1、 引言引言 目录目录 1 1 前言前言 . 1 1 1.1 背景与驱动力 . 1 1.2 相关标准进展 . 1 1.2.1 ETSI . 1 1.2.2 ITU-T . 2 1.2.3 3GPP . 3 2 2 需求分析需求分析 . 4 4 2.1 功能需求分析 . 4 2.2 技术需求分析 . 6 3 3 架构及关键技术架构及关键技术 . 7 7 3.1 总体架构 . 7 3.1.1 用户面 . 8 3.1.2 知识面 . 8 3.1.3 控制面 . 9 3.1.4 数据面 . 10 3.2 关键技术 . 10 3.2.1 网络遥测技术 . 10 3.2.2 知识表征技术 . 16 3.2.

2、3 策略生成技术 . 18 3.2.4 资源调度技术 . 19 3.2.5 策略验证技术 . 23 4 4 应用场景及实践应用场景及实践 . 2525 4.1 基于知识定义的意图网络 . 25 4.1.1 场景介绍 . 25 4.1.2 技术需求 . 26 4.2 知识定义的切片编排 . 27 4.2.1 场景介绍 . 27 4.2.2 技术需求 . 28 4.3 基于网络知识的故障自愈 . 29 4.3.1 场景介绍 . 29 4.3.2 技术需求 . 31 4.4 智慧家庭网络自动化管理 . 32 4.4.1 场景介绍 . 32 4.4.2 技术需求 . 33 4.5 随愿意图网络双闭环架

3、构及开源实践 . 34 4.5.1 场景介绍 . 34 4.5.2 技术需求 . 35 5 5 总结与展望总结与展望 . 3939 缩略语缩略语 . I I 文档作者列表文档作者列表 编写组成员（排名不分先后） ：编写组成员（排名不分先后） ： 贡献者贡献者 单位单位 王敬宇 戚琦 孙海峰 庄子睿 郭岳彬 付霄元 廖建新 北京邮电大学 郭令奇 李博堃 靖宇涵 黄颖 陈晨 李劲 曹予飞 东信北邮信息技术有限公司 李长乐 杨春刚 承楠 西安电子科技大学 王栋 中国电信股份有限公司北京研究院 周铖 杨红伟 陈丹阳 陆璐 刘聪 王静 李连源 邓娟 中国移动研究院 张蕾 杨迪 中国联合网络通信有限公司

4、唐伦 重庆邮电大学 梁文亮 华为技术有限公司 杨光 石磊 王金柱 阿里云计算有限公司 王立磊 郝丹丹 爱立信（中国）通信有限公司 王达 亚信科技(中国)有限公司 舒敏 大唐移动通信设备有限公司 陈芳炯 华南理工大学 吴连涛 上海科技大学 杨婷婷 大连海事大学 肖泳 华中科技大学 郑旷宇 北京航空航天大学 赵顾良 浪潮通信技术有限公司 孙书强 诺基亚贝尔实验室 知识定义的编排与管控 前言前言 6GANA TG5 1 1 前言前言 1.1 背景背景与驱动力与驱动力 美国 MIT 的 D.Clark 教授在 2003 年所提出的知识与知识平面（Knowledge Plane, KP）被认为是一个优秀

5、的自智网络理论发展基础。一方面，知识具有先验性，利用其中的经验或结果，可以加快 AI 的决策速度和准确度。另一方面，知识具有普适性，即，知识中蕴含的经验或结果在不同网络场景可以被复用，处理多种网络状态、网络问题，提高网络编排与管控的灵活性， 避免重复工作。 然而， 尽管 “知识” 具有上述优点， 知识表征网络的范式制定、将 “知识” 融入网络运维框架、 利用 “知识” 推动自智网络领域发展等相关工作却屈指可数。 另外，近年在业界兴起的闭环控制系统，可利用一系列机制和算法，使目标网络或目标系统可以自动化获取并分析数据、学习知识、做出判断、管理资源、优化运行策略等，通过多项能力针对性地解决前文所述

6、的行业痛点。 不仅如此， 使用闭环控制系统对构建智能化网络管理平台已成为许多组织的共识。 例如， 2019 年， GSMA 发布 智能自治网络案例报告 。同年，TMF 发布自动驾驶网络白皮书 。两个组织同时将目光聚焦于智能自智网络，均指出，闭环控制系统是发展自智网络的核心与关键之一。 1.2 相关标准相关标准进展进展 1.2.1 ETSI ETSI 十分重视 AI 技术在 ICT 领域的应用，于 2020 年 6 月发布AI 及其用于 ETSI 的未来方向白皮书。2017 年 2 月，ETSI 成立业界首个网络智能化规范组体验式网络智能行业规范工作组 （Experiential Network

7、ed Intelligence Industry Specification Group， ENI ISG） 。ENI ISG 定义了基于“感知-适应-决策执行”控制模型的认知网络管理架构， 利用 AI 和上下文感知策略来根据用户需求、 环境状况和业务目标的变化来调整网络服务； 通过自动化的服务提供、运营和保障以及切片管理和资源编排优化来提升 5G 网络性能。目前，该工作组的输知识定义的编排与管控 前言前言 2 6GANA TG5 出成果包括术语规范、 概念验证框架、 应用案例、 智能网络分级、 意图感知的自治网以及 ENI架构等。 ENI 系统有两种工作模式建议模式和管理模式。在建议模式下，

8、系统向目标系统提供建议。在管理模式下，ENI 系统在得到目标系统（或指定实体）的同意下直接使目标系统执行应用 ENI 系统提供的决策和命令。通常情况下，为保证系统的稳定运行，ENI 系统启动状态下使用建议模式。 整体来说，ENI 的工作流程可以划分为输入、分析、决策、输出四个子流程。ETSI 组织指出，ENI 没有固定的结构组成。在实际实例化 ENI 的时候，运营商或者设计者可以按照ENI 的工作要求、工作压力、工作环境、设计成本等因素选取适当的模块，自行设计合理的模块拼装顺序，通过按顺序闭环工作实现上述四项子流程达到智能管控的能力。 首先，输入部分确保系统输入的数据被转化为 ENI 内部各个

9、模块可以读取、存储和运用的格式。输入部分被转化好的标准化数据被传入分析部分。目前，输入部分主要包含数据输入模块、数据表转化模块。其次，分析部分在 ENI 系统中主要完成语义标注、知识推演、情境分析和知识存储四个功能。 为了实现该子流程中的任意一个功能， 设计者需要合理地使用知识管理模块、认知管理模块、环境感知模块、情境感知模块中的一个或者多个模块。再者， 决策部分功能主要由模型驱动模块和策略管理模块来实现。 其功能是决定在当前是否要采取新的行动或者改变当前行为以达到目标。 最后， 输出部分的功能由数据输出模块和数据转译模块实现。这两个模块的设计可以视需求合并为一个模块，其功能是将 ENI 系统

10、的建议或者命令正确地传输给目标系统。 1.2.2 ITU-T ITU-T 主要由 SG13 进行在“未来网络”中实现机器学习的研究工作。 ITU-T SG13 于 2017年 11 月成立了面向包括 5G 在内的“未来网络”机器学习（ML5G）焦点组。该焦点组负责起草机器学习适用于“未来网络”的技术报告和规范， 包括网络体系结构、 接口、 协议、 算法、应用案例与数据格式等。目前，ML5G 第二阶段工作已于 2020 年 7 月结束，后续的研究将在 ITU-T SG13 继续推进。除了 ITU-T SG13，在 ITU-T SG15 于 2020 年 1 月的全会上，Q12和Q14确定将“机器

11、学习如何应用到传送网”纳入标准工作范围， 并希望能够充分分析AI/ML在传送网中的用途； 如何将机器学习应用于传送网现有的功能和运维中并能够给传送网带来哪些新的能力； 分析除了现有的管理和控制系统之外， 还有哪些场景需要使用 AI 技术。 SG16于 2019 年成立 Q5 聚焦 AI 技术与多媒体应用的融合及影响，并进行相应标准化工作。 知识定义的编排与管控 前言前言 6GANA TG5 3 1.2.3 3GPP 3GPP SA WG5 在 2018 年 9 月的第 81 次会上通过了“意图驱动的移动网络管理服务（IDMS_MN）”，在该项目的输出 TR 28.812 中明确了意图驱动的网络

12、管理服务的概念、自动化机制、应用场景以及描述意图的机制等。在 2020 年 6 月召开的第 131 次会议上，3GPP SA WG5 成立“自治网络分级（Autonomous Network Levels，ANL）”标准项目，该项目由中国移动作为独立报告人牵头， 旨在在3GPP框架内， 基于网络“规-建-维-优”四大类典型场景，规范自治网络的工作流程、管理要求和分级方法，明确不同网络自治能力标准对 3GPP 现有功能特性的增强技术要求，牵引网络智能化相关标准工作。 知识定义的编排与管控 需求分析需求分析 4 6GANA TG5 2 需求分析需求分析 2.1 功能需求分析功能需求分析 近年，软件

13、定义网络（Software Defined Network， SDN）的兴起为计算机通信网络注入了新的活力， 该架构提供了更加灵活可用的网络管理接口， 提供了全局的网络运行状态视角，然而它仍然没有回答一个关键的问题：如何理解当前网络的运行状态，并将这一理解应用到网络管理、 优化和控制当中？近年， A Mestres 等人又重新整理了 “知识” 、“知识平面”及相关概念，认为这些概念正是解决上文问题的关键所在。有鉴于此，工作组提出“网络知识”的概念。网络知识是网络利用 AI 算法，通过对自身各类新旧数据、外部信息的学习推理，形成的可以增强编排与管控智能性、自主性的结构性经验积累。 工作组总结出自

14、智网络的三个核心特点： 智能管控的极其简洁的网络架构、 数据与知识相结合的的网络自驱动的学习机制、全场景全业务动态联合优化，以上三点在“自智网络”中缺一不可。在这之中，数据与知识相结合的的网络自驱动学习机制是“自智网络”智能的基础，它能够实现网际间亦或是网络内的学习优化，并构成一个全局最优化体系，有助于实现“自智网络” 。 基于上述需求，结合 SDN 架构、数据与知识相结合的的网络自驱动、闭环管理系统，知识定义的编排与管控应运而生。 将网络知识组成图谱， 结合预训练模型， 共同应用于 SDN架构， 形成具有更高智能性的网络决策管理过程。 利用预训练模型知识的先验性特征加速 AI的决策速度并提高

15、准确度， 以缩短网络决策和资源调度过程的时间消耗， 应对业务需求对网络策略和资源配给的实时性愈发敏感的网络发展特点。不仅如此，网络利用各类数据，通过对网络知识的推理和挖掘，形成具有普适性的经验和结果。网络可以通过修正、微调已知的结果实现决策或调度，无需随着网络变化重新开始进行新的 AI 决策，这一优势在编排与管控复杂的网络时能够进一步提高网络的智能性。 因此，我们认为知识定义的编排与管控将成为资源规划、调度、保障的新方向，成为推动网络智能化，实现“自智网络”的重要手段之一。如图 2.1 所示，根据对相关的应用场景的分析可知知识定义应该具有下述几个功能： 知识定义的编排与管控 需求分析需求分析

16、6GANA TG5 5 图图 2.1 知识定义的闭环功能流程图知识定义的闭环功能流程图 第一个功能为网络数据收集功能。 系统应能够实时感知所管控的网络中的网络状态信息，包括：网络拓扑、流量特征、故障信息、业务信息等。 第二个功能是知识表征的功能。应能依照历史数据、历史网络策略、人为规则，学习与生成网络策略相关的网络知识， 同时也可以从运维手册、 故障日志中学习与网络故障相关的网络知识的能力。 第三个功能为故障定位的功能。应当能够快速分析实时网络数据，通过利用网络知识，准确定位网络中的故障信息，并结合 AI 模型，快速做出根因分析，以及智能生成解决故障的决策方案。 第四个功能为智能网络决策的功能

17、。 具备利用网络知识和实时感知的数据， 针对业务特点与使用场景特异化，快速、准确地生成网络策略，智能地、动态地为网络中的业务分配网络资源，保证资源供给合理，资源调配及时准确；另一方面，利用知识库中的故障知识图谱及有关的根因分析，合理地调整网络管控策略，解决网络中存在的故障。 第五个功能是网络策略验证的功能。 需要通过智能算法模拟网络应用待下发的网络策略后的网络状态，检测可能出现的网络故障，对业务 QoS 的满足情况等等，以此验证网络策略的正确性、合理性。 第六个功能为用户反馈的功能。 需要保证提供给用户一个输入平台， 允许用户实时监控相关网络的运行状态。同时该能力也应当兼备运维人员接管网络编排

18、与管控的功能。 知识定义的编排与管控 需求分析需求分析 6 6GANA TG5 2.2 技术需求分析技术需求分析 知识定义的编排与管控作为一种新型的网络管理形式， 可以结合各类网络技术手段， 在不同的网络任务中发挥重要的能力。 对于网络全生命周期闭环治， 知识定义的编排与管控能够建立全域网络复杂场景下的智能化异常检测与自愈的基础理论框架，实现闭环控制，增强网络鲁棒性与抗毁能力。以全局视角观测网络层间行为，通过状态预警、异常检测、根因分析、故障自愈四阶步骤实现网络自治。利用知识平面与数据可信共享机制，打通异常检测、网络容量预测与网络资源管理等多个网络管控领域，实现全域网络管控数据的特征共享、模型

19、公用、策略互通。 对于网络资源按需分配，知识定义的编排与管控能够在网络从覆盖范围、性能指标、业务场景等角度， 分析网络全新服务理念、 全新设计架构、 最佳性能保障等。 面向未来沉浸式、个性化的全场景服务和极可靠、极低时延性能需求；凝练全场景全域网络管控知识，以形式化方法对全场景全域网络管控对象进行统一建模与表征，明确相互约束机制；合理、高效编排与管控网络资源，以提供高精度服务等级，支持超高可靠、超高精度、极低时延性能。 对于大规模自智网络拓扑感知、 自愈与重构， 知识定义的编排与管控能够研究立体覆盖空间大规模分散自主节点分布规律， 利用自学习和协同学习发现可用资源节点， 动态调整组网规模及网络

20、参数。 基于模糊数学理论对网络实体与全域资源建立非对称映射关系， 确定拓扑组网区域，形成多域、跨域协同按需组网。 对于融入高阶的网络管控体系， 知识定义的编排与管控能够挖掘和分析网络管控体系与未来演进式网络的内在关系，系统性地设计网络管控有机架构，做到可信自主接入、知识定义调配、能力协同互联为核心技术设计安全管控、智能管控、协作管控三个平面，实现智能化、可信化与定制化等技术的深度交叉融合，为网络提供持续演进动力。 随着 SDN、AI、云计算等新一代技术、架构的发展，知识定义的编排与管控形式得以从理论成为现实，在上述网络任务中的研究和应用也证实了其所具备的，诸如高速、准确的决策能力，网络全局视野

21、等各种优势。因而，将网络知识引入网络中，构建知识定义的编排与管控新形式，是下一代网络发展的必然趋势。 知识定义的编排与管控 架构及关键技术架构及关键技术 6GANA TG5 7 3 架构及架构及关键技术关键技术 知识定义是利用网络数据知识的方式替代传统的 AI 辅助人工的方式，弱化人工成本，进行网络自主管理的新形式，实现实时网络状态感知、快速资源调配、智能排除故障等网络编排与管控功能，其核心要素为：知识、数据、策略。 网络通过实时或者非实时的数据采集方式将物理网络层的数据主要包括物理实体数据、空间数据、资源数据、以及协议、接口、路由、信令、流程、性能、告警、日志、状态等采集存储， 并基于这些数

22、据， 以及人为规则、 操作手册等外部数据， 形成丰富多样的网络知识。网络能够依照实时的状态， 灵活地选取合适的网络知识， 预测网络状态走向、 网络故障发生、业务需求变化等等，加速网络决策过程。同时，网络可以借助其对自身全局角度的了解，判断过滤业务需求，规避因满足不合理需求而导致的网络故障。借助 AI、专家经验、大数据分析等技术实现对物理网络进行全生命周期的编排与管控。 3.1 总体架构总体架构 知识定义的编排与管控的总体架构图如图 3.1 所示，由用户面、知识面、控制面和数据面构成。其中，数据面的网络数据由控制面采集后传送至知识面。知识面利用网络知识分析最新的网络数据， 通过知识推理、 AI

23、算法等一系列手段检测网络中是否存在故障， 若存在，则对故障进行具体的根因定位，通过用户面向用户进行反馈。接着，知识面将生成相应的网络策略以优化网络运行、规避网络故障等等。新的网络策略由知识面发送到控制面，再由控制面下发至数据面执行。如上述过程，知识定义的管控与编排形成一套自治闭环。 图图 3.1 编排与管控架构图编排与管控架构图 知识定义的编排与管控 架构及关键技术架构及关键技术 8 6GANA TG5 3.1.1 用户面用户面 用户面作为知识定义与用户交互的媒介， 既能够通过信息反馈模块实时向用户反馈网络运维的状态， 也可以通过信息输入模块允许用户通过用户面输入外部信息， 包括但不限于专家经

24、验、操作手册、外部知识等等。用户也可以输入网络命令或自然语言意图，或人为接管正在运行的编排与管控进程。 3.1.2 知识面知识面 知识面作为知识定义的核心，具备处理数据、构建知识、故障诊断、网络决策、策略验证等诸多智能化功能，包含知识表征、策略验证、知识决策等模块。 知识表征模块 知识表征模块主要作用是挖掘网络状态数据的规律性或关联性， 形成系网络知识并做积累储存。为此，知识表征模块包含数据清洗、数据分类、知识构建和知识储存四个功能点。 1、 数据清洗：利用网络知识和 AI 算法分析所选网络数据，识别其中的错误数据和缺失数据，并将其剔除，对剩余数据重新整理排列； 2、 数据分类：对于结构化数据

25、，模块按照数据中的关键属性对数据分类；对于半结构化或非结构化数据， 模块利用知识提取技术， 完成从海量网络数据中识别关键属性，并对数据分类； 3、 知识构建： 模块利用分类整理过的数据对已有的知识图谱进行更新， 对于无关联的两个知识点，模块尝试通过推理等手段建立关系； 4、 知识存储：在知识定义中，网络知识以知识图谱的结构，存储在知识库。模块利用多种存储技术，完成知识库的构建和维护。 知识决策模块 知识决策模块利用数据与知识相结合的的自驱动机制，通过网络知识缩短 AI 模型训练时间、提高模型输出策略的准确率。知识决策模块主要实现的功能包括：训练 AI 模型、形成编排与管控策略。 知识定义的编排

26、与管控 架构及关键技术架构及关键技术 6GANA TG5 9 知识决策模块的两项功能具有相互依托关系。一方面，AI 模型的输出将指导编排与管控策略的生成；另一方面，AI 模型的训练需要依靠策略变化带来的网络状态变化后的收集到的网络知识。 1、 训练 AI 模型：模块利用当前网络数据、故障信息等和深度强化学习算法优化知识库中的预训练模型参数，直至模型收敛，将新的模型作为预训练模型存入知识库； 2、 形成编排与管控策略：按照预设规则从模型的输出生成当前网络策略。 策略验证模块 策略验证模块基于数据平面实际的网络信息，构建、更新仿真网络，模拟输入策略的动作，验证策略的合理性，及时反馈验证结果。模块会

27、动态、增量式地获取网络信息，调整和保存网络仿真模型， 并非遇到实际网络变化或新规则插入便重新建模， 提高验证效率。 此外，仿真模型将实际数据平面中的不同功能进行逻辑连接， 建模为各个节点， 并非将每个实际设备映射为节点。 这种做法使模块在面对网络规则、 网络拓扑变化等情况时不需要进行复杂调整便可以更新模型。策略验证模块包含网络建模、正确性验证和反馈告警三个功能点。 1、 网络建模： 结合数字孪生等技术手段将物理网络拓扑映射为逻辑拓扑， 为策略验证提供虚拟验证平台； 2、 正确性验证：利用数学模型和 AI 算法等方式在虚拟验证平台仿真待验证策略下发后的网络状态，探测可能出现的网络故障（如黑洞、环

28、路等） ，最终判断待验证策略的合理性和正确性； 3、 反馈告警：若待验证策略未通过验证，则生成告警信息。 3.1.3 控制面控制面 控制面作为知识定义中数据传递和策略下发的关键， 发挥承上启下的作用， 具体包括网络状态感知和策略下发两个模块。 网络状态感知模块实时采集数据面中的网络数据。 模块利用网络测量技术从网络流量中获取预设的关键网络数据，例如，时延、带宽、丢包率等等。每隔一段时间，模块将采集到的数据统一格式化成知识面各模块可以取用的数据格式，并发送到知识面。 知识定义的编排与管控 架构及关键技术架构及关键技术 10 6GANA TG5 策略下发模块接收知识面最新的网络策略，并将其格式化为

29、网络设备可以取用的形式，并下发至网络中各个设备。 3.1.4 数据面数据面 数据面主要包含构成端到端网络的所有物理实体。 网络中的各种网元通过南向接口同控制面交互网络数据和网络控制信息。物理网络既可以是移动接入网、移动核心网，也可以是数据中心网络、园区企业网、工业物联网等网络类型;既可以是单一网络域(例如，接入网、传输网、核心网、承载网等)子网，也可以是端到端的跨域网络。然而，为了实现知识的全局性，目前知识定义的数据面一般采用 SDN 架构。 3.2 关键技术关键技术 3.2.1 网络网络遥测技术遥测技术 在可编程数据平面出现之前， 传统上网络管理员只能将网络中的各种设备作为黑盒处理，因为设备

30、厂商一般基于商业利益的考虑不会开放设备的网络遥测接口。 因此， 管理员一般只能通过网络边缘的终端设备来间接地获取滞后且不准确的网络遥测信息。 从网络内部的设备上获取实时且准确的网络遥测信息成为网络管理员们实际且迫切的需求。 而可编程数据平面的出现很大程度上缓解了上述困境。 可编程交换机相较于传统交换机是一种白盒交换机， 即交换机不附带任何数据分组处理逻辑。 管理员们可以利用可编程交换机的可定制化特性以及具体平台提供的运行时状态信息， 能够支持在网络设备运行时实时获取更为细粒度和准确的遥测数据。 网络遥测技术一般是指从物理网元或者虚拟网元上远程实时高速采集数据， 实现对网络实时、高速和更精细的监

31、控技术，基于上述可编程数据平面 P4 语言实现。面对大规模、高性能的网络监控需求， 网络遥测技术可以满足用户要求， 支持智能运维系统管理更多的设备、监控数据拥有更高精度和更加实时、 监控过程对设备自身功能和性能影响小， 为网络问题的快速定位、 网络质量优化调整提供了最重要的大数据基础， 将网络质量分析转换为大数据分析，有力的支撑了智能运维的需要。 相比于传统的网络监控技术 PULL 请求的一问一答式交互，网络遥测技术通过 GET 请知识定义的编排与管控 架构及关键技术架构及关键技术 6GANA TG5 11 求，让网络设备周期性自动推送数据给网管侧，主动向采集器上推动数据信息，避免重复查询，精

32、度是亚秒级，提供更实时更高速更精确的网络监控功能。推送过程如图 3.2 所示。 图图 3.2 遥测技术数据推送过程图遥测技术数据推送过程图 网络遥测技术主要有如下特点： 基于数据层面的数据上报 网络遥测技术可以借助于厂商的支持，在硬件板卡 ASIC 层面植入代码，直接从板卡导出实时数据，如图 3.3 所示。而板卡导出的数据是按照线速发送，从而使得上层的路由引擎专注于处理协议和路由计算等。 图图 3.3 网络遥测技术网络遥测技术基于数据层面上报数据基于数据层面上报数据 知识定义的编排与管控 架构及关键技术架构及关键技术 12 6GANA TG5 高扩展性，支持输出多种类型的网络状态数据 自动支持

33、 Devops 运维自动化 一方面， 网络遥测技术监控平台收集到的数据接近于即时信息， 支持网络策略的及时调整；另一方面，网络遥测技术采用的数据格式都是当今很流行的标准格式，例如 JSON，NETCONF，以及 YANG，方便对接第三方的设备，有助于网络监控的效率的提升和监控质量的提升。 网络遥测技术的模型结构如图 3.4 所示，由网络设备和网管系统两大部分组成。在网络设备侧，包括原始数据、数据模型、编码格式和传输协议；在网管系统侧，包括收集系统、存储系统和应用分析系统， 网络遥测技术完成数据的采集存储和分析诊断， 利用分析结果为网络配置调整提供依据。 图图 3.4 网络遥测技术网络遥测技术模

34、型架构模型架构 3.2.1.13.2.1.1 原始数据原始数据 网络遥测技术采样的原始数据可来自网络设备的转发面、 控制面和管理面， 目前支持采集设备的接口流量统计、CPU 或内存数据等信息。 3.2.1.23.2.1.2 数据模型数据模型 网络遥测技术基于 YANG 组织采集数据。 YANG 是 NETCONF（网络配置协议）的数据建模语言。各设备供应商在提供设备的同知识定义的编排与管控 架构及关键技术架构及关键技术 6GANA TG5 13 时，为方便管理都会提供一套独立的管理方法（比如使用不同的命令行） ，这些管理方法之间是独立的，不同类型的设备不能通用。随着网络规模的增大、设备种类的增

35、加，使用传统的 NETCONF 管理已不能适应当前型号繁多的设备管理，为了能够统一管理、配置、监控网络中的各类设备， YANG 应运而生。 客户端可以将 RPC 操作编译成 XML 格式的报文， XML遵循 YANG 约束进行客户端和服务器之间通信，如图 3.5 所示。 图图 3.5 客户端和服务器之间通过客户端和服务器之间通过 YANG 模型通信模型通信 YANG 的功能主要有以下五个方面： 1、 YANG 使用模块和子模块对数据进行建模， 可以从其他模块中导入数据， 也可以从子模块中引用数据。 YANG 定义的垂直结构可以扩展， 使得模块能够为另一个模块增加节点。 2、 YANG 建模得到

36、的数据是树形结构， 其中每一个节点都有名字、 值和子节点。 YANG为这些节点以及节点之间的交互，提供明确清晰的描述。 3、 YANG 还能描述数据的约束，通过是否存在特定节点或节点数值等条件来约束节点的呈现与操作。 4、 YANG 可以被转换为等价的 XML 格式，称为 YIN(YANG Independent Notation)，这使得相关的应用可以通过 XML 解析器或者 XSLT 脚本进行操作。 5、 YANG 定义了一系列的内部数据类型， 也支持扩展新的数据类型。 YANG 是一种可扩展语言，允许标准制定者、设备供应商或个人定义新的声明(statement)，这些声明能够和标准的 Y

37、ANG 声明共存。 YANG 正逐渐成为业界主流的业务布放接口的数据描述规范，YANG 定义的数据模型是结构化的数据，通过标签定义属性和值。YANG 数据模型定位为一个面向机器的模型接口，明确定义数据结构及其约束，可以更灵活、更完整地进行数据描述，便于设计可以为各种传输协议操作的配置数据模型、状态数据模型、远程调用模型和通知机制等。随着标准化的推行，网络管理员可以利用 NETCONF 统一管理、配置、监控已经支持 YANG 的各类网络设备，从而简化网络运维管理，降低运维成本。 知识定义的编排与管控 架构及关键技术架构及关键技术 14 6GANA TG5 3.2.1.33.2.1.3 编码格式编

38、码格式 网络遥测技术支持 GPB（Google Protocol Buffer）编码格式。 GPB 编码格式，是一种与语言无关、平台无关、扩展性好的用于通信协议、数据存储的序列化结构数据格式。网络遥测技术利用 GPB 编码格式（GPB 编码格式的文件名后缀为。proto） ，提供一种灵活、高效、自动序列化结构数据的机制，属于二进制编码，性能好，效率高。 GPB 通过“.proto”文件描述编码使用的字典，即数据结构描述。用户可以利用 Protoc 等工具软件，根据“.proto”文件自动生成代码（例如 Java 代码） ，然后用户基于自动生成的代码进行二次开发，对 GPB 进行编码和解码，从而

39、实现与设备的对接。GPB 编码解析前后的对比如图 3.6 所示。 图图 3.6 GPB 编码解析前后对比编码解析前后对比 在设备和采集器之间传输数据时，采用 GPB 编码格式传输的数据比其他编码格式（JSON 或 XML）的数据具有更高的信息负载能力，保证了网络遥测技术业务的数据吞吐能力，同时降低了 CPU 占用率和带宽。 知识定义的编排与管控 架构及关键技术架构及关键技术 6GANA TG5 15 3.2.1.43.2.1.4 传输协议传输协议 1、 支持 GRPC 协议（Google Remote Procedure Call Protocol） GRPC（Google Remote Pr

40、ocedure Calls, 谷歌远程过程调用）是 Google 公司开源的一个高性能、跨语言的、通用的 RPC 开源软件框架，使用 HTTP/2 协议并使用 Proto Buffer 作为序列化和反序列化的工具。 通信双方都基于该框架进行二次开发， 从而使得通信双方聚焦在业务，无需关注由 GRPC 软件框架实现的底层通信。 网络遥测技术通过 GRPC 协议将经过编码格式封装的数据上报给采集器进行接收和存储。GRPC 协议可以用于网络遥测技术静态订阅或动态订阅。 GRPC 协议栈分层如图 3.7 所示。 图图 3.7 GRPC 协议栈分层协议栈分层 各层详细说明如表 3.1 所示。 表表 3.

41、1 GRPC 各层详细说明各层详细说明 层次 说明 TCP 层 底层通信协议，基于 TCP 连接； TLS 层 该层是可选的，基于 TLS 1。2 加密通道和双向证书认证等； HTTP2 层 GRPC 承载在 HTTP2 协议上，利用了HTTP2 的双向流、流控、头部压缩、单连接上的多路复用请求等特性； GRPC 层 远程过程调用，定义了远程过程调用的协议交互格式； 知识定义的编排与管控 架构及关键技术架构及关键技术 16 6GANA TG5 数据模型层 RPC 层 网络遥测技术静态订阅：设备作为客户端对外推送数据； 网络遥测技术动态订阅：设备作为服务端对外推送数据； 网络遥测技术层 定义网络

42、遥测技术采样数据上送时的数据头，包括采样路径，采样时间戳等重要信息； 业务数据层 描述具体的业务数据格式； 注：数据模型层分为三层，分别在不同的“.proto”文件中定义。采集器和网络设备之间通过 GRPC 协议建立连接时，需要使用这几类“.proto”文件进行对接，且两边的“.proto”文件要保持一致，便于解码。 2、 支持 UDP 协议(User Datagram Protocol) UDP 协议是一个简单的面向数据报的传输层协议，不为 IP 提供可靠性、流控或差错恢复功能。UDP 适合可靠性要求低、传输经济的网络应用。 网络遥测技术通过 UDP 协议将经过编码格式封装的数据上报给采集器

43、进行接收和存储。UDP 协议可以用于网络遥测技术静态订阅。 UDP 协议栈分层如图 2-8 所示。 图图 3.8 UDP 协议栈分层协议栈分层 3.2.2 知识表征知识表征技术技术 目前， 业界主流使用的知识储存结构是由谷歌提出的知识图谱。 知识图谱可以描述真实世界中存在的各种实体和（或）逻辑概念，以及他们之间的关系。通常情况下，我们需要对离散的、无规律的数据进行知识构建，形成知识图谱结构，进而达到方便存取使用的目的。知识定义的编排与管控 架构及关键技术架构及关键技术 6GANA TG5 17 在构建知识图谱的过程中， 首先需要先根据业务需求进行领域确定， 然后通过正常的知识图谱构建方式，进行

44、基础内容的搭建，最后进行实测之后进行优化处理，从而满足原本的业务需求。具体言之，在知识定义框架下，围绕处理网络相关的数据，知识构建包含三个核心步骤：知识获取、知识融合，以及知识推理。 3.2.2.13.2.2.1 知识获取知识获取 从不同来源、不同结构的数据中抽取知识（实体、关系以及属性等信息） ，这是知识图谱构建的核心与前提条件。数据可以按照结构分为结构化数据、半结构化数据、非结构化数据。 结构化和半结构化数据通常为网络状态数据、 故障日志、 运维手册等等。 对于这类数据，只需要简单的预处理和映射即可以作为后续数据分析系统的输入，相关技术已经比较成熟。非结构化数据如专家经验、意图命令等等需要

45、借助自然语言处理、信息抽取、乃至深度学习的技术来帮助提取有效信息。 3.2.2.23.2.2.2 知识融合知识融合 知识融合是对不同来源、 不同语言或不同结构的知识进行融合， 从而对于已有知识图谱进行补充、更新和去重。知识融合包括几个可顺序执行的子任务，从始至终是内容清洗、分块与记录连接。内容清洗主要作用是甄别并去除知识获取后各类信息中的异常值或错误值，统一对相同属性的表达方式和（或）标点符合使用规则。分块是从给定的知识库中的所有实体对中，选出潜在匹配的记录对作为候选项，并将候选项的大小尽可能的缩小。记录连接的内容为，对于分块后的每一个块中的三元组，进行相似度计算，包括属性相似度和实体相似度。

46、根据预设规则，按照相似度指标，判断分块内知识是否为等价实例，或包含等价属性。属性相似度计算的常用算法可以分为三类，编辑距离相似度计算、集合相似度计算、基于向量的相似度计算。 通常情况下， 经过知识融合步骤， 一张关于网络的知识图谱已经基本形成。 3.2.2.33.2.2.3 知识推理知识推理 主要功能集中在针对知识图谱中缺失关系的补足， 即挖掘两个实体之间隐含的语义关系。主要的方法包含基于逻辑规则的推理、基于图结构的推理、基于分布式表示学习的推理、基于神经网络的推理以及混合推理。 知识定义的编排与管控 架构及关键技术架构及关键技术 18 6GANA TG5 3.2.3 策略生成策略生成技术技术

47、 知识定义全生命周期的智能运维，需要以全局视角获取数据，并通过智能选路、异常检测以及故障自愈等方法， 优化网络管理， 实现网络的闭环自治。 智能管控基于知识定义调配，构建智能化的全场景知识平面， 对网络各层的资源进行优化调配， 定义多层次可演进的全场景全域资源调配知识体系。 为了实现高度动态网络环境下的自主管控， 需要智能管控功能的部署方式，明确管控实体的资源调度流程和机制，面向各异的网络场景和业务需求，精准快速实现资源的高效调度。虽然目前已有的 AI 和机器学习技术在 4G/5G 网络中普遍应用，但由于网络拓扑和业务的复杂性，基于 AI 的网络管控难以满足网络资源随需即用的需求。基于知识定义

48、的智能管控技术能够通过学习得到的知识， 实现对网络的立体认知、 决策推演和动态调整，满足复杂网络条件下的各类业务需求。 3.2.3.13.2.3.1 基于强化学习的选路算法基于强化学习的选路算法 强化学习作为机器学习的另一个热点，其基本思想是通过模仿人类或动物学习中的“尝试与失败”机制，运用智能体在与环境的交互过程中获得的奖励来学习最佳决策行为。 强化学习目前已经被运用至计算机网络的各个层次， 例如网络层的路由协议、 传输层的拥塞控制协议、应用层的视频流媒体和云计算资源分配等。在这些应用中，强化学习呈现出两大显著的优势。首先，强化学习方法在原理上能够有效地提升网络系统的性能。网络系统中的许多研

49、究问题归结到资源的优化分配上， 而网络系统的动态性和复杂性导致在具体的研究问题上往往难以建立精确的数学模型和设计高性能的算法。 其次， 强化学习方法提供了一种端到端的设计模式， 使得不同网络系统中资源分配算法设计的边界模糊化。 现有的基于强化学习的网络系统，无论在所处层次和问题模型上差异多大，基本都采用通用的结构，如图3.9 所示。 图图 3.9 基于强化学习的选路算法框架图基于强化学习的选路算法框架图 知识定义的编排与管控 架构及关键技术架构及关键技术 6GANA TG5 19 3.2.3.23.2.3.2 多指标的异常状态检测多指标的异常状态检测 网络的异常往往涉及业务、 应用、 系统多个

50、层面， 故障的定位和解决需要大量日志分析、指标分析和系统研判，传统技术手段的监、管、控的运维方式已难以满足业务发展的要求。此外， 由于测量技术的进步以及用户业务急剧增加， 对异常检测技术的要求越来越高。 因此，要利用一种融合多指标的异常检测技术， 不仅要综合考虑各项网络中关键性能指标， 也要对不同场景进行特定的模型编排。 3.2.4 资源调度技术资源调度技术 由于未来网络应用场景的多元化、服务需求的个性化、网络规模的扩大化、天基空基等网络的动态化、地基网络的密集化以及多维网络资源的细粒度化等，6G 网络资源调度的复杂性急剧增加。 传统基于优化、 博弈等理论的网络资源调度方法所需的实时计算处理时

51、间长，难以满足 6G 网络资源决策的时效性。 机器学习在解决上述问题方面具有很大的潜力， 其基本思想是用一个深度神经网络来近似优化策略。从本质上讲，使用机器学习就是用离线训练的计算资源来交换在线处理时间。尽管机器学习算法已经显示出巨大的潜力，但在实际应用中，它在训练阶段收敛缓慢，需要大量的训练样本进行训练来改变模型参数。此外，机器学习方法的泛化性差，可解释性差，无法满足像自然法则、 安全准则等无法用数据进行描述的约束条件， 难以放心应用于远程手术等关键场景中。 为提升网络决策的时效性和准确性， 可以将网络的领域知识融合到已有的模型或者深度学习算法中形成知识定义的资源调度技术， 优化现有的网络结

52、构和算法模型， 提升各项性能指标。具体而言，如图 3.10 所示，在面向全域全场景 6G 网络的网络管理模块中引入网络决策知识库，进行知识的表征学习和迁移，可以提升网络决策的速率和精度。在图 3.3 中，空天基地面综合站的网络资源控制器由四个模块组成，感知模块负责对环境数据进行预处理；学习模块负责网络移动性预测、 业务流量预测以及场景识别， 同时将网络知识进行有效表征并存储到网络决策知识库中； 决策模块负责利用网络决策知识库和领域知识进行空基网络部署、天基网络波束覆盖以及空天基干扰协调，并输出行动决策同时，更新网络决策知识库；行动模块负责执行决策。 从空天基网络中学到的知识可以有效迁移到海基网

53、络中， 利用其中的通用知识和海基网络的本地知识，助力海基网络快速决策自己的资源调度方案。 知识定义的编排与管控 架构及关键技术架构及关键技术 20 6GANA TG5 图图 3.10 知识定义的网络资知识定义的网络资源调度框架源调度框架 知识定义的资源调度技术是知识定义体系中编排工作的重要使能技术之一， 可以在网络运行过程中实时检测网络各项资源的使用情况，也可以根据需求和（或）判断，动态划分网络资源，按照一定的预设规则将不同的划分资源供给不同的用户或业务。具体来说，针对每一项资源的不同情况， 该技术使网络能够结合网络知识、 业务特征和用户需求等因素预测网络中未来每类业务对该资源的使用情况，同时

54、依据资源的客观总量，提前动态的调度资源，避免网络中的业务因资源紧张而 QoS 下降，也避免供过于求，大量网络资源被闲置，造成资源浪费的情况。知识定义的资源调度技术需要具备以下几种能力： 网络资源的动态划分能力： 根据网络数据分析网络资源对不同用户或业务的配给情况。利用网络知识和（或）优先级将网络的物理资源划分为多个切片实例，快速预测用户或业务对该资源的需求变化， 并动态调整相应实例的配给资源。 当分配稀缺的网络资源时， 可以根据网络知识和预设优先级先后向不同用户或业务调度该资源。 划分资源间的隔离能力： 对分配给不同的用户或业务的网络资源， 生成不同的资源管理和驱动实例，多个实例在各自的生命周

55、期内独立运行，资源互不影响、数据相互隔离，保证业务访问的安全性。 全生命周期追溯能力： 可对网络中的每个资源管理实例作记录日志进行管理， 后续可进行追溯与回放， 结合当前网络运行情况及历史日志， 为动态调节不同实例配给、预测用户或业务行为做数据基础。 知识定义的编排与管控 架构及关键技术架构及关键技术 6GANA TG5 21 接下来列举两种较为成熟的，分别针对两种不同的网络资源的调度技术。 3.2.4.13.2.4.1 知识定义的通算存资源调度技术知识定义的通算存资源调度技术 在未来网络中， 为有效应对丰富多元个性化的计算密集型或通信密集型服务， 迫切需要对多维网络资源进行按需柔性适配。可灵

56、活智能调度的网络资源有包括频谱、功率、时隙和正交码等在内的无线通信资源，用户终端、边缘云和核心云的计算资源和存储资源等。如图3.11 所示， 知识在通算存资源调度技术中的融合方式主要是基于知识指导的改进学习算法的资源调度和数据知识双驱动的资源调度。 图图 3.11 通信知识在资源调度技术中的融合方式通信知识在资源调度技术中的融合方式 在基于知识指导的改进学习算法的通算存资源调度技术中， 通常利用通信网络的领域知识来解决深度强化学习在网络资源调度中遇到的一些问题。 具体的， 针对深度强化学习在密集化网络的多维资源调度中存在行为空间过大的问题， 通过引入通信网络中的科学知识 （如香农公式）和专家知

57、识（如信道的空间相关性和时间相关性） ，可以大幅度缩小网络在不同状态时的行为空间，提升算法的收敛性。此外，针对深度强化学习在资源决策中存在的延迟奖励和稀疏奖励问题， 可以利用专家对目标调度策略的知识设计一个势函数， 以生成一个非零的即时奖励，提升调度的时效性。 在数据知识双驱动的通算存资源调度中， 通常是数据驱动与模型驱动两种方法协同工作、相互支持， 形成混合数据模型驱动的资源调度方法。 为充分发挥稳定环境中数据驱动方法在知识定义的编排与管控 架构及关键技术架构及关键技术 22 6GANA TG5 处理多维多尺度资源联合调度等复杂问题时的拟合优势和异常突发环境中模型驱动方法置信度高且可解释的优

58、势， 数据知识双驱动方法的资源决策可以选择模型作为数据驱动方法的备份， 也可基于可用资源在数据驱动和模型驱动的方法之间切换以潜在地增加网络管理的适应性。此外，模型驱动方法可以提供基于通用数学模型的粗解，然后数据驱动方法，以粗解作为输入，利用网络中的真实数据，可以针对特定的网络场景细化解决方案。 3.2.4.23.2.4.2 知识定义的空间波束资源调度技术知识定义的空间波束资源调度技术 物理层的泛在大容量通信是实现未来网络各类应用的基础。 为提升网络容量， 除了使用更高的频谱外，未来网络可以部署大规模的收发天线阵列。此外，还可以部署包含大规模被动反射阵列的智能反射面， 通过控制无线信道环境， 将

59、信号人为地反射到目的终端。 本质上，这些阵列天线技术都是通过空分复用、 通过合理调度物理层有限的空间波束资源来提升网络的性能。在基于深度学习的智能空间波束资源调度中，引入通信领域知识，可以提升调度的精确性和可解释性。如图 3.12 所示，知识在空间波束资源调度技术中的融合方式主要是数据知识双驱动的空间波束调度和基于深度展开的空间波束调度。 在数据知识双驱动的空间波束资源调度中， 通常是联合使用数据和模型， 即通信领域知识，将大规模天线的高维信道状态信息映射为发送端的波束成形矩阵。此外，还可以采用数据知识双驱动的方法跳过设计信道估计过程， 直接设计波束成形算法， 具体是将发送端接收到的导频信号映

60、射为发送端波束成形矩阵。 该方法特别适用于没有信道估计能力的被动智能反射面通信场景中。 在数据知识双驱动的空间波束调度中， 可以根据模型的方法提前计算波束成形矩阵最优解的结构， 再采用数据驱动方法学习最优解结构里的未知参数， 来降低深度学习网络所需的训练数据。 在基于深度展开的空间波束调度中， 是以传统基于优化理论的波束成形方法为基础， 采用深度学习的方法解决传功迭代优化算法遇到的问题。 具体的， 针对传统迭代优化方法中一些运算模块（如矩阵求逆）计算复杂度高的问题，采用深度学习的方法对其进行预训练和拟合，降低算法的在线计算复杂度。此外，针对传统迭代优化方法求解多用户波束成形矩阵等非凸优化问题时

61、常常陷入局部最优解的问题， 可以借鉴深度学习的思想， 在迭代算法中引入一些待学习参数，用深度学习方法训练这些参数，提升算法找到全局最优解的概率。 知识定义的编排与管控 架构及关键技术架构及关键技术 6GANA TG5 23 3.2.5 策略验证策略验证技术技术 策略验证作为知识定义闭环中的关键一环，是十分重要的。一方面，待验证的策略不能直接下发，以免对网络造成故障或业务 QoS 下降等问题；另一方面，策略验证的速度和准确性必须得到保障，以保证在筛选策略的同时还不超过待下发策略的时效。目前，对于策略的可执行性验证主要考虑资源的可用性、 策略的冲突以及策略的正确性这三个方面。 在知识定义的编排与管

62、控中，验证技术主要包括数字孪生体的建立、策略仿真验证两方面。 3.2.5.13.2.5.1 数字孪生体建立数字孪生体建立 需要利用数字孪生网络相关技术为物理网络进行建模。 全生命周期建模包括基础模型和功能模型构建两部分，基础模型是指基于网元基本配置、环境信息、运行状态、链路拓扑等信息建立的对应于物理实体网络的网元模型和拓扑模型，实现对物理网络的实时精确描述，具体又可细分为三个步骤： 孪生网络本体模型构建， 统一表征融合网络孪生体数据库的构建，以及网元模型和拓扑模型按需组合的构建，如图 3.12 所示为示例中 C 的数字孪生体的示意图。功能模型面向实际网络功能需求，通过全生命周期的多种功能模块，

63、实现动态演进的网络推理决策。功能模型可以根据各种网络应用的需求，通过多个维度构建和扩展。 图图 3.12 数字孪生体数字孪生体示意示意图图 3.2.5.23.2.5.2 策略仿真验证策略仿真验证 为了提升策略验证的速度，以保证策略的时效性，在验证之前，对待检验策略进行分类整理，即，网络通过知识归纳具有相同网络行为（包括但不限于：网络协议、首发端口、优知识定义的编排与管控 架构及关键技术架构及关键技术 24 6GANA TG5 先级等等）的网络策略来减轻验证的工作量，以此为整体的验证工作提速。 当网络孪生体构建完毕后，网络将待验证策略注入孪生体，观测仿真结果。通常的验证可以分为控制面验证和数据面

64、验证两种方式对网络控制层的路由协议以及网络环境进行仿真，验证路由策略可达性和数据包可达性。具体方案包含全局仿真和局部形式化仿真。全局仿真：运行所有 WAN 内部的协议的仿真，生成相应的数据平面数据包处理规则；局部形式化建模：当出现不确定性因素时，采用逻辑表达式来编码所有可能性，再使用求解器计算可能出现的情况。 知识定义的编排与管控 应用场景及实践应用场景及实践 6GANA TG5 25 4 应用场景应用场景及实践及实践 4.1 基于知识定义的意图网络基于知识定义的意图网络 4.1.1 场景介绍场景介绍 SDN 为网络全局感知和智能管理带来了新的机遇。SDN 创新性地将控制平面与数据平面解耦，允

65、许用户在应用平面对网络进行编程，提高网络管理运维效率。然而，管理员在对网络编程时仍然需要了解相关的底层实现细节， 这极大地限制了非专业人员对于网络行为的感知和控制。 为了支持业务的敏捷性， 网络需从一个静态资源系统演变成为一个能一如既往地满足商业目标的动态系统， 一种新兴的网络范式意图网络(intent-based networking， IBN)。 结合意图网络相关架构、技术与理念，和当下 5G 各场景现状，以及 6G 按需服务的场景需求， 自主设计了一套知识定义的意图网络框架体系， 诉求可以在符合国内网络通信的现状和未来发展趋势下，利用知识提升网络整体的智能性，力求在 6G 时代到来时可以

66、让网络做到自智。 知识定义的意图网络总体架构分为四个平面：用户面、意图面、控制面和数据面，如图4.1 所示。 图图 4.1 知识定义的意图网络架构图知识定义的意图网络架构图 知识定义的编排与管控 应用场景及实践应用场景及实践 26 6GANA TG5 对用户面，通过用户意图识别的人网交互机制，实现 6G 网络的随心所想。不管是用户输入的意图，还是网络内部的修正、优化意图，都会转化为统一的网络意图表达模型，接入“网络知识决策平台” ，进行智能决策，这也是“自智网络”的核心之一。 知识定义作为意图网络的重要使能技术， 将基础网络和神经网络深度融合， 构建自学习、自维护的智能网络。经历知识表征、网络

67、编排和策略生成流程，然后生成配置信息通过控制面，自动化下发给数据面。此外，还特别加入了“策略验证”和“意图校验”双层保证，确保意图表达的完整性、去模糊性，提供意图保障和故障自动化修复。 4.1.2 技术技术需求需求 当前用户的意图输入形式大部分为自然语言或可以通过现有技术准确地转换为自然语言。在复杂的网络环境中，意图网络不光是对用户意图的转译，也包括对策略模版的准确填充、意图和策略的最终验证等内容。因此，为了准确地下发用户的意图，一个完善的知识定义的意图网络需要有以下几点技术需求： 基于网络场景意图挖掘 当前，在日常生活场景中，存在着许多精度较高的意图挖掘技术和数据集。但由于网络场景的专业性，

68、 这部分的数据集较为空白， 且其他领域的意图挖掘技术也很难迁移到网络场景中。因此，需要一种准确的意图挖掘技术来识别用户意图中的实体，这些实体中包含大量网络相关的专业名词。 此外，在常规情况下，对意图的挖掘还需要用到词法分析技术、句法分析技术、命名实体识别技术和关键词提取技术等自然语言处理领域的相关技术， 以上技术用来对自然语言意图进行字级别、词级别以及句级别的分析，从而准确地挖掘出用户意图中的实体。 基于预置模版的意图转译 当准确地挖掘用户意图中的实体后， 如何设置预置模版以及如何将这些实体准确地填入模版中是亟需解决的问题。 对于设置预置模版， 不光需要考虑网络中执行命令时的重要参数，也需要考

69、虑到不同网络的细微差异，从而对不同配置的网络均能设置几套不同配置的模版，满足各个网络下业务的个性化需求。此外，对于挖掘出的各个实体，需要利用语义匹配、命知识定义的编排与管控 应用场景及实践应用场景及实践 6GANA TG5 27 名实体识别、序列标注等技术，将它们准确地填入模版中，从而生成出完整的策略模版或直接生成网络命令，近一步下发到具体网络。 意图的转译工作是意图网络中核心的任务， 它实现了用户意图到网络策略的转变。 但是意图的转译工作并不是一种新的技术， 它只是为简化网络管理工作而产生的一种新理念， 并且随着自然语言处理技术以及其他智能化方法的进步，意图转译的智能程度也会逐步提升。 意图

70、的智能校验 在意图转移的网络策略成功下发后， 网络需要利用再次探测的新网络数据检验意图的实现情况。针对每一条已处理的意图，对比所有“对象”在意图中的预期“结果”和在网络知识中实际的状态，判断用户意图的实现情况。对于未通过校验的意图，网络需要利用相关网络知识判断意图是否合理且具有时效性，以向用户确认意图转译失败的原因。 4.2 知识定义的切片编排知识定义的切片编排 4.2.1 场景介绍场景介绍 在即将到来的 6G 时代，新的智能终端的普及和垂直行业市场新应用的爆发，迫使移动网络运营商（MNO）承载复杂的场景并提供多样化的服务。不仅如此，用户需求也会随着 5G向 6G 的进化而改变且更加多样化，这

71、将导致提供定制化的服务会变得更加困难，并且，定制化决策将要更加贴近实时决策。 因为切片架构可以通过共享网络资源给不同租户来减少运维成本，所以切片理念可以在 6G 时代中被沿用或继承。这些租户需要向移动网络运营商和（或）基础设施网络供应商租用物理资源以支撑自己的多样化服务。未来，为了进一步削减资金支出和运维成本， 并且创造增加收入盈余的机会， 租户有理由和动机将不同基础设施网络供应商提供的资源联合起来，用以提升旗下产品的吸引力，获得更多的订阅者。 因此， 在满足动态环境下多租户的严格和多样化的服务要求的同时， 有效管理多基础设施网络供应商的多维资源是一个巨大的需求。根据多个租户的喜好为他们创建定

72、制的切片，可以实现灵活和适应性强的资源管理。此外，允许租户定制每个切片的资源分配，可以动态地适应由用户移动性、时变信道条件等引起的网络环境变化。然而，支持更多的 6G 创新业务和满足日益多样化的用户需求给定制化切片带来了巨大的挑战， 特别是在端到端切片管理知识定义的编排与管控 应用场景及实践应用场景及实践 28 6GANA TG5 和多维资源协调方面。 图图 4.2 基于知识的切片编排示例图基于知识的切片编排示例图 4.2.2 技术技术需求需求 1、 切片实例的全生命周期编排技术： 如上文所述， 针对用户需求的定制化切片需要智能灵活的切片编排技术，要做到： （1）切片能力灵活编排：建立在对网络

73、功能模块和虚拟化的基础上， 利用网络知识分析需求， 每个网络切片可以按需配置特定的网络功能或能力集合，去除不需要的网络功能或能力，减少一切配置的冗余。 （2）切片资源动态管理： 通过网络知识预测业务对资源的需求， 保证每个网络切片运行中所消耗的资源，尽量和切片实时业务量相关，不同切片间要尽量共享地使用资源，以提升资源利用率。 （3）切片业务跟踪隔离：对某切片业务的服务在网络移动中能保持一定的物理连续性和一致性， 不同的切片业务间必须保持彼此不干扰， 服务质量不互相影响。 2、 切片实例的保障技术：当切片实例故障或某些切片使用的物理资源紧缺或枯竭时，为保障业务体验和数据安全，应做到： （1）提供

74、（保证）平滑无感的迁移过程：当知识定义的编排与管控 应用场景及实践应用场景及实践 6GANA TG5 29 切片故障时，快速定位故障切片实例，并确定可替代的健康切片。及时克隆故障切片上的关键数据到健康切片， 保证业务短时的正常运行。 业务在切片之间的切换过程应当发生在业务不活跃的时刻。 对于全生命周期活跃或优先级较高的业务， 可以考虑使用对切片实例的实时增量克隆。 （2）准确地根因分析：对于切片故障，自主尝试修复故障； 对于物理资源紧缺或枯竭， 按照所承载的原业务优先级尝试重新编排切片。 3、 可靠的用户需求预测技术： 若网络可以在用户需求变化前较为准确地预测出其发展趋势， 则可以很大程度上辅

75、助切片编排的灵活性和结果的可靠性。 具体要求为：（1）用户需求的理解能力： 用户需求往往是复杂的， 某些需求不能直接对标网络中的各项指标，网络要能将这类需求转化为合适的网络指标需求； （2）用户需求的跟踪预测能力： 网络应当持续追踪用户需求与对应的切片实例的工作情况的数据， 并尝试挖掘两者的联系，形成切片与用户需求之间的知识图谱，通过该图谱，预测用户的未来需求。 4.3 基于网络知识的基于网络知识的故障自愈故障自愈 4.3.1 场景介绍场景介绍 基于软硬件解耦、 数据平面和控制平面分离的新型网络架构提高了网络灵活性和可管理性，传统基于专用硬件的网络功能实现开始向软件化、可编程性的虚拟网络功能转

76、变，但同时， 软件化的网元部署带来了更多可能的故障节点和故障类型， 运营商将面临更为复杂的故障自愈问题，网络的运行和维护面临着前所未有的压力。 在网络运维领域，故障愈合分为三个发展阶段，第一个阶段为客户投诉驱动模式，网络在运行中出现突发故障，运营商收到客户投诉，然后运维人员赶赴现场，基于人工经验进行故障定位和修复， 但这种基于投诉驱动、 依赖上门维修和人工经验定位和修复故障的被动低效运维模式， 严重制约了运营商运维效率和客户满意度的提升； 第二个阶段是例行巡检模式，运维人员对每个网络设备进行定期例行检查以预防故障的发生， 并及时修复或替换有严重故障隐患的网络设备， 这种模式虽然在一定程度上提高

77、了客户满意度， 但该模式不仅效率低下，且运维成本较高，随着网络规模的不断增长，例行巡检的人力成本会达到难以负荷的地步；第三个阶段是可预测性维护， 网络能够基于历史经验和知识自主预测某个设备未来有多大概率发生故障，然后进行针对性的监督和维护。通过可预测性维护，能够完成网络关键器件失效和劣化的自主预测和快速定位， 实现网络故障的自动化和智能化管理， 达到网络自愈合(故知识定义的编排与管控 应用场景及实践应用场景及实践 30 6GANA TG5 障自动恢复)的目的。 图图 4.3 基于网络知识的故障自愈场景图基于网络知识的故障自愈场景图 如图 4.3 所示，网络自愈合包含三个典型应用场景： 1、 异

78、常检测： 异常检测的目的是根据网络积累的历史经验数据和知识识别异于正常网络行为的运行模式，实现异常主动预警，降低网络故障可能造成的损失。基于虚拟网络环境下海量、高维、多源的数据源（告警信息，KPI 数据，运行状态信息，网络基本参数等） ，进行高效的特征提取和数据挖掘，形成全局网络知识库，利用分布式智能学习方法构建高质量的全局泛化异常检测模型， 实现对网络异常行为模式的精确、实时和主动检测，异常检测是实现网络自愈合的首要前提。 2、 根因分析： 根因分析的目的是分析引起异常网络行为的根本原因， 定位出具体出现故障的网络部件， 为网络自愈合提供具体依据。 发现异常或故障之后的定位是实现网络自愈合的

79、难点， 如何准确的将多维度的异常告警信息进行汇聚， 减少故障噪声，是实现快速根因分析及精准故障定位的关键。利用 AI 技术实时感知虚拟网络环境知识定义的编排与管控 应用场景及实践应用场景及实践 6GANA TG5 31 中网络拓扑和故障依赖关系的动态变化，形成知识图谱，建立故障传播图，消除重复和衍生告警，快速找出故障根因，实现根因分析的全面自动化，提升根因分析效率、 实时性以及准确性。 智能化和主动化的根因分析是实现网络自愈合最关键的步骤和场景。 3、 故障自愈： 故障自愈的目的是基于根因分析结果制定网络补偿策略实现网络自愈合。通过根因分析定位出网络中的故障设备后， 需要制定自适应补偿策略实现

80、网络服务性能的快速复原，保证各类业务在虚拟网络架构下获得连续、高质量的通信体验。为了在不影响其它业务正常服务的前提下制定实时的网络复原策略， 需要动态感知全局网络信息， 实时监控物理网络的资源使用情况， 并选择正常运行的网络设备进行迁移或切换，实现网络故障的高效闭环修复。完成从异常检测、根因分析到故障自愈的全流程自动化和智能化管理。 4.3.2 技术技术需求需求 建立基于全局网络知识的自动化和智能化故障自愈系统。该系统的技术需求包括： 支持对网络及其相关用户、 服务和环境的多维主客观要素进行表征、 构建、 学习、 应用、更新和反馈， 具有知识挖掘与知识推理能力， 可将专家知识和数据整合成人类所

81、能理解的信息乃至知识规则库，提供具备逻辑推理关系的框架、模型，包含知识抽取、知识表示、知识融合和知识存储等关键技术，从而形成基于知识图谱的智能推理机理体系； 支持模拟、跟踪真实网络运行的数字孪生网络，借助历史数据、实时数据以及算法模型等，模拟、验证、预测、控制物理实体全生命周期过程；为现实环境构建一套虚拟化数字环境，并实时持续监控虚拟环境的数字化模型为网络自愈合提供决策依据； 支持模型训练分布化，多点联合训练，实现数据在隐私保护情况下的“共享”，应对电信行业小样本，数据缺失场景，满足数据安全要求；支持迁移学习，在少量样本数据下快速完成模型适配训练，同时解决 AI 模型在不同域内的复制、泛化等问

82、题； 支持 AI 算法基于历史经验数据自动生成异常检测的动态门限，避免传统静态门限设置带来的误报和漏报，提供多指标联合检测、模型参数的自学习调优等关键能力，实现异常网络行为的主动预警，降低业务损失；支持网络拓扑的动态感知，故障传播图的实时更新，提供异常原因关联性分析、 多类异常告警事件的智能故障定位等关键能力， 从而提高根因识别知识定义的编排与管控 应用场景及实践应用场景及实践 32 6GANA TG5 准确率和运维效率； 支持自适应网络运行状态的迁移或切换策略对故障设备进行补偿， 支持补偿策略的性能自主评估， 具备从异常检测、 根因分析到故障复原的全流程智能化管理能力，从而建立基于全局网络知

83、识的自动化和智能化故障自愈系统。 4.4 智慧智慧家庭家庭网络网络自动化自动化管理管理 4.4.1 场景介绍场景介绍 日前，家庭智能路由器的研发、演进成果令人瞩目。最新一代智能路由器配备有性能强劲的硬件核心，足以支撑家居场景的高阶网络智能计算工作。同时，在软件方面，最新的路由管理系统完备，且支持扩展更多的编排与管控功能。然而，目前对家庭路由器编排与管控功能的使用方式依旧处于“人为编辑预设规则，路由器执行规则”的低智能性阶段，亟待更新，开拓具备更先进智能性的使用方法。由此可见，家庭路由器的发展之路，将可以不再局限于拓展演进传统路由器接入、拨号、路由等基本功能，在家庭网络智能化编排与管控上有更广阔

84、的空间。 另一方面， 随着物联网领域的蓬勃发展， 以及各种智能设备走进千家万户，“智慧家庭”这一新兴概念近年逐渐进入大众视野。 “智慧家庭”旨在利用网络技术将多种设备接入普通家庭的网络，串联不同功能的设备，高效智能地组合它们各自的功能，替代诸多人工作业任务， 形成一套着眼于服务寻常百姓家的人工智能生活解决方案。 由接入网络的终端设备的工作性质、工作时长、工作时间不同，对网络的资源需求也不尽相同， “智慧家庭”的网络管控系统需要能够智能地调配家庭网络中的各种资源。 不仅如此， 与大型商业网络配有专业的工程师维护不同，一个简单的家庭网络通常不会有专业人士监控维护，因此，为保障“智慧家庭”网络健康平

85、稳的运行，网络本身需要具有一定的“网络知识” ，即，网络具备简单的智能识别故障、处理故障的能力。有鉴于此，结合知识定义的编排与管控，改造家庭智能路由器，使路由器成为“智慧家庭”中的“智慧大脑” ，智能地管理网络中各项资源，并监控与处理网络故障，如图 4.4 所示。 知识定义的编排与管控 应用场景及实践应用场景及实践 6GANA TG5 33 图图 4.4 智慧家庭中的网络管理路由器智慧家庭中的网络管理路由器 4.4.2 技术需求技术需求 业务监控 尽管家庭网络不像其它常见网络一样结构复杂，通常是不同设备接入一台家庭路由器，分享网络资源，但其接入业务的复杂程度不亚于任何一种网络。因此，业务监控要

86、具备以下几项功能： 1、 全时的精准监控：首先，具备 247 不间断将网络行为记录的能力。不仅如此，网络还应当在记录期间能够准确地区别不同的接入设备或业务行为， 以及定位网络的故障信息。 2、 高效的数据保存： 依照压缩算法对监控数据进行低损压缩保存， 以适应家庭路由器较小的储存空间。在储存空间不足时，还应当具备合适的算法抹除旧数据，增量记录新数据。 3、 友好的用户反馈：因不同的家庭网络用户之间对网络领域知识的储备量不尽相同，甚至大相径庭， 管控系统应当针对不同用户的专业水平调整反馈网络状态的内容和形式。 网络知识构建 知识定义的编排与管控 应用场景及实践应用场景及实践 34 6GANA T

87、G5 为保障网络自主编排与管控的速度与准确性，在知识定义的管控系统中构建网络知识，具体在“智慧家庭”场景下，网络知识的构建要具备以下两项功能： 1、 知识获取： 由于家庭智能路由器的储存空间有限， 管控系统需要能够借助较少的数据量生成较为准确的关于当前家庭网络的网络知识。 2、 知识融合：若网络中活跃的设备、业务较多，网络监控数据可能不会被保留较长时间。因此，管控系统应在构建网络知识的过程中快速分析数据，对图谱中的知识点进行增补、更新。 3、 知识推理： 根据已有的知识图谱和相关的网络数据， 针对性推理图谱中可能缺失的用户分类、用户用网习惯、智能家居设备工作特点等知识点。 基于知识的管控 网络

88、系统在管控时需要合理地利用网络知识， 快速做出网络决策。 基于知识的管控要具备以下两项功能： 1、 稳定的决策过程：在家庭网络中，智能的网络决策过程不仅需要快速且准确，更要做到稳定可靠。 由于缺乏专业的技术人员维护网络， 管控的崩溃将会导致网络长时间的瘫痪，破坏家庭网络体验。 2、 平滑的管控过程： 家庭网络的用户通常只关注网络中的业务体验， 对于网络管控本身并不关注。因此，决策管控过程应当占用较少的硬件资源，以保证路由器有更多的资源分配给业务和基础的路由器功能，保障家庭网络体验。 4.5 随愿意图网络双闭环架构随愿意图网络双闭环架构及开源实践及开源实践 4.5.1 场景介绍场景介绍 ONAP

89、 (Open Network Automation Platform)开放网络自动化平台，是一种面向网络运营商、云存储和企业的网络和边缘计算服务编排、管理和自动化的开源架构方案综合平台。它为网络服务的设计、 创建和生命周期管理提供了与产品无关的能力。 ONAP 的目标是打造与业务、厂商无关的自动化业务使能平台，解决运营商数字化转型面临的挑战。ONAP 的核心能力包括：实现网络敏捷性、弹性和自愈能力，实时感知和响应业务诉求。使运营商或第三知识定义的编排与管控 应用场景及实践应用场景及实践 6GANA TG5 35 方能近乎实时地重新配置网络、编排服务和扩缩容量，缩短新产品上市的时间。成为全生命周

90、期管理高度动态化的网络与软件系统，实现可视化。 随着电信运营商、 有线运营商、 云服务提供商以及他们的方案提供商对通用自动化平台需求的增加， ONAP 项目应时而生， 并致力于在充分利用现有投资的前提下， 提供差异化的、按需定制的、有竞争力的网络服务。 在 ONAP 诞生之前， 通信运营商为了提供新的业务， 在从安装新的数据中心设备到 （某些情况下）升级客户现场设备等一系列工作中，需要执行大量的人工调整工作。这种人工模式的规模和成本均对运营商提出了重大的挑战。许多运营商都在寻求利用 SDN 和 NFV 技术， 提高业务创新速度， 简化设备的互操作性和集成难度， 降低整体的资产投入和运营成本。另

91、外，目前碎片化的管理场景也使得端到端级别的业务质量难以得到监控和保障。 ONAP 提供了一个统一的操作框架，通过策略驱动设计、实施、分析和生命周期管理大规模负载和服务。通过 ONAP，网络运营商可以同步编排物理和虚拟网络功能。这种方法允许运营商利用现有的网络投资;与此同时，ONAP 的开放性和全球主要网络供应商的普遍接受加速了网络功能虚拟化生态系统的发展。 Linux 网络基金会 ONAP 开源项目基于随愿意图网络双闭环架构实现知识定义网络编排管理功能开发。通过输入用户意图和运维意图，达到意图输入的转译和反馈的更新，实现用户意图的闭环交互。 通过意图监控分析和决策执行， 实现移动网络和云网的网

92、络意图闭环保障。 该架构在用户侧：满足用户在不同场景下的差异化 SLA 需求；实现用户网络意图的实时感知和动态交互；提供用户业务无感知的多网融合服务支持。在网络侧：通过网络智能化运维手段，实现降本增效；基于闭环自动化保障，具备网络自治能力。 4.5.2 技术需求技术需求 意图转译 意图转译是对用户输入的自然语言信息进行解析， 获取对应的网络意图需求信息， 从而用户使用自然语言表达等需求被转译成相应的网络切片的参数这些参数填充完成以后的话，知识定义的编排与管控 应用场景及实践应用场景及实践 36 6GANA TG5 通过端到端切片的下发流程，完成切片参数配置的下发。 随愿意图网络利用自然语言处理

93、实现意图转译。 将接收到的无线意图依次通过意图转译、冲突解决、网络编排、配置激活以及策略优化 5 个功能模块进行处理。无线网络中的意图主要包括组网意图、 业务意图以及性能意图 3 种类型。 其中组网意图是指运维管理人员对物理设施配置方案进行设定或更改的意愿，包括对无线网络接入模式和网络资源管理方案的配置、优化和故障恢复；业务意图是指无线网络可以向用户提供的服务种类；意图驱动的无线网络控制器（Intent-driven Radio Network Controller，简称 ID-RNC）负责对无线意图从转译至优化所有功能模块的运转过程进行集中化管理， 包括对接入网中运维数据、 无线传输数据和终

94、端测量报告的获取以及网络配置指令和组网优化指令的下发等。 随愿意图网络可以借助自然语言处理技术， 面对用户需求时展现出更高的灵活性， 完成意图的转译与验证、 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补救等，实现了以用户意图自主驱动网络的全周期自动化管理。 在每个意图周期初始阶段， 随愿意图网络的意图转译模块根据接入网络的意图类型， 结合每个意图对网络性能和组网的需求生成网络配置要求。 根据数据采集处理器通过大数据探针获取的无线网络运维数据、 终端测量报告和基站上传的无线传输数据， 意图转译模块捕获来自移动运营商或运维管理人员的无线意图。 未来的 6G 场景下， 随愿意图网

95、络的应用需要从核心网推进到无线网络， 即构建 ID-RAN。面对 6G 愿景对新一代通信系统、网络、终端、计算、存储等基础设施能力进一步发展的要求， 通过在转译模块引入自然语言处理技术， 可以准确识别物联网场景下多类型终端用户的服务意图，实施多维度感知传感需求。 利用自然语言处理技术实现意图转译有以下几个注意点和难点： 第一， 用户表达意图的语言是复杂的、没有规律的，可以组合任意的语言表达；第二，理解并转译用户意图，需要联系到通信领域实践知识，有一定的知识积累基础；第三，用户意图的理解和转译要基于环境和上下文。虽然有一些难点需要客服，但随之而来的优点也是十分显著的。 随愿意图网络通过转译模块将

96、客户需求转换为具体的网络指标（包括带宽、时延、抖动等） ，将这些指标信息进行编译，并根据用户的业务需求匹配到不同的业务应用中，破解传统无线网络静态固化等不足。 知识定义的编排与管控 应用场景及实践应用场景及实践 6GANA TG5 37 意图实例管理 意图实例用于规范和关联用户意图存储和交互更新、 意图转译结果参数存储、 读取和更新、 网络状态反馈信息存储。 意图实例管理技术可实现用户意图闭环管理和网络状态监控对用户意图的闭环感知反馈。同时，意图实例管理技术提供了用户原始意图交互信息、意图转译结果信息、 网络状态反馈信息等用户信息脱敏数据的汇总导出功能， 并建立标准数据规范，可为后续意图网络相

97、关智能算法模型的训练和应用提供数据基础。以下将对基于 ONAP 开源架构的意图实例管理模型如图 4.5 所示： 图图 4.5 基于基于 ONAP 开源架构的意图实例管理模型开源架构的意图实例管理模型 其中活动可用资源库即实例仓库实现意图实例的存储； 用户交互界面实现用户交互接口和意图转译功能；数据收集分析事件触发组件 DCAE 实现从实例仓库查询用户意图更新；服务编排 SO 中实现场景用例管理，对于由场景用例管理意图实例的方式，由 SO 中场景用例负责读取用户交互界面转译意图信息并存入实例仓库。 意图保障 如图 4.6 所示为基于 ONAP 框架的一种实现切片端到端用户意图保障的装置。 知识定

98、义的编排与管控 应用场景及实践应用场景及实践 38 6GANA TG5 图图 4.6 一种端到端用户意图保障装置一种端到端用户意图保障装置 该装置提供了一种与业务用例解耦的意图监控交互和保障模型， 可通过开放接口支持各类不同切片业务用例实现用户意图保障。主要包括：用户交互模块：用于获取用户输入的自然语言信息，解析网络意图需求，根据业务用例设计选用两种意图实例创建接口，将用户意图下发到数据收集分析事件触发模块并在实例仓库创建意图实例； 接收数据收集分析事件触发模块：通过切片 KPI 监控接口反馈的网络状态信息，与用户进行网络状态反馈和交互，及时将用户新网络需求意图下发并完成切片更新； 数据收集分

99、析事件触发模块： 基于意图实例实现意图闭环管理功能， 包括： 意图监控和分析基于实时网络状态数据与用户最新网络意图实现对未来网络性能预测； 意图决策与执行当预知网络性能即将无法满足用户需求时，根据可用策略和用户意图匹配提供网络切片配置修改策略。策略下发执行接口：为业务用例提供切片更改策略，由业务用例调用策略完成切片更改和下发。 知识定义的编排与管控 总结与展望总结与展望 6GANA TG5 39 5 总结与展望总结与展望 由于连接数量级的大幅度增长、 业务多样性的爆发式增长、 网络性能和可靠性的极限性要求，网络的复杂度将会远远超过当前的网络，移动通信网络面临前所未有的挑战。不仅如此，在即将到来

100、的 6G 网络全域按需服务，确立资源灵活配置的发展基调已在业界基本达成共识。然而，目前常见的数据 AI 驱动的编排与管控方式面对上述问题难以轻松化解。 另一方面， 业界同行在 “自智网络” 领域共同努力， 推动网络智能化自治的发展。 但是，网络的高度自治，将会是一个逐级演进的长期进程。为了最终实现这一目标，整个行业需要形成对“自智网络”及其发展路径的统一认识和理解。我们认为，网络知识相较于网络数据具有对规律规则的先验性和不同网络、需求之间的适配性，具备作为“自智网络”的核心的潜力和价值。 本白皮书基于上述网络现状和发展趋势， 提出知识定义的编排与管控方法， 详细介绍了“网络知识”和“知识定义”

101、的基本概念，给出了知识定义的编排与管控的参考架构，明确了知识定义的编排与管控方法的五大关键技术， 简要分析了利用知识定义的编排与管控方法的典型需求和应用场景。 我们期望本白皮书能够为业界知识定义的科学研究和应用实践提供参考，助力“自智网络”的演进。我们倡议运营商、设备商以及产业链各方合作伙伴携手创新，在以下几个方面通力合作，共同推进知识定义的发展： 1、 推动知识定义标准化。积极参与标准组织中“自智网络”相关的标准化工作，争取早日使知识定义成为“自智网络”中的统一的技术标准。 2、 突破知识定义的编排与管控关键技术。 产学研密切合作， 充分利用各类自有资源和协作项目，突破研究中的关键技术难题，

102、为产业成熟应用奠定基础。 3、 建设知识定义的开放型平台。 “知识定义”基于数据知识双驱动的新型智能网络模式不仅可以应对网络的编排与管控问题，它的应用潜力亟待开发。因此，产学研界应共同建设一个开放的知识定义的平台。 知识定义的编排与管控 缩略语缩略语 6GANA TG5 I 缩略语缩略语 英文简称英文简称 英文全称英文全称 中文全称中文全称 3GPP 3rd Generation Partnership Project 第三代合作伙伴计划 5G 5th Generation Mobile Communication Technology 第五代移动通信标准 6G 6th Generation

103、Mobile Communication Technology 第六代移动通信标准 AI Artificial Intelligence 人工智能 ANL Autonomous Network Levels 自治网络分级 ASIC Application-specific Integrated Circuit 专用集成电路 CNN Convolution Neural Network 卷积神经网络 CRF Conditional Random Field(s) 条件随机场 CPU Central Processing Unit 中央处理器 DRL Deep Reinforcement Lear

104、ning 深度强化学习 ENI Experiential Networked Intelligence 实验网络智能 ETSI European Telecommunications Standards Institute 欧洲电信标准协会 GPB Google Protocol Buffers 谷歌混合语言标准 JSON JavaScript Object Notation Js 对象简谱 知识定义的编排与管控 缩略语缩略语 II 6GANA TG5 HTTP Hypertext Transfer Protocol 超文本传输协议 IBN Intent Based Network 意图网络

105、ID-RNC Intent-driven Radio Network Controller 意图驱动的无线网络控制器 IETF The Internet Engineering Task Force 国际互联网工程任务组 ITU International Telecommunication Union 国际电信联盟 ITU-T ITU Telecommunication Standardization Sector 国际电信联盟电信标准分局 IP Internet Protocol 网络协议 KP Knowledge Plane 知识平面 KDN Knowledge Defined Netw

106、ork 知识定义网络 KPI Key Performance Indication 关键性能指标 LSTM Long short-term memory 长短期记忆 ONAP Open Network Automation Platform 开放网络自动化平台 QoS Quality of Service 业务质量/服务质量 RNN Recurrent Neural Network 循环神经网络 RPC Remote Procedure Call 远程过程调用 知识定义的编排与管控 缩略语缩略语 6GANA TG5 III SDN Software Defined Network 软件定义网络 SLA Service Level Agreement 服务等级协议 SNMP Simple Network Management Protocol 简单网络管理协议 TMF Tele Management Forum 电信管理论坛 TLS Transport Layer Security 传输层安全性协议 UDP User Datagram Protocol 用户数据包协议 XML Extensible Markup Language 可扩展标记语言 YIN YANG Independent Notation YANG 独立标注