《B5G6G网络智能数据采析》

B5G/6G网络智能数据采析：网络数据采集、知识表示与推理、特征数据集构建与评估DataAcquisitionandAnalysisofBG/6GworkIntelligenceNetworkdatacollection,knowledgerepresentationandreasoning,featuresetsconstructionandevaluation摘要GBGG何嵌入数据与智能形成系，面临架构、数据和AI算法等重大挑战，径，为业界提供一种网络智能数据技术新思路和新范式。1.B5G/6G网络智能发展愿景与挑战 62.B5G/6G网络智能数据采集分析体系 82.1.无线网络智能开放平台 92.2.数据采集 102.3.基于知识图谱的表示与分析 112.4.特征数据集构建 113.网络数据知识图谱构建与应用 123.1.移动通信大数据的智能特征工程 123.2.网络数据知识图谱的构建 133.2.1.知识图谱的技术架构 133.2.2.基于通信协议与原理的网络数据知识图谱的构建 143.2.3.知识图谱的知识补全方法 143.2.4.知识图谱的边权重 153.2.5.知识图谱的节点重要性和节点间影响效率 153.3.网络数据知识图谱的应用 164.网络智能特征数据集构建与评估 18 4.3.基于机器学习的特征数据集构建 194.4.特征数据集构建过程的评估体系 19 5.特征数据集构建与评估案例 205.1.上行吞吐率为核心的局部知识图谱构建 205.2.上行吞吐率为核心的局部知识图谱深入分析 215.3.上行吞吐率特征数据集构建 235.4.上行吞吐率特征数据集的评估 246.未来展望 25参考文献 25前言GBGG前，国内外该方向的研AI战，而其中数据是最重要的基础，它基本决定入网、传输承载网络到核心网，在网络运行过程中将产生成千上万个数据字段和指标，课题。BGG，集存储、知识表示、知识推理以及特征数据集的构建和评估。B5G/6G移动通信网络的知识表示借助知识图谱等工具，将具有高动态性、时效性认知能力。征数据集表征对移动通信网络关键性能指标(KPI)有重大影响的关键特征以及这些特数字孪生提供重要参考。(6GANA,TG3)中国电信股份有限公司研究院严学强、王立磊、赵仁乾、袁雁南、钱兵、高璐、刘洋1.B5G/6G网络智能发展愿景与挑战G供极致的业务体验和高价值的新型业务服务能力。为了满足这些需求，6G无线通信网的出现将产生海量数据，6G将借助人工智能与大数据技术实现一系列智能化应用。因”的新范式[1][2]。量、网络效率和网络成本等各个方面自主优化网络[4]。AI算法等挑战。面对这些挑战，亟需建立完备的网络数据采集分析体系。在采集、分络功能编排、更加精细化的移动通信网络资源分配及高效的网络控制。B5G/6G网络的网络结构、终端类型、终端行为、数据业务需求、系统资源都具有态性、时效性强及相互耦合性等特点。因此，移动通信大数据采析面临诸多挑战，必经之路。习模型和算法，其着眼点在于为某个特定问题提供一类高效算法。与此同时，由于些学习模型和算法无法端到端的全流程完成从各类网络问题现象的发现到解决方案的性。因此，单一的知识/模型驱动或者单一的数据驱动的方式已经无法满足移动通信大数据分析的需求。移动通信领域的数据分析需要向知识/模型与数据双驱动的智能模式。AI作为移动通信领域数据分析引入的有效工具，它本身的发展对移动通信领域有代表的早期的AI强调因果律，重视与符号推理相关的知识结构性，其代价是对排中律的破缺。以统计机器学习、深度学习等为代表的后续的AI强调排中律，不惜对因果律破缺。如何利用折中的理念将两者有效的结合起来，是工智能技术的落地提供有力的支撑。集和分析的基础之上。知识图谱作为实现网络智能技术路径的关键一环，集第一代AI网络以及移动通信网络性能内生因素之间的关联关系，实现移动通信知识的互联互通、生关联关系以一种易于理解的、结构清晰的、定位精准的可动态展示的方式呈现出来。移动通信智能运用的落地环节。2.B5G/6G网络智能数据采集分析体系程中，面临的架构、数据和AI算征定制等功能。无线数据智能开放平台模块和数据采集模块是为了解决B5G/6G网络中数据逐层获取难的问题。基于知识图谱关联关系分析模块和特征数据集构建模块是为了解决2.1.无线网络智能开放平台B5G/6G无线网络智能开放平台提供了移动通信网络数据实时采集、分析、追踪、层。如下图所示：GG智能调优、智能决策以及智能评估等实际应用的落地。2.2.数据采集存储在基础数据仓库中。UE据、无线空口(基站侧)数据、核心网数据、网管数据等。无线空口(UE侧)数据、无线空口(基站侧)数据，包含物理层(L1)、数据链，实现基站侧数据采集的功能。业务数据、即时通信数据、邮件数据及视频数据等。实体形成对应的映射，多用于网络的拓扑信息管理。非结构化数据做结构化处理以及ETL入库等操作。ETL工具负责将分布的、异构数据数据集市中，成为联机分析处理、数据挖掘的基础。2.3.基于知识图谱的表示与分析度、广度、准确性有着非常高的要求。此模块主要利用网络数据知识图谱进行知识表示、关联关系分析和深度挖掘，为B5G/6G网络智能提供有效的知识规则与知识计算支撑。B5G/6G网络的网络结构、终行了有序整理，实现了数据-信息-知识的深度加工，为后续的网络智能提供了丰富的原。2.4.特征数据集构建特征数据集的构建是完成整个网络智能通信闭环的关键一环。3.网络数据知识图谱构建与应用面向人工智能的移动通信数据治理先后使用知识规则库-知识图谱-机器学习三项认专家知识和数据整合成人类所能理解的信息乃至知识规则。一种重要应用。3.1.移动通信大数据的智能特征工程重要性。网络数据知识图谱的构建以及基于此基础上的内生因素关联关系深度分析是可以知识挖掘与溯源推理的优势，提高特征筛选的效率。3.2.网络数据知识图谱的构建构造一个完整的网络数据知识图谱，是非常复杂的系统工程。与其他领域的基于规则、用数据动态感知的知识计算等等。3.2.1.知识图谱的技术架构知识抽取、知识存储、知识融合等多个方面。关系抽等等。方面需的全面智能化。3.2.2.基于通信协议与原理的网络数据知识图谱的构建依据。主要分为以下几个步骤。定义的实体，确立实体与实体之间的关系。tail组中的尾实体，relation为实体间的关系。其后，以三元组中的头实体和尾实体作为网知识图谱。3.2.3.知识图谱的知识补全方法知识补全(KnowledgeGraphCompletion，KGC)是指预测出知识图谱三元组中缺容，可以将知识补全分成三个子任务：jrkion的链接预测方法[12]和基于图神经网络的链接预测方法[5]。3.2.4.知识图谱的边权重通信系统中，CQI质量的下降可以直接导致MCS选择的调整，那么“CQI质量指示”数据字段与“MCS策略指示”数据字段之间关联边的权重就应该较大，使得当检测到MCSCQI量下降导致的。再例如，同3.2.5.知识图谱的节点重要性和节点间影响效率3.3.网络数据知识图谱的应用应用一：基于用户需求的内生智能优化网络应用二：无线网络智能规划多样，ToB、ToC业务需求类型多样，无线网络规划一般需在复杂输入情况下满足多无法达到最佳规划效果。解，并且通过知识图谱找到面向不同场景(ToB业务、ToC业务、应急业务等等)的精准得到网络规划方案。应用三：网络运维智能快速故障定位6G网络通过卫星、无人机、地面基站等多种接入方式，将具备空天地海全域立体位故障原因。6G网络由于具备智能内生，基于泛在的数据、算法、算力能力，通过对了定位处理物理机器层面的异常外，还需定位处理虚机/容器层面的异常。此领域的历史告警信息可以从网管中获取，或从设备的各种日志(log)中获取，也可以结合设备输参数优化等方面发挥较大的作用。应用四：无线网络数字孪生winNetwork的解决思路包括两个主要方向，一是数字孪生网络和物理网络最大化复用硬件、软件、生网络的资源开销。事实上，数字孪生网络试图将物理网络由“黑盒”变成“白盒”的，数字孪生网络。应用五：多学科、跨行业广域协同的智能研发对于5/6G基站设备这样涉及机、电、软多领域的产品研发，更智能研发体系，打造基于知识图谱的专业能力共享与协同系统。4.网络智能特征数据集构建与评估发展到目前阶段所迫切需要的。如何评估特征数据集的构建过程，如何评估面向KPI形成一套评估标准，也是本章所需解决的。4.1.网络数据KPI数据模型网络数据关键性能指标(KPI)可分为网络质量类指标和网络容量类指标。其中，等指标。RRC成功率、特定业务的无线接务、实时游戏业务、非会话类视频流业务等)；完整性指标包括：弃包率、丢包率等；务的上行/下行数据量(如会话类语音业务、会话类直播视频流业务、实时游戏业务、非务等)；RB、频谱4.2.面向特定场景的基于知识图谱的影响KPI特征初筛选KPI筛选。4.3.基于机器学习的特征数据集构建环的关键一环。分为分类、回归和聚类等三类算法。模型，通过模型划分未知数据。算法。本4.4.特征数据集构建过程的评估体系更复杂的模型才能达到相同的性能水平。。高度。4.5.面向KPI的特征数据集的评估体系估体系。。5.特征数据集构建与评估案例5.1.上行吞吐率为核心的局部知识图谱构建GPP理完成上行吞吐率为核心的局部知识图谱构建。)5.2.上行吞吐率为核心的局部知识图谱深入分析响效率。5.3.上行吞吐率特征数据集构建个对目标KPI础。接着，利用机器学习算法，得到上行吞吐率特征数据集。该特征数据集包含了20点)与相关节点所采集的数据。行预测分析。5.4.上行吞吐率特征数据集的评估基于最小信息准则(AIC，BIC)所选择的模型测试评估结果如下：上行吞吐率特对上行吞吐量的特征敏感度如下图所示：6.未来展望归属及关联关系，影响KPI字段的关键特征推荐等。AI模型在图像、视频等领域之所智能的研究提供更深入的指导。[1]You,X.,Wang,C.,etal.(2021).Towards6Gwirelesscommunicationnetworks:vision,enablingtechnologies,andnewparadigmshifts.SciChinaInfSci,64(1):1-74.[2]6G总体愿景与潜在关键技术白皮书,IMT-2030(6G)推进组,2021年10月.[3]智能运维之道,基于AI技术的应用实践[M].机械工业出版社,钱兵等,2021.[4]Huang,Y.,Liu,S.,Zhang,C.,You,X.,&Wu,H.(2021).True-datatestbedfor5G/B5Gintelligentnetwork.IntelligentandConvergedNetworks,2(2),133-149.[5]He,S.,Xiong,S.,Ou,Y.,Zhang,J.,Wang,J.,Huang,Y.,&Zhang,Y.(2021).Anoverviewontheapplicationofgraphneuralnetworksinwirelessnetworks.IEEEOpenJournaloftheCommunicationsSociety.[6]Pearl,J.(2018).Theoreticalimpedimentstomachinelearningwithsevensparksfromthecausalrevolution.arXivpreprintarXiv:1801.04016.[7]Yw,A.,Szbc,D.(2021).Communityanswergenerationbasedonknowledgegraph[J].InformationSciences,545:132-152.[8]Kim,T.,Yun,Y.,&Kim,N.(2021).Deeplearning-basedknowledgegraphgenerationforcovid-19.Sustainability,13(4):2276.[9]Maxime,D.,Olivier,F.,Nils,P.,Florence,V.,Christophe,D.,