0 引言

    5G時代電信業務呈現出多場景、差異化、需求動態變化等特點，網絡切片作為5G的關鍵使能技術之一，將現有物理網絡進行業務邏輯分割，形成獨立的業務邏輯網絡，能夠為具有不同性能要求的垂直行業提供差異化、相互隔離、功能可定制的網絡服務。5G網絡切片技術使多個邏輯網絡能夠通過云和虛擬化技術共享同一套物理基礎設施，在保證服務等級協議(Service Level Agreement，SLA)的同時，可以有效節約成本。然而網絡基礎設施變得越來越復雜、異構、大規模，而新應用的涌現卻越來越快，業務需求變化更加實時動態，網絡切片管理面臨很大挑戰。

    人工智能(Artificial Intelligence，AI)是指在理論、方法、技術及應用系統方面研究人腦的智能行為，通過計算機智能模擬人類的思維觀點，使人類對自身活動的認知程度更進一步。自1956年誕生以來，人工智能理論和技術日益成熟，應用領域也不斷擴大。人工智能的準確性得益于大量的數據訓練，若將運營商在運營過程中累積的大量數據應用到人工智能技術中，則可大大提升網絡自動化水平，降低網絡運營成本，為用戶提供更精確的數據服務以及覆蓋范圍更廣的網絡區域。總而言之，人工智能技術在應對網絡復雜重復性工作方面具有天然優勢。

    國內外的學者對人工智能技術和網絡切片技術融合開展了研究工作。文獻[1]提出了基于人工智能微服務的智能物聯網5G集成架構，在該架構中AI服務將作為微服務提供，5G集成平臺同時允許在集中式數據中心和靠近物聯網設備邊緣處不間斷地提供AI服務，可以部署在集成化的5G網絡切片上，替代了當前單片集成的物聯網云服務。文獻[2]中為了能滿足多樣化、異構化網絡需求，提出了一種基于網絡切片的靈活的、可適應的、可編程的體系結構，這種架構框架允許引入資源彈性作為有效利用5G系統計算資源的關鍵手段，使5G系統自動化適應負載和其他系統變化，保證在每個時間點，可用資源盡可能匹配需求。文獻[3]利用人工智能技術學習各網絡切片的流量需求量，并預測下一區間的流量需求。根據對切片需求的預測，提出了一種新的彈性片間無線資源管理模型，在不影響片間連接服務質量的前提下提高復用增益。文獻[4]提出了智能切片理論，即按需實例化人工智能功能模塊，并以分布式方式部署這些模塊，以實現靈活且可擴展的框架，解決了將人工智能集成到無線網絡技術的主要局限問題。文獻[5]提出了一個基于長短期記憶循環神經網絡與傳統神經網絡的網絡流量預測模型。通過與傳統機器學習流量預測方法相對比，驗證了該模型在網絡流量預測中的適用性與更高的準確性。將上述流量預測模型應用在基于軟件定義網絡技術的智能化承載網切片系統中，以提升網絡資源利用率。

    另外國內外標準組織(包括3GPP、CCSA、ETSI、ITU-T、TMF、Linux Foundation等)均已開展將AI應用于網絡切片的相關協議研究和概念驗證原型系統研發等工作中。

    目前仍然缺乏將AI技術和網絡切片管理系統融合的架構，因此本文將基于3GPP提出的三層網絡切片管理系統，考慮引入AI能力，提出一個統一的基于AI的智能切片管理架構。基于該統一的架構設計，介紹了智能切片管理流程，主要包括切片設計、切片創建、切片更新、切片監控和切片業務體驗評估。并通過車聯網和醫療的應用案例說明智能切片管理通過靈活智能調度網絡資源從而保障業務性能。

1 網絡切片管理系統

    針對網絡切片編排和管理，3GPP定義了網絡切片管理系統，邏輯上包括通信業務管理功能(Communication Service Management Function，CSMF)、網絡切片管理功能(Network Service Management Function，NSMF)、網絡切片子網管理(Network Slice Subnet Management Function，NSSMF)三大部分功能，如圖1所示。其中CSMF實現用戶的業務需求到網絡切片需求的映射，NSMF將網絡切片的需求轉換成對子網切片的需求，負責網絡切片實例的管理和編排，NSSMF將各子網切片的需求轉換為對網絡功能的需求，NSSMF又分為無線(Access Network，AN)切片子網管理(AN-NSSMF)、核心網(Core Network，CN)切片子網管理(CN-NSSMF)和傳輸網(Transport Network，TN)切片子網管理(TN-NSSMF)。

    為滿足多樣的、動態變化的切片業務需求，需要靈活智能編排有限的切片資源，實現切片最快部署上線，保障業務服務質量，以及最大化復用切片資源等目標。這些復雜的任務使網絡切片管理系統面臨很大挑戰，需要將AI技術引入5G網絡以實現切片管理自動化、智能化，因此下一節將介紹基于AI的智能切片管理架構。

2 智能切片管理

    根據網絡切片基礎設施層和切片管理系統的不同層面所能提供的計算資源和需要的智能化能力差異，將不同的AI能力引入基礎設施網元層及切片管理系統的不同層面，提出一個統一的基于AI的智能切片管理架構，如圖2所示。在基礎設施網元層嵌入設備級AI分析能力，在NSSMF層部署AI組件以提供單域AI分析能力，AI賦能平臺為NSMF和CSMF提供跨域AI分析能力，利用AI分析生成的動態控制策略形成從網元到全網的動態控制閉環，促進網絡管理自動化、智能化。具體每一層引入的AI智能化能力介紹如下：

    (1)設備AI智能：在網元設備內部嵌入AI算法，提供場景化的AI模型庫。通過數據采集和預處理，一些預處理的有用樣本數據可以被暫時存儲在某些網元節點上，通過嵌入式的AI框架進行實時的AI模型推理和簡單的智能決策，場景匹配和參數調優過程可以在網元本地處理而不需要卸載到網絡切片子網管理層，支持實時智能分析和控制閉環，滿足業務的時延需求。例如slice#1通過AI能力嵌入到網元層以及用戶面(User Plane Function，UPF)下沉到邊緣，可以支持具有超低時延需求的業務。嵌入AI能力的網元層一方面可以獨立進行簡單的智能決策，另一方面需要和網絡切片子網管理層協同執行其下發的智能策略。

    (2)單域AI智能：在網絡切片子網管理NSSMF層，引入AI分析能力，進行無線接入網絡、傳輸網絡、核心網單域內的數據分析、輕量化的訓練和推理，對單域內的網絡和資源狀態進行趨勢預測，對異常情況進行根因分析，并給出智能決策，從而實現單域內智能化閉環。例如基于AI的AN-NSSMF可以進行無線網絡切片頻譜、功率資源優化管理調度，引入基于AI的TN-NSSMF可以支持傳輸網切片故障分析和根因定位，基于AI的CN-NSSMF可以進行核心網切片虛擬資源編排以及網絡功能負載分析等。基于AI的NSSMF層一方面可以獨立進行單域閉環優化，也能夠把來自于網絡切片管理功能層分發的策略轉換為網絡能夠執行的原語下發給下層設備執行。

    (3)跨域AI智能：跨域AI分析需要全網的數據、豐富的AI模型庫以及用來訓練、推理和分析的集中算力，由AI賦能平臺提供給NSMF和CSMF。AI使能的CSMF層接收各種不同的用戶意圖，通過意圖轉譯為端到端網絡切片需求下發給NSMF層。AI使能的NSMF層基于全域經驗和數據，完成AI模型訓練，為業務編排和全局策略提供最優的業務模型和決策判斷，完成跨域、整網的閉環控制。跨域AI智能化能力適合對全局性的策略和定義集中進行訓練及推理，對實時性要求一般敏感度較低。AI使能的CSMF層和NSMF層相互協同，并通過對全域網絡狀態的分析和學習，持續、閉環地保障用戶意圖實現，基于長期趨勢進行智能分析和管理。NSMF層也可以將端到端切片資源調度策略下發到NSSMF層，指導全局資源編排。

3 智能切片管理流程

    本節將詳細闡述基于AI的智能切片管理系統對網絡切片進行管理的流程。

3.1 切片設計

    針對切片用戶的不同業務意圖，運營商需要設計不同的切片模板，以支持超高帶寬、超低時延、超大連接等需求。切片模板設計過程如圖3所示，AI使能的CSMF層收集用戶通過語音、視頻、文字等方式表達的業務意圖，將用戶的業務意圖數據進行預處理，標注有對應的業務場景的意圖信息作為訓練樣本，構建機器學習模型，以進行業務場景分類識別。將業務意圖輸入訓練好的機器學習模型，輸出對應的業務場景；根據業務場景，確定對應的切片設計模板。切片模板包括切片業務配置參數，如時延等級、速率等級、丟包率等級、抖動等級、最大用戶數等級、覆蓋區域等級、用戶移動性等級、資源共享等級中一項或多項。基于意圖的切片設計將有助于適用于不斷涌現的新業務，提供定制化的網絡切片服務。

3.2 切片創建

    針對需要新創建一個切片的請求，基于用戶對切片SLA的要求、虛擬資源當前消耗的狀態以及現有切片業務的資源需求預測等條件，在不影響現有切片業務且滿足新切片的SLA需求時，通過端到端資源配置，成功創建新的切片。切片創建流程如圖4所示，AI使能的NSMF層收到端到端SLA參數需求，基于切片部署的歷史數據，利用AI算法對業務類型、模板信息、實際關聯的云網資源特性、配置參數等上下文信息，以及接入網、傳輸網、核心網各域子切片實例SLA測量數據(如時延、帶寬、用戶數、速率等)進行建模分析，挖掘切片模板、云網資源、配置參數和SLA指標之間的關聯關系，推理給出最優SLA拆分策略，以及將各域資源配置建議輸出到NSSMF層，NSSMF層調用切片創建算法分配路徑和資源，完成新切片的創建。

3.3 切片更新

    切片運行過程中，網絡狀態和切片業務的流量動態變化，切片的初始資源配置可能無法適應切片的流量變化，需要精準預測流量使用狀況，按需動態配置切片資源。切片更新流程如圖5所示，收集切片流量數據和KPI數據等，通過AI模型(如序列預測算法)預測流量變化趨勢以及輸出切片資源調整策略，并下發到各域執行。也可以收集單域切片流量數據，通過智能分析，執行單域資源配置更新。切片之間，由于業務分布特性的不同，業務高峰存在錯峰和互補，對預測業務流量高峰的切片進行擴容，對預測業務負載降低的網絡切片進行縮容，使多切片最大復用切片資源同時避免資源沖突。切片更新過程中，通過預測不同切片中的負載，預先更新/調整切片資源配置，保障業務服務質量，同時提高切片資源利用效率。

3.4 切片監控

    切片運行過程中，需要監控切片實時運行狀況，并需要識別異常行為，對故障告警進行根因分析和自愈。切片監控流程如圖6所示，收集切片監控數據包括大量系統日志、拓撲結構、配置參數以及性能數據等，可以基于設備或用戶的流量特征來預測其異常行為，基于告警之間的關聯規則來定位根源告警，以及基于性能指標分析來預測故障發生概率，并通過強化學習進行自適應的故障修復和預防策略制定。網絡監控包括端到端切片監控、子切片監控和網絡功能監控，各層次相互協同，一方面可以對已發生的故障告警進行快速、高效的根因分析和修復；另一方面對潛在性能劣化進行預防，實現網絡自動化保障。

3.5 切片業務體驗評估

    在提供切片服務時，運營商需要能夠準確感知和評估各類業務的服務質量，以便進行服務質量的保障。切片業務體驗流程如圖7所示，通過收集業務的SLA體驗數據和切片KPI指標數據，建立SLA體驗和網絡指標數據的關聯模型，基于此模型，通過在線收集切片KPI指標數據來評估對應業務的體驗，并根據SLA體驗評估結果對網絡切片資源進行編排，實現對業務的服務質量保障。由于不同類型業務差異較大，例如視頻、游戲、支付、車聯網業務等，其關聯模型也不盡相同，因此可以基于不同類型的業務進行分別建模和訓練，相同類型的業務可進行遷移或泛化處理。

4 應用場景

4.1 車聯網場景

    5G網絡切片可以支持不同類型的車聯網業務，增強移動寬帶(Enhanced Mobile Broadband，eMBB)切片可以承載車載VR實時通信等業務，超可靠低時延(ultra-Reliable Low-Latency Communication，uRLLC)切片可以承載AR導航、實時路況監測等業務，大規模機器類通信(massive Machine-Type Communication，mMTC)切片可以承載汽車分時租賃等業務。車聯網業務需求的多樣性和高動態，使得網絡切片資源動態調整和調度面臨很大挑戰。基于AI的智能切片管理系統可以智能地調配切片資源，解決業務需求高動態帶來的網絡切片管理問題。

    針對車聯網場景下道路交通業務量的潮汐效應，采集車聯網場景的數據，進行數據存儲和預處理，并結合人工智能及大數據技術，構建面向車聯網場景的業務量預測模型。基于人工智能算法對道路交通業務量的有效預測，結合網絡切片實時負載狀態以及資源部署需求，輸出智能網絡切片資源動態調配策略，實現滿足車聯網業務需求的同時節省網絡切片資源。

4.2 醫療場景

    隨著我國新醫療改革的持續深入以及5G通信技術的快速發展，各大醫療機構都在積極探索“互聯網+醫療”新模式，以優化醫療服務流程，提升民眾就醫服務質量，推進智慧醫療事業發展。5G醫療專屬切片可以支持多種醫療應用，例如mMTC切片支持基于醫療設備數據無線采集的醫療監測類應用，eMBB切片支持基于視頻與圖像交互的醫療診斷與指導類應用(如AR/VR/MR手術)，uRLLC切片支持基于視頻與力反饋的遠程操控類應用。

    智能切片管理對醫療專屬切片網絡進行端到端智能切分，保證了醫療專網的業務隔離安全和服務質量，也滿足了連續網絡覆蓋、位置定位能力、低時延、大帶寬和安全可靠性等網絡需求。

5 結論

    5G網絡切片管理面臨很大挑戰，AI算法可以根據海量網絡數據分析提供智能策略，將AI和5G網絡切片結合已成為業界研究的焦點問題。本文調研了AI和網絡切片融合的研究現狀，提出一個統一的基于AI的智能切片管理架構，可以實現從網元到全網的動態控制閉環。然后重點介紹了基于該智能切片管理系統對網絡切片進行生命周期管理的流程，包括切片設計、創建、更新、監控、切片業務體驗評估。最后介紹了智能切片在交通和醫療領域的應用。基于AI的智能切片管理系統可以使5G網絡更加智能化與自治化，有效加快業務上線、部署開通以及彈性資源利用，并為垂直行業客戶提供差異化SLA服務保障。

參考文獻

[1] MYOUNGLEE G，UM T，CHOI J K.AI as a microservice(AIMS) over 5G networks[C].2018 ITU Kaleidoscope：Machine Learning for a 5G Future(ITU K)，Santa Fe，2018.

[2] GUTIERREZ-ESTEVEZ D M.Artificial intelligence for elastic management and orchestration of 5G networks[J].IEEE Wireless Communications，2019，26(5)：134-141.

[3] KHATIBI S，JANO A.Elastic slice-aware radio resource management with AI-traffic prediction[C].2019 European Conference on Networks and Communications(EuCNC)，Valencia，Spain，2019：575-579.

[4] JIANG W，ANTON S D，SCHOTTEN H D.Intelligence slicing：a unified framework to integrate artificial intelligence into 5G networks[C].2019 12th IFIP Wireless and Mobile Networking Conference(WMNC)，Paris，France，2019：227-232.

[5] 王海寧，袁祥楓，楊明川.基于LSTM與傳統神經網絡的網絡流量預測及應用[J].移動通信，2019，43(8)：37-44.

作者信息:

徐  丹1，王海寧1，袁祥楓1，朱雪田2

(1.中國電信研究院AI研發中心，北京102209；2.中國電信智能網絡與終端研究院，北京102209)