0 引言

    5G时代电信业务呈现出多场景、差异化、需求动态变化等特点，网络切片作为5G的关键使能技术之一，将现有物理网络进行业务逻辑分割，形成独立的业务逻辑网络，能够为具有不同性能要求的垂直行业提供差异化、相互隔离、功能可定制的网络服务。5G网络切片技术使多个逻辑网络能够通过云和虚拟化技术共享同一套物理基础设施，在保证服务等级协议(Service Level Agreement，SLA)的同时，可以有效节约成本。然而网络基础设施变得越来越复杂、异构、大规模，而新应用的涌现却越来越快，业务需求变化更加实时动态，网络切片管理面临很大挑战。

    人工智能(Artificial Intelligence，AI)是指在理论、方法、技术及应用系统方面研究人脑的智能行为，通过计算机智能模拟人类的思维观点，使人类对自身活动的认知程度更进一步。自1956年诞生以来，人工智能理论和技术日益成熟，应用领域也不断扩大。人工智能的准确性得益于大量的数据训练，若将运营商在运营过程中累积的大量数据应用到人工智能技术中，则可大大提升网络自动化水平，降低网络运营成本，为用户提供更精确的数据服务以及覆盖范围更广的网络区域。总而言之，人工智能技术在应对网络复杂重复性工作方面具有天然优势。

    国内外的学者对人工智能技术和网络切片技术融合开展了研究工作。文献[1]提出了基于人工智能微服务的智能物联网5G集成架构，在该架构中AI服务将作为微服务提供，5G集成平台同时允许在集中式数据中心和靠近物联网设备边缘处不间断地提供AI服务，可以部署在集成化的5G网络切片上，替代了当前单片集成的物联网云服务。文献[2]中为了能满足多样化、异构化网络需求，提出了一种基于网络切片的灵活的、可适应的、可编程的体系结构，这种架构框架允许引入资源弹性作为有效利用5G系统计算资源的关键手段，使5G系统自动化适应负载和其他系统变化，保证在每个时间点，可用资源尽可能匹配需求。文献[3]利用人工智能技术学习各网络切片的流量需求量，并预测下一区间的流量需求。根据对切片需求的预测，提出了一种新的弹性片间无线资源管理模型，在不影响片间连接服务质量的前提下提高复用增益。文献[4]提出了智能切片理论，即按需实例化人工智能功能模块，并以分布式方式部署这些模块，以实现灵活且可扩展的框架，解决了将人工智能集成到无线网络技术的主要局限问题。文献[5]提出了一个基于长短期记忆循环神经网络与传统神经网络的网络流量预测模型。通过与传统机器学习流量预测方法相对比，验证了该模型在网络流量预测中的适用性与更高的准确性。将上述流量预测模型应用在基于软件定义网络技术的智能化承载网切片系统中，以提升网络资源利用率。

    另外国内外标准组织(包括3GPP、CCSA、ETSI、ITU-T、TMF、Linux Foundation等)均已开展将AI应用于网络切片的相关协议研究和概念验证原型系统研发等工作中。

    目前仍然缺乏将AI技术和网络切片管理系统融合的架构，因此本文将基于3GPP提出的三层网络切片管理系统，考虑引入AI能力，提出一个统一的基于AI的智能切片管理架构。基于该统一的架构设计，介绍了智能切片管理流程，主要包括切片设计、切片创建、切片更新、切片监控和切片业务体验评估。并通过车联网和医疗的应用案例说明智能切片管理通过灵活智能调度网络资源从而保障业务性能。

1 网络切片管理系统

    针对网络切片编排和管理，3GPP定义了网络切片管理系统，逻辑上包括通信业务管理功能(Communication Service Management Function，CSMF)、网络切片管理功能(Network Service Management Function，NSMF)、网络切片子网管理(Network Slice Subnet Management Function，NSSMF)三大部分功能，如图1所示。其中CSMF实现用户的业务需求到网络切片需求的映射，NSMF将网络切片的需求转换成对子网切片的需求，负责网络切片实例的管理和编排，NSSMF将各子网切片的需求转换为对网络功能的需求，NSSMF又分为无线(Access Network，AN)切片子网管理(AN-NSSMF)、核心网(Core Network，CN)切片子网管理(CN-NSSMF)和传输网(Transport Network，TN)切片子网管理(TN-NSSMF)。

    为满足多样的、动态变化的切片业务需求，需要灵活智能编排有限的切片资源，实现切片最快部署上线，保障业务服务质量，以及最大化复用切片资源等目标。这些复杂的任务使网络切片管理系统面临很大挑战，需要将AI技术引入5G网络以实现切片管理自动化、智能化，因此下一节将介绍基于AI的智能切片管理架构。

2 智能切片管理

    根据网络切片基础设施层和切片管理系统的不同层面所能提供的计算资源和需要的智能化能力差异，将不同的AI能力引入基础设施网元层及切片管理系统的不同层面，提出一个统一的基于AI的智能切片管理架构，如图2所示。在基础设施网元层嵌入设备级AI分析能力，在NSSMF层部署AI组件以提供单域AI分析能力，AI赋能平台为NSMF和CSMF提供跨域AI分析能力，利用AI分析生成的动态控制策略形成从网元到全网的动态控制闭环，促进网络管理自动化、智能化。具体每一层引入的AI智能化能力介绍如下：

    (1)设备AI智能：在网元设备内部嵌入AI算法，提供场景化的AI模型库。通过数据采集和预处理，一些预处理的有用样本数据可以被暂时存储在某些网元节点上，通过嵌入式的AI框架进行实时的AI模型推理和简单的智能决策，场景匹配和参数调优过程可以在网元本地处理而不需要卸载到网络切片子网管理层，支持实时智能分析和控制闭环，满足业务的时延需求。例如slice#1通过AI能力嵌入到网元层以及用户面(User Plane Function，UPF)下沉到边缘，可以支持具有超低时延需求的业务。嵌入AI能力的网元层一方面可以独立进行简单的智能决策，另一方面需要和网络切片子网管理层协同执行其下发的智能策略。

    (2)单域AI智能：在网络切片子网管理NSSMF层，引入AI分析能力，进行无线接入网络、传输网络、核心网单域内的数据分析、轻量化的训练和推理，对单域内的网络和资源状态进行趋势预测，对异常情况进行根因分析，并给出智能决策，从而实现单域内智能化闭环。例如基于AI的AN-NSSMF可以进行无线网络切片频谱、功率资源优化管理调度，引入基于AI的TN-NSSMF可以支持传输网切片故障分析和根因定位，基于AI的CN-NSSMF可以进行核心网切片虚拟资源编排以及网络功能负载分析等。基于AI的NSSMF层一方面可以独立进行单域闭环优化，也能够把来自于网络切片管理功能层分发的策略转换为网络能够执行的原语下发给下层设备执行。

    (3)跨域AI智能：跨域AI分析需要全网的数据、丰富的AI模型库以及用来训练、推理和分析的集中算力，由AI赋能平台提供给NSMF和CSMF。AI使能的CSMF层接收各种不同的用户意图，通过意图转译为端到端网络切片需求下发给NSMF层。AI使能的NSMF层基于全域经验和数据，完成AI模型训练，为业务编排和全局策略提供最优的业务模型和决策判断，完成跨域、整网的闭环控制。跨域AI智能化能力适合对全局性的策略和定义集中进行训练及推理，对实时性要求一般敏感度较低。AI使能的CSMF层和NSMF层相互协同，并通过对全域网络状态的分析和学习，持续、闭环地保障用户意图实现，基于长期趋势进行智能分析和管理。NSMF层也可以将端到端切片资源调度策略下发到NSSMF层，指导全局资源编排。

3 智能切片管理流程

    本节将详细阐述基于AI的智能切片管理系统对网络切片进行管理的流程。

3.1 切片设计

    针对切片用户的不同业务意图，运营商需要设计不同的切片模板，以支持超高带宽、超低时延、超大连接等需求。切片模板设计过程如图3所示，AI使能的CSMF层收集用户通过语音、视频、文字等方式表达的业务意图，将用户的业务意图数据进行预处理，标注有对应的业务场景的意图信息作为训练样本，构建机器学习模型，以进行业务场景分类识别。将业务意图输入训练好的机器学习模型，输出对应的业务场景；根据业务场景，确定对应的切片设计模板。切片模板包括切片业务配置参数，如时延等级、速率等级、丢包率等级、抖动等级、最大用户数等级、覆盖区域等级、用户移动性等级、资源共享等级中一项或多项。基于意图的切片设计将有助于适用于不断涌现的新业务，提供定制化的网络切片服务。

3.2 切片创建

    针对需要新创建一个切片的请求，基于用户对切片SLA的要求、虚拟资源当前消耗的状态以及现有切片业务的资源需求预测等条件，在不影响现有切片业务且满足新切片的SLA需求时，通过端到端资源配置，成功创建新的切片。切片创建流程如图4所示，AI使能的NSMF层收到端到端SLA参数需求，基于切片部署的历史数据，利用AI算法对业务类型、模板信息、实际关联的云网资源特性、配置参数等上下文信息，以及接入网、传输网、核心网各域子切片实例SLA测量数据(如时延、带宽、用户数、速率等)进行建模分析，挖掘切片模板、云网资源、配置参数和SLA指标之间的关联关系，推理给出最优SLA拆分策略，以及将各域资源配置建议输出到NSSMF层，NSSMF层调用切片创建算法分配路径和资源，完成新切片的创建。

3.3 切片更新

    切片运行过程中，网络状态和切片业务的流量动态变化，切片的初始资源配置可能无法适应切片的流量变化，需要精准预测流量使用状况，按需动态配置切片资源。切片更新流程如图5所示，收集切片流量数据和KPI数据等，通过AI模型(如序列预测算法)预测流量变化趋势以及输出切片资源调整策略，并下发到各域执行。也可以收集单域切片流量数据，通过智能分析，执行单域资源配置更新。切片之间，由于业务分布特性的不同，业务高峰存在错峰和互补，对预测业务流量高峰的切片进行扩容，对预测业务负载降低的网络切片进行缩容，使多切片最大复用切片资源同时避免资源冲突。切片更新过程中，通过预测不同切片中的负载，预先更新/调整切片资源配置，保障业务服务质量，同时提高切片资源利用效率。

3.4 切片监控

    切片运行过程中，需要监控切片实时运行状况，并需要识别异常行为，对故障告警进行根因分析和自愈。切片监控流程如图6所示，收集切片监控数据包括大量系统日志、拓扑结构、配置参数以及性能数据等，可以基于设备或用户的流量特征来预测其异常行为，基于告警之间的关联规则来定位根源告警，以及基于性能指标分析来预测故障发生概率，并通过强化学习进行自适应的故障修复和预防策略制定。网络监控包括端到端切片监控、子切片监控和网络功能监控，各层次相互协同，一方面可以对已发生的故障告警进行快速、高效的根因分析和修复；另一方面对潜在性能劣化进行预防，实现网络自动化保障。

3.5 切片业务体验评估

    在提供切片服务时，运营商需要能够准确感知和评估各类业务的服务质量，以便进行服务质量的保障。切片业务体验流程如图7所示，通过收集业务的SLA体验数据和切片KPI指标数据，建立SLA体验和网络指标数据的关联模型，基于此模型，通过在线收集切片KPI指标数据来评估对应业务的体验，并根据SLA体验评估结果对网络切片资源进行编排，实现对业务的服务质量保障。由于不同类型业务差异较大，例如视频、游戏、支付、车联网业务等，其关联模型也不尽相同，因此可以基于不同类型的业务进行分别建模和训练，相同类型的业务可进行迁移或泛化处理。

4 应用场景

4.1 车联网场景

    5G网络切片可以支持不同类型的车联网业务，增强移动宽带(Enhanced Mobile Broadband，eMBB)切片可以承载车载VR实时通信等业务，超可靠低时延(ultra-Reliable Low-Latency Communication，uRLLC)切片可以承载AR导航、实时路况监测等业务，大规模机器类通信(massive Machine-Type Communication，mMTC)切片可以承载汽车分时租赁等业务。车联网业务需求的多样性和高动态，使得网络切片资源动态调整和调度面临很大挑战。基于AI的智能切片管理系统可以智能地调配切片资源，解决业务需求高动态带来的网络切片管理问题。

    针对车联网场景下道路交通业务量的潮汐效应，采集车联网场景的数据，进行数据存储和预处理，并结合人工智能及大数据技术，构建面向车联网场景的业务量预测模型。基于人工智能算法对道路交通业务量的有效预测，结合网络切片实时负载状态以及资源部署需求，输出智能网络切片资源动态调配策略，实现满足车联网业务需求的同时节省网络切片资源。

4.2 医疗场景

    随着我国新医疗改革的持续深入以及5G通信技术的快速发展，各大医疗机构都在积极探索“互联网+医疗”新模式，以优化医疗服务流程，提升民众就医服务质量，推进智慧医疗事业发展。5G医疗专属切片可以支持多种医疗应用，例如mMTC切片支持基于医疗设备数据无线采集的医疗监测类应用，eMBB切片支持基于视频与图像交互的医疗诊断与指导类应用(如AR/VR/MR手术)，uRLLC切片支持基于视频与力反馈的远程操控类应用。

    智能切片管理对医疗专属切片网络进行端到端智能切分，保证了医疗专网的业务隔离安全和服务质量，也满足了连续网络覆盖、位置定位能力、低时延、大带宽和安全可靠性等网络需求。

5 结论

    5G网络切片管理面临很大挑战，AI算法可以根据海量网络数据分析提供智能策略，将AI和5G网络切片结合已成为业界研究的焦点问题。本文调研了AI和网络切片融合的研究现状，提出一个统一的基于AI的智能切片管理架构，可以实现从网元到全网的动态控制闭环。然后重点介绍了基于该智能切片管理系统对网络切片进行生命周期管理的流程，包括切片设计、创建、更新、监控、切片业务体验评估。最后介绍了智能切片在交通和医疗领域的应用。基于AI的智能切片管理系统可以使5G网络更加智能化与自治化，有效加快业务上线、部署开通以及弹性资源利用，并为垂直行业客户提供差异化SLA服务保障。

参考文献

[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] 王海宁，袁祥枫，杨明川.基于LSTM与传统神经网络的网络流量预测及应用[J].移动通信，2019，43(8)：37-44.

作者信息:

徐  丹1，王海宁1，袁祥枫1，朱雪田2

(1.中国电信研究院AI研发中心，北京102209；2.中国电信智能网络与终端研究院，北京102209)