1、基于云网融合的6G关键技术白皮书前言01 6G云网融合愿景和驱动力02 6G云网融合理念2.1 通信与计算深度融合2.2 连接与智能深度融合03 6G云网融合架构3.1 总体架构3.2 组成单元3.2.1 核心节点3.2.2 超级边缘节点3.2.3 分布式节点04 边缘节点使能技术4.1 异构资源池4.1.1 异构资源池驱动力4.1.2 异构资源池特点4.1.3 异构资源池软硬件设计4.2 智能内生4.2.1 研究进展和原则4.2.2 边缘智能内生4.2.3 节点内跨域AI4.2.4 网络数据采集和应用4.3 微服务化RAN4.3.1 微服务化RAN驱动力4.3.2 微服务化RAN设计准则4.

2、3.3 微服务化RAN演进及架构设计4.4 智简可编程4.4.1 智简可编程设计原则4.4.2 智简可编程网络框架4.4.3 智简可编程赋能定制化4.5 无蜂窝组网4.5.1 无蜂窝系统架构4.5.2 分布式协作传输技术4.5.3 无线资源管理与控制技术05 探索与验证5.1 边缘节点构建与验证5.2 无蜂窝网络验证评估06 未来展望附录1 术语 参考文献 01 02 03 04 04 04 05 05 06 06 06 07 08 08 08 08 08 09 09 09 10 11 12 12 12 12 15 15 16 17 17 17 19 19 21 21 22 24 25 30目

3、 录0102前 言第六代（6G）无线通信网络关键技术的研究尚处于早期阶段，中国电信研究院在贯彻网络强国战略中提前布局6G研究，坚定云改数转战略，持续推进云网融合深入发展。面向6G，中国电信研究院携手紫金山实验室，联合创新并开展6G云网融合关键技术研究。本白皮书首先阐述了6G云网融合的愿景、驱动力及关键技术发展理念，提出6G云网融合架构、面向边缘节点的使能技术，以及面向6G云网融合关键技术的初步探索与验证。本白皮书是中国电信研究院联合紫金山实验室对未来6G云网融合的初步技术展望，后续需要持续迭代与优化，同时希望为业界技术发展提供参考。本白皮书版权属于中国电信研究院和网络通信与安全紫金山实验室所有

4、并受法律保护，未经授权，任何单位或个人不得复制或拷贝本白皮书中部分或全部内容。引用本白皮书中的文字、数据、图片或者观点时，应注明来源。研究单位中国电信股份有限公司研究院、网络通信与安全紫金山实验室起草人中国电信研究院：杨峰义、刘洋、王晴天、刘海涛、陈鹏、王建秀、钱兵、徐晓桐、宗佳颖、冯建强、李泽旭、黄璇、李翔宁、熊雄紫金山实验室：尤肖虎、黄永明、王东明、何世文、刘升恒、詹行、马俊超、李进、刘东杰、尤建洁、朱敏、张川、许威、张铖、张教、夏心江、曹阳、秦新义、刘淑珍、杨沛、王良鹏、易云山、许璐、陈新华、范艳云伴随着第五代（5G）移动通信系统的商用部署，第六代（6G）移动通信系统的研究工作已经在全球

5、范围内逐步展开。ITU-R报告1指出，在通信技术革新和应用场景更迭的驱动下，6G网络将进一步扩展应用场景，包括全息通信、触觉互联网、网络与计算融合、万物互联、多维传感、全球无缝覆盖等。由于6G系统的复杂性、先进性以及对产业引领和带动作用，各主要发达国家纷纷加大投入，深入展开研究，谋求竞争优势。如：美国成立“Next G”联盟、欧洲启动“Hexa-X”研究计划、韩国制定“6G研发实行计划”、日本成立“6G技术研究会”等，我国也分别在学术界与产业界从不同的视角对6G开展研究2 3 4。按照3GPP/ITU的6G发展路线图，6G研究目前仍处于基本概念与系统构架的创立、关键技术的辨识发现及证实阶段。在

6、6G总体研究层面，紫金山实验室联合东南大学、北京邮电大学、鹏城实验室、佐治亚理工、萨里大学等国内外学术团队，提出了6G发展的三大趋势（沉浸化、智慧化、全域化）、八大场景（沉浸式扩展现实（Extended Reality,XR）、全息通信、感官互联、智慧交互、通信感知、普惠智能、数字孪生、全域覆盖）、五大指标（“TK+B+90%”，即Tbps速率、Kbps/Hz谱效、s时延、Billion/km2连接密度、90%全球覆盖），并发布相关白皮书，推动业界对6G发展概念形成共识2。从移动通信产业的发展历程看，需求的拉动及技术的推动是网络发展的主要驱动力。6G产业仍将延续需求、技术的双轮驱动模式，具有以

7、下特点：通信发展早期，受限于技术条件和发展水平，以“专网”方式为主，各网专营单一业务，如：电话网、电报网、分组网等；随着技术和产业的发展，以统一的网络承载多种业务，多业务融合的综合信息服务网络渐成主流。移动通信的发展也是如此。1G/2G以话音业务为主，融合低速数据业务，网络主要由低速电路型链路构成；3G在电路域的基础上，强化分组域，在满足电话业务同时，满足互联网访问需求，网络由电路和分组两部分构成；4G强化了业务网络融合，以统一的分组网络，同时支持多媒体通信和高速互联网访问；5G在4G的基础上，融合了物联网（以海量机器类通信为代表）、工业互联网（以超高可靠与低时延通信为代表）的业务需求，网络的

8、融合服务能力进一步增强。6G将进一步顺应网络融合的发展趋势，发展多样化的服务能力，强化其无线信息服务基础设施的产业地位。一方面，继续做强连接，提供极致连接能力（以“TK+B+90%”为典型代表），满足人人、人机、机机通信的多场景通信需求，提供卫星通信、无人机/工业机器远程遥控、远程医疗康复、浸没式通信等多种服务；另一方面，探索感通融合、算通融合、智通融合的多样化服务能力，实现信息基础设施投资的价值最大化。多业务融合提高了网络的复杂性，同时也提高了布网成本。全业务、全功能进行网络部署不具备必要性和经济性。依据地区、用户、场景的实际需要，有选择性地剪裁相关特性和网元进行网络部署，同时在业务需求发生

9、变化时，通过柔性的资源调配，动态调整网络功能和网元结构，匹配业务需求的变化，才是相对经济的选择。6G网络需要以业务需求为导向，提升网络对业务的按需适配能力。同时，面向多样化应用场景对6G网络多维度性能指标的差异化需求，网络需具备动态资源适配的能力，以多个性能指标的全局优化为目标，通过灵活分配异质化的网络资源，最终实现网络资源与差异化业务需求之间的高效按需匹配。因此，业务按需部署、资源弹性调配的软化、柔性网络是与网络融合相伴而生的必然内生需求。云技术的发展和应用，有助于融合、柔性网络目标的达成。通过硬件资源的池化、虚拟化、云化，和各功能网元的服务化，使得软硬资源充分解耦，灵活调配，有助于增加网络

10、柔性。在5G时代，核心网控制面云化、服务化较为彻底，并进行了规模化部署；其他部分，仍需在6G时代进一步探索。以云化的技术实现6G柔性网络的目标，可以简称为：“6G by Cloud”。一方面，随着数字经济的发展，“隐私保护”、“数字主权”、“数据不出域”的管制要求逐步强化，推动云服务从集中式走向分布式；另一方面，在工业互联网应用场景中，大量数据在边缘产生，需要在网络边缘进行就近、实时处理，推动移动边缘计算的快速发展。移动边缘计算及分布式云均要求6G提供内生的云服务能力。可以简称为：“6G for Cloud”。综上，在6G的发展过程中，“6G by Cloud”和“6G for Cloud”将

11、共同驱动6G云网融合的发展。网络可根据业务服务需求按需提供网络能力，最终形成自动化、高弹性、智能化的6G云网融合技术方案。多业务融合需求进一步强化（一）业务按需部署、资源弹性调配的软化、柔性网络（二）顺应分布式云的发展趋势，提供内生的云服务能力（三）03016G云网融合愿景和驱动力04云网融合建立在通信技术和信息技术深度融合的基础上，同时也依托信息基础设施的革新，包括协同、融合和一体三个阶段，基本特征涵盖云网一体化供给、一体化运营和一体化服务。云网融合是中国电信“云改数转”战略的重要组成部分，遵循网是基础、云为核心、网随云动和云网一体四个原则。云网融合中，云和网相辅相成，一方面，网随云动，云对

12、网络的需求强调灵活定制和快速交付；另一方面，网络云化，网络从封闭式的硬件架构走向云化、智能化的方向，实现资源弹性分配、快速组网、智能控制等目标5。在5G时代中国电信提出了“三朵云”网络架构，成为云网融合的最佳实践；面向6G，中国电信将持续推进云网融合向更深层次发展，逐步形成“一朵云”的网络架构。2.1 通信与计算深度融合6G云网融合将为通信与计算的融合带来新的机遇。6G网络多维度的一体化设计理念，为计算能力在网络中的无处不在提供了可能；硬件资源的不断革新与发展，赋予了计算资源类型的多样化选择；同时，通信和计算的深度融合将适应业务需求的提升。为推动通信与计算的深度融合，一方面，需要通过分布式的算

13、力部署来满足多样性的计算需求，即将部分算力服务和数据存储功能下沉到更靠近用户的边缘节点上，以实现网络实时响应、更低的传输开销、更高的能效以及更高的安全性；另一方面，需要打破设备算力的物理限制，提供端到端的确定性业务保障。充分利用移动终端、基站以及云服务器，通过网络提供可管可控的算力服务，将繁重的计算任务卸载到网络中可用的计算资源上。通信与计算的深度融合，能够以通信网络为媒介连接不同位置、不同层级的计算节点，为算力服务提供更加灵活便捷的调度管理模式，全面提升算力服务的连接水平1。2.2 连接与智能深度融合6G网络将深度融合智能化特征来满足多种应用场景下的不同业务需求，根据特定的目标或环境变化自适

14、应地进行网络优化和适配。为支持智能特性的内生引入，在网络连接以外需要数据与算力的协同构建，6G网络需要更丰富的计算节点和更泛在的连接来支持各种计算密集的业务，因此需要在架构层面通过内生设计来实现。为实现连接和智能的深度融合，一方面，需要采用集中和分布式人工智能（Artificial Intelligence，AI）协同处理的机制，构建数据平面和智能平面，在网络各个节点间以及终端和网络间建立良好的协作机制，将数据、算力和AI渗透到系统的各个节点和各个层次；另一方面，6G网络需要通过持续监测和跟踪无线网络中的通信条件来感知和适应复杂的动态环境，利用AI技术实现自动化的网络管理和编排，持续寻求6G网

15、络的最佳状态，以自动化的方式对6G网络进行诊断和恢复，实现零接触的网络控制和管理，另外利用AI技术优化数据面及控制面信令，提高系统整体性能1。在6G网络中，计算从核心节点到边缘节点，从网络到终端无处不在。连接与智能的深度融合，使得AI不仅仅是优化无线网络功能、提升无线网络性能的一种技术手段，更是构建内生智能通信系统的关键技术支撑。026G云网融合理念6G云网融合的相关研究在学术界和产业界相继开展。由网络通信与安全紫金山实验室与东南大学尤肖虎教授团队牵头，联合来自中国电信研究院、鹏城实验室、华为技术有限公司等的多名业界专家，共同完成的论文 Toward 6G TK Extreme Connect

16、ivity:Architecture,Key Technologies and Experiments（文献6）中提出了以具有连接、计算、智能和数据的超级边缘节点为主要05特征的6G网络三层架构和关键支撑技术，并通过相关的测试床验证了架构的先进性。中国电信研究院消化、吸收业界最新的成果，并结合自身的产业实践和业务需求，从具备连接、智能和服务提供的边缘节点出发，发展完善，逐步形成本白皮书所述的6G云网融合技术方案，与业界共同推动6G云网融合发展。3.1 总体架构在通信与计算、连接与智能的深度融合下，6G网络将更进一步推进面向网络边缘的云网融合发展。为保障垂直应用场景对通信质量提出的超高可靠性、超

17、低时延、高安全性等需求，越来越多的服务功能将被部署在靠近终端的网络边缘侧，6G云网融合架构将通过构建超级边缘节点对数据、连接、智能一体化考虑，是6G网络架构整体设计的新趋势。超级边缘节点的功能以及部署的灵活性，一方面可以更好的支撑数字孪生、元宇宙等典型的6G业务场景，另一方面可以显著提升网络数据承载能力和隐私保护能力。这些能力对于面向垂直行业应用的通信网络非常重要，6G将借此设计形成集连接、智能、大数据、存储、安全于一体的云网融合体系。近实时层：边缘节点实时层：分布式节点边缘节点服务提供功能智能控制功能网络连接功能边缘节点服务提供功能智能控制功能网络连接功能服务提供功能智能控制功能网络连接功能

18、本地数据中心6G AppsAI数据安全存储非实时层：核心节点图3-1 6G云网融合架构示意图036G云网融合架构3.2.2 超级边缘节点第二层近实时层由超级边缘节点构成，针对特定服务提供连接、计算、数据和AI等敏捷边缘服务，是6G云网融合架构中的关键层。边缘节点在逻辑上由多个独立/融合的网络功能组成，如包括用户面功能（User Plane Function，UPF）等的下沉核心网功能、部分基带处理功能（Baseband Unit，BBU）等。该层采用边缘数据采集/处理与AI功能结合的方式，构建多个边缘节点。边缘节点的构建，可以将通信、计算、智能等服务推向更贴近用户的边缘，通过边缘节点和网络的自

19、适应协作，在边缘网络上推动无线通信和计算资源的深度融合。边缘节点将实现高度分布式AI的愿景，将智能化从核心节点转移到边缘节点，从而减少时延、成本和安全风险，进而提高相关业务的效率。每个边缘节点基于以任务为中心的模型提供近实时的服务，是6G无线网络从以会话为中心转向以任务为中心的使能节点。边缘节点网络架构如图3-2所示。与传统的边缘网络相比，本架构下的边缘节点，具有以下两方面特点：第一，物理上的临近性。节点的部署位置更加趋近用户和场景，在贴近用户的电信网络边缘实现业务的响应、处理；第二，能力更加丰富。边缘节点中涵盖了核心网下沉的单元、云化的接入网能力、算力底座的异构资源池以及网络大脑的内生智能，

20、推动边缘节点成为6G云网融合的锚点。边缘节点的具体功能包括服务提供功能、智能控制功能及网络连接功能。其中服务提供功能直接面向任务或应用，根据业务需求快速确定所需的传输、计算、存储和AI资源。以端到端切片为例，服务提供功能利用智能控制功能实现多维资源的动态智能编排；根据识别到的需求，智能控制功能生成面向任务的智能切片，主要包括无线切片、计算切片、数据切片以及AI模型等；网络连接功能中包括基带处理的BBU池以及下沉式核心网功能，最终实现满足近实时甚至实时任务需求的切片和服务级别协议（Service Level Agreement，SLA）保障。在本架构中，边缘节点为了满足数据能力开放及网络动态控制

21、的智能化双向内循环，垂直嵌入了数据平面和智能平面，分别用于数据收集及网络自治，如图3-2所示。其中，数据平面基于相关性分析和网络数据构建，满足构建首次出现特征数据集（Feature Data Set，FDS）属性，通过实时收集、处理和生成数据集，驱动AI模块实现对网络性能的精确预测和多维度资源的按需动态编排，最后通过智能控制平面分发近实时或实时的策略。另外，通过安全面实现安全内生整体保障网络运行。6G云网融合架构6示意图如图3-1所示，从组成单元上分为实时层（分布式节点）、近实时层（边缘节点）和非实时层（核心节点），不同节点内涵在3.2节阐述。该架构涵盖如下四方面特点：当前云化的数据平台、智能

22、平台、虚拟化平台、以及存储平台融为整体，以附带加速器的边缘节点形式存在，进而形成普适、融合以及智能的信息基础设施；基站的形态特征将发生变化，大带宽的基带处理功能将部署于边缘节点，同时包括内生的网络智能化；边缘节点与物理部署位置不具备紧耦合关系，例如卫星通信和地面移动通信系统将在网络架构上逐渐融合并形成一体化，最终也可达到空中边缘节点、网络虚拟化与云网络的融合；网络功能以及服务将呈现应用化，订阅相关服务的用户可以便捷地使用网络侧、终端侧的应用平台，动态配置边缘节点的计算、智能、存储和连接资源，以达到灵活定制网络服务和安全策略的目的。3.2 组成单元3.2.1 核心节点核心节点组成6G云网融合架构

23、第一层非实时层，负责整个网络的非实时控制和管理。该层主要由核心网、云端大数据平台以及高性能计算平台组成。通过引入智能算法，核心节点层在数据驱动的支持下，实现网络管理级的非实时网络自治。本层具备强大的计算和存储能力，因此能够收集批量、多维度的数据，并实现数据处理、构建数据集。由于核心节点层与用户的距离较远，核心节点无法处理近实时或实时性要求较高的应用。因此，AI模型可以通过离线的方式在本层进行训练，并将训练好的模型分发至计算和存储资源受限的边缘节点处，进而完成AI推理功能。06第一第二第三第四5G网络也在探讨智能化的应用，但是其智能化设计更多局限于核心节点，为网络自治提供非实时的智能控制。收集大

24、量数据的过程效率低下，使得集中式智能无法支撑端到端的高度网络自治。相比之下，采用内嵌于边缘节点的分层、分布式的AI智能从云扩展至BBU。因此，边缘节点中具备内生AI能力，能够提供近实时/实时的网络智能控制，最终实现端到端的高度网络自治。边缘节点具备计算、通信及智能的深度融合能力，其使能技术将包括异构资源池、智能内生技术、微服务化无线接入网（Radio Access Network，RAN）、智简可编程和无蜂窝组网。具体内容将在第4章阐述。3.2.3 分布式节点分布式节点构成了架构中的第三层，用于实现不同频段下的射频传输以及部分下沉的物理层实时计算功能。为了满足6G网络中更加严格的关键性能指标（

25、Key Performance Indicator，KPI）需求，并支持从sub-6G、毫米波至太赫兹的全频谱接入，传统的基带处理功能可通过不同部署位置分解为两个逻辑子模块：部署在边缘节点的BBU池以及部署在分布式节点的远端单元，其中远端单元可支持不同频段，其逻辑子模块划分方式根据带宽需求及基带处理能力通过前传接口进行具体定义。远端射频单元（Remote Radio Unit，RRU）支持sub-6GHz、毫米波或太赫兹波段，同时由于不同频段将可能对应不同的多天线处理技术，因此可以针对特定的频段专门设计天线单元。边缘节点服务提供功能智能控制功能网络连接功能数据面智能面安全面数据收集虚拟化编排网

26、络自治面向用户的服务门户连接数据存储计算边缘节点编排边缘节点控制器特征数据集AI模型下沉核心网网元集中控制单元嵌入实时APPs嵌入AI训练以用户为中心的基带虚拟化管理数据中心池任务为中心的RAN优化异构资源池CPU集群FPGA/xPU集群AI集群存储媒介ASIC图3-2 边缘节点架构07异构资源池构建原则需要兼具集中和分布的特点，集中化的异构资源池具备丰富的算力和多样化场景支撑的能力，能够覆盖较大区域内对异构资源的需求。分布式的异构资源池具备网络特征属性，如某一节点的异构资源池具备低时延的属性，低时延需求的业务请求更多的倾向在该节点中处理。集中化和分布式的异构资源池间并非相互独立，需要考虑协同

27、处理，两类资源池构建时需要做好网络规划，资源池间交互也需要数据安全。异构资源池的资源合理最大化的分配亦是需要关注的问题，建立一整套完善的资源分配和监控体系，实现超高效利用和最大化共享。资源异构设计中延续虚拟化技术，采用物理资源池和虚拟资源池的两层设计方案。对差异性的资源要制定不同的资源水位线和扩缩容规则，一旦某一资源高于水位线阈值，虚拟资源侧的逻辑单元能够快速预警、高效制定方案，实现扩缩容，在保障资源利用率的同时兼顾资源高效运转，避免某一部分过载造成资源的局部瘫痪。4.1.3 异构资源池软硬件设计异构资源池的演进离不开硬件设备的发展。基于网络设备的特点，较长一段时间内专用芯片都占据着主导地位。

28、近年来新型架构和工艺的发展，加之网络本身的升级，越来越多的异构硬件正在被引入。目前主流的服务器处理器计划在未来引入更加注重能效的核心，与传统性能核心并存，而且还有专门针对图形进行优化的内核，专门针对高性能计算进行优化的内核等，其中内置AI加速的策略为智能内生提供更好的支撑。此外，结构化ASIC芯片在现场可编程门阵列（Field Programmable Gate Array，FPGA）和专用集成电路（Application Specific Integrated Circuit，ASIC）之间提供了一种可选的折中方案，GPU也随着网络云化与智能化的发展得到更多应用。硬件设备的迭代与异构资源池的

29、演进相辅相成，有助于更便捷的为6G发展提供底座。软件化的设计是异构资源池快速运转的核心，差异化的资源在软件设计中要兼顾资源的属性。计算资源要设计高效的交互接口，实现资源的统一纳管，存储资源根据需求完善如块存储和对象存储的接口和协议，实现存储的快速寻址，网络资源需要沿着白盒式的方向演进，网络配置由控制器统一实现。软件设计需要满足轻量化和高效的原则，软件尽可能少的占用异构资源，实现软件轻量化；高效需要资源调度节点对运行中可能出现的业务迁移、备份等操作在业务容忍范围内快速完成，保障业务的连续性。最后，异构资源池在设计时也需要提升按需适配的能力。业务场景的网络需求可以映射为时延、带宽和可靠性等指标参数

30、，异构资源池基于对网络参数的解析，整合调度基础设施资源，提升对业务的支持能力。此外，考虑多样化应用场景对网络提出的多维度、差异化的性能指标，异构资源池需具备动态资源适配的能力。可以以多个性能指标的全局优化为目标，通过灵活分配异质化的资源，最终实现资源与差异化业务需求之间的高效按需匹配。084.1 异构资源池4.1.1 异构资源池驱动力边缘节点作为6G云网融合架构的核心支撑，经过通信与计算、连接与智能的深度融合，承载了未来无线网络绝大部分的功能模块。为支持边缘节点正常运转，使能网络要素充分发挥作用，首先需要提供基础设施保障节点的资源需求，不仅限于传统的计算、存储、网络转发等资源，在6G全覆盖的背

31、景下，陆地、卫星、高空、地下、海洋等网络域融合将会伴随着集成电路技术的发展，极大的扩展和丰富异构资源的范围和类型。因此，在传统资源池的基础上需要构建新型的异构资源池，其解决方案将在更广、更深程度整合未来异构资源，打造6G云网络的坚实底座。然而，异构资源池的构建并不是孤立的技术演进，而是依托于虚拟化技术及智能编排技术的发展。异构资源池首要是资源的抽象，这需要结合当前的软件定义网络（Software Defined Networking，SDN）、网络功能虚拟化（Network Functions Virtualization，NFV）、硬件虚拟化和图形处理器（Graphics Processin

32、g Unit，GPU）虚拟化等技术，进一步利用智能化编排技术，根据情境化的服务需求调度和管理网络功能和相应的虚拟资源。4.1.2 异构资源池特点6G时代的异构资源池需要兼具专用和通用的属性，专用是指异构资源具备业务属性，某一个或者几个异构资源池在部署时围绕某一类业务设计，在硬件的构建上会根据业务的需求添加专用处理硬件。通用指的是，异构资源池间互相协同，当某一类业务的需求发生改变，或者有新的业务加入，通用类型的异构资源会根据需求调度出自身具有的资源，利用网络的连接能力，协同这部分资源支撑业务。04边缘节点使能技术09O-RAN联盟对网络智能化的研究主要从架构和接口角度出发，通过设计非实时RAN智

33、能控制器（Non-Real-Time RAN Intelligent Controller，Non-RT RIC）和近实时RAN智能控制器（Near-Real-Time RAN Intelligent Controller，Near-RT RIC）构建能够引入AI算法的架构。其中，Non-RT RIC位于服务管理编排（Service Management Orchestrator，SMO）内，处理时延需求大于1秒的业务，满足对实时性要求不高的应用需求；Near-RT RIC可以与基站部署在同一位置，处理时延需求小于1秒的业务并为无线接入网提供近实时策略控制和能力开放。在设计智能内生时需要兼顾：

34、数据存储：构建针对智能内生需求的数据库，根据数据特征分类，定时上传新数据和清理旧数据；算力分配：需要根据算法的需求，合理、就近地调度算力满足算法的需求；关联网络连接：设计时需关联网络连接，通过网络的连接能力提供AI服务；数据算力匹配：智能内生的数据和算力是紧耦合关系，数据的部署可以伴随算力的分配，算力的分配亦可跟随数据的生产者；AI训练和推理：匹配场景的差异性和需求，合理确定AI训练和推理的发生点。4.2.2 边缘智能内生边缘节点作为6G云网融合的重要着力点，是承载着智能内生的重要单元。如图3-2中的边缘节点所示，边缘节点在设计时以智能内生原则为参考，网络连接功能是智能化的基础，同时算力附着于

35、本层，完成AI的训练功能；智能化控制功能是智能内生的核心，完成特征数据集的建立、AI模型的存储；服务提供功能作为整个网络中的智能内生出口，为网络中其它功能的组成单元提供智能功能，同时亦可为第三方的应用提供封装后的智能化服务。智能内生数据是基础，算力是前提、算法是核心，连接是关键。在边缘节点中异构资源池为智能内生提供充足的算力和存储资源，满足模型训练、推理和数据存储的需求，嵌入AI训练实现分类模型训练能力。AI模型中存储有已经训练完成的模型，也可进行新模型的设计并将新设计的模型嵌入AI训练中完成相应参数优化。特征数据集主要功能是从网络中收集数据，然后对收集到的数据进行分析，按需构建特征数据集。在

36、数据的收集过程中，收集数据涵盖6G云网融合架构的各个单元，原始数据需进行分类、脱敏和降噪等处理，然后根据数据的特征分类整合，形成特征数据集。在边缘节点中，已经训练完成的AI模型，根据请求方的需求在本节点中完成AI推理，或者通过网络连接能力传输至其它边缘节点中实现AI推理功能，并最终根据推理内容实现策略下发。随着服务化架构的引入、网元虚拟化程度的提升，5G核心网在云资源池构建方面积累了一定的经验。但是在RAN侧，现阶段网络形态仍然以专用设备为主，这意味着无线侧资源池的构建相对核心网将更加艰难，例如其必需的加速器目前在虚拟化方面也存在技术挑战。6G要想实现无线接入侧的云网融合，首先需要克服网络基础

37、设施全面云化面临的技术难题，实现网络和资源的高度虚拟化，为多种通用与专用资源构建统一抽象视图，另外，如何在兼顾高性能的同时保障电信级别的可靠性，也是未来异构资源池需要应对的关键挑战。4.2 智能内生6G智能内生，是在云网融合的基础上，引入智能化元素，根据需求对网络内部的网元和外部的应用提供AI服务，最终实现智能融入网络，智能遍及网络和智能服务网络。智能内生在6G网络中的首要体现是采用合理的AI算法达到网络性能的提升，如在物理层中目前常采用基于数学理论的编解码方式，在智能内生的方式驱动下，采用生成对抗网络完成物理层的编码和解码也是当前在探究的方式。同时，从网络本体出发，智能内生的方法从大量数据中

38、探寻规律，以当前网络状态为决策依据的方式，亦可解决网络中数学建模困难的问题。其次，智能内生也可以适应新业务的加入，提升网络针对业务快速整合资源、按需定制和快速部署的能力。最后，智能内生的实现需要以边缘节点为载体深入网络的各个层级，能够通过AI即服务的模式（AI as a service，AIaaS）对内满足网元的AI需求、对外提供开放的AI服务。智能内生在6G时代除了优化增强现有用例的前提下，也会增加新的应用场景，如意图驱动场景。在意图驱动场景中，一方面，网络运营人员能够通过基于AI的自然语言处理技术进行涉及专业术语的文本转换，通过智能内生的能力，将用户意图转换为能够识别的网络配置参数，并完成

39、配置下发；另一方面，利用AI的决策能力，结合当前网络的状态，如计算资源、网络连接情况、链路抖动等情况，自动输出对应的编排调度方案，实现按需定制的需求。还有诸如空天地一体化组网场景中，也需要6G的智能内生能力，对复杂的网络完成感知、建模、预测和决策等一系列的动作。4.2.1 研究进展和原则针对智能内生的研究，已经在诸如3GPP和O-RAN等标准组织中开展。3GPP在R17中针对网络智能化提出了相关的AI应用，聚焦于网络节能、负载均衡和移动性优化等场景，同时也提出了AI使能RAN的两种结构，主要从AI的训练和推理两个维度考虑，第一种结构将AI的训练过程在操作维护管理（Operation Admin

40、istration and Maintenance，OAM）中完成，然后将训练后的模型下发至RAN侧根据对应的数据完成AI推理过程；第二种结构是将AI的训练和推理过程均放在RAN侧实现。在R18中3GPP继续开展网络智能化的研究，重点针对基于AI的信道状态信息（Channel State Information，CSI）增强、智能波束管理、智能定位和信道估计等场景。0102030405图4-1 跨域AI框架10边缘节点中以非实时/近实时/实时的方式优化网络参数，以实现多级网络智能。边缘节点实现了从数据的收集与预处理，到AI的训练与推理，再到策略分发的网络优化闭环。随着迭代次数的增加，网络性能也

41、将逐渐优化，最终建立高效的网络自治体系。此外，边缘节点中的AI能力，还可通过服务提供层实现内生智能的对外提供，为具有不同需求的用户提供定制化服务。通过边缘节点，可以将数据、算力和AI渗透至6G云网融合系统的各个层级。针对差异化的应用场景，在不同层级中实现非实时、近实时和实时的智能，从而打造真正的智能内生，以实现网络高度自我管理、自我优化以及与服务化网络的融合发展。4.2.3 节点内跨域AI内生AI在优化网络性能，提升网络服务能力的同时，将产生算力部署开销及能耗激增等新问题。为了提升算力资源可用性，推动端到端的智能内生，边缘节点将采用域内自治、域间协同的AI管理框架。如图4-1所示，算力资源在横

42、向与纵向均呈现出算力部署由分布到集中，算力提供由匮乏到充足的特点。因此需要以任务为中心，根据算力及时延需求、数据样本体量等约束，灵活选择任务锚点、调配网络算力资源，通过域内及域间的AI协同，打造端到端的智能化服务体系，推动网络自治。其中域间的协同将通过管理域进行统一的管理和编排，随着核心网网元功能的下沉，边缘节点将在AI跨域协同过程中承担重要的桥梁作用。节点内的跨域AI将通过数据协同、模型协同以及算力协同三方面实现。其中数据协同首先应建立统一的数据架构，通过标准化的数据接口实现域间数据的高效同步；其次建立多层级的数据仓库，实现数据服务的快速调用，为智能内生打造坚实底座；最后在原始数据的基础上构

43、建知识图谱和特征数据集，降低数据协同的同步开销。模型协同包括训练协同以及推理协同两部分，其中训练协同通过模型共享、模型拆分及分布式学习方式实现；推理协同则包括集中训练、分布推理以及多步联合推理等方式。算力协同能够通过AI用例的分解、AI任务的编排以及算力锚点的选择，实现算力资源的自适应调配。图4-2 6G智能内生数据采集分析体系示意图114.2.4 网络数据采集和应用面向网络自治的数据收集和分析是6G网络中最重要、最基本的任务之一，在边缘节点的近实时数据采集的同时，需要考虑非实时的数据采集以进行综合分析。网络运行过程中将不断产生数以亿计，与异构软硬件、功能和协议栈相关的数据字段。6G网络的网络

44、结构、终端类型、终端行为、数据业务需求以及系统资源均呈现出高动态、强实时、紧耦合的特点。如何从复杂的数据中有效提取重要的底层特征，并根据需求动态生成不同的特征数据集，以有效驱动AI模型的训练、推理和验证，是6G智能内生亟需解决的基本问题之一。传统的网络数据采集流程是建表、过滤、采集到入库一步到位，缺少数据按需加工处理，同时传统网络数据采集的方法包括路测、信令数据硬采和信令数据软采等，采集的数据可以分为实时数据和非实时数据。为提升数据采集和传输效率，可进一步考虑针对不同移动通信智能优化应用场景和网络部署，根据场景需求的定制化进行时间和空间数据采集。采集的数据可按需存储在基础数据仓库中。网络数据采

45、集模块可在6G网络和无线数据仓库的基础上，提供移动通信网络数据实时采集、分析、追踪等专业的网络数据支持，其中网络数据采集模块架构主要分为三层，分别为知识图谱构建、数据分析和特征数据集。网络数据采集主要通过硬采、软采、路测等方式获取网络各类数据，主要包括无线空口用户终端（User Equipment，UE）侧数据、无线空口基站侧数据、核心网数据、网管数据等。无线空口UE侧数据、无线空口基站侧数据，包含物理层、数据链路层、网络层三大类数据，基站侧通过提取上述信息、组建消息包、建立通信接口，然后将实时数据发送到外部平台，实现基站侧数据采集功能。核心网数据包括控制面和用户面数据。控制面数据主要指控制信

46、令协议类型的数据，用来控制业务流程的建立、维护和释放。用户面数据主要指真正的业务数据，如语音数据、分组业务数据、即时通信数据、邮件数据及视频数据等。网管数据包括性能数据、告警数据和配置数据。性能数据主要针对不同的网元采集到其对应的性能信息；告警数据主要是指所有网元生成的各种设备故障告警报告、网络事件报告以及与网络、业务相关的故障报警报告；配置数据主要是网络中网元设备的基本信息，与实体形成对应的映射，多用于网络的拓扑信息管理。如何利用移动通信大数据并嵌入智能形成的网络智能新技术体系，面临架构、数据和AI算法等挑战。AI作为数据分析引入的有效工具，其本身的发展对移动通信领域有重要影响。但是由于6G

47、网络前所未有的复杂性，以及基于数据驱动的AI技术本身的局限性，导致这些学习模型和算法无法端到端、全流程地完成各类网络问题现象的发现以及解决方案的落地。针对移动通信网络数据的多源异质和组织结构松散的特性，移动通信网络结构层次化与扁平化相耦合的特性，需有效理清移动通信数据、移动通信网络以及移12动通信网络性能内生因素之间的关联，实现移动通信知识的互通、移动通信资源的高效管理和移动通信网络的智能维护，使得移动通信网络内生要素与内生关联关系以一种易于理解的、结构清晰的、定位精准的可动态展示的方式呈现出来。基于知识图谱的数据分析是实现移动通信知识获取、知识整理以及知识表示的重要一环。基于数据仓库及特征数

48、据集打造的智能底座，首先能够应用于网络的异常检测，通过对网络产生的时序/非时序数据的分析，可以对网络异常、网络攻击、网络故障等问题进行精准定位。其次通过基于逻辑和基于模型的知识推理，进而形成网络知识库，推动网络自动化部署与维护。最后通过构建面向领域的知识图谱和基于知识图谱的决策模型，实现网络的智能决策。依托于知识图谱等先进AI智能算法，有助于增强网络智能的可解释性，推动形成网络异常检测、网络智能推理及网络智能优化决策闭环，最终实现网络全面自治与智能内生7。4.3 微服务化RAN5G核心网已经引入服务化架构（Service Based Architecture,SBA），网络功能间采用轻量级服务

49、化接口，利用SBA模块化、无状态化、独立化、扁平化、自主化的优势，推动网络走向开放化、虚拟化、云化和微服务化。但目前RAN依旧采用传统的“烟囱”式协议栈结构和专用的点对点接口，协议栈每一层只对相邻层负责，缺乏针对不同场景的灵活性以及整体内部功能的联系，无法支持网络功能的灵活动态部署和剪裁以及网络能力开放。此外，当前RAN固有、封闭式的架构难以与云计算进行深度融合，难以实现端到端的服务化，进而难以原生支持AI、安全等特性。因此RAN架构需要做出变革，相比于服务化，微服务化架构更强调网络功能间相对独立和低耦合，以达到服务自治、独立演进，6G RAN的微服务化技术是实现网络高效弹性、内生设计、开放生

50、态的重要一环。4.3.1 微服务化RAN驱动力未来6G新型应用的涌现对RAN性能提出了更高要求，促使无线网络向云原生、AI内生、智简可编程等方向演进。当前体系架构难以适应技术发展趋势，主要体现在以下几方面：移动通信网元软件架构无法支持未来网络异构化及服务多样化：电信网元自身的软件架构变革程度不高，未能充分利用缓存、消息队列、数据库、编排自动化等中间件能力8，无法支持灵活快速部署、弹性伸缩和高效管理，限制了无线网络提供差异化、高性能业务的能力；无线网络内生设计需求：未来6G网络对云原生、智能化、安全、编排管理等具备内生设计需求，网络架构需要从烟囱式的协议栈架构转为基于服务的架构，促进云网在部署、

51、架构和业务上的深度融合；构建无线网络开放生态的需求：当前RAN架构无法支持能力开放和可编程，6G无线网络需做出变革，来满足服务提供商、应用程序开发商、终端用户（包括消费者和垂直用户）对模块化架构、开放系统和解决方案的需求。基于此，需要对现有RAN架构进行改进或重构，以实现RAN功能灵活部署和动态扩缩容，支持网络功能的升级和定制化，促进实现RAN云原生、智简可编程、异构资源灵活编排。4.3.2 微服务化RAN设计准则微服务化RAN设计与演进给当前层级化的协议栈架构、点对点接口带来革新，从而可能引发通信标准的相应改动，甚至带来RAN架构与协议栈的深度重构，因此需要合理探索微服务化的研究路线和设计准

52、则：微服务化RAN的演进不能一蹴而就，需充分结合业务特征和需求，进行针对性的研究，因此微服务化RAN设计方案要支持按需按序的迭代演进；微服务化RAN涉及无线网络功能的模块化切分，服务功能定义和划分需要高效低耦合，网络功能间交互流程简洁可重用，最终实现端到端统一的微服务化框架以及管理编排框架；微服务化RAN需实现控制功能与执行功能分离，处理流程与数据存储分离（支持“无状态”控制），实现灵活弹性部署和动态扩缩容。微服务化RAN在设计时，需要针对不同的具体功能，合理分析服务化的深度和广度，包括是否服务化，以及服务化功能切分的颗粒度，并且要适应不同场景的差异化业务需求。同时，在微服务化单元的设计时，要

53、满足服务链的模式，在逻辑上合理编排微服务化单元，实现对应功能。4.3.3 微服务化RAN演进及架构设计微服务化RAN的演进路线可能涉及控制面接口微服务化、控制面功能微服务化、RAN协议栈重构以及RAN与核心网（Core Network，CN）融合等多个阶段，对当前协议架构和信令/业务流程的改动也愈加深入。控制面接口微服务化即针对现有架构，进行微服务化接口增强，可考虑RAN与接入和移动管理功能（Access and Mobility Management Function，AMF）之间的N2接口、集中单元（Centralized Unit，CU）与分布单元（Distributed Unit，DU

54、）之间的F1控制面接口微服务化。由此，可实现RAN与核心网网元的直接控制面接口微服务化（一）13RAN协议栈重构及微服务化架构（二）图4-3 基于边缘节点的微服务化RAN架构通信，降低交互时延和流程复杂度；并利用无状态特性，增强RAN功能，例如可实现基于CU的用户迁移，而非现有基于小区的用户迁移。对于当前网络架构，接口微服务化最易于实现，但RAN内部功能还未达到模块化解耦以及敏捷部署，云网能力也并未深度融合。基于微服务化RAN驱动力的分析，以及现有核心网服务化架构，构建端到端的微服务化无线网络是未来发展趋势之一。微服务化RAN作为其中重要一环，已成为产业界和学术界的研究共识。微服务化RAN架构

55、依托云原生技术，以边缘节点为实现形态，除了RAN功能以外，还包含下沉的核心网功能，如图4-3所示。依托边缘节点的微服务化RAN架构顶层为智简可编程模块和服务管理模块，均与服务总线连接。智简可编程模块构建面向微服务化的智简可编程体系框架。服务管理模块则用于对RAN及分布式CN所提供的服务进行管理，包括服务注册、服务发现、服务鉴权验证、负载管理、状态保持等。服务总线连接RAN和CN的多种服务，CN服务包括连接管理控制和安全保障服务、会话管理服务、数据传输处理服务等，可按需部署和提供。RAN服务包括四大类，分为无线连接服务应用程序接口（Application Programming Interfac

56、e，API）、无线会话服务API、无线AI服务API以及能力开放服务API，每一类服务API提供多种服务，支持实时动态调整。架构横向分为三层，即计算层、控制层和处理层，每一层都包含具体的功能组件，纵向服务API针对提供的具体服务，可对横向每一层的功能组件进行灵活编排，统一提供相应服务。在微服务化RAN的深度融合架构中，有如下关键技术特征：RAN与分布式核心网深度融合：5G核心网已采用控制面与用户面分离架构，并实现用户处理及转发功能下沉到边缘侧。面向6G需求，控制面相关功能可能进一步下沉至边缘侧提升网络运行效率。下沉服务与RAN服务一起，统一被管理控制。AI作为关键服务：考虑到与智能内生、智简可

57、编程等技术的深度融合，RAN内生AI作为关键能力，提供无线AI服务API，增加计算层，并在控制层和处理层中均会新增AI处理组件。对于无线协议栈微服务化重构，图4-4对边缘节点中的服务API和三层功能组件进一步细化。无线连接服务API提供多种类型智能终端用户接入，包括初始接入、随机接入、连接重建/重同步等。支持多种类型智能终端移动性，包括切换、移动性限制、移动性更新。提供资源管理调度，包括空口无线资源，面向后续RAN与CN的融合，还会涉及RAN与分布式CN的系统资源调度。安全服务：保障无线连接的安全性，包括空口安全以及支持后续演进的端到端安全服务。无线会话服务API提供无线数据处理服务，保障多种

58、数据业务需求。为多种数据业务提供数据资源管理与分配。接入服务a数据处理a移动性管理b数据资源管理b资源管理c安全服务d14图4-4 基于边缘节点的协议栈微服务化重构无线AI服务API利用AI/机器学习（Machine Learning，ML）提前对网络状态的变化趋势进行预测，并针对可能发生的问题快速响应并下发解决策略，保证网络整体性能。旨在提供网络规划、建设、监控、优化和自愈等运维全生命周期的网络自治。能力开放服务API通过无线网络能力开放，提供用户业务实时性能监控管理，保障用户体验。通过无线网络能力开放，支持基于业务服务质量（Quality of Service，QoS）智能的感知服务。网络

59、自优化a业务保障a网络自治b感知服务b15图4-5 智简可编程网络无线协议栈横向重构为计算层、控制层、处理层三层。计算层提供数据模型、算法调用、算力提供等组件；控制层则包含连接控制、数据无线承载控制、切换控制、载波聚合、多连接、功率控制、无线接入技术间（Inter-Radio Access Technology，Inter-RAT）控制、AI、资源调度、安全策略、可靠性控制等组件；处理层包含安全处理、传输处理、可靠性处理、测量处理、比特级处理、符号级处理、同步、AI、系统消息处理等组件。在微服务化RAN的研究过程中，单纯互联网中的服务化技术不一定完全适用于RAN侧，需要结合RAN本身的功能、业

60、务及信令合理研究服务化程度和颗粒度。此外，依托边缘节点，需要考虑RAN功能以及下沉核心网功能的管理、协同、甚至融合的技术方案。目前产业界对微服务化RAN还未达到统一的基本共识，微服务化RAN重构的标准化推动难度大，需要与产业界一同推进解决。4.4 智简可编程智简可编程的“智简”理念突出网络智能化管理的“智”和面向用户使用行为的“简”。利用可编程的手段能够实现网络的按需定制和编排，智能化手段的引入和更新，便于6G网络实现模块化的“排列组合”。“简”并非网络架构的简单，当前网络架构的演进和融合并未在架构层面实现“减负”，但是用户对网络的感知和维护能够实现简化，原有针对网络的配置需要具备专业技能的人

61、员实现，未来的智简网络借助智能化的手段，将复杂的网络配置、编排和维护功能交由内生智能来完成，用户可通过“傻瓜式”的按键、输入和拖拽交互模式实现对网络的适配，并在一定程度上减轻网络运营、维护人员的工作难度。因此，边缘节点中的智简可编程元素体现了6G网络“智能融网，大繁化简”的方向，为复杂的网络带来简单的操作。此外，应用可编程的手段能够帮助网络在只保留核心功能的基础上，根据用户的情境化需求，提供定制化的网络服务；同时，端到端的可编程设计有望为移动网络提供更加绿色、快速和灵活的升级方式。虽然可编程技术在无线网络应用方面的探索才刚刚开始，但却是未来实现6G智简网络愿景的重要使能技术。4.4.1 智简可

62、编程设计原则图4-5为智简可编程网络示意图，可编程作为业务场景和网络智能间的桥梁，一方面为AI提供数据来源和操作接口，另一方面接收AI的指令，根据业务场景的差异性，通过可编程框架实现网元功能的“按需排列组合”，支撑不同属性的业务。编程框架编程框架Client编程模型 数据处理 参数控制 行为控制业务程序Server插件程序请求应答Client编程模型 数据处理 参数控制 行为控制业务程序Server插件程序请求应答业务场景业务场景业务场景业务场景协议栈处理信令处理算法.AI图4-6 可编程网络框架16在简化网络结构的设计层面，构建基本架构满足用户核心需求即可，而不应试图满足所有需求。每一代移动

63、通信都带来大量全新的用户需求构想，如果全部实现在基本架构层面，会使得网络架构过于繁琐沉重，不仅降低网络运行效率、提高网络设计难度以及运行维护成本，且后续为适应全新的应用场景，会导致不断叠加新功能和更新网络结构。智简网络结构考虑采用一种轻量化的架构满足核心的网络功能，通过应用场景的需求驱动，实现不同场景下子网络形态的即插即用，同时在设计规划新的场景或功能时只需重点关注与总体网络结构的适配性，便能够在功能与性能成熟后便捷地融入网络中。轻量的简化网络设计意味着对通信本源的回归，即以通信的基本需求为载体，各种拓展应用为羽翼，不断丰富其中，构建出结构合理的智简网络。在构建智能化网络方面，核心是网络智能内

64、生和开放可编程的结合。为了有效利用AI内生赋能网络，数据是关键。大量实时数据如何做到按需定制，AI模型输出的数据如何有效的作用到网络，以及AI的策略如何改变网络的行为，都需要AI逻辑模块和网络API去紧密配合，而开放可编程网络则作为未来6G实现的基本框架，对内提供逻辑链路，对外提供标准接口，是智能应用的数据来源和作用对象。虽然目前鲜有文献研究讨论两者的结合，但是这两个方向是相辅相成，互相依存的，都会在未来6G网络中扮演重要角色。4.4.2 智简可编程网络框架在边缘节点中，对于6G智简网络的设想目标是实现网络运营和运维模式的根本性变革，网络将由当前以人驱动为主的人治模式，逐步向网络自我驱动为主的

65、自治模式转变，通过网络数据、业务数据、用户数据等多维数据感知实现自治。然而智能化不仅对智能模型的精准度要求越来越高，还为信息处理、运算能力、软硬件协调等多个领域带来更多难题。为避免“为智能而智能”的困扰，实现解放人力、高度智能化的目标，更现实的诉求是一种可编程、可根据用户需求定制化的网络。可编程是对网络功能和行为逻辑的高度抽象，将用户除基本需求以外的高端诉求进行个性化设计，摒弃对智能化和集成化的盲目追求，围绕诉求进行针对设计来达成目标。网络、业务相关的故障报警报告；配置数据主要是网络中网元设备的基本信息，与实体形成对应的映射，多用于网络的拓扑信息管理。如何利用移动通信大数据并嵌入智能形成的网络

66、智能新技术体系，面临架构、数据和AI算法等挑战。AI作为数据分析引入的有效工具，其本身的发展对移动通信领域有重要影响。但是由于6G网络前所未有的复杂性，以及基于数据驱动的AI技术本身的局限性，导致这些学习模型和算法无法端到端、全流程地完成各类网络问题现象的发现以及解决方案的落地。针对移动通信网络数据的多源异质和组织结构松散的特性，移动通信网络结构层次化与扁平化相耦合的特性，需有效理清移动通信数据、移动通信网络以及移176G智简网络是对网络架构层面的革新，当前僵化紧耦合的无线通信协议栈极大限制了网络能力。可编程方式作为6G智简网络的核心主要包括可编程作用域、可编程框架和可编程智能化三个方面。首先

67、，可编程作用域方面，从目前进展看，一步到位的可编程网络并不现实，从数据可编程到参数可编程，再到行为可编程的循序渐进更有利于技术的演进和落地实现。其次，开放可编程框架，可以采用插件编程思想，灵活调用插件代码函数或启用相应的线程，从而满足网络基础设施按需配置，按场景定制的需求，为下一代网络开放可编程原型设计提供技术保障和方法支撑，适用于未来基于云原生的网络架构。在框架和作用域确定后，模块化的网络要素及标准化API设计将是最终智简可编程网络呈现形式的关键。最后，可编程智能化为新型业务的添加和编排提供了便利的方案。如图4-6所示，可编程网络框架分为三层，智能服务层、标准接口层和网络要素层。智能服务层作

68、为智能内生AI逻辑的驻留点，通过开放可编程接口开放层收集数据，完成对网络的智能诊断、干扰估计、KPI分析及定位等功能，同时智能服务层还可以将接口开放层收集的数据加工，得到网络的特性后，识别出关键指标，将得出的针对网络最优的参数或算法再次反馈给网络，完成对网络功能的智能调整和智能应用，如参数优化、干扰抑制、调度器及相应算法优化及网络智能切片等；标准接口层为开放可编程对外提供的接口，这些接口既可以作为AI数据搜集和决策反馈的接口，又可以作为开放可编程框架交互的接口，分为数据接口和控制接口；网络要素层由特定功能的处理模块提供网络要素服务。处理模块与网络基础设施中的订阅和管理功能逻辑紧密耦合，负责整个

69、处理模块向网络基础设置的注册和管理，另一方面网络要素层具备逻辑处理功能，包括逻辑编排、逻辑替换和逻辑选择，对应开放可编程的程序运行在网络内部的函数插件中。整体架构通过开放的标准接口对网络中高度抽象的模块化逻辑单元（如协议功能、信令分发、算法等）进行编排组织，对外提供智能化的网络应用和服务体验。4.4.3 智简可编程赋能定制化6G网络将是涵盖各种应用的复杂网络，同时接入的设备和应用场景千差万别，这需要网络不断优化自身模型和工作方式适应多种场景的需求，智能调整自身状态和外部设备的工作方式满足场景定制化的切换，使网络总是朝着最完美的工作状态下逼近。在智简网络中，网络始终不断的自学习，学习无处不在，学

70、习无时不在。自学习的目的就是在业务定制化需求到达时，能够根据“经验”实现快速响应，通过即插即用的方式调度需要资源，快速实现网络规划，支撑业务请求。在业务请求完成后迅速释放资源，保证后续业务的持续处理。以超大规模连接小区负载预测为例，6G网络中海量的接入以及不同类型业务的接入，对网络形成的考验和压力将是巨大的，而6G智简网络可对网络小区负载、用户业务类型及业务量情况进行精准预测，基于预测可提前对网络负载进行优化和协调，为用户选择合适的小区驻留，避免滞后性及盲目性造成网络拥塞导致用户体验下降。同时开放的接口和可编程的手段，为外部事 先优化规划，局部或整体动态调整提供了手段和技术支持。因此，通过智简

71、可编程构建面向服务的现场自适应定制化智简网络，最终实现按需按序迭代演进，满足各种6G场景及接入方式灵活的轻量化网络部署，保障无线网络提供情境化业务的能力，从而精确满足特定需求，且不需要面对智能化和多场景带来的过于复杂的系统，实现简洁高效的网络定制。4.5 无蜂窝组网无线接入是多样化终端设备接入无线网络和体验高性能业务的基础，架构中分布式节点可支持多频段接入，边缘节点支持相应的计算处理。面向6G的全频谱接入愿景，采用低、中、高频分层协同组网将有助于达到更高的传输速率和更大的网络容量，使能新型业务应用，而网络的按需定制和即插即用则是未来6G无线接入趋势。综合来看，以用户为中心的极简分层组网极具优势

72、，低频段基于蜂窝网络实现广域覆盖，仅提供基本的接入控制服务；中高频段由于覆盖范围有限，无线接入设备密集部署，将采用以用户为中心的无蜂窝组网架构，提供大容量数据业务。无蜂窝大规模多入多出系统（massive Multiple-Input Multiple-Output，mMIMO）网络由分布式mMIMO演进而来，由于消除了小区概念，无蜂窝网络实现了固定网络边界到无网络边界的范式转变，具有更灵活的网络架构及协作信号处理方式选择，有助于提高系统覆盖率，提供更均一的用户体验，提升无线系统的频谱效率。4.5.1 无蜂窝系统架构通常无蜂窝网络会在较大区域内部署大量分布式节点服务所有用户，所有分布式节点（主

73、要由RRU构成）连接到处于边缘节点中的中央处理器（Central Processing Unit，CPU），根据CPU和RRU处采用的信号处理方式，可以分为集中式和分布式两种类型。全集中式下的RRU将接收到的数据信号全部传至CPU处，由CPU集中进行信号联合编解码，该方式前传传输数据量增加，计算复杂度高，导致系统不可扩展。全分布式下的RRU在本地估计信道并处理数据信息，再将解码信息通过前传链路回传至CPU处进行合并。相较于集中式，分布式可减轻CPU的计算负载，但RRU的本地干扰消除能力较弱，因此需要综合考虑可扩展的无蜂窝系统方案。可扩展的拓扑结构有图4-7所示的三种形式：星型分布式结构、菊花链

74、结构以及与菊花链相似的radio stripes架构。实际设计可扩展协作网络时，需要协同考虑可扩展的协作网络拓扑结构、可扩展的协作信号处理方式（平衡系统性能与前传及计算开销）以及合适的用户关联方案（合适的调度算法）三个方面，以满足网络的负载性能平衡。但以往协作通信的解决方案尚未实现三方兼顾，灵活的无蜂窝mMIMO架构设计将有望弥补这一缺陷。动通信网络性能内生因素之间的关联，实现移动通信知识的互通、移动通信资源的高效管理和移动通信网络的智能维护，使得移动通信网络内生要素与内生关联关系以一种易于理解的、结构清晰的、定位精准的可动态展示的方式呈现出来。基于知识图谱的数据分析是实现移动通信知识获取、知

75、识整理以及知识表示的重要一环。基于数据仓库及特征数据集打造的智能底座，首先能够应用于网络的异常检测，通过对网络产生的时序/非时序数据的分析，可以对网络异常、网络攻击、网络故障等问题进行精准定位。其次通过基于逻辑和基于模型的知识推理，进而形成网络知识库，推动网络自动化部署与维护。最后通过构建面向领域的知识图谱和基于知识图谱的决策模型，实现网络的智能决策。依托于知识图谱等先进AI智能算法，有助于增强网络智能的可解释性，推动形成网络异常检测、网络智能推理及网络智能优化决策闭环，最终实现网络全面自治与智能内生7。4.3 微服务化RAN5G核心网已经引入服务化架构（Service Based Archi

76、tecture,SBA），网络功能间采用轻量级服务化接口，利用SBA模块化、无状态化、独立化、扁平化、自主化的优势，推动网络走向开放化、虚拟化、云化和微服务化。但目前RAN依旧采用传统的“烟囱”式协议栈结构和专用的点对点接口，协议栈每一层只对相邻层负责，缺乏针对不同场景的灵活性以及整体内部功能的联系，无法支持网络功能的灵活动态部署和剪裁以及网络能力开放。此外，当前RAN固有、封闭式的架构难以与云计算进行深度融合，难以实现端到端的服务化，进而难以原生支持AI、安全等特性。因此RAN架构需要做出变革，相比于服务化，微服务化架构更强调网络功能间相对独立和低耦合，以达到服务自治、独立演进，6G RAN

77、的微服务化技术是实现网络高效弹性、内生设计、开放生态的重要一环。4.3.1 微服务化RAN驱动力未来6G新型应用的涌现对RAN性能提出了更高要求，促使无线网络向云原生、AI内生、智简可编程等方向演进。当前体系架构难以适应技术发展趋势，主要体现在以下几方面：移动通信网元软件架构无法支持未来网络异构化及服务多样化：电信网元自身的软件架构变革程度不高，未能充分利用缓存、消息队列、数据库、编排自动化等中间件能力8，无法支持灵活快速部署、弹性伸缩和高效管理，限制了无线网络提供差异化、高性能业务的能力；无线网络内生设计需求：未来6G网络对云原生、智能化、安全、编排管理等具备内生设计需求，网络架构需要从烟囱

78、式的协议栈架构转为基于服务的架构，促进云网在部署、架构和业务上的深度融合；构建无线网络开放生态的需求：当前RAN架构无法支持能力开放和可编程，6G无线网络需做出变革，来满足服务提供商、应用程序开发商、终端用户（包括消费者和垂直用户）对模块化架构、开放系统和解决方案的需求。基于此，需要对现有RAN架构进行改进或重构，以实现RAN功能灵活部署和动态扩缩容，支持网络功能的升级和定制化，促进实现RAN云原生、智简可编程、异构资源灵活编排。4.3.2 微服务化RAN设计准则微服务化RAN设计与演进给当前层级化的协议栈架构、点对点接口带来革新，从而可能引发通信标准的相应改动，甚至带来RAN架构与协议栈的深

79、度重构，因此需要合理探索微服务化的研究路线和设计准则：微服务化RAN的演进不能一蹴而就，需充分结合业务特征和需求，进行针对性的研究，因此微服务化RAN设计方案要支持按需按序的迭代演进；微服务化RAN涉及无线网络功能的模块化切分，服务功能定义和划分需要高效低耦合，网络功能间交互流程简洁可重用，最终实现端到端统一的微服务化框架以及管理编排框架；微服务化RAN需实现控制功能与执行功能分离，处理流程与数据存储分离（支持“无状态”控制），实现灵活弹性部署和动态扩缩容。微服务化RAN在设计时，需要针对不同的具体功能，合理分析服务化的深度和广度，包括是否服务化，以及服务化功能切分的颗粒度，并且要适应不同场景

80、的差异化业务需求。同时，在微服务化单元的设计时，要满足服务链的模式，在逻辑上合理编排微服务化单元，实现对应功能。4.3.3 微服务化RAN演进及架构设计微服务化RAN的演进路线可能涉及控制面接口微服务化、控制面功能微服务化、RAN协议栈重构以及RAN与核心网（Core Network，CN）融合等多个阶段，对当前协议架构和信令/业务流程的改动也愈加深入。控制面接口微服务化即针对现有架构，进行微服务化接口增强，可考虑RAN与接入和移动管理功能（Access and Mobility Management Function，AMF）之间的N2接口、集中单元（Centralized Unit，CU）

81、与分布单元（Distributed Unit，DU）之间的F1控制面接口微服务化。由此，可实现RAN与核心网网元的直接图4-7 可扩展的无蜂窝网络拓扑结构图4-8 基于云化处理的可扩展无蜂窝新型RAN架构18基于云化处理的可扩展无蜂窝新型RAN架构如图4-8所示，包括部署于边缘节点的无线云网络中心（控制中心和业务中心）、虚拟化的中央处理单元无线云网络中心一方面采用联合优化的方法设计特定传输信令控制，通过机制触发的方式对RRU的信号处理方式、回传方式、vCPU之间的交互方式进行控制，形成物理层的可扩展实现；另一方面设计空口控制信令，包括广播信令和寻呼信令的增强，实现大区域用户与接入点的动态关联和

82、移动性管理。vCPU将接收多个EDU的发送数据，对属于相同数据流的上行数据进行合并，并将多个下行数据流分发到相应的EDU，完成RRU之间校准所需的信道（virtual CPU，vCPU）以及分布式节点中的扩展单元（Edge Distributed Unit，EDU）和RRU，形成可扩展的无蜂窝大规模协作MIMO组网。RRU群组BBU池EDU分布式节点边缘节点业务中心控制中心无线云网络中心(a)星型结构(b)菊花链(c)radio strips vCPUvCPU19估计，实现以用户为中心的数据合并和数据分发。EDU完成基带信号处理中的信道估计、多用户/多数据流检测、多用户/多数据流预编码、校准信

83、号的提取等功能。RRU完成射频信号的收发、数模/模数转换等功能。由于在EDU和vCPU分别实现了分布式检测/预编码、集中式的合并/分发，从而可达到分布式与集中式的有机结合，实现无蜂窝的无限扩展。与传统协作多点不同，该方案没有限定RRU的天线数、RRU的个数、服务的用户数，系统可工作在单个小区标识下，并可以实现无限扩展的无蜂窝组网以及以用户为中心的无蜂窝组网。4.5.2 分布式协作传输技术无蜂窝mMIMO充分利用小蜂窝密集组网带来的功率增益以及大规模天线的信道硬化效应9，但网络的空间干扰抑制能力很大程度上取决于信号处理技术。根据RRU之间的协作程度，无蜂窝mMIMO系统的信号处理架构可以分为四类

84、10，按照协作程度由高到低排列为C4、C3、C2和C1。在全集中式信号处理中，所有RRU接收到的导频信号和数据信号通过前传链路收集到CPU，在CPU处进行信道估计和数据检测。半分布式信号处理分为两个阶段：第一阶段，每个RRU局部估计信道，并通过任意接收合并器获得用户数据的局部估计；第二阶段，数据被收集到CPU处线性处理以进行联合检测。由于导频信号不会在前传链路中共享，第二阶段中CPU只能利用信道统计信息。C2是C3的一种直接简化。在第二阶段，CPU通过简单地获取局部估计的平均值来进行检测，这使得CPU不必获取信道统计信息，从而减少了前传链路要传递的信息量。在全分布式信号处理中，仅使用局部信道估

85、计在RRU上执行检测，并且任意一个RRU服务每个用户。无蜂窝系统中的信号处理（一）信道状态信息的获取、同步与校准方式（二）无蜂窝mMIMO的性能增益依赖于准确的信道状态信息。首先，RRU之间的载频同步是基本要求，可使用配备高精度全球定位系统（Global Positioning System，GPS）的RRU或使用高精度同步协议的RRU，如IEEE 1588PTPv2和同步以太网（Synchronous Ethernet，SyncE）。其次，为使多个RRU之间能够进行相干联合传输，仍需要对多个RRU的收发通道进行校准，并同时考虑校准算法的复杂度。虽然RRU侧同步及互易性校准可以缓解下行CSI获

86、取的瓶颈问题，但是现有5G新空口（New Radio,NR）系统仍然无法较好地支撑无蜂窝mMIMO。一方面，下行的信道状态信息参考信号（Channel State Information-Reference Signal，CSI-RS）获取对终端的大尺度信息估计、信道测量等具有重要意义，但是现有的参考信号设计开销较大，且无法支持以用户为中心的无蜂窝系统；另一方面，信道参数的估计方法需要进一步突破，理论上无蜂窝系统在终端侧无需精确的瞬时信道信息也可以实现解调，但考虑到实际中的非理想因素（如非理想空口校准、时延估计不准确等），通常需要下行链路的解调参考信号。无蜂窝系统中如何实现CSI-RS的信道估

87、计，得到大尺度信道信息，并配合解调参考信号的信道估计，获得较为精确的解调信道矩阵，有较多问题需要进一步研究。4.5.3 无线资源管理与控制技术灵活的动态资源管理和控制是应对6G多样化业务，保证系统满足6G预期传输能力的关键技术之一。6G空口对通信速率、接入规模以及泛在化的需求进一步提高，为无线资源管理与控制带来诸多挑战。因此，需要考虑无蜂窝系统架构下的无线资源管理与控制技术。高效的以用户为中心的关联和动态协作以及链路自适应资源配置技术，可以实现RRU与用户的低复杂灵活关联，降低弱连接等情况造成的资源浪费，削减用户间干扰。关联方案可基于大尺度衰落/接收信号强度或基于频谱效率/能量效率，前者信息易

88、获取，持续时间长；后者需经过理论推导，相对复杂且持续时间较短，可能需要导频信号来获取，但由于利用更多信息，其性能一般优于前者。RRU与用户关联问题，一方面需要为各个用户选择合适的RRU为其服务，涉及多种因素，如信道状态信息、实时测量上报、干扰情况等，目前启发式算法复杂度低但性能无法保障，优化算法性能较好但复杂度高，当前并无统一的理论依据进行关联，而引入智能化手段，可以通过训练网络进行关联无蜂窝架构下的灵活关联技术（一）01 全集中式信号处理架构（C4）02半分布式信号处理架构（C3）03简化的半分布式信号处理架构（C2）04全分布式信号处理架构（C1）图4-9 无蜂窝智能化控制参考架构20选择

89、的尝试，根据获取的性能反馈进行学习，保障网络性能。另一方面，用户移动或周边环境发生变化（如障碍物的出现或消失），会导致原有RRU与用户关联方案不适用，需要合理设置RRU与用户关联的更新周期，特别是针对高速移动场景（如高铁）。若基于非智能化方法，可能无法保证周期调整的时效性，通过智能化方法，可以考虑根据用户速度、方向等参数信息进行轨迹预测，进而对用户的服务RRU集进行智能决策。图4-9示出了一种无蜂窝智能化控制参考架构，无蜂窝网络节点将较长期的数据和实时数据分别上报至模型训练模块和模型推理决策模块。模型训练模块基于上报数据进行模型训练，并将训练好的模型下发至模型推理决策模块，进行部署应用。模型推

90、理决策模块基于推理结果，将网络相关配置更新下发至无蜂窝网络节点，同时，模型推理决策模块监测网络性能，必要时向模型训练模块触发模型更新。无蜂窝系统需要进行高效的传输资源分配和管理，以降低系统内部干扰和处理时延。组网形态的复杂化需要进一步考虑导频信号分配、收发机预编码设计、传输功率控制以及前传资源调度等具有高度现实意义的问题。信道估计如果在RRU处或CPU处执行，将影响导频分配及传输，因此需要合理选择信道估计位置，同时兼顾导频污染引起的干扰问题与系统性能，探究最佳导频分配策略。收发机预编码设计需要考虑方案对系统性能的影响，包括编码方案的可扩展性、前传容量有限/计算复杂度引入的时延问题，因此需根据实

91、际应用场景进行平衡和选择。传输功率控制以系统性能为目标，同时考虑方案是否依赖于RRU的数量、算法实现复杂度以及系统可拓展性等问题。考虑到前传容量受限场景以及容量和延迟等性能要求，无蜂窝系统可探索前传数据压缩技术、软件定义网络拓扑结构及协作处理功能划分等。传输控制及方案设计考量因素较多，现有基于数学理论的优化算法复杂度较高，随着AI和大数据技术的更迭发展以及网络架构的革新，智能化算法有望实现无蜂窝网络的高效传输与控制。无蜂窝网络技术并未在5G全面应用，其主要挑战包括：低成本低复杂度的实际部署问题、易于扩展的网络架构设计和协作处理机制问题、以及相关的物理层技术问题，包括前传数据开销及传输容量限制、

92、CSI估计和互异性校准、简洁有效的资源分配方案、RRU与用户关联策略设计等。考虑到6G新型业务的涌现以及网络性能指标的骤增，并随着射频器件的进步，产业界和学术界充分开展无蜂窝网络理论技术研究与应用部署验证工作，例如爱立信在2019年世界移动通信大会展示了世界上首个无蜂窝mMIMO原型机radio stripes。无蜂窝技术有望解决6G系统性能提升所遭遇的瓶颈问题，但同样需要合理研究云化可扩展的网络架构以及物理层关键技术，同时联合产业界，积极推进验证部署与标准化步伐。无蜂窝架构下的高效传输资源分配方法（二）模型训练模型推理决策无蜂窝网络节点长期数据上报触发模型更新配置更新下发模型实时数据上报图5

93、-1 边缘节点PoC逻辑架构图215.1 边缘节点构建与验证为进一步验证边缘节点构建的可行性，进行了原型验证系统（Proof of Concept，PoC）搭建，作为对6G云网融合的初步尝试。本系统的整体逻辑架构如图5-1所示，基于Kubernetes的微服务化技术实现，包括数据及控制平面和管理平面。在该框架中，RRU为射频单元，RAN功能与下沉CN网元功能作为边缘节点的网络连接功能部署在一台服务器上。UE通过RRU接入网络，RRU通过前传接口及交换机连接至服务器。其中，异构资源池包括通用处理器、硬件加05探索与验证APP服务提供APPAPPAPP智能控制及网络连接加速器 PodFPGA Sc

94、hedulerFPGA OM.CentOS(实时)异构资源池计算存储网络加速器时钟.管理平面服务管理和编排边缘节点调度编排融合设施管理交换机RRURRURRU.前传接口数据及控制平面AI ModelAI Model.智能化 PodRAN PodNFNF下沉CN PodNFNFNF.系统 PodDriver.CNIComponents数据及控制平面（一）图5-2 边缘节点PoC验证平台图5-3 边缘节点资源使用统计22管理平面（二）速器、操作系统、虚拟化支持以及接口，通过全球定位系统作为同步方式。智能控制及网络连接功能通过容器方式部署，包括系统Pod、加速器Pod、智能化Pod、RAN Pod、

95、下沉CN Pod等组件，以及其他必需的Kubernetes组件，如 Kube-Virt、Kube-proxy、Kubelet 等。边缘节点中通过管理平面实现对资源的管理与编排，对于基础设施及异构资源池的管理将实现对异构资源及边缘算力的统一管理调度；边缘节点以Pod为单位编排容器，网元能力以Pod的形式被调用；服务编排和管理将满足非实时的管理编排功能，保障对业务的部署及响应。图 5-2 显示了PoC验证平台的硬件设备，包括一台加载了硬件加速器的服务器、一台交换机和RRU，服务器中部署有虚拟化BBU/下沉式轻量级核心网。目前基带处理仍采用5G NR进行初步性能验证，图5-3给出了系统在用户接入后数

96、据业务空载和满载情况下CPU资源的使用情况，显示拥有32个CPU物理核的边缘节点，可以支持基本无线云网络功能的部署和运行，并且为其他服务预留资源。5.2 无蜂窝网络验证评估为验证无蜂窝大规模MIMO的系统性能、关键技术和实用性，进行了原型系统开发与验证。系统采用两种设计方式，分别为面向商用终端的试验系统（图5-4a，以下简称系统1）和面向模拟终端的原型试验系统（图5-4b，以下简称系统2）。系统1采用符合5G NR协议的基站结构，可以和商用5G终端对接，实现两节点8T8R的无蜂窝分布式MIMO系统。系统2相比系统1具备更大的分布式节点规模，可以实现16节点64T64R的无蜂窝分布式MIMO系统

97、。两个系统的射频单元均采用5G商用的低功率RRU。系统每个基站/终端的射频单元采用4T4R，系统带宽100MHz。RRU与前传加速卡之间采用通用公共无线接口（Common Public Radio Interface，CPRI）。在基站侧，BBU通过1588PT-Pv2和SyncE为多个RRU提供时间同步和参考时钟，每个RRU内部的4个通道采用共本振，但是每个RRU采用独立的本振。模拟终端与基站采用相同的硬件平台，两者之间通过GPS信号建立上下行时钟同步。系统1通过与商用终端的对接和MIMO业务传输，对下行业务进行验证，可以证明无蜂窝分布式MIMO技术具备可实现性；系统2对上行业务进行验证，通

98、过模拟终端对关键参数数据的获取分析和达到更高的频谱效率指标，证明了无蜂窝分布式MIMO技术的先进性和优越性。系统2对上行业务进行验证，通过模拟终端对关键参数数据的获取分析和达到更高的频谱效率指标，证明了无蜂窝分布式MIMO技术的先进性和优越性。RRU交换机边缘节点051015202530业务满载业务空载CPU资源占用RANCN平台及其它23图5-4(b)16节点64T64R模拟终端试验平台图5-4(a)2节点8T8R商用终端试验平台CPRICPRI商用手机商用手机4T4R 分布式节点核心网服务器BBU服务器联合检测/联合预编码前传调制/软解调/编解码边缘节点分布式节点High-PHYLow-P

99、HY 部署2个分布式传输节点，每节点4T4R，组建8T8R的无蜂窝分布式试验平台 分成2个校准组，实现空口校准功能 实现4流分布式协作传输业务，频谱效率可达20bps/Hz用户多用户分组/基站层2层3功能 部署16个分布式传输节点，每节点4T4R，组建64T64R的无蜂窝分布式试验平台 具备分组空口校准功能 实现12个模拟终端 48流分布式协作传输业务，频谱效率可达150200bps/Hz联合检测/联合预编码前传调制/软解调/编解码用户资源调度边缘节点分布式节点Low-PHYHigh-PHYCPRICPRIBBU服务器12个4T4R 模拟终端传输节点CPRI16个4T4R 分布式传输节点模拟终

100、端服务器24本白皮书对6G云网融合的愿景、驱动力、理念及架构进行了研究，认为边缘节点将是未来6G云网融合的重要载体，是连接、智能、计算深度融合的关键环节，进一步地针对边缘节点的五个使能技术展开讨论。其中，异构资源池的构建是6G云网融合的坚实底座；智能内生驱动未来网络的自学习、自优化等深度自治；微服务化RAN是6G云网融合背景下无线接入网变革的重要演进路线之一；智简可编程是实现智能化的重要手段；无蜂窝组网架构可支持多频协同组网进一步优化网络性能。目前各使能技术已受到产业界的关注，但其具体理念并未达成统一共识，预期在标准化推动方面存在挑战，需要产业界和学术界的广泛参与。当前业界对6G的研究正逐步深

101、入，云网融合的演进路线与6G研究亦相辅相成，要实现云网的深度协同、融合和一体，需要运营商、设备商、终端商、平台提供商、应用开发商、测试商、科研院所及高校的通力协作，中国电信研究院愿与紫金山实验室以及其他合作伙伴协同努力，以云网融合为技术指引，推动6G网络技术研究及验证进程。06未来展望25附录1 术语英文缩写5G5G NR3GPP6GAIAIaaSAMFAPPFifth GenerationFifth Generation New Radio3rd Generation Partnership ProjectSixth GenerationArtificial IntelligenceAI a

102、s a ServiceAccess and Mobility Management FunctionApplication第五代5G新空口第三代合作伙伴计划第六代人工智能人工智能即服务接入和移动性管理功能应用英文全拼中文释义26英文缩写APIARMASICBBUC1C2C3C4CNCPRICPUCSICSI-RSApplication Programming InterfaceAdvanced RISC MachineApplication Specific Integrated CircuitBaseBand UnitCase 1Case 2Case 3Case 4Core NetworkC

103、ommon Public Radio InterfaceCentral Processing UnitChannel State InformationChannel State Information-Reference Signal应用程序接口高级精简指令集机器专用集成电路基带处理单元情况1情况2情况3情况4核心网通用公共无线接口中央处理器信道状态信息信道状态信息参考信号英文全拼中文释义27英文缩写CUDUEDUFDSFPGAGPSGPUInter-RATIEEE1588PTPv2KPIMIMOMLmMIMOCentralized UnitDistributed UnitEdge Dist

104、ributed UnitFeature Data SetField Programmable Gate ArrayGlobal Positioning SystemGraphics Processing UnitInter-Radio Access TechnologyIEEE 1588-Precision Time Protocolv2Key Performance IndicatorMultiple-Input Multiple-OutputMachine Learningmassive MIMO集中单元分布单元边缘分布式单元特征数据集现场可编程门阵列全球定位系统图形处理器无线接入技术第二

105、版IEEE 1588精确时间协议关键性能指标多输入多输出机器学习大规模MIMO英文全拼中文释义28英文缩写NFNFVNear-RT RICNon-RT RICOAMOMO-RANPoCQoSRANRATRICRRUNetwork FunctionNetwork Functions VirtualizationNear-Real-Time RAN Intelligent ControllerNon-Real-Time RAN Intelligent ControllerOperation Administration and MaintenanceOperations ManagementOpe

106、n-Radio Access NetworkProof of ConceptQuality of ServiceRadio Access NetworkRadio Access TechnologyRAN Intelligent ControllerRemote Radio Unit网络功能网络功能虚拟化近实时RAN智能控制器非实时RAN智能控制器操作维护管理运营管理开放式无线电接入网概念验证服务质量无线接入网无线接入技术RAN智能控制器远端射频单元英文全拼中文释义英文缩写RTSBASDNSLASMOSyncEUEUPFvCPUXRReal TimeService-Based ArchitectureSoftware Defined NetworkingService Level AgreementService Management OrchestratorSynchronous EthernetUser EquipmentUser Plane Functionvirtual CPUExtended Reality实时服务化架构软件定义网络服务等级协议服务管理编排同步以太网用户终端用户平面功能虚拟CPU扩展现实英文全拼中文释义29