网络智能化的发展对仿真环境的需求

1. 网络智能化背景介绍

1.1 什么是网络智能化

网络智能化是指利用人工智能（AI）、机器学习（ML）、优化算法等技术来实现网络的信息化、自动化和智能化。相对5G、6G、算力网络等领域，网络智能化是针对网络全场景、全要素、全代际的智能化技术研究，其涉及网元智能、运营运维智能、服务智能领域。从网络角度来看，网络智能化研究的是跨层、跨域、跨代际的网络全要素、全场景的智能化理论、架构、技术和工程问题。从智能化角度来看，网络智能化研究的是复杂、超大规模的工程系统的智能化理论、技术。
网元智能领域，网络智能化技术通过AI模型对现有通信技术及设备能力进行改造优化乃至替换升级，例如通过AI模型替换现有的信道编解码、信道估计、网络资源调度算法等。网元智能化为通信网络引入原生智能力、搭建高度智能化网络底座，提供全线孵化AI能力和应用服务能力。
运营运维智能领域，网络智能化技术通过AI模型实现网络环境及质量、用户体验、设备故障等问题的智能感知、分析、定位、优化、决策及闭环解决。实现业务和网络之间的跨域协同管理和分发，为网络全生命周期注智，推进网络智能化演进。
服务智能领域，网络智能化技术通过AI模型对用户业务体验、质差感知及问题定位解决提供系统性方案，借助网络侧可获取的通信领域特征数据与深度学习的特征挖掘学习能力，完成从通信到感知的跨领域智能化分析保障，助力高等级自智网络发展。

1.2 当前网络智能化技术面临的挑战

网络智能化技术依赖于大规模现网高质量数据，获取全网设备、网络环境、网元分布、运行指标、业务数据等信息，以准确反映用户真实业务体验。另一方面，网络智能化需要对各类场景的核心数学问题进行准确、通用的抽象，目前问题抽象和通用化能力的瓶颈影响着核心算法和理论的发展。
此外，网络决策验证环节缺少灵活拟真的通信仿真系统交互及试验环境，不能为算法优化提供效果反馈与呈现，无法满足网络重点指标的模拟推演及智能优化，导致AI算法无法有效适应网络的动态变化。
目前网络智能化技术的落地应用仍存在较大困难和挑战，需要基于真实物理环境和网络以及结合城市用户行为的通信网络试验环境，实现网络配置、参数调整及方案性能验证与推演。

1.3 网络智能化技术应用前景

网络的智能化演进是一个长期的过程，自主进化网络方案从人与机器之间的分工协作、逐步解放人力的角度，将网络智能化演进过程划分为五个阶段：L1辅助运行、L2初级智能化、L3中级智能化、L4高级智能化和L5完全智能化。
对于L4高级智能化阶段，数据的感知分析、决策、执行全部由系统自动完成，系统主动优化迭代决策水平和能力，立足现网一线生产需求，提供网络智能化能力研发、验证、落地应用全流程的闭环服务，仅部分场景需人工参与需求映射或决策优化。
而完全智能化则可以实现在所有场景中，由系统完成需求映射，数据分析以及决策执行整个流程的智能化闭环，实现全场景完全自治，系统通过自我学习进行持续性演进。

2. 网络智能化技术发展现状

2.1 网络智能化现状

当前网络智能化技术正处于快速发展阶段，已深度融入智慧城市、智慧交通、智能电网、智能制造等各个领域，并且在5G/6G、人工智能等新技术新应用上深耕细作，为新技术、新业态、新模式奠定基础，推动经济社会各领域从数字化、网络化向智能化加速跃升。网络智能化技术的发展体现在以下几点：

- 人工智能融合：“人工智能”与网络技术的深度融合是当前的一大趋势。利用AI技术，如机器学习和深度学习，网络系统能自动优化路由、预测故障、检测安全威胁，以及实现更高效的资源分配。
- 5G与下一代通信技术：5G技术的商用化极大地推动了网络智能化进程，提供了更高的带宽、更低的延迟，为物联网、远程控制、自动驾驶等高要求应用奠定了基础。同时，对6G等未来通信技术的研究也在积极推进中。
- 网络可视化与智能化：互联网正从简单的数据传输和流量监控，转向更高级的网络可视化阶段，即“可视、可管、可控”。这意味着网络不仅能够被动地显示数据流动，还能主动管理和优化网络资源，提高效率和安全性。
- 网络化智能传感技术：这一领域已经取得了显著进展，其中网络化智能传感器成为核心组件。这些传感器内置嵌入式微处理器，能够集成传感单元与通信能力，实现数据的采集、处理与传输一体化，广泛应用于物联网、智慧城市、工业自动化等多个场景。
- 智能网联：在信息通信技术、物联网和5G的推动下，汽车工业及其他行业正加速向智能化和网联化发展，形成高度集成的智能生态系统，提高了行业整体的效率和智能化水平。

网络智能化正通过技术创新和跨领域的整合，不断推动社会各行业的数字化转型，提高生活质量和工作效率，同时也面临着技术标准统一、数据安全与隐私保护等挑战。

2.2 网络智能化技术典型应用场景

网络智能化技术，是将人工智能、大数据、云计算、5G/6G等先进信息技术与传统网络技术深度融合，以实现网络的自动化管理、动态优化、智能决策和服务创新的过程。其核心目标在于提升网络的灵活性、效率、安全性和用户体验，支撑数字经济和社会的智能化转型。以下是网络智能化：

- AIOps（Artificial Intelligence for IT Operations，智能运维）：AIOps是将人工智能（包括机器学习、深度学习）应用于IT运维管理，旨在通过自动分析海量运维数据，发现潜在问题，预测故障，优化性能，甚至自动执行修复操作。它能处理来自不同源头的数据，包括日志文件、指标、事件和告警，从而提供全面的洞察和自动化响应。
- 自动化与编排：自动化工具和编排平台能够自动执行常规运维任务，如配置管理、补丁更新、故障诊断和恢复等，减少人工干预，降低错误率，提高运维效率。自动化脚本、工作流引擎和自动化运维平台（如Ansible、Terraform）是该领域的核心技术。
- 智能监控与预警系统：这类系统能够实时监控网络状态，运用智能算法识别异常行为，及时发出预警，甚至自动触发预防性维护动作。这包括基于阈值的报警、异常检测算法以及预测性维护策略。
- 网络切片管理：在5G和未来网络架构中，网络切片技术允许在同一物理基础设施上创建多个逻辑独立的网络，每个服务于特定的业务需求。智能化运维需能动态配置、监控和优化这些网络切片，确保服务质量。
- 意图驱动网络（Intent-Based Networking, IBN）：IBN允许运维人员以声明性方式表述网络意图（比如“保证VoIP流量优先级”），由系统自动转换为具体的网络配置和策略，减少了手动配置的复杂性和错误率。

网络智能化技术正以前所未有的速度重塑网络架构和服务模式，新兴信息技术与传统网络技术的不断融合和技术创新，是推动信息社会发展的关键技术之一。网络智能化在提高效率、降低成本、创新服务模式等方面具有巨大潜力。

2.3 网络智能化技术瓶颈

网络智能化技术的发展虽然迅速，但仍面临一系列制约其进一步发展的瓶颈，主要包括：

- 数据质量问题：高质量的数据是训练智能系统的基石。实际网络环境中数据采集难，且往往存在噪声、不完整性等问题，而网络仿真获取的数据准确性低，与实际网络偏差较大，影响了AI模型的准确性和鲁棒性。足够量、高质量且标注良好的数据是当前一大挑战。
- 网络环境资源匮乏：依托海量网络数据，感知、分析类网络智能化技术发展迅速；而网络的稳定性、可用性要求导致网络参数配置无法灵活修改，优化、决策类算法能力的研发、验证缺乏灵活可配置的网络环境支持，很多科研团队自建实验环境、仿真环境用于模型训练交互，成本很高。
- 技术复杂性和标准化：网络智能化涉及多学科交叉，技术栈复杂，且不同厂商和标准组织之间的技术兼容性和互操作性不足，导致集成难度大，标准化进程缓慢。
- 算力资源消耗：大规模部署智能化网络技术，尤其是依赖于云计算和大数据处理，消耗大量算力资源。算力资源的投入大，维护成本高，制约了大规模部署智能化网络的发展速度。
- 安全与隐私问题：智能化网络收集和处理大量数据，这增加了数据泄露、隐私侵犯和安全攻击的风险。如何在利用数据智能的同时保护用户隐私和网络安全，是亟待解决的问题。

解决这些问题，除了需要数据规范化、技术创新、跨学科合作、政策引导等多种手段同步推进，基于数字孪生技术的网络仿真平台也是必要资源之一。通过构建物理网络的数字化镜像，在虚拟环境中采用智能化仿真技术实时模拟和分析网络的运行状态、性能表现以及潜在问题，为网络规划、运维管理、故障预测及优化决策提供强大的支持。根据网络智能化技术的研发及应用需求，仿真平台的建设重点也不尽相同，而从网络建设、网络维护、网络优化等全方位对网络进行智能化仿真及还原的就有中国移动智慧网络仿真平台。

3. 网络智能化技术对仿真环境的需求梳理

随着网络智能化技术的发展，从网络建设、网络维护、网络优化方面对网络智能化技术的研发及效果验证亟需灵活可变、具备代表性的网络环境支持，为了降低在现网环境验证的成本，结合真实物理环境与网络配置的仿真环境尤为必要，网络智能化技术在仿真环境进行验证成为大势所趋。基于中国移动智慧网络仿真平台，我们针对网络智能化技术的研发与落地验证对仿真环境的需求主要包括以下几点。
1. 仿真环境真实性、环境结合、可视化

通过现网数据实时采集同步，对真实网络下的用户行为、信道环境、网元运行状态甚至内部运行机理进行精准建模仿真与复现还原，叠加必要的可视化能力甚至3D建模技术，为仿真网络场景提供了精准、实时、动态的网络状态呈现能力，极大提高了网络状态呈现和信息同步的直观度。
2. 现网参数配置支持及多类验证环境构建

基于仿真网络提供的可视化能力以及孪生仿真能力，可以通过构建的仿真网络环境，对网络中的不同网元参数配置方案进行模拟演练，输出配置对应的网络性能变化结果，并基于不同的配置方案在仿真环境执行仿真的方案评估，获取最佳方案，从而降低在网络中实际操作带来的风险，缩短实验周期，加速方案上线。
3. 算法交互

仿真环境为复杂的网络优化智能决策算法的研发及验证提供必不可少的网络交互环境。通过网络仿真环境提供效果的预验证和模拟能力为各类网络决策方案的制定及评估提供灵活、可靠的环境支持。
4. 虚实结合

仿真环境提供网络参数及网络策略的效果验证及评估，通过虚实结合与真实网络结合，直接通过孪生网络的可视化配置操作同步下发到现实网络生效，实现“呈现观察-尝试验证-配置生效-反馈修复”的一站式网络优化，为现代网络优化提供全新的工作模式和互动体验，并具备更高的效率和安全可靠性。

4. 网络智能化技术应用案例

借助DTN技术，中国移动建设智慧网络仿真平台，基于贴近现网的仿真环境在智慧网络开放创新平台（https://jiutian.10086.cn/open/）上发布了“基于AI的CSI压缩反馈”任务，该任务提供基于外场真实环境+AI校准的CSI压缩反馈数据集及仿真网络环境，支持多样化AI模型设计及在线研发，在达到最优信道压缩效果的同时保证链路级通信质量不被影响。

AI技术进行CSI压缩反馈

目前常用的基于AI技术进行CSI压缩反馈的技术方案包括：基于深度学习的CSI 反馈架构CsiNet、基于长短期记忆网络的CSI 反馈（CsiNet-LSTM）、基于双向信道互易性的CSI 反馈等，这些技术结合计算机视觉算法、序列算法及数据特征分析方法，通过深度学习算法的特征提取、压缩及还原能力取代传统的信道矩阵压缩方案，对数据的体量及质量要求很高。
为了提高CSI压缩技术的泛化性、通用性，信道数据的多样性同样重要,智慧网络开放创新平台结合仿真及实测数据，构建了丰富多样的数据集，并且为AI模型提供了数字孪生仿真环境，结合无线网络性能指标，从更丰富的维度评估模型的信道压缩还原效果及网络性能影响情况。智慧网络开放创新平台任务的优势：