基于AI智能关联技术的5G网络切片研究与实现*

耶旭立，曾强，康萌

（中国移动通信集团陕西有限公司，陕西 西安 710077）

0 引言

与传统运营商4G 网络相比，5G 的网络能力将有飞跃的发展，如下行峰值数据速率可达20 Gbps，而上行峰值数据速率可能超过10 Gbps。此外，5G 还可大大降低时延及提高整体网络效率，简化后的网络架构将提供小于5 ms 的端到端延迟。5G 以其超越光纤的传输速度、超越工业总线的实时能力以及全空间的连接，将开启充满机会的时代，为移动运营商及其客户提供了极具吸引力的商业模式，而运营商为了支撑这些商业模式，未来网络必须能够针对不同业务特性及服务质量，准确高效地提供各种定制化、差异化的网络支撑能力。基于此，网络切片应运而生，即在一个通用的物理平台之上构建多个专用的、虚拟化的、互相隔离的逻辑网络，以满足不同客户及业务对网络能力的不同要求。

但是，由于木桶效应一个商用级可保障的网络切片必须至少包含无线网、核心网及传输网子切片共同协作完成，任何一个子切片的设置不合理或者异常都会导致整个网络切片的性能受限，而传统业界的网络切片都是通过各专业人工协商或切片管理系统按照经验值统一配置，这种传统的切片管理模式容易出现参数设置不合理、各专业切片能力不匹配、无法面向端到端性能保障等问题，从而造成切片配置效率低、运营商资源浪费、端到端性能无法满足客户需求等问题。因此，迫切需要研究一套能够实现多专业关联的、基于历史参数学习并从整体性能保障触发的5G 网络最优切片现网解决方案，提升运营商对业务的快速保障、快速开通及资源最优配置的切片管理实践。

1 研究意义

5G 作为信息化时代的关键使能技术和基础设施新基建，服务的对象已经从传统的移动通信扩展为无处不在的连接和场景应用。5G 网络需要面向业务服务等级指标迥异的各种场景，不同商业模式需要在统一的5G 网络架构下共存共生公用。而网络切片技术是5G 网络支撑垂直行业及物联网时代数字化转型的关键，通过在运营商实体网络上切分出多个虚拟网络通道，适配智慧城市、工业控制、自动驾驶、智能电网、远程医疗等各类行业业务的差异化需求。

但是，传统网络切片都是各专业各自设置、人工协商，缺乏统一科学的调度管理规范，而且人工协商配置效率低下，难以满足业务快速开通的需求，因此迫切需要研究基于多专业自动化智能关联的切片解决方案来提升资源配置效率、发挥网络效能最大化，同时确保业务服务等级（SLA,Service Level Agreement）端到端的性能保障[1]。

陕西移动已于2020 年9 月30 日前完成全省5G SA 组网的基站、核心网及传输切片分组网（SPN,Slicing Packet Network）端到端商用，但是对于商用后的5G SA 网络能否满足多样化5G 业务的高效、精准、智能网络切片仍然是当前存在的最关键问题。因此，通过切片数据采集、切片模型选择、切片AI 智能关联及切片参数修正四步法，基于用户、APP、位置信息的切片选择出发，结合AI 算法的无监督学习和自适应学习，实现5G SA 商用后的网络切片的智能关联及最优决策，实现网络切片的按需构建，为切片最优化配置、性能感知体验提供了理论指导、模型选择及最优解决方案输出。

1.1 切片数据采集

借助无线网软采数据、传输网网管数据及核心网镜像分光数据，分别获取支撑后端切片模型选择的无线、传输及核心网网络切片子网管理功能参数，如切片ID、PLMN（公共陆地移动通信网）列表、最大终端数、覆盖TA 列表、基站列表、PE 列表等[2]，当用户初次在网络中注册时，携带相应的网络切片标识（NSSAI,Network Slice Selection Assistance Information）请求网络切片选择功能（NSSF,Network Slice Selection Function）获取相应接入的网络切片选择信息，实现对业务切片基础数据的采集。

1.2 切片模型选择

5G 网络切片是提供特定网络能力和特性的逻辑网络，通过网络切片技术，可以实现业务需求和网络资源的灵活匹配，虚拟出多张满足不同业务应用场景差异化需求的5G 切片网络，并能充分共享物理网络资源。整体是由基础设施，管理层级运行在基础设施之上的切片实例组成。从切片设计到编排、激活、监控等过程，基于切片的用户分级保障对承载业务及切片感知的业务分级保障，最终实现切片的APP及位置区域分级保障和空中下载技术（OTA,Over-the-Air Technology）签约实现切片级业务动态保障[3]。

1.3 切片AI智能关联

网络切片后产生大量的切片复合指标，需要建立无监督学习和自适应学习的AI 智能关联方法实现庞大复合切片的智能关联，其中采用二分k-means 算法结合Python 中scikitleam库里的LogisticRegressionCV()函数调用逻辑回归方法，通过使用前的参数设置，实现指标体系架构及数据宽表库独立存储调用数据的AI 智能关联[4]。

1.4 切片参数修正

基于AI 智能关联输出的5G 网络切片参数，结合业务端的切片整体性能表现，对切片涉及的用户全球唯一标识（SUPI,Subscription Permanent Identifier/IMSI,International Mobile Subscriber Identity）、切 片 标 识（S-NSSAI,Single Network Slice Selection Assistance Information）以及采用的二分K均值聚类算法关联规则模型进行后向参数修正及不断优化[5]，最终实现智能关联的切片满足业务的最佳性能体验。

2 基于AI算法的5G网络切片智能关联框架设计

本文研究建立了一种基于网络切片的智能关联+AI 算法体系，依靠对5G SA 核心网络的控制面及用户面接口数据全量采集，应用智能关联技术+AI 算法，从基本的单网络切片向实现多维关联合成转变，实现网络切片的准确评估和监控管理技术创新，从而保证各个场景的切片质量和应用。基于AI 算法的5G 网络切片智能关联体系如图1 所示：

图1 基于AI算法的5G网络切片智能关联体系

2.1 算法流程

构建AI 算法的5G 网络切片智能关联算法主要从数据采集、切片选择映射、智能算法关联、AI 算法自适应学习、端到端切片实现应用构建形成。基于AI 算法的5G 网络切片智能关联算法设计如图2 所示。

图2 基于AI算法的5G网络切片智能关联算法设计

整体研究方案包括数据采集、切片选择映射、智能算法关联、AI 算法自适应学习、E2E 切片实现应用，构建形成四个模块实现基于5G SA 网络下的Slice 精准选择和智能关联。其中，切片预选选择先于业务感知确定切片范围；智能切片关联实现切片数据的预合成处理；AI 算法提高智能切片关联的数据质量，并同步执行自适应无监督优化处理，通过三反馈机制修正和模拟实际切片场景，以上均是本方案的核心研究点。

2.2 网络结构

5G 核心网基于全新的服务化架构，将网络功能解耦为服务化件，组件之间使用轻量级开放接口通信。这种高内聚低耦合的结构使其具备敏捷、易拓展、灵活开放的特性，从而满足网络切片的按需构建、动态部署弹缩和高可靠要求，其中的5G SA 网络切片规划策略是基于应用对象分类的NSSAI，包含通用切片、行业切片、区域切片。灵活无线切片和统一空口架构设计适配多样化切片场，5G 无线网支持前传、中传和后传的灵活切分和部署，满足不同场景下的切片组网需求[6]。软件定义网络（SDN,Software Defined Network）化传输网配合多层次切片技术灵活构建传输切片，传输网切片运用虚拟化技术，将网络拓扑资源虚拟化，按需组成虚拟网络。网络切片面向网络拓扑资源的虚拟化，构建虚拟化网络，支持多层次的切片隔离技术，满足不同隔离要求下的切片需要。创新技术的采用使得虚拟网络/切片具备刚性管道能力，满足高隔离要求下的底层快速转发，从而满足不同类型切片业务对传输的要求。5G 切片智能运维管理结构设计如图3 所示。

图3 5G切片智能运维管理结构设计

3 面向5G网络切片智能关联AI算法现网实现

本研究方案包括“基于5G SA 核心网数据采集”、“基于切片的选择筛选评估”、“基于网络切片的端到端智能关联分析”、“基于AI 算法的切片关联自适应调优”、“基于AI 算法的切片实例关联应用研究”方面准确高效地完成切片数据的智能关联，并引入β函数实现自适应无监督学习优化算法，进一步提升关联合成精度。

3.1 基于5G SA核心网数据采集

基于5G SA 核心网多接口协议解码处理实现5G SA网络的多接口数据接入[7]，采集方式包括：一是无线侧采集，无线侧数据在基站采集，主要采用软采方式，采集输出信令XDR 话单；二是核心网侧采集，核心网数据控制面集中在接入和移动管理功能（AMF）/ 会话管理功能（SMF）/ 策略控制功能（PCF）网元采集，采用分光或者镜像方式，用户面采集点在用户面管理功能（UPF,User Plane Function）上，采用主要使用物理分光方式[8]，采集输出原始码流和信令XDR 话单；三是承载网采集，承载网主要采集网络性能统计信息和告警数据，采用和承载网管对接获取数据，实现全量数据采集。不同场景的网络切片数据流向图如图4 所示。

图4 不同场景的网络切片数据流向图

3.2 基于网络切片的选择评估模型

5G 网络切片是提供特定网络能力和特性的逻辑网络，通过网络切片技术，可以实现业务需求和网络资源的灵活匹配，虚拟出多张满足不同业务应用场景差异化需求的5G切片网络，并能充分共享物理网络资源。网络切片必须包括CN 的控制面和媒体面[9]，在Serving PLMN 至少包括5G接入网或非3GPP 接入网（N3IWF,Non-3GPP InterWorking Function），端到端切片还应该包括传输（TN）。一个切片提供一个或多个服务，或者一个切片由一个或多个子切片组成，子切片可以是CN、AN 或TN，其中两个切片可以共享一个或多个子切片。切片划分逻辑模型如图5 所示：

图5 切片划分逻辑模型

基于切片的用户分级保障可分为应用对象切片选择和应用场景切片选择，根据对承载业务及切片感知的业务分级，最终实现切片的模型选择。切片精准选择分类库划分如图6 所示。

图6 切片精准选择分类库划分

3.3 基于信令上报的切片多维关联合成方法

基于网络切片的智能关联合成回填，对于一个端到端信令流程，采集解析服务器会采集并上报多个接口上的信令，数据合成再根据这些单接口的信息元素来生成合成，用于反映整个端到端流程的关键信息，并在其中指示每个单接口信令的ID，从而可以通过合成来检索反映各个接口的信令和业务。

切片智能关联合成共分为三个方面[10]：一是无线数据关联回填，无线侧需要在生成XDR 时将切片标识S-NSSAI 关联回填到用户信令单据（XDR,External Data Representation）中；二是核心网数据关联回填，核心网用户面数据通过隧道ID 标识会话，在合成服务器中将切片标识S-NSSAI 回填到用户面XDR 中；三是承载数据关联回填，承载网管保存有切片标识和承载VLAN 标识的映射信息，通过映射关系回填切片标识。切片智能关联合成实现逻辑图如图7 所示：

图7 切片智能关联合成实现逻辑图

3.4 基于AI算法的切片智能关联自适应方法

基于AI 算法的切片关联自适应调优主要分为二分K均值聚类算法关联[11]；使用Python 执行β函数调用达到自适应调优，从而达到收集所需的指标进行AI 分析，通过用户标识SUPI/IMSI、切片标识S-NSSAI，采用二分K均值聚类算法关联规则模型[12]，实现网络切片的智能自适应关联。基于AI 算法的切片关联自适应调优实现图如图8 所示：

图8 基于AI算法的切片关联自适应调优实现图

k-means 聚类算法属于基于原型的聚类，由于其能简单高效地实现对大规模数据的聚类，因此是现阶段使用最为普遍的无监督学习方法。与此同时，k-means 方法也存在一些缺点，如必须人为设置聚类的簇数、易受到初始质心点位置的影响等。因此，在k-means 聚类算法的基础上提出了一种不受初始质心选择影响的二分k-means算法[13]，实验表明二分K均值聚类算法的性能要优于一般的K均值聚类算法。一般的K均值算法可以概括地分为三步：初始化K个簇的质心、将簇中其它点指派到最近的质心、根据目标函数更新质心。这里的目标函数最常用的就是SSE。当使用的数据是欧几里得空间中的数据时，SSE 的表达式为：

其中，K是族的个数；Ci表示第i个簇，Ci是簇Ci的质心；x表示对象；dist 是欧几里得空间中两个对象之间的标准欧几里得距离L2。

CN 子切片、终端、承载子切片、AN 子切片关联合成完成后，分类干预初步确认解决方案使用逻辑回归算法，LogisticRegression 算法虽然名字带有回归，但其实是一种简单高效的分类模型，常用于解决二分类以及多分类问题[14]。其在线性回归的基础之上，套用了一“t”逻辑函数sigmoid 函数。该函数的具体表达式如下：

使用sigmoid 函数套用线性回归方程为：

可得到逻辑回归算法的核心表达式为：

其中，系数θ需要模型在训练时基于移动数据集进行拟合。具体地，模型在训练时，是以监督学习的方式，通过使用梯度下降法或拟牛顿法最优化目标函数（代价函数）[15]，从而实现对参数θ进行估计的过程。逻辑回归模型在训练时的代价函数如下：

其中：

基于逻辑回归算法训练模型时，使用Python 中scikit-leam 库里的LogisticRegressionCV() 函数调用逻辑回归方法，在使用函数前需要进行参数的设置[16]，Python 执行β函数调用达到自适应调优。

3.5 基于AI算法的切片实例关联应用研究

（1）应用场景1:8K 视频直播

高清视频eMBB 场景切片选择实例如图9 所示。

初始状态：一个用户A（TUE600）选择了默认切片，这时都播放8K 高清视频直播，结果卡顿严重，无法正常播放；另一个用户B 选择了大带宽（eMBB,Enhanced Mobile Broadband）切片，视频播放流畅。

步骤1：用户A 通过切片商城选择了eMBB 切片，并付费成功；

步骤2：切片商城通知UDR/UDM 修改用户A 的签约信息，触发用户A 切换到eMBB 切片；

步骤3：用户A 重新发起8K 高清视频业务，业务和用户B 一样流畅。

（2）应用场景2：高清在线游戏

低时延游戏uRLLC 场景切片选择实例如图10 所示。

图10 低时延游戏uRLLC场景切片选择实例

初始状态：一个用户C（TUE600）选择了默认切片，这时打开高清在线游戏，结果时延严重，无法正常操作；另一个用户D 选择了高可靠低时延（uRLLC,Ultra-Reliable and Low-Latency Communication）切片，游戏流畅。

步骤1：用户C 通过切片商城选择了uRLLC 切片，并付费成功；

步骤2：切片商城通知UDR/UDM 修改用户C 的签约信息，触发用户C 切换到uRLLC 切片；

步骤3：用户C 重新发起高清在线游戏业务，业务和用户D 一样流畅。

4 数据仿真及实施效果

经过设定5 000 个采样点对高可靠低时延场景uRLLC切片的两种算法效率进行对比可知，基于智能+AI 算法关联的切片方法在仿真效率效果方面均优于传统人工预设算法效率。具体如图11 所示：

图11 5 000采样点uRLLC切片效率对比

经过设定5 000 个采样点对高可靠低时延场景uRLLC 切片的两种算法端到端时延进行对比可知，基于智能+AI 算法关联的切片方法在实际端到端时延统计方面均优于传统人工预设算法的时延，因此基于AI 的智能切片方法更能适应业务的自动化编排。具体如图12 所示。

图12 5 000采样点uRLLC切片端到端时延对比

5 结束语

本文介绍了5G 网络为满足各行业对于通信网络的差异化服务需求，提出了一种基于AI 智能关联技术的切片现网实现方案，使用了多域多接口数据采集及关联技术完成切片端到端全流程的关键数据收集，结合不受质心影响的二分k-means 无监督自学习经典算法[19]，输出了面向5G 不同应用场景的最佳切片模型参数集选择，最后通过仿真验证了采用AI 智能关联算法的优势，为将来5G ToB 垂直工业互联网行业丰富的网络功能定制和不同业务场景要求，实现5G 网络多样化、差异化的切片数据高效率处理[20]，提供了一种可精准、智能、快速收敛的数据处理关联解决方案。