智能内生6G 网络：架构、用例和挑战*

时间：2024-05-22

孙耀华，王则予，袁硕，彭木根

(北京邮电大学网络与交换技术国家重点实验室，北京100876)

0 引言

面对交互式无线虚拟/增强现实、人机协同作业、全景高清视频直播等新型应用以及沙漠、海洋等多样场景下的通信需求，第六代(The Sixth Generation，6G)移动通信将呈现“空天地”融合通信[1]、全频谱接入[2]、异构超密集组网[3]、云边协同[4]等特征，但也将导致网络优化和管理难度急剧增大。此外，为了便于移动通信专网与生产制造、交通运输、能源电力等垂直行业深度融合，网络配置和运维方式亟需简化。在此背景下，业界提出引入人工智能(Artificial Intelligence，AI)，利用其强大的预测、决策能力构建智能内生的6G 网络[5]。

文献[6]针对数据驱动的深度学习(Deep Learning，DL)导致的计算密集以及训练时间长等问题，总结了模型驱动的DL 方法在物理层通信中的应用和优势；文献[7]将AI 视作实现网络资源优化的关键技术，介绍了AI技术在移动宽带、触觉网络以及无人机网络等多个场景下的应用；文献[8]回顾了深度强化学习(Deep Reinforcement Learning，DRL)方法，深入调研了DRL 在通信和组网中的应用，涉及无线缓存、网络接入等；文献[9]按照MAC 层、网络层以及应用层对有关研究进行了梳理总结，提炼了AI 应用于无线网络的动机和面临的挑战。

前述文献均侧重基于AI 的网络性能增强方法，但如何从架构设计角度使能网内AI 能力，从而更好地支持AI 机制的实施仍有待进一步探索。为此，本文接下来将对目前标准化组织、公司和学术界所提智能内生网络架构进行梳理总结，基于此给出一般性的架构特征，接着将探讨智能内生6G 架构的典型用例，最后给出相关挑战并总结全文。

1 国际标准组织相关进展

1.1 第三代合作伙伴计划(3GPP)

为提升5G 网络的数据收集和分析能力，3GPP 在核心网侧引入了网络数据分析功能(Network Data Analytics Function，NWDAF)。在5G 的第一版标准R15 中，3GPP 考虑把NWDAF 作为网络切片选择功能以及策略控制功能的基础。此外，在TR 23.791 中，3GPP 提出NWDAF 能够支持各种预测任务，包括网络功能的负载预测、网络业务负载预测和用户移动性信息预测等。 2020 年6 月，3GPP 通过“Study on Further Enhancement for Data Collection”立项，进一步将AI 功能扩展到无线接入网(Radio Access Network，RAN)，以提升网络能效、负载均衡和覆盖范围。

1.2 欧洲电信标准化协会(ETSI)

2017 年，ETSI 成立了业界首个网络智能化标准组——体验网络智能(ENI)，致力于构建基于数据驱动决策和闭环控制的人工智能网络体系架构。通过自动收集状态数据和进行指标对比，可发现网络故障/性能瓶颈，实现高效自优化。 2018 年，ETSI 提出了智能定义网络的概念。针对RAN 域，引入移动智能网决策实体，每个实体具有数据收集、数据分析、数据建模、决策制定和决策验证功能。实体的部署可采用分层架构，其中上层部署一个中心实体，下层部署多个分布式实体。分布式实体位于gNB，中央实体则负责实体间的协调。1.3 国际电信联盟—电信标准化部门(ITU-T)

2017 年，ITU-T 成立了未来网络机器学习焦点小组，致力于机器学习在5G 及未来网络中的应用。该小组于2019 年提出了在5G 及未来网络中实施机器学习的统一架构。其中，完整的网络分析功能由一组机器学习管道节点构成，包括数据源、数据采集器、数据预处理器、AI 模型、模型输出分配器和接收器等。这些节点可视为逻辑实体，具体部署位置由功能编排器进行管理。此外，其还负责根据模型性能进行AI 模型的选择和复选。为减少由于模型训练导致的潜在网络中断，前述架构还提出了沙盒域的概念，作为独立环境专门用于AI 模型的训练、测试和评估。在3GPP RAN 定义的5G 架构下，一些管道节点可被合并部署在分布式单元(Distributed Unit，DU)和中心单元(Central Unit，CU)中，进而形成分布式单元数据分析功能(Distributed Unit Data Analytics Function，DUDA)和中心单元数据分析功能(Central Unit Data Analytics Function，CUDA)。

2 设备商和运营商相关进展

2.1 开放式智能无线网络架构

在智能和开放原则下，由多家运营商参与的O-RAN联盟提出了开放式智能无线网络参考体系架构，该架构引入了AI 使能的软件定义的RAN 智能控制器(RAN Intelligent Controller，RIC)，包括非实时RIC 和部署在CU的近实时RIC。如图1 所示，通过A1 接口，非实时RIC中在CU 和DU 中进行数据采集并将训练生成的AI 模型分发给近实时RIC。近实时RIC 负责基于AI 模型进行负载均衡、无线资源块管理、干扰管理和移动性管理等方面。此外，通过开放的E2 接口，近实时RIC 不仅可以从DU 处获取近实时的网络状态，还可以向CU 协议栈下发配置命令(例如切换操作等)。

图1 O-RAN 参考体系架构

2.2 自动驾驶网络架构

2020 年5 月，华为公司发布了分层自动驾驶网络(Autonomous Driving Network，AND)解决方案，其架构如图2 所示。 ADN 主要包括简化的网络基础设施、网络管理和控制单元、智能运维平台和网络AI 单元。网络边缘通过引入大量的实时传感组件和AI 推理单元，在数据源处实现较强的智能功能，如感测分析和决策执行。集成了网络管理器、控制器和分析器等模块的ADN 网络管理和控制单元通过构建本地知识库和AI 推理架构，自动将上层服务和应用意图转换成网络操作，进而实现单域自治和闭环管理。此外，网络管理和控制单元与云端的数据交互可以持续增强本地AI 模型库和知识库，以不断优化和提升本地智能感知、决策能力。面向灵活的服务编排，智能运维平台可助力运营商根据网络特性快速迭代开发新的业务模型、运维流程和应用服务。网络AI 单元为电信网络提供AI 平台和云服务，持续训练AI 模型和提取汇聚到云端的网络数据，通过统一管理实现AI 模型和知识库的完全共享和复用，减少重复训练。

式中，xf为修正后的形心位置，xc为修正之前的形心位置，a0、b0、k0为修正系数，M为最大接收饱和点数目，m为实测饱和点数目.如图8，Ec为修正前误差平均值，Ef为修正后误差平均值.

2.3 使能RAN 侧无线大数据的架构

为克服3GPP 在核心网中引入的NWDAF 无法支撑RAN 侧近实时/实时的基于AI 的网络优化与控制的问题，同时减小采集数据的回传开销，Wireless World Research Forum(WWRF)提出了一种在RAN 侧使能无线大数据的架构，如图3 所示。

在该架构中，CUDA、DUDA 和NWDAF 一起形成了分层的、分布式的智能网络架构。其中CUDA 主要负责基于无线大数据进行RRC、PDCP 等协议层的优化，涉及多连接、干扰管理、移动性管理等，而从更抽象的功能来看，其包括数据分析、AI 模型训练、在线模型预测、基于预测结果的策略生成和配置。部署于DU 中的DUDA 主要负责针对PHY/MAC/RLC 层进行实时RAN 数据采集、预处理、参数优化和低复杂的模型训练。此外，DUDA 可将预处理后的数据特征发送至CUDA 用于模型训练，而CUDA 可将训练好的模型发送给DUDA 进行部署。CUDA也可以处于主-从模式，主CUDA 可帮助从CUDA 进行模型训练，并可实现网络层面的协同优化。除了CUDA和DUDA 通信所需的F1-D 接口外，架构的主要接口还有N7 接口，用于 CUDA 和NWDAF 间的数据集及数据分析结果的订阅、分发。

3 学术界相关进展

3.1 意图驱动的RAN 架构

文献[13]提出了意图驱动的6G RAN(Intent-Driven Radio Access Network，ID-RAN)，其架构如图4 所示[13]。无线网络中的意图主要包括组网意图、业务意图和用户需求的性能意图3 种类型，分别涉及运营商的运维管理、服务提供方的业务交付和用户个性化的性能需求。

ID-RAN 将接收到的无线意图依次通过意图转译、冲突解决、网络编排、配置激活和策略优化5 个功能模块进行处理。 ID-RAN 中意图驱动的无线网络控制器可分布式部署在集中云、基站控制器或宏基站，实现对无线意图的全流程处理，同时作为数据汇聚点接收接入网中的运维数据、无线传输数据和终端测量报告等，并根据网络编排方案下发网络配置指令和组网优化指令。ID-RAN 既可通过大数据挖掘方法完成各类意图的智能探测，也支持使用自然语言直接下发无线意图，基于自然语言处理技术实现无线意图智能转译。此外，ID-RAN使用深度强化学习方法根据网络环境多维数据和优化目标制定匹配意图需求的网络配置方案，并支持基于AI 的无线接入网自配置、自优化和自治愈。

图2 自动驾驶网络架构

图3 使能RAN 侧无线大数据的架构

图4 意图驱动的无线接入网架构

3.2 使能终端直通的智能无线网络架构

文献[14]预计未来用户终端将向个人工作站演进，具有强大的计算和存储能力以及充足的电池容量，从而可在用户终端处进行AI 模型训练，学习局部信道特征、业务特征和移动轨迹等，并和部署于核心网的集中式AI 以及部署于移动边缘计算服务器的本地AI 互相协作，实现网络的智能管理和优化。此外，文献中还指出了AI 和终端直通结合的应用场景。例如，在智能网络切片场景中，AI 可用于发现和管理大量的终端直通簇，实现实时、动态的网络切片；在基于非正交多址的终端直通认知组网场景中，AI 可用于无线认知、智能用户配对、信道估计和超高精度定位。

4 智能内生架构的一般特征

在前述介绍的各类智能内生网络架构基础上，本文梳理总结了相关架构设计的一般性需求和特点，分为新增网元实体、接口设计、训练和推理架构以及AI 对现有协议流程的影响。

(1)新增网元实体

由于现有移动通信网络架构中的网元主要用于实现通信协议栈的相关功能，因此需要增加新的网元实体用于提供网内AI 能力，本文将该类网元称为AI 单元。按照功能类型划分，基本的AI 单元可具象为数据采集单元、数据存储单元、数据处理单元、数据分发单元、模型训练单元、模型选择单元、模型执行单元、结果下发单元、性能监测单元以及管理编排单元，这些基础单元可根据底层基础设施算力以及时延、网络带宽等限制进行合设，进而形成功能更综合的AI 单元。其中，流程管理编排单元用于对其他AI 单元进行管理，包括生命周期管理、单元处理能力的扩容缩容、单元部署位置优化以及单元间信息流动路径配置等。

(2)接口设计

相关接口具体可分为两类，一类为AI 单元间的交互接口，另一类为AI 单元与网络中其他非AI 单元的网元间的交互接口。对于第一类接口，由于仅涉及AI 单元内部交互，因此对原有移动通信网络架构设计影响较小，而第二类接口的引入则较为复杂。具体而言：①需定义AI 数据采集单元与用户终端、接入网侧DU、CU 以及射频单元间的数据接口，用于收集用户终端能力信息、空口资源使用率、小区负载等数据；②需定义模型执行单元与前述实体的数据接口，方便前述实体对AI 能力的按需调用；③需定义结果下发单元与前述实体的数据接口，用于反馈AI 预测/决策结果；④需定义性能监测单元与前述实体的数据接口，用于实时监测模型效果，在模型性能下降时触发模型切换策略。

(3)训练和推理架构

此处主要针对模型训练和模型执行环节的AI 单元组织架构进行探讨。在模型训练架构方面，对于规模庞大的AI 模型，可采用基于单个模型训练单元的集中式架构，而当考虑到数据隐私性问题时，部署在多个节点(例如手机终端) 的模型训练单元还可采用基于联邦学习的分布式架构，同时该种方式还可有效避免集中式架构带来的训练数据采集开销。在模型执行架构方面，既可以基于单个模型执行单元进行集中式推理，同时也可采用基于多单元协作的架构，例如分布在不同位置的模型执行单元首先根据局部信息利用AI 模型输出预测信息，最后由一个模型执行单元将各单元信息作为模型输入得到最终预测结果。

(4)AI 对现有协议流程的影响

与接口设计部分类似，智能内生网络的协议流程可分为AI 单元间的交互流程(该类流程可进行独立设计)以及AI 单元与现有网元间的交互流程。对于后者，引入AI 后的主要变化在于需增加现有网元对AI 能力调用、AI 数据采集单元进行数据采集以及结果下发单元将预测/决策信息反馈给现有网元的步骤。图5 展示了一种基于AI 的用户在gNB 间的切换流程。切换事件触发后，gNB A 首先通过Xn 接口向各相邻gNB B 发送业务负载信息获取请求，收到请求后，相邻gNB 向本地AI 模型执行单元2 发送本地业务负载预测请求，接着模型执行单元将结果返回，相邻gNB 通过Xn 接口将信息告知gNB A，之后gNB A 向本地AI 模型执行单元1 发送用户切换决策请求，执行单元将gNB 提供的周围基站业务负载信息以及用户测量上报信息作为决策模型输入，利用强化学习或监督学习输出目标gNB ID，再将结果下发至gNB A的移动性管理模块。

图5 基于AI 的用户在gNB 间的切换流程

5 典型用例

5.1 意图驱动的行业专网

智能内生6G 网络可极大简化行业用户自有专网的配置和管理难度，具体表现在：(1)利用基于AI 的自然语言处理技术，智能内生6G 网络将支持行业用户进行涉及本行业特定术语的语义化的网络配置和运维操作，自动将用户意图转换为网络设备可识别的配置指令；(2)基于AI 提供的智能决策能力，智能内生6G 网络可根据意图转译得到的性能需求，结合网络多维信息(底层基础设施计算处理能力、无线带宽、链路时延等)，自动输出切片编排方案，可充分满足行业用户的定制化要求[15]。

5.2 “空天地”一体化智能组网

“空天地” 一体化网络综合利用地面通信和卫星通信融合后形成的多种通信链路进行信息传输。为实现高效通信，网络软定义控制器可以利用AI 模型进行通信对象的环境感知，包括自然地理环境、移动速度等，同时还可进行网络链路状态预测，涉及时延、丢包率、信噪比等性能指标。基于前述信息并结合业务的个性化通信性能需求，网络软定义控制器可进一步基于AI 决策实现终端接入模式智能选择、数据转发路径规划和频谱资源动态管控等。

6 问题挑战

(1)拟真的AI 训练环境构建

无线网络中应用的AI 模型可主要分为仅使用标签数据进行监督训练的模型以及需要通过和外部环境不断交互进行决策知识学习的强化学习模型。为了避免后者训练初期的动作探索对网络正常运行状态的影响，需要创建专门的模型训练环境，该环境与真实网络环境的差异程度直接影响模型在实际中的效果。因此，如何构建一个尽量拟真的学习环境是需要解决的一大问题。

(2)高动态时变环境下的AI 应用

移动通信网络具有显著的高动态和时变特征，例如用户业务本身的随机到达、同一区域的终端数量变化和信道在高移动性下的捷变，而在6G 时代，还可能出现空中基站的使用导致网络服务范围和服务区域动态变化[16]、集中式和分布式组网自适应切换等。网络高动态和时变将带来两大问题，一是由于网络环境的变化，例如用户数量变化、网络拓扑重构、用户业务请求分布变化，先前训练的AI 模型存在不再适用的可能；二是对于要求极低决策时延的情形，复杂的AI 模型难以跟上环境的快速变化，而简单的AI 模型又难以保证足够的精度，如何实现决策时延和性能间的权衡是一大挑战。