基于数字孪生和内生AI的网络自治.pdf

2网络自治发展路径L0人工运营维护L1辅助运营维护L2部分自动驾驶网络L3有条件自动驾驶网络L4高级自动驾驶网络L5完全自动驾驶网络线下人工实现人工实现线上记录自动实现，程序固化专家规则，可自动调度流转自动实现，规则与功能解耦，可按需灵活配置自动实现，规则结合AI，可持续学习、快速迭代自动实现，规则顺应变化自动迭代，实现网随业动2025p 目前网络自治水平处于L2-L3等级p 发展目标：2025年网络运维自治水平达到L4等级35G网络自动驾驶实践的启示架构：集中式智能架构：集中式智能多形态智能多形态智能网管集中式数据采集和模型训练网管/网元设备间数据和模型协同机制重塑网络数据和AI计算资源的分布架构，云边端多形态智能，提高模型训练和响应效率效果：高度自治网络效果：高度自治网络降本增效的运营智能端到端高度服务智能响应速度：1小时/15分钟秒/毫秒/微秒级优化提升维度：网元用户、信道QoS级服务智能保障场景：多样性发展需求场景：多样性发展需求以ToC业务为主的智能化应用相对成熟ToB场景业务智能化水平仍需提升，包括场景、数据、算法、效果，进一步增强网络切片差异化服务能力环境：强大的模拟复现能力环境：强大的模拟复现能力网络资源/参数的智能调度决策依赖精准的环境反馈缺乏可供智能体训练的试错环境，可依托海量历史数据建模，还原网络不同性能表现5G共生共生6G内生内生?4数字孪生和内生AI实现6G网络高水平自治智能应用网络数字孪生数据采集内生AI自优化自演进自服务“0”接触运维物理网络自治愈6G网络以实现网络以实现L5等级的自动驾驶网络为目标，面向消费者和垂直行业客户提供全自动、零等待、零接等级的自动驾驶网络为目标，面向消费者和垂直行业客户提供全自动、零等待、零接 触、零故触、零故障的创新网络服务与障的创新网络服务与ICT业务，打造自服务、自治愈、自优化、自演进的通信网络业务，打造自服务、自治愈、自优化、自演进的通信网络5数字孪生和内生AI实现6G网络高水平自治数字孪生网络生成数据样本，为数字孪生网络生成数据样本，为AIAI工作流和模型提供预验证和优化环境；内生工作流和模型提供预验证和优化环境；内生AIAI为数字孪生网络提供为数字孪生网络提供AIAI能力支撑，优化孪生网络性能能力支撑，优化孪生网络性能相比相比5G，6G新增内生的智能面和虚实交互的数字孪生网络，并通过智能面与数字孪生网络的交互与融合，实现新增内生的智能面和虚实交互的数字孪生网络，并通过智能面与数字孪生网络的交互与融合，实现6G网络全生命周期（规、建、维、优）的高水平自治网络全生命周期（规、建、维、优）的高水平自治内生智能面数字孪生网络66G内生AI网络逻辑功能架构设计6G内生智能面的逻辑功能主要由内生智能面的逻辑功能主要由AI管理编排（管理编排（AIMO）、任务锚点（）、任务锚点（TA）、任务控制（）、任务控制（TC）和任务执行（）和任务执行（TE）组成）组成序号技术特征1以任务为中心从 以会话为中心 到 以任务为中心包括AI任务的拆解、管理、资源配置、调度2三层闭环QoAIS保障QoAIS指标体系：突破传统通信QoS指标维度三层模型：服务QoS、任务QoS、资源QoS管控协同的QoAIS保障3多维资源调度连接、计算、数据和模型连接与计算融合的控制内生AI架构将AI三要素与网络连接一样下沉为网络内部的基本资源，使网络通过多维资源的协同，直接、便捷地为用户提供有QoS保障的AI服务，完成网络自治场景所需的AI用例7内生AI网络逻辑功能部署选项以ORAN为例SMO AIMONon-RT RICTANear-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管理面部署方案实时性要求较低，资源和精准度要求较高场景任务执行在网管，可能涉及NRT-RIC协作Option 2管理面部署方案实时性要求较低、所需资源仅存在于网元任务执行在网元Option 3管控两级用例方案自治区域规模较大，AI用例拆解为本地和全局本地实时性要求较高，任务执行在网元本地执行结果上报给网管Option 4管控两级执行方案实时性要求较低，所需部分资源仅存在于网元资源调度上多级协同8AI训练服务示例nAI推理服务用例具体流程：1.用户发起AI推理请求；2.导入AI用例到网管设备；3.解析AI服务对应的QoAIS，由网管设备下发至基站；4.将QoAIS分解为资源QoS需求，明确所需四要素资源的需求，包括连接、计算、数据和算法/模型；5.基站实时决定并调整计算的分配、优化通信连接质量、决定并采集处理所需数据，以及决定并更换或优化算法模型，以保证任务QoS的达成，从而保证QoAIS的达成；6.基站将结果反馈给用户。n功能模块：1.网管：解析QoAIS和资源QoS，根据用户业务请求分解出四要素资源使用量。2.基站：四要素资源的配置，根据资源QoS针对一个请求配置资源，并执行AI推理。2.业务请求1.发起AI推理请求基站DU网管设备终端4.资源QoS3.解析QoAIS和资源QoS基站（CU+O-cloud+NT RIC）6.四要素资源的配置5.请求UE能力/反馈8.建立连接7.资源分配建议9.视频数据10.推理结果SMO推理服务请求数据采集QoAIS241空口变化396G数字孪生网络逻辑功能架构设计数字孪生网络端到端架构数字孪生网络基本概念间的关系生成和解析网络自治需求构建、编排和调整数字孪生体和数字规划体模型生成和更新网络的数字孪生体生成和实施网络的数字规划体数字孪生网络基本功能集中与分布相结合按需建模、高效交互的数字孪生体低成本预验证试错环境内闭环数字域寻优，外闭环校正关键技术特征10数字孪生网络逻辑功能部署选项以ORAN为例SMO预验证功能优化孪生体生成NTRIC预验证模块决策模块A1CURUE2决策执行数据采集配置数据需求分析DUF1数据采集网络治理需求分析O1 基于查表/知识图谱实现按需数据采集 预验证功能实现 预验证场景搭建 预验证功能优化核心功能孪生体/规划体生成 对于实时性要求高的用例，“规划体生成”位于NT RIC或CU；实时性要求低的用例，“规划体生成”位于SMO；规划体生成涉及决策算法的迭代优化“孪生体生成”模块的位置依据用例的实时性需求确定n无线数字孪生体建模n预验证功能 PolicyNon-RT RICService provisioningData analyticsCertification serverOptimizationQoS management孪生体生成RRCSDAPPDCPMACRLC3rd party appsTrained model人工决策模块规划体生成数据需求分析孪生体生成11大规模天线权值优化用例示例4.位置/业务信息5G小站DUNT RIC终端8.波束配置5.生成波束决策5G小站CUnMIMO用例具体流程：1.SMO生成波束权值优化用例；2.SMO分析初始数据采集需求；3.NT RIC根据初始数据采集需求设置小站数据采集配置；4.终端上报位置和业务信息；5.波束决策模块生成波束决策；6.波束决策在预验证模块中进行预验证，波束决策模块根据预验证的性能优化波束决策，直至满足需求；7.数据需求分析模块根据预验证性能分析数据采集需求，如数据采集类型与频次；8.波束配置决策下发至5G小站；9.新的数据采集需求下发至5G小站；10.如新的数据采集需求涉及采集数据类型变化，新的数据类型采集需求上传至SMO，更新初始数据采集需求；n新增接口信息：1.AI接口：模型参数；2.E2接口：数据采集需求，含类型、频次等；n功能模块：预验证：可预测未来网络状态；接收采集、增广与生成数据更新预验证环境；与波束权值生成模块交互，返回预验证的性能，辅助波束配置优化；数据需求分析：基于查表/知识图谱分析需要采集的数据类型；SMO6.波束决策预验证与优化7.分析数据采集需求9.数据采集需求1.网络治理需求分析3.初始数据采集需求2.初始数据需求分析11.初始数据需求分析10.数据类型采集需求向高水平自治网络演进：模型5G：独立的、局部应用所驱动的小模型6G：通用网络智能大模型OSSOMCgNB技术特点：模型参数较少，结构简单，复杂度低，训练推理速度快，可解释性较高优势：轻量化，无需网络架构适配AI部署劣势：模型迁移和泛化性不佳，建模场景有局限性，分域而治导致重复性研发技术特点：模型参数大，数据规模大，算力大优势：通用性好，容易裁剪成小模型，针对部分特定场景只需要少量调参劣势：成本极高（包含算力、数据集构建、人工调优等），需要极为庞大的预训练数据网络数字孪生通信网络大模型网络智能化应用工作分散到不同厂家和领域，场景数据规范性不相通，存在数据重复采集、资源浪费等问题。网络智能化应用的场景种类繁多导致场景碎片化。网络智能化应用的应用分散，AI 模型的通用性较低，各个应用之间缺少协同优化，模型无法复用和积累。大模型运维通用模型运行通用模型无线运维通用模型核心网运维通用模型网络AI大模型发展？小规模大规模统一离线实时？物理层网络层业务层小模型1小模型2小模型N？无线运行通用模型核心网运行通用模型通信网络大模型：应用用例网络运营网络运维增强智能客服的语义理解、情感识别增强分析，实现智能化经营分析智能营销网络直接调用封装的大模型服务，利用大模型多模态机器学习、语言理解与文本生成能力，提升网络的信息通信服务能力。故障识别故障定位故障自愈网络优化通信网络可以通过网络内部接口进行交互，大模型作为一种网络内部功能或者网元，协助智能运维AIOps 助力运维人员快速处理系统故障。网络运行无线信道建模：根据无线信道上输入的数据实现信道生成，利用多模态输入输出技术补充或完善已有的数据/图片/视频集，并可根据场景描述生成场景。语义通信：利用ChatGPT作为系统中的编码器（encoder）和解码器（decoder）模块来实现语义编码和解码。通信网络大模型：通信挑战场景对数据的要求对模型的要求对网络架构的影响对网络的影响程度大模型研发工作量可行性网络运营多模态数据:通信行业属性、客户服务对话、行业标准和法规文件、在线音频、巡检图像、渠道信息多模态机器学习、语言理解，逻辑推理、文本生成 大模型作为网络外部的一种远程服务，可以直接调用小小高网络运维标准化数据：KPI、XDR、MR、拓扑等资源非标准化数据：日志、图、文档/案例等非标数据治理、数据对齐，多模态、自然语言理解，逻辑推理、代码生成大模型作为一种网络内部功能，通信网络可以通过网络内部接口进行交互，需要在已有大模型自然语言理解能力上增强丰富的运维能力，故障的解决方案或修复策略知识库中中待评估网络运行非标准化物理层数据：包括上下行信道、语义信息、语义特征、小区内/间干扰标准化数据网络层，业务层，服务级包括：MR测量数据、MDT数据，业务数据流信息数据（IP五元组、URL、PFD等），控制面信令数据、业务数据流信息数据 逐步推理，模型压缩(减少资源)，自适应推理(跳过不重要层，速度快)将大模型功能嵌入已有的应用和服务中，或者将大模型作为网元形式与网络架构进行融合，以保证实时性。大大待评估16有待研究的技术问题序号内生AI1如何基于三层QoAIS指标体系，设计面向网络自治用例的QoAIS指标？2面向QoAIS保障，如何以AI任务为中心，实现灵活的多维资源编管控？3网络运维和网络运行是否存在通用智能大模型？对数据有何要求？代价如何？若存在，网络如何满足运行态大模型对存储、算力和数据的需求？是否影响网络架构？序号数字孪生网络1如何对无线网元和网络进行功能和性能建模？如何依据不同网络自治场景的需求，按需生成网元和网络的数字孪生体？2如何构建低成本、满足精度和实时性需求的数字孪生预验证环境和迭代优化闭环？3通用网络AI大模型与网络数字孪生的关系？与网络数字孪生模型的关系？17谢 谢！