0 引言

    5G時代電信業(yè)務(wù)呈現(xiàn)出多場景、差異化、需求動態(tài)變化等特點，網(wǎng)絡(luò)切片作為5G的關(guān)鍵使能技術(shù)之一，將現(xiàn)有物理網(wǎng)絡(luò)進行業(yè)務(wù)邏輯分割，形成獨立的業(yè)務(wù)邏輯網(wǎng)絡(luò)，能夠為具有不同性能要求的垂直行業(yè)提供差異化、相互隔離、功能可定制的網(wǎng)絡(luò)服務(wù)。5G網(wǎng)絡(luò)切片技術(shù)使多個邏輯網(wǎng)絡(luò)能夠通過云和虛擬化技術(shù)共享同一套物理基礎(chǔ)設(shè)施，在保證服務(wù)等級協(xié)議(Service Level Agreement，SLA)的同時，可以有效節(jié)約成本。然而網(wǎng)絡(luò)基礎(chǔ)設(shè)施變得越來越復雜、異構(gòu)、大規(guī)模，而新應(yīng)用的涌現(xiàn)卻越來越快，業(yè)務(wù)需求變化更加實時動態(tài)，網(wǎng)絡(luò)切片管理面臨很大挑戰(zhàn)。

    人工智能(Artificial Intelligence，AI)是指在理論、方法、技術(shù)及應(yīng)用系統(tǒng)方面研究人腦的智能行為，通過計算機智能模擬人類的思維觀點，使人類對自身活動的認知程度更進一步。自1956年誕生以來，人工智能理論和技術(shù)日益成熟，應(yīng)用領(lǐng)域也不斷擴大。人工智能的準確性得益于大量的數(shù)據(jù)訓練，若將運營商在運營過程中累積的大量數(shù)據(jù)應(yīng)用到人工智能技術(shù)中，則可大大提升網(wǎng)絡(luò)自動化水平，降低網(wǎng)絡(luò)運營成本，為用戶提供更精確的數(shù)據(jù)服務(wù)以及覆蓋范圍更廣的網(wǎng)絡(luò)區(qū)域?？偠灾?，人工智能技術(shù)在應(yīng)對網(wǎng)絡(luò)復雜重復性工作方面具有天然優(yōu)勢。

    國內(nèi)外的學者對人工智能技術(shù)和網(wǎng)絡(luò)切片技術(shù)融合開展了研究工作。文獻[1]提出了基于人工智能微服務(wù)的智能物聯(lián)網(wǎng)5G集成架構(gòu)，在該架構(gòu)中AI服務(wù)將作為微服務(wù)提供，5G集成平臺同時允許在集中式數(shù)據(jù)中心和靠近物聯(lián)網(wǎng)設(shè)備邊緣處不間斷地提供AI服務(wù)，可以部署在集成化的5G網(wǎng)絡(luò)切片上，替代了當前單片集成的物聯(lián)網(wǎng)云服務(wù)。文獻[2]中為了能滿足多樣化、異構(gòu)化網(wǎng)絡(luò)需求，提出了一種基于網(wǎng)絡(luò)切片的靈活的、可適應(yīng)的、可編程的體系結(jié)構(gòu)，這種架構(gòu)框架允許引入資源彈性作為有效利用5G系統(tǒng)計算資源的關(guān)鍵手段，使5G系統(tǒng)自動化適應(yīng)負載和其他系統(tǒng)變化，保證在每個時間點，可用資源盡可能匹配需求。文獻[3]利用人工智能技術(shù)學習各網(wǎng)絡(luò)切片的流量需求量，并預測下一區(qū)間的流量需求。根據(jù)對切片需求的預測，提出了一種新的彈性片間無線資源管理模型，在不影響片間連接服務(wù)質(zhì)量的前提下提高復用增益。文獻[4]提出了智能切片理論，即按需實例化人工智能功能模塊，并以分布式方式部署這些模塊，以實現(xiàn)靈活且可擴展的框架，解決了將人工智能集成到無線網(wǎng)絡(luò)技術(shù)的主要局限問題。文獻[5]提出了一個基于長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預測模型。通過與傳統(tǒng)機器學習流量預測方法相對比，驗證了該模型在網(wǎng)絡(luò)流量預測中的適用性與更高的準確性。將上述流量預測模型應(yīng)用在基于軟件定義網(wǎng)絡(luò)技術(shù)的智能化承載網(wǎng)切片系統(tǒng)中，以提升網(wǎng)絡(luò)資源利用率。

    另外國內(nèi)外標準組織(包括3GPP、CCSA、ETSI、ITU-T、TMF、Linux Foundation等)均已開展將AI應(yīng)用于網(wǎng)絡(luò)切片的相關(guān)協(xié)議研究和概念驗證原型系統(tǒng)研發(fā)等工作中。

    目前仍然缺乏將AI技術(shù)和網(wǎng)絡(luò)切片管理系統(tǒng)融合的架構(gòu)，因此本文將基于3GPP提出的三層網(wǎng)絡(luò)切片管理系統(tǒng)，考慮引入AI能力，提出一個統(tǒng)一的基于AI的智能切片管理架構(gòu)?；谠摻y(tǒng)一的架構(gòu)設(shè)計，介紹了智能切片管理流程，主要包括切片設(shè)計、切片創(chuàng)建、切片更新、切片監(jiān)控和切片業(yè)務(wù)體驗評估。并通過車聯(lián)網(wǎng)和醫(yī)療的應(yīng)用案例說明智能切片管理通過靈活智能調(diào)度網(wǎng)絡(luò)資源從而保障業(yè)務(wù)性能。

1 網(wǎng)絡(luò)切片管理系統(tǒng)

    針對網(wǎng)絡(luò)切片編排和管理，3GPP定義了網(wǎng)絡(luò)切片管理系統(tǒng)，邏輯上包括通信業(yè)務(wù)管理功能(Communication Service Management Function，CSMF)、網(wǎng)絡(luò)切片管理功能(Network Service Management Function，NSMF)、網(wǎng)絡(luò)切片子網(wǎng)管理(Network Slice Subnet Management Function，NSSMF)三大部分功能，如圖1所示。其中CSMF實現(xiàn)用戶的業(yè)務(wù)需求到網(wǎng)絡(luò)切片需求的映射，NSMF將網(wǎng)絡(luò)切片的需求轉(zhuǎn)換成對子網(wǎng)切片的需求，負責網(wǎng)絡(luò)切片實例的管理和編排，NSSMF將各子網(wǎng)切片的需求轉(zhuǎn)換為對網(wǎng)絡(luò)功能的需求，NSSMF又分為無線(Access Network，AN)切片子網(wǎng)管理(AN-NSSMF)、核心網(wǎng)(Core Network，CN)切片子網(wǎng)管理(CN-NSSMF)和傳輸網(wǎng)(Transport Network，TN)切片子網(wǎng)管理(TN-NSSMF)。

    為滿足多樣的、動態(tài)變化的切片業(yè)務(wù)需求，需要靈活智能編排有限的切片資源，實現(xiàn)切片最快部署上線，保障業(yè)務(wù)服務(wù)質(zhì)量，以及最大化復用切片資源等目標。這些復雜的任務(wù)使網(wǎng)絡(luò)切片管理系統(tǒng)面臨很大挑戰(zhàn)，需要將AI技術(shù)引入5G網(wǎng)絡(luò)以實現(xiàn)切片管理自動化、智能化，因此下一節(jié)將介紹基于AI的智能切片管理架構(gòu)。

2 智能切片管理

    根據(jù)網(wǎng)絡(luò)切片基礎(chǔ)設(shè)施層和切片管理系統(tǒng)的不同層面所能提供的計算資源和需要的智能化能力差異，將不同的AI能力引入基礎(chǔ)設(shè)施網(wǎng)元層及切片管理系統(tǒng)的不同層面，提出一個統(tǒng)一的基于AI的智能切片管理架構(gòu)，如圖2所示。在基礎(chǔ)設(shè)施網(wǎng)元層嵌入設(shè)備級AI分析能力，在NSSMF層部署AI組件以提供單域AI分析能力，AI賦能平臺為NSMF和CSMF提供跨域AI分析能力，利用AI分析生成的動態(tài)控制策略形成從網(wǎng)元到全網(wǎng)的動態(tài)控制閉環(huán)，促進網(wǎng)絡(luò)管理自動化、智能化。具體每一層引入的AI智能化能力介紹如下：

    (1)設(shè)備AI智能：在網(wǎng)元設(shè)備內(nèi)部嵌入AI算法，提供場景化的AI模型庫。通過數(shù)據(jù)采集和預處理，一些預處理的有用樣本數(shù)據(jù)可以被暫時存儲在某些網(wǎng)元節(jié)點上，通過嵌入式的AI框架進行實時的AI模型推理和簡單的智能決策，場景匹配和參數(shù)調(diào)優(yōu)過程可以在網(wǎng)元本地處理而不需要卸載到網(wǎng)絡(luò)切片子網(wǎng)管理層，支持實時智能分析和控制閉環(huán)，滿足業(yè)務(wù)的時延需求。例如slice#1通過AI能力嵌入到網(wǎng)元層以及用戶面(User Plane Function，UPF)下沉到邊緣，可以支持具有超低時延需求的業(yè)務(wù)。嵌入AI能力的網(wǎng)元層一方面可以獨立進行簡單的智能決策，另一方面需要和網(wǎng)絡(luò)切片子網(wǎng)管理層協(xié)同執(zhí)行其下發(fā)的智能策略。

    (2)單域AI智能：在網(wǎng)絡(luò)切片子網(wǎng)管理NSSMF層，引入AI分析能力，進行無線接入網(wǎng)絡(luò)、傳輸網(wǎng)絡(luò)、核心網(wǎng)單域內(nèi)的數(shù)據(jù)分析、輕量化的訓練和推理，對單域內(nèi)的網(wǎng)絡(luò)和資源狀態(tài)進行趨勢預測，對異常情況進行根因分析，并給出智能決策，從而實現(xiàn)單域內(nèi)智能化閉環(huán)。例如基于AI的AN-NSSMF可以進行無線網(wǎng)絡(luò)切片頻譜、功率資源優(yōu)化管理調(diào)度，引入基于AI的TN-NSSMF可以支持傳輸網(wǎng)切片故障分析和根因定位，基于AI的CN-NSSMF可以進行核心網(wǎng)切片虛擬資源編排以及網(wǎng)絡(luò)功能負載分析等?；贏I的NSSMF層一方面可以獨立進行單域閉環(huán)優(yōu)化，也能夠把來自于網(wǎng)絡(luò)切片管理功能層分發(fā)的策略轉(zhuǎn)換為網(wǎng)絡(luò)能夠執(zhí)行的原語下發(fā)給下層設(shè)備執(zhí)行。

    (3)跨域AI智能：跨域AI分析需要全網(wǎng)的數(shù)據(jù)、豐富的AI模型庫以及用來訓練、推理和分析的集中算力，由AI賦能平臺提供給NSMF和CSMF。AI使能的CSMF層接收各種不同的用戶意圖，通過意圖轉(zhuǎn)譯為端到端網(wǎng)絡(luò)切片需求下發(fā)給NSMF層。AI使能的NSMF層基于全域經(jīng)驗和數(shù)據(jù)，完成AI模型訓練，為業(yè)務(wù)編排和全局策略提供最優(yōu)的業(yè)務(wù)模型和決策判斷，完成跨域、整網(wǎng)的閉環(huán)控制?？缬駻I智能化能力適合對全局性的策略和定義集中進行訓練及推理，對實時性要求一般敏感度較低。AI使能的CSMF層和NSMF層相互協(xié)同，并通過對全域網(wǎng)絡(luò)狀態(tài)的分析和學習，持續(xù)、閉環(huán)地保障用戶意圖實現(xiàn)，基于長期趨勢進行智能分析和管理。NSMF層也可以將端到端切片資源調(diào)度策略下發(fā)到NSSMF層，指導全局資源編排。

3 智能切片管理流程

    本節(jié)將詳細闡述基于AI的智能切片管理系統(tǒng)對網(wǎng)絡(luò)切片進行管理的流程。

3.1 切片設(shè)計

    針對切片用戶的不同業(yè)務(wù)意圖，運營商需要設(shè)計不同的切片模板，以支持超高帶寬、超低時延、超大連接等需求。切片模板設(shè)計過程如圖3所示，AI使能的CSMF層收集用戶通過語音、視頻、文字等方式表達的業(yè)務(wù)意圖，將用戶的業(yè)務(wù)意圖數(shù)據(jù)進行預處理，標注有對應(yīng)的業(yè)務(wù)場景的意圖信息作為訓練樣本，構(gòu)建機器學習模型，以進行業(yè)務(wù)場景分類識別。將業(yè)務(wù)意圖輸入訓練好的機器學習模型，輸出對應(yīng)的業(yè)務(wù)場景；根據(jù)業(yè)務(wù)場景，確定對應(yīng)的切片設(shè)計模板。切片模板包括切片業(yè)務(wù)配置參數(shù)，如時延等級、速率等級、丟包率等級、抖動等級、最大用戶數(shù)等級、覆蓋區(qū)域等級、用戶移動性等級、資源共享等級中一項或多項?；谝鈭D的切片設(shè)計將有助于適用于不斷涌現(xiàn)的新業(yè)務(wù)，提供定制化的網(wǎng)絡(luò)切片服務(wù)。

3.2 切片創(chuàng)建

    針對需要新創(chuàng)建一個切片的請求，基于用戶對切片SLA的要求、虛擬資源當前消耗的狀態(tài)以及現(xiàn)有切片業(yè)務(wù)的資源需求預測等條件，在不影響現(xiàn)有切片業(yè)務(wù)且滿足新切片的SLA需求時，通過端到端資源配置，成功創(chuàng)建新的切片。切片創(chuàng)建流程如圖4所示，AI使能的NSMF層收到端到端SLA參數(shù)需求，基于切片部署的歷史數(shù)據(jù)，利用AI算法對業(yè)務(wù)類型、模板信息、實際關(guān)聯(lián)的云網(wǎng)資源特性、配置參數(shù)等上下文信息，以及接入網(wǎng)、傳輸網(wǎng)、核心網(wǎng)各域子切片實例SLA測量數(shù)據(jù)(如時延、帶寬、用戶數(shù)、速率等)進行建模分析，挖掘切片模板、云網(wǎng)資源、配置參數(shù)和SLA指標之間的關(guān)聯(lián)關(guān)系，推理給出最優(yōu)SLA拆分策略，以及將各域資源配置建議輸出到NSSMF層，NSSMF層調(diào)用切片創(chuàng)建算法分配路徑和資源，完成新切片的創(chuàng)建。

3.3 切片更新

    切片運行過程中，網(wǎng)絡(luò)狀態(tài)和切片業(yè)務(wù)的流量動態(tài)變化，切片的初始資源配置可能無法適應(yīng)切片的流量變化，需要精準預測流量使用狀況，按需動態(tài)配置切片資源。切片更新流程如圖5所示，收集切片流量數(shù)據(jù)和KPI數(shù)據(jù)等，通過AI模型(如序列預測算法)預測流量變化趨勢以及輸出切片資源調(diào)整策略，并下發(fā)到各域執(zhí)行。也可以收集單域切片流量數(shù)據(jù)，通過智能分析，執(zhí)行單域資源配置更新。切片之間，由于業(yè)務(wù)分布特性的不同，業(yè)務(wù)高峰存在錯峰和互補，對預測業(yè)務(wù)流量高峰的切片進行擴容，對預測業(yè)務(wù)負載降低的網(wǎng)絡(luò)切片進行縮容，使多切片最大復用切片資源同時避免資源沖突。切片更新過程中，通過預測不同切片中的負載，預先更新/調(diào)整切片資源配置，保障業(yè)務(wù)服務(wù)質(zhì)量，同時提高切片資源利用效率。

3.4 切片監(jiān)控

    切片運行過程中，需要監(jiān)控切片實時運行狀況，并需要識別異常行為，對故障告警進行根因分析和自愈。切片監(jiān)控流程如圖6所示，收集切片監(jiān)控數(shù)據(jù)包括大量系統(tǒng)日志、拓撲結(jié)構(gòu)、配置參數(shù)以及性能數(shù)據(jù)等，可以基于設(shè)備或用戶的流量特征來預測其異常行為，基于告警之間的關(guān)聯(lián)規(guī)則來定位根源告警，以及基于性能指標分析來預測故障發(fā)生概率，并通過強化學習進行自適應(yīng)的故障修復和預防策略制定。網(wǎng)絡(luò)監(jiān)控包括端到端切片監(jiān)控、子切片監(jiān)控和網(wǎng)絡(luò)功能監(jiān)控，各層次相互協(xié)同，一方面可以對已發(fā)生的故障告警進行快速、高效的根因分析和修復；另一方面對潛在性能劣化進行預防，實現(xiàn)網(wǎng)絡(luò)自動化保障。

3.5 切片業(yè)務(wù)體驗評估

    在提供切片服務(wù)時，運營商需要能夠準確感知和評估各類業(yè)務(wù)的服務(wù)質(zhì)量，以便進行服務(wù)質(zhì)量的保障。切片業(yè)務(wù)體驗流程如圖7所示，通過收集業(yè)務(wù)的SLA體驗數(shù)據(jù)和切片KPI指標數(shù)據(jù)，建立SLA體驗和網(wǎng)絡(luò)指標數(shù)據(jù)的關(guān)聯(lián)模型，基于此模型，通過在線收集切片KPI指標數(shù)據(jù)來評估對應(yīng)業(yè)務(wù)的體驗，并根據(jù)SLA體驗評估結(jié)果對網(wǎng)絡(luò)切片資源進行編排，實現(xiàn)對業(yè)務(wù)的服務(wù)質(zhì)量保障。由于不同類型業(yè)務(wù)差異較大，例如視頻、游戲、支付、車聯(lián)網(wǎng)業(yè)務(wù)等，其關(guān)聯(lián)模型也不盡相同，因此可以基于不同類型的業(yè)務(wù)進行分別建模和訓練，相同類型的業(yè)務(wù)可進行遷移或泛化處理。

4 應(yīng)用場景

4.1 車聯(lián)網(wǎng)場景

    5G網(wǎng)絡(luò)切片可以支持不同類型的車聯(lián)網(wǎng)業(yè)務(wù)，增強移動寬帶(Enhanced Mobile Broadband，eMBB)切片可以承載車載VR實時通信等業(yè)務(wù)，超可靠低時延(ultra-Reliable Low-Latency Communication，uRLLC)切片可以承載AR導航、實時路況監(jiān)測等業(yè)務(wù)，大規(guī)模機器類通信(massive Machine-Type Communication，mMTC)切片可以承載汽車分時租賃等業(yè)務(wù)。車聯(lián)網(wǎng)業(yè)務(wù)需求的多樣性和高動態(tài)，使得網(wǎng)絡(luò)切片資源動態(tài)調(diào)整和調(diào)度面臨很大挑戰(zhàn)?；贏I的智能切片管理系統(tǒng)可以智能地調(diào)配切片資源，解決業(yè)務(wù)需求高動態(tài)帶來的網(wǎng)絡(luò)切片管理問題。

    針對車聯(lián)網(wǎng)場景下道路交通業(yè)務(wù)量的潮汐效應(yīng)，采集車聯(lián)網(wǎng)場景的數(shù)據(jù)，進行數(shù)據(jù)存儲和預處理，并結(jié)合人工智能及大數(shù)據(jù)技術(shù)，構(gòu)建面向車聯(lián)網(wǎng)場景的業(yè)務(wù)量預測模型?；谌斯ぶ悄芩惴▽Φ缆方煌I(yè)務(wù)量的有效預測，結(jié)合網(wǎng)絡(luò)切片實時負載狀態(tài)以及資源部署需求，輸出智能網(wǎng)絡(luò)切片資源動態(tài)調(diào)配策略，實現(xiàn)滿足車聯(lián)網(wǎng)業(yè)務(wù)需求的同時節(jié)省網(wǎng)絡(luò)切片資源。

4.2 醫(yī)療場景

    隨著我國新醫(yī)療改革的持續(xù)深入以及5G通信技術(shù)的快速發(fā)展，各大醫(yī)療機構(gòu)都在積極探索“互聯(lián)網(wǎng)+醫(yī)療”新模式，以優(yōu)化醫(yī)療服務(wù)流程，提升民眾就醫(yī)服務(wù)質(zhì)量，推進智慧醫(yī)療事業(yè)發(fā)展。5G醫(yī)療專屬切片可以支持多種醫(yī)療應(yīng)用，例如mMTC切片支持基于醫(yī)療設(shè)備數(shù)據(jù)無線采集的醫(yī)療監(jiān)測類應(yīng)用，eMBB切片支持基于視頻與圖像交互的醫(yī)療診斷與指導類應(yīng)用(如AR/VR/MR手術(shù))，uRLLC切片支持基于視頻與力反饋的遠程操控類應(yīng)用。

    智能切片管理對醫(yī)療專屬切片網(wǎng)絡(luò)進行端到端智能切分，保證了醫(yī)療專網(wǎng)的業(yè)務(wù)隔離安全和服務(wù)質(zhì)量，也滿足了連續(xù)網(wǎng)絡(luò)覆蓋、位置定位能力、低時延、大帶寬和安全可靠性等網(wǎng)絡(luò)需求。

5 結(jié)論

    5G網(wǎng)絡(luò)切片管理面臨很大挑戰(zhàn)，AI算法可以根據(jù)海量網(wǎng)絡(luò)數(shù)據(jù)分析提供智能策略，將AI和5G網(wǎng)絡(luò)切片結(jié)合已成為業(yè)界研究的焦點問題。本文調(diào)研了AI和網(wǎng)絡(luò)切片融合的研究現(xiàn)狀，提出一個統(tǒng)一的基于AI的智能切片管理架構(gòu)，可以實現(xiàn)從網(wǎng)元到全網(wǎng)的動態(tài)控制閉環(huán)。然后重點介紹了基于該智能切片管理系統(tǒng)對網(wǎng)絡(luò)切片進行生命周期管理的流程，包括切片設(shè)計、創(chuàng)建、更新、監(jiān)控、切片業(yè)務(wù)體驗評估。最后介紹了智能切片在交通和醫(yī)療領(lǐng)域的應(yīng)用。基于AI的智能切片管理系統(tǒng)可以使5G網(wǎng)絡(luò)更加智能化與自治化，有效加快業(yè)務(wù)上線、部署開通以及彈性資源利用，并為垂直行業(yè)客戶提供差異化SLA服務(wù)保障。

參考文獻

[1] MYOUNGLEE G，UM T，CHOI J K.AI as a microservice(AIMS) over 5G networks[C].2018 ITU Kaleidoscope：Machine Learning for a 5G Future(ITU K)，Santa Fe，2018.

[2] GUTIERREZ-ESTEVEZ D M.Artificial intelligence for elastic management and orchestration of 5G networks[J].IEEE Wireless Communications，2019，26(5)：134-141.

[3] KHATIBI S，JANO A.Elastic slice-aware radio resource management with AI-traffic prediction[C].2019 European Conference on Networks and Communications(EuCNC)，Valencia，Spain，2019：575-579.

[4] JIANG W，ANTON S D，SCHOTTEN H D.Intelligence slicing：a unified framework to integrate artificial intelligence into 5G networks[C].2019 12th IFIP Wireless and Mobile Networking Conference(WMNC)，Paris，F(xiàn)rance，2019：227-232.

[5] 王海寧，袁祥楓，楊明川.基于LSTM與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預測及應(yīng)用[J].移動通信，2019，43(8)：37-44.

作者信息:

徐  丹1，王海寧1，袁祥楓1，朱雪田2

(1.中國電信研究院AI研發(fā)中心，北京102209；2.中國電信智能網(wǎng)絡(luò)與終端研究院，北京102209)