基于AI算法的5G多接入协同方案及关键技术*

牛娇红，方琰崴，郑兴明，陆光辉，马驰容

（1.中兴通讯股份有限公司，江苏 南京 210012；2.移动网络和移动多媒体技术国家重点实验室，广东 深圳 518055）

0 引言

继信息技术和移动互联网引发第三次工业革命之后，以大数据驱动的人工智能技术正在推动第四次工业革命[1]，给人类社会的生产生活带来巨大的变化。在通信行业，AI与5G 的融合将会带来前所未有的新机会。

5G 移动网络的设备每时每刻都在产生着大量的数据，如UE 的移动数据、网络的负载和性能数据、无线信号的接收质量等，针对这些海量数据，可以采用人工智能技术来实现移动网络业务体验、用户业务行为的预测，进而更精细地调整和优化网络资源，提升用户的体验，提高5G 网络资源利用率[2-3]。5G 与人工智能技术融合可以实现多种场景的网络优化[4]，如智能寻呼优化、异常终端检测与管控[5]、业务体验保障[6]、智能切片选择[7-8]等，尤其是在移动多接入场景的应用，可以充分利用不同接入网络资源，满足不同的用户需求。

本文从5G 核心网多接入协同的角度出发，结合3GPP标准和前沿AI 算法，对5G 多接入动态协同解决方案及关键技术进行探讨。

1 5G核心网智能化标准进展

2017 年2 月，3GPP SA2（Service &System Aspects Working Group 2）R15 开始引入5G 核心网智能化网元NWDAF（Network Data Analytics Function，网络数据分析功能）[9]。

NWDAF 负责采集网络、终端、网管及业务数据，进行模型训练，输出统计及预测结果，辅助网络优化和运维，促进移动网络资源的合理配置。NWDAF 能够从5G 网元、AF（Application Function，应用功能）、OAM（Operation Administration and Maintenance，操作管理维护）系统中采集数据。对于来自OAM 的数据，NWDAF 使用由3GPP SA5 定义的机制和接口。对于AF 数据，NWDAF可以直接从AF 采集，或者通过NEF（Network Exposure Function，网络开放功能）进行数据采集。NWDAF 对采集的网络数据进行模型训练和分析推理，并将分析结果提交给需要该数据的5G 网元，以辅助其进行策略制定，形成分析、决策、执行的闭环[10]。

图1 为基于NWDAF 的网络智能架构：

图1 基于NWDAF的网络智能架构

3GPP R16 版本2020 年Q2 已经冻结，定义了NWDAF的架构、接口和分析类型。R16 在架构上打通了网元、管理和应用，实现了数据采集能力，定义了网络数据拥塞分析、业务体验数据分析、终端移动性数据分析等分析类型。

3GPP R17 版本正在标准制定中，预计在2022 年Q1冻结，R17 版本对R16 版本进行了架构、特性和场景的增强，在架构上支持灵活部署架构、适合规模商用场景，特性上支持实时、精准分析，场景上支持NWDAF 辅助多接入/多频点选择、智能边缘计算、智能切片SLA 等新能力。

2 基于AI算法的5G多接入协同方案

2.1 场景需求

当前5G 网络商用逐渐成熟，而短期内无法达到5G 网络的全面覆盖[11]，4G、5G 等多种接入方式将会长期共存，且5G 网络也存在多种高、低频率部署方式[12]。在充分发挥5G 优势、保证业务能力和用户感知的同时，如何高效地管理并分配网络资源给业务应用，对于运营商来说是个极其关键的问题，例如：某些用户始终不活动，或其在某些时间、位置常使用低价值服务，则将该用户从5G 接入4G，以保障网内高价值用户的QoE。相反，将那些使用低时延和高宽带业务的高价值用户保留在5G。或如果部分用户希望驻留在5G，但本身业务对于带宽和时延没有极高要求，则支持将该部分用户从5G 高频接入5G 低频；相反，对那些对带宽、时延有较高要求的业务用户，支持继续保持在5G 高频上，以保证其体验。

2.2 技术方案

5G 核心网智能化方案整体思路是基于智能化网元采用订阅方式从移动网络中采集各类数据，包括网元、网管、应用功能等，通过AI 智能算法进行数据训练，实现对用户行为、业务特征、报文特征进行多维度的画像。网元、网管、应用功能等可订阅这些画像模式，实现实时的闭环策略。

现有的3GPP 标准规范支持RFSP（RAT/Frequency Selection Priority Index，无线/频率选择优先级索引）机制[13]。借助大数据和人工智能技术，NWDAF 能够协助策略网元在保障用户体验的前提下提供智能选网策略，实现用户从5G 切换到4G 网络或者从5G 高频NR 切换到低频NR。具体策略包括：

（1）策略1：当5G 网络某频段拥塞时，将5G 用户迁移到其他频段或4G 网络；

（2）策略2：移动性低、低价值业务，如非实时语音业务迁移到5G 低频段或4G 网络；

（3）策略3：针对付费业务、VIP 用户需要进行保障，将用户驻留在5G 网络。

图2 为基于NWDAF 的5G 多接入智能协同解决方案：

图2 基于NWDAF的5G多接入智能协同解决方案

2.3 关键流程

NWDAF 辅助PCF 实现动态的RFSP 策略决策是一个涉及端到端网络协同的解决方案，需综合考虑用户的行为特征、业务特性、网络状况等各种因素进行联动分析。具体实现流程如下：

（1）PCF 触发订阅NWDAF 的分析类型，包括用户行为、业务特征、网络状态分析等。

（2）NWDAF 根据分析类型从网元、AF（Application Function，应用功能）和OAM 中采集数据，并通过模型训练、分析推理，最终输出分析结果[14]。具体如下：

1）用户行为分析：如UE 的移动性行为、业务交互行为特征。这需要从AMF 中采集UE 移动性位置数据、AF 中采集UE 移动轨迹数据及交互类数据，通过数据分析可以统计和预测某段时间内UE 在某区域出现的比率、交互周期、交互时长等信息。

2）业务特征分析：目前3GPP 标准不支持UPF 数据的采集和分析，通常可以采用传统的DPI 技术实现业务行为分析。针对普通DPI 技术无法识别的新业务或加密业务，可以借助人工智能算法，通过流量外部特征进行业务特征识别，比如可以通过CNN（Convolutional Neural Network，卷积神经网络）算法训练出业务流量模型，然后通过业务流量特征来识别业务，从而确定用户业务是否为高价值。

3）网络状况分析：指的是网络拥塞情况相关分析。网络拥塞情况可以从AMF 中采集UE 位置信息，从OAM采集控制面、用户面指标（如UE Throughput、DRB Setup Management、RRC Connection Number、PDU Session Management 和Radio Resource Utilization 等 ），从UPF或者AF 采集流量信息，经过分析后，输出统计或预测的网络拥塞级别。

4）业务体验分析：从AF 采集业务数据，从5GC 网元中采集QoS Flow 级别的网络数据，从OAM 中采集UE级别的网络数据，经过分析后，输出用户的业务体验统计后预测结果。

5）PCF 根据这些分析结果生成RFSP 索引，并更新到AMF，然后AMF 将PCF 更新后的RFSP 索引发送给RAN，由RAN 针对特定UE 的RFSP 索引映射到无线资源，并进行无线接入的控制，实现接入优化，提升整体的网络资源效率。

2.4 智能算法

5G 多接入协同算法构建方法如下：首先，可采用离线分析，基于采集的用户业务保障要求、业务使用情况、网络运行状态和资源调度情况等历史数据，通过分类算法（如逻辑回归、支持向量机、随机森林、K-means聚类算法等），可将用户按照业务价值和体验情况分为4 类：“高价值+高MOS 值”“低价值+高MOS 值”“高价值+低MOS值”“低价值+低MOS 值”。然后，通过在线实时监控用户的状态、业务等，将实时的业务行为和质量的数据输入到分类模型后，可以确定用户类别。当检测/ 预测到5G 网络可能会产生拥塞时，可以提前进行灵活调度和资源重分配，一方面考虑申请调度新的网络资源并设置合理的生命周期，另外一方面可以考虑将低价值、高MOS的非保障类业务的用户迁移到5G 低频段或者4G 网络上，实现用户不感知的迁移。

建议采用K-means 聚类算法来实现用户不感知的分步迁移。将样本共分为4 个簇，即K=4。假设簇划分为(C1,C2,...,CK)，计算每个样本x到聚类中心a（均值向量）的距离，并将其分到距离最小的聚类中心所对应的簇C中，也就是将用户分成了4 个类别，如下：

针对得到的每个簇，重新计算它的聚类中心作为新的均值点：

直到达到某个终止条件（迭代次数、最小平方误差、簇中心点变化率）实现收敛，最终识别出（低价值、高MOS）的用户，实现用户的平滑迁移。

3 基于AI算法的5G多接入协同关键技术

目前在3GPP 标准中仅定义了NWDAF 的架构、特性和分析类型，并未考虑到具体实现机制。为了实现智能5G多接入协同场景的自动、闭环、安全的网络数据分析推理，我们将进一步考虑以下关键技术。

3.1 网络全息感知

现有3GPP 标准中数据采集和分析的触发机制主要是基于网元对智能分析的订阅，而分析的结果也是针对网元确定性场景的需求。这种触发机制是被动的，难以实现根据网络和业务的动态状况进行智能化分析。

为此，未来可以通过对网络的全息感知、动态触发实现主动性学习的网络，这种方式能够感知现存的网络环境，通过对所处环境的理解，有助于实时调整通信网络的配置，智能地适应专业环境的变化，实现多接入/ 多频点选择的自动化和智能化。

首先需要对移动端到端网络状态、业务特征、基础设施资源状况等进行实时、全息的建模和画像。智能化网元可以通过全息感知网络、业务、基础设施的状况，根据趋势进行预判，当业务体验即将无法保障、网络可能出现亚健康、低价值业务会占用大量网络资源等情况发生时，高效地调整网络和业务策略，形成动态场景化的主动触发机制。

全息网络感知的关键技术包括：高精度数据采集、异构网络数据存储、数据处理技术等。

高精度数据采集：全息的数据采集需要获得全面、准确的网络数据。然而运营商物理网络规模非常大、设备的形态多种多样、资源使用动态变化，数据采集的频率和方法都需要综合。考虑数据类型较多，对不同的数据类型需要考虑不同的采集方式，如网元属性类数据的变化频率低，采集的频率也可以较低，而网络的流量、业务特性变化瞬息变化，需要较高的采集频率。采集协议可以采用探针、DPI、NetFlow 等多种方式。

异构网络数据存储：移动网络的历史数据和实时数据会存储在数据仓库中，为了提供统一的数据服务，需要将各种数据集成到统一的环境中。网络智能化分析所需的数据量大、种类多（结构化数据、非结构化数据），需要采用多元的存储技术构建数据共享仓库。比如，可以采用分布式数据库存储结构化数据、NoSQL 的数据库存储半结构化数据等。

数据处理技术：移动网络中的数据有静态的历史数据，也有实时的数据。针对静态数据，可以采用如Hadoop 进行批量的处理，而对于移动实时大量产生的网络数据，需要引入流计算进行实时的分析处理，比如采用Flink、Spark streaming、Storm 进行流数据处理。流计算发展将提供更高的吞吐速率，以应对更加海量的流式数据；更低的延迟，逐步实现亚秒级的延迟；更加完备的流量控制机制，以应对更加复杂的流式数据情况；容错能力的提升，以较小的开销来应对各类问题和错误，这为未来全息网络数据实时处理提供了更多技术支撑。

3.2 自适应模型算法

人工智能经过长期发展产生了大量的数学模型，目前常用的算法模型也达到了几十种，既有传统的统计模型，也有基于大量数据的深度学习模型，而且在不断增加。人工智能按照训练数据有无标签分为监督学习、无监督学习、半监督学习。针对解决的问题有回归模型、分类模型、聚类模型、降维模型等。我们需要自适应的模型算法，比如，在智能多接入/多频点选择的场景中，能够根据解决的问题来自动选择最优的算法，而如何兼顾效率和准确性是模型选择考虑的关键因素。

传统的机器学习在解决问题时，首先需要对问题进行定义，然后针对特定问题收集数据，由专家对数据特征进行标定、提取特征、选择特征，然后根据所选特征训练模型对模型进行评估，最后部署到应用上，以解决最初提出的问题。其中数据收集、特征提取、特征选择、模型训练和模型评估的过程是一个迭代的过程，需要反复进行、不断优化才能得到较优的模型。这个过程非常耗时费力，AutoML 可以将传统机器学习中的迭代过程综合在一起，构建一个自动化的过程，实现自动特征工程、自动管道匹配、自动参数调整、自动模型选择等功能，从而减少时间和人力等资源的浪费。

然而AutoML 主要用于神经网络算法的选择，缺乏对传统机器学习的支持，实际上统计学习、深度学习等针对不同的需求都被有效、普遍地应用。移动网络中场景、数据多种多样，需要对自动化机器学习模型选择进一步扩展，支撑更多种的算法选择。除数据特征之外，模型的选择在移动网络智能化还需要更多的考量，比如模型训练的时长、训练的精度要求、算力的情况等。模型的选择本身也是一个优化问题，可以通过机器学习来解决，比如，借助于分类算法，我们可以找到合适的模型。

3.3 实时智能闭环验证

在智能多接入/多频点选择的场景中，NWDAF 辅助策略网元实现网络闭环分析，最终将分析决策结果实施到物理网络中。然而，人工智能模型训练过程本身具有较大的不确定性和不可解释性，因此，需要重点关注如何在系统设计中减少分析推理结果实施的风险。

在智能化闭环过程中，NWDAF 的主要角色是采集数据、训练模型及提供分析结果，实际的决策者和实施者是网元，网元可以通过权重的方式控制分析结果的实施程度，实现自动化闭环。

此外，可将数字孪生技术引入移动网络，在孪生网络中实现模型算法的自适应增强及分析决策结果的验证。数字孪生本质是对物理网络实时的映射，AI 推理的结果在孪生网络中可以先进行验证，然后再实施到物理网络中，实现智能化闭环。利用数字孪生实现智能化闭环的框架如图3 所示：

图3 基于数字孪生的自动化数据分析闭环框架

数字孪生技术目前在业界处于早期讨论阶段，需要进一步研究物理网络数据的实时采集、存储技术、物理网络和孪生网络实时映射、接口等关键技术。

3.4 隐私保护技术

在智能多接入/多频点选择的场景中，需要采集用户、业务及网络多方数据，且各个域相对独立。随着数据隐私安全问题突出，需要合理、合法地使用这些孤立的数据，在保护用户隐私的前提下实现网络智能化。

业界提出的联邦学习技术为人工智能的商业应用提供了一种不需要直接交换数据的可行解决方案[15]。联邦学习的核心思想是由每一个拥有数据源的参与方训练一个模型，并将各个参与方模型互通，最终通过模型聚合得到一个全局模型。联邦学习在模型训练中允许使用分布式数据源来开发人工智能而不违反法律法规，有效地解决数据孤岛和数据安全的问题。

在移动通信领域中，模型训练采集的数据可能涉及UE、RAN、CN 跨域场景，可以借鉴联邦学习技术解决数据跨域互通问题，实现各域内数据隐私的保护。

基于垂直联邦学习技术的移动网络学习框架如图4所示：

图4 基于垂直联邦学习技术的移动网络学习框架

联邦学习技术的本质是一种分布式机器学习技术，分布式机器学习技术无法保证数据、模型的安全，比如目前流行的神经网络所使用的梯度下降算法也可能会反推数据特征，泄露数据隐私。因此需要结合基于密码学的加密算法保障各方隐私的安全。常用的加密技术有安全多方计算、同态加密、差分隐私等，这些技术可以结合使用，实现原始数据、计算中间结果参数（如梯度）、计算过程的加密。

4 结束语

目前5G 已经逐步商用，AI 与5G 的结合已经成为全球产业界的共识。运营商网络存在代际多、规模大、组网复杂等特征，需要考虑多接入/多频点协同场景下的智能选网方案，可充分利用AI 技术创新网络优化、运营和运维方案。然而，由于终端成熟度低、网络设备需改造升级、标准方案难以拉通等因素，基于AI 算法的5G 多接入协同方案的落地将是一个循序渐进的过程。

产业界针对6G 网络的预研工作正在开展，为提升网络整体效率，6G 将进一步融合人工智能、意图网络及数字孪生等技术。未来，网络智能化将在网络自优化、自闭环、自运营等方面发挥更大的效能。