IMT-2020(5G)推进组：5G-A网络智能化场景及关键技术研究

12.网络智能化标准与架构 22.1标准进展 22.2智能化网络架构演进 33.网络智能化应用场景 73.1体验保障 73.2潜客挖掘 93.3绿色上网 3.4信令风暴检测和预防 113.5跨域数据安全建模 134.网络智能化近期发展建议 154.1核心网与接入网协同 154.2网络与终端能力协同 154.3网络与B域协同 174.4体验评测体系建立 175.网络智能化演进分析 195.1技术演进 5.1.1大模型+网络 195.1.2AIAgent+网络 205.1.3数字孪生+网络 215.2架构演进 5.3应用展望 6.总结 贡献单位 1随着5G技术的飞速发展，通信网络正逐步迈向全新的智能化时代。5G-A（5G-Advanced）作为5G技术的演进版本，不仅在网络速度、延迟、连接数等方面实现了显著提升，更引入了通感一体、无源物联、内生智能等革命性技术，为通信网络的智能化发展开辟了广阔的前景。在5G-A网络中，智能化技术的应用不仅提升了网络性能和用户体验，还推动了网络运维的自动化和高效化。从网络数据分析功能（NWDAF）的引入，到基于AI的联邦学习、数字孪生等前沿技术的探索，5G-A网络正逐步实现从单一的数据传输网络向智能化、自适应、可配置的下一代网络转型。本专题报告旨在深入探讨5G-A网络智能化场景及关键技术，全面梳理5G-A网络智能化的最新研究成果和应用实践，涵盖体验保障、潜客挖掘、绿色上网、信令风暴检测和预防等多个应用场景，以及智能化网络架构的演进趋势和关键技术的深入剖析。通过详细分析网络智能化标准进展、智能化网络架构演进、网络智能化应用场景及技术分析等内容，为通信行业的未来发展提供有价值的参考和指导。本专题报告希望未来通过多方合作伙伴通力协作，在场景、技术、产品、应用等多方面深入探索，共同推进5G-A网络智能化产业发展与生态繁荣，为网络智能化转型升级打下坚实基础，迎接数智融合的新纪元。2 为了规范和指导网络智能化进程，3GPPSA工作组在网络智能化标准与架构方面取得了显著进展。本章简要介绍了3GPPSA在网络智能化方面的标准化工作，重点分析从R15到R19版本的演进过程，以及智能化网络架构的发展趋势。3GPPSA一直致力于网络架构相关标准化定义，SA2侧重网络架构，SA5侧重网络管理，目前两个工作组均就网络智能化进行了相关定义。3GPPSA2在R15版本的5G网络架构中引入了网络数据分析功能（NetworkDataAnalyticsFunction，NWDAF），初步定义了网络数据分析网元的主要功能接口。3GPPR16版本定义了基于NWDAF的通用智能网络架构，并定义了多种网络数据分析的价值场景及对应的流程，包括网络业务体验、网络性能、切片负载、网络功能负载、终端移动性/通信/异常事件、服务质量（QoS）可持续性、用户数据拥塞情况等。3GPPR17版本，在架构方面，完成了NWDAF的功能解耦，将NWDAF分解为模型训练逻辑功能（ModelTrainingLogicalFunction，MTLF）与分析逻辑功能（AnalyticsLogicalFunction，AnLF）；多NWDAF实例支持分层部署，通过数据分析任务分发和分析结果聚合，实现大任务场景下的数据分析推理目标；支持NWDAF重选场景下订阅和分析上下文信息的转移，提高切换场景数据分析效率；引入数据采集协调功能（DataCollectionCoordinationFunction，DCCF）、消息框架适配功能（MessagingFrameworkAdaptorFunction）和数据分析存储库功能（AnalyticsDataRepositoryFunction，ADRF），大大提升数据采集、处理和存储效率；引入应用数据收集功能（DataCollectionApplicationFunction）用于收集终端应用数据。在价值场景方面，进一步增强，新增定义了数据网络性能、终端与应用的离散分布、无线局域网（WirelessLocalAreaNetwork，WLAN）性能、会话管理拥塞控制、冗余传输等。R18版本致力于解决NWDAF分析结果和模型的正确性问题，定义分析结果和模型的精度度量指标，NWDAF支持精度监控和精度调整；定义漫游数据分析架构，支持漫游场景下数据采集和分析结果共享；NWDAF支持横向联邦学习提高模型训练效率；定义模型跨厂商共享能力，提供模型共享机制。同时，价值场景也进一步丰富和增强，新增NWDAF辅助加密流检测和PCF更新URSP功能；支持细粒度区域QoS稳定性分析，车联网场景下精细粒度QoS控制需求；新增相对临近分析，3 NWDAF输出对一个或一组UE与周边其它UE之间的距离，速度，相对方向，移动轨迹，相互可能发生碰撞的时间分析或预测等。3GPPR19版本当前已经启动研究和标准制定工作，其中包含AI辅助定位增强，基于NWDAF和AF的纵向联邦学习，NWDAF辅助策略控制和QoS增强以及信令风暴检测和抑制等，伴随着以NWDAF为核心的架构和场景的逐步增强和完善，智能和网络已经深度融合。3GPPSA5一直致力于网络自动化与智能化相关的使能与管理工作。在R16版本中完成了基于NFV场景下的移动网络策略管理（NetworkpolicymanagementformobilenetworksbasedonNFVscenarios），5G自组织网络（Self-OrganizingNetworks(SON)for5Gnetworks闭环服务等级保障（ClosedloopSLSAssurance管理数据分析服务（ManagementDataAnalyticsService）等标准的制定。在R17版本中除了对5G自组织网络、闭环服务登记保障、管理数据分析服务进行增强外，增加了对于网络智能化以及自智网络支撑的相关标准化工作，其中包括：自智网络分级（Autonomousnetworklevels），基于移动网络的意图驱动管理服务（Intentdrivenmanagementserviceformobilenetworks）。在R18版本中继续对意图驱动管理服务，管理数据分析等功能进行增强，同时开始了AI/ML管理的标准化工作，对网络的自动化功能进行了增强，制定了针对RANNE的自配置管理等规范。在当前正在研究的R19版本中，管理驱动的网络智能化研究进一步深入，在增强AI/ML管理，意图驱动管理服务，管理数据分析，闭环管理等研究之外，还开始了对于网络数字孪生管理的研究。随着通信技术的不断演进，网络的智能化需求日益凸显。5G的部署为网络的数字化转型奠定了基础，5G-A进一步推动了网络智能化的转变。在这一过程中，网络架构从传统的集中式控制逐渐向分布式和智能化的方向发展，以应对复杂多变的业务需求和动态的网络环境。2017年，3GPP在R15版本中首次引入了网络数据分析功能（NWDAF用于支持网络切片的负载分析，帮助优化网络切片选择和5G服务质量（QoS）决策，消费者为策略控制功能4 （PCF）和网络切片选择功能（NSSF），输入信息的内容和分析计算的流程均为NWDAF内部实现。图2.2-2智能化网络架构3GPPR16版本完成了通用智能网络新架构定义，打通控制面、管理面以及应用服务器，使得NWDAF的输入数据来源多样化，NWDAF实现数据收集、分析计算、分析结果反馈功能。数据收集来源包括：-5GC内数据收集：通过NF的EventExposure服务向NF网元收集特定数据；-第三方数据收集：通过NEF向第三方AF收集数据；-管理面数据收集：从OAM收集管理面数据，如RAN和5GC的性能，5G端到端KPI-UE数据收集：通过OAM的MDT机制可收集到UE相关数据，如上下行吞吐量。图2.2-3支持数据收集和存储的智能化网络架构2020年，随着R17版本的研究启动，3GPP设计了分层的智能网络架构，提供AI平台化5 能力，以满足大型运营商的网络部署需求，并使其支持垂直行业的业务拓展。NWDAF实现功能解耦，包括：-模型训练逻辑功能（MTLF）：MTLF负责机器学习模型的存储、管理和训练。它还负责根据分析逻辑功能（AnLF）的请求，将所需的机器学习模型下发给AnLF，以支持后续的数据分析和推理。-分析逻辑功能（AnLFAnLF基于分析消费者的请求，使用从MTLF获取的机器学习模型进行数据分析和推理，生成所需的分析结果。面对网络中产生的海量数据和复杂的分析需求，3GPP在R17中定义了一个包含数据采集协调功能（DCCF）、数据存储功能（ADRF）以及消息框架适配器功能（MFAF），从而高效收集数据，避免数据的重复收集等。-引入DCCF，用于协调多NWDAF数据收集，避免数据重复收集，协调NWDAF分析结果开放，避免多个消费者重复请求相同或相似的分析结果，提高数据收集和分析结果开放的效率。-引入ADRF用于存储数据和分析结果，其中DCCF和ADRF可独立部署，或和NWDAF合设。-引入MFAF，允许NF/NWDAF基于消息总线收集数据和分析结果，并支持对数据和分析结果根据指定格式进行格式化处理。图2.2-4横向联邦学习架构2022年，3GPP启动了R18版本的研究，深入探讨分布式智能架构及跨域智能协同等课题，旨在全面满足智能化落地的需求。由于隐私数据保护等原因，不同通信设备之间的数据无法直接共享，为解决这一问题，R18中引入了横向联邦学习技术，使得多个NWDAF可以在不跨域传递数据的情况下，实现高效的机器学习模型训练，避免了潜在的安全隐患。6 图2.2-5漫游场景支持数据和分析结果交换的网络架构R18的智能网络架构另一个重要改进是支持漫游场景。引入支持漫游能力的RE-NWDAF，实现在HPLMN与VPLMN之间的数据及分析结果交换。7 智能化技术在优化网络性能、提升用户体验等方面有广泛的应用前景，本章将探讨网络智能化的若干应用场景及其关键技术，包括体验保障、潜客挖掘、绿色上网、信令风暴检测和预防以及跨域数据安全建模，以期为网络智能化的进一步发展提供有益参考。体验保障是网络智能化的重要应用场景，随着用户对网络服务的需求日益多样化和个性化，其不仅期望网络能够提供高速率、低延时的基本服务，还希望在不同场景下能够获得定制化的优质体验。因此，传统的网络管理和服务提供模式已经无法满足需求，智能化的体验保障成为解决这一问题的关键。智能化体验保障通过引入人工智能和机器学习技术，能够实时监测和分析用户行为和网络状态，动态调整网络资源和服务策略，从而实现个性化的体验保障。智能化体验保障技术关键技术包括实时数据收集与分析、机器学习模型训练与应用、智能化资源调度与优化、自适应服务策略调整、以及异常检测与故障预警。图3.1-1展示了网络智能化中的体验保障应用。图3.1-1网络智能化的体验保障应用智能化体验保障技术的关键在于实时数据收集与分析、机器学习模型训练与应用、智能化资源调度与优化、自适应服务策略调整以及异常检测与故障预警。实时数据收集与分析是智能化体验保障的基础。通过在网络节点部署传感器和监测设备，8 实时收集用户行为、网络流量和设备状态等数据，经过预处理和清洗后，输入到云中心的数据分析系统进行深度分析。这些数据为后续的个性化服务提供了依据，同时也有助于运营商实时掌握网络运行状况和设备健康状态。机器学习模型的训练与应用是智能化体验保障的核心。通过训练多种机器学习模型，如回归分析、决策树、神经网络等，对收集到的数据进行分析和预测，学习和识别用户行为模式和网络状态变化规律，预测潜在问题和瓶颈。例如，预测网络流量高峰时段，提前进行资源调度，避免网络拥塞。此外，机器学习模型还能识别异常用户行为和流量模式，为异常检测和故障预警提供支持。智能化资源调度与优化是实现高效网络运营和优质用户体验的关键。根据实时数据和预测结果，智能化体验保障可以动态调整网络资源的分配和服务策略。在用户密集区域，自动增加带宽和计算资源，确保用户高速率需求；在用户稀少区域，减少资源投入，降低运营成本。同时，根据用户个性化需求，动态调整服务策略，如视频分辨率、数据传输路径、应用优先级等，提升用户体验，减少网络延时和卡顿。异常检测与故障预警是保障网络稳定运行和用户体验的重要环节。智能化体验保障能够实时监测网络状态，快速识别异常情况和潜在故障，及时预警并采取措施处理，避免对用户体验造成负面影响。这依赖于实时数据的监测和分析，以及机器学习模型的预测能力。此外，高效的数据管理和处理能力、良好的可扩展性和兼容性也是智能化体验保障实施的重要支撑。引入分布式计算和大数据技术，实现对海量数据的高效管理和处理；灵活适应不同网络环境和应用场景，支持多样化用户需求；兼容不同设备和协议，保证网络的开放性和灵活性。高清视频流媒体服务中，智能化体验保障通过实时监测用户观看数据，了解实际观看体验。当检测到体验下降时，立即触发优化机制，动态调整视频码率和分辨率，减少缓冲时间，提升观看体验。在用户密集区域，如大型赛事直播或热门电视剧首播时，动态分配更多网络资源，确保视频内容顺畅播放。在线游戏中，智能化体验保障实时监测玩家游戏流量和行为数据，如操作延迟、帧率等。当检测到体验下降时，立即采取措施优化，动态调整网络资源分配，优化路由，减少延迟和抖动，提高游戏响应速度。同时，检测异常流量模式和操作行为，及时预警并处理网络攻击9 或作弊行为，保障游戏公平性和稳定性。虚拟现实（VR）和增强现实（AR）应用中，智能化体验保障通过实时监测用户VR/AR使用数据和网络状态，了解实际体验情况。根据用户需求和网络状态，动态调整网络资源和数据传输策略，优化渲染和数据处理策略，提高响应速度和图像质量。通过预测用户行为，提前缓存和预加载虚拟内容，减少加载时间，提高沉浸感。同时，实时监测和分析用户数据，快速检测和识别潜在异常情况，及时采取措施处理，并持续优化和改进体验保障策略。为保持市场竞争力，运营商必须深入挖掘用户行为，精准识别潜在客户并提供个性化服务。随着大数据和人工智能技术的飞速发展，运营商所掌握的海量用户数据，包括流量使用情况、网络使用偏好、地理位置信息等，成为了挖掘潜在客户的重要资源。这些数据中蕴含着丰富的用户行为模式和潜在需求信息，通过先进的机器学习、人工智能技术，运营商可以构建精准的推荐模型和算法，自动从海量用户中筛选出潜在客户，从而提升营销效率，增强市场竞争力。基于大数据和智能化算法的潜客挖掘在市场营销领域被广泛应用，对于运营商同样具备丰富的应用场景，包括基于个性化推荐的新业务推广、发现具有升级需求或流失风险的潜在用户并采取措施、分析业务关联度以实现交叉销售和增值服务等。潜客挖掘的核心是各类机器学习、数据挖掘算法技术在用户研究与业务分析等领域的使用，同时持续涌现的前沿AI算法不断扩展了其挖掘能力。机器学习与数据挖掘算法作为核心技术，已被广泛应用于各领域的潜客挖掘，如使用分类模型预测客户是否会订购某个产品、套餐等，实现定向推送；使用聚类算法将客户分成不同的群体，每个群体内部的客户具有相似的特征，从而帮助运营商构建更个性化的客户运营策略。通过这些算法，运营商可以从海量用户数据中提取出有价值的信息，为潜客挖掘提供有力支持。前沿AI算法的创新应用进一步提升了潜客挖掘的潜力。例如，引入时空大数据算法，将用户所处的时空信息纳入用户画像的构建中，使运营商能够根据用户所处的特殊动态时空环境进行需求挖掘和业务推荐。这种算法的应用，使得运营商能够更准确地把握用户需求， 提供更具针对性的服务。此外，通过引入图数据结构，将用户在网络中的产品数据、行为数据、特征数据等异构数据转化为图结构，采用图神经网络等面向图数据的AI算法实现业务推荐，突破了传统基于用户特征的推荐模式，将关系信息应用到潜客挖掘算法中，进一步提高了挖掘的精准度和效率。新业务推广：利用智能化算法实现个性化的业务推荐，提高新业务推广的转化率。其基本思路为：通过收集和分析用户历史数据，构建详细的用户画像，这些画像不仅包含用户的基本信息，还涵盖了用户的消费习惯、兴趣偏好等深层次特征；然后利用机器学习算法构建预测模型，评估用户对新业务的接受度和购买意愿；最后根据模型的预测结论，有针对性地制定个性化推荐策略，将新业务精准推送给潜在用户。例如运营商推出了一项新的家庭宽带服务，通过潜客挖掘算法，识别出对高速网络有需求的家庭用户，并向他们精准推送该服务，以提升推广转化率。用户升级与留存场景：通过实时监测和分析用户行为数据，运营商可以及时发现用户使用习惯的变化趋势，并采取相应的措施来提高用户满意度和忠诚度。针对潜在流失客户，运营商构建了预警模型，实时预测客户的流失概率，并提前采取干预措施，如提供优惠套餐、赠送流量等，以降低用户流失率。同时，针对可能升级套餐或服务的客户，运营商通过潜客挖掘算法提供个性化的升级推荐方案，如根据用户的流量使用情况推荐更高流量的套餐，或根据用户的APP使用偏好推荐相关的增值服务。近年随着互联网技术的发展和普及，网络上色情、贩毒、邪教等有害站点也迅速增加，未成年人在网络上聊天、交友引发的社会问题日益突出，许多电信运营商先后推出“绿色上网”服务，以期为青少年提供洁净的互联网环境。“绿色上网”通过技术手段为网民提供健康、安全、文明的网络环境和内容，其通过内容过滤手段禁止或限制用户访问黄色、暴力、有害、反动的互联网内容的业务，是一种利用互联网内容控制技术实现用户对访问的互联网内容、时间、端口进行控制的互联网增值业务。电信运营商提供的“绿色上网”服务不需要用户在计算机上安装任何软件即可享受，青少年可以正常使用互联网服务，一旦访问有害站点或不健康内容，电信运营商的相关系统即会阻 止这种访问。对运营商来说，“绿色上网”可为用户提供增值服务，为无线宽带上网家庭用户提供绿色上网功能，提高企业公信力；对用户来说，“绿色上网”可为政府、企业、学校等用户提供屏蔽互联网有害信息、管理用户上网行为的解决方案。“绿色上网”系统通过支持URL规则库的自动更新，常态化保持拦截规则的最新，并支持运营商自定义特殊的规则库，满足差异化拦截诉求；其拦截能力可包装成套餐形式，支持用户按需订阅，支撑运营商面向2C客户的拦截能力变现；同时，系统支持拦截记录推送功能，能够实时通知用户拦截内容，使用户对拦截效果有直观感知。“绿色上网”服务的实施涵盖了拦截内容定义、拦截库导入、拦截执行、记录推送等多个关键环节。首先，父母可通过APP定义拦截内容并转换成控制策略下发到UPF；其次，NWDAF通过手动导入或者自动导入方式从外源获取到数据库，并将其下发到UPF生成本地拦截库；在拦截执行阶段，UPF识别儿童上网业务并从本地库查询是否拦截，本地库未命中则向NWDAF查询拦截源库，任一命中则阻断业务；最后，NWDAF生成拦截记录，通过运营商的北向系统推送至父母APP，让用户随时掌握拦截情况。图3.3-1绿色上网业务流程移动无线网络技术近年来空前发展，根据目前的网络架构设计，运营商面对是一张2G/3G/4G/5G融合的网络，其规模和复杂程度都远超以往的网络。同时，随着通信业务的普及，大量终端涌入网络，除普通终端外，物联网终端用户的规模也高速增长，这类终端数量 大，单次通信流量小，分布于各行各业。因而，网络故障的影响范围也被空前放大，一处故障经常引发的是对各个网元海量的信令冲击，给网络带来巨大的影响。近几年，多家移动运营商均发生过大规模通信故障。根据披露的信息，可以发现故障发生的主要原因涉及以下两个方面：1)网络方面：设备厂商众多，缺乏足够的集成能力，网络缺乏足够的健壮性和自愈能2)运营方面：应急处理不及时和处理方式不当，错过最佳处理时机，导致更进一步的信令风暴。可见，针对大规模的信令风暴，现有的应对方法缺乏前瞻性且高度依赖于运维人员的操作。然而，智能化技术恰恰能在大量数据分析、预测和自动化维护上发挥有效作用。在3GPPR19的AIML_CN项目中，核心网智能化网元NWDAF辅助信令风暴的检测和预防也成为其中的关键问题之一。在R19的讨论中，NWDAF辅助解决的信令风暴问题主要包括NF故障引起的信令风暴和大规模用户接入引起的信令风暴，并通过AnalyticsID“SignallingStormAnalytics”为消费者网元提供智能化服务。在NF引起的信令风暴中，NWDAF主要对信令类型、信令数量、网元心跳等数据进行收集，通过监测信令的变化对故障网元进行感知，提供对未来数据的预测，能够有效辅助网络在信令风暴来临之前敏锐感知信令数量的突增、异常等，并及时采取有效策略。在大规模用户引起的信令风暴中，NWDAF除了对信令相关数据的收集，还将进一步收集定时器信息，从而辅助网络判断可能发生大规模用户的时间窗口，以及识别异常的终端行为。针对大量的物联网设备，NWDAF提供的智能化分析能力能够辅助网络对物联网用户组进行合理的分组接入机制，通过设置定时器来分散其接入时间，避免同一时间的大量信令涌入。在目前的网络中，存在大量IoT设备。在一些IoT场景下，同一地区的IoT终端经常会在同一时间激活，通过NAS层发送大量小数据包。例如，某社区的抄表上报抄表数据时，同时激活开始向网络发起连接。在这种情况下，大量同一时间并发的信令经常会造成信令拥塞。并且，部分存在欠费等问题的IoT设备，根据现有流程，仅会在认证的过程中被拒绝服务， 因此，此类设备将会持续给网络发送注册信息，造成更严重的信令拥塞。利用智能化的解决方案，通过对终端信令类型、数量、计时器信息等的数据收集和分析，可以辅助网络识别出上述IoT设备、激活时间、激活地区等，从而为IoT设备安排更合理的接入时间，例如分批接入等，从而避免信令拥塞的情况。在核心网网元的运营和管理中，数据隐私保护至关重要。核心网网元拥有大量涉及用户通信行为、位置信息、签约信息的敏感数据，这些数据一旦在模型训练过程中泄露，可能引发严重的隐私与安全问题。因此，如何在不泄露用户隐私数据的前提下使用数据进行模型训练变得尤为关键。然而，传统的集中式模型训练模式存在数据集成和传输中的隐私泄露风险。联邦学习作为一种新兴的分布式机器学习技术，能够在模型训练过程中有效保护各个参与者的数据隐私。它通过将模型训练过程分布在各个网元上，避免了对数据的集中处理，从而实现了数据隐私的保护与高效的模型训练并行推进。在联邦学习中，训练数据不需要集中在一个地方，而是通过本地模型训练进而更新全局模型。这减少了不同设备厂商、运营商对数据隐私和安全的担忧。在核心网的协议TS23.288R18版本中，3GPP引入了NWDAF之间的横向联邦学习，即拥有一样的特征空间和不同的样本空间的横向联邦学习客户端NWDAF在横向联邦学习服务器NWDAF协调下，进行横向联邦学习，很好解决了异厂商NWDAF因为隐私原因训练数据不互通而无法训练出高质量模型的问题。在R18版本中，NWDAF可以通过横向联邦学习来训练机器学习模型，并向消费者网元提供网络性能预测、用户行为预测、网元负载预测、网络不正常预测等多种场景的预测，从而提升预测的准确性。然而在用户体验预测的场景中，联邦学习客户端（NWDAF和AF）具有相同的样本空间但是不同的特征空间。为了使联邦学习适用于更多场景并优化用户体验，在R19版本的TS23.288协议中，3GPP引入了NWDAF与AF之间纵向联邦学习；引入的纵向联邦学习相关流程沿袭了横向联邦学习保护数据隐私的优势，并且定义的相关流程不涉及中间训练模型的传输，进一步保护了模型安全。 为了支持使用横向/纵向联邦学习在核心网中进行模型训练并为核心网网元提供各类预测结果，TS23.288定义了核心网网元间的参与者发现、选择、训练、推理等一系列流程。TS23.288R18版本定义了横向联邦学习参与者发现、选择流程和横向联邦学习训练流程。在横向联邦学习参与者发现、选择流程中，NWDAF可以通过NRF发现并选择其他的NWDAF作为横向联邦学习服务器/客户端。在定义的横向联邦学习训练流程中，横向联邦学习服务器初始化一个全局模型并发送给所有客户端。每个客户端使用本地数据对全局模型进行训练，得到更新的本地模型。随后，客户端将更新的本地模型发送给服务器，而不上传本地数据，从而保护数据隐私。横向联邦学习服务器在接收这些更新后的本地模型后，通过加权平均等聚合算法更新全局模型，然后把更新后的全局模型再次发送给客户端。这一过程不断重复，直到全局模型的质量达标、损失函数收敛或达到预设的训练轮数。在完成横向联邦学习训练后，横向联邦学习服务器NWDAF和横向联邦学习客户端NWDAF都会得到高质量的机器学习模型。在NWDAF收到消费者网元的预测请求后可用联邦学习过程中训练好的机器学习模型进行本地推理，并把高质量的预测结果发送给消费者网元。TS23.288R19版本沿用了R18版本中横向联邦学习参与者发现选择、流程，并定义了新的纵向联邦学习训练、推理流程。在纵向向联邦学习训练流程中，纵向联邦学习服务器（NWDAF/AF）和NWDAF客户端（NWDAF/AF）之间不再进行除了初始模型分发之外的模型传输，取而代之的是传输机器学习参数（中间训练结果、梯度、损失等进一步增强了对于模型的安全保护。与横向联邦学习相比，纵向联邦学习的推理为分布式推理，即每个纵向联邦学习客户端生成推理结果并发送给纵向联邦学习服务器，纵向联邦学习服务器聚合之后发送给消费者网元。 在5G-A系统中，核心网和接入网均可引入AI/ML相关功能，包括数据采集、基于采集的数据进行AI/ML模型训练和分析推理，进而基于AI分析推理结果进行网络和终端控制，以提高网络性能和用户体验。基于5G-AAI相关标准和研究[TS23.288,TS38.300]，核心网基于NWDAF提供的AI/ML功能，可以在移动性管理、会话管理、策略控制等方面进行优化，接入网可以应用AI/ML功能在网络节能、负载均衡、移动性管理等方面进行优化。核心网与接入网在使用AI/ML进行网络控制与优化方面需要进行协作，以充分发挥网络智能化的优势与潜能，举例如下：1）核心网依据NWDAF提供的UE通信和服务体验分析信息，确定提升特定应用/业务的通信性能和服务体验的RFSPIndex（无线接入类型/频率选择优先级索引参数将RFSPIndex提供给接入网，接入网基于RFSPIndex和本地的AI/ML功能（例如网络节能、负载均衡、移动性管理相关的AI推理信息），进一步确定和优化的无线资源管理RRM策略。2）核心网依据NWDAF提供的UE移动性和通信行为分析信息确定预期UE行为信息（例如预期的UE位置/移动性、切换和通信活动），将预期UE行为信息提供给接入网，接入网基于核心网提供的预期UE行为信息和本地的AI/ML功能（例如基于小区的UE移动性轨迹推理信息），选择目标切换小区，实现对UE切换的优化控制，从而保障业务连续性和提升服务体验。在通信网络中，终端不仅是网络服务的使用者，更是整个网络生态系统中不可或缺的一部分。随着5G、5G-A及未来网络的发展，终端的作用变得越来越关键。它们不仅仅通过网络进行通信，还在网络智能化相关的处理（例如数据收集、模型训练以及推理决策）中扮演着至关重要的角色。终端设备拥有与用户相关的多种数据，如位置信息、接入方式、信号强度等。这些数据可以使网络能够更好地理解用户当前的通信环境，优化资源分配和服务质量。例如，位置信息可以帮助网络智能预测用户的移动轨迹，从而为即将到来的通信需求做好准备。出于用户隐私保护的考虑，这些数据需要经由用户授权才能由网络用来进行AI/ML模型训练与推理。 核心网中的智能化网元NWDAF能够从AF、AMF、SMF等网元中获取用户的业务体验、UE位置和移动轨迹、无线接入技术等数据，作为AI模型的输入。在确保合法性和用户隐私保护的前提下，NWDAF可以统计或推理出用户使用特定业务、处于特定位置及特定网络无线接入技术下的业务体验分析结果。策略管理网元PCF可以基于NWDAF提供的业务体验分析结果，对当前策略（例如业务的QoS参数）进行调整和优化，以提升用户的业务体验，满足终端业务需求。图4.2-1AI定位的不同情况终端、接入网与核心网协作，可以实现基于AI的定位。现在的研究重点在于模型在核心网的情况，即上图中的case2b和case3b。核心网中的LMF（定位管理功能）或者NWDAF等网元可以从终端和接入网等设备收集到测量数据等，从而训练出用于AI定位的模型，再根据该模型进行推理，得出更为精确的UE定位信息。精确的UE定位信息可以更好的满足UE或者业务的需求，也可以使网络优化UE通信和业务/应用的相关参数，从而提升通信性能。为了辅助PCF更智能化地制定策略，NWDAF应提供更全面的分析。例如，NWDAF可以综合考虑终端和网络的相关性能、状态，业务需求，以及目标的用户服务体验（QoE）等信息，为业务/应用生成QoS辅助信息，并将其发送给PCF。这样，PCF可以基于NWDAF生成的QoS辅助信息，制定出更符合终端业务需求的策略，从而提升用户的业务体验。如果网络的智能化程度进一步提升，智能化网元或许可以直接生成推荐操作，通知PCF制定或执行某种策略，使策略制定过程更加高效和精准，也更能满足终端的需求，带来更好的业务体验。针对AI定位等场景，模型不仅可以在核心网中使用，核心网也可能为终端和接入网提供用于AI定位的AI/ML模型，以便终端和接入网进行AI定位的推理，从而得出更为精确的终端定位信息。 随着网络的智能化水平的提高，终端可能不仅仅是协助网络进行智能化处理，还将更深入地参与到网络的相关操作中。突破传统业务增长模式，探索体验经营新模式是运营商的迫切需求。除直播、视频、游戏等传统业务的持续发展外，未来云手机、智能车、AI助理、3D/XR等业务的迅猛发展，也将对移动通信网络提出越来越多的差异化保障诉求，体验经营空间巨大；同时消费者也有意愿享受更优质的体验服务，并为之付费，据CTR移动用户指数《2023年度移动互联网用户消费洞察报告》分析，用户愿意为线上泛娱乐付费的原因中，体验因素占比44%。如何让用户及时感知智能化移动通信网络提供的差异化体验保障能力，享受更优质体验，需要网络与B域紧密协同，精准识别用户需要差异化保障的时机，及时向用户推送相应的套餐产品。体验经营的精准营销时机分为两类，一类是用户在进行体验敏感型业务(如直播、视频等带宽敏感类业务，游戏等时延敏感类业务)时及时进行营销，另一类是用户在进入网络拥塞场景(如演唱会、地铁、高铁等场景)是及时进行营销。如何准确实时识别这些时机，需要网络侧具备3个实时感知能力：1)实时业务感知，感知用户所使用的业务类型及其体验状况，构建与用户主观感受一致的KQI体验评估系统；2)实时用户感知，感知用户所处的时空场景，并能筛选价值用户，比如高铁场景如何准确识别高铁乘客剔除高铁沿线的居民和高铁站接送客人员；3)实时网络感知，感知用户所处无线网络能否提供差异化保障能力，而对普通用户无影以上3种实时感知能力，由于计算逻辑复杂，传统复杂的网络配置规则无法满足差异化的保障需求，AI模型的引入则可以很好的解决该问题。同时网络侧需要与B域打通实时上报通道，将3个感知能力识别的时机及必要信息实时上报到B域系统，由B域系统根据上报信息向用户推送最合适的差异化保障套餐产品，实现对用户的精准识别和实时体验保障。随着移动互联网各项业务的开展和普及，用户越来对多的关注移动互联网中各种业务的 体验，为了确保移动网络能够为用户带来好的用户体验，从用户体验角度对网络质量的评测受到越来越多的关注。从用户体验角度对网络质量进行评测可以分为主观评测（QoE评测）和客观评测（KQI评测）两个层次，其中主观评测是一种基于用户的真实业务体验对网络质量进行的综合评测，客观评测是使用影响用户体验的若干质量指标对网络质量进行评测。目前国内CCSA已经开始重点业务用户体验评测相关的标准化工作，并且已经或者将要发布相关标准，但整个体验评测标准体系仍需要进一步完善。CCSA涉及到网络体验评测相关工作的组主要包括TC1，TC11和SP3，针对视频播放，视频直播，云游戏，移动游戏等典型业务的体验评测进行了标准化工作。其中SP3（面向应用的移动互联网网络质量评测指标）专门侧重于制定基于用户体验对移动互联网网络质量进行评测的标准，客观评测标准方面，已经或者正在针对典型移动互联网业务，例如视频通话，网页浏览，视频播放，视频游戏，视觉实时，文件传输等重点业务的KQI指标进行定义，但目前主观评测标准方面，目前已立项视频会议类QoE标准模型，其他业务类型主观评测标准也在完善过程中。为了进一步完善网络质量评测体系，应积极参与并推动CCSA等相关标准化组织的工作，加强与TC1、TC11和SP3等组的合作，共同推进各项业务的体验评测标准化进程。具体而言，可以采取以下措施：1.推动标准落地：积极参与已发布标准的宣贯与实施工作，提升行业内对网络质量评测标准的认知度和应用水平，确保标准能够有效指导实际评测工作。2.加强跨行业合作：运营商、终端设备制造商、内容提供商等产业链上下游企业应建立紧密合作关系，共同探索网络质量与用户体验之间的关联，促进评测结果的共享与应用，形成良性互动的生态体系。3.创新评测技术：利用人工智能、大数据分析等先进技术，优化评测方法和工具，提高评测的准确性和效率。例如，开发智能化的评测系统，能够自动识别并分析用户行为数据，实时反馈网络质量状况，为网络优化提供有力支持。 5.1.1大模型+网络大模型是引发新近一波人工智能浪潮的核心技术。未来网络需要提供更实时的分析和决策能力，以实现基于用户和业务需求及网络状态的实时分析和业务保障；同时未来网络环境日益复杂，业务类型和体验需求持续差异化，大模型在网络智能化中的作用愈发显著。大模型具备的强大的数据处理分析、持续学习和自适应能力，能够帮助网络应对更多的新型业务和挑战，推动网络业务向更加智能化和高效化发展。传统网络优化方法主要依赖于对规则的实现和对参数的预配置，难以应对复杂多变的体验经营需求和网络环境，大模型能够提升网络数据处理能力，通过其强大的计算能力和多层神经网络架构快速处理和分析海量数据，从而提高网络的分析和决策效率。同时大模型的自学习、自适应和泛化能力，能够根据业务需求和网络环境的实时变化，动态调整网络参数，从而实现各类用户的体验保障和网络资源的最优利用；具有良好泛化能力的模型，能够在出现没见过的数据和噪声、异常数据干扰等新情况下依然保持高效运行，准确识别出重要信息，提升智能网络的可靠性、实用性和鲁棒性；大模型的泛化能力也能够促使网络智能化技术向自适应优化路由、缓存、负载均衡等多个新的方向发展；基于泛化能力的模型可以在不同应用场景中快速部署并投入使用，从而减少开发周期和成本，推动更多网络智能化应用的开发和创新。网络智能化中大模型的应用，未来还需要推动以下方面的技术研究：由于数据和模型规模的增加，大模型的训练和推理的计算需求和成本非常高，因此提升性能，提高计算效率，降低资源消耗，平衡模型规模与效率是大模型应用过程中需要考虑优化的方向；通过普及少样本学习、零样本学习等低资源训练，未来可能会进一步减少对大规模标注数据的依赖，从而降低训练和应用成本；提升大模型的自适应能力，同时增强大模型与网络能力的协作，实现智能化业务闭环，也是基于大模型的网络智能可能的演进方向；网络等需要高准确性的领域，增强大模型的可解释性更加重要，未来的模型需要更加透明，能够让用户理解模型的决策过程，增强对模型输出的信任度；最后，大模型也需要增强模型理解和生成跨模态信息的能力，具有多模态的特性，同时处理文本、图像、音频、视频等多种形式的数据，从而应用于更多复杂场景，如智能助理、机器人和增强现实等领域。 5.1.2AIAgent+网络核心网作为电信网络的中枢神经系统，处理着大量数据传输和通信服务。随着用户需求的增加，核心网引入了更多新网元、功能和服务，使得网络环境更加复杂且不确定性增加。AI代理作为核心网中的“大脑”，能够持续优化复杂网络，预防风险，提升用户体验，从而在多变的网络环境中保持高效和稳定的服务。AIAgent具备一系列核心特征，使其在复杂网络环境中能够高效自主运作。首先，它的自主性使其能够在没有人为干预的情况下独立完成任务，灵活应对不断变化的条件。这种自主性让AIAgent可以在复杂、多变的网络环境中持续运行，从而提高核心网运行效率和可靠性。其次，AIAgent具备强大的环境感知能力。通过和核心网网元交互的数据输入方式，它能够实时获取和理解网络环境的信息。这种感知能力为其智能决策提供了坚实的基础，使其能够准确判断当前情况并预测潜在网络变化。决策能力是AIAgent的关键特征之一，它运用复杂的算法和模型来分析和评估各种可能性，并选择最佳网络方案。这种能力使其能够快速响应外部刺激，优化任务执行过程，并在必要时调整策略以适应新的挑战。为了不断提高自身性能，AIAgent具备强大的学习能力。通过机器学习和深度学习方法，它能够从经验中学习，识别网络变化的模式和趋势，并根据新数据进行调整。这种学习能力增强了其灵活性和适应性，使其在动态的网络环境中保持高效运作。最后，AIAgent的可交互性允许其与网元、其他Agent和网络系统进行有效沟通和协作。它能够理解和处理自然语言指令，提供反馈，确保信息交换的准确性和效率。这些特征共同作用，使AIAgent能够在网络环境中表现出色，持续优化和改进其操作，为未来的智能网络发展奠定基础。图5.1-1NWDAF中引入AIagent功能架构在未来的核心网中，NWDAF会持续收到来自消费者网元的各种复杂任务。引入AIAgent后，NWDAF可以高效、高质量的处理大量复杂任务，提升网络整体性能和用户体验。上图是NWDAF利用AIAgent来处理复杂任务的流程：首先，消费者网元的复杂任务被自动分解为多个子任务，由NWDAF自动执行。每个子任务在执行后产生初步输出，NWDAF对其进行自评估，以生成最终的子任务输出。最后，所有最终的子任务输出被自动合并，形成完整的任务输出，并发送给消费者网元。 5.1.3数字孪生+网络数字孪生是指用数字化的形式对物理世界中的实体进行建模，模拟其运行状态，并提供反馈，从而优化参数等，以提升其性能。数字孪生技术已经在工业制造、航空航天等领域得到广泛的应用。在通信领域，一方面，移动通信系统可以为各个领域的数字孪生应用提供高速和无处不在的通信服务和连接，另一方面，移动通信系统自身也可以借助数字孪生技术进行智能化的管理与控制，从而提高整个通信系统的性能。网络可以划分为不同的网络域，例如接入网AN、核心网CN，服务于不同业务（例如宽带业务、物联网业务）的网络切片，或服务于不同区域的边缘网络。不同的网络域具有不同的网络配置、性能管理、计费控制等需求，以及不同的工作和运行状态（例如性能、资源使用情况、能耗/能效、通信环境）。为了更好地满足特定网络域的需求，对特定网络域进行更加灵活和智能的管理，可以引入网络数字孪生功能，为不同的网络域建立和维护对应的数字孪生体，基于网络域数字孪生体的信息和反馈来确定对该网络域的管理策略。网络数字孪生功能具有特定网络域的全部静态、动态和实时的数据/信息，可以提供给其它网络管理功能以进行网络域的配置和管理。同时，网络数字孪生功能还可以依据控制输入（例如网络域管理策略，包括网络资源配置、性能监测和能耗管理策略执行相应的功能，输出功能执行的结果（例如实施策略后的网络域性能和状态从而供网络管理功能（例如网络资源配置功能）对准备实施的网络域管理策略或指令进行验证、调整和优化。网络数字孪生功能需要与真实的网络域（管理）功能进行交互，以创建、更新和删除特定网络域的数字孪生体。随着大模型、AIagent、数字孪生等AI领域热点技术的演进，AI技术与网络结合已成为未来网络发展演进的趋势。不同于现有外挂式的网络AI结构，未来网络的AI服务对数据采集、智能水平、自主决策等方面将有更高的要求，亟需解决高质量AI服务与通信开销、算力、数据隐私之间的平衡。因此，未来网络将侧重于网络的智能内生能力，同时考虑分布式的AI架构，满足多节点协同的需求，其中需加速推进包括边缘计算、异构计算等技术的应用：1.加快边缘智能技术的研究与部署，特别是在物联网（IoT）和5G/6G应用场景中，将AI计算能力下沉至网络边缘节点，实现本地化的数据处理和实时决策。这种技术不仅能够显著降低网络延迟，还能有效减轻核心网络的负载，提升整体网络的响应速度。在智能制造、 自动驾驶等对时延敏感的应用中，边缘智能可以通过实时分析数据并做出快速决策，显著提高系统的可靠性和安全性。因此，建议在上述关键领域优先推动边缘智能与智能算法的深度融合，以提供更敏捷、高效的网络服务，满足未来网络对高效、低时延服务的需求。2.加快异构计算平台的开发，通过优化AI算法在不同硬件架构上的适配性，从而实现对网络中的多样化计算资源的充分利用。随着网络设备的多样化，通过结合CPU、GPU、FPGA等多种计算资源来处理不同类型的工作负载，网络将能够更加灵活地分配计算任务，从而提高整体处理能力和能效比。因此，在未来的网