什么是企业型网站,wordpress编辑器添加,二维码生成器网页版,敦煌网外贸平台来源#xff1a;专知【摘 要】移动通信技术走过了37年的发展历程#xff0c;人工智能技术也已走过了64年的发展历程。从早期的各自独立演进#xff0c;到5G与人工智能开始深度融合发展#xff0c;“5G与人工智能”已被业界视为一组最新的通用目的技术组合#xff0c;对垂… 来源专知【摘 要】移动通信技术走过了37年的发展历程人工智能技术也已走过了64年的发展历程。从早期的各自独立演进到5G与人工智能开始深度融合发展“5G与人工智能”已被业界视为一组最新的通用目的技术组合对垂直行业的发展起到提振生产力与赋能的作用。首先介绍了早期移动通信和人工智能各自的发展路线并重点回顾了人工智能与通信技术在3G到5G阶段开始融合发展。针对通信人工智能详细阐述了当前人工智能技术在移动通信生态系统中各领域的发展情况包括通信网络基础设施、网络管理与运营、电信业务管理、跨领域融合智能化、垂直行业与专网等并总结了通信国际标准组织对人工智能技术在移动通信系统中的分级定义与演进路线。面向下一个十年展望了通信人工智能未来的发展路线与演进趋势并结合 3GPP与ITU-R的5G/6G时间表前瞻性探索了基于3GPP和O-RAN路线的网络智能化、基于体验感知与意图的网络管理与运营系统的发展、网络AI信令体系、面向智慧中台演进的电信业务与支撑体系、跨领域融合的智能化体验管理与策略管理、从SLA向ELA的演进以及面向垂直行业的智能专网等。最后建议行业达成共识在下一个十年中全面加速推进人工智能在通信生态领域的发展。http://www.infocomm-journal.com/dxkx/CN/10.11959/j.issn.1000-0801.2021055【关键词】人工智能 ; 移动通信 ; 5G ; 通用目的技术 ; 网络智能化 ; 随愿网络/意图网络 ; 网络AI信令体系【Abstract】It has been an exciting journey since the mobile communications and AI were conceived 37 years and 64 years ago.While both fields evolved independently and profoundly changed communications and computing industries, the rapid convergence of 5G and AI is beginning to significantly transform the core communication infrastructure, network management and vertical applications.The individual roadmaps of mobile communications and artificial intelligence in the early stage were firstly outlined, with a concentration to review the era from 3G to 5G when AI and mobile communications started to converge.With regard to telecommunications artificial intelligence, the progress of AI in the ecosystem of mobile communications was further introduced in detail, including network infrastructure, network operation and management, business operation and management, intelligent applications towards BSS amp; OSS convergence, verticals and private networks etc.Then the classifications of AI in telecom ecosystems were summarized along with its evolution paths specified by various international telecommunications standardization bodies.Towards the next decade, the prospective roadmap of telecommunications artificial intelligence was forecasted.In line with 3GPP and ITU-R’s timeline of 5G amp; 6G, the network intelligence following 3GPP and O-RAN routes, experience and intention driven network management and operation, network AI signaling system, intelligent middle-office based BSS, intelligent customer experience management and policy control driven by BSSamp; OSS convergence, evolution from SLA to ELA, and intelligent private network for verticals were further explored.It concludes that with the vision AI will reshape the future B5G/6G landscape, and we need fully take the unprecedented opportunities.【key words】AI ; mobile communication ; 5G ; GPT ; network intelligence ; intent based network ; network AI signaling system1 移动通信与人工智能移动通信技术的商用发展已经历了37年的岁月。从1983年10月贝尔实验室与摩托罗拉大规模商用第一代模拟语音通信技术AMPSadvanced mobile phone system作为发展原点到1991年世界主流的2G技术GSMglobal system for mobile communication实现全数字化语音以及演进到2001 年的第三代 UMTSuniversal mobile telecommunications system通信技术支持语音与移动数据业务到2008年至今全球大规模商用的4G技术LTE支持全IPall internet protocol化的高清语音与高速移动数据业务最终发展到2018年开始5G技术逐渐在全世界范围商用。这30余年在移动通信 5 个代际的发展历程中移动通信实现了从模拟到数字、从语音到语音与数据业务并重、从电路交换到IP化、从封闭通信生态系统到赋能垂直行业的技术与生态发展演进。在移动通信发展的早期尤其是从1G到3G发展的初期阶段移动通信网络与业务的生态体系还在不断地进行完整性构建。直到4G生态系统基本实现了网络系统全IP化、支持语音与数据业务并开始向垂直行业赋能的尝试后业界开始提出移动通信网络自动化与智能化的需求与发展理念。随着移动通信网络变得日益复杂化以及通信业务生态变得日益多样化通信网络基础设施和业务系统需要面对诸多复杂场景例如无法用仿真模型模拟的极其复杂的无线环境、指数级的IP交换与路由控制选择、主动性的网络支撑与业务保障、“一客一策”与“一刻一策”的网络个性化服务等远超传统的人工规则预定义与执行的处理与管理能力因此当前的通信系统中需要有一套自动化、智能化的体系和手段保障网络与业务的运行与发展。自2001年3G商用到2020年5G的广泛商用在这20年中移动互联网与数据业务得到蓬勃发展通信生态系统中产生海量的大数据为人工智能artificial intelligenceAI在通信领域的发展和应用提供了天然的、高质量的数据源。2006年Hinton等提出深度学习标志着人工智能发展的第三次浪潮的兴起。传统机器学习中的监督学习、非监督学习、增强学习以及人工智能中的神经网络以深度学习的形式在通信领域各种场景中都有所应用。通过在IEEE Explore数据库中查找通信人工智能领域的学术成果用“Artificial Intelligence” “Machine Learning”“Deep Learning”等关键词搜索的学术论文从2006年至今的15年的学术论文数量是2006年之前15年的6.42倍。由此可见自2006年开始的第三次发展浪潮人工智能与移动通信行业的融合应用进入了一个飞速发展的阶段。通用目的技术general purpose technology GPT通常指那些可以对全球或者国家经济体产生影响的技术。GPT 有希望通过影响既有经济和社会结构显著地改变社会。经济学家 Richard Lipsey和Kenneth Carlaw早在2005年就把人工智能等24种技术定义为通用目的技术。从2018年至今各国政府与学术组织逐渐开始将5G视为新一代的通用目的技术。通用目的技术的显著特征在于对各种行业具有技术扩散性与赋能并为垂直行业的研发与创新提振了生产力。5G与人工智能很明显具备这样的特征因此5G与人工智能普遍被各国和工业界视为21世纪最新的一组通用目的技术被采纳。自从2018年5G逐渐商用以来有不少参考文献以调研或者实证研究的形式探索人工智能在5G的应用大多以AI从5G物理层、MAC medium access control层、网络层、应用层的应用案例做综述或以某一研究问题做仿真或者数据分析进行田野实验或者实证研究。然而目前业界仍然缺乏并需要从5G以及B5Gbeyond 5G生态系统发展的角度对移动通信和人工智能技术的融合发展做整体的综述和前瞻性的展望。笔者希望将 5G 与人工智能技术作为一组通用目的技术的融合应用发展作为主线对人工智能在当前5G国际技术标准、5G网络与业务生态系统的“注智”与“融智”做系统性综述并对未来10年移动通信与人工智能技术的融合演进做前瞻性论述。2 移动通信与人工智能的发展路线移动通信技术与人工智能在各自的早期阶段有着鲜明的、各自独立的发展路线。移动通信技术从2G到5G的发展工业界基本以3GPPThe 3rd Generation Partnership Project作为事实技术标准的一条主线进行演进以 ETSIEuropean Telecommunications Standards Institute、ITU International Telecommunication Union、 O-RAN Open RAN Alliance等其他技术标准作为旁线补充。从2008年以自组织网络self-organizing networkSON技术作为一个显著标志3GPP开始逐渐将人工智能理念引入移动通信网络的技术标准。2.1 人工智能的历史发展路线人工智能技术的雏形最早出现在1956年美国达特茅斯会议上提出了“人工智能”一词同年Arthur Samuel提出了机器学习理论如图1所示。20世纪70年代中期以仿生学为基础的研究学派逐渐火热专家系统、神经网络等技术获得了高速发展。此后人们开始尝试研究具有通用性的人工智能程序却遇到严重的阻碍陷入停滞而进入发展的“寒冬”期。1997年“深蓝”的成功让人工智能的发展又提上日程。随着算力的增加以及互联网普及带来的海量数据人工智能的瓶颈被打破为基于大数据的深度学习与增强学习提供了发展的可能。21世纪初期人工智能技术的发展从“感知”走向“认知”特别在语音处理、本文分析、视频处理等深度学习技术方面取得重要进展。2012 年Hinton 发表了一个设计精巧的卷积网络AlexNet在传统的卷积网络中加入了ReLU、Dropout处理方法并将网络结构拓展到更大规模极大降低了图像识别的错误率。自然语言处理natural language processingNLP技术在2013年取得了重大进展Hinton使用了RNNrecurrent neural network做语音识别的工作图灵奖获得者Yoshua Bengio在同一年提出了一种基于神经网络的语言模型word2vec用于文本分析两种技术识别效果相比传统方法显著提高。2014年诞生的生成对抗网络generative adversarial networkGAN技术受到学术界、工业界的格外关注最新的 GAN 算法在图像生成领域的逼真效果已经达到人眼难以分辨的程度。深度强化学习模型 DQNdeep Q-network于2015年发表在Nature上标志着强化学习与深度学习的里程碑。2016年结合了深度神经网络、强化学习、蒙特卡洛树搜索树的AlphaGo由谷歌DeepMind开发成功并成功战胜多名围棋冠军。2018年年底谷歌发布一种双向语言模型——BERTbidirectional encoder representations from transformers这打开了深度学习在 NLP 应用的“潘多拉魔盒”在业界引起了极大的关注和广泛的应用成为NLP技术发展的一个重要阶段。2020 年Open-AI 在 GPT generative pre-trained transformer体系下开发出拥有1 750亿参数量的预训练模型GPT-3成为目前NLP领域最强的通用语言模型在翻译、问答、文本填空等应用任务中表现出接近人类的能力。近5年数据隐私安全逐渐引起了全球的重视“数据孤岛”效应成为阻碍大数据融合和人工智能发展的“绊脚石”为了重建行业数据生态2017年年底“联邦学习”技术由谷歌率先提出以一种分布式加密机器学习的思想打破“数据孤岛”僵局。2018年为了满足工业数据联合需求微众银行提出了一种工业级的联邦学习框架——FATE实现了工业联邦学习的新范式。2020 年年底工业联邦学习国际标准 IEEE P3652.1发布标志着行业“融智生态联盟”正式落地开启。图1 通信技术演进路线和A I技术演进路线对比2.2 通信人工智能的历史发展路线受算法、算力、需求等方面的影响早期的移动通信系统例如AMPS、GSM等未涉及人工智能应用。但基于数据模型和仿真的分析方法已经用于网络规划与优化。1968 年Yoshihisa Okumura提出Okumura模型基于实测数据对真实的无线信道进行数据建模与仿真可以看作移动通信系统早期应用数据科学算法的雏形。1980 年Masaharu Hata 提出 Hata 模型对Okumura模型进行优化。图1 中1999 年 3GPP 正式把 COST Walfish-Ikegami等信道模型纳入3G射频系统场景的规范中。后期随着无线蜂窝技术的发展涌现出更多的无线信道建模与仿真算法。3GPP于2008年开始定义SON功能随后通信界开始探索各种人工智能算法对SON的应用。初期主要利用遗传算法、进化算法、多目标优化算法等分布式优化算法对网络的覆盖和容量进行优化。机器学习已被SON领域广为接纳用于网络实现自组织、自配置、自优化、自治愈的关键方法。然而通信人工智能真正的飞跃性发展始于2017年。2017年2月3GPP 服务和系统第二工作组Service System Aspects Working Group 2SA2开始研究 5G 核心网的智能化网元——网络数据分析功能network data analytics function NWDAF例如用户设备user equipment UE级的移动性管理如寻呼增强和基于UE 移动性模式预测的连接管理增强等5G 服务质量quality of serviceQoS增强如用户QoS 参数配置优化网络负载优化如基于网络性能预测的用户面功能user plane functionUPF选择等。同月欧洲电信标准化协会ETSI成立了经验式网络智能Experiential Network Intelligence ENI工作组专门研究体验式感知网络管理架构、用例、术语等。2017年6月中国通信标准化协会China Communications Standards AssociationCCSA启动了人工智能在电信网络中的应用课题研究。2018年2月开放无线接入网络联盟Open Radio Access Network Alliance O-RAN Alliance成立开始制定无线人工智能的框架、用例、流程和接口规范。2018年6月 3GPP 无线接入网第三工作组Radio Access Network Working Group 3RAN3开始研究无线侧的数据采集机制。电信管理论坛Telecom Management ForumTMF也开始了与人工智能相关的催化剂工作。2018年8月3GPP SA5开始与5G SON相关的课题研究。2018年10月 3GPP SA5开始对人工智能的研究定义了一个新的管理面功能管理数据分析功能management data analytic function MDAF。2019年6月国际电信联盟电信标准化部门第13研究组ITU Telecommunication Standardization Sector Study Group 13ITU-T SG13启动了机器学习用例的研究。同月全球移动通信系统协会Global System for Mobile Communications Association GSMA开始了智能自治网络案例的白皮书工作。2020年6月3GPP SA5开始启动网络自动化分级的研究课题。同月中国移动联合亚信科技首次在3GPP R17标准中正式引入联邦学习概念形成联邦学习在5G领域的第一个全球国际标准。2020 年 7 月3GPP R16 正式冻结之后3GPP RAN3、SA2、SA5针对新的R17版本将继续推进与人工智能相关的NWDAF、MDAF、QoEquality of experience等标准化课题研究。3 通信人工智能的发展通信的本质在于通过各种通信技术例如移动通信、卫星通信、固定网络通信等将信号中封装的信息从出发点传到目的地。衡量通信质量的标准是信息从发送端到接收端是否可以精确、完美地复现。人工智能相对于由人和动物表现的自然智能使计算机或机器能模拟人类思维与认知例如“学习”与“解决问题”的能力同时去感知环境并采取相应的行动以概率最大化的期望成功实现预设的目标。通信与信号处理系统基于精密的数学模型进行构建。而人工智能中的深度学习使人工智能从数据中吸收知识并做出决策无须进行明确的数学建模与分析。如果过于精巧和优雅的数学假设通信系统在现实应用中容易脱离实际。而人工智能或深度学习如果应用于通信系统其过于黑盒化的学习过程又容易使得通信与信息模型的构建缺乏物理意义。好在通信系统的一个典型特征是层级自治并通过标准化定义的接口实现互联互通形成完整的系统。例如信号处理系统的发射机和接收机可分解成为不同处理单元负责各自的功能例如信号编解码信道编解码调制、解调、除噪等非常类似今天IT系统中的微服务概念。尽管这种系统架构不是全局最优但其优点在于将各子系统进行独立分析和优化从而形成整体稳定的系统。现代移动通信系统经过30多年的发展效率和性能已经非常优秀已逼近香农极限。区别于传统的分层自治方式如果利用人工智能、深度学习将通信系统考虑为一个整体模型进行分析与优化有可能将通信系统智能化的发展推向一个新的阶段。本节将介绍人工智能在通信生态系统里各个领域的发展和应用以及通信国际标准组织对当前通信人工智能发展定义的分级体系。3.1 通信人工智能在移动网络基础设施领域的发展人工智能在通信网络基础设施的发展从无线接入网、核心网、传输网、终端 4 个方面进行阐述。1无线接入网无线接入网的物理载体是基站。5G基站分为中央单元central unitCU和分布式单元distributed unitDU类似传统的基带单元base band unitBBU通过光纤与有源天线单元active antenna unitAAU连接。AAU包含传统的射频拉远单元remote radio unitRRU和天线功能即有源射频部分与无源天线整合为一体。人工智能面向无线接入网中的CU、DU、AAU目前在物理层、MAC层、网络层都有所应用。其中在物理层与数据链路层典型的 AI应用包括利用深度学习或强化学习算法评估与预测信道质量、OFDMorthogonal frequency division multiplexing符号在接收端的检测、信道编解码、动态频谱随机接入等功能。其中信道质量评估利用例如DNNdeep neural network算法对有限导频信号做分析帮助大规模MIMO系统推测出完整、准确的信道状态信息channel state informationCSI。OFDM符号在接收端的检测通常依赖于接收器利用最大似然估计进行评估但该方法对CSI误差和模型本身的准确性非常敏感。因此参考文献尝试了DNN算法结果表明超越了传统的 MIMO 符号检测方法。5G 信道编解码中数据信道使用LDPClow-density parity-check码控制信道使用Polar码。其中Polar码需要耗费多重的迭代收敛后到达优化性能而LDPC 码在大块 Block 或者噪音恶劣情况下解码的复杂度较高。因此各种基于 CNN、DNN 以及强化学习的解码算法呈现优秀的性能、质量以及较小的计算代价。动态频谱随机接入领域以后也可以尝试基于强化学习的DSA 策略learning-based random access and dynamic spectrum access保证大规模终端的动态频谱接入。面向无线接入网的应用层3GPP定义了SON的标准体系旨在实现无线网络的自配置、自优化、自治愈。3GPP虽然没有指定或建议任何统计或者数据科学算法但建议了一系列智能化的 SON 应用场景网络覆盖与性能优化coverage and capacity optimizationCCO、节能管理energy saving managementESM、天线角度远程控制remote control of electrical tilting antennasRET、干扰减轻interference reductionIR、小区ID自动配置automated configuration of physical cell identityACPCI、移动性稳健性/切换优化mobility robustness/handover optimization MRO/MHO、移动性负载均衡mobility load balancingMLB、随机接入优化RACH optimization、邻区关系自动化automatic neighbor relationANR、跨小区干扰优化inter-cell interference coordinationICIC 、随机接入信道优化random access channel optimizationRACO、负载均衡优化load balancing optimization、自治愈self-healing functions、小区停服检测及补救cell outage detection compensation以及路测最小化minimization of drive-testsMDT等。从2008年第一个3GPP SON标准至今业界的科学家们尝试了多种数据科学算法旨在利用人工智能方法来实现上述多个 SON 的应用场景。SON在3G到5G时代发展的12年整体发展得较为平淡。通信标准制订者的美好愿望在于通过SON把自动化、智能化的基因注入移动通信网络架构本身无论通过分布式部署 SON distributed-SOND-SON、集中式部署 SON centralized-SONC-SON还是混合部署 SON hybrid-SONH-SON的方式。传统通信设备商更希望SON变成自己网络基础设施紧耦合的一部分因此传统设备商的SON大多支持自身DE 无线网络设备。通信运营商更希望在自己的无线接入网中部署一套厂商中立、技术中立的智能化SON 系统。新兴的 SON 初创公司愿意与通信运营商站在一起致力于发展网络中立的SON技术但又苦于无线设备厂商在功能接口、数据接口设置的封闭性和非标准性在商业化进程中很难实现3GPP SON的愿景。产业界比较标志性的事件是美国Cisco思科在2013年2月以4.75亿美元收购了以色列的Intucell后者当时是一家专注于SON的电信软件明星公司。经过7年的惨淡发展 Cisco在2020年6月仅以当时收购价的10%即5 000万美元卖给了印度的HCL。世界排名第一的电信软件公司Amdocs在2013年11月以1.29亿美元收购了美国的SON初创公司Celcite但在随后美国排名前二的移动运营商Verizon和ATT的SON商用进程中也没有取得预期的商用市场份额。美国移动通信运营商在近5年也逐渐采取自研的模式在无线接入网的智能化领域进行尝试例如Verizon在2015年与Cisco和Ericsson爱立信联合部署的SON系统逐渐被自有的V-SON系统所取代。2核心网人工智能在移动通信核心网领域的发展在5G时代取得了重大进展。3GPP SA2在2017年2月定义了网络人工智能网元NWDAF这是移动通信从1G到5G以来第一次在核心网络架构里定义、标准化并要求部署网络人工智能网元。NWDAF架构如图2a所示该网元旨在利用人工智能算法与通信技术协议相融合对5G核心网络的移动性管理、网络服务质量QoS以及5G核心网其他网元例如UPF等进行智能化的管理、优化与提升网络质量与体验。目前中美运营商正在对NWDAF在5G SA的商用进行功能测试。图2 NWDAF 和 RIC架构相对于 3GPPO-RAN 是另一条新兴技术赛道。2018年开始O-RAN联盟制定基于AI的无线智能控制器AI-enabled RAN intelligent controllerRIC并与核心网管理与编排management orchestrationMANO功能紧耦合因此笔者把RIC放在核心网部分阐述。RIC架构如图2b所示RIC分为非实时Non-RT RICnon-real time RIC和准实时Near-RT RICnear-real time RIC。准实时 RIC 下沉在无线接入网侧通过 E2 接口与CU/DU相连。准实时RIC的功能包括利用AI的能力进行无线资源管理、移动性管理、无线连接管理、切换管理以及无线QoS管理等。非实时RIC则定义在核心网MANO体系中通过A1接口与准实时RIC连接。其主要功能在于基于AI的业务与策略管理高层业务流程优化以及帮助准实时RIC离线训练AI模型等。O-RAN的RIC目前还正在标准完善和早期试验中。相对于 3GPP NWDAFO-RAN RIC离成熟商用还有较大差距。3传输网传输网是通信网络的基础负责在物理上连接各个网络节点将数据传送到目的地。由于光通信具有大带宽、稳定、损耗低等特点目前主流的传输技术通过光网络这样的载体进行通信。光传输网络的发展经历了准同步数字传输体制plesiochronous digital hierarchyPDH、同步数字体制synchronous digital hierarchySDH、多业务传送平台multi-service transport platform MSTP、波分多路复用wavelength division mulplexingWDM、自动交换光网络automatically switched optical networkASON、光传送网optical transport networkOTN技术的发展和革新。为了实现网络流量的灵活控制更好地支持业务传输需要近几年业界又开始探索将SDN引入光网络实现软件定义光网络software defined optical networkingSDON。SDON继承了ASON动态恢复业务中断的特点但同时也致力于保障网络容量和业务可靠性。另外由于降低运营成本的需要提供光网络组网的自动化及智能化水平光网络需要与大数据、人工智能、云网融合等技术结合实现光网络的智能化管理。这也引入了认知光网络cognitive optical network CON的概念以及业界的探索。按照欧盟资助的CHRONcognitive heterogeneous reconfigurable optical network的项目目标认知光网络的核心是认知决策系统cognition and decision systemCDS负责管理传输要求和网络事件。控制和管理系统control and management system CMS负责控制和传播相关指令如图3所示。目前SDON/CON与人工智能的结合也出现了一些研究成果例如预测故障、缩短恢复时间、改进光的信噪比等。图3 认知光网络的系统结构另一方面第 4 版互联网协议internet protocol version 4IPv4向第 6 版互联网协议internet protocol version 6IPv6的演进重点解决地址空间、网络传输的QoS保障等诸多问题。为了满足5G场景的需要构建基于IPv6的智能IP 网络也是承载网的发展趋势。如何实现灵活的网络路由、保障承载网的网络切片 SLA service level agreement、确定性网络传输需要利用人工智能技术进行保障。例如可基于人工智能技术对 IP 网络的意图进行识别和判断针对性保障网络体验。但总体而言目前IPv6 网络和人工智能的结合还处于初始探索阶段业界希望可以利用人工智能技术对全网的运行状态进行监测及时发现网络的问题和风险智能化地识别网络异常可针对发现问题进行故障的根因定位并且产生相关的最优策略。为更好地实现智能化IP网络还需要引入分段路由IPv6、SRv6segment routing IPv6、随流检测等技术对网络进行感知和灵活的路由配置将 IPv6 技术升级到 IPv6。目前业界相关的研究还处于探索阶段。目前云网边端的资源分配和存储算力资源使用相对独立例如在云服务器进行复杂的人工智能应用在终端进行简单、轻量化的人工智能应用。随着SDN、IPv6、IPv6等技术的发展业界致力于实现算力网络与IP网络的融合、云网融合等全新的架构。目前在这个过程中还存在许多技术难题例如如何实现最优的路由、如何最优地分布算力、如何保障算力的服务质量这需要借助人工智能等技术克服难题。目前相关研究还处于初级阶段。4终端基于终端的人工智能包括终端和芯片的智能化。终端操作系统本身和应用层的App已有一些智能化应用发展而笔者重点关注的基于终端的人工智能对于网络基础设施的赋能目前还在早期发展阶段。比较典型应用是终端芯片采集的性能数据汇报给 SON 系统或者运维支撑系统operation supporting systemOSS利用这两个部件的网络人工智能分析引擎进行无线网络智能优化。在3GPP标准里由3GPP SON中的最路测小化MDT体现。总体上人工智能在通信网络基础设施领域的发展在3G/4G时代较为平淡而在5G时代实现了加速发展。随着 3GPP 的 NWDAF、ORAN的RIC和欧盟5G-MoNArch5G Mobile Network Architecture项目组的 RAN-DAFRAN data analytics function的逐渐成熟以及商用进展加快人工智能将进一步深度融入5G及B5G的网络架构且以独立网元和网络功能实体的形式存在并长期演进。同时也看到人工智能的数学模型和移动通信领域知识还相对独立当前很多数学模型结果还缺乏在通信层面有物理意义的解释两者需要进一步做深度融合增强人工智能在通信物理网络应用上的可解释性。传统通信设备商也需打开数据接口黑盒进一步开放与标准化数据接口帮助运营商构建中立vendor agnostic的智能化网络基础设施。3.2 通信人工智能在网络管理领域的发展人工智能在网络管理领域的发展从MDAF、ETSI、ENI引擎和OSS这3部分描述。1MDAF3GPP R16定义的MDAF以及服务对象如图4a所示3GPP SA5在R16开始定义网管智能化功能例如MDAF通过进行数据分析帮助管理系统设置合理的网络拓扑参数进行网络配置保障服务质量。网络根据MDAF提供的分析结果进行合理配置后控制面和用户面可做进一步参数调整提高用户体验。对于OAMoperation administration and maintenance管理系统关键的步骤为业务需求分析提供什么信息给 MDAF。例如网络切片的通信服务管理功能communication service management function CSMF将客户的SLA翻译成通信服务需求利用MDAF的分析能力判断此需求是否与现有的切片实例匹配通过选择最优的切片实例进行切片SLA保障。图4 3GPP R16定义的MDAF以及服务对象和3GPP R17定义的MDAF架构MDAF在管理面也可以为SON赋能如图4 a所示。MDAF利用采集的管理面和网络数据进行相关的分析实现第3.1节中描述的各种SON功能。但是MDAF在R16的标准例如接口、采集的数据信息定义、流程等定义均不完善较难在当前的5G网络中应用及部署。针对R16的问题以及新场景3GPP开始在R17对MDAF进行增强除了完善R16的功能外对覆盖增强、资源优化、故障检测、移动性管理、节能、寻呼性能管理、SON协作等场景也进行定义与完善。R17中定义的 MDAF 与服务对象关系如图4b所示。MDAF在R17中的服务架构更复杂并且与NWDAF 如何协作也还没有最终确定其 R17的技术标准还在进行中。MDAF目前在中美运营商的 5G 网络管理系统中都还没有实现商用部署。2ETSI ENIETSI 于2017年定义了ENI系统作为一个独立的人工智能引擎为网络运维、网络保障、设备管理、业务编排与管理等应用提供智能化的服务。ENI功能架构如图5所示ENI包含上下文感知、知识管理、认知处理、情境感知、模型驱动和策略管理等与人工智能相关的知识管理、模型管理、策略管理模块。通过数据处理和正则化input processing and normalization对原始数据进行清理和特征处理然后通过内部的AI模块处理后向 OSS、BSS、用户、系统应用、编排器、基础设施等服务对象提供相关的策略或者指令。去正则化和输出形成等模块将ENI产生的策略或者指令进行翻译输出服务对象能够理解的语言。图5 ENI功能架构目前ETSI ENI还在持续演进ENI的功能定义更多高级的应用例如基于意图网络的节能、数据机制、ENI与运营商系统的匹配等。目前相关的工作还在继续中。针对ENI定义的功能和应用场景国内外运营商尝试了相关的试点项目在切片管理、用户体验优化、无线能量优化等方面取得了良好的效果。例如在参考文献展示的试点报告中UC3M、三星和意大利电信等公司展开合作通过 ENI 对切片资源进行弹性管控可以很好地控制端对端时延、服务创建时间、系统容量等性能。在参考文献展示的报告中中国电信、亚信科技、北京邮电大学等进行合作将 ENI 用于基于意图的用户体验优化提高用户体验管理。目前ENI尚未作为一个单独的人工智能系统或者网元在5G网络或者网管系统中部署但其定义的很多功能以解耦的形式在全球运营商的网管体系内开始应用。3网络运维支撑系统OSS网络运维支撑系统OSS通常被定义成一种软件功能使得通信运营商能够对其网络及其应用进行管理。一个OSS通常至少具有如下功能网络管理系统network management system、业务交付service delivery、业务执行service fulfillment其中包括网络资源network inventory、网络激活与开通network activation and provisioning、服务保障service assurance、客户服务customer care。人工智能在OSS领域的早期发展也非常缓慢。在20世纪70年代 OSS 的绝大多数工作还通过手工与人工干预进行到了80年代随着UNIX系统和C语言的兴起贝尔体系开始开发OSS早期较有名的OSS包括 AMATPSautomatic message accounting tele-processing system、CSOBScentralized service order bureau system、EADASengineering and administrative data acquisition system、SCCS switching control center system以及SESservice evaluation system等。人工智能在这些早期系统里没有任何应用。到了20世纪90年代国际电信联盟电信标准化部门ITU-Telecommunication Standardization SectorITU-T在其电信管理网络telecommunications management networkTMN模型中定义了OSS的4层新架构商业管理水平business management levelBML、业务管理水平service management levelSML、网络管理水平network management levelNML以及网元管理水平element management levelEML。随后 FCAPSfault, configuration, accounting, performance, security作为一个新模型被引入以对这4个层次进行管理。在TMN的商用进程中人工智能也鲜见身影。2000年后随着TMForum的NGOSSnew generation operations systems and software项目和eTOMenhanced telecom operation map架构的发展通信运营商的 OSS架构体系相对来说有了相对较为标准化的指导标准。人工智能的应用也有了相对稳定的框架和载体尤其是对FCAPS中的故障管理faultF和性能管理performanceP人工智能在故障诊断、根因分析、性能预测等领域开始有所尝试和应用。TMF定义的OSS属性如图6所示2019年TMF在Future OSS的研究报告中定义了未来OSS由“数据驱动”必须依赖人工智能、机器学习、自动化、微服务、业务优化紧耦合必须具备敏捷、自动化、主动性、预测性、可编程性的特征。在定义未来OSS最重要的10个因素中其中有 4 个因素和人工智能紧密相关自动闭环服务开通与保障、自动闭环网络优化、AI驱动的客户参与、AI驱动的网络优化。因此主流通信运营商也在面向 5G 演进的 OSS 中逐渐嵌入了AI平台或者功能模块以期待OSS实现智能化演进。ATT的ECOMPenhanced control, orchestration, management policy体系中在设计态定义了基于 AI 分析的业务设计工作室Analytic Application Design Studio功能如图7所示。运行执行态中ECOMP也定义了DCAEdata collection, analytics and events功能。DCAE提供基于AI的实时FCAPS功能通过智能分析管理与编排业务、网络、资源并实现自动化闭环。Verizon 也把人工智能当作 BSS/OSS 的必选功能尤其在用户网络与业务体验中得到了深入的应用。图6 TMF定义的OSS属性图7 ATT定义的ECOMP 中国的运营商在面向5G OSS的系统构建中在数据中台与OSS核心功能模块之间插入一个新的平台或组件命名为网络 AI 中台或者智能中台用来承担网络人工智能的功能。在图8a中笔者将中国三大通信运营商的5G OSS网络中台体系抽象得到了一张技术中立的 5G OSS网络中台架构图其中数据中台主要负责网络侧数据采集、数据存储、数据治理、数据共享等功能。网络人工智能中台为满足5G网络、业务、服务管理的智能化要求以数据中台的网络大数据为主要燃料围绕网络生命周期中的规划、建设、优化、运维等场景不断构建、推理、发布、沉淀出网络AI算法模型为4G/5G网络提供包括异常检测、容量预测、网络优化、根因分析、告警预测、故障自愈、业务编排、感知优化等网络 AI功能全面提升5G网络自动化与智能化能力。图8 5G网络运维支撑系统和 5G业务支撑系统3.3 通信人工智能在电信业务领域的发展通信业务支撑系统BSS提供了客户运营及服务的能力。TMF的Frameworx体系中BSS功能主要面向客户的市场与销售、产品、客户、服务、资源、供应商与合作伙伴等多个领域如图8b所示。BSS领域的核心生产系统包括客户关系管理customer relationship management CRM、计费账务系统billing、经营分析系统business intelligenceBI、呼叫中心系统call centerCC等。全球主流运营商的BSS均已非常完善多数已完成集中化、平台化建设。其中中国运营商在BSS领域正引领基于智慧中台的技术演进即通过能力运营协同业务中台、数据中台、技术中台、AI中台等中台系统完成面向最终用户与合作伙伴的IT服务与交互。其中AI中台以人工智能算法为基础通过场景化服务能力封装为业务过程注智赋能。截至目前人工智能技术通过 AI 中台体系已经在 BSS 域的营销、销售、客户服务、计费等多个业务领域及相应场景得到较好的应用。1市场营销该领域典型人工智能应用是客户营销智能推荐及运营决策辅助。通过人工智能各类推荐算法模型和专家经验规则形成有针对性的推荐策略模型依据客户特征输出最佳匹配策略。并在此基础上借助人工智能决策相关算法汇集产品匹配度、价值度、公司效益等因素构建综合决策模型生成最佳运营决策帮助企业提高效益。适用场景包括热门产品推荐、相关产品推荐、个性化套餐推荐、合约推荐、数字化内容推荐等。2客户销售该领域典型人工智能应用是利用人脸识别、OCRoptical character recognition等技术支持客户在营业厅业务受理的身份认证稽核、销售协议签字认证、真实人物业务办理确认等场景。而在政企客户的销售过程中利用人工智能的OCR、图像识别技术支持业务录单环节企业信息自动化识别、政企业务印章识别实现事前认证稽核、销售合同自动起草等场景实现业务销售的智能化、自动化提升客户经理工作效率。3客户服务该领域典型人工智能应用是基于语音识别、意图识别、多模态问答匹配、语音合成、语义处理、用户情感分析、标签多分类预测、OCR等技术实现客户与智能机器人进行的语音交互、客户情感实时监控预测客户诉求有效分配服务坐席实时监听客户问题进行自动分类识别自动检索知识库辅助坐席回复问题基于客户语音声纹的身份认证潜在投诉预测客户服务过程中的语音质量检查进行智能量化评分根据工单文本信息的智能派单知识库知识的自动生成智能客户服务排班等。4计费该领域典型人工智能的典型应用是通过引用智能运维AIOPartificial intelligence for IT operation支撑计费系统应用流程升级和配置修改上线的灰度发布实现计费系统的故障发现、故障诊断、故障自愈、故障预防等结合机器人流程自动化RPArobotic process automation能力支持计费系统日出账的自动化。另外基于多量纲的定价因子带宽、时延、可靠性、精度、连接数、容量、网络功能实例数等与客户资料利用AI算法可以实现智能定价确定最优价格以帮助B2C企业获取最大利益。3.4 通信人工智能在跨领域的融合智能化发展任何一种电信业务都无法在OSS或BSS单一系统中孤立运营或运维。一体化贯穿的电信业务流程、演进中的技术中台体系架构特征以及业务与网络数据的融合分析运营是驱动BSS与OSS进行深度融合的三大主要因素。通信人工智能在跨领域的融合智能化发展也催生了多种应用场景与案例。1客户体验管理customer experience managementCEM通信运营商的组织结构中网络运维支撑与业务运营支撑通常是相对独立的领域其对应的生产系统OSS与BSS也相对独立运营与演进。网络领域重点关注网络、网元的各项关键性能指标key performance indicatorKPI业务领域负责面向市场发展新客户与新业务以及存量客户服务。通信运营商通常采纳ITU和ISOInternational Organization for Standardization制定的QoS体系用于其与客户签订的服务质量协议SLA。传统的QoS以技术为驱动以网络KPI来定义服务质量无法真实体现用户在使用网络业务的体验与感受因此网络领域中基于QoS体系的网络性能质量和和业务运营领域关注的客户满意度、感知体验之间形成了一条“数字鸿沟”如图9所示。CEM 作为网络与业务跨领域融合的一个新领域借助人工智能技术将运营商的 QoS服务质量体系向以用户为中心的体验质量 QoE体系演进实现从以网络 KPI 为中心到以客户体验为中心的网络业务服务转型。图9 性能与体验之间的鸿沟CEM 的核心在于利用人工智能结合心理学建立一套能准确反映客户对通信网络与业务使用感知体验的算法模型体系称之为电信心理学算法将网络体系的QoS与用户体验的QoE体系进行量化映射从而弥合网络质量与用户真实体验之间的鸿沟。目前常见的评估用户体验感知的方法有两种净推荐值net promoter scoreNPS和情感连接度评分emotional connection score ECS如图10所示NPS用来度量客户是否推荐某个公司、产品、业务的可能性。NPS 基于客户反馈构建评分指标体系通过电话或问卷采访调研用户对某个公司、某个产品或服务的满意度量化在010分。NPS相对来说是一种被动、基于客户长期印象、静态的量化评估机制。当前全球运营商中约有 7%使用 NPS 度量客户满意度。图10 指标体系对比净推荐值与情感连接度评分随着机器学习融合心理学的情感连接度评分ECS模型出现传统NPS指标体系已过时。大量研究表明客户的情感连接度评分是最接近衡量真实体验质量的指标体系。不同于NPSECS是主动和持续性的如图11所示通过汇聚接入跨网络和业务领域的多方面数据并使用ECS电信心理学算法不断学习可量化的客户体验和各项指标之间的联系并将事件结果映射到ECS分数中从而及时发掘客户体验产生问题的根因指导改进网络与业务质量达到提升用户体验的目标。亚信科技提出一套电信心理学体验感知算法以及可量化用户感知体验的指数集通过对通信领域用户级主观数据例如NPS调研、客户投诉、主动拨测等和客观数据例如语音通话、上网、高清视频业务、VR业务等质量指标进行海量数据机器学习比对和校验各地区之间的用户数据差异性进行ECS参数优化再结合用户级通信、消费、服务等多方面行为进行画像分析最终生成ECS电信心理学模型用于即时性评价客户旅程中任何一刻、任何一地、任何一种业务的瞬时体验质量。图11 ECS 电信心理学模型通信人工智能在CEM的应用客户的全生命周期旅程中如图12所示以用户体验提升为收敛目标评估用户的业务瞬时体验质量对体验下降的问题进行快速定位与诊断把主动感知与关怀的用户个性化策略贯穿其中从而洞悉每一个用户在网络旅程的体验指标并通过网络和业务系统向用户并通过网络和业务系统向用户提供个性化服务从而实现 5G 网络个性化network personalizationNP。图12 客户体验全生命周期视图2PCFpolicy control function网络策略控制主要基于规则定义在4G LTE中网络策略控制由策略和计费规则功能policy and charging rules functionPCRF实现[112]。3GPP从 R7 开始引入 PCRF 网元对用户和业务 QoS进行控制为用户提供差异化的服务。并且能为用户提供业务流承载资源保障以及流计费策略实现基于业务和用户分类的更精细化的业务控制和计费方式以合理利用网络资源。PCRF包含策略控制决策和基于流计费控制的功能提供数据流检测、门控、流计费的网络控制功能能够以业务、用户、位置、累计使用量、接入类型、时间等多个维度为触发条件生成管控规则。人工智能在PCRF没有得到应用PCRF的策略规则都以规则配置为主。PCRF 架构如图13a所示通过Gx 参考点与策略与计费执行功能policy and charging enforcement functionPCEF等网元交互执行策略和计费功能。3GPP 只是面向网络侧定义了策略控制功能PCF但仍需要结合BOBSS and OSS域的融合在功能上进行增强原因在于随着5G业务的丰富用户对5G服务差异化需求的增加运营商除了对网络资源的使用和网络控制有更高的要求外还需要具备更细致的结合业务策略的分析能力而这分析能力往往要求掌握业务领域的用户属性特征或者事件信息。这就要求对PCF的作用范围进行扩展不仅要在OSS域收集数据还要在BSS域收集数据应用的对象也要从网络域扩展到业务域。基于以上考虑PCF 需要演进到PCF以提供全新的服务模式、业务场景或者商业模式如图13b所示。另外由于人工智能/大数据能力在5GC5G core的引入策略管控变得更加智能化而不是像以前 PCRF 基于专家系统或者规则配置功能。例如通过 NWDAF 和 PCF/PCF的融合可以很容易地实现智能化的切片体验管理、智能化 SLA保障等功能。另外PCF利用网络域/业务域融合的数据从网络域获取小区拥塞状况从BSS域获取用户的等级和套餐使用情况结合人工智能技术动态调整用户套餐设置或者推荐最优套餐进行用户的QoS保障提升用户的满意度。图13 3GPP PCRF架构和基于BO域融合的PCF3.5 通信人工智能在专网的发展案例5G面向垂直行业除了提供公网服务也可提供专网服务。通信人工智能在5G专网中可提供一系列智能化专有服务与安全保障。按照网络资源的共享模式5G专网的部署分为3种类型虚拟专网、混合专网和独立专网如图14所示其中虚拟专网以现有 5G 公网为基础以切片方式实现专业用户的业务承载并且有如下特点●虚拟专网与公网享用 UPF 网元●结合客户需求专网可以通过现有虚拟连接至企业。混合专网以 5G 公网的核心控制面及无线接入部分为基础承载专网业务其特点为●支持用户面数据私有化独立UPF和多接入边缘计算multi-access edge computing MEC设备建在园区内●以切片标识对用户进行接入鉴权。独立专网与运营商 5G 公网完全隔离其特点为●采用精简化的核心网结合UPF及无线基站实现独立组网●专用基站保证覆盖无死角UPF/MEC保障专网数据下沉保证网络独立性。图14 5G专网的3种模式在上述 3 种模式中通信人工智能可以在任何一种专网模式中应用例如可以用于虚拟专网中的网络切片SLA保障进行通信传输性能、质量和资源的优化。对独立专网人工智能体验感知算法可以对用户的感知体验进行实时或准实时评估提供精准的QoS组合保障服务质量实现差异化的智能运维服务。在专网中也可以利用联邦学习、迁移学习等人工智能技术完成5G切片异常诊断模型的云化管理和持续学习优化。另外人工智能技术也可以对专网中的无线网络性能进行实时评估通过与垂直行业应用平台的交互自适应调整应用层的参数设置用于提升应用层的视频质量或者进行游戏加速。3.6 国际标准组织对通信人工智能的发展分级定义鉴于人工智能技术在 5G 商用以来的飞速发展通信国际标准组织也开始对通信人工智能的发展成熟度进行初步的分级。智能化自治无法一蹴而就需循序渐进。完全的智能自治网络是终极目标但也需从自动化的重复操作手段开始先初步实现网络运维的自动化再对网络环境与状态进行主动感知利用机器学习进行不断优化的决策再从网络感知向认知发展认知用户意图构建闭环的认知学习网络最终实现从感知到认知再到预知的闭环自治网络体并不断自我优化与演进。具体的通信网络智能化分级体系GSMA、ETSI、TMF等都做出了相关定义与建议各自分级标准对比见表1。根据第3.1节第3.5节中通信人工智能在各通信生态系统的综述结合L0L5的分级体系对通信人工智能目前在网络基础设施领域、网络管理领域、通信业务领域、跨领域融合以及垂直行业领域的应用做出等级评估见表2。整体上通信人工智能在各通信生态系统的发展与应用还处于初级阶段。在网络管理领域和业务支撑领域的某些应用人工智能已到达了第三级别即部分自治。例如SON在网络领域的自由化与自治愈以及 AIOP 在网络运维领域的业务流程自动编排与灰度发布等。网络管理与运维本身具有大数据采集能力算力可通过服务器集群得到保障智能化应用场景比较明晰例如无线节能、故障检测等先天具备通信人工智能应用较好的基础与平台发展相对较快。电信业务领域涉及的智能客服、智能营销等人工智能服务能力可很好地横向借鉴其他行业类似的应用经验发展也比较快。其他生态领域的智能化进程还多处于L0和L1阶段。网络基础设施的人工智能发展还有待NWDAF、MDAF、RIC等实际商用效果检验也依赖于3GPP、O-RAN、ETSI 等国际通信标准组织未来对 AI 融入网络基础设施架构的开放程度。人工智能在跨领域的融合发展前景也有待于人工智能与CEM、PCF等核心系统或网元紧耦合后发挥的效果而决定。4 通信人工智能的下一个十年展望移动通信的下一个十年将全面向B5G和6G的标准演进, 也将是通信与人工智能深度融合的关键十年。结合当前3GPP、ITU-R、ETSI等通信技术标准的发展进程可以预见通信生态系统中各领域通过与人工智能的深度融合将分阶段在未来逐步实现B5G与6G“完全自治”的愿景。4.1 国际通信标准B5G到6G发展路线展望2018年以来欧盟、日韩、美国和我国均开始了6G预研工作, 例如欧盟在Nokia诺基亚的带领下启动了Hexa-X项目美国工业界例如Qualcomm高通、Microsoft微软、Facebook 脸书等联合成立了NextG Alliance进行6G技术研究。我国工业和信息化部已将原有的IMT-2020 推进组扩展到 IMT-2030 推进组。ITU也启动6G工作组Network 2030。2020年2月19日在瑞士日内瓦召开的第34次国际电信联盟无线电通信部门5D工作组ITU-R WP5D会议上针对制定6G研究时间表和未来技术趋势研究报告、未来技术愿景建议书的撰写等工作进行了讨论。对于 B5G/6G 详细的发展路线各个通信标准组织还在规划中。据白皮书以及对3GPP和ITU 6G 标准工作路标的预测2020—2023 年即3GPP R17-R18标准化阶段是6G技术趋势和愿景的研究阶段2023—2027 年即 3GPP R19-R20标准化阶段是6G频谱、性能的研究阶段2027—2029年即3GPP R21标准化阶段是各国向ITU提交6G评估结果的阶段。3GPP预计最早在2025年开始6G标准制定,并最快在2026—2027年即R20标准化窗口完成6G空口标准技术规范制定工作并于2029—2030年即3GPP R22标准化阶段向ITU提交3GPP 6G标准。可预计 B5G/6G 将继续在移动宽带、固定无线接入、工业物联网、车联网、扩展现实extended realityXR、大规模机器通信、无人机与卫星接入等用例进行空口协议演进与增强并研究和制定更高频段例如NRnew radio52.671 GHz、太赫兹的相关标准。另外6G通信标准的服务范围将从陆地扩展到卫星、海底、地下真正实现海、地、天三位一体通信。对工业物联网等垂直行业蜂窝窄带物联网络、面向可穿戴与视频监控等中档终端、接入与回传集成演进、5G 直传空口及其演进功能、5G非许可频段空口、定位增强、智能自组织网络、通信传感集成及其演进功能、网络拓扑增强功能等标准研究工作也将继续进行并且成熟。其中一些研究工作已经在 3GPP SA1/SA2等工作组开展。4.2 通信人工智能在移动网络基础设施的未来展望人工智能在通信网络基础设施的未来10年展望从无线接入网、核心网、传输网、终端 4 方面进行阐述。1无线接入网在无线接入网中SON 的应用场景被 3GPP定义得非常清晰并且先前利用的机器学习算法在产业界已取得一定成效笔者认为SON在B5G的无线接入网领域的发展会持续加速。神经网络、增强学习等人工智能算法也将逐渐取代传统机器学习的遗传算法、进化算法、多目标优化算法等在SON中自优化、自治愈的两个领域会有很大发展的空间。3GPP SA5和RAN3也设立了2个研究课题“Study on SON for 5G”和“RAN-Centric Data Collection and Utilization for Long Term Evolution and NR”。除了继承了上一代SON的绝大多数场景用例建议3GPP对SON的下一个关键行动是尽快定义好 SON 对 NR、5GC、OAM 和4G系统的接口与信令协议使得SON尽快融入5G网络基础设施中。同时目前3GPP RAN3正在研究SON独立成为一个RAN逻辑实体或功能的可行性。如果SON以一个逻辑实体的形式实现那么将有助于SON对无线侧进行统一数据采集与分析并实现无线侧的参数自配置、性能自优化、故障自治愈的SON的三大核心功能。除了 3GPP 在 5G 核心网侧定义的 NWDAF,欧盟5G-MoNArch项目组也建议在无线侧可考虑设置一个独立的人工智能分析网络功能RAN-DAF对5G NR的CU面进行数据分析和决策。因为无线侧的实时性例如无线资源调度管理等无线侧的智能分析需要实时或准实时决策因此基于实时数据的AI分析需要尽在本地进行以保证能够实现即时和动态的性能优化。RAN-DAF 将作为无线接入网的人工智能与数据分析网元具备收集和监控无线侧UE和RAN的数据包括信道质量指标channel quality indicator, CQI、功率水平power level、路径损失path loss、无线链路质量radio link quality、无线资源使用率radio resource usage、调制与编码方案modulation and coding scheme, MCS、无线链路控制radio link control, RLC和缓冲状态信息等。MoNArch 建议 RAN-DAF 将这些信息送往 RCA ran controller agent-MoNArch定义的RAN侧控制器相当于O-RAN定义的RICRAN-DAF与RCA共同决策对无线侧质量进行优化例如弹性无线资源控制、切片可感知的RATradio access technology选择、跨切片的无线资源管理等。由于RCA在3GPP里没有相对应的功能因此一个比较现实的选择是在RAN侧仅设置RAN-DAF以SBA的形式通过跨领域消息总线与核心网侧互联。RAN-DAF与NWDAF和MDAF的接口描述如图15所示。目前5G-MoNArch RAN-DAF尚未形成 3GPP 标准网元定义, 未来是否承担RAN 的控制或管理功能或承担部分 SON 的功能都还没有确定。建议RAN-DAF或SON的独立逻辑虚拟功能取其一即可。图15 5G-MoNArch定义的数据分析框架O-RAN的RIC将会持续演进与加强尤其在面向不同App类型时的智能策略控制用于帮助运营商在业务编排层实现基于App特征的业务编排。RIC将感知App类型南向根据App特征利用第三方的xApps进行相应App的无线资源管理北向根据 App 类型通过网络开放 API application program interface与边缘应用服务器进行交互如图16a所示。RIC的能力开放与增强的无线资源管理功能会包括例如多个O- RAN设备之间的数据共享、无线切片的SLA保障、车联网/无人机的无线资源优化、动态频谱共享、与MEC 结合满足垂直行业的业务需求如图16b所示。对于O-RAN定义的SMOservice management and orchestration在功能架构和接口逐渐成熟后可支持更强大的无线云运维管理以及非实时RIC功能。2核心网NWDAF作为核心网的AI网元在未来将具备增强的网络性能优化与用户体验优化能力在域内实现自治和智能化服务。随着与核心网周边网元接口全面互通例如其他NFnetwork function、AFapplication function和OAM等以及数据软采集能力实现NWDAF 将可以全面、实时地参与核心网控制面的决策控制。例如NWDAF 与 NSSF 和 PCF 合作PCF 可根据NWDAF 的切片级分析结果做出策略执行决策 NSSF可根据NWDAF的负载分析做出切片选择。图16 基于O-RAN RIC的业务编排和O-RAN RIC的能力开放NWDAF 一个新用例是“UE 驱动的分析共享”。在这个用例中UE 端的信息例如用户定位信息、用户画像信息等帮助NWDAF做网络切片的智能决策。其关键功能是NWDAF如何收集 UE 级别的信息以及 NWDAF 如何使用 UE信息做分析后再将分析结果提供给其他 NF。与NWDAF相关的研究项目还包括基于NWDAF协助的QoS保障、话务处理、个性化移动性管理、策略决定、QoS调整、5G边缘计算、NF的负载均衡、切片SLA保障、可预测的网络性能等。这些功能如果在NWDAF未来实现将大大提升5G核心网智能化的程度。NWDAF 的跨领域互动也是一个值得推进的方向。3GPP SA5也在研究NWDAF如何将分析功能赋能给OAM或RAN。另外NWDAF将参与与MEC的融合通过MEC支持垂直行业的应用为更多的垂直行业应用赋能。作为网络领域关注的安全问题可以期待NWDAF也将继续增强相关功能例如NWDAF会监控终端或者网络的异常行为发现异常会及时向相关NF或者OAM进行汇报采取相应的保护策略或措施。NWDAF在一些关键信息传输上例如AI算法模型也可结合区块链等技术进行溯源和安全保障。NWDAF与MDAF/RAN DAF的融合架构如图17所示。图17 NWDAF与MD/RAN DAF的融合架构3传输网未来 10 年SDON/CON 与人工智能结合更加紧密将会逐渐实现“零接触”的认知光网络实现光网络的完全自动化管理和控制。基于光网络的运维知识图谱将逐渐成熟可以通过它快速定位传输问题预测传输性能进行传输参数的优化。对于传输的具体指标例如调制阶数、误差修正、波长容量等可以利用人工智能技术进行最优配置保障传输的性能。基于IPv6的应用将逐渐走向成熟人工智能在网络路由、承载网的SLA保障、确定性网络方面发挥关键作用实现IPv6乃至IPv6的智能IP网络满足B5G/6G业务场景的个性化需求。在云网融合方面云网边端的算力资源将实现完全分布式的架构按照业务需要提供无缝、高质量的算力资源为终端、边缘的高阶人工智能应用提供资源保障。弹性算力网络/动态的云网融合成熟后也会出现新的提供云计算服务的商业模式可以利用区块链的智能合约等进行安全保障解决用户的隐私问题实现网络和计算资源的可变现能力。另外网络切片是跨无线网、传输网和核心网等多领域的技术需要各个领域高效合作。其中传输网络是连接各个领域的物理基础传输资源的合理编排与支持在切片的SLA保障中至关重要可以预计未来人工智能在端对端切片 SLA保障领域将逐渐成熟。4终端终端和网络基础设施的连接通过空中接口air interface与无线网络进行交互。基于终端面向未来网络基础设施的人工智能主要应用在终端和芯片的无线感知功能中即通过基于终端和芯片的人工智能技术对无线环境和内容的感知来优化无线接入的开销和时延等性能。通过基于终端的人工智能实现无线感知表现在以下3个方面频谱与接入感知即某一终端可以检测其他终端的行为可使5G系统性能拥有更好的接入和调度效率内容感知即从RF信号、传感器或话务行为数据中推测与分析得到用户的内容例如位置、速率、移动性等用于优化终端的性能与使用体验无线环境感知通过监控信号传播与反射模式等来检测姿势、行动和某一物体等来催生新的场景案例。基于终端的人工智能对未来 5G 网络系统的赋能体现在以下3个方面第一增强终端体验智能化的波束成形和功耗管理可优化速率、稳健性和电池寿命智能化的波束成形可利用深度增强学习来实现通过对位置、速率和其他环境与应用参数的感知来提升网络的稳健性与速率能耗节省方面利用终端基于人工智能的内容感知来权衡性能与功耗。第二改善5G系统性能主要表现在智能化的链路自适应通过基于位置的无线干扰预测可使系统速率和频谱效率得到改善智能化的网络负载优化通过基于终端的人工智能推理可以使原始数据需要在全网传输的负荷降低智能化的无缝移动性以终端为中心的移动性管理通过终端人工智能和传感器可以更好地预测网络切换行为与时机。第三改善无线安全性利用终端的人工智能技术可以即时地在本地检测和防御恶意的基站欺诈、恶意干扰等安全危害行为。4.3 通信人工智能在网络管理领域的未来展望通信人工智能在网络管理方面的发展将从多个方面进行例如国际标准化组织定义的MDAF、ENI、随愿网络或者运营商的运维体系。另外在网络 AI信令体系、网络数字孪生、编排系统方面也会得到大力发展。1MDAF可以预计3GPP从标准角度在SA5工作组继续MDAF的持续演进对与运维相关的管理面智能化功能进行增强。在SON的注智方面MDAF在覆盖增强、资源优化、故障检测、移动性管理、能量节省、寻呼性能管理、SON协作等多个场景方面的应用逐渐成熟。例如MDAF提供更精准的覆盖分析能力并且指出覆盖问题产生的原因从而指导基站调整参数保证用户的业务体验不会降低。MDAF也会更精准地分析RAN用户面的拥塞情况指出导致拥塞的原因并且提供相关的策略建议。MDAF会提供更精准的资源利用方面的分析报告并且提供解决资源利用问题的策略建议。在SLA的关键参数上例如时延、可靠性等 MDAF 也会进行精准的分析和提供改善实验性能的建议。在故障管理方面MDAF 会进行更精准的故障定位提供相关的行动建议。MDAF 也会在用户的移动性管理上提供精准的策略建议提高用户的切换成功率和网络效率。对于切片的管理提供更强大、更智能化的服务可以精细地管理切片的各项性能指标保障SLA的参数。另外 MDAF和网络设备例如NWDAF交互方面也将得到完善。2ETSI ENI目前ENI系统定义了功能架构但是对接口的具体定义尚未开始。可以预测ENI工作组将定义相关的接口让ENI在部署和应用方面更有参考意义。另外数据的处理机制如何与ENI架构相结合、在运营商系统中如何部署ENI以及ENI和其他智能化网络单元如何协同、意图策略如何表达和管理、流信息遥测等方面可以预计相关的工作也会逐渐展开相关的场景/功能定义将变得逐渐完善。下一个版本的ENI 将在智能化应用场景和落地方面进行相应的增强。3随愿网络目前中国电信开展了随愿网络的研究。3GPP 和 ETSI 等开始定义 IBNintent based networking均旨在定义更智能的网络自动化管理机制。3GPP TR28.812 中描述意图管理intent driven managementIDM消费者发送意图请求给IDM的提供者生产者IDM提供者提供相关的网络配置如图18所示。同时IDM的提供者会监控网络状态监控消费者的意图是否得到满足。如果不满足将重新进行意图评估和参数调整。图18 意图管理可以预计意图驱动的管理服务将在今后10年持续演进和成熟为运营商进一步减少管理复杂度和对底层设备的知识需求同时在跨多厂商的场景增加网络管理效率。3GPP SA5、ETSI ENI等标准化组织将持续这方面的工作例如定义合理精准的意图表达、自动化机制、意图的生命周期管理等。关于应用场景预计在网络服务开通、切片资源利用优化、切片性能保障、网络优化、网络容量管理、网络功能部署等方面会逐渐增强和完善。4网络AI信令体系5G OSS 网络中台体系的网络人工智能平台可认为是一个面向网络管理与运维功能的 AI 平台与引擎。网络AI平台需要和南向各数据采集网元或模块及和北向5G OSS的各个业务系统例如网络编排、网络性能、网络资源、网络故障通过一种标准的命令体系进行互联互通定义为网络AI信令体系。和4G/5G网络信令体系专注各网元的互联互通与交互管理不同网络 AI 信令体系是网络 AI中台或平台与其南北向各接口及其相连接的各网元、OAM模块、OSS各系统的一整套标准的互联互通及AI交互管理命令体系包括网络人工智能管理命令的定义、网络人工智能命令流在各接口之间的上传、下发机制网络人工智能分析结果的执行机制网络人工智能鉴权、授权等机制网络人工智能算法的训练、推理、发布、部署机制网络人工智能算法计算、存储资源管理网络人工智能命令的监控、安全等。典型的网络AI信令接口如图19所示包括网络 AI 中台与 3GPP SON 系统、3GPP NWDAF、O-RAN RIC、ETSI ENI等系统的AI数据采集与AI命令执行接口也包括网络AI中台面向5G OSS各个系统例如网络编排、网络性能、网络资源、网络故障等AI 数据采集与 AI 命令执行接口。一个典型的小区话务量异常检测的网络 AI 信令流程示意图以及相应的网络AI信令包结构如图20所示。图19 网络AI信令接口图20 典型的网络AI信令包结构和小区话务量异常检测网络AI信令流程示意图[作者简介]欧阳晔博士亚信科技中国有限公司首席技术官。 王立磊博士亚信科技中国有限公司技术总监。杨爱东博士亚信科技中国有限公司首席数据科学家。 马利克·萨哈美国威瑞森电信公司就职。 大卫·贝兰格博士美国电报电话公司就职美国斯蒂文斯理工学院教授。 高同庆中国移动通信集团公司副总经理。韦乐平中国电信集团公司总工程师科学技术委员会主任首席科学家。 张亚勤博士清华大学智能产业研究院院长美国艺术与科学院院士澳大利亚国家工程院院士。 未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
