IMT-2020(5G)推進組：5G-A網(wǎng)絡智能化場景及關鍵技術研究

12.網(wǎng)絡智能化標準與架構 22.1標準進展 22.2智能化網(wǎng)絡架構演進 33.網(wǎng)絡智能化應用場景 73.1體驗保障 73.2潛客挖掘 93.3綠色上網(wǎng) 3.4信令風暴檢測和預防 113.5跨域數(shù)據(jù)安全建模 134.網(wǎng)絡智能化近期發(fā)展建議 154.1核心網(wǎng)與接入網(wǎng)協(xié)同 154.2網(wǎng)絡與終端能力協(xié)同 154.3網(wǎng)絡與B域協(xié)同 174.4體驗評測體系建立 175.網(wǎng)絡智能化演進分析 195.1技術演進 5.1.1大模型+網(wǎng)絡 195.1.2AIAgent+網(wǎng)絡 205.1.3數(shù)字孿生+網(wǎng)絡 215.2架構演進 5.3應用展望 6.總結(jié) 貢獻單位 1隨著5G技術的飛速發(fā)展，通信網(wǎng)絡正逐步邁向全新的智能化時代。5G-A（5G-Advanced）作為5G技術的演進版本，不僅在網(wǎng)絡速度、延遲、連接數(shù)等方面實現(xiàn)了顯著提升，更引入了通感一體、無源物聯(lián)、內(nèi)生智能等革命性技術，為通信網(wǎng)絡的智能化發(fā)展開辟了廣闊的前景。在5G-A網(wǎng)絡中，智能化技術的應用不僅提升了網(wǎng)絡性能和用戶體驗，還推動了網(wǎng)絡運維的自動化和高效化。從網(wǎng)絡數(shù)據(jù)分析功能（NWDAF）的引入，到基于AI的聯(lián)邦學習、數(shù)字孿生等前沿技術的探索，5G-A網(wǎng)絡正逐步實現(xiàn)從單一的數(shù)據(jù)傳輸網(wǎng)絡向智能化、自適應、可配置的下一代網(wǎng)絡轉(zhuǎn)型。本專題報告旨在深入探討5G-A網(wǎng)絡智能化場景及關鍵技術，全面梳理5G-A網(wǎng)絡智能化的最新研究成果和應用實踐，涵蓋體驗保障、潛客挖掘、綠色上網(wǎng)、信令風暴檢測和預防等多個應用場景，以及智能化網(wǎng)絡架構的演進趨勢和關鍵技術的深入剖析。通過詳細分析網(wǎng)絡智能化標準進展、智能化網(wǎng)絡架構演進、網(wǎng)絡智能化應用場景及技術分析等內(nèi)容，為通信行業(yè)的未來發(fā)展提供有價值的參考和指導。本專題報告希望未來通過多方合作伙伴通力協(xié)作，在場景、技術、產(chǎn)品、應用等多方面深入探索，共同推進5G-A網(wǎng)絡智能化產(chǎn)業(yè)發(fā)展與生態(tài)繁榮，為網(wǎng)絡智能化轉(zhuǎn)型升級打下堅實基礎，迎接數(shù)智融合的新紀元。2 為了規(guī)范和指導網(wǎng)絡智能化進程，3GPPSA工作組在網(wǎng)絡智能化標準與架構方面取得了顯著進展。本章簡要介紹了3GPPSA在網(wǎng)絡智能化方面的標準化工作，重點分析從R15到R19版本的演進過程，以及智能化網(wǎng)絡架構的發(fā)展趨勢。3GPPSA一直致力于網(wǎng)絡架構相關標準化定義，SA2側(cè)重網(wǎng)絡架構，SA5側(cè)重網(wǎng)絡管理，目前兩個工作組均就網(wǎng)絡智能化進行了相關定義。3GPPSA2在R15版本的5G網(wǎng)絡架構中引入了網(wǎng)絡數(shù)據(jù)分析功能（NetworkDataAnalyticsFunction，NWDAF），初步定義了網(wǎng)絡數(shù)據(jù)分析網(wǎng)元的主要功能接口。3GPPR16版本定義了基于NWDAF的通用智能網(wǎng)絡架構，并定義了多種網(wǎng)絡數(shù)據(jù)分析的價值場景及對應的流程，包括網(wǎng)絡業(yè)務體驗、網(wǎng)絡性能、切片負載、網(wǎng)絡功能負載、終端移動性/通信/異常事件、服務質(zhì)量（QoS）可持續(xù)性、用戶數(shù)據(jù)擁塞情況等。3GPPR17版本，在架構方面，完成了NWDAF的功能解耦，將NWDAF分解為模型訓練邏輯功能（ModelTrainingLogicalFunction，MTLF）與分析邏輯功能（AnalyticsLogicalFunction，AnLF）；多NWDAF實例支持分層部署，通過數(shù)據(jù)分析任務分發(fā)和分析結(jié)果聚合，實現(xiàn)大任務場景下的數(shù)據(jù)分析推理目標；支持NWDAF重選場景下訂閱和分析上下文信息的轉(zhuǎn)移，提高切換場景數(shù)據(jù)分析效率；引入數(shù)據(jù)采集協(xié)調(diào)功能（DataCollectionCoordinationFunction，DCCF）、消息框架適配功能（MessagingFrameworkAdaptorFunction）和數(shù)據(jù)分析存儲庫功能（AnalyticsDataRepositoryFunction，ADRF），大大提升數(shù)據(jù)采集、處理和存儲效率；引入應用數(shù)據(jù)收集功能（DataCollectionApplicationFunction）用于收集終端應用數(shù)據(jù)。在價值場景方面，進一步增強，新增定義了數(shù)據(jù)網(wǎng)絡性能、終端與應用的離散分布、無線局域網(wǎng)（WirelessLocalAreaNetwork，WLAN）性能、會話管理擁塞控制、冗余傳輸?shù)?。R18版本致力于解決NWDAF分析結(jié)果和模型的正確性問題，定義分析結(jié)果和模型的精度度量指標，NWDAF支持精度監(jiān)控和精度調(diào)整；定義漫游數(shù)據(jù)分析架構，支持漫游場景下數(shù)據(jù)采集和分析結(jié)果共享；NWDAF支持橫向聯(lián)邦學習提高模型訓練效率；定義模型跨廠商共享能力，提供模型共享機制。同時，價值場景也進一步豐富和增強，新增NWDAF輔助加密流檢測和PCF更新URSP功能；支持細粒度區(qū)域QoS穩(wěn)定性分析，車聯(lián)網(wǎng)場景下精細粒度QoS控制需求；新增相對臨近分析，3 NWDAF輸出對一個或一組UE與周邊其它UE之間的距離，速度，相對方向，移動軌跡，相互可能發(fā)生碰撞的時間分析或預測等。3GPPR19版本當前已經(jīng)啟動研究和標準制定工作，其中包含AI輔助定位增強，基于NWDAF和AF的縱向聯(lián)邦學習，NWDAF輔助策略控制和QoS增強以及信令風暴檢測和抑制等，伴隨著以NWDAF為核心的架構和場景的逐步增強和完善，智能和網(wǎng)絡已經(jīng)深度融合。3GPPSA5一直致力于網(wǎng)絡自動化與智能化相關的使能與管理工作。在R16版本中完成了基于NFV場景下的移動網(wǎng)絡策略管理（NetworkpolicymanagementformobilenetworksbasedonNFVscenarios），5G自組織網(wǎng)絡（Self-OrganizingNetworks(SON)for5Gnetworks閉環(huán)服務等級保障（ClosedloopSLSAssurance管理數(shù)據(jù)分析服務（ManagementDataAnalyticsService）等標準的制定。在R17版本中除了對5G自組織網(wǎng)絡、閉環(huán)服務登記保障、管理數(shù)據(jù)分析服務進行增強外，增加了對于網(wǎng)絡智能化以及自智網(wǎng)絡支撐的相關標準化工作，其中包括：自智網(wǎng)絡分級（Autonomousnetworklevels），基于移動網(wǎng)絡的意圖驅(qū)動管理服務（Intentdrivenmanagementserviceformobilenetworks）。在R18版本中繼續(xù)對意圖驅(qū)動管理服務，管理數(shù)據(jù)分析等功能進行增強，同時開始了AI/ML管理的標準化工作，對網(wǎng)絡的自動化功能進行了增強，制定了針對RANNE的自配置管理等規(guī)范。在當前正在研究的R19版本中，管理驅(qū)動的網(wǎng)絡智能化研究進一步深入，在增強AI/ML管理，意圖驅(qū)動管理服務，管理數(shù)據(jù)分析，閉環(huán)管理等研究之外，還開始了對于網(wǎng)絡數(shù)字孿生管理的研究。隨著通信技術的不斷演進，網(wǎng)絡的智能化需求日益凸顯。5G的部署為網(wǎng)絡的數(shù)字化轉(zhuǎn)型奠定了基礎，5G-A進一步推動了網(wǎng)絡智能化的轉(zhuǎn)變。在這一過程中，網(wǎng)絡架構從傳統(tǒng)的集中式控制逐漸向分布式和智能化的方向發(fā)展，以應對復雜多變的業(yè)務需求和動態(tài)的網(wǎng)絡環(huán)境。2017年，3GPP在R15版本中首次引入了網(wǎng)絡數(shù)據(jù)分析功能（NWDAF用于支持網(wǎng)絡切片的負載分析，幫助優(yōu)化網(wǎng)絡切片選擇和5G服務質(zhì)量（QoS）決策，消費者為策略控制功能4 （PCF）和網(wǎng)絡切片選擇功能（NSSF），輸入信息的內(nèi)容和分析計算的流程均為NWDAF內(nèi)部實現(xiàn)。圖2.2-2智能化網(wǎng)絡架構3GPPR16版本完成了通用智能網(wǎng)絡新架構定義，打通控制面、管理面以及應用服務器，使得NWDAF的輸入數(shù)據(jù)來源多樣化，NWDAF實現(xiàn)數(shù)據(jù)收集、分析計算、分析結(jié)果反饋功能。數(shù)據(jù)收集來源包括：-5GC內(nèi)數(shù)據(jù)收集：通過NF的EventExposure服務向NF網(wǎng)元收集特定數(shù)據(jù)；-第三方數(shù)據(jù)收集：通過NEF向第三方AF收集數(shù)據(jù)；-管理面數(shù)據(jù)收集：從OAM收集管理面數(shù)據(jù)，如RAN和5GC的性能，5G端到端KPI-UE數(shù)據(jù)收集：通過OAM的MDT機制可收集到UE相關數(shù)據(jù)，如上下行吞吐量。圖2.2-3支持數(shù)據(jù)收集和存儲的智能化網(wǎng)絡架構2020年，隨著R17版本的研究啟動，3GPP設計了分層的智能網(wǎng)絡架構，提供AI平臺化5 能力，以滿足大型運營商的網(wǎng)絡部署需求，并使其支持垂直行業(yè)的業(yè)務拓展。NWDAF實現(xiàn)功能解耦，包括：-模型訓練邏輯功能（MTLF）：MTLF負責機器學習模型的存儲、管理和訓練。它還負責根據(jù)分析邏輯功能（AnLF）的請求，將所需的機器學習模型下發(fā)給AnLF，以支持后續(xù)的數(shù)據(jù)分析和推理。-分析邏輯功能（AnLFAnLF基于分析消費者的請求，使用從MTLF獲取的機器學習模型進行數(shù)據(jù)分析和推理，生成所需的分析結(jié)果。面對網(wǎng)絡中產(chǎn)生的海量數(shù)據(jù)和復雜的分析需求，3GPP在R17中定義了一個包含數(shù)據(jù)采集協(xié)調(diào)功能（DCCF）、數(shù)據(jù)存儲功能（ADRF）以及消息框架適配器功能（MFAF），從而高效收集數(shù)據(jù)，避免數(shù)據(jù)的重復收集等。-引入DCCF，用于協(xié)調(diào)多NWDAF數(shù)據(jù)收集，避免數(shù)據(jù)重復收集，協(xié)調(diào)NWDAF分析結(jié)果開放，避免多個消費者重復請求相同或相似的分析結(jié)果，提高數(shù)據(jù)收集和分析結(jié)果開放的效率。-引入ADRF用于存儲數(shù)據(jù)和分析結(jié)果，其中DCCF和ADRF可獨立部署，或和NWDAF合設。-引入MFAF，允許NF/NWDAF基于消息總線收集數(shù)據(jù)和分析結(jié)果，并支持對數(shù)據(jù)和分析結(jié)果根據(jù)指定格式進行格式化處理。圖2.2-4橫向聯(lián)邦學習架構2022年，3GPP啟動了R18版本的研究，深入探討分布式智能架構及跨域智能協(xié)同等課題，旨在全面滿足智能化落地的需求。由于隱私數(shù)據(jù)保護等原因，不同通信設備之間的數(shù)據(jù)無法直接共享，為解決這一問題，R18中引入了橫向聯(lián)邦學習技術，使得多個NWDAF可以在不跨域傳遞數(shù)據(jù)的情況下，實現(xiàn)高效的機器學習模型訓練，避免了潛在的安全隱患。6 圖2.2-5漫游場景支持數(shù)據(jù)和分析結(jié)果交換的網(wǎng)絡架構R18的智能網(wǎng)絡架構另一個重要改進是支持漫游場景。引入支持漫游能力的RE-NWDAF，實現(xiàn)在HPLMN與VPLMN之間的數(shù)據(jù)及分析結(jié)果交換。7 智能化技術在優(yōu)化網(wǎng)絡性能、提升用戶體驗等方面有廣泛的應用前景，本章將探討網(wǎng)絡智能化的若干應用場景及其關鍵技術，包括體驗保障、潛客挖掘、綠色上網(wǎng)、信令風暴檢測和預防以及跨域數(shù)據(jù)安全建模，以期為網(wǎng)絡智能化的進一步發(fā)展提供有益參考。體驗保障是網(wǎng)絡智能化的重要應用場景，隨著用戶對網(wǎng)絡服務的需求日益多樣化和個性化，其不僅期望網(wǎng)絡能夠提供高速率、低延時的基本服務，還希望在不同場景下能夠獲得定制化的優(yōu)質(zhì)體驗。因此，傳統(tǒng)的網(wǎng)絡管理和服務提供模式已經(jīng)無法滿足需求，智能化的體驗保障成為解決這一問題的關鍵。智能化體驗保障通過引入人工智能和機器學習技術，能夠?qū)崟r監(jiān)測和分析用戶行為和網(wǎng)絡狀態(tài)，動態(tài)調(diào)整網(wǎng)絡資源和服務策略，從而實現(xiàn)個性化的體驗保障。智能化體驗保障技術關鍵技術包括實時數(shù)據(jù)收集與分析、機器學習模型訓練與應用、智能化資源調(diào)度與優(yōu)化、自適應服務策略調(diào)整、以及異常檢測與故障預警。圖3.1-1展示了網(wǎng)絡智能化中的體驗保障應用。圖3.1-1網(wǎng)絡智能化的體驗保障應用智能化體驗保障技術的關鍵在于實時數(shù)據(jù)收集與分析、機器學習模型訓練與應用、智能化資源調(diào)度與優(yōu)化、自適應服務策略調(diào)整以及異常檢測與故障預警。實時數(shù)據(jù)收集與分析是智能化體驗保障的基礎。通過在網(wǎng)絡節(jié)點部署傳感器和監(jiān)測設備，8 實時收集用戶行為、網(wǎng)絡流量和設備狀態(tài)等數(shù)據(jù)，經(jīng)過預處理和清洗后，輸入到云中心的數(shù)據(jù)分析系統(tǒng)進行深度分析。這些數(shù)據(jù)為后續(xù)的個性化服務提供了依據(jù)，同時也有助于運營商實時掌握網(wǎng)絡運行狀況和設備健康狀態(tài)。機器學習模型的訓練與應用是智能化體驗保障的核心。通過訓練多種機器學習模型，如回歸分析、決策樹、神經(jīng)網(wǎng)絡等，對收集到的數(shù)據(jù)進行分析和預測，學習和識別用戶行為模式和網(wǎng)絡狀態(tài)變化規(guī)律，預測潛在問題和瓶頸。例如，預測網(wǎng)絡流量高峰時段，提前進行資源調(diào)度，避免網(wǎng)絡擁塞。此外，機器學習模型還能識別異常用戶行為和流量模式，為異常檢測和故障預警提供支持。智能化資源調(diào)度與優(yōu)化是實現(xiàn)高效網(wǎng)絡運營和優(yōu)質(zhì)用戶體驗的關鍵。根據(jù)實時數(shù)據(jù)和預測結(jié)果，智能化體驗保障可以動態(tài)調(diào)整網(wǎng)絡資源的分配和服務策略。在用戶密集區(qū)域，自動增加帶寬和計算資源，確保用戶高速率需求；在用戶稀少區(qū)域，減少資源投入，降低運營成本。同時，根據(jù)用戶個性化需求，動態(tài)調(diào)整服務策略，如視頻分辨率、數(shù)據(jù)傳輸路徑、應用優(yōu)先級等，提升用戶體驗，減少網(wǎng)絡延時和卡頓。異常檢測與故障預警是保障網(wǎng)絡穩(wěn)定運行和用戶體驗的重要環(huán)節(jié)。智能化體驗保障能夠?qū)崟r監(jiān)測網(wǎng)絡狀態(tài)，快速識別異常情況和潛在故障，及時預警并采取措施處理，避免對用戶體驗造成負面影響。這依賴于實時數(shù)據(jù)的監(jiān)測和分析，以及機器學習模型的預測能力。此外，高效的數(shù)據(jù)管理和處理能力、良好的可擴展性和兼容性也是智能化體驗保障實施的重要支撐。引入分布式計算和大數(shù)據(jù)技術，實現(xiàn)對海量數(shù)據(jù)的高效管理和處理；靈活適應不同網(wǎng)絡環(huán)境和應用場景，支持多樣化用戶需求；兼容不同設備和協(xié)議，保證網(wǎng)絡的開放性和靈活性。高清視頻流媒體服務中，智能化體驗保障通過實時監(jiān)測用戶觀看數(shù)據(jù)，了解實際觀看體驗。當檢測到體驗下降時，立即觸發(fā)優(yōu)化機制，動態(tài)調(diào)整視頻碼率和分辨率，減少緩沖時間，提升觀看體驗。在用戶密集區(qū)域，如大型賽事直播或熱門電視劇首播時，動態(tài)分配更多網(wǎng)絡資源，確保視頻內(nèi)容順暢播放。在線游戲中，智能化體驗保障實時監(jiān)測玩家游戲流量和行為數(shù)據(jù)，如操作延遲、幀率等。當檢測到體驗下降時，立即采取措施優(yōu)化，動態(tài)調(diào)整網(wǎng)絡資源分配，優(yōu)化路由，減少延遲和抖動，提高游戲響應速度。同時，檢測異常流量模式和操作行為，及時預警并處理網(wǎng)絡攻擊9 或作弊行為，保障游戲公平性和穩(wěn)定性。虛擬現(xiàn)實（VR）和增強現(xiàn)實（AR）應用中，智能化體驗保障通過實時監(jiān)測用戶VR/AR使用數(shù)據(jù)和網(wǎng)絡狀態(tài)，了解實際體驗情況。根據(jù)用戶需求和網(wǎng)絡狀態(tài)，動態(tài)調(diào)整網(wǎng)絡資源和數(shù)據(jù)傳輸策略，優(yōu)化渲染和數(shù)據(jù)處理策略，提高響應速度和圖像質(zhì)量。通過預測用戶行為，提前緩存和預加載虛擬內(nèi)容，減少加載時間，提高沉浸感。同時，實時監(jiān)測和分析用戶數(shù)據(jù)，快速檢測和識別潛在異常情況，及時采取措施處理，并持續(xù)優(yōu)化和改進體驗保障策略。為保持市場競爭力，運營商必須深入挖掘用戶行為，精準識別潛在客戶并提供個性化服務。隨著大數(shù)據(jù)和人工智能技術的飛速發(fā)展，運營商所掌握的海量用戶數(shù)據(jù)，包括流量使用情況、網(wǎng)絡使用偏好、地理位置信息等，成為了挖掘潛在客戶的重要資源。這些數(shù)據(jù)中蘊含著豐富的用戶行為模式和潛在需求信息，通過先進的機器學習、人工智能技術，運營商可以構建精準的推薦模型和算法，自動從海量用戶中篩選出潛在客戶，從而提升營銷效率，增強市場競爭力。基于大數(shù)據(jù)和智能化算法的潛客挖掘在市場營銷領域被廣泛應用，對于運營商同樣具備豐富的應用場景，包括基于個性化推薦的新業(yè)務推廣、發(fā)現(xiàn)具有升級需求或流失風險的潛在用戶并采取措施、分析業(yè)務關聯(lián)度以實現(xiàn)交叉銷售和增值服務等。潛客挖掘的核心是各類機器學習、數(shù)據(jù)挖掘算法技術在用戶研究與業(yè)務分析等領域的使用，同時持續(xù)涌現(xiàn)的前沿AI算法不斷擴展了其挖掘能力。機器學習與數(shù)據(jù)挖掘算法作為核心技術，已被廣泛應用于各領域的潛客挖掘，如使用分類模型預測客戶是否會訂購某個產(chǎn)品、套餐等，實現(xiàn)定向推送；使用聚類算法將客戶分成不同的群體，每個群體內(nèi)部的客戶具有相似的特征，從而幫助運營商構建更個性化的客戶運營策略。通過這些算法，運營商可以從海量用戶數(shù)據(jù)中提取出有價值的信息，為潛客挖掘提供有力支持。前沿AI算法的創(chuàng)新應用進一步提升了潛客挖掘的潛力。例如，引入時空大數(shù)據(jù)算法，將用戶所處的時空信息納入用戶畫像的構建中，使運營商能夠根據(jù)用戶所處的特殊動態(tài)時空環(huán)境進行需求挖掘和業(yè)務推薦。這種算法的應用，使得運營商能夠更準確地把握用戶需求， 提供更具針對性的服務。此外，通過引入圖數(shù)據(jù)結(jié)構，將用戶在網(wǎng)絡中的產(chǎn)品數(shù)據(jù)、行為數(shù)據(jù)、特征數(shù)據(jù)等異構數(shù)據(jù)轉(zhuǎn)化為圖結(jié)構，采用圖神經(jīng)網(wǎng)絡等面向圖數(shù)據(jù)的AI算法實現(xiàn)業(yè)務推薦，突破了傳統(tǒng)基于用戶特征的推薦模式，將關系信息應用到潛客挖掘算法中，進一步提高了挖掘的精準度和效率。新業(yè)務推廣：利用智能化算法實現(xiàn)個性化的業(yè)務推薦，提高新業(yè)務推廣的轉(zhuǎn)化率。其基本思路為：通過收集和分析用戶歷史數(shù)據(jù)，構建詳細的用戶畫像，這些畫像不僅包含用戶的基本信息，還涵蓋了用戶的消費習慣、興趣偏好等深層次特征；然后利用機器學習算法構建預測模型，評估用戶對新業(yè)務的接受度和購買意愿；最后根據(jù)模型的預測結(jié)論，有針對性地制定個性化推薦策略，將新業(yè)務精準推送給潛在用戶。例如運營商推出了一項新的家庭寬帶服務，通過潛客挖掘算法，識別出對高速網(wǎng)絡有需求的家庭用戶，并向他們精準推送該服務，以提升推廣轉(zhuǎn)化率。用戶升級與留存場景：通過實時監(jiān)測和分析用戶行為數(shù)據(jù)，運營商可以及時發(fā)現(xiàn)用戶使用習慣的變化趨勢，并采取相應的措施來提高用戶滿意度和忠誠度。針對潛在流失客戶，運營商構建了預警模型，實時預測客戶的流失概率，并提前采取干預措施，如提供優(yōu)惠套餐、贈送流量等，以降低用戶流失率。同時，針對可能升級套餐或服務的客戶，運營商通過潛客挖掘算法提供個性化的升級推薦方案，如根據(jù)用戶的流量使用情況推薦更高流量的套餐，或根據(jù)用戶的APP使用偏好推薦相關的增值服務。近年隨著互聯(lián)網(wǎng)技術的發(fā)展和普及，網(wǎng)絡上色情、販毒、邪教等有害站點也迅速增加，未成年人在網(wǎng)絡上聊天、交友引發(fā)的社會問題日益突出，許多電信運營商先后推出“綠色上網(wǎng)”服務，以期為青少年提供潔凈的互聯(lián)網(wǎng)環(huán)境?！熬G色上網(wǎng)”通過技術手段為網(wǎng)民提供健康、安全、文明的網(wǎng)絡環(huán)境和內(nèi)容，其通過內(nèi)容過濾手段禁止或限制用戶訪問黃色、暴力、有害、反動的互聯(lián)網(wǎng)內(nèi)容的業(yè)務，是一種利用互聯(lián)網(wǎng)內(nèi)容控制技術實現(xiàn)用戶對訪問的互聯(lián)網(wǎng)內(nèi)容、時間、端口進行控制的互聯(lián)網(wǎng)增值業(yè)務。電信運營商提供的“綠色上網(wǎng)”服務不需要用戶在計算機上安裝任何軟件即可享受，青少年可以正常使用互聯(lián)網(wǎng)服務，一旦訪問有害站點或不健康內(nèi)容，電信運營商的相關系統(tǒng)即會阻 止這種訪問。對運營商來說，“綠色上網(wǎng)”可為用戶提供增值服務，為無線寬帶上網(wǎng)家庭用戶提供綠色上網(wǎng)功能，提高企業(yè)公信力；對用戶來說，“綠色上網(wǎng)”可為政府、企業(yè)、學校等用戶提供屏蔽互聯(lián)網(wǎng)有害信息、管理用戶上網(wǎng)行為的解決方案?！熬G色上網(wǎng)”系統(tǒng)通過支持URL規(guī)則庫的自動更新，常態(tài)化保持攔截規(guī)則的最新，并支持運營商自定義特殊的規(guī)則庫，滿足差異化攔截訴求；其攔截能力可包裝成套餐形式，支持用戶按需訂閱，支撐運營商面向2C客戶的攔截能力變現(xiàn)；同時，系統(tǒng)支持攔截記錄推送功能，能夠?qū)崟r通知用戶攔截內(nèi)容，使用戶對攔截效果有直觀感知。“綠色上網(wǎng)”服務的實施涵蓋了攔截內(nèi)容定義、攔截庫導入、攔截執(zhí)行、記錄推送等多個關鍵環(huán)節(jié)。首先，父母可通過APP定義攔截內(nèi)容并轉(zhuǎn)換成控制策略下發(fā)到UPF；其次，NWDAF通過手動導入或者自動導入方式從外源獲取到數(shù)據(jù)庫，并將其下發(fā)到UPF生成本地攔截庫；在攔截執(zhí)行階段，UPF識別兒童上網(wǎng)業(yè)務并從本地庫查詢是否攔截，本地庫未命中則向NWDAF查詢攔截源庫，任一命中則阻斷業(yè)務；最后，NWDAF生成攔截記錄，通過運營商的北向系統(tǒng)推送至父母APP，讓用戶隨時掌握攔截情況。圖3.3-1綠色上網(wǎng)業(yè)務流程移動無線網(wǎng)絡技術近年來空前發(fā)展，根據(jù)目前的網(wǎng)絡架構設計，運營商面對是一張2G/3G/4G/5G融合的網(wǎng)絡，其規(guī)模和復雜程度都遠超以往的網(wǎng)絡。同時，隨著通信業(yè)務的普及，大量終端涌入網(wǎng)絡，除普通終端外，物聯(lián)網(wǎng)終端用戶的規(guī)模也高速增長，這類終端數(shù)量 大，單次通信流量小，分布于各行各業(yè)。因而，網(wǎng)絡故障的影響范圍也被空前放大，一處故障經(jīng)常引發(fā)的是對各個網(wǎng)元海量的信令沖擊，給網(wǎng)絡帶來巨大的影響。近幾年，多家移動運營商均發(fā)生過大規(guī)模通信故障。根據(jù)披露的信息，可以發(fā)現(xiàn)故障發(fā)生的主要原因涉及以下兩個方面：1)網(wǎng)絡方面：設備廠商眾多，缺乏足夠的集成能力，網(wǎng)絡缺乏足夠的健壯性和自愈能2)運營方面：應急處理不及時和處理方式不當，錯過最佳處理時機，導致更進一步的信令風暴。可見，針對大規(guī)模的信令風暴，現(xiàn)有的應對方法缺乏前瞻性且高度依賴于運維人員的操作。然而，智能化技術恰恰能在大量數(shù)據(jù)分析、預測和自動化維護上發(fā)揮有效作用。在3GPPR19的AIML_CN項目中，核心網(wǎng)智能化網(wǎng)元NWDAF輔助信令風暴的檢測和預防也成為其中的關鍵問題之一。在R19的討論中，NWDAF輔助解決的信令風暴問題主要包括NF故障引起的信令風暴和大規(guī)模用戶接入引起的信令風暴，并通過AnalyticsID“SignallingStormAnalytics”為消費者網(wǎng)元提供智能化服務。在NF引起的信令風暴中，NWDAF主要對信令類型、信令數(shù)量、網(wǎng)元心跳等數(shù)據(jù)進行收集，通過監(jiān)測信令的變化對故障網(wǎng)元進行感知，提供對未來數(shù)據(jù)的預測，能夠有效輔助網(wǎng)絡在信令風暴來臨之前敏銳感知信令數(shù)量的突增、異常等，并及時采取有效策略。在大規(guī)模用戶引起的信令風暴中，NWDAF除了對信令相關數(shù)據(jù)的收集，還將進一步收集定時器信息，從而輔助網(wǎng)絡判斷可能發(fā)生大規(guī)模用戶的時間窗口，以及識別異常的終端行為。針對大量的物聯(lián)網(wǎng)設備，NWDAF提供的智能化分析能力能夠輔助網(wǎng)絡對物聯(lián)網(wǎng)用戶組進行合理的分組接入機制，通過設置定時器來分散其接入時間，避免同一時間的大量信令涌入。在目前的網(wǎng)絡中，存在大量IoT設備。在一些IoT場景下，同一地區(qū)的IoT終端經(jīng)常會在同一時間激活，通過NAS層發(fā)送大量小數(shù)據(jù)包。例如，某社區(qū)的抄表上報抄表數(shù)據(jù)時，同時激活開始向網(wǎng)絡發(fā)起連接。在這種情況下，大量同一時間并發(fā)的信令經(jīng)常會造成信令擁塞。并且，部分存在欠費等問題的IoT設備，根據(jù)現(xiàn)有流程，僅會在認證的過程中被拒絕服務， 因此，此類設備將會持續(xù)給網(wǎng)絡發(fā)送注冊信息，造成更嚴重的信令擁塞。利用智能化的解決方案，通過對終端信令類型、數(shù)量、計時器信息等的數(shù)據(jù)收集和分析，可以輔助網(wǎng)絡識別出上述IoT設備、激活時間、激活地區(qū)等，從而為IoT設備安排更合理的接入時間，例如分批接入等，從而避免信令擁塞的情況。在核心網(wǎng)網(wǎng)元的運營和管理中，數(shù)據(jù)隱私保護至關重要。核心網(wǎng)網(wǎng)元擁有大量涉及用戶通信行為、位置信息、簽約信息的敏感數(shù)據(jù)，這些數(shù)據(jù)一旦在模型訓練過程中泄露，可能引發(fā)嚴重的隱私與安全問題。因此，如何在不泄露用戶隱私數(shù)據(jù)的前提下使用數(shù)據(jù)進行模型訓練變得尤為關鍵。然而，傳統(tǒng)的集中式模型訓練模式存在數(shù)據(jù)集成和傳輸中的隱私泄露風險。聯(lián)邦學習作為一種新興的分布式機器學習技術，能夠在模型訓練過程中有效保護各個參與者的數(shù)據(jù)隱私。它通過將模型訓練過程分布在各個網(wǎng)元上，避免了對數(shù)據(jù)的集中處理，從而實現(xiàn)了數(shù)據(jù)隱私的保護與高效的模型訓練并行推進。在聯(lián)邦學習中，訓練數(shù)據(jù)不需要集中在一個地方，而是通過本地模型訓練進而更新全局模型。這減少了不同設備廠商、運營商對數(shù)據(jù)隱私和安全的擔憂。在核心網(wǎng)的協(xié)議TS23.288R18版本中，3GPP引入了NWDAF之間的橫向聯(lián)邦學習，即擁有一樣的特征空間和不同的樣本空間的橫向聯(lián)邦學習客戶端NWDAF在橫向聯(lián)邦學習服務器NWDAF協(xié)調(diào)下，進行橫向聯(lián)邦學習，很好解決了異廠商NWDAF因為隱私原因訓練數(shù)據(jù)不互通而無法訓練出高質(zhì)量模型的問題。在R18版本中，NWDAF可以通過橫向聯(lián)邦學習來訓練機器學習模型，并向消費者網(wǎng)元提供網(wǎng)絡性能預測、用戶行為預測、網(wǎng)元負載預測、網(wǎng)絡不正常預測等多種場景的預測，從而提升預測的準確性。然而在用戶體驗預測的場景中，聯(lián)邦學習客戶端（NWDAF和AF）具有相同的樣本空間但是不同的特征空間。為了使聯(lián)邦學習適用于更多場景并優(yōu)化用戶體驗，在R19版本的TS23.288協(xié)議中，3GPP引入了NWDAF與AF之間縱向聯(lián)邦學習；引入的縱向聯(lián)邦學習相關流程沿襲了橫向聯(lián)邦學習保護數(shù)據(jù)隱私的優(yōu)勢，并且定義的相關流程不涉及中間訓練模型的傳輸，進一步保護了模型安全。 為了支持使用橫向/縱向聯(lián)邦學習在核心網(wǎng)中進行模型訓練并為核心網(wǎng)網(wǎng)元提供各類預測結(jié)果，TS23.288定義了核心網(wǎng)網(wǎng)元間的參與者發(fā)現(xiàn)、選擇、訓練、推理等一系列流程。TS23.288R18版本定義了橫向聯(lián)邦學習參與者發(fā)現(xiàn)、選擇流程和橫向聯(lián)邦學習訓練流程。在橫向聯(lián)邦學習參與者發(fā)現(xiàn)、選擇流程中，NWDAF可以通過NRF發(fā)現(xiàn)并選擇其他的NWDAF作為橫向聯(lián)邦學習服務器/客戶端。在定義的橫向聯(lián)邦學習訓練流程中，橫向聯(lián)邦學習服務器初始化一個全局模型并發(fā)送給所有客戶端。每個客戶端使用本地數(shù)據(jù)對全局模型進行訓練，得到更新的本地模型。隨后，客戶端將更新的本地模型發(fā)送給服務器，而不上傳本地數(shù)據(jù)，從而保護數(shù)據(jù)隱私。橫向聯(lián)邦學習服務器在接收這些更新后的本地模型后，通過加權平均等聚合算法更新全局模型，然后把更新后的全局模型再次發(fā)送給客戶端。這一過程不斷重復，直到全局模型的質(zhì)量達標、損失函數(shù)收斂或達到預設的訓練輪數(shù)。在完成橫向聯(lián)邦學習訓練后，橫向聯(lián)邦學習服務器NWDAF和橫向聯(lián)邦學習客戶端NWDAF都會得到高質(zhì)量的機器學習模型。在NWDAF收到消費者網(wǎng)元的預測請求后可用聯(lián)邦學習過程中訓練好的機器學習模型進行本地推理，并把高質(zhì)量的預測結(jié)果發(fā)送給消費者網(wǎng)元。TS23.288R19版本沿用了R18版本中橫向聯(lián)邦學習參與者發(fā)現(xiàn)選擇、流程，并定義了新的縱向聯(lián)邦學習訓練、推理流程。在縱向向聯(lián)邦學習訓練流程中，縱向聯(lián)邦學習服務器（NWDAF/AF）和NWDAF客戶端（NWDAF/AF）之間不再進行除了初始模型分發(fā)之外的模型傳輸，取而代之的是傳輸機器學習參數(shù)（中間訓練結(jié)果、梯度、損失等進一步增強了對于模型的安全保護。與橫向聯(lián)邦學習相比，縱向聯(lián)邦學習的推理為分布式推理，即每個縱向聯(lián)邦學習客戶端生成推理結(jié)果并發(fā)送給縱向聯(lián)邦學習服務器，縱向聯(lián)邦學習服務器聚合之后發(fā)送給消費者網(wǎng)元。 在5G-A系統(tǒng)中，核心網(wǎng)和接入網(wǎng)均可引入AI/ML相關功能，包括數(shù)據(jù)采集、基于采集的數(shù)據(jù)進行AI/ML模型訓練和分析推理，進而基于AI分析推理結(jié)果進行網(wǎng)絡和終端控制，以提高網(wǎng)絡性能和用戶體驗?；?G-AAI相關標準和研究[TS23.288,TS38.300]，核心網(wǎng)基于NWDAF提供的AI/ML功能，可以在移動性管理、會話管理、策略控制等方面進行優(yōu)化，接入網(wǎng)可以應用AI/ML功能在網(wǎng)絡節(jié)能、負載均衡、移動性管理等方面進行優(yōu)化。核心網(wǎng)與接入網(wǎng)在使用AI/ML進行網(wǎng)絡控制與優(yōu)化方面需要進行協(xié)作，以充分發(fā)揮網(wǎng)絡智能化的優(yōu)勢與潛能，舉例如下：1）核心網(wǎng)依據(jù)NWDAF提供的UE通信和服務體驗分析信息，確定提升特定應用/業(yè)務的通信性能和服務體驗的RFSPIndex（無線接入類型/頻率選擇優(yōu)先級索引參數(shù)將RFSPIndex提供給接入網(wǎng)，接入網(wǎng)基于RFSPIndex和本地的AI/ML功能（例如網(wǎng)絡節(jié)能、負載均衡、移動性管理相關的AI推理信息），進一步確定和優(yōu)化的無線資源管理RRM策略。2）核心網(wǎng)依據(jù)NWDAF提供的UE移動性和通信行為分析信息確定預期UE行為信息（例如預期的UE位置/移動性、切換和通信活動），將預期UE行為信息提供給接入網(wǎng)，接入網(wǎng)基于核心網(wǎng)提供的預期UE行為信息和本地的AI/ML功能（例如基于小區(qū)的UE移動性軌跡推理信息），選擇目標切換小區(qū)，實現(xiàn)對UE切換的優(yōu)化控制，從而保障業(yè)務連續(xù)性和提升服務體驗。在通信網(wǎng)絡中，終端不僅是網(wǎng)絡服務的使用者，更是整個網(wǎng)絡生態(tài)系統(tǒng)中不可或缺的一部分。隨著5G、5G-A及未來網(wǎng)絡的發(fā)展，終端的作用變得越來越關鍵。它們不僅僅通過網(wǎng)絡進行通信，還在網(wǎng)絡智能化相關的處理（例如數(shù)據(jù)收集、模型訓練以及推理決策）中扮演著至關重要的角色。終端設備擁有與用戶相關的多種數(shù)據(jù)，如位置信息、接入方式、信號強度等。這些數(shù)據(jù)可以使網(wǎng)絡能夠更好地理解用戶當前的通信環(huán)境，優(yōu)化資源分配和服務質(zhì)量。例如，位置信息可以幫助網(wǎng)絡智能預測用戶的移動軌跡，從而為即將到來的通信需求做好準備。出于用戶隱私保護的考慮，這些數(shù)據(jù)需要經(jīng)由用戶授權才能由網(wǎng)絡用來進行AI/ML模型訓練與推理。 核心網(wǎng)中的智能化網(wǎng)元NWDAF能夠從AF、AMF、SMF等網(wǎng)元中獲取用戶的業(yè)務體驗、UE位置和移動軌跡、無線接入技術等數(shù)據(jù)，作為AI模型的輸入。在確保合法性和用戶隱私保護的前提下，NWDAF可以統(tǒng)計或推理出用戶使用特定業(yè)務、處于特定位置及特定網(wǎng)絡無線接入技術下的業(yè)務體驗分析結(jié)果。策略管理網(wǎng)元PCF可以基于NWDAF提供的業(yè)務體驗分析結(jié)果，對當前策略（例如業(yè)務的QoS參數(shù)）進行調(diào)整和優(yōu)化，以提升用戶的業(yè)務體驗，滿足終端業(yè)務需求。圖4.2-1AI定位的不同情況終端、接入網(wǎng)與核心網(wǎng)協(xié)作，可以實現(xiàn)基于AI的定位?，F(xiàn)在的研究重點在于模型在核心網(wǎng)的情況，即上圖中的case2b和case3b。核心網(wǎng)中的LMF（定位管理功能）或者NWDAF等網(wǎng)元可以從終端和接入網(wǎng)等設備收集到測量數(shù)據(jù)等，從而訓練出用于AI定位的模型，再根據(jù)該模型進行推理，得出更為精確的UE定位信息。精確的UE定位信息可以更好的滿足UE或者業(yè)務的需求，也可以使網(wǎng)絡優(yōu)化UE通信和業(yè)務/應用的相關參數(shù)，從而提升通信性能。為了輔助PCF更智能化地制定策略，NWDAF應提供更全面的分析。例如，NWDAF可以綜合考慮終端和網(wǎng)絡的相關性能、狀態(tài)，業(yè)務需求，以及目標的用戶服務體驗（QoE）等信息，為業(yè)務/應用生成QoS輔助信息，并將其發(fā)送給PCF。這樣，PCF可以基于NWDAF生成的QoS輔助信息，制定出更符合終端業(yè)務需求的策略，從而提升用戶的業(yè)務體驗。如果網(wǎng)絡的智能化程度進一步提升，智能化網(wǎng)元或許可以直接生成推薦操作，通知PCF制定或執(zhí)行某種策略，使策略制定過程更加高效和精準，也更能滿足終端的需求，帶來更好的業(yè)務體驗。針對AI定位等場景，模型不僅可以在核心網(wǎng)中使用，核心網(wǎng)也可能為終端和接入網(wǎng)提供用于AI定位的AI/ML模型，以便終端和接入網(wǎng)進行AI定位的推理，從而得出更為精確的終端定位信息。 隨著網(wǎng)絡的智能化水平的提高，終端可能不僅僅是協(xié)助網(wǎng)絡進行智能化處理，還將更深入地參與到網(wǎng)絡的相關操作中。突破傳統(tǒng)業(yè)務增長模式，探索體驗經(jīng)營新模式是運營商的迫切需求。除直播、視頻、游戲等傳統(tǒng)業(yè)務的持續(xù)發(fā)展外，未來云手機、智能車、AI助理、3D/XR等業(yè)務的迅猛發(fā)展，也將對移動通信網(wǎng)絡提出越來越多的差異化保障訴求，體驗經(jīng)營空間巨大；同時消費者也有意愿享受更優(yōu)質(zhì)的體驗服務，并為之付費，據(jù)CTR移動用戶指數(shù)《2023年度移動互聯(lián)網(wǎng)用戶消費洞察報告》分析，用戶愿意為線上泛娛樂付費的原因中，體驗因素占比44%。如何讓用戶及時感知智能化移動通信網(wǎng)絡提供的差異化體驗保障能力，享受更優(yōu)質(zhì)體驗，需要網(wǎng)絡與B域緊密協(xié)同，精準識別用戶需要差異化保障的時機，及時向用戶推送相應的套餐產(chǎn)品。體驗經(jīng)營的精準營銷時機分為兩類，一類是用戶在進行體驗敏感型業(yè)務(如直播、視頻等帶寬敏感類業(yè)務，游戲等時延敏感類業(yè)務)時及時進行營銷，另一類是用戶在進入網(wǎng)絡擁塞場景(如演唱會、地鐵、高鐵等場景)是及時進行營銷。如何準確實時識別這些時機，需要網(wǎng)絡側(cè)具備3個實時感知能力：1)實時業(yè)務感知，感知用戶所使用的業(yè)務類型及其體驗狀況，構建與用戶主觀感受一致的KQI體驗評估系統(tǒng)；2)實時用戶感知，感知用戶所處的時空場景，并能篩選價值用戶，比如高鐵場景如何準確識別高鐵乘客剔除高鐵沿線的居民和高鐵站接送客人員；3)實時網(wǎng)絡感知，感知用戶所處無線網(wǎng)絡能否提供差異化保障能力，而對普通用戶無影以上3種實時感知能力，由于計算邏輯復雜，傳統(tǒng)復雜的網(wǎng)絡配置規(guī)則無法滿足差異化的保障需求，AI模型的引入則可以很好的解決該問題。同時網(wǎng)絡側(cè)需要與B域打通實時上報通道，將3個感知能力識別的時機及必要信息實時上報到B域系統(tǒng)，由B域系統(tǒng)根據(jù)上報信息向用戶推送最合適的差異化保障套餐產(chǎn)品，實現(xiàn)對用戶的精準識別和實時體驗保障。隨著移動互聯(lián)網(wǎng)各項業(yè)務的開展和普及，用戶越來對多的關注移動互聯(lián)網(wǎng)中各種業(yè)務的 體驗，為了確保移動網(wǎng)絡能夠為用戶帶來好的用戶體驗，從用戶體驗角度對網(wǎng)絡質(zhì)量的評測受到越來越多的關注。從用戶體驗角度對網(wǎng)絡質(zhì)量進行評測可以分為主觀評測（QoE評測）和客觀評測（KQI評測）兩個層次，其中主觀評測是一種基于用戶的真實業(yè)務體驗對網(wǎng)絡質(zhì)量進行的綜合評測，客觀評測是使用影響用戶體驗的若干質(zhì)量指標對網(wǎng)絡質(zhì)量進行評測。目前國內(nèi)CCSA已經(jīng)開始重點業(yè)務用戶體驗評測相關的標準化工作，并且已經(jīng)或者將要發(fā)布相關標準，但整個體驗評測標準體系仍需要進一步完善。CCSA涉及到網(wǎng)絡體驗評測相關工作的組主要包括TC1，TC11和SP3，針對視頻播放，視頻直播，云游戲，移動游戲等典型業(yè)務的體驗評測進行了標準化工作。其中SP3（面向應用的移動互聯(lián)網(wǎng)網(wǎng)絡質(zhì)量評測指標）專門側(cè)重于制定基于用戶體驗對移動互聯(lián)網(wǎng)網(wǎng)絡質(zhì)量進行評測的標準，客觀評測標準方面，已經(jīng)或者正在針對典型移動互聯(lián)網(wǎng)業(yè)務，例如視頻通話，網(wǎng)頁瀏覽，視頻播放，視頻游戲，視覺實時，文件傳輸?shù)戎攸c業(yè)務的KQI指標進行定義，但目前主觀評測標準方面，目前已立項視頻會議類QoE標準模型，其他業(yè)務類型主觀評測標準也在完善過程中。為了進一步完善網(wǎng)絡質(zhì)量評測體系，應積極參與并推動CCSA等相關標準化組織的工作，加強與TC1、TC11和SP3等組的合作，共同推進各項業(yè)務的體驗評測標準化進程。具體而言，可以采取以下措施：1.推動標準落地：積極參與已發(fā)布標準的宣貫與實施工作，提升行業(yè)內(nèi)對網(wǎng)絡質(zhì)量評測標準的認知度和應用水平，確保標準能夠有效指導實際評測工作。2.加強跨行業(yè)合作：運營商、終端設備制造商、內(nèi)容提供商等產(chǎn)業(yè)鏈上下游企業(yè)應建立緊密合作關系，共同探索網(wǎng)絡質(zhì)量與用戶體驗之間的關聯(lián)，促進評測結(jié)果的共享與應用，形成良性互動的生態(tài)體系。3.創(chuàng)新評測技術：利用人工智能、大數(shù)據(jù)分析等先進技術，優(yōu)化評測方法和工具，提高評測的準確性和效率。例如，開發(fā)智能化的評測系統(tǒng)，能夠自動識別并分析用戶行為數(shù)據(jù)，實時反饋網(wǎng)絡質(zhì)量狀況，為網(wǎng)絡優(yōu)化提供有力支持。 5.1.1大模型+網(wǎng)絡大模型是引發(fā)新近一波人工智能浪潮的核心技術。未來網(wǎng)絡需要提供更實時的分析和決策能力，以實現(xiàn)基于用戶和業(yè)務需求及網(wǎng)絡狀態(tài)的實時分析和業(yè)務保障；同時未來網(wǎng)絡環(huán)境日益復雜，業(yè)務類型和體驗需求持續(xù)差異化，大模型在網(wǎng)絡智能化中的作用愈發(fā)顯著。大模型具備的強大的數(shù)據(jù)處理分析、持續(xù)學習和自適應能力，能夠幫助網(wǎng)絡應對更多的新型業(yè)務和挑戰(zhàn)，推動網(wǎng)絡業(yè)務向更加智能化和高效化發(fā)展。傳統(tǒng)網(wǎng)絡優(yōu)化方法主要依賴于對規(guī)則的實現(xiàn)和對參數(shù)的預配置，難以應對復雜多變的體驗經(jīng)營需求和網(wǎng)絡環(huán)境，大模型能夠提升網(wǎng)絡數(shù)據(jù)處理能力，通過其強大的計算能力和多層神經(jīng)網(wǎng)絡架構快速處理和分析海量數(shù)據(jù)，從而提高網(wǎng)絡的分析和決策效率。同時大模型的自學習、自適應和泛化能力，能夠根據(jù)業(yè)務需求和網(wǎng)絡環(huán)境的實時變化，動態(tài)調(diào)整網(wǎng)絡參數(shù)，從而實現(xiàn)各類用戶的體驗保障和網(wǎng)絡資源的最優(yōu)利用；具有良好泛化能力的模型，能夠在出現(xiàn)沒見過的數(shù)據(jù)和噪聲、異常數(shù)據(jù)干擾等新情況下依然保持高效運行，準確識別出重要信息，提升智能網(wǎng)絡的可靠性、實用性和魯棒性；大模型的泛化能力也能夠促使網(wǎng)絡智能化技術向自適應優(yōu)化路由、緩存、負載均衡等多個新的方向發(fā)展；基于泛化能力的模型可以在不同應用場景中快速部署并投入使用，從而減少開發(fā)周期和成本，推動更多網(wǎng)絡智能化應用的開發(fā)和創(chuàng)新。網(wǎng)絡智能化中大模型的應用，未來還需要推動以下方面的技術研究：由于數(shù)據(jù)和模型規(guī)模的增加，大模型的訓練和推理的計算需求和成本非常高，因此提升性能，提高計算效率，降低資源消耗，平衡模型規(guī)模與效率是大模型應用過程中需要考慮優(yōu)化的方向；通過普及少樣本學習、零樣本學習等低資源訓練，未來可能會進一步減少對大規(guī)模標注數(shù)據(jù)的依賴，從而降低訓練和應用成本；提升大模型的自適應能力，同時增強大模型與網(wǎng)絡能力的協(xié)作，實現(xiàn)智能化業(yè)務閉環(huán)，也是基于大模型的網(wǎng)絡智能可能的演進方向；網(wǎng)絡等需要高準確性的領域，增強大模型的可解釋性更加重要，未來的模型需要更加透明，能夠讓用戶理解模型的決策過程，增強對模型輸出的信任度；最后，大模型也需要增強模型理解和生成跨模態(tài)信息的能力，具有多模態(tài)的特性，同時處理文本、圖像、音頻、視頻等多種形式的數(shù)據(jù)，從而應用于更多復雜場景，如智能助理、機器人和增強現(xiàn)實等領域。 5.1.2AIAgent+網(wǎng)絡核心網(wǎng)作為電信網(wǎng)絡的中樞神經(jīng)系統(tǒng)，處理著大量數(shù)據(jù)傳輸和通信服務。隨著用戶需求的增加，核心網(wǎng)引入了更多新網(wǎng)元、功能和服務，使得網(wǎng)絡環(huán)境更加復雜且不確定性增加。AI代理作為核心網(wǎng)中的“大腦”，能夠持續(xù)優(yōu)化復雜網(wǎng)絡，預防風險，提升用戶體驗，從而在多變的網(wǎng)絡環(huán)境中保持高效和穩(wěn)定的服務。AIAgent具備一系列核心特征，使其在復雜網(wǎng)絡環(huán)境中能夠高效自主運作。首先，它的自主性使其能夠在沒有人為干預的情況下獨立完成任務，靈活應對不斷變化的條件。這種自主性讓AIAgent可以在復雜、多變的網(wǎng)絡環(huán)境中持續(xù)運行，從而提高核心網(wǎng)運行效率和可靠性。其次，AIAgent具備強大的環(huán)境感知能力。通過和核心網(wǎng)網(wǎng)元交互的數(shù)據(jù)輸入方式，它能夠?qū)崟r獲取和理解網(wǎng)絡環(huán)境的信息。這種感知能力為其智能決策提供了堅實的基礎，使其能夠準確判斷當前情況并預測潛在網(wǎng)絡變化。決策能力是AIAgent的關鍵特征之一，它運用復雜的算法和模型來分析和評估各種可能性，并選擇最佳網(wǎng)絡方案。這種能力使其能夠快速響應外部刺激，優(yōu)化任務執(zhí)行過程，并在必要時調(diào)整策略以適應新的挑戰(zhàn)。為了不斷提高自身性能，AIAgent具備強大的學習能力。通過機器學習和深度學習方法，它能夠從經(jīng)驗中學習，識別網(wǎng)絡變化的模式和趨勢，并根據(jù)新數(shù)據(jù)進行調(diào)整。這種學習能力增強了其靈活性和適應性，使其在動態(tài)的網(wǎng)絡環(huán)境中保持高效運作。最后，AIAgent的可交互性允許其與網(wǎng)元、其他Agent和網(wǎng)絡系統(tǒng)進行有效溝通和協(xié)作。它能夠理解和處理自然語言指令，提供反饋，確保信息交換的準確性和效率。這些特征共同作用，使AIAgent能夠在網(wǎng)絡環(huán)境中表現(xiàn)出色，持續(xù)優(yōu)化和改進其操作，為未來的智能網(wǎng)絡發(fā)展奠定基礎。圖5.1-1NWDAF中引入AIagent功能架構在未來的核心網(wǎng)中，NWDAF會持續(xù)收到來自消費者網(wǎng)元的各種復雜任務。引入AIAgent后，NWDAF可以高效、高質(zhì)量的處理大量復雜任務，提升網(wǎng)絡整體性能和用戶體驗。上圖是NWDAF利用AIAgent來處理復雜任務的流程：首先，消費者網(wǎng)元的復雜任務被自動分解為多個子任務，由NWDAF自動執(zhí)行。每個子任務在執(zhí)行后產(chǎn)生初步輸出，NWDAF對其進行自評估，以生成最終的子任務輸出。最后，所有最終的子任務輸出被自動合并，形成完整的任務輸出，并發(fā)送給消費者網(wǎng)元。 5.1.3數(shù)字孿生+網(wǎng)絡數(shù)字孿生是指用數(shù)字化的形式對物理世界中的實體進行建模，模擬其運行狀態(tài)，并提供反饋，從而優(yōu)化參數(shù)等，以提升其性能。數(shù)字孿生技術已經(jīng)在工業(yè)制造、航空航天等領域得到廣泛的應用。在通信領域，一方面，移動通信系統(tǒng)可以為各個領域的數(shù)字孿生應用提供高速和無處不在的通信服務和連接，另一方面，移動通信系統(tǒng)自身也可以借助數(shù)字孿生技術進行智能化的管理與控制，從而提高整個通信系統(tǒng)的性能。網(wǎng)絡可以劃分為不同的網(wǎng)絡域，例如接入網(wǎng)AN、核心網(wǎng)CN，服務于不同業(yè)務（例如寬帶業(yè)務、物聯(lián)網(wǎng)業(yè)務）的網(wǎng)絡切片，或服務于不同區(qū)域的邊緣網(wǎng)絡。不同的網(wǎng)絡域具有不同的網(wǎng)絡配置、性能管理、計費控制等需求，以及不同的工作和運行狀態(tài)（例如性能、資源使用情況、能耗/能效、通信環(huán)境）。為了更好地滿足特定網(wǎng)絡域的需求，對特定網(wǎng)絡域進行更加靈活和智能的管理，可以引入網(wǎng)絡數(shù)字孿生功能，為不同的網(wǎng)絡域建立和維護對應的數(shù)字孿生體，基于網(wǎng)絡域數(shù)字孿生體的信息和反饋來確定對該網(wǎng)絡域的管理策略。網(wǎng)絡數(shù)字孿生功能具有特定網(wǎng)絡域的全部靜態(tài)、動態(tài)和實時的數(shù)據(jù)/信息，可以提供給其它網(wǎng)絡管理功能以進行網(wǎng)絡域的配置和管理。同時，網(wǎng)絡數(shù)字孿生功能還可以依據(jù)控制輸入（例如網(wǎng)絡域管理策略，包括網(wǎng)絡資源配置、性能監(jiān)測和能耗管理策略執(zhí)行相應的功能，輸出功能執(zhí)行的結(jié)果（例如實施策略后的網(wǎng)絡域性能和狀態(tài)從而供網(wǎng)絡管理功能（例如網(wǎng)絡資源配置功能）對準備實施的網(wǎng)絡域管理策略或指令進行驗證、調(diào)整和優(yōu)化。網(wǎng)絡數(shù)字孿生功能需要與真實的網(wǎng)絡域（管理）功能進行交互，以創(chuàng)建、更新和刪除特定網(wǎng)絡域的數(shù)字孿生體。隨著大模型、AIagent、數(shù)字孿生等AI領域熱點技術的演進，AI技術與網(wǎng)絡結(jié)合已成為未來網(wǎng)絡發(fā)展演進的趨勢。不同于現(xiàn)有外掛式的網(wǎng)絡AI結(jié)構，未來網(wǎng)絡的AI服務對數(shù)據(jù)采集、智能水平、自主決策等方面將有更高的要求，亟需解決高質(zhì)量AI服務與通信開銷、算力、數(shù)據(jù)隱私之間的平衡。因此，未來網(wǎng)絡將側(cè)重于網(wǎng)絡的智能內(nèi)生能力，同時考慮分布式的AI架構，滿足多節(jié)點協(xié)同的需求，其中需加速推進包括邊緣計算、異構計算等技術的應用：1.加快邊緣智能技術的研究與部署，特別是在物聯(lián)網(wǎng)（IoT）和5G/6G應用場景中，將AI計算能力下沉至網(wǎng)絡邊緣節(jié)點，實現(xiàn)本地化的數(shù)據(jù)處理和實時決策。這種技術不僅能夠顯著降低網(wǎng)絡延遲，還能有效減輕核心網(wǎng)絡的負載，提升整體網(wǎng)絡的響應速度。在智能制造、 自動駕駛等對時延敏感的應用中，邊緣智能可以通過實時分析數(shù)據(jù)并做出快速決策，顯著提高系統(tǒng)的可靠性和安全性。因此，建議在上述關鍵領域優(yōu)先推動邊緣智能與智能算法的深度融合，以提供更敏捷、高效的網(wǎng)絡服務，滿足未來網(wǎng)絡對高效、低時延服務的需求。2.加快異構計算平臺的開發(fā)，通過優(yōu)化AI算法在不同硬件架構上的適配性，從而實現(xiàn)對網(wǎng)絡中的多樣化計算資源的充分利用。隨著網(wǎng)絡設備的多樣化，通過結(jié)合CPU、GPU、FPGA等多種計算資源來處理不同類型的工作負載，網(wǎng)絡將能夠更加靈活地分配計算任務，從而提高整體處理能力和能效比。因此，在未來的網(wǎng)