5G RAN的架构演进及智能化

关键字：标准演进；架构演进；开放化；智能化；系统化

與以往不同，5G时代面临着网络结构及业务的复杂化、业务数据的海量化以及人工成本的不断升高等挑战，这些都需要行业在网络优化的方向上进行革新。因此，如何将人工智能等新技术应用于网络优化，以实现更高的效率、更低的成本和更优质的用户体验，是当前移动通信领域亟待解决的重要问题之一。

随着机器学习、深度学习等人工智能（ArtificialIntelligence，AI）技术趋于成熟，依靠深层结构和强大的特征学习机制，性能卓越的AI 算法不仅在数字图像处理、语音识别和自然语言处理等计算机科学方面表现出色，还可以促进其他科学领域的研究。

通过在传统行业中采用人工智能技术，可以实现提升效率、降低运营成本，这已成为当下产业界和学术界的重要研究方向和应用场景。移动通信网络目前存在着网络结构复杂、设备种类多样、网络业务繁多等问题，并且随着当前5G 及物联网的规模部署，问题更加突出。因此，积极利用机器学习、深度学习等AI 技术来进行网络规划、诊断、优化和预测，可以应对这些问题，同时减少人工干预，提高网络的“智能化”。

一、通信行业智能化方向的标准研究

近年来，各标准化组织、运营商和通信企业对人工智能技术在通信网络中的应用和发展进行了广泛研究，发布了一系列规范标准和白皮书，这极大促进了该领域的发展。例如，O-RAN 联盟在2018 年10 月发布的白皮书《面向开放与智能的RAN》中明确指出了未来RAN 的两大方向：开放和智能化，并引入了智能控制器（RIC）来实现智能化的网络架构。此外，TM Forum 于2021 年10 月发布的《自智网络白皮书3.0》详细阐述了自智网络的愿景、需求、架构和能力，还汇集了最新的行业动态和标准成果，尤其值得关注的是聚焦“如何开启和推进自智网络”这一行业焦点，从“挑战分析、实现方法和参考案例”三个方面，给出了观点和建议，旨5G RAN 的架构演进及智能化在“进一步深化产业共识，指引更多运营商加快建设自智网络”。同时，中国移动在2021 年7 月发布的《中国移动自动驾驶网络白皮书2021》中重点介绍了中国移动的自动驾驶网络“234”体系架构，该架构围绕两大目标，即支撑客户发展和夯实质量领先优势，并实现了三个闭环和协同四个层次。其中三个闭环分别为单专业资源闭环、跨专业端到端业务闭环和客户需求闭环；四个层次为网元、网络、业务、商务四个层次的自动化协同。同时，中国移动提出推动管理模式升级的理念，要实现从职能型组织到流程型组织、到中台型组织、到智慧型组织的组织体系变化，来适应网络转型发展的需要。中兴通讯于2020 年11 月发布了《无线网络智能化白皮书》，其中提出了构建网元级、单域级和跨域级的智能网络体系，并通过1 个智慧大脑和3 个智慧引擎，将AI能力微型化、模块化，按需应用于网元管理、网络管理、运营管理，构建能力逐级进化、价值持续叠加的自主进化网络。此外，3GPP 于2022 年6 月宣布R17 冻结，在TR37817 中描述了智能化RAN 的流程图，包含数据收集、模型训练、模型推理和执行模块，并明确了三种智能场景：网络节能、负荷均衡和移动性优化。

二、RAN 架构演变

（一）C-RAN 架构

C-RAN（Centralized，Cooperative，Cloud and CleanRAN）是一种基于分布式基站的无线网络架构，通过搭建BBU 池对基带资源进行集中管理和动态分配，可以提高资源利用率和降低能耗，并通过负荷均衡技术实现拆闲补忙，从而实现网络资源优化。随着5G 网络的发展，C-RAN 的架构也跟着与时俱进，采用了CU（CentralizedUnit）、DU（Distributed Unit）架构，从而实现更高的频谱效率和更快的网络数据传输速率。CU 位于中心位置，主要负责核心业务的处理和控制；DU 部署在边缘位置，负责无线传输信号的转发和处理。通过CU 和DU 之间的协作，可以实现更高效、更智能的网络管理，提高网络性能和用户体验。除了提高网络性能，C-RAN 还可以降低基站的建设和运维成本，同时减少了对环境的影响，因此被广泛应用于5G 网络中。

5G 将BBU 设计成CU 和 DU 两个逻辑单元。CU 处理控制面和用户面中的低时延业务，DU 则负责用户面无线交互的信令处理和基带处理功能。3GPP 在R15 中选择了RRC/PDCP作为集中单元，将RLC/MAC/PHY 作为分布单元。此外，CU 单元还支持核心网UPF 下沉以及MEC 边缘计算，以更好地支持业务应用和满足低时延的需求。通用硬件平台技术、网络功能虚拟化技术（NFV）、管理编排技术（MANO）、软件定义网络技术（SDN）的应用为BBU 的平台化提供了很好的发展方向。3GPP 采用了通用+ 专用混合平台，为CU 单元逐步走向通用平台及虚拟化提供了条件。CU 单元的平台化、虚拟化将更有利于AI 应用，网络智能化和网络端到端资源的灵活配置，从而更好地满足运营商的配置自由度的需求。

（二）Open RAN 架构

在O-RAN 架构中，服务管理和协调（SMO）框架包含Non-RT RIC 功能。Non-RT RIC 的作用是通过对采集数据进行分析，利用AI/ML 进行培训和推理，基于既定的策略输出相应的配置方案，从而实现RAN 的非实时智能优化。非RT RIC 可以利用SMO 服务，例如O-RAN节点的数据收集和调配服务。

近RT RIC、O-CU-CP、O-CU-UP、O-DU 和O-RU是无线接入侧的网络功能。近RT RIC 可利用近实时控制环路（即10ms 至1s）在E2 接口上实现对O-RAN（O-CU和O-DU）节点和资源的近实时控制和优化。近RT RIC使用监视器、挂起/ 停止、覆盖和/ 或控制基元来控制O-RAN 节点的行为。在非RT RIC 提供的策略和A1 接口提供的增强数据的指导下，近RT RIC 托管xApp 使用E2 接口收集近实时RAN 信息，利用这些原语为增值服务提供支持。

O-RAN 规范定义的RAN 架构，如图1 所示。图中的蓝色部分表示3GPP 中通常定义的组件。开放FH 接口（O-DU 和O-RU 之间的接口）对应于Option7，F1接口对应于Option2。如图所示，DU 和CU 之间的接口以及其他RAN 之间的接口（如X2、Ng、Xn 等）也由3GPP 共同定义。

三、RAN 智能化应用

（一）自智网络

基于对自智网络的理解及产品实践，中兴提出自主进化网络解决方案uSmartNet。通过在网络的不同层面全面引入AI，实现了网络智能化、运维智能化和运营智能化三大智能化目标，实现网络随愿、运维至简、业务随心。

1.Massive MIMO 智能权值优化

5G AAU 广泛使用 Massive MIMO 技术，该技术采用大规模阵列天线和3D 波束赋形，可以有效提升复杂场景下深度覆盖及网络容量。相较于传统天线，MassiveMIMO 大规模阵列天線具有更多参数调整策略，包括水平和垂直波瓣宽度、方位角、下倾角与波束数量，每套策略都有精细化调整方案。单个小区组理论上有上万个无线参数权值可供选择，多个小区相互关联，优化工作量指数级上升，实际操作只能根据专家经验，固化权值模型。中兴通讯推出的AAPC（Automatic AntennaPattern Control）方案引入AI 算法，多轮迭代后找到天线权值设置的最优解，大幅降低优化搜索时间，同时可以根据不同优化目标和场景进行权值优化和设置，实现流程闭环。2000 小区权值优化只需 3 人天，不仅效率提升10 倍以上，覆盖提升也很明显，用户速率亦改善10%。

2. 质差小区智能分析

随着网络规模和用户的不断增长，网络优化工作量越来越大。根据二八原则，优化工作的重点应专注于主要 KPI 质差排名落后的 TOPN 小区。系统可以根据任务周期自动识别出质差小区，无需人工参与，效率高且准确度高。对识别的质差小区，自动进行异常 Counter 分析，根据排序确定根因给出处理建议，分析周期从近 10个小时缩短到 1 个小时左右。

质差小区分析可以被视为宏观层面的网络优化分析，而KPI 移动检测用于从子网小区粒度的 15 分钟KPI进行学习和预测。它通过实时采集的指标和预测指标进行比对，自动找到对指标影响最大的计数器确定根因。

自智网络已经带领整个产业进入了数智化转型的时代，同时也促成了合作模式的转变。大量的智能化自动化的应用介入，大幅提升了运维效率。在未来，基于自智网络的运维合作也势必会跳出传统的人海模式。运营商对传统的人海运维的投入会逐步下降，对知识的投入会逐步变成主流。砍低端而拓高端已成为必然趋势。随着整个社会对知识经济的逐步认可和接受，通信行业也将不会例外。由于人力成本下降，通信业将逐步转向为场景、模型和规则等知识付费的模式。设备商和运营商的合作模式将会从人力合作最终转为知识合作，在知识经济的大潮中，双方必将会擦出新的火花，点亮通信行业的未来，使能智能普惠的时代真正到来。

（二）3GPP 中关于AI/ML的标准

智能化RAN 功能流程

数据收集（Data Collection）：该功能是为模型训练和模型推理提供输入数据的关键环节。数据收集功能不仅负责数据的收集，还包括数据的初步处理。例如，数据预处理、清理、格式化和转换等。输入数据的来源可以包括来自UE 或不同网络实体的测量数据以及来自Actor 的反馈信息。

模型训练（Model Training）：该功能用于执行AI/ML 模型的训练、验证和测试。在模型训练之前需要对数据进行一定的特定于算法的处理，例如数据预处理、清洗、格式化和转换。模型训练则主要包括训练模型和生成性能指标两个环节，这些性能指标会被用来评估模型在测试数据集上的表现。

模型部署/ 更新（Model Deployment Update）：该功能用于将经过训练、验证和测试的AI/ML 模型部署到模型推理功能中，并且还支持在模型推理使用过程中对模型进行更新。

模型推理（Model Inference）：模型推理是提供AI/ML 模型推理输出（例如：预测或判断）的函数。

输出（Output）：模型推理函数产生的AI/ML 模型的推理输出。

模型性能反馈（Model Performance Feedback）：用于监控AI/ML 模型的性能，模型推理执行完成后可以反馈模型性能给模型训练模块，用于触发模型更新或模型重训练。

执行模块（Actor）：执行模块是接收模型推理的输出并触发或执行相应的网络优化动作。

反馈（Feedback）：用于反馈给模型训练或模型推理的性能及其对网络影响的数据，例如网络性能KPI。

四、结束语

未来的RAN 架构将更加开放、智能化。虽然O-RAN联盟为网络架构设计了理想的方向，但目前应用场景还是以微站为主，且面临安全性等问题，短期内还不会大规模取代C-RAN 架构。然而，O-RAN 联盟为未来RAN 的发展指明了方向，即更开放、更智能、白盒化、软件自定义。随着机器学习和深度学习技术的快速发展，RAN 的智能化发展也有了更多可能性。设备厂家和运营商对智能网络研究的不断深入，网络智能化也从外挂式逐步发展为内生且平台化的形式，从单一功能逐渐向系统化功能发展。

未来网络智能化将涉及广泛的领域，包括网络性能提升、智能运维、智慧中台等各个方面。现在，标准化组织、运营商、设备厂家正在持续投入智能化方面的资源，并不断实践。不久的将来，与人工智能深度融合的移动通信网络系统将成为现实。

作者单位：方寅 中兴通讯股份有限公司福建省分公司