面向B5G/6G邊緣網絡的智能管控架構

喻鵬　豐雷　李文璟　張俊也　周凡欽　邱雪松

【摘? 要】網絡管控是業務服務質量的重要保障，面向未來B5G/6G的應用場景和業務特征，分析網絡管理和控制的智能化需求，重點針對B5G/6G邊緣網絡，提出基于人工智能的管理控制架構，具體包括邊緣網絡的資源模型構建方法、網絡智能管理的功能范疇、人工智能計算單元的部署方法，以及意圖驅動的網絡資源自主調度流程等內容，最后通過一個應用場景描述架構的實現方法。

【關鍵詞】B5G/6G;邊緣網絡;人工智能;網絡管控;模型和架構

0? ?引言

目前，第四代移動通信（4G， the 4th Generation）系統發展成熟，第五代移動通信（5G， the 5th Generation）系統進入規模商用的起步階段。超五代移動通信（B5G， Beyond 5G）系統以5G系統為基礎，向下一代演進。第六代移動通信（6G， the 6th Generation）系統面向2030年以后的通信需求，是B5G的后向演進[1]。為了滿足未來B5G/6G網絡的業務需求，需要高效的智能化管控方法。已有的4G/5G網絡的管控以被動處理為主，且特定的管控問題需要特定的求解方法，缺乏自適應的智能化方法的支撐。基于這些問題，本文重點針對B5G/6G邊緣網絡的需求，提出了對應的網絡智能管控架構，明確了管控功能和需要解決的關鍵技術問題。

1? ?B5G/6G的應用場景和管控需求分析

1.1? 5G向6G的演進

5G的愿景是實現“萬物互聯”，但5G與垂直行業融合應用的需求仍然不明確，且5G通信系統的性能指標尚不足以滿足未來智慧城市的愿景需求。B5G/6G將在5G基礎上進一步擴展和深化物聯網應用的范圍和領域，并與人工智能、大數據等技術相結合，實現萬物智能互聯。與5G相比，6G將具備“更強性能、更加智能、更加綠色、更廣覆蓋”等特點。6G峰值速率將達到100 Gbit/s～

1 Tbit/s;空口時延低至0.1 ms;連接數密度支持1 000萬連接/平方公里;定位精度將達到厘米量級。6G網絡將有效降低成本和能耗，大幅提升網絡能效，實現可持續發展[2-3]。

不同于5G側重面向人、車聯網和物聯網之間通信，6G將更加側重于以人類個性化需求為中心，并將向空天地海外太空、全維度感知世界和網絡空間不斷延伸，為人類提供無處不在、無時不在、無人不在和無事不在的信息基礎設施[4]。ITU-T“網絡2030”焦點組對6G網絡提出了甚大容量、超越“盡力而為”與高精度通信和融合多類網絡等需求[5]。

1.2? B5G/6G邊緣網絡架構和特征

在未來的B5G/6G時代，海量的原始數據在無線網絡邊緣產生并匯入通信網絡，不僅占用大量的帶寬資源，還對快速、可靠的傳輸和計算提出了巨大的挑戰。然而無線通信帶寬有限，有線網絡帶寬也不可能無限增加，使得當前的云計算網絡架構難以滿足廣大終端日益增長的任務處理需求[6]。

為了解決云計算所面臨的困境，移動邊緣計算（MEC， Mobile Edge Computing）應運而生。移動邊緣計算將網絡的資源、內容和功能遷移到網絡邊緣，即更靠近終端的位置。然而，邊緣服務器的計算能力有限，遠沒有云計算中心的計算能力強大，面對大量計算密集型任務時仍然難以為繼。因此，單層邊緣服務器是遠遠不夠的，未來的B5G/6G的邊緣網絡將是一種多層異構的混合架構。如圖1所示，該混合架構中邊緣節點到云計算中心的上行鏈路中包含多層不同功能的網絡節點。越上層的邊緣服務器計算能力越強、覆蓋范圍越大、距離邊緣設備越遠[6] ，下層邊緣服務器難以處理的任務可以卸載到上層邊緣服務器繼續處理。該架構可以應對眾多物聯網應用場景，如健康監測、智慧家庭、安全監控等多種智慧城市應用。

作為城市群的基礎設施之一，6G邊緣網絡可由多家運營商投資共建，并集成網絡功能虛擬化、軟件定義網絡和網絡切片等技術，通過與人工智能（AI， Artificial Intelligence）的深度融合，在高效傳輸、無縫組網、內生安全、大規模部署、自動維護等多個層面得到實際應用[7-8]。為了滿足邊緣網絡用戶的高可靠、低時延、高帶寬等不同業務需求，已有的人工為主的被動管控方式將不再適用。

1.3? B5G/6G邊緣網絡智能管控需求分析

未來的B5G/6G邊緣網絡中，由于服務需求的多樣化和連接設備數量的爆炸式增長，迫切需要一種新的人工智能支撐的管控范式，基于高度異構的基礎設施、無線接入、計算和存儲資源，實現網絡的自我感知、自我配置、自我優化和自我修復[9]。

為了實現網絡的智能管控，B5G/6G系統需要自動檢測客戶的意圖，從網絡邊緣到核心智能地使用通信、計算和存儲資源[10]，并實現智能化的任務分解和卸載，最終實現業務所需資源的按需服務[11]。其中，意圖是一種描述系統狀態的聲明方式，它從需求的角度抽象出網絡的操作對象和功能，并可以轉換為高級策略[12]。此外，當用戶的需求發生改變時，網絡可無縫切換服務方式和內容，實現網絡服務能力與用戶需求的實時精準匹配，為用戶帶來極致無差異化的性能體驗[13]。

2? ? 無線邊緣網絡管控現狀分析

2.1? 無線網絡管理架構現狀分析

網絡管理技術是網絡正常、經濟、可靠、安全、高效運行的重要保障，其主要管理功能包含配置、性能、計費、故障、安全五大管理功能域。伴隨著網絡架構的不斷演進，網絡管理技術也在不斷發展[14-15]。隨著無線網絡從4G、5G向6G演進，網絡結構越來越復雜，對網絡管理技術也提出了更高的要求。

網絡管理功能需要依據網絡生成的大量數據，實現對網絡的異常/故障/入侵的分析檢測。同時，新型的網絡架構也對網絡管理帶來了巨大的挑戰，例如，需要集中且動態的管理功能來實現及時的配置、調度和分析操作[16]。在這種需求下，基于機器學習（ML， Machine Learning）的技術和策略能夠支持從網絡/服務數據中學習，從而支持對網絡和系統的監控、分析和控制，與網絡管理控制功能的需求能力相匹配[17]。

在無線網絡邊緣，第三代合作伙伴計劃（3GPP， 3rd Generation Partnership Project）在自主計算的基礎上，提出了自組織網絡（SON， Self-Organizing Network）的概念，旨在指導無線蜂窩網絡通過自我感知和主動的資源調度，實現網絡的自配置、自優化和自修復，進而完成網絡的自主管理[18]。基于大數據的SON功能也被認為是5G的關鍵技術之一[19]。從趨勢來看，未來的B5G/6G網絡中必然會包含自組織網絡的演進架構，以保障網絡的高可靠運行。

2.2? 人工智能在邊緣網絡管控應用分析

面對未來6G虛實結合、沉浸式、全息化、情景化、個性化、泛在化的業務需求[20]，當前網絡中以規則式算法為核心的運行機理受限于剛性預設式的規則，使得網絡沒有自進化的能力，任何升級改進必須依賴專業人員的大量工作，這對規模和復雜性空前的6G網絡是難以接受的。因此，通過在網絡中引入人工智能，使網絡具備智能化管理和自進化能力，是解決上述問題的重要途徑。

針對網絡的管控需求，人工智能將通過對網絡數據、業務數據、用戶數據等多維數據感知學習，高效實現地面、衛星、機載等設備之間的無縫連接，并可進行實時高速切換，最終實現類似“無人駕駛”的自主自治網絡[21]。

ML是一種重要的人工智能方法。目前，ML技術在無線網絡領域得到了廣泛的應用，通過對大量的業務量數據、性能數據、告警信息、系統日志、業務數據等數據訓練，ML在無線網絡管理所需的流量分析和預測、資源管理/準入控制、故障管理、小區中斷自治愈、網絡性能優化等領域都取得了大量的研究成果。這些都為B5G/6G網絡的智能管控打下了基礎。

2.3? 現有研究存在的挑戰

當前，人工智能在5G網絡中的應用局限于傳統網絡架構的優化，由于5G網絡在架構設計之初沒有考慮人工智能，因此很難充分發揮人工智能在5G時代的潛力。為了實現智能網絡的愿景，6G體系結構的設計應綜合考慮網絡中人工智能的可能性，并遵循人工智能驅動的方法，其中智能將是6G體系結構的內在特征[8]。

當前已有的網絡管理方式存在的問題包括以預置的策略為主、管理和控制過程相對獨立、缺乏無線側和核心側的協同優化等問題。此外，人工智能本身還存在一些需要解決的問題，包括用于AI算法開發與評估的測試用例和數據集標準化、數據完整性和準確性對人工智能算法性能增益的影響、人工智能在未來通信中的安全可靠性保障、人工智能算法的時延控制等，這些問題也制約著人工智能在網絡智能管控中的應用[22]。因此，需要在完善現有人工智能能力的基礎上，提出自適應的B5G/6G邊緣網絡智能管控架構。

3? ?基于人工智能的管理控制架構

為了實現對網絡的智能管控，首先需要構建面向B5G/6G的網絡資源模型，進一步，提出網絡智能管控的功能范疇，進而確定人工智能計算單元的部署方式。最后，為了實現網絡管控的自主化，需要實現意圖驅動的網絡資源自主調度。具體的網絡管控架構構建過程如下。

3.1? 邊緣網絡的資源模型構建方法

為了實現網絡的智能管控，首先要面向6G網絡通信、計算、存儲資源融合特征，通過多維信息感知完成對應的資源建模。

面向未來B5G/6G的智能化管控需求，可分別面向靜態資源信息和動態資源信息，采用基于管理信息模型的靜態建模方法和基于知識圖譜的動態建模方法來構建對應的管理信息模型。

（1）基于管理信息模型的靜態建模方法

各大標準化組織都提出了各自的管理信息模型定義方法學來指導信息模型的定義過程和描述方法，典型的方法包括ITU-T的UTRAD方法、3GPP的集成參考點方法、TMF的MTNM方法。針對未來邊緣網絡的靜態資源信息，可以自主選擇上述建模方法，構建包含傳輸資源模型、無線資源模型、天地一體化網絡模型和虛擬化資源模型等不同網絡模型的資源庫。

（2）基于知識圖譜的動態建模方法

隨著網絡結構的不斷復雜化，需要完成對網絡態勢的感知和表達，知識圖譜是一種可行的表達方式，以圖結構表示客觀世界的事物及其關系。知識圖譜的構建主要包括知識抽取、知識融合和知識推理三個步驟，其中知識抽取包括目標實體、對應關系以及屬性三個要素?；谥R圖譜構建邊緣網絡資源模型的方法包括數據感知、數據庫構建、場景抽象等過程，實現不同業務場景驅動的知識庫模型。

3.2? 網絡智能管理控制的功能分析

作為面向網絡層和應用層的功能，未來的B5G/6G邊緣網絡智能管控將需要依據網絡管控功能的不同需求和目標，自主選擇不同類型的人工智能模型來完成不同類型的管控功能。對應于經典網絡管理的功能域，B5G/6G邊緣網絡的管控功能主要包括如下五個方面：

（1）配置管理，包括邊緣網絡配置合理性分析、無線網絡配置等功能。

（2）性能管理，包括性能門限管理、性能劣化分析、性能優化等功能。

（3）計費管理，包括計費合理性分析、計算調整等功能。

（4）故障管理，包括異常檢測、故障定位、故障修復等功能。

（5）安全管理，包括網絡風險預測、網絡安全防護等功能。

此外，還需要支撐業務管理、用戶管理、網絡拓撲管理等輔助的管理功能。

3.3? 人工智能計算單元的部署和協作方法

在未來的B5G/6G網絡中，需要AI計算單元通過分布式的協作來完成對應的網絡管理和控制。因此AI計算單元的部署成為了必須要考慮的問題。分布式AI通過并行訓練過程利用網絡中分布式的通信、計算和存儲資源，并選擇聯邦學習等方式拆分數據和模型[9]。因此，AI計算單元不僅僅是單一的功能部署，還需要依據任務的要求，自動完成相應任務的卸載和分解，以通過智能協作高效快速地完成相應的功能。

此外，邊緣的AI部署需要解決如下挑戰：1）高效訓練不均勻地分布在基站或移動設備等邊緣節點上的大量數據;2）每個邊緣設備僅可以訪問一小部分數據，并且計算和存儲能力有限;3）網絡數據的快速抽象，清理和降維[23]。

最后，分布式的AI計算單元部署后形成對應的智能管控平臺。該平臺將由具有不同處理能力的各種類型的節點和基礎結構組成，這些節點或基礎結構是邊緣節點，例如，工業或企業節點、智能城市服務器、智能家庭服務器、客戶房屋設備或網絡服務節點（例如，小型數據中心、應用程序服務器、內容交付和數據存儲節點）等，協作來完成對應的任務。

3.4? 意圖驅動的網絡資源自主調度

基于之前的需求分析可知，未來6G網絡需要實現人機物的無縫融合和感知，需要實現人的五感和意圖的抽象和表達，實現從意圖到機器可識別的操作的轉換。意圖驅動網絡（IDN， Intent-Driven Network）是一項新興的網絡技術，可以根據用戶的意圖自動進行轉換、驗證、部署、配置和優化，以達到目標網絡狀態，提供自動化、高可靠和閉環優化的網絡服務[12]。

基于用戶的意圖轉義結果，邊緣網絡要自主依據網絡的狀態，智能調度無線側網絡計算、通信、存儲等資源，面向配置、優化、故障等不同的管理功能，自主選擇合適的人工智能模型，提出資源融合的動態決策推演機制，實現網絡的靈活編排和資源彈性利用，不斷優化網絡資源的適配與管理，持續改善網絡服務質量。進而，通過構建面向服務特征-用戶特性-網絡環境的質量評估機制，適應網絡的高度彈性變化，保證認知過程和學習的自演進，使未來B5G/6G網絡自主地認知網絡環境變化以及服務特性。

4? ?應用實例分析

智慧城市是B5G/6G的應用場景之一。圖2給出了網絡主動實現應急通信場景下邊緣網絡智能服務的一個管控實例。在該架構下，管控中心基于邊緣網絡預測的業務量，針對因故障導致通信中斷的區域，以保障不同用戶的服務質量為目標，基于深度強化學習模型，自主利用通過資源的調度完成容量補償和用戶的接入。

具體地，為了滿足業務場景的需求，其被分解為多個子任務，分別為中斷用戶接入、局部容量增強和無人機容量補償等功能。面向業務需求，在信息知識圖譜的指導下，完成應急通信所需感知信息的抽取。進一步，AI管控功能依據資源信息，生成不同任務的子切片和對應的資源調度方法的策略，并將具體的方案下發給網絡來執行。最后，網絡執行之后將效果反饋給感知單元，進行下一個階段的自我管理，從而滿足整體的網絡管控需求。

5? ?結束語

本文面向未來B5G/6G邊緣網絡智能管控需求，提出了對應的智能化管理控制架構，并通過一個網絡實例進行了介紹。下一步需要面向具體的網絡場景，提出對應的動態知識圖譜構建方案，并搭建B5G/6G的實驗平臺，完成知識圖譜和人工智能算法的驗證。

參考文獻：

[1] 趙亞軍， 郁光輝， 徐漢青. 6G 移動通信網絡：愿景、挑戰與關鍵技術[J]. 中國科學： 信息科學， 2019，8（49）： 963-987.

[2] 魏克軍. 全球6G研究進展綜述[J]. 移動通信， 2020，44（3）： 34-36.

[3] 陳旭，尉志青，馮志勇，等. 面向6G的智能機器通信與網絡[J]. 物聯網學報， 2020，4（1）： 59-71.

[4] 陳亮，余少華. 6G移動通信發展趨勢初探（特邀）[J]. 光通信研究， 2019（4）： 1-8.

[5] R L. 5th ITU-T Workshop on Network 2030 Concluding Remarks[R/OL]. （2019-10-14）[2020-04-29]. https：//www.itu.int/en/ITU-T/Workshops-and-Seminars/2019101416/Documents/Richard_Li_Presentation_final.pdf.

[6] 王鵬飛，邸博雅，宋令陽，等. 6G異構邊緣計算[J]. 物聯網學報， 2020，4（1）： 121-130.

[7] C X， S Q， Y L， et al. ThriftyEdge： Resource-efficient edge computing for intelligent IoT applications[J]. IEEE network， 2018，32（1）： 61-65.

[8] 王海明. 6G愿景：統一網絡賦能智慧城市群[J]. 中興通訊技術， 2019，25（6）： 55-58.

[9] H T， Y W， W J， et al. A Survey on Green 6GNetwork： Architecture and Technologies[J]. IEEE Access， 2019（7）： 175758-175768.

[10] L K B， C W， S Y， et al. The Roadmap to 6G：AI Empowered Wireless Networks[J]. IEEE Communications Magazine， 2019，57（8）： 84-90.

[11] Z Z， X Y， M Z， et al. 6G wireless networks： Vision， requirements， architecture， and key technologies[J]. IEEE Vehicular Technology Magazine， 2019，14（3）： 28-41.

[12] P L， Y C， C D， et al. A survey on intent-driven networks[J]. IEEE Access， 2020（8）： 22862-22873.

[13] 中國移動研究院. 2030+愿景與需求報告[R]. 2019.

[14] C W C， C H H ， L C F ， et al. Intelligent Architecture for Mobile HetNet in B5G[J]. IEEE Network， 2019，33（3）： 34-41.

[15] H J V D， C M， B N ， et al. Updated Taxonomy for the Network and Service Management Research Field[J]. J Netw Syst Manage， 2018（26）： 790–808.

[16] L D C， Z H， N. A Frontier： Dependable， Reliable and Secure Machine Learning for Network/System Management[J]. J Netw Syst Manage， 2020： 1-23.

[17] G H， W M. Artificial Intelligence Paradigm for Customer Experience Management in Next-Generation Networks： Challenges and Perspectives[J]. IEEE Network， 2019，33（2）： 188-194.

[18] A O G， I A， I M A， et al. A Survey of Self Organisation in Future Cellular Networks[J]. IEEE Communications Surveys & Tutorials， 2013，15（1）： 336-361.

[19] I A， Z A， A D A. Challenges in 5G： How to Empower SON with Big Data for Enabling 5G[J]. IEEE Network， 2014，28（6）： 27-33.

[20] D S， A O， S B， et al. What should 6G be？[J]. Nature Electronics， 2020，3（1）： 20–29.

[21] 賽迪智庫無線電管理研究所. 6G概念及愿景白皮書[R]. 2020.

[22] W T， W S， Z Z H. Machine learning for 5G and beyond： From model-based to data-driven mobile wireless networks[J]. China Communications， 2019，16（1）： 165-175.

[23] Z Z， X Y， M Z， et al. 6G wireless networks： Vision， requirements， architecture， and key technologies[J]. IEEE Vehicular Technology Magazine， 2019，14（3）： 28-41.

作者簡介

喻鵬（orcid.org/0000-0002-0402-5390）：

副教授，博士生導師，現任職于北京郵電大學網絡與交換技術國家重點實驗室，研究方向為無線網絡管理和優化、自主管理和綠色通信。

豐雷：副教授，碩士生導師，現任職于北京郵電大學網絡與交換技術國家重點實驗室，研究方向為無線網絡和智能電網的資源管理。

李文璟（orcid.org/0000-0003-3852-1007）：教授，博士生導師，現任北京郵電大學網絡與交換技術國家重點實驗室網絡管理研究中心主任，中國通信標準化協會TC7/WG1組長，研究方向為無線網絡管理和自組織網絡。