面向6G的意圖驅動邊緣智能網絡

宋延博，張靜雯，彌欣汝，歐陽穎，楊春剛

（西安電子科技大學，陜西 西安 710071）

0 引言

6G將兼容5G中增強型移動寬帶、海量機器類通信和高可靠低時延等典型通信場景。單一的網絡特性難以支持6G網絡中不斷涌現的新服務，無法支撐網絡按時交付，且無法貼近實際的商業需求，從而影響用戶的服務質量和體驗質量。此外，異構移動通信網絡難以實現有效的互聯互通和全局資源優化調度，造成寶貴的設備和無線資源浪費[1-2]。網絡復雜度也因繼承大容量和大連接等優勢而日益凸顯，為6G網絡的運營、維護和管理帶來前所未有的挑戰[3]。

移動通信網絡中人工智能以輔助-代理-取代的方向演進，在應對各類虛擬服務需求的同時，已經考慮將用戶的意圖納入網絡運營中。2015年開放網絡基金組織的北向接口工作組發布了《基于意圖的網絡》白皮書[4-5]。Gartner、思科、華為先后提出IDN（Intent Driven Network，意圖驅動網絡）的定義[6-8]，明確IDN中意圖轉譯、意圖驗證、自動實施、全息感知等基本組成要素。IDN以其北向交互強、網絡自優化等突出優勢，在固網[9]、云網絡[10-11]、物聯網[12]和5G網絡[13-14]均得到了充分重視和應用。北向接口模式[15]、服務管理方法[16]與網絡配置方式[17]得到進一步革新。當前IDN的應用以部署在網絡控制器及其北向接口為主，并以集中式的形式存在。

6G時代，移動通信網絡發展將進一步以現代人工智能、邊緣計算平臺和移動物聯網等為科技基礎，實現智能設備與信息網絡設備的更加深度融合，構建新型服務化網絡[18]。行業寄希望于通過引入人工智能，帶領6G網絡走出當前遇到的重重困境[19-21]。以云計算為典型代表技術的集中式人工智能系統存在數據實時性低和傳輸帶寬容量不足等實際問題，從而可能無法及時處理由邊緣設備所產生出來的海量數據。可以通過將邊緣智能部署在邊緣設備上使其更貼近用戶，實現在數據源端進行數據處理和智能化部署，從而縮短服務的響應時間。

為了真正實現融合、靈活、彈性發展的愿景，需要繼續研究一種基于邊緣智能的意圖驅動6G網絡，從系統架構層次上進一步考慮邊緣智能系統的多級網絡部署，實現意圖、邊緣計算、人工智能系統的完美結合，將智能服務推送到邊緣設備。

1 意圖驅動網絡基本理論

意圖是系統狀態的聲明性描述，其中聲明性指無需關注網絡操作細節，僅表達對網絡的需求。意圖從需求的角度抽象網絡的對象和能力，并將其轉化為高級策略[22]。

IDN是一種可編程可定制的自動化網絡。網絡可根據用戶意圖自動轉換、驗證、部署、配置、優化，達到目標網絡狀態，并能自動解決異常事件，保證網絡的可靠性[23]，包括意圖使能層、業務應用層、基礎設施層。

如圖1所示，從執行動作來講，IDN網絡主要包括意圖的轉譯、驗證和部署。從意圖形態轉換來講，形成了“自然語言-意圖原語-可執行策略-可靠性配置”的意圖流。意圖、策略與配置是一組聯結概念，意圖是自由表達的具有最高級抽象網絡需求的描述；策略是以具體方式描述的意圖；配置是根據策略為當前網絡環境更新有關物理或虛擬網絡設備的信息[24]。從層級關系來講，IDN主要包括業務應用層、意圖使能層、基礎設施層以及北向接口和南向接口。業務應用層支持可視化運維平面，提供開放的網絡能力，并完成應用意圖的挖掘。通過意圖使能層提供的編程接口對底層設備進行編程，將網元能力抽象封裝，把網絡的控制權開放給用戶及其他業務伙伴。意圖使能層將應用請求經意圖北向接口轉譯成的意圖原語，并進行解析和一致性校驗，處理成可被當前網絡資源執行的網絡意圖；通過意圖與資源的映射算法，獲得網絡中具體資源的對應操作；采用基于意圖管理和編排的系統實現全局應用意圖的統一規劃、資源的統一調度，采用閉環編排的方式實現網元的生命周期管理、智能引擎提供策略庫模型和網元狀態信息分析的支持。基礎設施層部署海量遙測設備，分布式網絡數據分析中心進行實時/非實時運算。

圖1 意圖驅動網絡架構

目前，學術界在意圖在移動網絡領域還在進一步探索。在5G云服務的實時保障、服務質量的有效提升以及回程網絡方面論證了意圖部署的初步想法[25]，但對于接入網、回程網和核心網的一體化意圖驅動設計方案尚不清晰。

2 架構演進思路

傳統網絡架構中存在著控制平面和用戶平面緊耦合等問題，對運營商布網在成本和時間上都是一個考驗。軟件定義網絡的引入，使網絡控制面功能逐漸與網絡用戶面完全解耦，部署網絡也隨之變得方便與靈活，從而提高用戶服務質量與應用體驗，比如可以大幅度降低時延。

基于控制面和用戶面解耦的背景下，連接控制面與用戶面的南向接口已經形成了一定的標準化接口。例如軟件定義網中的OpenFLow協議，隱藏了具體網絡設備的轉發細節，利用這些功能接口的組合可以部署常見業務，即通過修改流表規則控制網絡設備的轉發。南向接口抽象了網絡轉發行為，簡化了管理網元的流程，但是仍需掌握協議的相關知識并熟悉命令行操作。此外，用戶面向差異化方向演進。

隨著網絡功能的不斷創新，網絡業務需要進一步與網絡接口，面向新需求的北向接口的標準化正在進行中。基于意圖的北向接口有望成為北向接口的標準化，意圖北向接口采用聲明式的方式，網絡用戶或應用通過自然語言等只需描述網絡需求的意圖，而無需關注如何實現（技術細節），使不了解網絡相關知識背景的用戶也能更容易地操作網絡。如圖2所示，網絡架構正朝著應用、控制、用戶平面解耦的方向發展，南北向接口的標準化工作也需要進一步研究。

圖2 網絡架構解耦演進

3 意圖驅動邊緣智能網絡架構

為了高效利用網絡資源并釋放意圖驅動網絡潛力，下沉人工智能到靠近用戶終端的網絡邊緣。意圖驅動邊緣智能網絡架構由兩個管理中心、三個數據分析中心、四個平面組成，如圖3所示。CU（Centralized Unit，集中單元）、DU（Distributed Unit，分布單元）和AAU（Active Antenna Unit，有源天線單元）組成接入網側eNB/gNB基站。CU為集中式單元，向上通過核心網接口與核心網相連接，而在接入網內部則能夠控制和協調多小區，涉及的主要協議包括：無線資源控制功能、數據服務協議、分組數據匯聚協議等。DU為分布式單元，實現射頻處理功能和RLC（Radio Link Controlstructure，無線鏈路控制層）、MAC（Media Access Control，媒體接入控制層）以及PHY（Physical Layer，物理層）等基帶處理功能。有源天線單元負責射頻處理功能，DU和AAU之間通過通用公共無線電接口相連。

圖3 意圖驅動邊緣智能網絡架構

兩個管理平面為意圖使能中心和收斂同步中心。意圖使能中心是該架構的核心，將來自應用的請求進行解析，完成應用意圖的表征、轉譯、驗證與自動化部署。收斂同步中心實現CU和DU之間的時間與頻率同步，同時，以映射的方式解決在分布式最終一致性控制模型中管理運營復雜性的問題。

三個數據分析中心是指位于核心網的NWDA（Network Data Analysis，網絡數據分析）與位于接入網的RANDA（Radio Access Network Data Analysis，無線接入網絡數據分析），RANDA包括CU處數據中心CUDA（Central Unit Data Analysis，中心單元數據分析）以及DU處數據中心DUDA（Distributed Unit Data Analysis，分布式單元數據分析），三個數據分析中心共同構成層級式、分布式部署的數據驅動的網絡架構，更好地使能無線大數據業務。同時，經由大數據分析中心訓練的模型也將為意圖校驗環節提供必要支持[3]。

相比于位于核心網的NWDA，CUDA和DUDA更貼近用戶側。CU具有準實時性，算力較高，主要應用于多連接、干擾管理、移動性管理等優化。具體包含數據分析、準實時的決策模型的訓練、模型在線預測以及基于預測結果的策略生成和配置，為DUDA提供數據特征、模型的訂閱分發功能。CUDA可以有主從兩種模式，從模式的CUDA可以請求主模式的CUDA進行部分計算任務，如模型訓練。DU具有實時性，算力較低，承擔實時數據收集處理、預測、參數調優和一些計算量較小的模型訓練任務。DUDA通過數據的清洗、集成、變換和規約，為CUDA提供可能需要的預處理后的用于訓練/決策模型的數據特征。CUDA協助DUDA進行一些計算量較大的模型訓練任務。訓練好的模型可下發至DUDA處安裝執行，基于實時采集的全息數據進行實時在線預測，并根據預測結果生成相應的策略，對DU中處理過程（如調度、鏈路自適應等）進行實時閉環控制。處于接入網側的網絡數據分析中心獲取網絡全局信息并實時傳輸給意圖使能中心。

四個平面是指控制面、用戶面、意圖使能平面以及收斂同步平面。

4 意圖驅動的無線網絡用例

基站配置時，每一個基站的配置參數可達數千個，其中和無線性能指標緊密相關的網絡參數非常多，而大量無線參數都以小區或者局部區域為單位進行設置，具有強相關性。規模大、參數配置復雜、有主觀經驗導致優化的局部功能障礙或者指標降低甚至對全網產生不利影響，故考慮將無線網絡中的基站配置作為意圖驅動網絡邊緣智能的用例進行研究。

4.1 無線網絡用例

根據上述意圖驅動移動網絡通信架構，對用戶意圖進行分析并完成基站部署，意圖驅動6G網絡的流程是：

（1）管理員操作應用，應用生成意圖原語。

（2）意圖原語通過控制器中的IE（Intent Engine，意圖引擎）進行建模、優化，并且輸出具體的網絡配置。在通用機制模塊的指導下，網絡資源管理模塊將網絡配置轉換為可讓設備執行的具體網絡命令，智能引擎收集來自NWDA的實時用戶移動數據、業務流數據以及網元狀態數據并進行處理分析，通過比較器與意圖進行對比，調整網絡命令，生成最終的執行命令，保障了命令的正確性和有效性。

（3）執行命令通過南向接口傳入無線接入網絡，通過虛擬化技術將相應實體設備進行虛擬化，并通過數據平面可編程進行相應的協議配置，進而下發數據規則，指導網絡實體設備進行配置，完成從意圖到網絡部署的過程，網絡建立完成，進入運行階段。

基于意圖驅動的移動網絡利用虛擬化技術在邊緣計算虛擬池中確定基站的配置參數，經過驗證后通過高速數據鏈路連接實際基站進行配置，事件流程圖如圖4所示。

圖4 基站參數配置事件流程圖

（1）運營商用戶表明部署基站意圖。

（2）APP根據運營商所表意圖，將其轉換為機器能理解的意圖原語：LTE、100 ms、吞吐量、網絡容量等。

（3）北向接口理解意圖原語并轉化為網絡設計語言，確定參數配置維度（網絡關鍵績效指標等），送入控制層。

（4）網絡需求抵達控制層，控制層根據需求進行資源計算和估計，通過虛擬網元控制器控制高性能計算設備完成對實際網元的虛擬化和需求網元的虛擬構建。智能引擎利用數據挖掘、數理統計及人工智能等技術，已經訓練學習了用戶行為、無線資源配置參數、時間/事件場景、網絡關鍵績效指標相互之間的關系，建立了準確的典型小區參數配置模板。意圖引擎根據這些模板指導控制器對虛擬的LTE BSC（Base Station Controller，基站控制器）、BBU（Base Band Unit，基帶處理單元）、RRU（Radio Remote Unit，射頻拉遠單元）等進行初步參數配置，并構建無線網絡協議。此外，現有網絡可以為控制層提供大量本地數據，智能引擎基于這些數據可以對初步配置的參數進行優化調整確定參數，更符合當前網絡場景。確定的參數在虛擬化的網元中進行配置。

（5）LTE基站硬件安裝上電后通過南向接口與控制層相連，下載啟動專屬的配置數據進行無線服務。

（6）基站配置結束，進入運行階段。

為快速地進行自動化管理，系統架構必須先兼具網元狀態采集、網元管理功能和狀態監控功能。通過網元狀態采集實現系統資源的自動采集，并通過運行狀態監控能力對所有資源設備運行工作狀態的監測，最終能夠分析實時結果管理網元，重新優化與調度目前已分配資源。通過不斷閉環，對網元進行完整生命周期管理來產生可靠性策略。

4.2 仿真平臺及性能評估

采用Open Air Interface 5G軟件和FlexRAN控制器搭建面向6G的測試平臺，利用OAI軟件模擬了基站的所有功能。通過前端輸入服務意圖，識別并挖掘服務所需的性能需求，并將其發送到控制器北向接口。通過收集虛擬化資源切片的吞吐量和時延并計算滿意度，DQN（Deep Q-learning，深度Q學習）收斂迅速調整并獲得最佳的資源分配方法。

從運行DQN算法后得到的圖5（a）可以看出，在100步后，損失函數變得平滑，誤差很小，證明了系統模型的準確性。如圖5（b），訓練后的下行鏈路的吞吐量和延遲滿意度更高，說明了DQN算法有效地提高了網絡資源虛擬化切片時的資源分配中的時延和吞吐量。

圖5 網絡邊緣智能資源優化算法

5 結束語

6G時代，靈活可編程可擴展的網絡架構是保證“服務定制、智慧柔性”理念的關鍵。為實現意圖驅動網絡和邊緣智能的深度融合，創新性地把意圖驅動從軟件定義網擴展到移動通信網，并重點介紹了意圖驅動邊緣智能網絡架構，在靠近用戶側的分布式數據分析中心部署意圖引擎及人工智能算法，通過轉譯、驗證、部署完成移動網絡的實時保障。以基站參數配置為例研究意圖驅動網絡配置流程，促使人工運維向智能運維發展，聚焦邊緣智能，旨在為業界提供意圖驅動邊緣智能的研究思路。