一、引言

5G網(wǎng)絡(luò)的快速發(fā)展推動了超高速、低時延和大連接的需求，而核心網(wǎng)作為5G系統(tǒng)的關(guān)鍵組成部分，負責(zé)數(shù)據(jù)處理、流量管理和資源分配，其性能直接影響用戶體驗和網(wǎng)絡(luò)效率。然而，5G核心網(wǎng)的高動態(tài)性和復(fù)雜性使得傳統(tǒng)基于規(guī)則的監(jiān)控與調(diào)度方法逐漸失效。例如，手動配置的資源分配策略無法快速適應(yīng)流量峰值，而靜態(tài)監(jiān)控手段難以精準預(yù)測潛在故障。近年來，機器學(xué)習(xí)技術(shù)在網(wǎng)絡(luò)優(yōu)化領(lǐng)域展現(xiàn)出巨大的應(yīng)用潛力。深度學(xué)習(xí)能夠從海量數(shù)據(jù)中提取復(fù)雜模式，強化學(xué)習(xí)則適用于動態(tài)決策場景。

本文提出了一種基于機器學(xué)習(xí)的智能化框架，通過實時性能監(jiān)控與動態(tài)資源調(diào)度，解決5G核心網(wǎng)在高負載和多樣化業(yè)務(wù)場景下的瓶頸問題。本研究的創(chuàng)新點在于將深度學(xué)習(xí)與強化學(xué)習(xí)相結(jié)合，構(gòu)建自適應(yīng)模型，實現(xiàn)性能預(yù)測與資源優(yōu)化的閉環(huán)控制。

二、系統(tǒng)架構(gòu)設(shè)計

本文設(shè)計的智能化策略旨在通過機器學(xué)習(xí)技術(shù)優(yōu)化5G核心網(wǎng)的性能監(jiān)控與資源調(diào)度，其系統(tǒng)架構(gòu)包含三個核心模塊：數(shù)據(jù)采集模塊、性能預(yù)測模塊和資源調(diào)度模塊，整體基于云原生技術(shù)實現(xiàn)，以確保高擴展性和低耦合性。本文將對各模塊的功能、方法及數(shù)據(jù)支撐進行詳細論述。

（一）數(shù)據(jù)采集模塊

數(shù)據(jù)采集模塊負責(zé)從5G核心網(wǎng)的關(guān)鍵網(wǎng)元（如用戶平面功能UPF、會話管理功能SMF）實時獲取性能指標。采集的關(guān)鍵性能指標（KPI）包括吞吐量、時延、丟包率和資源占用率。具體而言，吞吐量以每秒兆比特（Mbps）為單位，時延以毫秒（ms）為單位，丟包率以百分比（ % ）表示，資源占用率則涵蓋CPU和內(nèi)存使用百分比。假設(shè)某運營商核心網(wǎng)每日產(chǎn)生約500GB的日志數(shù)據(jù)，采集模塊每秒從10個網(wǎng)元節(jié)點提取約2000條記錄，數(shù)據(jù)采集頻率為1次／秒。為確保實時性，模塊采用Kafka分布式消息隊列處理高并發(fā)數(shù)據(jù)流，峰值吞吐量可達每秒50萬條記錄。這種設(shè)計能夠支持大規(guī)模5G網(wǎng)絡(luò)的動態(tài)監(jiān)控需求。

（二）性能預(yù)測模塊

性能預(yù)測模塊利用長短期記憶網(wǎng)絡(luò)（LSTM）分析采集到的時序數(shù)據(jù)，以預(yù)測未來網(wǎng)絡(luò)負載和潛在性能瓶頸。LSTM通過其記憶單元和門控機制，擅長處理非線性時序數(shù)據(jù)，如核心網(wǎng)流量隨時間波動的模式。輸入數(shù)據(jù)包括過去30分鐘的KPI序列（1800個采樣點），外部變量如用戶連接數(shù)（假設(shè)峰值時為50萬）和業(yè)務(wù)類型占比（視頻流占 60% 、物聯(lián)網(wǎng)占 30% 、其他占10% ）。輸出為未來5分鐘（300秒）的性能預(yù)測值，如吞吐量預(yù)計從當前 500Mbps 升至 620Mbps ，時延從

10ms 增至 12ms 。模型訓(xùn)練基于某運營商提供的10萬條歷史記錄，訓(xùn)練集和測試集按8：2劃分，損失函數(shù)為均方誤差（MSE），計算公式為：

其中， y_i 為真實值， 為預(yù)測值， n 為樣本數(shù)。經(jīng)過50輪迭代，MSE收斂至0.021，預(yù)測準確率達 95% 以上。這種預(yù)測能力為后續(xù)的資源調(diào)度提供了可靠依據(jù)。

（三）資源調(diào)度模塊

資源調(diào)度模塊采用基于深度強化學(xué)習(xí)（DRL）的DDPG（DeepDeterministic PolicyGradient）算法，根據(jù)性能預(yù)測結(jié)果動態(tài)調(diào)整虛擬機或容器的資源分配比例。DDPG算法通過定義狀態(tài)空間、動作空間和獎勵函數(shù)實現(xiàn)優(yōu)化。狀態(tài)空間包括當前資源利用率（CPU 70% 、內(nèi)存 65% ）、預(yù)測負載（ 620Mbps ）和網(wǎng)絡(luò)時延（ 12ms ）；動作空間為資源調(diào)整比例，例如將某網(wǎng)元CPU分配從20% 增至 25% ；獎勵函數(shù)設(shè)計為：

R=0.6×ΔT+0.4×（-ΔL）

其中， ΔT 為吞吐量提升率 為時延增量（ms），權(quán)重反映對吞吐量的優(yōu)先考慮。實驗中，初始資源分配為每個網(wǎng)元平均 20% CPU和 30% 內(nèi)存，經(jīng)過DDPG調(diào)度后，資源利用率提升至CPU 82% 、內(nèi)存 75% ，吞吐量增加 15% ，時延降低至 9ms 。相較于靜態(tài)分配（吞吐量提升 5% ，時延 13ms ），其效果顯著。

系統(tǒng)架構(gòu)依托云原生技術(shù)，通過容器化部署（如Docker和Kubernetes）實現(xiàn)模塊間松耦合，支持快速擴展。例如，當網(wǎng)元節(jié)點從10個增至20個時，系統(tǒng)可在5分鐘內(nèi)完成資源重新分配。這種設(shè)計不僅提升了5G核心網(wǎng)的智能化水平，還為高動態(tài)場景提供了魯棒性支持。

三、性能預(yù)測模型

為了實現(xiàn)對5G核心網(wǎng)性能的精準預(yù)測，本文選用長短期記憶網(wǎng)絡(luò)（LSTM）模型處理其時序數(shù)據(jù)，因其通過記憶單元和遺忘門、輸入門、輸出門等門控機制，能夠有效捕捉網(wǎng)絡(luò)流量中非線性的長期依賴關(guān)系，特別適用于流量隨時間波動較大的場景。模型的輸入數(shù)據(jù)包括歷史關(guān)鍵性能指標（KPI）和外部變量，KPI涵蓋吞吐量（單位：Mbps）、時延（單位：ms）和丟包率（單位： % ），外部變量則包括用戶連接數(shù)和業(yè)務(wù)類型分布；輸出為未來5分鐘內(nèi)的性能指標預(yù)測值，如預(yù)測吞吐量從 450Mbps 升至 510Mbps ，時延從 8ms 增至 9.5ms 。輸入數(shù)據(jù)的時間窗口設(shè)定為過去20分鐘（1200個采樣點，采樣頻率1次／秒），外部變量假設(shè)某時段用戶連接數(shù)為40萬，業(yè)務(wù)類型分布為視頻流占 55% 、游戲占25% 、網(wǎng)頁瀏覽占 20% 。這種輸入設(shè)計旨在全面反映網(wǎng)絡(luò)狀態(tài)的動態(tài)變化，為預(yù)測提供充足信息[2]。

訓(xùn)練數(shù)據(jù)集來源于某運營商的真實5G核心網(wǎng)日志，包含12萬條樣本，每條樣本記錄了10個網(wǎng)元在一天內(nèi)的KPI數(shù)據(jù)，總數(shù)據(jù)量約為 600GB 。數(shù)據(jù)集按7：3劃分為訓(xùn)練集（8.4萬條）和測試集（3.6萬條），時間跨度為30天，其中，高峰時段（每日18：00-22：00）流量占全天 60% ，約360GB。模型以均方誤差（MSE）作為損失函數(shù)，公式為：

其中， y_i 為真實值， 為預(yù)測值， n 為樣本數(shù)。優(yōu)化過程采用 Adam 優(yōu)化器，初始學(xué)習(xí)率為0.001，批量大小為64，經(jīng)過100輪訓(xùn)練，MSE從初始的0.15逐步收斂至0.018，預(yù)測誤差控制在 4.5% 以內(nèi)。測試集上的具體表現(xiàn)為：吞吐量預(yù)測偏差平均為 ±10Mbps ，時延預(yù)測偏差為 ±0.6ms ，丟包率偏差為 ±0.2% 。為進一步驗證模型魯棒性，在模擬流量突增場景（用戶連接數(shù)從40萬激增至60萬）下，預(yù)測準確率仍維持在 94% 以上，顯示出其對異常波動的適應(yīng)性。為直觀展示模型性能，表1提供了訓(xùn)練與測試的關(guān)鍵指標。

表1訓(xùn)練與測試的關(guān)鍵指標

LSTM模型的高準確性得益于其對時序特征的深度挖掘，如對工作日流量高峰（18：00）與周末低谷（凌晨2：00）的模式差異識別。相較于傳統(tǒng)ARIMA模型（誤差約 8% ，MSE為0.035），LSTM在非線性場景下的預(yù)測能力提升約 40% 。模型部署后，每分鐘可處理5000條預(yù)測請求，推理耗時僅為 20ms ，滿足實時性要求。這種性能預(yù)測方法為5G核心網(wǎng)的資源優(yōu)化奠定了堅實基礎(chǔ)，尤其在動態(tài)負載管理中展現(xiàn)出顯著優(yōu)勢[3]。

四、資源調(diào)度算法

資源調(diào)度采用基于深度強化學(xué)習(xí)的DDPG算法，其設(shè)計結(jié)合了策略梯度法與Q學(xué)習(xí)的優(yōu)點，通過Actor-Critic架構(gòu)處理連續(xù)動作空間，非常適合5G核心網(wǎng)中資源分配的動態(tài)調(diào)整需求。DDPG算法的狀態(tài)空間定義為當前資源利用率（例如CPU占用率 45% 、內(nèi)存使用率 60% ）、預(yù)測負載（未來5分鐘內(nèi)預(yù)計吞吐量達 600Mbps ）和網(wǎng)絡(luò)時延（平均 9ms ）；動作空間則為調(diào)整各網(wǎng)元的資源分配比例，如將某網(wǎng)元CPU占比從30% 提升至 40% ，內(nèi)存從 50% 增加至 65% ；獎勵函數(shù)設(shè)計為綜合吞吐量提升率與時延降低率的加權(quán)和，公式為：

表2DDPG與基線算法在不同負載下的表現(xiàn)

其中， ΔT 為吞吐量增量， T 為基準吞吐量， ΔD 為時延降幅， D 為基準時延，權(quán)重 w1=0.6 、 w2=0.4 ，在鼓勵高效資源使用的同時兼顧低時延。調(diào)度模塊與性能預(yù)測模塊交互，構(gòu)成預(yù)測-決策-反饋的閉環(huán)機制：預(yù)測模塊提供負載預(yù)估，DDPG據(jù)此輸出資源調(diào)整策略，執(zhí)行后系統(tǒng)收集實際性能數(shù)據(jù)（如吞吐量升至 620Mbps 時延降至 8.5ms ），并據(jù)此更新模型參數(shù)，使策略適應(yīng)流量波動。

算法訓(xùn)練基于模擬5G核心網(wǎng)環(huán)境，數(shù)據(jù)集包含15萬條記錄，覆蓋10個網(wǎng)元在45天內(nèi)的運行狀態(tài)，總數(shù)據(jù)量約 800GB 。其中，高峰時段（每日17：00-21：00）資源利用率平均達 75% ，低谷時段（凌晨1：00-5：00）僅為20% 。訓(xùn)練采用Adam優(yōu)化器，學(xué)習(xí)率設(shè)為0.0001，探索噪聲遵循Omstein-Uhlenbeck過程，標準差為O.2。經(jīng)過200 輪迭代，累計獎勵從初始的-5.2提升至 18.7^[4] 。測試階段選取3萬條獨立樣本，結(jié)果顯示DDPG在資源利用率從 50% 突增至 85% 時，能將吞吐量提升 12% （從 550Mbps 至616Mbps），時延降低 10% （從 10ms 至 9ms ），優(yōu)于傳統(tǒng)靜態(tài)調(diào)度（提升 7% ，時延降低 5% ）。為直觀對比性能，表2展示了DDPG與基線算法在不同負載下的表現(xiàn)。

DDPG的優(yōu)勢在于其動態(tài)適應(yīng)性。例如，在某購物節(jié)流量激增場景下（用戶連接數(shù)從50萬升至80萬），算法迅速調(diào)整邊緣網(wǎng)絡(luò)資源占比（CPU從 35% 增至50% ），使吞吐量從 700Mbps 穩(wěn)定至 780Mbps ，時延維持在 8ms 以內(nèi)。而傳統(tǒng)方法因固定分配導(dǎo)致丟包率升至2.5% 。部署后，DDPG每秒處理1000次調(diào)度請求，單次決策耗時僅 15ms ，能夠滿足實時性需求。這種閉環(huán)優(yōu)化機制顯著提升了核心網(wǎng)的資源效率，尤其在高并發(fā)場景下展現(xiàn)出優(yōu)于傳統(tǒng)方法的性能。

五、結(jié)束語

綜上所述，本文提出了一種基于機器學(xué)習(xí)的智能化策略，通過性能預(yù)測與資源調(diào)度的協(xié)同優(yōu)化，顯著提升了5G核心網(wǎng)的運行效率。該方法不僅降低了運維復(fù)雜度，還為未來6G網(wǎng)絡(luò)的智能化演進奠定了基礎(chǔ)。后續(xù)研究可進一步探索多-agent強化學(xué)習(xí)在分布式核心網(wǎng)中的應(yīng)用，以應(yīng)對更大規(guī)模的網(wǎng)絡(luò)環(huán)境。

作者單位：嚴國忠 吳興國 于欣越中國電信股份有限公司安徽分公司

參考文獻

[1]田猛.面向分布式核心網(wǎng)的異常檢測系統(tǒng)的設(shè)計與實現(xiàn)[D].北京郵電大學(xué)，2024.

[2]張偉露，吉立新，劉樹新，等.IBNAD：一種基于交互的5G核心網(wǎng)網(wǎng)絡(luò)功能異常檢測模型[J].信息安全學(xué)報，2024，9（03）：94-112.

[3]金仙美.面向5G核心網(wǎng)內(nèi)生智能的業(yè)務(wù)識別算法研究[D].西安電子科技大學(xué)，2023.

[4]蘭蒙.基于機器學(xué)習(xí)的5G-R網(wǎng)絡(luò)切片資源調(diào)度與接人控制算法研究[D].上海應(yīng)用技術(shù)大學(xué)，2023.