劉光毅，鄧 娟，李 娜，冷昀橘，田開聰

(1.中國移動通信有限公司研究院 未來研究院，北京 100053；2.北京郵電大學(xué) 信息與通信工程學(xué)院，北京 100876)

0 引言

為了滿足千行百業(yè)的差異化和碎片化業(yè)務(wù)需求，5G引入了基于NFV/ SDN技術(shù)的SBA架構(gòu)及網(wǎng)絡(luò)切片技術(shù)。網(wǎng)絡(luò)切片技術(shù)通過在同一基礎(chǔ)設(shè)施上構(gòu)建面向不同垂直行業(yè)的邏輯隔離網(wǎng)絡(luò)，以滿足不同行業(yè)的定制化需求。隨著行業(yè)需求的進(jìn)一步擴(kuò)展，5G網(wǎng)絡(luò)架構(gòu)及管理方式也變得愈加復(fù)雜。

2G/3G/4G/5G多網(wǎng)共存與互操作，網(wǎng)絡(luò)結(jié)構(gòu)與功能愈加復(fù)雜為了保證多種業(yè)務(wù)和不同能力終端的接入需求，5G通過引入多連接等技術(shù)手段實(shí)現(xiàn)多種標(biāo)準(zhǔn)(NR、LTE、WiFi等)共存，在提供更高吞吐量和業(yè)務(wù)連續(xù)性保障的同時(shí)，增加了更多網(wǎng)絡(luò)功能、交互流程、管理策略、異常因素，使得網(wǎng)絡(luò)結(jié)構(gòu)與管理更加復(fù)雜。尤其是對于無線接入網(wǎng)，為了滿足各種垂直行業(yè)需求，單體式基站需要不斷做加法，而對于某個(gè)特定的垂直行業(yè)而言，其需要的是更精簡、低成本、易于管理的輕量級網(wǎng)絡(luò)。

多種專用接口并存，接口協(xié)議復(fù)雜傳統(tǒng)網(wǎng)元之間采用專用接口進(jìn)行通信，在通信前需要進(jìn)行相應(yīng)的接口建立。為了保證特定業(yè)務(wù)或服務(wù)需求，3GPP定義了一系列協(xié)議，如用于D2D發(fā)現(xiàn)/通信的ProSe/ PC5 Signalling協(xié)議、用于定位的LPP/NRPPa協(xié)議、用于實(shí)現(xiàn)QoS flow到DRB映射的SDAP協(xié)議、用于回傳的BAP協(xié)議等。協(xié)議功能的引入不僅帶來了標(biāo)準(zhǔn)化工作量和實(shí)現(xiàn)難度，還增加了測試與運(yùn)維的復(fù)雜度和難度。

專用與通用硬件共存，基礎(chǔ)設(shè)施平臺管理難5GC引入了面向NFV/SDN的通用硬件平臺，而RAN考慮到性能、功耗等需求，還是多采用專用硬件和專用軟件設(shè)備實(shí)現(xiàn)。為滿足運(yùn)營商版本快速升級部署、容量彈性可擴(kuò)展等需求，提高設(shè)備資源利用率，通用基礎(chǔ)設(shè)施平臺的構(gòu)建正在成為新的趨勢。

外掛式AI應(yīng)用，面臨挑戰(zhàn)眾多人工智能技術(shù)在5G網(wǎng)絡(luò)中的應(yīng)用促進(jìn)了移動通信網(wǎng)絡(luò)和垂直行業(yè)的智能化發(fā)展，但5G網(wǎng)絡(luò)智能化大多使用場景驅(qū)動的外掛AI模式，其面臨的挑戰(zhàn)如下：一是缺乏統(tǒng)一的標(biāo)準(zhǔn)框架，導(dǎo)致AI應(yīng)用缺乏有效的驗(yàn)證和保障手段；二是外掛模式難以實(shí)現(xiàn)預(yù)驗(yàn)證、在線評估和全自動閉環(huán)優(yōu)化；三是外掛模式下，算力、數(shù)據(jù)、模型和通信連接屬于不同技術(shù)體系，對于跨技術(shù)域的協(xié)同，只能通過管理面拉通進(jìn)行，通常導(dǎo)致秒級甚至分鐘級的時(shí)延，服務(wù)質(zhì)量也難以得到有效保障。

為解決上述問題，需要從如下三個(gè)方面著手，構(gòu)建更加智能、至簡的6G網(wǎng)絡(luò)[1]：① 深化云網(wǎng)融合，加速推進(jìn)無線網(wǎng)絡(luò)的云化改造。目前無線接入網(wǎng)的云化部署尚在起步，需要進(jìn)一步推動無線協(xié)議棧的服務(wù)化、無狀態(tài)化研究，完善網(wǎng)絡(luò)自動化部署和運(yùn)維，實(shí)現(xiàn)適用于無線接入網(wǎng)領(lǐng)域的云原生技術(shù)體系[2]。② 優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合高低頻頻譜優(yōu)勢以及控制面與用戶面數(shù)據(jù)傳輸需求，引入控制面與用戶面深度分離的無線網(wǎng)架構(gòu)，簡化小區(qū)管理流程、降低整網(wǎng)功耗[3]。③ 進(jìn)一步探索智能化手段提升網(wǎng)絡(luò)運(yùn)行效率及行業(yè)差異化需求的適應(yīng)能力[4]。

智能、至簡是未來網(wǎng)絡(luò)設(shè)計(jì)的兩大原則[5-7]。近年來，隨著AI技術(shù)的快速發(fā)展，AI技術(shù)在通信網(wǎng)絡(luò)中的應(yīng)用也愈加廣泛而深入。首先，AI助力改善無線網(wǎng)絡(luò)的資源分配和網(wǎng)絡(luò)管理的自動化等問題。文獻(xiàn)[8]利用深度強(qiáng)化學(xué)習(xí)技術(shù)，設(shè)計(jì)了一種分布式的動態(tài)功率分配方案，為無線網(wǎng)絡(luò)中的最優(yōu)化功率分配問題提供了思路。文獻(xiàn)[9]針對無線網(wǎng)絡(luò)中頻譜共享問題，提出基于深度學(xué)習(xí)的占空比頻譜共享框架，具有很高的實(shí)用性。其次，AI助力提升通信網(wǎng)絡(luò)的自動化、智能化水平和網(wǎng)絡(luò)安全性。文獻(xiàn)[10]使用強(qiáng)化學(xué)習(xí)結(jié)合數(shù)字孿生的方法，實(shí)現(xiàn)了移動無線網(wǎng)絡(luò)的自治優(yōu)化。在現(xiàn)代通信場景中，涌現(xiàn)了大量視頻和各種非語音流量業(yè)務(wù)，這類業(yè)務(wù)利用AI 分析用戶反饋的數(shù)據(jù)，預(yù)測網(wǎng)絡(luò)狀態(tài)、用戶行為、業(yè)務(wù)特性等信息，實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)的自動優(yōu)化，不僅降低了網(wǎng)絡(luò)運(yùn)營和優(yōu)化成本，還提升了用戶服務(wù)質(zhì)量[11]。此外，網(wǎng)絡(luò)可應(yīng)用機(jī)器學(xué)習(xí)方法，基于大量歷史數(shù)據(jù)進(jìn)行安全預(yù)測，同時(shí)對網(wǎng)絡(luò)流量進(jìn)行實(shí)時(shí)監(jiān)控，確保及時(shí)發(fā)現(xiàn)可疑的用戶和攻擊行為，并自動化分析故障原因、輸出解決方案，實(shí)現(xiàn)網(wǎng)絡(luò)運(yùn)維智能化，使網(wǎng)絡(luò)更加安全可靠[12]。

但現(xiàn)階段AI在網(wǎng)絡(luò)中的應(yīng)用多采用外掛模式，服務(wù)質(zhì)量、效率等難以保障。關(guān)于如何實(shí)現(xiàn)未來網(wǎng)絡(luò)至簡，目前已有一些設(shè)計(jì)思路，如考慮通過同態(tài)化的設(shè)計(jì)、端到端采用統(tǒng)一的設(shè)計(jì)思想、采用統(tǒng)一的接口基礎(chǔ)協(xié)議、多種接入方式采用統(tǒng)一的接入控制管理技術(shù)，以及基礎(chǔ)網(wǎng)絡(luò)架構(gòu)以極少類型的網(wǎng)元實(shí)現(xiàn)完整的功能等。雖然無蜂窩小區(qū)等至簡相關(guān)技術(shù)已經(jīng)被研究了很多年，但尚無相對系統(tǒng)性的結(jié)論。

本文從網(wǎng)絡(luò)功能、網(wǎng)絡(luò)結(jié)構(gòu)、網(wǎng)絡(luò)運(yùn)行三個(gè)維度出發(fā)，提出智能和至簡網(wǎng)絡(luò)關(guān)鍵技術(shù)方案。主要?jiǎng)?chuàng)新在于：

① 提出端到端智能至簡網(wǎng)絡(luò)總體構(gòu)想，涉及基礎(chǔ)設(shè)施及資源層面、網(wǎng)絡(luò)功能層面、應(yīng)用與服務(wù)層面。

② 提出功能至簡解決方案：端到端服務(wù)化架構(gòu)，通過引入統(tǒng)一的服務(wù)化接口、統(tǒng)一的編排管理機(jī)制等，實(shí)現(xiàn)網(wǎng)絡(luò)功能定制化、交互流程最優(yōu)化。

③ 提出結(jié)構(gòu)至簡解決方案：信令廣域覆蓋機(jī)制，可實(shí)現(xiàn)多制式、多頻段小區(qū)的統(tǒng)一管理，在此基礎(chǔ)上，系統(tǒng)信息、小區(qū)選擇與重選機(jī)制可以進(jìn)一步降低整網(wǎng)信令開銷和小區(qū)管理復(fù)雜度。

④ 面向內(nèi)生AI設(shè)計(jì)，提出網(wǎng)絡(luò)內(nèi)生智能面、AI服務(wù)質(zhì)量(Quality of AI Service，QoAIS)指標(biāo)體系及保障機(jī)制，并從性能、開銷、安全、隱私、自治等多個(gè)維度系統(tǒng)分析AI訓(xùn)練服務(wù)的QoAIS指標(biāo)體系，從管理面、控制面與用戶面等多個(gè)方面提出QoAIS機(jī)制與流程，保障AI服務(wù)的QoAIS持續(xù)達(dá)成。

⑤ 對內(nèi)生AI網(wǎng)絡(luò)架構(gòu)中基于QoAIS的AI工作流編排方案進(jìn)行了仿真分析。仿真結(jié)果表明，在性能和開銷方面，集中式、分布式和協(xié)同式三種典型方案各有優(yōu)缺點(diǎn)，需要針對QoAIS的具體要求，決定AI工作流中相關(guān)任務(wù)的分布，并調(diào)度所需資源，以保證QoAIS的達(dá)成。

1 智能至簡網(wǎng)絡(luò)構(gòu)想

面對未來不確定的新業(yè)務(wù)和新場景需求，除了提升網(wǎng)絡(luò)傳統(tǒng)關(guān)鍵性能指標(biāo)外，還需要著力于提升網(wǎng)絡(luò)的全場景適應(yīng)能力。如圖1所示，網(wǎng)絡(luò)的適應(yīng)能力可以通過如下幾個(gè)方面來提升：

圖1 智能至簡網(wǎng)絡(luò)構(gòu)想

在基礎(chǔ)設(shè)施及資源層面，按需調(diào)配合適網(wǎng)絡(luò)資源(包括計(jì)算、存儲、頻譜、功率、部署位置等各類資源)，最大限度提升網(wǎng)絡(luò)效率。一方面要實(shí)現(xiàn)資源的靈活動態(tài)共享，適配在網(wǎng)計(jì)算、在網(wǎng)存儲、功率共享等業(yè)務(wù)需求；另一方面要全局考慮資源的靜態(tài)劃分，以適應(yīng)信令與數(shù)據(jù)解耦、上行與下行解耦等發(fā)展趨勢。

在網(wǎng)絡(luò)功能層面，按需靈活組合與編排必要網(wǎng)絡(luò)功能，提供定制化網(wǎng)絡(luò)服務(wù)能力，避免不必要的功能和流程導(dǎo)致的性能損失或成本增加。基于云原生技術(shù)的端到端服務(wù)化架構(gòu)是提升網(wǎng)絡(luò)適應(yīng)能力的必要技術(shù)手段。

在應(yīng)用與服務(wù)層面，一方面要精確感知業(yè)務(wù)需求，另一方面要實(shí)現(xiàn)網(wǎng)絡(luò)功能與網(wǎng)絡(luò)資源的多維度智能編排與管理，實(shí)現(xiàn)整網(wǎng)的智能管理。

2 網(wǎng)絡(luò)功能至簡：端到端服務(wù)化架構(gòu)

5G引入了基于云原生技術(shù)的服務(wù)化架構(gòu)(Service Based Architecture，SBA)，使網(wǎng)絡(luò)具備了按需部署、彈性擴(kuò)縮容、軟件快速升級等能力，通過網(wǎng)絡(luò)切片等有效支撐差異化和碎片化的行業(yè)用戶需求。但目前商用的5G核心網(wǎng)僅實(shí)現(xiàn)了控制面的服務(wù)化，這意味著僅核心網(wǎng)控制面功能可以滿足垂直行業(yè)用戶的網(wǎng)絡(luò)功能定制化需求。為了靈活適配未來不同行業(yè)的組網(wǎng)需求，SBA的概念需要進(jìn)一步擴(kuò)展到核心網(wǎng)用戶面、接入網(wǎng)，甚至UE，如圖2所示。

圖2 端到端SBA架構(gòu)

2.1 服務(wù)化架構(gòu)設(shè)計(jì)層次

綜合考慮產(chǎn)業(yè)成熟度、技術(shù)成熟度等多個(gè)方面，端到端服務(wù)化架構(gòu)的研究可能會包括以下5個(gè)層次，不同層次可能單獨(dú)出現(xiàn)，也可能同時(shí)出現(xiàn)。

2.1.1 核心網(wǎng)用戶面服務(wù)化

為了更好地滿足垂直行業(yè)需求，業(yè)界已開始進(jìn)行核心網(wǎng)用戶面服務(wù)化相關(guān)研究[13-14]。R18的UPF支持event exposure服務(wù)將是UPF服務(wù)化的重要開端，文獻(xiàn)[8]的研究內(nèi)容主要包括兩點(diǎn)：一是定義UPF信息開放服務(wù)并支持通過NRF進(jìn)行服務(wù)注冊和發(fā)現(xiàn)；二是使UPF和其他5GC NF可以相互調(diào)用彼此的服務(wù)，例如，策略控制功能(Policy Control Function,PCF)可以直接訂閱UPF的QoS檢測延時(shí)報(bào)告以避免重復(fù)包傳輸、優(yōu)化傳輸路徑，或者網(wǎng)絡(luò)數(shù)據(jù)分析功能(Network Data Analytics Function,NWDAF)可以直接訂閱UPF實(shí)時(shí)業(yè)務(wù)流信息用于大數(shù)據(jù)采集分析，以及UPF通過網(wǎng)絡(luò)能力開放功能(Network Exposure Function,NEF)直接開放服務(wù)給第三方。

2.1.2 接入網(wǎng)控制面服務(wù)化

可能會包括兩個(gè)階段，即接入網(wǎng)與核心網(wǎng)控制面接口的服務(wù)化以及接入網(wǎng)內(nèi)部的服務(wù)化。第一階段研究已有公司在3GPP觸發(fā)討論[15]，主要思路是在NG-RAN和核心網(wǎng)之間引入新的服務(wù)化N2接口，同時(shí)保留傳統(tǒng)N2接口，與UE移動性、NAS信令相關(guān)的消息通過傳統(tǒng)N2接口傳輸，其他消息通過新的服務(wù)化接口傳輸。第二階段將會實(shí)現(xiàn)N2接口的全服務(wù)化，以及RAN控制面功能的服務(wù)化重構(gòu)。RAN控制面大致可能包括如下幾種服務(wù)：無線承載管理服務(wù)、連接與移動性管理服務(wù)、本地定位服務(wù)、多播廣播服務(wù)、數(shù)據(jù)采集服務(wù)、信令傳輸服務(wù)以及接入網(wǎng)開放服務(wù)。

RAN控制面服務(wù)化可以帶來至少如下兩方面的優(yōu)勢[16]：一是RAN服務(wù)可以與CN服務(wù)直接互訪，由此可以減少網(wǎng)絡(luò)中不必要的AMF轉(zhuǎn)發(fā)；二是RAN控制面服務(wù)化后，RAN的控制面服務(wù)與其他服務(wù)(包括核心網(wǎng)服務(wù)、其他RAN控制面服務(wù))之間的交互可從串行交互轉(zhuǎn)為多方并行交互，由此可優(yōu)化控制面流程。

2.1.3 接入網(wǎng)用戶面服務(wù)化

傳統(tǒng)移動通信協(xié)議遵從OSI分層協(xié)議設(shè)計(jì)理念。每個(gè)分層僅能接收由它下一層提供的特定服務(wù)，并且負(fù)責(zé)為自己的上一層提供特定的服務(wù)。上下層之間進(jìn)行交互時(shí)遵循“接口”約定，同一層之間進(jìn)行交互時(shí)遵循“協(xié)議”約定。這種分層設(shè)計(jì)理念存在的問題是：協(xié)議及服務(wù)模型固定，無法實(shí)現(xiàn)靈活的跨層信令交互和跨層功能組合。RAN用戶面服務(wù)化的本質(zhì)是突破傳統(tǒng)分層設(shè)計(jì)理念，使服務(wù)之間不再受限于上下協(xié)議層間的調(diào)用關(guān)系，服務(wù)之間可以靈活地訪問，并在需要時(shí)按需組合，以更好地滿足多種業(yè)務(wù)需求。通過RAN用戶面服務(wù)化，打造極致的跨層傳輸體驗(yàn)。

2.1.4 UE服務(wù)化

隨著云手機(jī)市場的再次興起，UE也可以具備服務(wù)能力，向運(yùn)營商網(wǎng)絡(luò)、第三方應(yīng)用等提供算力、測量、UE信息等服務(wù)。UE服務(wù)將與網(wǎng)絡(luò)服務(wù)融為一體，通過服務(wù)化接口互訪，實(shí)現(xiàn)更靈活直接的信息交互。

2.1.5 DOICT融合驅(qū)動的服務(wù)化架構(gòu)

隨著數(shù)據(jù)技術(shù)、運(yùn)營技術(shù)、信息技術(shù)和通信技術(shù)(Data,Operation,Information and Communication Technologies，DOICT)的深度融合發(fā)展，內(nèi)生智慧、內(nèi)生安全、感知通信一體化、計(jì)算通信一體化、計(jì)算存儲一體化已成為未來網(wǎng)絡(luò)發(fā)展趨勢，相應(yīng)的網(wǎng)絡(luò)服務(wù)能力也需要被引入到網(wǎng)絡(luò)中。如網(wǎng)絡(luò)內(nèi)生的AI服務(wù)可能包括AI任務(wù)流拆分服務(wù)、策略生成服務(wù)、數(shù)據(jù)處理服務(wù)等。

2.2 至簡服務(wù)化架構(gòu)設(shè)計(jì)

在服務(wù)化架構(gòu)的基礎(chǔ)上，可以通過如下技術(shù)手段進(jìn)一步實(shí)現(xiàn)網(wǎng)絡(luò)的至簡。

(1) 服務(wù)聚合與接口統(tǒng)一

在RAN服務(wù)化與CN服務(wù)化演進(jìn)的過程中，還需要同步考慮RAN服務(wù)與CN服務(wù)的融合或拆分，從端到端角度精簡網(wǎng)絡(luò)功能，避免冗余操作帶來的不必要時(shí)延。此外，RAN服務(wù)化之后將采用與CN統(tǒng)一的服務(wù)化接口，這也將簡化整個(gè)網(wǎng)絡(luò)的運(yùn)維管理，提升管理效率。

(2) 流程精簡與并行處理

傳統(tǒng)地，RAN與CN NF之間的控制面交互均需要通過AMF轉(zhuǎn)發(fā)，而RAN服務(wù)化之后，RAN服務(wù)與CN服務(wù)可以通過服務(wù)化接口直接通信，減少了不必要的AMF轉(zhuǎn)發(fā)，由此可精簡端到端流程。此外，服務(wù)化RAN將一體化RAN拆分為多個(gè)功能模塊，這有望使傳統(tǒng)串行執(zhí)行的流程并行化，加速整個(gè)處理過程。

(3) 統(tǒng)一編排與分域管理

基于不同業(yè)務(wù)需求，自動部署與連接各種虛擬網(wǎng)絡(luò)功能服務(wù)，按需調(diào)配計(jì)算、存儲、頻率、功率等資源，由此實(shí)現(xiàn)端到端服務(wù)的靈活組合與及時(shí)交付，最大化網(wǎng)絡(luò)資源利用率。為降低管理復(fù)雜度，可考慮采用分層分域的編排管理機(jī)制。

3 網(wǎng)絡(luò)結(jié)構(gòu)至簡：信令廣域覆蓋

為了滿足更加豐富的應(yīng)用場景需求，6G將是一個(gè)低、中、高多頻段協(xié)同的全頻譜接入系統(tǒng)。覆蓋仍將以10 GHz以下為主，毫米波(70 GHz以下)將發(fā)揮更重要的作用，可見光和太赫茲(100 GHz以上)將在特定場景下提供超高速率和感知探測等能力。

為了降低高頻站點(diǎn)密集部署導(dǎo)致的網(wǎng)絡(luò)功耗和成本問題，同時(shí)保證網(wǎng)絡(luò)廣域覆蓋性能，6G網(wǎng)絡(luò)將引入控制信令與業(yè)務(wù)數(shù)據(jù)解耦機(jī)制。具體而言，由低頻段(如700 MHz)控制基站提供廣域的統(tǒng)一信令覆蓋，負(fù)責(zé)RRC消息、物理層信令等控制信令的播發(fā)，降低高頻段導(dǎo)致的路徑損耗大等影響，保證連續(xù)與可靠的連接性與移動性；由高容量、按需開啟的高頻段(如62.5 GHz及以上)數(shù)據(jù)基站提供數(shù)據(jù)和少量必要信令的傳輸，降低小區(qū)間的干擾及整網(wǎng)能耗。

為了實(shí)現(xiàn)控制信令與業(yè)務(wù)數(shù)據(jù)分離，需要解決一些關(guān)鍵技術(shù)問題，包括高頻數(shù)據(jù)基站的選擇/重選、系統(tǒng)信息廣播、終端移動性管理、控制基站與數(shù)據(jù)基站之間的握手機(jī)制等。

3.1 基于區(qū)域的系統(tǒng)信息廣播機(jī)制

在傳統(tǒng)系統(tǒng)信息廣播機(jī)制中，某小區(qū)的信息需要在多個(gè)鄰小區(qū)通過SIB3/SIB4/SIB5廣播，且某些系統(tǒng)信息(如告警、定位輔助信息)需要在多個(gè)重疊小區(qū)均發(fā)送，冗余的系統(tǒng)信息播發(fā)降低了整個(gè)系統(tǒng)的資源使用效率和能耗效率。與此同時(shí)，一旦UE移到另一個(gè)小區(qū)，即便某些系統(tǒng)信息的內(nèi)容在前一個(gè)小區(qū)中獲得過，也需要重新讀取系統(tǒng)信息。此外，冗余的信令接收也對UE功耗造成一定影響。

在信令廣域覆蓋場景中，系統(tǒng)信息的播發(fā)將不再以單個(gè)小區(qū)為單位，這也為避免系統(tǒng)信息的重復(fù)發(fā)送帶來了新的解決思路。如圖3所示，將同一地理區(qū)域范圍內(nèi)的多個(gè)數(shù)據(jù)小區(qū)歸為一組，以小區(qū)組為單位進(jìn)行系統(tǒng)信息的廣播。

圖3 基于區(qū)域的系統(tǒng)信息廣播機(jī)制

由此，鄰區(qū)系統(tǒng)信息可以無需在服務(wù)小區(qū)的SIB3/4/5下發(fā)，除此，只要鄰區(qū)依然屬于信令小區(qū)覆蓋范圍，即便UE移動到鄰區(qū)，也無需再次獲得系統(tǒng)信息，保證了系統(tǒng)信息的可重用性，降低了UE功耗。

3.2 控制小區(qū)的選擇與重選

低頻段(如700～900 MHz，1.4 GHz，1.8 GHz，2.1 GHz，2.3 GHz，2.6 GHz頻帶)穿透損耗小，具有很好的覆蓋性能，但頻譜帶寬相對較窄。為了提升控制小區(qū)的容量與覆蓋性能，可以通過載波聚合或多載波服務(wù)小區(qū)(Multi-Carrier Serving Cell，MCSC)的方式將零散的控制信令載波聚合為更大的帶寬使用[17]。相比CA，MCSC將多個(gè)低頻帶聚合到一個(gè)服務(wù)小區(qū)，可以減少載波管理帶來的不必要控制信令開銷，包括同步、小區(qū)添加/刪除/激活、測量、移動性等，相應(yīng)地提升了處理效率，降低了處理時(shí)延，因此MCSC具有很好的應(yīng)用前景，非常適用于廣域信令覆蓋場景。

傳統(tǒng)小區(qū)只有一個(gè)下行載頻，終端在做小區(qū)選擇和小區(qū)重選時(shí)只會計(jì)算出一個(gè)RSRP和RSRQ值。而在MCSC場景下，同一個(gè)MCSC控制小區(qū)會有多個(gè)下行載頻，終端在一個(gè)小區(qū)內(nèi)可測得多個(gè)針對不同載頻的RSRP和RSRQ值，因此傳統(tǒng)的小區(qū)選擇和小區(qū)重選方法將不再適用。在小區(qū)選擇時(shí)，可能需要優(yōu)先選擇到MCSC，以減少小區(qū)重選的可能；在小區(qū)重選時(shí)，由于MCSC控制小區(qū)存在多個(gè)同頻頻點(diǎn)，因此在執(zhí)行同頻小區(qū)重選時(shí)，需要引入MCSC內(nèi)頻率優(yōu)先級這一概念，并基于此重選同頻小區(qū)。

3.3 數(shù)據(jù)小區(qū)的選擇/重選

傳統(tǒng)小區(qū)選擇或重選基于信道質(zhì)量測量結(jié)果，而這一方式并不適用于信令廣域覆蓋場景的數(shù)據(jù)小區(qū)選擇，因?yàn)楦哳l數(shù)據(jù)基站可能出于節(jié)能原因關(guān)斷了，或者正處于干擾協(xié)調(diào)受限狀態(tài)。因此，需要引入新的數(shù)據(jù)小區(qū)選擇/重選機(jī)制，如需要結(jié)合基站位置信息、基于AI的信道質(zhì)量預(yù)測信息等進(jìn)行選擇。

在小區(qū)選擇/重選之后，可能還涉及小區(qū)激活。傳統(tǒng)的多小區(qū)激活方式有兩種:一種是4G研究CA/DC時(shí)提出的，基站通過RRC消息配置多個(gè)小區(qū)，但不激活，后續(xù)基站按需通過MAC CE對小區(qū)進(jìn)行激活;另一種是5G研究時(shí)提出的，為了實(shí)現(xiàn)小區(qū)的快速激活，提出基站RRC配置,即激活小區(qū)。這兩種方式都是網(wǎng)絡(luò)直接控制小區(qū)激活，UE需要持續(xù)上報(bào)測量結(jié)果以便于網(wǎng)絡(luò)確定最優(yōu)小區(qū)進(jìn)行激活，這將導(dǎo)致大量上行信令開銷，尤其對于未來6G網(wǎng)絡(luò)大量高頻站點(diǎn)密集部署的場景。一種可行的解決方案是，基站為UE配置多個(gè)小區(qū)、但不激活，同時(shí)配置小區(qū)激活相關(guān)的觸發(fā)條件等，當(dāng)滿足觸發(fā)條件時(shí)，UE上報(bào)多小區(qū)激活指示MAC CE給基站，而無需發(fā)送測量結(jié)果，由此可避免不必要的上行信令開銷。

4 智慧內(nèi)生網(wǎng)絡(luò)

4.1 驅(qū)動力

面向智慧泛在的未來社會發(fā)展愿景，6G網(wǎng)絡(luò)需助力千行百業(yè)的數(shù)智化轉(zhuǎn)型，實(shí)現(xiàn)“隨時(shí)隨地”智能化能力的按需供應(yīng)。相比云服務(wù)供應(yīng)商，6G網(wǎng)絡(luò)需提供實(shí)時(shí)性更高、性能更優(yōu)的智能化能力服務(wù)，同時(shí)提供行業(yè)間的聯(lián)邦智能，實(shí)現(xiàn)跨域的智慧融合和共享。由于終端的數(shù)據(jù)存儲和計(jì)算能力也越來越強(qiáng)，考慮到數(shù)據(jù)隱私需求，需要協(xié)同網(wǎng)絡(luò)和終端的算力、通信連接和算法模型等資源，比如算力卸載、模型編排等，為2C客戶提供極致業(yè)務(wù)體驗(yàn)和高價(jià)值新型業(yè)務(wù)。另一方面，6G網(wǎng)絡(luò)需實(shí)現(xiàn)高水平自治和安全可信。目前網(wǎng)絡(luò)自治水平較低(約為2.2級)，未來網(wǎng)絡(luò)需要支持對運(yùn)營商和用戶意圖的感知和實(shí)現(xiàn)，實(shí)現(xiàn)網(wǎng)絡(luò)的自我設(shè)計(jì)、自我實(shí)施、自我優(yōu)化、自我演進(jìn)，達(dá)到L5級高水平網(wǎng)絡(luò)自治。此外，未來網(wǎng)絡(luò)將承載更多樣化的業(yè)務(wù)，服務(wù)更多的應(yīng)用場景，承載更多類型的數(shù)據(jù)，因此網(wǎng)絡(luò)將面臨大量新的、復(fù)雜的攻擊方式，需要安全能力在6G網(wǎng)絡(luò)的各環(huán)節(jié)嵌入，實(shí)現(xiàn)自主檢測威脅、自主防御或協(xié)助防御等。以上均需要6G網(wǎng)絡(luò)在設(shè)計(jì)之初即考慮AI技術(shù)的融入和內(nèi)化，實(shí)現(xiàn)6G網(wǎng)絡(luò)內(nèi)生AI。

6G網(wǎng)絡(luò)內(nèi)生AI是在6G網(wǎng)絡(luò)架構(gòu)內(nèi)部提供數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、模型訓(xùn)練、模型推理、模型評估等AI工作流全生命周期的完整運(yùn)行環(huán)境，將AI服務(wù)所需的算力、數(shù)據(jù)、算法、連接與網(wǎng)絡(luò)功能、協(xié)議和流程進(jìn)行深度融合設(shè)計(jì)。因此內(nèi)生智慧需要構(gòu)建AI的服務(wù)質(zhì)量評估和保障體系，重構(gòu)網(wǎng)絡(luò)架構(gòu)、協(xié)議和功能，實(shí)現(xiàn)基于服務(wù)質(zhì)量的AI全生命周期編排，包括算力、模型和數(shù)據(jù)，進(jìn)而實(shí)現(xiàn)計(jì)算與通信的深度融合。

4.2 智能面

6G網(wǎng)絡(luò)將AI三要素(數(shù)據(jù)、算法和算力)作為網(wǎng)絡(luò)內(nèi)部的基本資源，每種資源要素在具有自身內(nèi)部的管理、控制、處理和傳輸機(jī)制之外，還應(yīng)與其他資源之間協(xié)同，共同完成AI任務(wù)。6G網(wǎng)絡(luò)將新增“智能面”以實(shí)現(xiàn)對數(shù)據(jù)、算法和算力端到端的控制和編排。智能面包括管理面、控制面和用戶面上的功能設(shè)計(jì)，為各類AI工作流的全生命周期提供了完整的運(yùn)行環(huán)境，滿足各類AI服務(wù)的質(zhì)量保障需求。圖4為6G網(wǎng)絡(luò)的智能面功能架構(gòu)設(shè)計(jì)。

圖4 6G網(wǎng)絡(luò)智能面功能架構(gòu)

4.2.1 總體描述

面向不同行業(yè)和場景對6G網(wǎng)絡(luò)AI能力的千差萬別的需求，本文提出采用“AI用例”表達(dá)和導(dǎo)入用戶對6G網(wǎng)絡(luò)AI服務(wù)的需求。AI用例是用戶向網(wǎng)絡(luò)一次性提出的AI服務(wù)請求，一個(gè)AI用例可能涉及到一類或多類網(wǎng)絡(luò)AI服務(wù)的調(diào)用(6G網(wǎng)絡(luò)的AI服務(wù)可以分為AI數(shù)據(jù)類、AI訓(xùn)練類、AI推理類和AI驗(yàn)證類等)。6G網(wǎng)絡(luò)應(yīng)具備自動生成AI用例(需求表達(dá)形式)的能力，以避免人工認(rèn)知的局限性及打補(bǔ)丁式的問題解決方式在用例間產(chǎn)生的效果沖突。進(jìn)一步地，如何將用戶的需求轉(zhuǎn)化為網(wǎng)絡(luò)可以理解的對網(wǎng)絡(luò)AI服務(wù)能力的要求？對此，本文提出AI服務(wù)質(zhì)量(Quality of AI Service,QoAIS)的概念，并認(rèn)為網(wǎng)絡(luò)應(yīng)提供對QoAIS的評估和保障體系。當(dāng)網(wǎng)絡(luò)收到一個(gè)AI用例請求后，需要獲知該用例對應(yīng)的QoAIS要求，以便分解到對各類資源的編排、調(diào)度和控制的具體要求上，以保障QoAIS的持續(xù)達(dá)成，這涉及到AI的管理、控制、業(yè)務(wù)流等多個(gè)層面。從管理角度，本文提出可以通過對AI全生命周期工作流的編排管理，半靜態(tài)地使相關(guān)資源要素(算力、數(shù)據(jù)、算法、連接)的配給滿足QoAIS要求；從控制和業(yè)務(wù)角度，則需要多維資源的融合，協(xié)同控制前述資源要素的調(diào)配，以實(shí)時(shí)、持續(xù)的滿足QoAIS，其中AI計(jì)算和通信的深度融合是主要理念。

6G內(nèi)生AI架構(gòu)是集中式與分布式相結(jié)合的架構(gòu)。中央AI超腦算力充足，存儲量大，數(shù)據(jù)抓取范圍大，適用于模型規(guī)模大(如大規(guī)模通用AI模型)、性能要求高、實(shí)時(shí)性要求較低的智能應(yīng)用場景，所需數(shù)據(jù)跨域的場景，包含用戶相關(guān)數(shù)據(jù)的場景。無線、傳輸和核心網(wǎng)各域內(nèi)AI小腦作為域內(nèi)集中式AI引擎節(jié)點(diǎn)，負(fù)責(zé)本地域內(nèi)可完成的AI用例。各域內(nèi)分布式部署的網(wǎng)元節(jié)點(diǎn)算力和存儲有限，將通過網(wǎng)元間協(xié)作，支持本地實(shí)時(shí)性要求較高的智能應(yīng)用場景。當(dāng)本地域內(nèi)AI用例的QoAIS無法在域內(nèi)達(dá)成時(shí)(比如缺少其他域的特征數(shù)據(jù)、缺少算力資源)，則該用例上升到中央AI超腦，通過全局資源編排來達(dá)成。這種分級分域的部署架構(gòu)可減輕單一集中的超腦面臨的性能壓力，并兼顧到各種智能應(yīng)用場景的性能需求。

4.2.2 QoAIS指標(biāo)體系

QoAIS是評估和保障網(wǎng)絡(luò)內(nèi)生AI服務(wù)質(zhì)量的指標(biāo)體系和流程機(jī)制。

在指標(biāo)體系設(shè)計(jì)上，傳統(tǒng)通信網(wǎng)絡(luò)的QoS主要考慮通信業(yè)務(wù)的時(shí)延和吞吐率(MBR、GBR等)等與連接相關(guān)的性能指標(biāo)[14]。6G網(wǎng)絡(luò)除了傳統(tǒng)通信資源外，還將引入分布式異構(gòu)算力資源、存儲資源、數(shù)據(jù)資源、AI算法等AI服務(wù)編排的多種資源元素，因而需要從連接、算力、算法、數(shù)據(jù)等多個(gè)維度來綜合評估網(wǎng)絡(luò)內(nèi)生AI的服務(wù)質(zhì)量。同時(shí)，隨著“碳中和”“碳達(dá)峰”政策的實(shí)施、全球智能應(yīng)用行業(yè)對數(shù)據(jù)安全性和隱私性關(guān)注程度的普遍加強(qiáng)，以及用戶對網(wǎng)絡(luò)自治能力需求的提升，未來性能相關(guān)指標(biāo)將不再是用戶關(guān)注的唯一指標(biāo)，安全、隱私、自治和資源開銷方面的需求將逐漸顯化，成為評估服務(wù)質(zhì)量的新維度，而不同行業(yè)和場景在這些新維度上的具體需求也將千差萬別，需要進(jìn)行量化或分級評估。因此，QoAIS指標(biāo)體系從初始設(shè)計(jì)時(shí)，即需要考慮涵蓋性能、開銷、安全、隱私和自治等多個(gè)方面，需從內(nèi)容上進(jìn)行擴(kuò)展。

6G網(wǎng)絡(luò)內(nèi)生的AI服務(wù)可以分為AI數(shù)據(jù)類、AI訓(xùn)練類、AI推理類和AI驗(yàn)證類。表1提供了一種針對AI訓(xùn)練服務(wù)的設(shè)計(jì)方式。

表1 AI訓(xùn)練服務(wù)的QoAIS指標(biāo)體系

其中，“*”代表不同類型AI服務(wù)間相同的評估指標(biāo)?！靶阅苤笜?biāo)界”是評估模型性能好壞指標(biāo)的上界和下界，如模型錯(cuò)誤率、查準(zhǔn)率、召回率等性能指標(biāo)的范圍?！胺夯浴笔侵改Ｐ徒?jīng)過訓(xùn)練后，應(yīng)用到新數(shù)據(jù)并做出準(zhǔn)確預(yù)測的能力?！翱芍赜眯浴笔悄Ｐ驮趹?yīng)用場景變化時(shí)能夠繼續(xù)使用的能力?！棒敯粜浴笔侵冈谳斎霐?shù)據(jù)受到擾動、攻擊或者不確定的情況下，模型仍然可以維持某些性能的特性?！翱山忉屝浴笔侵改Ｐ湍苤С謱δＰ蛢?nèi)部機(jī)制的理解以及對模型結(jié)果的理解的程度?！皳p失函數(shù)與優(yōu)化目標(biāo)的一致性”是指模型訓(xùn)練過程中，對損失函數(shù)的設(shè)計(jì)與AI用例的優(yōu)化目標(biāo)的一致程度，比如函數(shù)中考慮的變量個(gè)數(shù)是否完全覆蓋智能優(yōu)化場景的優(yōu)化目標(biāo)指標(biāo)?！白灾巍笔侵笇I數(shù)據(jù)/訓(xùn)練/驗(yàn)證/推理服務(wù)的工作流中自主運(yùn)行部分和人工干預(yù)部分的要求，反映了用戶對AI服務(wù)自動化程度的要求。自治分為三個(gè)等級：① 完全自治(全流程自動化的AI服務(wù)，全程無需人工干預(yù))；② 部分人工可控(AI服務(wù)的工作流在部分環(huán)節(jié)自動化，部分環(huán)節(jié)要求人工輔助)；③ 全部人工可控(AI服務(wù)工作流的各環(huán)節(jié)均要求人工參與)。

除了表1所示的評估維度，QoAIS也可以包括智能應(yīng)用的性能指標(biāo)。以信道壓縮為例，可以選擇歸一化均方誤差(Normalized Mean Square Error,NMSE)或是余弦相似度作為信道恢復(fù)精度的KPI，也可以選擇鏈路級/系統(tǒng)級指標(biāo)(如誤比特率或吞吐量等)作為反映信道反饋精度對系統(tǒng)性能影響的KPI。此外，QoAIS還可以包括AI服務(wù)的可獲得性、AI服務(wù)的響應(yīng)時(shí)間(從用戶發(fā)起請求到AI服務(wù)的首條響應(yīng)消息)等與AI服務(wù)類型無關(guān)的通用性評價(jià)指標(biāo)。

表2給出了QoAIS各指標(biāo)維度和各資源維度上的QoS之間的映射關(guān)系。

表2 AI訓(xùn)練服務(wù)性能QoAIS到各資源維度的映射

AI服務(wù)的QoAIS整體指標(biāo)拆解到各指標(biāo)維度上的QoAIS指標(biāo)，再進(jìn)一步映射到各資源維度上的QoS指標(biāo)，由管理面、各資源維度的控制面和用戶面機(jī)制進(jìn)行保障。表中各資源維度上QoS指標(biāo)可分為適合量化評估的指標(biāo)(如各類資源開銷)和適合分級評估的指標(biāo)(如安全等級、隱私等級和自治等級)。在前一類指標(biāo)中，有部分指標(biāo)的量化方案已成熟或較容易制定(如訓(xùn)練耗時(shí)、算法性能界、計(jì)算精度、各類資源開銷等)，部分指標(biāo)目前尚無定量評估方法(如模型的魯棒性、可重用性、泛化性和可解釋性等)。因此，如何在起始階段設(shè)計(jì)出足夠開放包容的網(wǎng)絡(luò)架構(gòu)以便后續(xù)逐步引入上述指標(biāo)的成熟量化技術(shù)是需要思考和研究的問題。

4.2.3 QoAIS保障機(jī)制

在質(zhì)量評估和保障機(jī)制上，5G網(wǎng)絡(luò)的QoS機(jī)制仍存在一些問題，如業(yè)務(wù)區(qū)分顆粒度較粗、優(yōu)化調(diào)整的周期較長、空口資源配置無法靈活適配網(wǎng)絡(luò)與業(yè)務(wù)的實(shí)時(shí)動態(tài)變化等。因此在6G網(wǎng)絡(luò)中提出評估AI服務(wù)QoAIS指標(biāo)的同時(shí)，也需要考慮如何設(shè)計(jì)端到端QoAIS機(jī)制和流程以更加高效準(zhǔn)確。

為保障AI服務(wù)的QoAIS持續(xù)達(dá)成，6G網(wǎng)絡(luò)不僅要在管理面上實(shí)現(xiàn)AI工作流全生命周期的智能化編排管理，還要在控制面和用戶面上實(shí)現(xiàn)AI計(jì)算與通信的深度融合?？刂泼嫔嫌?jì)算和通信深度融合，為QoAIS目標(biāo)的持續(xù)達(dá)成提供了較高實(shí)時(shí)性的保障手段，其優(yōu)勢在于當(dāng)發(fā)現(xiàn)QoAIS指標(biāo)發(fā)生惡化時(shí)，可快速調(diào)整。例如，當(dāng)連接帶寬受限，但本地算力充足時(shí)，增加本地計(jì)算量，對所需傳輸?shù)腁I數(shù)據(jù)進(jìn)行高保真度的壓縮；當(dāng)連接帶寬充足、質(zhì)量穩(wěn)定，但本地算力受限時(shí)，減少本地計(jì)算量，通過增加周邊節(jié)點(diǎn)的協(xié)作，共同完成該任務(wù)。用戶面上，聯(lián)合設(shè)計(jì)和優(yōu)化AI計(jì)算協(xié)議和通信協(xié)議以實(shí)現(xiàn)計(jì)算和通信的深度融合，保障QoAIS在性能和開銷上的需求。

管理面基于QoAIS需求對算力和連接資源的編排，其優(yōu)勢在于對網(wǎng)元連接關(guān)系、各類資源狀態(tài)具有宏觀視角，可保證資源利用率或其他網(wǎng)絡(luò)級性能指標(biāo)較優(yōu)。管理面負(fù)責(zé)管理所有AI用例，調(diào)度實(shí)施AI用例，生成該用例所需的AI服務(wù)和AI工作流，對該工作流中每項(xiàng)任務(wù)所需的資源(算力、算法、數(shù)據(jù)、連接等)進(jìn)行編排，對工作流的全生命周期進(jìn)行管理，以保障該AI服務(wù)的QoAIS持續(xù)達(dá)成。在這一過程中，管理面從采集的工作流各環(huán)節(jié)性能監(jiān)測數(shù)據(jù)以及整體QoAIS評估數(shù)據(jù)中，學(xué)習(xí)出工作流的任務(wù)設(shè)計(jì)和資源編排方案對QoAIS的影響，從而不斷優(yōu)化方案和策略，實(shí)現(xiàn)智能化的編排管理。

管理面對AI工作流編排后的典型結(jié)果有三類：① 集中式，即AI任務(wù)編排到資源集中部署的云服務(wù)中心內(nèi)(后稱純云腦)；② 分布式，即AI任務(wù)編排到資源分布部署的多個(gè)邊緣網(wǎng)絡(luò)節(jié)點(diǎn)內(nèi)(后稱純邊腦)；③ 集中分布式結(jié)合，即AI任務(wù)部分編排到云服務(wù)中心，部分編排到分布式邊緣網(wǎng)絡(luò)節(jié)點(diǎn)內(nèi)(后稱云邊協(xié)同)。管理面在編排各項(xiàng)AI任務(wù)時(shí)，選擇符合當(dāng)前AI服務(wù)QoAIS要求的方案實(shí)施。

在QoAIS中的性能、開銷指標(biāo)維度上，三種編排方案各有優(yōu)劣。集中式編排方案是AI任務(wù)全部編排到云服務(wù)中心內(nèi)，云腦可提取端到端網(wǎng)絡(luò)的數(shù)據(jù)資源，因此訓(xùn)練樣本數(shù)據(jù)多、數(shù)據(jù)完整度和平衡性較高，基于全局信息訓(xùn)練得到的模型泛化性和公平性更好。但同時(shí)由于數(shù)據(jù)規(guī)模大，占用的存儲資源更多，數(shù)據(jù)集的準(zhǔn)備、算法訓(xùn)練、計(jì)算等耗時(shí)更長，消耗的傳輸資源和算力資源量更大。分布式編排是在分布式節(jié)點(diǎn)處獨(dú)立完成訓(xùn)練服務(wù)，不涉及數(shù)據(jù)的上傳和下發(fā)，因此在傳輸和連接上的時(shí)延小、誤碼率及抖動小。集中分布式相結(jié)合方案中，云腦和邊腦協(xié)作完成AI訓(xùn)練服務(wù)，能兼顧宏觀全局規(guī)律和局部細(xì)節(jié)變化，較純云腦和純邊腦方案更加穩(wěn)定，因此，訓(xùn)練得到的模型魯棒性較另外兩種方案更好。對于AI推理服務(wù)而言，集中式編排方案的云腦掌握的推理樣本數(shù)據(jù)多、數(shù)據(jù)的完整性高，推理吞吐量大、推理流數(shù)多。集中式編排中邊腦向云腦上傳數(shù)據(jù)時(shí)受傳輸?shù)挠绊?，云腦收到的樣本數(shù)據(jù)可能出現(xiàn)誤差，所以無法保障推理結(jié)果的安全性和可靠性。分布式編排方案不存在云腦和邊腦間的數(shù)據(jù)傳遞，各邊腦處理本地樣本數(shù)據(jù)，因此推理耗時(shí)短、時(shí)延抖動小、誤碼率低，在連接上更安全可靠。

4.3 仿真分析

本節(jié)結(jié)合多小區(qū)天線波束聯(lián)合賦形的場景用例，進(jìn)一步闡述內(nèi)生AI架構(gòu)的思想和流程。該AI用例旨在解決在多個(gè)基站覆蓋的區(qū)域中出現(xiàn)人群聚集場景時(shí)，基站天線的波束權(quán)值動態(tài)調(diào)整方案。目前常用的解決方案是通過使用歷史數(shù)據(jù)，學(xué)習(xí)人群運(yùn)動的規(guī)律，指導(dǎo)基站天線進(jìn)行決策。但是由于人群聚集屬于突發(fā)事件，不出現(xiàn)在歷史的軌跡數(shù)據(jù)中，機(jī)器學(xué)習(xí)較難準(zhǔn)確地預(yù)知人群的分布位置，因而做出的基站天線決策有偏差。利用6G智慧內(nèi)生AI架構(gòu)可以解決這一問題。內(nèi)生AI架構(gòu)能夠綜合利用本地邊緣節(jié)點(diǎn)和全局中心節(jié)點(diǎn)的優(yōu)勢，可以在遇到人群熱點(diǎn)時(shí)，通過本地的模型預(yù)測和全局的推理計(jì)算，對人群分布作出準(zhǔn)確的預(yù)測，及時(shí)指導(dǎo)基站天線作出決策。

上述AI用例所需調(diào)用的AI服務(wù)包括數(shù)據(jù)類、訓(xùn)練類和推理類。網(wǎng)絡(luò)資源部署方式是集中式云腦和多個(gè)分布式邊腦(基站)。其中AI數(shù)據(jù)類服務(wù)的工作流包括數(shù)據(jù)采集、數(shù)據(jù)傳輸、數(shù)據(jù)預(yù)處理、特征提取、數(shù)據(jù)存儲；AI訓(xùn)練類服務(wù)的工作流包括訓(xùn)練和測試數(shù)據(jù)集構(gòu)建、模型選擇、模型訓(xùn)練；AI推理的工作流包括模型部署(含模型優(yōu)化)，輸入樣本構(gòu)建，推理計(jì)算、推理結(jié)果優(yōu)化、推理結(jié)果傳輸?shù)華I任務(wù)。圖5為三種編排方案下，上述AI任務(wù)在集中式云腦和多個(gè)分布式邊腦中的分布情況。

圖5 三種不同編排方案的AI任務(wù)分布圖

本文的仿真方案在Linux系統(tǒng)下實(shí)現(xiàn)，仿真平臺模擬了2萬名用戶在一定區(qū)域內(nèi)熱點(diǎn)聚集的運(yùn)動場景，其中仿真區(qū)域的大小為1.5 km×1.5 km，中間有一棟100 m×50 m×60 m高樓矗立。在仿真場景中，非熱點(diǎn)區(qū)域的用戶初始隨機(jī)分布在中心高樓以外的空曠區(qū)域，熱點(diǎn)區(qū)域分布著較為密集的人群。非熱點(diǎn)區(qū)域的用戶軌跡是從四周向高樓移動，而熱點(diǎn)區(qū)域內(nèi)的人群軌跡是從左向右運(yùn)動。用戶的類型分為三種：在空曠區(qū)域隨機(jī)閑逛的用戶為漫游用戶，靜止在某一特定位置的用戶為靜態(tài)用戶，向高樓移動或隨著熱點(diǎn)人群一起移動的用戶為動態(tài)用戶。仿真采用正六邊形小區(qū)模型，基站均勻分布。本文對三種典型編排結(jié)果進(jìn)行了仿真，這三種方案分別是：① 集中式編排方案(以下簡稱：集中式)；②分布式編排方案(以下簡稱：分布式)；③ 集中分布相結(jié)合編排方案(以下簡稱：協(xié)同式)。

在仿真實(shí)驗(yàn)中，模擬三種不同的場景，場景一、場景二和場景三分別含有10%、50%和100%的動態(tài)用戶。對于每一種場景，分別使用集中式、分布式和協(xié)同式三種方案進(jìn)行波束選擇，并分析三種方案對該用例QoAIS相關(guān)指標(biāo)的滿足程度。

(1) 性能分析

對于QoAIS指標(biāo)體系中的性能指標(biāo)，本文從模型性能指標(biāo)界(用戶分布預(yù)測模型準(zhǔn)確度)、AI用例性能(SSB波束覆蓋性能)、模型魯棒性以及優(yōu)化目標(biāo)匹配度等4個(gè)方面分析。

(2) 用戶分布預(yù)測準(zhǔn)確度

采用將仿真區(qū)域柵格化，每個(gè)柵格中的數(shù)值代表5 m×5 m區(qū)域內(nèi)的人數(shù)，利用式(1)計(jì)算用戶分布預(yù)測準(zhǔn)確度，其中N代表真實(shí)分布中的柵格數(shù)，M代表三種編排方案預(yù)測結(jié)果與真實(shí)分布結(jié)果數(shù)值相同的柵格數(shù)：

(1)

仿真結(jié)果如表3所示，集中式方案在場景一和場景二下的預(yù)測準(zhǔn)確度較高，協(xié)同式方案在場景三的預(yù)測準(zhǔn)確度較高，分布式方案在三種場景下的預(yù)測準(zhǔn)確度較低。

表3 用戶預(yù)測分布準(zhǔn)確度

三種編排結(jié)果的性能指標(biāo)界如表4所示，協(xié)同式方案的預(yù)測準(zhǔn)確度上界最高，分布式方案的下界最低。

表4 性能指標(biāo)界對比

(3) SSB波束覆蓋性能

信號覆蓋性能采用RSRP進(jìn)行衡量：

RSRP=PathLoss+ShadowFading+AOG+BTSTPower-7,

(2)

式中，PathLoss為路徑損耗，ShadowFading為陰影衰落，AOG為天線增益，單位均為dB，BTSTPower為基站發(fā)射功率，單位為dBm。為了統(tǒng)計(jì)2萬用戶的RSRP值，對每個(gè)時(shí)刻下的數(shù)據(jù)取平均，得到平均RSRP值。

如表5所示，集中式方案在場景一和場景二下的信號覆蓋性能較好，協(xié)同式方案在場景三的信號覆蓋較好，分布式方案在三種場景下的信號覆蓋性能較差。

表5 平均RSRP對比

(4) 魯棒性

魯棒性用來衡量方案結(jié)果的抗干擾性，本文用戶分布預(yù)測模型準(zhǔn)確度的方差表示方案的魯棒性程度，預(yù)測結(jié)果的方差越小，魯棒性越高。三種編排結(jié)果的魯棒性分別為：集中式方案31.58×10-7，分布式方案25.14×10-7，協(xié)同式方案1.082×10-7。集中式方案的魯棒性差于分布式方案，協(xié)同式方案的魯棒性最好。

(5) 優(yōu)化目標(biāo)匹配度

一種量化優(yōu)化目標(biāo)匹配度的方式是計(jì)算模型訓(xùn)練過程中損失函數(shù)的參數(shù)變量對AI用例優(yōu)化目標(biāo)指標(biāo)的覆蓋程度。比如，在本用例場景下，若優(yōu)化目標(biāo)指標(biāo)包括RSRP覆蓋性能和SINR覆蓋性能，而損失函數(shù)的設(shè)計(jì)僅包含RSRP，則并非完全匹配。具體的計(jì)算公式可設(shè)計(jì)如式(3)。其中，α代表RSRP的權(quán)值，β代表SINR的權(quán)值，(α+β=1)，θ代表優(yōu)化目標(biāo)匹配度。f(RSRP)與f(SINR)作為損失函數(shù)是否包含相應(yīng)優(yōu)化指標(biāo)的0-1函數(shù)(包含則為1，否則為0)，在本用例中，三種編排結(jié)果的優(yōu)化目標(biāo)都是相同的，故而三種編排結(jié)果的匹配度相等。

θ=α×f(RSRP)+β×f(SINR)。

(3)

對于QoAIS中的開銷類指標(biāo)，本文從數(shù)據(jù)傳輸、存儲和算力開銷三方面對比。從表6可以看出，集中式方案在傳輸數(shù)據(jù)上傳量和訓(xùn)練數(shù)據(jù)的存儲量上需要較大的數(shù)據(jù)開銷，同時(shí)需要較多的算力資源。

表6 開銷對比

分布式方案因?yàn)閿?shù)據(jù)決策都在本地執(zhí)行，所以沒有傳輸數(shù)據(jù)量，數(shù)據(jù)的存儲和算力消耗也比較少。協(xié)同式方案由于云邊之間的反饋，所以傳輸數(shù)據(jù)下發(fā)量需要的開銷較大，其余指標(biāo)與分布式方案相同。

對于QoAIS的其他指標(biāo)，比如可解釋性和公平性，學(xué)術(shù)界尚無成熟的量化方案。泛化性、公平性等指標(biāo)不適用于本AI用例。另外其他指標(biāo)，諸如樣本空間完整性、樣本分布動態(tài)性以及可解釋性等有待學(xué)術(shù)界進(jìn)一步的研究和探索。

5 結(jié)束語

本文從網(wǎng)絡(luò)功能、網(wǎng)絡(luò)結(jié)構(gòu)、網(wǎng)絡(luò)運(yùn)行三個(gè)維度設(shè)計(jì)了一種智能、至簡的6G網(wǎng)絡(luò)架構(gòu)，具體包括端到端服務(wù)化架構(gòu)、信令廣域覆蓋機(jī)制和智慧面，提出AI服務(wù)質(zhì)量QoAIS指標(biāo)體系及保障機(jī)制，并從性能、開銷、安全、隱私、自治等多個(gè)維度系統(tǒng)分析AI訓(xùn)練服務(wù)的QoAIS指標(biāo)體系。最后，本文對內(nèi)生AI網(wǎng)絡(luò)中基于QoAIS的AI工作流編排方案進(jìn)行了仿真分析。

仿真結(jié)果表明，在性能和開銷方面，三種典型方案各有優(yōu)缺點(diǎn)，編排功能會根據(jù)當(dāng)前AI用例對QoAIS的具體要求，決定AI工作流中相關(guān)任務(wù)的分布，并調(diào)度所需資源，以保證QoAIS的達(dá)成。編排算法的一種簡單實(shí)現(xiàn)方式是基于QoAIS與編排方案的映射表進(jìn)行選擇，如將上述三種編排方案寫入映射表供算法靈活選擇。在實(shí)際設(shè)備實(shí)現(xiàn)中，可采用更復(fù)雜、更智能的算法，計(jì)算出更精細(xì)、效果更優(yōu)的編排方案，如管理面采集工作流各環(huán)節(jié)的性能監(jiān)測數(shù)據(jù)，評估QoAIS的達(dá)成情況，學(xué)習(xí)出工作流的任務(wù)設(shè)計(jì)和資源編排方案對QoAIS的影響，從而不斷優(yōu)化方案和策略，實(shí)現(xiàn)智能化的編排管理。