《中國移動研究院：基于數字孿生和內生AI的網絡自治（2023）（17頁）.pdf》由會員分享，可在線閱讀，更多相關《中國移動研究院：基于數字孿生和內生AI的網絡自治（2023）（17頁）.pdf（17頁珍藏版）》請在三個皮匠報告上搜索。

1、2網絡自治發展路徑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完全自動駕駛網絡線下人工實現人工實現線上記錄自動實現，程序固化專家規則，可自動調度流轉自動實現，規則與功能解耦，可按需靈活配置自動實現，規則結合AI，可持續學習、快速迭代自動實現，規則順應變化自動迭代，實現網隨業動2025p 目前網絡自治水平處于L2-L3等級p 發展目標：2025年網絡運維自治水平達到L4等級35G網絡自動駕駛實踐的啟示架構：集中式智能架構：集中式智能多形態智能多形態智能網管集中式數據采集和模型訓練網管/網元設備間數據和模型協同機制重塑網絡數據和AI計算資源的分

2、布架構，云邊端多形態智能，提高模型訓練和響應效率效果：高度自治網絡效果：高度自治網絡降本增效的運營智能端到端高度服務智能響應速度：1小時/15分鐘秒/毫秒/微秒級優化提升維度：網元用戶、信道QoS級服務智能保障場景：多樣性發展需求場景：多樣性發展需求以ToC業務為主的智能化應用相對成熟ToB場景業務智能化水平仍需提升，包括場景、數據、算法、效果，進一步增強網絡切片差異化服務能力環境：強大的模擬復現能力環境：強大的模擬復現能力網絡資源/參數的智能調度決策依賴精準的環境反饋缺乏可供智能體訓練的試錯環境，可依托海量歷史數據建模，還原網絡不同性能表現5G共生共生6G內生內生?4數字孿生和內生AI實現6

3、G網絡高水平自治智能應用網絡數字孿生數據采集內生AI自優化自演進自服務“0”接觸運維物理網絡自治愈6G網絡以實現網絡以實現L5等級的自動駕駛網絡為目標，面向消費者和垂直行業客戶提供全自動、零等待、零接等級的自動駕駛網絡為目標，面向消費者和垂直行業客戶提供全自動、零等待、零接 觸、零故觸、零故障的創新網絡服務與障的創新網絡服務與ICT業務，打造自服務、自治愈、自優化、自演進的通信網絡業務，打造自服務、自治愈、自優化、自演進的通信網絡5數字孿生和內生AI實現6G網絡高水平自治數字孿生網絡生成數據樣本，為數字孿生網絡生成數據樣本，為AIAI工作流和模型提供預驗證和優化環境；內生工作流和模型提供預驗證

4、和優化環境；內生AIAI為數字孿生網絡提供為數字孿生網絡提供AIAI能力支撐，優化孿生網絡性能能力支撐，優化孿生網絡性能相比相比5G，6G新增內生的智能面和虛實交互的數字孿生網絡，并通過智能面與數字孿生網絡的交互與融合，實現新增內生的智能面和虛實交互的數字孿生網絡，并通過智能面與數字孿生網絡的交互與融合，實現6G網絡全生命周期（規、建、維、優）的高水平自治網絡全生命周期（規、建、維、優）的高水平自治內生智能面數字孿生網絡66G內生AI網絡邏輯功能架構設計6G內生智能面的邏輯功能主要由內生智能面的邏輯功能主要由AI管理編排（管理編排（AIMO）、任務錨點（）、任務錨點（TA）、任務控制（）、任務

5、控制（TC）和任務執行（）和任務執行（TE）組成）組成序號技術特征1以任務為中心從 以會話為中心 到 以任務為中心包括AI任務的拆解、管理、資源配置、調度2三層閉環QoAIS保障QoAIS指標體系：突破傳統通信QoS指標維度三層模型：服務QoS、任務QoS、資源QoS管控協同的QoAIS保障3多維資源調度連接、計算、數據和模型連接與計算融合的控制內生AI架構將AI三要素與網絡連接一樣下沉為網絡內部的基本資源，使網絡通過多維資源的協同，直接、便捷地為用戶提供有QoS保障的AI服務，完成網絡自治場景所需的AI用例7內生AI網絡邏輯功能部署選項以ORAN為例SMO AIMONon-RT RICTAN

6、ear-RT RICO-CUO-DUO-RUCloudSMOGlobal AIMONon-RT RICNear-RT RICO-CUO-DUO-RULocal AIMOOption 1Option 3SMOAIMONon-RT RICTANear-RT RICO-CUO-DUO-RUOption 2O-DUO-RUOption 4CloudTCSMO AIMONon-RT RIC TANear-RT RIC TCO-CUTETETCTETETETETATCTETCTETETETETE TAOption 1管理面部署方案實時性要求較低，資源和精準度要求較高場景任務執行在網管，可能涉及NRT-RI

7、C協作Option 2管理面部署方案實時性要求較低、所需資源僅存在于網元任務執行在網元Option 3管控兩級用例方案自治區域規模較大，AI用例拆解為本地和全局本地實時性要求較高，任務執行在網元本地執行結果上報給網管Option 4管控兩級執行方案實時性要求較低，所需部分資源僅存在于網元資源調度上多級協同8AI訓練服務示例nAI推理服務用例具體流程：1.用戶發起AI推理請求；2.導入AI用例到網管設備；3.解析AI服務對應的QoAIS，由網管設備下發至基站；4.將QoAIS分解為資源QoS需求，明確所需四要素資源的需求，包括連接、計算、數據和算法/模型；5.基站實時決定并調整計算的分配、優化通

8、信連接質量、決定并采集處理所需數據，以及決定并更換或優化算法模型，以保證任務QoS的達成，從而保證QoAIS的達成；6.基站將結果反饋給用戶。n功能模塊：1.網管：解析QoAIS和資源QoS，根據用戶業務請求分解出四要素資源使用量。2.基站：四要素資源的配置，根據資源QoS針對一個請求配置資源，并執行AI推理。2.業務請求1.發起AI推理請求基站DU網管設備終端4.資源QoS3.解析QoAIS和資源QoS基站（CU+O-cloud+NT RIC）6.四要素資源的配置5.請求UE能力/反饋8.建立連接7.資源分配建議9.視頻數據10.推理結果SMO推理服務請求數據采集QoAIS241空口變化39

9、6G數字孿生網絡邏輯功能架構設計數字孿生網絡端到端架構數字孿生網絡基本概念間的關系生成和解析網絡自治需求構建、編排和調整數字孿生體和數字規劃體模型生成和更新網絡的數字孿生體生成和實施網絡的數字規劃體數字孿生網絡基本功能集中與分布相結合按需建模、高效交互的數字孿生體低成本預驗證試錯環境內閉環數字域尋優，外閉環校正關鍵技術特征10數字孿生網絡邏輯功能部署選項以ORAN為例SMO預驗證功能優化孿生體生成NTRIC預驗證模塊決策模塊A1CURUE2決策執行數據采集配置數據需求分析DUF1數據采集網絡治理需求分析O1 基于查表/知識圖譜實現按需數據采集 預驗證功能實現 預驗證場景搭建 預驗證功能優化核心

10、功能孿生體/規劃體生成 對于實時性要求高的用例，“規劃體生成”位于NT RIC或CU；實時性要求低的用例，“規劃體生成”位于SMO；規劃體生成涉及決策算法的迭代優化“孿生體生成”模塊的位置依據用例的實時性需求確定n無線數字孿生體建模n預驗證功能 PolicyNon-RT RICService provisioningData analyticsCertification serverOptimizationQoS management孿生體生成RRCSDAPPDCPMACRLC3rd party appsTrained model人工決策模塊規劃體生成數據需求分析孿生體生成11大規模天線權值優

11、化用例示例4.位置/業務信息5G小站DUNT RIC終端8.波束配置5.生成波束決策5G小站CUnMIMO用例具體流程：1.SMO生成波束權值優化用例；2.SMO分析初始數據采集需求；3.NT RIC根據初始數據采集需求設置小站數據采集配置；4.終端上報位置和業務信息；5.波束決策模塊生成波束決策；6.波束決策在預驗證模塊中進行預驗證，波束決策模塊根據預驗證的性能優化波束決策，直至滿足需求；7.數據需求分析模塊根據預驗證性能分析數據采集需求，如數據采集類型與頻次；8.波束配置決策下發至5G小站；9.新的數據采集需求下發至5G小站；10.如新的數據采集需求涉及采集數據類型變化，新的數據類型采集需

12、求上傳至SMO，更新初始數據采集需求；n新增接口信息：1.AI接口：模型參數；2.E2接口：數據采集需求，含類型、頻次等；n功能模塊：預驗證：可預測未來網絡狀態；接收采集、增廣與生成數據更新預驗證環境；與波束權值生成模塊交互，返回預驗證的性能，輔助波束配置優化；數據需求分析：基于查表/知識圖譜分析需要采集的數據類型；SMO6.波束決策預驗證與優化7.分析數據采集需求9.數據采集需求1.網絡治理需求分析3.初始數據采集需求2.初始數據需求分析11.初始數據需求分析10.數據類型采集需求向高水平自治網絡演進：模型5G：獨立的、局部應用所驅動的小模型6G：通用網絡智能大模型OSSOMCgNB技術特點

13、：模型參數較少，結構簡單，復雜度低，訓練推理速度快，可解釋性較高優勢：輕量化，無需網絡架構適配AI部署劣勢：模型遷移和泛化性不佳，建模場景有局限性，分域而治導致重復性研發技術特點：模型參數大，數據規模大，算力大優勢：通用性好，容易裁剪成小模型，針對部分特定場景只需要少量調參劣勢：成本極高（包含算力、數據集構建、人工調優等），需要極為龐大的預訓練數據網絡數字孿生通信網絡大模型網絡智能化應用工作分散到不同廠家和領域，場景數據規范性不相通，存在數據重復采集、資源浪費等問題。網絡智能化應用的場景種類繁多導致場景碎片化。網絡智能化應用的應用分散，AI 模型的通用性較低，各個應用之間缺少協同優化，模型無法

14、復用和積累。大模型運維通用模型運行通用模型無線運維通用模型核心網運維通用模型網絡AI大模型發展？小規模大規模統一離線實時？物理層網絡層業務層小模型1小模型2小模型N？無線運行通用模型核心網運行通用模型通信網絡大模型：應用用例網絡運營網絡運維增強智能客服的語義理解、情感識別增強分析，實現智能化經營分析智能營銷網絡直接調用封裝的大模型服務，利用大模型多模態機器學習、語言理解與文本生成能力，提升網絡的信息通信服務能力。故障識別故障定位故障自愈網絡優化通信網絡可以通過網絡內部接口進行交互，大模型作為一種網絡內部功能或者網元，協助智能運維AIOps 助力運維人員快速處理系統故障。網絡運行無線信道建模：根

15、據無線信道上輸入的數據實現信道生成，利用多模態輸入輸出技術補充或完善已有的數據/圖片/視頻集，并可根據場景描述生成場景。語義通信：利用ChatGPT作為系統中的編碼器（encoder）和解碼器（decoder）模塊來實現語義編碼和解碼。通信網絡大模型：通信挑戰場景對數據的要求對模型的要求對網絡架構的影響對網絡的影響程度大模型研發工作量可行性網絡運營多模態數據:通信行業屬性、客戶服務對話、行業標準和法規文件、在線音頻、巡檢圖像、渠道信息多模態機器學習、語言理解，邏輯推理、文本生成 大模型作為網絡外部的一種遠程服務，可以直接調用小小高網絡運維標準化數據：KPI、XDR、MR、拓撲等資源非標準化數據

16、：日志、圖、文檔/案例等非標數據治理、數據對齊，多模態、自然語言理解，邏輯推理、代碼生成大模型作為一種網絡內部功能，通信網絡可以通過網絡內部接口進行交互，需要在已有大模型自然語言理解能力上增強豐富的運維能力，故障的解決方案或修復策略知識庫中中待評估網絡運行非標準化物理層數據：包括上下行信道、語義信息、語義特征、小區內/間干擾標準化數據網絡層，業務層，服務級包括：MR測量數據、MDT數據，業務數據流信息數據（IP五元組、URL、PFD等），控制面信令數據、業務數據流信息數據 逐步推理，模型壓縮(減少資源)，自適應推理(跳過不重要層，速度快)將大模型功能嵌入已有的應用和服務中，或者將大模型作為網元

17、形式與網絡架構進行融合，以保證實時性。大大待評估16有待研究的技術問題序號內生AI1如何基于三層QoAIS指標體系，設計面向網絡自治用例的QoAIS指標？2面向QoAIS保障，如何以AI任務為中心，實現靈活的多維資源編管控？3網絡運維和網絡運行是否存在通用智能大模型？對數據有何要求？代價如何？若存在，網絡如何滿足運行態大模型對存儲、算力和數據的需求？是否影響網絡架構？序號數字孿生網絡1如何對無線網元和網絡進行功能和性能建模？如何依據不同網絡自治場景的需求，按需生成網元和網絡的數字孿生體？2如何構建低成本、滿足精度和實時性需求的數字孿生預驗證環境和迭代優化閉環？3通用網絡AI大模型與網絡數字孿生的關系？與網絡數字孿生模型的關系？17謝 謝！