《IMT-2030(6G)推进组:2023 算力网络协同管理的场景及需求研究报告(49页).pdf》由会员分享,可在线阅读,更多相关《IMT-2030(6G)推进组:2023 算力网络协同管理的场景及需求研究报告(49页).pdf(49页珍藏版)》请在三个皮匠报告上搜索。
1、北京稻壳科技有限公司Beijing Rice Hull Technology Co.,Ltd.地址:北京市朝阳区九住路 188 号IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2023 年年 12 月月版权声明版权声明 Copyright Notification未经书面许可未经书面许可 禁止打印、复制及通过任何媒体传播禁止打印、复制及通过任何媒体传播2023 IMT-2030(6G)推进组版权所有IMT-2030(6G)推进组IMT-2030(6G)Promotion Group引引言言在 IMT-2030(6G)推进组的统一安排下,算力工作子组就 6G
2、 算网相关的场景、需求与应用前景开展了深入调研分析,为下一步开展相关研究提供指导和思路。本报告聚焦于开展算力网络协同管理的场景及需求相关的研究,为推进算力网络协同管理的关键技术及后续标准研究提供参考。2IMT-2030(6G)推进组IMT-2030(6G)Promotion Group目录图目录.4表目录.5第一章算网协同管理背景及驱动力.61.1 算网协同管理的背景.61.2 算网协同管理的概念.71.3 算网协同管理研究进展.81.3.1标准.81.3.2运营商.91.3.3设备商.111.3.4学术及产业.11第二章算网协同管理场景.132.1 场景 1:无线网络算网协同.132.1.1
3、概述.132.1.2场景描述.132.1.3需求描述.172.2 场景 2:XR.182.2.1概述.182.2.2场景描述.182.2.3需求描述.222.3 场景 3:V2X.232.3.1概述.232.3.2场景描述.242.3.3需求描述.262.4 场景 4:算网协同管理安全.272.4.1概述.272.4.2场景描述.272.4.3需求描述.272.5 场景 5:AI.292.5.1概述.292.5.2场景描述.292.5.3需求描述.312.6 场景 6:工业应用.312.6.1概述.312.6.2场景描述.322.6.3需求描述.322.7 场景 7:东数西算.332.7.1概
4、述.332.7.2场景描述.333IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2.7.3需求描述.342.8 场景 8:算力内生.352.8.1概述.352.8.2场景描述.352.8.3需求描述.36第三章算网协同管理需求.373.1 通用需求.373.2 架构需求.373.3 关键技术需求.38第四章算网协同管理挑战及展望.404.1 算网协同管理的挑战.404.1.1云网统一编排.404.1.2调度管理.404.1.3业务与资源协同.414.1.4算网智能化.424.1.5现有标准适用性.424.2 下一步研究方向的展望.43缩略语简表.43参考文
5、献.45贡献单位.464IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图目录图 1-1移动算力网络运维架构示意图.7图 2-1基于算力网络的 AR/AI 云端识别业务场景示意图.20图 2-2基于算力网络的 Cloud VR 场景示意图.21图 2-3V2X 智慧车联网场景.25图 2-4AI 推理示意图.30图 4-1统一编排.40图 4-2算网调度管理.41图 4-3业务资源协同.425IMT-2030(6G)推进组IMT-2030(6G)Promotion Group表目录表 1-1算力协同管理相关的标准研究进展.8表 2-1智能车联网场景特点.26
6、6IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第一章 算网协同管理背景及驱动力1.1 算网协同管理的背景目前算网协同管理相关的研究还处于初期阶段。IMT2030 发布的6G 架构愿景和关键技术展望白皮书中,提到算力网络关键技术包括算力编排与管理功能:完成对算力资源和网络的管理,包括对算力资源的感知、度量和 OAM 管理等;实现对终端用户的算网运营,以及对网络资源的管理功能;通过合理的算网联编排服务,降低计算网络联动的总体能耗,实现绿色低碳的算网最优组合。CCSATC3 WG1 最近发布的算力网络总体技术要求中,首次提出了算力网络的标准定义和发展目标,并制
7、定了算力网络的总体技术架构和关键技术要求。在网络架构中,提出了算网编排管理层:实现对算力服务的运营与编排管理、对算力路由的管理、对算力资源的管理以及对于网络资源的管理,其中算力资源管理包括基于统一的算力度量衡体系,完成对算力资源的统一抽象描述,进而实现对算力资源的度量与建模、注册和 OAM 管理等功能;以支持网络对算力资源的可感知、可度量、可管理和可控制。国内三大运营商分别发布的和算力网络相关的白皮书中,均提到了要研究和建设算网大脑,用于对网络资源和计算资源的统一编排和调度。未来很多 6G 应用会是计算密集型的,如 AI、XR、多模态通信、数字孪生等,同时这些应用往往还有极致性能的要求。移动算
8、力网络需要为能力受限(电量、算力等)的移动终端按需提供实时的计算服务,并在无线动态环境下高效的保障计算任务 QoS(计算精度/时延/能效、计算交互时延/抖动等)。同时,移动算力网络将是 6G 各类内生智能、感知等计算型服务的基础平台能力。移动算力网络是在 6G 网络架构的控制层面,引入通信与计算深度协同的功能、接口和协议,直接通过未来 3GPP 标准化的信令来实现通算融合甚至一体化。移动算力网络融合的算力资源可以来自网络设备内生的计算,也可以来自中心云、边缘云、终端等,也就是说只要符合未来标准化的通算融合机制的合规算力资源,都将是移动算力网络的目标资源。移动算力网络将构建出一种开放的机制和生态
9、,来高效的整合7IMT-2030(6G)推进组IMT-2030(6G)Promotion Group网络内外的各类算力资源,并基于网络架构内生的通算融合机制,为 6G 业务创新提供新型的基础设施.本报告聚焦于算力网络的算网协同编排管理场景、需求及关键技术,研究算网协同管理系统如何对算力网络涉及的移动网络,包括无线接入网、承载网络、核心网、终端及应用进行合理的算网协同管理。1.2 算网协同管理的概念算网运维运营体系总体可包括:算网统一运营、算网编排、调度、AI 自智、算网感知平台、算网管控、算网开放、算力使能、网络使能及云网基础设施等核心组成。算网协同管理俗称算网大脑,是算网运维运营的核心,满足
10、算力资源和网络资源统一编排、调度、运维的核心系统。总体上分为算网感知单元、算网编排单元、算网调度管理单元及算网智能化运维单元,北向提供统一的原子能力,支撑一体化运营的统一入口。图1-1移动算力网络运维架构示意图见图 1-1 所示的移动算力网络运维架构示意图,其中算网感知平台可实现算与网融合感知,应用对算力需求的感知。计算、网络和服务能够相互感知、高度协同;算网一体化编排模块可对来自服务提供商及运营商相关业务需求拆解、资源层能力编辑、组合设计;算力统一调度模块负责匹配最佳算、网资源以满足业务需求对部署、运行8IMT-2030(6G)推进组IMT-2030(6G)Promotion Group的保
11、障;算网自智模块通过 AI 赋能提供一体化编排、调度等能力的智能化操作,通过数字孪生提供高度自治化的算网管理功能。1.3 算网协同管理研究进展1.3.1标准算网协同管理涉及的国内国际组织中的相关标准,如 CCSA、ITU-T 等 SDO,见表 1-1 所示。表 1-1算力协同管理相关的标准研究进展标准组织标准名称标准类型牵头单位讨论组目前进展CCSA智能计算中心异构算力调度平台技术要求和测试方法行标中国电信TC1/WG4数据中心立项建议书智能计算中心异构人工智能算力硬件协同技术要求行标中国信息通信研究院TC1/WG4数据中心立项建议书面向视频业务的算力技术要求 应用场景行标中国移动TC1/WG
12、3 信源编码征求意见稿智能计算中心异构算力管理和使用技术要求行标中 国 信 息 通信研究院TC1/WG4数据中心征求意见稿算力网络需求与架构行标中国电信TC3/WG1网络总体及人工智能应用送审稿算力网络 算网编排管理技术要求行标中国移动TC3/WG1网络总体及人工智能应用征求意见稿无线算力网络场景、需求和关键技术研究研究报告中国移动TC5/WG6前沿无线技术征求意见稿移动算力网络总体技术研究研究报告中国移动TC5/WG12 移动通信核心网及人工智能应用征求意见稿算力网络安全需求及关键技术研究研究报告中国移动TC5/WG5无线安全与加密征求意见稿算力网络运营管理 业务协同编排技术要求行标中国移动
13、TC7/WG1无线通信管理征求意见稿9IMT-2030(6G)推进组IMT-2030(6G)Promotion Group算力网络 运营管理技术要求行标中国移动TC7/WG1无线通信管理送审稿泛在算力调度管理技术要求行标中国移动TC7/WG1无线通信管理征求意见稿算力网络安全编排管理技术研究研究报告中国移动TC8/WG4新兴技术和业务安全立项建议书ITUComputingPowerNetwork framework andarchitecture国际标准ChinaTelecomSG13已发布Y.2501RequirementsforComputingPowerNetwork Managemen
14、t国际标准BUPTSG2Under studySignalling architecture ofserviceorchestrationforcomputing power network国际标准ChinaUnicomSG11Under studySignallingrequirementsfor service deployment incomputing power network国际标准ChinaUnicomSG11Under studySignallingrequirementsfor cross-domain serviceorchestrationofthecomputing p
15、ower network国际标准ChinaUnicomSG11Under studyRequirementsandframeworkofNGNeorchestrationenhancementsforsupportingcomputingpower network国际标准ChinaTelecomSG13Under studyIETFComputing-Aware TrafficSteering(CATS)ProblemStatement,Use Cases,andRequirements国际标准China MobileCATSUnder studyComputingInformationDes
16、criptioninComputing-Aware TrafficSteering国际标准China MobileCATSUnder studyApplicationAwareComputing Network国际标准HuaweiCATSUnder study1.3.2运营商现阶段国内三大运营商对算力协同管理及算网大脑的研究及应用已有一系列的技术成果。10IMT-2030(6G)推进组IMT-2030(6G)Promotion Group中国移动中国移动中国移动正围绕算网基础设施构建、业务融合创新、原创技术引领三条主线全面开展工作,形成七方面重大成果。一是深化“4+N+31+X”数据中心布局,
17、形成“热点集约、跨区辐射、边缘覆盖”梯次布局的算力体系,构建 1-5-20 三级低时延服务圈;二是以新型智算为重点打造算力高峰,正在构建 E 级超大规模单体智算中心,支撑 AI 大模型训练和孵化;三是打造算网大脑 1.0,实现了 ABCDNETS 多要素一体化编排调度;四是创新算网产品体系和服务模式,打造了东数西算、数据快递等新型产品,提出了任务式、算力并网等新型服务模式;五是突破算力网络核心技术,提出十大技术方向,布局攻关三十二大关键技术,协同构建算力网络标准体系和开源生态;六是打造算力网络科学装置,实现中国移动算力网络试验网 CFITI 与中国算力网、信息高铁互联互通;七是成立算力网络子链
18、,汇聚了 100 多家核心企业,打造协同创新基地实验室,共同推动算力网络产业链繁荣发展。2023 移动云大会发布“移动云技术内核 3.0”,新技术内核在算力资源、硬件架构、算网调度等方面进行了升级。其中算网大脑可提供“东数西算类”、“强算强 AI 类”、“渲染类”、“泛视频类”四类典型算网服务,并为客户推荐最优资源编排方案、每分钟上万次资源调度、实现 ABCDNETS 等 3,000 余原子能力的注册和开通。中国电信中国电信中国电信积极构建算网大脑,推动网络从连接算力到感知、承载、调配算力,实现算力泛在、算网共生。中国电信天翼云智能计算平台“云骁”,作为云智超一体化算力平台,“云骁”依托天翼分
19、布式架构云底座和海量计算、存储、网络资源,提供智算、超算、通算多样化算力服务,为 ChatGPT 类大模型训练、生命科学等场景提供软硬一体解决方案。天翼云算力分发网络平台“息壤”,采用了算力度量、算力感知、算网融合多项技术,支持通用算力、超算、智算等异构算力的统一接入、统一封装、统一调度。作为算力传输的枢纽能够在全国范围内实现每分钟数万次、每天上千万次的算力统筹和调度。目前“息壤”已全面接入天翼云的多级资源,并与多个合作伙伴实现算力并网,为云渲染、东数西算等应用提供支持。当前,首个算力互联互通验证平台已在北京落地。中国联通11IMT-2030(6G)推进组IMT-2030(6G)Promoti
20、on Group在算力供给侧,中国联通进行算力资源的一体化布局,实现云网边协同。除了布局包括东数西算枢纽和 31 省的“5+4+31”算力核心节点外,还大力建设边缘计算节点,并实现与第三方云计算资源的协同。在算力承载上,中国联通打造为算力服务提供超强运力的智能开放的全光底座,在枢纽间通过 OXC/ROADM 构建全光互联,打造 20ms 枢纽间连接;在枢纽内,打造城市算力网关到枢纽内集群的 5ms 时延圈;在城市内,增加光锚点覆盖,实现用户到算力网关的一跳接入,实现城市内 1ms 时延圈。不止于此,中国联通还基于以 SRv6为基础的“IPv6+”网络技术与能力,形成云网边端一体化的可编程服务体
21、系,实现一网联多云和一键网调云。在算网编排调度上,中国联通凭借算网大脑技术,打造算网一体化编排调度平台和算网一体化产品,实现算力资源与网络联接的同开同管和灵活调度。在算网服务上,中国联通打造算网一站式服务平台,并开放用户自助服务,不断提升用户感知。1.3.3设备商设备厂商聚焦算网协同发展技术创新与设备研发,为算网协同发展提供支撑。设备厂商在算网协同方面的创新主要体现在网络路由转发、算网资源编排调度等方面。在网络路由转发方面,中兴通讯推出算力敏感 IP 网络方案,该方案实现了基于SRv6 的算网一体协同调度,将 SRv6 业务编程纳入通用算力服务功能,实现端到端算网业务无缝拉通。在算网资源编排及
22、调度方面,华为推出 CloudFabric 3.0 超融合数据中心网络方案,该方案支持对多个数据中心的统一纳管及高速无损互联,同时提供 L3 全生命周期自动管理的自动驾驶网络能力,可实现业务分钟级部署,故障分钟级修复,极大地提升了网络运维效率。1.3.4学术及产业在产业层面,目前济南超级计算技术研究院推出的超算平台基于算力网络深度融合技术,自下而上统一实现计算资源与计算业务的编排管理,解决分布式算力中心的资源调度软件难以满足生产级别复杂计算业务需要的问题,实现“算力泛在、算网共生、智能编排、一体化服务”的目标,推动算力成为水电一样,可“一点接入、即去即用”12IMT-2030(6G)推进组IM
23、T-2030(6G)Promotion Group的社会及服务。在学术领域,中国电子科学研究院提出空间算力网络的概念,针对如何高效协同地调度广域分布的星上算力问题开展研究,提出了空间算力网络的物理架构、逻辑架构和软件架构。逻辑架构主要由算力网络基础设施、算力编排管理层、微服务应用层组成。其中,算力编排管理层为空间算力网络提供资源与应用的综合管理能力,是空间算力网络的大脑。一方面,向下利用虚拟化技术对分布式异构算力资源进行抽象,形成统一资源池供应用调度,为应用提供分布式感知、分布式计算、分布式存储资源;另一方面,向上向业务多样化、差异化的服务保障需求,对资源进行统筹编排和按需调度,提高空间算力网
24、络有限资源的利用率。13IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第二章 算网协同管理场景移动算力网络应用有很多典型的场景应用,典型应用如 AI 超大模型训练、东数西算/存场景。用户提供数据需要传输到数据中心或西部节点,利用算力网络实现重算力的调度。这就需要算力实现跨域集群能力,网络可提供超长、大带宽能力;行业数智化场景如工业控制、机器视觉。行业用户数据要求实时处理,需要在近场的边缘计算节点或终端实现应用闭环。算力网络要支持实时的边缘算力服务和用户-边缘之前的确定性网络;用户游戏/娱乐场景,如云游戏、元宇宙。数据从 DC 分发到边缘,进一步传递到用户,
25、边缘侧提供渲染、存储等服务的同时,还要提供用户-边-云的确定性网络体验。该章节主要描述 6G 业务对移动算力网络的场景及需求,特别是算力网络协同管理方面的场景及需求。如 V2X 场景、XR 场景、移动网络涉及的云边端统一管理场景及确定性业务场景、东数西算、元宇宙等。2.1 场景 1:无线网络算网协同2.1.1概述6G 无线网络要实现业务需求精准感知、多维资源按需分配、网络服务按需提供的能力,必须以算力和智能为中心,从云网一体迈向智算网业一体。通过云化,可以将底层异构硬件资源进行虚拟化,实现网络、存储、计算等多维资源的统一管理和调度,实现基站服务和容量的最优匹配;通过基站的算力增强,实现基站内和
26、基站间的资源高效调度;6G 无线网络将通过连接和计算在网络边缘的融合供给,提供网络边缘高速率、低时延、高密度计算的智能无线算网服务,满足千行百业业务确定性要求。2.1.2场景描述 无线无线空口资源调度空口资源调度基站的调度器会根据掌握的各种信息动态地选择哪些终端能够被调度(能够通过空口进行数据发送和接收),以及为这些终端分配多少无线空口资源。池化的 BBU 间可以共享用户的数据收发、信道质量等信息,使得基站的联合调度得以实现,大幅提14IMT-2030(6G)推进组IMT-2030(6G)Promotion Group高了频谱的使用效率。调度器使用不同的调度算法使得系统吞吐量达到最大或是用户的
27、体验最好,也可以在两者间追求一定的平衡。基站内和基站间的高效调度必然使得调度算法更加复杂,这都需要基站在提供传统通信服务能力之外,具备增强的算力和智能,支撑复杂调度算法的运行。例如,节假日商场内客流量突增,重大赛事时体育场馆内观众暴满,都带来了突发性的局部高话务量,从而导致无线网络的资源紧张或者同一基站内各小区的负载不均衡,导致局部用户上线困难体验变差。无线网络利用增强的算力和智能,以及资源共享的全局视图,可以在不增加空口资源的情况下,使用资源的智能调度有效解决这些问题。无线网络可以在同一个基站的小区之间或不同基站间,进行多优先级动态频谱分配与管理、干扰协调、用户小区引导等,快速应对话务量的突
28、增;还可以根据用户的优先级,在不影响用户基本业务体验的前提下,动态调整或降低为每用户分配的空口资源,以提升系统的容量。路径优化路径优化移动核心网的云化部署配合愈发广泛的边缘计算,使分布式的算力资源在移动网络中逐渐重要。移动算力网络通过统一的动态分配,使海量业务能够根据各自的需求,实时地调用网络内空闲的分布式算力资源。网络辅助路径选择就是算力网络保障业务性能和提升用户体验的典型场景。算力网络研究主要基于承载网,根据计算类业务需求,结合实时网络状况和可服务的计算资源状况,动态灵活的将计算任务路由到合适的目标计算节点并保障业务的用户体验。面向移动通信网络,将计算和移动通信网络深度融合、协同调度,结合
29、业务对移动通信网的需求,综合考虑网络的全局视图能力和计算能力,动态调度资源,可以进一步提升用户业务体验。在移动算力网络中,一方面,承担控制面网络功能的基础设施可以作为选择接入算力网络的权重之一。另一方面,用户面亦可通过移动算力网络,基于无处不在的网络连接,将动态分布的计算、存储资源互联,通过网络、存储、算力的多维协同调度,使应用能按需调度到泛在分布的算力资源上,并结合传输时延综合实现资源的全局优化。随着分布式架构的成熟使用,以及分布式业务的蓬勃发展,例如 CDN 业务、边缘云或分布式云,对于如何找到最快路径,并为业务找到一个合适的节点,满足其对15IMT-2030(6G)推进组IMT-2030
30、(6G)Promotion Group带宽、算力、存储的需求,需要对网络和算力进行协同调度。(1)用户面路径选择用户面可通过移动算力网络,基于无处不在的网络连接,将动态分布的计算、存储资源互联,通过网络、存储、算力的多维协同调度,使应用能按需调度到泛在分布的算力资源上,并结合传输时延综合实现资源的全局优化。例如在移动通信网络的会话建立等场景中,SMF 会根据策略进行用户面 UPF 的选择。SMF 可以先根据 UPF 支持的特性因素筛选出所有能适用的 UPF,再根据 UE当前位置等因素选择出“最近”的 UPF,以获得更短的用户面路径、更小的时延等优势。这种情况下,可以在移动通信网内部通过 SMF
31、 实现 UPF 的选择,但是这种选择是 SMF管理范围内基于已存在的 UPF 资源形成的最优路径,没有充分考虑对于全局范围资源的均衡或者没有合适 UPF 资源的情况,如何生成用户面路径,也没有充分考虑用户QoS 需求与用户面传输路径的匹配度,因此不能动态且高效的选择最优的用户面路径为 UE 提供服务。在移动算力网络场景中,通过算力网络的全局算力能力、算力节点状态、网络链路状态等的管控,可以辅助移动通信网络的用户面路径选择,为 UE 规划最优的用户面路径;对于没有合适的用户面网元的场景,移动算力网络可以实现UPF的按需部署;UE 移动时,利用算力网络的全局资源视图,可以综合考虑网络资源和算力资源
32、,更快的进行用户面路径调整,进而保证用户业务的连续性。(2)控制面路径选择控制面亦可通过移动算力网络,基于无处不在的网络连接,将动态分布的计算、存储资源互联,通过网络、存储、算力的多维协同调度,通过算力网络对算力节点/算力服务的状态实时感知,辅助移动通信网实现控制面网元的选择及控制面路径优化。以移动通信网络的 UE 注册场景为例,RAN 可以为 UE 选择最优的服务 AMF 实例。在移动通信网络中,UE 在注册请求中可提供 5G-S-TMSI 或 GUAMI 来选择 AMF,如无法选择到有效的 AMF 实例时,RAN 将根据 requested NSSAI 或本地运营商策略选择可以为 UE 服
33、务的 AMF set,然后按照 AMF 权重因子来选择为 UE 服务的 AMF。这种选择方式无法充分考虑 AMF 节点的实际工作状态以及 RAN 与 AMF 之间链路状态,因此不能动态且高效的选择最优的 AMF 资源为 UE 提供服务。在移动算力网络场景中,算网协同管理功能可以管控全局算力资源,实现算力节点及其节点上的服务(如AMF)信息的感知,UE 接入需求的感知,实时监控算力节点及节点上服务的状态及16IMT-2030(6G)推进组IMT-2030(6G)Promotion Group负载情况,结合算力节点之间(如 RAN 与 AMF 之间)的链路可用带宽、传输时延、拥塞状态等为 UE 选
34、择最优的 AMF 以及最优的控制面路径进行注册信令及后续 PDU会话信令的处理,将计算任务卸载到可用的计算资源,辅助移动通信网实现控制面网元的选择,基于最优的控制面传输路径进一步提高数据处理效率、降低传输和处理时延。(3)CDN 分布式业务随着分布式架构的成熟使用,以及分布式业务的蓬勃发展,例如 CDN 业务、边缘云或分布式云,其中的核心技术是调度。映射到实际的 CDN 场景,核心诉求是如何找到最快路径,并为业务找到一个合适的节点,满足其对带宽、算力、存储的需求。对于呈现出区域特征的热点业务,CDN 会定期从中心云拉取热点内容,以确保 CDN节点有较高的命中率。这类业务呈现出比较稳定的特征。而
35、对于动态的具有潮汐效应特征的业务,例如演唱会、博物馆、景区等场景,数据对节点处理能力要求随时间和地点呈现出较大差异。人工根据业务热点的迁移改变边缘应用的部署并不具备现实可操作性。基于移动接入网络控制面对用户面路径的动态选择和灵活更新,通过边缘计算技术在现网的部署和应用,边缘计算的云平台承载着不同的应用和计算资源已经进入各行各业的边缘机房。虽然现在已经实现了边缘云和中心云的协同,但是计算资源、应用与网络之间并没有形成融合。应用开发者在选择应用部署位置时,可以通过云的管理运营界面呈现的边缘云节点的位置、资源类型和资源数量做出部署决定。但由于边缘云和网络连接之间是弱耦合的关系,边缘云平台上运行的应用
36、执行的终端用户的业务流对应的网络连接节点和应用之间可能存在组网迂回绕行、网络不通等问题。移动算力网络基于网络实时动态可迁移性和对计算资源的感知管理技术来构建运营管理系统,有助于实现云计算资源和网络的一体化调度,网络资源按应用所需、网络调度随云而动。基于算力资源感知、算力实例封装打造算力调度平台,开展算力资源的实时感知和智能分析,实现不同业务的算力需求和算力资源合理匹配。移动性保障移动性保障车联网中的个体除对算力存在大量需求外,车辆是移动的个体,需要在高速移动的过程中保持上述各种服务相关的数据运算,需要得到高速移动中低延迟的服务保障。车辆在移动中会跨越多个 MEC 的覆盖范围,其当前所连接的 M
37、EC 节点在移动过程中17IMT-2030(6G)推进组IMT-2030(6G)Promotion Group是否一直保持为提供稳定服务质量的“最优”选择,从车辆接入到 MEC 节点的路径在移动过程中是否一直保持为提供最短接入路径和时延的“最优”选择,是车联网无法有效解决的问题。而移动无线网络具备广域连续性覆盖,可以提供连续的算力资源,通过算力资源移动性保障,可以有效满足车联网高速移动的需求。为了跟随用户移动位置和服务需求切换最合适的 MEC 和 APP,必要时需切换UPF,缩短已接入用户的数据路径,这是移动无线网络可为车联网提供服务的优势。为解决向高速移动的车联网用户提供“最优”MEC 和路
38、径的问题,需要考虑用户自身的位置、服务需求以外,还需综合考虑网络侧内部的资源状态、当前 MEC 节点负荷、当前链路情况。移动算力网络具备全局联合调度的能力,也需要不断更新调度算法,从而提供高品质连接保障。2.1.3需求描述 云边端算网协同感知调度云边端算网协同感知调度无线网络中单个基站的增强算力有限,可以对外开放的算力更加有限,但是无线网络具备百万基站级别的网络规模优势,通过网络将分散的算力基站连接起来,聚沙成塔可以构筑范围广阔、覆盖深入的边缘算力环境,实现边边协同;同时,根据业务场景的需求,无线网络可以联合端侧和云侧的算力,灵活实现端边协同、云边协同以及端边云协同,实现业务的就近转发、面向业
39、务的通算业一体编排。另外,无线网络需要对算力节点/算力服务的状态实时感知,算网协同管理功能能掌控云边端全局的资源,根据云的管理运营界面呈现的云、边、端各个算力节点的位置、资源类型和资源数量,如实时监控 AMF 个算力节点及节点上服务的状态及负载情况,网络链路状态,做出部署决定辅助移动通信网实现控制面网元的选择及控制面路径优化。能力开放需求能力开放需求移动无线网络侧重于网络能力开放,在引入算力网络概念后,需要叠加对算力资源信息的开放。算网协同管理功能对外提供算网统一的能力开放接口,可以根据算网信息动态调整业务部署和路由策略,或提供应用对计算资源的需求,供移动无线网络选择内生算力节点。移动算力网络
40、可对内能力开放和对外能力开放。对内的能力开放使移动通信网自18IMT-2030(6G)推进组IMT-2030(6G)Promotion Group身可以高效的利用算力资源,构建算力内生的增强型网络架构;对外的能力开放,可以通过移动通信网为外部行业应用提供算力服务,赋能千行百业的多样化应用需求,也可以提供计算资源的平台面向应用租户进行能力开放,移动算力网络通过能力开放接口为各类用户提供安全隔离的端到端移动接入的租户环境,包括算力资源类型(CPU/GPU/NPU)及形态(VM、容器、函数)、网络切片、终端用户群组、VPC 网关等。从开发者友好性以及应用快速开发和部署角度看,移动算力网络需要能够提供
41、算网一体的租户环境,提供符合云计算租户的操作习惯,使得用户不需要关心其租户环境的网络接入的多样性和复杂的组网逻辑。未来的网络不再是单纯的通信网络,而是集通信、计算、存储为一体的信息系统,应通过计算与网络协同与一体化的能力开放,高效利用泛在的算力资源,结合网络状态、提供最优的计算服务,以算力赋能行业应用。移动性需求移动性需求当前 5G 网络架构仅支持单个 MEC 为单一业务服务,而移动终端需要根据用户移动位置和服务需求切换最合适的 MEC 和 APP,使得路径最短,时延最低。移动算力网络需要通过算网协同管理功能来协同网络边缘的算力,形成本地互联的 MEC 群组,并通过计算负载、多点协作等方式在
42、MEC 群组中进行最优计算任务分配,解决终端算力不足与云计算通信时延长的问题,提供低时延且高可靠的算力服务。2.2 场景 2:XR2.2.1概述扩展现实(Extended Reality,XR)指的是由计算机技术和可穿戴设备产生的真实与虚拟相结合、可人机互动的环境,它通过对视觉、听觉、触觉、嗅觉等感官信息的完全模拟和实时交互,实现用户体验扩展与人机互动,给用户创造身临其境、感同身受的逼真体验。它包括虚拟现实(Virtual Reality,VR)、增强现实(Augmented Reality,AR)和混合现实(Mixed Reality,MR)等代表性的形式以及它们的混合形式。2.2.2场景描
43、述算力网络面向计算类业务,根据业务的需求,结合当前网络中实时的网络状况和可服务的计算资源的计算状况,通过算力网络灵活匹配、动态调度,将终端的计算任19IMT-2030(6G)推进组IMT-2030(6G)Promotion Group务路由到合适的目标计算节点,以支撑业务的计算需求,保证业务的用户体验。典型应用场景有 AR/AI 云端识别业务、Cloud VR 视频业务、V2X 辅助驾驶、科学研究等。实际工程部署中,面向不同的业务场景,需综合考虑业务需求、以及集中式和分布式两种方案的技术特性,合理选择适宜的算力调度方案。其中分布式技术方案基于分布式路由协议进行状态同步,具有实时性高、数据面调度
44、转发快速的特点,比较适用于面向时延敏感业务。集中式技术方案基于中心化管理编排系统进行状态同步、同步代价相对较小,可适用于较大规模网络。AR/AI 云端识别业务云端识别业务典型的 AR/AI 云端识别业务场景中,通常通过终端摄像头采集图像,在家庭网关和边缘节点进行物体识别的计算、需要尽快给出结果的计算,为保证用户体验时延需要控制在百毫秒级,在 DC 节点进行训练以及需要更复杂模型、且对时延不敏感的 AI处理。基于以上不同的计算服务请求类型,算力网络针对分布式计算资源和网络资源进行协同优化,进行计算服务的算力分配。如下图 2-1 所示,该示例基于集中式技术方案,流程概要如下:(1)中心云以及各边缘
45、计算节点分别向算力网络通告所注册的服务信息;(2)算力网络集中式管理编排系统定期收集各个计算节点的计算状态和相关网络节点的网络状态;(3)根据客户端服务请求的需求,通过集中式管理编排系统将 AR/AI 场景中计算负载最重的 AI 训练任务部署在中心云上,次重的特征提取、模板匹配、物体识别等计算任务动态卸载到合适的边缘节点;(4)对于同时部署同类服务的多个边缘节点,如该示例中 MEC1 和 MEC3 同时部署了服务 2,算力网络根据 MEC1 和 MEC3 实时的计算性能和网络性能综合选择 MEC3 为用户提供服务;(5)终端只需负责目标追踪和画面渲染显示,以降低终端的计算开销。20IMT-20
46、30(6G)推进组IMT-2030(6G)Promotion Group图2-1基于算力网络的AR/AI云端识别业务场景示意图 Cloud VR 视频业务视频业务Cloud VR 是将云计算、云渲染的理念及技术引入到 VR 业务应用中,借助高速稳定的网络,将云端的显示输出和声音输出等经过编码压缩后传输到用户的终端设备,实现 VR 业务内容上云、渲染上云。Cloud VR 业务对于网络和计算都有极高的要求,比如入门级 Cloud VR(全视角8K 2D 视频)采用 110 度视场角 FOV 传输情况下,典型网络需求为:带宽 40Mbps,RTT 20ms,丢包率 2.4E-5;典型计算需求为:8
47、K H.265 实时硬解码,2K H.264 实时硬编码,多路并行计算能力等。基于以上要求,算力网络针对分布式计算资源和网络资源进行协同优化,如下图 2-2 所示,该示例基于分布式技术方案,流程概要如下:(1)中心云以及各边缘计算节点分别向算力网络扩散所注册的服务信息;(2)各个计算节点定期向邻近的算力网络节点上报计算状态,算力网络节点整合网络状态后,通过分布式路由协议向全网扩散;(3)根据客户端服务请求的需求,通过就近的算力网络节点将 Cloud VR 中计算负载重、时延要求不敏感的多路并行计算、内容产生等任务部署在中心云上,将计算要求较低、时延要求敏感的视频编解码、内容渲染等任务动态卸载至
48、边缘节点处完成;21IMT-2030(6G)推进组IMT-2030(6G)Promotion Group(4)对于同时部署同类服务的多个边缘节点,如该示例中 MEC2 和 MEC3 同时部署了服务 1,算力网络根据 MEC2 和 MEC3 实时的计算性能和网络性能综合选择 MEC2 为用户提供服务。通过计算任务的分级卸载,提高包含中心云和边缘云的计算资源整体利用效率,提高用户的业务体验,对于 Cloud VR 由试点走向规模部署具有积极的意义。图2-2基于算力网络的Cloud VR场景示意图 沉浸沉浸式式 XR沉浸式 XR 业务相比于现有 5G 网络下的 AR/VR 业务而言,需要提供更高的业
49、务特性以满足用户体验,这些业务特性包括超高分辨率、高帧率、宽色域、高位深高动态范围、宽视场角、编码压缩技术、传输方式等,以及更自然的交互方式。这些业务特性对网络的传输能力,云边端的处理器能力、存储能力等都提出了新的挑战。XR 技术可以应用于各个领域,例如,教育、医疗、家庭娱乐、工业制造、办公、出行、社交等场景,在 ToB、ToC 领域具有巨大的市场和应用潜力。如家庭场景、社交场景、办公场景、出行场景等。要实现 6G 沉浸式 XR 丰富的业务体验,提供更高的数据传输速度、更低时延、更高可靠的网络性能,这需要在终端类、媒体处理、编解码、业务控制和传输类关键技术上进行研究和突破。随着沉浸式 XR 业
50、务不断向超高清、3D、侵入式、实时交互方向发展,对峰值速率、用户体验速率、系统容量、频谱效率都提出了更高的要求。以 16K 分辨率为例,沉浸式 XR 网络传输速率需求达到 0.98Gbit/s。同时如果想让人们在使用 XR 时不产生眩晕感,沉浸式 XR 的端到端时延必须低于 MTP(Motion To Photons)要求,即低于20ms。面向 2030 年及未来,基于云化 XR 的总时延将低于 10ms。22IMT-2030(6G)推进组IMT-2030(6G)Promotion Group 大科学装置、野外站台等科学研究大科学装置、野外站台等科学研究(1)研究所。随着科学研究的长足发展以及
51、大数据和人工智能技术的兴起,科研实验常需要对海量实验数据进行快速的计算和处理,需要算力网络根据科研需求,提供 CPU/GPU 等异构算力。(2)大科学装置。例如 FAST 和 SKA 的大型科学装置需要 EFLOPS(1018)量级的计算能力。算力网络可以通过边边协同、边云协同,将网络中的闲散算力调度起来弥补大科学装置的算力缺口。(3)野外台站。野外台站部署的大量传感器/无人机/摄像头,需要对这些 IoT 设备产生的数据进行实时智能分析、清洗、校验等。算力网络可以利用部署在边缘的算力资源,实时处理 IoT 设备产生的上行数据。(4)大学校园。大学校园人流密集,对算力的需求具有明显的潮汐现象。算
52、力网络可以灵活弹性调度算力资源满足算力在时间、空间维度上的需求;同时,校园会采用 AR/VR/机器人等交互式设备,算力网络可利用部署在边缘的算力资源,提供实时视频渲染/语音识别的能力,打造智慧校园。2.2.3需求描述AR/VR 有如下有如下需求:需求:(1)算网协同管理系统。负责算力网络的资源管理和调度系统,根据业务需求对算力资源进行弹性调度,在满足业务实时需求的同时,提高算力利用率。(2)赋能平台。为用户业务部署赋能,例如针对 AI 业务的 AI 赋能平台。(3)边缘/核心 DC。业务部署节点,包含算力资源基础设施和 NFV 基础设施。其中,用户应用部署在异构算力资源池之上,vBRAS、vC
53、PE 等虚拟网元部署在 NFVI之上。(4)网络基础设施。连接用户、边缘云、核心云的网络基础设施,包括控制面的SDN 控制器、传统网管,以及转发面的网络设备。其中,赋能平台、边缘/核心 DC、网络基础设施包含了算力调度的基础资源,而算网协同管理系统负责对这些资源进行管理和编排,既要实现根据业务需求的动态算力调整,又要实现对各个层面资源的有机协调。其主要功能如下:(1)需求解析模块。分析用户业务需求,将用户业务需求转化为算力资源需求,23IMT-2030(6G)推进组IMT-2030(6G)Promotion Group根据算力需求划分业务等级,以确定业务的部署位置、所需资源大小等信息。(2)算
54、法选择模块。根据用户的业务类型和需求解析模块的结果,在赋能平台中为用户选择合适的部署算法,确定用户业务部署的规格。(3)算网感知模块。动态感知算网节点的算力资源及网络资源,用于根据需求解析为用户选择最优算力节点及最优路由路径。(4)应用部署模块。根据算法选择模块的结果,将用户业务部署到指定的算力节点中。(5)算力调度模块。管理核心云和边缘云的算力资源,根据业务需求为用户分配相应的计算、存储、网络资源,并根据策略对业务部署位置、业务算力进行弹性调整。(6)网络调度模块。管理用户、边缘云、核心云的网络,在用户业务部署或调整之后,配置用户到业务处理节点之间的网络,将用户流量路由到处理节点。对于沉浸式
55、 XR 业务,因为无线基站首先需要保证无线业务的正常运行,然后才能考虑剩余算力的开放和共享,因此剩余算力的变化会导致 XR 业务计算任务的动态调度,可能会造成 XR 业务的卡顿,影响用户的连续性体验。在 XR 业务需求无法继续满足时,需要无线基站辅助算网协同管理功能完成算力任务的动态编排和调度,将运行在当前无线基站的 XR 计算任务迁移到更优质的算力节点。为了保证 XR 业务连续的沉浸式体验,无线网络需要考虑如何稳定地提供无线连接和计算资源。无线网络可以综合考虑接入到网络中的终端业务对无线资源的需求以及需求的变化趋势,合理规划可以开放共享的算力资源,使得无线算力节点被合理调度,尽量减少 XR
56、业务计算任务的迁移。同时,考虑到 XR 终端的移动性,无线网络需要根据终端的地理位置和所需的算力规模,选择兼顾时延和算力的最优路径提供服务。因此,无线网络需要实施无线资源和无线算力的联合编排,同时满足 XR 业务的网络需求和算力需求,通过跨基站的算力共享和按需编排,实现基站资源池内算力借闲补忙,结合算法优化、提前预测等多种技术手段实现用户无感的计算任务迁移。2.3 场景 3:V2X2.3.1概述车联网(V2X)指车辆通过无线通信技术,实现车与车(V2V)、车与人(V2P)、车与路(V2I)、车与服务平台(V2N)的全方位连接,实现复杂环境感知、智能决策、24IMT-2030(6G)推进组IMT
57、-2030(6G)Promotion Group协同控制等功能,在车辆运行中提供不同维度的服务。随着自动驾驶和 5G/6G 等技术的规模应用,在交通领域以人工智能/大数据为代表的信息处理技术和以 V2X 为代表的信息传输技术正在深度融合,车-路-云间的算力协同,数据交换将以更大的广度进行,全场景自动驾驶有望实现。2.3.2场景描述 V2X 辅助驾驶辅助驾驶车联网辅助驾驶场景中,特别是对于车辆外部由于遮挡、盲区等视距外的道路交通情况,需要通过边缘计算节点获取该车辆位置周边的全面路况交通信息,并进行数据统一处理,对于有安全隐患的车辆发出警示信号,辅助车辆安全驾驶。如在交通道路交叉口,由于路况复杂,
58、交汇处遮挡物等,容易多发交通事故,通过将道路监控摄像头捕捉到的视频图像信息传送到就近的边缘计算节点进行计算,如每条车道上的车辆行驶车速等信息,针对车速过快、有撞车隐患的车辆发出减速、停车告警。当离车辆最近的本地边缘节点过载时,辅助安全驾驶通知会发生延迟,可能导致交通事故的发生。通过算力网络将时延不敏感的业务如车载娱乐从本地节点调度到其他节点进行计算,以降低本地节点的负载,使得时延敏感的 V2X 辅助驾驶业务在最近的本地空闲节点优先处理,保证其用户体验和可用性。智能车联网是传统车联网技术的升级,网络在进行原始数据的传输的同时,还需要考虑不同单元间的算力和算法的协同,从而实现全场景工况下的高安全,
59、高效率,低能耗交通。高安全可通过多单元联合判决的方法,提升系统鲁棒性,例如在路口防撞场景下,车载平台和路侧单元都可以对可能的碰撞情形进行预警,一方面路口和车辆可以对各自盲区进行补充,另一方面还可以对判决结果进行互校验,减少虚检和漏检的概率。高效率需要融合多车,多路侧单元的数据,形成城市交通数字孪生系统,对路径规划,交通调度等应用进行优化,提升交通运行整体效率。低能耗可通过合理的算力分配,最大限度进行资源共享,从而提升算力的利用效率,例如手持终端或车载终端的电量较为受限,融合雷达信号分析,多维视觉分析等高复杂计算可以在边缘云进行处理。智慧车联网场景中,如图 2-3 所示,在自动驾驶过程中,车辆通
60、过高效算力进行感知数据分析和 AI 决策,为了实现车辆在全路网驾驶过程中的驾驶安全,高效行驶,25IMT-2030(6G)推进组IMT-2030(6G)Promotion Group降耗节能等目标,既需要车辆本身的算力支撑,也需要路侧算力支持,同时路侧单元还可以有效补充车辆感知的盲区数据,并对必要的驾驶过程进行仿真和预警。图2-3V2X智慧车联网场景在自动驾驶场景中,车辆传感器数据类型和融合感知决策算法不断发展演进,车联网中的车辆利用算法处理摄像头和雷达收集的大量环境感知数据和其他节点的协作感知信息,并规划运行轨迹,生成转弯、超车、加速或减速等决策指令,车路网之间要求的协作感知、协同操作,需要
61、数据感知、传输、计算和存储等能力,因此必然推动着车联网的算力需求持续高速增长。在车联网中,车身携带的传感器越多,传感器采集的数据越精确,车辆行驶速度越快,则要求的单位时间内算力指标也就越高。车辆本身算力之外,合理协调利用移动网络算力则是对车辆 算力调度的有效扩展,如计算复杂度高的数据识别和分析可以在处理能力强大的云端进行,也可以在靠近用户侧的边缘网络进行处理,MEC 平台通26IMT-2030(6G)推进组IMT-2030(6G)Promotion Group过下沉部署 UPF 进行连接,可以协调调度移动网络算力进行车联网数据计算,满足车联网的低时延处理的需求,保证车联网中的算力调度需求。智能
62、车联网的典型应用场景包括路口碰撞预警,路口视觉融合,自动驾驶半实物仿真,无人区卫星辅助等,相应场景的特点如下表 2-1 所示。表 2-1智能车联网场景特点场景场景描述算力协同方式算力需求估算智能碰撞预测路侧单元融合多车与行人数据,提前预测碰撞危险,实时性要求高车载单元和手持机进行传感数据一级处理;路侧单元根据模型预测碰撞危险50TFLOPS路口视觉融合路侧单元对各路口进行监测,关键信息传到车上,支持辅助驾驶及自动驾驶,实时性高路侧进行视觉训练及目标提取,车辆进行影像重建辅助驾驶,进行推理支持自动驾驶3050TFLOPS自动驾驶半实物仿真系统车路实测数据和云端建模仿真系统融合,提升自动驾驶模型训
63、练效能,算力要求高大规模训练在云端,场景化推理及验证反馈在车路端EFLOPS无人区卫星辅助驾驶卫星遥感影像在轨分析,及时推送气象,道路灾害等相关信息卫星遥感影像分析与地面云端影像分析融合,实现实时性与效能的均衡50100TFLOPS2.3.3需求描述智能车联网业务的算力需求受多种因素的影响,其中包括终端算力架构设计,智能路侧单元分布,车联网总体规模,建模及仿真算法设计等。智能车联网需要通过算网协同管理系统保障移动网络全网的算力,根据不同车联网业务对算力需求的估算及时延要求,感知全网的算力资源并匹配算力需求,根据车移动过程中的位置及时调整算力节点,保证车联网业务的时延。对于车道偏离检测、驾驶员检
64、测等场景,算力协同方式采用车检测,路侧发现异常将告警信息发给对应车辆,时延满足在 100ms 之内;对于行人预测、十字路口管理、Level 5 自动驾驶等场景,算网协同方式采用车路联合预测,互相补盲,时延满足在 10-100ms 之内。对于城市交通数字孪生场景,算网协同方式采用云端训练建模,路侧及车辆实时推理并反馈,时27IMT-2030(6G)推进组IMT-2030(6G)Promotion Group延满足在 1s 之内。2.4 场景 4:算网协同管理安全2.4.1概述算力网络的新架构、新技术和新服务可能存在新的安全风险需要攻克,需要与之适配的新的安全机制来保障。如基础设施层存在潜在复杂的
65、网络风险及算力节点安全风险,编排调度层涉及编排调度安全风险及算力使用失控问题,运营服务层则面临接入恶意节点、交易不可信、应用不安全等问题,此外算力网络中还可能存在计算结果不可信、数据流转不可控等数据安全风险,需通过一体化全程可信机制加强安全保障。2.4.2场景描述编排调度层安全算网信息在编排管理层汇聚,算力信息的正确性、完整性、安全性将影响算力网络正常编排调度服务的开展。由于算力节点的多源泛在特性,一旦节点被攻击或仿冒,造成虚假算力信息上传,将严重影响算网的可靠性。同时,基础设施信息的大量集中存储,增加了黑客对编排管理层进行攻击,窃取或篡改数据的风险。一旦数据被窃取,可能会导致黑客对算力网络的
66、非法利用,若数据被篡改,还会造成用户数据的泄露,影响运营服务的正常开展。2.4.3需求描述编排管理层面对高度复杂的算网环境,针对多样化、定制化的算力需求,对算力网络各个域的资源进行协同调度。编排管理层对算力用户、计算任务、网络资源、算力资源一体感知、协同编排。在此过程中,编排管理层收集并处理大量算力网络敏感数据,数据集中增加了安全风险。编排管理层需在计算任务的编排调度中考虑安全要素,对算力用户、计算任务、算力节点进行安全等级标识,在此基础上进行动态安全分配,实现算力的安全调度。编排管理层需具备对算力的安全管控能力,解决算力滥用问题。算力滥用包括非法挖矿、暴力破解等行为,不仅对算力资源造成侵占,
67、还可能利用算力发起安全攻击。28IMT-2030(6G)推进组IMT-2030(6G)Promotion Group 编排安全保障编排安全保障编排管理层对算力用户、计算任务、网络资源、算力资源一体感知、协同编排。在此过程中,编排管理层收集并处理大量算力网络敏感数据,数据集中增加了安全风险,对编排管理层的安全保障提出了新的安全挑战。编排的安全保障可以考虑三方面:一是编排管理行为需受到授权和监控;二是针对编排管理使用的大量算网信息数据,应防止数据泄露、篡改或恶意使用;三是为保障智能编排算法的有效性,需防止算法被恶意污染的数据影响。编排管理层应根据用户及计算任务对安全的需求去匹配相应能力的算力节点,
68、并能根据用户及算力安全节点安全状态的改变动态调整算力分配。另外,编排管理层也应根据系统安全策略对算力路由进行安全配置,并能根据算力任务的安全需求动态调整安全编排策略并配置算力路由以实现算力服务要求的安全服务链。作为算力大脑,编排管理系统本身应进行安全加固,以保证编排系统应用和数据的安全可靠,AI/ML 模块的安全和健壮,以及编排系统接口的严格访问控制。另外利用自身的自动化集成功能,编排管理系统可实现安全自检、汇报和自我修复。智能安全调度智能安全调度编排管理层需在计算任务的编排调度中考虑安全要素,对算力用户、计算任务、算力节点进行安全等级标识,在此基础上进行动态安全分配,实现算力的安全调度。安全
69、标识是算力安全调度的基础,安全标识可以对算力用户、计算任务、算力资源三类信息进行安全分类分级标记。算力安全调度基于安全标识进行智能编排,一方面通过解析计算任务的安全需求,为计算任务动态适配具有相应安全能力的算力节点;另一方面,根据计算任务对安全能力的需求,在算力节点弹性编排时,动态布署安全能力,增强算力节点的安全防护。为实现算力的安全调度,编排管理层首先需要保证算力节点的安全可信。由于算力节点的多样性和动态性,管理系统应提供统一的算力节点注册功能,在对接入的算力节点进行认证后为其提供全网唯一标识,并颁发证书;根据算力节点的软硬件类型及版本,安全配置,提供者等评估该算力节点的安全能力,并根据相关
70、规则定义安全等级;根据安全策略持续对算力节点进行安全监控,并在检测到异常时触发告警或其29IMT-2030(6G)推进组IMT-2030(6G)Promotion Group它自动响应机制。其次,编排管理层应保证算力用户的安全可信。支持用户注册和鉴权;根据 SLA 及其它实时状态对用户进行授权;实时检测用户安全状态,必要时调整对用户的访问控制策略 算力安全管控算力安全管控为了解决算力网络中的算力滥用问题,需要算力网络具备对算力的安全管控能力。算力滥用包括非法挖矿、暴力破解等行为,不仅对算力资源造成侵占,还可能利用算力发起安全攻击。对算力滥用造成的安全威胁进行管控需结合针对算力用户、算力任务的安
71、全分级标识。通过解析计算任务类型,结合算力用户的算力阈值相关信息,对计算任务进行安全评估,并可采取限制算力用量、拒绝算力请求或降低算力用户信用等措施进行安全管控。2.5 场景 5:AI2.5.1概述AI 的两个关键特性:深度学习和神经网络。深度学习是一种模拟人脑神经网络的方法,通过多层神经元来处理和分析数据。神经网络则是一种模仿生物神经系统的计算模型,可以自动识别模式并进行预测。这两个特性使得 AI 能够处理大量的非结构化数据,从而实现高效的数据分析和决策。深度学习和神经网络的复杂性导致了大量的计算需求。随着 AI 技术的普及,需要确保算力的公平分配和可持续性,以满足未来 AI 应用的需求。2
72、.5.2场景描述 端侧端侧 AI 推理推理随着科技的发展,未来终端的演进将从手持到可穿戴式、再到纺织结合式甚至是人体植入式。随着终端体积越来越小,但用户享受的业务在视觉、听觉、触觉等维度越加丰富,这二者之间的技术差距需要通过终端芯片计算能力和边、云计算能力之间30IMT-2030(6G)推进组IMT-2030(6G)Promotion Group做出一个有效的平衡,即通过边、云的计算资源来卸载原本可以在终端芯片上处理的任务,从而让端侧成本更低、体积更小、更轻便。基于 AI 的人脸识别、物品识别、安全防护已经渗透到日常生活的各个方面,如图 2-4AI 推理应用于滑雪运动。这些场景的终端类型不尽相
73、同,计算资源数量差异较大。基于端侧实现全部的计算是不现实的。因此,需要采用将 AI 推理模型分割,终端侧模型对原始数据做简单的预处理后,上传到移动算力网络的边缘节点,网络侧模型承担计算量更大的算力密集部分任务,并将最终的 AI 推理计算结果返回给端侧。图2-4AI推理示意图端网云协同的分布式计算模型,对终端体验提升有重大意义,不仅可以降低终端成本,伴随着网络代际的演进,单用户可获得的无线带宽逐步增大,对大量数据的传输提供了更有优的网络环境,边云算力与终端的协作,有助于推广更加丰富的应用。脑机协同脑机协同可穿戴智能设备不断发展,从简单脉搏、温度采集发展到可以采集人脑相关信息,在此基础上完成对外部
74、设备的控制和意识监测。其需要多种传感器信息等多模态数据进行传输与处理,且不同数据的处理算法、运算数据量、需要实时反馈控制时对运算的高时效性等等对算力需求日益增长。但可穿戴智能设备本身的电池续航能力、设备本身体积不能伴随增长。移动算力网络可以就近提供算力服务,以头戴移动设备采集脑信号为例,移动算力网络提供强大 AI 算力,训练+处理,可满足脑机接口时延 1Gbps(脑电数据)、安全(通信安全+隐私保护)等需求。从而实现对采集的脑信号数据进行个性化训练和解析,实现低时延远控辅助机器人,提供用户更好的使用体验。从另一方面来说,复杂计算上移到了移动算力网络侧,可以降低脑端设备成本、缩小体积,增加设备电
75、池续航时间。移动算力网络可以把已经部署的零散、专用的算力资源联合成网,统一编排调度。在新增算力资源类型时从全局考虑,灵活调度,避免重复建设,缓解对端侧设备的硬31IMT-2030(6G)推进组IMT-2030(6G)Promotion Group件升级需求。在单点故障或负荷过高时也有备份资源提供,最大程度保障端侧的服务质量和用户体验。2.5.3需求描述 云边端协同需求云边端协同需求基于移动通信网络,已经具备中心云、边缘计算和终端算力等同质化和异构计算资源相结合的海量算力节点。为一个计算任务选择什么样的节点,以及如何将数据转发到该节点是对移动算力网络重要需求。移动算力网络应充分利用中心云、边缘云
76、以及终端等各级算力,根据不同的业务,在终端算力和边云之间、边缘计算节点之间、边缘计算和中心云之间实现灵活的跨层多级算力互联。例如,AR 渲染前进行的物体识别与检测任务,如果通过云侧实现,会导致数据传输量大,对无线侧网络带宽质量要求高。但如果单纯通过终端侧计算,有会因受到算力的限制而导致渲染处理时延较大,影响用户体验。可以联合利用终端与边缘计算的算力,各自分担部分计算任务,实现业务时延与终端功耗的最小化,即:边缘计算支持复杂的推理,而终端仅需进行少量数据预处理。面向移动通信网络,将计算和移动通信网络深度融合、协同调度,结合业务对移动通信网的需求,综合考虑网络的全局视图能力和计算能力,动态调度资源
77、,可以进一步提升用户业务体验,包括将基础设施算力纳入为 UE 接入选择各个网络功能的过程中。算网一体化能力开放需求算网一体化能力开放需求算力是数字时代的核心生产要素之一,是数字经济发展的源动力。海量的泛在算力和网络将会进一步融合共生,通过算力赋能使移动通信网络具有更广阔的应用场景。在移动算力网络场景下,需要开放共享可用的算力资源和网络资源,合理高效的利用算网能力,通过算网一体化能力开放,更好的支持万物互联的新场景。2.6 场景 6:工业应用2.6.1概述算力服务可以应用于需要对数据做大规模快速处理的工业应用场景,如超算和大型渲染、人工智能(训练类和推算类)、泛视频、智能驾驶和区块链应用等。泛视
78、频业32IMT-2030(6G)推进组IMT-2030(6G)Promotion Group务主要包括智能安防、工业视频检测、超高清视频、云游戏、元宇宙等。2.6.2场景描述 工业视觉检测工业视觉检测机器视觉主要是指使用 AI 算法对生产领域的图像、视频进行分析,并根据分析结果统计信息,或者对相关设备进行控制,支撑智能化的工业生产。主要应用于识别、检测、测量、定位与引导等工业领域。如工业质检、安全生产监控、工艺操作规范检查、人员车辆进出控制、设备监控、智能巡检等场景。如在经历自然灾害后,电力企业需要迅速对某省、市、区、县等各级分公司下辖的电力线路进行巡检。传统模式下,需通过固定监控摄像头、无人
79、机、移动摄像机等设备获取的海量视频或图像信息,识别故障或隐患线路,第一时间组织抢修工作。这种情况恢复周期相对漫长,而恢复时长往往又和直接损失成正比。工业视觉检测可基于算力网络提高运算效率,经过算力大脑的编排和调度,仅需通过以下四个步骤,即可快速搭建一套视觉检测系统并投入运行,从而节约大量宝贵的黄金恢复时间,降低灾害损失。相关步骤为:(1)根据该企业的灾复数据稽核要求,算网协同管理系统利用其一体化编排能力,基于距离、时效等原则,在灾复数据产生地的周边算力池分配算力资源;(2)根据视觉检测的要求,快速在已分配的算力资源上,通过云原生的编排能力,自动化部署 AI 检测应用;(3)接收灾复数据,通过相
80、对应的 AI 检测或数字孪生技术应用进行风险检测并输出结果,用于指导灾复工作开展;同时,在根据运行过程的状态,实施进行动态算力调整;(4)在检测工作完成后,根据预定策略快速地释放算力资源。2.6.3需求描述工业应用对算网资源有统一编排与调度的需求,根据工业应用需求,需要对算力资源池基于调度策略进行资源的统一部署,安排最优路径,实现算力利用的最大化。同时,还需要支持算网协同管理的智能化,如 AI 及数字孪生技术,进行有效的风险预测及风险根因分析,实现动态的算力规划及调整。33IMT-2030(6G)推进组IMT-2030(6G)Promotion Group支持云原生的编排能力,由算网协同管理
81、提供通用性编排框架,通过提供镜像及应用管理、集群及节点管理、访问安全管控、容器编排及调度能力,实现自动化集群部署、外部调用的均衡分发、敏捷扩缩容等,让应用程序不再需要进行复杂的分布式架构设计及规划。算网业务的一体化编排需要充分考虑应用的特性,算网资源的 QOS、安全、成本及能耗等多个维度,输出最合理的编排方案。2.7 场景 7:东数西算2.7.1概述2022 年,国家发展改革委等多部门同意在内蒙古、贵州、甘肃和宁夏等四个节点启动建设国家算力枢纽节点,并规划了 10 个国家数据中心集群。同时在京津冀地区、长三角地区、成渝地区、粤港澳大湾区启动建设全国一体化大数据中心国家算力枢纽节点。全国一体化大
82、数据中心体系完成总体布局设计,东数西算工程开启我国算力资源全国范围跨区域统筹布局。2.7.2场景描述 东数西算东数西算纵观中国算力分布,东部占 60%,西部占 20%,东部远高于西部。而从算力资源的空间分布潜力来看,西部潜力远高于东部。建设数据中心需要大量土地、电力,东部资源日趋紧张,而西部土地广阔、电价便宜、能源尤其是绿色能源丰富,将数据中心建立在西部,不仅能够节约“西电东送”的成本,还能提高对西部光伏、风电等绿色能源的使用,助力“双碳”目标实现。东数西算的实施需要建设全国一体化大数据中心,其中一个方面就是实现集群之间的算力调度。无论是全国一体化大数据中心布局还是东数西算建设,背后都是复杂的
83、巨系统的优化调度问题。东数西算工程目前是对超算算力和智能算力的调度和统筹,这是由于基础算力承载的多是电子游戏、短视频、即时通信等实时性较强的需求,就目前的技术而言,具有实时性的本地数据无法搬到异地计算,因此西部目前主要考虑的是承载后台加工、离线分析、存储备份等非实时算力需求。即使对于能搬过去的计算机来说,一对一进行固定匹配而不是动态调度的可能性也较大。不同超级计算机的34IMT-2030(6G)推进组IMT-2030(6G)Promotion Group处理器、加速卡、框架等各不相同,算力基础设施面临异构化挑战。这需要搭建智能异构算力平台,突破异构算力适配、异构算力网络调度等关键技术,优化东西
84、部各类算力资源的配比。东数西算的实现,需要全国各个节点全部打通形成一个大的算力网络并且建立起成熟的调度系统和机制,实现面向业务、面向服务质量(QoS,Quality of Service)、面向成本的全局优化调度。首先要做好国家规划布局的国家算力枢纽节点、国家数据中心集群与现有的全国各地各类型算力设施的统筹与算网协同,形成合理分工、科学联动、高效协作机制,同时算力网络需要具备算力统筹和智能调度的算网协同管理能力,能够在全国范围内,根据动态业务需求,在云、网、边之间实现按需分配和灵活调度计算、存储、网络等资源。“东数西算”工程要实现算力全国调度,就需要算网融合的支撑。所谓算网融合,是以通信网络设
85、施和计算设施的融合发展为基础,通过计算、存储及网络资源统一编排管控,满足业务对网络和算力灵活泛在、弹性敏捷、智能随机应用需求的一种新型业务模式。从业务服务流程来看,算网融合实质上就是更加高效精准地将算力需求调度到相应的资源节点。首先,算网体系感知用户需求,在此基础上进一步感知全网的算网资源。随后,根据编排结果以及路由策略选择合适的路径,将算力需求调度到相应节点,通过算网融合可以实现以网强算、以算强国。另外,不同业务对算网性能需求不同,如移动支付、网络游戏等时延敏感性业务对网络传输时延提出了较高要求,而数据备份等业务对网络传输时延要求低,但需要根据不同的业务需求灵活匹配算网资源,实现算网资源的精
86、细化供给,充分释放算网资源价值。从底层计算芯片角度来看,目前从以通用CPU计算为主逐步向GPU、FPGA、ASIC 等异构算力芯片与通用算力协同发展的态势演进。因此,实现算网融合的业务模式,就需要算网协同管理的支撑,通过算网协同管理实现云边端协同、异构算力与通用算力协同,资源统一编排管控及按需调度,使得算与网通过算网协同有效地实现融合。2.7.3需求描述东数西算”国家项目在京津冀、长三角、成渝等八大枢纽间建设算力网络,支持全35IMT-2030(6G)推进组IMT-2030(6G)Promotion Group国各地日益增长的算力需求。沿着这张算力网络“地图”,有多个国家算力枢纽节点、区域智算
87、中心。因为跨区域算力计算量大、跨厂商互通难度高等问题,算力网络需要采用算网协同管理机制,通过系统分解、局部优化等方式,实现具备算力统筹和智能调度能力。通过算网协同管理可有效地支撑算网融合业务。算网协同管理可动态感知用户需求及算网资源分布,并具有云边端协同、异构算力与通用算力协同、资源统一编排管控及按需调度、路由优化等能力,从而满足业务对网络和算力灵活泛在、弹性敏捷、智能随机应用需求。算网协同的方式可以是分布式、集中式或者混合式。通过分布式的分层算网协同管理架构在省内部署区域中心算网大脑,实现区域的集中控制、本地优先;通过构建集中式的中心算网协同管理系统,与分布式算网协同管理系统实现有效的算力协
88、同,从而控制调配全网算力资源,降低综合算力成本。在算力调度管理方面,产业需要将路径计算分成用户所在省、全国骨干网、云资源所在省三段,算力评估时各自计算路径,使计算分布式,提高效率、优化管理流程。2.8 场景 8:算力内生2.8.1概述算力作为数字时代的核心资源,不仅改变了人类的生产方式、生活模式和科研范式,而且逐渐成为科技进步和经济社会发展的底座,预示着算力成为数字经济的主要生产力。2021 年 5 月,发改委、网信办、工信部、能源局联合印发全国一体化大数据中心协同创新体系算力枢纽实施方案,明确提出布局全国算力网络国家枢纽节点,启动实施“东数西算”工程,构建国家算力网络体系,赋能百行千业数智化
89、转型。为满足数字数化转型算力供给面临的算力效能低与成本高等问题,亟需算力内生网络实现新型算力业务的灵活接入与即取即用。2.8.2场景描述随着智慧城市、智能制造、自动驾驶、AR/VR/XR 等新型算力业务场景的出现,算力资源需求日益旺盛,驱动数据中心高速发展。据 Machina Research 报告显示:2025年,全球网联设备总数将超过 270 亿;据 Gartner 预测,2025 年,超过 75%的数据需36IMT-2030(6G)推进组IMT-2030(6G)Promotion Group要分流到网络边缘侧;IDC 预计 2025 年全球边缘计算服务器的支出占总体服务器的比重将从 14
90、.4%提升到 24.9%各类新型算力业务的异构数据处理需要云边协同的泛在化算力支持。随着企业数字化转型的算力需求增加与场景丰富,也为新型算力的供给带来了以下挑战。云/数据中心算力供给效能低:云/数据中心算力效能低:截至 2022 年初,我国已建成数据中心 500 万标准机架,整体算力达到 130EFLOPS,但受限于算力的泛在化特征,国内数据中心的平均利用率仅为 55%左右。边缘算力需求激增,潮汐现象导致算力效能低:由于边缘算力分布取决于业务场景,算力利用率受业务潮汐现象影响严重,导致算力效能低。成本高:全球企业公有云算力基础设施开支逐年提升,预计 2024 年将占 IT 总支出的 45%。2
91、021 中国小企业数字初始化指数 2.0指出对于计算密集型小企业,在提高算力的同时还需平衡成本,以经济型算力的模式提升企业核心竞争力。基于以上挑战,算力内生网络应运而生。算力内生网络是基于 5G、云原生、AI与数字孪生等 ICT 技术打造的面向全行业提供 5G 连接+算力+应用服务的集合,主要包括算力内生 5G 基站、算力内生 5G MEC 平台与算力内生 5GC 等。2.8.3需求描述在满足企业数字化转型的网络需求同时,支持应用云边端协同。面向电信运营商:支撑电信运营商 5G+算力网络建设与市场拓展,提供面向政企用户的最后一公里的算力灵活接入与应用/服务部署,助力运营商算力网络降本增效。通过
92、网络算力内生技术,单一 5G BBU 网络设备可同时提供网络服务与算力服务,从而大幅度减少算力设施的硬件投资成本以及对应的集成费用。基于网络负 AI 预测算法,将基站空闲通信能力转化为计算能力,以时分复用方式实现通信能力与计算能力互转,消除了由于网络负载“潮汐”造成的资源浪费,提升资源利用率。面向垂直行业:面向全行业提供 5G 连接+算力+应用的服务,实现业务的算力灵活接入与即取即用,满足企业数字化转型的算力网络需求。5G 基站在提供通信服务的同时,也提供通用计算能力,支持多样化的行业应用服务。5G 网络集成丰富的行业应用,可以解决客户的网络+应用的二次集成痛点。应用供给方式灵活多样,支持标准
93、37IMT-2030(6G)推进组IMT-2030(6G)Promotion Group化的应用能力,也支持基于客户特殊需求,提供定制化开发应用。第三章 算网协同管理需求该章节主要描述对于 6G 网络的算网协同管理的通用需求、关键技术及技术特征。3.1 通用需求算网协同管理所需的通用需求如下:面向算网协同管理场景,算网协同管理需要满足编排调度、安全以及 OAM 要求。能够感知用户需求,并动态感知、协调和管理算网资源和服务,对算网资源进行统一编排调度,支持算力节点和网络节点的选择,服务路径的编排和优化,按需将算力需求调度到相应节点;能够进行应用安全相关控制,以减少算力网络环境中的安全威胁;支持通
94、过对算力网络全面的安全监测分析、编排响应、泛在调度和安全管控实现对算网安全风险的精准排查和处置;能够实现算力网络的操作、管理和维护,对设备的算力性能进行监控,通过多种类型的算力信息采集和上报策略配置,支持最优算力节点的实时选择,并在故障时予以修复。3.2 架构需求算网协同系统需要具备算力统筹和智能调度能力,因此算网协同整体架构需满足如下架构需求:1)算网协同跨区域分布式部署。分层算网协同架构通过在不同地域(如省、市)部署区域算网协同管理系统,实现区域的集中控制、本地优先。同时,在中心地域部署算中心算网协同管理系统,通过专用网络与区域算网协同管理系统实现算力协同,实现分布式控制调配全网算力资源,
95、降低综合算力成本。2)优化算力资源管理与调度。大范围集中管控算力资源带来巨大的计算量和消息通信,需要进行全局的算力管理与调度优化,在最大化利用算力的同时也避免计算量与通信量的激增。如算力资源调度,需要基于场景选择区域算力调度、跨域算力调度38IMT-2030(6G)推进组IMT-2030(6G)Promotion Group及混合算力调度,算力评估时各自计算路径,使计算分布式,提高效率、优化管理流程,确保调度效益最大化。3)算网协同、运营协同共同发展。通过协同算网服务入口,实现资源互调,满足用户一站开通需求,实现算网一体化基础设施的统一管理、编排和调度;算网协同调度可最大程度复用并扩展现有网络
96、协议,使得不同厂商的网络设备之间实现互联互通,更好地支撑算力网络协同需求。4)算网协同管理系统内生能力:算网感知能力:为算网协同管理提供基础支撑,可以感知算网基础设施的算力状态及各个应用对算力的需求,为算网的统一编排及调度提供底层支持。算力路由控制能力:支持算力路由表的生成与更新,用于后续业务转发。算网管控中心、算力路由节点进行算网协同,根据收集的算力和网络信息进行综合选路,以实现多种调度方式,包括集中式调度方式、分布式调度方式、集中式和分布式协同的调度方式。算网统一编排能力:为算网协同管理提供一体化的编排。算网统一调度能力:为算网协同管理提供统一的算网资源的调度,包括算力度量与建模,算力 O
97、AM,算网注册,算力路由管理等能力。算网智能化能力:算网智能化为算网协同管理提供编排的智能化支持。可以支持AI 机器训练与学习能力,智能选路,对调度意图感知解析,并由算网数字孪生提供一体化编排与调度优化仿真。算网协同开放能力:通过能力开放,可以屏蔽底层复杂的端网协同流程和算力资源调度机制,简化应用开发流程,促进第三方、运营商、行业用户快速实现应用部署。3.3 关键技术需求算网协同管理有如下的关键技术要求:1)算网协同编排与调度算力网络是计算能力与网络能力的紧密结合。面向 XR、移动终端 AI 等低时延交互业务,一方面需要核心网与无线接入网络间信息交互,提供高效网络传输;另一方面需要云边算力与移
98、动终端算力进行协同,满足渲染、AI 训练等计算能力要求。现有移动通信网对泛在算力的管理机制相对单一,缺乏对云边端算力的协同调度机制,难39IMT-2030(6G)推进组IMT-2030(6G)Promotion Group以应对业务动态需求与潮汐效应等问题。为满足业务端到端 QoS 需求,需要综合考虑网络连接状态、可用带宽、端边云异构算力类型,算力负载等算网资源信息,通过算网资源联合管理与算网服务一体化编排,通过算网感知、算力路由、算网一体调度等技术实现中心、边缘、终端侧多级算力资源的协同,按需灵活地将业务分发调度到分布式算力节点,并提供动态算网服务来保证业务质量与用户体验。随着新型融合技术发
99、展,移动通信网将支持感知、定位等能力,在一张大网上提供多样化网络服务。同时,网络端到端服务化趋势需要将底层算力资源分离抽象为独立的网络功能,并进一步实现网络功能的灵活部署与调度,以提升网络管理效率。2)云边端算力协同通过云边端算力的协同管理与调度,可充分利用中心云、边缘计算、以及终端的各级算力,通过算法灵活跨层利用多级算力。在算力节点泛在的基础上,通过云边协同、云端协同等接入算力,对接各异厂家、异架构算力,构建多种业务场景的算力协同调度,为各行业提供可定制化、高可靠的算网保障服务。例如在部分涉及 AI 的业务场景下实现云端超大规模模型训练及下发。同时可以克服在当前 5G 网络架构下仅支持单个
100、MEC 为单一业务服务的问题,支持按网络连接状态充分调用网络边缘的算力形成本地互联的 MEC 群组,并通过计算卸载、多点协作等方式在 MEC 群组中进行最优计算任务分配,解决终端算力不足与云计算通信时延长的问题,提供低时延且高可靠的算力服务。3)算网协同管理能力开放面向未来越来越丰富的业务诉求,移动算力应为运营商自营服务或第三方应用提供端网协同一体运行环境。除了为在网业务提供通用的内生计算服务外,还支持向第三方开放算力和网络能力,通过屏蔽底层复杂的端网协同流程和算力资源调度机制,简化应用开发流程,使得运营商和第三方可以直接在移动算力网络基础设施层上快速开发和部署应用。4)算网协同智能化移动算力
101、网络首先提供了网络内生的 AI 算力服务。UE(User Equipment)接入网络即可获得该 AI 服务,增强 AI 推理能力。同时,网络将算网一体化服务开放给第三方应用商,方便其开发和部署高端 AI 应用。40IMT-2030(6G)推进组IMT-2030(6G)Promotion Group随着自智网络技术的发展与应用,算网协同自智还应支持智慧内生、意图、数字孪生等智能化技术,进一步支持算网协同管理的智能化,实现算网协同管理意图的感知、解析、执行、反馈的闭环,并通过数字孪生平台对算网协同管理的相关调度策略进行优化。第四章 算网协同管理挑战及展望4.1 算网协同管理的挑战算网协同管理面临
102、的挑战包括云网统一编排、调度管理、业务与资源协同、算网自智化、与现有标准适用性等方面。4.1.1云网统一编排云网统一编排需要实现业务的快速部署,目前云网统一编排存在的问题包括:接入网络存在断点,导致业务开通周期长;云间网络存在断点,导致无法实现跨域编排;统一编排存在断点,使得接入、云间、云内未实现跨域打通。图4-1统一编排4.1.2调度管理当前算网调度存在的主要问题,需要在算网协同管理方案中考虑:算网调度中存在多种调度策略,分别有业务调度、云资源调度、网络调度,它41IMT-2030(6G)推进组IMT-2030(6G)Promotion Group们相互独立,难以协同;算网云边端存在多种资源
103、,如多云资源、网跨域资源等,需要统一拉通管理,资源利用率需要提升,如资源静态固定分配,忙闲不均的场景;如何保障业务质量及用户体验,如如何保障业务运行匹配到最佳资源;算网地域范围(4+4 国家枢纽中心+省市数据中心+边缘)大,如何实现东数西算跨区域调度。如区域内调度(省内)、跨区域调度(全国)、跨运营商、云商调度等。图4-2算网调度管理4.1.3业务与资源协同业务与资源需要协同进行编排及调度,包括协同资源及相关服务:云资源:包括异构资源池,网络边缘云、移动边缘云、政企行业云、合营云等 网络资源:包括跨区域、跨专业的网络资源,OTN/SPN/PON/云专网网络资源等;服务应用:通过提供的服务 AP
104、I 进行协同;42IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图4-3业务资源协同4.1.4算网智能化算网智能化是算网协同管理的智能化演进,可以考虑以下几个阶段:算网内生智能:随着网络云化、网络跨度更宽,算网业务要求的丰富性,对于网络智能化要求越来越高,需要支持 AI 等内生智能技术;协同网络自智:结合自智网络的发展扩展算网自智的范围,如逐步支持意图及数字孪生等技术;平滑演进:智能化程度随着网络演进及业务发展的特性逐步提升;4.1.5现有标准适用性算网协同发展的最终目标是算网一体,而算网一体则强调算力资源和网络资源的统一标识、统一调度和统一管理,这会使算
105、网边界更加模糊。在算网协同体系下,互联网云厂商开始涉足到网络建设领域,通过自建私有骨干网实现算力设施互通。为了避免成为通信管道,电信运营商也开始加速网络云化改造,使网络资源像算力资源一样智能可控、高效调度。我国三大运营商具备完整的通信及IDC 业务牌照,可以涉足云计算及算力设施领域业务。而云厂商则不具备通信相关牌照,尽管云厂商可利用运营商网络资源在物理网络上构建虚拟骨干网,但是虚拟骨干网的业务形式尚缺乏市场监管法律保护。43IMT-2030(6G)推进组IMT-2030(6G)Promotion Group网络边界的模糊化使得网络安全及相关业务标准变得难以适用,云厂商对网络技术的探索和实践可能
106、会诱发网络安全及业务标准合规性问题,是否要基于算网协同需求扩大云厂商数据中心业务边界,以及是否变革现有市场监管制度进行变革是未来的一个挑战。4.2 下一步研究方向的展望当前业界对算力网络的研究进展较快,本研究报告聚焦与算力网络协同管理的场景及需求,提出算力网络协同管理需关注的关键技术,以及算力协同管理带来的挑战。算网协同管理系统是对算力和网络资源的统一编排/调度/管理/运维的核心系统,并通过引入人工智能、意图引擎、数字孪生等技术,向上实现各领域原子能力组合和算网一体化服务支撑,向下实现泛在算力的跨层跨区域融通和网的跨域跨专业拉通。算网协同管理下一步的研究目标,向上希望实现各类算网融合类业务的支
107、撑,向下实现一体化算网全领域资源拉通,全面纳管三方云、端算力、社会算力、国家算力枢纽等不同的算力域。同时进一步提升算网协同管理的智能化,促进算网感知融合统一,并通过引入意图引擎、数字孪生以及基础设施层算力路由等技术,进一步提升算网协同管理的智能化水平。算网协同管理下一步的研究方向,建议对算力网络协同架构及应用进一步深入研究,聚焦算网协同管理的内生能力,如算网感知、算力路由控制、统一编排及调度、智能化等,并考虑与其他编排系统的协作,如云网协同编排系统。同时应考虑对算网协同管理关键技术在国际及国内各个标准组织进一步标准推进,加快算网协同管理相关技术的完善及产业化进程。缩略语简表英文缩写英文全称中文
108、解释3GPP3rd Generation Partnership Project第三代合作伙伴计划ARAugmented Reality增强现实AIArtificial Intelligence人工智能AMFAccess and Mobility Management Function接入和移动管理功能44IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupBBUBaseband Unit基带处理单元CDNContent Delivery Network内容分发网络ETSIEuropean Telecommunications StandardsInstitut
109、e欧洲电信标准协会GUAMIGlobally UniqueAMF Identifier全局唯一的 AMF 标识符GPUGraphic Processing Unit图形处理器KPIKey Performance Indicator关键性能指标MECMobile Edge Computing移动边缘计算MRMixed Reality混合现实NSSAINetwork Slice Selection AssistanceInformation网络切片选择辅助信息SMFService Management Function业务管理功能TMSITemperate Mobile Station Ident
110、ity临时移动台识别码UEUser Equipment用户设备UPFUser Plane Function用户面功能VMVirtual Machine虚机VRVirtual Reality虚拟现实XRExtended Reality扩展现实45IMT-2030(6G)推进组IMT-2030(6G)Promotion Group参考文献1Sharma,Robin.Artificial Intelligence in Agriculture:A Review.2021 5th InternationalConference on Intelligent Computing and Control
111、Systems(ICICCS).IEEE,2021.2ITU-T Y.2501,Computing Power Network framework and architecture3丁文慧、高吉星、虞志刚、冯旭、陆洲.空间算力网络初探J.移动通信,2022,46(10):41-46.4算力网络需求与架构 CCSATC3/WG1 网络总体及人工智能应用5算力网络 算网编排管理技术要求 CCSATC3/WG1 网络总体及人工智能应用6无线算力网络场景、需求和关键技术研究 CCSATC5/WG6 前沿无线技术7算力网络安全需求及关键技术研究 CCSATC5/WG5 无线安全与加密8算力网络 运营管理技术要求 CCSATC7/WG1 无线通信管理9算力网络安全编排管理技术研究 CCSATC8/WG4 新兴技术和业务安全46IMT-2030(6G)推进组IMT-2030(6G)Promotion Group贡献单位序号序号主要贡献单位主要贡献单位1中兴通讯股份有限公司2中国联合网络通信集团有限公司3中国信息通信研究院4中国移动通信有限公司5中国电信股份有限公司6中信科7亚信科技8华为技术有限公司9紫金山实验室联系方式邮箱:COPYRIGHT2023 IMT-2030(6G)PROMOTION GROUP.ALL RIGHTS RESERVED.