王敬宇，周鋮，張蕾，劉聰，莊子睿，楊紅偉，陳丹陽，朱艷宏，陸璐，廖建新

（1. 北京郵電大學(xué)網(wǎng)絡(luò)與交換技術(shù)國家重點(diǎn)實(shí)驗(yàn)室，北京100876；2. 中國移動通信有限公司研究院，北京100053；3. 中國聯(lián)合網(wǎng)絡(luò)通信集團(tuán)有限公司，北京 100033）

1 引言

隨著移動通信逐步邁入5G時代，當(dāng)前的電信網(wǎng)絡(luò)運(yùn)行管理模式已經(jīng)不足以支撐不斷增長的網(wǎng)絡(luò)演進(jìn)、業(yè)務(wù)發(fā)展和用戶體驗(yàn)的要求。5G網(wǎng)絡(luò)具備高體系性、高復(fù)雜性、超大規(guī)模、高可靠性、高動態(tài)性的特點(diǎn)，運(yùn)維成本居高不下。網(wǎng)絡(luò)的功能維度和節(jié)點(diǎn)數(shù)目的顯著增加，使得人腦幾乎不可能理解現(xiàn)有網(wǎng)絡(luò)架構(gòu)，并迅速找到最佳解決方案。運(yùn)營商迫切需要基于AI打造智能化的網(wǎng)絡(luò)管道，以快速識別新業(yè)務(wù)，全面洞察用戶行為，并根據(jù)不同業(yè)務(wù)類型和用戶體驗(yàn)需求實(shí)現(xiàn)網(wǎng)絡(luò)精細(xì)化運(yùn)營。將AI技術(shù)與通信網(wǎng)絡(luò)的硬件、軟件、系統(tǒng)、流程等深度融合，把AI的解決目標(biāo)和承載方式都設(shè)在網(wǎng)絡(luò)內(nèi)部，利用AI技術(shù)助力通信網(wǎng)絡(luò)運(yùn)營流程智能化，實(shí)現(xiàn)提質(zhì)、增效、降本，使能業(yè)務(wù)敏捷創(chuàng)新，構(gòu)建一個高度智能的自動化網(wǎng)絡(luò)，并逐步向自治網(wǎng)絡(luò)演進(jìn)。網(wǎng)絡(luò)自治將成為5G-Advanced和6G時代移動通信網(wǎng)絡(luò)的核心要素。

2 智能網(wǎng)絡(luò)研究現(xiàn)狀

近年來，有關(guān)智能網(wǎng)絡(luò)的研究和討論在工業(yè)界和學(xué)術(shù)界都非?；馃幔瑑?nèi)生智能已經(jīng)成為6G網(wǎng)絡(luò)研究共識。AI+Network的融合發(fā)展將給通信網(wǎng)絡(luò)注入新的技術(shù)活力，開啟前所未有的可能性，ETSI、3GPP、ITU-T、TMF、GSMA和國內(nèi)CCSA等標(biāo)準(zhǔn)化組織紛紛展開智能網(wǎng)絡(luò)前期的標(biāo)準(zhǔn)研究工作。其中，智能化的一個關(guān)鍵愿景就是——實(shí)現(xiàn)網(wǎng)絡(luò)自治，但還需要整個行業(yè)形成對網(wǎng)絡(luò)自治的統(tǒng)一認(rèn)識和理解，不斷明晰網(wǎng)絡(luò)自治的概念，共同豐富網(wǎng)絡(luò)自治案例。當(dāng)前的案例還比較初級，且不成體系，并不具有可演進(jìn)性。

此外，業(yè)界還提出了不少新網(wǎng)絡(luò)形態(tài)，如智簡網(wǎng)絡(luò)[1-2]、意圖網(wǎng)絡(luò)[2-4]、價值網(wǎng)絡(luò)[5-6]、算力網(wǎng)絡(luò)[7-8]和自動駕駛網(wǎng)絡(luò)[9]等，很多內(nèi)核都依賴AI驅(qū)動。但如何引入AI，依然面臨巨大的技術(shù)難題和挑戰(zhàn)，由于場景的差異，機(jī)器視覺和自然語言處理領(lǐng)域的AI模型和算法難以直接應(yīng)用到網(wǎng)絡(luò)當(dāng)中，在泛化性、閉環(huán)端到端決策、可解釋性等方面依然存在技術(shù)瓶頸。當(dāng)前用AI解決網(wǎng)絡(luò)問題的初步探索，更多是概念模型，少數(shù)實(shí)現(xiàn)案例僅在業(yè)務(wù)和運(yùn)維等外在問題上，且承載大多在云端。如何網(wǎng)絡(luò)內(nèi)生引入AI是個巨大的難點(diǎn)，需要AI核心算法的創(chuàng)新，并與工程實(shí)踐的優(yōu)化集成，探索將人工代價轉(zhuǎn)換為知識，由知識驅(qū)動下一代網(wǎng)絡(luò)。學(xué)術(shù)界已經(jīng)開始探索將人工代價轉(zhuǎn)換為知識，由知識驅(qū)動下一代網(wǎng)絡(luò)。最有代表性的是MIT的David Clark教授提出的網(wǎng)絡(luò)知識平面（knowledge plane）[10]，被公認(rèn)是一個優(yōu)秀的理論設(shè)想，但一直沒能實(shí)現(xiàn)系統(tǒng)設(shè)計和部署。因此，將知識平面有效嵌入并融合進(jìn)現(xiàn)有網(wǎng)絡(luò)，預(yù)計會提升網(wǎng)絡(luò)自動化管控和運(yùn)行的效率。

2.1 ETSI

ETSI十分重視AI技術(shù)在ICT領(lǐng)域的應(yīng)用，于2020年6月發(fā)布“AI及其用于ETSI的未來方向”白皮書。2017年2月，ETSI成立業(yè)界首個網(wǎng)絡(luò)智能化規(guī)范組——體驗(yàn)式網(wǎng)絡(luò)智能行業(yè)規(guī)范小組（experiential networked intelligence industry specification group，ENI ISG）[11]。ENI ISG定義了基于“感知?適應(yīng)?決策執(zhí)行”控制模型的認(rèn)知網(wǎng)絡(luò)管理架構(gòu)，利用AI和上下文感知策略，根據(jù)用戶需求、環(huán)境狀況和業(yè)務(wù)目標(biāo)的變化來調(diào)整網(wǎng)絡(luò)服務(wù)；通過自動化的服務(wù)提供、運(yùn)營和保障以及切片管理和資源編排優(yōu)化來提升5G網(wǎng)絡(luò)性能。目前，該小組的輸出成果包括術(shù)語規(guī)范、概念驗(yàn)證（PoC）框架、應(yīng)用案例、智能網(wǎng)絡(luò)分級、意圖感知的自治網(wǎng)以及ENI架構(gòu)等。

2.2 3GPP

3GPP SA WG5在2018年9月的第81次會上通過了“意圖驅(qū)動的移動網(wǎng)絡(luò)管理服務(wù)（IDMS_MN）”，在該項(xiàng)目的輸出TR28.812[12]中明確了意圖驅(qū)動的網(wǎng)絡(luò)管理服務(wù)的概念、自動化機(jī)制、應(yīng)用場景以及描述意圖的機(jī)制等。在2020年6月召開的第131次會議上，3GPP SA WG5成立“自治網(wǎng)絡(luò)分級（autonomous network level，ANL）”標(biāo)準(zhǔn)項(xiàng)目[13]。該項(xiàng)目由中國移動作為獨(dú)立報告人牽頭，旨在3GPP框架內(nèi)，基于網(wǎng)絡(luò)“規(guī)?建?維?優(yōu)”四大類典型場景，規(guī)范自治網(wǎng)絡(luò)的工作流程、管理要求和分級方法，明確不同網(wǎng)絡(luò)自治能力標(biāo)準(zhǔn)對3GPP現(xiàn)有功能特性的增強(qiáng)技術(shù)要求，牽引網(wǎng)絡(luò)智能化相關(guān)標(biāo)準(zhǔn)工作。

2.3 ITU-T

ITU-T主要由SG13進(jìn)行在未來網(wǎng)絡(luò)中實(shí)現(xiàn)機(jī)器學(xué)習(xí)的研究工作。ITU-T SG13于2017年11月成立了面向包括5G在內(nèi)的未來網(wǎng)絡(luò)機(jī)器學(xué)習(xí)（ML5G）焦點(diǎn)組。該焦點(diǎn)組負(fù)責(zé)起草機(jī)器學(xué)習(xí)適用于未來網(wǎng)絡(luò)的技術(shù)報告和規(guī)范，包括網(wǎng)絡(luò)體系結(jié)構(gòu)、接口、協(xié)議、算法、應(yīng)用案例與數(shù)據(jù)格式等[14]。目前，ML5G第二階段工作已于2020年7月結(jié)束，后續(xù)的研究將在ITU-T SG13繼續(xù)推進(jìn)。除了ITU-T SG13，在ITU-T SG15于2020年1月的全會上，Q12和Q14確定將“機(jī)器學(xué)習(xí)如何應(yīng)用到傳送網(wǎng)”納入標(biāo)準(zhǔn)工作范圍，并希望能夠充分分析AI/ML在傳送網(wǎng)中的用途。

綜上，智能相關(guān)技術(shù)設(shè)計主體思路都是相對統(tǒng)一的，即利用人工智能/機(jī)器學(xué)習(xí)對數(shù)據(jù)進(jìn)行建模分析形成知識，利用閉環(huán)控制對策略反復(fù)優(yōu)化，最終目的是尋求對網(wǎng)絡(luò)管控的最優(yōu)解，對網(wǎng)絡(luò)各層各級協(xié)調(diào)調(diào)度、智能管控。知識定義利用知識的先驗(yàn)性，解決傳統(tǒng)AI技術(shù)中普遍存在的經(jīng)驗(yàn)儲備不足的短板，盡可能避免AI運(yùn)算“從零開始”。最終能夠達(dá)到實(shí)現(xiàn)全網(wǎng)絡(luò)“去人化”“全程序化”的愿景。

3 意圖網(wǎng)絡(luò)自治研究現(xiàn)狀

3.1 意圖網(wǎng)絡(luò)

在各種新型網(wǎng)絡(luò)形態(tài)中，意圖驅(qū)動網(wǎng)絡(luò)（intent-driven network，IDN）或基于意圖網(wǎng)絡(luò)（intent-based network，IBN，本文簡稱意圖網(wǎng)絡(luò)）就是實(shí)現(xiàn)網(wǎng)絡(luò)自治的關(guān)鍵技術(shù)。它的思想最早來自軟件定義網(wǎng)絡(luò)基于意圖的北向接口，后來由Gartner于2017年正式提出[15]，得到業(yè)界的普遍關(guān)注，也就是“我希望網(wǎng)絡(luò)達(dá)到某一種情形”，網(wǎng)絡(luò)將自動轉(zhuǎn)譯并完成后續(xù)的操作。意圖網(wǎng)絡(luò)包含以下幾個關(guān)鍵步驟。

（1）獲取到用戶所提出的網(wǎng)絡(luò)需求，即意圖。例如，意圖“I want to connect A to B.”，用表示意圖并作為輸入發(fā)送到網(wǎng)絡(luò)；

（2）將接收到的意圖轉(zhuǎn)譯成網(wǎng)絡(luò)策略；

（3）根據(jù)當(dāng)前網(wǎng)絡(luò)的狀態(tài)驗(yàn)證策略的可執(zhí)行性，將通過驗(yàn)證的策略下發(fā)到實(shí)際網(wǎng)絡(luò)中；

（4）系統(tǒng)實(shí)時地監(jiān)控網(wǎng)絡(luò)狀態(tài)，確保用戶意圖正確實(shí)現(xiàn)，并將結(jié)果反饋給用戶。

隨著意圖網(wǎng)絡(luò)的引入，網(wǎng)絡(luò)自治的發(fā)展目標(biāo)逐步清晰，就是逐步實(shí)現(xiàn)網(wǎng)絡(luò)的自規(guī)劃、自適應(yīng)、自優(yōu)化、自管理、資源按需服務(wù)，最終達(dá)成“網(wǎng)隨意動”。其中，如何有效獲取用戶意圖是關(guān)鍵難點(diǎn)，目前出現(xiàn)一些基于DSL（domain-specific languages）設(shè)計的意圖表示語言，如阿里的LAI和華為的NEMO，都是通過一些關(guān)鍵字原語和表達(dá)語句來描述用戶對網(wǎng)絡(luò)的需求。如提供了scope、modify、check 等幾種原語描述用戶的意圖需求。對于添加一條“A可以連通B”的意圖，便可以使用“scope A*,B* allow A*,B* control A→B check fix”來描述該意圖。非常類似網(wǎng)絡(luò)領(lǐng)域的SQL語句，可以給網(wǎng)絡(luò)控制器發(fā)送命令，進(jìn)行對應(yīng)的配置。優(yōu)點(diǎn)是可以在特定的環(huán)境下描述用戶意圖，得到的配置策略具有很高的準(zhǔn)確性。缺點(diǎn)也很突出，并不是用戶的自然語言表達(dá)，抽象級別仍然較低，需要向NLP方向演進(jìn)。同時，如何生成滿足該需求的網(wǎng)絡(luò)策略，還缺乏必要的智能性。這也是實(shí)現(xiàn)網(wǎng)絡(luò)自治，而不只是人治的關(guān)鍵。

3.2 網(wǎng)絡(luò)自治

隨著網(wǎng)絡(luò)規(guī)模的擴(kuò)展及信息交換的復(fù)雜化，維持這種網(wǎng)絡(luò)的動態(tài)性需要可靠的運(yùn)維機(jī)制。5G-Advanced網(wǎng)絡(luò)演進(jìn)與AI能力的引入，可以提高網(wǎng)絡(luò)的感知和決策閉環(huán)能力。電信網(wǎng)絡(luò)運(yùn)維經(jīng)驗(yàn)與專家知識的數(shù)字化，為網(wǎng)絡(luò)從人工運(yùn)維向自治運(yùn)維提供了技術(shù)底座。在網(wǎng)絡(luò)自動化閉環(huán)過程中，需要將人工經(jīng)驗(yàn)與知識轉(zhuǎn)化為機(jī)器可理解的知識圖譜，從而在推理分析、意圖驅(qū)動和閉環(huán)決策中發(fā)揮重要作用。類似車輛自動駕駛，3GPP、TMF和GSMA都提出了網(wǎng)絡(luò)自治的分級標(biāo)準(zhǔn)，圖1中給出的是GSMA的智能自治網(wǎng)絡(luò)分級標(biāo)準(zhǔn)[16-17]。通信網(wǎng)絡(luò)的復(fù)雜性決定了智能自治網(wǎng)絡(luò)是無法一蹴而就的，應(yīng)該循序漸進(jìn)，分L0～L5這6個階段逐步推進(jìn)。

圖1 GSMA智能自治網(wǎng)絡(luò)分級

目前，現(xiàn)網(wǎng)各種系統(tǒng)的智能化處于L1和L2級，ITU-T《IMT-2020及未來網(wǎng)絡(luò)智能評估框架》建議書給出的部分案例處于L2～L3的級別[17]。實(shí)現(xiàn)完全的智能自治網(wǎng)絡(luò)是一個長期目標(biāo)，這個過程只能循序漸進(jìn)，需要分步實(shí)現(xiàn)：從提供重復(fù)執(zhí)行操作的替代方案，到執(zhí)行網(wǎng)絡(luò)環(huán)境和網(wǎng)絡(luò)設(shè)備狀態(tài)的感知和監(jiān)控，根據(jù)多種因素和策略作出決策，并有效感知最終用戶體驗(yàn)，直到最后網(wǎng)絡(luò)能夠感知運(yùn)營商和用戶的意圖、自我優(yōu)化和演進(jìn)。

因此，面向6G智能自治網(wǎng)絡(luò)，需要構(gòu)建AI和大數(shù)據(jù)引擎，考慮不同網(wǎng)絡(luò)層次的特點(diǎn)，進(jìn)行解耦設(shè)計、微模塊化實(shí)現(xiàn)、分層部署；同時聚焦高價值場景、按需引入AI能力、逐步推進(jìn)，最終實(shí)現(xiàn)泛在的業(yè)務(wù)網(wǎng)絡(luò)智能化與全面的智能網(wǎng)絡(luò)自治。

4 知識定義的意圖網(wǎng)絡(luò)

4.1 設(shè)計思路

盡管軟件定義網(wǎng)絡(luò)為計算機(jī)通信網(wǎng)絡(luò)注入了新的活力，提供了更加靈活可用的網(wǎng)絡(luò)管理接口，提供了全局的網(wǎng)絡(luò)運(yùn)行狀態(tài)視角，然而仍然沒有回答一個關(guān)鍵的問題：如何理解當(dāng)前網(wǎng)絡(luò)的運(yùn)行狀態(tài)，并將這一理解應(yīng)用到網(wǎng)絡(luò)管理、優(yōu)化和控制當(dāng)中。21世紀(jì)初，Clark等[10]提出“知識平面”的概念來減少網(wǎng)絡(luò)管理中配置、診斷和設(shè)計的成本，知識平面應(yīng)當(dāng)能夠應(yīng)對從基礎(chǔ)網(wǎng)絡(luò)本身所收集到的不完整、不一致、誤導(dǎo)性的甚至惡意的數(shù)據(jù)；應(yīng)當(dāng)能夠協(xié)調(diào)網(wǎng)絡(luò)成員沖突或不一致的高層次目標(biāo)；應(yīng)當(dāng)能夠應(yīng)對網(wǎng)絡(luò)環(huán)境或短期或長期的變化。知識平面提議借助人工智能技術(shù)，將“智能”根植在未來網(wǎng)絡(luò)的基因里。

近年，Mestres等人[18]又重新整理了這一概念，認(rèn)為Clark的遠(yuǎn)景可以被實(shí)現(xiàn)，并進(jìn)一步提出“知識定義網(wǎng)絡(luò)”的概念。中國科學(xué)技術(shù)大學(xué)朱近康教授提出未來智能網(wǎng)絡(luò)中有三大核心[19]：智能管控的極其簡潔的網(wǎng)絡(luò)架構(gòu)、知識+數(shù)據(jù)雙驅(qū)動的學(xué)習(xí)機(jī)制、全場景全業(yè)務(wù)動態(tài)聯(lián)合優(yōu)化。團(tuán)隊認(rèn)為以上3點(diǎn)在未來網(wǎng)絡(luò)中缺一不可，同時提出未來智能網(wǎng)絡(luò)應(yīng)該具備的三大能力：全場景管控、全知識學(xué)習(xí)、全透明優(yōu)化。文獻(xiàn)[19]中強(qiáng)調(diào)，知識＋數(shù)據(jù)驅(qū)動學(xué)習(xí)是未來智能網(wǎng)絡(luò)的基礎(chǔ)，能夠?qū)崿F(xiàn)網(wǎng)際間抑或網(wǎng)絡(luò)內(nèi)的學(xué)習(xí)優(yōu)化，并構(gòu)成一個動態(tài)聯(lián)合優(yōu)化體系，有助于實(shí)現(xiàn)未來網(wǎng)絡(luò)的智能自主管控。

鑒于軟件定義網(wǎng)絡(luò)的最新發(fā)展，在知識定義網(wǎng)絡(luò)中，知識平面可以進(jìn)一步具體化，構(gòu)建在控制平面和數(shù)據(jù)平面上層，將智能和推理集成到軟件定義網(wǎng)絡(luò)的決策過程之中。通過解耦的控制平面和數(shù)據(jù)平面，知識平面可以獲取全局的網(wǎng)絡(luò)狀態(tài)信息以及靈活的網(wǎng)絡(luò)控制能力，使用人工智能技術(shù)處理網(wǎng)絡(luò)數(shù)據(jù)生成知識，并利用這些知識管理網(wǎng)絡(luò)。作為長期愿景，知識平面可以學(xué)習(xí)網(wǎng)絡(luò)是如何運(yùn)作的，并最終自動化地管理和控制網(wǎng)絡(luò)。知識定義網(wǎng)絡(luò)的發(fā)展歷程如圖2所示。

圖2 知識定義網(wǎng)絡(luò)的發(fā)展歷程

本文提出基于知識定義的意圖網(wǎng)絡(luò)，對網(wǎng)絡(luò)狀態(tài)進(jìn)行遙測和感知，并結(jié)合人工智能與機(jī)器學(xué)習(xí)分析所提供的豐富的網(wǎng)絡(luò)知識對網(wǎng)絡(luò)意圖進(jìn)行理解，最后借助軟件定義網(wǎng)絡(luò)的集中控制，實(shí)現(xiàn)網(wǎng)絡(luò)意圖的執(zhí)行和方案部署。

· 轉(zhuǎn)發(fā)件和軟件定義網(wǎng)絡(luò)控制器→分析平臺：分析平臺的責(zé)任是獲取足夠多的信息全面地描述整個網(wǎng)絡(luò)。當(dāng)數(shù)據(jù)層轉(zhuǎn)發(fā)數(shù)據(jù)包時，分析平臺實(shí)時地監(jiān)控數(shù)據(jù)層；這樣，平臺就能夠獲得精準(zhǔn)的數(shù)據(jù)流量信息。除此之外，平臺還會向軟件定義網(wǎng)絡(luò)控制器查詢控制層和數(shù)據(jù)層的狀態(tài)。為了高效地學(xué)習(xí)網(wǎng)絡(luò)的行為并且更全面地了解網(wǎng)絡(luò)，收集網(wǎng)絡(luò)不同狀態(tài)、不同環(huán)境下的信息是十分重要的。因此，分析平臺會存儲所有的歷史數(shù)據(jù)。

· 分析平臺→機(jī)器學(xué)習(xí)：機(jī)器學(xué)習(xí)算法可以從知識定義網(wǎng)絡(luò)的網(wǎng)絡(luò)行為中學(xué)習(xí)知識。當(dāng)前和歷史信息用來給算法提供數(shù)據(jù)集，最終會生成網(wǎng)絡(luò)的抽象模型。機(jī)器學(xué)習(xí)的方式有3種：監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。

· 機(jī)器學(xué)習(xí)→北向控制器接口：知識層的存在緩解分析平臺收集的遙測數(shù)據(jù)與控制具體操作過程之間的差距。傳統(tǒng)上，網(wǎng)絡(luò)運(yùn)營商必須從網(wǎng)絡(luò)測量中收集的指標(biāo)進(jìn)行研究，并決定如何對網(wǎng)絡(luò)采取行動。在知識定義網(wǎng)絡(luò)中，這個過程中的一部分負(fù)擔(dān)分給了知識層。知識層的優(yōu)勢是可以利用機(jī)器學(xué)習(xí)自動為運(yùn)營商管理網(wǎng)絡(luò)提出建議。

· 北向控制器接口→軟件定義網(wǎng)絡(luò)控制器：北向控制器API提供一個通用的“網(wǎng)絡(luò)意圖”接口，供基于軟件的網(wǎng)絡(luò)應(yīng)用和決策者控制網(wǎng)絡(luò)元素。網(wǎng)絡(luò)的使用者通過API表達(dá)“網(wǎng)絡(luò)意圖”，即其對網(wǎng)絡(luò)的需求。結(jié)合分析平臺提供的網(wǎng)絡(luò)狀態(tài)與網(wǎng)絡(luò)知識，使用者的意圖會被知識層進(jìn)一步轉(zhuǎn)化為具體的控制指令。軟件定義網(wǎng)絡(luò)控制器提供的API可以是傳統(tǒng)的命令式語言，也可以是聲明式語言，知識層可以通過訓(xùn)練獲得處理命令式語言或是聲明式語言的能力。

· 軟件定義網(wǎng)絡(luò)控制器→轉(zhuǎn)發(fā)件：控制命令通過控制器的南向協(xié)議被下發(fā)到轉(zhuǎn)發(fā)設(shè)備，這樣數(shù)據(jù)層就可以使用知識層產(chǎn)生的決策運(yùn)行。

4.2 知識生成

“知識驅(qū)動”可以理解為對傳統(tǒng)“數(shù)據(jù)驅(qū)動”的升級，知識由數(shù)據(jù)生成，知識屬于一般性數(shù)據(jù)驅(qū)動的高級狀態(tài)，并具有一定通用性。以全局視角代替具體案例的局部視角，以全局視角打通多個網(wǎng)絡(luò)管控問題域，將按需服務(wù)的相關(guān)網(wǎng)絡(luò)規(guī)律、機(jī)理、策略凝練為知識，構(gòu)建全域資源調(diào)配的知識空間。引入外部先驗(yàn)知識來提升單純數(shù)據(jù)驅(qū)動無法滿足的效果，機(jī)器學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型也是知識的一種載體。如圖3所示，網(wǎng)絡(luò)知識包含4種形式：歷史記載、客觀現(xiàn)狀、主觀體驗(yàn)和動作反饋。

圖3 網(wǎng)絡(luò)知識的4種形式

上述4種形式包含了人類所能總結(jié)的知識庫、常識庫，以及機(jī)器所能理解的知識。從網(wǎng)絡(luò)運(yùn)維手冊、網(wǎng)絡(luò)設(shè)備手冊以及網(wǎng)絡(luò)配置文檔等資料中，以機(jī)器學(xué)習(xí)、自然語言處理等自動化的方式構(gòu)建網(wǎng)絡(luò)管控知識圖譜。網(wǎng)絡(luò)管控知識圖譜是針對網(wǎng)絡(luò)管控的人類經(jīng)驗(yàn)知識的抽象，可以用于智能化管控策略的驗(yàn)證與補(bǔ)充，提升網(wǎng)絡(luò)管控知識的可用性。區(qū)別于傳統(tǒng)數(shù)據(jù)驅(qū)動，網(wǎng)絡(luò)管控知識圖譜可以更好地解決策略生成的可解釋性和邏輯推理的問題，挖掘已經(jīng)學(xué)習(xí)的知識點(diǎn)之間的深層關(guān)系，推理探索新的知識點(diǎn)。同時，為了適配網(wǎng)絡(luò)場景的多樣性，本文首次提出了特征共享、模型公用、策略互通，進(jìn)一步提升了知識的通用性和普適性，并通過不斷學(xué)習(xí)，讓知識空間自我豐富。通過4方面的素材形成知識空間，通過機(jī)器學(xué)習(xí)、特征工程做知識凝練，把共享的特征輸入神經(jīng)網(wǎng)絡(luò)，使模型可以共用，支持多種不同的任務(wù)，再進(jìn)一步形成策略，作為最終結(jié)果為多種管控任務(wù)所用。

通過機(jī)器學(xué)習(xí)把數(shù)據(jù)凝練成知識，從數(shù)據(jù)中學(xué)習(xí)獲取有價值的知識（經(jīng)驗(yàn)策略、性能指標(biāo)），抽象一些來總結(jié)，按照所解決的問題，知識分為三大類，分別是：是什么、為什么和怎么辦，如圖4所示。

圖4 對網(wǎng)絡(luò)知識的理解

從形態(tài)上來看，又可以分為直觀的知識形態(tài)，比如文字、圖片、規(guī)則等；以及非直觀的知識形態(tài)，比如數(shù)據(jù)標(biāo)注、邏輯關(guān)系、因果關(guān)系、算法、函數(shù)關(guān)系等。具體到通信網(wǎng)絡(luò)中的知識，則涵蓋了：節(jié)點(diǎn)、鏈路、流量性質(zhì)的分類與估計；模型的推理與解釋；決策的優(yōu)化、搜索與執(zhí)行。其中分類和估計是現(xiàn)有工作比較充分的研究點(diǎn)。而后面兩項(xiàng)依然是待解決的難點(diǎn)問題。

網(wǎng)絡(luò)知識表達(dá)的一種重要的形式，是結(jié)構(gòu)化的語義知識圖譜，以符號形式描述物理世界中的概念及其相互關(guān)系。通過自動化和半自動化方式，可以形成實(shí)體間關(guān)聯(lián)性的形式化表達(dá)，用于描述物理世界中的概念及其相互關(guān)系。其基本組成單位是“實(shí)體?關(guān)系?實(shí)體”三元組，以及“實(shí)體?屬性?值”對，實(shí)體間通過關(guān)系相互關(guān)聯(lián)，構(gòu)成網(wǎng)狀的知識結(jié)構(gòu)，方便用來做智能運(yùn)維、智能決策、網(wǎng)絡(luò)自動駕駛等。

同時，并不限制知識的具體形式，機(jī)器學(xué)習(xí)的模型也可以作為承載知識的載體，通過機(jī)器學(xué)習(xí)生成模型，定義網(wǎng)絡(luò)策略。雖然已有較多成果利用現(xiàn)有的AI算法如VAE、DRL等來直接解決網(wǎng)絡(luò)問題，但是其效果往往不是特別理想，并不是終極解決方案。面對更普適的網(wǎng)絡(luò)場景，只有打開神經(jīng)網(wǎng)絡(luò)的黑盒，提出真正適合網(wǎng)絡(luò)特性的AI模型，才能進(jìn)一步真正實(shí)現(xiàn)智能網(wǎng)絡(luò)自治。

知識定義網(wǎng)絡(luò)區(qū)別于其它網(wǎng)絡(luò)模式的最大特點(diǎn)是其可以利用對知識的分析使用使自己具有“智慧”。因此，確定知識的來龍去脈是尤為重要的。圖5為目前主流的知識定義網(wǎng)絡(luò)中知識的形成與運(yùn)用過程。

圖5 知識的形成與運(yùn)用過程

首先數(shù)據(jù)通過一定的規(guī)則被分類整理成有相關(guān)性的信息，這些信息可以按需被存儲在數(shù)據(jù)庫中，以方便調(diào)用。接著系統(tǒng)需要通過人工智能對信息進(jìn)行學(xué)習(xí)理解產(chǎn)生模型化的知識，通常情況下系統(tǒng)會將知識也存儲在數(shù)據(jù)庫中，以便在未來的閉環(huán)控制中循環(huán)利用知識并提升系統(tǒng)效率。然后根據(jù)意圖和知識系統(tǒng)進(jìn)行學(xué)習(xí)和推理，即通過了解用戶、服務(wù)等意圖匹配相關(guān)的知識模型，經(jīng)過訓(xùn)練學(xué)習(xí)之后找到滿足意圖的最優(yōu)解。最后，網(wǎng)絡(luò)按照最優(yōu)解進(jìn)行調(diào)整，新的行為又會產(chǎn)生新的數(shù)據(jù)被系統(tǒng)回收，依次往復(fù)。

4.3 系統(tǒng)架構(gòu)

知識定義的意圖網(wǎng)絡(luò)總體架構(gòu)分為4個平面：用戶面、意圖面、控制面和數(shù)據(jù)面，如圖6所示。

圖6 知識定義的意圖網(wǎng)絡(luò)架構(gòu)

用戶面通過用戶意圖識別的人網(wǎng)交互機(jī)制，實(shí)現(xiàn)6G網(wǎng)絡(luò)的隨心所想。不管是用戶輸入的意圖，還是網(wǎng)絡(luò)內(nèi)部的修正、優(yōu)化意圖，都會轉(zhuǎn)化為統(tǒng)一的網(wǎng)絡(luò)意圖表達(dá)模型。意圖轉(zhuǎn)譯采用語義匹配和實(shí)體挖掘模型相結(jié)合方式，利用深度學(xué)習(xí)方法處理時序長文本，根據(jù)預(yù)測的語義模版序列，再對長文本意圖的實(shí)體進(jìn)行挖掘，其實(shí)體挖掘模型采用LSTM+Attention層。然后，用戶意圖需求和網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)都接入“網(wǎng)絡(luò)知識決策平臺”進(jìn)行智能決策，這也是網(wǎng)絡(luò)自治內(nèi)部運(yùn)行的核心。

知識定義作為意圖網(wǎng)絡(luò)的重要使能技術(shù)，將基礎(chǔ)網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)深度融合，構(gòu)建自學(xué)習(xí)、自維護(hù)的智能網(wǎng)絡(luò)。經(jīng)歷知識表征、網(wǎng)絡(luò)編排和策略生成流程，然后生成配置信息通過控制面，自動化下發(fā)給數(shù)據(jù)面。其中，知識表征需要處理當(dāng)前網(wǎng)絡(luò)內(nèi)外部流量狀態(tài)、全真網(wǎng)絡(luò)拓?fù)湎闰?yàn)知識、各級用戶意圖等多模態(tài)數(shù)據(jù)，進(jìn)行感知識別甚至預(yù)測，形成支持多場景決策的形式化表達(dá)。引入更多的先驗(yàn)知識，包括拓?fù)洹＜乙?guī)則、運(yùn)維經(jīng)驗(yàn)等，其中數(shù)據(jù)格式可以包含知識圖譜，運(yùn)維手冊，日志以及預(yù)訓(xùn)練模型等，經(jīng)過知識表征后，實(shí)現(xiàn)模型共享，使得各種網(wǎng)絡(luò)策略生成更加高效精準(zhǔn)。此外，還特別加入了“策略驗(yàn)證”和“意圖驗(yàn)證”雙層保證，確保意圖表達(dá)的完整性、去模糊性，提供意圖保障、網(wǎng)絡(luò)數(shù)字孿生和故障自動化修復(fù)，突破網(wǎng)絡(luò)自治的最大瓶頸。

5 智能網(wǎng)絡(luò)自治的探索

團(tuán)隊前期研發(fā)的智能運(yùn)維產(chǎn)品已經(jīng)在4G和5G現(xiàn)網(wǎng)和多個行業(yè)都實(shí)現(xiàn)了產(chǎn)業(yè)應(yīng)用，匯集運(yùn)維知識經(jīng)驗(yàn)和AI算法，圍繞日志分析、告警壓縮、異常檢測、根因定位等場景，提供超過20種AI原子能力，覆蓋網(wǎng)絡(luò)運(yùn)維業(yè)務(wù)大部分流程和運(yùn)維業(yè)務(wù)需求，如日志解析、故障發(fā)現(xiàn)、故障預(yù)測、告警聚合、故障定位等。然而，僅僅通過數(shù)據(jù)驅(qū)動的基礎(chǔ)機(jī)器學(xué)習(xí)算法，目前的識別準(zhǔn)確率，對異常檢測任務(wù)還尚可，對根因分析等推理場景效果還不甚理想，距離自治網(wǎng)絡(luò)的要求還有很大距離，有必要引入外部知識來構(gòu)建、更新和推理更復(fù)雜的外部網(wǎng)絡(luò)世界。

5.1 圖感知的深度學(xué)習(xí)的智能網(wǎng)絡(luò)決策算法

機(jī)器學(xué)習(xí)和人工智能技術(shù)在網(wǎng)絡(luò)領(lǐng)域中應(yīng)用的首要問題是如何設(shè)計能夠有效理解輸入數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。在其他領(lǐng)域的經(jīng)驗(yàn)表明，一個與所解決問題高度適應(yīng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)將極大地提高神經(jīng)網(wǎng)絡(luò)模型在該問題上的學(xué)習(xí)能力。團(tuán)隊提出圖感知的深度學(xué)習(xí)的智能網(wǎng)絡(luò)決策算法[20]，將逐跳的路由決策問題建模成從已知網(wǎng)絡(luò)狀態(tài)到下一條最優(yōu)路由的分類問題，并創(chuàng)新性地提出了使用圖感知的神經(jīng)網(wǎng)絡(luò)層對輸入數(shù)據(jù)進(jìn)行學(xué)習(xí)和特征抽取?；谳斎霐?shù)據(jù)節(jié)點(diǎn)間的拓?fù)鋵W(xué)連接關(guān)系，針對路由問題使用介數(shù)中心性篩選高度相關(guān)的鄰域節(jié)點(diǎn)，構(gòu)建圖感知的鄰域卷積算子，通過該鄰域卷積操作實(shí)現(xiàn)對輸入拓?fù)浣Y(jié)構(gòu)信息的有效理解和學(xué)習(xí)。針對逐跳的路由決策，通過根據(jù)決策結(jié)果逐步修正輸入數(shù)據(jù)，使得輸入數(shù)據(jù)能夠包含一定的歷史決策信息，提升多跳決策結(jié)果的可用性。實(shí)驗(yàn)表明，所提算法能夠?qū)崿F(xiàn)更短的訓(xùn)練時間，達(dá)到更高的決策準(zhǔn)確度，并且達(dá)到更高的多跳決策準(zhǔn)確度。

5.2 基于案例的智能方案學(xué)習(xí)與推斷算法

基于案例的推斷對已有的優(yōu)化算法加以利用，實(shí)現(xiàn)快速的優(yōu)化決策[21]。特別地，介紹了一個基于深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)狀態(tài)表征方法，能夠把高維的網(wǎng)絡(luò)狀態(tài)轉(zhuǎn)換成低維的特征向量，并根據(jù)此特征向量與案例庫中的已有案例進(jìn)行比對，挑選最相似的案例進(jìn)行重用。該系統(tǒng)優(yōu)于現(xiàn)有的流量分割和流量工程路由方案，能夠以較高的執(zhí)行速度完成策略推斷，并提供有競爭力的近優(yōu)解。

對于變化和復(fù)雜的新興網(wǎng)絡(luò)，巨大的訓(xùn)練成本阻止了在變化或差異的環(huán)境下快速收斂。利用生成對抗網(wǎng)絡(luò)來學(xué)習(xí)適用于不同網(wǎng)絡(luò)環(huán)境下基于深度強(qiáng)化學(xué)習(xí)的路由的域不變特征[22]，該機(jī)制利用了之前的案例模型，加速了訓(xùn)練過程，并處理網(wǎng)絡(luò)狀態(tài)和拓?fù)涞淖兓Ｔ谏a(chǎn)級軟件交換機(jī)和控制器中實(shí)現(xiàn)了該路由算法，同時通過多種拓?fù)浜途W(wǎng)絡(luò)狀態(tài)分布對其進(jìn)行綜合評估，效果不僅優(yōu)于現(xiàn)有的基于深度強(qiáng)化學(xué)習(xí)的路由框架，而且比樸素遷移學(xué)習(xí)算法具有更高的訓(xùn)練效率。

5.3 高魯棒性網(wǎng)絡(luò)調(diào)度算法

通過使用批量馬爾可夫到達(dá)過程對網(wǎng)絡(luò)流量模式進(jìn)行建模，證明具有高變化、突發(fā)性和隨機(jī)輸入的網(wǎng)絡(luò)路由問題可以建模為馬爾可夫決策過程，并且可以使用基于價值迭代的強(qiáng)化學(xué)習(xí)方法進(jìn)行解決[23]。此外，深度強(qiáng)化學(xué)習(xí)模塊可以有效地學(xué)習(xí)和估計長期李雅普諾夫漂移以及懲罰函數(shù)，因此就隊列積壓量、端到端時延、信息使用年限和吞吐量而言，它提供了優(yōu)秀的結(jié)果。所提算法在多種設(shè)置下均優(yōu)于基線方法，并且收斂速度比現(xiàn)有方法快，在各種拓?fù)湎戮哂辛己玫男阅?，因此可以在一般情況下使用。所提出的基于區(qū)塊鏈的信息交換協(xié)議可以為路由框架提供可信賴的網(wǎng)絡(luò)統(tǒng)計信息。

此外，還解決了動態(tài)復(fù)雜的物聯(lián)網(wǎng)場景下的服務(wù)功能鏈映射問題[24]，將一些復(fù)雜的虛擬網(wǎng)絡(luò)功能分解成一組虛擬網(wǎng)絡(luò)功能單元和一個內(nèi)部連接圖，在支持NFV的物聯(lián)網(wǎng)中構(gòu)建虛擬網(wǎng)絡(luò)功能轉(zhuǎn)發(fā)圖。在此模型中，給出了服務(wù)功能鏈映射問題的環(huán)境狀態(tài)、動作空間和獎勵函數(shù)。此外，還利用DQL的經(jīng)驗(yàn)回放和目標(biāo)網(wǎng)絡(luò)來提高該方案的收斂性能。

5.4 復(fù)雜圖網(wǎng)絡(luò)系統(tǒng)的異常檢測

理解了網(wǎng)絡(luò)拓?fù)浜螅岢鰧r間序列和圖空間特征結(jié)合的神經(jīng)網(wǎng)絡(luò)檢測模型[25]，可以實(shí)現(xiàn)復(fù)雜圖網(wǎng)絡(luò)系統(tǒng)的異常檢測。為了解決網(wǎng)絡(luò)中節(jié)點(diǎn)設(shè)備異常檢測、智能運(yùn)維、根因分析等問題，針對鏈路時延、網(wǎng)絡(luò)吞吐率、設(shè)備內(nèi)存使用率等時序數(shù)據(jù)，提出了一種基于圖的門控卷積編解碼異常檢測模型?？紤]網(wǎng)絡(luò)場景的實(shí)時性需求以及網(wǎng)絡(luò)拓?fù)溥B接關(guān)系對時序數(shù)據(jù)的影響，基于門控卷積對時序數(shù)據(jù)并行提取時間維度特征并通過圖卷積挖掘空間依賴關(guān)系?；跁r空特征提取模塊組成的編碼器對原始輸入時序數(shù)據(jù)編碼后，卷積模塊組成的解碼器用于重構(gòu)時序數(shù)據(jù)。原始數(shù)據(jù)和重構(gòu)數(shù)據(jù)間的殘差進(jìn)一步用于計算異常分?jǐn)?shù)并檢測異常。不同于傳統(tǒng)的異常檢測針對單點(diǎn)的情況，加入了網(wǎng)絡(luò)拓?fù)渲泄?jié)點(diǎn)間的連接關(guān)系，對時序數(shù)據(jù)在不同時刻存在的異常波動進(jìn)行檢測。經(jīng)現(xiàn)網(wǎng)測試，準(zhǔn)確率可以達(dá)到95%，也有較好的模型泛化能力。

研發(fā)出一種基于多階段機(jī)器學(xué)習(xí)的連續(xù)區(qū)間異常檢測模型[26]，該模型利用了異常區(qū)間的連續(xù)性對訓(xùn)練集數(shù)據(jù)進(jìn)行篩選，并對被檢出的真/假異常報告進(jìn)行重新分類，有效地減少了異常誤報的數(shù)量。利用滑動窗口提取的多個特征組成的特征集被證明能夠較好地描述KPI時間序列的特征。

5.5 智能網(wǎng)絡(luò)自治的服務(wù)閉環(huán)流程

AI技術(shù)帶來的網(wǎng)絡(luò)智能化價值明顯，但網(wǎng)絡(luò)最終實(shí)現(xiàn)自治仍然面臨很多挑戰(zhàn)，實(shí)際業(yè)務(wù)中流程斷點(diǎn)很多，有必要打通各個流程斷點(diǎn)，提供服務(wù)自動化執(zhí)行各種IT流程工作，實(shí)現(xiàn)真正的超自動化。海量網(wǎng)優(yōu)數(shù)據(jù)中抽取隱含的關(guān)聯(lián)特征和規(guī)則，建立算法模型，優(yōu)化參數(shù)調(diào)整策略，提高網(wǎng)絡(luò)資源利用率以及網(wǎng)絡(luò)容量。提供了網(wǎng)絡(luò)自動化管理、故障發(fā)現(xiàn)、智能選路（自愈）等功能。基于網(wǎng)絡(luò)指標(biāo)異常檢測技術(shù)實(shí)現(xiàn)6G網(wǎng)絡(luò)的閉環(huán)控制。

從全局運(yùn)行流程上來看，意圖網(wǎng)絡(luò)自治的基本理念是將資源分組，每組資源只實(shí)現(xiàn)一個簡單的功能，將網(wǎng)絡(luò)中服務(wù)的實(shí)現(xiàn)分拆成資源工作組的組合。不同層次間的交互通過意圖API實(shí)現(xiàn)，實(shí)現(xiàn)意圖的過程通過多層閉環(huán)完成，使網(wǎng)絡(luò)的實(shí)際狀態(tài)達(dá)到意圖所定義的預(yù)期狀態(tài)。如圖7所示，將需求拆分成每個資源運(yùn)行組的集合（從右到左），從商業(yè)意圖（目標(biāo)）到服務(wù)的集合，再到資源的集合，將資源可實(shí)現(xiàn)的功能累加成服務(wù)、業(yè)務(wù)的功能，最后滿足商業(yè)目的（從左到右）。

圖7 高階自主網(wǎng)絡(luò)架構(gòu)解決方案

以路由故障為例，在網(wǎng)絡(luò)系統(tǒng)出現(xiàn)問題時，必然難以維持用戶意圖。通過知識加持AI技術(shù)進(jìn)行網(wǎng)絡(luò)分析，快速準(zhǔn)確發(fā)現(xiàn)故障點(diǎn)，反饋回控制器進(jìn)行自決策，找到新恢復(fù)路由。自動化交接和自愈流程會保障故障路由流量被無縫地轉(zhuǎn)移到新路由上，不會影響用戶體驗(yàn)。

網(wǎng)絡(luò)運(yùn)行狀態(tài)具有高動態(tài)性，在使用知識定義方法解決網(wǎng)絡(luò)路由問題時，如果只使用預(yù)先離線訓(xùn)練的方法將面臨諸多難點(diǎn)，如訓(xùn)練數(shù)據(jù)的獲取、網(wǎng)絡(luò)運(yùn)行狀態(tài)統(tǒng)計特性改變后的再訓(xùn)練等問題。相比于傳統(tǒng)的業(yè)務(wù)保障機(jī)制，基于意圖的自治方案可以實(shí)現(xiàn)毫秒級信息上報，秒級故障定界定位。再結(jié)合控制器的多重保護(hù)機(jī)制，最終為客戶帶來故障發(fā)生零感知的用戶體驗(yàn)。

6 結(jié)束語

人類社會、人工智能的發(fā)展和演進(jìn)，發(fā)源于知識的傳播與傳承，而關(guān)鍵點(diǎn)在于設(shè)計可解釋、可傳授的知識表達(dá)和知識載體。同樣地，一個智能的網(wǎng)絡(luò)，不但要完成對自身狀態(tài)的理解和對自身性能的優(yōu)化，更應(yīng)當(dāng)將這一系列知識傳播出去，如開環(huán)狀態(tài)下需要人類介入調(diào)控的時候恰到好處地提供信息、評估和方法；又或者閉環(huán)狀態(tài)下在不同網(wǎng)絡(luò)之間交流知識，共同發(fā)展，完成網(wǎng)絡(luò)的自我演進(jìn)。

為了支撐知識定義的自治管控策略，需要構(gòu)建知識空間，以邏輯集中化的AI平臺為智能引擎，為6G網(wǎng)絡(luò)管控平臺和網(wǎng)元賦予AI認(rèn)知能力。基于這樣的架構(gòu)，可以實(shí)現(xiàn)知識賦能網(wǎng)絡(luò)自治，并完成意圖從規(guī)劃到創(chuàng)建再到優(yōu)化的全生命周期閉環(huán)維護(hù)，有朝一日實(shí)現(xiàn)無人值守的網(wǎng)絡(luò)自動駕駛。

知識定義的意圖網(wǎng)絡(luò)自治研究為智能網(wǎng)絡(luò)自治構(gòu)想了一條路線，通過構(gòu)建人工智能和大數(shù)據(jù)引擎，考慮不同網(wǎng)絡(luò)層次的特點(diǎn)，進(jìn)行解耦設(shè)計、微模塊化實(shí)現(xiàn)、分層部署；同時聚焦高價值場景、按需引入AI能力、逐步推進(jìn)，這必然是一個長期過程，此歷程需要匯聚產(chǎn)業(yè)合力，最終實(shí)現(xiàn)泛在的業(yè)務(wù)網(wǎng)絡(luò)智能化與全面的智能網(wǎng)絡(luò)自治。