自动化和自治系统架构框架 - 第 2 阶段

自动化和自主系统架构框架 -第 2 阶段 本文件包含的信息代表NGMN联盟于发布日期持有的观点，关于所讨论的问题。本文件按“原样”提供，不附带任何形式的保证，包括但不限于适销性、不侵权或特定用途下的适用性保证。对于本文件中信息的使用不承担任何责任（包括侵犯任何财产权利的赔偿责任）。本文件不授予任何形式的知识产权许可。本文件仅用于信息参考目的，可能会随时更改，恕不另行通知。 摘要 ： 文件的简要介绍和目的 这份文档利用了自主系统的基础[1]，适用于服务架构[2]，进一步探讨自主系统架构框架的前瞻性考虑因素，随着下一代端到端（E2E）系统的不断演进。 从高层次框架的角度审视集成了网络自动化能力的端到端自主系统的功能和特性。认知和应用方面的AI/机器学习（AI/ML）模型是自主系统的关键组成部分。此处的“系统”一词是一种抽象概念，它概括并包容了特定网络、协议和实现等方面的细节，从高层次的要求、视角和见解出发。 网络切片作为基础构建块，实现了灵活、精细和优化的系统资源（如计算、网络和存储）分配，以支持各种部署场景和服务创新。在具备自主系统能力的端到端系统中实现网络切片的自动化是一个重要的价值主张，在这种系统中，自主系统能够自适应地管理虚拟化环境中的复杂性，无需人工干预。结合多种AI/ML模型的应用，并通过持续训练、集成和交付，使自主系统的行为能够不断更新以适应不同的部署安排和服务需求。 自主系统架构框架旨在为开发互操作性和市场促进规范提供指导，以持续推动自动化和自适应的5G生态系统的发展，该生态系统包含异构接入、虚拟化、前瞻服务启用器以及新兴应用场景。 目录 06合作技术........ 25简介 … … … … … … … … … … … … … … … … … … … … … … … … … 5 6.1 网络切片..............................................256.2 机器学习运营（MLOps）——机器学习模型的流程优化.................................266.3 生成式AI的应用.......................286.3.1 自动化系统进展——大型语言模型（LLM）............296.3.2 网络服务提供商（NSP）定制智能....................296.3.3 现场感知能力.......................306.3.4 跨层关联的自动发现分析................326.4 SLA管理...........................................346.4.1 自动化SLA管理........34 预期收益和商业影响............................6 6.5 适用于端到端系统要求的AI/ML模型.......................356.5.1 认知和适应性元素................................366.5.2 AI/ML模型训练方面......................376.6 网络自动化的关键绩效指标（KPI）.............................39 4.1 复杂性的管理.........................................94.2 网络演进............................................104.2.1 网络优化与可扩展性..................................104.2.2 运营优化........................................114.2.3 交付和服务保障....................................114.2.4 网络即服务（NaaS）................................124.2.5 网络简化........................................124.3 服务演进............................................124.3.1 定制化和个性化服务................................134.3.2 无接触优化......................................134.3.3 延展现实（XR）...................................134.4 设备演进............................................14 8.1 客户服务......................................418.2 实时视频广播与新闻业..............................418.3 边缘AI/ML自动化...............................418.4 基于AI/ML的细胞优化...........................428.5 网络节能.......................................428.6 可再生能源集成.................................428.7 可持续硬件.....................................438.8 网络规划.......................................438.9 数字孪生的发展方向...........................43 5.1 自主系统的增强...................175.1.1 大型语言模型（LLM）............185.1.2 基础模型...........................205.1.3 多维度LLM..............................205.2 智能系统适应性...................215.3 系统操作优化..................225.3.1 操作转换.............235.3.2 实施方向...............245.3.3 其他考虑........................25 080910111213 安全和隐私 … … … … … … … … … 45 行业差距、合作和标准化...................46 缩写表 … … … … … … … … … … 47 数字 … … … … … … … … … … … … … … … … 参考文献 … … … … … … … … … … … … … … 承认 … … … … … … … … … … … … … 52 01INTRODUCTION 本文件旨在推断并界定基于人工智能/机器学习（AI/ML）的架构原则和需求的高层框架，以实现系统范围内的网络和操作自动化，无需人工干预。从系统层面的角度出发，对构建和推进基础方面的考量进行了审查，包括系统层面的各个方面与洞察，以便进一步理解、应用场景和规格。 随着5G Advanced生态系统[2]的持续演进，本文件推进并利用了自主系统架构框架初始阶段的基础要求[1]。这些进步为标准开发提供了系统性的指导和方向，特别是在互操作能力和服务方面，这些能力和服务与面向自主系统的网络自动化密切相关。预计5G Advanced生态系统的演进将体现在多种接入技术的融合、虚拟化、混合云，以及高度去中心化和分布式的结合上，以促进新兴服务的发展，并提供可定制且以用户为中心的体验。 随着这些内在相互依存的需求，预期会累积起整个系统范围内的复杂性，这需要通过使用自主系统架构框架来进行有效的管理和扩展，以实现整个网络的自动化。 02预期收益和商业影响 管理复杂性和系统性能优化是显著的好处，通过应用自主系统结构实现网络自动化。因此，预计网络自动化将成为推动服务创新、促进多种业务模式的支持以及灵活部署的基础催化剂。 同时，网络自动化有助于减少运营和维护支出，并能够持续改进配置、集成、升级、服务体验、个性化、故障缓解和管理。网络自动化的商业受益方包括网络服务提供商（NSPs，例如运营商）、服务提供商（SPs，例如垂直行业用户）以及用户（例如人机界面）。 一种自主系统渲染的网络自动化框架，提供了一个全面的框架，用于动态适应系统的运行环境，同时满足多样化的关键性能指标（KPIs）、服务个性化以及与社会、经济和环境方面相关的各种关键价值指标（KVIs）。该框架提供了架构考虑，以启用必要的操作能力，以应对日益复杂的系统和服务需求，这些需求超出了人类响应的极限。随着技术的进步（例如，虚拟化/软件化、网络分布和去中心化），这种复杂性不断增加。 03定义 自动功能 具有智能和认知属性的功能，在自主系统内部运作，通过针对特定刺激的闭合环路反馈来响应，以实现自动且适应性的行为（受输入治理政策和配置限制），能够通过在其环境内发现知识来获取所有必要的信息。 AI 和 ML 模型 一个模型代表了使用数据和包含人类专业知识的输入来学习的数学算法模型，在面对动态变化时，能够根据为该模型设计的相关实际信息生成有效且优化的决策。 关键性能指标 (KPI) 这指的是一个可量化的指标（例如，数据速率、频谱效率、延迟等），它展示了系统或实体在与系统或实体特定目标相关的方面所表现出的性能，以便获得关于系统或实体性能的见解。 关键值指标 (KVI) 这指的是一个指标，用于监控和验证重要的社会、经济和环境价值对新兴技术的影响，以及反之亦然，通过平衡和全面的考虑来研究和塑造技术的发展方向。 机器学习模型 一种通过学习技术对输入数据进行学习而创建的模型。该模型可用于生成预测（例如，回归、分类、聚类等）以处理未训练或原始输入数据。模型可以使用软件进行封装（例如，在虚拟机或容器内）。学习技术涵盖了广泛的算法（例如，学习将输入数据映射到相应输出数据的功能）。 机器学习数据模型 这涉及到机器学习应用中使用的数据处理描述。数据模型可能规定了机器学习覆盖网络（例如，虚拟网络）与机器学习基础网络（例如，物理网络）之间交换的数据。数据模型包括数据结构以及语义描述，在从机器学习基础网络收集数据以及将机器学习覆盖网络的输出应用于机器学习基础网络的过程中。 04自动化和自主系统上下文 CHOP 系统的整体行为利用了多种协作技术，在条件变化的情况下维持系统整体的均衡状态，从有效满足性能目标和个人化服务的角度来看，同时能够动态灵活地与运营环境互动。 本章提供了自主系统背景下的简要概述，以便为自适应自动化提供指导性的高层次考虑，不涉及特定实现的具体细节。 预计下一代网络的规模和复杂性将继续上升，以满足更高层次个性化人类体验和全链路系统优化的需求，以及对最终端到端系统和服务更高级别的复杂性要求。这涵盖了更高的个人化人性体验层次以及更高的全链路系统优化层次。这些新兴方向要求构建一个自主系统层，包含去中心化和分布式的智能，以及反馈控制回路，以实现自配置、愈合、优化和保护（CHOP）自动化。 端到端系统内的自主系统构建（例如，由AI/ML模型辅助的反馈控制回路）预计将分层布置，网络核心部分将更加复杂和注重范围管理，而网络边缘的自主系统构建（例如，分布式无线网络）则需满足超低延迟要求。这些自主系统构建预计将在训练和更新AI/ML模型方面优化能效。自主系统构建框架预计将在特定管理域内运行，并且在联邦学习（FL）安排中可在协作管理域之间运行[5]。在这种框架下，构成的AI/ML模型的性质将通过相关治理界面接受人类治理。 如图1所示，自主原则被应用于并内置于一个端到端系统中，该系