5G數(shù)字孿生實驗室構建技術及實現(xiàn)

游 佳

（移動網(wǎng)絡和移動多媒體技術國家重點實驗室，廣東 深圳 518055）

0 引言

第五代移動通信技術，英語縮寫為5G。與4G相比，5G具有更高的速率、更大的帶寬、更高的可靠性、更低的時延等特征，能夠滿足未來虛擬現(xiàn)實、超高清視頻、智能制造、自動駕駛等用戶和行業(yè)的應用需求。隨著5G建設不斷深入，5G與人工智能（Artificial Intelligence，AI）、智能邊緣等垂直行業(yè)正加速突破和融合。作為智能世界的新型基礎設施，5G不僅自身成為新的經(jīng)濟增長點，還與人工智能、邊緣計算等行業(yè)加速融合，催生出更多創(chuàng)新應用以及場景，推動新一輪智能創(chuàng)新和應用發(fā)展[1,2]。

隨著5G網(wǎng)絡的快速發(fā)展，網(wǎng)絡創(chuàng)新技術方案不斷更新迭代，如何快速地驗證、收斂及部署，從而滿足5G商用網(wǎng)絡應用的業(yè)務保障，是目前運營商和設備商面臨的挑戰(zhàn)。傳統(tǒng)的實施方案是基于線下的算法仿真平臺進行算法仿真后，通過現(xiàn)網(wǎng)進行功能及性能驗證，從而確認方案的可行性。然而由于真實網(wǎng)絡組網(wǎng)的復雜性、突發(fā)性，往往算法仿真模型不能匹配復雜的真實網(wǎng)絡，導致驗證結(jié)果時常不符合預期，造成較長的時間消耗及較高的現(xiàn)網(wǎng)運行業(yè)務風險，加大了網(wǎng)絡運營成本。對于外場出現(xiàn)的重大故障，往往需要多次復現(xiàn)解決，影響故障解決效率。

本文基于傳統(tǒng)實施方案的缺點，提出5G數(shù)字孿生實驗室構建方案[3-5]。該方案通過外場場景化的模型學習，以及虛擬化數(shù)字孿生鏡像平臺構建，可以全生命周期地獲取實際物理網(wǎng)絡的運營狀態(tài)。對于網(wǎng)絡中出現(xiàn)的重大故障，通過時間的鏡像回溯，達到免復現(xiàn)定位，結(jié)合算法方案優(yōu)化驗證，將生成的網(wǎng)絡優(yōu)化策略部署在真實網(wǎng)絡，并通過物理網(wǎng)絡和孿生平臺的實時交互，不斷迭代學習，助力物理網(wǎng)絡實現(xiàn)低成本試錯、智能化決策和高效率創(chuàng)新。

1 方案設計原理

本方案基于數(shù)字孿生技術構造與現(xiàn)實物理網(wǎng)絡匹配的鏡像，通過從物理網(wǎng)絡采集的狀態(tài)數(shù)據(jù)，結(jié)合大數(shù)據(jù)處理、云計算、人工智能技術，構造外場場景化的業(yè)務模型，將該業(yè)務模型應用于虛擬化數(shù)字孿生鏡像平臺，可以全生命周期地獲取實際網(wǎng)絡的運營狀態(tài)，并結(jié)合算法優(yōu)化方案，可以快速迭代生成網(wǎng)絡優(yōu)化策略。通過人工智能技術，能夠預測未來業(yè)務需求增長，提前做出擴容預案。

對于外場場景化模型定義，本文從用戶在某個時刻、某個地點，發(fā)起某種業(yè)務，獲得怎樣的體驗出發(fā)，將外場場景模型定義為用戶行為、信道分布、運營商策略3個維度，多種維度的組合構成外場常用場景[3-5]。場景定義如圖1和表1所示。

圖1 外場場景化模型定義

表1 外場常用商用場景

本方案基本流程如下：

（1）通過外場多種場景下數(shù)據(jù)采集，構建商用外場的用戶行為模型、信道分布模型[6,7]、運營商組網(wǎng)策略；

（2）基于虛擬化數(shù)字孿生鏡像平臺，將步驟1中構建的用戶行為模型、信道分布模型、運營商組網(wǎng)策略應用于該平臺，構建實際物理場景的虛擬化數(shù)字孿生網(wǎng)絡；

（3）基于虛擬化數(shù)字孿生網(wǎng)絡，獲取實際網(wǎng)絡的運營狀態(tài)，對于網(wǎng)絡中出現(xiàn)的重大故障，通過時間的鏡像回溯，達到免復現(xiàn)定位，結(jié)合相關創(chuàng)新算法的功能、性能驗證，輸出網(wǎng)絡優(yōu)化策略；

（4）真實物理網(wǎng)絡部署網(wǎng)絡優(yōu)化策略，并通過物理網(wǎng)絡和孿生平臺的實時交互，不斷地迭代學習，優(yōu)化性能算法。

2 方案實施用例

本方案具體實施提供的系統(tǒng)結(jié)構如圖2所示。物理網(wǎng)絡通過基站內(nèi)置的數(shù)據(jù)采集子卡，定時采集基站內(nèi)部鏡像數(shù)據(jù)，并通過物理傳輸接口將數(shù)據(jù)上傳到多接入邊緣計算（Multi-Acess Edge Computing，MEC）。邊緣云利用大數(shù)據(jù)處理、人工智能、云計算技術，構造外場場景化的業(yè)務模型。將提取的業(yè)務模型應用到數(shù)字孿生鏡像平臺，其中用戶行為模型應用于模擬UE（virtual User Equipment，vUE），模擬物理網(wǎng)絡用戶業(yè)務行為；信道模型應用于信道模擬（virtual Channel，vChannel），模擬物理網(wǎng)絡空口信道條件；組網(wǎng)策略應用于虛擬基站，由虛擬主控板（Virtual Switch，vVSW）、虛擬基帶板（Virtual Baseband Processing，vVBP）、虛擬射頻單元（Virtual Active Antenna Unit，vAAU）組成，模擬物理網(wǎng)絡開通功能、組網(wǎng)策略等。通過虛擬化數(shù)字孿生網(wǎng)絡，獲取實際網(wǎng)絡的運營狀態(tài)，可以對物理網(wǎng)絡全生命周期實時監(jiān)控，對于網(wǎng)絡中出現(xiàn)的重大故障，通過時間的鏡像回溯，達到免復現(xiàn)快速定位；通過人工智能技術，預測未來業(yè)務需求增長，提前做出擴容預案；基于數(shù)字孿生平臺的創(chuàng)新算法功能、性能驗證，輸出網(wǎng)絡優(yōu)化策略。將網(wǎng)絡優(yōu)化策略部署到真實的物理網(wǎng)絡，并通過物理網(wǎng)絡和孿生平臺的實時交互，不斷地迭代學習，優(yōu)化性能算法。

圖2 本方案具體實施提供的系統(tǒng)結(jié)構

本文實施用例通過介紹某商用場景的虛擬化數(shù)字孿生建模過程，詳細介紹本系統(tǒng)的處理流程，并列舉一種算法優(yōu)化方案，在數(shù)字孿生鏡像環(huán)境驗證后，評估在該商用場景下的性能表現(xiàn)。

2.1 物理網(wǎng)絡數(shù)據(jù)采集

物理網(wǎng)絡主要采集的數(shù)據(jù)包括商用網(wǎng)的地理環(huán)境信息、站點分布信息、網(wǎng)管參數(shù)及版本信息、基站天線參數(shù)、基站NG接口（NG intetface,NGI）數(shù)據(jù)及測量控制數(shù)據(jù)采集，具體如下文所述。

（1）商網(wǎng)的地理環(huán)境信息：通過地圖軟件，獲取地圖數(shù)據(jù)、建筑物數(shù)據(jù)。

（2）站點分布信息：通過網(wǎng)絡工參數(shù)據(jù)，了解站點位置和掛高。

（3）網(wǎng)管參數(shù)及版本信息：獲取網(wǎng)絡組網(wǎng)策略。

（4）基站天線參數(shù)：如天線增益、天線數(shù)、單元方向圖等信息。

（5）基站NG口（NG-RAN無線接入網(wǎng)和5G核心網(wǎng)之間的接口）數(shù)據(jù)、測量控制（Measure Report,MR）數(shù)據(jù)采集：用于用戶行為、信道模型學習。

利用上述信息進行商用場景建模，模型包括地理環(huán)境模型、路徑損耗（Path Loss，PL）模型、天線模型、用戶信道分布模型、用戶業(yè)務習慣模型。

2.2 模型學習

根據(jù)物理網(wǎng)絡采集數(shù)據(jù)，獲取用戶行為模型、信道分布模型、運營商組網(wǎng)策略。

2.2.1 運營商組網(wǎng)策略

通過網(wǎng)絡無線參數(shù)配置，可以獲取運營商的相關策略，主要包括制式、頻點、互操作、相關特性開啟等。

2.2.2 信道模型

本文信道模型的建立[8,9]，采用射線跟蹤方式，射線跟蹤是一種被廣泛用于移動通信和個人通信環(huán)境中的預測無線電波傳播特性的技術，可以用來辨認出多徑信道中收發(fā)之間所有可能的射線路徑。一旦所有可能的射線被辨認出后，就可根據(jù)電波傳播理論來計算每條射線的幅度、相位、延遲和極化，然后結(jié)合天線方向圖和系統(tǒng)帶寬就可得到接收點的所有射線的相干合成結(jié)果。射線跟蹤模型原理如圖3所示，圖中ray0、ray1、ray2為水平切面?zhèn)鞑ヂ窂健ay3、ray4為全3D方向傳播路徑。

圖3 射線跟蹤模型原理

通過大量的物理網(wǎng)絡采集的MR數(shù)據(jù)，基站天線參數(shù)以及商網(wǎng)的地理環(huán)境信息，構建外場信道模型。

2.2.3 用戶行為模型

通過采集的基站NG口數(shù)據(jù)，以及基于深度包識別（Deep Packet Inspection，DPI）的深度包檢測技術[10,11]，可以學習外場用戶典型業(yè)務場景，基于識別結(jié)果，對一定時間內(nèi)的流量行為進行統(tǒng)計，如流量流向、業(yè)務占比、訪問網(wǎng)站等，最終得出用戶業(yè)務習慣模型。基于DPI識別的業(yè)務行為模型如 圖4所示。

圖4 基于DPI識別的業(yè)務行為模型

2.3 數(shù)字孿生平臺學習

利用物理網(wǎng)絡的商用場景模型，將提取的用戶行為模型、信道模型、組網(wǎng)策略應用于虛擬數(shù)字孿生鏡像平臺。基于虛擬化數(shù)字孿生網(wǎng)絡，獲取實際網(wǎng)絡的運營狀態(tài)，結(jié)合網(wǎng)絡中性能感知問題，本文在數(shù)字孿生平臺上，驗證下行單用戶多入多出技術（Single-User Multiple-Input Multiple-Output，SUMIMO）[12]傳輸模式自適應優(yōu)化算法方案，并利用該方案提升網(wǎng)絡下行流量和頻譜效率，輸出網(wǎng)絡優(yōu)化策略。

2.4 物理網(wǎng)絡優(yōu)化策略部署

在商用外場部署數(shù)字孿生平臺輸出的基于下行SU-MIMO傳輸模式自適應優(yōu)化策略，通過實測數(shù)據(jù)驗證，性能達到算法方案預期，方案優(yōu)化前后性能對比如圖5所示。

圖5 下行SU-MIMO傳輸模式自適應優(yōu)化前后性能對比

3 方案實施效果

本方案通過外場商用場景的全生命周期的數(shù)字孿生鏡像，實時感知物理網(wǎng)絡的運行狀態(tài)，提前預測、發(fā)現(xiàn)網(wǎng)絡中存在的性能感知問題，通過時間的鏡像回溯，可以全流程地獲取業(yè)務的運行過程，并對網(wǎng)絡中存在的重大問題免復現(xiàn)定位，結(jié)合算法優(yōu)化方案虛擬化驗證，輸出適合外場應用的網(wǎng)絡優(yōu)化策略。

通過實踐應用本方案，結(jié)合數(shù)字化的評估度量系統(tǒng)，網(wǎng)絡算法優(yōu)化方案驗證迭代周期降低70%，外場故障泄露率降低40%，外場故障定位提升效 率50%。

4 結(jié)語

本文通過外場場景化的模型學習，搭建數(shù)字孿生平臺鏡像外場環(huán)境，達到快速迭代驗證新方案和解決外場重點問題的目的。數(shù)字孿生技術在通信領域目前還處于起步階段，業(yè)界對數(shù)字孿生的概念和內(nèi)涵還沒有達成共識，并且缺乏可商用的數(shù)字孿生網(wǎng)絡平臺。本文提供的實現(xiàn)方案是具有一定優(yōu)勢的可行解決方案，希望本技術方案對讀者有一定的參考作用。