下载掌阅APP，畅读海量书库
立即打开
实现“人-机-物-灵”融合的双世界架构的第一阶段是网络的智能内生。AI技术在近些年有了长足进步，并在各行各业广泛应用。人们已经开始尝试在5G 系统中使用AI技术，但当前5G与AI的结合只能算是利用AI对传统网络架构进行优化改造，而不是真正以AI为基础的全新智能通信网络系统。
5G通过外挂AI的方式引入AI应用，存在的主要问题有：模型训练集采集数据困难，传输开销大，导致外挂式 AI 开销大；模型的训练和推理解耦，模型验证只能事后进行；模型迭代周期长、训练开销大、收敛速度慢、泛化性差；对于 AI用例研发采用打补丁、烟囱等方式进行，缺乏统一的框架。AI在5G网络中的应用仍然存在很多问题和挑战，因此面对未来6G 更为复杂的网络场景和业务需求，外挂式的 AI 已经不能满足要求，需要从内生智能的角度，构建新的智能至简的网络架构。
同时，AI 在各行各业的应用探索，对未来网络新的基础能力提出了需求，如分布式训练、实时协作推理、本地数据处理等，要求未来网络具有“智能内生”的特征。
网络智能内生并不是简单地将 AI 方法应用到具体问题上的结果，而是设计和构建适于网络系统的 AI 系统的实践，以及该系统相应的网络架构和运行环境。这一目标的实现是在现代 AI 原理和方法的指导下，结合网络系统的自然属性和运行特性。所以6G网络在设计之初就必须考虑内生AI的理念，将AI和大数据的应用融入网络中，形成一个端到端的体系架构，根据不同的应用场景需求，按需提供AI能力和服务。未来6G网络还将通过内生的AI功能、协议和信令流程，实现AI能力的全面渗透，驱动智慧网络向前演进，即“网络无所不达，算力无处不在，智能无所不及”[10]。
从1G到5G，虽然在业务形式、服务对象、网络架构和承载资源等方面进行了能力扩展和技术变革，但都受限于堆叠处理模式，以复杂度换取性能增益。面对未来超大规模的网络接入和动态变化的网络需求，6G 网络的复杂度将以指数级别增长，网络动态性加剧。考虑到全场景的泛在连接以及各种新业务的引入，6G网络需要“至简”。基于高度自治的极简运维，实现统一架构下的灵活组网，采用统一的接口基础协议，多种接入方式采用统一的接入控制管理技术，实现终端无差别的网络接入和统一架构下的即插即用功能。
“智能”和“至简”并不是孤立存在的，两者相辅相成。6G网络将具有智能至简的特征。网络中的节点将成为具备智能的新型节点，而网络本身的功能架构和协议结构将趋向于极简，通过内生智能、认知重塑等特性支撑网络，围绕不同通信对象构建有针对性的智能服务生态，形成“网络极简、节点极智”，最终达到网络“由智生简、以简促智”的自演进、自优化、自平衡的状态。网络智能至简强调网络优化的智能扩展性和架构设计的内生简约性，它以信息论为基础，以系统论为指导，以人工智能算法为支撑，以整体优化为目标，通过引入系统熵等网络整体有序演化评价指标，采用极化处理等通信链路整体优化手段，分别实现链路级与网络级的智能至简，使通信链路与网络随场景需求的变化而不断重塑，达到系统最优，进而构建智能至简网络新生态 [11] 。
智能内生将成为6G的核心基因，实现AI与6G网络全融合。网元与AI融合，网络节点具备计算、存储和网络能力，可实现智能感知、智能训练和智能学习；网络与AI融合，网络应具有易于扩展和操作、自动进行网络配置、自主分析和决策、主动优化网络故障的能力，网络整体是具有群体智能的高度自治网络；服务与 AI融合，理解业务属性并提供差异化服务，构建起从无序到可预测、可管理的服务保障能力，网络业务将进一步演化为真实世界和虚拟世界两个体系，虚拟世界中的“灵”将完成意图的获取及决策的制定工作。6G网络整体演进为拥有自学习、自适应、自生成、自恢复、自伸缩能力的内生智能网络。
基于问题和场景分析，本节提出了6G 智能内生网络的分层分域功能架构，如图3-8所示，包括基础设施层、网络功能层、应用层和智能面，以下对每层的内容进行介绍。
图3-8 智能内生网络的分层分域功能架构
基础设施层主要完成各种物理网络和逻辑资源的管理。物理网络既可以是蜂窝接入网、蜂窝核心网，也可以是数据中心网络、园区企业网、工业物联网等；既可以是单一网络域（例如，无线或有线接入网、传输网、核心网、承载网等）子网，也可以是端到端的跨域网络；既可以是网络域内所有的基础设施，也可以是网络域内特定的基础设施（例如，无线频谱资源、核心网用户面网元等）。基础设施层基于基本的资源管理，将资源抽象成通信资源、计算资源和缓存资源等，供高层的应用来调用。
网络功能层主要负责编排底层网络资源并执行服务逻辑。特别地，为了在 AI模型进行训练、评估等的同时，保障网络的稳定性与可靠性，降低网络试错成本，提升网络智能化水平，我们在网络功能层中引入数据层和孪生网络层，实现数字孪生网络功能。以下对数据层和孪生网络层进行重点说明。
（1）数据层
数据是6G 中整个通信系统的关键资产。由于6G 中涉及的数据类型和规模从AI操作到管理、从业务到消费者、从环境意识到终端发生巨大变化，因此鼓励提供统一和高效的数据治理框架来有效地收集、组织、脱敏、存储和访问数据，从而为执行网络功能和其他第三方数据应用提供更好的支持，并满足数据隐私保护要求。这样的框架可以通过一个独立的数据层来更有效地实现。数据层的功能包含数据采集、数据存储、数据处理、数据服务、知识存储、数据管理等功能，具体介绍如下。
① 数据采集是指从基础设施中获取网元、网络配置、运行状态、用户业务等数据。
② 数据存储是指根据网络数据的应用场景、数据格式和实时性要求等特性的不同，选用多种数据存储技术构建多源异构数据库，分别存储结构化、非结构化的网络数据。
③ 数据处理完成网络数据的脱敏、抽取、转换、加载，以及清洗和加工，便于大规模的数据实现高效分布式存储。
④ 数据服务是指为孪生网络的服务映射模等其他模块提供包括访问控制、快速搜索、数据联邦、并发冲突、批量服务、服务组合、历史快照与回退等多种数据服务。
⑤ 知识存储是指对模型库、算法库、策略库存储。
⑥ 数据管理是指数据采集、数据存储、数据处理和数据服务过程中的数据准确性、安全性和完整性保障，具体包括元数据管理、数据安全管理、数据质量管理等。
（2）孪生网络层
孪生网络层是数字孪生网络系统的标志，包含服务映射模型和孪生网络管理两个关键子系统。服务映射模型子系统完成基于数据的建模，为各种网络应用提供数据模型实例，最大化网络业务的敏捷性和可编程性；孪生网络管理子系统负责网络孪生体的全生命周期管理以及可视化呈现。
孪生网络层主要包括服务映射模型和孪生网络管理两个方面的具体功能。
① 服务映射模型。首先，服务映射模型包括基础模型和功能模型两部分。基础模型是指基于网元基本配置、环境信息、运行状态、链路拓扑等信息，建立的对应于物理实体网络的网元模型和拓扑模型，实现对物理网络的实时精确描述。功能模型是指针对特定的应用场景，充分利用数据仓库中的网络数据，建立的网络分析、仿真、诊断、预测、保障等各种数据模型。基础模型和功能模型通过实例或者实例的组合向上层网络应用提供服务，最大化网络业务的敏捷性和可编程性。同时，模型实例需要通过程序驱动在虚拟孪生网元或网络拓扑中对预测、调度、配置、优化等目标完成充分的仿真和验证，保证变更控制下发到物理网络时的有效性和可靠性。
② 孪生网络管理。孪生网络管理完成数字孪生网络的管理功能，记录全生命周期和管控孪生网络的各种元素，包括拓扑管理和模型管理。拓扑管理基于基础模型，生成物理网络对应的虚拟拓扑，并对拓扑进行多维度、多层次的可视化展现。模型管理服务于各种数据模型实例的创建、存储、更新以及模型组合、应用关联的管理。同时，可视化地呈现模型实例的数据加载、模型仿真验证过程和结果。
应用层将支持意图解析、网络运维和其他第三方应用等功能，并将其解析成不同的任务。同时，综合底层的网络资源状态，完成对应任务分割、任务聚合和任务编排等功能。
智能面的目标是在移动通信系统中建立全面的 AI 平台能力，负责协调、管理和调度E2E网络AI相关的服务和资源，是智能平面的基本设计。基于智能面，利用6G系统的能力，提供实时和高可靠的AI服务，协调和管理异构和分布式资源，并定义一个通用和高效的机制来提供多样化的AI服务，如感知、数据挖掘、预测、推理，进而实现与其他网络服务的无缝协调。具体来说，智能面自底向上又包含AI工具管理、知识库管理、AI沙盒训练、AI能力编排、AI能力管理等维度，具体的功能组件介绍如下。
（1）AI工具管理
AI工具管理用来管理AI模型训练、运行需要的工具。例如，提供框架管理就是指提供计算引擎框架工具并支持数据分析、机器学习和深度学习算法等操作的管理功能，一些主流的开源框架有TensorFlow、PyTorch和Scikit-learn等。
（2）知识库管理
知识库管理包括模型库管理、算法库管理和策略库管理。模型是指条件概率分布或决策函数，在监督学习中指的是所有可能的目标分布或函数的假设空间。策略是指按照一定的准则学习，从而得到最优的模型，比如损失函数、风险函数、正则化等。算法是指学习模型的具体计算方法，比如梯度下降、随机梯度下降等。
（3）AI沙盒训练
AI沙盒接收AI能力需求解析所得的需求。根据需求，选择合适的特征数据和AI模型与算法。之后，将利用AI管道对模型进行训练和评估，选择最佳模型并发送到AI能力编排器进行AI能力编排，包括以下几点功能。
① 特征数据选择：根据AI能力需求解析所得的需求，选择相关特征数据。
② 特征数据预处理：一种数据处理功能，可从数据层处理历史特征数据，并根据 AI 能力需求和选定的模型提取及处理特征。特征数据预处理不同于数据层的数据处理，它从数据层的数据存储中处理特征数据，包括根据选定的模型和 AI 能力的业务需求提取特征向量、转换特征向量类型和标准化特征向量；后者处理来自网络、终端和基础设施等的原始数据，包括原始数据清理和标记。
③ 模型选择：根据AI能力需求解析和特征数据的特征，选择适当的模型用于后续功能。
④ 模型训练：利用孪生网络提供的虚拟仿真网络进行模型训练。
⑤ 模型评估：利用孪生网络提供的虚拟仿真网络进行模型评估。
（4）AI能力编排
AI能力分为4种，分别是质量保障能力、效率提升能力、成本管理能力和安全保障能力，这4种能力构成了AI能力集。所有这些操作都需要由AI能力编排器进行编排，并在AI能力编排中进行维护。AI能力编排包括以下管理功能集。
① 质量保障能力维护：维护电信网络基于质量保证的AI能力集的管理功能。该 AI 能力集提供准确的服务质量体验，支持用户体验优化，充分提高电信网络质量保证效率的管理功能，包括故障预测、异常检测等。
② 效率提升能力维护：维护电信网络效率提升的 AI 能力集的管理功能。该AI能力集提供了连续和高质量的效率操作，包括智能策略等。
③ 成本管理能力维护：维护AI成本管理能力集的管理功能。该AI能力集通过电信网络智能资源优化、能力管理和性能优化，感知电信网络成本趋势变化，支持成本计划和优化，提高成本管理效率，包括成本分析、成本决策、成本控制等。
④ 安全保障能力维护：维护AI安全保证能力集的管理功能。该AI能力集可用于安全保障。
⑤ AI能力编排器：管理AI管道业务流程的管理功能。该AI能力集由AI沙盒训练的一个或多个AI模型组成，以满足特定应用场景的需求。编排的AI能力注册到AI能力管理。
（5）AI能力管理
AI能力管理包括以下功能集。
① AI能力需求解析：解析应用层和其他层的AI能力需求，将AI能力需求映射到AI沙盒和AI能力编排，或将其转移到AI能力注册。
② AI能力发布：发布AI能力。AI功能对应用层或其他层的操作开放。
③ AI能力注册：一种注册功能，从AI能力编排中接收和注册AI能力，并建立和维护所有AI功能的目录。
④ AI能力激活：在收到AI能力管理的请求后，激活已编排的AI能力，使其处于运行状态。
⑤ AI能力取消：从AI能力注册中取消AI能力。
“至简”即将网络化繁为简，实现轻量级的无线网络，其特征表现为终端设备具有涵盖各类业务的泛在性，网络设备具有软件驱动的开放性；通过至简融合的通信协议和接入技术，以及统一的接入控制管理技术，实现多连接多网融合；网络具有去中心化的极简架构，极少类型的网元可实现完整的功能，基于高度自治的极简运维，在同一架构下灵活组网，即插即用，柔性伸缩。网络至简、功能至强，实现高效数据传输、鲁棒信令控制、按需网络功能部署，最终达到网络精准服务、网络能耗和规模冗余有效降低的网络设计目标。
依据以上特征分析，至简网络需要依赖于分布式 AI 架构，在如下几个维度上实现至简的相关功能。
（1）多空口融合的空天地统一接入
面向未来6G 网络的异构终端接入和不同场景、不同类型的物理层技术，首先需要实现快速的统一接入。这就需要提出融合多物理层接入技术的接入方式，在MAC 层上实现空口的感知，识别出不同类型的终端所处的环境，选择合适的空口技术为其服务，并实现MAC层之上统一的资源调度和处理，从而屏蔽底层的差异。
（2）协议与信令的简化
目前，5G的协议层级较多，协议功能冗余，导致通信过程交互复杂，通信时延较长，难以满足未来空天地海的通信需求。因此，需要考虑灵活的协议设计和定义，并将MAC层以上的服务进行集中，面向用户QoS需求，通过引入AI技术实现流量特征预测和灵活服务，通过功能的复杂来换取协议的简化。
6G的无线接入网需要按照统一的信令方案进行设计，在统一的信令控制下融合多种空口接入技术，实现空口的统一控制，降低终端接入网络的复杂度。
在协议栈功能设计方面，可以考虑差异化的协议功能设计，优化协议功能分布和接口设计，结合AI技术进一步增强协议功能。
在网络功能方面，6G网络可以分为广覆盖的信令层和按需的数据层。通过信令面和用户面分离的机制，采用统一的信令覆盖层保证可靠的移动性管理和快速的业务接入；通过动态按需的数据层加载，满足网络用户的业务需求。两者之间灵活配合，以降低基站部署的数量，提高用户的业务感知体验。
轻量化信令方案需要高可靠、低时延、低成本的传输网支撑，传输网需要灵活的拓扑结构和足够的带宽，且需要无线控制中心-传输网-网络接入点统筹一体化设计。另外，信令和业务分离需要统筹6G可用频段，充分发挥广覆盖与业务灵活加载的优势。
（3）即插即用的链路控制
6G无线接入网需要具备覆盖自动扩展能力，以更好地完成立体全场景的覆盖，当新的网络服务体加入网络时，能够快速握手、即插即用，实现覆盖扩展。
即插即用链路控制技术包括以下几个方面。
流程感知：感知各种类型的接入请求，并启动合适的握手及控制信令流程。对于不同种类的接入点，需要准确识别，快速完成接入，实现覆盖的灵活扩展。
云对边的控制协调：云端对边缘接入点的灵活精准管控包括接入控制、自动分配带宽资源、链路间协调等。云端的处理可以引入AI能力来支撑上述功能。
接入点的自生成自优化：利用数字孪生、AI等技术对各种接入点进行全自动化、全生命周期的管理和监控。当接入点新加入网络时，能够自动完成配置，实现自生成；当接入点运行时，根据实时场景进行参数调整、自动优化，按需改进服务，以更好地满足用户的需求。
云和边之间需要高速高效的传输通道以及大带宽、高实时性的传输带宽来确保即插即用接口间的信息实时交互，同时还需要强大的数字孪生、AI算法支撑，以完成对远端接入点的自动管控。
（4）去中心化网络
在未来6G 至简网络设计中，网络去中心化是潜在的发展趋势。在去中心化网络中，终端将提升至和基站类似或同级的地位，都作为一个计算体或智能体，即接入网由分布式节点（具备感知、传输、路由、存储、计算等能力）组成，节点从角色上来说功能对等，只是计算、存储等能力上有所不同。一方面，智能体节点具有独立的数据采集、处理和响应能力；另一方面，高度自治的智能体节点能够实现与其他智能体之间的实时通信、协作，从而有效完成6G 空天地海等各种环境下的海量异构终端互联、管理和协作。
（5）动态可调整网络的至简运维
目前，布网考虑的是网络整体覆盖，覆盖越来越密集，成本越来越高，管理维护越来越复杂。因此，6G时代需要提供一个动态可调整的网络，网络功能可按需弹性变化，并可支持Zero Touch的智能运维。例如，通过部署不同类型的基站，把分区的用户平面和广域覆盖的控制平面分开，实现业务的快速服务提供。
其中，要实现网络至简运维的技术之一是意图驱动。意图驱动的含义之一是用户不需要关注网络如何实现和资源如何利用，而只需要关心业务需求和质量。面向未来的至简网络一切以用户为中心，改变了以设备为中心的网络管理模式。网络的自动化意味着网络链路发现、策略制定、按需资源分配等能在统一控制器下自动化控制，带来网络新功能敏捷添加，新业务自动发放，网络事件、告警、故障分析等自动化完成，实现管理控制一体化和新、旧混合网络业务自动化。
在自动化的基础上，至简运维要基于反馈闭环的全局优化，将网络实时采集的数据上报给分析器，分析器分析网络状态，并基于目标服务级别协议形成一个负反馈给管控单元，进而通过给定的策略来执行优化动作，形成闭环。
根据IMT-2030（6G）推进组于2021年6月6日发布的《6G总体愿景与潜在关键技术》白皮书的描述，在网络服务能力层面，网络内生智能将充分利用网络节点的通信、计算和感知能力，通过分布式学习、群智式协同以及云边端一体化算法部署，使6G网络原生支持各类AI应用，构建新的生态和以用户为中心的业务体验。
借助内生智能，6G网络可以更好地支持无处不在的具有感知、通信和计算能力的基站和终端，实现大规模智能分布式协同服务，同时最大化网络中通信与算力的效用，适配数据的分布性并保护数据的隐私性。这带来3个趋势的转变：智能从应用和云端走向网络，即从传统的Cloud AI向Network AI转变，实现网络的自运维、自检测和自修复；智能在云-边-端-网间协同实现包括频谱、计算、存储等多维资源的智能适配，提升网络总体效能；智能在网络中对外提供服务，深入融合行业智慧，创造新的市场价值。当前，网络内生智能在物联网、移动边缘计算、分布式计算、分布式控制等领域具有明确需求并成为研究热点。
网络内生智能的实现需要体积更小、算力更强的芯片，如纳米光子芯片等；需要更适于网络协同场景下的联邦学习等算法；需要网络和终端设备提供新的接口。