面向6G的双循环数字孪生网络架构设计

杨婷婷，贺虹舰，霍雨佳，孔令政

(1.大连海事大学 航海学院，辽宁 大连 116026；2.鹏城实验室，广东 深圳 518038；3.东南大学 网络空间安全学院，江苏 南京 211189)

0 引言

以网络化、信息化与智能化的深度融合为核心的“第四次工业革命”驱动全球加速进入以“万物互联”为显著特征的数字化时代[1]。工业互联网的基础模型和技术依托于数字孪生。数字孪生自2002年提出后，初期并未引起太多关注。但随着信息化、数字化技术的快速发展，数字孪生得到了各行各业的积极响应。全球最具权威的咨询顾问公司Gartner连续三年将数字孪生列为十大战略性科技趋势之一[2]。中国也开始跟进数字孪生的相关研究，包括工业4.0研究院在内的多家国内机构和企业正在进行数字孪生的相关研究[3]。

在制造业，产品设计、产品生命周期管理(Product Lifecycle Management,PLM)、产品售后服务、设备故障诊断都在使用数字孪生。如今数字孪生这一概念，已迅速走出制造业，应用到了智慧城市、智慧交通、智慧工业、智慧医疗、智慧军事等各个行业。在智慧城市方面，阿里的城市大脑、华为的“5G+AI”、科大讯飞的数字超脑、51VR的51City OS等利用5G、WLAN、LET以及城市专网，多网协同布局数字孪生城市方案[4]。Sim Cure、法国公司达索系统、西门子“数字心脏”、Philips的HeartModel等在数字孪生医疗方面开启了研究[5]。

本文聚焦于数字孪生网络的整体架构，提出了“基于内外双循环机制的数字孪生网络”架构，其中内循环旨在以数字孪生的方式提高网络运行的效率、降低网络运维的成本，外循环则利用自适应的数字孪生来解决实际问题。该架构以智能化网络为通道，打通了数字孪生网络各部分的隔阂，将数字孪生网络视作一个系统的整体，成为未来涉及智慧应用的通用架构，实现全场景的任务覆盖。本文介绍业界对数字孪生的定义以及相关技术的研究现状，阐述了数字孪生网络的重要特性，并提出了“基于内外双循环机制的数字孪生网络”架构以及其应用示例，最后总结了数字孪生网络所面临的问题与挑战。

1 数字孪生定义及相关技术概述

1.1 数字孪生定义

数字孪生的概念最早在2002年由密歇根大学的迈克尔·格里夫斯(Michael Grieves)教授提出[6]，是指通过数字化手段，在虚拟空间构建一个与物理实体相一致的虚拟实体的技术。数字孪生不仅是虚拟再现物理对象，还可以模拟物理对象在现实环境中的各种行为。2010年，美国国家航空航天局(National Aeronautics and Space Administration,NASA)在其太空技术路线图[7]中首次引入了数字孪生的表述。定义数字孪生为一种集成化的多种物理量、多种空间尺度的运载工具或系统的仿真模型。中国电子信息产业发展研究院在《数字孪生白皮书》[8]中指出数字孪生是综合运用感知、计算、建模等信息技术，通过软件定义，对物理空间进行描述、诊断、预测、决策，进而实现物理空间与赛博空间的交互映射。中国技术标准化研究院、树根互联技术有限公司在《数字孪生应用白皮书》[5]中提出数字孪生是具有数据连接的特定物理实现或过程化的数字化表达，该数据连接可以保证物理状态和虚拟状态之间的同速率收敛，并提供物理实体或流程过程整个生命周期的集成视图，有助于优化整体性能。北京航空航天大学等在《数字孪生及其应用探索》[3]中提出数字孪生是一种集成多物理、多尺度、多科学属性，具有实时同步、忠实映射、高保真度特性，能够实现物理世界与信息世界交互与融合的技术手段。

1.2 数字孪生相关技术概述

文献[9]建立了地面网络的动态数字孪生系统，提出利用数字孪生提供空地网络的虚拟表示反应状态，结合联邦学习，设计基于Stackelberg游戏激励机制实现更好的分布式空域地面集成网络监控。文献[10]提出一种基于数字孪生的可扩展网络切片方案，该数字孪生利用新的图神经网络模型，实现将网络状态映射到复杂的切片网络的端到端服务质量(Quality of Service,QoS)的能力。

这种能力确保在片上执行任何更改后，都能满足QoS需求，且片间的资源分配不会超过服务器的资源容量。文献[11]提出数字孪生边缘网络的新愿景，其中边缘服务器的数字孪生估计边缘服务器状态，整个移动边缘计算系统的数字孪生为卸载决策提供训练数据，是一种灵活的移动卸载方案。文献[12]将数字孪生纳入无线网络，提出了数字孪生无线网络(Digital Twin Wireless Network,DTWN)，将实时数据处理和计算迁移到边缘平面；本文还提出了一个运行在DTWN中的区块链赋权的联邦学习框架，可以进行协同计算，提高系统的可靠性和安全性，增强数据隐私。文献[13]提出了“三层三域双闭环”的数字孪生网络架构，实现网络实时闭环控制，网络配置在“内闭环”进行调整和优化，在“外闭环”进行实时控制、反馈和优化，最终实现网络的自学习、自验证、自演进的实时闭环控制。

数字孪生技术的相关研究目前还处于初级阶段，数字孪生技术的应用更侧重于单一循环，用于特定场景的控制与规划，用来解决某一种或几种有限的问题，没有做到数字世界和现实世界全场景的交互，难以成为通用架构。或者数字孪生平台被当作仿真工具，忽略了与现实世界的交互，没有打通数字世界和现实世界的连接通道。为了解决上述问题，本文提出了基于双循环机制的数字孪生网络，以大数据为“基石”、智能化网络为“血管”、AI为“指挥家”，打通数字孪生网络结构各部分的隔阂，利用智能的资源调度算法，实现更好的资源调度。将数字孪生网络看作一个系统的整体，成为未来涉及智慧应用的通用架构，以实现全场景的任务覆盖。

2 基于双循环机制的数字孪生网络

2.1 数字孪生网络的描述

数字孪生是物理世界与数字空间交互的技术范式，它的主要价值是实现物与物、人与物之间的交互机制。在物理世界中，每一个物理实体都包括若干状态参数，可以等效成特定功能或者过程[14]，物理世界映射到虚拟世界后，每一个数字孪生子可以看成一个对象，由若干状态参量描述。而多个物理实体可以组成一个更大的系统，对应多个数字孪生子组成数字孪生网络。数字孪生网络相对于其他技术的不同在于构筑了一个完整的数字世界，支撑其运行的不是单个或几个技术，而是一个复杂的高科技复合体。与人工智能、信息网络等单个技术对思维的单项作用不同，数字孪生提供了一个技术与认知的作用与反作用、影响与反影响的互构空间。在这个空间里，能够仿真、演示、模拟、验证这种双向互构互促的过程与结果，进行更加准确高效的认知。数字孪生不是简单的物理映射，因为没有网络可以承担如此庞大数据量的实时交互。所以，数字孪生是通过大数据分析和AI预测，只用很少但是关键的数据，完成对物理本体的模拟，而不是直接映射。

2.2 数字孪生网络重要特性

数字孪生网络的三个重要特性是：以大数据为“基石”、以6G网络为“血管”、以AI为“指挥家”。

大数据是数字孪生的“基石”数字孪生的起点就是从物理本体收集起来的庞大数据，这些数据经过层层处理，才能实现终端虚拟孪生。大数据构成数字孪生的基础，快速的网络让数字孪生成为可能。

6G网络是构建数字孪生的“血管”网络在数字孪生中无处不在，采集数据需要网络的参与。云端大数据分析、AI的推理与预测，以及反馈用户端的策略等，都需要网络作为载体，网络需要还为虚拟系统提供一定的灵活性和便利性。网络对数字孪生技术的影响可见一斑，6G网络的发展使上述要求的满足成为了可能。

AI是数字孪生无处不在的“指挥家”AI使用少量的数据预测物理体动作，让数字孪生高效而准确地运行。数字孪生网络对AI推理有着很高的依赖[15]：数字孪生在终端模仿物理本体的状态，用户在终端对虚拟目标进行操作。物联网实时收集虚拟对象的决策数据，利用智能的云计算平台对庞大的数据进行筛选、分析、预测，进一步优化数据；最后将数据部署给AI模型。AI模型将推理结果再反馈回虚拟目标，如此形成一个闭环，利用AI实现了虚拟目标状态的更新。AI算法还以数字孪生为基础来解决实际问题：在工业制造领域，数字孪生在虚拟世界搭建出实时模仿流水线控制的虚拟系统，可以利用机器学习、深度学习等AI算法实现产品制造、过程优化、目标制定等功能，反馈到物理世界进行调整以解决实际问题；在网络业务领域，通过网络设备的数据采集感知系统，获取网络实时状态信息，构建出与物理网络一致的数字孪生体，形成平行的伴生网络，利用AI推理技术对网络新业务进行评估、预测，为实际网络及相关业务提供建模、验证及保障。

2.3 基于双循环机制的数字孪生网络

根据数字孪生网络的描述和重要特性,数字孪生网络可以设计为如图1所示的“基于双循环机制的数字孪生网络”架构：双循环指的是内循环(Digital Twin for Network,DT4Net)和外循环(Network for Digital Twin,Net4DT)。其中DT4Net以数字孪生的方式,提高网络运行的效率、降低网络运维的成本，实现网络极简化和智慧化运维；Net4DT利用自适应的数字孪生解决实际问题。

图1 基于双循环机制的数字孪生网络架构

2.3.1 DT4Net架构

文献[13]中，提出了“三层三域双闭环”的架构，用于提高网络运行的效率，降低网络运维的成本。本文将该架构作为网络层的内部循环，即DT4Net，是智能化网络的重要环节。

“三层三域双闭环”的“三层”指的是构成数字孪生网络的物理网络层、孪生网络层和网络应用层；“三域”指的是孪生网络层的数据域、模型域和管理域，分别对应数据共享仓库、服务映射模型和网络孪生体管理三个子系统；“双闭环”指的是孪生网络层内基于服务映射模型的“内闭环”进行仿真和优化，以及基于三层架构的“外闭环”对网络应用的控制、反馈和优化。

2.3.2 Net4DT架构

孪生层通过智能化网络作为通道获取物理世界的数据，AI使用数据预测物理本体动作，让数字孪生在终端模仿物理本体的状态。孪生层根据用户的需求利用AI算法实现目标功能，反馈到物理世界进行调整以解决实际问题。外循环实现物理层和孪生层之间的交互和反馈，而基于内循环的智能化网络打通了物理世界和数字世界之间的隔阂。

在物理层和孪生层之间的交互中，为实现物理到虚拟的通信(Physical to Virtual,P2V)，物理对象可通过6G通信技术实现与数字孪生系统的信息传输，实时共享该物理对象的数据，并接受来自该数字孪生系统的反馈。多种传感器之间需要在时间上同步，并标有空间信息，还要带有ID信息，为不同的传感器数据融合分析提供便利。

孪生层内部也存在交互。为实现数字孪生体的通信(V2V)，在逻辑上占据虚拟空间，反映在现实物理世界中发生的通信行为。这种虚拟模式主要依赖于数字孪生服务器的计算能力来模拟数据传输行为。可以通过一种可扩展的网络切片数字孪生[10]来实现，利用作为状态特性生成切片基础设施的共享节点和链接的虚拟表示图结构中元素之间关系信息，捕捉邻域的依赖性，形成端到端切片度量。对于孪生层内数字孪生体的管理，即数字孪生体的部署与编排，可将数字孪生体分布部署，可以部署在云上、网络边缘等不同位置。综合考虑计算能力进行负荷分担，或者直接采用就近原则等；对于基于微服务的数字孪生体的编排，可以对已经存在的数字孪生子进行替换，比如替换成更好的模型。数字孪生子可以在不同的网元之间迁移，对已经存在的数据孪生子进行扩展，比如提供更多的输入、输出数据。将不断引入新的数字孪生子，扩展数字孪生子库，利用已经存在的多个数字孪生子，编排出新的系统(更大的数字孪生子)，新的系统中应该包含子系统没有的状态参量。多个孪生子组合成一个更大的孪生子,实现物理实体与数字孪生子之间多对多的映射关系。

图2是智能化网络支持下外循环的P2P、P2V、V2V的工作机制。在物理层，大数据面从物理本体收集起感知数据和外部数据，AI计算面得到物理终端的通信、计算和存储的维度模型和图模型。在网络连接层，大数据面得到网络的相关数据和相关的用户数据，AI计算面根据用户需求和控制需求得到算法模型和标签模型。在数字孪生层，大数据面得到相关的用户数据和业务数据上传到AI计算面进行AI推理得到指标模型。最后在应用层，大数据面根据在各层收集到的庞大数据进行数据控制和数据推理，由AI计算面得到推理结果，实现万物互联，智慧共生。

图2 智能化网络支持下外循环的P2P、P2V、V2V的工作机制

2.4 应用示例：算力众筹

当前，计算能力供需关系不平衡成为产业创新升级演进的瓶颈。构建弹性开放、高效协同的计算基础设施，成为信息技术产业与通信技术产业融合发展的重要共识[16]。算力众筹能够利用泛在网络连接和空闲的算力服务实现算力资源的灵活调度。

图3描述的架构利用数字孪生网络实现了资源的双循环，以及网络内外的算力、存储等资源的众筹、开放及共享。用户在完成自己的计算任务、通信任务时，仍有空闲算力可供调配，如果将这些空闲算力直接下发到物理网络上可能会影响其他业务的正常处理，所产生的影响可能很糟糕。利用数字孪生网络模型，在数字世界提前校验和模拟空闲算力的调配，提前发现调配过程中出现的一些异常问题，例如信息无法精准传输、算力分配不均衡而影响单一设备能耗等。可利用AI技术进行原因分析，生成新的改进策略，再在数字世界进行验证，直到算力调配既能满足用户的业务要求，提高资源的利用率，又对其他业务没有影响后，再将算力调配下发到现实世界。

图3 基于数字孪生网络的算力众筹框架

算力调配采用的是强化异构联邦学习，针对边-端多智能体数据异构性问题，不同用户价格敏感性的异质性，采用基于动态定价及契约机制的任务(模型)卸载方案，为用户提供最佳计算任务-价格合约(动态定价)，即任务与资源的分配与编排机制。

3 数字孪生网络面临的问题与挑战

单个物理实体映射到其数字孪生体并不困难，比较困难的是多个物理实体组成系统的虚拟映射或者多个数字孪生子组成复杂的虚拟系统，虚拟系统要提供一定的灵活性和便利性。6G网络的发展使用户通过与数字模型的交互实现对真实世界的信息交互成为了可能，未来网络架构在6G基础上构建数字孪生需要如下的功能：

① 让AI无处不在：AI是数字孪生平台的重要组成部分，不仅参与虚拟目标的状态更新，还负责资源的高效管理等工作。AI的大规模使用让数字孪生网络更加高效。

② 实现大规模的接入： 需要构建大规模MIMO，利用AI的高效规划，能够同时覆盖上千对终端的接入。

③ 实现资源的高效利用：任何时候，某些资源，如带宽，永远是稀缺资源，所以需要利用AI实现对稀缺资源的利用和复用。

④ 实现高效的资源管理调度：利用AI，高效调度大数据的采集和云计算，以及数字孪生中各个步骤的数据转发等。

⑤ 实现全场景任务覆盖：网络需要适应多种数据。大规模的网络中有许多设备，采集来的数据包含视频、图片、语音等，所以网络需要根据不同类型的任务自适应地做到转发、调度、推理重建等。

4 结束语

本文对数字孪生的发展和业界对其的定义进行了概述，并对部分数字孪生的探索和相关工作进行了探讨，发现数字孪生技术的应用更侧重于某种特定的网络或者某种特定的场景中。所以本文提出“基于双循环机制的数字孪生网络”架构，通过智能化网络打通数字孪生网络各部分隔阂，将数字孪生网络看作一个系统的整体，实现全场景的任务覆盖，并探讨了该框架在算力众筹上的可行性。基于本文提出的系统架构，下一步工作将在关键技术上深入研究，选取更多经典场景对该系统架构进行可行性验证。