面向B5G/6G边缘网络的智能管控架构

喻鹏　丰雷　李文璟　张俊也　周凡钦　邱雪松

【摘  要】网络管控是业务服务质量的重要保障，面向未来B5G/6G的应用场景和业务特征，分析网络管理和控制的智能化需求，重点针对B5G/6G边缘网络，提出基于人工智能的管理控制架构，具体包括边缘网络的资源模型构建方法、网络智能管理的功能范畴、人工智能计算单元的部署方法，以及意图驱动的网络资源自主调度流程等内容，最后通过一个应用场景描述架构的实现方法。

【关键词】B5G/6G;边缘网络;人工智能;网络管控;模型和架构

0   引言

目前，第四代移动通信（4G， the 4th Generation）系统发展成熟，第五代移动通信（5G， the 5th Generation）系统进入规模商用的起步阶段。超五代移动通信（B5G， Beyond 5G）系统以5G系统为基础，向下一代演进。第六代移动通信（6G， the 6th Generation）系统面向2030年以后的通信需求，是B5G的后向演进[1]。为了满足未来B5G/6G网络的业务需求，需要高效的智能化管控方法。已有的4G/5G网络的管控以被动处理为主，且特定的管控问题需要特定的求解方法，缺乏自适应的智能化方法的支撑。基于这些问题，本文重点针对B5G/6G边缘网络的需求，提出了对应的网络智能管控架构，明确了管控功能和需要解决的关键技术问题。

1   B5G/6G的应用场景和管控需求分析

1.1  5G向6G的演进

5G的愿景是实现“万物互联”，但5G与垂直行业融合应用的需求仍然不明确，且5G通信系统的性能指标尚不足以满足未来智慧城市的愿景需求。B5G/6G将在5G基础上进一步扩展和深化物联网应用的范围和领域，并与人工智能、大数据等技术相结合，实现万物智能互联。与5G相比，6G将具备“更强性能、更加智能、更加绿色、更广覆盖”等特点。6G峰值速率将达到100 Gbit/s～

1 Tbit/s;空口时延低至0.1 ms;连接数密度支持1 000万连接/平方公里;定位精度将达到厘米量级。6G网络将有效降低成本和能耗，大幅提升网络能效，实现可持续发展[2-3]。

不同于5G侧重面向人、车联网和物联网之间通信，6G将更加侧重于以人类个性化需求为中心，并将向空天地海外太空、全维度感知世界和网络空间不断延伸，为人类提供无处不在、无时不在、无人不在和无事不在的信息基础设施[4]。ITU-T“网络2030”焦点组对6G网络提出了甚大容量、超越“尽力而为”与高精度通信和融合多类网络等需求[5]。

1.2  B5G/6G边缘网络架构和特征

在未来的B5G/6G时代，海量的原始数据在无线网络边缘产生并汇入通信网络，不仅占用大量的带宽资源，还对快速、可靠的传输和计算提出了巨大的挑战。然而无线通信带宽有限，有线网络带宽也不可能无限增加，使得当前的云计算网络架构难以满足广大终端日益增长的任务处理需求[6]。

为了解决云计算所面临的困境，移动边缘计算（MEC， Mobile Edge Computing）应运而生。移动边缘计算将网络的资源、内容和功能迁移到网络边缘，即更靠近终端的位置。然而，边缘服务器的计算能力有限，远没有云计算中心的计算能力强大，面对大量计算密集型任务时仍然难以为继。因此，单层边缘服务器是远远不够的，未来的B5G/6G的边缘网络将是一种多层异构的混合架构。如图1所示，该混合架构中边缘节点到云计算中心的上行链路中包含多层不同功能的网络节点。越上层的边缘服务器计算能力越強、覆盖范围越大、距离边缘设备越远[6] ，下层边缘服务器难以处理的任务可以卸载到上层边缘服务器继续处理。该架构可以应对众多物联网应用场景，如健康监测、智慧家庭、安全监控等多种智慧城市应用。

作为城市群的基础设施之一，6G边缘网络可由多家运营商投资共建，并集成网络功能虚拟化、软件定义网络和网络切片等技术，通过与人工智能（AI， Artificial Intelligence）的深度融合，在高效传输、无缝组网、内生安全、大规模部署、自动维护等多个层面得到实际应用[7-8]。为了满足边缘网络用户的高可靠、低时延、高带宽等不同业务需求，已有的人工为主的被动管控方式将不再适用。

1.3  B5G/6G边缘网络智能管控需求分析

未来的B5G/6G边缘网络中，由于服务需求的多样化和连接设备数量的爆炸式增长，迫切需要一种新的人工智能支撑的管控范式，基于高度异构的基础设施、无线接入、计算和存储资源，实现网络的自我感知、自我配置、自我优化和自我修复[9]。

为了实现网络的智能管控，B5G/6G系统需要自动检测客户的意图，从网络边缘到核心智能地使用通信、计算和存储资源[10]，并实现智能化的任务分解和卸载，最终实现业务所需资源的按需服务[11]。其中，意图是一种描述系统状态的声明方式，它从需求的角度抽象出网络的操作对象和功能，并可以转换为高级策略[12]。此外，当用户的需求发生改变时，网络可无缝切换服务方式和内容，实现网络服务能力与用户需求的实时精准匹配，为用户带来极致无差异化的性能体验[13]。

2    无线边缘网络管控现状分析

2.1  无线网络管理架构现状分析

网络管理技术是网络正常、经济、可靠、安全、高效运行的重要保障，其主要管理功能包含配置、性能、计费、故障、安全五大管理功能域。伴随着网络架构的不断演进，网络管理技术也在不断发展[14-15]。随着无线网络从4G、5G向6G演进，网络结构越来越复杂，对网络管理技术也提出了更高的要求。

网络管理功能需要依据网络生成的大量数据，实现对网络的异常/故障/入侵的分析检测。同时，新型的网络架构也对网络管理带来了巨大的挑战，例如，需要集中且动态的管理功能来实现及时的配置、调度和分析操作[16]。在这种需求下，基于机器学习（ML， Machine Learning）的技术和策略能够支持从网络/服务数据中学习，从而支持对网络和系统的监控、分析和控制，与网络管理控制功能的需求能力相匹配[17]。

在无线网络边缘，第三代合作伙伴计划（3GPP， 3rd Generation Partnership Project）在自主计算的基础上，提出了自组织网络（SON， Self-Organizing Network）的概念，旨在指导无线蜂窝网络通过自我感知和主动的资源调度，实现网络的自配置、自优化和自修复，进而完成网络的自主管理[18]。基于大数据的SON功能也被认为是5G的关键技术之一[19]。从趋势来看，未来的B5G/6G网络中必然会包含自组织网络的演进架构，以保障网络的高可靠运行。

2.2  人工智能在边缘网络管控应用分析

面对未来6G虚实结合、沉浸式、全息化、情景化、个性化、泛在化的业务需求[20]，当前网络中以规则式算法为核心的运行机理受限于刚性预设式的规则，使得网络没有自进化的能力，任何升级改进必须依赖专业人员的大量工作，这对规模和复杂性空前的6G网络是难以接受的。因此，通过在网络中引入人工智能，使网络具备智能化管理和自进化能力，是解决上述问题的重要途径。

针对网络的管控需求，人工智能将通过对网络数据、业务数据、用户数据等多维数据感知学习，高效实现地面、卫星、机载等设备之间的无缝连接，并可进行实时高速切换，最终实现类似“无人驾驶”的自主自治网络[21]。

ML是一种重要的人工智能方法。目前，ML技术在无线网络领域得到了广泛的应用，通过对大量的业务量数据、性能数据、告警信息、系统日志、业务数据等数据训练，ML在无线网络管理所需的流量分析和预测、资源管理/准入控制、故障管理、小区中断自治愈、网络性能优化等领域都取得了大量的研究成果。这些都为B5G/6G网络的智能管控打下了基础。

2.3  现有研究存在的挑战

当前，人工智能在5G网络中的应用局限于传统网络架构的优化，由于5G网络在架构设计之初没有考虑人工智能，因此很难充分发挥人工智能在5G时代的潜力。为了实现智能网络的愿景，6G体系结构的设计应综合考虑网络中人工智能的可能性，并遵循人工智能驱动的方法，其中智能将是6G体系结构的内在特征[8]。

当前已有的网络管理方式存在的问题包括以预置的策略为主、管理和控制过程相对独立、缺乏无线侧和核心侧的协同优化等问题。此外，人工智能本身还存在一些需要解决的问题，包括用于AI算法开发与评估的测试用例和数据集标准化、数据完整性和准确性对人工智能算法性能增益的影响、人工智能在未来通信中的安全可靠性保障、人工智能算法的时延控制等，这些问题也制约着人工智能在网络智能管控中的应用[22]。因此，需要在完善现有人工智能能力的基础上，提出自适应的B5G/6G边缘网络智能管控架构。

3   基于人工智能的管理控制架构

为了实现对网络的智能管控，首先需要构建面向B5G/6G的网络资源模型，进一步，提出网络智能管控的功能范畴，进而确定人工智能计算单元的部署方式。最后，为了实现网络管控的自主化，需要实现意图驱动的网络资源自主调度。具体的网络管控架构构建过程如下。

3.1  边缘网络的资源模型构建方法

为了实现网络的智能管控，首先要面向6G网络通信、计算、存储资源融合特征，通过多维信息感知完成对应的资源建模。

面向未来B5G/6G的智能化管控需求，可分别面向静态资源信息和动态资源信息，采用基于管理信息模型的静态建模方法和基于知识图谱的动态建模方法来构建对应的管理信息模型。

（1）基于管理信息模型的静态建模方法

各大标准化组织都提出了各自的管理信息模型定义方法学来指导信息模型的定义过程和描述方法，典型的方法包括ITU-T的UTRAD方法、3GPP的集成参考点方法、TMF的MTNM方法。针对未来边缘网络的静态资源信息，可以自主选择上述建模方法，构建包含传输资源模型、无线资源模型、天地一体化网络模型和虚拟化资源模型等不同网络模型的资源库。

（2）基于知识图谱的动态建模方法

随着网络结构的不断复杂化，需要完成对网络态势的感知和表达，知识图谱是一种可行的表达方式，以图结构表示客观世界的事物及其关系。知识图谱的构建主要包括知识抽取、知识融合和知识推理三个步骤，其中知识抽取包括目标实体、对应关系以及属性三个要素。基于知识图谱构建边缘网络资源模型的方法包括数据感知、数据库构建、场景抽象等过程，实现不同业务场景驱动的知识库模型。

3.2  网络智能管理控制的功能分析

作为面向网络层和应用层的功能，未来的B5G/6G边缘网络智能管控将需要依据网络管控功能的不同需求和目标，自主选择不同类型的人工智能模型来完成不同类型的管控功能。对应于经典网络管理的功能域，B5G/6G边缘网络的管控功能主要包括如下五个方面：

（1）配置管理，包括边缘网络配置合理性分析、无线网络配置等功能。

（2）性能管理，包括性能门限管理、性能劣化分析、性能优化等功能。

（3）计费管理，包括计费合理性分析、计算调整等功能。

（4）故障管理，包括异常检测、故障定位、故障修复等功能。

（5）安全管理，包括网络风险预测、网络安全防护等功能。

此外，还需要支撑业务管理、用户管理、网络拓扑管理等辅助的管理功能。

3.3  人工智能计算单元的部署和协作方法

在未来的B5G/6G网络中，需要AI计算单元通过分布式的协作来完成对应的网络管理和控制。因此AI计算单元的部署成为了必须要考虑的问题。分布式AI通过并行训练过程利用网络中分布式的通信、计算和存储资源，并选择联邦学习等方式拆分数据和模型[9]。因此，AI計算单元不仅仅是单一的功能部署，还需要依据任务的要求，自动完成相应任务的卸载和分解，以通过智能协作高效快速地完成相应的功能。

此外，边缘的AI部署需要解决如下挑战：1）高效训练不均匀地分布在基站或移动设备等边缘节点上的大量数据;2）每个边缘设备仅可以访问一小部分数据，并且计算和存储能力有限;3）网络数据的快速抽象，清理和降维[23]。

最后，分布式的AI计算单元部署后形成对应的智能管控平台。该平台将由具有不同处理能力的各种类型的节点和基础结构组成，这些节点或基础结构是边缘节点，例如，工业或企业节点、智能城市服务器、智能家庭服务器、客户房屋设备或网络服务节点（例如，小型数据中心、应用程序服务器、内容交付和数据存储节点）等，协作来完成对应的任务。

3.4  意图驱动的网络资源自主调度

基于之前的需求分析可知，未来6G网络需要实现人机物的无缝融合和感知，需要实现人的五感和意图的抽象和表达，实现从意图到机器可识别的操作的转换。意图驱动网络（IDN， Intent-Driven Network）是一项新兴的网络技术，可以根据用户的意图自动进行转换、验证、部署、配置和优化，以达到目标网络状态，提供自动化、高可靠和闭环优化的网络服务[12]。

基于用户的意图转义结果，边缘网络要自主依据网络的状态，智能调度无线侧网络计算、通信、存储等资源，面向配置、优化、故障等不同的管理功能，自主选择合适的人工智能模型，提出资源融合的动态决策推演机制，实现网络的灵活编排和资源弹性利用，不断优化网络资源的适配与管理，持续改善网络服务质量。进而，通过构建面向服务特征-用户特性-网络环境的质量评估机制，适应网络的高度弹性变化，保证认知过程和学习的自演进，使未来B5G/6G网络自主地认知网络环境變化以及服务特性。

4   应用实例分析

智慧城市是B5G/6G的应用场景之一。图2给出了网络主动实现应急通信场景下边缘网络智能服务的一个管控实例。在该架构下，管控中心基于边缘网络预测的业务量，针对因故障导致通信中断的区域，以保障不同用户的服务质量为目标，基于深度强化学习模型，自主利用通过资源的调度完成容量补偿和用户的接入。

具体地，为了满足业务场景的需求，其被分解为多个子任务，分别为中断用户接入、局部容量增强和无人机容量补偿等功能。面向业务需求，在信息知识图谱的指导下，完成应急通信所需感知信息的抽取。进一步，AI管控功能依据资源信息，生成不同任务的子切片和对应的资源调度方法的策略，并将具体的方案下发给网络来执行。最后，网络执行之后将效果反馈给感知单元，进行下一个阶段的自我管理，从而满足整体的网络管控需求。

5   结束语

本文面向未来B5G/6G边缘网络智能管控需求，提出了对应的智能化管理控制架构，并通过一个网络实例进行了介绍。下一步需要面向具体的网络场景，提出对应的动态知识图谱构建方案，并搭建B5G/6G的实验平台，完成知识图谱和人工智能算法的验证。

参考文献：

[1] 赵亚军， 郁光辉， 徐汉青. 6G 移动通信网络：愿景、挑战与关键技术[J]. 中国科学： 信息科学， 2019，8（49）： 963-987.

[2] 魏克军. 全球6G研究进展综述[J]. 移动通信， 2020，44（3）： 34-36.

[3] 陈旭，尉志青，冯志勇，等. 面向6G的智能机器通信与网络[J]. 物联网学报， 2020，4（1）： 59-71.

[4] 陈亮，余少华. 6G移动通信发展趋势初探（特邀）[J]. 光通信研究， 2019（4）： 1-8.

[5] R L. 5th ITU-T Workshop on Network 2030 Concluding Remarks[R/OL]. （2019-10-14）[2020-04-29]. https：//www.itu.int/en/ITU-T/Workshops-and-Seminars/2019101416/Documents/Richard_Li_Presentation_final.pdf.

[6] 王鹏飞，邸博雅，宋令阳，等. 6G异构边缘计算[J]. 物联网学报， 2020，4（1）： 121-130.

[7] C X， S Q， Y L， et al. ThriftyEdge： Resource-efficient edge computing for intelligent IoT applications[J]. IEEE network， 2018，32（1）： 61-65.

[8] 王海明. 6G愿景：统一网络赋能智慧城市群[J]. 中兴通讯技术， 2019，25（6）： 55-58.

[9] H T， Y W， W J， et al. A Survey on Green 6GNetwork： Architecture and Technologies[J]. IEEE Access， 2019（7）： 175758-175768.

[10] L K B， C W， S Y， et al. The Roadmap to 6G：AI Empowered Wireless Networks[J]. IEEE Communications Magazine， 2019，57（8）： 84-90.

[11] Z Z， X Y， M Z， et al. 6G wireless networks： Vision， requirements， architecture， and key technologies[J]. IEEE Vehicular Technology Magazine， 2019，14（3）： 28-41.

[12] P L， Y C， C D， et al. A survey on intent-driven networks[J]. IEEE Access， 2020（8）： 22862-22873.

[13] 中国移动研究院. 2030+愿景与需求报告[R]. 2019.

[14] C W C， C H H ， L C F ， et al. Intelligent Architecture for Mobile HetNet in B5G[J]. IEEE Network， 2019，33（3）： 34-41.

[15] H J V D， C M， B N ， et al. Updated Taxonomy for the Network and Service Management Research Field[J]. J Netw Syst Manage， 2018（26）： 790–808.

[16] L D C， Z H， N. A Frontier： Dependable， Reliable and Secure Machine Learning for Network/System Management[J]. J Netw Syst Manage， 2020： 1-23.

[17] G H， W M. Artificial Intelligence Paradigm for Customer Experience Management in Next-Generation Networks： Challenges and Perspectives[J]. IEEE Network， 2019，33（2）： 188-194.

[18] A O G， I A， I M A， et al. A Survey of Self Organisation in Future Cellular Networks[J]. IEEE Communications Surveys & Tutorials， 2013，15（1）： 336-361.

[19] I A， Z A， A D A. Challenges in 5G： How to Empower SON with Big Data for Enabling 5G[J]. IEEE Network， 2014，28（6）： 27-33.

[20] D S， A O， S B， et al. What should 6G be？[J]. Nature Electronics， 2020，3（1）： 20–29.

[21] 賽迪智库无线电管理研究所. 6G概念及愿景白皮书[R]. 2020.

[22] W T， W S， Z Z H. Machine learning for 5G and beyond： From model-based to data-driven mobile wireless networks[J]. China Communications， 2019，16（1）： 165-175.

[23] Z Z， X Y， M Z， et al. 6G wireless networks： Vision， requirements， architecture， and key technologies[J]. IEEE Vehicular Technology Magazine， 2019，14（3）： 28-41.

作者简介

喻鹏（orcid.org/0000-0002-0402-5390）：

副教授，博士生导师，现任职于北京邮电大学网络与交换技术国家重点实验室，研究方向为无线网络管理和优化、自主管理和绿色通信。

丰雷：副教授，硕士生导师，现任职于北京邮电大学网络与交换技术国家重点实验室，研究方向为无线网络和智能电网的资源管理。

李文璟（orcid.org/0000-0003-3852-1007）：教授，博士生导师，现任北京邮电大学网络与交换技术国家重点实验室网络管理研究中心主任，中国通信标准化协会TC7/WG1组长，研究方向为无线网络管理和自组织网络。