與其它特定上下文中使用的數據無矛盾

144、的程度。6.2.2.3.技術分類 特征提取 特征值化是為了計算機更好的去理解數據?，F實世界中多數特征都不是連續變量，比如分類、文字、圖像等，為了對非連續變量做特征表述，需要對這些特征做數學化表述，因此就用到了特征提取。特征提取從初始的一組測量數據開始，并建立旨在提供信息和非冗余的派生值（特征），從而促進后續的學習和泛化步驟，并且在某些情況下帶來更好的可解釋性。特征提取與降維有關。特征的好壞對泛化能力有至關重要的影響。數據清理 特征提取從初始的一組測量數據開始，并建立旨在提供信息和非冗余的派生值（特征），從而促進后續的學習和泛化步驟，并且在某些情況下帶來更好的可解釋性。特征提取與降維有關。特征的

145、好壞對泛化能力有至關重要的影響。數據變換 通過數據變換可以幫助計計算機尋找數據之間的關聯，挖掘出更有價值的信息，常見的數據變換方法包括：標準化、歸一化、正則化和特征二值化等。6.2.2.4.技術應用 無人機激光雷達 無人機激光雷達系統在采集過程中存在各種類型的誤差及噪聲，對點云數據質量造成了較大的影響?？梢酝ㄟ^設計了一套數據處理預流程，從而實現對點云數據進行誤差校正以及去噪等處理，實現點云數據的質量提升，最終實現更高精度的分辨率。生態物聯網 物聯網觀測系統,因傳感器技術局限及環境干擾會產生異常觀測數據,影響數據使用,有效的數據預處理極為重要。6.2.3.多模態感知融合 6.2.3.1.技術背景

146、 6G 網絡中將產生各種模態的數據，模態是指事物發生或存在的方式，多模態是指兩個或者兩個以上的模態的各種形式的組合。對每一種信息的來源或者形式，都可以稱為一種模態，目前研究領域中主要是對圖像，文本，語音三種模態的處理。之所以要對模態進行融合，是因為不同模態的表現方式不一樣，看待事物的角度也會不一樣，所以存在一些交叉（信息52 冗余），互補的現象，甚至模態間可能還存在多種不同的信息交互，如果能合理的處理多模態信息，就能得到豐富特征信息。6.2.3.2.技術需求 降低模型參數 融合的階段靠后導致模型參數量巨大，這類融合方法針對單一模態設計網絡并完成訓練，利用單模態數據的預測結果與真實標簽的誤差的梯

147、度來優化模型的權重參數，最后將單模態的識別結果進行融合。這種多模態融合的方式雖然可以融合多源的決策信息，但是對于同一個任務幾乎需要多個單獨的網絡，在推理時間和內存占用率上面都會造成比較大的資源占用。適配數據異構 多模態數據通過不同的傳感器采集，在數據形式上異構。目前的融合方法主要針對單一模態的數據，并設計不同的特征提取網絡，這種方法難以考慮到多模態數據之間的相關性。多模態數據是同一時刻不同傳感器對周圍環境的記錄結果，雖然在數據上所包含的信息量不同，但是目標在多模態數據之間是相關的?，F有的研究采用獨立的特征提取模塊割裂地學習多模態數據，不能學習到多模態數據的相關性。6.2.3.3.技術分類 前端

148、融合 將多個獨立的數據集融合成一個單一的特征向量，然后輸入到機器學習分類器中。由于多模態數據的前端融合往往無法充分利用多個模態數據間的互補性，且前端融合的原始數據通常包含大量的冗余信息。因此，多模態前端融合方法常常與特征提取方法相結合以剔除冗余信息，如主成分分析、最大相關最小冗余算法、自動解碼器等。后端融合 將不同模態數據分別訓練好的分類器輸出打分(決策)進行融合。這樣做的好處是，融合模型的錯誤來自不同的分類器，而來自不同分類器的錯誤往往互不相關、互不影響，不會造成錯誤的進一步累加。常見的后端融合方式包括最大值融合、平均值融合、貝葉斯規則融合以及集成學習等。其中集成學習作為后端融合方式的典型代

149、表，被廣泛應用于通信、計算機識別、語音識別等研究領域。53 中間融合 將不同的模態數據先轉化為高維特征表達，再于模型的中間層進行融合。以神經網絡為例，中間融合首先利用神經網絡將原始數據轉化成高維 特征表達，然后獲取不同模態數據在高維空間上的共性。中間融合方法的一大優勢是可以靈活的選擇融合的位置。6.2.3.4.技術應用 自動駕駛 自動駕駛車輛在行駛過程中通過處理傳感器捕獲的數據來感知周圍的環境結構信息和目標信息，從而為系統產生決策提供關鍵的信息。通過多傳感器的優勢互補，對多個視場的傳感器數據進行處理、提取目標信息和環境信息，從而協同系統更加準確可靠地完成目標識別、目標跟蹤、場景語義分割、安全區

150、域規劃和局部路徑導航等任務。多模態融合感知可以形成全天候感知能力，具有可靠性強、多場景感知能力強、提升安全冗余等特點，已成為國內外自動駕駛領域的研究熱點課題之一 6.3.計算和存儲關鍵技術 6.3.1.技術背景 廣義上，算力指包括計算、存儲等能力在內的，所有參與系統計算過程的各部分能力之和。面向計算需求敏感的多樣化服務場景，如何高效利用、管理算力成為近年 6G 網絡技術研究的關切問題。6G 時代，算力將從外延走向內生，通過利用軟件定義網絡、網絡功能虛擬化、可編程網絡等技術，將終端計算節點、邊緣計算節點、云計算節點與廣域網、局域網在內的各類網絡資源深度融合，在集中式或分布式控制下實現協同，為客戶

151、提供靈活可調度的算力服務，支撐 6G 各種智能化服務的實現。6.3.2.技術需求 海量分布式計算 6G大量引入AI技術將使許多人們構想中的智能化服務成為現實，例如全息類應用服務、虛實結合類應用服務等，因而對算力，特別是計算量的需求，也將隨之達到前所未有的高度。過去基于云的集中式存儲計算方案由于實時性等方面的不足無法滿足該需求，呈現“算不動”的局面。然而，6G 網絡將有更多的接入設備與基礎設施，網絡中具有一定計算能力的網元都可被視為計算單元，借助云邊端融合計算技術，將計算任務分配至各計算單元協同完成，有望解決“算不動”的問題。54 海量分布式存儲 數據會伴隨著無處不在的計算任務分布在 6G 網絡

152、中，大量感知單元也會帶來更大量更豐富的數據，造成數據“存不下”問題，在這種情況下產生了分布式存儲技術需求。網絡實時計算 在許多新的 6G 應用場景構想，例如全息類應用服務（&汽車自動駕駛）等時延敏感任務中，不僅有強算力需求，還有低時延需求，即要求及時完成計算任務。在網計算技術的研究則是為了滿足這類需求，該技術賦予網絡設備算力，這種網絡內生算力可以使計算任務在傳輸的同時進行運算。6.3.3.技術分類 分布式存儲 分布式存儲，即將數據分散存儲至多臺服務器設備，亦可視為匯聚物理上分散的存儲資源構成邏輯上是一個整體的存儲單元，常通過分布式存儲管理系統實現。分布式存儲管理系統又可分為分布式文件系統（Di

153、stributed File System，DFS）和分布式數據庫系統兩類。傳統的 DFS 基本架構可分為中心控制節點架構（例如 HDFS）和完全無中心架構（例如 Ceph）兩類。然而，點對點（Peer-to-Peer）DFS 也會面臨穩定性、安全性、激勵機制等方面的挑戰，近年來出現了以星際文件系統（Inter-Planetary File System，IPFS）和 Swarm 為代表的新一代文件系統，這些 DFS 基于區塊鏈技術，具有了足夠的激勵機制和安全保障，但在可擴展性、隱私性等方面仍存在挑戰。云邊端協同計算 云邊端協同計算指由分布式終端、邊緣側節點、云端節點等計算單元靈活利用其算力，

154、協作完成網絡及業務應用中的計算任務。未來 6G 網絡中將有大量 AI 應用，對算力要求高，一方面要求計算效率，另一方面要求并行計算，可稱之為 AI 算力要求。芯片的性能決定了算力的水平，故為了在云邊端協同計算的架構下更好地支撐這些應用，完成相應的 AI 計算任務，AI 芯片包括了 GPU、FPGA 及 ASIC 等可提供 AI 算力的芯片，按 AI 任務類型可分為訓練芯片和推理芯片，其中訓練芯片強調算力，一般部署在云端，推理芯片關注包括能耗、成本在內的綜合性能，在云邊端都可部署。相較于云端 AI 芯片大都強調算力需求，邊緣 AI 芯片領域更關注更小尺寸、更低功耗的嵌入式邊緣 AI 計算技術，從

155、而支持自動駕駛、IoT 等技術場景。終端 AI 芯片則應具備處理多種任務的通用性和極低功耗特點。55 在網計算 在網計算是指使用一種特定類型的網絡硬件，如 FPGA、智能網卡和可編程 ASIC 等，將傳統上在主機軟件中執行的計算改由網絡設備執行，利用開放的可編程技術和路由器高速網內緩存實現對報文進行處理。例如，在基于 SDN 的網絡計算模型中，數據處理功能通過 P4編程實現，與流表一起部署在數據報文經過的網絡設備上，通過通用可編程交換機架構 PISA靈活解析以及匹配數據包字段的特點，將可編程交換機作為緩存內容請求識別設備，實現內容的網內緩存，減少用戶請求響應時延以及降低服務器負載。6.3.4.

156、技術應用 物聯網海量數據接入 在 6G 網絡的大連接類應用業務中，萬千物聯設備將產生大量異構數據，對于這些數據，集中分析是不現實的，借助分布式存儲技術，數據得以分布式地存儲、分析，提高智能數據分析算法的運行效率；全息視頻分發 在 6G 網絡的全息類應用業務中，全息視頻資源占據極大的存儲空間且需要高速傳輸，通過分布式存儲視頻資源，可以提供穩定高效的分布式數據源，緩解單一數據源存儲與傳輸的壓力。多媒體課堂 在 6G 多媒體全息課堂中需要在各時各地完成高質量低延遲的信息交互，此時需要無處不在的算力，可以利用云邊端協同計算協同多方異構的算力資源，及時地處理這種分布式的計算需求。自動駕駛 自動駕駛作為極

157、高可靠性與極低時延類 6G 業務，需要云邊端各個計算節點協同完成計算，精準控制各個節點計算任務處理的時間間隔，保障業務的高可靠性。遠程手術控制 6G 遠程全息手術需要實時處理計算任務，對算力也有很高的要求，需要靠近數據接收終端的邊緣計算來支持，在網計算可以利用智能網元在數據的傳輸過程中來處理部分計算任務，不改變業務原有的運行模式，使用網絡快速響應計算請求，減輕邊緣節點的計算壓力。56 6.4.智能化賦能的通信關鍵技術 6.4.1.語義通信 6.4.1.1.技術背景 6G 時代將會產生數量龐大的具有智慧決策能力的網絡與設備終端為人類用戶提供智能化、全場景、沉浸式和個性化服務。隨著腦機交互、類腦計

158、算、人工智能、語義感知與識別、通感算融合等新興技術和架構的出現，6G 網絡將具備對信息內容尤其是具有結構化信息的語義信息的感知、識別、提取、分析、理解和推理能力，即語義認知能力，從而實現網絡架構從數據驅動向語義驅動的全新范式轉變。語義認知網絡將有望成為人-人、人-機和機-機混合智聯網的重要基礎。具體而言，語義認知網絡通過充分利用人類用戶在長期學習和溝通過程中積累的語義知識和經驗庫，實現對通信內容中所包含的句法、語義、推理規則的自動建模與理解，并輔助信息的發送、傳輸、理解和解析，有望大幅度提高通信的效率和可靠性、增強用戶的體驗質量、降低延遲并突破通信協議兼容性、業務和場景的局限，最終實現服務隨心

159、所想、網絡隨需而變、資源隨愿共享的愿景9 25。6.4.1.2.技術需求 解析語義多義性 語義具有多義性，即相同的句子根據不同場景和內容可能具有不同含義。如英文單詞“Catch”在作動詞時可以有“理解”的含義，也可能是指“接住”或者“趕上”，在作名詞時則可以指“隱患和潛在問題”或者“接住的東西”等。中文字和詞的含義則需要根據不同搭配和前后文的具體形式決定，如“包袱”這個詞語可以指“布包起來的衣物包裹”，也可以比喻“精神上的負擔”。這些不同含義一般可能導致接收端用戶在語義理解上出現較大偏差，因此，需要在語義通信編碼和譯碼過程中做出適當解析，以確保接收端能夠接收正確的語義。多模態協同語義感知與識別

160、 語義可能受不同主客觀環境因素影響，如用戶情緒、性格與其他通信用戶之間社交關系等信息均可能對語義產生影響。單純依靠單個或者一類傳感器（如攝像頭）采集的圖像信息難以全面識別用戶感興趣的語義信息。因此，需要通過綜合分析和融合不同方面、種類和形態的感知數據，如綜合分析通信參與用戶之間的社交網絡信息、視覺圖像信息、性格數據等57 多模態信息數據，提取可能對語義產生影響的多方位因素綜合分析，將有望提升語義通信的識別效率和精度。環境變化的快速感知、識別和預測 語義可能隨環境變化而發生快速變化，如天氣變化或者通信參與用戶社交狀態和注意力變化等均可能導致語義信息發生變化。部分環境變化具有一定規律性和可預測性，

161、如果能夠充分利用這些性質對可能影響語義的環境因素和時變特征進行快速感知、識別和預測，并提前開展語義的預分析與模型的預訓練，將能夠進一步提高語義識別速度，同時可以在時間和空間維度上實現不同資源的優化適配與合理調度。6.4.1.3.技術分類 語義識別與感知技術 語義認知網絡將具備跨模態語義感知能力，可根據不同場景、環境和狀態下收集到的各類信息對網絡中所傳輸信息的語境、語用和語義信息等進行快速感知和識別，最終最大化接收端用戶對發送端用戶信息內涵的理解準確度。此外，網絡還將具備對通信中的不同參與者和用戶對象間的情緒、社交偏好，社會關系等個性化數據進行跨域集成和匯總分析，進一步提升語義的識別精度及效率。

162、除了對信息內容進行感知和分析外，智能內生網絡還將能夠提取無法從源信號中直接感知和識別的隱式信息，并具備提取、感知和解析高階信息和概念的能力。語義推理與解析技術 用戶之間交流的信息不僅局限于較為明確的顯性信息，還包含難以表征、識別和解析的隱性信息。語義認知網絡將通過建立可準確刻畫通信信息中各語義元素間的結構和關聯度的方法，對較復雜的語義特征進行建模、訓練、壓縮和優化，并通過學習和模仿人類大腦的知識拓展與推理機制，實現對隱形高階信息的邏輯推理與解析能力。知識共享、遷移與自演進技術 語義認知網絡將能夠通過分析不同區域和類型網絡中的通信內容和數據自動構建普適性全局知識庫和關系泛化模型庫。此外，不同知識

163、庫和模型庫之間還可建立接口，實現跨區域和類型的知識共享與模型遷移，并可針對不同群體、對象和業務構建的私有的個性化知識和模型庫。同時，所構建的知識庫和模型庫還將能夠根據人類信息和知識的演進對新興知識和模型進行自動學習、更新和演進。58 6.4.1.4.技術應用 智慧交通 信息源：車輛的速度和位置。旁路信息：根據經驗判斷每個部分的路況。智慧農業 信息源：農作物的生長情況。旁路信息：天氣信息以及農作物的使用情況等。6.4.2.意圖網絡 6.4.2.1.技術背景 最早提及與網絡意圖有關的線索可以追溯到 2015 年 2 月 12 日，時任美國開放網絡基金會北向接口工作組(ONF NBI WG)主席的

164、Daivd Lenrow，發布了一篇名為Intent：Dont Tell Me What to Do!Tell Me What You Want的標準草案，其中提出：“在所謂的意圖模式中，智能軟件(如 SDN 控制器)將決定如何把意圖轉化為針對特定基礎設施的配置手段，從而使網絡以期望的方式行事?！彪S后，ONF 在 2016 年 10 月發布了白皮書Intent NBI-Definition and Principles，這是第一份描述“基于意圖的北向接口(NBIs)”的文檔。與此同時，諸如 OpenDayLight、ONOS(Open Network Operating System)等社區及

165、機構都在從不同角度研究如何深化 IBN 應用。2016 年，美國硅谷的一批創業企業就已經打響了 IBN 概念產品化的第一槍，Gartner 在2017 年年初發布報告定義了基于意圖的網絡系統(IBNS)，并預言 IBNS 是網絡領域的“下一件大事(The next big thing)”。同樣，在 2017 年中，網絡界的各大巨頭紛紛在海外開始響應 IBN 理念，各自推出基于 IBNS 的產品和用例，并產生出類似“全智慧網絡(Intuitive Network)”，“自動駕駛網絡(Self-driving Network)”等衍生概念。6.4.2.2.技術需求 6G 網絡面向復雜多變、指標多樣

166、的應用場景，可基于意圖驅動的方式，以更高級別抽象的方式提取應用或用戶意圖，借助 AI 技術實現意圖的轉譯和驗證、自動化部署配置、網絡狀態的察覺和精準預測以及動態的配置優化和故障自愈，驅動網絡的全生命周期自動化管理，將極大地提升網絡的運維效率、降低運維成本、提高對業務變化的響應速度10?；谝鈭D網絡，客戶可以通過自然語言、文字等無障礙且快捷的方式，進行業務的申請、查看、調整和取消，帶來良好的用戶體驗；網絡維護人員可以通過意圖的方式進行業務的監控、策略的調整，減輕繁瑣重復的工作負擔。意圖網絡結合人工智能技術，利用自身網絡數59 據的先天優勢，實現用戶意圖和算網資源的精確匹配，對用戶意圖的實時校驗，

167、動態檢測細微異常，提前預測劣化趨勢，自動修復網絡異常，以及利用復雜模型快速訓練與精確推理，保障 6G 網絡按需服務。6.4.2.3.技術分類 如圖 6-2 所示，意圖網絡包括以下關鍵技術：圖 6-2：意圖網絡系統組成 意圖翻譯和配置驗證：意圖翻譯和配置驗證：意圖翻譯實現將意圖輸入的業務策略轉換為網絡規劃和設備配置。配置驗證是在數字孿生網絡仿真平臺上進行，通過模擬配置在實際網絡上的運行情況，提前發現配置中的一些異常問題，例如地址沖突，路由環路，路由不可達等。自動化配置：自動化配置：自動化配置是將意圖驗證完成后的設備配置，通過標準的配置接口自動下發到網絡基礎設施中，包括網絡功能配置，還應包括安全資

168、源、存儲資源、計算資源的配置。配置信息不僅包括滿足用戶新的意圖，還應包括自動修復模塊生成的配置。網絡狀態感知：網絡狀態感知：通過包括 Telemetry 技術在內的信息采集技術來獲取網絡基礎設施運行狀態，包括設備狀態、鏈路狀態、業務類型、流量狀態等。信息采集數據的及時性和全面性是數字孿生網絡仿真平臺是否準確、完整的關鍵。意圖保障和自動修復：意圖保障和自動修復：意圖保障是實時驗證用戶意圖在網絡基礎設施中執行的最后結果是否得到了滿足，以及通過機器學習算法預測未來一段時間內，用戶意圖能否得到滿足。自動修復是根據意圖保障以及配置驗證的結果，對意圖沖突或現網故障進行診斷分析，快速進行故障的定界和定位分析

169、，縮小故障的范圍，自動或輔助網絡管理人員進行故障修復。60 6.4.2.4.技術應用 6G 自治網絡把意圖驅動網絡作為當前網絡演進的愿景，使網絡自動、智能且持續地根據意圖調整和控制網絡基礎設施，實現網絡精確、靈活、快速響應業務需求，進而從根本上降低網絡資源管理和運維管理的復雜度，提升業務的服務體驗，推動網絡向具備智簡、敏捷、柔性的網絡方向發展，是未來網絡的發展趨勢。6.4.3.可編程網絡技術 6.4.3.1.技術背景 為滿足 6G 時代業務需求多樣且動態變化的特點，網絡需要支持靈活和可擴展來滿足業務的動態變化需求，因此 6G 網絡需要具備在統一架構下按需部署網絡功能或服務的能力，以及動態編排和

170、按需資源調度的能力。通過在未來通信網絡引入可編程思想，對傳統網絡架構進行改進，6G 網絡中的網元將支持控制面和數據面的可編程能力，構建靈活的可編程網絡。通過提升 6G 網絡的軟件化程度和可編程能力，可以實現網絡的靈活可控制、融合可演進、以及彈性可定制的特性，從而在更短的時間內實現網絡功能的開發和部署，實現全網的智能動態調優。6.4.3.2.技術需求 通過可編程網絡技術助力 6G 網絡的全面開放性：6G 網絡將是支持全方位開放、異構網絡融合、多維度可擴展的網絡?？删幊叹W絡的引入促進 6G 網絡具備更全面的開放性，不但對技術、服務、應用開放，還包括對全球網絡用戶、網絡運營商、服務提供者等全方位開放

171、。通過可編程網絡技術助力 6G 網絡的差異化服務：可編程網絡的引入為提供差異化的協議功能設計，優化協議功能分布和接口平滑升級服務成為可能，體現為對用戶個性化服務定制需求的適應性上，為用戶提供更廣闊的服務范圍、更豐富的服務類型以及更靈活的服務形式。通過可編程網絡技術助力 6G 網絡的可擴展性：6G 網絡需要支持不同代際的網絡體系在多個維度上的可擴展性。網絡的可編程技術從網絡規模上保證在容量、協議、算法、命名、編址等方面的可擴展性，在網絡功能上保證傳輸、控制、管理、安全等方面的可擴展性，在網絡性能上保證在各種差異環境中系統具有優雅的升、降級特性。6.4.3.3.技術分類 在傳統的路由器和交換機中，

172、數據面和控制面是緊密耦合的，而這種耦合使得各種網絡管理任務都極具挑戰性。為了應對這種挑戰，各種分離數據面和控制面的研究開始出現。較為突出的創新技術：1.控制面和數據面之間的開放接口：如 IETF(互聯網工程任務組)標準61 化的 ForCES 接口(轉發和控制元素分離)、Netlink 接口(Linux 內核級包轉發功能)；2.在邏輯上對網絡進行集中控制：如路由控制平臺(RCP)、軟路由架構、路徑計算原件(PCE)協議。隨著兩大創新技術誕生,控制面和數據面分離成為后續幾乎所有開放可編程網絡的基本體系結構?？删幊碳夹g是智能內生網絡的重要實現手段：通過可編程技術對智能化要素進行按需配置、靈活組裝、

173、分布式部署和高效計算，是實現網絡內生、高效能分布式智能計算的重要手段。通過智能網卡卸載技術，可編程交換芯片技術和 DPU 技術在 6G 用戶面的引入，使得 6G用戶面在滿足高帶寬、低時延轉發的基礎上，進一步支持與控制面中央控制節點的聯動，實現在網動態用戶面編程和功能升級。同時，智能化技術是可編程網絡的助力劑：可編程網絡中的定制化適配、差異化協議實現、動態優化調度等，都需要智能化技術的加持。6.4.3.4.技術應用 可編程網絡對運營商的影響包括創造所需的效率和靈活性，根據客戶/合作伙伴的需要實時擴展容量和能力；提高 ICT 價值鏈和新興平臺經濟的相關性；開發新的商業模式，擴展現有業務并尋求新的商

174、業機會?；诳删幊叹W絡技術可以提供更廣泛的服務和更好的網絡性能，使得網絡可以更好地滿足消費者的期望。智慧城市和智能工廠等新興領域將受益于更豐富的通信服務，營地不同物聯網設備的需求?？删幊叹W絡可以提供更多的服務定制和更快的響應速度。6.4.4.智能化組網技術 6.4.4.1.技術背景 6G 從網絡架構層面原生支持智能化組網技術，TMForum 將自動駕駛網絡分為 6 個級別：“L0 人工運營維護、L1 輔助運營維護、L2 部分自動駕駛網絡、L3 有條件自動駕駛網絡、L4高級自動駕駛網絡、L5 完全自動駕駛網絡”六個級別，6G 內生智能架構目標是從架構層原生支持 L4 或 L5，實現高級或完全的自

175、動駕駛網絡，包括在復雜的跨多網絡領域環境下的分析和決策，系統面向業務和客戶體驗，實現預測式或主動式的封閉自治，以及具備跨多業務、多領域、全生命周期的全場景封閉自治能力。6.4.4.2.技術分類 網絡和專家知識數字化 網絡數字化是實現網絡自動化執行能力的基本前提，為網絡狀態感知、分析，以及 AI訓練與推理活動提供網絡數據，包括網絡的資源、業務數據，也包括運行狀態、故障、日志等動態實時數據。62 專家知識數字化，運營商和網絡設備提供商在多年的網絡運維過程中，積累了大量管理規則、排障方法等專家知識和經驗，以多種形態散布在設備運維手冊、網絡運維規范等不同的智力資產中。在網絡自動化閉環過程中，需要將這些

176、分散的、供人理解的知識注入到計算機中，形成集中的、供計算機理解與使用的知識庫。當前，通過知識圖譜等方法和技術應用到電信網絡中，在網絡故障智能識別和閉環處理等場景中應用和推廣，已取得較好成果。網元智能化 組網和設備自身全面做減法，覆蓋設備形態、部署、協議、架構等層面，實現設備簡化、彈性部署、協議歸一和精簡等。網元內置 AI 算子和 AI 推理單元支持 AI 推理能力，網元越來越聰明，單個設備也能具備一定的智能自主感知與決策與閉環能力。分層自治和跨越協同 網絡業務場景和組合越來越復雜，多廠家、多技術、多軟硬件版本共存，網絡架構的復雜性與分散性，大大增加了網絡運維的復雜度，如圖 6-3 所示，必須分

177、而治之，劃分多個自治域，單個自治域可自主完成數據采集、分析、控制、優化的完整閉環過程。圖 6-3：分層自治和跨越協同 6.5.機器學習關鍵技術 6.5.1.技術背景 人工智能技術的再次崛起和發展，為應對6G網絡面臨的復雜挑戰提供了有效助力，在網絡中引入人工智能將是必然的選擇。一方面，6G 網絡具有海量數據，且云計算中心、邊緣設備和用戶終端的計算能力進一步增強，為訓練人工智能算法提供了數據和算力支撐；另一方面，借助人工智能在語音處理、圖像識別、高效決策等方面日臻成熟的技術，可以63 擴展網絡業務種類，提升網絡表現性能，支持網絡智能化管理，加速實現6G 愿景。然而，6G通信網絡智能內生的需求將呈現

178、個性化、多樣化和海量化的發展趨勢，使用現有基于視覺和語言處理的AI/ML技術對未來網絡進行補丁式優化將難以滿足未來網絡智能業務和應用的諸多要求。6.5.2.技術需求 可解釋性 可解釋性是指 AI/ML 技術能夠在多大程度上與人類得出一致的預測結果。AI/ML 模型常常被看作黑盒子，嚴重阻礙了 AI/ML 技術在網絡智能內生中的應用。自適應性 自適應性要求 AI/ML 技術能夠適應外部環境變化，實現網絡策略動態調整的方法，安全與隱私 安全與隱私要求 AI/ML 技術威脅系統的安全，不泄露用戶的隱私，不給網絡引入額外的安全隱私風險。綠色高能效 AI/ML 技術融入網絡內生智能的同時會引入額外的能量

179、消耗，相關技術在考慮系統通信性能的同時應該充分考慮降低系統能耗。6.5.3.技術分類 可解釋性 AI/ML 技術 AI/ML 技術在網絡智能中取得了巨大的成功，但是數據科學中通常傾向于關注模型指標，如準確率、精確度和回召率等，這并不足以使得這些技術應用于實際中11。在上述模型指標之外，AI/ML 模型的可解釋性也是一個重要的方面。尤其是在一些安全敏感的任務中，用戶需要全面掌握模型的工作機制。由于人類無法推算出所有在計算上或邏輯上可行但是實際中不符合人類認知的輸出，此時 AI/ML 模型的可解釋性就顯得至關重要。AI/ML 模型的可解釋性可以更好地幫助人類理解輸出的結果12，并尋找各種因素之間的

180、相關性?？山忉屝钥梢苑譃槭虑翱山忉屝院褪潞罂山忉屝?3。事前可解釋性是通過限制模型的復雜度，訓練結構簡單、可解釋性好的模型來完成的。事后可解釋性指的是通過可解釋性技術解釋已訓練好的 AI/ML 模型。64 自適應技術 網絡環境中存在各種動態因素，例如用戶的移動性、物理環境和資源的時空動態變化等，給智能內生帶來了巨大的挑戰，但是目前的研究并沒有給出完整的自適應學習框架14。強化學習是實現自適應學習的主要技術。在強化學習中，智能體通過選擇行動、觀察環境的狀態以及獲得回報，從而得到最優策略，具備在不確定的環境狀態下進行決策優化的能力。自學習技術 自學習（AutoML）是指網絡可以在一定程度上對模型的

181、結構和模型參數進行自動優化，減少人工干預。根據“沒有免費的晚餐”定理，目前還沒有 AI/ML 技術能夠在所有的學習問題中都取得良好的性能表現，因而 AI/ML 技術的生命周期中許多過程都需要大量的人工參與，例如模型選擇、算法選擇等15。目前自學習主要可以被應用于超參數優化16、特征工程17 以及神經網絡結構搜索18。資源融合適配技術 傳統AI/ML技術通常會對網絡中的計算、傳輸帶寬、存儲和數據等資源產生較大的依賴。因而在網絡智慧內生的研究中，應該注重研究能夠高效適配網絡中資源的AI/ML技術。以高效適配數據資源為例，傳統AI/ML技術為保證取得具有良好的準確性和高可靠性，需要滿足“擁有足夠數量

182、的訓練樣本”的基本假設19。而在通信網絡中獲得充足的有效訓練樣本是十分困難的。首先，隨著時間和空間的變化原來的有效訓練數據可能會變得不可用。另外，有標簽的高質量數據往往很難獲得，費時費力而且容易引入人類主觀因素導致的錯誤。因此AI/ML技術高效使用網絡中的數據資源對于智能內生十分關鍵，目前高效適配數據資源的主流AI/ML技術包括遷移學習和元學習等。安全與隱私保護技術 AI/ML技術給網絡帶來內生智能的同時也引入了諸多安全與隱私問題，大多數AI/ML技術在設計的時候是沒有考慮攻擊者存在的。AI/ML技術生命周期的各個階段都會面臨不同程度的安全風險，導致模型無法正常工作或者泄露隱私信息。AI/ML

183、技術的安全需求主要有三個方面：機密性、完整性和可用性20。機密性要求AI/ML技術必須保證在未經用戶授權的情況下無法獲取私密信息，例如訓練數據，模型參數等；完整性要求模型結果不能偏離預期；可用性要求AI/ML系統在面臨異常輸入或惡意輸入時仍然具備一定的魯棒性。65 遷移學習技術 遷移學習是一種機器學習方法，其通過從已學習的相關任務中轉移知識來改進學習的新任務。傳統機器學習試圖單獨學習每一個學習任務，即生成多個學習系統，而遷移學習試圖將在前幾個任務上學到的知識轉移到目前的學習任務上，如圖6-4所示。遷移學習需要運用已有的知識來學習新的知識，核心是找到已有知識和新知識之間的相似性。圖 6-4：遷移

184、學習框架 遷移學習按照學習方式可以分為：（1）基于樣本的遷移：通過對源域中有標記樣本加權利用完成知識遷移，例如相似的樣本就給高的權重；（2）基于特征的遷移：通過將源域和目標域特征變換到相同的空間，并最小化源域和目標域的距離來完成知識遷移；（3）基于模型的遷移：是從源域和目標域中找到他們之間共享的參數信息,以實現遷移的方法。這種遷移方式要求源域中的數據與目標域中的數據可以共享一些模型的參數；（4）基于關系的遷移學習方法：通過在源域中學習概念之間的關系，然后將其類比到目標域中，完成知識的遷移。遷移學習按照遷移情景又可以分為：（1）歸納式遷移：源域、目標域學習任務不同但相關；（2）直推式遷移：源域、

185、目標域不同但相關，學習任務相同；（3）無監督遷移：源域、目標域及任務均不同但相關，均沒有標簽。分布式 AL/ML 技術 隨著在智慧城市框架下智慧交通、智慧工業和智慧醫療等各類應用場景的普及，大量的 IoT 設備將融入網絡，進而產生更為龐大的數據量，為依賴于數據的機器學習技術提供了優渥的土壤。另一方面，隨著各類智慧場景的多樣化和普及化，用于滿足各類任務的機器學習模型日趨復雜，模型參數也隨之與日俱增。傳統的集中式機器學習技術需要將分散在廣大地理范圍內的數據集中到中央云端。由于其龐大的通信開銷和受限的數據存儲及計源任務目標任務知識遷移學習系統66 算能力，集中式機器學習技術將難以滿足未來人們日益增長

186、的需求。為此，能夠將訓練任務分配給多臺計算設備的分部式機器學習技術應運而生。一般的分布式機器學習技術匯集了多個計算設備的存儲和計算能力，采用并行計算的方式大幅度提高模型訓練速度。然而，它未能很好地解決實際運用中的系統異構性和數據異構性問題。系統異構性指的是終端設備在計算資源、通信資源和存儲能力上的差異，數據異構性指的是所有參與訓練的用戶所攜帶的數據集的非獨立同分布（non-IID）特性。除此之外，一般的分布式機器學習需要用戶上傳本地的原始數據參與全局訓練，這使得這種技術存在泄露用戶隱私的隱患。為了解決上述問題，聯邦學習作為一種特殊的分布式機器學習新范式開始受到人們的廣泛關注。聯邦學習不要求用戶

187、將原始數據上傳至中央云端進行模型訓練，取而代之的是只需上傳本地訓練的模型參數。它不僅可以開發利用網絡邊緣的存儲和計算能力，還大幅度減小了需要通信的數據量，除此之外，用戶的原始數據不需要離開本地，一定程度上降低了隱私泄露的風險。另一方面，參與聯邦學習的用戶所攜帶的數據天然具有非獨立同分布的特性，且部分用戶所攜帶的數據量較小，難以獨立訓練出效果好且泛化能力強的 AI 模型。聯邦學習有潛力解決數據非獨立同分布的問題，并訓練出更接近數據真實概率分布的 AI 模型；與此同時，數據量較小的用戶還有機會借助其他用戶的訓練成果優化本地的模型，從而得到一個更具泛化能力的全局模型。根據數據分割方式的不同，聯邦學習

188、可以分為水平聯邦學習，垂直聯邦學習和混合聯邦學習21。水平聯邦學習指參與聯邦的用戶共享相同的特征，而各自擁有的樣本有所差異；垂直聯邦學習指參與聯邦的用戶共享相同的樣本，而各自擁有的特征有所差異；混合聯邦學習指參與聯邦的用戶在各自的樣本以及特征上均有所差異。不同類型的聯邦學習采用不同的模型聚合方式，訓練過程中所需通信的信息種類也不盡相同。發展能夠適應不同數據分割類型并靈活應對多模態和多任務的機器學習場景的智能化聯邦學習技術，對實現 6G 智能內生的網絡框架有著十分重大的現實意義。6G 智能內生網絡框架下的分布式機器學習技術應從下面幾個方面出發，以滿足人們對智能化服務日益增長的需求：云邊共存 能夠

189、利用網絡邊緣服務器的存儲和計算能力訓練局部的 AI 模型，大幅度降低終端用戶與部署在遠程中央云端的通信開銷。再通過中央云端協同各個邊緣節點，合作訓練出覆蓋更多用戶，更具泛化能力的 AI 模型。67 隱私與安全保障 能夠確保在合作訓練的過程當中用戶的私密數據不會被主動泄露，也不會被具有惡意的用戶或者實體進行反向推理或者惡意攻擊（包含數據投毒等各類攻擊手段）?；旌闲秃献饔柧?能夠識別和適應用戶攜帶的數據集的不同特點，自動適配相應的模型和算法用以應對用戶在樣本空間和特征空間的不同數據分割類型，合作訓練出一個具有更高精度的 AI 模型。公平與個性化兼備 能夠避免模型的預測結果對特定用戶群體有所偏見，平

190、衡模型對各類型用戶（攜帶數據量大小或計算能力強弱）的訓練和預測表現，提供具備較強泛化能力的 AI 模型；與此同時，還能提供個性化 AI 模型，用以滿足不同用戶對于任務偏好、隱私等級、時延程度等指標的差異化需求。6.5.4.技術應用 無線信道建模 傳統的信道建模方法需要根據大量實測數據統計信道特征，利用電磁波傳播理論分析無線傳播模型，具有場景局限性，復雜度較高。將大尺度衰落和小尺度衰落抽象為機器學習算法易于處理的分類和回歸問題，可有效減少傳統方法處理復雜無線信道數據的步驟。網絡資源管理 在多維資源聯合優化方面，時間尺度優化方法可解決整個系統待分配的資源時間尺度不一致問題?；诙嘀悄荏w強化學習制定

191、資源管理策略，可以有效應對優化問題無閉式解、離散變量和高維度的挑戰。6.6.安全可信關鍵技術 6.6.1.技術背景 隨著6G智能內生網絡進一步朝著資源邊緣化和網絡分布式演進，計算和智能下沉帶來的數據和通信的安全可信成為新的問題。6.6.2.技術需求 6G智能內生網絡的安全可信應具備以下兩個需求：68 安全泛在 智能內生的 6G 網絡中，機器學習和大數據分析技術在安全方面將得到廣泛和深度的應用。在 AI 技術的賦能下，6G 智能內生網絡能夠建立端、邊、網、云智能主體間的泛在交互和協同機制，準確感知網絡安全態勢并預測潛在風險，進而通過智能共識決策機制完成自主優化演進，實現主動縱深安全防御和安全風險

192、自動處置?？尚旁鰪?信任是實現 6G 智能內生網絡安全的基礎，與傳統的信任體系相比，6G 智能內生網絡中的信任機制在多個方面需得到增強。在數據共享方面，區塊鏈技術具有較強的防篡改能力和恢復能力，能夠幫助 6G 智能內生網絡構建安全可信的通信環境。在密碼學方面，量子密鑰等增強的密碼技術，為 6G 智能內生網絡安全提供了更強大的安全保證。在隱私保護方面，隱私計算可以為 6G 智能內生網絡提供一個時間上持續、場景上普適、隱私信息模態上通用的體系化隱私解決方案，實現對隱私信息的全生命周期保護。6.6.3.技術分類 區塊鏈技術 區塊鏈是一種由多方共同維護，使用密碼學保證傳輸和訪問安全，能夠實現數據一致存

193、儲、難以篡改、防止抵賴的記賬技術，也稱為分布式賬本技術22。典型的區塊鏈以塊-鏈結構存儲數據，是一種在不可信的競爭環境中低成本建立信任的新型計算范式和協作模式。區塊鏈系統中，各參與方按照事先約定的規則共同存儲信息并達成共識。為了防止共識信息被篡改，系統以區塊為單位存儲數據，區塊之間按照時間順序、結合哈希算法構成鏈式數據結構，通過共識機制選出記錄節點，由該節點決定最新區塊的數據，其他節點共同參與最新區塊數據的驗證、存儲和維護，數據一經確認，就難以刪除和更改，只能進行授權查詢操作。量子密鑰分發技術 量子通信作為量子信息科學的重要分支，是利用量子態作為信息載體來進行信息交互的通信技術。量子密鑰分發是

194、量子通信的典型應用形式，可以在空間分離的用戶之間以信息理論安全的方式共享密鑰，可用來實現信息的安全傳輸。與經典密碼體制不同，量子密鑰分發的安全性基于量子力學的基本原理，其使用量子態來編碼信息，通過對量子態的制備、傳輸和檢測來達到安全分發隨機數即密鑰的目的。即便竊聽者控制了通道線路，只要竊聽者沒有掌握能攻入合法用戶設備內部的側信道，量子密鑰分發技術就能讓空間分69 離的用戶共享安全的密鑰。量子密鑰分發的這種安全性，與計算復雜度無關，因此不論對手擁有多大的計算能力，其安全性都不會受到影響。隱私保護技術 隱私計算是一類在處理和分析計算數據的過程中能保持數據不透明、不泄露、無法被計算方法以及其他非授權

195、方獲取的技術方案。隱私計算的目標是在完成計算任務的基礎上，實現數據計算過程和數據計算結果的隱私保護。數據計算過程的隱私保護指參與方在整個計算過程中難以得到除計算結果以外的額外信息，數據計算結果的隱私保護指參與方難以基于計算結果逆推原始輸入數據和隱私信息。與傳統數據使用方式相比，隱私計算的加密機制能夠增強對于數據的保護，降低數據泄露風險，并在保證原始數據安全和隱私性的同時，完成對數據的計算和分析任務。6.6.4.技術應用 區塊鏈技術 區塊鏈以其特有的哈希鏈式基本架構和顯著特征，賦予 6G 智能內生網絡安全新的內涵。區塊鏈的技術特征，為 6G 安全可信管理，構建信任聯盟提供了新的技術支撐?；趨^塊

196、鏈的多方運營協作、多方資源共享和聯合用戶管理等創新業務模式，將更好地匹配 6G 智能內生網絡去中心化、業務邊緣化、用戶個性化通信的特點。將區塊鏈與身份認證結合，可實現身份自主管控、不可篡改、有限匿名等，解決 6G 智能內生網絡多方信任管理、跨域信任傳遞、海量用戶管理等難題。量子密鑰分發技術 量子密鑰分發技術可以用于增強 6G 智能內生網絡的安全性。量子密鑰分發可以應用于通信協議的不同層，如圖 6-5 所示，例如量子密鑰分發可以與數據鏈路層的 PPP 協議和MACsec 協議結合使用，也可與網絡層的 IPSec 協議結合使用，還可以與傳輸層的 TLS、SSL 等協議進行集成使用以增強現有協議的安

197、全性；此外，利用量子密鑰分發可以為 6G 智能內生網絡中的通信兩端提供對稱共享密鑰，既可以用于進行用戶的身份認證或鑒權，也可以用于實現業務載荷的加密傳輸；在 6G 智能內生網絡不同的數據中心之間進行數據備份等業務時，數據中心間的鏈路加密機可通過量子密鑰分發按需更換密鑰，用于保障數據中心之間數據傳輸的安全性。70 圖6-5：基于量子秘鑰分發的6G智能內生網絡安全示意圖 隱私保護技術 6G 智能內生網絡將實現真正的萬物互聯，實現包括陸?？仗煸趦鹊娜驘o縫覆蓋，同時 6G 智能內生網絡使得數字世界與物理世界深度融合，社會管理、經濟生產、人類生活將愈發依賴可靠的網絡運行。這將導致大量涉及社會管理、經濟

198、運行的重要數據和個人隱私信息將通過網絡傳輸存儲。隱私計算作為信息安全的核心技術之一，可以為 6G 智能內生網絡提供一個時間上持續、場景上普適、隱私信息模態上通用的體系化隱私解決方案，實現對隱私信息的全生命周期保護。6.7.融合關鍵技術 6.7.1.數字孿生 6.7.1.1.技術背景 未來 6G 網絡需要面向網絡全要素、全生命周期、全功能層級，提供系統化、智能化的智能化網絡管理服務，實現與垂直行業的融合發展。6.7.1.2.技術需求 數字孿生通過對物理系統的智能感知，全面實時連接，構建實時完整映射的數字孿生體，在數字層面實現機理與數據融合驅動建模、智能決策、自主智能控制等，并閉環反作用于物理系統

199、，驅動物理世界的多要素高效協同與智能聯動。數字孿生的核心思想是預測控制的“牛頓定律”，即在給定當前系統狀態與控制的條件下,可以通過解析的方式求解下一時刻狀態,從而精確預測其行為的系統為“牛頓系統”。應用層傳輸層網絡層數據鏈路層物理層應用層傳輸層網絡層數據鏈路層物理層收端6G智能內生網絡量子秘鑰分發系統量子秘鑰分發系統發端量子信道71 因此，數字孿生是物理對象與模型雙向驅動，物理對象傳感提供實時運行數據調整數學模型，數學模型可充分利用實時數據，進行網絡優化控制、預測輸出、對未出現問題的提前發現處理，用神經網絡模型構建數字孿生驅動模型，可以通過知識、經驗補充數據不足，也可以通過加強對網絡的感知，利

200、用遷移學習等技術，解決數據不足問題。6.7.1.3.技術分類 基于數字孿生技術可以實現智能網絡規劃優化、故障分析、診斷、預測等?；跀底謱\生的網絡智能內生技術，可以實現網絡全要素的數字化表達，建立跨系統的互操作性，提高數字化資源復用性和可擴展性，支撐網絡智能內生的實現。6.7.1.4.技術應用 以網絡故障診斷為例，如圖 6-6 所示。比如原始的故障診斷是基于數據的故障診斷，其中主要運用的是深度神經網絡（DNN），需要訓練數據和測試數據遵循相同的分布、全面和平衡的數據集，但隨著分布變化以及故障數據并不充分足夠，DNN 性能會降低。為了解決這個問題，可以利用數字孿生和深度遷移學習相結合的故障診斷方

201、法。首先使用一種無監督的深度學習方法，在沒有先驗知識的情況下，從大量的未標記的模擬數據中提取具有代表性的特征，在此階段，根據設計方案在虛擬孿生空間中建立高保真動態虛擬模型，對物理實體進行映射。然后，利用轉移學習特點，從一個或多個源域提取知識，以便在相關但不同的目標域中使用，將在虛擬空間中訓練的深層學習模型轉移到物理空間中，它利用共享知識，避免遺忘，更好的特征提取性能，而不是直接用目標數據訓練模型，深度遷移學習可以將虛擬空間中的仿真數據中的故障信息傳遞給物理空間。這樣大量的數據集被用來預先訓練一個原始的診斷模型，然后使用少量的數據來微調模型。數字孿生網絡完全符合其相應的物理實體，可以產生大量的故

202、障數據，而不會造成網絡損壞。圖6-6：基于數字孿生的網絡運維管理系統示意圖 72 6.7.2.知識圖譜 6.7.2.1.技術背景 知識圖譜就是通過不同知識的關聯性形成一個網狀的知識結構，是實現認知智能的關鍵技術，是實現機器認知智能的使能器23。6.7.2.2.技術需求 知識圖譜豐富了節點和邊的語義信息，反映實體及實體間的關系，把不同的信息連接在一起而得到的一個語義關系網絡。知識圖譜作為一種語義網絡，是大數據時代知識表示的重要方式之一，知識圖譜作為一種技術體系，是大數據時代知識工程的代表性進展。傳統知識工程，專家構建，代價高昂，規模有限；知識圖譜包括垂直領域知識圖譜和開放領域知識圖譜，垂直領域的

203、知識圖譜是面向特定的領域和行業，比如醫療知識圖譜、工業知識圖譜等，數據來源是特定的行業語料，強調知識的深度，而不是廣度；開放領域知識圖譜的構建知識來源廣泛，強調知識的廣度，對深度要求不高。知識邊界易于突破，難以適應大數據時代開放應用到規?；枨?。大規模開放應用需要基于大數據和知識形成大規模知識庫。6.7.2.3.技術分類 知識圖譜富含實體、概念、屬性、關系等信息，使得機器理解與解釋成為可能。對機器來說就是圖譜，形成知識圖譜的過程本質是在建立認知，理解世界，理解應用的行業或者說領域。機器理解數據的本質就是建立從數據到知識庫中實體、概念、關系的映射，而機器解釋現象的本質就是利用知識庫中實體、概念、

204、關系解釋現象的過程。這一過程體現了基于知識圖譜的認知智能。機器語言理解需要背景知識，知識圖譜使能機器語義認知，解釋取決于人類認知的基本框架，概念、屬性、關系是認知的基石，知識圖譜使能可解釋人工智能?！皵祿寗印崩媒y計模式解決問題，單純依賴統計模式難以有效解決很多實際問題，并且無法有效的利用已有的先驗知識，造成了數據資源的浪費，而知識引導將成為解決問題的主要方式?；跀祿椭R混合的機器智能，知識將顯著增強機器學習能力，降低機器學習模型的大樣本依賴，提高學習的經濟性，提高機器學習模型對于先驗知識的利用效率，增強機器學習模型與先驗知識的一致性。73 6.7.2.4.技術應用 構建一個完整的知識圖

205、譜一般會經歷以下步驟：1、收集數據，確認擁有什么可使用的數據，去收集，然后對數據做最基本的處理；2、知識定義，結合所擁有的數據以及知識圖譜的用途，定義知識模式，定義實體類型和實體之間的關系；3、知識獲取，前面收集的數據只是一些零散的信息，距離成為可以使用的知識還很遠，所以需要使用命名實識別、關系抽取、屬性抽取等技術去獲取知識；4、知識融合，由于知識的來源可能多種多樣，當獲取了知識之后，有必要將知識做融合；5、知識存儲，當有了知識后，需要將其存儲，存儲的目的是方便對知識的查詢和推理應用，目前流行的是使用圖數據庫 neo4j 來存儲；6、知識賦能應用，有了知識圖譜就可以利用其去支持一些應用，一些常

206、見的應用如智能問答、輔助決策、金融風控等。隨著網絡規模持續擴大，復雜且異構的網絡環境給智能網絡規劃、優化、自動化的智能運維管理帶來了嚴峻的挑戰。知識圖譜能夠將海量的信息、數據以及鏈接關系聚集為知識，使信息資源更易于計算、理解以及評價，從而形成一套 Web 語義知識庫，為海量、異構、動態的大數據表達、組織、管理以及利用提供了一種更為有效的方式，使網絡的智能化水平更高，更加接近于人類的認知思維。6.7.3.通感算融合 6.7.3.1.技術背景 以智慧城市、智慧交通、智能家居為代表的 6G 典型應用場景中存在著大量能力高度差異化的智能自動化設備，對極低時延、極高可靠性、超大帶寬、海量接入等方面的通信

207、需求越發嚴苛，智能自動化類型的應用對感知能力也提出了高精度、高分辨率等要求。一方面，數目激增的無線通信、感知設備使得業務需求的無止境增長與無線資源和算力有限的矛盾愈發突出；另一方面，6G 愿景的實現需要借助對環境感知信息的獲取、信息交互與共享、智能信息處理、到控制信息（包括對通信網絡的控制信息及應用執行設備的控制指令）逐層分發的閉環信息流處理?，F有無線網絡架構和相關技術已經難以滿足 6G 時代不斷涌現的應用需求，亟待研發資源高效利用、差異化應用智能適配的新型網絡架構和使能技術24。6.7.3.2.技術需求 6G 將打破終端信息采集、網絡信息傳遞、云端信息計算的煙囪式信息處理與服務框架，構建可實

208、現實時數據采集與預處理、快速信息分析、決策及計算協同的全新網絡框架。具體而言，6G 智能網絡將是通信網絡、感知網絡和算力網絡的融合體，即通過將數據74 通信、多模態信息感知、信息處理與分布式計算等技術實現深度融合，實現通感算資源，功能服務和數據之間的有效組織和聯動。6.7.3.3.技術分類 6G 智能內生網絡將在三個層次，即資源層、功能層與業務層，實現通感算深度融合。(1)資源層 資源層即包括天線、頻譜和網絡基礎設施等傳統資源，也包括數據、算力、算法、AI模型等新興資源。其中，數據作為一種新興資源被普遍認為是目前大量機器學習模型訓練和算法構建的重要基礎。與頻譜和網絡基礎設施等傳統資源不同，數據

209、資源與用戶隱私密切相關，這對基于用戶和網絡感知數據的通感算融合技術帶來巨大挑戰。具體而言，按照隱私需求，數據資源可大致分為下述三類：（1）公開數據，如去除了用戶信息的各種宏觀大數據、（2）有限/局部共享數據，如網絡運維所需的網絡狀態和業務數據等，和（3）私有數據，如單個用戶的行為及偏好數據等。對公開數據而言，雖然其具有易共享并可直接與大量計算與協同決策算法相結合實現自適配模型訓練與優化決策，但由于公開數據一般要求隱去用戶地理位置和使用時間等敏感信息，因此導致適用場景和業務類型具有較大的局限性。相比而言，私有數據一般能夠為用戶提供具有個性化和更加精準的網絡資源與業務適配，但是一般而言私有數據較難

210、獲得。如何打通數據需求和隱私保護間的鴻溝，在不侵犯用戶隱私的前提下實現數據與計算模型及決策的最優適配是實現通感算融合的重要前提之一。除此之外，傳統通信網絡以傳輸用戶業務數據為主，因此，通信網絡設計與優化所追求大帶寬均已最大化用戶業務數據傳輸可使用的帶寬為基礎。隨著大量人工智能算法對數據傳輸和協同的需求量不斷提高，未來網絡將需要承載大量機器學習所需的訓練數據和分布式計算所需的協同數據，從而可能導致網絡帶寬不斷增大的同時，用戶業務傳輸可使用的通信帶寬不增反減的情況出現。如何在用戶業務傳輸數據及智能算法訓練和計算協同數據間取得平衡將是 6G 智能內生網絡的重要挑戰之一。通感算三者之間對資源需求之間的

211、相互矛盾將可能成為 6G 網絡智能化發展的重要阻礙之一。因此，亟需設計和開發可在滿足 6G 網絡對用戶業務通信帶寬、時延和連接數等需求的同時，提升網絡的智能化程度并降低網絡運維和部署成本的全新方法與技術。具體而言，我們不僅要設計可融合數據感知、傳輸、運算、存儲等環節的全新架構，還需要實現AI/ML 方法與數據、算力、帶寬、業務場景和需求等的一體化整合。通過建立包括多模態75 感知、聯邦學習、自動機器學習和并行計算與分布式協同技術等在內的新興技術，實現通感算的深入融合。(2)功能層 功能層包括通感算協同控制、跨資源調度、多網絡互操作及動態決策等功能實體。在現有網絡中通信功能、感知功能和計算及存儲

212、模塊相對獨立且有不同的運營商和服務供應商提供。6G 網絡將可能存在多個不同的設備商、運營商、資源供應商和內容提供商共存的場景。通信網絡基礎設施、計算能力、存儲能力、算法與海量業務數據功能模塊分離且由不同的網絡和供應商部署和運維將導致網絡智能決策效率低、效果差且所支持業務和功能受限。因此，亟需設計可實現通信功能、感知與數據采集功能及計算與機器學習功能統一調度與協同的接口與方法。具體而言，通過將在不同區域和時間的多模態感知數據實時傳輸并融合到控制與決策功能模塊，可實現網絡運維的自動適配、降低管理和運維延遲并提升網絡智能算法和模型決策效率并改善精度。同樣的，通過將通信功能模塊與感知和計算功能模塊深度

213、融合可實現感知信息按需傳送。最后，通過設計可根據感知和通信功能實時適配的分布式并行計算功能模塊，并結合分布式計算與聯邦學習架構，可實現跨區域、跨業務特征與跨數據的網絡智能化解決方案，實現高可靠、低延遲和高資源利用率的全局決策優化。(3)業務層 通感算融合技術不光能顯著提升包括網絡資源調度和智能運維等在內的現有業務的執行效率、可靠性、安全性和智能度，還將將賦能以沉浸式、交互式和高度智能化為代表的大量 6G 新興業務。具體而言，目前依賴提前采集和標注數據所訓練出的網絡智能化模型難以實現網絡資源的按需共享和自動適配。通過通感算融合技術能夠支撐未來復雜業務和包括通信網絡、數據和算力等在內的大量異構資源

214、的自動智能適配與動態調整。此外，通感算融合技術也將成為大量新興業務的重要基礎性技術之一。例如，通過對包含人和物及所在環境的多模態跨域感知和實時決策可實現從物理空間到虛擬空間的無縫銜接，改善包括數字孿生、虛擬現實和全息通信等新興業務的用戶體驗。此外，針對交互式業務領域，通感算融合技術也能夠實時感知和計算多方交互時各方的業務體驗與反饋信息，并在交互的同時實現自動學習及糾錯。76 6.7.3.4.技術應用 通感算融合的 6G 網絡通過多維感知、協作通信、智能計算的深度融合，將在智能家居、智能工廠、智能辦公、醫療健康、智慧交通、無人機網絡、空天地一體化網絡、環境監測、文化計算、元宇宙等領域得到廣泛應用

215、。7.Use Case 在架構中的應用 為說明內生 AI 服務在網絡架構中的流轉過程，本節基于圖 6-1 定義的 6G 智能內生網絡體系架構對網絡內部和外部用戶使用 AI 服務應用場景的實施過程進行推演。7.1.請求 AI 服務應用場景 應用場景說明：網絡內部功能 NF 或外部服務對象向 6G 網絡請求 AI 服務用于預測某區域某時段的用戶流量模式，網絡執行流量預測模型的 AI 模型訓練和 AI 模型推理任務。（1）AI 模型訓練 提供 AI 模型訓練服務的主要流程如圖 7-1 所示。算法功能數據功能編排管理功能計算功能連接功能能力開放計算能力數據能力智能能力安全功能管理能力CaaSDaaSA

216、IaaSMaaS異構資源（頻譜、算力、連接、數據）服務對象（內部、終端用戶、第三方合作伙伴）協同控制功能內嵌智能信息交互網絡連接能力NCaaS AI服務請求 AI服務融合編排，子任務下發 AI要素的協同調度和控制 QoS優化和控制 執行連接處理 執行計算處理 執行數據處理 執行算法處理 返回服務運行結果 AI服務請求 77 圖 7-1 AI 訓練服務請求和處理流程 Step 1：網絡內部功能單元或外部服務對象通過能力開放接口向編排管理功能單元發起AI 模型訓練服務請求，請求內容包括該服務任務的功能和性能需求。備注：終端作為一種外部服務對象可通過 NAS 信令接入智能能力，NAS 信令接入功能可

217、以在能力開放接口、AMF 等實體中實現，對此本文不做細節討論。Step 2：編排管理功能接收服務請求，對 AI 訓練服務的任務進行需求分析，結合網絡中算力、算法、數據、連接服務的能力，對任務的 AI 要素進行子任務分解。由于該任務需要使用多區域的數據源進行聯合訓練，因此編排管理功能決定采用分布式算力節點，基于分布式聯邦學習進行模型訓練。編排管理功能完成對任務的分解、編排和相關參數的設定，并將子任務和任務工作流下發給協同控制功能。Step 3：協同控制功能接收任務指令后，對算力、算法、數據和連接四要素的資源、能力、位置、狀態進行分析，根據工作流設定，選擇合適的節點，完成工作流、節點間的協同控制。

218、通過控制消息向算法功能下發啟動 AI 聯邦學習模型訓練服務，執行聯邦學習集成環境和工作流的構建。以 AI 訓練服務為中心，協同控制功能向數據功能下發啟動數據服務，執行數據采集和處理，向計算功能下發啟動 AI 計算服務，執行 AI 訓練的計算任務。根據訓練服務、計算服務、數據服務的生成結果，協同控制功能向連接功能下發啟動連接服務，執行訓練服務、計算服務、數據服務的連接調度和傳輸需求。Step 4：各功能節點根據協同控制功能的指令要求，一方面執行各自的功能分工，另一方面與其他功能配合，共同實現面向 AI 的融合服務。其中 AI 訓練服務，負責 AI 訓練服務的自動化生成、部署和集成，包括在聯邦學習

219、過程中多節點的參數聚合、多方協同等。數據服務負責數據的采集、處理和提供，AI計算服務負責AI訓練時分布式聯邦學習計算任務，根據訓練服務的需求，計算服務包括多個，且部署在多個計算節點上。Step 5：在訓練過程中協同控制功能單元監控各服務的 QoS 信息，并在 QoS 指標偏離預期啟動 QoS 優化策略的調整。Step 6：協同控制功能監控任務的執行進度，算法功能在訓練任務執行完畢后，存儲已訓練的 AI 模型，通知協同控制功能和編排管理功能，向網絡內部功能單元或外部服務對象返回推理結果。訓練任務執行完畢后，在協同控制功能的統一控制下各功能執行任務終止和資源的回收。（2）AI 模型推理 Step

220、1：網絡功能單元或外部服務對象通過能力開放接口向編排管理單元發起某區域某時段的流量預測請求 Step 2：編排管理功能基于任務的編排和分解，將分解后的 AI 推理任務下發給協同控制功能單元，協同控制單元接收指令后，對算力、算法、數據和連接四要素進行資源、能力、位置、狀態進行分析，通過控制消息向算法功能下發啟動 AI 推理服務指令，算法功能負責78 AI 推理服務的自動化生成、部署和集成。以 AI 推理服務為中心，協同控制功能向數據功能下發啟動數據服務指令，數據服務負責數據采集、處理和提供。協同控制功能向計算功能下發啟動計算服務指令，計算服務可能在 1 個或若干個算力節點上，計算服務負責執行 A

221、I 推理計算任務。協同控制單元向連接功能下發連接服務命令，連接服務負責推理服務、計算服務、數據服務的的連接調度和傳輸需求。Step 3：在推理過程中協同控制功能單元監控各服務的 QoS 信息，并在 QoS 指標偏離預期啟動 QoS 優化策略的調整。Step 4：由算法功能控制任務的執行進度，并在推理任務執行完畢后，通知協同控制功能和編排管理功能，向網絡內部功能單元或外部服務對象返回推理結果。Step 5：推理任務執行完畢后，在協同控制功能的統一控制下各功能執行任務終止和資源的回收。7.2.請求計算服務應用場景 算法功能數據功能編排管理功能計算功能連接功能能力開放計算能力數據能力智能能力安全功能

222、管理能力CaaSDaaSAIaaSMaaS異構資源（頻譜、算力、連接、數據）服務對象（內部、終端用戶、第三方合作伙伴）協同控制功能內嵌智能信息交互網絡連接能力NCaaS 通算資源編排，計算任務下發 通算資源調度和控制 QoS優化和控制 計算傳輸 計算執行 返回計算結果 計算服務請求 圖 7-2 計算服務請求和處理流程 79 Step 1：網絡功能單元或外部服務對象通過能力開放接口向編排管理單元發起計算服務請求；Step 2：編排管理功能基于計算服務請求的 SLA 需求進行計算任務的編排，并將編排的計算任務下發給協同控制功能單元；Step 3：協同控制單元接收計算任務后，對算力和連接進行資源、能

223、力、位置、狀態進行分析從而分解計算任務，最終選擇一個或多個計算功能節點，將一個或多個計算子任務發送給這些計算功能節點，并調度這些計算功能節點之間的連接功能；同時感知計算功能節點的計算狀態與連接功能的連接狀態；Step 4：計算功能節點、連接功能節點在協同控制功能就控制下進行計算執行與計算傳輸，并上報計算功能的計算狀態與連接功能的連接狀態；Step 5：在計算過程中協同控制功能單元基于監控到的計算狀態與連接狀態確定計算任務的當前 QoS 信息，并在 QoS 指標偏離預期啟動 QoS 優化策略的調整計算功能節點上的計算子任務和連接功能的連接；Step 6：由協同控制功能監控計算任務的執行進度，并在

224、計算任務執行完畢后，向網絡內部功能單元或外部服務對象返回計算任務結果；Step 7：計算任務執行完畢后，在協同控制功能的統一控制下各功能執行任務終止和資源的回收。7.3.請求數據服務應用場景 應用場景說明：網絡外部服務對象請求數據服務，例如用于 AI 推理的網絡數據集，提供數據服務的主要流程如圖 7-3 所示。80 算法功能數據功能編排管理功能計算功能連接功能能力開放計算能力數據能力智能能力安全功能管理能力CaaSDaaSAIaaSMaaS異構資源（頻譜、算力、連接、數據）服務對象（內部、終端用戶、第三方合作伙伴）協同控制功能內嵌智能信息交互網絡連接能力NCaaS 數據服務融合編排，子任務下發

225、 數據要素的協同調度和控制 QoS優化和控制 執行連接處理 執行數據處理 返回服務運行結果 數據服務請求 圖 7-3 數據服務請求和處理流程 Step 1：網絡外部服務對象通過能力開放接口向編排管理功能單元發起數據服務請求，請求內容包括數據服務的功能和 SLA 需求；Step 2：編排管理功能基于數據服務請求的 SLA 需求進行數據任務的編排，并將編排的數據任務下發給協同控制功能單元；Step 3：協同控制單元接收計算任務后，對數據和連接進行資源、能力、位置、狀態進行分析從而分解數據任務，最終選擇一個或多個數據源和數據處理節點，將一個或多個數據子任務發送給這些數據功能節點，并調度這些數據源和數

226、據處理節點之間的連接功能；同時感知數據功能節點的處理狀態與連接功能的連接狀態；Step 4：數據功能節點、連接功能節點在協同控制功能就控制下進行數據處理與數據傳輸，并上報數據功能的處理狀態與連接功能的連接狀態；Step 5：在訓練過程中協同控制功能單元監控各服務的 QoS 信息，并在 QoS 指標偏離預期啟動 QoS 優化策略的調整。Step 6：由協同控制功能監控數據任務的執行進度，并在數據處理任務執行完畢后，由數據功能向網絡外部服務對象返回數據處理任務結果；81 8.總結和展望 目前，6G 智能內生的網絡架構和關鍵技術的研究還處于探索階段，本報告對 6G 智能內生網絡的相關理念、方案和關鍵

227、技術進行了有益的探索，并達成了一定的共識。報告從 6G網絡智能內生的驅動力出發，分析了 6G 智能內生網絡的場景、關鍵能力和目標，定義了智能內生的內涵與特征，提出了以四要素融合編排和協同控制、分布式智能服務、能力開放服務、異構資源融合為主要特征的 6G 智能內生網絡的三層體系架構，并對支撐架構的關鍵技術進行梳理和分析。隨著 6G 智能內生網絡架構和關鍵技術研究的深入，架構在進一步詳細設計和實現機制方面還有諸多尚待研究、尚未形成共識的方面。例如：在網絡智能化程度的深入，以及網絡服務范圍和模式變革的背景下，網絡管理功能和控制功能如何分工界定？新增 AI 三要素功能的詳細設計是沿用通信連接功能設計中

228、控制面、用戶面的設計思路，還是借鑒商業云計算（大數據）平臺的設計理念，或是相互結合的理念？傳統以會話為中心的網絡連接實現機制與以任務為中心的業務實現機制如何結合以及他們之間的關系是什么？面向 AI 服務的 QoS體系如何構建、QoS 保障機制如何設計？這些問題有待于進一步研究和討論，并將作為下一階段的研究重點。參考文獻 1 IMT-2030 推進組.6G 總體愿景與潛在關鍵技術白皮書.2021 2 Xiaohu You,Cheng-Xiang Wang,Jie Huang,et al.Towards 6G wireless communication networks:Vision,enabl

229、ing technologies,and new paradigm shiftsJ.SCIENCE CHINA Information Sciences,2020.3 張平,牛凱,田輝,等.6G 移動通信技術展望J.通信學報,2019,v.40;No.381(01):145-152.4 Behnaam Aazhang,Petri Ahokangas,Hirley Alves,et al.Key Drivers and Research Challenges for 6G UbiquitousWireless Intelligence(white paper),2019.5 徐暉,孫韶輝.面向

230、6G 的天地一體化信息網絡架構研究J.天地一體化信息網絡,2021,2(4):9.6 張彤,任奕璟,閆實,等.人工智能驅動的 6G 網絡:智慧內生J.電信科學,2020(9).7 IMT-2030 推進組.6G 典型場景和關鍵能力白皮書.2022.8 中國移動.6G“三體四層五面”網絡架構.2022.9 Guangming Shi,Yong Xiao,Yingyu Li,and Xuemei Xie,From Semantic Communication to Semantic-aware Networking:Model,Architecture,and Open Problems,IEEE

231、 Communications Magazine,vol.59,no.8,August 2021.82 10 周洋程,閆實,彭木根.意圖驅動的6G無線接入網絡J.物聯網學報,2020,v.4;No.12(01):76-83.11 W.Samek,G.Montavon,S.Lapuschkin,C.J.Anders,and K.R.Mller,“Explaining Deep Neural Networks and Beyond:A Review of Methods and Applications,”Proc.IEEE,2021,doi:10.1109/JPROC.2021.3060483.

232、12 B.Kim,R.Khanna,and O.Koyejo,“Examples are not enough,learn to criticize!Criticism for interpretability,”2016.13 C.Molnar,“Interpretable Machine Learning.A Guide for Making Black Box Models Explainable.,”Book,2019.14 Yong Xiao,Guangming Shi,Yingyu Li,Walid Saad,and H.Vincent Poor,Toward Self-learn

233、ing Edge Intelligence in 6G,IEEE Communications Magazine,vol.58,no.12,pp.34-40,December 2020.15 Yao Q,Wang M,Chen Y,et al.Taking human out of learning applications:A survey on automated machine learningJ.arXiv preprint arXiv:1810.13306,2018.16 M.Feurer,A.Klein,K.Eggensperger,J.Springenberg,M.Blum,an

234、d F.Hutter,“Efficient and robust automated machine learning,”in Advances in Neural Information Processing Systems,2015,pp.29622970.17 G.Katz,E.C.R.Shin,and D.Song,“Explorekit:Automatic feature generation and selection,”in International Conference on Data Mining,2016,pp.979984.18 B.Zoph and Q.V.Le,“N

235、eural architecture search with reinforcement learning,”in International Conference on Learning Representations,2017.19 莊福振,羅平,何清,史忠植.遷移學習研究進展J.軟件學報,2015,26(01):26-39.20 紀守領,杜天宇,李進鋒,沈超,李博.機器學習模型安全與隱私研究綜述J.軟件學報,2021,32(01):41-67.21 Khan,Latif U.,et al.Federated learning for internet of things:Recent a

236、dvances,taxonomy,and open challenges.IEEE Communications Surveys&Tutorials,IEEE,2021,23(3):1759-1799.22 邵奇峰,金澈清,張召,等.區塊鏈技術:架構及進展J.計算機學報,2018.23 杭婷婷,馮鈞,陸佳民.知識圖譜構建技術:分類,調查和未來方向J.計算機科學,2021.24 中國通信學會.通感算一體化網絡前沿報告R,2022 25 石光明,肖泳,李瑩玉,高大化,謝雪梅.面向萬物智聯的語義通信網絡J.物聯網學報,2021,5(2):26-36.縮略語簡表 英文縮寫 英文全稱 中文解釋 3GPP

237、 3rd Generation Partnership Project 第三代合作伙伴計劃 AI artificial intelligence 人工智能 AI4NET AI for NET AI 服務于網絡 AIaaS AI as a Service 智能服務 83 ASIC Application Specific Integrated Circuit 專用集成電路 CaaS Computing as a Service 計算服務 CNN Convolutional Neural Networks 卷積神經網絡 CP Control Plane 控制面 CPU Central Proces

238、sing Unit 中央處理器 DaaS Data as a Service 數據服務 DFS Distributed File System 分布式文件系統 DOICT The Convergence of DT,OT,IT,and CT 數字、運營、信息、通信技術融合 DRB Data Radio Bearer 數據無線承載 E2E End to End 端到端 FPGA Field Programmable Gate Array 現場可編程邏輯門陣列 GAN Graph Neural Networks 圖神經網絡 GDPR General Data Protection Regulati

239、on 通用數據保護條例 gNB the next Generation Node B 下一代基站 GNN Deep Neural Networks 深度神經網絡 GPU Graphics Processing Unit 圖形處理器 IaaS Infrastructure as a Service 基礎設施服務 IETF The Internet Engineering Task Force 國際互聯網工程任務組 IMT International Mobile Telecommunications 國際移動通信 IPFS Inter Planetary File System 星際文件系統 M

240、aaS Management as a Service 管理服務 MAC Medium Access Control 媒體訪問控制協議 ML machine learning 機器學習 NAS Non Access Stratum 非接入層 NCaaS Network Connection as a Service 網絡連接服務 84 NET4 AI NET for AI 網絡服務于 AI NFT Non-Fungible Token 非同質化代幣 NFV Network Function Virtualization 網絡功能虛擬化 NPU Neural-network Processing

241、 Unit 嵌入式神經網絡處理器 OAM Operation Administration and Maintenance 操作管理維護 PaaS Platform as a Service 平臺即服務 PDCP Packet Data Convergence Protocol 分組數據匯聚協議 PHY Physical Layer 物理層 PNF Physical Network Function 物理網絡功能 QoAIS Quality of AI Service AI 服務質量 QoE Quality of Experience 體驗質量 QoS Quality of Service 服

242、務質量 RLC Radio Link Control 無線鏈路層控制協議 RNN Recurrent Neural Network 循環神經網絡 SDAP Service Data Adaptation Protocol 服務數據適配協議 SDN Software Defined Network 軟件定義網絡 SLA Service Level Agreement 服務級別協議 SMF Session Management Function 會話管理功能 UP User Plane 用戶面 UPF User Plane Function 用戶面功能 V2X Vehicle to Everyth

243、ing 車用無線通信技術 VL Virtual Link 虛擬鏈路 VNF Virtual Network Function 虛擬網絡功能 VNFFG Virtual Network Function Forwarding Graph VNF 轉發圖 附錄 A：業界對智能內生的相關定義（資料性附錄）85 6G 智能內生：技術挑戰、架構和關鍵特征為 6G 網絡提出了“智能內生”的基本特征構想，認為 6G 網絡將在設計之初就考慮與人工智能技術融合的理念，將 AI 和大數據的應用融入網絡的基因當中，根據不同的應用場景需求，按需提供 AI 能力和服務。同時，6G 網絡還將通過內生的 AI 功能、協議和

244、信令流程，實現 AI 能力的全面滲透，驅動智能網絡向前演進。中國聯通 6G 白皮書認為智能原生將成為 6G 的核心基因，實現 AI 與 6G 網絡全融合。6G 網絡整體演進為擁有自學習、自適應、自生成、自恢復、自伸縮能力的內生智能網絡。從智能原生的能力衡量維度來看。6G 網絡將在系統架構設計和協議棧設計階段就考慮 AI 相關需求并對其做標準化和固化，使 6G 網絡可以內部自取完成全局的智能化。智能內生能力的衡量除了自學習、自適應、自生成、自恢復、自伸縮等功能特性外，還需要支持對各項智能內生能力進行量化對比。6G：無界，有 AI引入了原生 AI 架構，即將 AI 技術和相關需求融入到網絡架構設計

245、、網元和接口實現和運維中，使得 6G 網絡能夠更好支持 AI 應用和應用 AI 技術更好服務 6G 網絡。全域覆蓋 場景智聯6G 愿景與技術趨勢白皮書 指出智能化能力在 6G 將發展為內生智能，即網絡可以不需要外界干預，通過例如內嵌的數據處理、機器學習模型的訓練、推演與分發等功能實現無線網絡智能化。From Cloud AI to Network AI,A View from 6GANA認為 6G 架構旨在提供“原生AI”作為基本特征，而不是對現有網絡的簡單添加，即 6G 網絡將構建為一個原生支持 AI 訓練和推理的平臺，并為大量 AI 應用程序提供 AI 即服務(AIaaS)。Towards

246、 6G wireless communication networks:vision,enabling technologies,and new paradigm shifts定義了智能內生網絡，即通過將 AI 技術引入網絡，對網絡及其相關用戶、服務和環境的多維主客觀知識進行表征、構建、學習、應用、更新和反饋?；谒@得的知識，可以實現網絡的立體感知、決策推理和動態調整。從而，網絡可以根據我們需要的任何新服務自動進行更改。6G 總體愿景與潛在關鍵技術白皮書指出未來人工智能技術將內生于未來移動通信系統并通過無線架構、無線數據、無線算法和無線應用等呈現出新的智能網絡技術體系。AI技術在 6G 網絡

247、中是原生的，從 6G 網絡設計之初就考慮對 AI 技術的支持，而不只是將 AI 作86 為優化工具?？傮w上，可以從兩個不同角度來看待無線 AI 在 6G 時代的發展方向，即內生智能的新型空口和內生智能的新型網絡架構。人工智能驅動的 6G 網絡：智能內生認為智能內生是 6G 的核心組成，從網絡終端設備、網元節點與網絡架構、網絡承載業務等多個層次賦予網絡“智能”。未來 6G 網絡內生智能的探討與分析 提出將機器學習的訓練和推演引入到無線網絡，構造具備內生智能的通信系統。智簡 6G 無線接入網:架構、技術和展望提出智能內生是 6G 的核心特征之一，6G 并不是現有 5G 與 AI 的簡單相加，而是通

248、過通信、計算、緩存、控制協同和 AI 的緊密結合，構造出可重構、功能強大，但又極簡極智的一體化無線網絡。87 貢獻單位 本報告得到 IMT-2030（6G）推進組各位領導、專家的大力支持和指導、IMT-2030（6G）網絡工作組各成員單位的大力支持以及多位學術界、產業界同仁的關心和支持。主要貢獻單位如下表所示。表1-1 主要貢獻單位 序號序號 主要貢獻單位主要貢獻單位 1 中國移動通信集團有限公司研究院 2 華為技術有限公司 3 中國電信集團有限公司 4 中興通訊股份有限公司 5 中信科移動通信技術股份有限公司 6 北京郵電大學 7 南京郵電大學 8 華中科技大學 9 中國聯合網絡通信集團有限公司 10 OPPO廣東移動通信有限公司 11 維沃移動通信有限公司(vivo)12 上海諾基亞貝爾 13 聯想 14 小米 15 紫金山實驗室 16 騰訊云計算（北京）有限責任公司 17 西安電子科技大學 聯系方式郵箱：COPYRIGHT2022 IMT-2030(6G)PROMOTION GROUP.ALL RIGHTS RESERVED.微信公眾號