無線數(shù)字李生網(wǎng)絡(luò)實踐和探索鄭青碧中國移動研究院未來研究院數(shù)字孿生網(wǎng)絡(luò)的驅(qū)動力總結(jié)與展望數(shù)字孿生網(wǎng)絡(luò)典型場景2312運維

5CUAAU優(yōu)化……數(shù)字孿生助力網(wǎng)絡(luò)智能化決策、高效率創(chuàng)新、低成本試錯

，從而應(yīng)對效率挑戰(zhàn)、風(fēng)險挑戰(zhàn)、成本挑戰(zhàn)，

推動網(wǎng)絡(luò)演進升級。持續(xù)規(guī)劃效果預(yù)驗證6智能化決策

高效率創(chuàng)新

低成本試錯數(shù)字孿生網(wǎng)絡(luò)物理網(wǎng)AAU數(shù)字孿生將助力解決網(wǎng)絡(luò)演進效率、風(fēng)險、成本三大挑戰(zhàn)

?網(wǎng)絡(luò)系統(tǒng)升級、新設(shè)備/新技術(shù)迭代更新存在不可預(yù)知的網(wǎng)絡(luò)故障風(fēng)險?網(wǎng)絡(luò)系統(tǒng)復(fù)雜

，基于專家經(jīng)

驗的決策準確性較低

，基于人工運維的配置響應(yīng)速度較慢；峰

率

b

~導(dǎo)致運維成

;

升2倍人工輔助運維方式增加人

力成本；接入用戶提提升2

3倍風(fēng)險

挑戰(zhàn)效率

挑戰(zhàn)成本

挑戰(zhàn)3大挑戰(zhàn)數(shù)字孿生網(wǎng)絡(luò)迭代尋優(yōu)????G規(guī)劃設(shè)建DUCUDU?數(shù)字孿生網(wǎng)絡(luò)驅(qū)動力總結(jié)與展望數(shù)字孿生網(wǎng)絡(luò)典型場景2314l

性能預(yù)驗證優(yōu)化模型：?

性能綜合計算?

A

I決策模型優(yōu)化觸發(fā)機制基于數(shù)字孿生網(wǎng)絡(luò)的計算資源協(xié)同分配方案l

網(wǎng)絡(luò)狀態(tài)預(yù)測模型：?

用戶狀態(tài)預(yù)測?

業(yè)務(wù)特征預(yù)測?

多種預(yù)測機制結(jié)合l

資源分配AI模型：?

基站關(guān)斷決策?RL算法廣域覆蓋場景（控制信令與業(yè)務(wù)信令解耦機制）

：

DTN方案

基站根據(jù)未來的網(wǎng)絡(luò)狀態(tài)生成決策

，解決相應(yīng)的決策狀態(tài)與實際網(wǎng)絡(luò)狀態(tài)不一致的問題。5

實現(xiàn)精細化、計算任務(wù)精度的要求。未來6G網(wǎng)絡(luò)將具備控制信令與業(yè)務(wù)數(shù)據(jù)的解耦機制

，通過實現(xiàn)高頻數(shù)據(jù)點播

，降低高頻BSs密集部署帶來的網(wǎng)絡(luò)功耗

，保證網(wǎng)絡(luò)廣域覆蓋性能。?策略算法的推理和優(yōu)化會產(chǎn)生延遲?策略部署時間滯后于用戶數(shù)據(jù)上報時間?系統(tǒng)業(yè)務(wù)性能下降

，能源消耗增加

，對現(xiàn)有網(wǎng)絡(luò)

產(chǎn)生重大影響l

控制信令與業(yè)務(wù)數(shù)據(jù)解耦機制：?控制基站

-控制信令數(shù)據(jù)基站-

業(yè)務(wù)數(shù)據(jù)?

通信與計算資源深度融合廣域覆蓋場景（控制信令與業(yè)務(wù)信令解耦機制）

：

背景介紹智能化的通信和計算資源分配策略

，降低系統(tǒng)能耗

，有效響應(yīng)用戶對通信時延和6:數(shù)字孿生網(wǎng)絡(luò)仿真平臺實踐：?

數(shù)字孿生網(wǎng)絡(luò)與智能體多

種聯(lián)動方案?

實現(xiàn)多種場景

結(jié)論：數(shù)字孿生網(wǎng)絡(luò)預(yù)測、預(yù)驗證功能能實現(xiàn)網(wǎng)絡(luò)性能問題提前發(fā)現(xiàn)與解決

，提升決策準確度

，提升

網(wǎng)絡(luò)性能

挑戰(zhàn)：數(shù)字孿生網(wǎng)絡(luò)模型與智能體模型體量大

，需要強大算力支撐

，對網(wǎng)絡(luò)動態(tài)適應(yīng)性不足數(shù)字孿生網(wǎng)絡(luò)解決方案可以提高業(yè)務(wù)性能

，業(yè)務(wù)數(shù)據(jù)處理時

延降低約20%

，降低能耗

，具有較好的網(wǎng)絡(luò)動態(tài)適應(yīng)性。廣域覆蓋場景（控制信令與業(yè)務(wù)信令解耦機制）

：

DTN成效決策提前優(yōu)化使得決策更快的適應(yīng)網(wǎng)絡(luò)變化。

基于網(wǎng)絡(luò)數(shù)字孿生的智能天線權(quán)值優(yōu)化技術(shù)將無線通信物理模型和真實無線網(wǎng)絡(luò)數(shù)據(jù)相結(jié)合

，建立網(wǎng)絡(luò)的數(shù)字孿生體

，并融入了專家經(jīng)驗作為權(quán)值決策的保障

，對決策的性能進行預(yù)驗證進一步

保障決策性能。面向未來6G無線網(wǎng)絡(luò)

，更高頻段的應(yīng)用（如毫米波、太赫茲等）將帶來覆蓋范圍更小、部署更密集的無線站點

，對小區(qū)間協(xié)作進行的大規(guī)模天線波束權(quán)值優(yōu)化的需求將更加凸顯。

:?

權(quán)值調(diào)整對網(wǎng)絡(luò)性能

的不良影響?

權(quán)值調(diào)整樣本采集成

本高

，開銷大?

權(quán)值調(diào)整復(fù)雜大規(guī)模MIMO權(quán)值優(yōu)化：

背景介紹8l

數(shù)據(jù)增廣：?

CGANl

A

I決策模型：

?

RL基于數(shù)字孿生網(wǎng)絡(luò)的大規(guī)模MIMO權(quán)值優(yōu)化方案大規(guī)模MIMO權(quán)值優(yōu)化：

DTN方案l

性能預(yù)驗證模型<-----------------------?

神經(jīng)網(wǎng)絡(luò)l

安全決策模型：--------------->?

專家經(jīng)驗決策

數(shù)字孿生網(wǎng)絡(luò)將專家經(jīng)驗決策作為安全基線

，降低AI決策對網(wǎng)絡(luò)性能的影響。

數(shù)字孿生網(wǎng)絡(luò)對采集樣本進行數(shù)據(jù)增廣

，增加性能預(yù)驗證模型的準確性。

基于大規(guī)模MIMO權(quán)值優(yōu)化的數(shù)字孿生網(wǎng)絡(luò)原型由東南大學(xué)完成搭建

，并于紫金山實驗室完成試驗網(wǎng)測試。9基于數(shù)字孿生網(wǎng)絡(luò)的大規(guī)模MIMO權(quán)值優(yōu)化方案將所有終端在區(qū)域內(nèi)的平均NRSINR提升了14.4%

，

5G信干噪比（

NRSINR）性能有提升。

結(jié)論：數(shù)字孿生網(wǎng)絡(luò)數(shù)據(jù)增廣技術(shù)能提升建模預(yù)驗證精度

，安全保障機制能降低決策對網(wǎng)絡(luò)的不良影

響

，數(shù)字孿生網(wǎng)絡(luò)方案可提升網(wǎng)絡(luò)性能

挑戰(zhàn)：采集數(shù)據(jù)質(zhì)量不穩(wěn)定

，隱私保護限制采集數(shù)據(jù)類型

，難以全面準確感知網(wǎng)絡(luò)狀態(tài)；數(shù)字孿生網(wǎng)

絡(luò)模型與智能體模型體量大

，需要強大算力支撐AugmentationalgorithmsMaximal

MMDMinimum

MMDMeanMMDGaussiandistribution

algorithm0.02880.01750.0220CGAN0.02880.01380.0177通過增加生成樣本的數(shù)量來減少KPI預(yù)測的誤差

，可以提供比DNN

更好的KPI預(yù)測

，

KPI預(yù)驗證相對誤差為0.9%。大規(guī)模MIMO權(quán)值優(yōu)化：

DTN成效

基于網(wǎng)絡(luò)數(shù)字孿生的智能

RAN切片旨在挖掘切片配置經(jīng)驗

，捕捉短期環(huán)境變化特性實現(xiàn)高效

率、高可靠切片資源管理。

基于智能RAN切片的數(shù)字孿生網(wǎng)絡(luò)原型由東南大學(xué)完成搭建

，并于紫金山實驗室完成試驗網(wǎng)測

試。網(wǎng)絡(luò)切片是6G無線網(wǎng)絡(luò)的典型場景之一

，網(wǎng)絡(luò)切片是一種網(wǎng)絡(luò)架構(gòu)

，它支持在相同的物理網(wǎng)絡(luò)基礎(chǔ)設(shè)施上多路復(fù)用虛擬化且獨立的邏輯網(wǎng)絡(luò)。

:?

環(huán)境自適應(yīng)性較差?

計算復(fù)雜度高?用戶移動性、信道動態(tài)性、網(wǎng)絡(luò)密

集部署等為該場景帶來了巨大挑戰(zhàn)智能RAN切片：

背景介紹11

數(shù)字孿生網(wǎng)絡(luò)將構(gòu)建虛擬切片網(wǎng)絡(luò)系統(tǒng)

，根據(jù)網(wǎng)絡(luò)狀態(tài)和策略預(yù)測性能并調(diào)整切片策略

，使得智能RAN切片系統(tǒng)更快速適應(yīng)不同環(huán)境。

數(shù)字孿生網(wǎng)絡(luò)的數(shù)據(jù)生成功能能利用實際數(shù)據(jù)和深度生成模型訓(xùn)練生成更多數(shù)據(jù)

，增強切片策

略的魯棒性和泛化能力。基于數(shù)字孿生網(wǎng)絡(luò)的智能RAN切片方案l

數(shù)據(jù)增廣：

<?RCGANl

切片配置模型：?

DNN

<?

RLl

性能預(yù)驗證模型?RNN?DNNl

數(shù)字孿生網(wǎng)絡(luò)與真實環(huán)境交

互智能RAN切片：

DTN方案12

結(jié)論：數(shù)字孿生網(wǎng)絡(luò)能提升智能RAN切片場景性能

挑戰(zhàn)：預(yù)驗證準確率影響切片配置決策

，對方案性能影響較大

基于數(shù)字孿生網(wǎng)絡(luò)的智能RAN切片優(yōu)化方案將系統(tǒng)性能提升了約4%。預(yù)驗證環(huán)境擬合精度數(shù)字孿生方案性能數(shù)字孿生方案模型擾動智能RAN切片：

DTN成效數(shù)字孿生網(wǎng)絡(luò)驅(qū)動力總結(jié)與展望數(shù)字孿生網(wǎng)絡(luò)典型場景23114

總結(jié)與展望

挑戰(zhàn)：數(shù)據(jù)：采集數(shù)據(jù)質(zhì)量不穩(wěn)定

，隱私保護限制采集數(shù)據(jù)類型

，難以全面準確感知網(wǎng)絡(luò)狀態(tài)建模：模型體量大

，擬真度不足

，泛化性不足

，需要強大算力支撐預(yù)驗證：預(yù)驗證準確度有待進一步提升后續(xù)研究