1、面向 6G 网络的智能内生体系架构研究1 IMT-2030（6G）网络技术工作组 2022 年 8 月2 前言前言 本报告旨在分析面向 6G 网络智能内生的驱动力、应用场景，探讨智能内生的目标、内涵、架构设计和关键技术。面向 6G 网络的智能内生体系架构是在IMT-2030 6G 网络总体架构指导下，聚焦智能内生特性的架构设计，希望能为业界在 6G 网络智能内生架构设计和关键技术的研究提供参考和指引。3 目目 录录 1.动机.6 2.智能内生的网络场景及能力分析.8 2.1.智能内生网络应用场景智能内生网络应用场景.8 2.1.1.网络智能自治应用场景.8 2.1.2.服务垂直行业 AI 应用

2、场景.11 2.1.3.数据服务增值应用场景.12 2.2.智能内生网络能力.13 2.2.1.数据能力.13 2.2.2.算力能力.14 2.2.3.算法能力.14 2.2.4.编排能力.15 2.2.5.安全能力.15 3.智能内生的目标.16 4.智能内生的内涵与特征.18 4.1.分层分布式 AI.18 4.2.以任务为中心的资源编管控.19 4.3.网络架构、能力和服务的内生自构建.19 4.4.数智化服务和能力的开放.20 4.5.AI 能力和服务的实时和精准.21 4.6.AI 生态协同与融合.22 5.6G 网络智能内生架构设计要求.23 5.1.架构设计原则.23 5.2.体

3、系框架.23 5.3.从功能视角分析智能内生架构要求.25 5.3.1.协同控制功能.25 5.3.2.连接功能.26 5.3.3.算法功能.28 5.3.4.数据功能.30 4 5.3.5.计算功能.32 5.3.6.编排管理功能.34 5.3.7.安全功能.36 5.3.8.能力开放层功能.37 5.4.从服务视角分析智能内生架构要求.39 5.4.1.NCaaS.39 5.4.2.AIaaS.39 5.4.3.DaaS.40 5.4.4.CaaS.41 5.4.5.MaaS.41 5.5.从部署组网视角分析智能内生架构要求.42 5.6.从控制和执行视角分析智能内生架构要求.43 5.6

4、.1.AI 三要素控制/执行功能.43 5.6.2.从控制功能交互方式分析潜在架构.45 6.智能内生的关键技术.47 6.1.关键技术总述.47 6.2.感知、数据相关关键技术.47 6.2.1.面向业务的感知技术.47 6.2.2.数据预处理技术.50 6.2.3.多模态感知融合.51 6.3.计算和存储关键技术.53 6.3.1.技术背景.53 6.3.2.技术需求.53 6.3.3.技术分类.54 6.3.4.技术应用.55 6.4.智能化赋能的通信关键技术.56 6.4.1.语义通信.56 6.4.2.意图网络.58 6.4.3.可编程网络技术.60 5 6.4.4.智能化组网技术.

5、61 6.5.机器学习关键技术.62 6.5.1.技术背景.62 6.5.2.技术需求.63 6.5.3.技术分类.63 6.5.4.技术应用.67 6.6.安全可信关键技术.67 6.6.1.技术背景.67 6.6.2.技术需求.67 6.6.3.技术分类.68 6.6.4.技术应用.69 6.7.融合关键技术.70 6.7.1.数字孪生.70 6.7.2.知识图谱.72 6.7.3.通感算融合.73 7.Use Case 在架构中的应用.76 7.1.请求 AI 服务应用场景.76 7.2.请求计算服务应用场景.78 7.3.请求数据服务应用场景.79 8.总结和展望.81 参考文献.81

6、 缩略语简表.82 附录 A：业界对智能内生的相关定义（资料性附录）.84 贡献单位.87 6 1.动机 面向 2030 年及未来，人类社会将进入智能化时代。从移动互联，到万物互联，再到万物智联，6G 将实现从服务于人、人与物，到支撑智能体高效连接的跃迁，通过人机物智能互联、协同共生，满足经济社会高质量发展需求，服务智慧化生产与生活，推动构建普惠智能的人类社会1。6G 网络将与人工智能技术进行深度融合，智能内生/智慧内生/Native Artificial Intelligence/Intelligence endogenous 成为 6G 网络的重要特征已在业界形成共识1-4。但移动通信网络

7、的设计不能为了 AI 而 AI，简单功能叠加的方式引入 AI 难以满足 AI 无所不在，赋能普惠智能的需求。为指导 6G 智能内生网络架构的设计，本文从 5G 网络的痛点和 6G 网络的愿景两方面分析 6G 网络智能内生的内在动机。(1)痛点分析痛点分析 人工智能技术与移动通信网络的融合发展始于第五代移动通信网络（5G）阶段，网络智能化被认为是未来网络发展的重点，行业和各标准组织也在积极开展智能网络化的研究和应用，并取得了一定的成效。但当前阶段的网络智能化还存在以下痛点：数据质量问题：数据质量问题：网络数据尚未得到充分、有效的挖掘、流转、交易和利用。由于缺乏统一、标准化的采集和处理流程，导致数

8、据源多、数据的完整性、可信性和关联性不足，数据孤岛现象明显，数据质量整体不高，使用效率和应用价值不高。数据安全问题：数据安全问题：数据的安全和隐私保护未来将会被提到前所未有的高度，各国纷纷出台相关的数据管理法规，包括欧盟的 GDPR，中国的数据安全管理规定等。AI 离不开各种类型的数据，而目前 AI 应用过程中，往往需要从终端获取数据，涉及数据的传输、存储和使用等各个方面，涉及多方主体共同参与，各方在遵循数据安全和隐私保护等方案机制上存在千差万别，缺乏统一的可信安全 AI 数据平台能力和标准。低碳问题：低碳问题：传统的 AI 训练模式是将数据带到计算（例如从终端收集到云中训练），导致在涉及到大

9、量数据的 AI 训练任务情况下，数据传输和计算的能源开销巨大，而其中数据迁移的能源消耗可能比计算还要大。特别是到了 6G 时代，无线边缘终端将产生海量的数据，如果依然采取传统的云 AI 训练模式，将由于高能耗问题而无法有效地从这些海量移动数据中通过 AI 来获取知识。边缘计算将数据处理能力下沉到边侧，成为低碳问题潜在的有效解决方案，当前边缘计算与 5G 网络的融合仍处于标准化阶段，但并未针对智能内生进行专门7 考虑，加之该融合网络架构本身在布网和管理方面的灵活性为智能边缘计算的设计增加了难度。模型问题：模型问题：AI 模型的泛化性不足，模型的迁移成本高；网络环境和数据的动态变化会导致 AI 模

10、型性能下降；AI 模型的可解释性不足，AI 模型训练过程黑盒，可解释性差，导致决策过程不透明；AI 模型的可验证性不足，AI 模型特别是决策类模型在生产环境使用前，无法进行效果的预评估和验证，导致 AI 模型性能无法得到持续保障。应用问题：应用问题：网络 AI 应用场景碎片化，烟囱式研发。由于缺乏通用的 AI 工作流程和统一的技术框架，导致网络 AI 功能只是在现有网络流程上的简单叠加，且跨域跨层智能化应用的协同困难。5G 的网络智能化功能总体属于外挂式设计，例如在网络内部或外部以独立功能实体的方式存在，向外提供完整的 AI 功能，AI 要素间的耦合性较大。面向 6G 低时延和分布式智能等新需

11、求，需要更加灵活高效的 AI 要素和流程服务能力，因此面向 6G 网络需要在架构设计时就考虑和 AI 要素的深度融合，设计架构级智能内生，实现以 AI 为内生能力的新型移动信息系统。(2)愿景展望愿景展望 6G 将构建一张人机物智慧互联、智能体高效互通的智能网络，最终实现“万物智联，数字孪生”6G 总体愿景。1 从智能化技术赋能 6G 网络的角度来看，6G 网络将基于智能内生优化网络性能，增强用户体验，实现网络智能自治。随着新技术和新场景的涌现，对网络架构的支持能力和演进能力提出现实而严苛的需求，应用于未来网络中的智能技术必须具备自身演化能力和较高程度的自我优化能力2。借助智能技术在感知、预测

12、、优化和决策的优势，支撑网络的海量数据处理和零延迟的智能控制。智能技术将助力网络的自动化运维，实现网络的自学习、自运行和自维护。从6G网络助力社会实现智能普惠的角度看，未来人工智能将在各个行业得到广泛应用，6G 网络将作为服务于智能社会的支撑底座，助力全社会实现智能普惠。因此需要将网络、数据、算力、智能进行深度融合，提供网络 AI 服务。与当前云 AI 服务提供商提供的 AI 服务不同，6G 网络的 AI 服务具有如下优势：通过分布式的算力、平台和服务，实现无线移动环境下无处不在的 AI，提供“随时随地”按需共赢的智能服务；可保护行业数据隐私，实现数据不出园区；基于规模巨大的运营商边缘网络，提

13、供实时性更高、性能更优的智能服务；8 经过 5G 在与垂直行业合作上的培育，6G 将能够提供行业间的联邦智能，实现行业间模型、知识的融合、分享和生长，赋能小企业创新加速。2.智能内生的网络场景及能力分析 网络迭代演进，以场景和需求研究始。面向 2030+，6G 时代将是智能普惠的时代，6G网络将成为智能普惠时代全社会智能、全行业智能的纽带和平台，智能内生能力将是 6G 网络成为智能时代纽带和平台的关键能力。6G 智能内生网络作为智能时代的纽带和平台，其首要应用场景即是网络系统自身，在智能内生的能力下，使网络传统的能力更加智能、自主、高效、合理；作为智能平台，千万垂直行业将是 6G 智能内生网络

14、应用场景最重要的组成部分；另外，6G 网络业务服务也将是智能内生场景一个重要方向，利用服务用户过程中产生的海量数据和业务需求，实现个性和精准的服务供给。6G 智能内生网络的能力，将实现 AI 要素的高效流转，具备对数据、算力、和模型进行有安全保障的处理、管理、编排和开放的能力，使 AI 能力成为网络服务之一。2.1.智能内生网络应用场景智能内生网络应用场景 2.1.1.网络智能自治应用场景 6G 智能内生网络通过在端到端系统引入 AI/ML 等智能能力，面对网络不断变化的特征，实现网络自感知、自分析、自决策、自执行的闭环自治。图 2-1 网络自治闭环 自分析自决策自执行自感知9 （1）自感知）

15、自感知 自感知是自治分析、决策和执行的基础。网络自感知是网络以主动性、预测性、自动化的方式对环境、网络资源及状态、用户需求/意图、业务质量进行感知，并能够闭环的任务处理中，根据分析、决策和执行阶段的优化需求和指示，更新感知内容和范围。感知感知自主自主：网络自感知的主要特点之一在于自主性，即不依赖于外部命令的被动输入，可以自发、动态地捕获用户需求和意图，掌控网络动态。网络对业务质量、用户体验的精确感知是对网络服务效果的主动评估和及时反馈，是助力实现自治闭环的关键。感知感知协同协同：网络的自感知是多覆盖、全方位的，即网络自感知不仅包括单点感知，还包括多点感知以及多点之间的协同感知。例如，泛在连接、

16、分层异构的 6G 空天地海一体化网络的管控场景，对用户移动性、服务需求动态性、网络资源可用性、服务质量稳定性等在内的信息进行综合感知5。通感通感融合融合：通信与感知的融合可使网络通过对无线信号的探测和智能分析，实现对车流、人流、天气等宏观类别的感知，以及动作、姿态、心跳、成像等精细化类别的感知，赋能行业应用。（2）自分析）自分析 6G 系统对网络运行中的用户、设备、网络和应用程序的动态状况进行全面及时精准地感知,并结合大数据和 AI 技术赋能，进行分析和推理预测，分析不断变化的场景环境、网络状态和用户业务需求，并可以向自感知反馈任务的更新调整，引入更多的训练数据样本等。治愈分析治愈分析：通过对

17、设备自身的运行性能、连接性能、业务性能及功能等数据的分析，以及联动分析网络错误数据、告警信息，实现自动、快速、准确地检测与故障定位。各设备的AI 系统之间对监测结果通过联动分析与预测，实现对设备运行状态和故障状态的精准预测，以及进行主动预防式安全隐患分析。例如，在无线网络运维方面，基于基站的故障数据、告警数据等，进行诊断和根因分析，实现无人的情况下自我干预和恢复。孪生分析孪生分析：依托数字孪生网络和智能内生能力，6G 系统基于网络数据孪生出“真实”网络，并在孪生网络中进行包括网络参数优化、用户面优化、网络功能及架构优化等方面的分析推理。例如，在网络资源管理、覆盖和容量优化中，基于数字孪生网络，

18、建立差异化的网络模型，根据不断变化的网络特征和用户业务需求配置网络资源，优化网络性能。演进分析演进分析：6G 智能内生网络中存在的大量人工智能算法、网络模型和网络架构，依据优胜劣汰的“进化论”法则，在分析和检验下进行淘汰-进化-演进。另外，面对社会发展过程10 中出现的新行业、新场景，6G 智能内生网络在自演进过程中，对新的需求、发展趋势、新的范式进行分析，智能的为 B6G 未来网络发展提供演进方向。（3）自决策）自决策 通信网络规模和复杂度与日俱增，发展到 6G，各种新兴技术的引入、架构功能的变化以及新业务出现，基于经验的网络决策将不再能够适应网络需求。6G 网络势必借助 AI 能力，根据自

19、分析环节提供的分析结果，进行智能、自主决策判断，从而提升决策效率和成功率。迭代决策迭代决策：根据分析结果判决未达到预期的情况下，网络进行感知、分析、决策的迭代优化，并可以通过数字孪生网络，进行分析-决策验证的迭代，最终达到决策的全局最优和精准满足预期需求。例如，由无线网络特征数据迭代训练建立无线信道模型、信号检测和估计系统，解决无线时变的超复杂的无线信道建模、信号估计与检测难题6。动态决策动态决策：根据场景环境和需求的变化，在分析的基础上，网络快速生成本地级较优的控制决策和系统级管控决策的辅助信息，动态生成网络控制、资源分配、路由调度等决策策略，对性能、效率、成本进行更实时的优化。组网组网策略

20、自生成策略自生成：基于场景和需求，在分析结果的基础上，6G 智能内生网络最终将自生成决策策略，包括架构策略、功能策略、参数策略等。例如，按不同场景特征，在接入侧进行化整为零的智能组网，通过对服务需求变化进行实时感知和动态适配，自生成子网架构、功能构建策略，实现按需构建子网。（4）自执行）自执行 6G 网络以决策策略作为指导，结合对环境、网络资源、状态的自感知和预测，将对网络的自决策策略智能转义为网络架构配置、网络功能配置、网络参数配置，然后通过自动化的配置执行和测试验证，实现网络策略的全自主化部署和执行。意图执行意图执行：以智能内生为底座的网络自执行其特点在于意图转化能力和动态适应能力，自执行

21、能够识别运营者的意图，通过智能分析和计算将高级、抽象的意图转义为明确、可量化的配置实现。适应执行适应执行：为满足用户和业务的需求差异和动态变化，自执行能够对网络功能、架构、参数的配置动态地进行配置区间调整、配置切换和可编程配置，实现执行的自适应能力，从而提供个性化和适应性的网络服务，实现网络性能、用户体验和成本最优。例如，在异构接入协作中，适应服务场景和需求，进行异系统或异基站或异频点之间执行无缝切换。11 2.1.2.服务垂直行业 AI 应用场景 通信网络服务的全社会、全行业，都在基于人工智能进行着智能化的浪潮，普惠智能服务是 6G 的新增典型场景，依托网络对需要进行高效分布式智能学习或推理

22、的智能化服务提供集成化的通信和 AI 算力7，因此 6G 智能内生网络将作为未来智能化时代的通信基石和智能平台。6G 智能内生网络服务的全社会、全行业应用场景如图 2-1 所示1 ，覆盖了未来社会的方方面面。6G智能内生网络垂直行业应用场景超能交通普智教育智赋工业智慧城市智慧能源智赋农业精准医疗智慧家庭车联网自动驾驶全息通信AR/VR智能制造孪生城市智能港口智能电网智能煤矿智能灌溉智能育种全息手术人体孪生智能家电智能看护智能物流远程驾驶通感互联数字孪生人口管理智能发电智能收割智能交互智能养老 图 2-2 网络服务社会应用场景 面向 2030+年的垂直行业应用场景，超能交通中汽车将实现 L4 层

23、级及以上的高度自动驾驶。目前依托雷达、视频摄像头、传感器实现的单车感知、处理和低层级智能驾驶，需要依托 6G 智能内生的网络，在 V2X（Vehicle to Everything）连接下，为车辆提供更高算力支持和智能辅助，并与交通系统融为一体，实现单车和交通系统的高级智能。在自动驾驶中，V2X 需要的是计算密集型的 AI 范式，车辆需要从智能内生网络的边缘智能单元获取更多的资源和数据，辅助使能自动驾驶更安全、更高效、更舒适。典型场景中全息通信也将扮演重要角色，实现全息三维显示。无需佩戴任何装备，依靠裸眼就可以 360全视角观看 3D 效果，使人们将不受时间、空间的限制，身临其境般地享受完全沉

24、浸式的全息交互体验。全息通信所需要的带宽极高并要求极低的时延，才可以保障满意的业务体验。完整的传输原始的全息图像对于网络来说存在巨大挑战，基于智能内生网络技术，通过在终端和网络的边缘智能单元配合，提取全息语义特征，在对端进行全息信息的恢复，可以降低将数据的传输量降低一个或多个数量级。沉浸式多媒体交互要求网络必须在支持大规模用户通信和计算的基础上灵活弹性组网，并对网络指标提出更极致的要求。例如元宇宙业务，在网络业务交互协同方面，要求网络增强与应用的融合设计，与应用建立多种协同模式，更好地支撑强交互的需求。在使能技术方12 面，需要交互技术、AI 技术、数字孪生技术、区块链技术和 NFT（Non-

25、Fungible Token，非同质化代币），支持丰富的虚拟世界场景创建和互动8。同样的逻辑，如图 2-1 中所示的智赋农业、智慧城市、精准医疗等场景，网络通信服务方面都面临着一些需要突破桎梏的问题，智能内生网络基于智能内生能力，将有效保障全行业的智能场景，在此就不一一列举。到 6G 时代，人工智能应用将逐渐成为主流，在智能生活、赋智生产、助智社会等领域实现智能普惠。而智能应用需要庞大的计算资源和智能平台服务的支撑，大部分智能终端无法利用本地资源完成智能应用所需训练和推理任务。集中式云平台在数据传输消耗、数据隐私保护、时延确定性方面都无法满足泛在智能应用的需求。因此基于智能内生架构的 6G 网

26、络，通过智算网融合的分布式网络 AI 平台，基于连接、算力、算法、数据要素资源，提供AI 训练和推理及智能协同服务，满足超低时延、隐私保护。2.1.3.数据服务增值应用场景 数据服务是基于数据采集、预处理、分发、发布以及分析的框架，满足数据法律法规的相关要求，将数据作为一种服务产品提供，并支持智能内生网络对数据服务方面的要求。6G潜在的典型数据服务增值应用场景包括：行业终端和用户管理行业终端和用户管理：6G 网络服务的垂直行业将极大丰富，不同垂直行业终端的服务行为、数据流量（频率、规模）和移动区域可能具有明显的差异和规律，对服务质量和省电的要求也不尽相同。6G 网络需要基于智能内生，分析垂直行

27、业终端各类数据特征，例如移动轨迹、通信特征和异常行为等，从而支持基于这些信息管理或优化服务参数以提供更好的应用服务体验。6G 时代，单个用户可能会存在多种类型的 6G 终端，如通信终端、可穿戴设备以及嵌入式传感设备等，需要以用户为中心开展 6G 泛终端的智能管理，通过对终端行为及数据进行持续智能检测及分析，提供整体最优的网络服务体验，助力用户实现身体智能自管理。业务体验业务体验/质量增强质量增强：6G 网络的各种创新业务，如沉浸式 XR、全息通信、数字孪生、机器智能等，对网络时延、抖动、速率等有更高的要求且不同业务之间对质量的要求差异较大，需要网络对业务体验/质量进行更快速精准的感知分析和推理

28、预测，并按需将相关服务能力向第三方应用开放，从而支持第三方应用做出更合理的优化决策。通过网络智能内生及相关的数据服务，可以进一步提高未来 6G 新业务所需的智能感知、高效的分析和推理预测等要求。13 数据特征数据特征分析和分析和优化优化：6G 网络的海量终端设备和丰富多彩的业务，将产生海量的数据，对相关数据特征进行智能化分析，如业务类型、位置、时间的多维度分布，可以为第三方提供业务热点、流量特征等相关数据服务，从而有效支持网络和业务实施提升传输效率、节能等各类优化。进一步，由于单个运营商的样本数据有限，分析结果相对局限，所以 6G 网络还可以内生支持跨运营商的协作，如基于联邦学习的跨运营商的智

29、能数据分析等能力。结合6G提供的低延迟和高效率的内生计算服务，如部分应用逻辑将可以在网络内实现。数据特征分析将可以综合考虑这类应用特征、6G 终端特性、无线网络状态等，从而实现连接和计算性能的端到端服务保障和优化，真正做到用户体验可保障。2.2.智能内生网络能力 智能内生是 6G 网络的重要特征，当人工智能（AI）应用于移动网络时，移动网络不仅需要具备训练、推理等现有的应用层 AI 功能，更需要一些移动网络 AI 特有的数据、算力和算法能力，来高效支持 AI 功能在移动网络中的运行。除此之外，网络能够根据场景差异化需求，准确定义 AI 行为的范围，对资源统一管理编排利用，并将资源作为能力安全的

30、开放给第三方使用。2.2.1.数据能力（1）跨域数据协同能力 在数据驱动的 AI 范式中，只有丰富的数据采集才能训练出好的模型、产生强大的推理能力，因此必然需要跨域的数据共享和协同能力。6G 智能内生网络架构中数据协同，主要指终端、移动网络和 OTT 三个不同域的数据在安全隐私可接受范围内的协同。数据协同包括直接共享和间接共享，在不影响用户隐私的前提下直接共享数据是一种直接有效的方式，但需要考虑数据的重要性和网络传输的负荷能力来决定需要共享的数据。如果考虑到用户隐私和算力负担，间接共享是另一种有效的方式，间接共享可以通过分布式学习的方式，让各节点使用本地数据以及本地算力进行训练和推理，并在必要

31、时将中间结果共享出来，达到隐私的保护和算力的合理分配。（2）AI/ML 数据传输能力 AI 的数据传输具有独特性。既需要传输 AI/ML 模型数据也需要传输样本数据。因此，需要灵活、按需的传输能力，并在不同节点共同参与的情况下，共同完成 AI/ML 任务。相比 5G 网络中的控制面连接和用户面连接，AI/ML 数据传输需要具备一些新的能力要求：一14 方面，AI/ML 数据传输路径按需确定，即 6G 网络中的任意两个或多个节点之间均可以通过该连接实现大批量的数据传输，并且数据传输可基于内容和行为进行路由，从 6G 系统中的某一节点经过一个或多个其他节点将数据路由到最终目的节点；另一方面，数据传

32、输的路径上经过的部分或全部节点可以感知内容并作相应的处理，以实现诸如分布式学习、模型分割推理等类型的业务。2.2.2.算力能力 5G 引入计算能力时将重点放在了计算能力下沉上，网络和计算部分相对松耦合的设计，在效率、部署成本、安全和隐私保护等方面存在进一步提升的空间。在 6G 走向智能普惠、连接智能，在基础设施层面，要从连接的基础设施变为连接+计算的双基础设施。6G 智能内生网络在提供通信能力的基础上，实现感知、计算一体的功能，以支持全行业、全社会智能化所需要的需求感知、算力服务，满足社会、行业对较大算力、极低时延等资源能力的需求。算力管理能力具体包括网络和计算资源的编排和调度能力、业务与分布

33、式计算的适配与部署的能力、计算的安全管理及隐私保护的能力。图 2-3 移动通信系统算力需求发展过程 2.2.3.算法能力 算法模型能力的强弱，对 6G 智能内生网络的实现有着至关重要的作用，只有具备强大的模型能力，才能实现真正的智能内生 6G 网络。在 6G 智能内生网络中，模型能力至少具备：根据不同的行业场景，应当能够自生成模型、模型智能自适应场景；在应用过程中，模型能够快速的优化更新；在 6G 网络智能功能架构中，模型应能够在分布式 AI 系统中按需传输；对于复杂的模型在传输和使用中，能够进行效果较好的模型压缩和模型分割。另外，15 6G 智能内生网络中的模型在训练和使用过程中，能够具备较

34、高的泛化能力和迁移能力；对于系统中多种多样的模型，能够有效的管理，具备较高的模型开放能力。除此种种，在未来AI 技术发展的过程中，6G 智能内生网络能够紧跟 AI 技术发展，具备强大的模型能力支持6G 网络的发展和演进。2.2.4.编排能力 AI 服务的编排用于编排、管理、调度端到端的 AI 相关的服务和资源，是智能内生功能的一个关键能力。AI 服务编排重点是 AI 服务的解析和编排。AI 服务会映射到逻辑 AI 工作流，根据 AI 服务的类型，逻辑 AI 工作流可以包括不同 AI 模型的模块。逻辑 AI 工作流需要获取数据，并依次进行数据处理。此外，逻辑 AI 工作流中会考虑 AI 服务的

35、QoS 要求。在服务的部署过程中，逻辑 AI 工作流会被映射到物理资源上。逻辑 AI 工作流映射的物理资源包括，CPU/GPU/NPU 等计算资源、网络连接通信资源、存储资源等异构资源。2.2.5.安全能力 像 5G 网络切片对于通信资源的划分一样，6G 智能内生网络也需要对资源进行按需划分和隔离以实现不同的 AI/ML 应用。图 2-4 6G 智能内生网络 AI/ML 服务的资源划分与隔离 为了支持智能内生，6G 网络需要统筹 AI/ML 相关资源，包括数据、算力、模型等。不同于现有的 OTT 调用自身资源进行自己的 AI/ML 业务，智能内生网络旨在面向运营商和各种第三方提供相关资源实现不

36、同的按需 AI/ML 服务，因此 6G 网络不仅提供资源实现 AI/ML服务，更需要对于不同 AI/ML 服务的资源进行划分和隔离。6G 网络资源对于 AI/ML 服务的资源分配可以根据如表 2-1 所示的限制条件进行按需匹配。表 2-1 不同限制条件下的 AI/ML 资源分配 数据限制数据限制 采集的数据受到隐私性、有效性等的影响，应用范围有限，对于特定的 AI/ML 业务，能够开放和采集的数据具有限制性。算力限制算力限制 对某一 AI/ML 服务提供的算力需求进行限定。16 模型限制模型限制 依据模型的泛化能力和自优化能力，适用场景范围可能会不同，但模型使用的场景和范围总是有限的。条件限制

37、条件限制 AI/ML 服务受限于时间、区域、网络状态、用户行为特征等因素。因此，对相关资源形成的隔离和限定是网络满足不同 AI/ML 服务的必要条件，同时对于终端和用户来说，按照业务需求加入到特定的资源域中，以获得最适合的 AI 模型以及相应的计算、通信等资源。3.智能内生的目标 智能内生网络的目标，是使能 6G 网络支持智能普惠愿景，实现从万物互联到连接智能，连接智能具体是指智能的泛在可取，全面赋能万物万事。图 3-1 从万物互联到连接智能（1）从技术角度，智能内生网络的目标是要在 6G 架构层面，原生支持网络内的分布式 AI训练和推理（称为网络 AI），通过无线通信、计算、AI 的深度融合

38、实现综合效率提升，提供安全隐私保障等，实现在 6G 智能应用场景下分布式网络 AI。分布式网络 AI 对比集中 Cloud AI 在数据隐私、极致性能和海量数据传输导致的高能耗等方面具备显著的竞争优势。智能内生网络将原生支持如下两类场景：AI4NET：随着人工智能技术的发展、算力资源的扩充，利用 AI 方法对传统复杂问题的优化求解已逐步成为可能。利用 AI 优化网络系统，实现全网自主管理和优化（网络自治）、进一步提升无线频谱和通信效率、提升用户体验等，这个领域称为 AI4NET。基于AI技术的天然优势，从物理层具体模块到系统级架构设计均可以通过AI技术进行赋能。这不仅可以实现网络连接和服务的个

39、性化、确定性性能要求，同时原本需要通过人为维护和迭代优化的维护优化过程将由 AI 进行自学习和自演进，以追求极致为目标，达到17 对性能的不断优化。同时，随着 6G 网络功能愈发强大和复杂，不同场景的特征和对于网络的要求不尽相同，通过 AI 的感知、预测、分析和迁移学习能力，可以实现智能按需组网的需求。NET4AI：6G 网络如何通过系统架构本身的设计，为 AI 在 6G 网络内的应用提供原生支持，包括在网络内构建端到端的分布式 AI 学习和推理环境，为 AI 特征信息、AI 模型信息、AI 梯度信息等 AI 信息的传输提供定制化的设计，提供 AI 服务 AIaaS，为 AI 的安全隐私和服务

40、质量保护提供架构级的保护和保障机制等，这个领域称为 NET4AI。大部分的分布式 AI 业务对实时性有着较高的要求，例如视频识别，AI 特征信息实时传输以适配不同条件下的图像识别。由于环境改变或者应用需求变化，AI 业务的执行方式也在不断变化。这些实时类业务和应用快速的调整导致 OTT 对算力资源和通信能力产生高需求。OTT 需要通过智能内生网络的开放接口得知网络的通信能力以及运行 AI 模型节点的算力能力，网络通过与OTT的交互协同实现更好的AI模型的执行方式的调节，最终保证高质量的 AI 业务。同时，智能内生网络借助 AI 能力可以实现深度的业务级ICDT 融合。（2）从商业生态维度，智能

41、内生网络的目标是基于 AIaaS 服务来构建完善的全行业泛在智能生态系统。AIaaS 包括 6G 网络的连接和算力等异构资源层面的基础服务（IaaS）和为网络 AI 提供分布式训练和推理、数据治理等的平台服务（PaaS），从而使得 6G 网络借助无可比拟的基础资源优势，向第三方应用提供完成 AI 任务（训练和推理）所需的完整能力。6G网络可以利用 AI 相关的基础能力（包括数据、计算、模型等）向第三方提供对应的服务，第三方则可借助基础能力的服务进而做定制化功能，达到“术业有专攻”的效果，实现新的业务增长点。AI 包括算法、算力、数据等多个方面，往往需要多方协作来共同实施和持续优化应用，其中涉及

42、数据拥有者、应用提供者、算法开发者、平台提供者等。智能内生网络通过构建完善的 AI 平台能力，解决数据拥有者的安全隐私顾虑，为 AI 算法开发提供全面好用的网络AI 开发环境、工具和 AI 基础模型库等，来丰富 6G 智能内生架构生态，服务好 2B 各行各业和 2C 个人用户的智能化应用，推动 6G 智能普惠的到来。18 4.智能内生的内涵与特征 随着 AI 技术的逐步成熟，其作为 6G 网络核心使能技术，以及智能内生作为 6G 网络的核心特征之一，已经成为业界共识。对于 AI 与 6G 网络的结合，业界多以智能内生和智能原生概念进行阐述，相关白皮书、文献对智能内生/原生的定义可见资料性附录

43、A。基于本研究报告的主题，不对智能内生与智能原生做明显的区分，这里统一称为“智能内生”，并对智能内生的内涵解释如下：6G 智能内生是指在架构层面将网络连接与人工智能智能内生是指在架构层面将网络连接与人工智能要素要素(算力、算法、数据算力、算法、数据)深度融合，构建网络内完整的智能体系。通过智能的分布式部署和深度融合，构建网络内完整的智能体系。通过智能的分布式部署和协同，按需对内对外提供协同，按需对内对外提供 AIaaS 服务，实现智能服务的高效和高质量保障，助力网络实现服务，实现智能服务的高效和高质量保障，助力网络实现智能自治，促进智能生态的协同与融合智能自治，促进智能生态的协同与融合。对于实

44、现 6G 智能内生所需的特征，可参考图 4-1。6G网络智能内生数智化服务和能力的开放网络架构、能力和服务的内生自构建分层分布式AI以任务为中心的资源编管控AI服务的QoS可保障AI生态协同与融合 跨层、跨网络的智能协同与控制 近数据源位置分布式部署智能化要素通过各方的开放协同，共建AI产业生态体系对外提供面向数智化要素（算力、算法、数据）服务支持AI服务的实时性、精准性等QoS指标，实现AI服务的高质量服务保障基于用户意图的感知和转义，网络进行自主构建，并提供与意图匹配的网络服务灵活编排和控制智能化要素（算力、连接、算法、数据）和资源，实现以任务为中心的完整生命周期管理 图 4-1 6G 智

45、能内生的特征 4.1.分层分布式 AI 分布式智能体现了智能化要素（算力、算法、数据）从集中式向分布式的转变。为解决处理时延、数据隐私、传输能耗的问题，AI 算力资源的下沉部署已成为趋势，同时联邦学习等分布式 AI 技术也为算法、数据的分布式协同提供了技术支撑。通过将智能化要素分布式部署在靠近数据源的位置，可以减少处理时延、降低数据传输成本、保护数据隐私；通过将复杂的 AI 任务分解为分布式并行的多任务，多任务间通过联合协同，例如模型并行、数据并行等方式共同完成复杂 AI 任务，可有效解决智能应用的复杂性问题和集中式计算的成本和能耗问题，从而提升 AI 效率，实现全网智能资源的最优化利用。19

46、 分层智能可以理解为智能体在集中控制节点的管控下进行分布式部署和协同，集中控制节点与分布式智能体之间、智能体与智能体之间基于应用需求组成一定的逻辑关联关系。智能体支持集中式管控和协调，同时也可能分布式对等协作，通过模型、数据、分析结果在智能体之间的交换和协同，实现跨层、跨域、跨网络之间的联合学习和推理，构筑网络内不同节点、甚至跨网络间的智能协同。4.2.以任务为中心的资源编管控 传统通信系统是以通信连接为中心的设计、提供了完整的通信连接的生命周期管理机制（e.g.E2E 隧道的创建、修改、删除、锚点迁移等流程）。6G 原生支持网络 AI，通过对多节点场景下的四要素资源（算力、连接、算法、数据）

47、灵活编排、管理和控制来完成特定目标，可以称之为 AI 任务。针对这样的变化，6G 网络需要设计支持以任务为中心的完整生命周期管理机制，从而实现高效的资源编管控，确保任务的顺利执行和 QoS 保障。6G 网络将与智能深度融合，自主满足来自网络内部和外部的智能需求。针对智能业务的多样性和灵活性需求，网络能够动态编排出与之相适配的 AI 工作流（有相互依赖关系的多个 AI 任务的组合，该任务可以串行或并行组成 AI 工作流，完成一个或多个 AI 业务），并根据网络的动态变化，实时调整各个任务的四要素资源（例如通过调整任务的参与节点、节点的参与资源），确保智能业务的顺利执行和 QoS 严格保障。4.3

48、.网络架构、能力和服务的内生自构建 具备智能内生的 6G 网络，能够自主的精准感知外部场景的需求，针对不同社会、行业等场景的差异，自主设计最适合的网络架构，对资源要素进行按需编排和调度，实现能力和服务的自适应内构建，精准匹配业务需求。基于意图驱动和 AI 技术，6G 网络可以将来自网络自身数据推演的或者第三方(通信网络使用者或业务提供者)的场景意图智能转译为网络策略，依据网络策略为不同场景进行最佳适配的网络架构功能选择和网络配置，包括：灵活选择网络架构(例如采用分层网络、边缘网络或虚拟子网)，配置网络功能特性与业务参数(例如 QoE/QoS 参数)等；同时，采集网络的状态信息数据，进行实时的

49、AI 智能监控、感知、分析和预测，自动地根据期望达到的状态，以及当前的网络状态对网络策略进行适当的优化与调整，保证网络始终最佳适配意图需求。20 基于意图构建网络架构、能力和服务使得 6G 新系统更加具有“柔性”与“弹性”，可以充分地利用系统资源，对业务/应用需求进行即时的响应。6G 新系统可以根据系统资源和网络性能等的动态变化，与业务/应用平台进行动态的“意图”协商，请求业务/应用平台对“意图”进行修改，以实现业务/应用需求与网络资源/性能的平衡。当系统资源受限时，6G“意图”管理功能可以依据“意图”的优先级，优先为高优先级“意图”生成资源以确保满足其需求（例如公共安全业务需求）。4.4.数

50、智化服务和能力的开放 未来，6G 新系统的数智化能力和服务主要体现在：“算力（计算，处理）”、“算法（模型，智能）”和“数据（信息，知识）”三大要素方面。在传统 IMT 移动通信系统中，“算力算法数据”三要素主要都还是围绕着通信类业务而展开，并且偏向封闭地服务于通信系统的内部功能（如：用于协议组包，信号处理，算法支撑等），即“算力算法数据”相关的资源、能力和服务无法很好地被外部系统（第三方，3rd Party）按需灵活地申请调用。这就造成了传统 IMT 系统中的各种资源的利用率欠佳，系统性能和效果方面无法全局优化，各种资源能力的潜在价值无法被最大化开发利用，各种业务应用运行和不同业态之间相对地

51、割裂封闭，无法实现彼此深度地协作融合共同增益。未来，6G 新系统需要把系统内的“算力算法数据”三要素，联合围绕着“通、感、算、智、存”等综合业务全面地对外展开服务化，不仅要能更好地服务于 6G 新系统的上述基本业务功能，更要能被外部系统按需灵活、精准实时、安全可信地申请调用。如此，6G 新系统内的“算力算法数据”资源、能力和服务的利用率才能获得极大的提升，“通、感、算、智、存”综合业务的性能和效果才能获得联合全局优化，“算力算法数据”资源能力的价值将有望被最大化开发和利用，各种业务应用和业态之间将会实现深度的协作融合。具体而言，各种异构的算力资源（如 CPU，GPU，NPU 等）和能力模块将会

52、被 6G 新系统更好地分布式编排和管控，能够按需灵活地被调用；各种 AI 算法模型将会被结构化地统编进入“AI 模型库”，在训练学习，验证和分析推理方面，它们将获得更大的泛化性和适用度，并能实现算法自生成自演进；6G 新网络还可为外部 AI 算法提供端到端、全生命周期的应用环境；各种数据资源也会被结构化地统编进入“分层数据库”（基础层、特征层、应用层等），它们在数据流转应用、价值挖掘拓展和安全可信方面均会被拓展和提升。为了能实现有广义 QoS 质量保障的数智化服务，上述“算力算法数据”三要素，必须要能被 6G 新系统统21 一的可管、可控、可编排、可配置、可安全可信保护等。为了能更好地促进业态

53、开放融合和异厂家设备之间互操作，6G 新系统还需对“算力算法数据”三要素，进行相关的结构化建模、规范化统一描述和格式化表达等，并提供统一的对外服务接口，以实现更全面高级的服务操作。4.5.AI 能力和服务的实时和精准 6G 智能内生网络应具备 AI 能力和服务的实时性提供和保障机制，尤其为支持智能驾驶、沉浸式 XR、全息通信、数字孪生等 6G 新型的时延敏感类业务，网络应可以支持未来业务的极致性能、AI QoS 要求，快速匹配并提供相应的各级计算、存储、通信等资源保障，以满足业务的实时性需求。为此，在 AI 服务提供过程中，应具备 AI 服务的 QoS 保障机制，如可通过智能感知网络实时状态信

54、息、预测网络未来状态、及时预留各类资源、甚至在线优化服务编排等技术和措施，来保障智能内生网络提供的 AI 服务和能力的实时性和鲁棒性。6G 智能内生网络应具备 AI 能力和服务的精准性提供和保障机制，体现在两方面。一方面应支持千人千面的差异化定制和精准提供，即网络可以支持未来业务用户粒度的个性化AI QoS 要求。不同用户对业务体验的要求不同，不同业务对通感算智存质量的要求也有巨大差异，通过 AI 技术来感知和挖掘用户需求及业务差异，对用户需求和业务差异进行快速精准的感知分析和推理预测，是精准提供 AI 服务的基础；同时服务设计方式的变革（如服务的动态灵活编排）以及服务部署和提供方式的变革（如

55、微服务或无服务方式、在网计算）等，也为 AI 服务的差异化和精准性提供了架构和技术方面的支持。另一方面应支持资源使用的灵活性和服务提供的确定性。灵活性体现在对用户需求识别的精细度，以及根据精细度需求对算力、存储、通信等多维资源进行适当的颗粒度划分、选择和智能调度，从而保障 AI 服务和能力提供的高效和准确；服务提供的确定性体现在根据特定业务需求提供具有确定质量要求的服务，应具备对时延、抖动、丢包率、可靠性等具有确定性要求的指标的满足机制，因此 AI 能力和服务的提供应具备确定性 SLA 保障机制，如资源智能预测与预留机制、帧抢占和流量整形机制、流量精准测量和管理机制、跨网协同调度机制等。22

56、4.6.AI 生态协同与融合 6G 时代大量的应用需求，正在以碎片化的方式涌现。要实现 AI 生态的协同与融合，唯有各方开放协同，共建 AI 产业生态体系。6G 网络凭借强大的 AI 与大数据分析计算，将成为聚合云、网、端、用于一体的计算型、数据型网络。6G 网络与 AI/ML 等技术融合，使得未来网络的领域涉及 AI 三要素，即算力、数据和算法，并与具体的 AI 应用场景紧密结合，这些都是无法由一个商业实体端到端提供，其中涉及紧密的生态协同与融合的问题。技术的集群需要找到彼此连接的关键节点、产品聚合的通道，才能形成高持续运转的生态体系。例如，基于智能内生的物联网，其潜力将被进一步地激发，进而

57、改变现有的产业生态和人类的生活模式，将真正实现万物智联，也将促进 AI 向应用智能发展，主要应用场景包括智能家居、智慧城市、智能安防以及工业机器人等等。这些智能应用都涉及到多方合作来共同完成，因此，未来智能内生网络需要从架构层面考虑如何支撑各类智能应用在算力、数据、算法层面的协同与融合，即架构内生支持多方在公平、透明、安全、简单高效等机制下的协同，解决多方协同于融合的商业和技术上的瓶颈，真正使得基于网络智能内生架构的生态可以蓬勃发展起来。23 5.6G 网络智能内生架构设计要求 5.1.架构设计原则 6G 智能内生网络架构设计遵循如下设计原则：1）AIAI 要素要素功能服务化：功能服务化：通过

58、 AI 各要素功能的解耦和模块化设计，提供对内和对外的服务化 AI 能力，实现 AI 各个服务的独立扩展演进和灵活部署，达到 AI能力的高效复用。2）以任务为中心的智能业务编排：以任务为中心的智能业务编排：面向智能业务构建以任务为中心的完整全生命周期管控机制，通过在多节点下四要素资源能力（连接、计算、算法、数据）的联合动态编排，支持智能业务的高质量 QoS 需求。3）面向服务的协同控制：面向服务的协同控制：基于智能业务的编排结果，对 AI 四要素服务进行生成和协同控制，实现 AI 四要素服务的联合调度和路由优化，支持全网内 AI 资源的共享和扩展。4）支持分布式智能：支持分布式智能：通过 AI

59、 要素的分布式部署，以及分布式部署下智能体不同节点间的智能协同，满足网络各种综合业务的智能升级需求。5）支持网络对业务的自适应性支持网络对业务的自适应性：通过对 AI 四要素的灵活编排、按需生成和部署，实现网络基于 AI 对业务请求的自感知和自适应。6）支持支持 AIAI 服务的高性能需求：服务的高性能需求：通过对 AI 四要素的灵活部署、智能调度、路由优化等实现 AI 四要素的近源部署、综合成本能耗最优，以满足对 AI 服务的低时延、高可靠和高能效需求。7）支持支持 AIAI 服务的开放：服务的开放：AI 服务不仅为通信网络自身服务，还可为第三方应用和终端提供智能服务，实现通信服务和 AI

60、服务的融合。8）支持支持智能内生智能内生的安全可信，的安全可信，保证 AI 服务的隐私保护、稳定鲁棒性和可解释性。5.2.体系框架 基于前述 6G 网络智能内生的内涵、特征定义和设计原则，本节提出 6G 智能内生网络体系框架。如图 5-1 所示，本体系框架从逻辑层次上分为 3 大层，从下到上依次为异构资源层、功能和编排管理层以及能力开放层。24 算法功能数据功能编排管理功能计算功能连接功能能力开放计算能力数据能力智能能力安全功能管理能力CaaSDaaSAIaaSMaaS异构资源（频谱、算力、连接、数据）服务对象（内部、终端用户、第三方合作伙伴）协同控制功能关键特征关键特征四要素融合编排和协同控

61、制通过以任务为中心的生命周期管理机制，对支撑AI服务的算力、算法、数据、连接四要素进行融合编排、协同调度和控制，构建智能服务的基础平台，实现智能服务的QoS可保障分布式智能服务基于智能服务的基础平台，支持原生分布式智能协同机制，实现智能服务的分布式部署和协同能力开放服务通过对四要素功能的提取、封装、组合，为网络自身和第三方应用提供AI能力和服务异构资源融合通过对异构资源的抽象、云化处理，实现异构资源的融合、共享和统一调度内嵌智能信息交互网络连接能力NCaaS内生安全 图 5-1：智能内生网络体系框架 1 1）能力开放层能力开放层 6G 网络的组织和运营方式将从面向流程转变为面向服务的新型范式，

62、以服务为中心，同时支持多种服务模式（NaaS,CaaS,DaaS,AIaaS,SaaS 等等）。能力开放层作为服务的开放平台，通过对系统能力的抽象、封装和组合，以统一的服务化接口向终端用户、互联网用户、网管用户（包含内网、虚网运营商用户等）、第三方合作伙伴等任何潜在的服务消费者提供各类业务的服务接入，包括计算服务、数据服务、智能服务和管理服务），传统移动网络的会话接入请求也可以作为一个特殊的服务请求（NCaaS）通过服务化接口接入，同时将各类业务需求下发给编排管理功能或对应的业务功能。2 2）功能和编排管理层功能和编排管理层 功能和编排管理层包括编排管理功能、协同控制功能、连接功能、计算功能、

63、数据功能和算法功能，通过对多维在网资源（计算、数据、算法模型、频谱带宽）的实时监控、融合调度、联合编排、以及对各种任务实例的全生命周期的实时管理与控制，提供 AI 相关的融合服务。该层是提供融合服务的核心功能层。其中，编排管理功能负责面向融合服务的任务编排和需求服务映射，通过合理的任务编排，实现服务与业务功能需求的最优匹配，并将编排结果发送给协同控制功能或各个业务功能。同时编排管理功能负责对异构资源的感知、度量和管理。协同控制功能负责接收编排管理功能的任务编排结果，并对连接功能、计算功能、数据功能和算法功能进行协同联合控制，包括融合服务的联合调度、路由、融合 QoS 保障等。25 连接功能、计

64、算功能、数据功能和算法功能在编排管理功能的指导下或协同控制功能的协同控制下，负责面向各自业务功能的服务构建。3 3）异构异构资源层资源层 异构资源层是网络连接、频谱、算力和数据资源等多维在网资源的基础设施提供者。网络连接资源包括为网络各角落提供无处不在网络连接的路由、传输和交换资源；频谱资源主要包括负责无线接入的无线频谱资源；算力资源包括 CPU、GPU、NPU 等以计算能力为主的处理器，和具备存储能力的各类独立存储或分布式存储，以及通过操作系统逻辑化的各种具备数据处理能力的设备；数据资源包括：网络环境数据、用户数据、网络配置数据、网络运行数据、业务运行数据、AI 相关数据等资源。通过云化、中

65、间件等技术向功能和编排管理层提供抽象的资源视图和调用接口，实现资源的融合和共享。除上述三大层外，安全功能作为贯穿整个 6G 网络系统的内生安全根本，负责面向资源层、功能和编排管理层以及能力开放层的安全感知、安全防御和安全预防。5.3.从功能视角分析智能内生架构要求 5.3.1.协同控制功能 6G 智能内生网络除了提供连接服务外，还将提供智能、数据、计算、管理等服务。6G 智能内生网络丰富的系统业务功能为 6G 新系统带来强大的网络能力和服务外，也为系统业务功能间的协同与管理带来了新的挑战。沿用传统的通信控制面、用户面和管理面的类别划分和管理方法，6G 智能内生网络服务能力将大打折扣。因此，面向

66、 6G 智能内生网络，需要 AI四要素协同控制功能以提供更高效、更实时的功能协同和管理服务。1 1）更高效的协同能力）更高效的协同能力 协同控制功能将具备更高效的多业务功能协同能力。6G 网络为千千万万的场景提供差异化服务，不同服务所涉及的功能和资源都需要高效的协同，以实现服务的动态高质量保障。对于不同场景下的差异化服务，协同控制功能基于智能内生能力，对融合服务进行任务分析分解，按需选取和关联 6G 系统内连接、算法、数据、计算等业务功能并分配相应资源。在融合服务建立过程中，根据服务需求，协同不同业务功能，建立关联并协同进行资源分配；在服务执行过程中，根据服务变化或服务进程的发展，自适应地调整

67、网络功能和网络资源。在分层分布式 6G 智能内生网络中，对于涉及区域跨度大、参与业务功能及节点多的服务，进行跨区跨域的协同控制功能时，不同的协同控制功能间应能够高效交互，保障融合服务的连续性和高质量。26 2 2）更实时的管理能力）更实时的管理能力 协同控制功能将具备更实时的管理能力。目前移动通信系统中的管理面，由于系统复杂程度和对管理面巨大数据流量的考虑，网络功能的监督、管理和编排周期一般在十五分钟以上，对于更实时的编管需求，现有的管理面方式将无法满足。协同控制功能将部署在更靠近网络业务功能的位置，与网络管理功能之间合理分工：对于实时性要求较高、复杂程度较低的管理服务由协同控制功能完成；对于

68、实时性要求较低、涉及区域较大、复杂程度较高的管理服务，协同控制功能可进行初步的处理，上报网络管理系统后，协助网络管理系统执行管理工作。在此过程中，协同控制功能将基于 6G 网络的智能内生，分析融合服务涉及的网络业务功能、区域范围以及时间需求，选取所涉及的相对较小范围的网络功能和区域节点，针对性地对其实施监督和管理工作，达到更实时的效果。综上，协同控制功能将实现连接、算法、数据、计算等业务功能的实时协同管理和编排。在分层分布式网络中，与编排管理功能形成功能分层，协同实现低时延的高效网络管理，并实现跨区跨域间协同控制信息的高效交互。5.3.2.连接功能 5.3.2.1.传统连接功能 传统移动通信系

69、统（如 4G LTE，5G NR）主要是面向广大的终端用户提供各式各样的网络连接能力和服务（对应于通信类业务），即通过空口无线承载（Radio Bearer）和网络有线承载（Transport Bearer），实现针对用户通信业务数据包的上下行传输。面向网络最基本的连接功能，移动通信系统长期构建发展并稳定形成了控制面（Control Plane）和用户面（User Plane）的经典概念和技术体系。1 1）控制面功能）控制面功能 在传统移动通信系统中，控制面面向通信类业务提供系统端到端各个网元、资源、功能、工作状态和业务行为的控制协同，并完成端到端通信连接质量保障等基本功能。在 5G 核心网（

70、5GC）中，控制面功能率先实现了基于服务的架构（Service-based Architecture，SBA），即各个控制面功能实体（Network Function，NF）可通过总线彼此直接连接，并互相调用其它 NF 服务，从而形成特定的通信业务逻辑；但在 5G 无线接入网（NG-RAN）中，控制面功能仍然延续着传统的“烟囱式固化协议栈（Stack Based）”模式，并未实现 SBA 服务化，无线接入网各个网元节点之间，仍然依赖点对点的“XXAP”应用协议，交互通信连接相关的控制信令。在终端用户通信业务数据传输开启之前，传统移动通信系统首先需要基于端到端的控制面信令流程，为终端用户建立单播

71、或多播的网络通信连接通道，从而为后续通信用户面业务数据传输做好资源和功能预备。27 2 2）用户面功能）用户面功能 在传统移动通信系统中，通信业务用户面提供转发和传输用户业务数据包的基本功能。以 5G 系统为例，核心网域内的 UPF 实体负责面向外部数据的 IP 流和内部 QoS 流之间的映射和传输路由等操作；而无线接入网域内的 SDAP/PDCP/RLC/MAC/PHY 协议栈实体，则负责面向内部 QoS 数据包和外部空口 OFDM 符号之间的转换和相关无线收发。此外，为了实现对用户面业务数据包传输的流量控制、状态监管等操作，在 SDAP 层之上和 PDCP 层之下又分别规范引入了 PDU

72、Session 和 DRB 级别的用户面传输隧道协议功能。3GPP 协议对上述通信业务用户面各功能，以及其内部的各个组件模块的处理和动作先后时序，都有着严格的行为规范和限定，且无论对于任何类型的数据通信业务，用户面处理环节基本都是一样的。换言之，5G 系统通信业务用户面协议栈架构和功能编排，都是非常静态且固定的，并不面向特定的场景或业务做定制化适配。此外，在传统移动通信系统中，通信业务用户面功能的大部分配置参数都是由控制面功能产生和提供的。以 5G 系统为例，SMF 产生和提供了与 UPF 操作相关的参数信息，而 gNB-CU-CP 提供了与 gNB-CU-UP 操作相关的参数信息。因此，用户

73、面各个组件功能实体的执行和应用方式，实际是比较被动和机械的，受到控制面功能的强支配管控。由于 3GPP 协议对用户面各功能和组件模块的行为进行了严格规范，用户面数据包一系列处理流程中的每一个环节动作都是单一且确定的，并不面临动作行为多样性的分析和抉择，因此各种 AI 模型算法通常并不能在用户面功能中直接发挥出太大的作用，AI 模型算法只能通过改变用户面参数的方式，来间接地获得用户面处理增益。5.3.2.2.新型连接功能 鉴于传统连接功能的局限和不足，在未来 6G DOICT 融合新系统中，网络连接功能中的控制面和用户面功能将会继续发展演进和增强，形成“新控制面”和“新用户面”。例如：各自接口协

74、议栈的重构、端到端控制面功能的全服务化、采用新型的用户面传输协议方式等。同时，为了更高效灵活地传输“感算智数”类新业务所带来的各种新型数据（如分布式计算的中间数据、智能模型算法数据、联邦学习梯度数据信息、安全备份数据等），6G 网络连接功能的“新控制面”和“新用户面”需要同时考虑和兼容上述新业务控制和传输的需求，“新控制面”要能一定程度地感知和管控“感算智数”相关的资源、功能和业务状态，而“新用户面”则要能针对“感算智数”类新业务的数据包提供高效转发和传输服务。未来 6G“感算智数”类新业务对于“新用户面”功能至少会有两大潜在的增强：1）6G“新用户面”功能可基于灵活弹性协议栈的原则，在大数据

75、技术和 AI 引擎的驱动下，实现按需灵活地编排、配置和利用，即不再是过去固定僵化的协议栈模式；2）AI 模型算法将能够更多地直接作用于“新用户面”功能领域内，如实现用户面本地行为策略分析和动作优化选择，实现用户面功能本地参数的矫正调优等。28 6G 融合新系统基于智能内生的“新控制面”和“新用户面”架构，将突破过去相对被动、僵化、机械的局限和不足，其功能组件化、服务化和智能化的设计，将为 6G 网络新架构注入新活力和智简空间。在 6G“新控制面”接口服务化和智能化的双重加持下，“新用户面”必将为 6G 网络提供更强大更鲁棒的数据转发传输能力。注：注：根据传统通信业务用户面功能的经典定义，它只能

76、用来传输和用户通信业务相关的数据包。随着未来 6G“感算智数”等新型业务的引入，它是否也可以同时用来传输和上述新型业务相关的数据包，需要进一步分析和确认，这和其他逻辑业务功能的设计也相关。5.3.3.算法功能 智能内生网络中算法功能包含的逻辑功能如图 5-2 所示。算法功能算法功能基础工具支撑功能模型功能模型推理模型验证模型管理计算引擎管理智能化评测管理知识管理模型训练模型优化模型存储模型部署 图 5-2：算法功能的逻辑功能图 算法功能分为模型功能和基础工具支撑功能。模型功能完成对智能模型的训练、验证、优化、存储、部署和推理，是实现 AI 算法功能的核心；基础工具支撑功能提供对通用模型、工具、

77、环境和知识等的管理，同时提供对模型的评测管理。5.3.3.1.模型功能 模型功能是 AI 算法功能的核心功能，包括：1 1）模型训练）模型训练 指根据具体的智能化模型训练任务需求，选择合适的特征数据和通用模型或定制模型，对模型进行训练以实现特定功能，包括离线训练和在线训练。离线训练指在不影响现网运行的离线测试环境中对模型进行训练（如智能沙箱训练），并从中选择最佳模型，具体涉及数据获取、数据处理、特征提取、训练模型/算法选取、迭代训练、结果决策等过程，形成开发态训练流水线。在线训练指在现网运行过程中，面向应用 QoS 或任务 QoS，根据实际运行环境和在线数据对模型进行在线持续训练或增量训练，形

78、成模型训练与网络环境的交互机制，从而保障模型的有效性和实时性。29 2 2）模型验证模型验证 指将训练完成的模型在验证数据集上进行评估验证，基于模型准确率、精确率、召回率、效率、时延、计算复杂度等指标评估模型效果，并反馈给模型训练功能。3 3）模型优化模型优化 指将训练完成的模型进行优化，包括但不限于：结构优化，在效果上提升模型性能，如采用模型集成、梯度稀疏化等技术；压缩优化，以更加适应存储、计算或部署场景需求，如采用模型剪枝、量化、知识蒸馏等技术；迁移优化，以实现模型参数共享，如基于模型的迁移学习等。4 4）模型存储模型存储 很多深度神经网络的结构信息和模型参数数量巨大，即使进行模型压缩后依

79、然对存储空间要求和存储可靠性要求很高。模型存储功能包括选择适当的存储方式（如分布式文件存储等）、存储地域、存储节点、存储介质等、以及存储迁移、故障处理等功能。5 5）模型部署模型部署 编排管理功能基于对应用需求和任务需求的分析，将训练好的模型进行部署配置，而算法功能将根据部署需求，按需实现模型的部署，包括部署模式选择、模型转换、模型加载、模型封装解析、多模型组装、模型加解密等。6 6）模型推理模型推理 根据 AI 应用需求或任务需求，选择相应的智能模型和参数执行模型推理工作，包括实时数据获取、数据预处理、特征提取、推理执行、结果决策等过程，形成运行态智能执行流水线。若推理节点算力受限，还可根据

80、模型存储位置和网络带宽情况采取模型分割分布式推理的方式。综上，为支持未来 6G 网络的智能化和高效化，算法功能需要支持对智能模型的快速动态按需生成和按需部署，实现对模型的高效交付、部署和持续迭代等全生命周期管理。同时，未来 6G 网络多类型算力资源的引入，以及考虑到对数据隐私保护的需求，将更多地使用联邦学习、集成学习、迁移学习等分布式学习框架，并由此会涉及到模型数据传递、模型分割合成等工作内容，因此在模型训练、部署、推理过程中，一方面需要充分考虑 AI 应用需求和网络实际组网现状进行灵活适配；另一方面对网络的时延、带宽、资源智能化调度等也提出了更高的要求。5.3.3.2.基础工具支撑功能 基础

81、工具支撑功能是高效实现算法功能的基础条件，包括：30 1 1）模型管理模型管理 模型管理指对业界较为成熟的通用类模型或领域通用类模型进行管理，如支持向量机、决策树、Q-learning 等机器学习模型；CNN、RNN、GNN、GAN 等深度学习模型；以及一些可以复用的定制类模型等。模型管理功能包括对模型的增加、删除、查询、参数管理等。2 2）计算引擎管理计算引擎管理 计算引擎是指专门处理 AI 数据的工具类程序，典型如 MapReduce、Spark、Flink、Rey等，所有模型都需要在一个计算引擎框架下进行训练和运行。计算引擎管理功能包括计算引擎工具的增加、删除、选择、查询，以及对计算环境

82、的维护等。3 3）知识管理知识管理 网络的智能化可以是以知识为驱动的，在沙箱训练、模型优化、模型推理等过程中都可能用到相关知识，包括网络组网类知识、运维类知识、规则类知识、意图类知识等。知识管理提供对知识的构建、维护、更新、发布等功能。4 4）智能化评测管理智能化评测管理 在模型研发（训练和测试以形成最佳模型）、发布、部署、运行使用和下架等全生命周期过程中，模型智能化性能需要一套完整有效的评测机制进行评估和改进。智能化评测管理功能包括对评测指标体系的管理和评测方法的管理，如评测指标的增加、删除、修改、查询、对应的评测方法等。基础工具支撑功能为模型功能提供基础的模型、工具、环境、评价指标、知识等

83、内容，模型功能也可将在训练和推理过程中形成的模型、评价指标调整需求、运行状态、知识等反馈给基础工具支撑功能。此外，基础工具支撑功能可能不会部署于全部网元中，而是相对集中部署在个别网元中。5.3.4.数据功能 在传统移动通信系统中，各种类型的数据包如何在各个网络接口上转发和传输，是移动通信系统的主要目的和业务行为，因此大部分和数据信息相关的处理（如协议封装拆包、信号调制解调等）都是围绕通信业务数据包如何在网络内转发和传输的目的。随着未来 6G 融合新系统将集成通、感、算、智、数于一体，6G 新系统围绕数据信息资源和相关数据功能的需求也将随之增强。数据功能泛指和各类数据信息处理相关的逻辑功能，既包

84、含和 AI 操作强相关的数据功能（如 AI 样本数据采集、清理、特征提取等），也包含和 AI 操作不强相关的数据功能（如大数据采集和建模、分析推理等）。随着 AI 将逐渐深入融合到 6G 新系统内，即任何类型的31 数据资源和功能都能被智能内生体系所用，因此本文不再做区分，统称为数据功能或服务，丰富且强大的数据功能将是 6G 智能内生网络的核心要素之一。数据功能包含的逻辑功能主要有数据采集、数据处理、数据建模、数据分析和数据应用，如图 5-3 所示。6G 新系统需能针对各种数据资源，按需高效地完成数据发现、采集、处理、建模、分析和应用等功能。数据功能数据功能AI模型训练AI模型推理决策交易行为

85、分析影响评估数据可视化模型设计模型检验模型评估数据预处理数据清洗数据转换数据增广数据源数据应用数据分析数据建模数据处理DMRS数据仓库社交网络数据发现数据采集 图 5-3:数据功能的逻辑功能图 在 6G 新体系中，数据功能具有如下新的特性：1 1）泛在化与分布式）泛在化与分布式 相比于当前外挂集中式 AI 服务体系，6G 智能内生要求每个 6G 智能网元节点（核心网，基站，终端等）都应具备上述全部或部分数据功能，从而在 6G 新网络环境下能实现泛在的、本地化的、分布式、协作式、自生长式的数据功能。如 6G 新系统应能支持分布式的 AI 训练样本数据采集和汇总提炼，能支持分布式的 AI 模型训练

86、，智能网元节点本地能高效实现所需数据源的发现、采集、数据增广和自生长等，智能网元节点之间能实现各种数据功能的深度交互协作等。2 2）数据可管可控可信）数据可管可控可信 为了实现有 QoS 质量保障的数据服务，6G 新系统应能够实现对上述数据功能的可管、可控、可编排和可配置，并能提供对数据的安全和可信保护。例如 6G 新系统可按需配置 AI数据发现的范围、样本数据采集频率、AI 模型训练时长、数据挖掘深度和数据开放程度等。32 为了实现有 QoS 质量保障的数据服务，6G 新系统还需配置足够的计算、通信、存储资源作为其基础保障。3 3）数据服务可开放）数据服务可开放 数据功能作为一种能力或服务，

87、应能对 6G 新系统内或系统外的服务对象进行开放和调用共享，能够被服务对象（如终端用户、第三方合作伙伴等）申请鉴权后调用。为了促进业态开放融合和异厂家设备互操作，6G 新系统还需要对各数据功能进行规范化的统一描述和格式化表达，并提供统一的对外数据服务接口。4 4）应满足数据自生长特性）应满足数据自生长特性 “数据自生长”指 6G 新系统能够基于自己通感算智等能力、业务、服务发展的需求，主动地进行相关数据的发现、采集、汇聚、拓展、增广等操作，从而为 6G 新系统提供更丰富的“动力燃料”。面向数据自生长特征需求，6G 新系统应能对原始数据、中间数据和应用数据进行分层存储和管控。在原始数据方面，需要

88、网络能准确发现采集源头，满足数据采集质量要求。在中间数据方面，应具备数据处理的质量保证体系以及数据格式的规范化，应建立 QoS 控制机制、数据共享机制、数据流转机制和数据关联机制。在应用数据方面，应能实现数据的高效融合汇聚管理和重用再利用等，以提升数据应用价值，实现业务和数据深度解耦。在移动基站或相关无线网元节点中，要有数据自生长功能实体和相关的数据转发和管控流程，它们不同于传统用户通信业务流程。控制面信令要能对上述数据转发流程进行编排、配置，实现可管可控和高效转发。5 5）应保障数据安全可信）应保障数据安全可信 为了保证数据的安全可信，各种数据应使用不同的安全策略进行安全域和非安全域的隔离管

89、控，涉及个人隐私的用户数据以及敏感的行业数据要放在安全域内，在数据流转前要进行数据的完整性保护和安全加密。6G 新系统宜使用安全总线和非安全总线 2 个数据总线工作，其中在安全总线上，应采用高级别的安全策略和安全操作来达到数据可用不可见、开放不共享的效果。5.3.5.计算功能 在 6G 时代，网络不再是单纯提供连接服务的通信网络，而是集通信、计算、存储为一体的综合信息系统,应满足未来各行各业对高速信息传输和实时信息处理的需求，尤其是要满足未来无人驾驶、VR、元宇宙等多种新型应用对于大量算力的迫切需求。过去 5 年，随着深度学习算法的演进，AI 训练对算力的需求增加了 30 万倍。传统的单体计算

90、模式已经很33 难支撑未来爆发性增长的算力需求，在网分布式计算将成为诸多计算密集型应用的现实选择，在网算力作为 6G 智能内生网络重要的基础设施也将符合算力服务化的趋势。6G 网络节点将从只处理通信业务的封闭模式向可对外开放、提供开放算力服务的新形态节点发展，对内实现计算内生，对外提供计算服务，实现计算与网络的深度融合。一方面通过将计算单元和计算能力嵌入网络节点，实现云、网、边、端的高效协同，支撑更好的业务体验；另一方面计算功能作为一种内生资源，应支持多维度、多粒度的调度控制以及能力开放。智能内生网络计算功能包含算力感知、算力控制和算力管理功能，以满足未来多种应用场景的算力需求，逻辑功能组成如

91、图 5-4 所示。计算功能计算功能算力控制算力管理算力分级算力接入算力调度算力寻址算力分片算力计量算力OAM算力编排算力感知算力发现算力度量算力标识算力服务化 图 5-4：计算功能逻辑图 1 1）算力感知）算力感知 大量泛在、异构的算力资源，狭义上包括 CPU、GPU、NPU 等以计算能力为主的处理器，广义上也可以包括具备存储能力的各类独立存储或分布式存储，以及通过操作系统逻辑化的各种具备数据处理能力的设备。6G 网络将建立面向不同类型算力资源的算力感知功能，支持对不同计算类型进行归约度量和算力标识，并利用多样化的算力发现或算力通告方式，形成算力感知能力。同时，计算功能需要进行算力的服务化抽象

92、，支持多形式、多粒度的能力开放，以能力服务库或服务实例的方式提供计算能力、平台能力、算法能力、软件能力等多层次能力。2 2）算力控制）算力控制 计算能力作为 6G 网络的基础资源将支持更多维度、更细粒度的调度分配。网络既可支持按照每个分片、每个网络功能、每个业务来分配算力资源，也可支持按照每个用户、每个AI 应用请求，每个业务流、每个通信会话来分配算力资源。34 算力控制在综合考虑网络和计算资源及状态的情况下，可将业务灵活按需调度到不同的计算资源节点中，并与网络的协同控制单元协同，实现算力资源在网络中的接入控制、调度、分发、路由寻址等功能。此外，还应支持多种模式的算力资源分片共享。3 3）算力

93、管理）算力管理 基于无处不在的网络连接，6G 网络将动态分布的计算与存储资源互联，实现网络、计算与存储等多维资源的统一协同管理。通过对算力的计量统计，支持业务侧的交易和计费等功能，使海量应用能够按需、实时调用泛在分布的计算资源，实现算网一体化运营；通过算力分级，实现对算力进行多维度的分级管理，以更好地适应用户差异化需求；通过算力 OAM功能，实现对算力资源的智能管理维护；通过算力编排功能，实现算力服务的分解与算力资源编排。5.3.6.编排管理功能 智能内生网络中编排管理功能支持面向用户需要和网络需求提供智能编排能力，包括意图解析功能、应用能力编排功能和运营管理能力编排功能，其逻辑功能结构如图

94、5-5 所示。编排管理功能编排管理功能应用能力编排功能运营管理能力编排功能需求意图意图解析连接服务能力编排数据服务能力编排算力服务能力编排AI服务能力编排数据支撑智能运营能力编排智能管理能力编排智能维护能力编排 图 5-5：编排管理功能的逻辑功能图 其中，意图解析功能实现意图的识别和转译；应用能力编排功能基于智能化编排能力，形成面向场景和用户需求的应用能力，包括连接服务能力、算法服务能力、算力服务能力和数据服务能力；运营管理能力编排功能基于智能化编排能力，形成智能运营能力、智能管理能力和智能维护能力。智能内生网络的基础资源包括频谱、算力、连接、数据等异构资源。编排管理功能通过能力开放层提供应用

95、能力和管理能力的订阅、发布和更新，支撑智能内生网络将各类应用能力和管理能力作为服务开放给用户使用。同时，编排管理功能形成的各类组合能力也可不经过能力开放层实现对系统内部提供。5.3.6.1.意图解析功能 35 意图解析功能指利用智能化方法识别用户或网络的需求意图，将其进行转译，形成应用任务需求（如网络连接服务、算法服务、数据服务、算力服务等）或网络运营管理或维护需求（如网络参数配置、调整、优化、故障检测诊断、智能运维等）。5.3.6.2.应用能力编排功能 应用能力编排功能通过对各类资源和业务能力的智能编排实现应用需求，具体包括：1 1）网络连接服务能力编排网络连接服务能力编排 指通过智能编排实

96、现网络连接能力，即按需编排各类网络功能和网络资源，形成网络连接服务能力。网络连接服务既包括面向终端用户或行业用户的基本连接服务，也包括面向 6G系统内各种智能、计算、数据等服务能力所需的新型连接服务。以面向用户的基本连接服务为例，其编排过程示例如：基于意图解析结果形成的网络连接服务需求（如网络切片创建需求），完成服务等级协议（SLA）到网络服务质量（QoS）的映射，并实现网络连接服务链的编排和映射。如一个网络连接服务通常由一个或多个虚拟网络功能 VNF、物理网络功能 PNF、虚拟链路 VL 以及 VNF 转发图 VNFFG 等组成，网络连接服务能力编排实现由 VNF、PNF、VL 及VNFFG

97、 构成的服务链的编排，并实现各类资源的映射。面向智能、计算、数据等服务能力的新型连接服务的编排过程待研究。2 2）AIAI 服务能力编排服务能力编排 指通过智能编排实现 AI 服务能力，即按需使用各类特征数据，并灵活编排各类模型、方法等，形成 AI 服务能力。一般过程示例如：基于意图解析结果形成的 AI 服务需求，完成服务等级协议（SLA）到 AI 服务质量（QoAIS）的映射，实现从 AI 服务到 AI 任务的分解（如分解为数据需求、算法需求、算力需求、连接需求等不同的任务），并同时将 AI 服务的 QoAIS分解为不同任务的 QoS，在此基础上，完成对数据、算法、算力、连接等不同任务的融合

98、编排和映射。3 3）数据服务能力编排数据服务能力编排 指通过智能编排实现数据服务能力，一般过程示例如：基于意图解析结果形成的数据服务需求，完成服务等级协议（SLA）到数据服务质量（QoS）的映射，实现从数据服务到数据任务的分解（如分解为数据采集、数据预处理、数据分析、数据存储等不同的任务），必要时需要算力、算法、连接等其他要素能力的支持，因此在数据任务中还可能包含算力、算法、连接等任务，并同时将数据服务的 QoS 分解为不同任务的 QoS，在此基础上，完成对数据相关任务的编排和映射。4 4）算力服务能力编排算力服务能力编排 指通过智能编排实现算力服务能力，一般过程示例如：基于意图解析结果形成的

99、算力服务需求，完成服务等级协议（SLA）到算力服务质量（QoS）的映射，实现从算力服务到算力36 任务的分解（如分解为 CPU 计算需求、GPU 计算需求、存储需求等不同的任务），必要时需要数据、算法、连接等其他要素能力的支持，因此在算力任务中还可能包含数据、算法、连接等任务，并完成对算力相关任务的编排以及到算力节点、算力资源、存储节点、存储资源的映射。5.3.6.3.运营管理能力编排功能 运营管理能力编排功能指通过智能编排实现智能运营、管理和维护等各类智能内生的管理能力，即按需使用各类特征数据，并灵活编排各类模型、功能、方法等，形成面向特定目标的管理能力。一般过程示例如：基于意图解析结果形成

100、的网络运营管理或维护需求，实现从管理应用需求到管理任务的分解（以网络覆盖优化为例，可分解为数据采集、覆盖问题分析、覆盖问题定位、覆盖优化方案制定、覆盖优化算法调用等不同的任务），并完成管理任务的编排和映射。智能化运营管理维护能力包括如下几类：1 1）智能运营能力智能运营能力 智能运营能力是对运营相关的事务进行智能化管理的能力，包括营销推荐、业务开通运营、差异化计费、智能客服等。2 2）智能管理能力智能管理能力 智能管理能力是对各类网元、网络、及新型的智能代理等进行智能化管理的能力，包括配置管理、故障管理、告警管理、性能管理、以及对特定事务的生命周期管理（如网络切片的生命周期管理、网络虚拟功能的

101、生命周期管理）等，如实现网络智能优化、故障智能检测、故障智能定位和恢复等。3 3）智能维护能力智能维护能力 智能维护能力是对网元、链路及相关软硬件系统进行远程或现场维护、智能巡检、智能工单处理等的能力，如可利用虚拟现实、可穿戴设备等先进技术和设备提供高效、精确的现场巡检、现场检修、远程故障排除、远程安装配置等。5.3.6.4.数据支撑 智能内生网络的编排管理功能依赖大量高质量高时效性的网络数据，包括基础资源数据，如软硬件基础设施（网络、节点、云化资源等）资源数据和支持智能化的基础设施（智能代理）数据；网络运行相关数据，如配置数据、性能数据、故障/告警数据等；业务相关数据，如业务需求、业务 SL

102、A、业务运行状态等；其他数据，如服务评级、投诉、收益等运营相关数据；以及为满足相关智能能力的个性化要求数据等。5.3.7.安全功能 隐私泄露、中间人攻击、分布式拒绝服务攻击等是移动通信网络通常面临的安全挑战。现有 5G 网络架构主要的安全和隐私问题来自于接入、回传、核心网等方面，如关键基础设37 施的安全威胁、NFV/SDN 等 5G 新特性引入的安全威胁、以及云计算和边缘计算相关的威胁等是目前比较常见的 5G 网络面临的安全威胁。在 5G 网络及以前，业界为了解决此类问题多是采用补丁、外挂式的安全服务等被动防护方式。但被动防护方式的弊端是响应不及时，防护方式滞后不能及时避免安全损害，而且难以

103、随着网络发展进行适应性调整，缺乏动态性和灵活性。随着 AI、区块链、联邦学习等技术的发展，将安全功能作为智能内生网络架构中由内向外的保护机制成为可能。6G 网络架构的变化将促使 6G 安全功能做出由内向外的改变。6G网络的安全功能作为贯穿整个网络的内生安全根本，将打破传统安全边界，为智能内生网络的各个功能和资源提供内生安全的感知、防御和预防功能。为此，内生安全功能应具备以下多种能力：主动免疫能力、弹性自治能力和泛在协同能力等。1 1）主动免疫能力）主动免疫能力 主动免疫能力是指基于可信技术，为网络基础设施、软件以及网络架构等提供由内向外的主动防御功能。信任是实现智能内生网络安全的基础，6G 网

104、络的信任机制将在多个方面得到增强。在接入认证方面，为了能够实现异构融合网络服务对象的安全接入，需具备轻量化接入认证技术；在密码学方面，量子密钥、无线物理层密钥等增强的密码技术，为智能网络内生安全提供了更强大的安全保证；在网络架构方面，分布式的区块链技术具有较强的防篡改能力和网络恢复能力，能够帮助智能内生网络构建安全可信的通信环境。2 2）弹性自治能力）弹性自治能力 弹性自治能力是指 6G 网络安全应具备内生弹性可伸缩框架。6G 网络打破传统网络安全边界，通过整合泛在连接能力、计算能力、数据能力、智能能力和编排管理能力，基于智能化的软件定义安全和网络功能虚拟化，实现内生安全能力的弹性部署和动态编

105、排。3 3）泛在协同能力）泛在协同能力 泛在协同能力是指 6G 网络在智能内生的赋能下建立端、边、网、云智能主体间的泛在交互和协同机制，从而准确感知网络内部和外部安全态势、监控网络异常，并且能够预测潜在风险和提出风险控制预案，进而实现主动纵深安全防御和安全风险自动处置。5.3.8.能力开放层功能 能力开放层实现对各类业务能力的开放管理，负责能力的订阅、发布和更新等，包括能力管理功能和能力开放接口功能，其逻辑功能如图 5-6 所示。38 能力开放层 能力开放接口功能 能力管理功能能力订阅能力发布能力更新计算能力数据能力智能能力管理能力CaaSDaaSAIaaSMaaS服务对象（内部、终端用户、第

106、三方合作伙伴）网络连接能力NCaaS能力目录管理 图 5-6：能力开放层逻辑功能图 5.3.8.1.能力管理功能 能力管理功能具体包括：1 1）能力订阅：能力订阅：网络的各类智能化能力，包括应用能力和管理能力，可作为实例化产品对外开放，消费者（服务对象）可以对这些产品或能力进行订阅。2 2）能力发布：能力发布：将编排管理功能构建出的具体能力产品，进行及时发布，实现能力的对外供给和开放。3 3）能力更新：能力更新：将编排管理功能构建出的具体能力产品，进行及时更新，实现能力的对外供给和开放。4 4）能力目录管理：能力目录管理：根据能力的发布和更新，对能力目录进行实时动态管理，包括能力目录的增加、删

107、除、查询、修改等功能。5.3.8.2.能力开放接口功能 经过封装后的各类应用能力和管理能力以服务方式向服务对象（包括内部客户、终端用户和第三方合作伙伴）提供，能力开放层通过能力开放接口向服务对象提供相应服务，包括：1 1）网络连接服务（网络连接服务（NCaaSNCaaS）：）：为服务对象提供特定的网络连接和相关资源的一种服务。2 2）计算服务（计算服务（CaaSCaaS）：）：为服务对象提供部署和运行软件、AI 等所需的算力资源和通用计算能力的一种服务。3 3）数据服务（数据服务（DaaSDaaS）：）：为服务对象提供 AI 训练、推理及其他服务所需的数据资源和通用数据处理能力的一种服务。4

108、4）智能服务（智能服务（AIaaSAIaaS）：）：为服务对象提供 AI 算法模型及相应智能能力（如训练推理）的一种服务。5 5）管理服务（管理服务（MaaSMaaS）：）：为服务对象提供对业务或网络进行智能运营、智能管理和智能维护的一种服务。39 5.4.从服务视角分析智能内生架构要求 面向不同服务对象，智能内生网络应提供差异化服务。5.4.1.NCaaS 传统移动通信系统（如 4G LTE，5G NR）主要是面向广大的终端用户提供各式各样的网络连接能力和服务（对应于通信业务），即通过空口无线承载和网络有线承载，实现用户各类通信业务数据包的端到端传输，该类服务称为网络连接服务（Network

109、 Connection As a Service,NCaaS）。从执行通信任务的角度看，移动通信系统只需要负责把用户通信业务数据包进行高效安全地透传即可，并不需要理解、管理和利用通信业务数据包。NCaaS 服务通常采取经典的“服务器/客户端”请求响应模式，由网络连接服务的发起方（终端用户或远端服务器）向移动通信系统请求申请特定的网络连接服务和相关资源功能；之后网络连接以通信会话（PDU Session）的方式进行组织管控（以 5G 网络为例），包括通信会话的建立、修改、释放等。面向未来 6G 融合新系统，NCaaS 服务仍将是 6G 的基本服务，并且其通信性能会在众多新技术手段的加持下，进一步

110、拓展增强，如实现更大传输带宽、更低延时、更小抖动等。此外，6G 新系统 NCaaS 服务将不仅会面向广大的外部终端用户业务，还会面向 6G 新系统内的各种 AI 智能、计算、数据等新型应用或任务需求，按需构建和提供高品质的网络连接服务，而这种网络连接服务不一定以通信会话的方式进行组织管控。6G 新系统内的任何智能网元节点都可以主动发起 AI 智能、计算、数据等新型任务和相关 AI 工作流，借助 NCaaS 服务，形成和其它协作网元节点的联合业务操作。5.4.2.AIaaS 6G 智能内生网络可以向服务对象提供 AI 模型/算法的开放服务，称为 AI 服务（AI as a Service，AIa

111、aS）或智能服务。由于 AI 模型的训练和管理往往需要大量的基础设施资源，对于很多服务对象而言，使用 AI 模型，尤其是大规模 AI 模型，是难以克服的门槛。而利用6G 网络的强大基础资源打造诸如“AI 模型商店”的智能服务，可以服务于广阔的 AI 应用市场。具体来说，由于 AI 模型成千上万，在不同时间、地点、环境、业务、用户等情况下，服务对象需要按需获取最佳的 AI 算法模型进行使用，为支持该功能，AIaaS 应具备以下几方面能力：1 1）场景适配）场景适配 按场景精准确定 AI 模型是服务对象最为关注的能力。在过去，业务层面的 AI 模型训练和调整大都需要服务对象自己维护，需要耗费大量的

112、算力且无法实现成果共享。按场景适配40 AI 模型可以根据场景中提取到的特征（包括用户行为预判、外界条件确定、业务体验需求等）确认最佳的 AI 模型（包括对准确率、推理时间的满足）开放给服务对象使用。由于服务对象可能仅有少量基于某个特定需求的样本，无法支持其训练出一个收敛的AI 模型。为此，通过网络提供的泛化能力强的基础模型，服务对象可在此基础上通过少量样本继续训练，得到性能良好且适配特定需求的 AI 模型。2 2）算力匹配）算力匹配 任何开放给服务对象使用的 AI 模型，都需要按需进行调整/微调，调整/微调的过程会消耗算力资源。6G 网络可以提供基于服务对象需求特征的最佳预训练模型供其最高效

113、地实现模型的调整，在这一过程中可以最大限度地节省调整模型带来的时间和算力消耗，保障用户体验。同时，终端或第三方服务器的算力资源能力受硬件条件、操作系统和电量等因素的制约，因此对于 AI 模型选择和计算层数的分配，需要根据算力要求进行确定后发送给服务对象，从而可充分利用分布式算力的优势，共同承担 AI 计算需求。3 3）模型大小）模型大小适配适配 终端或第三方服务器的存储能力导致了模型大小是决定是否适配服务对象业务需求的重要参考。为此，利用知识蒸馏、剪枝、量化等模型压缩技术方法个性化打造 student 模型，可以有效适配服务对象对模型大小的要求。5.4.3.DaaS 基于前述的智能内生数据功能

114、，6G 新系统可对内部和外部服务对象（终端用户，第三方客户等）按需地提供各类数据服务（Data As a Service，DaaS）。DaaS 既包含 AI 数据资源（采集样本、算法模型、评估结果、特征数据等）自身，也包含前述数据功能所对应的数据服务项目，如：外部第三方 AI 应用可利用 6G 新系统的数据采集功能和服务，获得自己 AI应用所需要的充足样本数据资源；可利用 6G 新系统的分布式训练能力和服务，辅助进行某些 AI 算法模型的训练操作；可利用 6G 新系统的分布式分析推理能力和服务，获得更可靠、更深度的推理决策信息等。为了支持和实现上述数据服务功能，对 6G 新系统提出了新的需求。

115、首先，6G 新系统需要能通过统一规范的方式描述和格式化各种数据服务和任务，即外部对象需要 6G 新系统具体去做什么？怎么做？有哪些数据 QoS 业务质量要求或限制等？上述数据服务请求需能通过服务接口输入 6G 新系统，同时数据服务的结果信息需能通过标准化接口，规范地反馈给服务对象请求方。其次，6G 新系统需提供可靠、可信、高效的传输连接和计算存储等资源，实现 AI 数据服务请求相关数据的快速传输流转和节点智能计算等。41 最后，面向数据服务效果的评估信息，能够闭环地规范地反馈给 6G 新系统，以验证数据服务的执行是否得当或是否需进一步改善。在数据服务中，6G 新系统要能对海量多元异构的数据源进

116、行统一管理，实现数据所有权和使用权分离。通过数据服务注册、发现、授权等安全机制及安全协议来保障数据服务的安全可信。在数据服务和数据功能调用使用过程中，要做到数据全生命周期的可信可管可控。为了数据开放需要构建双方可信的环境，如使用区块链技术打造统一数据交易平台进行契约式开放。5.4.4.CaaS 6G 网络中，计算资源遍布于中心云、边缘云、网络设备、终端设备等各种基础设施中。6G 智能内生网络可基于网络的各类计算资源，为服务对象按需提供内生计算服务，特别是为计算资源或电量受限的终端、具有极致性能要求或高数据安全隐私保护要求的智能业务提供高性能的计算服务（Computing As a Servic

117、e，CaaS）。6G CaaS 将使能 6G 各类分布式计算资源实现按需“流动”，突破单点计算性能限制，提升计算类业务应用的综合效能。要实现 6G CaaS，更好地为服务对象提供普惠计算服务，6G 智能内生架构需要实现对网络泛在计算资源的智能调度和利用，并与连接资源深度协同，使能 6G 网络成为连接和计算的双基础设施。CaaS 的智能调度应能够实时为服务对象提供所需的计算服务，并能够处理大量 6G 服务对象引发的高并发计算服务请求。同时，还需要适配 6G 网络计算资源的异构性（计算类型、计算能力、存储能力各不相同）、以及无线网络边缘环境的动态性，例如在用户无线信道环境变化或移动性等情况下，依然

118、可以保障计算服务的质量。由此，6G CaaS 有必要对各类异构计算资源进行统一建模，来支撑架构层面原生支持各种分布式算力资源的动态发现机制，以及各类异构算力资源的生命周期管理，包括按需调度、分配、部署等。5.4.5.MaaS 基于编排管理功能中的运营管理能力编排功能，形成智能运营能力、智能管理能力和智能维护能力，这些能力可以服务的形式对外提供，形成管理服务(Management as a Service，MaaS)。从 5G 网络开始，随着服务化和微服务化架构的兴起，移动通信网络的运营管理开始以服务形式对外提供，包括网络配置、实时监控、网络优化、客户管理等场景服务能力。在未来 6G 智能内生网

119、络中，可提供的运营管理类服务将更加开放、智能和泛在。首先将提高运营管理服务的开放性，从现有的部分场景管理运维的服务开放，扩展为全方位全场景的开放，包括网络规划、建设、维护、优化、运营等全环节，这对网络智能内生架构提出了挑战，同时对网络管理服务的可信性、安全性、数据隐私保护等也提出了更高要求。42 其次运营管理服务的智能化将进一步增强，随着意图、AI 及自主管理研究的深入，会更加快捷准确地将管理服务意图转化为网络可理解可操作的管理策略和执行方案，并促进全面实现自智网络运营管理智能化分级的第 4 级和第 5 级。最后运营管理服务将趋于泛在化，进一步支持垂直行业对网络的自管理自维护和自运营需求，此外

120、还将支持 AI 任务的全生命周期管理的服务开放，以更好地满足各类用户多元化的 AI 应用需求。5.5.从部署组网视角分析智能内生架构要求 从 3G 网络集中部署的控制面及用户面，到 4G 网络后期 CU 控制面和用户面(Control Plane and User Plane)分离技术的出现，再到 5G 网络的 CU 彻底分离并引入边缘计算，向分布式演进成为移动通信网络架构的重要发展趋势之一。面向 6G 空天地海一体化、海量异构终端接入及多样化应用场景，进一步的分布式网络架构将更好地适应 6G 发展需求。同时，无处不在的算力资源和数据、减少数据传输开销实现绿色低碳、日益受到重视的数据隐私保护需

121、求、以及实现更低的处理时延等，都需要 6G 网络实现分布式的 AI 架构。但移动网络各层（算网资源、网络功能、网络管理等）各域（终端域、接入网域、核心网域、承载域）的研究发展相对独立，它们与 AI 能力的结合也各成体系，为实现 6G 网络资源、服务、性能的全局最优，各层各域的分布式 AI 资源和功能，还需通过集中控制节点进行管控及协同。因此，分层分布式架构将是 6G 智能内生的重要表现特征。为让 6G 网络具备快速实现智能的能力，分布式的智能网络将部署在边缘形成智能边缘网络，支持完成快速的连接控制和区域智能。智能边缘网络可拥有完整网络功能，实现独立运行，同时支持对轻量化模型的训练和部署，完成边

122、缘网络的本地 AI 任务，另外还可通过域内、跨域协同实现域内域间智能协同。同时，为实现跨智能边缘网络之间、智能边缘网络与中心网络之间、网络与泛智能终端之间的协同、调度和控制，6G 网络还需要部署智能中枢，以完成跨层网络之间的协同。智能中枢可通过联邦学习、多智体学习等方式联合各边缘网络完成强算力、强智能的大型 AI 任务。图 5-7 给出了一种 6G 分层分布式 AI 部署架构示意图。43 图 5-7：6G 分层分布式 AI 部署架构示意图 5.6.从控制和执行视角分析智能内生架构要求 在移动通信网络中，连接功能分为控制面（Control Plane,CP）和用户面（User Plane,UP）

123、。连接控制面的主要功能包括注册与接入控制、移动性管理、用户面管理、QoS 保障等各项功能；连接用户面提供转发和传输用户业务数据包的基本功能，具体包括映射、头压缩、加密完保、流控、路由、ARQ、分段、复用和包编码等功能。控制面负责控制，用户面负责执行。类似的，在智能内生网络架构中，AI 三要素计算、算法、数据从逻辑上也可以分为控制功能和执行功能。下面将对潜在的控制/执行功能进行分析阐述，旨在促进业界对计算、算法和数据三要素的功能展开进一步深入讨论。未来标准化中网络功能和接口如何设计还需要业界进一步探讨，例如，某个 AI 要素的控制/执行功能若合设为一个网络功能，那么控制和执行之间的接口和交互属于

124、内部实现，无需标准定义。5.6.1.AI 三要素控制/执行功能 AI 三要素计算、算法和数据的控制功能和执行功能分别阐述如下。1 1）计算功能计算功能 计算控制功能包括计算节点（提供计算和存储服务的节点）的注册、接入控制、计算用户功能管理和计算 QoS 保障。其中，计算节点的注册指登记新计算节点的计算和存储能力；计算节点的接入控制指是否允许新计算节点接入现有的计算资源池；计算用户功能管理包括智能服务智能应用智能边缘网络跨域协同层接入网域接入网元网元AI域内协同AI核心网域核心网元网元AI域内协同AI终端域终端AI域间协同AI智能边缘网络跨域协同层接入网域接入网元网元AI域内协同AI核心网域核心

125、网元网元AI域内协同AI终端域域间协同AI中心网络核心网域核心网元网元AI域内协同AI跨层协同层AI智能中枢算网资源网络功能终端AI44 针对实时的计算任务请求，选择合适的计算执行节点，并完成配置信息；计算 QoS 保障指监视计算执行节点的 QoS,如果发现计算 QoS 不满足，则需要调整相关配置，以保障计算 QoS。计算执行功能是在计算控制功能的配置信息下，执行计算和存储。针对分布式计算任务，一种实现方式是协同控制功能将分布式计算任务拆解为网络连接任务和计算任务，计算控制功能选择各个分布式计算执行节点，连接控制功能建立各个分布式计算执行节点之间的连接链路。2 2）算法功能算法功能 算法控制功

126、能包括算法节点（提供算法服务的节点）的注册、接入控制、算法执行功能管理和算法 QoS 保障。其中，算法节点的注册指登记新算法节点的算法能力；算法节点的接入控制指是否允许新算法节点接入现有的算法资源池；算法执行功能管理包括针对实时的算法任务请求，选择合适的算法执行节点并完成配置，同时完成相应管理功能；算法 QoS 保障指监视算法执行节点的 QoS,如果发现算法 QoS 不满足，则需要调整相关配置，以保障算法QoS。其中，算法执行功能管理具体包括：模型管理、评测管理、训练管理、优化管理和计算引擎管理。模型管理指对业界较为成熟的通用类模型或领域通用类模型进行增加、删除、查询、参数管理等；评测管理指对

127、评测指标体系的管理和评测方法的管理，如评测指标的增加、删除、修改、查询、对应的评测方法等；训练管理指对业界较为成熟的学习方法或训练方法的增加、删除和查询等；优化管理指利用结构调整、模型压缩和迁移等对模型进行优化，包括结构优化技术、压缩优化技术、迁移优化技术的增加、删除和查询等；计算引擎管理指计算引擎工具的增加、删除、选择、查询，以及对计算环境的维护等。算法执行功能是在算法控制功能的配置下，进行模型训练、模型推理、模型优化、模型验证和模型存储。此时，算法执行功能等同于计算执行功能。3 3）数据功能数据功能 数据控制功能包括数据节点（提供数据服务的节点）注册、接入控制、数据执行功能管理和数据 Qo

128、S 保障。数据节点的注册指登记申请加入新数据节点的数据能力；数据节点的接入控制指是否允许新数据节点接入现有的数据资源池；数据执行功能管理包括针对实时的数据任务请求，选择合适的数据执行节点并完成配置，同时还完成相应的管理功能；数据 QoS保障指监视数据执行节点的 QoS,如果发现数据 QoS 不满足，则需要调整相关配置，以保障数据 QoS。其中，数据执行功能管理具体包括：数据采集管理、数据预处理管理、数据分析管理、数据安全/隐私保护管理。数据采集管理指对采集源头，采集频率，采集数据分类等进行管理；数据预处理管理指利用特征提取、数据清洗、数据变换等技术对数据进行预处理，数据预处理管理包括对数据预处

129、理技术的增加、删除和查询等；数据分析管理指利用行为描述、45 影响评估、数据可视化等技术实现数据分析，数据分析管理包括对数据分析技术的新增、删除和查询；数据安全/隐私保护管理指借助安全和隐私保护技术为用户和网络按需提供高质量的可信数据服务，既保证用户和网络的隐私保护，又保证数据的安全不可篡改及可溯源性。数据执行功能是在数据控制功能的配置下，执行数据收集、处理、建模、分析和应用。5.6.2.从控制功能交互方式分析潜在架构 基于四要素（包括连接要素和 AI 三要素）控制功能的交互方式，6G 智能内生网络架构可以分为协作式、集中式和对等式。1 1）协作式控制架构协作式控制架构 图 5-8 所示为智能

130、内生网络的协作式控制体系架构，在该架构下，协同控制功能将任务QoS 进一步拆分为四要素（网络连接、计算、数据、算法）QoS，由四要素各自的控制功能分别进行四要素各自执行节点的选择和初始配置。协同控制功能算法控制功能数据控制功能编排管理功能计算控制功能连接控制功能(AMF,SMF)能力开放计算能力数据能力智能能力安全功能管理能力CaaSDaaSAIaaSMaaS异构融合资源（频谱、算力、连接、数据）服务对象（内部、终端用户、第三方合作伙伴）网络连接能力NCaaS算法执行功能数据执行功能计算执行功能连接执行功能内嵌智能信息交互 图 5-8：智能内生网络的协作式控制架构 2 2）集中式控制架构集中式

131、控制架构 如图 5-9 所示为智能内生网络的集中式控制架构，在该架构下，四要素（网络连接、计算、数据、算法）的控制功能集成到协同控制功能内部。由协同控制功能统一完成任务 QoS监测、四要素执行节点的选择和初始配置等功能。46 协同控制功能协同控制功能算法控制功能数据控制功能编排管理功能计算控制功能连接控制功能(AMF,SMF)安全功能异构融合资源（频谱、算力、连接、数据）算法执行功能数据执行功能计算执行功能连接执行功能能力开放计算能力数据能力智能能力管理能力CaaSDaaSAIaaSMaaS服务对象（内部、终端用户、第三方合作伙伴）网络连接能力NCaaS内嵌智能信息交互 图 5-9：智能内生网

132、络的集中式控制架构 3 3）对等式控制架构对等式控制架构 图 5-10 所示为智能内生网络的对等式控制体系架构，在该架构下，针对每个任务，对应一个入口要素，可为连接、计算、算法和数据中的一种。如果该任务除入口要素外还需要其他要素的辅助，则由该入口要素决策需要哪些其它功能进行协同，并进行 QoS 的分解。例如，极端情况下除入口要素外还需要其他三要素的辅助，则入口要素将任务 QoS 进一步拆分为本要素 QoS 和其他三要素 QoS，再把其他三要素 QoS 需求信息传递给对应要素。四要素各自的控制功能分别进行四要素各自执行节点的选择和初始配置。算法控制功能数据控制功能融合编排管理计算控制功能连接控制

133、功能AMF,SMF)安全功能异构融合资源（频谱、算力、连接、数据）内嵌智能信息交互算法执行功能连接执行功能数据执行功能计算执行功能能力开放计算能力数据能力智能能力管理能力CaaSDaaSAIaaSMaaS服务对象（内部、终端用户、第三方合作伙伴）网络连接能力NCaaS 47 6.智能内生的关键技术 6.1.关键技术总述 为了实现智能内生网络架构的协同控制、连接、算法、数据、计算、编排管理、安全等功能，如图 6-1 所示，本章从关键技术的角度阐述如何实现这些功能。其中，智能内生网络架构的协同控制功能通过智能化赋能的通信、机器学习关键技术实现；连接功能通过智能化赋能的通信关键技术实现；算法功能和计

134、算功能通过算力关键技术实现；数据功能通过感知、数据关键技术实现；编排管理功能通过机器学习、融合关键技术实现；安全功能通过安全可信关键技术实现。图 6-1：智能内生网络架构需求和关键技术之间的映射关系 6.2.感知、数据相关关键技术 6.2.1.面向业务的感知技术 6.2.1.1.技术背景 6G 智能内生网络中存在各种不同的业务，例如 AR/VR、数字孪生、工业互联网和精准医疗等。网络应该具备感知不同业务的需求，提供相应的资源和功能。48 6.2.1.2.技术需求 适配业务 能够根据各种物理信息精准分配资源和调度网络功能服务以适配相应的业务。保护数据隐私 在感知的同时保护用户数据隐私，例如身份、

135、位置和偏好等信息。6.2.1.3.技术分类 6G 智能内生网络将在三个层次，即资源层、功能层与业务层，实现面向业务的感知。资源层 资源层包括天线、频谱和网络基础设施等传统资源，也包括数据、算力、算法、AI 模型等新兴资源。其中，数据作为一种新兴资源被普遍认为是大量机器学习模型训练和算法构建的重要基础。与频谱和网络基础设施等传统资源不同，数据资源与用户隐私密切相关，这给基于用户和网络感知数据的通感算融合技术带来巨大挑战。具体而言，按照隐私需求，数据资源可大致分为下述三类：（1）公开数据，如去除了用户信息的各种宏观大数据；（2）有限/局部共享数据，如网络运维所需的网络状态和业务数据等；（3）私有数

136、据，如单个用户的行为及偏好数据等。对公开数据而言，其具有易共享并可直接与大量计算与协同决策算法相结合，实现自适配模型训练与优化决策，但由于公开数据一般要求隐去用户地理位置和使用时间等敏感信息，因此导致适用场景和业务类型具有较大的局限性。相比而言，私有数据一般能够为用户提供具有个性化和更加精准的网络资源与业务适配，但是一般而言私有数据难以获取。如何打通数据需求和隐私保护间的鸿沟，在不侵犯用户隐私的前提下实现数据与计算模型及决策的最优适配是实现通感算融合的重要前提之一。除此之外，传统通信网络以传输用户业务数据为主，因此，通信网络设计与优化所追求的大带宽均以最大化用户业务数据传输可使用的带宽为基础。

137、随着大量人工智能算法对数据传输和协同的需求不断提高，未来网络将需要承载大量机器学习所需的训练数据和分布式计算所需的协同数据，从而可能导致网络带宽不断增大的同时，用户业务传输可使用的通信带宽不增反减的情况出现。如何在用户业务传输数据及智能算法训练和计算协同数据间取得平衡将是 6G 智能内生网络的重要挑战之一。通感算三者之间对资源需求之间的相互矛盾将可能成为 6G 网络智能化发展的重要阻碍之一。因此，亟需设计和开发可在满足 6G 网络对用户业务通信带宽、时延和连接数等需求的同时提升网络的智能化程度并降低网络运维和部署成本的全新方法与技术。具体而言，我们不仅要设计可融合数据感知、传输、运算、存储等环

138、节的全新架构，还需要实现 AI/ML 方49 法与数据、算力、带宽、业务场景和需求等的一体化整合。通过建立包括多模态感知、联邦学习、自动机器学习和并行计算与分布式协同技术等在内的新兴技术，实现通感算的深入融合。功能层 功能层包括通感算协同控制、跨资源调度、多网络互操作及动态决策等功能实体。在现有网络中通信功能、感知功能、计算及存储模块相对独立且有不同的运营商和服务供应商提供。6G 网络将存在多个不同的设备商、运营商、资源供应商和内容提供商共存的场景。通信网络基础设施、计算能力、存储能力、算法与海量业务数据功能模块分离且由不同的网络和供应商部署和运维，将导致网络智能决策效率低、效果差且所支持业务

139、和功能受限。因此，亟需设计可实现通信功能、感知与数据采集功能及计算与机器学习功能统一调度与协同的接口与方法。具体而言，通过将在不同区域和时间的多模态感知数据实时传输并融合到控制与决策功能模块，可实现网络运维的自动适配、降低管理和运维延迟并提升网络智能算法和模型决策效率并改善精度。同样的，通过将通信功能模块与感知和计算功能模块深度融合可实现感知信息按需传送。最后，通过设计可根据感知和通信功能实时适配分布式并行计算功能模块，并结合分布式计算与联邦学习架构实现跨区域、跨业务特征与跨数据的网络智能化解决方案，实现高可靠、低延迟和高资源利用率的全局决策优化。业务层 通感算融合技术不仅能显著提升包括网络资

140、源调度和智能运维等在内的现有业务的执行效率、可靠性、安全性和智能度，还将赋能以沉浸式、交互式和高度智能化为代表的大量6G 新兴业务。具体而言，目前依赖提前采集和标注数据所训练出的网络智能化模型难以实现网络资源的按需共享和自动适配。通过通感算融合技术能够支撑未来复杂业务和包括通信网络、数据和算力等在内的大量异构资源的自动智能适配与动态调整。此外，通感算融合技术也将成为大量新兴业务的重要基础性技术之一。例如，通过对包含人和物及所在环境的多模态跨域感知和实时决策可实现从物理空间到虚拟空间的无缝衔接，改善包括数字孪生、虚拟现实和全息通信等新兴业务的用户体验。此外，针对交互式业务领域，通感算融合技术也能

141、够实时感知和计算多方交互时各方的业务体验与反馈信息，并在交互的同时实现自动学习及纠错。50 6.2.1.4.技术应用 认知无线电 随着智能穿戴设备和物联网的普及,频谱资源稀缺已成为无线通信网络面临的最重大挑战之一。在人们不断增加的大网络容量和快速数据传输需求下,传统的静态频谱分配已不再可行,而认知无线电技术变得越来越重要。认知无线电通过动态频谱共享,可以使认知用户利用空闲的授权频段,进而提高频谱利用效率并有助于解决频谱不足问题。空天地一体化 空天地一体化信息网络的提出为解决频谱和轨道等资源的限制，各系统的全球覆盖能力有限，不同的技术体制导致网络扩展能力差等问题提供了有效途径，且已成为全球范围内

142、的研宄热点和基本趋势。然而空天地一体化的场景中存在复杂多样的业务，需要通过精准的感知来提高对业务的适配和网络资源的高效利用。6.2.2.数据预处理技术 6.2.2.1.技术背景 随着信息技术被广泛的应用到各行各业中，数据作为一种资源被不断的收集与处理，产生的数据量急剧增多。在海量的数据集中发现有价值的信息，数据挖掘技术则派上用场。研究人员通常将方法和模型建立在理想的数据集上，通过相关算法挖掘出有用的信息。然而实际场景中的数据质量远远偏离理想情况，可能存在数据集缺失数据、冗余数据、不确定数据以及不一致数据等问题。数据质量主要指的是数据的完整性、可靠性、一致性、正确性。这些低质量数据将严重影响数据

143、挖掘过程中抽取的模式的正确性，导出错误的规则，使得数据挖掘与数据分析的结论出现差错，会给科学研究和企业带来误导和损失。6.2.2.2.技术需求 规范性 指的是数据符合数据标准、数据模型、业务规则、元数据或权威参考数据的程度。完整性 指的是按照数据规则要求，数据元素被赋予数值的程度。例如“互联网+监管”主题库中，监管对象为特种设备时，监管对象标识必须包含“企业统一社会信用代码+产品品牌+设备编码”，监管对象为药品时，监管对象标识必须包含“药品名称+批准文号+生产批号”。准确性 指的是数据准确表示其所描述的真实实体（实际对象）真实值的程度。51 一致性 指的是数据与其它特定上下文中使用的数据无矛盾

144、的程度。6.2.2.3.技术分类 特征提取 特征值化是为了计算机更好的去理解数据。现实世界中多数特征都不是连续变量，比如分类、文字、图像等，为了对非连续变量做特征表述，需要对这些特征做数学化表述，因此就用到了特征提取。特征提取从初始的一组测量数据开始，并建立旨在提供信息和非冗余的派生值（特征），从而促进后续的学习和泛化步骤，并且在某些情况下带来更好的可解释性。特征提取与降维有关。特征的好坏对泛化能力有至关重要的影响。数据清理 特征提取从初始的一组测量数据开始，并建立旨在提供信息和非冗余的派生值（特征），从而促进后续的学习和泛化步骤，并且在某些情况下带来更好的可解释性。特征提取与降维有关。特征的

145、好坏对泛化能力有至关重要的影响。数据变换 通过数据变换可以帮助计计算机寻找数据之间的关联，挖掘出更有价值的信息，常见的数据变换方法包括：标准化、归一化、正则化和特征二值化等。6.2.2.4.技术应用 无人机激光雷达 无人机激光雷达系统在采集过程中存在各种类型的误差及噪声，对点云数据质量造成了较大的影响。可以通过设计了一套数据处理预流程，从而实现对点云数据进行误差校正以及去噪等处理，实现点云数据的质量提升，最终实现更高精度的分辨率。生态物联网 物联网观测系统,因传感器技术局限及环境干扰会产生异常观测数据,影响数据使用,有效的数据预处理极为重要。6.2.3.多模态感知融合 6.2.3.1.技术背景

146、 6G 网络中将产生各种模态的数据，模态是指事物发生或存在的方式，多模态是指两个或者两个以上的模态的各种形式的组合。对每一种信息的来源或者形式，都可以称为一种模态，目前研究领域中主要是对图像，文本，语音三种模态的处理。之所以要对模态进行融合，是因为不同模态的表现方式不一样，看待事物的角度也会不一样，所以存在一些交叉（信息52 冗余），互补的现象，甚至模态间可能还存在多种不同的信息交互，如果能合理的处理多模态信息，就能得到丰富特征信息。6.2.3.2.技术需求 降低模型参数 融合的阶段靠后导致模型参数量巨大，这类融合方法针对单一模态设计网络并完成训练，利用单模态数据的预测结果与真实标签的误差的梯

147、度来优化模型的权重参数，最后将单模态的识别结果进行融合。这种多模态融合的方式虽然可以融合多源的决策信息，但是对于同一个任务几乎需要多个单独的网络，在推理时间和内存占用率上面都会造成比较大的资源占用。适配数据异构 多模态数据通过不同的传感器采集，在数据形式上异构。目前的融合方法主要针对单一模态的数据，并设计不同的特征提取网络，这种方法难以考虑到多模态数据之间的相关性。多模态数据是同一时刻不同传感器对周围环境的记录结果，虽然在数据上所包含的信息量不同，但是目标在多模态数据之间是相关的。现有的研究采用独立的特征提取模块割裂地学习多模态数据，不能学习到多模态数据的相关性。6.2.3.3.技术分类 前端

148、融合 将多个独立的数据集融合成一个单一的特征向量，然后输入到机器学习分类器中。由于多模态数据的前端融合往往无法充分利用多个模态数据间的互补性，且前端融合的原始数据通常包含大量的冗余信息。因此，多模态前端融合方法常常与特征提取方法相结合以剔除冗余信息，如主成分分析、最大相关最小冗余算法、自动解码器等。后端融合 将不同模态数据分别训练好的分类器输出打分(决策)进行融合。这样做的好处是，融合模型的错误来自不同的分类器，而来自不同分类器的错误往往互不相关、互不影响，不会造成错误的进一步累加。常见的后端融合方式包括最大值融合、平均值融合、贝叶斯规则融合以及集成学习等。其中集成学习作为后端融合方式的典型代

149、表，被广泛应用于通信、计算机识别、语音识别等研究领域。53 中间融合 将不同的模态数据先转化为高维特征表达，再于模型的中间层进行融合。以神经网络为例，中间融合首先利用神经网络将原始数据转化成高维 特征表达，然后获取不同模态数据在高维空间上的共性。中间融合方法的一大优势是可以灵活的选择融合的位置。6.2.3.4.技术应用 自动驾驶 自动驾驶车辆在行驶过程中通过处理传感器捕获的数据来感知周围的环境结构信息和目标信息，从而为系统产生决策提供关键的信息。通过多传感器的优势互补，对多个视场的传感器数据进行处理、提取目标信息和环境信息，从而协同系统更加准确可靠地完成目标识别、目标跟踪、场景语义分割、安全区

150、域规划和局部路径导航等任务。多模态融合感知可以形成全天候感知能力，具有可靠性强、多场景感知能力强、提升安全冗余等特点，已成为国内外自动驾驶领域的研究热点课题之一 6.3.计算和存储关键技术 6.3.1.技术背景 广义上，算力指包括计算、存储等能力在内的，所有参与系统计算过程的各部分能力之和。面向计算需求敏感的多样化服务场景，如何高效利用、管理算力成为近年 6G 网络技术研究的关切问题。6G 时代，算力将从外延走向内生，通过利用软件定义网络、网络功能虚拟化、可编程网络等技术，将终端计算节点、边缘计算节点、云计算节点与广域网、局域网在内的各类网络资源深度融合，在集中式或分布式控制下实现协同，为客户

151、提供灵活可调度的算力服务，支撑 6G 各种智能化服务的实现。6.3.2.技术需求 海量分布式计算 6G大量引入AI技术将使许多人们构想中的智能化服务成为现实，例如全息类应用服务、虚实结合类应用服务等，因而对算力，特别是计算量的需求，也将随之达到前所未有的高度。过去基于云的集中式存储计算方案由于实时性等方面的不足无法满足该需求，呈现“算不动”的局面。然而，6G 网络将有更多的接入设备与基础设施，网络中具有一定计算能力的网元都可被视为计算单元，借助云边端融合计算技术，将计算任务分配至各计算单元协同完成，有望解决“算不动”的问题。54 海量分布式存储 数据会伴随着无处不在的计算任务分布在 6G 网络

152、中，大量感知单元也会带来更大量更丰富的数据，造成数据“存不下”问题，在这种情况下产生了分布式存储技术需求。网络实时计算 在许多新的 6G 应用场景构想，例如全息类应用服务（&汽车自动驾驶）等时延敏感任务中，不仅有强算力需求，还有低时延需求，即要求及时完成计算任务。在网计算技术的研究则是为了满足这类需求，该技术赋予网络设备算力，这种网络内生算力可以使计算任务在传输的同时进行运算。6.3.3.技术分类 分布式存储 分布式存储，即将数据分散存储至多台服务器设备，亦可视为汇聚物理上分散的存储资源构成逻辑上是一个整体的存储单元，常通过分布式存储管理系统实现。分布式存储管理系统又可分为分布式文件系统（Di

153、stributed File System，DFS）和分布式数据库系统两类。传统的 DFS 基本架构可分为中心控制节点架构（例如 HDFS）和完全无中心架构（例如 Ceph）两类。然而，点对点（Peer-to-Peer）DFS 也会面临稳定性、安全性、激励机制等方面的挑战，近年来出现了以星际文件系统（Inter-Planetary File System，IPFS）和 Swarm 为代表的新一代文件系统，这些 DFS 基于区块链技术，具有了足够的激励机制和安全保障，但在可扩展性、隐私性等方面仍存在挑战。云边端协同计算 云边端协同计算指由分布式终端、边缘侧节点、云端节点等计算单元灵活利用其算力，

154、协作完成网络及业务应用中的计算任务。未来 6G 网络中将有大量 AI 应用，对算力要求高，一方面要求计算效率，另一方面要求并行计算，可称之为 AI 算力要求。芯片的性能决定了算力的水平，故为了在云边端协同计算的架构下更好地支撑这些应用，完成相应的 AI 计算任务，AI 芯片包括了 GPU、FPGA 及 ASIC 等可提供 AI 算力的芯片，按 AI 任务类型可分为训练芯片和推理芯片，其中训练芯片强调算力，一般部署在云端，推理芯片关注包括能耗、成本在内的综合性能，在云边端都可部署。相较于云端 AI 芯片大都强调算力需求，边缘 AI 芯片领域更关注更小尺寸、更低功耗的嵌入式边缘 AI 计算技术，从

155、而支持自动驾驶、IoT 等技术场景。终端 AI 芯片则应具备处理多种任务的通用性和极低功耗特点。55 在网计算 在网计算是指使用一种特定类型的网络硬件，如 FPGA、智能网卡和可编程 ASIC 等，将传统上在主机软件中执行的计算改由网络设备执行，利用开放的可编程技术和路由器高速网内缓存实现对报文进行处理。例如，在基于 SDN 的网络计算模型中，数据处理功能通过 P4编程实现，与流表一起部署在数据报文经过的网络设备上，通过通用可编程交换机架构 PISA灵活解析以及匹配数据包字段的特点，将可编程交换机作为缓存内容请求识别设备，实现内容的网内缓存，减少用户请求响应时延以及降低服务器负载。6.3.4.

156、技术应用 物联网海量数据接入 在 6G 网络的大连接类应用业务中，万千物联设备将产生大量异构数据，对于这些数据，集中分析是不现实的，借助分布式存储技术，数据得以分布式地存储、分析，提高智能数据分析算法的运行效率；全息视频分发 在 6G 网络的全息类应用业务中，全息视频资源占据极大的存储空间且需要高速传输，通过分布式存储视频资源，可以提供稳定高效的分布式数据源，缓解单一数据源存储与传输的压力。多媒体课堂 在 6G 多媒体全息课堂中需要在各时各地完成高质量低延迟的信息交互，此时需要无处不在的算力，可以利用云边端协同计算协同多方异构的算力资源，及时地处理这种分布式的计算需求。自动驾驶 自动驾驶作为极

157、高可靠性与极低时延类 6G 业务，需要云边端各个计算节点协同完成计算，精准控制各个节点计算任务处理的时间间隔，保障业务的高可靠性。远程手术控制 6G 远程全息手术需要实时处理计算任务，对算力也有很高的要求，需要靠近数据接收终端的边缘计算来支持，在网计算可以利用智能网元在数据的传输过程中来处理部分计算任务，不改变业务原有的运行模式，使用网络快速响应计算请求，减轻边缘节点的计算压力。56 6.4.智能化赋能的通信关键技术 6.4.1.语义通信 6.4.1.1.技术背景 6G 时代将会产生数量庞大的具有智慧决策能力的网络与设备终端为人类用户提供智能化、全场景、沉浸式和个性化服务。随着脑机交互、类脑计

158、算、人工智能、语义感知与识别、通感算融合等新兴技术和架构的出现，6G 网络将具备对信息内容尤其是具有结构化信息的语义信息的感知、识别、提取、分析、理解和推理能力，即语义认知能力，从而实现网络架构从数据驱动向语义驱动的全新范式转变。语义认知网络将有望成为人-人、人-机和机-机混合智联网的重要基础。具体而言，语义认知网络通过充分利用人类用户在长期学习和沟通过程中积累的语义知识和经验库，实现对通信内容中所包含的句法、语义、推理规则的自动建模与理解，并辅助信息的发送、传输、理解和解析，有望大幅度提高通信的效率和可靠性、增强用户的体验质量、降低延迟并突破通信协议兼容性、业务和场景的局限，最终实现服务随心

159、所想、网络随需而变、资源随愿共享的愿景9 25。6.4.1.2.技术需求 解析语义多义性 语义具有多义性，即相同的句子根据不同场景和内容可能具有不同含义。如英文单词“Catch”在作动词时可以有“理解”的含义，也可能是指“接住”或者“赶上”，在作名词时则可以指“隐患和潜在问题”或者“接住的东西”等。中文字和词的含义则需要根据不同搭配和前后文的具体形式决定，如“包袱”这个词语可以指“布包起来的衣物包裹”，也可以比喻“精神上的负担”。这些不同含义一般可能导致接收端用户在语义理解上出现较大偏差，因此，需要在语义通信编码和译码过程中做出适当解析，以确保接收端能够接收正确的语义。多模态协同语义感知与识别

160、 语义可能受不同主客观环境因素影响，如用户情绪、性格与其他通信用户之间社交关系等信息均可能对语义产生影响。单纯依靠单个或者一类传感器（如摄像头）采集的图像信息难以全面识别用户感兴趣的语义信息。因此，需要通过综合分析和融合不同方面、种类和形态的感知数据，如综合分析通信参与用户之间的社交网络信息、视觉图像信息、性格数据等57 多模态信息数据，提取可能对语义产生影响的多方位因素综合分析，将有望提升语义通信的识别效率和精度。环境变化的快速感知、识别和预测 语义可能随环境变化而发生快速变化，如天气变化或者通信参与用户社交状态和注意力变化等均可能导致语义信息发生变化。部分环境变化具有一定规律性和可预测性，

161、如果能够充分利用这些性质对可能影响语义的环境因素和时变特征进行快速感知、识别和预测，并提前开展语义的预分析与模型的预训练，将能够进一步提高语义识别速度，同时可以在时间和空间维度上实现不同资源的优化适配与合理调度。6.4.1.3.技术分类 语义识别与感知技术 语义认知网络将具备跨模态语义感知能力，可根据不同场景、环境和状态下收集到的各类信息对网络中所传输信息的语境、语用和语义信息等进行快速感知和识别，最终最大化接收端用户对发送端用户信息内涵的理解准确度。此外，网络还将具备对通信中的不同参与者和用户对象间的情绪、社交偏好，社会关系等个性化数据进行跨域集成和汇总分析，进一步提升语义的识别精度及效率。

162、除了对信息内容进行感知和分析外，智能内生网络还将能够提取无法从源信号中直接感知和识别的隐式信息，并具备提取、感知和解析高阶信息和概念的能力。语义推理与解析技术 用户之间交流的信息不仅局限于较为明确的显性信息，还包含难以表征、识别和解析的隐性信息。语义认知网络将通过建立可准确刻画通信信息中各语义元素间的结构和关联度的方法，对较复杂的语义特征进行建模、训练、压缩和优化，并通过学习和模仿人类大脑的知识拓展与推理机制，实现对隐形高阶信息的逻辑推理与解析能力。知识共享、迁移与自演进技术 语义认知网络将能够通过分析不同区域和类型网络中的通信内容和数据自动构建普适性全局知识库和关系泛化模型库。此外，不同知识

163、库和模型库之间还可建立接口，实现跨区域和类型的知识共享与模型迁移，并可针对不同群体、对象和业务构建的私有的个性化知识和模型库。同时，所构建的知识库和模型库还将能够根据人类信息和知识的演进对新兴知识和模型进行自动学习、更新和演进。58 6.4.1.4.技术应用 智慧交通 信息源：车辆的速度和位置。旁路信息：根据经验判断每个部分的路况。智慧农业 信息源：农作物的生长情况。旁路信息：天气信息以及农作物的使用情况等。6.4.2.意图网络 6.4.2.1.技术背景 最早提及与网络意图有关的线索可以追溯到 2015 年 2 月 12 日，时任美国开放网络基金会北向接口工作组(ONF NBI WG)主席的

164、Daivd Lenrow，发布了一篇名为Intent：Dont Tell Me What to Do!Tell Me What You Want的标准草案，其中提出：“在所谓的意图模式中，智能软件(如 SDN 控制器)将决定如何把意图转化为针对特定基础设施的配置手段，从而使网络以期望的方式行事。”随后，ONF 在 2016 年 10 月发布了白皮书Intent NBI-Definition and Principles，这是第一份描述“基于意图的北向接口(NBIs)”的文档。与此同时，诸如 OpenDayLight、ONOS(Open Network Operating System)等社区及

165、机构都在从不同角度研究如何深化 IBN 应用。2016 年，美国硅谷的一批创业企业就已经打响了 IBN 概念产品化的第一枪，Gartner 在2017 年年初发布报告定义了基于意图的网络系统(IBNS)，并预言 IBNS 是网络领域的“下一件大事(The next big thing)”。同样，在 2017 年中，网络界的各大巨头纷纷在海外开始响应 IBN 理念，各自推出基于 IBNS 的产品和用例，并产生出类似“全智慧网络(Intuitive Network)”，“自动驾驶网络(Self-driving Network)”等衍生概念。6.4.2.2.技术需求 6G 网络面向复杂多变、指标多样

166、的应用场景，可基于意图驱动的方式，以更高级别抽象的方式提取应用或用户意图，借助 AI 技术实现意图的转译和验证、自动化部署配置、网络状态的察觉和精准预测以及动态的配置优化和故障自愈，驱动网络的全生命周期自动化管理，将极大地提升网络的运维效率、降低运维成本、提高对业务变化的响应速度10。基于意图网络，客户可以通过自然语言、文字等无障碍且快捷的方式，进行业务的申请、查看、调整和取消，带来良好的用户体验；网络维护人员可以通过意图的方式进行业务的监控、策略的调整，减轻繁琐重复的工作负担。意图网络结合人工智能技术，利用自身网络数59 据的先天优势，实现用户意图和算网资源的精确匹配，对用户意图的实时校验，

167、动态检测细微异常，提前预测劣化趋势，自动修复网络异常，以及利用复杂模型快速训练与精确推理，保障 6G 网络按需服务。6.4.2.3.技术分类 如图 6-2 所示，意图网络包括以下关键技术：图 6-2：意图网络系统组成 意图翻译和配置验证：意图翻译和配置验证：意图翻译实现将意图输入的业务策略转换为网络规划和设备配置。配置验证是在数字孪生网络仿真平台上进行，通过模拟配置在实际网络上的运行情况，提前发现配置中的一些异常问题，例如地址冲突，路由环路，路由不可达等。自动化配置：自动化配置：自动化配置是将意图验证完成后的设备配置，通过标准的配置接口自动下发到网络基础设施中，包括网络功能配置，还应包括安全资

168、源、存储资源、计算资源的配置。配置信息不仅包括满足用户新的意图，还应包括自动修复模块生成的配置。网络状态感知：网络状态感知：通过包括 Telemetry 技术在内的信息采集技术来获取网络基础设施运行状态，包括设备状态、链路状态、业务类型、流量状态等。信息采集数据的及时性和全面性是数字孪生网络仿真平台是否准确、完整的关键。意图保障和自动修复：意图保障和自动修复：意图保障是实时验证用户意图在网络基础设施中执行的最后结果是否得到了满足，以及通过机器学习算法预测未来一段时间内，用户意图能否得到满足。自动修复是根据意图保障以及配置验证的结果，对意图冲突或现网故障进行诊断分析，快速进行故障的定界和定位分析

169、，缩小故障的范围，自动或辅助网络管理人员进行故障修复。60 6.4.2.4.技术应用 6G 自治网络把意图驱动网络作为当前网络演进的愿景，使网络自动、智能且持续地根据意图调整和控制网络基础设施，实现网络精确、灵活、快速响应业务需求，进而从根本上降低网络资源管理和运维管理的复杂度，提升业务的服务体验，推动网络向具备智简、敏捷、柔性的网络方向发展，是未来网络的发展趋势。6.4.3.可编程网络技术 6.4.3.1.技术背景 为满足 6G 时代业务需求多样且动态变化的特点，网络需要支持灵活和可扩展来满足业务的动态变化需求，因此 6G 网络需要具备在统一架构下按需部署网络功能或服务的能力，以及动态编排和

170、按需资源调度的能力。通过在未来通信网络引入可编程思想，对传统网络架构进行改进，6G 网络中的网元将支持控制面和数据面的可编程能力，构建灵活的可编程网络。通过提升 6G 网络的软件化程度和可编程能力，可以实现网络的灵活可控制、融合可演进、以及弹性可定制的特性，从而在更短的时间内实现网络功能的开发和部署，实现全网的智能动态调优。6.4.3.2.技术需求 通过可编程网络技术助力 6G 网络的全面开放性：6G 网络将是支持全方位开放、异构网络融合、多维度可扩展的网络。可编程网络的引入促进 6G 网络具备更全面的开放性，不但对技术、服务、应用开放，还包括对全球网络用户、网络运营商、服务提供者等全方位开放

171、。通过可编程网络技术助力 6G 网络的差异化服务：可编程网络的引入为提供差异化的协议功能设计，优化协议功能分布和接口平滑升级服务成为可能，体现为对用户个性化服务定制需求的适应性上，为用户提供更广阔的服务范围、更丰富的服务类型以及更灵活的服务形式。通过可编程网络技术助力 6G 网络的可扩展性：6G 网络需要支持不同代际的网络体系在多个维度上的可扩展性。网络的可编程技术从网络规模上保证在容量、协议、算法、命名、编址等方面的可扩展性，在网络功能上保证传输、控制、管理、安全等方面的可扩展性，在网络性能上保证在各种差异环境中系统具有优雅的升、降级特性。6.4.3.3.技术分类 在传统的路由器和交换机中，

172、数据面和控制面是紧密耦合的，而这种耦合使得各种网络管理任务都极具挑战性。为了应对这种挑战，各种分离数据面和控制面的研究开始出现。较为突出的创新技术：1.控制面和数据面之间的开放接口：如 IETF(互联网工程任务组)标准61 化的 ForCES 接口(转发和控制元素分离)、Netlink 接口(Linux 内核级包转发功能)；2.在逻辑上对网络进行集中控制：如路由控制平台(RCP)、软路由架构、路径计算原件(PCE)协议。随着两大创新技术诞生,控制面和数据面分离成为后续几乎所有开放可编程网络的基本体系结构。可编程技术是智能内生网络的重要实现手段：通过可编程技术对智能化要素进行按需配置、灵活组装、

173、分布式部署和高效计算，是实现网络内生、高效能分布式智能计算的重要手段。通过智能网卡卸载技术，可编程交换芯片技术和 DPU 技术在 6G 用户面的引入，使得 6G用户面在满足高带宽、低时延转发的基础上，进一步支持与控制面中央控制节点的联动，实现在网动态用户面编程和功能升级。同时，智能化技术是可编程网络的助力剂：可编程网络中的定制化适配、差异化协议实现、动态优化调度等，都需要智能化技术的加持。6.4.3.4.技术应用 可编程网络对运营商的影响包括创造所需的效率和灵活性，根据客户/合作伙伴的需要实时扩展容量和能力；提高 ICT 价值链和新兴平台经济的相关性；开发新的商业模式，扩展现有业务并寻求新的商

174、业机会。基于可编程网络技术可以提供更广泛的服务和更好的网络性能，使得网络可以更好地满足消费者的期望。智慧城市和智能工厂等新兴领域将受益于更丰富的通信服务，营地不同物联网设备的需求。可编程网络可以提供更多的服务定制和更快的响应速度。6.4.4.智能化组网技术 6.4.4.1.技术背景 6G 从网络架构层面原生支持智能化组网技术，TMForum 将自动驾驶网络分为 6 个级别：“L0 人工运营维护、L1 辅助运营维护、L2 部分自动驾驶网络、L3 有条件自动驾驶网络、L4高级自动驾驶网络、L5 完全自动驾驶网络”六个级别，6G 内生智能架构目标是从架构层原生支持 L4 或 L5，实现高级或完全的自

175、动驾驶网络，包括在复杂的跨多网络领域环境下的分析和决策，系统面向业务和客户体验，实现预测式或主动式的封闭自治，以及具备跨多业务、多领域、全生命周期的全场景封闭自治能力。6.4.4.2.技术分类 网络和专家知识数字化 网络数字化是实现网络自动化执行能力的基本前提，为网络状态感知、分析，以及 AI训练与推理活动提供网络数据，包括网络的资源、业务数据，也包括运行状态、故障、日志等动态实时数据。62 专家知识数字化，运营商和网络设备提供商在多年的网络运维过程中，积累了大量管理规则、排障方法等专家知识和经验，以多种形态散布在设备运维手册、网络运维规范等不同的智力资产中。在网络自动化闭环过程中，需要将这些

176、分散的、供人理解的知识注入到计算机中，形成集中的、供计算机理解与使用的知识库。当前，通过知识图谱等方法和技术应用到电信网络中，在网络故障智能识别和闭环处理等场景中应用和推广，已取得较好成果。网元智能化 组网和设备自身全面做减法，覆盖设备形态、部署、协议、架构等层面，实现设备简化、弹性部署、协议归一和精简等。网元内置 AI 算子和 AI 推理单元支持 AI 推理能力，网元越来越聪明，单个设备也能具备一定的智能自主感知与决策与闭环能力。分层自治和跨越协同 网络业务场景和组合越来越复杂，多厂家、多技术、多软硬件版本共存，网络架构的复杂性与分散性，大大增加了网络运维的复杂度，如图 6-3 所示，必须分

177、而治之，划分多个自治域，单个自治域可自主完成数据采集、分析、控制、优化的完整闭环过程。图 6-3：分层自治和跨越协同 6.5.机器学习关键技术 6.5.1.技术背景 人工智能技术的再次崛起和发展，为应对6G网络面临的复杂挑战提供了有效助力，在网络中引入人工智能将是必然的选择。一方面，6G 网络具有海量数据，且云计算中心、边缘设备和用户终端的计算能力进一步增强，为训练人工智能算法提供了数据和算力支撑；另一方面，借助人工智能在语音处理、图像识别、高效决策等方面日臻成熟的技术，可以63 扩展网络业务种类，提升网络表现性能，支持网络智能化管理，加速实现6G 愿景。然而，6G通信网络智能内生的需求将呈现

178、个性化、多样化和海量化的发展趋势，使用现有基于视觉和语言处理的AI/ML技术对未来网络进行补丁式优化将难以满足未来网络智能业务和应用的诸多要求。6.5.2.技术需求 可解释性 可解释性是指 AI/ML 技术能够在多大程度上与人类得出一致的预测结果。AI/ML 模型常常被看作黑盒子，严重阻碍了 AI/ML 技术在网络智能内生中的应用。自适应性 自适应性要求 AI/ML 技术能够适应外部环境变化，实现网络策略动态调整的方法，安全与隐私 安全与隐私要求 AI/ML 技术威胁系统的安全，不泄露用户的隐私，不给网络引入额外的安全隐私风险。绿色高能效 AI/ML 技术融入网络内生智能的同时会引入额外的能量

179、消耗，相关技术在考虑系统通信性能的同时应该充分考虑降低系统能耗。6.5.3.技术分类 可解释性 AI/ML 技术 AI/ML 技术在网络智能中取得了巨大的成功，但是数据科学中通常倾向于关注模型指标，如准确率、精确度和回召率等，这并不足以使得这些技术应用于实际中11。在上述模型指标之外，AI/ML 模型的可解释性也是一个重要的方面。尤其是在一些安全敏感的任务中，用户需要全面掌握模型的工作机制。由于人类无法推算出所有在计算上或逻辑上可行但是实际中不符合人类认知的输出，此时 AI/ML 模型的可解释性就显得至关重要。AI/ML 模型的可解释性可以更好地帮助人类理解输出的结果12，并寻找各种因素之间的

180、相关性。可解释性可以分为事前可解释性和事后可解释性13。事前可解释性是通过限制模型的复杂度，训练结构简单、可解释性好的模型来完成的。事后可解释性指的是通过可解释性技术解释已训练好的 AI/ML 模型。64 自适应技术 网络环境中存在各种动态因素，例如用户的移动性、物理环境和资源的时空动态变化等，给智能内生带来了巨大的挑战，但是目前的研究并没有给出完整的自适应学习框架14。强化学习是实现自适应学习的主要技术。在强化学习中，智能体通过选择行动、观察环境的状态以及获得回报，从而得到最优策略，具备在不确定的环境状态下进行决策优化的能力。自学习技术 自学习（AutoML）是指网络可以在一定程度上对模型的

181、结构和模型参数进行自动优化，减少人工干预。根据“没有免费的晚餐”定理，目前还没有 AI/ML 技术能够在所有的学习问题中都取得良好的性能表现，因而 AI/ML 技术的生命周期中许多过程都需要大量的人工参与，例如模型选择、算法选择等15。目前自学习主要可以被应用于超参数优化16、特征工程17 以及神经网络结构搜索18。资源融合适配技术 传统AI/ML技术通常会对网络中的计算、传输带宽、存储和数据等资源产生较大的依赖。因而在网络智慧内生的研究中，应该注重研究能够高效适配网络中资源的AI/ML技术。以高效适配数据资源为例，传统AI/ML技术为保证取得具有良好的准确性和高可靠性，需要满足“拥有足够数量

182、的训练样本”的基本假设19。而在通信网络中获得充足的有效训练样本是十分困难的。首先，随着时间和空间的变化原来的有效训练数据可能会变得不可用。另外，有标签的高质量数据往往很难获得，费时费力而且容易引入人类主观因素导致的错误。因此AI/ML技术高效使用网络中的数据资源对于智能内生十分关键，目前高效适配数据资源的主流AI/ML技术包括迁移学习和元学习等。安全与隐私保护技术 AI/ML技术给网络带来内生智能的同时也引入了诸多安全与隐私问题，大多数AI/ML技术在设计的时候是没有考虑攻击者存在的。AI/ML技术生命周期的各个阶段都会面临不同程度的安全风险，导致模型无法正常工作或者泄露隐私信息。AI/ML

183、技术的安全需求主要有三个方面：机密性、完整性和可用性20。机密性要求AI/ML技术必须保证在未经用户授权的情况下无法获取私密信息，例如训练数据，模型参数等；完整性要求模型结果不能偏离预期；可用性要求AI/ML系统在面临异常输入或恶意输入时仍然具备一定的鲁棒性。65 迁移学习技术 迁移学习是一种机器学习方法，其通过从已学习的相关任务中转移知识来改进学习的新任务。传统机器学习试图单独学习每一个学习任务，即生成多个学习系统，而迁移学习试图将在前几个任务上学到的知识转移到目前的学习任务上，如图6-4所示。迁移学习需要运用已有的知识来学习新的知识，核心是找到已有知识和新知识之间的相似性。图 6-4：迁移

184、学习框架 迁移学习按照学习方式可以分为：（1）基于样本的迁移：通过对源域中有标记样本加权利用完成知识迁移，例如相似的样本就给高的权重；（2）基于特征的迁移：通过将源域和目标域特征变换到相同的空间，并最小化源域和目标域的距离来完成知识迁移；（3）基于模型的迁移：是从源域和目标域中找到他们之间共享的参数信息,以实现迁移的方法。这种迁移方式要求源域中的数据与目标域中的数据可以共享一些模型的参数；（4）基于关系的迁移学习方法：通过在源域中学习概念之间的关系，然后将其类比到目标域中，完成知识的迁移。迁移学习按照迁移情景又可以分为：（1）归纳式迁移：源域、目标域学习任务不同但相关；（2）直推式迁移：源域、

185、目标域不同但相关，学习任务相同；（3）无监督迁移：源域、目标域及任务均不同但相关，均没有标签。分布式 AL/ML 技术 随着在智慧城市框架下智慧交通、智慧工业和智慧医疗等各类应用场景的普及，大量的 IoT 设备将融入网络，进而产生更为庞大的数据量，为依赖于数据的机器学习技术提供了优渥的土壤。另一方面，随着各类智慧场景的多样化和普及化，用于满足各类任务的机器学习模型日趋复杂，模型参数也随之与日俱增。传统的集中式机器学习技术需要将分散在广大地理范围内的数据集中到中央云端。由于其庞大的通信开销和受限的数据存储及计源任务目标任务知识迁移学习系统66 算能力，集中式机器学习技术将难以满足未来人们日益增长

186、的需求。为此，能够将训练任务分配给多台计算设备的分部式机器学习技术应运而生。一般的分布式机器学习技术汇集了多个计算设备的存储和计算能力，采用并行计算的方式大幅度提高模型训练速度。然而，它未能很好地解决实际运用中的系统异构性和数据异构性问题。系统异构性指的是终端设备在计算资源、通信资源和存储能力上的差异，数据异构性指的是所有参与训练的用户所携带的数据集的非独立同分布（non-IID）特性。除此之外，一般的分布式机器学习需要用户上传本地的原始数据参与全局训练，这使得这种技术存在泄露用户隐私的隐患。为了解决上述问题，联邦学习作为一种特殊的分布式机器学习新范式开始受到人们的广泛关注。联邦学习不要求用户

187、将原始数据上传至中央云端进行模型训练，取而代之的是只需上传本地训练的模型参数。它不仅可以开发利用网络边缘的存储和计算能力，还大幅度减小了需要通信的数据量，除此之外，用户的原始数据不需要离开本地，一定程度上降低了隐私泄露的风险。另一方面，参与联邦学习的用户所携带的数据天然具有非独立同分布的特性，且部分用户所携带的数据量较小，难以独立训练出效果好且泛化能力强的 AI 模型。联邦学习有潜力解决数据非独立同分布的问题，并训练出更接近数据真实概率分布的 AI 模型；与此同时，数据量较小的用户还有机会借助其他用户的训练成果优化本地的模型，从而得到一个更具泛化能力的全局模型。根据数据分割方式的不同，联邦学习

188、可以分为水平联邦学习，垂直联邦学习和混合联邦学习21。水平联邦学习指参与联邦的用户共享相同的特征，而各自拥有的样本有所差异；垂直联邦学习指参与联邦的用户共享相同的样本，而各自拥有的特征有所差异；混合联邦学习指参与联邦的用户在各自的样本以及特征上均有所差异。不同类型的联邦学习采用不同的模型聚合方式，训练过程中所需通信的信息种类也不尽相同。发展能够适应不同数据分割类型并灵活应对多模态和多任务的机器学习场景的智能化联邦学习技术，对实现 6G 智能内生的网络框架有着十分重大的现实意义。6G 智能内生网络框架下的分布式机器学习技术应从下面几个方面出发，以满足人们对智能化服务日益增长的需求：云边共存 能够

189、利用网络边缘服务器的存储和计算能力训练局部的 AI 模型，大幅度降低终端用户与部署在远程中央云端的通信开销。再通过中央云端协同各个边缘节点，合作训练出覆盖更多用户，更具泛化能力的 AI 模型。67 隐私与安全保障 能够确保在合作训练的过程当中用户的私密数据不会被主动泄露，也不会被具有恶意的用户或者实体进行反向推理或者恶意攻击（包含数据投毒等各类攻击手段）。混合型合作训练 能够识别和适应用户携带的数据集的不同特点，自动适配相应的模型和算法用以应对用户在样本空间和特征空间的不同数据分割类型，合作训练出一个具有更高精度的 AI 模型。公平与个性化兼备 能够避免模型的预测结果对特定用户群体有所偏见，平

190、衡模型对各类型用户（携带数据量大小或计算能力强弱）的训练和预测表现，提供具备较强泛化能力的 AI 模型；与此同时，还能提供个性化 AI 模型，用以满足不同用户对于任务偏好、隐私等级、时延程度等指标的差异化需求。6.5.4.技术应用 无线信道建模 传统的信道建模方法需要根据大量实测数据统计信道特征，利用电磁波传播理论分析无线传播模型，具有场景局限性，复杂度较高。将大尺度衰落和小尺度衰落抽象为机器学习算法易于处理的分类和回归问题，可有效减少传统方法处理复杂无线信道数据的步骤。网络资源管理 在多维资源联合优化方面，时间尺度优化方法可解决整个系统待分配的资源时间尺度不一致问题。基于多智能体强化学习制定

191、资源管理策略，可以有效应对优化问题无闭式解、离散变量和高维度的挑战。6.6.安全可信关键技术 6.6.1.技术背景 随着6G智能内生网络进一步朝着资源边缘化和网络分布式演进，计算和智能下沉带来的数据和通信的安全可信成为新的问题。6.6.2.技术需求 6G智能内生网络的安全可信应具备以下两个需求：68 安全泛在 智能内生的 6G 网络中，机器学习和大数据分析技术在安全方面将得到广泛和深度的应用。在 AI 技术的赋能下，6G 智能内生网络能够建立端、边、网、云智能主体间的泛在交互和协同机制，准确感知网络安全态势并预测潜在风险，进而通过智能共识决策机制完成自主优化演进，实现主动纵深安全防御和安全风险

192、自动处置。可信增强 信任是实现 6G 智能内生网络安全的基础，与传统的信任体系相比，6G 智能内生网络中的信任机制在多个方面需得到增强。在数据共享方面，区块链技术具有较强的防篡改能力和恢复能力，能够帮助 6G 智能内生网络构建安全可信的通信环境。在密码学方面，量子密钥等增强的密码技术，为 6G 智能内生网络安全提供了更强大的安全保证。在隐私保护方面，隐私计算可以为 6G 智能内生网络提供一个时间上持续、场景上普适、隐私信息模态上通用的体系化隐私解决方案，实现对隐私信息的全生命周期保护。6.6.3.技术分类 区块链技术 区块链是一种由多方共同维护，使用密码学保证传输和访问安全，能够实现数据一致存

193、储、难以篡改、防止抵赖的记账技术，也称为分布式账本技术22。典型的区块链以块-链结构存储数据，是一种在不可信的竞争环境中低成本建立信任的新型计算范式和协作模式。区块链系统中，各参与方按照事先约定的规则共同存储信息并达成共识。为了防止共识信息被篡改，系统以区块为单位存储数据，区块之间按照时间顺序、结合哈希算法构成链式数据结构，通过共识机制选出记录节点，由该节点决定最新区块的数据，其他节点共同参与最新区块数据的验证、存储和维护，数据一经确认，就难以删除和更改，只能进行授权查询操作。量子密钥分发技术 量子通信作为量子信息科学的重要分支，是利用量子态作为信息载体来进行信息交互的通信技术。量子密钥分发是

194、量子通信的典型应用形式，可以在空间分离的用户之间以信息理论安全的方式共享密钥，可用来实现信息的安全传输。与经典密码体制不同，量子密钥分发的安全性基于量子力学的基本原理，其使用量子态来编码信息，通过对量子态的制备、传输和检测来达到安全分发随机数即密钥的目的。即便窃听者控制了通道线路，只要窃听者没有掌握能攻入合法用户设备内部的侧信道，量子密钥分发技术就能让空间分69 离的用户共享安全的密钥。量子密钥分发的这种安全性，与计算复杂度无关，因此不论对手拥有多大的计算能力，其安全性都不会受到影响。隐私保护技术 隐私计算是一类在处理和分析计算数据的过程中能保持数据不透明、不泄露、无法被计算方法以及其他非授权

195、方获取的技术方案。隐私计算的目标是在完成计算任务的基础上，实现数据计算过程和数据计算结果的隐私保护。数据计算过程的隐私保护指参与方在整个计算过程中难以得到除计算结果以外的额外信息，数据计算结果的隐私保护指参与方难以基于计算结果逆推原始输入数据和隐私信息。与传统数据使用方式相比，隐私计算的加密机制能够增强对于数据的保护，降低数据泄露风险，并在保证原始数据安全和隐私性的同时，完成对数据的计算和分析任务。6.6.4.技术应用 区块链技术 区块链以其特有的哈希链式基本架构和显著特征，赋予 6G 智能内生网络安全新的内涵。区块链的技术特征，为 6G 安全可信管理，构建信任联盟提供了新的技术支撑。基于区块

196、链的多方运营协作、多方资源共享和联合用户管理等创新业务模式，将更好地匹配 6G 智能内生网络去中心化、业务边缘化、用户个性化通信的特点。将区块链与身份认证结合，可实现身份自主管控、不可篡改、有限匿名等，解决 6G 智能内生网络多方信任管理、跨域信任传递、海量用户管理等难题。量子密钥分发技术 量子密钥分发技术可以用于增强 6G 智能内生网络的安全性。量子密钥分发可以应用于通信协议的不同层，如图 6-5 所示，例如量子密钥分发可以与数据链路层的 PPP 协议和MACsec 协议结合使用，也可与网络层的 IPSec 协议结合使用，还可以与传输层的 TLS、SSL 等协议进行集成使用以增强现有协议的安

197、全性；此外，利用量子密钥分发可以为 6G 智能内生网络中的通信两端提供对称共享密钥，既可以用于进行用户的身份认证或鉴权，也可以用于实现业务载荷的加密传输；在 6G 智能内生网络不同的数据中心之间进行数据备份等业务时，数据中心间的链路加密机可通过量子密钥分发按需更换密钥，用于保障数据中心之间数据传输的安全性。70 图6-5：基于量子秘钥分发的6G智能内生网络安全示意图 隐私保护技术 6G 智能内生网络将实现真正的万物互联，实现包括陆海空天在内的全球无缝覆盖，同时 6G 智能内生网络使得数字世界与物理世界深度融合，社会管理、经济生产、人类生活将愈发依赖可靠的网络运行。这将导致大量涉及社会管理、经济

198、运行的重要数据和个人隐私信息将通过网络传输存储。隐私计算作为信息安全的核心技术之一，可以为 6G 智能内生网络提供一个时间上持续、场景上普适、隐私信息模态上通用的体系化隐私解决方案，实现对隐私信息的全生命周期保护。6.7.融合关键技术 6.7.1.数字孪生 6.7.1.1.技术背景 未来 6G 网络需要面向网络全要素、全生命周期、全功能层级，提供系统化、智能化的智能化网络管理服务，实现与垂直行业的融合发展。6.7.1.2.技术需求 数字孪生通过对物理系统的智能感知，全面实时连接，构建实时完整映射的数字孪生体，在数字层面实现机理与数据融合驱动建模、智能决策、自主智能控制等，并闭环反作用于物理系统

199、，驱动物理世界的多要素高效协同与智能联动。数字孪生的核心思想是预测控制的“牛顿定律”，即在给定当前系统状态与控制的条件下,可以通过解析的方式求解下一时刻状态,从而精确预测其行为的系统为“牛顿系统”。应用层传输层网络层数据链路层物理层应用层传输层网络层数据链路层物理层收端6G智能内生网络量子秘钥分发系统量子秘钥分发系统发端量子信道71 因此，数字孪生是物理对象与模型双向驱动，物理对象传感提供实时运行数据调整数学模型，数学模型可充分利用实时数据，进行网络优化控制、预测输出、对未出现问题的提前发现处理，用神经网络模型构建数字孪生驱动模型，可以通过知识、经验补充数据不足，也可以通过加强对网络的感知，利

200、用迁移学习等技术，解决数据不足问题。6.7.1.3.技术分类 基于数字孪生技术可以实现智能网络规划优化、故障分析、诊断、预测等。基于数字孪生的网络智能内生技术，可以实现网络全要素的数字化表达，建立跨系统的互操作性，提高数字化资源复用性和可扩展性，支撑网络智能内生的实现。6.7.1.4.技术应用 以网络故障诊断为例，如图 6-6 所示。比如原始的故障诊断是基于数据的故障诊断，其中主要运用的是深度神经网络（DNN），需要训练数据和测试数据遵循相同的分布、全面和平衡的数据集，但随着分布变化以及故障数据并不充分足够，DNN 性能会降低。为了解决这个问题，可以利用数字孪生和深度迁移学习相结合的故障诊断方

201、法。首先使用一种无监督的深度学习方法，在没有先验知识的情况下，从大量的未标记的模拟数据中提取具有代表性的特征，在此阶段，根据设计方案在虚拟孪生空间中建立高保真动态虚拟模型，对物理实体进行映射。然后，利用转移学习特点，从一个或多个源域提取知识，以便在相关但不同的目标域中使用，将在虚拟空间中训练的深层学习模型转移到物理空间中，它利用共享知识，避免遗忘，更好的特征提取性能，而不是直接用目标数据训练模型，深度迁移学习可以将虚拟空间中的仿真数据中的故障信息传递给物理空间。这样大量的数据集被用来预先训练一个原始的诊断模型，然后使用少量的数据来微调模型。数字孪生网络完全符合其相应的物理实体，可以产生大量的故

202、障数据，而不会造成网络损坏。图6-6：基于数字孪生的网络运维管理系统示意图 72 6.7.2.知识图谱 6.7.2.1.技术背景 知识图谱就是通过不同知识的关联性形成一个网状的知识结构，是实现认知智能的关键技术，是实现机器认知智能的使能器23。6.7.2.2.技术需求 知识图谱丰富了节点和边的语义信息，反映实体及实体间的关系，把不同的信息连接在一起而得到的一个语义关系网络。知识图谱作为一种语义网络，是大数据时代知识表示的重要方式之一，知识图谱作为一种技术体系，是大数据时代知识工程的代表性进展。传统知识工程，专家构建，代价高昂，规模有限；知识图谱包括垂直领域知识图谱和开放领域知识图谱，垂直领域的

203、知识图谱是面向特定的领域和行业，比如医疗知识图谱、工业知识图谱等，数据来源是特定的行业语料，强调知识的深度，而不是广度；开放领域知识图谱的构建知识来源广泛，强调知识的广度，对深度要求不高。知识边界易于突破，难以适应大数据时代开放应用到规模化需求。大规模开放应用需要基于大数据和知识形成大规模知识库。6.7.2.3.技术分类 知识图谱富含实体、概念、属性、关系等信息，使得机器理解与解释成为可能。对机器来说就是图谱，形成知识图谱的过程本质是在建立认知，理解世界，理解应用的行业或者说领域。机器理解数据的本质就是建立从数据到知识库中实体、概念、关系的映射，而机器解释现象的本质就是利用知识库中实体、概念、

204、关系解释现象的过程。这一过程体现了基于知识图谱的认知智能。机器语言理解需要背景知识，知识图谱使能机器语义认知，解释取决于人类认知的基本框架，概念、属性、关系是认知的基石，知识图谱使能可解释人工智能。“数据驱动”利用统计模式解决问题，单纯依赖统计模式难以有效解决很多实际问题，并且无法有效的利用已有的先验知识，造成了数据资源的浪费，而知识引导将成为解决问题的主要方式。基于数据和知识混合的机器智能，知识将显著增强机器学习能力，降低机器学习模型的大样本依赖，提高学习的经济性，提高机器学习模型对于先验知识的利用效率，增强机器学习模型与先验知识的一致性。73 6.7.2.4.技术应用 构建一个完整的知识图

205、谱一般会经历以下步骤：1、收集数据，确认拥有什么可使用的数据，去收集，然后对数据做最基本的处理；2、知识定义，结合所拥有的数据以及知识图谱的用途，定义知识模式，定义实体类型和实体之间的关系；3、知识获取，前面收集的数据只是一些零散的信息，距离成为可以使用的知识还很远，所以需要使用命名实识别、关系抽取、属性抽取等技术去获取知识；4、知识融合，由于知识的来源可能多种多样，当获取了知识之后，有必要将知识做融合；5、知识存储，当有了知识后，需要将其存储，存储的目的是方便对知识的查询和推理应用，目前流行的是使用图数据库 neo4j 来存储；6、知识赋能应用，有了知识图谱就可以利用其去支持一些应用，一些常

206、见的应用如智能问答、辅助决策、金融风控等。随着网络规模持续扩大，复杂且异构的网络环境给智能网络规划、优化、自动化的智能运维管理带来了严峻的挑战。知识图谱能够将海量的信息、数据以及链接关系聚集为知识，使信息资源更易于计算、理解以及评价，从而形成一套 Web 语义知识库，为海量、异构、动态的大数据表达、组织、管理以及利用提供了一种更为有效的方式，使网络的智能化水平更高，更加接近于人类的认知思维。6.7.3.通感算融合 6.7.3.1.技术背景 以智慧城市、智慧交通、智能家居为代表的 6G 典型应用场景中存在着大量能力高度差异化的智能自动化设备，对极低时延、极高可靠性、超大带宽、海量接入等方面的通信

207、需求越发严苛，智能自动化类型的应用对感知能力也提出了高精度、高分辨率等要求。一方面，数目激增的无线通信、感知设备使得业务需求的无止境增长与无线资源和算力有限的矛盾愈发突出；另一方面，6G 愿景的实现需要借助对环境感知信息的获取、信息交互与共享、智能信息处理、到控制信息（包括对通信网络的控制信息及应用执行设备的控制指令）逐层分发的闭环信息流处理。现有无线网络架构和相关技术已经难以满足 6G 时代不断涌现的应用需求，亟待研发资源高效利用、差异化应用智能适配的新型网络架构和使能技术24。6.7.3.2.技术需求 6G 将打破终端信息采集、网络信息传递、云端信息计算的烟囱式信息处理与服务框架，构建可实

208、现实时数据采集与预处理、快速信息分析、决策及计算协同的全新网络框架。具体而言，6G 智能网络将是通信网络、感知网络和算力网络的融合体，即通过将数据74 通信、多模态信息感知、信息处理与分布式计算等技术实现深度融合，实现通感算资源，功能服务和数据之间的有效组织和联动。6.7.3.3.技术分类 6G 智能内生网络将在三个层次，即资源层、功能层与业务层，实现通感算深度融合。(1)资源层 资源层即包括天线、频谱和网络基础设施等传统资源，也包括数据、算力、算法、AI模型等新兴资源。其中，数据作为一种新兴资源被普遍认为是目前大量机器学习模型训练和算法构建的重要基础。与频谱和网络基础设施等传统资源不同，数据

209、资源与用户隐私密切相关，这对基于用户和网络感知数据的通感算融合技术带来巨大挑战。具体而言，按照隐私需求，数据资源可大致分为下述三类：（1）公开数据，如去除了用户信息的各种宏观大数据、（2）有限/局部共享数据，如网络运维所需的网络状态和业务数据等，和（3）私有数据，如单个用户的行为及偏好数据等。对公开数据而言，虽然其具有易共享并可直接与大量计算与协同决策算法相结合实现自适配模型训练与优化决策，但由于公开数据一般要求隐去用户地理位置和使用时间等敏感信息，因此导致适用场景和业务类型具有较大的局限性。相比而言，私有数据一般能够为用户提供具有个性化和更加精准的网络资源与业务适配，但是一般而言私有数据较难

210、获得。如何打通数据需求和隐私保护间的鸿沟，在不侵犯用户隐私的前提下实现数据与计算模型及决策的最优适配是实现通感算融合的重要前提之一。除此之外，传统通信网络以传输用户业务数据为主，因此，通信网络设计与优化所追求大带宽均已最大化用户业务数据传输可使用的带宽为基础。随着大量人工智能算法对数据传输和协同的需求量不断提高，未来网络将需要承载大量机器学习所需的训练数据和分布式计算所需的协同数据，从而可能导致网络带宽不断增大的同时，用户业务传输可使用的通信带宽不增反减的情况出现。如何在用户业务传输数据及智能算法训练和计算协同数据间取得平衡将是 6G 智能内生网络的重要挑战之一。通感算三者之间对资源需求之间的

211、相互矛盾将可能成为 6G 网络智能化发展的重要阻碍之一。因此，亟需设计和开发可在满足 6G 网络对用户业务通信带宽、时延和连接数等需求的同时，提升网络的智能化程度并降低网络运维和部署成本的全新方法与技术。具体而言，我们不仅要设计可融合数据感知、传输、运算、存储等环节的全新架构，还需要实现AI/ML 方法与数据、算力、带宽、业务场景和需求等的一体化整合。通过建立包括多模态75 感知、联邦学习、自动机器学习和并行计算与分布式协同技术等在内的新兴技术，实现通感算的深入融合。(2)功能层 功能层包括通感算协同控制、跨资源调度、多网络互操作及动态决策等功能实体。在现有网络中通信功能、感知功能和计算及存储

212、模块相对独立且有不同的运营商和服务供应商提供。6G 网络将可能存在多个不同的设备商、运营商、资源供应商和内容提供商共存的场景。通信网络基础设施、计算能力、存储能力、算法与海量业务数据功能模块分离且由不同的网络和供应商部署和运维将导致网络智能决策效率低、效果差且所支持业务和功能受限。因此，亟需设计可实现通信功能、感知与数据采集功能及计算与机器学习功能统一调度与协同的接口与方法。具体而言，通过将在不同区域和时间的多模态感知数据实时传输并融合到控制与决策功能模块，可实现网络运维的自动适配、降低管理和运维延迟并提升网络智能算法和模型决策效率并改善精度。同样的，通过将通信功能模块与感知和计算功能模块深度

213、融合可实现感知信息按需传送。最后，通过设计可根据感知和通信功能实时适配的分布式并行计算功能模块，并结合分布式计算与联邦学习架构，可实现跨区域、跨业务特征与跨数据的网络智能化解决方案，实现高可靠、低延迟和高资源利用率的全局决策优化。(3)业务层 通感算融合技术不光能显著提升包括网络资源调度和智能运维等在内的现有业务的执行效率、可靠性、安全性和智能度，还将将赋能以沉浸式、交互式和高度智能化为代表的大量 6G 新兴业务。具体而言，目前依赖提前采集和标注数据所训练出的网络智能化模型难以实现网络资源的按需共享和自动适配。通过通感算融合技术能够支撑未来复杂业务和包括通信网络、数据和算力等在内的大量异构资源

214、的自动智能适配与动态调整。此外，通感算融合技术也将成为大量新兴业务的重要基础性技术之一。例如，通过对包含人和物及所在环境的多模态跨域感知和实时决策可实现从物理空间到虚拟空间的无缝衔接，改善包括数字孪生、虚拟现实和全息通信等新兴业务的用户体验。此外，针对交互式业务领域，通感算融合技术也能够实时感知和计算多方交互时各方的业务体验与反馈信息，并在交互的同时实现自动学习及纠错。76 6.7.3.4.技术应用 通感算融合的 6G 网络通过多维感知、协作通信、智能计算的深度融合，将在智能家居、智能工厂、智能办公、医疗健康、智慧交通、无人机网络、空天地一体化网络、环境监测、文化计算、元宇宙等领域得到广泛应用

215、。7.Use Case 在架构中的应用 为说明内生 AI 服务在网络架构中的流转过程，本节基于图 6-1 定义的 6G 智能内生网络体系架构对网络内部和外部用户使用 AI 服务应用场景的实施过程进行推演。7.1.请求 AI 服务应用场景 应用场景说明：网络内部功能 NF 或外部服务对象向 6G 网络请求 AI 服务用于预测某区域某时段的用户流量模式，网络执行流量预测模型的 AI 模型训练和 AI 模型推理任务。（1）AI 模型训练 提供 AI 模型训练服务的主要流程如图 7-1 所示。算法功能数据功能编排管理功能计算功能连接功能能力开放计算能力数据能力智能能力安全功能管理能力CaaSDaaSA

216、IaaSMaaS异构资源（频谱、算力、连接、数据）服务对象（内部、终端用户、第三方合作伙伴）协同控制功能内嵌智能信息交互网络连接能力NCaaS AI服务请求 AI服务融合编排，子任务下发 AI要素的协同调度和控制 QoS优化和控制 执行连接处理 执行计算处理 执行数据处理 执行算法处理 返回服务运行结果 AI服务请求 77 图 7-1 AI 训练服务请求和处理流程 Step 1：网络内部功能单元或外部服务对象通过能力开放接口向编排管理功能单元发起AI 模型训练服务请求，请求内容包括该服务任务的功能和性能需求。备注：终端作为一种外部服务对象可通过 NAS 信令接入智能能力，NAS 信令接入功能可

217、以在能力开放接口、AMF 等实体中实现，对此本文不做细节讨论。Step 2：编排管理功能接收服务请求，对 AI 训练服务的任务进行需求分析，结合网络中算力、算法、数据、连接服务的能力，对任务的 AI 要素进行子任务分解。由于该任务需要使用多区域的数据源进行联合训练，因此编排管理功能决定采用分布式算力节点，基于分布式联邦学习进行模型训练。编排管理功能完成对任务的分解、编排和相关参数的设定，并将子任务和任务工作流下发给协同控制功能。Step 3：协同控制功能接收任务指令后，对算力、算法、数据和连接四要素的资源、能力、位置、状态进行分析，根据工作流设定，选择合适的节点，完成工作流、节点间的协同控制。

218、通过控制消息向算法功能下发启动 AI 联邦学习模型训练服务，执行联邦学习集成环境和工作流的构建。以 AI 训练服务为中心，协同控制功能向数据功能下发启动数据服务，执行数据采集和处理，向计算功能下发启动 AI 计算服务，执行 AI 训练的计算任务。根据训练服务、计算服务、数据服务的生成结果，协同控制功能向连接功能下发启动连接服务，执行训练服务、计算服务、数据服务的连接调度和传输需求。Step 4：各功能节点根据协同控制功能的指令要求，一方面执行各自的功能分工，另一方面与其他功能配合，共同实现面向 AI 的融合服务。其中 AI 训练服务，负责 AI 训练服务的自动化生成、部署和集成，包括在联邦学习

219、过程中多节点的参数聚合、多方协同等。数据服务负责数据的采集、处理和提供，AI计算服务负责AI训练时分布式联邦学习计算任务，根据训练服务的需求，计算服务包括多个，且部署在多个计算节点上。Step 5：在训练过程中协同控制功能单元监控各服务的 QoS 信息，并在 QoS 指标偏离预期启动 QoS 优化策略的调整。Step 6：协同控制功能监控任务的执行进度，算法功能在训练任务执行完毕后，存储已训练的 AI 模型，通知协同控制功能和编排管理功能，向网络内部功能单元或外部服务对象返回推理结果。训练任务执行完毕后，在协同控制功能的统一控制下各功能执行任务终止和资源的回收。（2）AI 模型推理 Step

220、1：网络功能单元或外部服务对象通过能力开放接口向编排管理单元发起某区域某时段的流量预测请求 Step 2：编排管理功能基于任务的编排和分解，将分解后的 AI 推理任务下发给协同控制功能单元，协同控制单元接收指令后，对算力、算法、数据和连接四要素进行资源、能力、位置、状态进行分析，通过控制消息向算法功能下发启动 AI 推理服务指令，算法功能负责78 AI 推理服务的自动化生成、部署和集成。以 AI 推理服务为中心，协同控制功能向数据功能下发启动数据服务指令，数据服务负责数据采集、处理和提供。协同控制功能向计算功能下发启动计算服务指令，计算服务可能在 1 个或若干个算力节点上，计算服务负责执行 A

221、I 推理计算任务。协同控制单元向连接功能下发连接服务命令，连接服务负责推理服务、计算服务、数据服务的的连接调度和传输需求。Step 3：在推理过程中协同控制功能单元监控各服务的 QoS 信息，并在 QoS 指标偏离预期启动 QoS 优化策略的调整。Step 4：由算法功能控制任务的执行进度，并在推理任务执行完毕后，通知协同控制功能和编排管理功能，向网络内部功能单元或外部服务对象返回推理结果。Step 5：推理任务执行完毕后，在协同控制功能的统一控制下各功能执行任务终止和资源的回收。7.2.请求计算服务应用场景 算法功能数据功能编排管理功能计算功能连接功能能力开放计算能力数据能力智能能力安全功能

222、管理能力CaaSDaaSAIaaSMaaS异构资源（频谱、算力、连接、数据）服务对象（内部、终端用户、第三方合作伙伴）协同控制功能内嵌智能信息交互网络连接能力NCaaS 通算资源编排，计算任务下发 通算资源调度和控制 QoS优化和控制 计算传输 计算执行 返回计算结果 计算服务请求 图 7-2 计算服务请求和处理流程 79 Step 1：网络功能单元或外部服务对象通过能力开放接口向编排管理单元发起计算服务请求；Step 2：编排管理功能基于计算服务请求的 SLA 需求进行计算任务的编排，并将编排的计算任务下发给协同控制功能单元；Step 3：协同控制单元接收计算任务后，对算力和连接进行资源、能

223、力、位置、状态进行分析从而分解计算任务，最终选择一个或多个计算功能节点，将一个或多个计算子任务发送给这些计算功能节点，并调度这些计算功能节点之间的连接功能；同时感知计算功能节点的计算状态与连接功能的连接状态；Step 4：计算功能节点、连接功能节点在协同控制功能就控制下进行计算执行与计算传输，并上报计算功能的计算状态与连接功能的连接状态；Step 5：在计算过程中协同控制功能单元基于监控到的计算状态与连接状态确定计算任务的当前 QoS 信息，并在 QoS 指标偏离预期启动 QoS 优化策略的调整计算功能节点上的计算子任务和连接功能的连接；Step 6：由协同控制功能监控计算任务的执行进度，并在

224、计算任务执行完毕后，向网络内部功能单元或外部服务对象返回计算任务结果；Step 7：计算任务执行完毕后，在协同控制功能的统一控制下各功能执行任务终止和资源的回收。7.3.请求数据服务应用场景 应用场景说明：网络外部服务对象请求数据服务，例如用于 AI 推理的网络数据集，提供数据服务的主要流程如图 7-3 所示。80 算法功能数据功能编排管理功能计算功能连接功能能力开放计算能力数据能力智能能力安全功能管理能力CaaSDaaSAIaaSMaaS异构资源（频谱、算力、连接、数据）服务对象（内部、终端用户、第三方合作伙伴）协同控制功能内嵌智能信息交互网络连接能力NCaaS 数据服务融合编排，子任务下发

225、 数据要素的协同调度和控制 QoS优化和控制 执行连接处理 执行数据处理 返回服务运行结果 数据服务请求 图 7-3 数据服务请求和处理流程 Step 1：网络外部服务对象通过能力开放接口向编排管理功能单元发起数据服务请求，请求内容包括数据服务的功能和 SLA 需求；Step 2：编排管理功能基于数据服务请求的 SLA 需求进行数据任务的编排，并将编排的数据任务下发给协同控制功能单元；Step 3：协同控制单元接收计算任务后，对数据和连接进行资源、能力、位置、状态进行分析从而分解数据任务，最终选择一个或多个数据源和数据处理节点，将一个或多个数据子任务发送给这些数据功能节点，并调度这些数据源和数

226、据处理节点之间的连接功能；同时感知数据功能节点的处理状态与连接功能的连接状态；Step 4：数据功能节点、连接功能节点在协同控制功能就控制下进行数据处理与数据传输，并上报数据功能的处理状态与连接功能的连接状态；Step 5：在训练过程中协同控制功能单元监控各服务的 QoS 信息，并在 QoS 指标偏离预期启动 QoS 优化策略的调整。Step 6：由协同控制功能监控数据任务的执行进度，并在数据处理任务执行完毕后，由数据功能向网络外部服务对象返回数据处理任务结果；81 8.总结和展望 目前，6G 智能内生的网络架构和关键技术的研究还处于探索阶段，本报告对 6G 智能内生网络的相关理念、方案和关键

227、技术进行了有益的探索，并达成了一定的共识。报告从 6G网络智能内生的驱动力出发，分析了 6G 智能内生网络的场景、关键能力和目标，定义了智能内生的内涵与特征，提出了以四要素融合编排和协同控制、分布式智能服务、能力开放服务、异构资源融合为主要特征的 6G 智能内生网络的三层体系架构，并对支撑架构的关键技术进行梳理和分析。随着 6G 智能内生网络架构和关键技术研究的深入，架构在进一步详细设计和实现机制方面还有诸多尚待研究、尚未形成共识的方面。例如：在网络智能化程度的深入，以及网络服务范围和模式变革的背景下，网络管理功能和控制功能如何分工界定？新增 AI 三要素功能的详细设计是沿用通信连接功能设计中

228、控制面、用户面的设计思路，还是借鉴商业云计算（大数据）平台的设计理念，或是相互结合的理念？传统以会话为中心的网络连接实现机制与以任务为中心的业务实现机制如何结合以及他们之间的关系是什么？面向 AI 服务的 QoS体系如何构建、QoS 保障机制如何设计？这些问题有待于进一步研究和讨论，并将作为下一阶段的研究重点。参考文献 1 IMT-2030 推进组.6G 总体愿景与潜在关键技术白皮书.2021 2 Xiaohu You,Cheng-Xiang Wang,Jie Huang,et al.Towards 6G wireless communication networks:Vision,enabl

229、ing technologies,and new paradigm shiftsJ.SCIENCE CHINA Information Sciences,2020.3 张平,牛凯,田辉,等.6G 移动通信技术展望J.通信学报,2019,v.40;No.381(01):145-152.4 Behnaam Aazhang,Petri Ahokangas,Hirley Alves,et al.Key Drivers and Research Challenges for 6G UbiquitousWireless Intelligence(white paper),2019.5 徐晖,孙韶辉.面向

230、6G 的天地一体化信息网络架构研究J.天地一体化信息网络,2021,2(4):9.6 张彤,任奕璟,闫实,等.人工智能驱动的 6G 网络:智慧内生J.电信科学,2020(9).7 IMT-2030 推进组.6G 典型场景和关键能力白皮书.2022.8 中国移动.6G“三体四层五面”网络架构.2022.9 Guangming Shi,Yong Xiao,Yingyu Li,and Xuemei Xie,From Semantic Communication to Semantic-aware Networking:Model,Architecture,and Open Problems,IEEE

231、 Communications Magazine,vol.59,no.8,August 2021.82 10 周洋程,闫实,彭木根.意图驱动的6G无线接入网络J.物联网学报,2020,v.4;No.12(01):76-83.11 W.Samek,G.Montavon,S.Lapuschkin,C.J.Anders,and K.R.Mller,“Explaining Deep Neural Networks and Beyond:A Review of Methods and Applications,”Proc.IEEE,2021,doi:10.1109/JPROC.2021.3060483.

232、12 B.Kim,R.Khanna,and O.Koyejo,“Examples are not enough,learn to criticize!Criticism for interpretability,”2016.13 C.Molnar,“Interpretable Machine Learning.A Guide for Making Black Box Models Explainable.,”Book,2019.14 Yong Xiao,Guangming Shi,Yingyu Li,Walid Saad,and H.Vincent Poor,Toward Self-learn

233、ing Edge Intelligence in 6G,IEEE Communications Magazine,vol.58,no.12,pp.34-40,December 2020.15 Yao Q,Wang M,Chen Y,et al.Taking human out of learning applications:A survey on automated machine learningJ.arXiv preprint arXiv:1810.13306,2018.16 M.Feurer,A.Klein,K.Eggensperger,J.Springenberg,M.Blum,an

234、d F.Hutter,“Efficient and robust automated machine learning,”in Advances in Neural Information Processing Systems,2015,pp.29622970.17 G.Katz,E.C.R.Shin,and D.Song,“Explorekit:Automatic feature generation and selection,”in International Conference on Data Mining,2016,pp.979984.18 B.Zoph and Q.V.Le,“N

235、eural architecture search with reinforcement learning,”in International Conference on Learning Representations,2017.19 庄福振,罗平,何清,史忠植.迁移学习研究进展J.软件学报,2015,26(01):26-39.20 纪守领,杜天宇,李进锋,沈超,李博.机器学习模型安全与隐私研究综述J.软件学报,2021,32(01):41-67.21 Khan,Latif U.,et al.Federated learning for internet of things:Recent a

236、dvances,taxonomy,and open challenges.IEEE Communications Surveys&Tutorials,IEEE,2021,23(3):1759-1799.22 邵奇峰,金澈清,张召,等.区块链技术:架构及进展J.计算机学报,2018.23 杭婷婷,冯钧,陆佳民.知识图谱构建技术:分类,调查和未来方向J.计算机科学,2021.24 中国通信学会.通感算一体化网络前沿报告R,2022 25 石光明,肖泳,李莹玉,高大化,谢雪梅.面向万物智联的语义通信网络J.物联网学报,2021,5(2):26-36.缩略语简表 英文缩写 英文全称 中文解释 3GPP

237、 3rd Generation Partnership Project 第三代合作伙伴计划 AI artificial intelligence 人工智能 AI4NET AI for NET AI 服务于网络 AIaaS AI as a Service 智能服务 83 ASIC Application Specific Integrated Circuit 专用集成电路 CaaS Computing as a Service 计算服务 CNN Convolutional Neural Networks 卷积神经网络 CP Control Plane 控制面 CPU Central Proces

238、sing Unit 中央处理器 DaaS Data as a Service 数据服务 DFS Distributed File System 分布式文件系统 DOICT The Convergence of DT,OT,IT,and CT 数字、运营、信息、通信技术融合 DRB Data Radio Bearer 数据无线承载 E2E End to End 端到端 FPGA Field Programmable Gate Array 现场可编程逻辑门阵列 GAN Graph Neural Networks 图神经网络 GDPR General Data Protection Regulati

239、on 通用数据保护条例 gNB the next Generation Node B 下一代基站 GNN Deep Neural Networks 深度神经网络 GPU Graphics Processing Unit 图形处理器 IaaS Infrastructure as a Service 基础设施服务 IETF The Internet Engineering Task Force 国际互联网工程任务组 IMT International Mobile Telecommunications 国际移动通信 IPFS Inter Planetary File System 星际文件系统 M

240、aaS Management as a Service 管理服务 MAC Medium Access Control 媒体访问控制协议 ML machine learning 机器学习 NAS Non Access Stratum 非接入层 NCaaS Network Connection as a Service 网络连接服务 84 NET4 AI NET for AI 网络服务于 AI NFT Non-Fungible Token 非同质化代币 NFV Network Function Virtualization 网络功能虚拟化 NPU Neural-network Processing

241、 Unit 嵌入式神经网络处理器 OAM Operation Administration and Maintenance 操作管理维护 PaaS Platform as a Service 平台即服务 PDCP Packet Data Convergence Protocol 分组数据汇聚协议 PHY Physical Layer 物理层 PNF Physical Network Function 物理网络功能 QoAIS Quality of AI Service AI 服务质量 QoE Quality of Experience 体验质量 QoS Quality of Service 服

242、务质量 RLC Radio Link Control 无线链路层控制协议 RNN Recurrent Neural Network 循环神经网络 SDAP Service Data Adaptation Protocol 服务数据适配协议 SDN Software Defined Network 软件定义网络 SLA Service Level Agreement 服务级别协议 SMF Session Management Function 会话管理功能 UP User Plane 用户面 UPF User Plane Function 用户面功能 V2X Vehicle to Everyth

243、ing 车用无线通信技术 VL Virtual Link 虚拟链路 VNF Virtual Network Function 虚拟网络功能 VNFFG Virtual Network Function Forwarding Graph VNF 转发图 附录 A：业界对智能内生的相关定义（资料性附录）85 6G 智能内生：技术挑战、架构和关键特征为 6G 网络提出了“智能内生”的基本特征构想，认为 6G 网络将在设计之初就考虑与人工智能技术融合的理念，将 AI 和大数据的应用融入网络的基因当中，根据不同的应用场景需求，按需提供 AI 能力和服务。同时，6G 网络还将通过内生的 AI 功能、协议和

244、信令流程，实现 AI 能力的全面渗透，驱动智能网络向前演进。中国联通 6G 白皮书认为智能原生将成为 6G 的核心基因，实现 AI 与 6G 网络全融合。6G 网络整体演进为拥有自学习、自适应、自生成、自恢复、自伸缩能力的内生智能网络。从智能原生的能力衡量维度来看。6G 网络将在系统架构设计和协议栈设计阶段就考虑 AI 相关需求并对其做标准化和固化，使 6G 网络可以内部自取完成全局的智能化。智能内生能力的衡量除了自学习、自适应、自生成、自恢复、自伸缩等功能特性外，还需要支持对各项智能内生能力进行量化对比。6G：无界，有 AI引入了原生 AI 架构，即将 AI 技术和相关需求融入到网络架构设计

245、、网元和接口实现和运维中，使得 6G 网络能够更好支持 AI 应用和应用 AI 技术更好服务 6G 网络。全域覆盖 场景智联6G 愿景与技术趋势白皮书 指出智能化能力在 6G 将发展为内生智能，即网络可以不需要外界干预，通过例如内嵌的数据处理、机器学习模型的训练、推演与分发等功能实现无线网络智能化。From Cloud AI to Network AI,A View from 6GANA认为 6G 架构旨在提供“原生AI”作为基本特征，而不是对现有网络的简单添加，即 6G 网络将构建为一个原生支持 AI 训练和推理的平台，并为大量 AI 应用程序提供 AI 即服务(AIaaS)。Towards

246、 6G wireless communication networks:vision,enabling technologies,and new paradigm shifts定义了智能内生网络，即通过将 AI 技术引入网络，对网络及其相关用户、服务和环境的多维主客观知识进行表征、构建、学习、应用、更新和反馈。基于所获得的知识，可以实现网络的立体感知、决策推理和动态调整。从而，网络可以根据我们需要的任何新服务自动进行更改。6G 总体愿景与潜在关键技术白皮书指出未来人工智能技术将内生于未来移动通信系统并通过无线架构、无线数据、无线算法和无线应用等呈现出新的智能网络技术体系。AI技术在 6G 网络

247、中是原生的，从 6G 网络设计之初就考虑对 AI 技术的支持，而不只是将 AI 作86 为优化工具。总体上，可以从两个不同角度来看待无线 AI 在 6G 时代的发展方向，即内生智能的新型空口和内生智能的新型网络架构。人工智能驱动的 6G 网络：智能内生认为智能内生是 6G 的核心组成，从网络终端设备、网元节点与网络架构、网络承载业务等多个层次赋予网络“智能”。未来 6G 网络内生智能的探讨与分析 提出将机器学习的训练和推演引入到无线网络，构造具备内生智能的通信系统。智简 6G 无线接入网:架构、技术和展望提出智能内生是 6G 的核心特征之一，6G 并不是现有 5G 与 AI 的简单相加，而是通

248、过通信、计算、缓存、控制协同和 AI 的紧密结合，构造出可重构、功能强大，但又极简极智的一体化无线网络。87 贡献单位 本报告得到 IMT-2030（6G）推进组各位领导、专家的大力支持和指导、IMT-2030（6G）网络工作组各成员单位的大力支持以及多位学术界、产业界同仁的关心和支持。主要贡献单位如下表所示。表1-1 主要贡献单位 序号序号 主要贡献单位主要贡献单位 1 中国移动通信集团有限公司研究院 2 华为技术有限公司 3 中国电信集团有限公司 4 中兴通讯股份有限公司 5 中信科移动通信技术股份有限公司 6 北京邮电大学 7 南京邮电大学 8 华中科技大学 9 中国联合网络通信集团有限公司 10 OPPO广东移动通信有限公司 11 维沃移动通信有限公司(vivo)12 上海诺基亚贝尔 13 联想 14 小米 15 紫金山实验室 16 腾讯云计算（北京）有限责任公司 17 西安电子科技大学 联系方式邮箱：COPYRIGHT2022 IMT-2030(6G)PROMOTION GROUP.ALL RIGHTS RESERVED.微信公众号