6GANA：2023年QoAIS智能服務質量指標體系研究報告（46頁）.pdf

《6GANA：2023年QoAIS智能服務質量指標體系研究報告（46頁）.pdf》由會員分享，可在線閱讀，更多相關《6GANA：2023年QoAIS智能服務質量指標體系研究報告（46頁）.pdf（46頁珍藏版）》請在三個皮匠報告上搜索。

1、QoAIS 指標體系研究報告 6GANA 2023-09-09 前言 面向 6G 的智能普惠愿景，6G 網絡將支持原生智能，將通信、信息和數據技術以及工業智能深度集成到無線網絡，提供適應不同應用場景的智能能力。不同于傳統的移動網絡，6G 網絡將基于原生智能架構，為用戶提供泛在的智能服務，實現 6G AI 即服務（AIaaS）。相應地，需要從多個維度來構建 6G AIaaS 的性能指標和服務質量保障體系，即智能服務質量 QoAIS（Quality of AI Service）。提供有服務質量保證的 AI 服務對于網絡實現泛在普惠智能具有重要意義，通過建立合適的 QoAIS 指標體系及評估和保障機

2、制，可以量化和評估 AI 服務的關鍵指標，如性能、可靠性、安全性和用戶體驗等，從而按需提供有質量保障的AI服務，提升網絡對全社會、全行業、全生態業務的適應能力，真正賦能千行百業?？梢源_保 6G 網絡能夠按照不同智能應用場景的需求，提供高質量的 AI 服務，在實現智能隨取隨用的同時提高用戶體驗，并推動智慧工廠、智慧交通等可靠性要求高的關鍵行業快速發展，帶動起社會效益和經濟效益。隨著通信網絡架構的演進，現有的各類 QoS 機制無法應用于 6G 網絡，因此需要研究QoAIS 指標體系，并進行相應的調整和優化，確保在內生 AI 網絡架構中，AI 服務的質量能夠得到準確的評估和有效的優化。隨著通信技術的

3、不斷創新，QoAIS 指標體系也需要持續更新以適應新技術的發展，并確保充分體現服務質量。當前，業界已廣泛地開啟攻關無線網絡 QoAIS 相關技術，積極開展原創性、先導性的關鍵技術研究，努力形成具有我國自主知識產權及產業把控力的 QoAIS 技術體系，鞏固和提升我國在大規模無線網絡智能普惠方面的國際領先水平，促進我國 ODICT 產業可持續、安全的發展。本報告對網絡 AI 服務質量指標體系，即 QoAIS 指標體系進行研究。本報告由中國移動聯合華為、亞信、大唐、vivo、上海諾基亞貝爾等企業以及北京郵電大學、重慶郵電大學等高校共同撰寫。前言.2 1.背景介紹.6 2.驅動力.7 3.QOAIS

4、定義與內涵.8 3.1 QoAIS 指標體系.8 3.2 三層 QoS 定義.9 3.2.1 AI 服務 QoS 的定義.9 3.2.2 AI 任務 QoS 的定義.9 3.2.3 AI 資源 QoS 的定義.10 3.3 網絡 AI 服務類型.10 4.設計原則.12 5.現有方案.13 5.1 通信 QoS 和 SLA.13 5.2 云 AI 服務指標體系.15 5.3 網絡智能化測評指標.18 5.3.1 網絡網元智能化測評指標.18 5.3.2 運維智能測評指標.19 5.4 算力網絡指標體系.21 6.QOAIS 指標設計方案.22 6.1 映射模型.22 6.2 指標設計.23 6

5、.2.1 區分 AI 服務 QoS 的多層 QoS 設計方案.23 6.2.1.1 指標描述.23 6.2.1.2 指標計算示例.25 6.2.2 統一 AI 服務 QoS 的層次化 QoS 設計方案.28 6.2.2.1 指標描述.28 6.2.2.2 指標計算示例.31 6.2.3 區分 AI 服務的資源 QoS 設計方案.33 6.2.3.1 指標描述.33 6.2.3.2 指標計算示例.34 6.2.4 AI 多維資源 QoS 設計方案.37 6.2.4.1 指標描述.37 6.2.4.2 指標計算示例.37 6.2.5 AI 模型 QoS 設計方案.39 6.2.5.1 指標描述.3

6、9 6.2.5.2 指標計算示例.40 7.待研討問題.41 8.總結與展望.42 參考文檔.42 縮略語.43 文檔作者列表 貢獻者 單位 鄧娟、岳烈驤、華美慧 中國移動 王君、張寬 華為技術有限公司 戴翠琴、李職杜 重慶郵電大學 楊忱遜、胡煥然 北京郵電大學 王首峰 亞信科技（中國）有限公司 孫萬飛 大唐移動通信設備有限公司 周通、袁雁南 維沃移動通信有限公司 沈鋼 上海諾基亞貝爾股份有限公司 1.背景介紹 面向“智慧泛在”的未來社會發展愿景，6G 網絡需助力千行百業的數智化轉型，提供實時性更高、性能更優的智能化能力服務，同時提供行業間的聯邦智能，實現跨域的智慧融合和共享1。未來，AI 將

7、與 6G 進行更為全面的原生的結合。通過在 6G 網絡架構的設計中充分考慮 AI 的算法，算力和數據以及網絡連接等諸多要素，6G 將成為融合連接和算力的新型基礎設施，從而極大提高 AI 資源的使用效率并使 AIaaS（AI as a Service）成為可能?？紤]到不同的智能應用場景（如網絡高水平自治，用戶智能普惠、用戶極致業務體驗、網絡內生安全等）對 AI 服務質量有著不同的需求。需要一套指標體系通過量化或分級的方式表達差異化需求以及網絡編排控制 AI 各要素（包括算法、算力、數據、連接等）的綜合效果。對此，提出 AI 服務質量，即 QoAIS（Quality of AI Service）的

8、概念，QoAIS反映了網絡對AI服務質量的保障能力，即網絡能夠按照用戶提出的指標提供相應的AIaaS并保障用戶的體驗。6GANA 在前期發布的6G 網絡內生 AI 網絡架構十問白皮書中，從技術特征內涵、必要性分析、可行性分析、對網絡架構的影響方面解釋了為什么需要 QoAIS2。QoAIS包括指標體系、評估體系和保障體系，本文將在6G 網絡內生 AI 網絡架構十問白皮書的基礎上主要研究 QoAIS 指標體系。在指標體系設計上，傳統通信網絡的 QoS 主要考慮通信業務的時延和吞吐率(MBR、GBR 等)等與連接相關的性能指標。6G 網絡除了傳統通信資源外，還將引入分布式異構算力資源、存儲資源、數據

9、資源、AI 算法等 AI 資源元素，因而需要從連接、算力、算法、數據等多個維度來綜合評估網絡內生 AI 的服務質量。同時，隨著“碳中和”、“碳達峰”政策的實施、全球智能應用行業對計算能效、數據安全性和隱私性關注程度的普遍加強，以及用戶對網絡自治能力需求的提升，未來性能相關指標將不再是用戶關注的唯一指標，安全、隱私、自治和資源開銷方面的需求將逐漸顯化，成為評估服務質量的新維度，不同行業和場景在這些新維度上的具體需求也將千差萬別，需要進行量化或分級評估。因此，QoAIS 指標體系需要考慮涵蓋性能、開銷、安全、隱私和自治等多個方面，需從內容上進行擴展。2.驅動力 相比云 AI，6G 網絡 AI 具有

10、泛在普惠、移動性支持、帶有用戶屬性、極致性能、內生安全隱私、可信等技術優勢。QoAIS 指標體系是體現 6G 網絡 AI 優勢，解決用戶智能需求、公平性與有限資源矛盾的重要技術組件。首先，運營商需要一套指標體系幫助運營商更好地評估和優化 AI 服務質量，從而在競爭激烈的市場中脫穎而出，并促使運營商持續關注用戶需求，為用戶提供更優質、更便捷的 AI 服務。(1)廣譜 AI 服務質量：基于網絡 AI 和云 AI 的聯合，運營商具有構建廣譜 AI 服務質量的基礎設施和技術優勢3。需要一套指標體系量化譜系中差異化服務質量。(2)極致性能的保障：與云 AI 供應商相比，移動通信網絡運營商可以提供性能更好

11、的AI 服務，尤其是在用戶移動和空口信道質量不穩定的場景下。運營商需要一套指標體系監測和優化 AI 服務質量，確保用戶在各種場景下的 AI 服務體驗。(3)泛在普惠智能：大規模泛在網絡基礎設施支持智能服務的普及。運營商需要一套指標體系評估網絡智能服務的泛在普惠程度，了解不同地區、時段和網絡條件下智能服務質量的達標情況，從而針對性地進行網絡智能服務覆蓋率的優化和擴展4。（4）新網絡生態滿意度：6G 網絡原生支持各類 AI 應用，能夠構建新的網絡生態，并實現以新型網絡使用者為中心的業務體驗，運營商需要一套指標體系評估新網絡生態中各類用戶的業務體驗滿意度5。其次，網絡需要基于一套服務質量指標體系，解

12、決用戶需求、公平性與有限資源之間的矛盾?；谠撝笜梭w系對 AI 服務的資源分配策略進行優化，確保各類用戶在有限資源下獲得公平的服務。然而，現有服務質量指標設計方案均無法直接使用。首先，通信 QoS 體系無法直接使用，不同于傳統通信業務，智能服務用戶具有隱私、模型性能等新的需求維度，同時引入了數據、計算和模型資源維度，需要引入新的 QoS 指標。其次，云 AI 服務指標方案無法直接用，因為云資源一般不受限，以盡力而為的模式提供服務，其性能指標一般體現為AI業務的性能，不體現網絡保障能力，不進行從用戶體驗指標到資源QoS指標的映射6。第三，面向泛在普惠的服務供應，現有方案的 QoS 沒有考慮網絡級

13、服務的可獲得性和性價比（如能效等）度量。隨著通信技術創新，QoAIS 指標體系需要不斷更新以適應新技術的發展，并確保服務質量得到充分體現。隨著通信網絡架構的演進，需要 QoAIS 指標體系進行相應的調整和優化。隨著人工智能技術進步，人工智能服務的性能和能力不斷提高。QoAIS 指標體系需要與人工智能技術的進步保持同步，以評估和優化服務質量。3.QOAIS 定義與內涵 3.1 QOAIS 指標體系 QoAIS 指標體系是網絡對 AI 服務的質量進行評估和保障所使用的一套指標體系。是“面向單次服務 QoS 保障的指標”，是將用戶 SLA 轉譯之后的網絡可理解和執行的一套指標體系。QoAIS 指標體

14、系包含 AI 服務的 QoS、AI 任務的 QoS、AI 資源的 QoS，三層指標間具有映射關系。圖 1 AI 服務 QoS、任務 QoS 和資源 QoS 間的邏輯關系 當用戶向網絡提出一次服務請求，其中可能涉及到一種或多種 AI 服務（如 AI 訓練、推理、數據和驗證服務）；而 AI 任務由 AI 服務分解而來，是指網絡新能力涉及到多節點場景下連接、計算、數據和算法資源的協同和調配，以共同完成某個特定的智能服務目標7。AIaaS 既為 To B 和 To C 用戶提供所需智能，也為網絡自身提供所需智能，因此QoAIS 指標體系需體現以上場景中對網絡 AI 的質量需求。由于不同層次的 QoS

15、指標可能由不同的子系統實現和維護，比如服務 QoS 位于管理編排體，任務 QoS 和資源 QoS 位于控制面，不同場景中的需求由哪個層次上的 QoS 指標體現有待進一步研究。圖 2 QoAIS 和 AIaaS 關系圖示例 3.2 三層 QOS 定義 3.2.1 AI 服務 QoS 的定義 根據 6GANA TG1 給出的定義，“AI 服務（AI Service）”是指按需向被服務方提供AI 技術、業務或 AI 三要素等?！癆I 服務”范疇通常要大于“AI 業務”，AI 服務可涉及到AI 三要素資源能力，AI 相關功能技術和 AI 業務等不同層面的內容。在 IT 領域中，AI 服務沒有統一定義，

16、一般是指通過預先經過訓練的，為用戶的應用程序和工作流程提供現成的智能功能，為用戶提供的各種服務。服務的形式分為平臺層提供 AI 算力服務，服務層的訓練，推理服務，應用層遠程或者云端提供的自然語言理解(NLU)、自動語音識別(ASR)、視覺搜索和圖像識別、文本轉語音(TTS)等。AI 服務 QoS 是指 AI 服務提供的性能、可用性、安全性等方面的質量指標。3.2.2 AI 任務 QoS 的定義 根據 6GANA TG1 給出的定義，“AI 任務”是指協同計算、算法、連接和數據完成某個特定的目標，該目標來源于 AI 服務。AI 服務到任務的映射過程可以是靈活的，AI 服務可以分解為一個或多個 A

17、I 工作流，而 AI 工作流可進一步分解為一個或多個任務。因此 AI任務在 AI 服務/任務/資源的三層結構中承擔著承前啟后的作用：首先，一個 AI 任務是上一層 AI 服務輕量化的子集；其次，AI 任務對于下一層的 AI 資源四要素的分配和執行限定了范圍。AI 任務的 QoS 是指衡量網絡對一項 AI 任務編排質量和完成質量的指標集。AI 任務QoS 重點關注兩個方面：任務編排的優先級（部署階段）和四要素保障優先級（執行階段）。3.2.3 AI 資源 QoS 的定義 AI 資源的定義是：保障任務實現涉及的四要素資源（計算/算法/數據/連接），其中不僅包含諸如 CPU 算力或空口時頻域資源等物

18、理資源，也包括實現的方法。AI 資源的 QoS 是指網絡對于四要素資源質量的一系列指標，其中包括獨立資源內的優先級，物理資源分配和實現方法的應用情況。計算 QoS 可包括計算時延，計算可靠性，計算并行度等；算法 QoS 可包括訓練收斂速度，泛化性，可解釋性等；數據 QoS 可包括共線性度，F1 值，安全隱私等級等；連接 QoS 可包括優先級、時延、丟包率等。3.3 網絡 AI 服務類型 當前 IT 領域的 AI 服務包括自然語言理解功能服務、語音識別、計算機視覺、文本轉換為語音，語音合成、機器學習等，多采用云資源服務供應模式。6G 網絡 AI 具有泛在普惠、移動性支持、帶有用戶屬性、極致性能、

19、內生安全隱私、可信等優勢，價值場景與云AI 各有側重，可從網絡自治、To B 和 To C 三類場景分析所需 AI 服務。1)網絡自治 網絡智能化實踐對 AI 的需求場景可分為運維智能、網絡智能和網元智能三類。運維智能對 AI 能力的要求為利用機器學習的方法，對運維數據進行計算和分析，通過 AI 與運維流程相結合，實現運維效率的提升。網絡網元智能對 AI 能力的要求為基于 AI 能力持續迭代優化，提升系統性能和用戶體驗，最終實現自動化閉環流程系統。對 AI 服務的需求可包含業務場景識別，數據管理、模型分析、模型訓練，決策運行自動化閉環。業務場景識別包含基于業務目標構建機器學習問題，根據自身數據

20、分析或者外部導入的方法進行 AI 用例生成，網絡能根據 AI 用例描述調配網絡元素；數據管理包含數據采集、處理等；模型分析包含對數據的智能化分析以及對業務問題的建模；模型訓練指針對問題建模使用數據訓練合適的 AI 模型；決策運行表示模型具備可信評估以及自助決策能力，模型能夠自主評估優劣并且自動部署和運行。2)To B 場景 6G 網絡 AI 的典型 To B 場景包括時延保障類的智慧城市、智慧工廠、智慧醫療、網絡金融，大帶寬類的普智教育等。這些場景由于對服務的時延保障要求較高、或需要大帶寬傳輸，云 AI 服務無法較好滿足 6G 網絡 To B 業務需求，需要 6G 網絡 AI 為其提供包括模型

21、生成服務、模型推理服務、模型共享服務、模型驗證服務、模型部署服務、數據服務和計算服務等服務 模型生成服務包含了模型訓練、模型優化和模型組合。模型訓練是在神經網絡模型初始化和訓練數據收集、預處理之后，以數據驅動的方式進行神經網絡參數配置。模型優化是根據模型需求，有針對性地對模型精度、泛化性、模型規模等指標進行優化。模型組合利用 6G 網絡內現有的模型，自動進行 AI 算法模塊組合。模型推理服務是在已有的模型基礎上，通過輸入相關數據，從中提取特征，并獲得推理結果。模型共享服務是指在相同的場景、需求或任務下，復用已有 AI 模型的服務。模型驗證服務是評估 AI 模型在新數據或網絡環境上的表現。模型部

22、署服務是將訓練好的 AI 模型在云端、邊緣、終端位置合理部署。數據服務包括數據獲取、數據預處理、數據脫敏、數據存儲、數據開放等。計算服務是指為不同算力需求的 AI 應用提供相應的算力支撐，例如分布式算力集群的算力分配與調度。3)To C 場景 6G 網絡 AI 的典型 To C 場景包括位置移動類的車聯網、室外機器人協作、空中高速上網，時延保障類的無人機自治系統，大帶寬類的基于全息通信的 XR 互動游戲、數字孿生人。這些場景由于具有較強移動性、對服務的時延保障要求較高、或需要大帶寬傳輸，單純的云 AI 限制了用戶對云服務設備、AI 應用程序和 AI 數據的訪問權限，降低了服務靈活度。此外，所有

23、數據集中在云端將增加通信傳輸成本，還會導致較高的個人數據安全和隱私風險，因此需要 6G 網絡 AI 為其提供服務。To C場景的應用由于面向個人消費者，智能終端的計算、存儲和電量資源有限，因此To C 場景所需 AI 服務還應考慮模型壓縮服務。模型壓縮就是利用網絡結構的冗余特性對AI 模型進行重構并簡化，在不影響原任務完成度的情況下，得到參數更少、結構更輕量級的模型。模型壓縮服務可以歸為上述模型生產服務中。綜上，6G 網絡 AI 提供的服務可分為模型服務、數據服務和計算服務三種類型。4.設計原則 為在滿足多樣化服務質量需求的同時，體現網絡 AI 優勢、提高網絡執行效率、保證兼容性，降低復雜度，

24、QoAIS 指標體系的設計需要遵從如下原則：1)特殊性原則：QoAIS 指標體系需體現 6G 網絡 AI 的技術優勢，包括泛在普惠、移動性支持、帶有用戶屬性、極致性能、內生安全隱私、可信等。2)統一框架原則：所有 AI 服務和任務共同一套指標體系，不因為具體服務和任務的內容不同單獨成立多套框架；資源維度指標則根據四要素本身的類型進行區分。3)重用性原則：為保證兼容性和合理性，6G 網絡的 QoAIS 設計應盡可能保留原有評價指標。與通信領域已有指標定義接近的，參考通信領域的指標定義方式；與 IT 領域已有指標定義接近的，參考 IT 領域的指標定義方式。新定義的指標和量化方案，盡量可拆解為已有指

25、標，從而復用已有指標定義和量化方案；4)非必要不增加原則：在新增指標和參數時慎重考慮其必要性，非必要不增加。5)前向兼容原則：6G 網絡 AI 保障算法、算力、數據、連接等資源 QoS。其中連接QoS 應盡量與原有通信網絡連接 QoS 指標有機統一，降低網絡復雜度。6)MECE 原則：不同指標之間完全正交，不重不漏。7)安全性原則：5G QoS 機制中并不涉及安全，傳輸安全通過其他機制保障。6G 引入 AI 服務后，網絡不再僅僅是一個不觸碰內容的管道，因此安全是必須要考慮的因素。而在不同用戶在不同場景下，AI 服務的安全隱私的要求是差異化、動態化的，所以把安全性放在 QoS 機制中進行保障較為

26、合理。8)三層 QoS 指標間可拆分可映射：QoAIS 能夠在不同資源維度上分拆并映射，以便控制、管理并協同不同資源，從而在機制上保障內生 AI 服務質量 9)QoAIS 指標與 6G QoS 指標有機統一：在 AI 服務提供和保障過程中，QoAIS 指標設置及流程機制設計，應該盡量與 6G 網絡 QoS 指標和流程機制有機統一，降低網絡復雜度。在 6G QoS 指標中可共用的部分，各類服務 QoS 指標項應保持一致。5.現有方案 5.1 通信 QOS 和 SLA 通信 QoS 是指通信服務質量，是網絡通信業務能力的綜合體現，其設計目的主要有兩方面：一、匹配業務和業務所需的能力；二、保障用戶間

27、的差異性和公平性。QoS 管理是端到端的過程，需要所有網絡節點（UE基站核心網）共同協作，來保障服務質量。隨著移動通信網絡技術的發展和網絡架構的更迭，自 3G 網絡提供基于金銀銅分級粗粒度的QoS差異化保障之后，4G、5G網絡也紛紛基于自身的網絡架構提出了不同的Qos機制。4G 網絡中的 QoS 架構基于扁平化的網絡結構設計提供了端到端的 QoS 保障。5G網絡的 QoS 模型是以 QoS 流為基礎，支持 GBR、non-GBR 以及 Delay Critical GBR。5G 網絡中使用 5QI 區分不同的 QoS 等級，其值代表標準的或者預設的 5G QoS 特性?？傮w而言，5G QoS

28、是基于會話（PDU session）管理，最小管理粒度為 QoS flow，限于篇幅，不詳細展開。本小節主要介紹 QoS 的指標設計。以 5G 為例，QoS Profile 分為兩個層級QoS parameters 和 QoS characteristics。如下圖所示：圖 3 5G QoS Profile 分級圖 5QI以資源類型、優先級、時延、丟包率、最大數據突發量等指標維度，對通信業務進行了切分，不同的業務對應不同的 5QI 值，每個 5QI 值對應上述指標維度的組合；ARP表示分配保持優先級，指示一個 DRB 相對另一個 DRB 的資源分配和保持的優先級，ARP 取值越大，則優先級越低

29、，在網絡擁塞時容易被準入拒絕；GFBR/MFBR表示 QoS Flow 能夠提供的保證流比特速率和最大流比特速率，類似于LTE 的 GBR 和 MBR；AMBR表示聚合最大比特速率，是 Non-GBR QoS Flow 特有的 QoS 參數，該 QoS參數限制了共享這一 AMBR 的所有 QoS Flow 所能提供的總速率；NR 的 AMBR 分為Session-AMBR 和 UE-AMBR；RQARQA 是反射 QoS 屬性，用于 UE 發送上行用戶面數據時，在核心網沒有提供映射規則的情況下，將上行用戶面數據映射到 DRB，節省了映射的信令開銷8；對于具有超高速率、超低延遲和大規模連接特征的

30、 5G 網絡，將其運用在不同的場景中 QoS 需求不盡相同。比如高清視頻和流媒體9應用場景一般選擇 5QI 為 6-8 的 QoS Flow，無人駕駛和工業自動化這類應用選擇 5QI 為 85 的 QoS Flow，以滿足其嚴格的服務質量需求，mMTC 關注的 5G QoS 參數主要要求為：連接密度在 106設備/km2；誤幀率（FER）110-5，可靠性必須做到接近 100%；空口時延 1 毫秒(ms)，端到端時延必須達到毫秒(ms)量級。SLA 是服務商與用戶之間約定的一種雙方認可的協定，該協議定義了服務商為用戶提供的服務類型、服務質量以及對用戶保障服務的性能和可靠性的承諾等內容。5G 重

31、點關注 To B 業務的 SLA，其中主要包括三個方面：影響業務中斷，高可靠和確定性。指標如下表所示：表 1 5G 業務 SLA 業務 SLA 類型 指標 影響業務中斷 網絡可用度（根據 TL9000 系統統計中斷時長計算）可靠性 RTT 時延可靠性、接收包間隔可靠性、OTT 時延可靠性、RTT 平均時延、滿足時延要求的連接數 確定性 單終端速率、單連接速率滿足度、滿足速率要求的連接數、單/多終端在線率、多工業終端在線率滿足度 無線接入網、傳輸網和核心網通過端到端協同實現網絡切片來保證SLA。RAN側主要的實現方式是對時頻域資源進行切分，具體方法有兩類，一種是通過載波隔離的方式硬切，另一種是基

32、于 QoS 調度（通過 SLA 指標中對于優先級、時延、丟包率等要求找到對應的QoS Profile）和 RB 資源預留方式實現軟切。傳輸網主要通過 FlexE 切分傳輸帶寬，實現不同程度的硬管道。核心網側主要通過 VNF 的切分保障 SLA。具體 SLA 是如何和 QoS 關聯的，以上述 To B 業務中 RTT 平均時延為例，SLA 中該值某一確定要求可以通過 UDM 或者 AF/NEF 傳遞給 PCF，PCF 生成 PCC Rule 傳遞給SMF，SMF 完成 QoS Flow binding 后給 RAN 傳遞 QoS profile，其中該 To B 業務涉及QoS Flow 的 5

33、QI 值為 86，對應 package delay budget 為 5ms10,11。綜上可知，當前通信的 QoS 設計無法滿足 AI 服務的需求，原因主要有：資源的多維性：6G 新增 AI 服務和原有的通信服務相比引入了新的資源維度，包括算力資源和存儲資源；同時AI服務涉及到四要素（連接，計算，數據，算法）協同無法在原有的 QoS 指標體系中得到合理的評估；機制的分歧性：對于 6G 的指標體系而言，已不再適合沿用 5G 基于會話的生命周期管理機制，需要基于完整的任務生命周期的管理機制。因此，對應的 QoS 機制和QoS 指標設計已經無法沿用 5G 的 QoS 架構。安全性需求增長：隨著“碳

34、中和”“碳達峰”政策的實施、全球智能應用行業對數據安全性和隱私性關注程度的普遍加強，以及用戶對網絡自治能力需求的提升，未來性能相關指標將不再是用戶關注的唯一指標，安全、隱私、自治和資源開銷方面的需求將逐漸顯化，成為評估服務質量的新維度，而不同行業和場景在這些新維度上的具體需求也將千差萬別，需要進行量化或分級評估。5.2 云 AI 服務指標體系 當前云 AI 提供不同的服務類型（IaaS，PaaS，SaaS 等），對應不同的服務指標體系，以及不同的計費模式。IaaS（基礎設施即服務）：用戶使用云服務提供商的基礎設施部署運行各種軟件，但無權訪問和管理底層基礎設施。在這種服務模式下，服務的計費方式主

35、要考慮的是物理資源的獲取，比如 CPU/GPU 的類型，帶寬，使用個數，使用時長，資源線性加速比=多卡全局吞吐/（單卡吞吐*卡數），計算資源（GPU）利用率=計算時間/（計算時間+等待時間）等。云服務提供商的計費量綱通常為$/CPU、$/帶寬等。PaaS（平臺即服務）：用戶使用云服務提供商支持的編程語言，庫以及開發工具等來開發應用程序并部署在相關的基礎設施上。在云AI服務中，PaaS逐漸被FaaS（功能即服務）取代，和 PaaS 不同的是，FaaS 下應用程序是由大量的 functions 組裝而成，因此具有無限的自動拓展能力以及比 service 更細的粒度。相關性能指標包括：平臺數據存儲讀

36、性能=讀取隨機打散后 batch 數據時間總和的高低。（為了算法達到比較好的魯棒性、加快收斂速度，訓練數據集需要隨機打散）平臺寫數據性能=保存訓練結果時間的高低。（在模型訓練的過程中，即使模型訓練中斷，也可以基于 checkpoint 接續訓練和故障恢復，因此需要不斷地保存訓練結果（包括 epoch、模型權重、優化器狀態、調度器狀態）平臺訓練效率=訓練時間/(訓練時間+數據集隨機打散時間+讀取時間+保存檢查點時間)。平臺調度性能=訓練串行等待時間高低（在一個完整的訓練流程里，除了計算的部分，還有很多其它的操作和步驟，訓練之間也可能存在串行、并行等關系）平臺 GPU 卡之間通信性能等。FaaS

37、下的計費是以每個函數實例運行的時間為基準的，常用的計費量綱是（$/s）。SaaS（軟件即服務）：用戶直接使用云服務提供商提供的應用程序，可以通過客戶端接口輕量定制化，整體來說服務具有很強的限定性。相關評估指標包括：模型，環境部署過程難易程度（是否托管的 Jupyter 環境內置主流算法框架和軟件庫，可以無需配置環境，點開即用，訓練模型一鍵發布，進行推理部署等），支持的 AI 計算框架（TensorFlow、PyTorch、Kaldi、MXNet、飛槳等），提供的訓練數據集豐富程度（MNIST，ImageNet，OpenImage，LFW，MegaFace，Free Spoken Digit 等

38、）。容災自愈、負載均衡，7x24 小時運營運維指標。服務推理請求每分鐘請求數，最高并發數，請求成功率，請求返回時間延遲等。這種服務模式下，通常的計費模式是按照服務的調用次數進行計費，常用的計費量綱為圖像分析（$/次）、時頻分析（$/次）、chatGPT（$/token）等。通過對上述服務類型的計費方式的分析，可知云 AI 服務指標設計的三個層次，分別是：資源層，直接的物理資源或邏輯資源，包括算力，存儲和連接；服務層，是直接物理資源的二次抽象，將物理資源能力以服務的方式暴露（如 FaaS 中即為函數的實例運行時間）；應用層，基于單個服務或多種服務的組合，提供客戶最終的應用或者產品包。云 AI 重

39、點關注 To C 業務的 SLA，其中主要包括兩個方面：可用性，服務響應成功率。指標如下表所示：表 2 云 AI 業務 SLA 業務 SLA 類型 指標 可用性 服務可用率=（服務周期總時間-服務周期未達標時間）/該服務周期總時間*100%其中，AI 開發平臺服務：需要選擇資源套餐運行的服務，如單個 Notebook 實例、單個訓練任務、單個在線服務等。AI 開發平臺服務未達標：設備故障、設計缺陷或操作不當，發生的單個 AI 開發平臺服務連續超過五分鐘無法訪問和使用。服務未達標時間：指一個服務周期內單個服務未達標的時間的總和，按分鐘計算。服務響應成功率 響應成功率=1-（服務月度內的服務不可用

40、次數/服務月度內的發送請求數）x 100%。其中，服務不可用的定義為每一次調用發起 API 接口調用且嘗試失敗，則視為該次調用該服務不可用?？捎眯员ＷC代表云 AI 服務提供商保證其服務的可用性百分比。例如，一個 SLA 可能保證 99.9的可用性，這意味著服務每個月不應超過 43 分鐘的停機時間。服務響應成功率是云 AI 服務提供商保證服務請求在客戶端發送后，服務端能夠成功響應的比率，能夠反映出服務的可靠性和穩定性?？偟膩碚f，SLA 是云服務提供商和客戶之間的協議，它規定了服務提供商向客戶提供的服務承諾，幫助客戶了解服務的質量和預期結果。云 AI 的實現本身是 Best Effort 模式的，

41、并沒有閉環的 QoS 保障機制，依賴于用戶本身的感知和參與。云 AI 的分層設計和 SLA 機制是可以為 QoAIS 借鑒的。5.3 網絡智能化測評指標 5.3.1 網絡網元智能化測評指標 網元智能化是在 5G 系統/5G 演進系統的網元（如基站、核心網網元）功能基礎上，引入數據、算法、算力等 AI 能力，提高網絡效率及性能。無線網元智能化的評估對象為用于模型訓練和模型推理的基站設備、無線 OMC，也可能包括其它通用設備及組件。核心網網元智能化的評估對象包括獨立的智能網元（如NWDAF）、內置 AI 模塊的智能網元，以及這些網元設備的相關組件。評測指標上，可從 AI 系統和通信系統兩個維度擬定

42、測評指標。從 AI 系統角度，從 AI架構的可擴展性、服務化能力、算法庫能力、數據安全和自動化采集能力、模型動態更新及分發能力等方面評估。從通信系統角度，評估該通信系統對智能化應用的支持數量、性能表現、算力等資源消耗，以及人工對該智能化應用的干預程度等。鑒于以上評估指標針對不同的智能化應用，其表征方法均不相同，因而與智能化應用用例強相關，稱為場景化智能化評估指標。如，無線及核心網場景化智能化評估指標主要包括以下方面：“量”：網元支持的智能化應用數量；“性”：網元智能化應用的性能表現；“算”：網元智能化應用的資源及算力消耗情況；“分級/自治度”：人工對該網元智能化應用的干預程度 下面以無線基站負

43、荷預測為例，對相關智能化指標進行評估。負荷預測任務為典型的回歸任務，因此從以下幾個角度評價負荷預測智能化水平：1.數量 智能化應用支持數量評分值表示如下，其中是測試方已定義的智能化應用全集的數量，是被測方實際被驗證的支持的智能化應用的數量。2.性能 性能指標中，可以直接測量平均絕對百分比誤差大小，泛化性和魯棒性需要新的外部數據來獲得。平均絕對百分比誤差：設平均絕對百分比誤差的敏感系數為，平均絕對百分比誤差的目標值為，實測平均絕對百分比誤差，則平均絕對百分比誤差根據以下公式計算：即。3.開銷 在模型訓練及推理過程中，對被測基站的小區數、小區峰值、RRC 連接用戶數等規格指標進行同步測試，根據指標

44、規格與傳統設備規格的差距評分。4.分級 分級得分復用自智網絡分級標準的得分，根據分級標準評定后，形成0,5的分級分值。根據分級評估方法得到，。5.3.2 運維智能測評指標 由于自智網絡分級標準無法完全契合對基站、核心網等網元智能化能力的評估和評測，2023 年 3 月 ITU-T SG13 正式立項關于自智網絡成效評估指標的標準項目 ITU-T Y.IMT-2020-MEVE-req-frame：Future networks including IMT-2020:requirements and framework for measurement of effectiveness and v

45、alue evaluation of autonomous networks。該標準項目旨在規范定義自智網絡的價值度量指標體系和計算方法。自智網絡的價值度量指標體系主要為了帶動各網絡、服務領域能力提升，根據各領域的應用特點，制定應用效能指標，體現自動化、智能化的應用效能。ITU-T M.3385 標準給出了自治網絡信任（TiAN）的測評方法，表3為標準中的測評指標，其中委托方指有權授權網絡和相關實體進行自主管理的一方，受托方指具有自主能力的網絡或網絡相關實體，其可以被授權在極少甚至沒有人為干預的情況下管理自身。表 3 自治網絡信任的測評指標 評估指標評估指標 子指標子指標 描述 準確性 復現性

46、 執行后與上次相同的復現結果占所有復現結果之比 精確性 受托方在執行過程/步驟期間產生精確結果的交互與所有交互之比 時效性 受托方在TiAN評估的特定期限內產生的動作數與總動作數之比 有效性 受托方的有效輸出與所有輸出之比 資源 數據、知識或相關輸入的合規資源與所有資源之比 穩定性 中斷 在整個TiAN評估過程中中斷交互的時間長度與總時間之比 事故 整個TiAN評估過程中的事故數與所有動作數之比 成熟度 交互中的實際成熟度水平與TiAN評估中的最高成熟度水平之比 可變性 TiAN評估中受托方的自我變化交互與總交互數之比 可控性 可預測性 委托方可以預測或在委托方預期范圍內的受托方的決定/行動/

47、反應/反饋的百分比 監督 委托方可以受托方進行監督的時間與總時間之比 接管 委托方可以接管受托方的處理步驟數與所有步驟數之比 恢復性 備份 流程中備份點的加權分數 回退 受托方可以在必要時成功回退到備份點的次數與總回退次數之比 重置 受托方可以在必要時成功重置為原始狀態 可解釋性 透明度 受托方在數據處理、算法等方面的透明步驟占所有步驟之比 可翻譯性 受托方在數據處理、算法等方面可以翻譯成某種語言（包括機器語言或人類語言）的步驟占所有步驟之比 可理解性 受托方在數據處理、算法等方面的可理解步驟占所有步驟之比 解釋準確性 受托方準確的解釋占所有解釋之比 解釋完整性 解釋的完整性，建議解釋涵蓋任務

48、，包括但不限于執行、意識、分析、決策和意圖處理。解釋再現性 受托方的可復現解釋占所有解釋之比 適應性 靈活性 受托方可以在不影響受托方滿足相關和特定要求的能力的情況下更改的處理 調整 更改后決策/行動/反應/反饋仍能滿足相關場景或用例要求的處理 5.4 算力網絡指標體系 6G 通信系統呈現出通信、感知、計算融合的趨勢，算力則是通感算融合的基石12。算力網絡是一種以算為中心、網為基礎的新型計算信息基礎設施，利用網絡感知業務需求與算力資源狀態，進行算網的統一編排調度，以實現業務需求與算網資源的匹配。應構建統一的算力網絡評估指標體系，從多維度全面選取評估因素，用以衡量算力網絡的資源、需求、性能。依據

49、參考文獻13-15進行總結和拓展，表 4 給出了算力網絡在不同維度下的相關指標及定義。表 4 算力網絡相關指標及定義 維度 指標 定義 單位 資源QoS 算力 算力 雙精度浮點數操作數（FLOPS）算力節點服務能力 采用算力分級能力隸屬度的方式評估，由算力分級、算力類型表示 連接 調度控制能力 算力和網絡的銜接能力 帶寬 單位時間內能夠發送/接收的最大數據量 MB/s 丟包率 傳輸時丟失數據包所占比例 數據 存儲容量 可存儲的二進制數據量 TB/GB 存儲帶寬 單位時間可存取的最大數據量 MB/s IOPS 單位時間讀寫次數 服務 QoS 時延 用戶從請求服務到獲得服務的總時延 ms 調度有效

50、期 業務所能承受的最大調度時長 ms/us 用戶 SLA 業務算力需求 由算力大小、算力類型表示 安全性 業務的安全性要求（劃分不同等級）可用性 業務的可用性要求（劃分不同等級）算力節點服務能力：算力可分為通用算力（CPU）、并行算力（GPU）、智能算力（TPU/NPU）和定制化算力（FPGA），不同算力擅長不同的業務，為全面評估節點服務能力，采用算力分級能力隸屬度的評估方式。首先將算力節點分級，然后采用多屬性群決策算法或者人工智能算法獲得處理能力隸屬度。最后，算力節點服務能力用算力分級、算力類型表示。調度控制能力：算網編排及算力調度的能力，可從算網能夠編排、調度算力節點的數量、地理范圍大小衡

51、量，如跨區域調度、多個云之間調度等。從效率的角度來看，也可從編排、調度消耗的時間考慮。調度有效期：進行業務需求與算網資源的匹配以及調度資源過程的最大時間，如果超出調度有效期則認為當前算網狀態無法滿足業務需求。安全性：安全性指標主要從算力隔離、數據加密、操作審計三方面考慮。算力隔離是指業務需要專用的算力資源，與其他業務進行隔離，包括邏輯隔離和物理隔離?？捎眯裕褐笜I務的連續性要求，可分為三類：故障時仍可用、故障后可恢復、數據備份。更具體地可考慮恢復時間目標（RTO）和恢復數據目標（RPO）兩個指標。RTO 指業務因故障中斷到業務恢復運營的時間要求；RPO指發生故障后數據必須恢復的時間點要求，相當于

52、能夠承受的最大數據丟失量。QoAIS 包含 AI 服務的 QoS、AI 任務的 QoS、AI 資源的 QoS 三個層次，算力網絡指標體系在用戶 SLA、算力、連接等維度上能夠與 QoAIS 指標體系相對應，對 QoAIS 指標體系的建立具備重要參考和指導意義。6.QOAIS 指標設計方案 6.1 映射模型 QoAIS 是網絡內生 AI 編排管理系統和控制功能的重要輸入，網絡內生 AI 管理編排系統需要對服務 QoS 進行分解，映射到任務 QoS，再映射到數據、算法、算力、連接的資源 QoS 要求上。圖 4 QoAIS 指標分解到各資源維度上的 QoS 指標 6.2 指標設計 當前，業界仍處于對

53、 QoAIS 指標體系研究的發散期，映射模型和具體指標設計均尚未達成共識。因此，本報告初步收集了來自參與單位的五種典型的指標設計方案?？梢钥闯霾煌桨笍牟煌脑O計角度出發，有共性的部分，也有反映對“AI 服務質量”概念理解的獨特之處，對于后續深入研究討論并形成共識具有較高的技術參考價值。6.2.1 區分 AI 服務 QoS 的多層 QoS 設計方案 6.2.1.1 指標描述 QoAIS 指標體系從初始設計時，即需要考慮涵蓋性能、開銷、安全、隱私和自治等多個方面，需從內容上進行擴展。表 5 提供了一種 QoAIS 指標體系的設計方案，按 AI 訓練服務、AI 推理服務、AI 數據服務、AI 驗證

54、服務四種 AI 服務類型將 QoAIS 指標分別分類。表 5 QoAIS 指標體系設計方案 AI 服務類型 評估維度 QoAIS 指標 AI 訓練 性能 性能指標界、訓練耗時、泛化性、可重用性、魯棒性、可解釋性、損失函數與優化目標的一致性、公平性 開銷*存儲開銷、計算開銷、傳輸開銷、能耗 安全*存儲安全、計算安全、傳輸安全 隱私*數據隱私等級、算法隱私等級 自治 完全自治、部分人工可控、全部人工可控 AI 推理 性能 推理速度、并發度、推理誤差、推理精度等 自治 模型可控性，如推理任務自動調度、推理資源自動分配等 AI 數據 性能 數據質量、數據時效性、數據可用性、數據準確性等 自治 數據歸屬

55、權、數據可控性，如數據采集任務自動調度、數據存儲自動分配、數據清洗和標注自動化 AI 驗證 性能 驗證速度、驗證精度、可靠性、魯棒性等 自治 驗證可控性、驗證自監測能力、自糾錯能力、可復現性等 注*：不同類型 AI 服務間的共同評估指標 其中，以 AI 訓練為例，“性能指標界”是評估模型性能好壞指標的上界和下界，如模型錯誤率、查準率、召回率等性能指標的范圍?！胺夯浴敝改Ｐ徒涍^訓練后，應用到新數據并做出準確預測的能力?！翱芍赜眯浴笔悄Ｐ驮趹脠鼍白兓瘯r能夠繼續使用的能力?！棒敯粜浴敝冈谳斎霐祿艿綌_動、攻擊或者不確定的情況下，模型仍然可以維持某些性能的特性?！翱山忉屝浴笔侵改Ｐ湍苤С謱δＰ蛢炔?/p>

56、機制的理解以及對模型結果的理解的程度?！皳p失函數與優化目標的一致性”是指模型訓練過程中，對損失函數的設計與AI 用例的優化目標的一致程度，比如函數中考慮的變量個數是否完全覆蓋智能優化場景的優化目標指標?！白灾巍敝笇?AI 數據/訓練/驗證/推理服務的工作流中自主運行部分和人工干預部分的要求，反映了用戶對 AI 服務自動化程度的要求。自治分為三個等級：完全自治（全流程自動化的 AI 服務，全程無需人工干預）、部分人工可控（AI 服務的工作流在部分環節自動化，部分環節要求人工輔助）、全部人工可控（AI 服務工作流的各環節均要求人工參與）。根據上一節圖 4，QoAIS 映射到各資源維度上的 QoS

57、指標可分為適合量化評估的指標（如各類資源開銷）和適合分級評估的指標（如安全等級、隱私等級和自治等級）。在前一類指標中，有部分指標的量化方案已成熟或較容易制定（如訓練耗時、算法性能界、計算精度、各類資源開銷等），部分指標目前尚無定量評估方法（如模型的魯棒性、可重用性、泛化性和可解釋性等），如表 6 所示。表 6 AI 訓練服務性能 QoAIS 到各資源維度的映射 指標維度 QoAIS 指標 資源維度 可量化指標 尚無量化方案指標 性能 性能指標界、訓練耗時、泛化性、可重用性、魯棒性、可解釋性、優化目標匹配度、公平性 數據 特征冗余度、完整度、數據準確度、數據準備耗時 樣本空間平衡性、完整性、樣本

58、分布動態性 算法 性能指標界、訓練耗時、是否收斂、優化目標匹配度 魯棒性、可重用性、泛化性、可解釋性、公平性 算力 計算精度、時長、效率 連接 帶寬及抖動、時延及抖動、誤碼率及抖動、可靠性等 QoAIS 在性能、開銷、安全、隱私、自治五個評價維度都有相應的指標，特別是在性能層面，數據、算法、算力、連接四大資源維度下均有適合量化評估的服務質量指標映射。因此，下面將在多小區天線波束聯合賦形的場景用例下，對內生 AI 網絡架構中基于QoAIS 的 AI 工作流編排方案（包括集中式、分布式和協同式）展開分析，選取多個典型的可量化 QoAIS 指標進行介紹。6.2.1.2 指標計算示例 多小區天線波束聯

59、合賦形旨在解決在多個基站覆蓋的區域中出現人群聚集場景時，基站天線的波束權值動態調整方案。目前常用的解決方案是通過使用歷史數據，學習人群運動的規律，指導基站天線進行決策。但是由于人群聚集屬于突發事件，不出現在歷史的軌跡數據中，機器學習較難準確地預知人群的分布位置，因而做出的基站天線決策有偏差。利用 6G 智慧內生 AI 架構可以解決這一問題。內生 AI 架構能夠綜合利用本地邊緣節點和全局中心節點的優勢，可以在遇到人群熱點時，通過本地的模型預測和全局的推理計算，對人群分布作出準確的預測，及時指導基站天線作出決策。圖 5 三種不同編排方案的 AI 任務分布圖 圖 5 展示了集中式、分布式、協同式三種

60、 AI 工作流編排方案下，上述 AI 任務在集中式云腦和多個分布式邊腦中的分布情況。該用例利用 6G 智慧內生 AI 架構解決在多個基站覆蓋的區域中出現人群聚集場景時，基站天線的波束權值動態調整方案。因此，設置三種不同的場景，場景一、場景二和場景三分別含有 10%、50%和 100%的動態用戶。對于每一種場景，分別使用集中式、分布式和協同式三種方案進行波束選擇，并分析三種方案對QoAIS 相關指標的滿足程度。本場景用例所需調用的 AI 服務包括數據類、訓練類和推理類。網絡資源部署方式是集中式云腦和多個分布式邊腦(基站)。其中 AI 數據類服務的工作流包括數據采集、數據傳輸、數據預處理、特征提取

61、、數據存儲；AI 訓練類服務的工作流包括訓練和測試數據集構建、模型選擇、模型訓練；AI 推理的工作流包括模型部署(含模型優化)，輸入樣本構建，推理計算、推理結果優化、推理結果傳輸等 AI 任務。指標計算示例：性能指標界：在該場景用例下，以用戶分布預測準確度作為衡量性能指標界的關鍵因素。將區域柵格化，用戶分布預測準確度相當于利用三種編排方案預測結果與真實分布結果數值相同的柵格數與真實分布中的柵格數之比。三種編排結果的性能指標界如表 7 所示，協同式方案的預測準確度上界最高，分布式方案的下界最低。表 7 性能指標界對比 性能指標界 用戶預測分布準確度/%集中式方案 分布式方案 協同式方案 上界 9

62、9.75 97.50 99.77 下界 98.47 96.40 97.59 優化目標匹配度：一種量化優化目標匹配度的方式是計算模型訓練過程中損失函數的參數變量對 AI 用例優化目標指標的覆蓋程度。比如，在本用例場景下，若優化目標指標包括RSRP 覆蓋性能和 SINR 覆蓋性能，而損失函數的設計僅包含 RSRP，則并非完全匹配。具體的計算公式可設計如下：=f（RSRP）+f（SINR）其中，代表 RSRP 的權值，代表 SINR 的權值，（+=1），代表優化目標匹配度。f（RSRP）與f（SINR）作為損失函數是否包含相應優化指標的01函數（包含則為1，否則為 0），在本用例中，三種編排結果的優

63、化目標都是相同的，故而三種編排結果的匹配度相等。魯棒性：魯棒性用來衡量方案結果的抗干擾性，針對該場景用例，以用戶分布預測模型準確度的方差表示方案的魯棒性程度，預測結果的方差越小，魯棒性越高。三種編排結果的魯棒性分別為：集中式方案 31.58107，分布式方案 25.14107，協同式方案 1.082107。集中式方案的魯棒性差于分布式方案，協同式方案的魯棒性最好。傳輸、存儲、算力開銷：對于該場景用例中的 QoAIS 開銷類指標，從數據傳輸、存儲和算力開銷三方面對比。從表 8 可以看出，集中式方案在傳輸數據上傳量和訓練數據的存儲量上需要較大的數據開銷，同時需要較多的算力資源。分布式方案因為數據決

64、策都在本地執行，所以沒有傳輸數據量，數據的存儲和算力消耗也比較少。協同式方案由于云邊之間的反饋，所以傳輸數據下發量需要的開銷較大，其余指標與分布式方案相同。表 8 開銷對比 指標列項 開銷 集中式方案 分布式方案 協同式方案 傳輸數據量 上傳數據量 3330kB 0kB 463kB 下發數據量 1.2kB 0kB 1924kB 存儲數據量 訓練數據 12.3GB 1.99GB 1.99kB 推理數據 9990kB 9990kB 9990kB 模型大小 1kB 17kB 17kB 算力消耗（單位：MFLOPS）1150 268.6 268.6 6.2.2 統一 AI 服務 QoS 的層次化 Qo

65、S 設計方案 6.2.2.1 指標描述 QoAIS 是對 AI 服務質量進行評估和保障的一套指標體系和流程機制，反應了用戶層面對于 AI 服務質量的需求，并將需求量化，導入 6G 內生智能網絡，使網絡能夠基于用戶提出的指標提供相應的服務質量保障。AI 服務的性能同時取決于系統底層所提供的 AI 模型相關能力、用戶和網絡側的計算能力、用戶與網絡連接的通信能力、以及數據的質量等因素?；诖?，可構建以 AI 服務為中心的層次化性能指標體系架構，如下圖所示。帶寬節點密度功率通信性能指標可靠性鏈路預算數據速率區域傳輸容量通信能效.AI模型與計算性能指標推理準確度數據分布范圍訓練或推理時延訓練或推理數據密

66、度 訓練或推理能效.模型運算量模型大小數據大小節點算力AI數據性能指標數據完整度數據冗余度數據時效性.數據樣本數據特征AI服務性能指標服務準確度服務覆蓋率服務響應時延系統能效服務完整度.服務密度服務冗余度 圖 6 以 AI 服務為中心的性能指標體系架構 作為上層指標，AI 服務性能指標可根據通信性能指標、AI 模型與計算性能指標以及AI 數據性能指標等下層指標聯合確定，而下層指標則受帶寬、節點密度、功率等實際系統參數影響。下表列出了部分 AI 服務性能指標的定義及計算參考公式。表 9 AI 服務性能指標 性能指標名稱 定義 計算參考公式 服務準確度 用戶體驗的 AI 服務準確度（%）推理準確度

67、*鏈路可靠度 服務覆蓋率 給定鏈路預算下，滿足服務準確度的區域面積占比（%）滿足服務準確度的區域面積/總服務面積 服務響應時延 端到端 AI 服務響應時延（ms）終端計算時延+端邊鏈路時延+邊緣計算時延+云邊鏈路時延+云計算時延 系統能效 單位能量消耗所能處理的數據量（bit/J）任務大小/（終端計算能耗+端邊鏈路能耗+邊緣計算能耗+云邊鏈路能耗+云計算能耗）服務密度 單位區域內的服務速率（bps/平方公里）min傳輸容量，訓練或推理數據密度/區域面積 服務完整度 數據服務的完整度（%）數據的完整度*子任務完成比例 服務冗余度 數據服務的冗余度（%）數據的冗余度*通信冗余度*計算冗余度 在 6

68、G QoAIS 指標體系中，通信性能指標與 5G 類似，其定義和參考計算公式如下表所示：表 10 AI 服務性能指標 通信性能指標名稱 定義 計算參考公式 可靠性 傳輸鏈路的可靠度（%）該鏈路傳輸成功次數/總的傳輸次數 鏈路預算 達到特定數據速率時基站與終端之間的最大耦合損耗（dB）信道衰落+噪聲+干擾 數據速率 用戶體驗的數據速率(特別是上行)（bps）成功傳輸的數據量/傳輸時間 區域傳輸容量 單位區域內的數據吞吐量（bps/平方公里）區域內成功傳輸的數據量/傳輸時間/區域面積 通信能效 單位能量消耗所能傳輸的數據量（bit/J）成功傳輸的數據量/通信能耗 AI 模型/計算性能指標包含 AI

69、 模型性能指標及算力指標，其定義和參考計算公式如下表所示：表 11 AI 模型/計算性能指標 性能指標名稱 定義 計算參考公式 推理準確度 模型推理結果的準確度（%）推理數據集正確樣本數量/推理數據集總樣本數量 數據分布覆蓋范圍 達到模型推理準確度的數據分布所能覆蓋的范圍（主體數或節點數）min節點數：推理準確度(節點數)準確度閾值 訓練或推理時延 模型訓練達到目標準確度的時間（ms）計算公式：min時間：訓練準確度(節點數)準確度閾值 訓練或推理數據密度 單位區域單位時間內節點能處理的比特數（bps/平方公里）節點計算量/計算時間/區域面積 訓練或推理能效 單位能量消耗所能支持的訓練或推理的

70、浮點運算次數（FLOPs/J）任務訓練和推理所需浮點運算數/計算能耗 AI 數據性能指標刻畫 AI 服務的數據質量，其定義和參考計算公式如下表所示：表 12 AI 數據性能指標 AI 數據性能指標 定義 計算參考公式 數據完整度 數據集的無損數據占比（%）數據集可用樣本量/數據集樣本總量 數據冗余度 數據集的冗余數據占比（%）數據集冗余樣本量/數據集樣本總量 數據時效性 信息年齡(s 或 ms)當前時刻-模型最新接收數據的產生時刻 6.2.2.2 指標計算示例 6G 網絡可基于云邊智能協同的方式為用戶提供知識和內容服務，以 AR/VR 視頻業務為例，云平臺基于全網用戶數據訓練獲得興趣偏好預測模

71、型、軌跡預測模型以及網絡狀態模型，并通過云邊協同的方式在邊緣網絡側部署輕量化預測模型，賦能邊緣網絡預測短期AR/VR視頻業務請求，從而提前完成熱點視頻內容和渲染服務的緩存，同時通過邊緣協同方式提前規劃邊緣網絡資源，應對業務請求突發情況。與此同時，邊緣側模型可通過聯邦學習等方法實現數據不出本地情況下的模型微調優化，不斷提升用戶服務的準確性和用戶體驗。圖 7 云邊智能協同知識和內容服務場景 本場景用例所需調用的 AI 服務包括數據類、訓練類和推理類。其中 AI 數據類服務的工作流包括用戶位置、請求、觀看、評價 AR/VR 視頻內容的數據采集、傳輸、預處理、提取、存儲等；AI 訓練類服務的工作流包括

72、云平臺對興趣偏好預測模型、軌跡預測模型以及網絡狀態模型等預測模型的訓練，邊緣網絡輕量化模型的聯邦學習訓練過程等；AI 推理類服務的工作流包括邊緣網絡側內容緩存和網絡資源優化等。指標計算示例：(1)推理時延 以 AR/VR 視頻渲染為例，其渲染過程為 AI 推理類服務。假設邊緣網絡側基于用戶請求預測模型獲得的緩存推理決策準確率為Ip，原始視頻任務的大小為2Dl比特，通過AI模型渲染 1 比特內容需要的模型計算量，渲染后的 AR/VR 視頻大小為3Dl比特，邊緣服務器計算能力為ef，本地設備計算能力為lf，下行鏈路速率為lr，假設原始視頻任務可通過分割由邊緣側和終端協同渲染，其在邊緣服務器側處理的

73、任務比例為。若邊緣緩存沒有命中用戶請求，則從云平臺側調取請求內容，云邊鏈路時延假設固定為ct?；谏鲜鰣鼍?，可計算 AR/VR 服務平均響應時延為：22223232322(1)(1)(1)(1)min()(1)(),()(1)()1min(1)(),()(1)DDDDIIcllllDDDDIIcleleDDDIclllelllltpptrfrfllllpptrfrflllp trfrf=+=+(2)推理準確度：以視頻安全監控為例，假設N個智能攝像頭均能對同一場景進行監控，并通過設備部署的 AI 模型進行事件推理，對于攝像頭i，其模型推理準確度為ip，鏈路可靠性為il，因此該設備推理服務準確度為

74、i ipl，則該推理類服務總的準確度為：11(1)Ni iiAccpl=6.2.3 區分 AI 服務的資源 QoS 設計方案 6.2.3.1 指標描述 前文盡可能全面的深入介紹了 QoAIS 所涉及的指標，本節將從另一個最低限度的角度分析，6G 提供 AIaaS 服務時，網絡在連接維度、資源維度及模型維度，需要最低限度提供的 QoS 保障指標，該指標體系概述如表 13 所示。這個角度將以最低限度定義 QoS指標數量，在十分必須加入另外的指標時，再逐個加入擴充指標。這部分工作與前文的工作，將共同推動 QoAIS 進一步的研究。網絡提供特定 AI 服務過程中，該指標體系的模型維度將表征模型的性能保

75、障需求；資源維度將表征網絡資源保障需求；連接維度將表征服務使用過程中相關數據的傳輸保障需求。其中資源維度的資源類型，將包含數據、算法、計算、存儲等資源，可以進一步分類型設計表征方式。表 13 精簡式 6G QoAIS 指標 維度 指標 模型維度 模型準確率、模型復雜度、模型推理開銷、模型并發性能、模型泛化性能 資源維度 資源數量（注:包括資源類型）、資源時長 傳輸維度 傳輸帶寬、傳輸時延、傳輸抖動、傳輸可靠性、傳輸優先級 該指標體系希望統一的表征 AIaaS 所有服務的 QoS 指標需求，并盡可能與 6G 網絡其它服務，如算力服務、數據服務等，做到指標維度和參數的有機融合，將 6G 網絡 Qo

76、S 保障指標體系和保障機制盡可能統一，提高 6G 網絡服務效率，降低 6G 網絡管理復雜度。在目前的 AIaaS 的研究中，較為認可的服務包括模型訓練服務、模型推理服務、模型部署服務等，對于特定服務的 QoS 指標參數設計如下。模型訓練服務：模型維度：模型準確率、泛化性、模型復雜度可選、模型推理開銷可選 資源維度：資源數量、資源時長 可選傳輸保障維度：傳輸可靠性、傳輸時延、傳輸帶寬 模型推理服務：模型維度：并發性能（數量、密度、可靠性）資源維度：資源數量，資源時長 傳輸維度：傳輸時延、傳輸可靠性、傳輸抖動可選 模型部署/開放服務：模型維度：并發性能、開放范圍 資源維度：資源數量 可選傳輸保障維

77、度：傳輸可靠性、傳輸時延、傳輸帶寬 數據管理服務 模型維度：開放范圍，可靠性 資源維度：資源數量，并發性能 6.2.3.2 指標計算示例 6G 星地融合網絡具備全域覆蓋的能力，網絡的無線資源包含了地面的基站無線資源和天上的衛星無線資源。當區域內同時存在上述兩種資源時，面對區域內用戶的網絡服務需求，6G 星地融合網絡需要合理選擇和分配無線資源來服務用戶，實現最大化滿足服務需求和無線資源利用。但是，衛星的高動態性，基站資源的不均衡性，以及用戶需求的未知變化性，對 6G 星地融合系統的無線資源統一調度是一項巨大的挑戰。而基于強化學習進行的衛星和基站資源聯合分配，是解決該難題的一種方法。6G 星地融合

78、系統無線資源示例如圖 8 所示。.圖 8 星地融合系統無線資源分布示例 在上述資源分配場景基于強化學習的方案中，首先需要統計波位范圍用戶需求資源表征列表、波位內基站無線資源利用情況、衛星無線資源利用情況作為 Space 空間；而后，智能體產生周期內資源分配策略，其中，包括衛星跳波束策略和系統的無線資源分配策略的 Action 動作為；之后，根據系統吞吐量和用戶需求滿足函數的 Reward 獎勵，不斷迭代優化。最終實現衛星覆蓋區域內，不同用戶服務需求數量和基站/衛星負載變化下，系統資源合理分配，達到系統資源高效使用和用戶需求最大化滿足的目標。本場景下，用到的 AIaaS 服務包括模型訓練服務和模

79、型推理服務。在星地融合資源聯合分配場景下，模型訓練過程在本地訓練，因此指標只包含模型維度和資源維度，模型推理服務包含指標體系中的模型、資源和傳輸三個維度。具體指標定義如下。訓練服務 模型維度：模型準確率：本場景下沒有可準確計算的模型準確率，以用戶需求滿足率和系統資源利用率聯合表示。(irement，ource)f reqres=模型泛化性：模型泛化性以衛星服務的多個區域（如M個）的模型準確率均方差值表示。21()MiaveiPM=其中，i為模型在區域 i 的準確率，ave為 M 個區域的模型平均準確率，表示如下。1MiiaveM=資源維度：算力資源數量：分配算力大小，以 FLOPS 表示。存儲

80、資源數量：分配存儲空間，以 MB 表示。推理服務 模型維度：并發性能，以并發推理數和推理響應時間表示。資源維度：算力資源數量：分配算力大小，以 FLOPS 表示。存儲資源數量：分配存儲空間，以 MB 表示。傳輸維度：傳輸時延：執行體至推理模型的數據傳輸時延，以 ms 為單位。傳輸可靠性：執行體至推理模型的數據傳輸可靠性。6.2.4 AI 多維資源 QoS 設計方案 6.2.4.1 指標描述 6G 引入 AIaaS 后，業務保障的要素從純連接演變為連接，計算，數據和模型四要素，且原先 UE-RAN-CN 端到端結構演變為多網絡節點的復雜拓撲，考慮到 QoS 保障的維度和方式相對 5G 通信 Qo

81、S 有了很大的變化，6G QoAIS 指標體系縱向上分為服務 QoS、任務 QoS 和資源 QoS 三個層次，橫向上分為四個維度，分別對應連接，數據，計算，和算法四要素。指標的具體設計上，參考 5G QoS，分為 QoS parameters 和 QoS characteristics兩級。QoS Parameters 的指標則定義了 QoS 管理對象和管理方式，如連接的核心是對于速率進行管理（GFBR/MFBR/AMBR），計算的核心是對于計算資源進行管理（比如FLOPS）等。不同節點根據具體的 parameters 來進行 QoS 保障，如根據 6QI 和 ARP 管理時頻域資源分配，根據

82、 notification control 管理是否在 QoS 達不到要求時進行上報等。QoS Characteristics 對應 6QI，根據不同要素（連接/數據/計算/算法）的不同業務屬性（如數據，按照去除唯一性/降噪/特征提取/缺失值處理業務的不同）進行分類，劃分后由唯一的 6QI 值進行對應。6.2.4.2 指標計算示例 該場景為網絡基于實時的路況提供通行時長預估。業務流程如下：1）車輛向6G網絡運營商訂購了 AIaaS 服務（簽約時已經確定 SLA 要求，比如輕算法，重數據）；2）車輛（終端）發起 AI 業務請求；3）NAMO 根據該車輛（終端）的簽約信息中的 SLA 轉化后形成的

83、服務 QoS 作為輸入完成該 use case 的服務編排，生成 workflow 和 task，選擇合適的任務錨點（RAN/UE），下發任務內容。編排過程同時完成服務 QoS 到任務 QoS 的分解（從指標上看，non-separable 指標不變，separable 指標分段）。4）各任務執行節點根據任務 QoS，按照四要素資源維度進行劃分，按照資源 QoS 要求執行數據采集處理，模型訓練，推理，驗證（在計算執行體上按照計算資源 QoS 執行計算）等；5）各任務錨點完成任務后，得出最終的推理結果并返回給該車輛。6）該車輛完成行程后返回實際通行時間給網絡，網絡完成對預測模型的驗證，并釋放任務

84、上下文。相關 AI 服務包括 AI 數據服務，AI 訓練服務，AI 推理服務，AI 驗證服務。QoS characteristics 對應 6QI，和 5QI 從連接角度對于不同業務進行劃分不同，6QI是從連接/計算/算法/數據四個維度進行 AI 業務的分類的，具體如下所示：連接維度：Resource type：連接拓撲（區別于5G UE-RAN-CN唯一形式）；連接分類（純連接/計算連接/算法連接/數據連接）；GBR/non-GBR Default priority level Packet delay budget Packet error rate Default maximum dat

85、a burst volume Default averaging window 計算維度：Resource type：計算拓撲；計算分類（純計算/算法計算/數據計算）；GFLOPS/non-GFLOPS；Default priority level Computing latency Computing accuracy Degree of parallelism Default averaging window 數據維度：Resource type：數據拓撲；數據源類型（sensing data/AIML data/IoT data/network operation data）；guara

86、nteed I/O or non-guaranteed I/O;guaranteed volume/non-guaranteed volume；Default priority level Data processing latency Degree of parallelism 算法維度：Resource type：算法拓撲；模型類型；guaranteed training precision/non-guaranteed training precision；guaranteed inference accuracy/non-guaranteed inference accuracy；De

87、fault priority level Model inference latency Model training latency Degree of parallelism 6.2.5 AI 模型 QoS 設計方案 6.2.5.1 指標描述 針對 AI 模型，6G 新系統要求具備模型訓練，模型評估，模型認證，模型推理，模型存儲等功能和服務。相應的 QoAIS 指標可以包括 AI 模型性能、AI 模型時延、AI 模型存儲等方面。表 14 AI 模型相關 QoAIS 指標 QoAIS 指標 描述 AI 模型性能 模型的性能主要考慮 AI 模型的固有屬性，如準確率，召回率，泛化性，魯棒性，復用

88、性和可解釋性等。涉及模型訓練、推理和遷移等。根據模型應用場景，用例門類和模型類型的不同，模型性能的具體屬性可能不同。AI 模型時延 產生模型時延的因素有模型的傳輸，模型再訓練和模型推理等方面，涉及模型參數量，存儲位置，再訓練模式，再訓練數據，推理數據，連接性能和網絡算力配置等，體現 AI 服務總指標和連接，算力，數據和算法等分指標之間統分關系。AI 模型存儲 6G 新系統的架構充分考慮了云、網、邊、端 等異構資源的發現和編排。須考慮如何在異構的存儲資源中最優地存儲 AI模型，以保障時延和用戶體驗等。以 AI 模型性能為例，根據 AI 模型的智能類型，AI 模型的性能評估指標存在著不同的共性或特

89、性，如圖像處理中的目標檢測，可采用物體實際區域與推測區域的交并比（IoU=物體實際區域與推測區域的重合面積/兩個區域整體所占的面積）來評價；異常檢測等分類問題的性能可采用常用的準確率、召回率或 F1-score 來衡量；多小區流程預測這類指標預測問題，可采用圖神經網絡作為基礎的 AI 算法，模型性能可通過預測值和真實值之間的平均絕對誤差（MAE）或均方根誤差（RMSE）等指標體現。6.2.5.2 指標計算示例 場景描述：考慮通過強化學習的方式進行多小區聯合參數優化，以提升網絡質量，例如基于多智能體強化學習的多小區 MIMO 天線權值優化。具體地，該方法包括智能體環境和優化算法兩個主要模塊。智能

90、體環境首先在計算設備上構建的一個虛擬通信環境（可由數字孿生實現）。該虛擬環境基于現場環境信息，可快速輸出不同基站位置、不同天線參數等狀態下，UE 的信號強度和信噪比。智能體環境基于基站位置和天線參數等狀態，生成一個動作發送給虛擬通信環境，虛擬通信環境通過計算，返回信號覆蓋值等仿真結果作為模型的獎勵。算法根據當前的獎勵選擇下一個動作。經過多次循環，優化算法從智能體環境中獲取動作和獎勵反復學習，最終學習到一個最優的結果。相關 AI 服務：AI 數據服務，AI 訓練服務，AI 推理服務。指標計算 性能指標界：在實際應用中，該方法基于數字孿生環境等虛擬通信環境生成配置組合，并部署到現場執行，我們通過計

91、算 RSRP 覆蓋性能和 SINR 覆蓋性能的提高，評價配置組合（如相對人工經驗方法優化效果的提升比率），可計算配置組合評價的期望作為 AI 模型的性能指標參考標準。例如，RSRP 覆蓋性能提升可通過以下公式計算，=100%,其中表示通過強化學習優化后的 RSRP，表示基于專家經驗優化后的RSRP，是優化前的 RSRP。同時強化學習策略模型的學習訓練需要較大的開銷進行多輪訓練，其訓練耗時和傳輸也是評價模型性能的關鍵指標。將優化后的策略部署在近端計算環境（如基站等）中，可進一步降低推理時延。開銷：模型的訓練結合實際環境參數和虛擬通信環境，在數據傳輸上將產生較大的開銷。在建設好虛擬通信環境的基礎上

92、，基于強化學習的模型訓練仍產生較大的算力開銷。因此，模型的訓練適宜在算力等資源充足的環境，如云端進行。模型在部署時，產生將策略模型從云端傳輸到近端計算環境的開銷，及相應的存儲開銷。安全隱私：模型需收集地形，建筑物，用戶分布等信息并傳遞給虛擬通信環境，涉及到用戶信息，需進行脫敏處理。自治：結合數字孿生技術，massive MIMO 天線權值可逐步實現自動化配置。具體地，流程初始階段，需要結合人工經驗和配置的性能指標，逐步確定部署策略回傳虛擬通信環境更新的時間，以保證服務效果并積累更新相關信息數據，用于訓練策略更新模型，將服務從半自動化升級為自動化。綜上所述，上述場景相關 AI 服務的 QoAIS

93、 指標通過以下公式抽象表示。AI 數據 QoS=算力資源，傳輸資源，數據描述，緩存機制，安全級別，AI 訓練 QoS=算力資源，傳輸資源，模型大小，模型超參，緩存機制，安全級別,AI 推理 QoS=算力資源，傳輸資源，模型大小，緩存機制。其中算力資源包括計算和存儲的硬件設施，如 GPU 類型和顯存大小等；傳輸資源包括傳輸方式，速率，吞吐量等；數據描述包括特征類型，存儲方式，數值精度等；模型超參包括智能體數量，訓練輪數等。7.待研討問題（1）指標需求 未來多樣化智能應用場景對 AI 服務的質量需求（QoAIS）體現在哪些方面？相比傳統 QoS 會出現哪些新的評估維度？網絡在引入 AI 服務后，用

94、戶對 AI 服務安全性和隱私性上會存在哪些不同的需求選項？如何對其進行分級和量化？（2）設計原則 當前，部分 QoAIS 指標尚無成熟的量化評估方式（如模型的泛化性、可解釋性、可重用性），如何分階段進行指標設計和引入？在 AI 服務層，由于每一類服務存在共性指標，也有一些跟服務特性相關的指標，服務 QoS 是否需要統一？針對不同 AI 服務類型是否設計特異性服務 QoS？（2）指標設計 QoAIS 體系包括 AI 服務、任務和資源三個層次，每層 QoS 指標參數是否會有重疊？任務 QoS 與服務 QoS、資源 QoS 的映射關系如何？不同場景的需求是否導入到不同層面的 QoS 上？從邏輯角度，

95、服務到任務的映射、任務到資源的映射均可以是一對一的，因此，不同場景的需求可以統一到服務 QoS 上；從功能部署角度，由于服務 QoS 可能位于管理系統中，任務 QoS 和資源 QoS 可能位于控制面，對于有不同時延需求的場景，導入到不同層面的 QoS 效率更高。8.總結與展望 6G 網絡將構建內生 AI，建立可應用于各種智能場景的能力體系。不同的應用場景對AI 服務的質量有著不同的要求，因此需要制定一套全面完整的指標體系，通過量化或分級的方式體現用戶業務的需求，并對 AI 服務質量進行評估和保障。本白皮書旨在為 6G 網絡服務質量保障體系設計提供科學依據，首先介紹了 QoAIS 指標體系的研究

96、背景，并從運營商、網絡、方案多方面分析了 QoAIS 的驅動力。然后闡述了 QoAIS 的定義與內涵，將其分為 AI 服務的 QoS、AI 任務的 QoS、AI 資源的 QoS 三層。接下來研究了 QoAIS 指標體系的設計原則以及已有的相關方案，在此基礎上，打破了傳統僅考慮通信資源指標的 QoS 體系，從算力、連接、算法、數據等不同維度設計QoAIS 模型和指標，給出了多種可能的方案，并針對具體場景展開分析。最后對未來可能的研討問題進行了總結。展望未來，6GANA 將聯合合作企業及高校持續對 QoAIS 指標體系進行深入研究，旨在為 6G 網絡內生 AI 服務質量的保障和評估提供參考，助力千

97、行百業的數智化轉型，推動構建智慧內生的網絡體系。參考文檔 1 劉光毅,鄧娟,李娜等.內生智能和端到端服務化的 6G 無線網絡架構設計J.無線電通信技術,2022,48(04):562-573.2 6GANA.6G內生 AI網絡架構十問R,2022.3 孫子劍,廖逸瑋,魯智敏.面向 6G智能內生的隱性語義認知通信J.移動通信,2023,47(04):7-13.4 王晴天,劉洋,劉海濤.面向 6G的網絡智能化研究J.移動通信,2022,38(09):151-160.5 王瑜新,章秀銀,徐汗青.6G需求、愿景與應用場景探討J.電子技術應用,2021,47(03):14-17.6 趙軍輝,李一博,王海

98、明.6G定位的潛力與挑戰J.移動通信,2020,44(06):75-81.7 吳建軍,鄧娟,彭程暉,等.任務為中心的 6G 網絡 AI 架構J.無線電通信技術,2022,48(4):LI Tingting,XIN Yutong,RAN Peng,et al.Channel State Information Feedback for Massive MIMO System Based on Asymmetric Convolution J.Radio Communications Technology,2022,48(4):8 3GPP TS 23.501:System Architectur

99、e for the 5G System;Stage 2.9 朱婷婷,張勇.5G網絡實現 4K/8K/VR 高清視頻業務的標準化模型和應用場景研究C/中國標準化協會.第十七屆中國標準化論壇論文集.2020:6.10 3GPP TS 23.502:Procedures for the 5G System(5GS)Stage 2.11 3GPP TS 23.503:Policy and charging control framework for the 5G System(5GS)Stage 2.12 郭鳳仙,孫耀華,彭木根.6G 算力網絡:體系架構與關鍵技術J無線電通信技術,2023,49(1)

100、:21-30.13 武振宇,肖子玉,劉鵬等.算力網絡業務分級模型與指標體系研究J.電信工程技術與標準化,2023,36(03):8-13.14 李一男,唐琴琴,彭開來,等.以服務為中心的算力網絡度量與建模研究J.信息通信技術與政策，2023，49(5):21-29.15 李寧東,邢玉萍,馬新翔.我國算力網絡發展評估體系研究J.信息通信技術與政策,2023,49(05):15-20.縮略語 縮略語 全稱 中文釋義 5QI 5G QoS Identifier 5G 服務質量指示符 AF Application Function 應用功能 AIaaS AI as a Service AI 即服務 A

101、MBR Aggregate Maximum Bit Rate 聚合最大比特率 ARP Allocation and Retention Priority 分配和保留優先級 FaaS Function as a Service 功能即服務 FER Frame Error Rate 誤幀率 FLOPS Floating Point Operations Per Second 每秒浮點運算次數 GBR Guaranteed Bit Rate 保證比特速率 GFBR Guaranteed Flow Bit Rate 保證流比特率 IaaS Infrastructure as a service 基礎設

102、施即服務 IOPS Input/Output Operations Per Second 單位時間讀寫次數 LTE Long Term Evolution 長期演進 MAE Mean Absolute Error 平均絕對誤差 MBR Maximum Bit Rate 最大比特速率 MFBR Maximum Flow Bit Rate 最大流比特率 MIMO Multiple-Input Multiple-Output 多輸入多輸出 mMTC massive Machine Type Communication 大規模機器類通信 NAMO Network AI Management&Orche

103、stration 網絡 ai 管理與編排 NEF Network Exposure Function 網絡開放功能 PaaS Platform as a service 平臺即服務 PCF Policy Control Function 策略控制功能 QoAIS Quality of AI Service AI 服務質量 QoS Quality of Service 服務質量 RAN Radio Access Network 無線接入網 RMSE Root Mean Squared Error 均方根誤差 RPO Recovery Point Object 恢復數據目標 RQA Reflect

104、ive QoS Attribute 反射式 QoS 屬性 RSRP Reference Signal Receiving Power 參考信號接收功率 RTO Recovery Time Object 恢復時間目標 SaaS Software as a service 軟件即服務 SINR Signal to Interference plus Noise Ratio 信干噪比 SLA Service-Level Agreement 服務等級協議 SMF Session Management Function 會話管理功能 UE User Equipment 用戶設備 UDM Unified Data Management 統一數據管理