人工智能 5G ， 赋能更创新的网络

AI + 5G ， 赋能更创新的网络匡敬华,中国移动研究院 大纲• 关于自治网络的一些情况• 无线电网络基础设施智能 ： 定义和体系结构• 无线网络基础设施智能化典型使用案例• 网络基础设施智能能力评价建议1 愿景与挑战 ： 5G + AI• 人工智能与传统行业的结合和应用越来越受到关注。• 作为新兴 ICT 技术的代表 ， 5G 也不例外作为国家政策作为行业焦点作为 CMCC 5G 战略挑战:跨学科经验2 自主网络 ： 迈向 5G + AI 的重要一步中国移动提出的愿景自治网络, 结合三层网络智能架构实现AI 与 5G 网络深度融合5G · AI双向授权AI 助力 5G有价值的支持 AI 的算法和流程嵌入到网络的资源管理和操作维护流程中5G 赋予 AI 力量提供丰富、可靠、准确的 5G 网络数据 ， 推动 AI 算法演进33 级网络智能自治网络的演进L1L2L3L4L5InformationizeAutomatize智能化•1 级:手动执行 ， 在线记录。• 二级:由静态编程规则统治的自动实现• 第 3 级:由动态可编程策略规定的自动实现。• 第 4 级:由 AI 辅助 （ 如果需要 ） 知识统治的自动实现 ， 具有 continu _ x0002 _ ous 学习和快速进化。• 第 5 级:能够自我进化的自动实现适应变化。网络基础设施中的 AIAI 在 O & M服务中的 AI 自治网络的现状• 在探索自治网络的过程中, 运营商重视网络的运维, 但未能对网络基础设施的智能化能力给予足够重视• 网络基础设施智能化是自主网络实施的基石 ， 它可以加强运维的智能化效果 ， 触及运维智能力所能及的领域状态问题回溯网络管理 ES 平台确定 ES 阈值OMC1、提供全局视图 ， 弥补 NI 的局限性。2、制定策略规则 ， 确定网络运行条件3、提供通用模型 ， 降低 NI 训练的复杂度。接口集合报告治理数据接口 Dl 操作决定 ES 战略1、具有高实时性 ， 感知基站节能状态2、实现基站自主、基站状态和 ES 策略调整自闭环 3、提供数据治理 ， 以提高运营效率和预测准确性模型4面向网络基础设施智能的运维智能网络基础设施智能对于 O & M 智能 实现网络基础设施智能：关键点理论用例数据集算法性能验证评价规范工业5 无线网络基础设施情报：定义• 无线网络基础设施情报指基站和 OMC 引入 AI 能力来制定和实施基站 RRM 和 OAM 策略 ， 或为网络管理和上层 AI 应用提供反映基站状态数据等 AI 元素的过程。数据决策在网络中引入 AI 2 + 5 + N模型训练模型推理管理或上层应用程序报告数据配置交付决策数据采集AI 启用网络网络基础设施 OMC数据决策模型 模型培训推理基础设施人工智能应用于基础设施的决策和执行 ， 如 RRM 或启用 AI基础设施为 NMS 或上层应用程序提供智能元素 ， 如数据 ， 这是一个 gNB...gNB配置数据采集OAM ， 形成一个自我封闭的回路外环 AI 能力的重要组成部分L3（ 现在 ）L4 L5L3（ 现在 ）L4 L56 无线网络基础设施情报：建筑SaaSAI - over - RAN：AI 利用协议层生成的数据进行特征提取、感知预测和参数优化, 辅助协议处理。特征提取• 信道特征提取• 服务标识• 指纹光栅•...感知预测• 服务 / 负载 / 能耗 / 经验预测•...参数优化• 参数配置•SLA 保证参数调整•...IaaSAI 能力可以部署在基站 / OMC / 网络管理中。形成智能能力 ， 为协议栈回调数据平面AI - native - RAN：在网络的 L1 / L2 / L3 协议栈中应用 AI, 改变无线接口, 处理协议流和基带等。为 AI 应用程序提供数据7OMCPaaSAI 应用程序NMSL3L2 L1 •从表面上抽象无线网络中需要解决的问题 ， 结合 AI 解决方案的技术成熟度 ， 分析它们是否可以通过 AI 方法解决干扰识别无线特征提取故障根本原因分析分类问题聚类问题Apriori 算法特征提取负荷和能耗预测回归问题预测感知无线参数优化钢筋Learning参数优化•基于现有接口的数据采集能力 ， 确定了无线网络为 AI 提供的必要条件和 AI 的性能效果DataAlgori- thm要求Computing影响力复杂性•确定网络应用效果是否可以测量Perfor- 曼斯Cost评估Credible自动- nomy8无线网络基础设施情报：要找出用例有三个步骤 ， 可以帮助我们找出有价值的无线电网络基础设施情报用例。机制分析(AI）数学分析评估要求影响力 载波选择 DL > UL UL > DL了解覆盖范围结构f2f1意识到用户体验意识到能源消耗无线电网络基础设施情报方案： 多频协作多个优化目标是分离的 ， 参数和策略很难通过人工调整来协调9 载波切换载波协同无线网络基础设施智能 UC： 无线电光栅辅助 HO多频协作是一个高维多目标优化问题无线网络特性识别 ， 简化优化流程 ， 重用优化经验10存在的问题： 庞大的参数和优化目标 ， 难以制定运营商选择方案 HOF2 TDD 2.6 G基于覆盖范围、有效载荷和服务F1 FA / 1.8 G / 700M 承运人选择4.9 G 7: 3 100M 200W2.6 G 8: 2 100M 200W2.6 G 8: 2 60M 120W700M 30M 4T4R基于覆盖、用户体验、 UE 的 CA能力识别无线网络特性 ， 在服务小区中找到具有相似无线特性的用户 ， 并通过与同频 RSRP ， 频谱效率 ， 信道质量等参数进行关联来预测异频小区中的用户性能聚类的特征空间由无线特征 (如频率内 RSRP) 的参数构成。 PRB利用率现有问题:基于配置节能阈值专家经验 ， 很难准确• 首先 ， 每个基站的有效载荷水平是不同的 ， 很难手动配置节能阈值• 其次, 基站变化的时间粒度现状是 ， 节能策略不能实时应用节能能源节省（2.6 G）节能（2.6 G）能源节省（2.6 G）（2.6 G）覆盖范围（700M ）覆盖范围覆盖范围无线网络基础设施智能 UC： 有效载荷预测基站节能的实质是根据基站的状态综合应用节能策略, 因此基站状态的获取和预测至关重要通过经典的回归问题模型 ， 状态预测的基站进行了 ， 并制定了一站一策节能战略可以准确地制定11小区 IDStatus时间段小区 ID 1信道沉默09：00~10：00小区 ID 2浅休眠09：00-10：00小区 ID 3深度休眠09：00~09：30• 采样的输入数据和输出数据具有典型的规律性和强相关性 ， 可以归类为预测回归问题• 用于预测回归问题的成熟算法 LSTM•模型构建：输入数据 ： 采集时间、 PRB 利用率、 RRC 连接用户数对应的能耗值模型拟合 ： 根据样本数据计算拟合曲线输出数据 ： 给定任何输入值 ， 您都可以获得此样本点及以后的预测输出功耗预测PRB用法阈值 06121824RRC 连接PRB 用法 无线电网络基础设施情报方案： 服务 SLA 保证服务配置后• 静态预留 ， 每天进行评估和修正 ， 资源利用率低 ， 修正周期长 ， 难以实时匹配 SLA 要求• 跨层感知 ： 网络和应用相互感知 ， E2E SLA 保证服务EI网络• QoE• 网络基础设施智能化 ： 实时策略优化和多目标 SLA 保证+服务特性识别服务预测位置(AMC + PRB +加载波选择 ＋ MU)调度信道12在服务配置之前• 服务和资源动态使得传统规划方法难以确保 SLA• 多 SLA 目标仿真需要大量样本 ， 在提供服务前很难获得高精度样本•SLA 仿真规划的动态资源评估• 意图驱动的智能 SLA 规划战略冲突解决模型仿真监视器评价SLA分析翻译接口服务配置文件资源预测++ 无线网络基础设施情报UC ： 切片服务 SLA 保证无线电资源是静态的 ， 不是实时的 ， 很难在多目标下优化实时、多目标优化13•RAN 资源的静态预留： 难以实时匹配 SLA 要求• 难以感知网络状态： 难以适应和响应用户的实时流量变化和快速频道变化• 多目标 SLA 优化： 网络中有各种切片服务 ， SLA 要求差异很大 ， 根据专家经验很难满足 SLA 保证SLA 要求（目标）信道状态、流量预测（网络状态）RB 资源配置（历史经验）动态 RB 资源SLA 监控在 1s 内执行 Eance feedbac k（实时）• 智能 SLA 保障解决方案• 可以抽象为参数优化策略生成和回归 （ 预测 ） 问题• 适用的 AI 解决方案包括 DNN 和 Q - Learning• 数据要求\• 网络状态数据 ；•SLA 需求数据切片;• 资源配置数据切片 无线网络基础设施情报：评价•现有的基站评估方法不适用于网络基础设施智能的评估 ：• 协议栈流和网络基础设施智能功能耦合 ， 功能为黑盒•无线电网络基础设施智能化评估方案刻不容缓, 但仍是空白.评价建议Methodology• 培训数据由操作员提供• 厂商根据训练数据进行参数调整 ， 模型训练• 给出了推理数据• 供应商执行推理以获得测试结果Metrics• 智力特征的数量• 性能•Cost• 能力粒度级别Results• 根据目标值和灵敏度系数 ， 每个指标得到一个 [0, 5] 评价值• 根据每个指标的权重 ， 获得最终的 [0, 5] 评估值作为结果14对象硬件实体：• 模型推理设备 ，经常作为 OMC 的基站• 模型训练设备 ， 如服务器软件实体：• 智能功能软件与协议栈耦合 目录• Backgroup• 网络基础结构的当前状态智力评估• 评价的测量方法指标• 评估场景示例无线电网络基础设施情报 ： 评估5G 网络基础设施智能能力评估体系白皮书 （ 2022 年 ）要了解更多信息 ， 请与 kuangjinghua @ chinamobile. com 联系15 谢谢你的时间期待您的意见和建议中国移动研究院16