基于AI智能關聯技術的5G網絡切片研究與實現*

耶旭立，曾強，康萌

（中國移動通信集團陜西有限公司，陜西 西安 710077）

0 引言

與傳統運營商4G 網絡相比，5G 的網絡能力將有飛躍的發展，如下行峰值數據速率可達20 Gbps，而上行峰值數據速率可能超過10 Gbps。此外，5G 還可大大降低時延及提高整體網絡效率，簡化后的網絡架構將提供小于5 ms 的端到端延遲。5G 以其超越光纖的傳輸速度、超越工業總線的實時能力以及全空間的連接，將開啟充滿機會的時代，為移動運營商及其客戶提供了極具吸引力的商業模式，而運營商為了支撐這些商業模式，未來網絡必須能夠針對不同業務特性及服務質量，準確高效地提供各種定制化、差異化的網絡支撐能力。基于此，網絡切片應運而生，即在一個通用的物理平臺之上構建多個專用的、虛擬化的、互相隔離的邏輯網絡，以滿足不同客戶及業務對網絡能力的不同要求。

但是，由于木桶效應一個商用級可保障的網絡切片必須至少包含無線網、核心網及傳輸網子切片共同協作完成，任何一個子切片的設置不合理或者異常都會導致整個網絡切片的性能受限，而傳統業界的網絡切片都是通過各專業人工協商或切片管理系統按照經驗值統一配置，這種傳統的切片管理模式容易出現參數設置不合理、各專業切片能力不匹配、無法面向端到端性能保障等問題，從而造成切片配置效率低、運營商資源浪費、端到端性能無法滿足客戶需求等問題。因此，迫切需要研究一套能夠實現多專業關聯的、基于歷史參數學習并從整體性能保障觸發的5G 網絡最優切片現網解決方案，提升運營商對業務的快速保障、快速開通及資源最優配置的切片管理實踐。

1 研究意義

5G 作為信息化時代的關鍵使能技術和基礎設施新基建，服務的對象已經從傳統的移動通信擴展為無處不在的連接和場景應用。5G 網絡需要面向業務服務等級指標迥異的各種場景，不同商業模式需要在統一的5G 網絡架構下共存共生公用。而網絡切片技術是5G 網絡支撐垂直行業及物聯網時代數字化轉型的關鍵，通過在運營商實體網絡上切分出多個虛擬網絡通道，適配智慧城市、工業控制、自動駕駛、智能電網、遠程醫療等各類行業業務的差異化需求。

但是，傳統網絡切片都是各專業各自設置、人工協商，缺乏統一科學的調度管理規范，而且人工協商配置效率低下，難以滿足業務快速開通的需求，因此迫切需要研究基于多專業自動化智能關聯的切片解決方案來提升資源配置效率、發揮網絡效能最大化，同時確保業務服務等級（SLA,Service Level Agreement）端到端的性能保障[1]。

陜西移動已于2020 年9 月30 日前完成全省5G SA 組網的基站、核心網及傳輸切片分組網（SPN,Slicing Packet Network）端到端商用，但是對于商用后的5G SA 網絡能否滿足多樣化5G 業務的高效、精準、智能網絡切片仍然是當前存在的最關鍵問題。因此，通過切片數據采集、切片模型選擇、切片AI 智能關聯及切片參數修正四步法，基于用戶、APP、位置信息的切片選擇出發，結合AI 算法的無監督學習和自適應學習，實現5G SA 商用后的網絡切片的智能關聯及最優決策，實現網絡切片的按需構建，為切片最優化配置、性能感知體驗提供了理論指導、模型選擇及最優解決方案輸出。

1.1 切片數據采集

借助無線網軟采數據、傳輸網網管數據及核心網鏡像分光數據，分別獲取支撐后端切片模型選擇的無線、傳輸及核心網網絡切片子網管理功能參數，如切片ID、PLMN（公共陸地移動通信網）列表、最大終端數、覆蓋TA 列表、基站列表、PE 列表等[2]，當用戶初次在網絡中注冊時，攜帶相應的網絡切片標識（NSSAI,Network Slice Selection Assistance Information）請求網絡切片選擇功能（NSSF,Network Slice Selection Function）獲取相應接入的網絡切片選擇信息，實現對業務切片基礎數據的采集。

1.2 切片模型選擇

5G 網絡切片是提供特定網絡能力和特性的邏輯網絡，通過網絡切片技術，可以實現業務需求和網絡資源的靈活匹配，虛擬出多張滿足不同業務應用場景差異化需求的5G 切片網絡，并能充分共享物理網絡資源。整體是由基礎設施，管理層級運行在基礎設施之上的切片實例組成。從切片設計到編排、激活、監控等過程，基于切片的用戶分級保障對承載業務及切片感知的業務分級保障，最終實現切片的APP及位置區域分級保障和空中下載技術（OTA,Over-the-Air Technology）簽約實現切片級業務動態保障[3]。

1.3 切片AI智能關聯

網絡切片后產生大量的切片復合指標，需要建立無監督學習和自適應學習的AI 智能關聯方法實現龐大復合切片的智能關聯，其中采用二分k-means 算法結合Python 中scikitleam庫里的LogisticRegressionCV()函數調用邏輯回歸方法，通過使用前的參數設置，實現指標體系架構及數據寬表庫獨立存儲調用數據的AI 智能關聯[4]。

1.4 切片參數修正

基于AI 智能關聯輸出的5G 網絡切片參數，結合業務端的切片整體性能表現，對切片涉及的用戶全球唯一標識（SUPI,Subscription Permanent Identifier/IMSI,International Mobile Subscriber Identity）、切 片 標 識（S-NSSAI,Single Network Slice Selection Assistance Information）以及采用的二分K均值聚類算法關聯規則模型進行后向參數修正及不斷優化[5]，最終實現智能關聯的切片滿足業務的最佳性能體驗。

2 基于AI算法的5G網絡切片智能關聯框架設計

本文研究建立了一種基于網絡切片的智能關聯+AI 算法體系，依靠對5G SA 核心網絡的控制面及用戶面接口數據全量采集，應用智能關聯技術+AI 算法，從基本的單網絡切片向實現多維關聯合成轉變，實現網絡切片的準確評估和監控管理技術創新，從而保證各個場景的切片質量和應用。基于AI 算法的5G 網絡切片智能關聯體系如圖1 所示：

圖1 基于AI算法的5G網絡切片智能關聯體系

2.1 算法流程

構建AI 算法的5G 網絡切片智能關聯算法主要從數據采集、切片選擇映射、智能算法關聯、AI 算法自適應學習、端到端切片實現應用構建形成。基于AI 算法的5G 網絡切片智能關聯算法設計如圖2 所示。

圖2 基于AI算法的5G網絡切片智能關聯算法設計

整體研究方案包括數據采集、切片選擇映射、智能算法關聯、AI 算法自適應學習、E2E 切片實現應用，構建形成四個模塊實現基于5G SA 網絡下的Slice 精準選擇和智能關聯。其中，切片預選選擇先于業務感知確定切片范圍；智能切片關聯實現切片數據的預合成處理；AI 算法提高智能切片關聯的數據質量，并同步執行自適應無監督優化處理，通過三反饋機制修正和模擬實際切片場景，以上均是本方案的核心研究點。

2.2 網絡結構

5G 核心網基于全新的服務化架構，將網絡功能解耦為服務化件，組件之間使用輕量級開放接口通信。這種高內聚低耦合的結構使其具備敏捷、易拓展、靈活開放的特性，從而滿足網絡切片的按需構建、動態部署彈縮和高可靠要求，其中的5G SA 網絡切片規劃策略是基于應用對象分類的NSSAI，包含通用切片、行業切片、區域切片。靈活無線切片和統一空口架構設計適配多樣化切片場，5G 無線網支持前傳、中傳和后傳的靈活切分和部署，滿足不同場景下的切片組網需求[6]。軟件定義網絡（SDN,Software Defined Network）化傳輸網配合多層次切片技術靈活構建傳輸切片，傳輸網切片運用虛擬化技術，將網絡拓撲資源虛擬化，按需組成虛擬網絡。網絡切片面向網絡拓撲資源的虛擬化，構建虛擬化網絡，支持多層次的切片隔離技術，滿足不同隔離要求下的切片需要。創新技術的采用使得虛擬網絡/切片具備剛性管道能力，滿足高隔離要求下的底層快速轉發，從而滿足不同類型切片業務對傳輸的要求。5G 切片智能運維管理結構設計如圖3 所示。

圖3 5G切片智能運維管理結構設計

3 面向5G網絡切片智能關聯AI算法現網實現

本研究方案包括“基于5G SA 核心網數據采集”、“基于切片的選擇篩選評估”、“基于網絡切片的端到端智能關聯分析”、“基于AI 算法的切片關聯自適應調優”、“基于AI 算法的切片實例關聯應用研究”方面準確高效地完成切片數據的智能關聯，并引入β函數實現自適應無監督學習優化算法，進一步提升關聯合成精度。

3.1 基于5G SA核心網數據采集

基于5G SA 核心網多接口協議解碼處理實現5G SA網絡的多接口數據接入[7]，采集方式包括：一是無線側采集，無線側數據在基站采集，主要采用軟采方式，采集輸出信令XDR 話單；二是核心網側采集，核心網數據控制面集中在接入和移動管理功能（AMF）/ 會話管理功能（SMF）/ 策略控制功能（PCF）網元采集，采用分光或者鏡像方式，用戶面采集點在用戶面管理功能（UPF,User Plane Function）上，采用主要使用物理分光方式[8]，采集輸出原始碼流和信令XDR 話單；三是承載網采集，承載網主要采集網絡性能統計信息和告警數據，采用和承載網管對接獲取數據，實現全量數據采集。不同場景的網絡切片數據流向圖如圖4 所示。

圖4 不同場景的網絡切片數據流向圖

3.2 基于網絡切片的選擇評估模型

5G 網絡切片是提供特定網絡能力和特性的邏輯網絡，通過網絡切片技術，可以實現業務需求和網絡資源的靈活匹配，虛擬出多張滿足不同業務應用場景差異化需求的5G切片網絡，并能充分共享物理網絡資源。網絡切片必須包括CN 的控制面和媒體面[9]，在Serving PLMN 至少包括5G接入網或非3GPP 接入網（N3IWF,Non-3GPP InterWorking Function），端到端切片還應該包括傳輸（TN）。一個切片提供一個或多個服務，或者一個切片由一個或多個子切片組成，子切片可以是CN、AN 或TN，其中兩個切片可以共享一個或多個子切片。切片劃分邏輯模型如圖5 所示：

圖5 切片劃分邏輯模型

基于切片的用戶分級保障可分為應用對象切片選擇和應用場景切片選擇，根據對承載業務及切片感知的業務分級，最終實現切片的模型選擇。切片精準選擇分類庫劃分如圖6 所示。

圖6 切片精準選擇分類庫劃分

3.3 基于信令上報的切片多維關聯合成方法

基于網絡切片的智能關聯合成回填，對于一個端到端信令流程，采集解析服務器會采集并上報多個接口上的信令，數據合成再根據這些單接口的信息元素來生成合成，用于反映整個端到端流程的關鍵信息，并在其中指示每個單接口信令的ID，從而可以通過合成來檢索反映各個接口的信令和業務。

切片智能關聯合成共分為三個方面[10]：一是無線數據關聯回填，無線側需要在生成XDR 時將切片標識S-NSSAI 關聯回填到用戶信令單據（XDR,External Data Representation）中；二是核心網數據關聯回填，核心網用戶面數據通過隧道ID 標識會話，在合成服務器中將切片標識S-NSSAI 回填到用戶面XDR 中；三是承載數據關聯回填，承載網管保存有切片標識和承載VLAN 標識的映射信息，通過映射關系回填切片標識。切片智能關聯合成實現邏輯圖如圖7 所示：

圖7 切片智能關聯合成實現邏輯圖

3.4 基于AI算法的切片智能關聯自適應方法

基于AI 算法的切片關聯自適應調優主要分為二分K均值聚類算法關聯[11]；使用Python 執行β函數調用達到自適應調優，從而達到收集所需的指標進行AI 分析，通過用戶標識SUPI/IMSI、切片標識S-NSSAI，采用二分K均值聚類算法關聯規則模型[12]，實現網絡切片的智能自適應關聯。基于AI 算法的切片關聯自適應調優實現圖如圖8 所示：

圖8 基于AI算法的切片關聯自適應調優實現圖

k-means 聚類算法屬于基于原型的聚類，由于其能簡單高效地實現對大規模數據的聚類，因此是現階段使用最為普遍的無監督學習方法。與此同時，k-means 方法也存在一些缺點，如必須人為設置聚類的簇數、易受到初始質心點位置的影響等。因此，在k-means 聚類算法的基礎上提出了一種不受初始質心選擇影響的二分k-means算法[13]，實驗表明二分K均值聚類算法的性能要優于一般的K均值聚類算法。一般的K均值算法可以概括地分為三步：初始化K個簇的質心、將簇中其它點指派到最近的質心、根據目標函數更新質心。這里的目標函數最常用的就是SSE。當使用的數據是歐幾里得空間中的數據時，SSE 的表達式為：

其中，K是族的個數；Ci表示第i個簇，Ci是簇Ci的質心；x表示對象；dist 是歐幾里得空間中兩個對象之間的標準歐幾里得距離L2。

CN 子切片、終端、承載子切片、AN 子切片關聯合成完成后，分類干預初步確認解決方案使用邏輯回歸算法，LogisticRegression 算法雖然名字帶有回歸，但其實是一種簡單高效的分類模型，常用于解決二分類以及多分類問題[14]。其在線性回歸的基礎之上，套用了一“t”邏輯函數sigmoid 函數。該函數的具體表達式如下：

使用sigmoid 函數套用線性回歸方程為：

可得到邏輯回歸算法的核心表達式為：

其中，系數θ需要模型在訓練時基于移動數據集進行擬合。具體地，模型在訓練時，是以監督學習的方式，通過使用梯度下降法或擬牛頓法最優化目標函數（代價函數）[15]，從而實現對參數θ進行估計的過程。邏輯回歸模型在訓練時的代價函數如下：

其中：

基于邏輯回歸算法訓練模型時，使用Python 中scikit-leam 庫里的LogisticRegressionCV() 函數調用邏輯回歸方法，在使用函數前需要進行參數的設置[16]，Python 執行β函數調用達到自適應調優。

3.5 基于AI算法的切片實例關聯應用研究

（1）應用場景1:8K 視頻直播

高清視頻eMBB 場景切片選擇實例如圖9 所示。

初始狀態：一個用戶A（TUE600）選擇了默認切片，這時都播放8K 高清視頻直播，結果卡頓嚴重，無法正常播放；另一個用戶B 選擇了大帶寬（eMBB,Enhanced Mobile Broadband）切片，視頻播放流暢。

步驟1：用戶A 通過切片商城選擇了eMBB 切片，并付費成功；

步驟2：切片商城通知UDR/UDM 修改用戶A 的簽約信息，觸發用戶A 切換到eMBB 切片；

步驟3：用戶A 重新發起8K 高清視頻業務，業務和用戶B 一樣流暢。

（2）應用場景2：高清在線游戲

低時延游戲uRLLC 場景切片選擇實例如圖10 所示。

圖10 低時延游戲uRLLC場景切片選擇實例

初始狀態：一個用戶C（TUE600）選擇了默認切片，這時打開高清在線游戲，結果時延嚴重，無法正常操作；另一個用戶D 選擇了高可靠低時延（uRLLC,Ultra-Reliable and Low-Latency Communication）切片，游戲流暢。

步驟1：用戶C 通過切片商城選擇了uRLLC 切片，并付費成功；

步驟2：切片商城通知UDR/UDM 修改用戶C 的簽約信息，觸發用戶C 切換到uRLLC 切片；

步驟3：用戶C 重新發起高清在線游戲業務，業務和用戶D 一樣流暢。

4 數據仿真及實施效果

經過設定5 000 個采樣點對高可靠低時延場景uRLLC切片的兩種算法效率進行對比可知，基于智能+AI 算法關聯的切片方法在仿真效率效果方面均優于傳統人工預設算法效率。具體如圖11 所示：

圖11 5 000采樣點uRLLC切片效率對比

經過設定5 000 個采樣點對高可靠低時延場景uRLLC 切片的兩種算法端到端時延進行對比可知，基于智能+AI 算法關聯的切片方法在實際端到端時延統計方面均優于傳統人工預設算法的時延，因此基于AI 的智能切片方法更能適應業務的自動化編排。具體如圖12 所示。

圖12 5 000采樣點uRLLC切片端到端時延對比

5 結束語

本文介紹了5G 網絡為滿足各行業對于通信網絡的差異化服務需求，提出了一種基于AI 智能關聯技術的切片現網實現方案，使用了多域多接口數據采集及關聯技術完成切片端到端全流程的關鍵數據收集，結合不受質心影響的二分k-means 無監督自學習經典算法[19]，輸出了面向5G 不同應用場景的最佳切片模型參數集選擇，最后通過仿真驗證了采用AI 智能關聯算法的優勢，為將來5G ToB 垂直工業互聯網行業豐富的網絡功能定制和不同業務場景要求，實現5G 網絡多樣化、差異化的切片數據高效率處理[20]，提供了一種可精準、智能、快速收斂的數據處理關聯解決方案。