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：流量激活與容量預(yù)測 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：無線網(wǎng)絡(luò)高精度仿真 2.2.4性能預(yù)測：復(fù)雜環(huán)境下網(wǎng)絡(luò)覆蓋性能預(yù)測 2.3網(wǎng)絡(luò)建設(shè) 162.3.1環(huán)境勘測：基于三維勘測建模的自動(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場景一：大規(guī)模天線波束權(quán)值優(yōu)化 232.5.2場景二：視頻緩存策略與網(wǎng)絡(luò)資源管理優(yōu)化 252.5.3場景三：業(yè)務(wù)網(wǎng)絡(luò)數(shù)字體驗(yàn)地圖 262.5.4場景四：網(wǎng)絡(luò)切片優(yōu)化 282.5.5場景五：CSI智能壓縮性能預(yù)驗(yàn)證 292.5.6場景六：大話務(wù)場景網(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無線信道孿生技術(shù) 4833.3.4DTN無線業(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)問題，還需要應(yīng)對(duì)各種新型挑戰(zhàn)。為了解決這些問題，未來數(shù)字孿生網(wǎng)絡(luò)（DigitalTwinNetwork,DTN）通過精準(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、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)未來網(wǎng)絡(luò)流量進(jìn)行預(yù)測，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；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)測試分析；在網(wǎng)絡(luò)維護(hù)階段，DTN對(duì)故障進(jìn)行預(yù)測和分析，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，目前國內(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。在國外，英偉達(dá)聯(lián)合諾基亞、美國東北大學(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)和多種無線接入技術(shù)，為未來網(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。在國內(nèi)，中國移動(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)測與仿真、自動(dòng)化環(huán)境三維勘測、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，以支撐流量價(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)了大量優(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、規(guī)劃設(shè)計(jì)、網(wǎng)絡(luò)仿真、性能預(yù)測等環(huán)節(jié)。在本研究報(bào)告中，針對(duì)需求預(yù)測環(huán)節(jié)，提供“流量激活與容量預(yù)測”實(shí)踐案例，旨在實(shí)現(xiàn)流量預(yù)測準(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)估不夠精確的問題；針對(duì)網(wǎng)絡(luò)仿真環(huán)節(jié)，提供“無線網(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)測環(huán)節(jié)，提供“復(fù)雜環(huán)境下網(wǎng)絡(luò)覆蓋性能預(yù)測”實(shí)踐案例，旨在解決復(fù)雜業(yè)務(wù)、場景下的高精度網(wǎng)絡(luò)覆蓋預(yù)測問題。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、建設(shè)審核等環(huán)節(jié)。在本研究報(bào)告中，針對(duì)環(huán)境勘測環(huán)節(jié)，提供“基于三維勘測建模的自動(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)滿足日益增長的業(yè)務(wù)需求。通過有效的網(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)倒換過程智能評(píng)估與容災(zāi)倒換過程可感可視，通過對(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)場景。針對(duì)大規(guī)模天線權(quán)值優(yōu)化場景，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，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)場景，提供“大話務(wù)場景網(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、規(guī)劃設(shè)計(jì)、網(wǎng)絡(luò)仿真、性能預(yù)測等環(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。為緩解無線網(wǎng)絡(luò)業(yè)務(wù)量的爆發(fā)式增長及網(wǎng)絡(luò)性能壓力的突增，需要準(zhǔn)確有效地對(duì)未來的網(wǎng)絡(luò)業(yè)務(wù)量進(jìn)行預(yù)測，并根據(jù)預(yù)測的網(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、過于依賴經(jīng)驗(yàn)的問題，難以形成精確高效的預(yù)測手段，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)測的主要技術(shù)挑戰(zhàn)在于構(gòu)建一個(gè)能夠精確預(yù)測未來長期業(yè)務(wù)量的模型。目前，基于DTN的網(wǎng)絡(luò)流量預(yù)測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)測未來短期時(shí)間內(nèi)的流量波動(dòng)趨勢，無法實(shí)現(xiàn)長期的網(wǎng)絡(luò)流量預(yù)測；3、由于網(wǎng)絡(luò)運(yùn)營的高可靠性要求，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，無法做到模型的簡易部署。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)情況無法妥善解決；2、成本投入過大。該模式下需投入大量人員進(jìn)行流量預(yù)測和分析，造成了大量人工成本的投入，而收益經(jīng)常無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)測了未來某個(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)行未來每一天業(yè)務(wù)量預(yù)測時(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)未來業(yè)務(wù)量進(jìn)行預(yù)測，同時(shí)在可視化平臺(tái)上展示未來一段時(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)全建模以及未來業(yè)務(wù)量預(yù)測建模。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)建未來業(yè)務(wù)量的預(yù)測數(shù)字孿生模型。這一模型通過深入挖掘已有的業(yè)務(wù)量信息，并結(jié)合外部環(huán)境因素，預(yù)測網(wǎng)絡(luò)未來的業(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)是通過深度學(xué)習(xí)和機(jī)器學(xué)習(xí)算法進(jìn)行無線網(wǎng)絡(luò)業(yè)務(wù)量的預(yù)測，同時(shí)將預(yù)測數(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)營商更有效地規(guī)劃網(wǎng)絡(luò)容量，避免資源過剩或供給不足的情況發(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，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)測未來長期的網(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)行未來每一天業(yè)務(wù)量預(yù)測時(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)存在缺失問題，過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。未來將在預(yù)測模型中嘗試有機(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、未來效益增長較高的站點(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)，適用于決策場景較為簡單、清晰的場景。然而，這種方法無法考慮到指標(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)估不夠精確問題。整體流程如圖3.1.2-1所示，首先，使用來自現(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。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)篩選的過程，通過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，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，因此在模型訓(xùn)練階段無法及時(shí)獲取參數(shù)調(diào)整后的真實(shí)影響。從未來角度展望，需要一個(gè)長周期、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，多次采購國外仿真軟件為主，如法國Atoll、美國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)重問題：第一，價(jià)格昂貴，國外仿真軟件的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，國外仿真軟件的安裝和使用過程中，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)問題，將直接導(dǎo)致其無法規(guī)?；a(chǎn)應(yīng)用。2）方案設(shè)計(jì)中國移動(dòng)自研全球首個(gè)Linux內(nèi)核仿真引擎DTN和國內(nèi)運(yùn)營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)模化商用。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)面向國產(chǎn)化操作系統(tǒng)完成適配。仿真引擎DTN和國內(nèi)運(yùn)營商首款射線跟蹤傳播模型LiShuttle打破了歐美國家關(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、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)，在未來網(wǎng)絡(luò)中，將仿真預(yù)測內(nèi)生化，形成網(wǎng)元級(jí)自動(dòng)預(yù)測，是網(wǎng)絡(luò)內(nèi)生孿生的重要組成部分。1）背景未來網(wǎng)絡(luò)的通信需求更加擴(kuò)展、通信場景更加豐富、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)無線通信網(wǎng)絡(luò)的覆蓋預(yù)測和部署規(guī)劃帶來了挑戰(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)方法難以滿足未來無線網(wǎng)絡(luò)的信道預(yù)測和區(qū)域網(wǎng)絡(luò)覆蓋需求，造成整個(gè)無線網(wǎng)絡(luò)的傳輸能力評(píng)估預(yù)測面臨“最后一公里”問題，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)路線來解決復(fù)雜業(yè)務(wù)、場景下的高精度網(wǎng)絡(luò)覆蓋預(yù)測問題：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)物理場景、具體業(yè)務(wù)、數(shù)據(jù)網(wǎng)絡(luò)、傳輸技術(shù)、無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)電波傳播過程的虛擬孿生并仿真無線信道特征，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)測和傳輸性能推演。第一，電磁環(huán)境重構(gòu)，目的是測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，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，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、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)近似外場實(shí)測的通信網(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)測特定終端設(shè)備或規(guī)劃決策在真實(shí)場景中的可行性，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、性能分析等多層次復(fù)雜功能。在具體的實(shí)現(xiàn)過程中，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)測精度提升20%以上。3）挑戰(zhàn)與展望挑戰(zhàn)主要來自于模型的構(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。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、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。在此過程中，設(shè)計(jì)人員難以實(shí)時(shí)回溯機(jī)房場景，也難以通過動(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)踐通過三維勘測可視化技術(shù)解決網(wǎng)絡(luò)建設(shè)過程中機(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)場景下對(duì)于場景孿生的真實(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。為了解決上述問題，在本方案所提三維勘測采集技術(shù)中，首先，采用激光點(diǎn)云測量、機(jī)器視覺點(diǎn)云測量、無人機(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)云通過渲染、語義分割、物體辨識(shí)等功能實(shí)現(xiàn)三維建模渲染，通過算法將點(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2.3.1-1三維勘測圖3）挑戰(zhàn)與展望未來的三維勘測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)房內(nèi)設(shè)備在網(wǎng)運(yùn)行信息與數(shù)據(jù)庫三維模型對(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)、問題界定不清晰、規(guī)范難把控等問題，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)趨勢及需求；通過“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“優(yōu)化前移”審核加強(qiáng)室分質(zhì)量管控；通過標(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，國內(nèi)唯一不依賴美國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)出速率越來越高、間隔期越來越短的趨勢，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，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)測及根因分析能力，支撐故障實(shí)時(shí)感知/預(yù)測與故障精準(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)建孿生體的過程中，通過對(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，無法真正解決客戶痛點(diǎn)問題。其次，需要解決孿生數(shù)據(jù)高精度問題。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，國內(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)長時(shí)間不可用、業(yè)務(wù)長時(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)暴場景來尋找網(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)?、路由?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，來模擬多種異常場景所帶來的網(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。在孿生網(wǎng)絡(luò)的基礎(chǔ)上，可通過控制網(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)元無法正常運(yùn)行、接口中斷、社會(huì)及自然事件帶來的突然網(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)來進(jìn)行無限次的試錯(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）未來挑戰(zhàn)核心網(wǎng)信令風(fēng)暴孿生準(zhǔn)確度的評(píng)測是一個(gè)難點(diǎn)，因多數(shù)異常場景，在現(xiàn)網(wǎng)極少觸發(fā)，導(dǎo)致沒有充足的樣本事件來支撐孿生準(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)用來作為話務(wù)模型預(yù)測的輸入，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，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，且過度依賴經(jīng)驗(yàn)決策，缺乏具備說服力的論證分析。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)倒換過程智能評(píng)估與容災(zāi)倒換過程可感可視，通過對(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)通過多種可能仿真預(yù)測，從數(shù)萬的參數(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)通過多種可能仿真預(yù)測，從數(shù)萬的參數(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，通過對(duì)網(wǎng)絡(luò)TOPO數(shù)據(jù)、話務(wù)模型、沖擊場景配置等關(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。該仿真引擎通過執(zhí)行過程模擬、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)踐通過對(duì)多域多網(wǎng)元信息在線自動(dòng)采集，支撐容災(zāi)過程實(shí)時(shí)可視。基于浪涌沖擊仿真評(píng)估，實(shí)現(xiàn)事前精準(zhǔn)預(yù)測，事中快速?zèng)Q策，輔助運(yùn)營商高校完成容災(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)未來的融合孿生應(yīng)用場景其技術(shù)棧也需要升級(jí)，如何解決更復(fù)雜的問題，更綜合性的問題是來來的挑戰(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，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)場景。1）背景在5G無線網(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，通過對(duì)波束域信號(hào)強(qiáng)度的擬合與預(yù)測，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，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。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)未來網(wǎng)絡(luò)狀態(tài)的預(yù)測結(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)，相較于單一場景的指標(biāo)預(yù)測，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?；臼紫炔捎貌糠钟?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，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)化問題分解為多個(gè)單波束決策的多智能體協(xié)作優(yōu)化問題，從而有效解決問題維度過高的問題。通過在數(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)測和視頻切換預(yù)測，從而無法實(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。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，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，在此基礎(chǔ)上構(gòu)建網(wǎng)絡(luò)資源實(shí)時(shí)優(yōu)化問題，設(shè)計(jì)智能的動(dòng)態(tài)網(wǎng)絡(luò)資源分配算法?，F(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)整的方法來優(yōu)化用戶觀看視頻的體驗(yàn)具體來說，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，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，也沒有從基站側(cè)考慮動(dòng)態(tài)分配通信資源來改善用戶體驗(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，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?；陂_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)與展望未來的研究挑戰(zhàn)主要來自于用戶隱私和預(yù)測誤差。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，無線信道變化難測，難以實(shí)現(xiàn)對(duì)用戶傳輸速率的精確預(yù)測。通過聯(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/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)，這一趨勢也對(duì)網(wǎng)絡(luò)的運(yùn)營/運(yùn)維能力提出了新的挑戰(zhàn)。為提升網(wǎng)絡(luò)運(yùn)營體驗(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，支撐流量價(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，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。基于評(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)流量價(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，通過仿真模型快速預(yù)測并呈現(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高，導(dǎo)致仿真驗(yàn)證無法達(dá)成預(yù)期OPEX收益效果。此外，非故障/擁塞場景下的實(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。為緩解這一問題，或許可以借助集群化的時(shí)序數(shù)據(jù)庫以及大數(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)無線通信網(wǎng)絡(luò)資源的需求，是下一代無線通信網(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)切片問題進(jìn)行數(shù)字孿生建模。然而，面對(duì)復(fù)雜的無線信道環(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切片問題，實(shí)現(xiàn)無線切片網(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)極具研究價(jià)值的工作?；趯\生模型，使用系統(tǒng)收集的歷史數(shù)據(jù)通過模擬真實(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)測模型，并通過智能優(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)切片建模為長時(shí)優(yōu)化問題，收集歷史數(shù)據(jù)以模擬網(wǎng)絡(luò)環(huán)境的狀態(tài)轉(zhuǎn)移過程。利用LSTM網(wǎng)絡(luò)對(duì)狀態(tài)轉(zhuǎn)移過程進(jìn)行預(yù)測，同時(shí)利用深度神經(jīng)網(wǎng)絡(luò)預(yù)測相應(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)練過的新場景或新業(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)，沒有將AI模型嵌入到通信過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。通過構(gòu)建的基于外場真實(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，通過孿生多區(qū)域傳播環(huán)境提供多樣化的信道場景及信道參數(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)無法輸出CSI壓縮反饋研究所需的信道數(shù)據(jù)，無法支持基于真實(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)境與外場真實(shí)無線環(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)、解決問題。因此，基于孿生技術(shù)針對(duì)保障活動(dòng)區(qū)域的場景、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)場館、園區(qū)范圍內(nèi)小區(qū)用戶數(shù)變化趨勢、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，最后通過柵格級(jí)用戶數(shù)統(tǒng)計(jì)、用戶遷移趨勢分析，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，提前暴露并解決問題。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)等場景萬量級(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，通過對(duì)大話務(wù)場景區(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)。具體來說，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、無線環(huán)境等的高精確預(yù)測，并對(duì)規(guī)劃策略的性能進(jìn)行預(yù)測仿真；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，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，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)為未來的網(wǎng)絡(luò)規(guī)劃、建設(shè)、優(yōu)化、運(yùn)營提供了強(qiáng)有力的支持手段。通過單網(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。其次，端到端網(wǎng)絡(luò)孿生模型包括信道模型、無線接入網(wǎng)、核心網(wǎng)、承載網(wǎng)、業(yè)務(wù)等整個(gè)通信過程所涉及到的孿生模型。在具體實(shí)現(xiàn)過程中，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)境下的無線信道質(zhì)量、區(qū)域覆蓋質(zhì)量進(jìn)行高精度預(yù)測，實(shí)現(xiàn)整個(gè)通信過程的全流程數(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)測網(wǎng)絡(luò)服務(wù)質(zhì)量、優(yōu)化無線策略以及預(yù)測通信終端裝備性能。最后，網(wǎng)絡(luò)業(yè)務(wù)流量實(shí)時(shí)預(yù)測可將業(yè)務(wù)量預(yù)測結(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。具體來說，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