<meter id="nx1pr"><font id="nx1pr"><menuitem id="nx1pr"></menuitem></font></meter>

<listing id="nx1pr"><font id="nx1pr"></font></listing>
<menuitem id="nx1pr"><font id="nx1pr"></font></menuitem>

      <font id="nx1pr"></font>

      <var id="nx1pr"><var id="nx1pr"><delect id="nx1pr"></delect></var></var>
      <track id="nx1pr"></track>

      <video id="nx1pr"></video>
      <pre id="nx1pr"><menuitem id="nx1pr"><meter id="nx1pr"></meter></menuitem></pre>
        <pre id="nx1pr"></pre>
      CNTXJ.NET | 通信界-中國通信門戶 | 通信圈 | 通信家 | 下載吧 | 說吧 | 人物 | 前瞻 | 智慧(區塊鏈 | AI
       國際新聞 | 國內新聞 | 運營動態 | 市場動態 | 信息安全 | 通信電源 | 網絡融合 | 通信測試 | 通信終端 | 通信政策
       專網通信 | 交換技術 | 視頻通信 | 接入技術 | 無線通信 | 通信線纜 | 互聯網絡 | 數據通信 | 通信視界 | 通信前沿
       智能電網 | 虛擬現實 | 人工智能 | 自動化 | 光通信 | IT | 6G | 烽火 | FTTH | IPTV | NGN | 知本院 | 通信會展
      您現在的位置: 通信界 >> 接入系統 >> 技術正文
       
      意圖抽象與知識聯合驅動的6G 內生智能網絡架構
      [ 通信界 | 楊靜雅1 唐曉剛2 周一青1 劉玲1 Jiangzhou Wang3 | www.sdgj0817.com | 2023/7/31 22:35:39 ]
       

      (1.中國科學院計算技術研究所處理器芯片全國重點實驗室,北京 100190;2.中國科學院大學計算機科學與技術學院,北京 100049;3.航天工程大學航天信息學院,北京 101400;4.肯特大學工學院,坎特伯雷 CT2 7NZ)

      0 引言

      隨著5G 在全球逐步進入商用,產業界和學術界已經加速對6G 的研發[1-6]。為了支撐未來萬物智聯時代智慧生活、智賦生產、智煥社會等催生出的新興應用場景,例如,腦機通信、智慧交通、精準醫療等[7-9],6G 被廣泛認為將是人-機-物三元融合的智能網絡,內生智能、開放性將成為6G 智能網絡的關鍵特征。6G 需要通過節點原生智能、網絡協同共建支持智能感知、自主決策、自動執行的能力,滿足“智慧泛在,自治自洽”的未來愿景。發展6G 智能網絡的驅動力主要來自新業務的碎片化極致化需求、網絡管理和運維的復雜性倍增以及新技術的涌現與變革。

      首先,未來人-機-物萬物智聯將持續催生新的應用,現有網絡僅依靠“打補丁”“疊加資源”的方式將難以滿足新業務碎片化、極致化的需求。一方面,由于用戶行為、信息環境在時間和空間上不斷改變,導致用戶服務需求動態化、碎片化。另一方面,隨著數字化、智能化發展,未來6G 網絡中增強現實(AR,augmented reality)/虛擬現實(VR,virtual reality)、工業自動化、遠程駕駛等新業務場景的需求將呈現出極致化發展趨勢。例如,在AR/VR 中,沉浸式交互體驗要求數據速率至少達到10 Gbit/s、端到端的時延小于1 ms、隨時隨地一致性體驗等[8-10]。工業自動化的典型需求是控制面時延達到0.1 ms、可靠性高達10-9級等[8]。遠程駕駛中要求用戶面時延達到3 ms,同時可靠性達到10-5級[11]。與此同時,一些新的網絡性能指標,如機器通信的安全性、觸覺通信(如遠程醫療)中環境的高精度感知、計算效率等的引入,要求未來6G 能夠根據業務動態極致的性能需求、柔性設計和構建網絡,對整網資源進行最優化調度[12]。然而,現有網絡架構單一固定,遵循端到端的網絡范式,提供盡力而為的交付服務,將難以應對未來6G 網絡中業務碎片化、極致化的性能需求[13]。因此,迫切需要一種靈活簡潔、整網資源可敏捷調度的智慧網絡,能夠高效準確地預測業務的動態化需求,如吞吐量、時延、可靠性等,結合業務偏好特征并借助云網融合等技術,彈性構建不同網絡形態,通過彈性感知、彈性通信、彈性計算等實現網絡的彈性構筑,以適配未來網絡智能業務的高度動態性和不確定性。

      其次,現有網絡管理和運維的復雜度隨著網絡節點的異構性和網絡動態性的增強急劇上升,而傳統基于人工的網絡管理效率低,難以支撐網絡的持續性發展,迫切需要智能的網絡管理。一方面,面向萬物智聯,6G 將向著空天地海一體化的方向發展。不同制式的接入技術,如地面蜂窩通信、Wi-Fi、專用短程通信技術、衛星通信等需要協同融合;但不同的網絡節點,如宏基站、微基站和衛星等,其運營商、技術特征、3C 資源(通信、計算和存儲)、性能指標等存在顯著差異,難以協同。另一方面,網絡動態性隨著未來空-天網絡中無人機、低軌衛星等高移動性設備的引入而增強;同時移動通信頻段不斷上移,隨著毫米波、太赫茲的引入,由于其波束的覆蓋范圍有限,易受建筑物、人體等障礙物帶來的遮擋和阻塞,信道變化的動態性增強[14-15],這些都為網絡資源的優化管控帶來了極大的挑戰。因此,如何根據業務需求實現跨網協同、如何適配網絡和信道的動態變化實現高效管控是未來6G網絡面臨的重要挑戰。然而,目前網絡管理仍采用傳統人工模式,即人工設計、配置網絡參數等,這僅適用于相對簡單、靜態的網絡。面向未來復雜動態的網絡,人工管理的成本高,并且性能和用戶服務質量也難以保障[16]。未來網絡需要一個具備自感知、自編排、自配置、自運營能力的智慧自治網絡來打破傳統人工管理和編排的局限性。這就需要6G 能夠對異構網絡進行統一表征,實時感知與分析網絡動態信息,利用自動化和閉環優化方式對異構、動態網絡進行統一管理和協同調度,基于深度融合實現網絡快速自動配置,滿足用戶需求。

      最后,當前新技術不停涌現與變革,將有可能支撐6G 網絡內生智能功能愿景的實現。借助網絡功能虛擬化(NFV,network function virtualization)、軟件定義網絡(SDN,software defined network)和人工智能(AI,artificial intelligence)等技術,網絡將具有更高的靈活性和可擴展性以支撐更加多樣化、精細化服務。其中,NFV 是在單個物理網絡上安裝一系列虛擬化網絡功能(如路由器、防火墻、域名服務等),從而建立多個邏輯網絡。每個邏輯網絡具有特定的網絡能力和特性,通過啟用虛擬隔離機制在一個物理基礎設施上可部署多種網絡服務,減少硬件使用數量,提升網絡柔性適變能力,從而提高網絡架構的靈活性和可擴展性[17]。而在SDN 中,網絡控制可直接編程,并與數據流的轉發分離,控制平面定義數據流的路由與資源的分配,從而提升網絡管理與編排的靈活性。因此,SDN 作為NFV 的互補技術,解耦控制平面和數據平面,主要進行路由和網絡操作;NFV 解耦軟硬件,主要提供計算和處理服務。以SDN、NFV 等技術為基礎,未來6G 將有可能實現網絡的高效柔性可重構,支撐更加靈活多樣的網絡服務。此外,基于AI 技術,6G 將有可能智能適應動態變化的網絡環境和信道條件。例如,根據實時采集的大量信道數據,采用深度神經網絡進行非線性近似,對未知復雜信道進行動態預測與建模,獲取信道知識,給系統決策和管控提供重要信息[12]?梢,網絡產生的大數據加快了技術的演進與發展,新技術的創新與變革也推動了6G 網絡的智能化轉型。

      1 研究進展

      1.1 智能網絡

      在上述驅動力的推動下,近年來智能網絡的研究空前發展。歐洲電信標準化協會(ETSI)、國際電信聯盟電信標準分局(ITU-T)、第三代合作伙伴計劃(3GPP,3rd generation partnership project)等已啟動網絡智能化研究,從架構設計、場景描述、關鍵技術等方面推進智能網絡標準化進展。其中,網絡架構的功能設計是未來6G 網絡賦能行業應用的重要基礎。

      在各種新型網絡架構中,意圖是未來網絡實現智能化的關鍵之一。2017 年2 月,ETSI 經驗式網絡智能(ENI,experiential network intelligence)工作組定義了一個基于意圖感知的智能網絡架構——ENI 架構,主要包含情景感知、網絡大數據分析和策略管理等功能模塊,其中,情景感知模塊負責接收應用程序意圖,然后利用網絡大數據分析、策略管理等模塊翻譯為網元配置指令,下發到底層基礎設施中[18]。2019 年1 月,ITU-T 提出基于機器學習(ML,machine learning)的未來網絡統一邏輯架構,包含管理子系統、多層ML管道和閉環子系統[19]。其中,運營商借助“意圖”指定機器學習用例,然后借助管理子系統和多層ML 管道進行編排和實現,并持續進行環境感知和策略優化。2020 年3 月,3GPP 提出了意圖驅動的管理服務閉環自動化機制,其中,用戶只需表達自身意圖,即希望特定實體達到特定狀態,而服務提供者負責將意圖轉化為網絡設備管理需求,進行網絡配置,并持續監測意圖實現狀態,調整網絡配置滿足意圖要求[20]。

      以上網絡智能化研究指出了意圖對于未來內生智能網絡發展的重要性,基于人類意愿自動智能搭建和操作網絡,降低網絡管理復雜度,提升網絡運維效率,保障網絡體驗。

      1.2 基于意圖的網絡

      2015 年,開放網絡基金會北向接口工作組主席David Lenrow 提出基于意圖的網絡(IBN,intent-based networking)概念,并將意圖定義為“Intent: don’t tell me what to do! (tell me what you want)”[21]。2016 年,開放網絡基金會發布“Intent NBI -definition and principles”白皮書,描述了基于意圖的北向接口(NBI,northbound interface)屬性和結構,將意圖理解為網絡服務請求(如connect Bob to the (public) Internet)[22]。2017 年,Gartner 發布報告定義了基于意圖的網絡功能,包括意圖翻譯和驗證、網絡狀態感知、自動化配置、意圖保障和自動修復。其中,IBN 將意圖定義為業務策略(如新建一個虛擬機),而意圖翻譯和驗證負責將意圖轉化為網絡策略和配置[23]。2019 年,開放數據中心標準推進委員會發布“意圖網絡技術與應用白皮書”,在Gartner 提出的IBN 的基礎上增加了用戶意圖輸入和網絡基礎設施2 個部分,進一步完善了IBN 的功能模塊[24]。以上報告和白皮書所提出的基于意圖的網絡架構中將意圖理解為“What to do”,而不是“What you want”。因此,網絡亟須提升智能,從“What you want”中抽象出“What to do”。

      目前,學術界關于基于意圖的網絡的研究集中在網絡架構、平臺和接口[25-27]。文獻[25]提出一種基于意圖的網絡切片編排框架。首先接收意圖請求(用戶所需服務名稱和服務等級),然后提取服務關鍵字并映射為虛擬化網絡功能,最后采用Swarm 管理器分配CPU、內存和帶寬資源。不同于文獻[25],文獻[26]搭建了基于意圖的網絡切片生成與管理平臺。首先設計圖形界面接收用戶意圖請求,即用戶服務質量(QoS,quality of service)需求,然后采用意圖管理器將意圖請求轉換為切片配置策略,并分配資源以創建切片實例。與非基于意圖的機制相比,文獻[25-26]中用戶只需要對網絡提出需求,不需要關注底層如何實現,提升了網絡切片生成與管理的自動化程度。不同于文獻[25-26],文獻[27]針對OpenFlow 控制器,擴展一個名為“意圖引擎”的新組件,并以用戶移動性管理為例展示了基于意圖的網絡接口提高了傳輸吞吐量。文獻[25-27]進行網絡決策時,采用預先安裝的意圖管理器或控制器,將意圖請求轉化為預先制定好的若干固定網絡配置策略之一,缺乏對網絡狀態數據的學習與分析,難以應對動態變化的網絡環境。此外,人類進行決策時通常需要結合感知與推理來解決問題,其中,感知可以通過數據驅動的機器學習實現,而推理可以通過規則驅動的邏輯推理(如一階邏輯)實現[28]。那么未來網絡要想實現智能決策,需要融合機器學習和邏輯推理能力,使兩者能夠協同工作,優勢互補。

      綜上,針對6G 智能網絡的發展目標,現有基于意圖的網絡研究提出的網絡功能架構中強調了自動化能力的必要性,旨在提高網絡運維的效率,并將“意圖”理解為用戶服務需求,目標是實現“What to do”與“How to configure the network”之間的解耦。然而,意圖的本質應是實現“What you want”。因此,實現意圖網絡需要3 個重要步驟,首先,獲取“What you want”;其次,從“What you want”中獲取“What to do”;最后,根據“What to do”明確并完成“How to configure the network”,F有研究集中在第一步和第三步,通常認為獲取的“What to do”等價于“What you want”,而針對第二步,尚未提出明確的解決方案。同時,第三步以知識定義網絡為例,缺乏邏輯推理能力,難以支撐未來網絡的智能管控。因此,未來基于意圖的網絡一方面需要深入理解并抽象用戶意圖,由“What you want”得到“What to do”;另一方面需要學習獲取網絡知識,基于知識實現網絡智能決策,由“What to do”完成“How to configure the network”。

      1.3 知識定義網絡

      目前,知識定義網絡利用網絡遙測、機器學習等技術收集網絡數據、挖掘網絡知識,可為基于意圖的網絡中的智能管控,即根據“What to do”完成“How to configure the network”,提供重要信息。2003 年,Clark 等[29]針對現有網絡出現問題時需要大量人工進行配置、診斷和設計,導致高昂管理成本的問題,基于AI 和認知理論提出知識平面(KP,knowledge plane)的概念,抽象和隔離高層目標與底層操作,通過學習網絡歷史配置經驗(如配置動作和網絡結果等),輔助網絡進行自主決策、自動配置。然而,網絡是分布式系統,其中每個節點(如交換機、路由器)只擁有網絡部分視圖和控制權,從這些節點中難以學習到全網特性,因此控制整個網絡是存在挑戰的。2017 年,Mestres 等[30]考慮利用SDN 范式中邏輯集中式的控制平面可以查看和操作整個網絡的特點,認為Clark 等的愿景可以被實現,進而在傳統控制平面、管理平面和數據平面的基礎上添加知識平面,提出知識定義網絡(KDN,knowledge defined network)架構。KDN 首先利用控制和管理平面獲得網絡狀態信息,如深度包檢測信息,并利用機器學習算法轉化為知識(例如網絡配置模型);然后,基于網絡知識自動或人工進行網絡配置決策(如網絡路由決策)。

      目前,關于KDN 的研究集中在架構設計、策略生成等方面。文獻[31]基于KDN 提出知識定義的光電混合網絡編排架構,包含2 個控制器,分別編排計算和帶寬資源,并設計3 個深度神經網絡從網絡流量數據中獲取網絡知識,即流量特征和計算任務,協同實現網絡流量、虛擬機需求預測,進行光電混合網絡配置(如光路交換機配置)決策。文獻[32]基于KDN 閉環網絡架構,研究智能路由策略生成機制。其關注數據包間隔遵循指數分布的流量數據,采用卷積神經網絡抽象數據流間延遲和丟包率特征,提出確定性策略梯度算法,生成網絡流量路由策略,提高復雜網絡路由配置性能。此外,文獻[33]針對6G 網絡需求增長與資源消耗的矛盾,在6G 管控體系中引入管控知識空間模塊,負責收集和抽取網絡管控經驗和知識,并提出一種基于知識空間的6G 網絡管控體系,通過閉環控制實現網絡按需服務。其中,知識獲取主要由收集的網絡數據,通過數據分析提取而得。文獻[34]在網絡架構中將知識驅動與數據驅動相結合,在傳統深度學習、強化學習方式中,引入用戶特征和網絡參數(如各子網實現的需求流量、傳輸效率等)知識變量,通過歷史大數據支持知識+數據驅動模型的學習,提升網絡運行的性能(如提高傳輸效率)。

      綜上,KDN 采用數據驅動的機器學習技術進行網絡決策(如路由決策),可以簡化人工管理與操作流程。目前,知識定義網絡中的“知識”是基于數據事實,利用機器學習技術,包含監督學習、非監督學習和強化學習算法學習獲取而得的[30]。例如,對于有監督學習而言,“知識”是采用監督學習算法(如深度學習),基于有標記的網絡數據學習一個網絡變量與網絡操作相關聯的函數(如網絡性能作為流量負載和網絡配置的函數)。然而從人類決策來看,需要結合機器學習和邏輯推理才能得到最優的策略[28,35]。

      文獻[35]提出了融合機器學習和邏輯推理的新框架。首先采用機器學習算法從訓練數據中學習一個初始模型,并使用該模型決策,然后采用邏輯子句表示決策結果,并輸入推理系統;推理系統采用邏輯推理規則對求解問題進行形式化,并使用從機器學習獲取的邏輯子句,通過誘因性邏輯程序等進行機器推理,若推理結果與人工總結的推理規則不一致,則通過邏輯反繹生成最小化不一致的假設修訂,反饋給機器學習,從而重新訓練機器學習模型。以分類任務為例,在僅利用機器學習的方法中,假設訓練數據為{(x1,y1),…,(xm,ym)},xi∈X表示第i個訓練實例,yi∈Y表示類標簽,目標是學習輸入空間X到輸出空間Y的映射f:X→Y,該映射可以預測X空間中不屬于訓練實例的數據的類標簽。與上述方法不同,在結合機器學習和邏輯推理的方法中,以 {(x1,f(x1) ),…,(xm,f(xm))}為基礎的邏輯事實還需要與知識庫KB 中的邏輯規則一致。假定給定一組數據{x1,x2,…,xi}、一個知識庫KB 和一個分類器C,目標是尋找一個函數f對未知數據進行預測[35]

      其中,O是由xi和f表示的邏輯事實,表示邏輯蘊含。如果O與式(2)中的KB 一致,則返回當前的f,否則,如式(3)所示,首先通過邏輯反繹生成Δ(O),然后根據 Δ(O)更新f。在分類手寫等式任務中,結合機器學習和邏輯推理相較于傳統僅基于機器學習的方法,可以顯著提升分類精度[28]。

      綜上,在根據“What to do”去實現“How to configure the network”的過程中,現有知識定義網絡的架構研究雖然有一定智能決策的能力,但其在進行網絡決策的過程中僅考慮機器學習方式,缺少邏輯推理能力(如一階邏輯表示)。因此,現有網絡架構都難以實現未來6G 內生智能的目標,亟須提出新型智能網絡架構。

      面向未來6G 內生智能的目標,現有6G 網絡架構相關研究中首先缺乏意圖的理解和抽象,即如何從“What you want”中獲取“What to do”;其次,在根據“What to do”實現“How to configure the network”的過程中進行網絡策略生成時僅考慮機器學習方式,缺乏邏輯推理能力,降低了決策的準確性。因此,本文提出一種意圖抽象與知識聯合驅動的6G 內生智能網絡架構,相較于現有6G 網絡架構,將意圖抽象平面和認知平面引入6G 網絡架構體系,其中,在意圖抽象平面中,本文設計意圖獲取、意圖轉譯、意圖映射和意圖建模,實現從“What you want”到“What to do”轉換。其次,基于知識平面提出了認知平面,通過機器學習和邏輯推理聯合動態優化獲取網絡知識,支撐網絡從“What to do”實現“How to configure the network”的智能決策。同時,分析了支撐6G 內生智能實現的用戶意圖映射、網絡信息測量、網絡策略生成、網絡策略驗證等關鍵技術及未來挑戰。

      2 6G 內生智能網絡架構

      目前,學術界與產業界對內生智能的定義和目標正在持續討論中,本文認為,6G 內生智能是指6G 網絡支持感知-通信-決策-控制能力,能夠自主感知周圍環境以及應用服務特性,進行自動化決策與閉環控制,目標是實現網絡零接觸、可交互、會學習。然而,當前針對智能網絡的研究工作還停留在外掛式設計的階段,僅采用人工智能技術解決特定的網絡優化問題,通過補丁式、增量式增強現有網絡功能,將難以滿足未來網絡動態復雜的業務需求。

      面向6G 網絡管理與控制的內生智能需求,本文提出意圖抽象與知識聯合驅動的6G 內生智能網絡架構,融合了基于意圖的網絡與知識定義網絡的優勢,首先抽象用戶意圖和感知網絡狀態,然后基于網絡知識進行管控策略的生成與部署,最終有望實現內生智能網絡的目標。圖1 展示了意圖抽象與知識聯合驅動的6G 內生智能網絡架構,包含5 個平面,分別為意圖抽象平面、認知平面、管理平面、控制平面和數據平面。本文將意圖抽象平面和認知平面引入6G 網絡管控體系,首先,通過意圖獲取、意圖轉譯、意圖映射和意圖建模步驟,實現從“What you want”得到“What to do”。然后,基于知識平面提出了認知平面,包括知識獲取和知識應用。其中,知識獲取是通過機器學習模型和邏輯推理規則聯合動態優化獲取網絡知識(如網絡配置模型)。知識應用是基于網絡知識實現策略生成、策略驗證等功能,從而由“What to do”實現“How to configure the network”。

      圖1 意圖抽象與知識聯合驅動的6G 內生智能網絡架構

      值得注意的是,由于所提架構的實驗驗證需要涉及大量的設備和軟件,且各個功能模塊的仿真需要基于人工智能技術,采集、處理與標注大量通信網絡相關數據進行模型訓練與測試,短期內難以進行仿真和實驗驗證。另一方面,相較于現有的網絡架構體系[33-34,36],所提架構主要引入的新功能模塊包含意圖抽象平面和認知平面。因此本文將圍繞所提出的新功能模塊,通過實例說明該模塊的可實現性。在此基礎上,對所提出的新功能模塊與現有網絡架構中的平面,包含管理平面、控制平面以及數據平面之間的閉環交互進行深入分析,明確系統工作時不同平面之間的數據流轉,進一步支撐整個系統的可實現性。

      2.1 意圖抽象平面

      意圖抽象平面的目標是從“What you want”獲取“What to do”,通過意圖獲取、意圖轉譯、意圖映射和意圖建模4 個步驟運行和實現。接下來,本文將具體描述上述功能模塊的實現過程和相關技術。

      意圖獲取是根據“What you want”獲取用戶的“意圖需求”。經濟學中,“意圖需求”主要體現的是用戶的心理規律,難以建模與評估,需要結合實際場景分析。一種可能的方法是利用系統的人機接口和傳感界面對用戶心理的意圖需求進行采樣提取,其主要基于自然語言處理、語音識別等技術,通過分詞標注、命名實體識別、詞典查詢、情感分析等處理過程獲取用戶的意圖關鍵詞[37]。例如,根據專家經驗制作意圖詞庫,包含自然語言表述和意圖關鍵詞間的對應關系,利用意圖詞庫,可以通過語言分詞、詞典查詢等過程找到意圖詞庫中相關詞匯作為意圖關鍵詞。

      意圖轉譯是將用戶的“意圖需求”轉化為“實際需求”(用戶對通信業務期望的體驗效果),可以采用深度學習、決策樹技術實現。具體而言,首先收集用戶意圖和用戶主觀體驗質量(QoE,quality of experience)關鍵詞轉譯數據,然后利用深度神經網絡學習上述轉譯關系。當獲取到用戶意圖關鍵詞時,利用訓練好的意圖轉譯模型直接轉譯為QoE 關鍵詞(業務類型、期望狀態等),從而得到用戶主觀體驗質量,即獲得用戶的“實際需求”。

      意圖映射是將用戶主觀體驗質量映射為網絡服務質量指標,可以借助一些擬合工具,如綜合優化分析計算軟件平臺(1stOpt,first optimization)等,通過數據擬合獲得以用戶主觀體驗質量為自變量的網絡服務質量指標映射函數,也可以利用現有的機器學習模型(如深度神經網絡)獲得映射模型。其中,意圖映射過程通常包含2 個步驟:首先選擇合適的客觀QoE 指標(如圖像視頻質量評估,即使用數學模型計算參考圖像和評估圖像之間像素和整體結構的相似度或差異值),僅考慮業務(如圖像、視頻)本身特征,將用戶主觀QoE 映射為一組客觀QoE 指標[38-39];然后,選擇合適的網絡QoS指標(如吞吐量、時延、抖動、丟包等)[40],將上述客觀QoE 指標映射為網絡QoS 指標[41]。另外,也可以直接收集用戶主觀QoE 和網絡QoS 指標數據,采用深度神經網絡學習用戶主觀QoE 與網絡QoS指標之間的映射關系,從而得到意圖映射模型。例如,在視頻業務中,可以選擇視頻質量度量(VQM,video quality metric)作為客觀QoE 指標,而丟包率、抖動性和時延作為網絡QoS 指標,并采集大量視頻樣本,觀察不同網絡QoS 指標對VQM 值的影響,通過曲線擬合工具1stOpt 得出網絡QoS 指標與客觀QoE 指標之間的映射函數關系式[42]。此外,以語音業務為例,目前“IQX 假設”給出了平均意見得分(MOS,mean opinion score)與網絡丟包率ploss的關系[43],如式(4)所示。

      意圖建模主要基于網絡QoS 指標,設計目標函數和約束條件,建立優化模型,從而得到“What to do”。目標函數可以是通信性能指標(如傳輸速率、時延、能量效率、頻譜效率等),也可以是感知性能指標(如定位精度、感知范圍等)和計算性能指標(如計算服務響應時間、計算資源利用率等)[44],并且目標函數通常是多目標優化函數,例如,研究多目標決策的QoS 路由算法時,選擇時延和丟包率作為優化目標,帶寬作為約束條件,建立多目標非線性整數優化模型[45]。此外,意圖建模的結果一方面發送給認知平面,利用網絡知識優化得到網絡策略;另一方面傳遞給意圖獲取模塊,作為先驗信息優化意圖獲取過程。此外,對于“What to do”的精準度的評估,一方面可以在各個功能模塊中設計合適的損失函數(如交叉熵損失)定量評估每個功能模塊執行的準確性,從而進一步評估“What to do”的精準度;另一方面可以借助數字孿生技術,通過在虛擬空間構建數字孿生體,通過仿真和測試可初步預測由“What to do”優化生成的策略的執行和協同狀況,反饋給意圖抽象平面,而意圖抽象平面根據預測的結果,并結合網絡QoS 指標進一步評估“What to do”的精準度。

      總體而言,借助現有的一些技術,如自然語言處理、語音識別等,所提出的意圖抽象平面中的意圖獲取、意圖轉譯、意圖映射和意圖建模功能模塊將有望實現。因此,所提出的意圖抽象平面具有一定的可實現性。

      2.2 認知平面

      認知平面的目標根據“What to do”得到實現“How to configure the network”的管控策略,通過知識獲取和知識應用實現。其中,知識獲取是采用機器學習和邏輯推理聯合動態優化獲取網絡知識。首先,基于管理平面和控制平面收集到的網絡運行和配置數據,采用機器學習方式進行網絡學習,并將學習得到的結果表示為邏輯子句,然后通過邏輯程序對于該邏輯子句進行機器推理,并將推理結論反饋給機器學習模型。整個過程迭代進行,直到機器學習和邏輯推理得到的結果統一[28,35]。

      以“手寫等式解密”(即識別圖片中的數學符號并破解等式背后的“異或”法則)任務為例,神經邏輯機框架如圖2 所示,其主要包含3 個部分,卷積神經網絡(CNN,convolutional neural network)模型對應反繹學習中的機器學習,主要用于識別等式符號;無梯度優化算法主要用于最大化模型與領域知識、樣本標記的一致性[28];誘因性邏輯程序對應反繹學習中的邏輯反繹,一方面借助領域知識(如一階邏輯公式)和樣本標記,根據CNN 識別結果學習數據中的加法形式(如邏輯異或),另一方面在存在不一致時推理得到更可能正確的等式符號,訓練開始時,首先CNN 嘗試識別手寫等式圖片為偽標簽符號“1”“+”“0”和“=”,根據圖片順序將上述符號輸入誘因性邏輯程序。然后,誘因性邏輯程序根據領域知識判斷識別出符號的最終標記是否和樣本標記一致,若不一致,通過無梯度優化算法學習判斷錯誤位置的函數,標記出等式中出現識別錯誤概率較大的位置。誘因性邏輯程序借助領域知識和樣本標記對錯誤進行修改,給出修改依據的加法規則(如0+1=1),并將修改結果用于重新訓練CNN 模型,直到誘因性邏輯程序和CNN 得到的結果一致[28]。

      圖2 神經邏輯機框架

      知識應用是基于網絡知識進行網絡策略(如流量轉發策略)生成、策略驗證、意圖檢測、自動修復。其中,策略生成是基于上述知識推理得到網絡策略。策略驗證是采用形式化驗證技術驗證上述生成的網絡策略的可執行性(即網絡能否按照用戶預期的目標實現)。當網絡中同時存在多個策略時,需要進一步驗證策略間是否發生沖突,若存在沖突,需要進行沖突消解。意圖檢測是利用網絡信息測量技術檢測意圖是否發生變化和網絡運行是否出現問題。自動修復是根據意圖檢測的結果,若發現用戶意圖難以滿足,則通過網絡知識進行網絡分析與故障修復。

      總之,利用無梯度優化算法,聯合優化機器學習和邏輯推理獲取網絡知識,相較于僅機器學習的方法可以提升準確度[28]。因此,借助一些現有的技術,所提出的認知平面具有一定的可實現性。

      2.3 管理平面

      管理平面一方面從認知平面獲取策略建議,優化網絡數據采集,另一方面負責監測網絡數據平面狀況,收集網絡運行狀態數據,傳輸給認知平面進行網絡知識獲取與應用。其中,管理平面主要依賴一些網絡測量協議,包含主動測量協議(如Ping、Traceroute 等)、被動測量協議(如NetFlow 等)和帶內網絡遙測(INT,in-band network telemetry)協議等,從數據平面收集網絡流量數據、業務分布數據等,并對數據進行預處理(如缺失值處理、重復數據清除等),然后傳輸給認知平面進行管控策略生成與驗證。

      2.4 控制平面

      控制平面從認知平面獲取網絡策略,利用一些網絡協議,如OpenFlow 協議、簡單網絡管理協議(SNMP,simple network management protocol)等,轉化為網絡設備可以識別的配置指令,自動下發到數據平面中的網絡設備中。其中,OpenFlow 協議允許控制平面控制和管理數據平面交換機(如指示交換機如何處理流量)。此外,目前可編程協議無關報文處理(P4,programming protocol independent packet processors)作為一種與協議無關的編程語言,可以對可編程的轉發設備(如交換機、網卡等)的轉發邏輯進行編程。同時,控制平面也可以給認知平面提供網絡配置信息,優化網絡決策。

      2.5 數據平面

      數據平面根據控制平面下發的網絡配置規則,完成相應的配置操作和狀態更新(如數據包的存儲、轉發和處理),其主要由可編程的網絡設備(如交換機)組成。

      值得注意的是,本文以基于意圖和知識的管控閉環為例分析所提出的新功能模塊與現有網絡架構中一些功能所在的平面,包含管理平面、控制平面以及數據平面的閉環交互,明確系統工作時不同平面之間的數據流轉,從而為整個系統的可實現性提供支撐。該管控閉環具體為數據平面→管理平面、管理平面&意圖抽象平面→認知平面、認知平面→控制平面、控制平面→數據平面。其中,對于數據平面→管理平面,管理平面的目標是從數據平面采集網絡狀態數據(如流粒度信息、網絡拓撲等),主要依賴于測量協議(如帶內網絡遙測協議)實現。對于管理平面&意圖抽象平面→認知平面,管理平面對獲取的網絡狀態數據進行預處理(如缺失值處理、重復數據清除等),去除噪聲的干擾,將處理后的數據傳輸到認知平面,意圖抽象平面將用戶意圖抽象得到的網絡優化目標傳輸到認知平面。認知平面利用從意圖抽象平面獲取的優化目標和管理平面傳輸的網絡狀態數據,采用機器學習和邏輯推理聯合動態優化獲取網絡知識,并利用知識生成網絡策略。對于認知平面→控制平面,認知平面可以采用聲明式語言將網絡策略下發到控制平面。對于控制平面→數據平面,控制平面主要利用一些網絡協議將獲取的網絡策略轉化為網絡設備可以識別的配置指令,并部署到數據平面中的網絡設備中。

      3 6G 內生智能網絡的關鍵技術

      由意圖抽象與知識聯合驅動的6G 內生智能網絡架構可知,內生智能網絡的實現依賴于一系列關鍵技術,涉及心理學、計算機和通信等領域,需要通過各個領域技術的交叉融合,才能支撐未來網絡的內生智能。為了確保所提架構高效工作,需要攻克用戶意圖映射、網絡信息測量、網絡策略生成、網絡策略驗證等關鍵技術。

      3.1 用戶意圖映射技術

      意圖抽象平面的核心功能是從“What you want”中獲取“What to do”。其中,“What you want”和“What to do”的關鍵要素分別是用戶主觀QoE和網絡QoS 指標。而用戶意圖映射技術作為鏈接二者的重要橋梁,將用戶主觀QoE 準確映射為網絡QoS 指標。如圖3 所示,意圖映射過程可以建模為兩步,首先將用戶主觀QoE(如MOS 等)映射為一組客觀QoE 指標,然后將上述客觀QoE 指標映射為網絡QoS 指標[40-41]。以多媒體服務為例,客觀QoE 指標包含結構相似度(SSIM,structural similarity index)、峰值信噪比(PSPR,peak signal-to-noise ratio)和視頻質量度量(VQM)等,網絡QoS 指標包含丟包率、時延、吞吐量等[38-39]。

      圖3 意圖映射過程

      目前,已有研究關注用戶主觀QoE 與客觀QoE指標、網絡QoS 指標之間的映射過程[39,46]。文獻[39]研究MOS 與VQM、SSIM 之間的相關性,采用一個包含24 個場景的視頻庫,通過主觀實驗得到MOS數據,并利用客觀視頻質量評價程序獲取視頻的VQM 和SSIM 值。測試表明,VQM 和SSIM 與MOS 之間具有高度相關性。文獻[46]研究PSNR、SSIM 等6 種客觀QoE 指標與MOS 之間的相關性,提出了一種映射機制,利用3 個開源視頻質量評估數據集,評估所提映射機制的性能。

      由上述研究可知,現有關于用戶意圖映射的工作主要針對視頻業務[39,46],然而,未來6G 網絡將存在紛繁多變的業務,包括沉浸化、智慧化業務(如AR/VR、遠程醫療等)。面向動態變化的業務,如何定義和選取合適的QoE 和QoS 指標參數,構建用戶主觀QoE、客觀QoE 指標和網絡QoS 指標之間的映射關系,實現用戶意圖的準確映射,這仍是一個開放問題。

      值得注意的是,近年來,機器學習技術迅速發展,可從數據中學習,進行特征選擇,建立輸入輸出特征映射函數。因此,現有研究針對視頻業務利用機器學習技術選擇QoE 和QoS 指標參數(如帶寬、視頻分辨率等),并學習它們之間的映射關系[47]。然而,機器學習方法需要大量用戶主觀QoE 和網絡QoS 指標作為數據集進行學習與訓練。

      這些數據可能涉及用戶隱私問題,用戶分享隱私數據進行模型訓練,導致數據將有可能被接收方或第三方惡意竊取和利用。最近,聯邦學習(FL,federated learning)這種分布式機器學習框架將有可能處理上述問題。在聯邦學習中,用戶可在本地存儲QoE 和QoS 數據,并訓練本地QoE 和QoS 映射模型,然后將模型上傳至遠程云服務器,由服務器進行模型聚合,下發給參與用戶,如此完成多輪模型訓練。因此,未來對于用戶主觀QoE 和網絡QoS指標映射模型的構建和訓練可以采用聯邦學習模式,降低用戶隱私數據的泄露風險?紤]本地-云服務器聯邦學習模式造成的高時延問題,分析其主要來自通信時延[48],可以采用數據準備,通過模型稀疏、壓縮和量化等方法降低通信數據量;資源分配,選擇通信質量較好的客戶端參與訓練,提高聯邦學習的通信效率以及分層聯邦學習等方法解決。此外,現有研究通常直接使用面向圖像分類,目標檢測問題的機器學習模型與算法,導致學習效果較差,未來需要針對通信網絡相關的指標、數據,設計更加可靠、泛化能力更強的機器學習算法,準確映射用戶意圖。

      3.2 網絡信息測量技術

      網絡信息測量技術作為數據平面→管理平面的關鍵技術,通常借助一些測量協議,包含主動測量協議、被動測量協議和帶內網絡遙測等,全面感知網絡狀態信息,如網絡拓撲、帶寬、吞吐量等,為網絡智能化提供關鍵數據支撐。主動測量的原理如圖4 中的實線所示,控制主機P1向主機P2發送探測報文,根據該報文序列在目標網絡傳輸后發生的變化推測主機P1和P2之間的網絡性能參數,如可達性、路由情況等。目前,主動測量協議包含Traceroute、IP 等。其中,Traceroute 利用互聯網控制消息協議報文得到源主機和目的主機之間的路由情況。優點是部署方便,用戶僅在本地發送探測包,觀察網絡響應即可,缺點是增加了網絡負載,可能引起海森堡效應,即額外的流量會干擾網絡。被動測量的原理如圖4 中的虛線所示,采集數據的裝置M1和M3可以直接接入設備R1和R3中,從而捕捉流經設備R1和R3的信息。目前,被動測量協議包含NetFlow、采樣流(SFlow,sampled flow)等。其中,NetFlow 以流為粒度進行網絡測量,設置固定的采樣時間間隔捕獲流經交換機的信息,然后導出聚合數據。優點是不產生額外的網絡負載,缺點是只能獲得局部網絡數據,難以獲取端到端的網絡信息。

      圖4 主動測量和被動測量原理

      考慮主動測量和被動測量技術分別存在“旁觀者效應”和“不精確測量效應”,研究者提出了一種新的網絡數據收集和處理技術,即帶內網絡遙測技術采用上報模式,即網絡設備主動上報數據信息(如設備級信息、入端口信息、出端口信息等),可從物理網元或虛擬網元上遠程采集數據,不需要注入額外的數據包,并可以獲得端到端的網絡運行信息,有望解決以上問題[49-50]。

      目前,有研究提出利用帶內網絡遙測技術收集網絡運行數據[51-53]。其中,文獻[51]在有線網絡場景中采用帶內遙測技術收集交換機ID、跳延遲、隊列擁塞狀態等信息。其中,網絡數據作為元數據附加在虛擬擴展局域網數據包中,當數據包離開測量網絡域時,從INT 數據包中剝離INT 數據并轉發到監測主機。不同于文獻[51],文獻[52-53]考慮在無線網絡中引入帶內網絡遙測技術。文獻[52]基于IEEE 802.15.4e 標準的工業無線傳感器網絡,利用IEEE 802.15.4e 幀設計了一種新的網絡遙測機制,主要思想是利用幀中剩余空間封裝收集網絡節點標識號、接收信號強度指示(RSSI,received signal strength indication)、信道狀態等信息。文獻[53]關注IEEE 802.11 網絡,基于SDN 架構設計一種低吞吐量的帶內遙測技術,將收集到的RSSI、數據速率、信道信息、接收時間等信息封裝到網絡介質訪問控制層和網絡層報頭之間。文獻[53]采用帶內遙測技術定制化收集網絡數據,相比于主動測量技術帶寬開銷減少了80%以上。

      綜上,雖然帶內網絡遙測相比主動測量和被動測量技術具有優勢,但是目前帶內網絡遙測的研究成果僅處于“剛能測量”的階段,還存在很多技術挑戰。首先,INT 中定義了網絡設備可以主動上報數據信息,但數據包自身無法選擇路徑轉發,無法實時獲得全網狀態的網絡視圖。其次,遙測指令和數據的構造、封裝、填充和提取等不僅消耗了網絡帶寬,而且增加了交換機處理時延。此外,目前INT主要針對單個網絡進行網絡數據的收集,而未來6G內生智能網絡需要全面實時感知與分析異構網絡動態信息,因此,未來需要對跨異構網絡遙測、通用化遙測模型等進行深入研究,才能為網絡智能決策提供數據支撐。

      3.3 網絡策略生成技術

      認知平面主要負責根據“What to do”完成“How to configure the network”,最終將用戶意圖轉換為網絡配置操作。其中,網絡策略生成技術是認知平面的重要使能技術,將運用網絡知識,基于用戶意圖實現網絡各層(如接入網、核心網等)功能和資源的智能決策。網絡策略生成可以采用傳統優化方法和智能優化方法。其中,傳統優化方法通常要求目標函數是凸函數,可行域是凸集等條件,限制了可解決的問題范圍。目前,廣泛使用的策略生成方法是智能優化方法,通常采用強化學習算法,從環境交互中學習。根據網絡優化目標和環境信息設計智能體,包含定義智能體動作函數、獎勵函數和狀態函數,通過最大化累積獎勵從而獲得最優或次優的一系列網絡動作,即網絡策略(如計算卸載策略)。如圖5 所示,智能體當前狀態定義為s(t)∈S,然后與環境交互,即采取動作a(t)∈A,獲得相應的獎勵r(t+1) =U r(s(t);a(t)),并轉移到下一個狀態s(t+1),如此迭代,通過最大化累積獎勵,獲得最優的網絡策略。其中,累積獎勵函數可以定義為

      圖5 強化學習執行過程

      其中,γ∈ [0,1]是折扣率,表示未來獎勵相對于當前獎勵的重要程度。

      文獻[54]將強化學習應用于虛擬化網絡功能(VNF,virtual network function)最優放置中,首先將VNF 放置過程建模為馬爾可夫決策過程,然后利用強化學習,將遷移成本和資源超載懲罰的負值定義為獎勵,智能體通過與VNF 放置環境進行交互,最大化長期累積獎勵得到滿足用戶QoS 的VNF放置策略。文獻[55]將深度強化學習用于計算卸載方案設計中,首先將任務之間的依賴關系建模為有向無環圖,并和卸載方案一起作為狀態空間,然后采用卸載和本地執行表示動作,將卸載時延的負增量定義為獎勵,通過最大化累積獎勵,即最小化總時延得到最優的卸載策略。文獻[56]將深度強化學習算法用于車聯網服務遷移方案設計中,將服務供應商的內存臟頁速率、服務距離和車輛移動速度定義為環境狀態,采用服務遷移和不遷移表示動作,將系統效用(遷移凈收入)定義為獎勵,通過與環境交互學習得到基于移動速度的自適應遷移決策,最大化系統效用。

      綜上,網絡功能和資源管控策略生成作為智能網絡決策的核心功能,通過生成合適的網絡配置策略,提升網絡業務的服務質量。目前,基于強化學習的策略生成方案需要預先定義好環境狀態、獎勵和動作3 個部分,目標是最大化累積獎勵。其中,獎勵函數的定義直接影響最終學習到的網絡策略。若獎勵設計不合適,會降低智能體學習的效率,給最終網絡策略的生成帶來挑戰。此外,現有研究僅能針對單一場景和任務(如計算卸載)進行網絡策略的制定與優化。而未來6G 需要同時滿足多類場景的需求,現有方法將難以實現全場景管控。因此,亟須為智能網絡探索新的決策框架與機制,基于網絡知識而不是基于任務獲取最優的網絡策略,借助人工智能技術對網絡狀態變化規律進行動態分析與建模[57],提高智能網絡應對復雜環境的穩健性和自適應性。

      3.4 網絡策略驗證技術

      網絡策略生成后,若直接通過一些操作(如網絡配置協議)下發到數千臺甚至數萬臺網絡設備中,一旦出錯,將產生巨大的影響。因此,在認知平面完成“How to configure the network”之前需要進行網絡策略驗證。策略驗證首先需要進行策略的正確性驗證,其次若包含多個策略,需要進一步進行策略間的沖突性驗證。

      網絡策略的正確性驗證通常采用模型檢測與定理證明方法。模型檢測的基本原理是使用狀態空間搜索方法檢測一個有限狀態系統是否滿足一個規范或規約[58-59]。優點是自動化程度較高,若系統性質不滿足,反饋該性質不滿足的原因,據此原因系統可以進一步改進;缺點是可能出現狀態空間爆炸,由于檢測程序需要對系統整個狀態空間進行搜索,系統狀態圖的大小與系統模型的狀態數成正比,而系統模型的狀態數與并發系統的大小呈指數關系,因此,隨著待檢測系統規模的增大,所需搜索的狀態空間呈指數增大。定理證明方法的基本原理是通過逐步推導表明系統性質的公式來驗證系統的正確性。優點是可以應用于包含無限狀態空間的系統;缺點是自動化程度不高,大多數定理證明是交互式的,需要具有較強數學能力的專家引導。

      策略的沖突性驗證主要驗證不同策略間是否產生沖突關系,若存在沖突關系則需要進行沖突消解(如移除低優先級的策略)。目前,根據策略匹配域(如地址空間)的關系和策略執行的動作定義以下策略的沖突關系:冗余、覆蓋、相關和泛化[60]。其中,冗余是策略A 和策略B 包含的操作對象相同,且對應的操作結果相同,但策略A 擁有更高的優先級;覆蓋是策略A 和策略B 包含的操作對象相同,但對應對象的操作結果不同,策略A 擁有更高的優先級;相關是策略A 和策略B 包含的操作對象不同但存在交集關系,并且相同對象的操作結果不同,并且策略A 擁有更高的優先級;泛化是策略A 和策略B 包含的操作對象不同但存在子集關系,相同對象的操作結果相同,并且策略B 擁有更高的優先級[60-61]。策略的沖突性驗證的優點是在策略下發前,檢查策略間是否存在沖突關系,從而提高了整個系統的穩定性;缺點是增加了系統的復雜性,系統需要分析策略間沖突關系,并進行沖突消解,可能導致較長的系統響應時間[62]。

      文獻[63]采用機器學習方法(如決策樹)執行計算樹模型檢測過程,不僅可以驗證系統設計的正確性,而且減少了模型檢測消耗的時間。文獻[64-65]主要進行策略的沖突性驗證。文獻[64]提出異常檢測與分析方案進行不同策略間的沖突驗證與修復。文獻[65]基于SDN 增加策略沖突管理模塊,檢測策略沖突并采用沖突解決方法向網絡管理員提供沖突解決建議,協助網絡管理員解決策略沖突問題。

      綜上,策略的正確性驗證主要驗證所生成的策略能否正確應用于系統,然而,當前驗證技術的發展還處于初級階段,側重于驗證一些軟件和硬件方面的問題,在可擴展性方面是受限的。在未來6G網絡中,網絡驗證不僅涉及軟件和硬件方面,還有網絡自身的特性,例如,鏈路時延、丟包率和帶寬抖動性等各種指標,這將給網絡策略驗證技術帶來巨大的挑戰。此外,目前策略的沖突性驗證主要是檢測所生成的網絡策略間是否存在沖突關系,并進行沖突消解。一方面,現有研究將策略間的沖突關系僅定義為冗余、覆蓋、相關和泛化,隨著6G 網絡發展,用戶意圖將更加多樣化,導致策略間的沖突關系更加復雜,因此,未來還需探索策略間新的沖突關系定義與檢測方式。另一方面,目前沖突消解的方法通常設置優先級,即移除低優先級策略,更新高優先級策略的條件限制,導致難以保障低優先級用戶的服務性能,因此,未來還需進一步創新策略沖突消解方案,滿足不同用戶差異化的性能需求。此外,考慮未來6G 網絡的動態性將逐步增強,因此,進行策略正確性和沖突性驗證時還需要考慮如何全生命周期保障用戶意圖請求,這也是一個開放問題。值得注意的是,最近,數字孿生技術通過收集物理實體的模型參數和運行數據,借助仿真、建模等技術,在虛擬空間構建一個與物理實體一致的孿生體,進行物理世界的數字化映射[66],可初步驗證由“What to do”優化生成的策略的執行和協同狀況,同時反饋給意圖抽象平面從而進一步評估“What to do”的精準度。因此,未來對于網絡策略驗證可以采用數字孿生技術,基于實時收集的網絡數據,對網絡策略的全生命周期運行狀況進行驗證。因此,未來對于網絡策略驗證可以采用數字孿生技術,基于實時收集的網絡數據,對網絡策略的全生命周期運行狀況進行驗證。

      4 結束語

      未來6G 網絡既要以“數據”為基礎,也要以“智能”為核心,通過“計算-通信-控制”有機融合,構建智聯服務,支持動態多變的IT3.0 時代業務需求。本文綜合基于意圖的網絡和知識定義網絡的優勢,提出意圖抽象與知識聯合驅動的6G 內生智能網絡架構,首先設計意圖抽象模塊,從“What you want”準確獲取“What to do”,其次提出認知模塊,利用機器學習和邏輯推理聯合動態優化獲取網絡知識,從而根據“What to do”高效完成“How to configure the network”,實現知識從內部驅動網絡智能決策,意圖從外部驅動網絡自動化部署,提高網絡應用普適性,最終實現網絡自治。目前,內生智能網絡架構和關鍵技術正在完善中,隨著網絡日益復雜,服務需求也逐漸增多,未來還需進一步融合人-機-物、人工智能等技術,提高網絡服務效率。

       

      1作者:楊靜雅1 唐曉剛2 周一青1 劉玲1 Jiangzhou Wang3 來源:通信學報 編輯:顧北

       

      聲明:①凡本網注明“來源:通信界”的內容,版權均屬于通信界,未經允許禁止轉載、摘編,違者必究。經授權可轉載,須保持轉載文章、圖像、音視頻的完整性,并完整標注作者信息并注明“來源:通信界”。②凡本網注明“來源:XXX(非通信界)”的內容,均轉載自其它媒體,轉載目的在于傳遞更多行業信息,僅代表作者本人觀點,與本網無關。本網對文中陳述、觀點判斷保持中立,不對所包含內容的準確性、可靠性或完整性提供任何明示或暗示的保證。請讀者僅作參考,并請自行承擔全部責任。③如因內容涉及版權和其它問題,請自發布之日起30日內與本網聯系,我們將在第一時間刪除內容。 
      熱點動態
      普通新聞 中信科智聯亮相2023中國移動全球合作伙伴大會
      普通新聞 全球首個基于Data Channel的新通話商用網絡呼叫成功撥通
      普通新聞 中國聯通:以優質通信服務 助力“一帶一路”共建繁華
      普通新聞 楊杰:未來五年,智算規模復合增長率將超過50%
      普通新聞 長沙電信大樓火災調查報告發布:系未熄滅煙頭引燃,20余人被問責
      普通新聞 鄔賀銓:生態短板掣肘5G潛能發揮,AI有望成“破局之劍”
      普通新聞 工信部:加大對民營企業參與移動通信轉售等業務和服務創新的支持力
      普通新聞 摩爾線程亮相2023中國移動全球合作伙伴大會,全功能GPU加速云電腦體
      普通新聞 看齊微軟!谷歌表示將保護用戶免受人工智能版權訴訟
      普通新聞 聯想王傳東:AI能力已成為推動產業升級和生產力躍遷的利刃
      普通新聞 APUS李濤:中國的AI應用 只能生長在中國的大模型之上
      普通新聞 外媒:在電池競賽中,中國如何將世界遠遠甩在后面
      普通新聞 三星電子預計其盈利能力將再次下降
      普通新聞 報告稱華為5G專利全球第1 蘋果排名第12
      普通新聞 黨中央、國務院批準,工信部職責、機構、編制調整
      普通新聞 榮耀Magic Vs2系列正式發布,刷新橫向大內折手機輕薄紀錄
      普通新聞 GSMA首席技術官:全球連接數超15億,5G推動全行業數字化轉型
      普通新聞 北京聯通完成全球首個F5G-A“單纖百T”現網驗證,助力北京邁向萬兆
      普通新聞 中科曙光亮相2023中國移動全球合作伙伴大會
      普通新聞 最高補貼500萬元!哈爾濱市制定工業互聯網專項資金使用細則
      通信視界
      鄔賀銓:移動通信開啟5G-A新周期,云網融合/算
      普通對話 中興通訊徐子陽:強基慧智,共建數智熱帶雨
      普通對話 鄔賀銓:移動通信開啟5G-A新周期,云網融合
      普通對話 華為輪值董事長胡厚崑:我們正努力將5G-A帶
      普通對話 高通中國區董事長孟樸:5G與AI結合,助力提
      普通對話 雷軍發布小米年度演講:堅持做高端,擁抱大
      普通對話 聞庫:算網融合正值挑戰與機遇并存的關鍵階
      普通對話 工信部副部長張云明:我國算力總規模已居世
      普通對話 鄔賀銓:我國互聯網平臺企業發展的新一輪機
      普通對話 張志成:繼續加強海外知識產權保護工作 為助
      普通對話 吳春波:華為如何突破美國6次打壓的逆境?
      通信前瞻
      亨通光電實踐數字化工廠,“5G+光纖”助力新一
      普通對話 亨通光電實踐數字化工廠,“5G+光纖”助力新
      普通對話 中科院錢德沛:計算與網絡基礎設施的全面部
      普通對話 工信部趙志國:我國算力總規模居全球第二 保
      普通對話 鄔賀銓院士解讀ChatGPT等數字技術熱點
      普通對話 我國北方海區運用北斗三號短報文通信服務開
      普通對話 華為云Stack智能進化,三大舉措賦能政企深度
      普通對話 孟晚舟:“三大聚力”迎接數字化、智能化、
      普通對話 物聯網設備在智能工作場所技術中的作用
      普通對話 軟銀研發出以無人機探測災害被埋者手機信號
      普通對話 AI材料可自我學習并形成“肌肉記憶”
      普通對話 北斗三號衛星低能離子能譜儀載荷研制成功
      普通對話 為什么Wi-Fi6將成為未來物聯網的關鍵?
      普通對話 馬斯克出現在推特總部 收購應該沒有懸念了
      普通對話 臺積電澄清:未強迫員工休假或有任何無薪假
      普通對話 新一代載人運載火箭發動機研制獲重大突破
      推薦閱讀
      Copyright @ Cntxj.Net All Right Reserved 通信界 版權所有
      未經書面許可,禁止轉載、摘編、復制、鏡像
      亚洲超碰在线91,亚洲九九在线网站,亚洲精品欧美一级A片在线播放,亚洲精品4444