孫耀華，王則予，袁 碩，彭木根

(北京郵電大學(xué) 網(wǎng)絡(luò)與交換技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京100876)

0 引言

面對(duì)交互式無(wú)線虛擬/增強(qiáng)現(xiàn)實(shí)、人機(jī)協(xié)同作業(yè)、全景高清視頻直播等新型應(yīng)用以及沙漠、海洋等多樣場(chǎng)景下的通信需求，第六代(The Sixth Generation，6G)移動(dòng)通信將呈現(xiàn)“空天地”融合通信[1]、全頻譜接入[2]、異構(gòu)超密集組網(wǎng)[3]、云邊協(xié)同[4]等特征，但也將導(dǎo)致網(wǎng)絡(luò)優(yōu)化和管理難度急劇增大。 此外，為了便于移動(dòng)通信專(zhuān)網(wǎng)與生產(chǎn)制造、交通運(yùn)輸、能源電力等垂直行業(yè)深度融合，網(wǎng)絡(luò)配置和運(yùn)維方式亟需簡(jiǎn)化。 在此背景下，業(yè)界提出引入人工智能(Artificial Intelligence，AI)，利用其強(qiáng)大的預(yù)測(cè)、決策能力構(gòu)建智能內(nèi)生的6G 網(wǎng)絡(luò)[5]。

文獻(xiàn)[6]針對(duì)數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)(Deep Learning，DL)導(dǎo)致的計(jì)算密集以及訓(xùn)練時(shí)間長(zhǎng)等問(wèn)題，總結(jié)了模型驅(qū)動(dòng)的DL 方法在物理層通信中的應(yīng)用和優(yōu)勢(shì)； 文獻(xiàn)[7]將AI 視作實(shí)現(xiàn)網(wǎng)絡(luò)資源優(yōu)化的關(guān)鍵技術(shù)，介紹了AI技術(shù)在移動(dòng)寬帶、 觸覺(jué)網(wǎng)絡(luò)以及無(wú)人機(jī)網(wǎng)絡(luò)等多個(gè)場(chǎng)景下的應(yīng)用；文獻(xiàn)[8]回顧了深度強(qiáng)化學(xué)習(xí)(Deep Reinforcement Learning，DRL)方法，深入調(diào)研了DRL 在通信和組網(wǎng)中的應(yīng)用，涉及無(wú)線緩存、網(wǎng)絡(luò)接入等；文獻(xiàn)[9]按照MAC 層、 網(wǎng)絡(luò)層以及應(yīng)用層對(duì)有關(guān)研究進(jìn)行了梳理總結(jié)，提煉了AI 應(yīng)用于無(wú)線網(wǎng)絡(luò)的動(dòng)機(jī)和面臨的挑戰(zhàn)。

前述文獻(xiàn)均側(cè)重基于AI 的網(wǎng)絡(luò)性能增強(qiáng)方法，但如何從架構(gòu)設(shè)計(jì)角度使能網(wǎng)內(nèi)AI 能力，從而更好地支持AI 機(jī)制的實(shí)施仍有待進(jìn)一步探索。為此，本文接下來(lái)將對(duì)目前標(biāo)準(zhǔn)化組織、公司和學(xué)術(shù)界所提智能內(nèi)生網(wǎng)絡(luò)架構(gòu)進(jìn)行梳理總結(jié)，基于此給出一般性的架構(gòu)特征，接著將探討智能內(nèi)生6G 架構(gòu)的典型用例， 最后給出相關(guān)挑戰(zhàn)并總結(jié)全文。

1 國(guó)際標(biāo)準(zhǔn)組織相關(guān)進(jìn)展

1.1 第三代合作伙伴計(jì)劃(3GPP)

為提升5G 網(wǎng)絡(luò)的數(shù)據(jù)收集和分析能力，3GPP 在核心網(wǎng)側(cè)引入了網(wǎng)絡(luò)數(shù)據(jù)分析功能(Network Data Analytics Function，NWDAF)。 在5G 的 第 一 版 標(biāo) 準(zhǔn)R15 中，3GPP 考慮把NWDAF 作為網(wǎng)絡(luò)切片選擇功能以及策略控制功能的基礎(chǔ)。 此外，在TR 23.791 中，3GPP 提出NWDAF 能夠支持各種預(yù)測(cè)任務(wù)，包括網(wǎng)絡(luò)功能的負(fù)載預(yù)測(cè)、網(wǎng)絡(luò)業(yè)務(wù)負(fù)載預(yù)測(cè)和用戶移動(dòng)性信息預(yù)測(cè)等。 2020 年6 月，3GPP 通過(guò)“Study on Further Enhancement for Data Collection”立項(xiàng)，進(jìn)一步將AI 功能擴(kuò)展到無(wú)線接入網(wǎng)(Radio Access Network，RAN)，以提升網(wǎng)絡(luò)能效、負(fù)載均衡和覆蓋范圍。

1.2 歐洲電信標(biāo)準(zhǔn)化協(xié)會(huì)(ETSI)

2017 年，ETSI 成立了業(yè)界首個(gè)網(wǎng)絡(luò)智能化標(biāo)準(zhǔn)組——體驗(yàn)網(wǎng)絡(luò)智能(ENI)，致力于構(gòu)建基于數(shù)據(jù)驅(qū)動(dòng)決策和閉環(huán)控制的人工智能網(wǎng)絡(luò)體系架構(gòu)。通過(guò)自動(dòng)收集狀態(tài)數(shù)據(jù)和進(jìn)行指標(biāo)對(duì)比，可發(fā)現(xiàn)網(wǎng)絡(luò)故障/性能瓶頸，實(shí)現(xiàn)高效自優(yōu)化。 2018 年，ETSI 提出了智能定義網(wǎng)絡(luò)的概念。 針對(duì)RAN 域，引入移動(dòng)智能網(wǎng)決策實(shí)體，每個(gè)實(shí)體具有數(shù)據(jù)收集、數(shù)據(jù)分析、數(shù)據(jù)建模、決策制定和決策驗(yàn)證功能。 實(shí)體的部署可采用分層架構(gòu)，其中上層部署一個(gè)中心實(shí)體，下層部署多個(gè)分布式實(shí)體。 分布式實(shí)體位于gNB，中央實(shí)體則負(fù)責(zé)實(shí)體間的協(xié)調(diào)。1.3 國(guó)際電信聯(lián)盟—電信標(biāo)準(zhǔn)化部門(mén)(ITU-T)

2017 年，ITU-T 成立了未來(lái)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)焦點(diǎn)小組，致力于機(jī)器學(xué)習(xí)在5G 及未來(lái)網(wǎng)絡(luò)中的應(yīng)用。 該小組于2019 年提出了在5G 及未來(lái)網(wǎng)絡(luò)中實(shí)施機(jī)器學(xué)習(xí)的統(tǒng)一架構(gòu)。 其中，完整的網(wǎng)絡(luò)分析功能由一組機(jī)器學(xué)習(xí)管道節(jié)點(diǎn)構(gòu)成，包括數(shù)據(jù)源、數(shù)據(jù)采集器、數(shù)據(jù)預(yù)處理器、AI 模型、模型輸出分配器和接收器等。 這些節(jié)點(diǎn)可視為邏輯實(shí)體，具體部署位置由功能編排器進(jìn)行管理。 此外，其還負(fù)責(zé)根據(jù)模型性能進(jìn)行AI 模型的選擇和復(fù)選。為減少由于模型訓(xùn)練導(dǎo)致的潛在網(wǎng)絡(luò)中斷，前述架構(gòu)還提出了沙盒域的概念，作為獨(dú)立環(huán)境專(zhuān)門(mén)用于AI 模型的訓(xùn)練、測(cè)試和評(píng)估。 在3GPP RAN 定義的5G 架構(gòu)下，一些管道節(jié)點(diǎn)可被合并部署在分布式單元(Distributed Unit，DU)和中心單元(Central Unit，CU)中，進(jìn)而形成分布式單元數(shù)據(jù)分析功能(Distributed Unit Data Analytics Function，DUDA)和中心單元數(shù)據(jù)分析功能(Central Unit Data Analytics Function，CUDA)。

2 設(shè)備商和運(yùn)營(yíng)商相關(guān)進(jìn)展

2.1 開(kāi)放式智能無(wú)線網(wǎng)絡(luò)架構(gòu)

在智能和開(kāi)放原則下，由多家運(yùn)營(yíng)商參與的O-RAN聯(lián)盟提出了開(kāi)放式智能無(wú)線網(wǎng)絡(luò)參考體系架構(gòu)，該架構(gòu)引入了AI 使能的軟件定義的RAN 智能控制器(RAN Intelligent Controller，RIC)，包括非實(shí)時(shí)RIC 和部署在CU的近實(shí)時(shí)RIC。 如圖1 所示，通過(guò)A1 接口，非實(shí)時(shí)RIC中在CU 和DU 中進(jìn)行數(shù)據(jù)采集并將訓(xùn)練生成的AI 模型分發(fā)給近實(shí)時(shí)RIC。 近實(shí)時(shí)RIC 負(fù)責(zé)基于AI 模型進(jìn)行負(fù)載均衡、無(wú)線資源塊管理、干擾管理和移動(dòng)性管理等方面。 此外，通過(guò)開(kāi)放的E2 接口，近實(shí)時(shí)RIC 不僅可以從DU 處獲取近實(shí)時(shí)的網(wǎng)絡(luò)狀態(tài)，還可以向CU 協(xié)議棧下發(fā)配置命令(例如切換操作等)。

圖1 O-RAN 參考體系架構(gòu)

2.2 自動(dòng)駕駛網(wǎng)絡(luò)架構(gòu)

2020 年5 月，華為公司發(fā)布了分層自動(dòng)駕駛網(wǎng)絡(luò)(Autonomous Driving Network，AND)解決方案，其架構(gòu)如圖2 所示。 ADN 主要包括簡(jiǎn)化的網(wǎng)絡(luò)基礎(chǔ)設(shè)施、網(wǎng)絡(luò)管理和控制單元、智能運(yùn)維平臺(tái)和網(wǎng)絡(luò)AI 單元。 網(wǎng)絡(luò)邊緣通過(guò)引入大量的實(shí)時(shí)傳感組件和AI 推理單元，在數(shù)據(jù)源處實(shí)現(xiàn)較強(qiáng)的智能功能，如感測(cè)分析和決策執(zhí)行。 集成了網(wǎng)絡(luò)管理器、控制器和分析器等模塊的ADN 網(wǎng)絡(luò)管理和控制單元通過(guò)構(gòu)建本地知識(shí)庫(kù)和AI 推理架構(gòu)，自動(dòng)將上層服務(wù)和應(yīng)用意圖轉(zhuǎn)換成網(wǎng)絡(luò)操作，進(jìn)而實(shí)現(xiàn)單域自治和閉環(huán)管理。 此外，網(wǎng)絡(luò)管理和控制單元與云端的數(shù)據(jù)交互可以持續(xù)增強(qiáng)本地AI 模型庫(kù)和知識(shí)庫(kù)，以不斷優(yōu)化和提升本地智能感知、決策能力。 面向靈活的服務(wù)編排，智能運(yùn)維平臺(tái)可助力運(yùn)營(yíng)商根據(jù)網(wǎng)絡(luò)特性快速迭代開(kāi)發(fā)新的業(yè)務(wù)模型、運(yùn)維流程和應(yīng)用服務(wù)。 網(wǎng)絡(luò)AI 單元為電信網(wǎng)絡(luò)提供AI 平臺(tái)和云服務(wù)，持續(xù)訓(xùn)練AI 模型和提取匯聚到云端的網(wǎng)絡(luò)數(shù)據(jù)，通過(guò)統(tǒng)一管理實(shí)現(xiàn)AI 模型和知識(shí)庫(kù)的完全共享和復(fù)用，減少重復(fù)訓(xùn)練。

式中，xf為修正后的形心位置，xc為修正之前的形心位置，a0、b0、k0為修正系數(shù)，M為最大接收飽和點(diǎn)數(shù)目，m為實(shí)測(cè)飽和點(diǎn)數(shù)目.如圖8，Ec為修正前誤差平均值，Ef為修正后誤差平均值.

2.3 使能RAN 側(cè)無(wú)線大數(shù)據(jù)的架構(gòu)

為克服3GPP 在核心網(wǎng)中引入的NWDAF 無(wú)法支撐RAN 側(cè)近實(shí)時(shí)/實(shí)時(shí)的基于AI 的網(wǎng)絡(luò)優(yōu)化與控制的問(wèn)題，同時(shí)減小采集數(shù)據(jù)的回傳開(kāi)銷(xiāo)，Wireless World Research Forum(WWRF)提出了一種在RAN 側(cè)使能無(wú)線大數(shù)據(jù)的架構(gòu)，如圖3 所示。

在該架構(gòu)中，CUDA、DUDA 和NWDAF 一起形成了分層的、分布式的智能網(wǎng)絡(luò)架構(gòu)。 其中CUDA 主要負(fù)責(zé)基于無(wú)線大數(shù)據(jù)進(jìn)行RRC、PDCP 等協(xié)議層的優(yōu)化，涉及多連接、干擾管理、移動(dòng)性管理等，而從更抽象的功能來(lái)看，其包括數(shù)據(jù)分析、AI 模型訓(xùn)練、在線模型預(yù)測(cè)、基于預(yù)測(cè)結(jié)果的策略生成和配置。 部署于DU 中的DUDA 主要負(fù)責(zé)針對(duì)PHY/MAC/RLC 層進(jìn)行實(shí)時(shí)RAN 數(shù)據(jù)采集、預(yù)處理、參數(shù)優(yōu)化和低復(fù)雜的模型訓(xùn)練。 此外，DUDA 可將預(yù)處理后的數(shù)據(jù)特征發(fā)送至CUDA 用于模型訓(xùn)練，而CUDA 可將訓(xùn)練好的模型發(fā)送給DUDA 進(jìn)行部署。CUDA也可以處于主-從模式，主CUDA 可幫助從CUDA 進(jìn)行模型訓(xùn)練，并可實(shí)現(xiàn)網(wǎng)絡(luò)層面的協(xié)同優(yōu)化。 除了CUDA和DUDA 通信所需的F1-D 接口外，架構(gòu)的主要接口還有N7 接口，用于 CUDA 和NWDAF 間的數(shù)據(jù)集及數(shù)據(jù)分析結(jié)果的訂閱、分發(fā)。

3 學(xué)術(shù)界相關(guān)進(jìn)展

3.1 意圖驅(qū)動(dòng)的RAN 架構(gòu)

文獻(xiàn)[13]提出了意圖驅(qū)動(dòng)的6G RAN(Intent-Driven Radio Access Network，ID-RAN)，其架構(gòu)如圖4 所示[13]。無(wú)線網(wǎng)絡(luò)中的意圖主要包括組網(wǎng)意圖、業(yè)務(wù)意圖和用戶需求的性能意圖3 種類(lèi)型，分別涉及運(yùn)營(yíng)商的運(yùn)維管理、服務(wù)提供方的業(yè)務(wù)交付和用戶個(gè)性化的性能需求。

ID-RAN 將接收到的無(wú)線意圖依次通過(guò)意圖轉(zhuǎn)譯、沖突解決、網(wǎng)絡(luò)編排、配置激活和策略優(yōu)化5 個(gè)功能模塊進(jìn)行處理。 ID-RAN 中意圖驅(qū)動(dòng)的無(wú)線網(wǎng)絡(luò)控制器可分布式部署在集中云、基站控制器或宏基站，實(shí)現(xiàn)對(duì)無(wú)線意圖的全流程處理，同時(shí)作為數(shù)據(jù)匯聚點(diǎn)接收接入網(wǎng)中的運(yùn)維數(shù)據(jù)、無(wú)線傳輸數(shù)據(jù)和終端測(cè)量報(bào)告等，并根據(jù)網(wǎng)絡(luò)編排方案下發(fā)網(wǎng)絡(luò)配置指令和組網(wǎng)優(yōu)化指令。ID-RAN 既可通過(guò)大數(shù)據(jù)挖掘方法完成各類(lèi)意圖的智能探測(cè)，也支持使用自然語(yǔ)言直接下發(fā)無(wú)線意圖，基于自然語(yǔ)言處理技術(shù)實(shí)現(xiàn)無(wú)線意圖智能轉(zhuǎn)譯。此外，ID-RAN使用深度強(qiáng)化學(xué)習(xí)方法根據(jù)網(wǎng)絡(luò)環(huán)境多維數(shù)據(jù)和優(yōu)化目標(biāo)制定匹配意圖需求的網(wǎng)絡(luò)配置方案，并支持基于AI 的無(wú)線接入網(wǎng)自配置、自優(yōu)化和自治愈。

圖2 自動(dòng)駕駛網(wǎng)絡(luò)架構(gòu)

圖3 使能RAN 側(cè)無(wú)線大數(shù)據(jù)的架構(gòu)

圖4 意圖驅(qū)動(dòng)的無(wú)線接入網(wǎng)架構(gòu)

3.2 使能終端直通的智能無(wú)線網(wǎng)絡(luò)架構(gòu)

文獻(xiàn)[14]預(yù)計(jì)未來(lái)用戶終端將向個(gè)人工作站演進(jìn)，具有強(qiáng)大的計(jì)算和存儲(chǔ)能力以及充足的電池容量，從而可在用戶終端處進(jìn)行AI 模型訓(xùn)練，學(xué)習(xí)局部信道特征、業(yè)務(wù)特征和移動(dòng)軌跡等，并和部署于核心網(wǎng)的集中式AI 以及部署于移動(dòng)邊緣計(jì)算服務(wù)器的本地AI 互相協(xié)作，實(shí)現(xiàn)網(wǎng)絡(luò)的智能管理和優(yōu)化。此外，文獻(xiàn)中還指出了AI 和終端直通結(jié)合的應(yīng)用場(chǎng)景。 例如，在智能網(wǎng)絡(luò)切片場(chǎng)景中，AI 可用于發(fā)現(xiàn)和管理大量的終端直通簇，實(shí)現(xiàn)實(shí)時(shí)、動(dòng)態(tài)的網(wǎng)絡(luò)切片；在基于非正交多址的終端直通認(rèn)知組網(wǎng)場(chǎng)景中，AI 可用于無(wú)線認(rèn)知、智能用戶配對(duì)、信道估計(jì)和超高精度定位。

4 智能內(nèi)生架構(gòu)的一般特征

在前述介紹的各類(lèi)智能內(nèi)生網(wǎng)絡(luò)架構(gòu)基礎(chǔ)上，本文梳理總結(jié)了相關(guān)架構(gòu)設(shè)計(jì)的一般性需求和特點(diǎn)，分為新增網(wǎng)元實(shí)體、接口設(shè)計(jì)、訓(xùn)練和推理架構(gòu)以及AI 對(duì)現(xiàn)有協(xié)議流程的影響。

(1)新增網(wǎng)元實(shí)體

由于現(xiàn)有移動(dòng)通信網(wǎng)絡(luò)架構(gòu)中的網(wǎng)元主要用于實(shí)現(xiàn)通信協(xié)議棧的相關(guān)功能，因此需要增加新的網(wǎng)元實(shí)體用于提供網(wǎng)內(nèi)AI 能力，本文將該類(lèi)網(wǎng)元稱為AI 單元。按照功能類(lèi)型劃分，基本的AI 單元可具象為數(shù)據(jù)采集單元、數(shù)據(jù)存儲(chǔ)單元、數(shù)據(jù)處理單元、數(shù)據(jù)分發(fā)單元、模型訓(xùn)練單元、模型選擇單元、模型執(zhí)行單元、結(jié)果下發(fā)單元、性能監(jiān)測(cè)單元以及管理編排單元，這些基礎(chǔ)單元可根據(jù)底層基礎(chǔ)設(shè)施算力以及時(shí)延、網(wǎng)絡(luò)帶寬等限制進(jìn)行合設(shè)，進(jìn)而形成功能更綜合的AI 單元。 其中，流程管理編排單元用于對(duì)其他AI 單元進(jìn)行管理，包括生命周期管理、單元處理能力的擴(kuò)容縮容、單元部署位置優(yōu)化以及單元間信息流動(dòng)路徑配置等。

(2)接口設(shè)計(jì)

相關(guān)接口具體可分為兩類(lèi)，一類(lèi)為AI 單元間的交互接口，另一類(lèi)為AI 單元與網(wǎng)絡(luò)中其他非AI 單元的網(wǎng)元間的交互接口。對(duì)于第一類(lèi)接口，由于僅涉及AI 單元內(nèi)部交互，因此對(duì)原有移動(dòng)通信網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)影響較小，而第二類(lèi)接口的引入則較為復(fù)雜。具體而言：①需定義AI 數(shù)據(jù)采集單元與用戶終端、接入網(wǎng)側(cè)DU、CU 以及射頻單元間的數(shù)據(jù)接口，用于收集用戶終端能力信息、空口資源使用率、小區(qū)負(fù)載等數(shù)據(jù)；②需定義模型執(zhí)行單元與前述實(shí)體的數(shù)據(jù)接口，方便前述實(shí)體對(duì)AI 能力的按需調(diào)用；③需定義結(jié)果下發(fā)單元與前述實(shí)體的數(shù)據(jù)接口，用于反饋AI 預(yù)測(cè)/決策結(jié)果；④需定義性能監(jiān)測(cè)單元與前述實(shí)體的數(shù)據(jù)接口，用于實(shí)時(shí)監(jiān)測(cè)模型效果，在模型性能下降時(shí)觸發(fā)模型切換策略。

(3)訓(xùn)練和推理架構(gòu)

此處主要針對(duì)模型訓(xùn)練和模型執(zhí)行環(huán)節(jié)的AI 單元組織架構(gòu)進(jìn)行探討。 在模型訓(xùn)練架構(gòu)方面，對(duì)于規(guī)模龐大的AI 模型，可采用基于單個(gè)模型訓(xùn)練單元的集中式架構(gòu)，而當(dāng)考慮到數(shù)據(jù)隱私性問(wèn)題時(shí)，部署在多個(gè)節(jié)點(diǎn)(例如手機(jī)終端) 的模型訓(xùn)練單元還可采用基于聯(lián)邦學(xué)習(xí)的分布式架構(gòu)，同時(shí)該種方式還可有效避免集中式架構(gòu)帶來(lái)的訓(xùn)練數(shù)據(jù)采集開(kāi)銷(xiāo)。 在模型執(zhí)行架構(gòu)方面，既可以基于單個(gè)模型執(zhí)行單元進(jìn)行集中式推理，同時(shí)也可采用基于多單元協(xié)作的架構(gòu)，例如分布在不同位置的模型執(zhí)行單元首先根據(jù)局部信息利用AI 模型輸出預(yù)測(cè)信息，最后由一個(gè)模型執(zhí)行單元將各單元信息作為模型輸入得到最終預(yù)測(cè)結(jié)果。

(4)AI 對(duì)現(xiàn)有協(xié)議流程的影響

與接口設(shè)計(jì)部分類(lèi)似，智能內(nèi)生網(wǎng)絡(luò)的協(xié)議流程可分為AI 單元間的交互流程(該類(lèi)流程可進(jìn)行獨(dú)立設(shè)計(jì))以及AI 單元與現(xiàn)有網(wǎng)元間的交互流程。對(duì)于后者，引入AI 后的主要變化在于需增加現(xiàn)有網(wǎng)元對(duì)AI 能力調(diào)用、AI 數(shù)據(jù)采集單元進(jìn)行數(shù)據(jù)采集以及結(jié)果下發(fā)單元將預(yù)測(cè)/決策信息反饋給現(xiàn)有網(wǎng)元的步驟。 圖5 展示了一種基于AI 的用戶在gNB 間的切換流程。切換事件觸發(fā)后，gNB A 首先通過(guò)Xn 接口向各相鄰gNB B 發(fā)送業(yè)務(wù)負(fù)載信息獲取請(qǐng)求，收到請(qǐng)求后，相鄰gNB 向本地AI 模型執(zhí)行單元2 發(fā)送本地業(yè)務(wù)負(fù)載預(yù)測(cè)請(qǐng)求，接著模型執(zhí)行單元將結(jié)果返回，相鄰gNB 通過(guò)Xn 接口將信息告知gNB A，之后gNB A 向本地AI 模型執(zhí)行單元1 發(fā)送用戶切換決策請(qǐng)求，執(zhí)行單元將gNB 提供的周?chē)緲I(yè)務(wù)負(fù)載信息以及用戶測(cè)量上報(bào)信息作為決策模型輸入，利用強(qiáng)化學(xué)習(xí)或監(jiān)督學(xué)習(xí)輸出目標(biāo)gNB ID，再將結(jié)果下發(fā)至gNB A的移動(dòng)性管理模塊。

圖5 基于AI 的用戶在gNB 間的切換流程

5 典型用例

5.1 意圖驅(qū)動(dòng)的行業(yè)專(zhuān)網(wǎng)

智能內(nèi)生6G 網(wǎng)絡(luò)可極大簡(jiǎn)化行業(yè)用戶自有專(zhuān)網(wǎng)的配置和管理難度，具體表現(xiàn)在：(1)利用基于AI 的自然語(yǔ)言處理技術(shù)，智能內(nèi)生6G 網(wǎng)絡(luò)將支持行業(yè)用戶進(jìn)行涉及本行業(yè)特定術(shù)語(yǔ)的語(yǔ)義化的網(wǎng)絡(luò)配置和運(yùn)維操作，自動(dòng)將用戶意圖轉(zhuǎn)換為網(wǎng)絡(luò)設(shè)備可識(shí)別的配置指令；(2)基于AI 提供的智能決策能力，智能內(nèi)生6G 網(wǎng)絡(luò)可根據(jù)意圖轉(zhuǎn)譯得到的性能需求，結(jié)合網(wǎng)絡(luò)多維信息(底層基礎(chǔ)設(shè)施計(jì)算處理能力、無(wú)線帶寬、鏈路時(shí)延等)，自動(dòng)輸出切片編排方案，可充分滿足行業(yè)用戶的定制化要求[15]。

5.2 “空天地”一體化智能組網(wǎng)

“空天地” 一體化網(wǎng)絡(luò)綜合利用地面通信和衛(wèi)星通信融合后形成的多種通信鏈路進(jìn)行信息傳輸。為實(shí)現(xiàn)高效通信，網(wǎng)絡(luò)軟定義控制器可以利用AI 模型進(jìn)行通信對(duì)象的環(huán)境感知，包括自然地理環(huán)境、移動(dòng)速度等，同時(shí)還可進(jìn)行網(wǎng)絡(luò)鏈路狀態(tài)預(yù)測(cè)，涉及時(shí)延、丟包率、信噪比等性能指標(biāo)。 基于前述信息并結(jié)合業(yè)務(wù)的個(gè)性化通信性能需求，網(wǎng)絡(luò)軟定義控制器可進(jìn)一步基于AI 決策實(shí)現(xiàn)終端接入模式智能選擇、數(shù)據(jù)轉(zhuǎn)發(fā)路徑規(guī)劃和頻譜資源動(dòng)態(tài)管控等。

6 問(wèn)題挑戰(zhàn)

(1)擬真的AI 訓(xùn)練環(huán)境構(gòu)建

無(wú)線網(wǎng)絡(luò)中應(yīng)用的AI 模型可主要分為僅使用標(biāo)簽數(shù)據(jù)進(jìn)行監(jiān)督訓(xùn)練的模型以及需要通過(guò)和外部環(huán)境不斷交互進(jìn)行決策知識(shí)學(xué)習(xí)的強(qiáng)化學(xué)習(xí)模型。為了避免后者訓(xùn)練初期的動(dòng)作探索對(duì)網(wǎng)絡(luò)正常運(yùn)行狀態(tài)的影響，需要?jiǎng)?chuàng)建專(zhuān)門(mén)的模型訓(xùn)練環(huán)境，該環(huán)境與真實(shí)網(wǎng)絡(luò)環(huán)境的差異程度直接影響模型在實(shí)際中的效果。 因此，如何構(gòu)建一個(gè)盡量擬真的學(xué)習(xí)環(huán)境是需要解決的一大問(wèn)題。

(2)高動(dòng)態(tài)時(shí)變環(huán)境下的AI 應(yīng)用

移動(dòng)通信網(wǎng)絡(luò)具有顯著的高動(dòng)態(tài)和時(shí)變特征，例如用戶業(yè)務(wù)本身的隨機(jī)到達(dá)、同一區(qū)域的終端數(shù)量變化和信道在高移動(dòng)性下的捷變，而在6G 時(shí)代，還可能出現(xiàn)空中基站的使用導(dǎo)致網(wǎng)絡(luò)服務(wù)范圍和服務(wù)區(qū)域動(dòng)態(tài)變化[16]、集中式和分布式組網(wǎng)自適應(yīng)切換等。 網(wǎng)絡(luò)高動(dòng)態(tài)和時(shí)變將帶來(lái)兩大問(wèn)題，一是由于網(wǎng)絡(luò)環(huán)境的變化，例如用戶數(shù)量變化、網(wǎng)絡(luò)拓?fù)渲貥?gòu)、用戶業(yè)務(wù)請(qǐng)求分布變化，先前訓(xùn)練的AI 模型存在不再適用的可能；二是對(duì)于要求極低決策時(shí)延的情形，復(fù)雜的AI 模型難以跟上環(huán)境的快速變化，而簡(jiǎn)單的AI 模型又難以保證足夠的精度，如何實(shí)現(xiàn)決策時(shí)延和性能間的權(quán)衡是一大挑戰(zhàn)。

7 結(jié)論

為了促進(jìn)智能內(nèi)生6G 網(wǎng)絡(luò)架構(gòu)研究，本文對(duì)工業(yè)界和學(xué)術(shù)界的觀點(diǎn)進(jìn)行了系統(tǒng)梳理，基于此探討了智能內(nèi)生網(wǎng)絡(luò)架構(gòu)的一般性特征。 隨后，對(duì)智能內(nèi)生網(wǎng)絡(luò)架構(gòu)的典型用例進(jìn)行了展望，包括意圖驅(qū)動(dòng)的行業(yè)專(zhuān)網(wǎng)以及“空天地”一體化智能組網(wǎng)，最后給出了當(dāng)前AI 與實(shí)際網(wǎng)絡(luò)結(jié)合的兩大挑戰(zhàn)。