目 錄前言 1背景與驅(qū)動力 1相關(guān)標準進展 2ETF 2ETSI 2TT 33GPP 3相關(guān)概念 4自智網(wǎng)絡(luò) 4知識定義 4意圖網(wǎng)絡(luò) 5需求性分析 6功能需求分析 6技術(shù)需求分析 8架構(gòu)及關(guān)鍵技術(shù) 10總體架構(gòu) 10用戶面 11知識面 11意圖面 14控制面 15數(shù)據(jù)面 15關(guān)鍵閉環(huán)流程 15知識意圖的雙閉環(huán)流程 15意圖的多級閉環(huán)流程 17關(guān)鍵技術(shù) 18知識的形成技術(shù) 18知識定義的管控技術(shù) 20資源調(diào)度技術(shù) 23意圖轉(zhuǎn)譯技術(shù) 24策略驗證技術(shù) 27應(yīng)用場景 28智能流量預(yù)測規(guī)劃 28按需策略生成與部署 29人機協(xié)同網(wǎng)絡(luò)維護 30知識定義的網(wǎng)絡(luò)多指標聯(lián)合優(yōu)化 31總結(jié)與展望 32縮略語 I參考文獻 III參編單位與人員 前言背景與驅(qū)動力目前網(wǎng)絡(luò)的快速發(fā)展導(dǎo)致網(wǎng)絡(luò)急劇復(fù)雜化和差異化這一變化催生了對網(wǎng)絡(luò)管控系統(tǒng)功能便捷性多樣性的更高要求這一要求本質(zhì)上是對網(wǎng)絡(luò)管控智能性的更高要求。網(wǎng)絡(luò)管控流程可以劃分為網(wǎng)絡(luò)感知、狀態(tài)分析、意圖輸入與轉(zhuǎn)譯策略生成策略下發(fā)五個主要階段4G網(wǎng)絡(luò)中網(wǎng)絡(luò)管控的主要流程由人工完成，AI等智能方法作為輔助工具，整個管控流程智能性較為初級。網(wǎng)絡(luò)進入5G時代新的智能網(wǎng)元的引入在網(wǎng)絡(luò)感知階段和狀態(tài)分析階段實現(xiàn)了數(shù)據(jù)智能分析功能有效推進網(wǎng)絡(luò)管控流程的智能化程度預(yù)計在網(wǎng)絡(luò)進入6G時代網(wǎng)絡(luò)管控流程中剩余階段實現(xiàn)網(wǎng)絡(luò)的自驅(qū)動形成一個網(wǎng)絡(luò)自智閉環(huán)除此之外一個具有智能的網(wǎng)絡(luò)不但要能夠完成對自身狀態(tài)的理解和對自身性能的優(yōu)化更應(yīng)當能夠?qū)⑦@一系列知識傳播出去比如需要人員介入調(diào)控的時候恰到好處地理解需求、提供信息、評估和解決方案；又或者閉環(huán)狀態(tài)下在不同網(wǎng)絡(luò)之間交流知識共同發(fā)展，完成網(wǎng)絡(luò)的自我演進。近年意圖網(wǎng)（ntentbsdNtworB得到業(yè)界的普遍關(guān)注IBN的思想最早來自軟件定義網(wǎng)絡(luò)基于意圖的北向接口，后來由Grtnr于2017年式提1隨著意圖網(wǎng)絡(luò)的引入網(wǎng)絡(luò)自治的發(fā)展目標逐步清晰就是逐步實現(xiàn)網(wǎng)絡(luò)的自規(guī)劃自適應(yīng)自優(yōu)化自管理資源按需服務(wù)最終達成網(wǎng)隨意動其中，如何有效獲取用戶意圖是關(guān)鍵難點，目前出現(xiàn)一些基于DSL（Domin-SpificLngugs設(shè)計的意圖表示語言都是通過一些關(guān)鍵字原語和表達語來描述用戶對網(wǎng)絡(luò)的需求它的優(yōu)點是可以在特定的環(huán)境下描述用戶意圖得的配置策略也具有很高的準確性它的缺點也很突出并不是用戶的自然語言達，抽象級別仍然較低，需要向NP方向演進。同時，如何生成滿足該需求網(wǎng)絡(luò)策略還缺乏必要的智能性這也是實現(xiàn)網(wǎng)絡(luò)自治替代傳統(tǒng)人工網(wǎng)絡(luò)管模式的關(guān)鍵。另外，網(wǎng)絡(luò)驗證作為BN的關(guān)鍵環(huán)節(jié)，發(fā)揮著不可或缺的重要用目前主流方法之一是形式化方法18式化方法可以通過數(shù)學方法證明系統(tǒng)策略的正確性然而這種方法有著開發(fā)成本高昂建模程度有限等局限性中國移動牽頭打造的數(shù)字孿生網(wǎng)絡(luò)19架構(gòu)僅有效地解決了上述問題還實現(xiàn)了模型與實體的高度一致性，進一步增強網(wǎng)絡(luò)策略驗證的正確性。此外，美國MT的DavidClak教授和他的隊在2003年所提出的知識知識平KnoledgePlan2被公認為是一個優(yōu)秀的理論設(shè)想一方面知識具有先驗性利用其中的經(jīng)驗或結(jié)果可以加快意圖轉(zhuǎn)譯策略生成等過程中AI模型的訓(xùn)練速度和準確度另一方面識具有普適性即個知識點的驗或結(jié)果可以被復(fù)用處理網(wǎng)絡(luò)環(huán)境下多種相似的網(wǎng)絡(luò)自治問題因此將識有機地融入有網(wǎng)絡(luò)提高其智能性會強化網(wǎng)絡(luò)對用戶的意圖理解與執(zhí)行能力。相關(guān)標準進展IETF互聯(lián)網(wǎng)工程任務(wù)組(nterntngineringtaskforce，ETF在2014年~2015年期間成立了SUPAsimplifiduseofpoliybstrtions)工作組，在此期間，ECAvnt-onditiontion)和intnt(當時叫dclativ策略都作為SUPA的一部分，不過后來討論認為intnt較為偏遠，暫時從SUPA范圍中刪除intent，但保留了未來擴展的計劃。2018年，SUPA架構(gòu)發(fā)布為RC83383，除了策略架構(gòu)，還探討了策業(yè)務(wù)資源的關(guān)系，為未來網(wǎng)絡(luò)對意圖的支持做了鋪墊。此外，互聯(lián)網(wǎng)研究專門工作組(nterntrsarhtaskfore，IRT)的NMRGntworkmangementrsrhgrou)工作組也在努力制定相關(guān)標準，NMRG在RC75754]和RC75765著手于網(wǎng)絡(luò)自動化的研究，并將意圖定義為一種用來運維網(wǎng)絡(luò)的抽象的高層次的策略此外在RC83166]中描述了一個網(wǎng)絡(luò)自動化的應(yīng)用場景即對于服務(wù)級別協(xié)議(srvielevlgrementSL的監(jiān)控。ETSI2017年2月，ETSI成立業(yè)界首個網(wǎng)絡(luò)智能化規(guī)范組——體驗式網(wǎng)絡(luò)智能業(yè)規(guī)范小ExprintilNtwordntelligncendustrySpeifitionGoupENISGENISG定義了基于感知適應(yīng)決策執(zhí)行控制模型的認知網(wǎng)絡(luò)管理架構(gòu)，利用I和上下文感知策略來根據(jù)用戶需求、環(huán)境狀況和業(yè)務(wù)目標的變化來調(diào)整網(wǎng)絡(luò)服通過自動化的服務(wù)提供運營和保障以及切片管理和資源編排優(yōu)化來提升5G網(wǎng)絡(luò)性能。目前，該小組的輸出成果包括術(shù)語規(guī)范、概念驗證（PoC）框架、應(yīng)用案例、智能網(wǎng)絡(luò)分級、意圖感知的自治網(wǎng)以及ENI架構(gòu)7等。ITT目前TT主要由SG13進行在未來網(wǎng)絡(luò)中實現(xiàn)機器學習的研究工作T-TSG13于2017年11月成立了面向包括5G在內(nèi)的未來網(wǎng)絡(luò)機器學習焦點組該焦點組負責起草機器學習適用于未來網(wǎng)絡(luò)的技術(shù)報告和規(guī)范包括網(wǎng)絡(luò)體系結(jié)構(gòu)、接口、協(xié)議、算法、應(yīng)用案例與數(shù)據(jù)格式等8。在IU-TSG15于2020年1月的全會，Q12和Q14確定將機器學習如何應(yīng)用到傳送網(wǎng)納入標準工作范圍，并希望能夠充分分析A/ML在傳送網(wǎng)中的用途；如何將機器學習應(yīng)用于傳送網(wǎng)現(xiàn)有的功能和運維中并能夠給傳送網(wǎng)帶來哪些新的能力分析除了現(xiàn)有的管理和控制系統(tǒng)之外，還有哪些場景需要使用人工智能技術(shù)。3GPP3GPPSAG5在208年9月第81次上通過了意圖驅(qū)動的移動網(wǎng)絡(luò)管理服務(wù)IMS_MN），在該項目的輸出TR28.8129中明確了圖驅(qū)動的網(wǎng)絡(luò)管理服務(wù)的概念、自動化機制、應(yīng)用場景以及描述意圖的機制等。在2020年6月召開的第131次議上，3GPPSAG5成立自治網(wǎng)絡(luò)分級（AutonomousNtworkLvls，L）標準項目10，該項目由中國移動作為獨立報告人牽頭，旨在在3GPP框架內(nèi)基于網(wǎng)絡(luò)規(guī)建維優(yōu)”四大類典型場景規(guī)范自治網(wǎng)絡(luò)的工作流程管理要求和分級方法明確不同網(wǎng)絡(luò)自治能力標準對3GPP現(xiàn)有功能特性的增強技術(shù)要求，牽引網(wǎng)絡(luò)智能化相關(guān)標準工作。相關(guān)概念自智網(wǎng)絡(luò)morum組織多次發(fā)布白皮書，提出并細化自智網(wǎng)絡(luò)及相關(guān)概念。自網(wǎng)絡(luò)應(yīng)網(wǎng)絡(luò)智能化發(fā)展而生通過網(wǎng)絡(luò)運維自身的數(shù)智化轉(zhuǎn)型升級滿足數(shù)智產(chǎn)品對網(wǎng)絡(luò)體驗和敏捷支撐的更高要求牽引信息服務(wù)邁上新的臺階自智網(wǎng)旨在構(gòu)建網(wǎng)絡(luò)全生命周期的自動化智能化運維能力面向消費者和垂直行業(yè)戶提零等待、零故障、零接觸的新型網(wǎng)絡(luò)與CT服務(wù)，打造“自配置、自復(fù)、自優(yōu)的數(shù)智化運維能力。在文獻11中，morum提出了自智網(wǎng)絡(luò)的智能化分級標準，如下表11所示同時morum指出通信網(wǎng)絡(luò)的復(fù)雜性決定了實現(xiàn)高階的自智網(wǎng)絡(luò)是一長期目標，需要分步實現(xiàn)：從1提供重復(fù)行操作的替代方案，到2執(zhí)行絡(luò)環(huán)境和網(wǎng)絡(luò)設(shè)備狀態(tài)的感知和監(jiān)控，3根據(jù)多種因素和策略做出決策，以4有效感知最終用戶體驗直到最后5網(wǎng)絡(luò)能夠感知運營商和用戶的意圖我優(yōu)化和演進。表11自智網(wǎng)絡(luò)分級標準本白皮書認為為支撐自智網(wǎng)絡(luò)的建設(shè)與發(fā)展需要構(gòu)建知識空間以邏集中化的AI平臺為智能引擎為網(wǎng)絡(luò)管控平臺和網(wǎng)元賦予AI認知能力基于樣的架構(gòu)可以實現(xiàn)知識賦能網(wǎng)絡(luò)自智有效地推動智能網(wǎng)絡(luò)向高階自智標準進。知識定義本白皮書定義，網(wǎng)絡(luò)知識是網(wǎng)絡(luò)系統(tǒng)中I算法可以存取、使用的，有關(guān)目標網(wǎng)絡(luò)的經(jīng)驗規(guī)律，以及人工智能模型。下文把網(wǎng)絡(luò)知識統(tǒng)稱為“知識。2017年，AlbrtMstrs在發(fā)表的論文《Knoledgdefindntworing》12]中提出“知識定義”這一工作模式，以及“知識定義網(wǎng)絡(luò)”這一網(wǎng)絡(luò)架構(gòu)。文中指出知識定義是結(jié)合SDN范式知識驅(qū)動”的思想以及人工智能算法形成的一種新型智能網(wǎng)絡(luò)工作模式而知識定義網(wǎng)絡(luò)是利用知識定義的工作模式進行網(wǎng)絡(luò)智能決策的新型網(wǎng)絡(luò)架構(gòu)，流程圖如圖11所示。圖11知識定義網(wǎng)絡(luò)的作流程本白皮書認為知識定義的核心是利用網(wǎng)絡(luò)內(nèi)外新舊數(shù)據(jù)學習網(wǎng)絡(luò)知識，以知識圖譜和預(yù)訓(xùn)練大模型的形式儲存于控制面，并驅(qū)動網(wǎng)絡(luò)中的各項算法憑借網(wǎng)絡(luò)知識的先驗性和普適性縮短網(wǎng)絡(luò)任務(wù)的處理響應(yīng)時間使網(wǎng)絡(luò)做出按需合理且全局最優(yōu)的行為。實現(xiàn)網(wǎng)絡(luò)自驅(qū)動。意圖網(wǎng)絡(luò)意圖是所有期望的正式規(guī)范包括對技術(shù)系統(tǒng)的要求目標和約束25如李福亮等《基于意圖的網(wǎng)絡(luò)研究綜述13所意圖網(wǎng)絡(luò)的本質(zhì)是網(wǎng)絡(luò)為用戶提供一個簡單的意圖接口,用戶通過這個接口描述他們期盼網(wǎng)絡(luò)達到的狀態(tài)而不用描述如何實現(xiàn)這個狀態(tài),網(wǎng)絡(luò)將自動完成配置,滿足用戶的需求。區(qū)別于命令式語言的輸入，意圖網(wǎng)絡(luò)創(chuàng)新地實現(xiàn)面向描述性語言的轉(zhuǎn)化與理解。此外，雖然業(yè)界目前還沒有完全統(tǒng)一的BN體系結(jié)構(gòu)，但是不同的BN結(jié)構(gòu)的核心要素是一致的，如圖12所示。BN的體系結(jié)構(gòu)參照SDN的分層結(jié)自上而分為應(yīng)用層意圖層和網(wǎng)絡(luò)層其中意圖層是意圖網(wǎng)絡(luò)的核心肩著將由用戶通過北向輸入的意圖結(jié)合實時的網(wǎng)絡(luò)狀態(tài)信息翻譯為為正確合的網(wǎng)絡(luò)策略并通過南向策略下發(fā)接口下發(fā)至網(wǎng)絡(luò)各節(jié)點的關(guān)鍵工作理想情下BN可以在不同的網(wǎng)絡(luò)中同時進行意圖的部署然而由于各種素的限制目前大多數(shù)的研究工作僅在單一的網(wǎng)絡(luò)環(huán)境下實現(xiàn)了B。圖12 N體系結(jié)構(gòu)需求性分析功能需求分析隨著自智網(wǎng)絡(luò)意圖網(wǎng)絡(luò)及相關(guān)技術(shù)的日趨成熟與受到廣泛關(guān)注它們的展前景被業(yè)界給予關(guān)注這包括自智網(wǎng)絡(luò)的智能性的升級帶來的網(wǎng)絡(luò)運行與控的準確性和速度的提升以及人力成本的可觀下降意圖網(wǎng)絡(luò)的輸入門檻的低且允許網(wǎng)絡(luò)中各級用戶直接接入并支持進行各類非命令式的意圖翻譯及快速地執(zhí)行反饋若上述愿景得以實現(xiàn)當前由運維人員統(tǒng)一匯總下發(fā)命令操作網(wǎng)絡(luò)的方式將被終結(jié)取而代之在用戶側(cè)意圖得以在各級用戶處直接自然語言的形式輸入無需層層匯總也無需專業(yè)的網(wǎng)絡(luò)知識而且面對已入的意圖用戶還能得到及時的網(wǎng)絡(luò)執(zhí)行結(jié)果反饋在網(wǎng)絡(luò)側(cè)引入數(shù)據(jù)與知雙驅(qū)動的思想，為意圖處理與網(wǎng)絡(luò)自治的各類算法提高效率22。基于上述分析，本白皮書利用BN與網(wǎng)絡(luò)知識的組合模式，提出知識自治閉環(huán)與意圖管控閉環(huán)結(jié)合的雙閉環(huán)管理流程作為知識定義的意圖網(wǎng)絡(luò)關(guān)鍵流程一方面知識定義的意圖網(wǎng)絡(luò)將網(wǎng)絡(luò)中的數(shù)據(jù)有機地構(gòu)成圖譜結(jié)合預(yù)訓(xùn)練模型，共同應(yīng)用于BN架構(gòu)，形成具有更高智能性的網(wǎng)絡(luò)知識決策過程，實現(xiàn)網(wǎng)絡(luò)自治另一方面知識定義的意圖網(wǎng)絡(luò)包含大量自然語言處理相關(guān)的網(wǎng)絡(luò)知識夠理解處理各類和網(wǎng)絡(luò)相關(guān)的自然語言意圖因此用戶意圖的輸入方式不再限于專業(yè)性較高的網(wǎng)絡(luò)命令且網(wǎng)絡(luò)中各類用戶均可以直接利用自然語言與網(wǎng)直接交互，控制網(wǎng)絡(luò)實現(xiàn)自己的需求。因此，我們認為知識定義的意圖網(wǎng)絡(luò)將成為網(wǎng)絡(luò)自治和意圖處理的新方向，成為推動網(wǎng)絡(luò)智能化的重要手段之一具體來說根據(jù)上文的需求分析知識定義的意圖網(wǎng)絡(luò)應(yīng)具有以下幾項核心功能，各功能之間的關(guān)系要求如圖21所示圖21知識定義的意圖絡(luò)功能關(guān)系圖第一個功能是信息輸入的功能這些信息包括各級用戶直接向網(wǎng)絡(luò)輸入的意圖和各類供網(wǎng)絡(luò)學習的外部知識等等知識定義的意圖網(wǎng)絡(luò)應(yīng)能夠?qū)⒉煌脩粢鈭D按照輸入格式分類后實現(xiàn)意圖處理等功能另外將用戶輸入的外部知在后續(xù)實現(xiàn)知識表征等功能。第二個功能是知識表征的功能知識定義的意圖網(wǎng)絡(luò)應(yīng)能依據(jù)實時收集的據(jù)結(jié)合歷史數(shù)據(jù)和外部輸入的手冊專家經(jīng)驗等各類外部知識學習與網(wǎng)自治相關(guān)的網(wǎng)絡(luò)知識形成結(jié)構(gòu)化的知識圖譜和人工智能模型儲存于預(yù)先設(shè)的知識庫中，以備知識決策等功能的實現(xiàn)。第三個功能為知識決策的功能知識定義的意圖網(wǎng)絡(luò)具備利用知識庫中的類網(wǎng)絡(luò)知識結(jié)合適當?shù)腁I算法針對網(wǎng)絡(luò)狀態(tài)快速準確地生成網(wǎng)絡(luò)策略智能地動態(tài)地為網(wǎng)絡(luò)中的業(yè)務(wù)按需分配網(wǎng)絡(luò)資源保證資源供給合理資源配及時準確另一方面系統(tǒng)利用知識庫中的故障知識圖譜進行網(wǎng)絡(luò)故障的根分析并能夠合理地調(diào)整網(wǎng)絡(luò)管控策略解決網(wǎng)絡(luò)中存在的故障新生成的網(wǎng)策略在下發(fā)到網(wǎng)絡(luò)之前需經(jīng)過策略驗證正確后才能夠下發(fā)執(zhí)行。第四個功能是策略驗證的功能知識定義的意圖網(wǎng)絡(luò)需要通過智能算法建物理網(wǎng)絡(luò)的數(shù)字孿生體并利用孿生體模擬網(wǎng)絡(luò)應(yīng)用待下發(fā)的網(wǎng)絡(luò)策略后的絡(luò)狀態(tài)，檢測可能出現(xiàn)的網(wǎng)絡(luò)故障，對業(yè)務(wù)QoS的滿足情況等等以此驗證絡(luò)策略的正確性合理性正確的網(wǎng)絡(luò)策略被下發(fā)至網(wǎng)絡(luò)各節(jié)點網(wǎng)絡(luò)狀態(tài)改變新的網(wǎng)絡(luò)數(shù)據(jù)產(chǎn)生。第五個功能為網(wǎng)絡(luò)數(shù)據(jù)收集功能知識定義的意圖網(wǎng)絡(luò)應(yīng)能夠?qū)崟r感知所控的網(wǎng)絡(luò)中的網(wǎng)絡(luò)狀態(tài)信息包括網(wǎng)絡(luò)拓撲流量特征故障信息業(yè)務(wù)信等不僅如此網(wǎng)絡(luò)還應(yīng)當在采集的同時對各類數(shù)據(jù)進行清晰和整理作為知學習的來源之一，實現(xiàn)知識表征的功能。第六個功能是意圖處理的功能。知識定義的意圖網(wǎng)絡(luò)能夠結(jié)合不同的I算法將自然語言正確地翻譯為網(wǎng)絡(luò)策略不僅如此系統(tǒng)支持借助實時的網(wǎng)絡(luò)數(shù)據(jù)對用戶的歷史意圖的實現(xiàn)情況進行驗證其中若發(fā)現(xiàn)未被實現(xiàn)的意圖系統(tǒng)能夠自動重復(fù)嘗試實現(xiàn)直至意圖被成功實現(xiàn)或被更新的用戶意圖輸入替代由意圖轉(zhuǎn)化的網(wǎng)絡(luò)策略在下發(fā)之前同樣需要經(jīng)過策略驗證功能。第七個功能是輸出反饋的功能知識定義的意圖網(wǎng)絡(luò)提供給網(wǎng)絡(luò)中用戶的反饋信息網(wǎng)絡(luò)能夠根據(jù)用戶角色不同反饋不同的數(shù)據(jù)內(nèi)容內(nèi)容與用戶角色深度耦合。不僅如此，系統(tǒng)還能夠通過該接口向用戶反饋其意圖輸入的實現(xiàn)情況2022年中國移動提出6G網(wǎng)絡(luò)三體四層五面14的總體架構(gòu)確6G網(wǎng)絡(luò)在空間邏輯功能三個角度的發(fā)展方向期望6G網(wǎng)絡(luò)實現(xiàn)跨域跨層維等特點本白皮書認為知識定義的意圖網(wǎng)絡(luò)完全契合中國移動的6G網(wǎng)絡(luò)體設(shè)計規(guī)劃。知識定義的意圖網(wǎng)絡(luò)主體位于服務(wù)化功能層的智能面部署運用識定義”所需的網(wǎng)絡(luò)知識，可以有效地調(diào)度資源與算力層的網(wǎng)絡(luò)基礎(chǔ)資源，在路由與連接層實現(xiàn)網(wǎng)絡(luò)狀態(tài)感知和策略下發(fā)在服務(wù)化功能層用戶面打通意圖輸?shù)那澜柚芾砭幣朋w和數(shù)字孿生體的手段和能力實現(xiàn)跨層連接形成意和知識的雙閉環(huán)自智網(wǎng)絡(luò)。技術(shù)需求分析知識定義的意圖網(wǎng)絡(luò)作為一種新型的網(wǎng)絡(luò)管理形式可以結(jié)合各類網(wǎng)絡(luò)技框架，在不同的網(wǎng)絡(luò)任務(wù)中發(fā)揮作用，如圖22所示。圖22知識定義的意圖絡(luò)的技術(shù)需求對于網(wǎng)絡(luò)全生命周期閉環(huán)自治知識定義的圖網(wǎng)絡(luò)能夠建立全域網(wǎng)絡(luò)復(fù)雜場景下的智能化異常檢測與自愈的基礎(chǔ)理論框架實現(xiàn)雙閉環(huán)控制增強網(wǎng)絡(luò)魯棒性以全局視角觀測網(wǎng)絡(luò)層間行為通過狀態(tài)預(yù)警異常檢測根因分析故障自愈四方面實現(xiàn)網(wǎng)絡(luò)自智利用知識平面與數(shù)據(jù)可信共享機制打通異常檢測網(wǎng)絡(luò)容量預(yù)測與網(wǎng)絡(luò)資源管理等多個網(wǎng)絡(luò)管控領(lǐng)域?qū)崿F(xiàn)全域網(wǎng)絡(luò)管控數(shù)據(jù)的特征共享、模型公用、策略互通。對于各級網(wǎng)絡(luò)用戶意圖知識定義的意圖網(wǎng)絡(luò)應(yīng)能夠提供相應(yīng)的意圖輸入口以及輸出反饋出口。不僅如此，知識定義的意圖網(wǎng)絡(luò)還應(yīng)當可以利用I算與網(wǎng)絡(luò)知識對嵌入在自然語言的意圖進行精準的抽取與翻譯對于本級用戶有限和資源實現(xiàn)的意圖轉(zhuǎn)換為網(wǎng)絡(luò)策略對于本級用戶無法實現(xiàn)的意圖智能換為下層用戶意圖。對于網(wǎng)絡(luò)資源按需分配，知識定義的意圖網(wǎng)絡(luò)能夠從意圖處理、覆蓋范圍性能指標業(yè)務(wù)場景等角度分析網(wǎng)絡(luò)全新服務(wù)理念全新設(shè)計架構(gòu)最佳性能保障等面向未來沉浸式個性化的全場景按需服務(wù)和極可靠極低時延性能需求凝練全景全域網(wǎng)絡(luò)管控知識以形式化方法對全場景全域網(wǎng)絡(luò)管控對象進行統(tǒng)一建模與表征明確相互約束機制合理高效解析用戶意圖編排與管控網(wǎng)絡(luò)資源，以提供高精度服務(wù)等級，支持超高可靠、超高精度、極低時延性能。對于大規(guī)模自智網(wǎng)絡(luò)拓撲感知自愈與重構(gòu)知識定義的意圖網(wǎng)絡(luò)能夠研立體覆蓋空間大規(guī)模分散自主節(jié)點分布規(guī)律利用自學習發(fā)現(xiàn)可用資源節(jié)點態(tài)調(diào)整組網(wǎng)規(guī)模及網(wǎng)絡(luò)參數(shù)基于模糊數(shù)學理論對網(wǎng)絡(luò)實體與全域資源建立非對稱映射關(guān)系確定拓撲組網(wǎng)區(qū)域形成多域跨域協(xié)同按需組網(wǎng)學習推理網(wǎng)絡(luò)自愈及重構(gòu)機理，甄別混雜在眾多正常通信節(jié)點中的惡意節(jié)點，快速發(fā)現(xiàn)異常設(shè)計節(jié)點動態(tài)遷移及拓撲重構(gòu)機制。對于融入高階的網(wǎng)絡(luò)管控體系知識定義的圖網(wǎng)絡(luò)能夠挖掘和分析網(wǎng)絡(luò)管控體系與未來演進式網(wǎng)絡(luò)的內(nèi)在關(guān)系系統(tǒng)性地設(shè)計網(wǎng)絡(luò)管控有機架構(gòu)做到可信、便捷地自主接入、知識定義調(diào)配、能力協(xié)同互聯(lián)為核心技術(shù)設(shè)計安全管控智能管控意圖管控三個平面實現(xiàn)智能化可信化與定制化等技術(shù)的深度交叉融合，為網(wǎng)絡(luò)提供持續(xù)演進動力。隨著BA云計算等新一代技術(shù)架構(gòu)的發(fā)展知識定義的意圖網(wǎng)絡(luò)式得以從理論成為現(xiàn)實在上述網(wǎng)絡(luò)任務(wù)中的研究和應(yīng)用也證實其所具備的如智能的自然語言意圖處理能力高速準確的決策能力網(wǎng)絡(luò)全局視野等各優(yōu)勢因而將網(wǎng)絡(luò)知識引入網(wǎng)絡(luò)中結(jié)合傳統(tǒng)的意圖網(wǎng)絡(luò)架構(gòu)構(gòu)建知識定的意圖網(wǎng)絡(luò)新形式，是下一代網(wǎng)絡(luò)發(fā)展的必然趨勢。架構(gòu)及關(guān)鍵技術(shù)總體架構(gòu)知識定義的意圖網(wǎng)絡(luò)白皮書基于意圖網(wǎng)絡(luò)和自智網(wǎng)絡(luò)構(gòu)想了一套網(wǎng)絡(luò)方案通過結(jié)合兩種概念和關(guān)鍵技術(shù)構(gòu)建人工智能和大數(shù)據(jù)引擎考慮不同網(wǎng)絡(luò)層次的特點進行解耦設(shè)計模塊化實現(xiàn)分層部署同時聚焦高價值場景按需引入AI能力實現(xiàn)泛在的意圖處理智能化和全網(wǎng)自智遵從已有自智網(wǎng)絡(luò)分級體系，能夠成為實現(xiàn)5的一種實現(xiàn)方案，隨自智網(wǎng)絡(luò)逐步推進。知識定義的意圖網(wǎng)絡(luò)的總體架構(gòu)圖如圖31所示整體基于SD/BN架構(gòu)，由用戶面意圖面知識面控制面和數(shù)據(jù)面構(gòu)成其中用戶面負責收集網(wǎng)絡(luò)中各級用戶的意圖輸入并發(fā)送到意圖面數(shù)據(jù)面的網(wǎng)絡(luò)數(shù)據(jù)由控制面采集后送至意圖面和知識面。意圖面利用I算法理解用戶意圖，并將用戶意圖轉(zhuǎn)化機器可識別的網(wǎng)絡(luò)配置需求傳遞給知識面同時意圖面也檢查已轉(zhuǎn)譯的意圖網(wǎng)絡(luò)中的實際實現(xiàn)情況知識面是網(wǎng)絡(luò)的智慧中樞包含網(wǎng)絡(luò)新舊數(shù)據(jù)外部驗以及I算法模型構(gòu)建的知識庫。在知識面，網(wǎng)絡(luò)可以驗證待下發(fā)的策略的確性同時也可以利用知識庫優(yōu)化網(wǎng)絡(luò)決策算法的速度與準度并實現(xiàn)網(wǎng)絡(luò)的動化管控。圖31知識定義的意圖絡(luò)架構(gòu)圖用戶面用戶面作為用戶輸入意圖監(jiān)控網(wǎng)絡(luò)行為的接口存在具體包括信息輸入和信息反饋模塊信息輸入模塊允許用戶向網(wǎng)絡(luò)輸入用戶意圖與供網(wǎng)絡(luò)學習專家經(jīng)驗日志手冊等等通常情況下在收到用戶的輸入信息后信息輸模塊會將不同形式的輸入內(nèi)容統(tǒng)一整理為預(yù)設(shè)的數(shù)據(jù)格式以便網(wǎng)絡(luò)中的其它塊直接使用信息反饋模塊能夠按需實時向用戶反饋所需的網(wǎng)絡(luò)狀態(tài)信息以用戶意圖的完成情況。知識面知識面作為知識定義的意圖網(wǎng)絡(luò)的核心之一具備知識庫以及知識表征塊、策略生成模塊和策略驗證模塊。? 知識庫知識庫主要作用是存儲與目標網(wǎng)絡(luò)相關(guān)的所有網(wǎng)絡(luò)知識供其它模塊取用和更新通常情況下網(wǎng)絡(luò)知識以知識圖譜或人工智能模型的形式存儲于知識庫中以知識圖譜的形式存儲的網(wǎng)絡(luò)知識來源于網(wǎng)絡(luò)產(chǎn)生的歷史數(shù)據(jù)和由用戶輸入的外部知識預(yù)置模板策略庫以及由控制面探測采集的目標網(wǎng)絡(luò)的網(wǎng)狀態(tài)數(shù)據(jù)其中外部知識又可細分為網(wǎng)絡(luò)拓撲運維手冊專家經(jīng)驗等等述不同知識來源的具體解釋如下：歷史數(shù)據(jù)主要是記錄網(wǎng)絡(luò)運維的日志，其關(guān)鍵信息包括網(wǎng)絡(luò)拓撲變更情況、網(wǎng)絡(luò)策略變化情況、網(wǎng)絡(luò)故障及排障信息、用戶意圖及實現(xiàn)況等。網(wǎng)絡(luò)拓撲指在目標網(wǎng)絡(luò)以外各個網(wǎng)域常見的網(wǎng)絡(luò)拓撲結(jié)構(gòu)以及對應(yīng)的常規(guī)的網(wǎng)絡(luò)運維策略集，常見的故障信息和故障處理方式等。運維手冊是網(wǎng)絡(luò)設(shè)備商網(wǎng)絡(luò)運營商針對自身產(chǎn)品推出的指導(dǎo)手冊旨在規(guī)范網(wǎng)絡(luò)運行中使用網(wǎng)絡(luò)資源的流程，以及常見的軟硬件更新流程和故障解決方式。專家經(jīng)驗是指領(lǐng)域內(nèi)專家所提供的網(wǎng)絡(luò)運維的專業(yè)經(jīng)驗，具體包含專家對不同網(wǎng)絡(luò)結(jié)構(gòu)的管控經(jīng)驗，以及對網(wǎng)絡(luò)故障的理解、分類與處經(jīng)驗等。預(yù)置模板是根據(jù)目標網(wǎng)絡(luò)提前設(shè)計的一些意圖語言模板。這些模板在意圖轉(zhuǎn)譯過程中AI算法根據(jù)實體挖掘的結(jié)果以統(tǒng)一的計算機語進行填充。策略庫是包含網(wǎng)絡(luò)中常見的網(wǎng)絡(luò)可執(zhí)行的網(wǎng)絡(luò)策略集。策略庫的子策略和預(yù)置模板的屬性值鍵值對呈映射關(guān)系在意圖轉(zhuǎn)譯的最后一配合預(yù)置模板，AI算法通過搜索填充的方式生成網(wǎng)絡(luò)策略集。網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)是知識定義的意圖網(wǎng)絡(luò)控制面實時采集到的數(shù)據(jù)面的各類信息，包括網(wǎng)絡(luò)拓撲結(jié)構(gòu)，以及諸如時延、帶寬、吞吐量等關(guān)鍵網(wǎng)絡(luò)指標。這些數(shù)據(jù)格式并不統(tǒng)一可能是高度組織和整齊格式化的結(jié)構(gòu)化數(shù)據(jù)也能是不符合關(guān)系數(shù)據(jù)表的形式關(guān)聯(lián)起來的數(shù)據(jù)模型結(jié)構(gòu)但包含相關(guān)標記用分隔語義元素以及對記錄和字段進行分層的半結(jié)構(gòu)化數(shù)據(jù)也可以是如聲音像等非結(jié)構(gòu)化的數(shù)據(jù)因此在存儲之前數(shù)據(jù)需要按照其結(jié)構(gòu)不同經(jīng)知識構(gòu)技術(shù)處理，最終以知識圖譜的形式存儲于知識庫。人工智能模型來源是意圖面、知識面各個模塊的I算法的產(chǎn)物，它們在史網(wǎng)絡(luò)任務(wù)中經(jīng)過調(diào)優(yōu)收斂在任務(wù)結(jié)束后被保存在知識庫中在新的網(wǎng)絡(luò)務(wù)中，這些模型被各個模塊的I算法取用，由算法按照實時的網(wǎng)絡(luò)狀態(tài)信息參數(shù)做出調(diào)整后使用在知識定義的意圖網(wǎng)絡(luò)中這類人工智能模型包括深強化學習選路模型深度強化學習決策模型基于規(guī)則的決策模型啟發(fā)式算決策模型、語義表征模型、標簽篩選模型、基本分類器和再學習模型等。知識表征模塊知識表征模塊主要作用是挖掘網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)的規(guī)律性或關(guān)聯(lián)性形成網(wǎng)絡(luò)識并做積累儲存為此知識表征模塊包含數(shù)據(jù)清洗數(shù)據(jù)分類知識構(gòu)建和識儲存四個功能點。數(shù)據(jù)清洗利用網(wǎng)絡(luò)知識和AI算法分析所選網(wǎng)絡(luò)數(shù)據(jù)識別其中不合理片段，并對其剔除，對剩余數(shù)據(jù)重新整理排列；數(shù)據(jù)分類：對于結(jié)構(gòu)化數(shù)據(jù)，模塊按照數(shù)據(jù)中的關(guān)鍵屬性對數(shù)據(jù)分類；對于半結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)，模塊利用多重知識提取技術(shù)，完從海量網(wǎng)絡(luò)數(shù)據(jù)中識別關(guān)鍵屬性，并對數(shù)據(jù)分類；知識構(gòu)建：模塊利用分類整理過的數(shù)據(jù)對已有的知識圖譜進行新建或更新對于無關(guān)聯(lián)的兩個知識點模塊嘗試通過推理等手段建立關(guān)系知識存儲在知識定義的意圖網(wǎng)絡(luò)中網(wǎng)絡(luò)知識以知識圖譜的結(jié)構(gòu)存儲在知識庫。模塊利用多種存儲技術(shù)，完成知識庫的構(gòu)建和維護。策略生成模塊策略生成模塊利用數(shù)據(jù)與知識相結(jié)合的自驅(qū)動機制通過網(wǎng)絡(luò)知識和預(yù)訓(xùn)模型縮短I模型訓(xùn)練時間、提高模型輸出策略的準確率。策略生成模塊主要現(xiàn)的功能包括：訓(xùn)練I模型、形成編排與管控策略。策略生成模塊的兩項功能具有相互依托關(guān)系。一方面，AI模型的輸出將導(dǎo)編排與管控策略的生成；另一方面，AI模型的訓(xùn)練需要依靠策略變化帶來網(wǎng)絡(luò)狀態(tài)變化后的收集到的網(wǎng)絡(luò)知識。訓(xùn)練AI模型模塊利用當前網(wǎng)絡(luò)數(shù)據(jù)故障信息等和深度強化學算法優(yōu)化知識庫中的預(yù)訓(xùn)練模型參數(shù)，直至模型收斂，將新的模型作預(yù)訓(xùn)練模型存入知識庫；形成網(wǎng)絡(luò)策略：從模型的輸出獲取當前網(wǎng)絡(luò)策略。策略驗證模塊策略驗證模塊能夠基于數(shù)據(jù)平面實際的網(wǎng)絡(luò)信息構(gòu)建更新網(wǎng)絡(luò)的數(shù)字生驗證平臺并借助平臺模擬輸入策略后的網(wǎng)絡(luò)行為驗證策略的合理性及反饋驗證結(jié)果模塊會動態(tài)增量式地獲取網(wǎng)絡(luò)信息調(diào)整和保存網(wǎng)絡(luò)仿真模型并非遇到實際網(wǎng)絡(luò)變化或新規(guī)則插入便重新建模提高驗證效率此外仿真型將實際數(shù)據(jù)平面中的不同功能進行邏輯連接建模為各個節(jié)點并非將每個際設(shè)備映射為節(jié)點這種做法使模塊在面對網(wǎng)絡(luò)規(guī)則網(wǎng)絡(luò)拓撲變化等情況時需要進行復(fù)雜調(diào)整便可以更新模型策略驗證模塊包含網(wǎng)絡(luò)建模正確性驗證反饋告警三個功能點。網(wǎng)絡(luò)建模：結(jié)合數(shù)字孿生等技術(shù)手段對實時的物理網(wǎng)絡(luò)狀態(tài)進行數(shù)字映射，為策略驗證提供虛擬驗證平臺；正確性驗證利用數(shù)學模型和AI算法等方式在虛擬驗證平臺仿真驗證策略下發(fā)后的網(wǎng)絡(luò)狀態(tài)，探測可能出現(xiàn)的網(wǎng)絡(luò)故障（如黑洞、環(huán)等），最終判斷待驗證策略的合理性和正確性；反饋告警：若待驗證策略未通過策略驗證，則生成告警信息。意圖面意圖面是知識定義的意圖網(wǎng)絡(luò)的另一大智能核心其主要任務(wù)是接收來自于用戶面的各種形式的意圖輸入，并準確地在輸入中挖掘出用戶需求，根據(jù)需求自動化制定網(wǎng)絡(luò)策略在策略下發(fā)后意圖面能對意圖的實現(xiàn)情況進行核驗意圖面具體包括意圖轉(zhuǎn)譯模塊和意圖驗證模塊意圖轉(zhuǎn)譯模塊意圖轉(zhuǎn)譯模塊利用I算法，結(jié)合相關(guān)的自然語言處理知識圖譜，處理用的意圖輸入，生成匹配的網(wǎng)絡(luò)策略。模塊需要利用I算法對用戶輸入的自然言解析構(gòu)成意圖的形式化表達并盡可能將復(fù)雜的意圖拆分成多個簡單的意的集合。在驗證用戶意圖正確合理之后，模塊進而嘗試使用I算法將意圖轉(zhuǎn)為填充過的意圖模板意圖轉(zhuǎn)譯模塊主要實現(xiàn)的功能包括意圖解析意圖轉(zhuǎn)譯意圖解析模塊利用I算法解析用戶所輸入的內(nèi)容挖掘其中的鍵屬性與關(guān)鍵值。對復(fù)雜的、隱晦的意圖，模塊還可以結(jié)合自然語言識圖譜對意圖進行有效地分解，使其最終成為一些簡單的顯式意圖的合；意圖轉(zhuǎn)譯：模塊結(jié)合使用知識面中知識圖譜和人工智能模型，通過AI算法將已經(jīng)形式化表達的用戶意圖最終轉(zhuǎn)譯為填充過的意圖模板。意圖驗證模塊意圖驗證模塊的主要工作是對歷史意圖的實現(xiàn)情況的核實模塊通過檢索時網(wǎng)絡(luò)數(shù)據(jù)中的關(guān)鍵屬性的狀態(tài)值或日志檢驗網(wǎng)絡(luò)的相關(guān)屬性是否達到意圖預(yù)期要求。控制面控制面作為知識定義中數(shù)據(jù)傳遞和策略下發(fā)的關(guān)鍵，發(fā)揮承上啟下的作用具體包括網(wǎng)絡(luò)狀態(tài)感知和策略下發(fā)兩個模塊。網(wǎng)絡(luò)狀態(tài)感知模塊實時采集數(shù)據(jù)面中的網(wǎng)絡(luò)數(shù)據(jù)模塊利用網(wǎng)絡(luò)測量技術(shù)從網(wǎng)絡(luò)流量中獲取預(yù)設(shè)的關(guān)鍵網(wǎng)絡(luò)數(shù)據(jù)例如時延帶寬丟包率等等每隔一段時間，模塊將采集到的數(shù)據(jù)統(tǒng)一格式化成意圖面各模塊可以取用的數(shù)據(jù)格式并發(fā)送到意圖面。策略下發(fā)模塊接收意圖面最新的網(wǎng)絡(luò)策略并將其格式化為網(wǎng)絡(luò)設(shè)備可以用的形式，并下發(fā)至網(wǎng)絡(luò)中各個設(shè)備。數(shù)據(jù)面數(shù)據(jù)面主要包含實際網(wǎng)絡(luò)中的所有物理實體網(wǎng)絡(luò)中的網(wǎng)元通過南向接口與控制面交互網(wǎng)絡(luò)數(shù)據(jù)和網(wǎng)絡(luò)策略。物理網(wǎng)絡(luò)既可以是移動接入網(wǎng)、移動核心網(wǎng)也可以是數(shù)據(jù)中心網(wǎng)絡(luò)、園區(qū)企業(yè)網(wǎng)、工業(yè)物聯(lián)網(wǎng)等等;既可以是單一網(wǎng)絡(luò)域子網(wǎng)，也可以是復(fù)雜跨域網(wǎng)絡(luò)。關(guān)鍵閉環(huán)流程知識意圖的雙閉環(huán)流程在知識定義的意圖網(wǎng)絡(luò)中網(wǎng)絡(luò)知識自治圖處理是核心流程圖32知識定義的意圖網(wǎng)絡(luò)的流程圖其中一方面網(wǎng)絡(luò)使用網(wǎng)絡(luò)知識對網(wǎng)絡(luò)策略成算法進行優(yōu)化和加速使輸出策略達到全局最優(yōu)另一方面網(wǎng)絡(luò)借助數(shù)字生驗證平臺對待下發(fā)的策略進行驗證上述過程構(gòu)成知識自治閉環(huán)該閉環(huán)中網(wǎng)絡(luò)的決策流程圍繞知識庫和數(shù)字孿生驗證平臺的使用實現(xiàn)內(nèi)生智能釋放工資源，達到智能動態(tài)網(wǎng)絡(luò)管控的自智狀態(tài)。此外，網(wǎng)絡(luò)通過意圖輸入、意圖解析、意圖轉(zhuǎn)譯、自動化配置、自動修復(fù)策略驗證策略下發(fā)網(wǎng)絡(luò)狀態(tài)感知輸出反饋幾個步驟構(gòu)成意圖管控閉環(huán)該閉環(huán)中，網(wǎng)絡(luò)通過不同的I算法解析不同形式的用戶意圖輸入，并抽取其中的關(guān)鍵實體轉(zhuǎn)化為網(wǎng)絡(luò)策略在策略下發(fā)前網(wǎng)絡(luò)通過不同階段的多次驗證和校驗確保待下發(fā)策略既能滿足用戶意圖又不妨礙網(wǎng)絡(luò)正常運行這樣可以使網(wǎng)絡(luò)處理各類形式的意圖，進而降低用戶操控網(wǎng)絡(luò)的門檻，更好地實現(xiàn)按需服務(wù)在I模型可信度較高的場景，如選路場景、切片場景等等，知識閉環(huán)與意圖閉環(huán)雙閉環(huán)的形式極大程度地降低人力需求同時又可以保證網(wǎng)絡(luò)按需服務(wù)然而在可信度不佳的場景網(wǎng)路管控還需以人為管控為主同時通過不斷積累的知識提升目標場景下AI模型可信度，不斷擴充雙閉環(huán)流程的自動化邊界。圖32知識定義的意圖絡(luò)雙閉環(huán)流程意圖的多級閉環(huán)流程圖33意圖的多級閉環(huán)程圖如圖33所示在知識定義的意圖網(wǎng)絡(luò)中按照意圖需求的作用域不同圖管控閉可以被細化分為三層終端服務(wù)體驗服務(wù)提供基礎(chǔ)資源提供與絡(luò)資源運營。處于終端服務(wù)體驗層的意圖是對終端服務(wù)的體驗需求，包括對服務(wù)的訂閱退訂需求調(diào)整等等進行專業(yè)化的調(diào)整終端體驗意圖的表達形式有可能是非專業(yè)性的描述語句也可能是模糊不清的表述語句知識定義的意圖網(wǎng)絡(luò)能夠智能化挖掘其中的需求，并轉(zhuǎn)化為服務(wù)運營中相對應(yīng)的需求。處于服務(wù)提供層的意圖是為支撐優(yōu)良的服務(wù)運營針對服務(wù)獲取與使用網(wǎng)資源的需求知識定義的意圖網(wǎng)絡(luò)不僅可以準確地將意圖向下傳遞更能通過身知識的積累預(yù)測長短期的服務(wù)意圖指導(dǎo)下層網(wǎng)絡(luò)運營提前調(diào)整資源分配服務(wù)提前獲得所需的資源，以免QoS波動，影響服務(wù)運營質(zhì)量。處于基礎(chǔ)資源提供與網(wǎng)絡(luò)資源運營層的意圖指為維持網(wǎng)絡(luò)正常運行對網(wǎng)基礎(chǔ)資源的需求在本層意圖又可以細化為資源需求意圖和資源調(diào)度意圖源需求意圖是滿足網(wǎng)絡(luò)正常運營網(wǎng)絡(luò)虛擬資源的分配需求資源調(diào)度意圖為撐網(wǎng)絡(luò)資源虛擬化對網(wǎng)絡(luò)物理資源的調(diào)度需求知識定義的意圖網(wǎng)絡(luò)能夠準地將兩種意圖轉(zhuǎn)換為相應(yīng)的網(wǎng)絡(luò)策略，以達到對資源的正確分配調(diào)度。關(guān)鍵技術(shù)根據(jù)知識定義的意圖網(wǎng)絡(luò)雙閉環(huán)架構(gòu)以及實現(xiàn)按需自智的功能愿景21關(guān)鍵技術(shù)可以劃分為知識形成知識管控資源調(diào)度意圖轉(zhuǎn)譯策略驗證五類技術(shù)。知識的形成技術(shù)知識定義的意圖網(wǎng)絡(luò)區(qū)別于其它網(wǎng)絡(luò)模式的一大顯著特點是其可以利用對知識的分析使用使自己具有“智能。因此，確定知識的來龍去脈是尤為重要的如圖34所示為知識定義的意圖網(wǎng)絡(luò)中知識的形成過程。圖34知識的形成過程圖在知識庫的構(gòu)建中較為困難的部分是利用專家經(jīng)驗設(shè)備手冊運維日等材料建立知識圖譜本白皮書利用序列標注命名實體識別關(guān)系實體識別自然語言處理技術(shù)結(jié)合專家決策提出一種自頂向下為主自底向上為輔專業(yè)領(lǐng)域知識圖譜構(gòu)建方案主要流程圖如圖35所示通過自頂向下的方式領(lǐng)域本體形成嚴格的多標簽約束概念定義約束和實體關(guān)系約束并借助自然言處理模型以自底向上的方式進一步擴展本體和數(shù)據(jù)規(guī)模提高知識圖譜的確性和構(gòu)建效率，對于提升領(lǐng)域知識圖譜的質(zhì)量具有重要意義。圖35專業(yè)領(lǐng)域知識圖建立流程圖根據(jù)知識的使用場景知識運用技術(shù)各不相同每個場景都應(yīng)當有針對性的設(shè)計。那么，知識是如何形成呢？一種重要的形式，是結(jié)構(gòu)化的語義知識圖譜，以符號形式描述物理世界中的概念及其相互關(guān)系。通過自動化和半自動化方式，可以形成實體間關(guān)聯(lián)性的形式化表達用于描述物理世界中的概念及其相互關(guān)系其基本組成單位是“實體－關(guān)系－實體”三元組，以及實體及其相關(guān)屬性－值對。實體間通過關(guān)系相互聯(lián)結(jié)構(gòu)成網(wǎng)狀的知識結(jié)構(gòu)方便用來做智能決策故障自愈、意圖處理等。同時機器學習的模型也可以作為承載知識的載體通過機器學習來生成型定義網(wǎng)絡(luò)策略雖已有較多成果利用現(xiàn)有的AI算法來直接解決網(wǎng)絡(luò)問題但是其效果往往不是特別理想面對更廣泛的網(wǎng)絡(luò)場景只有打開神經(jīng)網(wǎng)絡(luò)的盒，提出真正適合網(wǎng)絡(luò)特性的AI模型，才能進一步真正實現(xiàn)智能網(wǎng)絡(luò)自治。一種較為主流的步驟如下首先數(shù)據(jù)通過一定的規(guī)則被分類整理成有相性的信息這些信息可以按需被存儲在數(shù)據(jù)庫中以方便調(diào)用接著系統(tǒng)需要過人工智能對信息進行學習理解產(chǎn)生模型化的知識并根據(jù)意圖和知識系統(tǒng)進學習和推理優(yōu)化知識模型通常情況下系統(tǒng)會將知識以圖譜的結(jié)構(gòu)方式做相性連接存儲在預(yù)先根據(jù)網(wǎng)絡(luò)特征與使用需求設(shè)計的知識庫中以便在未來的環(huán)控制中循環(huán)利知識并提升系統(tǒng)效率最后網(wǎng)絡(luò)系統(tǒng)根據(jù)不同場景不同的使用相應(yīng)的網(wǎng)絡(luò)知識控制網(wǎng)絡(luò)行為的改變即知識的運用新的行為又產(chǎn)生新的數(shù)據(jù)被系統(tǒng)回收，依次往復(fù)。知識定義的管控技術(shù)知識定義的意圖網(wǎng)絡(luò)全生命周期的智能運維需要以全局視角獲取數(shù)據(jù)并通過智能選路異常檢測以及故障自愈等方法優(yōu)化網(wǎng)絡(luò)管理實現(xiàn)網(wǎng)絡(luò)的閉環(huán)自治智能管控基于知識定義網(wǎng)絡(luò)調(diào)配構(gòu)建智能化的全場景知識平面對網(wǎng)絡(luò)各層的資源進行優(yōu)化調(diào)配，定義多層次可演進的全場景全域資源調(diào)配知識體系為了實現(xiàn)高度動態(tài)網(wǎng)絡(luò)環(huán)境下的自主管控，需要具有智能管控功能的部署方式明確管控實體的資源調(diào)度流程和機制面向各異的網(wǎng)絡(luò)場景和業(yè)務(wù)需求精準快速實現(xiàn)資源的高效調(diào)度。雖然目前已有的人工智能和機器學習技術(shù)在4G/5G網(wǎng)絡(luò)中普遍應(yīng)用但由于網(wǎng)絡(luò)拓撲和業(yè)務(wù)的復(fù)雜性基于人工智能的網(wǎng)絡(luò)管控難以滿足網(wǎng)絡(luò)資源隨需即用的需求基于知識定義的智能管控技術(shù)能夠通過學習得到的知識實現(xiàn)對網(wǎng)絡(luò)的全局認知決策推演和動態(tài)調(diào)整滿足復(fù)雜網(wǎng)絡(luò)條件下的各類業(yè)務(wù)需求?；趶娀瘜W習的選路算法強化學習作為機器學習的另一個熱點其基本思想是通過模仿人類或動物學習中嘗試與失敗機制運用智能體在與環(huán)境的交互過程中獲得的獎勵來學習最佳決策行強化學習目前已經(jīng)被運用至計算機網(wǎng)絡(luò)的各個層次例如網(wǎng)絡(luò)層的路由協(xié)議傳輸層的擁塞控制協(xié)議應(yīng)用層的視頻流媒體和云計算資源分配等基于強化學習的選路算法相較于其他選路算法具有三大優(yōu)勢首先基于強化學習的選路算法具有更高的靈活性通常由于網(wǎng)絡(luò)系統(tǒng)的動態(tài)性和復(fù)雜性導(dǎo)致在具體的研究問題上往往難以建立精確的數(shù)學模型和設(shè)計高性能的算法但強化學習自身是可擴展、可解釋的，能夠靈活的應(yīng)對網(wǎng)絡(luò)狀態(tài)和拓撲多變的問題其次基于強化學習的選路算法能夠更快做出決策網(wǎng)絡(luò)中策略下發(fā)需要具有較高的實時性否則基于短期網(wǎng)絡(luò)波動做出的決策會影響后續(xù)網(wǎng)絡(luò)強化學習具有較快的推理速度實時推導(dǎo)出基于當前網(wǎng)絡(luò)狀態(tài)的策略滿足復(fù)雜網(wǎng)絡(luò)場景的需要最后強化學習方法提供一種端到端的設(shè)計模式使得不同網(wǎng)絡(luò)系統(tǒng)中資源分配算法設(shè)計的邊界模糊化，具有較高的魯棒性和穩(wěn)定性24。但強化學習也有其自身的局限性面對網(wǎng)絡(luò)發(fā)生較大變化時則需要強化習模型能更快收斂以在新的網(wǎng)絡(luò)環(huán)境中做出決策但當前的強化學習技術(shù)難以速準確捕捉新的網(wǎng)絡(luò)環(huán)境的特征此時需要加入外部知識不僅幫助強化學習型加速學習而且能在強化學習模型的學習過程中先做出臨時選路決策來保證絡(luò)業(yè)務(wù)的平穩(wěn)運行。本白皮書所提路由算法17以SDN網(wǎng)絡(luò)為例典型流程圖如下。由網(wǎng)絡(luò)控制器收集網(wǎng)絡(luò)狀（如各鏈路的時延帶寬等強化學習模型對當前網(wǎng)絡(luò)狀態(tài)碼，做出選路決策，通過網(wǎng)絡(luò)控制端下發(fā)到具體網(wǎng)絡(luò)中，在SDN網(wǎng)絡(luò)中，則SDN控制器通過下發(fā)流表來控制網(wǎng)絡(luò)進行選路。同時，深度強化學習模型通獎勵函數(shù)更新參數(shù)基于以上流程不斷進行學習和推斷為保證模型的學習效和網(wǎng)絡(luò)的平穩(wěn)運行，知識庫提供相應(yīng)外部知識支撐選路模塊。圖36基于強化學習選算法流程圖多指標的異常狀態(tài)檢測網(wǎng)絡(luò)的異常往往涉及業(yè)務(wù)應(yīng)用系統(tǒng)多個層面故障的定位和解決需要大量日志分15指標分析和系統(tǒng)研判傳統(tǒng)技術(shù)手段監(jiān)管控的運維方式已難以滿足業(yè)務(wù)發(fā)展的要求此外由于測量技術(shù)的進步以及用戶業(yè)務(wù)急劇增加對異常檢測技術(shù)的要求越來越高。因此，要利用一種融合多指標的異常檢測技術(shù)，不僅能綜合考慮網(wǎng)絡(luò)中各項關(guān)鍵性能指標也要對不同場景進行特定的模型編排并做到以下兩點：高效率——不再割裂的看到故障現(xiàn)象能夠快速的在多個表象中清因果關(guān)系，并將根因快速的挖掘出來；高精準——最大程度的避免人為判斷時引入的干擾因素，使得分析結(jié)果的可行度大大提升。也隨著故障處理次數(shù)的積累，可以給出相應(yīng)處理意見。除上述兩點，智能網(wǎng)異常檢測領(lǐng)域現(xiàn)面臨一個重大難題：檢測手段越豐富告警量越大然而有價值的信息卻并不多例如一個一般規(guī)模的商行每日事件量約800條而真正有意義的內(nèi)容往往只有幾十條一個大型金融機構(gòu)如果采用閾值告警方式每日事件量可能在百萬條數(shù)量級因此如何融合眾多的告警信，匯總定位有效信息，成為一大重難點。知識定義的意圖網(wǎng)絡(luò)能夠利用基于拓撲感知的時間序列異常檢測方法20]，完成對故障的檢測定位具體的實踐流程如圖37所示在離線學習過程中網(wǎng)絡(luò)在知識面利用知識庫中豐富的專家經(jīng)驗預(yù)設(shè)規(guī)則以及實時優(yōu)化指導(dǎo)首先實現(xiàn)將告警事件進行劃分處理把告警事件劃分至一個時間窗口內(nèi)進而挖掘出正確的告警關(guān)聯(lián)關(guān)系告警關(guān)聯(lián)關(guān)系具體可以劃分為告警上下文關(guān)聯(lián)和告警內(nèi)容關(guān)聯(lián)知識定義的意圖網(wǎng)絡(luò)結(jié)合兩者挖掘告警事件的關(guān)聯(lián)關(guān)系最終獲得告警事件兩兩之間的拓撲關(guān)系。最后網(wǎng)絡(luò)采用預(yù)設(shè)的I算法進行社區(qū)劃分，劃分出具有強關(guān)聯(lián)的告警分組；在線學習過程中，網(wǎng)絡(luò)首先利用知識庫中的標簽篩選模型基本分類器和再學習模型通過實時指標定位故障信息形成告警事件接著進行社區(qū)匹配若匹配成功則將該告警事件劃分至該社區(qū)內(nèi)若匹配失敗則將該事件與經(jīng)過離線學習的事件進行文本相似度計算取文本相似度最大的告警作為該事件所在的社區(qū)。然后，網(wǎng)絡(luò)使用I算法對所有強關(guān)聯(lián)的社區(qū)進行故障定位，獲得根因并反饋。圖37異常檢測技術(shù)流圖資源調(diào)度技術(shù)知識定義的意圖網(wǎng)絡(luò)的資源調(diào)度技術(shù)是知識定義體系中編排工作的重要使能技術(shù)之一可以在網(wǎng)絡(luò)運行過程中實時檢測網(wǎng)絡(luò)各項資源的使用情況也可以根據(jù)需求和判斷動態(tài)劃分網(wǎng)絡(luò)資源按照一定的預(yù)設(shè)規(guī)則將不同的劃分資源供給不同的用戶或業(yè)務(wù)具體來說針對每一項資源的不同情況該技術(shù)使網(wǎng)絡(luò)能夠結(jié)合網(wǎng)絡(luò)知識業(yè)務(wù)特征和用戶需求等因素預(yù)測網(wǎng)絡(luò)中未來每類業(yè)務(wù)對該資源的使用情況同時依據(jù)資源的客觀總量提前動態(tài)地調(diào)度資源避免網(wǎng)絡(luò)中的業(yè)務(wù)因資源緊張而QoS下降，也會避免供過于求，大量網(wǎng)絡(luò)資源被閑置，造成資源浪費的情況資源調(diào)度技術(shù)的目標不僅是帶寬CPU等物理資源也包含切片等虛擬資源。圖38資源調(diào)度技術(shù)的要能力如圖38所示資源調(diào)度技術(shù)應(yīng)當擁有資源的動態(tài)劃分能力劃分資源間的隔離能力以及全生命周期追溯能力，以應(yīng)對網(wǎng)絡(luò)場景多樣化直接導(dǎo)致業(yè)務(wù)特征用戶需求的多樣化，和網(wǎng)絡(luò)中需要調(diào)度的資源的龐大數(shù)量和種類。圖39基于N的資源度技術(shù)流程圖以SDN為例，本白皮書所提資源調(diào)度技術(shù)的流程16如圖39所示，通過資源監(jiān)視器獲取網(wǎng)絡(luò)狀態(tài)及可用資源再通過基于規(guī)則的決策模型啟發(fā)式算法策模型或深度強化學習決策模型來做出切片策略并將策略下發(fā)到資源調(diào)度器源調(diào)度器再將具體策略下發(fā)到網(wǎng)絡(luò)中執(zhí)行。意圖轉(zhuǎn)譯技術(shù)意圖轉(zhuǎn)譯技術(shù)旨在將用戶的自然語言意圖轉(zhuǎn)換為網(wǎng)絡(luò)可執(zhí)行的策略集傳統(tǒng)的意圖網(wǎng)絡(luò)將意圖定義為自然語言意圖本白皮書不僅考慮自然語言形式的意圖也包括動作語音等形式的意圖在轉(zhuǎn)換的過程中利用命名實體識別語音識別序列標注等技術(shù)挖掘出意圖中的實體利用文本分類語義表征文本生成技術(shù)填充知識庫預(yù)置的意圖模版再利用知識庫的策略庫將填充好的意圖模版轉(zhuǎn)換成由多條子策略形成的策略集最終控制面依次執(zhí)行策略集中的策略完成用戶意圖的實現(xiàn)。意圖轉(zhuǎn)譯技術(shù)流程圖如圖310所示。圖310意圖轉(zhuǎn)譯流程圖基于知識的意圖實體挖掘在日常生活場景中由于大量數(shù)據(jù)的存在用戶的意圖可以被輕易探知并挖掘但在特定網(wǎng)絡(luò)場景下用戶的需求與網(wǎng)絡(luò)中各種設(shè)備的型號往往是多樣的外部設(shè)備的相關(guān)信息難以挖掘因此通過知識庫引入外部知識增強意圖挖掘模型的準確性意圖挖掘通常利用機器學習統(tǒng)計學習等方式統(tǒng)計學習偏向于利用自然語言的關(guān)鍵詞詞頻等統(tǒng)計性語義信息從而完成對意圖的挖掘機器學習方法偏向于利用詞向量即將文本編碼為含有語義信息的向量后再利用模型對文本中的時序信息進行處理從而挖掘出意圖實體基于知識的意圖實體挖掘流程圖如圖311所示。圖31基于知識的意圖體挖掘流程圖基于實體的意圖模版填充在完成對用戶意圖的實體挖掘后需要將意圖實體進行分類并填充到知庫預(yù)置的意圖模版中便于將意圖轉(zhuǎn)換為具體策略意圖模版的設(shè)計方式是較樣的大多數(shù)工作是設(shè)計或利用形式化語言將意圖實體填充到模版中既可作文本分類任務(wù)也可作為文本生成任務(wù)若對實體進行文本分類則可以利用計方法或深度學習方法結(jié)合原句語義對實體進行分類從而判斷如何將實體與版中的各類屬性配對若利用生成式方法進行模版填充則可以利用文本生成術(shù)意圖進行編碼再按照意圖模版進行文本生成最終得到填充后的意圖版，具體流程如下圖312所示。圖312意圖模板填充流程得到填充完的模版后遍歷搜尋知識庫中的策略庫按照模版的各個屬性值找到對應(yīng)的子策略從而生成策略集再將策略集傳遞到控制面完成意圖譯的流程。策略驗證技術(shù)策略驗證作為知識定義閉環(huán)中的關(guān)鍵一環(huán)是十分重要的一方面待驗的策略不能直接下發(fā)，以免引起網(wǎng)絡(luò)故障或業(yè)務(wù)QoS下降等問題另一方面策略驗證的速度和準確性必須得到保障以保證在篩選策略的同時還不超過待發(fā)策略的時目前對于策略的可執(zhí)行性驗證主要考慮資源的可用性策略沖突以及策略的正確性這三個方面在知識定義的編排與管控中驗證技術(shù)主包括數(shù)字孿生體的建立、策略仿真驗證兩方面。數(shù)字孿生體建立數(shù)字孿生體的建立需要利用數(shù)字孿生網(wǎng)絡(luò)相關(guān)技術(shù)為物理網(wǎng)絡(luò)進行建模全生命周期建模包括基礎(chǔ)模型和功能模型構(gòu)建兩部分基礎(chǔ)模型是指基于網(wǎng)元基本配置環(huán)境信息運行狀態(tài)鏈路拓撲等信息建立的對應(yīng)物理網(wǎng)絡(luò)的網(wǎng)元模型和拓撲模型實現(xiàn)對物理網(wǎng)絡(luò)的實時精確描述具體又可細分為三個步驟孿生網(wǎng)絡(luò)本體模型構(gòu)建統(tǒng)一表征融合網(wǎng)絡(luò)孿生體數(shù)據(jù)庫的構(gòu)建以及網(wǎng)元模型和拓撲模型按需組合的構(gòu)建，如圖313所示為示例中C的數(shù)字孿生體的意圖。功能模型面向?qū)嶋H網(wǎng)絡(luò)功能需求通過全生命周期的多種功能模塊實現(xiàn)動態(tài)演進的網(wǎng)絡(luò)推理決策功能模型可以根據(jù)各種網(wǎng)絡(luò)應(yīng)用的需求在多個維度構(gòu)建和擴展圖313數(shù)字孿生體示意圖策略仿真驗證為提升策略驗證的速度保證策略的時效性在驗證之前對待檢驗策略行分類整理即網(wǎng)絡(luò)通過知識歸納具有相同網(wǎng)絡(luò)行（包括但不限于網(wǎng)絡(luò)議首發(fā)端口優(yōu)先級等等的網(wǎng)絡(luò)策略來減輕驗證的工作量以此為整體的證工作提速。當網(wǎng)絡(luò)孿生體構(gòu)建完畢后，網(wǎng)絡(luò)將待驗證策略注入孿生體，觀測仿真結(jié)果通常的驗證可以分為控制面驗證和數(shù)據(jù)面驗證兩種方式對網(wǎng)絡(luò)控制層的路由協(xié)議以及網(wǎng)絡(luò)環(huán)境進行仿真驗證路由策略可達性和數(shù)據(jù)包可達性具體方案包含全局仿真和局部形式化仿真全局仿真運所有AN內(nèi)部的協(xié)議的仿真生成相應(yīng)的數(shù)據(jù)平面數(shù)據(jù)包處理規(guī)則；局部形式化建模：當出現(xiàn)不確定性因素時采用邏輯表達式來編碼所有可能性，再使用求解器計算可能出現(xiàn)的情況。應(yīng)用場景隨著移動智能化產(chǎn)業(yè)蓬勃發(fā)展，面向企業(yè)、個人的業(yè)務(wù)也在不斷迭代升級。目前新型的業(yè)務(wù)可以給用戶提供前所未有的服務(wù)體驗為保障優(yōu)異的服務(wù)質(zhì)量這類業(yè)務(wù)較傳統(tǒng)業(yè)務(wù)會占用更多的網(wǎng)絡(luò)資源對網(wǎng)絡(luò)故障帶來的負面影響更加敏感在這種背景下網(wǎng)絡(luò)管理系統(tǒng)的各項功能也必須得到同步提升做到自動化網(wǎng)絡(luò)規(guī)劃精細的資源劃分自主快速地故障自愈持續(xù)智能的優(yōu)化本報告從規(guī)建維四個角度選取當前的焦點和痛點場景分別介紹知識定義的意圖網(wǎng)絡(luò)在實現(xiàn)上述功能提升上的優(yōu)勢，并列舉一些示意方案。智能流量預(yù)測規(guī)劃伴隨著運營商提供不限量套餐網(wǎng)絡(luò)流量激增對現(xiàn)有網(wǎng)路流量規(guī)劃造成定的沖擊不僅如此諸如節(jié)假日雙11等特殊時間段的流量規(guī)律性暴增現(xiàn)有的流量規(guī)劃手段帶來巨大的壓力運營商亟需一種智能的流量預(yù)測算法網(wǎng)絡(luò)自主預(yù)測出周末工作日假日特殊日期以至于特殊時間段的流量特征知道網(wǎng)絡(luò)進行針對性的運維保障。知識定義的意圖網(wǎng)絡(luò)一方面可以有效地通過不斷地積累學習知識推動預(yù)測算法更加精準的識別不同節(jié)假日不同時段的流量特征另一方面可以通過知識遷移快速地為新的流量特匹配生成性能較優(yōu)的策略跳過繁瑣的策略生成步驟，在不損失QoS的情況下大幅縮短略生成響應(yīng)時間。不僅如此，用戶也可以通過意圖轉(zhuǎn)譯的方式有目的性的控制網(wǎng)絡(luò)進行流量規(guī)劃的模型選擇等等如圖41為一種智能流量預(yù)測規(guī)劃方案的示意圖。圖41智能流量預(yù)測規(guī)方案按需策略生成與部署當前5G網(wǎng)絡(luò)普遍采用的建設(shè)方案之一是切片方案該方案將業(yè)務(wù)應(yīng)用場景劃分為三大場景并通過將物理資源池切分與隔離按預(yù)設(shè)規(guī)則向不同場景調(diào)度資源。然而5G切片方案存在明顯不足。例如，資源利用率較低。雖然當前方案可以劃分有限幾類網(wǎng)絡(luò)資源但不能做到根據(jù)業(yè)務(wù)需求按需精細化調(diào)度資源資源調(diào)度方式相對靜態(tài)導(dǎo)致分配資源過剩不足的情況更有切片資源不匹配業(yè)務(wù)需求的問題。知識定義的意圖網(wǎng)絡(luò)結(jié)合切片方案能夠在滿足動態(tài)環(huán)境下多用戶的嚴和多樣化的服務(wù)要求的同時利用意圖轉(zhuǎn)譯等多種手段快速理解用戶需求并效地管理基礎(chǔ)設(shè)施網(wǎng)絡(luò)供應(yīng)商的多維資源根據(jù)多個用戶的意圖需求為他們建定制的切片可以實現(xiàn)靈活和適應(yīng)性強的資源管理此外網(wǎng)絡(luò)允許用戶通意圖輸入定制每個切片的資源分配同時網(wǎng)絡(luò)可以動態(tài)地適應(yīng)由用戶移動性變信道條件等引起的網(wǎng)絡(luò)環(huán)境變化提供更加敏捷高效的資源調(diào)度方案不如此借助網(wǎng)絡(luò)知識的全局視野系統(tǒng)能夠綜合考量全部業(yè)務(wù)需求和網(wǎng)絡(luò)整狀態(tài)生成全局最優(yōu)的策略而且系統(tǒng)還可以在自主監(jiān)控的同時快速發(fā)現(xiàn)位網(wǎng)絡(luò)中的故障并利用知識圖譜中積累的經(jīng)驗和規(guī)則在當前網(wǎng)絡(luò)狀態(tài)下進遷移學習迅生成策略及時有效地為業(yè)務(wù)規(guī)避故障點如圖42是基于知定義的意圖網(wǎng)絡(luò)的切片部署方案示意圖。圖42 按需策略生成部署意圖人機協(xié)同網(wǎng)絡(luò)維護現(xiàn)有的網(wǎng)絡(luò)維護方案通常是基于規(guī)則對網(wǎng)絡(luò)狀態(tài)進行監(jiān)控當某些關(guān)鍵網(wǎng)指（如時延丟包率等發(fā)生異常時由系統(tǒng)發(fā)出報警這些技術(shù)方案則聚在故障的根因分析上通過對網(wǎng)絡(luò)時序性數(shù)據(jù)的監(jiān)控發(fā)現(xiàn)可能存在的故障及致故障的具體原因并進行告警給出參考修復(fù)方案再由運維人員根據(jù)分析參方案對網(wǎng)絡(luò)進行維護。目前，上述方案普遍可以很好地完成對故障的基礎(chǔ)分析但根因定位的準確率卻不能得到保證，時常發(fā)生因為I運算樣本不足導(dǎo)致根因報告不準確，進而修復(fù)方案并不能解決根本故障，網(wǎng)絡(luò)無法脫離異常狀態(tài)。隨著知識定義的意圖網(wǎng)絡(luò)的引入用戶可以用過意圖網(wǎng)絡(luò)介入網(wǎng)絡(luò)維護的程一方面用戶可完全接管A完成網(wǎng)絡(luò)故障修復(fù)流程通過自然語言等單形式控制網(wǎng)絡(luò)另一方面用戶可以將外部經(jīng)驗輸入網(wǎng)絡(luò)通過不斷更新豐的知識庫，協(xié)助網(wǎng)絡(luò)處理網(wǎng)絡(luò)故障問題，有效解決I規(guī)則庫受限，或模型樣數(shù)量不足等問題或者用戶可以通過意圖輸入告知網(wǎng)絡(luò)期望網(wǎng)絡(luò)修復(fù)后達到狀態(tài)網(wǎng)絡(luò)以此需求完成最終的策略生成階段人機協(xié)同網(wǎng)絡(luò)維護參考流程圖圖43所示。圖43一種基于知識定的意圖網(wǎng)絡(luò)的路由護程圖知識定義的網(wǎng)絡(luò)多指標聯(lián)合優(yōu)化伴隨著網(wǎng)絡(luò)數(shù)據(jù)量的急速增長以及對各類業(yè)務(wù)的QoS需求變得逐增高網(wǎng)絡(luò)的流量工程問題逐漸受到業(yè)界關(guān)注。盡管當前的相關(guān)方案是基于DRL算的并且實現(xiàn)了在集中優(yōu)化的情況下取得了接近可觀的鏈路利用率性能但是案存在一些問題，導(dǎo)致實用性不高。一方面由于運營商和網(wǎng)絡(luò)用戶關(guān)注的指標不盡相同網(wǎng)絡(luò)優(yōu)化算法通常不止需要優(yōu)化網(wǎng)絡(luò)的某一指標而是進行多指標的聯(lián)合優(yōu)化通常情況下指標間的優(yōu)化條件存在相互制約的情況。并且，目前沒有一種DRL算法可以實現(xiàn)個目標以上的同步優(yōu)化；另一方面，若在現(xiàn)網(wǎng)中部署DRL模型，從網(wǎng)絡(luò)上層得端到端的指標并與其他設(shè)備共享是很費時的直接造成收斂時間過長致網(wǎng)絡(luò)性能下降不僅如此若換用離線訓(xùn)練仍然需要幾秒鐘的時間才能得一個可靠的結(jié)果加之模型和模擬器之間的交互時間訓(xùn)練時間仍然太長無被接受?？傊?，當前設(shè)計一個可以快速收斂應(yīng)用的模型還存在一定難度。知識定義的思想可以在聯(lián)合指標優(yōu)化的場景中發(fā)揮重要作用知識庫中儲的預(yù)訓(xùn)練大模型可以有效縮短模型收斂所需要的時間聯(lián)合外部經(jīng)驗更可以效地提高優(yōu)化效果另外知識圖譜的推理特性可以存儲展示網(wǎng)絡(luò)中多種指標相互關(guān)系進一步幫助模型實現(xiàn)對網(wǎng)絡(luò)中的多指標進行聯(lián)合優(yōu)化如圖44為種使用知識定義的思想的聯(lián)合優(yōu)化方案示意圖圖44一種延遲和利用的聯(lián)合優(yōu)化方案總結(jié)與展望本白皮書基于上述網(wǎng)絡(luò)現(xiàn)狀和發(fā)展趨勢提出知識定義的意圖網(wǎng)絡(luò)體系細介紹網(wǎng)絡(luò)知識和知識定義的基本概念給出了知識定義的意圖網(wǎng)絡(luò)的考架構(gòu)明確了知識定義的意圖網(wǎng)絡(luò)方法的五大關(guān)鍵技術(shù)簡要分析了知識定義的意圖網(wǎng)絡(luò)方法的典型需求和應(yīng)用場景。知識定義的意圖網(wǎng)絡(luò)的演進是分級的在初期可以面對網(wǎng)絡(luò)的熱點場景構(gòu)建知識庫實現(xiàn)重要場景的閉環(huán)自智與全場景的網(wǎng)絡(luò)人機協(xié)同自智；在中期可以通過遷移學習，以及前期知識的不斷更新實現(xiàn)多場景的網(wǎng)絡(luò)閉環(huán)自智在末期通過知識融合等手段進一步構(gòu)建全網(wǎng)的知識空間實現(xiàn)全網(wǎng)全場景的按需閉環(huán)自智23]本白皮書同步設(shè)計發(fā)布一套知識定義的意圖網(wǎng)絡(luò)原型系統(tǒng)通過聚焦選路場景實現(xiàn)這一熱點場景的閉環(huán)自智同時國內(nèi)外多家單位也已經(jīng)或計劃啟動相關(guān)或相似工作證明知識定義的意圖網(wǎng)絡(luò)的發(fā)展計劃是可行的。我們期望本白皮書能夠為知識定義的意圖網(wǎng)絡(luò)的科學研究和應(yīng)用實踐提供鋪墊與參助力自智網(wǎng)絡(luò)的演進我們倡議運營商設(shè)備商以及產(chǎn)業(yè)鏈各方合作伙伴攜手創(chuàng)新在以下幾個方面通力合作共同推進知識定義的意圖網(wǎng)絡(luò)發(fā)展：推動“知識定義的意圖網(wǎng)絡(luò)”標準化。積極參與標準組織中“自智網(wǎng)絡(luò)”和意圖網(wǎng)相關(guān)的標準化工作爭取早日使知識定義成為未來智能網(wǎng)絡(luò)的統(tǒng)一術(shù)標準。突破知識定義的意圖網(wǎng)絡(luò)關(guān)鍵技術(shù)。產(chǎn)學研密切合作，充分利用各類有資源和協(xié)作項目突破研究中的關(guān)鍵技術(shù)難題為產(chǎn)業(yè)成熟應(yīng)用奠定基礎(chǔ)取在2025年實現(xiàn)多場景的按需服務(wù)自智，能夠推動自智網(wǎng)絡(luò)到4級水平。建設(shè)知識定義的開放型平臺。知識定義的意圖網(wǎng)絡(luò)是基于數(shù)據(jù)知識雙動的新型智能網(wǎng)絡(luò)管控結(jié)構(gòu)網(wǎng)絡(luò)不止可以做到智能決策意圖處理等功能的應(yīng)用潛力亟待開發(fā)因此產(chǎn)學研界應(yīng)共同建設(shè)一個開的知識定義的平臺共同探索推動知識定義的意圖網(wǎng)絡(luò)的發(fā)展建設(shè)。縮略語英文簡稱英文全稱中文全稱3PP3dGneaonnepect第三合伙計劃5G5hGneaoneCouncaon第五移通標準6G6hGneaoneCouncaon第六移通標準AIAcalnelgence人工能NLAuonoousNeokeves自治絡(luò)級ACAppcaonccnegaedCcut專用成路RLDeepRenoeentLang深度化習ENIExperenalnegence實驗絡(luò)能EEuropenandadsnsue歐洲信準會JSNvaScptbectoaons對象譜TPHypeextnserocol超文傳協(xié)議nentBaedNewok意圖絡(luò)DnendvenRadoNewokConoer意圖動無網(wǎng)控器FTheInenetEnginenge國際聯(lián)工任組nenaonaleecouncaonUnn國際信盟UTTUandadzaoncor國際信盟信準局nenetocol網(wǎng)絡(luò)議Knwedeane知識面KnwedeDenedNeok知識義絡(luò)PIKeyoancendcaon關(guān)鍵能標LTMLonghoemeoy長短記憶oSQuayofvce業(yè)務(wù)務(wù)量NNRecuentNeualNewok循環(huán)經(jīng)絡(luò)RCReoecedueCal遠程程用NwaeDenedNewok軟件義絡(luò)AvceLvelgeeent服務(wù)級議MPpeNewoknagentocol簡單絡(luò)理議TFeeaageentoum電信理壇參考文獻rtn.InnovtionInsight:IntntBdtworkingSystems[EB/](201702)[20212].ttps://ww.grtn.om/doument/3599617_g2.93773598.229246059.1624864849-164588591.1624864849ClakD,PrtidgeC,RmmingJC,tal.Aknowldgeplanefortheintrnt[C]//Prodingsofthe2003onfernceontions,tehnologirhittur,ndprotocolsforomputrommunictions.2003:310.Lui.RFC8338PolibdngmentFrameorkortheSimplifidoflicytions(S.fb2018,2018.Bhringr,tikin,BjannS,tal.onomictwori