數(shù)字孿生網(wǎng)絡(luò)實(shí)踐與啟示研究報(bào)告2024

2 42.DTN實(shí)踐案例 62.1DTN實(shí)踐概覽 62.2網(wǎng)絡(luò)規(guī)劃 72.2.1需求預(yù)測(cè)：流量激活與容量預(yù)測(cè) 72.2.2規(guī)劃設(shè)計(jì)：站址價(jià)值智能評(píng)估與規(guī)劃 2.2.3網(wǎng)絡(luò)仿真：無(wú)線網(wǎng)絡(luò)高精度仿真 2.2.4性能預(yù)測(cè)：復(fù)雜環(huán)境下網(wǎng)絡(luò)覆蓋性能預(yù)測(cè) 2.3網(wǎng)絡(luò)建設(shè) 162.3.1環(huán)境勘測(cè)：基于三維勘測(cè)建模的自動(dòng)化環(huán)境勘察 162.3.2建設(shè)審核：數(shù)字化室分設(shè)計(jì)審核 2.4網(wǎng)絡(luò)維護(hù) 182.4.1故障分析：跨時(shí)空網(wǎng)絡(luò)全局故障感知與分析 192.4.2故障修復(fù)：核心網(wǎng)信令風(fēng)暴、故障模擬及定位恢復(fù) 202.4.3故障搶通：網(wǎng)絡(luò)智能容災(zāi) 212.5網(wǎng)絡(luò)優(yōu)化 232.5.1場(chǎng)景一：大規(guī)模天線波束權(quán)值優(yōu)化 232.5.2場(chǎng)景二：視頻緩存策略與網(wǎng)絡(luò)資源管理優(yōu)化 252.5.3場(chǎng)景三：業(yè)務(wù)網(wǎng)絡(luò)數(shù)字體驗(yàn)地圖 262.5.4場(chǎng)景四：網(wǎng)絡(luò)切片優(yōu)化 282.5.5場(chǎng)景五：CSI智能壓縮性能預(yù)驗(yàn)證 292.5.6場(chǎng)景六：大話務(wù)場(chǎng)景網(wǎng)絡(luò)保障優(yōu)化 303.DTN實(shí)踐啟示 343.1DTN核心價(jià)值啟示 343.1.1網(wǎng)絡(luò)高精度預(yù)測(cè)與仿真 343.1.2網(wǎng)絡(luò)狀態(tài)精準(zhǔn)呈現(xiàn)與智能決策 353.1.3網(wǎng)絡(luò)假設(shè)推演與策略預(yù)驗(yàn)證 363.2DTN網(wǎng)絡(luò)架構(gòu)啟示 37 383.2.2網(wǎng)絡(luò)原生DTN架構(gòu) 393.2.3基于信道孿生的網(wǎng)絡(luò)自治架構(gòu) 423.3DTN關(guān)鍵技術(shù)啟示 443.3.1DTN數(shù)據(jù)治理技術(shù) 443.3.2DTN用戶與網(wǎng)元孿生技術(shù) 453.3.3DTN無(wú)線信道孿生技術(shù) 4833.3.4DTN無(wú)線業(yè)務(wù)孿生技術(shù) 493.3.5DTN策略虛實(shí)遷移技術(shù) 513.3.6DTN智能編排技術(shù) 533.4DTN演進(jìn)路線啟示 543.4.1DTN能力等級(jí)評(píng)估體系 543.4.2DTN智能化演進(jìn)路徑 563.5DTN標(biāo)準(zhǔn)化啟示 584.總結(jié)和展望 60參與單位 61參考文獻(xiàn) 614未來(lái)移動(dòng)通信網(wǎng)絡(luò)將向可編程、軟件驅(qū)動(dòng)、服務(wù)化架構(gòu)的方向演進(jìn)，同時(shí)將引入包含智能反射面、太赫茲通信等在內(nèi)的多種新型網(wǎng)絡(luò)技術(shù)進(jìn)一步拓展業(yè)務(wù)空間，這使得網(wǎng)絡(luò)管理復(fù)雜性達(dá)到了前所未有的高度。與此同時(shí)，擴(kuò)展現(xiàn)實(shí)（ExtendedReality,XR）、生成式AI等大量新型應(yīng)用在快速崛起，使得網(wǎng)絡(luò)業(yè)務(wù)環(huán)境更加復(fù)雜，對(duì)網(wǎng)絡(luò)的靈敏性等服務(wù)質(zhì)量提出了更加苛刻的要求。這導(dǎo)致未來(lái)網(wǎng)絡(luò)不僅需要解決網(wǎng)絡(luò)能耗高、多制式互操作繁雜、運(yùn)維成本高、效率低等傳統(tǒng)問(wèn)題，還需要應(yīng)對(duì)各種新型挑戰(zhàn)。為了解決這些問(wèn)題，未來(lái)數(shù)字孿生網(wǎng)絡(luò)（DigitalTwinNetwork,DTN）通過(guò)精準(zhǔn)地、智能地將物理網(wǎng)絡(luò)映射到數(shù)字空間，可以綜合考慮各方面復(fù)雜因素，對(duì)網(wǎng)絡(luò)進(jìn)行全面監(jiān)測(cè)、推演、尋優(yōu)和進(jìn)化，最終實(shí)現(xiàn)全生命周期的網(wǎng)絡(luò)高水平自治。網(wǎng)絡(luò)全生命周期管理包括網(wǎng)絡(luò)規(guī)劃、建設(shè)、維護(hù)和優(yōu)化。在網(wǎng)絡(luò)規(guī)劃階段，DTN對(duì)未來(lái)網(wǎng)絡(luò)流量進(jìn)行預(yù)測(cè)，對(duì)現(xiàn)有站點(diǎn)價(jià)值進(jìn)行自動(dòng)感知和挖掘，生成新的站點(diǎn)方案或引入新型網(wǎng)絡(luò)技術(shù)，通過(guò)在孿生環(huán)境中進(jìn)行仿真尋優(yōu)，生成網(wǎng)絡(luò)規(guī)劃方案并進(jìn)行性能預(yù)測(cè)；在網(wǎng)絡(luò)建設(shè)階段，DTN對(duì)物理環(huán)境進(jìn)行精準(zhǔn)建模，對(duì)設(shè)備安裝和網(wǎng)絡(luò)配置方案進(jìn)行仿真尋優(yōu)，生成最佳部署方案并進(jìn)行網(wǎng)絡(luò)測(cè)試分析；在網(wǎng)絡(luò)維護(hù)階段，DTN對(duì)故障進(jìn)行預(yù)測(cè)和分析，對(duì)防治方案進(jìn)行預(yù)驗(yàn)證并自動(dòng)下發(fā)配置，形成“治未病”的網(wǎng)絡(luò)維護(hù)方案；在網(wǎng)絡(luò)優(yōu)化階段，DTN對(duì)網(wǎng)絡(luò)優(yōu)化需求進(jìn)行自動(dòng)感知，在孿生環(huán)境中對(duì)網(wǎng)絡(luò)優(yōu)化方案進(jìn)行迭代尋優(yōu)?？梢灶A(yù)見，隨著數(shù)據(jù)治理、孿生建模、業(yè)務(wù)編排等技術(shù)的不斷演進(jìn)，未來(lái)DTN將助力實(shí)現(xiàn)網(wǎng)絡(luò)全生命周期高水平自治。由于DTN在網(wǎng)絡(luò)全生命周期管理中凸顯的巨大優(yōu)勢(shì)，目前國(guó)內(nèi)外產(chǎn)學(xué)研界學(xué)者已經(jīng)開展了大量DTN研究和實(shí)踐工作，各標(biāo)準(zhǔn)組織也對(duì)其開展了立項(xiàng)研究。在國(guó)外，英偉達(dá)聯(lián)合諾基亞、美國(guó)東北大學(xué)等團(tuán)隊(duì)于2024年4月推出NVIDIA6G研究云平臺(tái)，通過(guò)構(gòu)建適用于6G的數(shù)字孿生網(wǎng)絡(luò)研究平臺(tái)，整合軟件定義無(wú)線接入網(wǎng)（RadioAccessNetwork,RAN）、用戶設(shè)備模擬器、物理地形、物體屬性以及全RAN協(xié)議堆棧，為高效設(shè)計(jì)AI使能6G網(wǎng)絡(luò)提供工具。愛(ài)立信于2023年提出RAN數(shù)字孿生2.0，利用大數(shù)據(jù)計(jì)算技術(shù)，創(chuàng)建能夠?qū)崟r(shí)反映無(wú)線接入網(wǎng)數(shù)據(jù)變化的數(shù)字孿生，支持多網(wǎng)絡(luò)、多層級(jí)和多種無(wú)線接入技術(shù)，為未來(lái)網(wǎng)絡(luò)優(yōu)化和自動(dòng)化提出網(wǎng)絡(luò)數(shù)字孿生、站點(diǎn)數(shù)字孿生和用戶數(shù)字孿生三個(gè)實(shí)踐用例。在國(guó)內(nèi)，中國(guó)移動(dòng)聯(lián)合多家單位在站址價(jià)值評(píng)估與規(guī)劃、物理網(wǎng)絡(luò)高精度預(yù)測(cè)與仿真、自動(dòng)化環(huán)境三維勘測(cè)、故障模擬與恢復(fù)、網(wǎng)絡(luò)優(yōu)化驗(yàn)證等網(wǎng)絡(luò)規(guī)、建、維、優(yōu)方面產(chǎn)生了豐富的DTN實(shí)踐案例。華為基于資源、網(wǎng)絡(luò)、鏈路對(duì)象精細(xì)化建模，構(gòu)造了具備全域感知/預(yù)測(cè)及根因5分析能力的DTN，實(shí)現(xiàn)跨時(shí)空網(wǎng)絡(luò)全局故障感知與分析，以及網(wǎng)絡(luò)容災(zāi)倒換過(guò)程智能評(píng)估與容災(zāi)，并設(shè)計(jì)了業(yè)務(wù)網(wǎng)絡(luò)數(shù)字體驗(yàn)地圖，以支撐流量?jī)r(jià)值可視與策略仿真尋優(yōu)。在標(biāo)準(zhǔn)化進(jìn)程方面，3GPPSAWG5于2023年12月立項(xiàng)“網(wǎng)絡(luò)數(shù)字孿生管理”課題，已于2024年9月更新至1.0.0版本。CCSATC3工作組于2023年4月開展數(shù)字孿生網(wǎng)絡(luò)第五次工作組會(huì)議，發(fā)布兩個(gè)行業(yè)標(biāo)準(zhǔn)項(xiàng)目建議書《面向通信網(wǎng)絡(luò)的數(shù)字孿生應(yīng)用場(chǎng)景與需求》、《數(shù)字孿生網(wǎng)絡(luò)：IP網(wǎng)絡(luò)擁塞預(yù)處理總體技術(shù)要求》[1]。ETSIOCGAN于2023.3.23發(fā)布白皮書 “UnlockingDigitalTransformationwithAutonomousNetworks”，概述了基于DTN的自主網(wǎng)絡(luò)的各個(gè)組件和架構(gòu)，以及滿足功能要求的關(guān)鍵指標(biāo)和質(zhì)量標(biāo)準(zhǔn)[2]。ITU-TStudyGroup13 發(fā)布若干DTN相關(guān)建議書，描述了DTN要求和架構(gòu)、DTN系統(tǒng)的能力水平和評(píng)估方法[3-5]。IETFNMRG 工作組發(fā)布DTN相關(guān)草案“DigitalTwinNetwork:ConceptsandReferenceArchitecture”[6]。盡管業(yè)界已經(jīng)涌現(xiàn)了大量?jī)?yōu)秀的DTN實(shí)踐案例，業(yè)界少有文獻(xiàn)對(duì)現(xiàn)有案例進(jìn)行梳理總結(jié)。為 此，本研究報(bào)告聯(lián)合產(chǎn)學(xué)研界專家學(xué)者，對(duì)目前國(guó)內(nèi)DTN實(shí)踐案例進(jìn)行全面梳理，并基于此得到DTN核心價(jià)值、網(wǎng)絡(luò)架構(gòu)、關(guān)鍵技術(shù)、演進(jìn)路線、標(biāo)準(zhǔn)方面的啟示。旨在為業(yè)界專家提供全面可靠的DTN實(shí)踐參考，并為后續(xù)面向6GDTN研究提供指引。在本研究報(bào)告中，首先，對(duì)國(guó)內(nèi)15個(gè)優(yōu)秀的DTN實(shí)踐案例展開詳細(xì)介紹。接著，對(duì)實(shí)踐案例所帶來(lái)的啟示進(jìn)行分析。最后，對(duì)DTN實(shí)踐情況進(jìn)行總結(jié)和展望。6本章將詳細(xì)介紹DTN的全生命周期實(shí)踐案例，著重介紹其在網(wǎng)絡(luò)規(guī)劃、網(wǎng)絡(luò)建設(shè)、網(wǎng)絡(luò)維護(hù)以及網(wǎng)絡(luò)優(yōu)化這四個(gè)關(guān)鍵階段的具體應(yīng)用情況，展現(xiàn)DTN在整個(gè)網(wǎng)絡(luò)全生命周期管理過(guò)程中的關(guān)鍵作用。2.1DTN實(shí)踐概覽網(wǎng)絡(luò)全生命周期管理包括網(wǎng)絡(luò)規(guī)劃階段、網(wǎng)絡(luò)建設(shè)階段、網(wǎng)絡(luò)維護(hù)階段和網(wǎng)絡(luò)優(yōu)化階段。下面，對(duì)本研究報(bào)告中分別屬于這四個(gè)階段的DTN實(shí)踐案例進(jìn)行概述。網(wǎng)絡(luò)規(guī)劃是指在建設(shè)或擴(kuò)展移動(dòng)通信網(wǎng)絡(luò)時(shí)所進(jìn)行的系統(tǒng)性設(shè)計(jì)與策劃過(guò)程。其目標(biāo)在于確保網(wǎng)絡(luò)能夠滿足預(yù)期的業(yè)務(wù)需求，并具有良好的可擴(kuò)展性和穩(wěn)定性。網(wǎng)絡(luò)規(guī)劃主要包括需求預(yù)測(cè)、規(guī)劃設(shè)計(jì)、網(wǎng)絡(luò)仿真、性能預(yù)測(cè)等環(huán)節(jié)。在本研究報(bào)告中，針對(duì)需求預(yù)測(cè)環(huán)節(jié)，提供“流量激活與容量預(yù)測(cè)”實(shí)踐案例，旨在實(shí)現(xiàn)流量預(yù)測(cè)準(zhǔn)確性以及通信資源分配合理性的提升；針對(duì)規(guī)劃設(shè)計(jì)環(huán)節(jié)，提供“站址價(jià)值智能評(píng)估與規(guī)劃”實(shí)踐案例，旨在解決新建站因特征表達(dá)不充分而導(dǎo)致的價(jià)值評(píng)估不夠精確的問(wèn)題；針對(duì)網(wǎng)絡(luò)仿真環(huán)節(jié)，提供“無(wú)線網(wǎng)絡(luò)高精度仿真”實(shí)踐案例，旨在實(shí)現(xiàn)網(wǎng)絡(luò)高精度仿真的規(guī)?；逃茫会槍?duì)性能預(yù)測(cè)環(huán)節(jié)，提供“復(fù)雜環(huán)境下網(wǎng)絡(luò)覆蓋性能預(yù)測(cè)”實(shí)踐案例，旨在解決復(fù)雜業(yè)務(wù)、場(chǎng)景下的高精度網(wǎng)絡(luò)覆蓋預(yù)測(cè)問(wèn)題。網(wǎng)絡(luò)建設(shè)是指在進(jìn)行網(wǎng)絡(luò)規(guī)劃之后具體實(shí)施網(wǎng)絡(luò)架構(gòu)的過(guò)程，需要進(jìn)行布線、設(shè)置網(wǎng)絡(luò)地址和安全權(quán)限，確保各個(gè)設(shè)備之間能夠有效通信并符合安全標(biāo)準(zhǔn)。網(wǎng)絡(luò)建設(shè)包括環(huán)境勘測(cè)、建設(shè)審核等環(huán)節(jié)。在本研究報(bào)告中，針對(duì)環(huán)境勘測(cè)環(huán)節(jié)，提供“基于三維勘測(cè)建模的自動(dòng)化環(huán)境勘察”實(shí)踐案例，旨在基于現(xiàn)實(shí)環(huán)境快速建立更精準(zhǔn)的3D模型，并將現(xiàn)實(shí)與虛擬交互中產(chǎn)生的海量數(shù)據(jù)簡(jiǎn)明呈現(xiàn)；針對(duì)建設(shè)審核環(huán)節(jié)，提供“數(shù)字化室分設(shè)計(jì)審核”實(shí)踐案例，旨在提升室分設(shè)計(jì)審核的數(shù)字化標(biāo)準(zhǔn)化水平，為室分系統(tǒng)的孿生奠定充足的數(shù)據(jù)基礎(chǔ)。網(wǎng)絡(luò)維護(hù)是指在網(wǎng)絡(luò)建設(shè)完成后，對(duì)網(wǎng)絡(luò)基礎(chǔ)設(shè)施進(jìn)行監(jiān)控、管理和維護(hù)的過(guò)程。其目標(biāo)在于確保網(wǎng)絡(luò)安全穩(wěn)定運(yùn)行，以及持續(xù)滿足日益增長(zhǎng)的業(yè)務(wù)需求。通過(guò)有效的網(wǎng)絡(luò)維護(hù)，可以最大限度地減少網(wǎng)絡(luò)故障，并提高網(wǎng)絡(luò)可靠性和效率。網(wǎng)絡(luò)維護(hù)包括故障分析、故障修復(fù)、故障搶通等環(huán)節(jié)。在本研究報(bào)告中，針對(duì)故障分析環(huán)節(jié)，提供“跨時(shí)空網(wǎng)絡(luò)全局故障感知與分析”實(shí)踐案例，旨在構(gòu)建全局網(wǎng)絡(luò)可感可視可控基礎(chǔ)設(shè)施，使能上層應(yīng)用實(shí)現(xiàn)網(wǎng)絡(luò)仿真、意圖驗(yàn)證、7確定性SLA保障等業(yè)務(wù)能力；針對(duì)故障修復(fù)環(huán)節(jié)，提供“核心網(wǎng)信令風(fēng)暴、故障模擬及定位恢復(fù)”實(shí)踐案例，旨在增強(qiáng)現(xiàn)網(wǎng)核心網(wǎng)對(duì)信令風(fēng)暴的防御、抵抗能力，尋找到最優(yōu)網(wǎng)絡(luò)參數(shù)，指導(dǎo)現(xiàn)網(wǎng)配置；針對(duì)故障搶通環(huán)節(jié)，提供“網(wǎng)絡(luò)智能容災(zāi)”實(shí)踐案例，旨在實(shí)現(xiàn)網(wǎng)絡(luò)容災(zāi)倒換過(guò)程智能評(píng)估與容災(zāi)倒換過(guò)程可感可視，通過(guò)對(duì)動(dòng)網(wǎng)參數(shù)（如流控參數(shù)）執(zhí)行仿真優(yōu)化，實(shí)現(xiàn)大區(qū)倒換收斂速度提升。網(wǎng)絡(luò)優(yōu)化是指對(duì)已建立的計(jì)算機(jī)網(wǎng)絡(luò)進(jìn)行不斷改進(jìn)和調(diào)整，以提高其性能、可用性和效率的過(guò)程。這包括對(duì)網(wǎng)絡(luò)設(shè)備、協(xié)議、帶寬利用率以及數(shù)據(jù)傳輸速度等方面進(jìn)行調(diào)整和改進(jìn)。其目標(biāo)在于降低網(wǎng)絡(luò)擁塞風(fēng)險(xiǎn)，提高數(shù)據(jù)傳輸速度，提高資源利用率，使網(wǎng)絡(luò)更加適應(yīng)實(shí)際需求，并能夠更有效地支持日益增長(zhǎng)的業(yè)務(wù)流量和多樣化的服務(wù)要求。本研究報(bào)告主要圍繞六大網(wǎng)絡(luò)優(yōu)化場(chǎng)景及對(duì)應(yīng)實(shí)踐案例展開介紹，包括大規(guī)模天線、視頻緩存與網(wǎng)絡(luò)資源管理、業(yè)務(wù)網(wǎng)絡(luò)、網(wǎng)絡(luò)切片、CSI智能壓縮、大話務(wù)場(chǎng)景。針對(duì)大規(guī)模天線權(quán)值優(yōu)化場(chǎng)景，提供“大規(guī)模天線波束權(quán)值優(yōu)化”實(shí)踐案例，旨在實(shí)現(xiàn)安全探索，并利用孿生體中交互速度快的優(yōu)勢(shì)，增加算法的收斂速度；針對(duì)視頻緩存與網(wǎng)絡(luò)資源管理場(chǎng)景，提供“視頻緩存策略與網(wǎng)絡(luò)資源管理優(yōu)化”實(shí)踐案例，旨在實(shí)現(xiàn)用戶視頻體驗(yàn)和資源利用效率的提升；針對(duì)業(yè)務(wù)網(wǎng)絡(luò)場(chǎng)景，提供“業(yè)務(wù)網(wǎng)絡(luò)數(shù)字體驗(yàn)地圖”實(shí)踐案例，旨在實(shí)現(xiàn)體驗(yàn)地圖孿生模型構(gòu)建，并提升業(yè)務(wù)仿真精度與決策準(zhǔn)確度；針對(duì)網(wǎng)絡(luò)切片場(chǎng)景，提供“網(wǎng)絡(luò)切片優(yōu)化”實(shí)踐案例，旨在引入數(shù)字孿生增強(qiáng)的方案，實(shí)現(xiàn)網(wǎng)絡(luò)切片的智能優(yōu)化；針對(duì)CSI智能壓縮場(chǎng)景，提供“CSI智能壓縮性能預(yù)驗(yàn)證”實(shí)踐案例，旨在基于DTN技術(shù)構(gòu)建統(tǒng)一的CSI壓縮反饋學(xué)習(xí)環(huán)境，在孿生環(huán)境中可提供多樣化的數(shù)據(jù)集及數(shù)據(jù)集生成能力，滿足模型精度和泛化性不同研究目標(biāo)；針對(duì)大話務(wù)場(chǎng)景，提供“大話務(wù)場(chǎng)景網(wǎng)絡(luò)保障優(yōu)化”實(shí)踐案例，旨在借助現(xiàn)網(wǎng)數(shù)據(jù)、AI算法及通信業(yè)務(wù)知識(shí)，分別對(duì)用戶移動(dòng)及上網(wǎng)業(yè)務(wù)行為、基站覆蓋及容量性能指標(biāo)進(jìn)行孿生還原及模擬推演，進(jìn)而支持各類保障方案對(duì)應(yīng)的參數(shù)配置優(yōu)化與效果預(yù)驗(yàn)證，助力保障工作順利開展。網(wǎng)絡(luò)規(guī)劃是網(wǎng)絡(luò)全生命周期的第一階段，主要包括需求預(yù)測(cè)、規(guī)劃設(shè)計(jì)、網(wǎng)絡(luò)仿真、性能預(yù)測(cè)等環(huán)節(jié)。本節(jié)將對(duì)面向各環(huán)節(jié)的實(shí)踐案例進(jìn)行介紹。8隨著移動(dòng)互聯(lián)網(wǎng)業(yè)務(wù)的急劇增加和基礎(chǔ)網(wǎng)絡(luò)的快速發(fā)展，網(wǎng)絡(luò)流量變得更加復(fù)雜多樣。為緩解無(wú)線網(wǎng)絡(luò)業(yè)務(wù)量的爆發(fā)式增長(zhǎng)及網(wǎng)絡(luò)性能壓力的突增，需要準(zhǔn)確有效地對(duì)未來(lái)的網(wǎng)絡(luò)業(yè)務(wù)量進(jìn)行預(yù)測(cè)，并根據(jù)預(yù)測(cè)的網(wǎng)絡(luò)業(yè)務(wù)量進(jìn)行網(wǎng)絡(luò)資源的合理配置，支撐公司網(wǎng)絡(luò)規(guī)劃、網(wǎng)絡(luò)建設(shè)、網(wǎng)絡(luò)運(yùn)維等網(wǎng)絡(luò)業(yè)務(wù)的智慧管理。同時(shí)，基于流量預(yù)測(cè)網(wǎng)絡(luò)智能化評(píng)估能準(zhǔn)確投資基站建設(shè)、指導(dǎo)網(wǎng)絡(luò)優(yōu)化部門動(dòng)態(tài)載波調(diào)度，提升新建站點(diǎn)規(guī)劃選址的準(zhǔn)確性，高負(fù)荷擴(kuò)容的提前性。傳統(tǒng)方法依賴于人工，存在工作量大、重復(fù)多、過(guò)于依賴經(jīng)驗(yàn)的問(wèn)題，難以形成精確高效的預(yù)測(cè)手段，而DTN則賦予了該領(lǐng)域一種全新的在網(wǎng)絡(luò)空間推演、仿真、預(yù)測(cè)流量的能力，可大幅壓降人工成本，提升網(wǎng)絡(luò)流量仿真的準(zhǔn)確性和效率?；贒TN的網(wǎng)絡(luò)流量仿真及預(yù)測(cè)的主要技術(shù)挑戰(zhàn)在于構(gòu)建一個(gè)能夠精確預(yù)測(cè)未來(lái)長(zhǎng)期業(yè)務(wù)量的模型。目前，基于DTN的網(wǎng)絡(luò)流量預(yù)測(cè)模型主要面臨以下挑戰(zhàn)：1、網(wǎng)絡(luò)流量數(shù)據(jù)體量大，傳統(tǒng)模式下人工的業(yè)務(wù)量評(píng)估方式工作量巨大，且高度依賴運(yùn)維人員專業(yè)程度；2、主流模型僅能精準(zhǔn)預(yù)測(cè)未來(lái)短期時(shí)間內(nèi)的流量波動(dòng)趨勢(shì)，無(wú)法實(shí)現(xiàn)長(zhǎng)期的網(wǎng)絡(luò)流量預(yù)測(cè)；3、由于網(wǎng)絡(luò)運(yùn)營(yíng)的高可靠性要求，5G網(wǎng)絡(luò)的復(fù)雜性導(dǎo)致試錯(cuò)成本昂貴，網(wǎng)絡(luò)的變動(dòng)往往牽一發(fā)而動(dòng)全身，無(wú)法做到模型的簡(jiǎn)易部署。同時(shí)，傳統(tǒng)的網(wǎng)絡(luò)優(yōu)化人員人工經(jīng)驗(yàn)結(jié)合有限的人工智能手段進(jìn)行輔助的運(yùn)維模式還以下存在三個(gè)問(wèn)題：1、突發(fā)情況應(yīng)對(duì)能力較弱。人工經(jīng)驗(yàn)主要依賴對(duì)于歷史流量情況積累的經(jīng)驗(yàn)，對(duì)于突發(fā)情況往往缺少預(yù)判能力，常常導(dǎo)致流量波動(dòng)導(dǎo)致的突發(fā)情況無(wú)法妥善解決；2、成本投入過(guò)大。該模式下需投入大量人員進(jìn)行流量預(yù)測(cè)和分析，造成了大量人工成本的投入，而收益經(jīng)常無(wú)法匹配高額的人工投入，導(dǎo)致了資源的浪費(fèi)；3、需求和建設(shè)不匹配。在缺少網(wǎng)絡(luò)環(huán)境模擬資源分配和建設(shè)的條件下，試錯(cuò)成本較高，即使正確預(yù)測(cè)了未來(lái)某個(gè)區(qū)域的流量特征，也時(shí)常發(fā)生通信資源建設(shè)與實(shí)際需求不兼容的情況。2）方案設(shè)計(jì)本技術(shù)方案提出了一套面向網(wǎng)絡(luò)流量真實(shí)仿真環(huán)境的數(shù)字孿生系統(tǒng)，結(jié)合自然語(yǔ)言處理技術(shù)的時(shí)序生成模型架構(gòu)，并引入了自注意力機(jī)制，使得系統(tǒng)在進(jìn)行未來(lái)每一天業(yè)務(wù)量預(yù)測(cè)時(shí)，能夠充分利用歷史數(shù)據(jù)信息，從而為網(wǎng)絡(luò)優(yōu)化和流量管理提供了具有高價(jià)值的數(shù)據(jù)支持。本方案旨在通過(guò)對(duì)網(wǎng)絡(luò)環(huán)境的實(shí)時(shí)仿真，收集和復(fù)現(xiàn)相關(guān)真實(shí)參數(shù)，并結(jié)合這些參數(shù)對(duì)未來(lái)業(yè)務(wù)量進(jìn)行預(yù)測(cè)，同時(shí)在可視化平臺(tái)上展示未來(lái)一段時(shí)間內(nèi)的業(yè)務(wù)量數(shù)據(jù)，為網(wǎng)絡(luò)的規(guī)建維優(yōu)提供支撐。此外，通過(guò)策略中心下發(fā)的優(yōu)化命令，能夠主動(dòng)調(diào)整網(wǎng)絡(luò)資源，以激活和滿足預(yù)期的業(yè)務(wù)需求。9核心技術(shù)主要有兩點(diǎn)：歷史業(yè)務(wù)量補(bǔ)全建模以及未來(lái)業(yè)務(wù)量預(yù)測(cè)建模。首先，結(jié)合區(qū)域性和網(wǎng)絡(luò)類型的多維業(yè)務(wù)指標(biāo)，采用時(shí)間正則化矩陣分解（TRMF）技術(shù)，創(chuàng)建高精度的數(shù)字孿生模型，重建過(guò)去的業(yè)務(wù)量模式，填補(bǔ)歷史數(shù)據(jù)中的缺失值。然后，在歷史業(yè)務(wù)量特征的基礎(chǔ)上，引入環(huán)境特征和時(shí)間維度特征，運(yùn)用基于深度學(xué)習(xí)的時(shí)序生成模型，構(gòu)建未來(lái)業(yè)務(wù)量的預(yù)測(cè)數(shù)字孿生模型。這一模型通過(guò)深入挖掘已有的業(yè)務(wù)量信息，并結(jié)合外部環(huán)境因素，預(yù)測(cè)網(wǎng)絡(luò)未來(lái)的業(yè)務(wù)量走向，并形成可視化流量熱點(diǎn)地圖。圖2.2.1-1可視化流量熱點(diǎn)地圖本方案的核心目標(biāo)是通過(guò)深度學(xué)習(xí)和機(jī)器學(xué)習(xí)算法進(jìn)行無(wú)線網(wǎng)絡(luò)業(yè)務(wù)量的預(yù)測(cè)，同時(shí)將預(yù)測(cè)數(shù)據(jù)作為依據(jù)，可在DTN平臺(tái)進(jìn)行目標(biāo)區(qū)域資源的推演，以實(shí)現(xiàn)流量預(yù)測(cè)準(zhǔn)確性以及通信資源分配合理性的提升。方案從數(shù)據(jù)預(yù)處理開始全生命周期由智能化手段參與，同時(shí)基于預(yù)測(cè)結(jié)果可在網(wǎng)絡(luò)孿生平臺(tái)對(duì)現(xiàn)網(wǎng)通信資源進(jìn)行合理調(diào)整，實(shí)現(xiàn)以預(yù)測(cè)數(shù)據(jù)為驅(qū)動(dòng)力的“規(guī)建維優(yōu)”，為網(wǎng)絡(luò)優(yōu)化和用戶體驗(yàn)提升提供科學(xué)依據(jù)，有助于網(wǎng)絡(luò)運(yùn)營(yíng)商更有效地規(guī)劃網(wǎng)絡(luò)容量，避免資源過(guò)?；蚬┙o不足的情況發(fā)生。如圖3.1.1-1所示，基于本章節(jié)所述的DTN網(wǎng)絡(luò)流量預(yù)測(cè)平臺(tái)，對(duì)南京市某時(shí)間段的流量熱點(diǎn)區(qū)域進(jìn)行了預(yù)測(cè)，可幫助網(wǎng)絡(luò)規(guī)劃人員進(jìn)行通信資源的合理分配?；诒痉桨傅念A(yù)測(cè)結(jié)果以及資源規(guī)劃能力，實(shí)現(xiàn)了網(wǎng)絡(luò)的動(dòng)態(tài)載波調(diào)度準(zhǔn)確率提高7%，站點(diǎn)規(guī)劃選址準(zhǔn)確性提高10%，對(duì)高負(fù)荷小區(qū)提升流量增益5%。同時(shí)，相較傳統(tǒng)模式下的基于人工的流量預(yù)測(cè)及業(yè)務(wù)調(diào)整方法，成本可壓降60%以上，實(shí)現(xiàn)了網(wǎng)絡(luò)資源管理領(lǐng)域的降本增效。3）挑戰(zhàn)與展望本技術(shù)方案主要的技術(shù)挑戰(zhàn)在于構(gòu)建一個(gè)能夠精確預(yù)測(cè)未來(lái)長(zhǎng)期的網(wǎng)絡(luò)業(yè)務(wù)量的模型，替代傳統(tǒng)模式下高度依賴人工經(jīng)驗(yàn)的網(wǎng)絡(luò)運(yùn)維范式。為了實(shí)現(xiàn)這一目標(biāo)，本方案結(jié)合自然語(yǔ)言處理技術(shù)的時(shí)序生成模型架構(gòu)，并引入了自注意力機(jī)制。這種方法使得數(shù)字孿生體在進(jìn)行未來(lái)每一天業(yè)務(wù)量預(yù)測(cè)時(shí)，能夠充分利用歷史數(shù)據(jù)信息，從而為網(wǎng)絡(luò)優(yōu)化和流量管理提供了具有高價(jià)值的數(shù)據(jù)支持。未來(lái)面臨的主要挑戰(zhàn)涉及數(shù)據(jù)管理及其特征工程。首先，許多區(qū)域的業(yè)務(wù)量數(shù)據(jù)存在缺失問(wèn)題，過(guò)多的缺失值使得即使采用先進(jìn)的缺失值填充算法，也難以保證填充后數(shù)據(jù)的準(zhǔn)確性。需建立一套統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)，以獲取更高質(zhì)量、更全面的訓(xùn)練數(shù)據(jù)，以保證輸出結(jié)果的可用性。其次，在特征工程方面，目前的模型僅依賴于有限的輸入特征，樣本特征的不足導(dǎo)致模型從這些數(shù)據(jù)中學(xué)習(xí)到的知識(shí)有限。未來(lái)將在預(yù)測(cè)模型中嘗試有機(jī)結(jié)合更多個(gè)性化特征，將數(shù)據(jù)模型進(jìn)行分區(qū)域、分時(shí)段優(yōu)化，提升整體模型的泛化能力以及性能。1）背景在網(wǎng)絡(luò)規(guī)劃中，站址價(jià)值評(píng)估與規(guī)劃指的是篩選現(xiàn)網(wǎng)中具有高潛力、未來(lái)效益增長(zhǎng)較高的站點(diǎn)，作為優(yōu)先建設(shè)的對(duì)象。它能夠充分挖掘現(xiàn)網(wǎng)大數(shù)據(jù)分析的潛力、借助AI算法賦能的站址價(jià)值建模提升網(wǎng)絡(luò)規(guī)劃精準(zhǔn)度和資源使用效益，是無(wú)線網(wǎng)絡(luò)規(guī)劃流程中重要的一環(huán)。經(jīng)典的價(jià)值評(píng)價(jià)方法主要是加權(quán)計(jì)算綜合分?jǐn)?shù)。該方法需要根據(jù)專家經(jīng)驗(yàn)進(jìn)行權(quán)重設(shè)置和策略制定，存在主觀性較強(qiáng)的特點(diǎn)，適用于決策場(chǎng)景較為簡(jiǎn)單、清晰的場(chǎng)景。然而，這種方法無(wú)法考慮到指標(biāo)與指標(biāo)之間的橫向影響和互關(guān)聯(lián)性，數(shù)據(jù)價(jià)值和關(guān)鍵特征不能充分顯現(xiàn)。2）方案設(shè)計(jì)為解決上述問(wèn)題，原創(chuàng)性提出面向跨域數(shù)據(jù)綜合智能評(píng)價(jià)方法，解決了新建站因特征表達(dá)不充分而導(dǎo)致的價(jià)值評(píng)估不夠精確問(wèn)題。整體流程如圖3.1.2-1所示，首先，使用來(lái)自現(xiàn)網(wǎng)已建基站工參數(shù)據(jù)、O域、B域、M域的跨域邏輯小區(qū)數(shù)據(jù)，對(duì)每條原始數(shù)據(jù)由梯度提升決策樹（GradientBoostingDecisionTree,GBDT）算法進(jìn)行跨域特征轉(zhuǎn)換、過(guò)濾、融合，實(shí)現(xiàn)新舊特征的映射轉(zhuǎn)化，輸出的葉子節(jié)點(diǎn)構(gòu)成融合后的新特征。然后，采用邏輯回歸（LogisticRegression,LR）算法完成新建共址站價(jià)值分類預(yù)測(cè)。LR訓(xùn)練選用部分已建站最高價(jià)值基站標(biāo)簽和最低價(jià)值基站標(biāo)簽，逐站輸出新建共址站的高價(jià)值概率，基于概率對(duì)基站進(jìn)行價(jià)值排序。圖2.2.2-1邏輯流程圖其中創(chuàng)新點(diǎn)2“基于邏輯回歸的高價(jià)值概率評(píng)估”是站址價(jià)值智能評(píng)估的核心，其算法邏輯如圖3.1.2-2所示，簡(jiǎn)而言之，就是利用GBDT自動(dòng)發(fā)現(xiàn)高關(guān)聯(lián)性的特征組合，將GBDT模型的葉子節(jié)點(diǎn)作為新特征進(jìn)行輸出，如圖中的[01001]，然后使用LR模型輸出基于概率的價(jià)值排序。圖2.2.2-2GBDT-LR算法邏輯圖經(jīng)專家驗(yàn)證與站址價(jià)值復(fù)核，基于AI技術(shù)+大數(shù)據(jù)分析的智能化價(jià)值評(píng)估模型與專家經(jīng)驗(yàn)價(jià)值選址重疊率達(dá)85%以上，可以初步替代專家經(jīng)驗(yàn)篩選的過(guò)程，通過(guò)算法的智能化處理和概率性分析能夠得到更多的有價(jià)值結(jié)論，幫助規(guī)劃設(shè)計(jì)人員進(jìn)行精準(zhǔn)的高價(jià)值站點(diǎn)發(fā)掘。3）挑戰(zhàn)與展望規(guī)劃、建設(shè)實(shí)際效果評(píng)價(jià)反饋周期長(zhǎng)，建設(shè)后的實(shí)際效果評(píng)估與規(guī)劃決策確定的時(shí)間相隔較長(zhǎng)，因此在模型訓(xùn)練階段無(wú)法及時(shí)獲取參數(shù)調(diào)整后的真實(shí)影響。從未來(lái)角度展望，需要一個(gè)長(zhǎng)周期、高精準(zhǔn)的數(shù)字孿生規(guī)劃平臺(tái)，支撐不同組網(wǎng)方案的站點(diǎn)的適時(shí)調(diào)整和模擬建設(shè)以及成效推演，將推演模擬的結(jié)果作為正負(fù)反饋，從而能夠不斷接近效益性能最優(yōu)的高價(jià)值站址規(guī)劃方案。1）背景仿真是評(píng)估網(wǎng)絡(luò)和設(shè)備性能的重要手段，對(duì)于方案評(píng)估具有重要輔助作用。高精度仿真包括網(wǎng)絡(luò)數(shù)據(jù)輸入、空間環(huán)境解析、傳播路徑搜索、多徑合并等環(huán)節(jié)，算法復(fù)雜、計(jì)算量大。網(wǎng)絡(luò)數(shù)據(jù)的輸入是仿真的基礎(chǔ)，輸入數(shù)據(jù)必須準(zhǔn)確、全面，涵蓋高精度仿真的關(guān)鍵網(wǎng)絡(luò)參數(shù)?？臻g環(huán)境的解析則涉及對(duì)物理空間的詳細(xì)建模，包括地形、建筑物等多種因素，充分考慮其對(duì)無(wú)線信號(hào)傳播的影響。傳播路徑的搜索和多徑信號(hào)的合并作為仿真的核心環(huán)節(jié)，計(jì)算過(guò)程需要處理大量的數(shù)據(jù)，特別是多徑合并尤為關(guān)鍵，因?yàn)樗苯雨P(guān)系到最終的仿真精度。針對(duì)商用軟件，如何兼顧仿真準(zhǔn)確度和仿真效率，不僅是業(yè)界面臨的共同難題，更是規(guī)模商用的基礎(chǔ)。高精度仿真的實(shí)現(xiàn)需要一套有效的優(yōu)化策略，能夠在不影響結(jié)果準(zhǔn)確性的前提下，大幅提升仿真的速度和效率。傳統(tǒng)商用仿真軟件，多次采購(gòu)國(guó)外仿真軟件為主，如法國(guó)Atoll、美國(guó)Planet等，能夠?qū)崿F(xiàn)基于統(tǒng)計(jì)模型和射線跟蹤模型的二/三維仿真。但是，國(guó)外仿真軟件一般按照License收費(fèi)，安裝在個(gè)人筆記本或者工作站上，存在如下3大類嚴(yán)重問(wèn)題：第一，價(jià)格昂貴，國(guó)外仿真軟件的License費(fèi)用通常非常高，尤其是在多用戶、多項(xiàng)目的環(huán)境下，費(fèi)用會(huì)成倍增加；第二，計(jì)算效率受限，其設(shè)計(jì)和優(yōu)化通常針對(duì)高性能服務(wù)器，當(dāng)這些軟件運(yùn)行硬件性能受限時(shí)，很難達(dá)到理想的計(jì)算效率；第三，存在安全隱患，國(guó)外仿真軟件的安裝和使用過(guò)程中，可能涉及到大量敏感數(shù)據(jù)和重要信息的處理。這三個(gè)問(wèn)題，將直接導(dǎo)致其無(wú)法規(guī)?；a(chǎn)應(yīng)用。2）方案設(shè)計(jì)中國(guó)移動(dòng)自研全球首個(gè)Linux內(nèi)核仿真引擎DTN和國(guó)內(nèi)運(yùn)營(yíng)商首款射線跟蹤傳播模型LiShuttle，具有完全的自主知識(shí)產(chǎn)權(quán)，實(shí)現(xiàn)網(wǎng)絡(luò)高精度仿真的規(guī)?；逃?。相對(duì)于傳統(tǒng)規(guī)劃仿真工具，DTN實(shí)現(xiàn)了仿真內(nèi)核引擎化，有效降低了傳統(tǒng)仿真工具應(yīng)用門檻，與相關(guān)網(wǎng)規(guī)網(wǎng)優(yōu)平臺(tái)的集成更加便捷；同時(shí)，部署環(huán)境Linux化，能夠有效開展虛擬化和云化開發(fā)，同時(shí)面向國(guó)產(chǎn)化操作系統(tǒng)完成適配。仿真引擎DTN和國(guó)內(nèi)運(yùn)營(yíng)商首款射線跟蹤傳播模型LiShuttle打破了歐美國(guó)家關(guān)鍵技術(shù)“卡脖子”局面，保障了關(guān)鍵技術(shù)的自主掌握，并達(dá)到全網(wǎng)規(guī)?；瘧?yīng)用。其中，基于Linux內(nèi)核研發(fā)的仿真引擎DTN采用大型分布式網(wǎng)絡(luò)仿真結(jié)構(gòu)，實(shí)現(xiàn)算力資源的橫向擴(kuò)展，提高計(jì)算效率。首先，利用射線跟蹤和幾何光學(xué)理論，精準(zhǔn)模擬無(wú)線電磁信號(hào)的傳播路徑，并高效完成路徑搜索。然后，基于空間傳播環(huán)境，模擬無(wú)線電磁信號(hào)在空間中的直射、反射、衍射、透射等多種傳播路徑，再進(jìn)行多徑合并。圖2.2.3-1空間中的多種傳播路徑圖其次，基于仿真引擎DTN設(shè)計(jì)射線跟蹤傳播模型LiShuttle。通過(guò)綜合研發(fā)三維GIS高速渲染、站址自動(dòng)規(guī)劃ASP、工參自動(dòng)優(yōu)化ACP、規(guī)劃原則編輯器、N維度價(jià)值評(píng)估體系、用戶資源需求模型、網(wǎng)絡(luò)能力模型等工具集的研發(fā)，提供4/5G全頻段的精準(zhǔn)規(guī)劃及高精度仿真審核能力，支撐需求、規(guī)劃、審核等環(huán)節(jié)相關(guān)功能，實(shí)現(xiàn)資源需求預(yù)測(cè)、需求分析及價(jià)值評(píng)分、規(guī)劃方案自動(dòng)輸出、智能審核等功能。圖2.2.3-2高精度網(wǎng)絡(luò)仿真圖3）挑戰(zhàn)與展望高精度網(wǎng)絡(luò)仿真作為設(shè)備和網(wǎng)絡(luò)的性能評(píng)估的重要手段，在未來(lái)網(wǎng)絡(luò)及其運(yùn)維中，將持續(xù)扮演不可或缺的角色。仿真的準(zhǔn)確度是全球性難題，深度開展預(yù)測(cè)可信度評(píng)估研究，為仿真準(zhǔn)確度保駕護(hù)航。同時(shí)，在未來(lái)網(wǎng)絡(luò)中，將仿真預(yù)測(cè)內(nèi)生化，形成網(wǎng)元級(jí)自動(dòng)預(yù)測(cè)，是網(wǎng)絡(luò)內(nèi)生孿生的重要組成部分。1）背景未來(lái)網(wǎng)絡(luò)的通信需求更加擴(kuò)展、通信場(chǎng)景更加豐富、通信業(yè)務(wù)更加多樣，將覆蓋更復(fù)雜的空天地海融合場(chǎng)景、更多的垂直業(yè)務(wù)種類、更多樣的部署頻率和組網(wǎng)策略。這對(duì)無(wú)線通信網(wǎng)絡(luò)的覆蓋預(yù)測(cè)和部署規(guī)劃帶來(lái)了挑戰(zhàn)，尤其是對(duì)于特定行業(yè)的中小型專用網(wǎng)絡(luò)，例如生產(chǎn)車間、鐵路編組站、工業(yè)園區(qū)、電廠/變電站等，電波傳播物理環(huán)境的行業(yè)特征明顯、差異性大?，F(xiàn)有通用覆蓋預(yù)測(cè)方法和傳播信道模型受到復(fù)雜性和精確性兩類指標(biāo)的共同制約：傳統(tǒng)方法難以滿足未來(lái)無(wú)線網(wǎng)絡(luò)的信道預(yù)測(cè)和區(qū)域網(wǎng)絡(luò)覆蓋需求，造成整個(gè)無(wú)線網(wǎng)絡(luò)的傳輸能力評(píng)估預(yù)測(cè)面臨“最后一公里”問(wèn)題，進(jìn)而影響整體網(wǎng)絡(luò)性能指標(biāo)的提升。2）方案設(shè)計(jì)我們提出了一種概念性的技術(shù)路線來(lái)解決復(fù)雜業(yè)務(wù)、場(chǎng)景下的高精度網(wǎng)絡(luò)覆蓋預(yù)測(cè)問(wèn)題：即構(gòu)建物理環(huán)境和電磁環(huán)境的一體化數(shù)字孿生，以此實(shí)現(xiàn)物理場(chǎng)景、具體業(yè)務(wù)、數(shù)據(jù)網(wǎng)絡(luò)、傳輸技術(shù)、無(wú)線信道的完整仿真和復(fù)現(xiàn)。該技術(shù)路線的核心出發(fā)點(diǎn)是模擬復(fù)雜信息端到端的全交互流程來(lái)實(shí)現(xiàn)傳輸質(zhì)量評(píng)估，其中的核心步驟是實(shí)現(xiàn)電波傳播過(guò)程的虛擬孿生并仿真無(wú)線信道特征，實(shí)現(xiàn)電波信號(hào)傳輸質(zhì)量的高精度推演。具體而言需要三部分關(guān)鍵技術(shù)：電磁環(huán)境重構(gòu)、信道特征預(yù)測(cè)和傳輸性能推演。第一，電磁環(huán)境重構(gòu)，目的是測(cè)量或采集影響信道傳播的物理因素（地形、散射體、電磁參數(shù)、氣象信息等），隨后在虛擬環(huán)境中實(shí)現(xiàn)真實(shí)傳播環(huán)境的虛擬重建。該步驟需要基于視覺(jué)圖像、激光點(diǎn)云、毫米波雷達(dá)、氣象傳感器等的多源感知數(shù)據(jù)，利用機(jī)器視覺(jué)和數(shù)據(jù)挖掘等工具，實(shí)現(xiàn)異構(gòu)復(fù)雜原始數(shù)據(jù)的采集、提取、反演、重建。第二，信道特征預(yù)測(cè)，目的是在第一步得到的數(shù)字電磁環(huán)境的基礎(chǔ)上實(shí)現(xiàn)孿生環(huán)境的信道特征預(yù)測(cè)，建立與物理信道匹配的孿生信道。該步驟需要電波傳播基礎(chǔ)理論、經(jīng)典統(tǒng)計(jì)性/隨機(jī)性信道模型、基于光線追蹤的確定性電波預(yù)測(cè)、深度神經(jīng)網(wǎng)絡(luò)等技術(shù)的支撐。第三，傳輸性能推演，目的是在虛擬環(huán)境中實(shí)時(shí)模擬并推演通信性能，并基于大規(guī)模推演數(shù)據(jù)挖掘網(wǎng)絡(luò)性能優(yōu)化策略。該步驟需要在上述虛擬環(huán)境中構(gòu)建通信全鏈路仿真，融合物理層傳輸技術(shù)、終端性能指標(biāo)、天線配置、信號(hào)干擾等影響因素，在第二步中孿生信道的支撐下實(shí)現(xiàn)近似外場(chǎng)實(shí)測(cè)的通信網(wǎng)絡(luò)和終端性能評(píng)估。綜上，基于環(huán)境孿生實(shí)現(xiàn)高性能區(qū)域網(wǎng)絡(luò)覆蓋預(yù)測(cè)和性能評(píng)估的核心在于學(xué)習(xí)、重建并孿生物理-電磁-傳輸三個(gè)維度內(nèi)在關(guān)系，實(shí)現(xiàn)端到端的信息傳輸全流程數(shù)字孿生構(gòu)建。實(shí)現(xiàn)技術(shù)方案預(yù)定目標(biāo)的前提是在虛擬環(huán)境中盡可能真實(shí)的模擬通信性能，因此需要構(gòu)建能夠準(zhǔn)確表征物理-電磁-傳輸三個(gè)維度關(guān)鍵特征映射關(guān)系的模型——這也是本方案的核心和技術(shù)難點(diǎn)。這一過(guò)程需要深度挖掘物理環(huán)境特征，并實(shí)現(xiàn)虛擬信道的特征增強(qiáng)和擴(kuò)展；同時(shí)基于物理環(huán)境、信道特征以及傳輸性能之間的復(fù)雜映射關(guān)系，利用孿生信道預(yù)測(cè)特定終端設(shè)備或規(guī)劃決策在真實(shí)場(chǎng)景中的可行性，并設(shè)計(jì)或評(píng)估網(wǎng)絡(luò)性能優(yōu)化策略。該模型需要能夠?qū)崿F(xiàn)物理傳播環(huán)境和信道特征的映射、信道特征和信息傳輸關(guān)鍵性能指標(biāo)的耦合、最終實(shí)現(xiàn)物理環(huán)境到信息傳輸性能之間的高逼真孿生。為了解決這個(gè)難點(diǎn)，需要開發(fā)異構(gòu)架構(gòu)的模型體系，實(shí)現(xiàn)圖像處理、信號(hào)處理、特征提取、信道預(yù)測(cè)、性能分析等多層次復(fù)雜功能。在具體的實(shí)現(xiàn)過(guò)程中，深度學(xué)習(xí)幾乎是必然的技術(shù)工具——鑒于其優(yōu)異的復(fù)雜系統(tǒng)非線性建模能力。利用深度學(xué)習(xí)構(gòu)建模型，學(xué)習(xí)不同維度特征之間的映射關(guān)系；模型的輸入一般為物理環(huán)境、輸出可以為信道參數(shù)或者更進(jìn)一步直接表征傳輸性能。前期模型構(gòu)建階段的重點(diǎn)是利用實(shí)測(cè)數(shù)據(jù)和仿真數(shù)據(jù)構(gòu)建物理-電磁-傳輸多維異構(gòu)特征數(shù)據(jù)集，同時(shí)結(jié)合成熟技術(shù)實(shí)現(xiàn)環(huán)境采集、特征配準(zhǔn)、參數(shù)萃取等預(yù)處理步驟，集中算力資源訓(xùn)練網(wǎng)絡(luò)優(yōu)化模型。后期部署階段，需要根據(jù)業(yè)務(wù)種類和算力需求靈活部署，融合云架構(gòu)和邊緣算力，在實(shí)際無(wú)線業(yè)務(wù)環(huán)境中實(shí)現(xiàn)技術(shù)落地。實(shí)現(xiàn)特定網(wǎng)絡(luò)部署環(huán)境內(nèi)的高精度信號(hào)覆蓋預(yù)測(cè)和通信性能評(píng)估。理想情況下實(shí)現(xiàn)的效果是信道特征預(yù)測(cè)精度均方根誤差相比標(biāo)準(zhǔn)信道模型提升至少2dB，容量等性能指標(biāo)預(yù)測(cè)精度提升20%以上。3）挑戰(zhàn)與展望挑戰(zhàn)主要來(lái)自于模型的構(gòu)建、性能優(yōu)化以及泛化能力。首先，面向復(fù)雜的功能需求，模型的構(gòu)成形式應(yīng)是復(fù)雜異構(gòu)的，需要對(duì)模型的架構(gòu)、數(shù)據(jù)流、算力規(guī)劃、功能邏輯等進(jìn)行精確設(shè)計(jì)。此外，模型的訓(xùn)練和優(yōu)化高度依賴數(shù)據(jù)集的代表性和可靠性。需要實(shí)現(xiàn)海量非標(biāo)準(zhǔn)化異構(gòu)數(shù)據(jù)的預(yù)處理和降維，同時(shí)深入提取與關(guān)鍵性能指標(biāo)強(qiáng)相關(guān)的特征屬性，構(gòu)建高信息密度、低冗余、結(jié)構(gòu)化且可擴(kuò)展的數(shù)據(jù)庫(kù)。最后，模型的泛化能力需要得到額外的重視，使其能夠滿足多樣業(yè)務(wù)類型、物理場(chǎng)景、部署頻率下的性能指標(biāo)要求。網(wǎng)絡(luò)建設(shè)是網(wǎng)絡(luò)全生命周期的第二階段，主要包括環(huán)境勘測(cè)、建設(shè)審核等環(huán)節(jié)。本節(jié)將對(duì)面向各環(huán)節(jié)的實(shí)踐案例進(jìn)行介紹。1）背景傳統(tǒng)網(wǎng)絡(luò)勘察設(shè)計(jì)需要一線人員現(xiàn)場(chǎng)摸排機(jī)房及天面環(huán)境，采集部分?jǐn)?shù)據(jù)后制定設(shè)計(jì)圖紙和建設(shè)方案。在此過(guò)程中，設(shè)計(jì)人員難以實(shí)時(shí)回溯機(jī)房場(chǎng)景，也難以通過(guò)動(dòng)態(tài)仿真將物理網(wǎng)絡(luò)的運(yùn)行狀態(tài)、性能、數(shù)據(jù)等信息自動(dòng)化呈現(xiàn)在規(guī)劃設(shè)計(jì)圖紙中。本實(shí)踐通過(guò)三維勘測(cè)可視化技術(shù)解決網(wǎng)絡(luò)建設(shè)過(guò)程中機(jī)房環(huán)境立體建模、機(jī)柜管線、空調(diào)制冷等設(shè)備運(yùn)行狀態(tài)監(jiān)控等，實(shí)現(xiàn)線上化、立體化的建設(shè)方案設(shè)計(jì)與展示，并模擬多種設(shè)計(jì)方案效果，提升網(wǎng)絡(luò)規(guī)劃建設(shè)的精準(zhǔn)度。2）方案設(shè)計(jì)在網(wǎng)絡(luò)建設(shè)的勘察設(shè)計(jì)場(chǎng)景下對(duì)于場(chǎng)景孿生的真實(shí)性、實(shí)時(shí)性、靈活性、直觀性有著更高的要求。網(wǎng)絡(luò)建設(shè)階段建模的重點(diǎn)在于如何基于現(xiàn)實(shí)環(huán)境快速建立更精準(zhǔn)的3D模型，并將現(xiàn)實(shí)與虛擬交互中產(chǎn)生的海量數(shù)據(jù)簡(jiǎn)明呈現(xiàn)。其難點(diǎn)在于對(duì)實(shí)體單元及其狀態(tài)的實(shí)時(shí)精準(zhǔn)識(shí)別及快速自動(dòng)化建模。為了解決上述問(wèn)題，在本方案所提三維勘測(cè)采集技術(shù)中，首先，采用激光點(diǎn)云測(cè)量、機(jī)器視覺(jué)點(diǎn)云測(cè)量、無(wú)人機(jī)傾斜攝影等技術(shù)手段，對(duì)勘察地理環(huán)境、用戶分布進(jìn)行三維測(cè)量和實(shí)景采集，得到室內(nèi)外點(diǎn)云和照片組。其中，激光掃描和機(jī)器視覺(jué)生成點(diǎn)云的主要區(qū)別在于點(diǎn)云空間位置信息獲取方式的不同。然后，通過(guò)機(jī)房空調(diào)等設(shè)備的外觀模型、性能模型、熱力模型與環(huán)境點(diǎn)云進(jìn)行三維重建，并運(yùn)用各類算法對(duì)實(shí)體的單元及其屬性進(jìn)行識(shí)別和跟蹤記錄實(shí)現(xiàn)，以達(dá)到環(huán)境全貌清晰、設(shè)備模型精細(xì)的可視化效果。點(diǎn)云通過(guò)渲染、語(yǔ)義分割、物體辨識(shí)等功能實(shí)現(xiàn)三維建模渲染，通過(guò)算法將點(diǎn)構(gòu)造成線、面、片，并進(jìn)行去噪、平滑形成空間三維模型。在下圖中，左邊展示原始采集的點(diǎn)云模型是真實(shí)機(jī)房環(huán)境的建模，右圖是模擬放置機(jī)柜后的效果?？梢栽诰€調(diào)整機(jī)柜放置位置，提供多部署方案的模擬和最佳方案的推演決策。圖2.3.1-1三維勘測(cè)圖3）挑戰(zhàn)與展望未來(lái)的三維勘測(cè)建模主要趨向于物理與孿生體環(huán)境交互的建模、基于業(yè)務(wù)數(shù)據(jù)模型的全生命周期展示能力、網(wǎng)絡(luò)模擬與優(yōu)化過(guò)程展示能力等體現(xiàn)網(wǎng)絡(luò)孿生變化的實(shí)時(shí)建模與可視化能力。針對(duì)物理環(huán)境三維數(shù)據(jù)采集難、模型復(fù)雜度高等挑戰(zhàn)，可以嘗試進(jìn)行自動(dòng)建模、半自動(dòng)建模的技術(shù)路徑的探索。建設(shè)管理平臺(tái)可將機(jī)房?jī)?nèi)設(shè)備在網(wǎng)運(yùn)行信息與數(shù)據(jù)庫(kù)三維模型對(duì)接匹配，異步或同步展示運(yùn)行數(shù)據(jù)，以達(dá)到環(huán)境全貌清晰、設(shè)備模型精細(xì)的可視化效果，1）背景當(dāng)前室分設(shè)計(jì)審核存在審核不規(guī)范的情況，通過(guò)人工審核方案的合理性，存在主觀判斷占比高、審核易出錯(cuò)、問(wèn)題界定不清晰、規(guī)范難把控等問(wèn)題，極大影響了室分系統(tǒng)設(shè)計(jì)方案的質(zhì)量。同時(shí)，目前室分設(shè)計(jì)平臺(tái)多種多樣，無(wú)法實(shí)現(xiàn)圖紙信息的標(biāo)準(zhǔn)化數(shù)字化，不利于信息提取，后續(xù)室分系統(tǒng)設(shè)計(jì)方案的孿生應(yīng)用以及嵌入日常優(yōu)化、維護(hù)等環(huán)節(jié)難度較大，且一些使用范圍較廣的設(shè)計(jì)審核軟件對(duì)國(guó)外基礎(chǔ)平臺(tái)（AutoCAD、Visio）依賴度較高，存在較高的“卡脖子”風(fēng)險(xiǎn)。數(shù)字化室分設(shè)計(jì)審核能夠有效提升室分設(shè)計(jì)審核的數(shù)字化標(biāo)準(zhǔn)化水平，為室分系統(tǒng)的孿生奠定充足的數(shù)據(jù)基礎(chǔ)。為了解決上述問(wèn)題，有效提升室分設(shè)計(jì)審核的數(shù)字化標(biāo)準(zhǔn)化水平，需要進(jìn)行數(shù)字化室分設(shè)計(jì)審核，具有諸多挑戰(zhàn)。首先，室分系統(tǒng)方案設(shè)計(jì)所需要的建筑底圖復(fù)雜度較高，室內(nèi)環(huán)境相對(duì)室外較為多樣化。其次，室分設(shè)計(jì)關(guān)聯(lián)器件品類繁雜，需要進(jìn)行統(tǒng)一的數(shù)字化、標(biāo)準(zhǔn)化設(shè)計(jì)。室分設(shè)計(jì)審核面向多樣化的建設(shè)場(chǎng)景、建設(shè)需求及建設(shè)方案，需要有效提取室分設(shè)計(jì)審核的審核點(diǎn)并進(jìn)行量化，實(shí)現(xiàn)個(gè)性化的標(biāo)準(zhǔn)審核。2）方案設(shè)計(jì)在設(shè)計(jì)初期引入IT化工具升級(jí)傳統(tǒng)的室分設(shè)計(jì)與審核工作，將室分制圖流程及室分圖元進(jìn)行標(biāo)準(zhǔn)化統(tǒng)一，滿足室分?jǐn)?shù)字化、矢量化的演進(jìn)趨勢(shì)及需求；通過(guò)“設(shè)計(jì)+審核”的前后端設(shè)置，引入室內(nèi)智能設(shè)計(jì)與審核套件功能，并通過(guò)“優(yōu)化前移”審核加強(qiáng)室分質(zhì)量管控；通過(guò)標(biāo)準(zhǔn)化增強(qiáng)數(shù)字化水平，為室分系統(tǒng)孿生應(yīng)用提供優(yōu)質(zhì)的基礎(chǔ)數(shù)據(jù)。數(shù)字化室分設(shè)計(jì)審核分為室分設(shè)計(jì)審核客戶端工具和服務(wù)器端審核模塊，客戶端工具具備完備的設(shè)計(jì)功能體系，面向4/5G室分設(shè)計(jì)需求，具備完整的智能輔助設(shè)計(jì)流程，同時(shí)，對(duì)新型方案設(shè)計(jì)及性能具備評(píng)估能力。軟件整體輕巧、靈便，國(guó)內(nèi)唯一不依賴美國(guó)AutoaCAD設(shè)計(jì)平臺(tái)的室分專有設(shè)計(jì)軟件，有效保障了室分設(shè)計(jì)工具的國(guó)產(chǎn)化可管可控，且室分制圖圖元規(guī)范，能夠有效支撐圖紙標(biāo)準(zhǔn)化審核及室分圖紙的全生命周期流通增值。服務(wù)器端審核模塊具備圖紙完備性審核、設(shè)計(jì)方案合理性審核、方案規(guī)范性審核以及成本審核能力，實(shí)現(xiàn)由天線頭端到室分主設(shè)備的全鏈路審核，并實(shí)現(xiàn)針對(duì)設(shè)計(jì)優(yōu)化的覆蓋等方案審核，有效保障室分設(shè)計(jì)的質(zhì)量。同時(shí)，室分設(shè)計(jì)審核服務(wù)器端模塊將室分審核的門限值進(jìn)行按需配置，面向不同室分建設(shè)場(chǎng)景提供不同的室分審核規(guī)則，有效提升了室分設(shè)計(jì)方案審核的自由度，節(jié)約室分審核人工工作量，實(shí)現(xiàn)降本增效。3）挑戰(zhàn)與展望室分系統(tǒng)建設(shè)無(wú)論是從建設(shè)方式演進(jìn)還是從器件更新迭代上，都呈現(xiàn)出速率越來(lái)越高、間隔期越來(lái)越短的趨勢(shì)，這對(duì)數(shù)字化室分設(shè)計(jì)審核的對(duì)于需求的貼合度提出了較高要求，能夠?qū)崿F(xiàn)較快速度的迭代以及標(biāo)準(zhǔn)化室分系統(tǒng)信息提取。當(dāng)前的解決思路是，進(jìn)行建設(shè)方式和室分器件的雙向解耦，建立相對(duì)獨(dú)立的室分系統(tǒng)建設(shè)方案和室分系統(tǒng)器件庫(kù)，提升室分設(shè)計(jì)方案信息提取速度和精準(zhǔn)度，保障室分系統(tǒng)孿生的數(shù)據(jù)時(shí)效性和準(zhǔn)確性。網(wǎng)絡(luò)維護(hù)是網(wǎng)絡(luò)全生命周期的第三階段，主要包括故障分析、故障修復(fù)、故障搶通等環(huán)節(jié)。本節(jié)將對(duì)面向各環(huán)節(jié)的實(shí)踐案例進(jìn)行介紹。1）背景網(wǎng)絡(luò)中存在多層級(jí)基礎(chǔ)設(shè)施，包括業(yè)務(wù)、網(wǎng)元、鏈路、POD、VM、硬件等復(fù)雜基礎(chǔ)設(shè)施，實(shí)現(xiàn)網(wǎng)絡(luò)全局可視可感需要實(shí)現(xiàn)多層級(jí)基礎(chǔ)設(shè)施與狀態(tài)信息聯(lián)動(dòng)，進(jìn)而實(shí)現(xiàn)精準(zhǔn)的狀態(tài)和影響感知。此外，基于可感可視的網(wǎng)絡(luò)全局視圖，還需構(gòu)造全域感知/預(yù)測(cè)及根因分析能力，支撐故障實(shí)時(shí)感知/預(yù)測(cè)與故障精準(zhǔn)定位。當(dāng)前管理面已統(tǒng)一核心網(wǎng)數(shù)據(jù)底座，將網(wǎng)絡(luò)層數(shù)據(jù)與資源層數(shù)據(jù)進(jìn)行集中匯聚，以解決數(shù)據(jù)獲取和系統(tǒng)間數(shù)據(jù)同步的問(wèn)題。但隨著5G業(yè)務(wù)規(guī)模上量以及5G-A網(wǎng)絡(luò)演進(jìn)，核心網(wǎng)垂直分層復(fù)雜化與水平集中化進(jìn)一步加劇，導(dǎo)致網(wǎng)絡(luò)仍然面臨著難感知（基礎(chǔ)設(shè)施虛擬化分層組件多，網(wǎng)絡(luò)TOPO動(dòng)態(tài)調(diào)整變化多）、看不清（宏觀整網(wǎng)TOPO/容災(zāi)/路由關(guān)系、微觀單NF/單Host內(nèi)部部件關(guān)系）與不敢動(dòng)（容災(zāi)倒換、動(dòng)網(wǎng)配置變更）等難題。結(jié)合數(shù)字孿生技術(shù)，構(gòu)建全局網(wǎng)絡(luò)可感可視可控基礎(chǔ)設(shè)施，建立業(yè)務(wù)孿生體、設(shè)備孿生體、虛擬層孿生體與硬件孿生體，使能上層應(yīng)用實(shí)現(xiàn)網(wǎng)絡(luò)仿真、意圖驗(yàn)證、確定性SLA保障等業(yè)務(wù)能力。在構(gòu)建孿生體的過(guò)程中，通過(guò)對(duì)資源對(duì)象、網(wǎng)絡(luò)對(duì)象、鏈路對(duì)象精細(xì)化建模，資源配額/狀態(tài)、網(wǎng)絡(luò)狀態(tài)/告警/KPI/日志采用知識(shí)+AI推理實(shí)現(xiàn)健康度感知，從業(yè)務(wù)、網(wǎng)絡(luò)、基礎(chǔ)設(shè)施三層視角實(shí)現(xiàn)水平+垂直全場(chǎng)景TOPO可視，進(jìn)而實(shí)現(xiàn)面向網(wǎng)絡(luò)云、核心網(wǎng)的精準(zhǔn)狀態(tài)感知、影響分析、水平&垂直故障RCA分析。圖2.4.1-1跨時(shí)空網(wǎng)絡(luò)全局可視框架視圖基于所構(gòu)建的跨時(shí)空網(wǎng)絡(luò)全局可視能力，最終實(shí)現(xiàn)以下關(guān)鍵特性：n基于資源、網(wǎng)絡(luò)、鏈路對(duì)象精細(xì)化建模，從業(yè)務(wù)、網(wǎng)絡(luò)、基礎(chǔ)設(shè)施三層視角實(shí)現(xiàn)云網(wǎng)全場(chǎng)景TOPO可視n告警/KPI關(guān)聯(lián)，經(jīng)驗(yàn)知識(shí)+AI推理實(shí)現(xiàn)精準(zhǔn)狀態(tài)和影響感知n歷史健康度，時(shí)空動(dòng)網(wǎng)5min-7Day回放，60min-7Day感知預(yù)測(cè)n5min水平&垂直故障RCA分析，可視定界n空間&垂直鉆取透視和分析3）挑戰(zhàn)與展望從技術(shù)上看，想要讓虛擬和現(xiàn)實(shí)的數(shù)據(jù)進(jìn)行實(shí)時(shí)映射，進(jìn)而實(shí)現(xiàn)全局網(wǎng)絡(luò)可感可視可控，需要重點(diǎn)解決三個(gè)關(guān)鍵難題。首先，需要解決孿生數(shù)據(jù)實(shí)時(shí)性問(wèn)題。目前，統(tǒng)計(jì)周期/采集周期最小1分鐘，甚至一些KPI數(shù)據(jù)長(zhǎng)達(dá)5分鐘，而業(yè)務(wù)SLA數(shù)據(jù)要求時(shí)延<5s，如果感知較慢，無(wú)法真正解決客戶痛點(diǎn)問(wèn)題。其次，需要解決孿生數(shù)據(jù)高精度問(wèn)題。數(shù)字孿生并不是真實(shí)世界的全部反映。它永遠(yuǎn)只是對(duì)物理世界的一個(gè)局部模仿、一個(gè)隨動(dòng)的模型、一個(gè)有缺陷的影子。它需要向真實(shí)無(wú)限靠攏。這意味著，一個(gè)數(shù)字孿生的高保真度（HighFidelity）是一個(gè)關(guān)鍵命題。高精度不僅包含了感知資源的空間深度，也包含了時(shí)間的廣度。最后，需要解決融合建模難題。大量設(shè)備的內(nèi)部模型并不完善或開放，無(wú)法進(jìn)行有效的聯(lián)合模型建立，如對(duì)業(yè)務(wù)模型、流量模型、鏈路模型、協(xié)議模型等進(jìn)行組合時(shí)難以實(shí)現(xiàn)精確建模，進(jìn)而導(dǎo)致非典型場(chǎng)景的故障分析準(zhǔn)確性存在較大挑戰(zhàn)。1）背景核心網(wǎng)作為移動(dòng)通信網(wǎng)絡(luò)的中樞，是終端和業(yè)務(wù)服務(wù)器之間的必經(jīng)之路，其穩(wěn)定性、可靠性直接影響了網(wǎng)絡(luò)業(yè)務(wù)的可用性。而近年來(lái)，國(guó)內(nèi)外出現(xiàn)了多起不同原因引起的核心網(wǎng)信令風(fēng)暴而導(dǎo)致網(wǎng)絡(luò)長(zhǎng)時(shí)間不可用、業(yè)務(wù)長(zhǎng)時(shí)間中斷的情況，社會(huì)面影響較大。為增強(qiáng)現(xiàn)網(wǎng)核心網(wǎng)對(duì)信令風(fēng)暴的防御、抵抗能力，傳統(tǒng)方法是在現(xiàn)網(wǎng)上模擬不同原因?qū)е碌男帕铒L(fēng)暴場(chǎng)景來(lái)尋找網(wǎng)絡(luò)薄弱點(diǎn)并針對(duì)性優(yōu)化，此方法的弊端一方面在于大部分場(chǎng)景不易模擬復(fù)現(xiàn)，另一方面模擬操作不當(dāng)容易引起現(xiàn)網(wǎng)的崩潰癱瘓，因此需求一個(gè)孿生的核心網(wǎng)，允許在其上進(jìn)行不同異常場(chǎng)景導(dǎo)致的核心網(wǎng)信令風(fēng)暴的模擬演練，反復(fù)推演以尋找到最優(yōu)網(wǎng)絡(luò)參數(shù)，指導(dǎo)現(xiàn)網(wǎng)配置。2）方案設(shè)計(jì)考慮前述現(xiàn)網(wǎng)問(wèn)題及需求，DTN技術(shù)可應(yīng)用于對(duì)核心網(wǎng)狀態(tài)和網(wǎng)元行為孿生，開展網(wǎng)絡(luò)故障事件模擬和信令風(fēng)暴過(guò)程演練，發(fā)現(xiàn)并優(yōu)化網(wǎng)絡(luò)薄弱點(diǎn)，提升網(wǎng)絡(luò)抗風(fēng)險(xiǎn)能力。如圖3.3.2.1所示，方案主要包括四個(gè)步驟：a.建立核心網(wǎng)孿生，首先基于AI算法和統(tǒng)計(jì)方法對(duì)現(xiàn)網(wǎng)數(shù)據(jù)進(jìn)行分析處理，得到網(wǎng)元機(jī)理、網(wǎng)絡(luò)信令、網(wǎng)絡(luò)拓?fù)洹⒙酚蓹?quán)重、網(wǎng)絡(luò)話務(wù)、終端恢復(fù)行為、網(wǎng)元恢復(fù)行為等關(guān)鍵網(wǎng)絡(luò)信息模型，然后結(jié)合孿生技術(shù)，完成核心網(wǎng)組網(wǎng)狀態(tài)、配置的數(shù)字化仿真建模，從而實(shí)現(xiàn)現(xiàn)網(wǎng)核心網(wǎng)的孿生；因現(xiàn)網(wǎng)不同廠商的網(wǎng)元、終端的運(yùn)行機(jī)理、恢復(fù)行為均存在差異，需對(duì)現(xiàn)網(wǎng)各廠商的網(wǎng)絡(luò)信息進(jìn)行個(gè)性化學(xué)習(xí)和建模。b.信令風(fēng)暴模擬，通過(guò)對(duì)孿生的核心網(wǎng)的網(wǎng)元運(yùn)行狀態(tài)、網(wǎng)絡(luò)信令流量等故障事件的靈活編排，來(lái)模擬多種異常場(chǎng)景所帶來(lái)的網(wǎng)絡(luò)信令風(fēng)暴沖擊模擬，分析和發(fā)現(xiàn)信令風(fēng)暴和業(yè)務(wù)恢復(fù)過(guò)程的網(wǎng)絡(luò)瓶頸點(diǎn)和影響程度。c.網(wǎng)絡(luò)參數(shù)尋優(yōu)，通過(guò)優(yōu)化算法，在孿生的核心網(wǎng)上尋優(yōu)不同信令風(fēng)暴沖擊場(chǎng)景下的網(wǎng)絡(luò)和業(yè)務(wù)最快收斂、最小影響范圍和時(shí)長(zhǎng)的網(wǎng)絡(luò)參數(shù)配置。d.網(wǎng)絡(luò)運(yùn)行驗(yàn)證和配置下發(fā)，結(jié)合優(yōu)化后的網(wǎng)絡(luò)配置，在DTN網(wǎng)絡(luò)中模擬驗(yàn)證故障發(fā)生和信令沖擊下的網(wǎng)絡(luò)業(yè)務(wù)收斂速度和影響達(dá)到預(yù)期，并應(yīng)用于真實(shí)網(wǎng)絡(luò)配置。在核心網(wǎng)DTN實(shí)現(xiàn)中，在完成現(xiàn)網(wǎng)網(wǎng)元、用戶、終端的關(guān)鍵信息建模后，可將千萬(wàn)量級(jí)用戶規(guī)模的大型、動(dòng)態(tài)變化的網(wǎng)絡(luò)孿生出來(lái)。在孿生網(wǎng)絡(luò)的基礎(chǔ)上，可通過(guò)控制網(wǎng)元故障數(shù)量、接口中斷數(shù)量、網(wǎng)絡(luò)信令量級(jí)等的靈活組合，來(lái)模擬DC、資源池、機(jī)房、網(wǎng)元多種級(jí)別的倒換容災(zāi)倒換、網(wǎng)絡(luò)操作不當(dāng)導(dǎo)致網(wǎng)元無(wú)法正常運(yùn)行、接口中斷、社會(huì)及自然事件帶來(lái)的突然網(wǎng)絡(luò)話務(wù)劇增等信令風(fēng)暴仿真，并可任意配置網(wǎng)絡(luò)參數(shù)來(lái)進(jìn)行無(wú)限次的試錯(cuò)及參數(shù)尋優(yōu)，達(dá)到DTN支持小概率事件模擬、參數(shù)試錯(cuò)、過(guò)程推演的效果。圖2.4.2-1核心網(wǎng)孿生和信令風(fēng)暴演練流程3）未來(lái)挑戰(zhàn)核心網(wǎng)信令風(fēng)暴孿生準(zhǔn)確度的評(píng)測(cè)是一個(gè)難點(diǎn)，因多數(shù)異常場(chǎng)景，在現(xiàn)網(wǎng)極少觸發(fā)，導(dǎo)致沒(méi)有充足的樣本事件來(lái)支撐孿生準(zhǔn)確性的評(píng)估。此外，網(wǎng)絡(luò)話務(wù)模型是數(shù)字孿生的一個(gè)必要輸入，當(dāng)前只有15分鐘粒度的網(wǎng)元指標(biāo)數(shù)據(jù)用來(lái)作為話務(wù)模型預(yù)測(cè)的輸入，較細(xì)時(shí)間粒度的網(wǎng)元指標(biāo)數(shù)據(jù)難以獲取，即會(huì)導(dǎo)致話務(wù)模型的不夠精確，也將進(jìn)一步導(dǎo)致短時(shí)間的信令風(fēng)暴仿真的結(jié)果可能不準(zhǔn)確，需要增強(qiáng)網(wǎng)元設(shè)備采集獲取細(xì)粒度數(shù)據(jù)的能力，支持業(yè)務(wù)建模。1）背景現(xiàn)有網(wǎng)絡(luò)搶通決策難度高，容災(zāi)倒換等操作影響大。此外，由于核心網(wǎng)元數(shù)量眾多，原始人工關(guān)系梳理耗時(shí)長(zhǎng)，精度差，評(píng)估復(fù)雜度極高。動(dòng)網(wǎng)操作由于涉及大量的動(dòng)網(wǎng)參數(shù)決策，參數(shù)配置修改影響評(píng)估耗時(shí)不可控，且過(guò)度依賴經(jīng)驗(yàn)決策，缺乏具備說(shuō)服力的論證分析。借助網(wǎng)絡(luò)數(shù)字孿生技術(shù)，可實(shí)現(xiàn)網(wǎng)絡(luò)容災(zāi)倒換過(guò)程智能評(píng)估與容災(zāi)倒換過(guò)程可感可視，通過(guò)對(duì)動(dòng)網(wǎng)參數(shù)（如流控參數(shù)）執(zhí)行仿真優(yōu)化，實(shí)現(xiàn)大區(qū)倒換收斂速度提升。2）方案設(shè)計(jì)由于倒換流量沖擊的時(shí)間通常較短，孿生模型需要在極短時(shí)間內(nèi)通過(guò)多種可能仿真預(yù)測(cè)，從數(shù)萬(wàn)的參數(shù)中找到最優(yōu)配置實(shí)現(xiàn)快速收斂，對(duì)于沖擊模型建模具有較高要求。此外，還需要支持對(duì)配置結(jié)果執(zhí)行精準(zhǔn)評(píng)估，以降低操作不當(dāng)所帶來(lái)的二次災(zāi)害。合理的沖擊模型建模，如何進(jìn)行快速的收斂，是該方案的難點(diǎn)所在。因?yàn)榈箵Q流量沖擊的時(shí)間是非常短的，如何再短時(shí)間內(nèi)通過(guò)多種可能仿真預(yù)測(cè)，從數(shù)萬(wàn)的參數(shù)中找到最優(yōu)配置。在執(zhí)行沖擊仿真前，需先對(duì)網(wǎng)絡(luò)沖擊模型進(jìn)行關(guān)鍵因素建模，形成包括網(wǎng)元信息模型、終端行為模型、流控模型、路由模型、組網(wǎng)模型以及故障恢復(fù)模型等多個(gè)模型的融合孿生體，結(jié)合離散事件驅(qū)動(dòng)與統(tǒng)計(jì)向量模型仿真算法將仿真流程轉(zhuǎn)換為函數(shù)、矩陣運(yùn)算等數(shù)學(xué)形式，大幅提升仿真計(jì)算速度。此外，通過(guò)對(duì)網(wǎng)絡(luò)TOPO數(shù)據(jù)、話務(wù)模型、沖擊場(chǎng)景配置等關(guān)鍵數(shù)據(jù)執(zhí)行采集與預(yù)處理，將仿真網(wǎng)絡(luò)實(shí)例化，形成用于浪涌沖擊仿真的仿真引擎。該仿真引擎通過(guò)執(zhí)行過(guò)程模擬、數(shù)據(jù)統(tǒng)計(jì)，形成采樣數(shù)據(jù)，用于訓(xùn)練代理模型，再由求解器以迭代方式逼近最優(yōu)解。求解過(guò)程中，還需執(zhí)行解空間壓縮以及分層求解機(jī)制提升以降低硬件開銷的同時(shí)提升求解效率。圖2.4.3-1端到端尋優(yōu)框架該實(shí)踐通過(guò)對(duì)多域多網(wǎng)元信息在線自動(dòng)采集，支撐容災(zāi)過(guò)程實(shí)時(shí)可視?；诶擞繘_擊仿真評(píng)估，實(shí)現(xiàn)事前精準(zhǔn)預(yù)測(cè)，事中快速?zèng)Q策，輔助運(yùn)營(yíng)商高校完成容災(zāi)操作。達(dá)成效果如下：n15min容災(zāi)評(píng)估輔助決策，結(jié)果偏差小于10%n倒換風(fēng)險(xiǎn)提前識(shí)別，典型場(chǎng)景機(jī)器自動(dòng)值守，全流程狀態(tài)可視n10min浪涌評(píng)估快速收斂，針對(duì)性參數(shù)優(yōu)化配置組合圖2.4.3-2基于物理網(wǎng)絡(luò)構(gòu)建仿真環(huán)境，結(jié)合終端特征執(zhí)行浪涌沖擊評(píng)估3）挑戰(zhàn)與展望當(dāng)前單點(diǎn)孿生應(yīng)用做的比較好，但是后續(xù)未來(lái)的融合孿生應(yīng)用場(chǎng)景其技術(shù)棧也需要升級(jí)，如何解決更復(fù)雜的問(wèn)題，更綜合性的問(wèn)題是來(lái)來(lái)的挑戰(zhàn)。當(dāng)前數(shù)據(jù)采集的實(shí)時(shí)性不足，多種數(shù)據(jù)的結(jié)構(gòu)化、知識(shí)化未成體系，缺少綜合深度復(fù)雜化的自治能力。此外，高效容災(zāi)控制依賴于及時(shí)有效的閉環(huán)控制機(jī)制，現(xiàn)有人工決策評(píng)估機(jī)制可能導(dǎo)致響應(yīng)時(shí)效拉長(zhǎng)，后續(xù)可考慮引入原生閉環(huán)控制機(jī)制支撐實(shí)時(shí)閉環(huán)控制，使能智能容災(zāi)的實(shí)時(shí)感知與自治閉環(huán)。網(wǎng)絡(luò)優(yōu)化是網(wǎng)絡(luò)全生命周期的第四階段。本節(jié)主要圍繞六大網(wǎng)絡(luò)優(yōu)化場(chǎng)景及對(duì)應(yīng)實(shí)踐案例展開介紹，包括大規(guī)模天線、視頻緩存與網(wǎng)絡(luò)資源管理、業(yè)務(wù)網(wǎng)絡(luò)、網(wǎng)絡(luò)切片、CSI智能壓縮、大話務(wù)場(chǎng)景。1）背景在5G無(wú)線網(wǎng)絡(luò)中，為了提升用戶服務(wù)質(zhì)量，需要考慮復(fù)雜的地理特征以及動(dòng)態(tài)變化的用戶分布，對(duì)大規(guī)模天線權(quán)值精準(zhǔn)地進(jìn)行權(quán)值優(yōu)化。其優(yōu)化變量空間極大，并且眾多基站間相互干擾情況復(fù)雜。在傳統(tǒng)方法中，首先，基于專家經(jīng)驗(yàn)來(lái)設(shè)定權(quán)值的方式很難考慮多方面復(fù)雜因素（干擾情況、業(yè)務(wù)需求等）來(lái)滿足用戶需求。其次，基于傳統(tǒng)優(yōu)化理論的方法需要對(duì)環(huán)境各影響因素建立完備的數(shù)學(xué)模型，但是在復(fù)雜環(huán)境中往往無(wú)法得到這樣的模型，并且人工成本高，可拓展性不強(qiáng)。而以深度強(qiáng)化學(xué)習(xí)為代表的智能優(yōu)化算法，存在數(shù)據(jù)需求高，探索開銷大等問(wèn)題，在實(shí)際網(wǎng)絡(luò)環(huán)境中進(jìn)行線上訓(xùn)練時(shí)會(huì)嚴(yán)重影響網(wǎng)絡(luò)的實(shí)時(shí)性能。為此，我們引入數(shù)字孿生增強(qiáng)優(yōu)化的思路，通過(guò)對(duì)波束域信號(hào)強(qiáng)度的擬合與預(yù)測(cè)，為優(yōu)化算法提供虛擬等效訓(xùn)練環(huán)境，使之不必實(shí)時(shí)保持和真實(shí)系統(tǒng)交互，從而實(shí)現(xiàn)安全探索，并利用孿生體中交互速度快的優(yōu)勢(shì)，大大增加算法的收斂速度。數(shù)字孿生網(wǎng)絡(luò)的基本功能，是將無(wú)線網(wǎng)絡(luò)中部分可獲取的數(shù)據(jù)，映射到優(yōu)化算法所需的關(guān)鍵信息，從而為后者提供所需的訓(xùn)練數(shù)據(jù)，并提供對(duì)網(wǎng)絡(luò)性能的實(shí)時(shí)預(yù)測(cè)。在每一輪網(wǎng)絡(luò)優(yōu)化中，數(shù)字孿生網(wǎng)絡(luò)可以基于對(duì)未來(lái)網(wǎng)絡(luò)狀態(tài)的預(yù)測(cè)結(jié)果，生成基于DRL的網(wǎng)絡(luò)智能優(yōu)化算法，使用預(yù)驗(yàn)證環(huán)境對(duì)其進(jìn)行訓(xùn)練（內(nèi)閉環(huán)），然后將生成的最優(yōu)策略下發(fā)至物理網(wǎng)絡(luò)，并且接收真實(shí)反饋結(jié)果對(duì)預(yù)驗(yàn)證環(huán)境進(jìn)行更新（外閉環(huán)）。同時(shí)，相較于單一場(chǎng)景的指標(biāo)預(yù)測(cè)，數(shù)字孿生網(wǎng)絡(luò)應(yīng)當(dāng)盡可能多功能化，以較小的建模成本適應(yīng)多種場(chǎng)景和任務(wù)的需求。目前，針對(duì)大規(guī)模MIMO網(wǎng)絡(luò)環(huán)境的數(shù)字孿生建模，通常采取基于仿真器的信道環(huán)境仿真。然而，一方面，仿真器的模型和參數(shù)設(shè)置不一定與實(shí)際環(huán)境相匹配，從而產(chǎn)生較大的建模誤差；另一方面，傳統(tǒng)仿真器的計(jì)算開銷通常較大，往往不能滿足實(shí)際網(wǎng)絡(luò)中高實(shí)時(shí)性的要求。而對(duì)于波束管理問(wèn)題，學(xué)界通常采用深度強(qiáng)化學(xué)習(xí)算法進(jìn)行智能探索與優(yōu)化，以取得由于傳統(tǒng)優(yōu)化算法和專家經(jīng)驗(yàn)的性能。然而，在多基站、多波束、多移動(dòng)用戶等高維動(dòng)態(tài)場(chǎng)景下，極高的動(dòng)作空間維度和環(huán)境復(fù)雜度使得常規(guī)的強(qiáng)化學(xué)習(xí)算法難以訓(xùn)練和收斂，其進(jìn)一步應(yīng)用受到了限制。2）方案設(shè)計(jì)在本用例中，采取基于相對(duì)信號(hào)強(qiáng)度（referencesignalreceivedpower，RSRP）映射的數(shù)字孿生網(wǎng)絡(luò)建模。基站首先采用部分訓(xùn)練波束進(jìn)行輪掃，從而獲得部分波束對(duì)應(yīng)的RSRP信息，采集數(shù)據(jù)，通過(guò)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，將部分波束RSRP映射為完整碼本上的RSRP，并進(jìn)一步預(yù)測(cè)SINR和速率等指標(biāo)，從而為深度強(qiáng)化學(xué)習(xí)算法提供必要的狀態(tài)和獎(jiǎng)勵(lì)預(yù)測(cè)，使之能夠脫離真實(shí)網(wǎng)絡(luò)環(huán)境，在數(shù)字孿生體中進(jìn)行獨(dú)立訓(xùn)練，避免了探索階段部分較差動(dòng)作對(duì)實(shí)際網(wǎng)絡(luò)性能的影響，實(shí)現(xiàn)安全探索。同時(shí)，由于省略了控制信號(hào)下發(fā)，基站參數(shù)配置，用戶數(shù)據(jù)上報(bào)等大量復(fù)雜流程，優(yōu)化算法與數(shù)字孿生網(wǎng)絡(luò)的交互時(shí)間通常遠(yuǎn)小于真實(shí)環(huán)境，因此在相同的時(shí)間范圍內(nèi)，優(yōu)化算法在數(shù)字孿生網(wǎng)絡(luò)中可以訓(xùn)練更多輪次。對(duì)于波束管理的優(yōu)化問(wèn)題，引入多智能體深度強(qiáng)化學(xué)習(xí)算法，將多基站多波束的高維組合優(yōu)化問(wèn)題分解為多個(gè)單波束決策的多智能體協(xié)作優(yōu)化問(wèn)題，從而有效解決問(wèn)題維度過(guò)高的問(wèn)題。通過(guò)在數(shù)字孿生網(wǎng)絡(luò)和真實(shí)環(huán)境中的多輪交替訓(xùn)練，可以在保證安全探索的同時(shí)有效提升收斂速度。在仿真實(shí)驗(yàn)中，采用數(shù)字孿生增強(qiáng)強(qiáng)化學(xué)習(xí)的技術(shù)，能夠提升10%以上的實(shí)時(shí)安全探索性能以及約5倍的收斂速度增益。3）挑戰(zhàn)與展望在未來(lái)的研究中，在上述數(shù)字孿生方案的基礎(chǔ)上，還需要考慮更復(fù)雜場(chǎng)景下，如混合預(yù)編碼和多維資源分配的數(shù)字孿生建模方案，以實(shí)現(xiàn)更貼合實(shí)際網(wǎng)絡(luò)架構(gòu)的建模和優(yōu)化。同時(shí)，還應(yīng)考慮數(shù)字孿生方案與下一代無(wú)線網(wǎng)絡(luò)協(xié)議與系統(tǒng)的兼容性，使數(shù)字孿生的構(gòu)想能夠以較低的開銷嵌入實(shí)際網(wǎng)絡(luò)環(huán)境并有效運(yùn)行。1）背景在無(wú)線網(wǎng)絡(luò)中，移動(dòng)用戶的視頻服務(wù)面臨著提高用戶體驗(yàn)和減少數(shù)據(jù)浪費(fèi)的嚴(yán)峻挑戰(zhàn)。由于時(shí)變的無(wú)線信道、用戶的位置移動(dòng)和基站的動(dòng)態(tài)資源分配，用戶的無(wú)線下行傳輸速率呈現(xiàn)出快速變化的特點(diǎn)。為了保證流暢的視頻播放，視頻應(yīng)用通常會(huì)預(yù)先緩存部分視頻內(nèi)容到本地。如果用戶在完全播放之前進(jìn)行視頻切換，已緩存但尚未觀看的視頻內(nèi)容會(huì)造成嚴(yán)重的數(shù)據(jù)流量浪費(fèi)。研究發(fā)現(xiàn)，用戶頻繁切換視頻會(huì)導(dǎo)致平均44.2%的數(shù)據(jù)損失。這一問(wèn)題會(huì)顯著增加用戶和視頻服務(wù)提供商的數(shù)據(jù)流量成本開銷，同時(shí)也會(huì)降低基站網(wǎng)絡(luò)資源利用率。因此，設(shè)計(jì)用戶個(gè)性化的視頻預(yù)緩存機(jī)制和動(dòng)態(tài)的網(wǎng)絡(luò)資源管理方案至關(guān)重要，它可以有效改善用戶體驗(yàn)并減少數(shù)據(jù)浪費(fèi)。此外，面向視頻服務(wù)的網(wǎng)絡(luò)資源分配優(yōu)化不僅可以改善用戶體驗(yàn)，還可以提高網(wǎng)絡(luò)資源的利用效率。然而，現(xiàn)有方法未能充分利用個(gè)性化的用戶特征，如移動(dòng)模式、觀看偏好、切換規(guī)律等，難以提供精準(zhǔn)的傳輸速率預(yù)測(cè)和視頻切換預(yù)測(cè)，從而無(wú)法實(shí)現(xiàn)短視頻預(yù)緩存和網(wǎng)絡(luò)資源管理的最優(yōu)化。為解決這一問(wèn)題，DTN技術(shù)可以有效挖掘用戶個(gè)性化特征?；谶@些特征建立更精準(zhǔn)的用戶行為模型，預(yù)測(cè)用戶的傳輸需求和視頻切換行為。同時(shí)，利用各種實(shí)時(shí)網(wǎng)絡(luò)狀態(tài)信息，在數(shù)字孿生網(wǎng)絡(luò)環(huán)境中尋找最優(yōu)資源分配方案以提高用戶體驗(yàn)和資源利用效率。該項(xiàng)研究的主要攻克的難點(diǎn)在于如何進(jìn)行用戶特征提取和網(wǎng)絡(luò)流量預(yù)測(cè)。首先，基于用戶歷史數(shù)據(jù)和實(shí)時(shí)運(yùn)行數(shù)據(jù)構(gòu)建用戶數(shù)字孿生體，利用卡爾曼濾波器、深度學(xué)習(xí)等方法實(shí)現(xiàn)傳輸速率和視頻切換概率的準(zhǔn)確預(yù)測(cè)，在此基礎(chǔ)上優(yōu)化視頻緩存決策。其次，基于DTN分析不同用戶個(gè)性化預(yù)緩存需求，從而對(duì)用戶流量需求和用戶的信道條件進(jìn)行預(yù)測(cè)，在此基礎(chǔ)上構(gòu)建網(wǎng)絡(luò)資源實(shí)時(shí)優(yōu)化問(wèn)題，設(shè)計(jì)智能的動(dòng)態(tài)網(wǎng)絡(luò)資源分配算法。現(xiàn)有的研究工作主要采用緩存控制和比特率自適應(yīng)調(diào)整的方法來(lái)優(yōu)化用戶觀看視頻的體驗(yàn)具體來(lái)說(shuō)，一方面結(jié)合人工經(jīng)驗(yàn)和網(wǎng)絡(luò)環(huán)境動(dòng)態(tài)調(diào)整視頻緩沖區(qū)大小以控制視頻緩存量，從而減少未觀看視頻數(shù)據(jù)的浪費(fèi)。考慮到視頻播放進(jìn)度對(duì)視頻切換的影響，因?yàn)橄嚓P(guān)研究發(fā)現(xiàn)播放時(shí)間越長(zhǎng)，視頻切換的概率隨之降低，所以也有方案提出根據(jù)視頻播放進(jìn)度對(duì)緩存空間進(jìn)行動(dòng)態(tài)調(diào)整。另一方面，自適應(yīng)地調(diào)整視頻比特率版本可以減輕網(wǎng)絡(luò)吞吐量波動(dòng)對(duì)視頻播放卡頓問(wèn)題的影響，從而改善用戶的視頻觀看體驗(yàn)。然而，這些研究并沒(méi)有充分考慮用戶個(gè)性化觀看偏好和視頻切換行為對(duì)系統(tǒng)性能的影響，也沒(méi)有從基站側(cè)考慮動(dòng)態(tài)分配通信資源來(lái)改善用戶體驗(yàn)。因此，利用數(shù)字孿生網(wǎng)絡(luò)技術(shù)可以從用戶數(shù)據(jù)分析用戶在視頻業(yè)務(wù)中的關(guān)鍵行為特征，并基于此設(shè)計(jì)用戶個(gè)性化緩存控制和比特率自適應(yīng)方案進(jìn)一步改善用戶體驗(yàn)。2）方案設(shè)計(jì)為了實(shí)現(xiàn)用戶視頻體驗(yàn)和資源利用效率的提升，該項(xiàng)研究提出了面向視頻業(yè)務(wù)的DTN框架，主要包括數(shù)據(jù)收集與分析、用戶特征提取與預(yù)緩存、網(wǎng)絡(luò)資源分配與預(yù)驗(yàn)證三個(gè)核心功能模塊。其中，數(shù)據(jù)收集與分析模塊負(fù)責(zé)收集用戶位置、緩存、播放時(shí)長(zhǎng)等數(shù)據(jù)，以及基站資源存量、視頻用戶數(shù)量、流量負(fù)載等數(shù)據(jù)；用戶特征提取與預(yù)緩存模塊負(fù)責(zé)構(gòu)建移動(dòng)用戶的數(shù)字孿生體，利用統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)等技術(shù)構(gòu)建用戶個(gè)性化QoE模型，對(duì)用戶位置、視頻觀看偏好、視頻切換模式等特征進(jìn)行提取和預(yù)測(cè)，進(jìn)而自適應(yīng)調(diào)整用戶預(yù)緩存決策；網(wǎng)絡(luò)資源分配與預(yù)驗(yàn)證負(fù)責(zé)動(dòng)態(tài)分配網(wǎng)絡(luò)資源，并且在孿生環(huán)境中預(yù)驗(yàn)證網(wǎng)絡(luò)資源分配算法性能，提高決策的有效性和魯棒性。基于開源短視頻仿真軟件進(jìn)行了大量仿真實(shí)驗(yàn)，仿真結(jié)果顯示用戶體驗(yàn)質(zhì)量（QoE）提升10%，數(shù)據(jù)流量浪費(fèi)減少30%。3）挑戰(zhàn)與展望未來(lái)的研究挑戰(zhàn)主要來(lái)自于用戶隱私和預(yù)測(cè)誤差。首先，實(shí)時(shí)用戶數(shù)據(jù)收集需要用戶短視頻應(yīng)用開放設(shè)備內(nèi)部實(shí)時(shí)運(yùn)行狀態(tài)數(shù)據(jù)，面臨著用戶隱私保護(hù)問(wèn)題。為了解決這一難題，可以采取數(shù)據(jù)加密或者在本地進(jìn)行模型訓(xùn)練的方式，以避免用戶隱私泄漏。其次，無(wú)線信道變化難測(cè)，難以實(shí)現(xiàn)對(duì)用戶傳輸速率的精確預(yù)測(cè)。通過(guò)聯(lián)合設(shè)計(jì)優(yōu)化資源分配和緩存策略，可以提高所提方案的魯棒性，從而減輕用戶傳輸速率預(yù)測(cè)誤差對(duì)系統(tǒng)性能的影響。1）背景IMT-2030（6G）在通信增強(qiáng)方面擴(kuò)展了出了三個(gè)場(chǎng)景，分別是：沉浸式通信、超大規(guī)模連接、超可靠低時(shí)延通信，以改善數(shù)據(jù)速率、區(qū)域流量容量、連接密度、時(shí)延和可靠性。該愿景目標(biāo)將對(duì)現(xiàn)有通信網(wǎng)絡(luò)引入更高的復(fù)雜度，導(dǎo)致原有運(yùn)營(yíng)/運(yùn)維能力難以匹配網(wǎng)絡(luò)的演進(jìn)需求。此外，6G還將衍生更為豐富的新形態(tài)業(yè)務(wù)場(chǎng)景，如沉浸式通信、移動(dòng)算力網(wǎng)絡(luò)、智慧城市等業(yè)務(wù)，這一趨勢(shì)也對(duì)網(wǎng)絡(luò)的運(yùn)營(yíng)/運(yùn)維能力提出了新的挑戰(zhàn)。為提升網(wǎng)絡(luò)運(yùn)營(yíng)體驗(yàn)，降低運(yùn)網(wǎng)絡(luò)優(yōu)化復(fù)雜度，可基于數(shù)字孿生技術(shù)提供網(wǎng)絡(luò)數(shù)字體驗(yàn)地圖能力，支撐流量?jī)r(jià)值可視與策略仿真尋優(yōu)。2）方案設(shè)計(jì)為實(shí)現(xiàn)體驗(yàn)地圖孿生模型構(gòu)建，需提供大規(guī)模實(shí)時(shí)數(shù)據(jù)采集能力獲取全網(wǎng)設(shè)備、網(wǎng)元分布、運(yùn)行指標(biāo)、業(yè)務(wù)體驗(yàn)等信息，以準(zhǔn)確反映用戶真實(shí)業(yè)務(wù)體驗(yàn)。這一過(guò)程涉及網(wǎng)絡(luò)數(shù)據(jù)、業(yè)務(wù)體驗(yàn)數(shù)據(jù)的大規(guī)模采集，依賴于數(shù)據(jù)高效采集機(jī)制的支撐。此外，網(wǎng)絡(luò)決策驗(yàn)證環(huán)節(jié)存在訓(xùn)練數(shù)據(jù)有限的問(wèn)題，為提升業(yè)務(wù)仿真精度與決策準(zhǔn)確度，需基于孿生模型+知識(shí)庫(kù)等能力構(gòu)建數(shù)據(jù)生成能力，以生成足夠訓(xùn)練數(shù)據(jù)集滿足仿真需求。業(yè)務(wù)網(wǎng)絡(luò)數(shù)字體驗(yàn)地圖能力的構(gòu)建主要涉及以下關(guān)鍵技術(shù)實(shí)現(xiàn)流程：模型定義及訓(xùn)練：基于物理網(wǎng)絡(luò)構(gòu)建數(shù)字地圖孿生模型，支撐從物理網(wǎng)絡(luò)收集實(shí)時(shí)信息以映射至孿生模型。物理網(wǎng)絡(luò)建模同時(shí)涉及白盒機(jī)理模型和黑盒仿真模型兩種方式，其中白盒機(jī)理模型主要用于模擬終端行為、物理衰減、無(wú)線調(diào)度等機(jī)制，黑盒仿真則主要用于以函數(shù)逼近以生成調(diào)度映射模型。數(shù)據(jù)平臺(tái)化能力：主要數(shù)據(jù)來(lái)源包括OM、控制面網(wǎng)元、用戶面網(wǎng)元等節(jié)點(diǎn)。借助集群化的時(shí)序數(shù)據(jù)庫(kù)，以及大數(shù)據(jù)分析基礎(chǔ)設(shè)施，實(shí)現(xiàn)歷史質(zhì)差數(shù)據(jù)等海量時(shí)序數(shù)據(jù)的存儲(chǔ)、分析。借助圖數(shù)據(jù)庫(kù)技術(shù)，實(shí)現(xiàn)拓?fù)潢P(guān)系數(shù)據(jù)等海量的孿生體及其相互關(guān)系數(shù)據(jù)的存儲(chǔ)。策略仿真尋優(yōu)：支持按需構(gòu)建策略仿真任務(wù)，執(zhí)行迭代尋優(yōu)以獲取策略尋優(yōu)結(jié)果。通過(guò)對(duì)仿真任務(wù)進(jìn)行拆解，生成匹配需求的預(yù)執(zhí)行策略，并由仿真中心執(zhí)行預(yù)執(zhí)行策略仿真，返回仿真結(jié)果反饋?；谠u(píng)估機(jī)制對(duì)策略仿真結(jié)果進(jìn)行評(píng)估，以完成策略尋優(yōu)，進(jìn)而下發(fā)物理網(wǎng)絡(luò)進(jìn)行實(shí)施。通過(guò)與物理網(wǎng)絡(luò)交互完成策略下發(fā)并獲取策略運(yùn)行結(jié)果，推動(dòng)模型能力優(yōu)化。圖2.5.3-1數(shù)字體驗(yàn)地圖業(yè)務(wù)孿生功能架構(gòu)通過(guò)基于數(shù)字孿生技術(shù)提供網(wǎng)絡(luò)數(shù)字體驗(yàn)地圖能力，可滿足：n全網(wǎng)流量?jī)r(jià)值可視化以數(shù)字地圖形式呈現(xiàn)全網(wǎng)設(shè)備、網(wǎng)元的分布、運(yùn)行指標(biāo)、業(yè)務(wù)體驗(yàn)/小區(qū)負(fù)載熱力圖，體現(xiàn)全網(wǎng)整體運(yùn)行狀態(tài)，實(shí)時(shí)把控用戶真實(shí)體驗(yàn)。n快速試錯(cuò)采用沙箱機(jī)制模擬現(xiàn)網(wǎng)環(huán)境，執(zhí)行策略驗(yàn)證，通過(guò)仿真模型快速預(yù)測(cè)并呈現(xiàn)實(shí)施效果，為真實(shí)環(huán)境策略的下發(fā)提供決策基礎(chǔ)。n流量數(shù)據(jù)生成通過(guò)數(shù)字孿生生成網(wǎng)絡(luò)運(yùn)行態(tài)數(shù)據(jù)，為下游AI特性提供訓(xùn)練數(shù)據(jù)集。3）挑戰(zhàn)與展望數(shù)據(jù)實(shí)時(shí)分析可能導(dǎo)致中心集群處理性能以及帶寬需求過(guò)高，導(dǎo)致仿真驗(yàn)證無(wú)法達(dá)成預(yù)期OPEX收益效果。此外，非故障/擁塞場(chǎng)景下的實(shí)時(shí)數(shù)據(jù)采集也可能導(dǎo)致不必要的網(wǎng)絡(luò)性能開銷。為緩解這一問(wèn)題，或許可以借助集群化的時(shí)序數(shù)據(jù)庫(kù)以及大數(shù)據(jù)分析基礎(chǔ)設(shè)施，實(shí)現(xiàn)海量時(shí)序數(shù)據(jù)的存儲(chǔ)與分析能力。1）背景網(wǎng)絡(luò)切片能夠有效平衡不同業(yè)務(wù)間的差異化指標(biāo)對(duì)無(wú)線通信網(wǎng)絡(luò)資源的需求，是下一代無(wú)線通信網(wǎng)絡(luò)中一項(xiàng)頗有前景的技術(shù)。然而，由于信道環(huán)境的多變性和資源分配問(wèn)題的搞復(fù)雜度，實(shí)現(xiàn)精準(zhǔn)的實(shí)時(shí)資源調(diào)度十分困難。盡管深度強(qiáng)化學(xué)習(xí)等智能優(yōu)化算法能在一定程度上提升切片性能，然而高頻率的交互探索不僅開銷極大，而且可能嚴(yán)重影響網(wǎng)絡(luò)的實(shí)時(shí)性能。因此，本用例中引入數(shù)字孿生增強(qiáng)的方案，實(shí)現(xiàn)網(wǎng)絡(luò)切片的智能優(yōu)化。目前，部分研究中采用圖神經(jīng)網(wǎng)絡(luò)，將核心網(wǎng)的節(jié)點(diǎn)連接關(guān)系表征為圖結(jié)構(gòu)，從而對(duì)核心網(wǎng)切片問(wèn)題進(jìn)行數(shù)字孿生建模。然而，面對(duì)復(fù)雜的無(wú)線信道環(huán)境，針對(duì)接入網(wǎng)切片的數(shù)字孿生建模尚鮮有研究。2）方案設(shè)計(jì)針對(duì)智能RAN切片問(wèn)題，實(shí)現(xiàn)無(wú)線切片網(wǎng)絡(luò)信息物理深度融合，促進(jìn)數(shù)字化轉(zhuǎn)型和智能化提升,實(shí)現(xiàn)高穩(wěn)定性的智能接入網(wǎng)切片技術(shù)，減輕切片策略優(yōu)化與實(shí)際系統(tǒng)之間的交互開銷,是一項(xiàng)極具研究?jī)r(jià)值的工作。基于孿生模型，使用系統(tǒng)收集的歷史數(shù)據(jù)通過(guò)模擬真實(shí)網(wǎng)絡(luò)的狀態(tài)變化規(guī)律，生成RAN網(wǎng)絡(luò)在各種情況下的行為與性能仿真數(shù)據(jù)，在獲得全面、足量數(shù)據(jù)的前提下，構(gòu)建性能與評(píng)估預(yù)測(cè)模型，并通過(guò)智能優(yōu)化方法優(yōu)化性能。在智能網(wǎng)絡(luò)與真實(shí)環(huán)境近實(shí)時(shí)交互的過(guò)程中，將數(shù)字孿生體作為預(yù)驗(yàn)證系統(tǒng)，采用虛擬對(duì)抗訓(xùn)練的方法增強(qiáng)智能優(yōu)化算法的魯棒性。本用例中，將網(wǎng)絡(luò)切片建模為長(zhǎng)時(shí)優(yōu)化問(wèn)題，收集歷史數(shù)據(jù)以模擬網(wǎng)絡(luò)環(huán)境的狀態(tài)轉(zhuǎn)移過(guò)程。利用LSTM網(wǎng)絡(luò)對(duì)狀態(tài)轉(zhuǎn)移過(guò)程進(jìn)行預(yù)測(cè)，同時(shí)利用深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)相應(yīng)狀態(tài)轉(zhuǎn)移產(chǎn)生的獎(jiǎng)勵(lì)信息，從而為深度強(qiáng)化學(xué)習(xí)算法提供所需的訓(xùn)練信息支持，形成可提供預(yù)驗(yàn)證功能的數(shù)字孿生網(wǎng)絡(luò)。同時(shí)基于知識(shí)蒸餾，可得到進(jìn)一步輕量化的模型。通過(guò)數(shù)字孿生增強(qiáng)的深度強(qiáng)化學(xué)習(xí)，可顯著提升網(wǎng)絡(luò)切片優(yōu)化的性能。3）挑戰(zhàn)與展望在未來(lái)的研究工作中，值得關(guān)注的難點(diǎn)包括，如何進(jìn)一步減小數(shù)字孿生網(wǎng)絡(luò)的建模成本，結(jié)合基于生成式學(xué)習(xí)的數(shù)據(jù)增強(qiáng)技術(shù)，在有限采樣的情況下生成足夠支撐訓(xùn)練的高質(zhì)量數(shù)據(jù)；如何進(jìn)一步優(yōu)化智能算法與數(shù)字孿生體的協(xié)同優(yōu)化策略，特別是面向未訓(xùn)練過(guò)的新場(chǎng)景或新業(yè)務(wù)，如何利用增量學(xué)習(xí)和遷移學(xué)習(xí)等技術(shù)，實(shí)現(xiàn)數(shù)字孿生網(wǎng)絡(luò)的快速自適應(yīng)和優(yōu)化算法的高效遷移。1）背景CSI的精確獲取是大規(guī)模天線發(fā)揮效能的關(guān)鍵。隨著天線規(guī)模的增大，CSI反饋的開銷也越來(lái)越大，因此基于AI的CSI壓縮反饋方法被提出。然而，在現(xiàn)有基于AI的CSI壓縮反饋研究過(guò)程中，多針對(duì)當(dāng)前數(shù)據(jù)集開展，缺乏模型泛化性驗(yàn)證的環(huán)境，同時(shí)在進(jìn)行模型效果評(píng)估時(shí)僅考慮壓縮比和NMSE等傳統(tǒng)指標(biāo)，沒(méi)有將AI模型嵌入到通信過(guò)程中且提供端到端的網(wǎng)絡(luò)性能評(píng)估指標(biāo)的仿真環(huán)境?；贒TN技術(shù)可以構(gòu)建一個(gè)統(tǒng)一的CSI壓縮反饋學(xué)習(xí)環(huán)境，在孿生環(huán)境中可提供多樣化的數(shù)據(jù)集及數(shù)據(jù)集生成能力，滿足模型精度和泛化性不同研究目標(biāo)?；谖锢砭W(wǎng)絡(luò)孿生的環(huán)境中運(yùn)行空口和網(wǎng)元智能模型，進(jìn)行系統(tǒng)級(jí)多維度性能指標(biāo)驗(yàn)證，作為AI模型在設(shè)備支持和現(xiàn)網(wǎng)應(yīng)用前的實(shí)用效果進(jìn)行全面評(píng)估。2）方案設(shè)計(jì)借助DTN技術(shù)構(gòu)建基于外場(chǎng)真實(shí)網(wǎng)絡(luò)的CSI壓縮反饋研究環(huán)境及仿真能力，支持多種信道參數(shù)配置滿足不同研究目的，基于孿生的系統(tǒng)仿真能力，為空口AI模型提供多維度指標(biāo)評(píng)估及驗(yàn)證環(huán)境。方案主要包括以下幾部分：（1）構(gòu)建基于外場(chǎng)真實(shí)環(huán)境+AI校準(zhǔn)的CSI壓縮反饋研究孿生環(huán)境及仿真能力，支持多樣化AI模型研究。使用外場(chǎng)真實(shí)網(wǎng)絡(luò)環(huán)境信息（包括地理地貌、基站工參、用戶軌跡等）進(jìn)行信道孿生，并通過(guò)AI模型校準(zhǔn)信道孿生結(jié)果，在孿生環(huán)境中支持用戶生成各種信道場(chǎng)景、信道參數(shù)下的信道數(shù)據(jù)集?；谠搶\生環(huán)境提供的仿真能力及數(shù)據(jù)可滿足AI模型精度及模型泛化性等多種研究需求。（2）CSI壓縮反饋AI模型網(wǎng)絡(luò)閉環(huán)驗(yàn)證、評(píng)估。通過(guò)構(gòu)建的基于外場(chǎng)真實(shí)環(huán)境孿生和基站設(shè)備功能孿生，將CSI壓縮反饋AI模型應(yīng)用到孿生設(shè)備的相應(yīng)模塊中完成流程串接，推演模型在真實(shí)網(wǎng)絡(luò)中的性能指標(biāo)。在孿生環(huán)境中不僅能夠從NMSE、壓縮比、推理時(shí)長(zhǎng)評(píng)估模型效果，還提供了下行業(yè)務(wù)量、下行速率、下行BLER等網(wǎng)絡(luò)性能指標(biāo)用于評(píng)估模型效果，可在孿生環(huán)境中不斷推演AI模型對(duì)性能指標(biāo)的影響，支持AI模型的不斷調(diào)優(yōu)、驗(yàn)證。為支持本場(chǎng)景應(yīng)用，孿生基站設(shè)備需要支持網(wǎng)元多功能模塊的解耦和靈活替換接口，為多種網(wǎng)元智能模型提供系統(tǒng)運(yùn)行環(huán)境，通過(guò)孿生多區(qū)域傳播環(huán)境提供多樣化的信道場(chǎng)景及信道參數(shù)配置，為模型的泛化性驗(yàn)證優(yōu)化提供設(shè)備支持和入網(wǎng)前的充分試驗(yàn)環(huán)境。圖2.5.5-1孿生基站設(shè)備支持智能CSI壓縮模型的功能接口3）挑戰(zhàn)與展望目前基站側(cè)無(wú)法輸出CSI壓縮反饋研究所需的信道數(shù)據(jù)，無(wú)法支持基于真實(shí)基站數(shù)據(jù)構(gòu)建孿生環(huán)境，導(dǎo)致當(dāng)前構(gòu)建的CSI壓縮反饋孿生環(huán)境與外場(chǎng)真實(shí)無(wú)線環(huán)境和設(shè)備仍存在差異。后續(xù)建議聯(lián)合行業(yè)設(shè)備商推進(jìn)網(wǎng)元智能化數(shù)據(jù)接口開放研究，開放更多數(shù)據(jù)支撐空口智能化孿生環(huán)境構(gòu)建和技術(shù)發(fā)展。1）背景在日常網(wǎng)絡(luò)優(yōu)化中，演唱會(huì)、賽事開幕式等重點(diǎn)活動(dòng)保障場(chǎng)景具備話務(wù)量大、用戶數(shù)多、觀眾媒體聚集等特點(diǎn)，如果網(wǎng)絡(luò)出現(xiàn)故障或中斷，將會(huì)對(duì)用戶體驗(yàn)滿意度產(chǎn)生巨大影響。因此，必須采取多種保障措施來(lái)確保網(wǎng)絡(luò)的穩(wěn)定性和可靠性，提供重大活動(dòng)期間的優(yōu)質(zhì)通信服務(wù)。目前已有的保障手段，多針對(duì)活動(dòng)特點(diǎn)和規(guī)模，依托專家經(jīng)驗(yàn)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)、配置及資源的優(yōu)化和效果預(yù)判，缺乏重大活動(dòng)場(chǎng)景和業(yè)務(wù)復(fù)現(xiàn)條件，難以進(jìn)行事前預(yù)演及效果驗(yàn)證，當(dāng)保障活動(dòng)期間出現(xiàn)突發(fā)狀況時(shí)，因?qū)崟r(shí)數(shù)據(jù)獲取困難及臨時(shí)方案調(diào)整的未知風(fēng)險(xiǎn)，也難以及時(shí)應(yīng)對(duì)、解決問(wèn)題。因此，基于孿生技術(shù)針對(duì)保障活動(dòng)區(qū)域的場(chǎng)景、大體量用戶動(dòng)態(tài)行為、網(wǎng)絡(luò)業(yè)務(wù)和性能指標(biāo)進(jìn)行模擬推演，進(jìn)而對(duì)不同保障方案的實(shí)用效果進(jìn)行事前驗(yàn)證和事中監(jiān)控同步，對(duì)保障工作的順利開展尤為重要。同時(shí)考慮到通信網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、用戶上網(wǎng)行為與保障場(chǎng)景物理環(huán)境的多種異構(gòu)信息融合分析呈現(xiàn)復(fù)雜度，通常需要3D仿真擴(kuò)展空間維度，并結(jié)合可視化技術(shù)，使得仿真結(jié)果可以更直觀地呈現(xiàn)，便于保障人員理解網(wǎng)絡(luò)拓?fù)?觀察重保場(chǎng)景網(wǎng)絡(luò)中數(shù)據(jù)傳輸路徑、擁塞情況、性能風(fēng)險(xiǎn)，并進(jìn)行優(yōu)化解決。2）方案設(shè)計(jì)大話務(wù)保障場(chǎng)景優(yōu)化借助現(xiàn)網(wǎng)數(shù)據(jù)、AI算法及通信業(yè)務(wù)知識(shí)，分別對(duì)用戶移動(dòng)及上網(wǎng)業(yè)務(wù)行為、基站覆蓋及容量性能指標(biāo)進(jìn)行孿生還原及模擬推演，進(jìn)而支持各類保障方案對(duì)應(yīng)的參數(shù)配置優(yōu)化與效果預(yù)驗(yàn)證，助力保障工作順利開展。用戶軌跡孿生方面，首先通過(guò)小區(qū)用戶數(shù)分析及地圖道路數(shù)據(jù)提取，關(guān)聯(lián)小區(qū)位置信息、物理環(huán)境POI(PointofInterest)類別和用戶級(jí)小區(qū)遷移信息，完成用戶在地圖上POI間的大范圍宏觀移動(dòng)軌跡生成。其次結(jié)合活動(dòng)場(chǎng)館、園區(qū)范圍內(nèi)小區(qū)用戶數(shù)變化趨勢(shì)、各出入口的用戶數(shù)量比例及用戶與目的地間的吸引力、排斥力模型，完成用戶在活動(dòng)區(qū)域內(nèi)的微觀移動(dòng)軌跡生成，最后通過(guò)柵格級(jí)用戶數(shù)統(tǒng)計(jì)、用戶遷移趨勢(shì)分析，可完成保障活動(dòng)期間大規(guī)模用戶聚集、集中遷移等高風(fēng)險(xiǎn)行為預(yù)測(cè)，提前暴露并解決問(wèn)題。用戶業(yè)務(wù)孿生方面，結(jié)合真實(shí)用戶行為采樣及數(shù)據(jù)抓包分析，基于歷史業(yè)務(wù)分布模型及生成式AI算法，實(shí)現(xiàn)大話務(wù)場(chǎng)景下不同時(shí)段用戶發(fā)起的主流上網(wǎng)業(yè)務(wù)類型建模及各類APP數(shù)據(jù)業(yè)務(wù)包模擬生成。結(jié)合用戶位置信息，為保障活動(dòng)期間網(wǎng)絡(luò)性能推演提供符合真實(shí)場(chǎng)景的用戶業(yè)務(wù)發(fā)起行為。圖2.5.6-1結(jié)合城市活動(dòng)數(shù)據(jù)和多種業(yè)務(wù)序列數(shù)據(jù)學(xué)習(xí)的用戶業(yè)務(wù)行為孿生基站性能孿生方面，構(gòu)建與保障區(qū)域環(huán)境、基站分布、組網(wǎng)配置一致的無(wú)線孿生系統(tǒng)，對(duì)接用戶軌跡和業(yè)務(wù)行為孿生模型，對(duì)不同保障方案進(jìn)行保障活動(dòng)期間用戶的動(dòng)態(tài)移動(dòng)和重點(diǎn)網(wǎng)絡(luò)性能指標(biāo)模擬推演，全流程還原保障活動(dòng)期間網(wǎng)絡(luò)性能變化情況，從而針對(duì)網(wǎng)絡(luò)性能瓶頸進(jìn)行事前告警。為支持靈活的保障方案演練，需要在用戶行為、基站性能建模時(shí)支持多種配置條件變化的模擬推演。用戶行為孿生方面，支持對(duì)不同用戶規(guī)模、終端比例、道路封控等社會(huì)事件的條件配置，完成對(duì)不同類型保障活動(dòng)期間的用戶行為模擬推演效果；基站性能孿生方面，支持對(duì)不同的基站天線參數(shù)、調(diào)度及功控算法等網(wǎng)絡(luò)配置，以及不同資源分配方案如應(yīng)急通信車資源分配、同頻/異頻/異系統(tǒng)組網(wǎng)協(xié)同的模擬演練，完成不同活動(dòng)保障方案的效果評(píng)估預(yù)演，支持制定最優(yōu)的保障措施，促進(jìn)保障工作順利完成。大話務(wù)場(chǎng)景孿生能力可應(yīng)用于各類演出、重大賽事、重大活動(dòng)等場(chǎng)景萬(wàn)量級(jí)用戶業(yè)務(wù)和網(wǎng)絡(luò)性能的模擬保障，實(shí)現(xiàn)對(duì)區(qū)域內(nèi)所有小區(qū)5min粒度柵格級(jí)覆蓋及用戶數(shù)、小區(qū)級(jí)用戶數(shù)、PRB利用率、用戶速率、吞吐量等重要指標(biāo)仿真評(píng)估，提前定位topN重點(diǎn)保障小區(qū)，提高保障效率和效果。針對(duì)大話務(wù)場(chǎng)景網(wǎng)絡(luò)性能可視化建模，可實(shí)現(xiàn)通信網(wǎng)絡(luò)所在地理地貌，通信網(wǎng)元設(shè)備、人流車流遷移動(dòng)向、網(wǎng)絡(luò)參數(shù)配置與性能指標(biāo)、保障場(chǎng)景風(fēng)險(xiǎn)區(qū)域與時(shí)段的設(shè)計(jì)呈現(xiàn)，讓網(wǎng)絡(luò)從不可見到可見。另外，通過(guò)對(duì)大話務(wù)場(chǎng)景區(qū)域周邊的人流、網(wǎng)絡(luò)性能的仿真生成及用戶擁塞時(shí)段地點(diǎn)呈現(xiàn)，實(shí)現(xiàn)了保障工作的風(fēng)險(xiǎn)直觀呈現(xiàn)及方案效果模擬。下圖展示了大話務(wù)場(chǎng)景孿生和可視化技術(shù)應(yīng)用于杭州亞運(yùn)會(huì)開閉幕式和賽事的重點(diǎn)場(chǎng)館保障工作。圖2.5.6-2設(shè)備、人流、覆蓋及波束孿生可視化圖2.5.6-3杭州亞運(yùn)會(huì)重點(diǎn)場(chǎng)景保障孿生推演3）挑戰(zhàn)與展望目前各類大話務(wù)保障需要一線生產(chǎn)人員提供準(zhǔn)確的活動(dòng)信息、大致的參與用戶規(guī)模，對(duì)歷史數(shù)據(jù)缺失的活動(dòng)類型仿真效果不佳，面向交通管制、道路封控等引起大話務(wù)活動(dòng)區(qū)域周邊物理環(huán)境變化的情況適配度較差。同時(shí)跨場(chǎng)景的快速可視化建模及現(xiàn)網(wǎng)數(shù)據(jù)導(dǎo)入仍存在工程實(shí)現(xiàn)困難，需要從AI算法模型泛化性、小樣本數(shù)據(jù)遷移性、基于AIGC的可視化建模等技術(shù)方面進(jìn)行攻關(guān)突破。本章根據(jù)DTN實(shí)踐案例，對(duì)DTN實(shí)踐啟示進(jìn)行凝練，包括DTN核心價(jià)值啟示、DTN網(wǎng)絡(luò)架構(gòu)啟示、DTN關(guān)鍵技術(shù)啟示、DTN演進(jìn)路線啟示及DTN標(biāo)準(zhǔn)化啟示。3.1DTN核心價(jià)值啟示根據(jù)DTN實(shí)踐案例，DTN核心價(jià)值可以凝練為三個(gè)方面：網(wǎng)絡(luò)高精度預(yù)測(cè)與仿真、網(wǎng)絡(luò)狀態(tài)精準(zhǔn)呈現(xiàn)與智能決策、網(wǎng)絡(luò)假設(shè)推演與策略預(yù)驗(yàn)證。下面對(duì)這三個(gè)方面進(jìn)行介紹。由眾多DTN實(shí)踐案例可知，在網(wǎng)絡(luò)全生命周期管理中，網(wǎng)絡(luò)依賴DTN對(duì)業(yè)務(wù)流量、網(wǎng)絡(luò)環(huán)境、網(wǎng)元狀態(tài)等進(jìn)行高精度預(yù)測(cè)與仿真，為不同階段提供可靠的網(wǎng)絡(luò)策略目標(biāo)和依據(jù)。具體來(lái)說(shuō)，網(wǎng)絡(luò)規(guī)劃階段需要DTN對(duì)業(yè)務(wù)流量、站址價(jià)值、無(wú)線環(huán)境等的高精確預(yù)測(cè)，并對(duì)規(guī)劃策略的性能進(jìn)行預(yù)測(cè)仿真；網(wǎng)絡(luò)維護(hù)階段需要DTN對(duì)全局網(wǎng)絡(luò)故障進(jìn)行預(yù)測(cè)，并對(duì)容災(zāi)策略進(jìn)行提前仿真；網(wǎng)絡(luò)優(yōu)化階段依賴DTN對(duì)網(wǎng)絡(luò)環(huán)境、業(yè)務(wù)需求進(jìn)行動(dòng)態(tài)感知預(yù)測(cè)，并對(duì)優(yōu)化策略性能進(jìn)行仿真驗(yàn)證。為了實(shí)現(xiàn)高精度網(wǎng)絡(luò)預(yù)測(cè)與仿真，需要逐步對(duì)單網(wǎng)元節(jié)點(diǎn)、端到端網(wǎng)絡(luò)以及業(yè)務(wù)開展研究。首先，單網(wǎng)元節(jié)點(diǎn)的數(shù)字孿生建模對(duì)于網(wǎng)絡(luò)高精度預(yù)測(cè)與仿真至關(guān)重要，其價(jià)值在于提升網(wǎng)絡(luò)管理的智能化水平，增強(qiáng)了網(wǎng)絡(luò)系統(tǒng)的可靠性和效率，同時(shí)為未來(lái)的網(wǎng)絡(luò)規(guī)劃、建設(shè)、優(yōu)化、運(yùn)營(yíng)提供了強(qiáng)有力的支持手段。通過(guò)單網(wǎng)元級(jí)別的通信能力與業(yè)務(wù)建模，數(shù)字孿生模型能夠精確復(fù)制物理世界的網(wǎng)元節(jié)點(diǎn)屬性和行為，通過(guò)模擬和仿真，可以預(yù)見不同條件下的網(wǎng)絡(luò)性能表現(xiàn)，如流量負(fù)載、故障發(fā)生后的系統(tǒng)響應(yīng)、升級(jí)優(yōu)化后的效果等，從而進(jìn)行高精度的前瞻性預(yù)測(cè)。其次，端到端網(wǎng)絡(luò)孿生模型包括信道模型、無(wú)線接入網(wǎng)、核心網(wǎng)、承載網(wǎng)、業(yè)務(wù)等整個(gè)通信過(guò)程所涉及到的孿生模型。在具體實(shí)現(xiàn)過(guò)程中，可以在核心網(wǎng)和業(yè)務(wù)層的基礎(chǔ)上融入虛擬化的信號(hào)傳播物理環(huán)境，例如，基于物理環(huán)境數(shù)字重構(gòu)對(duì)復(fù)雜環(huán)境下的無(wú)線信道質(zhì)量、區(qū)域覆蓋質(zhì)量進(jìn)行高精度預(yù)測(cè)，實(shí)現(xiàn)整個(gè)通信過(guò)程的全流程數(shù)字孿生，由此更加真實(shí)地模擬通信業(yè)務(wù)性能。進(jìn)一步，可以融合真實(shí)或虛擬終端設(shè)備，實(shí)現(xiàn)半實(shí)物或全虛擬的通信性能推演和仿真驗(yàn)證，以更好地預(yù)測(cè)網(wǎng)絡(luò)服務(wù)質(zhì)量、優(yōu)化無(wú)線策略以及預(yù)測(cè)通信終端裝備性能。最后，網(wǎng)絡(luò)業(yè)務(wù)流量實(shí)時(shí)預(yù)測(cè)可將業(yè)務(wù)量預(yù)測(cè)結(jié)果作為可信依據(jù)，輔助網(wǎng)優(yōu)人員在網(wǎng)絡(luò)環(huán)境進(jìn)行仿真推演，進(jìn)行通信資源的合理分配，賦能網(wǎng)優(yōu)領(lǐng)域的“需建統(tǒng)一”。在網(wǎng)絡(luò)孿生層引入業(yè)務(wù)預(yù)測(cè)能力，一方面為孿生體的建立和推演提供了強(qiáng)大的“類腦”，另一方面則以數(shù)據(jù)為驅(qū)動(dòng)，取代了傳統(tǒng)模式下高度依賴人工的業(yè)務(wù)調(diào)整模式，實(shí)現(xiàn)了該領(lǐng)域的成本壓降以及效能提升。在網(wǎng)絡(luò)全生命周期管理中，DTN通過(guò)現(xiàn)網(wǎng)數(shù)據(jù)實(shí)時(shí)采集同步，對(duì)真實(shí)網(wǎng)絡(luò)下的用戶行為、信道環(huán)境、網(wǎng)元運(yùn)行狀態(tài)甚至內(nèi)部運(yùn)行機(jī)理進(jìn)行精準(zhǔn)建模仿真與復(fù)現(xiàn)還原，疊加必要的可視化能力甚至3D建模技術(shù)，極大提高了網(wǎng)絡(luò)狀態(tài)呈現(xiàn)的準(zhǔn)確度，有助于智能決策。具體來(lái)說(shuō)，網(wǎng)絡(luò)建設(shè)階段需要DTN對(duì)機(jī)房環(huán)境、機(jī)柜管線、空調(diào)制冷等設(shè)備運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)呈現(xiàn)，并