2023服务生成网络白皮书

本白皮书版权属于网络通信与安全紫金山实验室及其合作单位主要编写人员排序不分先后）I随着人工智能技术的不断发展和普及，服务生成网络（Service模态整合等领域融合，以实现智能化网络服务 I II 1 3 5 5 8 9 1SGN利用意图驱动网络技术，理解用户通过自然语言或其他形SGN融合了自动化网络配置功能，使其能够根据生成的服务和操作软件接口和编程语言进行控制和定制。这种可编程性使得SGN23（1）在网络中用大语言模型自动化生成网络领域所需的生成文（2）在网络中采用设计大模型，设计网络协议、路由（3）在网络中用决策大模型，压缩信息特征并将知识符号化，456（2）优化部署：基于意图需求自动生成网络部署方案，例如在字孪生网络虚实映射与配置验证特性以及可编程网络数据平面深度7C3孪生北向接口!B仿真验证2孪生南向接口!C3孪生北向接口!B仿真验证2孪生南向接口!LLaMA GPT-4LLaMA GPT-4PaLMGAI赋能意图驱动层GAIGAI意图转译大型语言模型LLM意图文本意图实体1基础模型库GAI大模型训练大型语言模型LLM智能意图输入大型决策模型LDM智能方案优化知识图谱强化学习深度学习生成式AI意图驱动大型决策模型LDM预训练重训练微调X,任务标签2 流量矩阵M可靠性X成本开销YXF,(X)Z大型决策模型LDM预训练重训练微调X,任务标签2 流量矩阵M可靠性X成本开销YXF,(X)Z智能决策生成网络协议网络切片按需定制遥测分析智能调度意图驱动智能网络解决方案智能管控自动设计GAI优化闭环反馈闭环反馈 意图输入意图保障意图保障 意图验证意图反馈智能方案下发1服务映射模型功能模型3虚拟数字孪生网络迭代调优共享数据仓库用户业务运行状态数据管理数据服务数据模型数据采集数字孪生网络映射层网络规划质量保障流量建模调度优化拓扑模型基础模型网元模型意图反馈智能方案下发1服务映射模型功能模型3虚拟数字孪生网络迭代调优共享数据仓库用户业务运行状态数据管理数据服务数据模型数据采集数字孪生网络映射层网络规划质量保障流量建模调度优化拓扑模型基础模型网元模型网络控制与编排数字孪生体管理资源调度用户管理业务适配模型管理意图管理拓扑管理安全管理A高性能可编程数据分组处理芯片FPGAA高性能可编程数据分组处理芯片FPGAASICNP...MP高效数据测量控制指令下发数据平面高性能编程语言深度全可编程网络层CPU+SmartNIC/DPU卸载CPU工作负载低延时/高速率转发性能多类基础设施操作卸载低成本定制化可编程能力零信任信息安全保护可编程网络交换设备可编程网络端侧设备可重构配置协议无关性平台无关性软件定义与硬件加速协议解析可编程转发逻辑可编程拿物理网络资源可编程存储安全管理8所示，数字孪生网络映射层基于DTN（digitaltwinnetwork）架构[6]9RESTfulAPI来实现服务映射模型与意图驱动层连接，支持映射模型接收智能网络方案输入与抽象化意图反馈[7][近年来，随着如ChatGPT等多个热门AI生成应用的推出，人工价值与前景。人工智能目前已应用于如金融、娱乐、新能源、生成式人工智能（GAI，Generativeartificialintelligence，也称经元）组成，可以通过学习输入数据的统计规律，来创造新的数据，形成创造性的表达，极大的拓展了人工智能在各个领域的应用前景。生成式人工智能基本原理是通过训练模型来学习并预测数据的1）数据预处理：将原始数据转换为模型可处理的格式，如将文2）模型训练：使用训练数据来训练生成式人工智能模型，通常3）数据生成：在训练完成后，生成式人工智能模型可以通过输网提供设备和用户终端的连接，确保数据能够顺利传输到数第四步是推理与生成，分别是内容生成、用户输入和内容推理。生成过程中的重要组成部分，内容推理对是推理与生成结果Transformer是一种序列建模方法，可应用于自然语言和视觉处上下文信息[23]。多头注意力机制通过并行计算多个注解码器、学习的条件、采样阶段和去噪阶段在DiffusionModel中，条件编码器采用的是CLIP(ContrastiveDiffusionModel可以在生成和去噪阶段中利用图像和文本的语义信息，实现更准确和有语义一致性的图像生成[47]逐步恢复图像的空间尺寸，并生成分割结果。UNet的作用主要（1）实体和关系：知识图谱中的实体是各种与服务生成相关的（2）多模态信息：知识图谱不仅包含文本信息，还可以包含图（3）知识融合：知识图谱是从各种数据源和知识库中整合得到（4）语义表示：知识图谱采用语义化的表示方式，使用RDF知识图谱在SGN中充当了信息整合和语义理解的桥梁，它为SGN提供了强大的知识管理和推理能力。通过不断丰富和完善知识（NLP）和机器学习，旨在实现更智能、更个性化的网络服务体验。言输入，从中识别出用户的意图。例如，用户可能提出史行为（在用户授权情况下为每个用户提供定制化的服务。它能意图驱动网络技术在各个领域都有广泛的应用，使得网络服务变得更加智能化、个性化，满足用户不断变化的需首先，用户输入自然语言意图文本，其中包含网络设计从最基本的层面上讲，可以使用标准CLI命令和参数来自动化以将命令列表编译成文本文件（称为Shell脚本从而通过一个执可以从应用的前端选择、调度和执行这些程序。例如，红帽AnsibleSGN采用大型语言模型或者大型决策模型完成命令行自动化和时，对LLM训练网络配置Bash命令，当LLM具备网络配置泛化能力的时候，并在孪生体中测试验证符合一定指标预期，可通过LLM（2）Netconf服务器实现：实现一个Netconf服务器，用于处理Netconf服务器将接收客户端的配置请求，并通过大语言模型将其转（6）网络拓扑管理：如果大语言模型部署在多个服务器上，可（7）安全性考虑：在配置网络时，需要考虑安全性问题。确保Netconf服务器和客户端之间的通信是加密的，只有授权用户才能进行配置操作。此外，还可以限制对敏感配置的访问权限。数字孪生网络是一种将现实世界中的物理实体或系统映射到虚参数所构成的虚拟模型。通过数字孪生网络，我们可以实时地数字孪生网络的构建首先需要测量现实世界物理实体或系统的数据测量的频率和精度对数字孪生网络的质量和实时性至关重实际数据的对比来完成，从而提高数字孪生网络的准确性可视化分析工具可以帮助用户深入挖掘数字孪生网络的数据和网络可编程能力主要体现在软件定义网络（SDN，software-definednetworking）的控制平面，数据平面可编程性受限，成为制约网络性口并进行管理，实现网络功能的按需管控与新业务快速部署。例如OpenFlow协议[1]可定义控制器与转发设相关研究采用软件编程方式设定数据分组的处理流程并在芯片中编对转发行为的定义，完成访问控制列表（ACL,accesscontrollist）过可编程[2]。服务生成网络（ServiceGenerationNetwork，SGN）结合了P4程技术，为网络提供了更高度定制化和灵活性的全可编程解决方案。P4是一种面向数据包处理器的可编程语言，它使网络管理员能流程和操作行为。SGN可以利用这一特性，根据用户请求和服务类根据特定需求和应用场景定制和编程交换机的数据包处理和流转规和可定制的功能。盒交换机在一些特定场景下可能更适合专业的网络管理团队和网络网卡则在网卡上集成了更多的处理能力，如数据包处理、流DPU（DataProcessingUnit）是一种专门它们为服务生成网络的全可编程性和智能化提供了重要的技术支持。SGN的发展将趋向于更大的灵活性和定制化。全可编程网络基通过实时监测网络状态，SGN可以动态地调整端到端服务生成的策SGN的发展将促进开放标准和协议的制定，使得不同厂商的设体（Agent）与环境（Environment）进行交互，从而学习如智能体策略迭代动作智能体策略迭代环境状态，奖励高训练效率和稳定性，最终实现对复杂任务的高效学习和决策能力。网络优化问题是在计算机网络中寻找最优解或最佳配置的挑战常见的网络拓扑有星型拓扑、总线拓扑、树状拓扑等，如下图所示。(a)星型拓扑(b)总线拓扑网络拓扑优化方法难以取得最优效果。DRL可以学习如何在给定的直接影响网络性能。常见的路由规划算法包括静态路由、动态路由、源节点具有很强的自适应性和扩展性，使得算法能够根据实时的网络状态，网络控制器网络状态上传路由下发源节点源节点在流量调度中，网络控制器根据数据流的目标地址、链路负载、的数据传输路径，避免网络拥塞和冲突。常见的流量调度算法包括：者根据专家经验提前编辑不同情况下的流量调度方法，缺乏灵活性，源节点基于DRL的集中式网络控制器▲网络状态上传流量调度策略下发▲源节点▲源节点上述基于深度强化学习和大语言模型的网络技术可以用来实现网络需求和环境。DRL在网络优化领域的未来发展趋势将朝着更智快速实现网络扩展。SGN网络设备可灵活自动配置，降低复杂SGN支持多样化服务部署如语义编解码其多维度分析能力和专业规划工具的支持，实现网络的全面优化。员快速有效地实施网络优化，提升网络性能和用系统和卫星通信系统已无法有效满足广域智慧连接和全球泛在无缝线网络具有网络异质异构、空中节点高度动态、拓扑结构复杂易变、服务生成网络通过生成式人工智能关键技术可以为空地协同无为用户推荐出合理的服务需求方案可以减少用户服务需求变更能网络优化，包括在对智能网络运行状况有充分数据支撑的前提下，络优化依赖维护人员经验以及生产商所提供的一些智能网络优化工云计算存储优化等常见问题根据决策模型生成网络资源优化配置方深度学习技术（LLM或GAN）和真实流量数据，验证。同时，保障网络数据的隐私和安全也是极其重要的考虑因素。接收端的语义解码系统采用大语言模型基于收到的信息重新生成文系统架构系统架构语义信道物理信道发送器接收器语义编解码wentthroughmultiplecyclesofoandlossoffunding,butafter2012,whendeepreviousAItechniques,therewasavastiA1(LLM):Certainly!Here'sacompactpromptthatcanbeusedtorecovertheoriginaltext:Adisappointment,fundinglosprevioustechniques,leadingtovastfundingincrease.“Artificialintelligencewasfoundedasanacademicdisciplinein1956.Overtheyears,thefieldwentthroughmultiplecyclesofoptimism,followedbydisappointmentandlossoffunding.However,afterthebreakthroughsin2012,specificallywiththesuccessofdeeplearningsurpassingallpreviousAItechniques,therewasasigincreaseinfundingandinterestinthefieldofAI.”设计服务生成网络的智能异构设备接入方案需要结合大语言模经过学习和训练后，LLM能够理解并解析各厂商设备的操作指开发设备管理系统，实现对接入的异构设备的集中管理和监控。智能异构设备接入方案可以极大地提高设备接入的效率和精确设备商SDN同化SDN控制器LLMLLM解析器初级设备模型验证器配置文件统一设备模型CLI数字孪生网络的模拟和预测能力为智能决策提供了强有力的支智能网络管理控制是一种利用先进技术和智能算法来实现网络孪生体在租户授权的情况下，获取租户的真实环境数据和配置参数。请设定1个切片：云节点2和接入点1连接,带宽10Gbps请设定1个切片：云节点2和接入点1连接,带宽10Gbps，需要流量保护接入2到云2，2Gbps，强制切片流量保护网络切片场景微调后的LLM我的接入点是3，我需要切片连接到云节点1，带宽为5G，无需保护带宽10Gbps5Gbps2Gbps切片云节点云节点2云节点1云节点2切片接入点接入点1接入点3接入点2流量保护是否是55Gbps12Gbps210Gbps云2接入31在这样的背景下，网络运营商面临着前所未有的故障自愈挑战。将生成的伪造流量数据与真实流量数据一起输入判别模型进行该智能异常流量攻击检测用例利用了生成对抗网络的生成能力的解决方案往往采用数据并行或模型并行的方式将计算任务划分成效的跨异构算力平台的通用化大模型训练是服务生成网络领域的一索的问题。针对大模型在工程应用中存在训练时间长、推理效率低、技术等，而常用的加速技术包括梯度压缩、避免跨机通讯等。此外，大模型的高效推理是实现工程应用落地的关键所在。相对训练环节，存带宽，所以不仅要在保证低延迟的前提下，尽可能节省计算资源，部署阶段可以通过分布式推理、批量推理、算子融合、硬件加速等，人工智能的普惠目标是让每个人都能享受到智能技术带来的便人脸识别、机器翻译等。然而，边缘设备也有计算能力、存储空间、型的多次输出去获取训练过程中使用过的数据的分布实现数据窃取规和监管政策，确保数据的合规性，以避免违反国家相关法通过大型语言模型或者大型决策模型以自动化方式生成各种类型的GenerativeartificialintDeepreinforcementlearNACNetworkautomaticconfigurationNTGNetworktrafficgeneratiHeterogeneousdeviceNSS[1]N.McKeown,T.Anderson,innovationincampusnetwor[4]KaljicE.,MaricA.,NjemcevicP.,etal.Aprogrammabilityinsoftware-definednetworking[J].IEEEAccess,2019,technologies,challenges,trendsandfutureprospects[J].IEEECommunicat[7]GroshevM,GuimarãesC,Martín-PérezJ,etal.Towardintelligentcyber-physsystems:Digitaltwinmeetsartificialintelligence[J].IEE[8]AlmasanP,Ferriol-GalmésM,PaillisseJ,etal.NetworkDigitalTwin:CoEnablingTechnologies,andOpportunities[J[9]ZhaoWX,ZhouK,LiJ,etal.Asurveyoflargelanguagemodels.arXivpreprintProblems,methods,andopportunities.arXivpreprintarXiv:2303.0412[11]WenM,LinR,WangH,etal.LargeSequenceModelsforSeqMaking:ASurvey.arXNetworkTraffic.arXivpreprintarXiv:2[13]ChowdheryA,NarangS,DevlinJ,etal.Palm:Scalinglanguagemodelingwithpathways.arXivpreprintarXiv:2204.languagemodels.arXivpreprintarXiv:2302.1397[17]TuğçeÇelik.2023.TheRoleofArtificialIntelligenceforTheArchitecturalPlanDesign:AutomationinDecision-making.InProceedingsofthe20238th/10.114[18]RAYLC.2023.HUMANENOUGH:AinSpeculativeClimateFutures.InProceeCreativityandCognition(C&C’23).Associati[19]SangjunLee,DonggeunKo,JinyongPark,SaebyeolShin,DongheeHong,andSimonS.Woo.2022.DeepfakProceedingsofthe1stWorkshoponSecurityUSA,27–30./10.1145/[20]N.NguyenandS.Nadi,"AnEmpiricalEvaluaSoftwareRepositories(MSR),Pittsburgh,PA,USA,2022,pp.05(008).DOI:10.28468/ki.njsjb.2023.000100.[22]XuM,DuH,NiyatoD,etal.Unleashingthepowerofedge-cloudgenerativeAIinmobilenetworks:AsurveyofAIGCservices.arXivprep[23]VaswaniA,ShazeerN,ParmarN,etal.Attentionisallyouneed[C].Advancesinneuralinformationprocessingsystems,2017,30.20[2023-07-06]./kBasedonMulti-AttentionU-Net,”IEEEAccess,vol.9,pp.13304-13313,2021,[26]李华旭.基于RNN和Transformer模型材料,2021,22(12):7-10.DOI:10.16009/13-1295/tq.2021.12.081.StableDiffusionforContent-StyleDisentangleProceedingsofthe2023ACMInternationalConferenceonMultimediaRetrieval[28]J.ShaoandX.Li,“GeneralizedZero-ShotGaussianMixtureVAE,”IEEESignalProcessingLetters,vol.27,pp.456-460,MiaomiaoCui,XuansongXie,Xian-ShengHua,andChunyanMiao.2TowardsCounterfactualImageManACMInternationalConferenceonMultimedia(MM'22).Association/10.114[30]J.S.Surietal.,“UNetDeepandNon-VascularImages:AMWithPruning,ExplainableArtificialIntelligence,andBias,”IEE11,pp.595-645,2023,doi:10.1109/ACCESS.2022.3232561.[31]吴畏虹.软件定义骨干网段路由技术研究.北京邮电大学,2021.DOI:10.26969/ki.gbydu.2021.000091.networkarchitecturebasedonspace-air-groundintegratednetwork,”209thInternationalConferenceonCommunicationS(ICCSN),Guangzhou,China,2017,pp.798-803,doi:[33]BenjaminSliwa,ManuelPatchou,KarstenHeim2020.SimulatingHybridAandLIMoSim.InProceedingsofthe2020Workshoponns-3(WNS3'20)./10.114[34]ZhangZ,MuX,TuC,etal.Hierarchicalnetworkplanningofdistributedrenewableenergyinalearning[C].Proceedingsofthe2021ACMSIGCOMM2021Conference.202[36]秦宏志.空地协同网络的智能缓存机制研究[D].沈阳航空航天大学,2022.DOI:10.27324/ki.gshkc.2022.000373.[37]Garrido-HidalgoC,HortelanoD,Roda-SanchezL,etal.IoTheterogeneounetworkdeploymentforhuman-in-the-loopchallengestowardsasociasustainableIndustry4.0[J].IEEEAc[38]DanielRozhkoandPaulChow.2019.TheNetworkSecuringNetworkAccessforDirect-ConnectedFPGAs.InProceedingsofthe2019ACM/SIGDAInternationalSArrays(FPGA'19).Associationfo232–241./10[39]D.Irawan,N.R.Syambas,A.A.N.AnandaKusumaandE.Mulyana,“NetworkApplications(TSSA,Bandung,Indonesia,2020,pp.1-5,doi:basedsyntheticIPheadertracegenerationusingnetshare.InProceedingsoftheACMSIGCOMM2022Conference(pp.458-472).[42]Chen,Huangxun,etal."Software-definednetworkassimilation:brimiletowardscentralizednetworkconfigurationmanagementwithNAssim."ProceedingsoftheACMSIGCOMM2022Conference.[43]Chen,Y.,Li,R.,Zhao,Z