6G数据面白皮书-Future-v1.0-中文版-clean0410

1.引言

5G支持eMBB（EnhancedMobileBroadband，增强移动宽带），URLLC（Ultra-Reliable

Low-LatencyCommunications，超高可靠和超低时延通信）和mMTC（MassiveMachineType

Communication，大规模机器类通信）三大应用场景。5G系统通过NEF（NetworkExposure

Function，网络开放功能）/CAPIF（CommonAPIFramework，通用API框架）支持网络能

力和事件开放。AF（applicationfunction,应用功能）可以通过NEF/CAPIF获得5G系统数据，

促进了网络和应用之间的跨层创新。随着移动网络所产生数据的数据量不断增长，数据收集

和数据处理需求日益突出。相应地，网络服务也从通信服务演进为通信、感知和A（IArtificial

intelligence，人工智能）的多维服务。传统的数据收集和数据处理方式无法适配新的变化，

难以满足新增的数据需求。这主要是因为5G网络缺乏统一的数据管理框架，难以支撑多类

型数据的融合和协同管理，从而可能导致数据治理的复杂性和成本增加。5G网络设计侧重

数据传输，限制了数据价值的充分挖掘和利用。现有方法无法满足多类型数据数据收集和数

据处理的需求，也难以挖掘通信、感知、智能等多类型数据的价值，更无法保障数据的权益。

5G网络在确保数据的合法性、真实性和完整性等数据质量管理方面缺乏统一的数据管控框

架，难以满足数据法规要求和用户隐私安全的期望。在新业务数据方面，5G网络难以高效

收集、传输、处理和分析大量移动网络内部的数据，例如感知数据和AI模型等。

图1-1.移动网络内部数据的全生命周期

随着数据成为数字社会的生产要素之一，6G作为重要基础设施，6G系统的数据必然是

数据这一生产要素的重要组成部分。ITU-R（InternationalTelecommunicationUnion-Radio

communicationSector，国际电信联盟无线电通信部门）发布的《IMT面向2030及未来发展

2/53

的框架和总体目标建议书》[1]提出了沉浸式通信、超大规模连接、极高可靠低时延通信、

泛在连接、人工智能与通信、感知与通信融合六大场景。这意味着6G是超越通信服务的移

动通信系统，在传统数据传输管道基础上，感知与通信融合和AI等场景引入了感知数据和

AI数据等移动网络内部数据。移动网络内部的数据提供者或消费者包括UE（UserEquipment,

终端）、基站（RadioAccessNetworknode，RANnode）、CN（CoreNetwork，核心网）网络

功能和AF等。相比于数据传输管道中的用户数据，6G系统需要负责移动网络内部数据的

产生、安全隐私管理、收集协调、传输、处理、质量管理、消费/服务等完整的生命周期。

因此，通过新增数据面[2]，6G网络可以更加统一和高效地完成移动网络内部数据的生

命周期管理。例如为感知功能或网络功能开放功能等提供所需的数据，从而赋能6G系统对

外提供感知服务或网络能力开放。与控制面和用户面并列的6GDP（DataPlane,数据面）

可以不受限于信令或用户数据的传输需求。从而DP的协议功能和参数配置可以面向前述需

求提供更优化的解决方案，避免单个用例的碎片化方案。数据面将为6G系统提供统一的数

据管理框架，为6G增加数据新能力。从而，6G系统能够整合和管理多类型数据，保障数

据安全可信，打破数据孤岛，提高数据治理效率和保障数据权益。本白皮书进一步阐述了贡

献单位对6G数据服务场景与需求、数据面内涵与框架、关键技术和原型样机的初步观点和

最新成果，为行业6G发展贡献力量。

2.相关标准组织进展

本章介绍全球多个标准组织和研究机构对6G数据面相关内容的研究进展，包括3GPP

（3rdGenerationPartnershipProject，第三代合作伙伴计划）、IMT-2030（6G）推进组、Next

GAlliance、Hexa-X、和6GANA（6GAllianceofNetworkAI）。上述标准组织在6G的数据

收集需求、挑战、方案和技术趋势等方面开展了研究。

2.1.3GPP

5G标准面向不同的数据需求场景分别制定了数据收集和数据分析等相关的标准。例如，

核心网AI功能NWDAF（NetworkDataAnalyticsFunction，网络数据分析功能）相关的数

据收集[3]，核心网网络能力开放功能NEF（NetworkExposureFunction，网络开放功能）

/CAPIF（CommonAPIFramework，通用API框架）相关的数据收集[4][5]，LMF（Location

ManagementFunction，定位管理功能）相关的数据传输协议LPP（LTEPositioningProtocol，

LTE定位协议）[6]和NRPPa（NRPositioningProtocolA，NR定位协议A），用于无线网络

优化和管理的MDT（MinimizationofDriveTest，最小路测）[7]和QoE（QualityofExperience，

体验质量）等。

3/53

面向核心网AI功能的NWDAF的数据收集需求，在R175G网络引入了DCCF（Data

CollectionCoordinationFunction，数据收集协调功能），用于协调NF（NetworkFunction，网

络功能）消费者所请求数据的收集和分发[2]。通过DCCF网元，可以防止由于数据消费者

间无协调而导致数据提供者（如AMF（AccessandMobilityManagementFunction，接入和移

动性管理功能）、SMF（SessionManagementFunction,会话管理功能）等）不得不处理同一

数据的多个订阅，并发送包含相同信息的多个通知。这是因为除NWDAF之外的5G核心网

网络功能（如AMF、SMF等）作为通信网络的主体网元，其主要功能不在于提供数据，而

在于提供通信服务。而一般NWDAF为了大数据分析所需获取的数据量又很大，所以重复

上报大量相同数据会导致5G核心网网络功能的主体性能降低。NWDAF可以通过Ndccf接

口向DCCF订阅数据或者取消订阅数据。如果NWDAF要请求的数据还没有被DCCF收集，

DCCF可以调用网络功能的接口收集数据，然后DCCF可以直接将数据传送给NWDAF，或

者，DCCF借助于消息框架（MessagingFramework）从网络功能收集数据然后传送给NWDAF。

面向无线接入网的优化和管理，网络管理功能可以通过MDT或QoE请求触发无线接

入网节点配置UE进行MDT或QoE收集。UE上报的MDT或QoE数据经无线接入网节点

发送给TCE/MCE（TraceCollectionEntity/MeasurementCollectionEntity，追踪收集实体/测

量收集实体）进行数据分析，最终网络管理功能可以基于SON（Self-OptimizingNetwork，

自优化网络）优化无线配置等。

LPP用于UE和网络之间交互定位控制信息和定位数据。由于定位数据的数据量通常

不大，因此LPP是承载在控制面协议栈之上的。也就是说，定位协议栈由LPP、NAS

（Non-Access-Stratum，非接入层）、RRC（RadioResourceControl，无线资源控制）、PDCP

（PacketDataConvergenceProtocol，分组数据融合协议）、RLC（RadioLinkControl，无线

链路控制）、MAC（MediumAccessControl，媒体接入控制）和PHY（PhysicalLayer，物理

层）组成。LMF基于LPP提供的定位测量数据进行位置估计，并提供给5G网络功能或应

用功能等。

2.2.IMT-2030推进组

《6G网络架构展望》[8]中提出6G网络系统架构，指出6G网络需要一种不同于传统

用户面的数据服务功能，系统性地解决6G网络对非传统用户面数据的管控和价值变现的挑

战。其中，网络功能层的6G数据功能由数据编排和控制功能，数据处理和转发功能，数据

存储功能等组成。根据数据处理和转发功能节点上报的能力和具体的数据业务需求，数据编

排和控制功能节点选择数据源及处理和转发节点，编排形成数据承载，来提供数据服务。数

据处理和转发功能节点按需提供数据服务，比如数据采集、数据预处理、数据存储、数据隐

私保护和安全可信、数据分析、数据共享、数据转发等。数据全生命周期标准化可以提高数

4/53

据的可比性和可重用性，包括数据隐私和安全可信、数据协调生成和收集、数据存储、数据

传输、数据处理、数据服务、数据质量管理和权益管理等流程。

《6G无线系统设计原则和典型特征》[9]提出在6G系统设计之初就应考虑实现更高效

率的数据治理、统一的收集方法和数据全生命周期管理。数据原生原则是6G无线系统设计

的原则之一。数据原生设计既要保障数据的安全和隐私，也要提升数据收集、传输和存储等

的效率，提升数据共享复用度。数据原生将构建开放统一的数据全生命周期标准，支撑泛在

异构数据流通的全部环节，以低成本、高效率、可信赖的数据服务让6G网络和关联行业以

精确的和系统化的方式来处理和分析各种各样的数据，从而做出更好的决策和提供更高质量

的服务。

《6G数据服务架构研究》[10]提出了6G数据服务和6G移动通信网络数据面功能架构，

对编排控制功能、处理功能等进行概述。参考现有5G通信网络中的用户面和控制面均有成

熟的协议栈支撑落地应用，实现面与面之间的功能解耦以及模块化、虚拟化、软件化的功能

管理。6G数据面同样需要完整、灵活、可扩展的协议栈支撑，实现数据转发控制协议，数

据服务开放协议，数据代理管理控制协议等。

2.3.NextGAlliance

NextG联盟在[11]提出了6G除了通信服务之外，还具有专用计算和数据管理功能的计

算面和数据面。[11]主要从6G网络从计算服务的角度驱动网络架构设计和新功能引入以支

持分布式计算要求，使得分布式云与3GPP协议紧密互通。由此需要对控制面、管理面和数

据面的变化进行研究，以适应分布式计算过程。从报告初步阐述的内容来看，数据面与现有

协议用户面类似，有可能通过对数据承载进行加强来满足计算服务需求。

NextG联盟在[12]提出与5GAI/ML应用相比，6GAI应该具有如下特征：网络内部和

各层应具有数据收集，6GAI/ML在5G近实时基础上还包含实时方式，6G设计之初应考虑

AI/ML在系统中的全面应用，AI原生的收发机设计。因此，有必要将AI/ML嵌入无线接入

网协议层设计中，并与数据收集框架相连接。这些交互需要特别关注安全性和隐私性，这一

AI原生方法可能使无线技术以更快的速度发展，而不受标准周期的影响。

2.4.Hexa-X

Hexa-X在[13]提出数据收集框架和AI框架等是6G系统的普遍功能。数据收集框架用

于支持从网络的多个域和层收集的不同类型的数据和信息，并用于在移动网络中进行分析。

数据的传输和融合将考虑到所有利益相关者的隐私和所有权问题。跨应用程序和网络的耦合

数据将提供改进网络性能的机会。数据收集框架涵盖网络管理功能所需的数据收集，将支持

5/53

实时控制和操作以响应所需数据的处理需求。

Hexa-X在[14]提出AI需要引入新的架构元素，使得面向不同隐私要求进行数据收集和

学习成为可能。通过引入数据驱动的网络控制单元和UE聚合单元等支持网络和UE之间的

数据共享，从而改进控制和决策。特别是面向UE的数据收集和学习，考虑用户隐私要求，

UE可以利用网络信息和设备上的上下文信息（如用户活动、意图和使用模式）来协助网络

做出连接决策，从而改善QoE。

2.5.6GANA

6GANA在[15]指出在通信、感知、计算全面融合的大背景下，6G网络将提供内生AI、

内生感知、内生安全等新能力。在传统移动通信网络信息传输能力的基础上，新能力将提升

网络的数据生产和消费能力，使得6G网络成为信息和数据流动的平台。对6G网络承载

数据的高效管理是6G网络的关键技术，因此在[15]提出可信数据服务框架的原则指导下，

6G网络将引入单独的数据面。6G数据面构建架构级的统一可信的数据服务，从而明确数据

来源、描述、采集、处理、存储、应用和隐私保护等。

3.6G数据服务场景与需求分析

6G数据服务是指6G系统为终端、无线接入网和核心网等6G系统内部功能提供数据资

源。在此基础上，所收集的数据可以与网络能力开放功能（例如5GNEF或CAPIF）协同为

应用功能等6G系统外部功能提供数据服务。同时，所收集的数据还可以与感知功能协同为

应用功能或网络功能提供感知服务，或者与AI功能协同辅助网络控制优化等。

6G数据服务旨在以数据为核心要素，充分发挥6G数据中所包含的价值，有助于突破

单一维度移动服务边界，激发融合服务创新。6G移动通信网络的数据是指6G系统产生和

获取的数据，而非传统用户面的数据。它既包括通信连接服务运营过程中终端、无线接入网、

核心网和网络管理功能等产生的数据，也包括感知和AI等新服务运营过程中产生的数据例

如感知的测量量和AI模型等，还包括移动网络从第三方获取的可共享的数据例如各类传感

器信息（温度、湿度、环境等）和GIS（GeographicInformationSystem，地理信息系统）信

息等。本章将阐述6G数据服务场景，并进行潜在需求分析。

3.1.感知数据

3.1.1.描述

6G系统中的感知数据是指，通过无线电波或其他传感器设备等探索物理世界过程中获

6/53

得的用于描述物理世界状态信息的数据。感知数据主要包括内生感知数据、外挂式感知数据，

以及多模态融合感知数据等。

内生感知数据

6G移动通信系统本身具有感知功能，即内生感知。内生感知数据是指6G移动通信系

统内生感知产生的数据，包括UE或基站基于空口信号测量直接获得的内生感知测量数据，

以及内生感知得到的感知结果。内生感知测量数据一般包括两类，一类是用于辅助数据通信

而进行感知测量得到的数据，例如，用于感知信道环境而进行测量的数据；另一类是纯粹为

了对目标对象或者环境进行感知而测量的数据，例如，在定位过程中测得的信号强度、到达

时间等数据，以及在测距测速和成像过程中测得的射频信号数据等。6G系统通过内生感知

得到的感知结果，如感知目标的位置、速度、成像等信息。

外挂式感知数据

外挂式感知数据，是6G系统从外挂的第三方物联网传感器或GIS等直接获得的数据，

包括中间测量数据和感知结果等。这些数据并非网络透传的不可见数据，它们需要在6G系

统的感知功能模块被处理，以形成进一步的感知测量中间数据，甚至是可用的感知结果。具

体地，例如：6G系统通过外接条码识别、图像识别、射频识别（RFID）等自动识别装置，

获取目标信息；通过外接各种传感器获取生物量、化学量或者热、压、温、声、光、电、振

动等物理量信息，传感器的种类繁多，主要包括机械量传感器（如位移传感器、物位传感器

等）、几何量传感器、力学量传感器（如压力传感器、速度传感器等）、热学量传感器（如温

度传感器等）、光学量传感器（如图像传感器、红外/紫外传感器等）、电磁量传感器（如电

场传感器、电压传感器等）、声学量传感器（如声音表面波传感器、超声传感器等）、射线传

感器、湿度传感器、气体传感器（如气体成分传感器、气体浓度传感器等）、离子传感器（如

PH传感器等）、生理量传感器、生化量传感器等。

多模态融合感知数据

相比于内生感知数据或外挂式感知数据，多模态融合感知数据更侧重于对两类数据的融

合处理。在6G系统中，多种模态的感知数据，包括内生感知数据与外挂式感知数据，可以

分别被处理，也可以通过融合感知，形成新的感知数据或感知结果。多模态融合感知，涵盖

内生感知与外挂式感知，将多种感知通道的数据融合在一起进行理解和处理信息，各种感知

数据之间相互协作、相互补充、相互修正、相互增强，形成比单一感知数据更好的感知结果。

例如，在同时具有地面移动通信系统覆盖和外挂式物联网终端设备的室内，蜂窝定位数据与

WiFi定位、蓝牙定位、Zigbee定位、UWB定位等外挂式物联网感知数据可以相互协作，形

成多模态融合感知数据。

7/53

3.1.2.潜在需求

在6G系统中，感知的形式多种多样，感知数据也十分丰富。感知功能的加入和完善，

使得地面移动通信系统中的数据量巨大。6G系统不仅要完成完整的内生感知功能，还要完

成外挂式感知数据以及多模态融合感知数据等的处理和传输。

具体地，在功能性需求方面，6G系统需要完成：

1)数据采集：在内生感知过程中，通过信令等对无线电波射频传输的某些参数进行

测量；通过各种接口等收集来自多种外挂式物联网感知设备的感知数据。

2)数据处理：对采集到的感知数据进行处理。通过对多种感知通道的感知数据进行

处理，包括AI模型训练和计算等，得到可用的感知结果，以协助6G系统中通信

或其他功能的决策、执行，或者作为输入参数辅助某些应用。在多模态融合感知

过程中，可以对多种感知通道的数据进行协作处理，以得到更好的感知性能。

3)数据传输：在6G系统中，海量感知数据需要被传输。中间测量数据需要被传输到

相应网络节点或计算节点进行整合与运算，以得到进一步的感知数据或感知结果。

例如，在蜂窝定位过程中，终端与多个基站之间的信号强度、信号到达时间等测

量数据需要被传输、整合，以得到终端的位置信息。

另外，在性能需求方面：

1)6G系统中的感知数据量大，各种各样的应用对感知数据的需求不尽相同，对6G

通信系统的带宽、时延等传输性能提出了要求。根据《5G-Advanced通感融合场

景需求研究报告》[16]，感知数据的速率约为1k~10Mbps数量级。

2)大量感知数据的运算和决策，对6G系统的计算能力以及AI模型和各种算法的性

能提出了要求。

3)感知数据主要是来自对ToB或ToC用户有关的人、设备、环境等进行物理状态信

息采集，因此，感知数据涉及大量用户隐私。6G系统需要在完成感知功能和满足

应用需求的同时，保障用户的安全和隐私。

3.2.AI模型训练数据

3.2.1.描述

当前5G核心网需要NWDAF网元进行数据、模型训练以及模型推理的AI分析场景主

要是预测场景，如UE位置预测、网元负载预测等。此类场景通常使用小规模的神经网络模

型，例如RNN、CNN、LSTM等，其参数量通常在几千至几十万之间，MTLF网元需要收

集几十兆至几百兆的模型训练数据来训练一个模型。在6G网络中，网络内部的AI分析场

景将更加丰富，例如基于感知数据的物体识别、轨迹规划，基于网络数据的网络策略控制等。

多样化场景的驱动下，6G网络需要规模更大、结构更复杂的模型来进行推理分析。学术界

的研究结果表明，训练一个模型所需的数据量和模型的规模成正比，训练一个模型参数个数

8/53

为100M的模型，至少需要8G的数据进行预训练，而且还需要其他的业务特定数据对模型

进行微调。

为了便于进一步阐述，本小节以定位为例来阐述AI模型训练数据的场景与需求。越来

越多的业务用例被识别出有高精度定位的需求，然而在很多应用场景下，多径，NLOS，室

内覆盖和同步问题等都是实现高精度定位难以跨越的障碍。基于传统的定位方法无法达到所

要求的定位精度，必须借助于AI定位的方法有效利用UE在频域、时域、空域等多个维度

的相关信息，发现隐藏在信道中的其它信息，从而提升NLOS场景或同步误差场景下的定

位性能。为了达成此目的，网络需要从UE或基站设备等获取UE相关数据，如时域信道测

量信息，信道冲击响等大量数据，用于进行AI定位业务的模型训练。

因AI模型训练所需的训练数据量巨大，通过传统UE信令面或用户面上报数据的方式

并不适于进行训练数据的传输。究其原因，一方面大量训练数据的传输会占用较多的带宽资

源；另一方面，训练数据的传输实际上对于实时性要求并不高；再者，训练数据对于复用性

要求较高，换句话说，训练数据可能被重复用于多个场景甚至多种业务的AI模型训练。因

此，6G系统需要基于数据面采集大量的训练数据从而进行AI定位业务的模型训练。

3.2.2.潜在需求

在现有5G系统中，核心网网元采集UE数据的方法包括信令面方式和用户面方式。其

中，信令面方式包括UE通过NAS信令、RRC信令等方式向网络上报数据；用户面方式包

括DCAF（DataCollectionApplicationFunction,数据收集应用功能）基于AFEVEX

（ApplicationFunctionEventExposure，应用功能事件开放）从UE采集数据，并发送给网络。

6G系统需要进一步支持如下功能：

1)支持采集UE数据作为网络AI模型训练数据（如核心网AI定位模型等）；

2)支持UE训练数据的离线传输；

3)支持所采集的训练数据被复用于单个业务的多个模型训练或多种业务的AI模型

训练。

3.3.AI模型数据

3.3.1.描述

AI模型作为人工智能领域的核心组成部分，不仅在学术研究中取得巨大成功，也在实

际应用中产生深远影响。AI模型可以通过学习算法，基于输入数据进行训练，并能够从中

学习模式、进行预测或决策。这些模型的训练过程旨在使其能够泛化到未见过的数据，以适

9/53

应多样化的任务，从而实现智能化的功能。AI模型在图像处理和自然语言处理领域拥有最

广泛的应用。

(1)图像处理领域：在20世纪90年代，经典计算机视觉方法主导了图像处理领域，例

如边缘检测、颜色直方图等。然而，这些方法在处理复杂场景和抽象特征时存在局限性。2010

年代初，随着ImageNet等大规模数据集的出现和GPU性能的提高，深度学习（DeepLearning）

的时代来临，深度神经网络模型得到了令人瞩目的发展。在LeNet-5的基础上，AlexNet通

过使用更深的网络结构和大规模GPU并行计算，取得了ImageNet大规模图像分类比赛的冠

军，这标志着深度卷积神经网络（CNN）在图像处理领域的崛起。随后，大量的CNN结构

涌现，如VGGNet、GoogLeNet、ResNet、MobileNet和DenseNet等，它们在图像识别、目

标检测等视觉领域取得了优异的表现。其中MobileNet利用深度可分离卷积、线性激活、全

局平均池化等技术，在显著减小模型的大小和计算复杂度的同时保持了模型的准确度，使其

非常适用于移动设备和嵌入式系统进行实时的图像识别和分类任务。到2020年代，随着自

监督学习、大规模预训练和跨模态学习的兴起，研究者们开始使用更大规模的数据和更复杂

的任务进行预训练，然后在特定任务上进行微调，使AI模型取得了更好的性能，比如CLIP

和DALL-E。

(2)NLP（NaturalLanguageProcessing，自然语言处理）领域：在2010年以前，N-gram

模型和隐马尔可夫模型是NLP领域最重要的两个AI模型，他们利用统计概率对自然语言进

行建模，但局限于有限的上下文。在深度学习的时代中，基于更优异的词嵌入技术，两大神

经网络——递归神经网络（RNN）和长短时记忆网络（LSTM），能更好地捕捉语义信息，

提高了AI模型的性能。2010年代末，Transformer模型通过引入注意力机制，加强了对长文

本的处理能力。同时，BERT和GPT两个大规模预训练模型的出现，带来了AI模型在多个

自然语言处理任务中的显著性能提升。

同时，自5G时代，3GPP标准组织先后在核心网域、网络管理域、接入网域引入AI

功能。历经多个版本的增强更新，AI功能覆盖越来越多的场景用例和通信功能实体。以负

责核心网AI功能的NWDAF为例，目前3GPP标准中定义了近10种相关用例流程，描述

包含用户业务体验、终端异常、网络性能、用户行为等统计和预测方法[3]。R18开始，接

入网域也开始研究基于AI的空口特性提升，有效的用例包括基于AI的CSI反馈、波束管

理和定位等[17]。

虽然AI模型技术正在快速发展，但在实际应用中还面临诸多技术挑战，其中一个主要

挑战是AI模型的低开销、可保证隐私安全的协同训练。有大量与用户特征相关的数据产生

于移动终端、IoT（InternetofThing，物联网）终端，这些数据可以有效驱动AI模型的训练。

然而隐私和安全问题限制了集中式的数据采集。作为一种分布式的AI模型训练框架，FL

10/53

（FederatedLearning，联邦学习）允许用户设备不直接共享数据样本的前提下，对神经网

络进行协同训练，可以解决智能和隐私之间的矛盾。然而FL的隐私保护特性是有代价的。

FL的训练过程是一个迭代的过程，需要反复进行中间状态模型的回传，AI模型收敛一般需

要进行几百乃至上千个通信回合的训练，每个回合还需要几个乃至几十个用户的参与，因此

实际完成一个模型训练的通信开销是非常巨大的。同时FL要求用户既要下载当前的全局模

型，还要上传更新过的本地模型，这种双向通信也会加大终端侧的通信开销。无论从流量还

是功耗出发，巨大的通信开销都将大大降低用户参与AI模型更新的积极性；从另外一个角

度来说，大量的AI模型传输也会占用过高的网络带宽，从而影响其他业务的用户体验。表

3.3.1展示了传统集中式训练和FL训练的通信开销对比。

表3.3.1传统集中式训练和FL通信开销对比（参数使用32位浮点数表示）

网络模型大小数据集大小集中式训练FL训练

CNN(2.22MB)MNIST(45MB)上行：45MB上/下行:各21.7GB

(1000个回合)

CNN(4.08MB)CIFAR-10(147MB)上行：147MB上/下行:各19.9GB

(500个回合)

LSTM(3.13MB)Shakespear(61.38MB)上行：61.4MB上/下行:各15.3GB

(500个回合)

另一个主要挑战是AI模型在移动终端上的快速部署。目前很多表现较好的AI模型，

都依赖其网络层足够深。例如，原始的ResNet50模型有2500万个参数，预训练的语言模

型GPT-3有1750亿个参数。即便是专门针对计算资源有限、功耗有限的设备而设计的轻量

级MobileNet模型，其最小的版本也有20万个参数(0.25MobileNet128模型，用于面部属性

分类)。巨大的模型参数量为AI模型在移动终端上的快速部署带来了以下问题：（1）下载

AI模型的流量需求巨大，提高了用户的使用成本（2）移动终端通常算力较弱，因此AI模

型推时延长、服务质量低。

3.3.2.潜在需求

AI模型部署、分布式训练和AI模型联合推理过程中的需求包括：

1)降低AI模型在无线网络中分布式训练的通信开销：降低分布式训练的通信开销通

常有两条路径，一是降低单轮训练的通信量，二是减少模型的训练轮数。然而，这

两条路径通常是相冲突的。例如AI模型稀疏化、量化可以减少单轮训练的通信量，

但引入的误差通常会使得AI模型的收敛速度变慢，增大了模型收敛所需的训练轮

数。降低AI模型分布式训练的通信开销需要综合考虑设备的本地数据分布、影响

AI模型收敛的重要超参数，设计AI模型的压缩和设备调度等方案。

11/53

2)轻量化AI模型设计：可以通过模型剪枝、量化、权重共享和知识蒸馏等方式得到

规模更小的AI模型，降低了用户的使用成本，降低了AI模型的推理时延，提高

了服务质量。然而，模型规模的压缩是以牺牲模型的精确度为代价的。使用各种模

型的轻量化技术需要在考虑移动设备存储能力、计算能力的情况下，实现模型规模

和推理精度的权衡。

3)实现AI模型的云边联合推理：目标是在保证系统性能的同时，有效利用云端和边

缘设备的资源，提高整体系统的效率、响应速度和可扩展性。在这种模式下，部分

推理任务在云端完成，而另一部分在边缘设备上执行。还有一种任务分配的方法是

模型分割。复杂的模型可能会被分割成多个部分，其中一部分在云端执行，另一部

分在边缘设备上执行。实现AI模型高效的云边联合推理需要决定推理任务在何处

执行。任务的分配可能基于任务的性质、实时性要求、设备资源等因素。

3.4.基于分布式架构的数据服务

3.4.1.描述

XR（ExtendedReality，扩展现实）等新型业务的出现，对边缘就近计算、超低时延等

网络能力提出了更高要求，集中式网络架构被认为存在架构复杂、数据量大、容易遭受攻击、

数据安全性低等缺陷，这些都驱动6G网络朝着分布式网络架构的方向演进,也为分布式网络

架构下网络节点间的数据交互和数据获取带来了新的挑战。

分布式网络架构下，为场景或用户定制化设计的网络节点各不相同，分散在多个网络节

点中的数据由于类型异构、缺乏互通性和冗余存储等原因，如果仍然采用现有集中式网络架

构下的数据服务模式可能造成数据质量和使用效率低下的问题，因此带来了分布式网络架构

下的数据服务新需求。例如：（1）分布式网络架构下，UE切换和业务连续性保障等流程由

于涉及到跨网络节点的多个网元间的数据交互和获取，存在流程复杂和时延较大等问题。（2）

分散在网络各处的数据可能被多次获取和采集，感知数据、AI数据、网络行为和状态数据

等来自不同位置的数据可能最终会汇聚到一个位置，包括被内生AI和数字孪生用于优化网

络性能和提升用户体验，或者被多应用程序共享访问。然而，传统通过NWDAF、NEF等

获取数据并用于智能分析和应用开放的场景中，数据是通过SBI（Service-basedInterface，

服务化接口）从AMF/SMF/UPF（UserPlaneFunction，用户面功能）等多个网元中分别获取，

这种信令传输方式以及分散获取的方式可能导致数据获取效率和获取质量较差，容易造成数

据重复获取、数据结构不一致等问题。（3）在跨网络节点间的数据同步场景中，如果直接对

原始数据进行传输，可能存在数据量大、传输时延高、带宽压力大等问题，而且可能存在对

数据隐私的泄露风险，因此往往需要对数据先进行一定的预处理或去隐私处理后再进行传输。

12/53

3.4.2.潜在需求

分布式网络架构以及智慧内生、数字孪生网络等技术的快速发展，给移动通信的数据管

控机制带来了挑战，对6G数据面的架构、数据获取机制和相关关键技术提出了潜在新需求。

1)6G数据面需要设计新的分布式数据服务架构，通过统一的数据表征机制、数据管

理机制以及数据间的按需同步和互操作，支持不同代际之间、不同网络节点之间的

高效协作，解决数据分散、数据异构、数据孤岛等问题。

2)6G数据面需要实现分布式数据的高效获取和可信共享，包括标准化数据获取接口、

简化数据获取流程，准确解析数据获取请求、快速编排数据获取路径，支持多数据

源和多数据消费者的任意拓扑传输以及跨网络节点的NFs间高速率传输；基于数

据的内在联系执行数据预处理和数据随路处理，降低数据传输量、提高数据隐私保

护，提升数据服务质量。

3)6G数据面需要设计分布式数据存储机制、分布式数据传输协议、分布式数据安全

管理技术，提升海量数据的存/取效率，降低大数据量的传输时延，保障数据全生

命周期的安全可信。

3.5.用户为中心的数据管控

3.5.1.描述

ITU-R在2023年发布的建议书中提出6G网络应该提供以人为中心的通信、支持因用

户而异的服务质量、保障不同地点之间用户体验的一致性，推动着未来网络朝着“以用户为

中心”的模式变革。这里的“用户“除了传统移动通信网络中的终端用户，还可以是网络租

户等网络服务的消费者。为了满足用户的个性化需求或部分场景下的极致需求，网络需要基

于对用户能力、用户需求、用户位置、用户资源状态等数据的全面分析，提供以用户实时位

置和用户动态需求为中心的高质量网络服务。然而，5G网络中用户的会话上下文、鉴权/

签约数据、策略数据等分散在AMF\SMF\UDM（UnifiedDataManagement，统一数据管理）

\UPF\PCF（PolicyControlFunction,策略控制功能）等多个网元中，导致网络缺乏对用户的

全面感知，影响网络以用户为中心进行动态自适应调整的性能。另一方面，为了保障不同地

点之间用户体验的一致性，要求网络支持用户数据和网络数据的快速迁移。

面向6G，用户不仅可以作为网络服务的消费者，还可以为网络提供感知类数据，例如

公共区域摄像头采集的环境数据。在这种场景下，用户需要对自身提供的数据是否允许共享

进行灵活的管控，保障数据隐私。同时，网络需要支持灵活设置不同数据消费者对数据具有

13/53

不同的操作权限和传输优先级，满足6G多样化业务场景。

3.5.2.潜在需求

用户为中心的数据管控需要用户终端相比于现状提供更多的增量数据，需要网络按需满

足不同数据的融合和传输性能要求。

1)6G用户终端（例如手机、公共区域摄像头等）可以为网络提供感知类数据的采集

服务，6G数据面需要对这类数据实现以用户为粒度的数据管控，支持用户对自身

数据和自身数据服务能力进行灵活自主的细粒度控制。

2)6G数据面需要支持对用户的多模态数据的协同感知和智能融合，不同数据基于实

时性等要求具备不同的传输优先级，网络可以通过全方位分析多模态数据获得新知

识，从而更加准确地感知用户实时状态和需求，提前完成对下一时刻用户和网络状

态的智能预测，预先完成网络侧的策略调整，最终提升用户体验。

3.6.星地融合通信场景的数据

3.6.1.描述

面向6G的星地融合网络将实现地面通信和卫星通信的系统级深度融合，实现覆盖优势

和容量优势的优势互补。3GPP对卫星通信的研究在R15NTN（Non-TerrestrialNetworks，

非地面网络）启动，在R17完成第一个关于透明转发模式的NTN标准版本的制定，在R18

阶段支持核心网UPF的天基部署，面向R19已经启动关于星上处理模式的NTN标准制定

以支持基站和部分核心网功能上星。针对接入网、承载网、核心网等功能按需上星的场景，

低轨卫星相对地球高速运动，绕地球旋转一圈的时间约为130分钟，网络为用户业务提供服

务期间，由于卫星和用户的双重移动性，可能发生卫星或波束的切换，导致星上数据的可用

性随卫星的高速运动发生动态变化。同时，卫星运动可能造成其服务用户的群组切换场景，

需要实现卫星间多用户的基站和核心网控制面等上下文数据的交互和同步以保障网络状态

的可靠迁移，同时还需要考虑用户面数据的无损迁移以保障业务的连续性。针对卫星的数据

回传服务场景，由于卫星处于特殊的太空环境，卫星采集到的原始数据存在因环境干扰造成

的无效数据，如果将卫星采集的环境数据全部直接传回地面再进行处理，是对馈电链路的带

宽资源的严重浪费；另外，星上的不同类型数据对实时性要求是不同的，需要保障不同数据

的按需回传。

3.6.2.潜在需求

14/53

星地融合通信场景需要控制数据与控制功能实体的充分解耦，以及提出对星上采集的数

据先处理再传输等需求。

1)针对卫星的高动态特性，基于星历数据等分析星上数据的可服务时长，利用6G数

据面完成星间多用户的基站和核心网控制面上下文数据的整体智能迁移以及用户

面数据在星间的无损迁移以保障业务连续性，例如以用户粒度或群组粒度进行控制

面和用户面数据的迁移，从而避免会话为粒度的高成本数据迁移；同时，通过处理

和数据的解耦设计，保障网络状态在卫星高动态场景下的可靠迁移，提升用户群组

切换效率。

2)6G数据面需要在网络侧支持数据处理功能下沉，例如通过随路处理功能实现对星

上采集的原始数据的就近处理，包括去掉无效数据、对多个数据进行融合处理等，

然后再传回地面进一步分析，提升数据回传服务性能。

3.7.用户体验自优化的数据收集

3.7.1.描述

6G的性能指标应该不仅包括更高的容量，更低的时延和丢包率等，还应该包括更好的

用户体验。如下图所示，特别应该关注用户极差体验，降低极差体验概率。

图3.7-1.用户体验概率分布函数

现有网络为中心的数据收集和优化以小区级或网络级的总体性能或平均性能提升为目

标。如下图所示，3GPP与此相关的协议包括SON和MDT等。并且，传统网络为中心的方

案几经迭代也逐渐向着网络和UE协作的方向演进。例如，在Release18的移动性增强项目

15/53

LTM（L1/L2-triggeredmobility，L1/L2触发的移动性）中开始允许暴露网络拓扑给UE，即

UE基于网络提供的节点标识判断源小区和目标小区是否同属一个DU，进行判断切换过程

中如何执行RLC层和PDCP层的处理。UAI（UEAssistanceInformation，UE辅助信息）则

支持UE上报自己的偏好，包括DRX（DiscontinuousReception，不连续接收）配置，CA（Carrier

Aggregation,载波聚合）配置，RRC状态等。CHO（ConditionalHandover，条件切换）中

UE根据源基站配置的多个候选基站和对应的切换触发执行条件进行检测，如果满足切换触

发执行条件，UE直接决定切换，向目标基站执行随机接入。

图3.7-2.网络中心的数据收集和优化

同时，如果UE侧上报越来越多的数据（例如用户实时的&准确的用户体验信息）给网

络可能存在用户隐私暴露风险等。另外，现有商用手机已经基于终端侧实现方案优化用户体

验（例如地铁等场景视频预缓存等），这说明终端具备用户体验自优化（SOE，Self-Optimizing

Experience）的基础能力。

SOE面向UE定制化需求收集网络侧数据，UE可基于终端实现方案优化用户体验，也

可以通过向网络提供用户偏好来辅助网络联合优化用户体验，还可以在网络允许的范围内决

策来优化用户体验。总之，最终达到减少用户极差体验发生的概率，达成提供一致性的优质

用户体验的目标。例如，寻呼失败是引起话音业务被叫失败的原因之一。对于这一场景目前

终端侧存在不知道是否发生了寻呼失败的困境。即使通过现有的应用层通知的方法，终端侧

知道了曾发生了寻呼失败，其也无法知道网络具体在何时何地发送过寻呼消息等信息，因此

终端侧无法及时发现和定位问题。对应的，对于这一场景目前网络侧存在不知道发生寻呼失

败时UE身处何地，寻呼失败的原因是覆盖问题还是终端状态异常等原因。

综上，仅依靠网络数据或仅依靠终端侧数据都较难及时识别和定位用户体验问题，从而

也就无法提供良好的解决方案来提升体验。所以，可根据不同用例和用户的特征，通过UE

和网络协同相结合来实现6G更好的用户体验。

3.7.2.潜在需求

根据用户体验优化场景阐述，用户体验自优化需要支持UE获取网络数据，以及支持

UE提供用户偏好的决策等。

16/53

1)支持UE获取网络数据包括根据该UE的用户体验优化需求获取所需的核心网数据

和无线接入网数据，例如前述寻呼失败事件、寻呼发起涉及的追踪区域和小区标识、

发送寻呼消息的时间等。考虑潜在的用例对数据时效性等的需求，UE通过空口获

取网络数据既包括实时数据，也包括历史数据。UE获取网络数据过程中的数据消

费者既包括UE基带功能也包括应用功能，其中应用功能可以是UE自身运行的应

用功能或者用户授权的第三方服务器上运行的应用功能。

2)支持UE提供用户偏好以辅助网络优化用户体验（如UE发送用户体验优化所需的

资源配置），以及支持UE在网络配置范围内自行决策资源配置等，从而实现基于

实时和准确的用户体验信息更快速地调整UE的配置参数，进而避免发生用户体验

差的情况。

3.8.自生成数据服务

3.8.1.描述

6G网络引入感知、AI计算等新能力后，也带来了感知数据、AI数据等大量新型数据。

这些新型数据的产生、终结、处理、流转、存储等环节涉及核心网、基站、终端多个网元，

每个网元在数据服务中还可同时具有多个数据功能。不同的网络需求下，数据的交互可能在

核心网与基站、基站与终端核心网与终端、核心网内部、基站内部或基站与基站之间进行，

数据服务也可能只包括数据采集、数据处理、数据分析、数据存储、数据流转中的某几个环

节。6G数据服务庞大而复杂，靠人工选择数据源、网元功能、数据过程和数据拓扑的数据

服务无法满足业务敏捷响应快速上线需求，6G需要自生成的数据服务来快速适应多样化场

景业务需求。AI的发展尤其是大模型的发展，为数据服务的自生成提供了可能。

自生成的数据服务是利用AI手段来自动化选择数据相关网元、功能、过程及拓扑并对

数据全流程进行智能化编排而产生的敏捷高效的数据服务。通过与AI结合，自生成的数据

服务能够自动根据网络需求、空口环境和网元能力来选择数据采集源，能够根据采集的数据

用途来自动进行数据清洗、加工和凝练；能够根据数据量、时延要求、计算能力以及场景需

求来自动规划数据流转、汇聚的路径。以基站感知的数据服务为例：低频基站适合大范低精

度感知，高频基站适合小范围高精度感知，数据服务需要合理利用不同基站的感知能力；数

据服务中感知数据需要灵活处理，历史数据要提取出仍具有时效性的数据并凝练出环境长期

特征，实时数据需要进行预处理减少毛刺；感知数据的流转汇聚需要考虑基站内数据汇聚、

基站间数据共享、核心网对各基站数据融合在数据服务中的作用。非自生成的数据服务固定

僵化，适应性不高。自生成的数据服务能够自动选择感知基站并将适合的感知数据自动流转

到需要的地方，为基站感知提供个性化且及时准确的数据支持。

17/53

3.8.2.潜在需求

面对数据海量异构、数据业务多样化、应用场景丰富多彩、网络复杂庞大的现状，6G

网络迫切需要数据智能供给和数据过程自动编排的数据服务来满足层出不穷、千变万化的未

来需求。网络对自生成的数据服务有以下需求：

1)除了要根据网络需求进行网元、功能、过程及拓扑的自动化选择和编排组织，还要

能够根据网络变化进行网元、功能、过程及拓扑的自动化调整。

2)需要进行数据服务生命周期的自动化管理

3)需要对外进行数据服务能力的提供和数据的开放共享。

3.9.数据权益

3.9.1.描述

数据权益是在法律法规和隐私安全保护的前提下，明确各数据主体的角色（如数据产生

者，数据拥有者、数据处理者，数据使用者）以及不同角色对应的权利和利益划分。终端用

户（包括toC用户、toB企业用户)、运营商以及设备商等网络主体可在数据采集、数据处理、

数据传输、数据分析等多各环节中发挥作用，作为数据主体也应该拥有与之匹配的数据权益。

数据权益机制能够使数据主体在数据服务中的价值得到合理评价并可在安全可控的范

围内进行数据价值交易，这将激发数据共享和交换的主动性，进而增加数据的丰富性、提升

数据的价值性。

对toC用户，运营商可通过奖励的方式（如积分奖励）使得消费者更愿意主动开启数据

上报的功能。在5G中，使用SON&MDT只能对特定用户进行几个网络特性的数据测量收

集。6G网络如果激发了用户的主动性，则会有更多的用户提供数量更多、类型更广的数据。

比如用户除了可以提供更多的通信特性数据，还可以提供更多的环境感知数据、AI模型训

练数据。

另外，行业/企业对数据安全非常重视，希望能够增加对企业数据的掌控权。在数据权

益保障下，企业能够控制数据对外开放的范围并进行数据价值交换，这也会使得企业用户愿

意主动进行企业数据的分享。设备商的核心网和基站通常会承担数据处理、数据传输、数据

分析、数据存储的主要工作，在用户/客户隐私安全的保证上也可通过数据权益的方式来解

决。

在利益驱使下，还会涌现出越来越多的新型网元如RIS（ReconfigurableIntelligent

18/53

Surfaces，可重构智能表面）墙体玻璃贴片、家庭/企业自建基站等，这些新型网元能够弥补

6G网络在特定阶段的不足，为网络提效的同时节约网络成本。在6G网络中，运营商不仅

为用户提供网络服务，还可作为数据权益分配和管控的主导者。可以看到，数据权益让网络

所有主体的价值都能够得到合理体现，各主体都将会有意愿和有机会参与网络共建共享、共

同促进网络繁荣。因此，6G需要使用数据权益来进行安全可信的价值评估、衡量以及各参

与方之间的价值交换。

3.9.2.潜在需求

传统网络中，数据权益处于模糊地带使得网络参与方的主动性不强，数据价值难以最大

化利用。数据权益能够提升网络参与度，实现数据共享和价值流转，实现未来6G无线系统

多方协同共赢和价值最大化的目标，因此数据服务需要数据权益机制的支撑。数据权益的需

求包括：

1)规范明确数据权益主体以及对应的数据权益内容

2)业务前、业务中和业务后三个阶段都需要增加数据权益相关功能：业务前有鉴权、

认证、授权等功能，业务中有权益交互、任务分配、协同控制、流程监督、计费奖

励、故障惩罚等功能，业务后有权益价值评估、权益安全交易结算等功能。

3)网络中需要支持数据权益相关的多种机制、流程和模式。数据权益机制有数据权益

分配机制、价值评估机制、交易结算机制等。数据权益涉及的流程有权益划分、权

益信息交互、权益变更、权益删除等。并且订阅-发布和请求-响应两种模式也可用

于数据权益过程，如通过网络发布包含权益分配、价值衡量、价值交换和可信等数

据权益相关的信息，如通过终端请求的方式来主动触发网络对数据权益的分配和修

改。

3.10.6G数据需求总结

如表3.10-1所示，根据前述6G服务场景和与需求分析，6G系统数据需求包含两大类。

一类是与6G新场景需求相匹配的新增数据需求，包括感知数据和AI数据。另一类是6G系

统功能和数据分离对应的数据需求，包括面向分布式和星地融合等场景对网络中用户级数据

或网元级数据的交互需求。相比于5G，6G系统的数据需求还需要支持协作式的数据收集和

更加自动化的数据收集，包括UE获取网络数据、数据权益和自生成数据服务等。并且，6G

系统需要支持统一的数据全生命周期管理机制，目标是提升海量网络数据的流动效率，避免

单个用例碎片化方案的标准开销。

19/53

表3.10-16G数据面数据总结

数据类型数据提供者数据消费者数据量

感知数据（如感知测UE、RAN节点（基CN、RAN节点（基与感知用例相关，速

量数据）站）、第三方传感器站）、UE率约为1k~10Mbps

数量级

网络AI数据（如AIUE、RAN节点（基CN、RAN节点（基与AI模型相关，波

模型）站）、核心网网络功站）、UE束管理的AI模型数

能、应用功能据量约为10k字节到

100M字节[17]

网络中用户级数据RAN节点（基站）、CN、RAN节点（基与用户数相关

（如用户签约数据、核心网网络功能站）、UE

上下文信息）

网元数据（如寻呼数RAN节点（基站）、网络管理功能、CN、与小区数和用户数

据、网络负荷等）核心网网络功能、网RAN节点（基站）、相关

络管理功能UE

相应地，数据面功能应当具备数据采集、数据处理、数据存储和数据协同等能力。其中，

数据面支持数据在任意节点进行处理，可以采用集中处理的方式或根据不同节点处理能力的

差异来智能分配处理任务，以实现对数据的精细化采集、实时处理、高效传输、分布式协同

和弹性存储，统管数据的全生命周期，从而提升数据利用率与6G网络的数据化服务能力

[18]。例如，根据不同感知协同方式，包括系统组网多点感知的不同方式，以及不同模式的

感知方式，数据面需要支持6G网络内不同域、终端与网络、6G网络内部与外部功能之间

的跨域数据协作。

4.6G数据面内涵和框