李爱华：5G-A网络与AI融合架构研究与推进

李爱华中国移动通信研究院2023年12月 目录 13GPP标准总体进展 2R19标准化研究 3典型应用推进 3GPP标准总体进展 3GPP引入网络大数据分析引擎（NWDAF），经过数个版本迭代演进，现阶段已形成数据采集、训练、推理、闭环控制，以及支持多样化解决方案的分布式网络大数据分析架构。相关的网络功能及接口规范已成熟，具备加速产业化能力 R19围绕新场景、新技术，让AI更懂网络，使能网络与AI深度融合 ①新应用场景：应对难点、痛点、热点等实际问题问题，研究网络AI进一步辅助机制。 ②新技术方向：引入AI新技术，拓展网络AI的服务范围，提升网络AI的动态适应性和决策能力。 目录 13GPP标准进展 2R19标准化研究 3典型应用推进 R19相关工作任务 WT#1：AI/ML跨域协同方面 WT#2：垂直联邦建模 •WT1.1–Studywhether and how to support UE datacollection to meet requirements for RAN AI support for airinterface operation (for RAN) for UE-side model training.? √WT2-Studywhether and what potential enhancements areneeded to enable 5G system to assist in collaborative AI/MLoperation involving 5GC/NWDAF and/or AF for “VerticalFederated Learning (VFL)”. TheWT will also discuss the possibledata leakagefrom theoperator’s domain which should be avoided and the network controlover data collection The work will be based only on and limited to the scope of justifieduse cases. •WT1.2–Studywhether (and how) to support modeltransfer/delivery to the UE according to RAN1/RAN2considerations.? WT#3：NWDAF辅助策略控制、网络异常行为处理 ThisWT will also discuss the possibledata leakagefrom theoperator’s domain which should be avoided. WT3-Studyenhancements to support NWDAF-assisted policycontrol and address network abnormalbehaviour •WT1.3–Studywhether and how to support the alignmentof model identification and model management betweenSA2 and RAN.•WT1.4: Study whether and how to consider enhancements toLCS to support AI/ML based Positioning.?√ •WT3.1–Study whether and what additionally needs to besupported in order to enhance 5GC NF operations (i.e. policycontrol andQoS) assisted by NWDAF.•WT3.2-Study prediction, detection, prevention, and mitigationof network abnormalbehavioursi.e.signallingstorm with theassistance of NWDAF.√√ NOTE 2: Whether SA2 can start work on WT 1.1, 1.2 and 1.3 will bediscussedat SA#105 (Sep. 2024)based on the outcome of therelated work in the involved RAN WGs(s). 新应用场景(1/2)：应对痛点、热点等问题，研究AI辅助机制 •5G-A业务呈现形态多样化、体验极致化等特性，网络需及时感知资源状态，按需调整QoS策略；•PCF依赖固定配置进行决策QoS，不是分析锚点，无法适应多业务、个性化策略的更新和迭代。 •当前网络信令风暴采用的是静态、单点的防御及抑制机制；•防冲击需向智能化方向演进，主动学习自适应调整的信令冲击模型，动态、全局性调整流控参数。 •NWDAF采集控制面信令和/或用户面信息，主动学习信令冲击的数据模型；•基于实时状态，自动调优流控参数，实现主动预防信令冲击。 •NWDAF基于网络状态、资源状态及业务体验需求的分析和预测，快速进行智能决策，及时调整用户的QoS参数。 新应用场景(2/2)：应对痛点、热点等问题，研究AI辅助机制 WT#1.4：定位智能化 •G S M A对 全 球3 1个 运 营 商 进 行 研 究 分 析，无 线 网 能 耗 最 大（73%），核心网能耗其次（13%），其中核心网网元能耗占比最大（62%）。•需研究核心网节能方案来降低核心网的能耗、可再生资源、碳排放量等信息。 •由于基站密度不足、多UE间干扰、UE信号处理能力等问题，基于RAN、UE定位精度较差，无法与GNSS这类卫星导航系统相媲美，无法满足更精细位置要求的业务场景； •受限于硬件性能、算力开销、数据规模等问题，RAN、UE能力有限，难以实现基于AI/ML模型的定位智能化任务。 •通过NWDAF开展对网络流量、用户行为、网络KPI及体验需求的AI分析，辅助进行网元选择的策略制定、CPU开销调整、虚拟化网元规模调整、风扇转速/空调温度调整等，提升节能效果。 •由NWDAF提供训练、推理服务，供LMF使用，以辅助RAN/UE定位，提升位置定位精度。•NWDAF/LMF需增加辅助定位数据维度、数据精度、模型性能等。 新技术方向：拓展网络AI服务范围，提升网络AI适应性 WT#2：纵向联邦建模 -解决网络内UE、RAN、CN、DN等跨域因数据隐私而存在的数据孤岛问题，实现联合数据建模分析； -网络架构支持（CN/RAN/UE/第三方AF）；-新的use case（CN/RAN/UE/第三方AF），区别于横向联邦学习，主要面向用户相同、特征不同的场景；-横向联邦学习的流程机制是否可复用至纵向联邦学习-纵向联邦学习的独有流程机制。 -区别于横向联邦学习，纵向联邦学习面向不同的应用场景，相同用户在不同域内具有不同特征时，考虑应用纵向联邦学习； -纵向联邦学习技术已较为成熟，业界已具备实践能力。 目录 13GPP标准进展 2R19标准化研究 3典型应用推进 NWDAF智能架构实现原理 •NWDAF在服务化架构基础上，定制采集网络数据，执行智能分析，输出分析结果给其他NF。NWDAF包括训练功能（MTLF）、分析功能（AnLF）；同时为增强数据管理，在NWDAF的基础上，还引入了DCCF、MFAF、ADRF。•NWDAF可紧密参与核心网的业务运行，可作为核心网AI的参考实现，为核心网智能化的能力演进提供技术基础。 网络智能化相关功能单元包括： NWDAF遵循服务化机制，基于服务化接口实现服务注册、数据采集、数据分析、分析结果反馈。 模型训练逻辑功能（MTLF）：训练机器学习模型。分析逻辑功能（AnLF）：提供统计或预测结果。 •数据的来源：5GC NF、AF、OAM，支持实时定制化采集用户、业务、网元、切片粒度数据。 •为提高数据采集和分发效率，解决多个数据采集/分析请求的重叠问题，还定义了：DCCF：数据采集协调功能。MFAF:分析和采集消息框架适配功能。ADRF:存储和提取分析数据数据库功能。 •算力的来源：网元自身，通过内置或独立于NF的方式提供算法和算力。 •应用的场景：通过实时分析和自动闭环，实现网络自身的提质增效，推进网络向内生智能演进。 NWDAF标准场景及应用建议 •NWDAF可面向切片、网元、用户、业务四个维度进行分析。截止R17，NWDAF可提供提质、增效两类，13种标准化的分析类型。•结合实际诉求和价值度，可聚焦提质等系列场景，因地制宜定制化方案，以合理利用网络资源，保证普遍服务、保障高价值业务、事件型体验。 NWDAF典型应用推进 智能保障用户VS普通用户观看直播的对比测试 现象：普通用户相比智能保障用户画面延迟超20秒，观察到后者在18:03:12时观测到的画面，普通用户到了18:03:33秒时才显示出来 普通用户看直播卡顿统计：18:03:05 ~18:03:19、18:03:20 ~ 18:03:22、18:03:23 ~ 18:03:25、18:03:20 ~ 18:03:22、18:03:25~ 18:03:28，后面几乎1秒卡3秒 智能保障用户下行速率 普通用户下行速率 谢谢!