互联网行业6G网络内生智能架构及关键技术白皮书

6G网络内生智能架构及关键技术白皮书

--以数据为中心&ICDT深度融合的

网络架构

参与单位

华为技术有限公司

中国移动通信有限公司

鹏城实验室

前言

6G将超越通信，成为智能普惠的新型基础设施已逐渐成为业界共识。

这使得6G网络不仅聚焦于支持更为极致的无线连接业务，还将支持智能

普惠所需的新型智能业务，这就要求6G网络将需要原生支持新型智能业

务所需要的连接、数据、计算和算法等多个维度的编排、协同和控制，来

构建6G的智能内生的网络架构。

由此，本白皮书以6G超越通信的智能普惠愿景为基础假设，在第一

章首先描述当前6G相关研究的背景，之后第二章描述无线网络智能化演

进及趋势，第三章重点描述内生智能架构，从5G网络智能化实践的启示

和6G智能普惠场景和需求出发，深入分析演绎6G内生智能架构研究问题，

包括涉及6G架构的网络功能、协议和信令流程设计等。之后在第四、五

章分别重点描述6G内生智能架构的关键特性：以数据为中心的独立数据

面，以及面向任务的ICDT深度融合。基于独立数据面，支持6G智能普惠

所需的数据服务，基于任务，支持连接、数据、计算和算法等多个维度的

一体化智能编排和管控。最后结合之前的描述，总结相关研究成果和结论。

该白皮书基于国家重点研发计划重点专项“6G网络架构及关键技术”

项目下的课题2方向“以数据为中心的ICDT深度融合”的研究成果梳

理撰写，由华为技术有限公司牵头，中国移动通信有限公司、鹏城实验室

联合参与完成。

本白皮书为国家研发计划重点专项“宽带通信和新型网络”项目《6G网络架构及关键

技术》（项目编号：2020YFB1806800）资助成果。

1引言

移动互联网已深入到人们生活的方方面面，从专业活动到休闲、教育、

娱乐等，完成了数字化并产生了海量的数据，为未来走向智能化时代奠定

了数据基础。而随着以深度学习为代表的AI技术的成熟，并在越来越多

的领域得到应用，到6G时代实现智能普惠已逐渐成为广泛的共识。

毫无疑问，AI将不仅惠及消费者业务，还将使能千行百业走向智能化，

影响社会的各个方面。从是事务第一性原理出发，所有AI应用都离不开

收集、分析各种类型的数据，然后将分析的结果用于执行特定的一系列动

作。如今，大多数AI采用集中式学习范式，将数据信息集中汇集一起进

行训练，通常是在专门用于AI计算的云，这样的AI训练范式称为云AI。

云AI利用网络将基本的数据信息或模型梯度信息传送到云端，云端是数

据处理的智能中心。6G提出了一种基于内生智能架构来更高效的使能未来

AI业务的方法，在本白皮书中称为网络AI。从AI三要素角度出发，网络

AI与移动通信系统进行深度融合设计的分析如下[1]。

·数据是AI的关键资产，堪比“原油”。最早一批AI业务更多聚焦

于B2C消费者应用，因此终端用户成为直接的数据源。垂直行业2B场景，

涉及不同的应用、商业模式和技术需求，对数据的安全隐私将更为关注，

例如行业数据通常将在系统边缘(一般位于企业内部)进行处理。因此，行

业AI服务将侧重本地，以分布式的方式提供。这一趋势将引发一系列关

于数据管理、处理、所有权等需求的讨论，一个既能满足这些需求又能充

分遵守数据治理规定的移动通信系统变得尤为重要。

1

·算力是AI行业的根本动力。AI应用越强大，所需的计算资源就越多，

而基于中心云的计算资源池模型可能缺乏可扩展性，导致无法应对未来的

变化。尤其当考虑到垂直行业中计算向边缘迁移这一趋势时，在中心云上

运行AI应用可能就行不通。因此，新的协同背景下，AI要从云端深人到

移动通信系统中。移动通信系统作为拥有超高性能的基础设施，能够有效

管理异构资源，具有可扩展性和弹性，并适配无线动态环境的变化。这一

研究领域既有广阔前景又具有挑战，因为它可能完全重构传统的系统架构

和设计理念。

·算法是整个AI业务的核心，定义了AI应用提供的智能类型，以及

AI应用所需的数据类型和消耗的算力。基础设施不需要知道AI算法是如

何定义的，但是它应该更好地支持这些算法的运行。例如，深度学习的实

现(联邦学习等）依赖于通信，这可能涉及算法可伸缩性、带宽和时延要

求。因此，网络系统架构的设计需要适配并可能影响AI算法的训练方式

以及AI推理的执行方式。

2驱动力趋势与愿景

2.1趋势

从移动通信网络演进历史来看，从2G到5G的演进，提供了不同类型

的普惠性质的基础服务，其背后都离不开原生架构能力的支持[3]。例如2G

的普惠性质的基础服务是语音服务，与此匹配的2G端到端网络架构就是

为语音原生设计的；到了3G和4G，普惠性质的基础服务边为了数据服务，

2

但3G架构还不是原生的数据架构，更多是将数据服务叠加在传统网络基

础上，带来的问题是不高效，而这个问题在4G上才得以彻底解决，4G架

构是完全基于数据服务来原生设计的，语音等传统业务都要基于基础数据

服务来提供（VoLTE，VoiceoverLongTermEvolution，基于4G的高清

语音通话）；5G提供的基础服务是万物互联，从URLLC（ultra-reliable

lowlatencycommunications，超可靠低延时通信）,mMTC（massive

MachineTypeCommunications，海量机器通信）,eMBB（EnhancedMobile

Broadband，增强宽带通信）到切片等，5G设计了很多原生的架构能力来

支持，但在智能化领域，5G更多是采取如NWDAF这样功能叠加的方式。5G

网络设计也希望能更好地支持AI业务，尤其是在核心网侧。为此，5G引

入了网络数据分析功能（NetWorkDataAnalyticsFunction，NWDAF)[4]，

其主要目的就是提升数据采集和分析能力。例如，NWDAF可以为其他网络

功能提供分析结果，辅助网络业务发放。NWDAF可以从5G网络功能和运行、

管理和维护(Operation，Administration，andManagement，OA&M)[3]系统

中采集数据。为此，NWDAF还提供了专门服务，用于相应网络功能的注册

和元数据开放。

3

图1.2G到5G系统演进.

但是，5G没能通过NWDAF为AI提供原生支持，有以下几个原因：

·数据源有限：NWDAF采集和分析的数据主要是5G网络功能接收的数

据，并没有考虑来自基础设施、环境、终端和传感器的数据。

·缺少数据隐私保护：5G中的数据源主要来自同一业务领域，因此基

础设计中数据隐私保护考虑不足。

·不支持外部AI服务：NWDAF是5G核心网功能，外部AI服务不能直

接在5G核心网或无线接人网（RadioAccessNetwork，RAN)中使用。

·基础设施利用不充分：网络切片、URLLC、mMTC等5G架构的关键

特性在设计上都是为了在性能、功能和运营角度满足垂直需求，并未专门

考虑原生AI支持(如数据管理、分布式架构等)。

·数据治理缺失：AI不只涉及数据采集和分析两方面。为了给AI提

供原生支持，需要专门对数据治理进行设计，而这并不在5G的考虑范围

之内。

4

2.2愿景

如图2所示，ITU-R将AI与通信融合作为IMT2030的新增应用场景。

ITU-R愿景建议书的新兴技术趋势描述了无线网络与AI的关系：AI优化

无线网络场景下，需要支持AI原生的新空口来增强无线连接性能，如符

号检测/解码，信道估计等；在无线网络使能AI应用场景下，AI原生的无

线网络可以实现自动化及智能网络服务，如智能数据感知、按需能力供给

础能力，从而更好的支持各种AI应用，如包括联邦学习在内的深度边缘、

分布式学习。

ITU-R愿景建议书的智能普惠的应用趋势中描述了网络与AI的关系：

在AI优化网络场景下，描述了包括AI使能网络自动管理的应用，如自监

控、自组织、自优化、自愈等能力；在网络使能。并在智能普惠章节描述

了NET4AI，6G网络基础设施将成为AI使能器，为智能应用提供计算和数

据服务，支持推理、模型训练、模型部署、跨网络和终端的分布式计算等

能力。

图2.IMT-2030愿景中的新业务场景：通信与AI融合[8].

5

因此，6G要提供智能普惠的基础服务，关键是在网络架构层面设计相

应的原生能力。传统的通信系统是面向连接的，对于这种系统，典型的服

务可以是在两个特定终端之间建立连接。因此，通信源和目的地由最终用

户及其打算使用的服务或他们计划与之通信的其他用户明确定义。在6G

中，除了面向连接的服务外，它还应该提供基于人工智能的服务，例如为

汽车执行完全自动驾驶的预测QoS（QualityofService，服务质量）服

务。为了满足此类服务，许多终端和网络设备之间以主动或被动的方式显

式或隐式建立连接，并调度计算、模型、数据资源，在多终端、多基站之

间进行高效的协调和通信。通过连接、计算、模型、数据资源间的高效协

同（ICDT深度融合），可以在保证人工智能服务的服务质量前提下，提升

资源利用率。ICDT的深度融合对6G网络功能平面的设计提出了新的挑战，

为了对连接、计算、模型、数据资源进行高效的管理和控制，可能会出现

新的功能和新的协议栈。

36G网络内生智能架构

3.15G网络智能化实践启示

随着5G系统全面商用，面对5G运营中出现的基站建设成本升高、网

络复杂性增加等问题导致的增量难增收的窘况，电信运营商迫切需要探索

合理高效的网络架构和部署方式来保证网络建设的经济性。面对5G网络

复杂化、业务差异化、用户需求多样化等一系列挑战，利用人工智能(AI,

6

ArtificialIntelligence)技术进行网元智能化、网络智能化和业务智能

化，是业界普遍认同的技术路径。比如在网络运维方面，利用AI的数据

感知、智能分析能力，可在海量运维数据中抽取隐含的关联特征和规则，

追溯根因、定位故障，进行主动式的网络运维，实现全面的网络端到端部

署自动化。目前，AI的数据驱动特性、自动控制能力、各种学习方法已经

被成功地用于解决通信网络中的一些问题。业界普遍认为：引入AI技术

后的5G网络，将具备更广阔的覆盖范围、更大的通信容量、更小的传输

时延和更多的用户连接能力，实现更加泛在、智能、安全、可信的公共移

动信息基础服务能力。

但在智能化领域，5G更多是采取如NWDAF进行功能叠加或是单独提供

AI算法等外挂的方式。5G网络中基于场景驱动的“外挂式”和“叠加式”

的网络智能化实践面临诸多挑战，包括数据获取困难、数据质量难以保证、

AI模型的应用效果缺乏有效的验证和保障手段等，这些因素导致了人工智

能的性能和效率低于预期。面对上述挑战，6G网络需要内生智能的网络架

构，即在架构层面将网络连接与人工智能三要素中的算力、算法及数据完

成深度融合，构建网络内完整的智能体系，从而实现智能服务的高效与高

质量保障。

3.26G智能普惠场景和需求

6G网络内生智能架构，就是要在网络内通过统一的架构设计来提供完

整的AI环境和AI服务。网络内生智能，主要面对高实时性能、高安全隐

7

私或低综合能耗等需求，在网络内进行AI训练、验证或推理，提供适应

不同应用场景的智能能力；网络内生智能可以是云AI的有益补充。

网络内生智能的主要场景可以分为三个类别：网元智能、网络智能、

业务智能，如图3所示。其中网元智能是指网元设备的内生智能化；网络

智能是指多个智体网元协同产生网络级的群体智能；业务智能是指整个无

线通信系统为业务提供的智能服务，一般由外部业务触发，无线网络负责

执行，其中的业务逻辑可以对无线通信系统透明。

图3.6G网络内生智能的场景需求.

网元智能场景包括传统的无线资源管理(RRM,RadioResource

Management)、无线传输技术(RTT,RadioTransmissionTechnology)的

智能化，以及网元自身的原生智能化，如网元智能体。网元智能可以发生

在网元、终端的功能和协议栈，影响从空口物理层到高层，如RTT智能化

算法主要在PHY层，RRM智能化算法主要是MAC层（如调度、MIMO配对、

功率控制、MCS选择等算法）和RRC层（如切换、负载均衡等算法）。

8

网络智能场景主要是网络系统层面的优化场景，最为典型的场景是自

动驾驶网络（ADN,AutonomousDrivingNetwork），即通过数据与知识

驱动的智能极简网络，实现网络自动、自愈、自优、自治，使能新业务并

实现极致客户体验、全自动运维、高效资源和能源利用。

网元智能和网络智能从网络和AI关系的角度，可以认为是AI4NET（AI

forNetwork），即使用AI来辅助通信效率、用户业务体验等的提升。AI4NET

也在ITU-RWP5D第44次会议正式通过了《IMT面向2030及未来发展的框

架和总体目标建议书》的新兴技术趋势和智能普惠章节得到了明确的阐述，

指出AI4NET需要支持AI原生的新空口来增强无线连接性能，并使能网络

的自动驾驶，包括自监控、自组织、自优化、自愈等能力[8]。

业务智能场景主要是第三方通过网络为AI提供多种支撑能力，使得

AI训练/推理可以实现得更有效率、更实时，或者提升数据安全隐私保护

等。例如用户可以利用6G网络的基础模型、数据集、算力、连接等服务，

辅助和优化其业务的AI训练或推理，从而更高效、安全的获得期望的AI

模型，例如6G网络可以为完全自动驾驶汽车提供QoS预测和保障的辅助

服务，从而进一步降低交通事故的发生风险。特别注意的是，业务智能不

是说6G网络要做业务本身，而是网络为业务的智能化提供更好的资源、

功能或服务方面的支持。业务智能从网络和AI关系的角度，可以认为是

NET4AI（NetworkForAI），即基于6G网络的原生AI能力辅助业务提升

效率和体验。NET4AI也在ITU-R建议书的新兴技术趋势和智能普惠章节得

到了明确的阐述，指出6G网络基础设施将成为AI使能器，为智能应用提

9

供服务，包括计算和数据服务，支持推理、模型训练、模型部署、跨网络

和终端的分布式计算等能力[8]。

3.36G内生智能网络架构

传统通信系统是以通信连接为中心的设计，其典型的应用场景是为特

定终端之间、或为终端与服务器之间提供连接，网络在架构上为会话提供

了完整的生命周期管理机制（例如端到端通信隧道的创建、修改、删除、

锚点迁移等流程）和QoS保障。其主要目的是为数据传输提供连接、支持

用户移动性、保证其业务体验。在资源类型上，非云化部署的设备通常采

用专用算力资源，对计算和存储资源的需求量均不高。与传统通信业务不

同，AI属于数据和计算密集型业务，为使6G网络具备原生的AI能力，6G

网络需引入新的资源维度，包括异构的算力资源和存储资源、新的计算任

务（AI相关计算）以及新的数据类型（AI计算输入输出数据）等，需要

设计相应的管控机制。

如图4所示，6G内生智能网络架构从逻辑层次上分为2大层，从下到

上依次为异构资源层、功能和编排管理层。

异构资源层是网络连接、算力、算法和数据资源等多维在网资源的基

础设施提供者。网络连接资源包括为网络各角落提供无处不在网络连接的

路由、传输和交换资源；算力资源包括CPU、GPU、NPU等以计算能力为主

的处理器，和具备存储能力的各类独立存储或分布式存储，以及通过操作

系统逻辑化的各种具备数据处理能力的设备；数据资源包括：网络环境数

10

据、用户数据、网络配置数据、网络运行数据、业务运行数据、AI相关数

据等资源。通过云化、中间件等技术向功能和编排管理层提供抽象的资源

视图和调用接口，实现资源的融合和共享[7]。

功能和编排管理层包括网络AI编排管理功能、协同控制功能、连接

功能、计算功能、数据功能和算法功能，通过对多维在网资源（计算、数

据、算法模型、频谱\带宽）的实时监控、融合调度、联合编排、以及对

各种任务实例的全生命周期的实时管理与控制，提供AI相关的融合服务。

该层是提供融合服务的核心功能层。其中，编排管理功能负责面向融合服

务的任务编排和需求服务映射，通过合理的任务编排，实现服务与业务功

能需求的最优匹配，并将编排结果发送给协同控制功能或各个业务功能。

同时编排管理功能负责对异构资源的感知、度量和管理。协同控制功能负

责接收编排管理功能的任务编排结果，并对连接功能、计算面的计算功能、

数据面的数据功能和算法功能进行协同联合控制，包括融合服务的联合调

度、路由、融合QoS保障等。

11

图4.6G内生智能网络架构.

6G网络通过ICDT的深度融合，围绕数据为中心，构建内生支持AI的

网络架构，支持6G新型智能业务涉及的各类AI任务在网络内的执行（包

括训练和推理等）。6G网络内生智能架构的设计遵循了“从连接为中心到

数据为中心”、“从面向会话管控到面向任务管控”范式的转变，接下来

将详细介绍这两个范式转变的具体含义，并将基于这两个范式转变设计相

应的以数据为中心的独立数据面及基于任务的管理编排架构。

3.3.1从连接为中心到数据为中心

网络正从连接为中心向数据为中心转变。网络中正日益产生和消费海

量数据，而6G时代，XR，AI等新终端、新业务、新功能等更是在6G生态

中产生大量数据，并可能处理第三方的行业数据。6G时代，数据将成为网

络中流淌的新“石油”，促使网络从现在的应用为中心向数据为中心转变。

而数据多源异构，数据的产生和消费跨不同的端、RAN、TN、CN等域，需

要统一跨域的数据服务，从全局的视角进行数据管理，充分高效地挖掘6G

12

网络中海量数据的价值[6]。

现有通信网络作为数据传输的“管道”，通过集成单点技术实现数据

处理、数据监管及安全隐私保护，为智能应用提供特定数据服务能力，但

缺乏归一化的数据服务框架，并面临着数据治理层面的诸多挑战。5G通信

网络是基于会话构建的，其用户面用于承载会话数据。由于无法满足6G

数据网络中海量数据需要的“随路计算”和“任意拓扑”支持，用户面无

法承载6G网络新的数据类型。5G用户面的会话连接实现两个通信设备之

间的信息交互，具体是由协议数据单元（ProtocolDataUnit，PDU）会

话提供用户终端设备和网络之间端到端的用户面连接。而6G数据面传输

则由数据采集、预处理、转发、存储和分析等功能组成。用户面传输是针

对人与人或人与机器之间的通信连接，而数据面处理的数据是由机器/算

法生产和消费的。5G用户面会话只实现数据包传输，而6G数据面传输网

络则需要实现随路计算，在数据管道中，数据被转换和优化以达到数据分

析和智能应用所需状态。在数据转发行为上，会话的数据包基于目标地址

进行转发；而数据管道中，数据包则基于数据服务和数据管道标识进行转

发。基于5G用户面会话的数据转发属于TCP/IP层，而数据面的数据转发

则属于应用层。此外，基于会话的拓扑是点对点的连接，而6G数据面则

需要支持任意拓扑结构（如数据分发和数据聚合需要的树形结构）。如果

沿用现有用户面承载所有6G网络数据，数据的起始和终结只能在PDU会

话的两端，即用户设备（UserEquipment，UE）或用户面功能（UserPlane

Functions，UPF），无法满足对感知数据、AI数据、网络行为和状态数据

13

的分布式管控。因此，6G网络需要引入独立的数据面，构建架构级的统一

可信、动态灵活的数据服务框架，在满足数据法规监管要求的同时，提升

数据分析和处理效率，实现跨域跨厂家的可信数据共享，并通过各类智能

应用实现数据的价值变现。3.3.2从面向会话管控到面向任务管控

6G需要支持包括AI与通信融合、感知与通信融合的新业务，由此在

6G网络中需要引入AI、计算、数据、感知等新功能，并支持基于通算融

合的分布式计算、数据收集及就近处理、AI推理和训练等新服务[8]。6G

网络需要原生支持AI，一个很重要的问题就是6G网络架构如何对引入的

AI功能、计算功能、数据功能进行管控，更好的保证AI服务的QoS。因

此，如图5所示的6G无线网络架构会发生根本性改变，体现为：

图5.会话控制到任务控制范式转变.

变化1：无线网络系统中的管控对象由“会话”变为“任务”；

变化2：调度资源从连接资源转变为连接、计算、数据和算法的四

要素资源（ICDT深度融合）；

变化3：基于任务粒度的管控，实现四要素的深度协同，提供高效

的任务运行环境。

为了方便理解，对任务、任务管控进行进一步说明：

14

1）任务内涵

现有的通信网络包括核心网（CN,CoreNetwork）、承载网和无线接

入网（RAN,RadioAccessNetwork），包含的典型网元有核心网网元、

接入网网元、和用户设备（UE,UserEquipment）等。

如上所述，任务是指网络新能力涉及到多节点场景下算力、连接、算

法、数据资源的协同和调配，以共同完成某个特定的目标。根据不同目的，

任务分为AI推理、AI训练、计算、感知等多种类型[5]。

根据参与任务的节点数量、又可以分为协作类和非协作类：

非协作类任务：单个节点执行的非协作类任务。例如可以在UE单

独执行，也可以在RAN、或CN网元上单独执行。

协作类任务：涉及到两个或多个节点的协作任务。例如协作节点可

以是UE和RAN、UE和CN、RAN网元间、CN网元间、以及RAN和

CN等。

图6是以AI推理任务为例，说明单点、两点、多点任务的工作机理；

AI训练任务、计算任务、感知任务等类似，不再赘述。图中，模型1是指

在基站或UE侧进行单点推理，或者UE请求基站侧推理；模型2对应两节

点联合推理，UE先经过推理获得输出1，上传到基站侧并作为基站推理的

输入，基站获得输出2并使用，或发送给UE使用；模型3对应多节点联

合推理，3个UE先各自推理并分别将输出1、输出2、输出3发送给基站，

基站整合后作为自身推理的输入，并推理得出输出4并使用（即基站使用

推理结果）。

15

图6.6GAI推理模型示意图.

通常来说，针对一个具体任务的执行，需要两个维度的协同：

四要素协同（ICDT深度融合）

一个任务的执行可能同时需要连接、计算、数据、算法的部分或全部

四要素资源。例如，在任务部署阶段提供四要素资源的配置，以及在任务

执行期间进行实时的四要素资源调度。

多节点协同

首先，在传统通信网络中连接相关的计算处理大多是在单个网元内实

现的，网元间一般无需算力共享和算力协同。随着越来越多的AI场景伴

随着大规模的AI训练、大模型的AI推理、和海量的感知图像处理，这些

对算力的需求量远超传统网络，通过简单的扩容逐个网元的计算能力，会

导致整网部署成本过高。而分布式计算可通过算力共享的方式来协同完成

任务，因此协同任务（即涉及多节点协同的任务）需要节点间算力层面的

协同。其次，随着社会的进步和数据所有权意识的提升，数据隐私保护的

要求也越来越高，例如UE的原始数据由于隐私原因无法上传到网络进行

训练，而联邦学习通过协同学习和梯度传递的方式在一定程度上解决了该

16

问题，协同任务需要多节点间进行数据层面的协同。最后，为了支持内生

AI，模型的训练需要消耗较大的计算和存储资源，一个好的模型也需要在

网络内共享以提升整网效率，协同任务需要多节点间进行AI模型层面的

协同。

2）任务管控

任务管控是指伴随在整个任务的运行过程中的管理和控制行为，包括

任务部署阶段的多节点协同的调配（例如参与节点的选择）、任务的生命

周期管理和控制（例如任务的创建、修改、暂停、删除等）和四要素参数

配置（例如参与节点使用的输入数据、模型参数等）；以及在任务执行期

间为了满足QoS要求进行的QoS监控和资源调度，其中资源调度包括多节

点协同的调配（例如协同节点的增加、删除、变更等操作）和四要素资源

协同的调度（例如参与节点的四要素变更、或参与节点自身的资源分配）

等。

在引入任务为中心架构后，一种方式是任务为中心完全融合会话为中

心，即基于纯连接的会话管理流程作为任务为中心的其中一个分支运行

（四要素中仅有连接需求）；另一种方式是任务为中心和会话为中心的两

种架构和流程同时存在，例如当发起会话管理流程时启用会话为中心架构，

当发起计算、AI、感知、数据处理等6G新业务时启用任务为中心架构。

两种方式对于方案的统一性、与5G纯连接系统的兼容性、标准复杂度、

部署灵活性等存在不同的影响。

3）任务QoS

17

面向各行各业对6G网络内生智能千差万别的需求，将用户的需求转

化为网络可以理解的对AI服务能力的要求是亟需解决的问题。6G网络将

不再只是服务于传统通信业务的管道，不同的智能应用场景对AI服务的

质量将有着不同的需求，需要一套指标体系通过量化或分级的方式传达用

户的需求以及网络编排控制AI各要素（包括连接、计算、数据和算法等）

的综合效果。为此，提出AI服务质量，即QoAIS（QualityofAIService）

的概念，QoAIS是对AI服务质量进行评估和保障的一套指标体系和流程机

制。

6G网络的AI服务可以分为AI数据类、AI训练类、AI推理类和AI验

证类，每一类AI服务均需要一套QoAIS。在具体指标体系设计上，传统通

信网络的QoS主要考虑通信业务的时延和吞吐率（MBR、GBR）等与连接相

关的性能指标，6G网络除了传统通信资源外，还将引入分布式异构算力资

源、存储资源、数据资源、AI算法等AI服务编排的多种资源元素，因而

需要从连接、算力、算法、数据等多个维度来综合评估网络内生AI的服

务质量。同时，随着“碳中和”和“碳达峰”政策的实施、全球智能应用

行业对数据安全性和隐私性关注程度的普遍加强，以及用户对网络自治能

力需求的提升，未来性能相关指标将不再是用户关注的唯一指标，开销、

安全、隐私和自治方面的需求将逐渐深化，从而成为评估服务质量的新维

度。而不同行业和场景在这些新维度上的具体需求也将千差万别，需要进

行量化或分级评估。因此，QoAIS指标体系从初始设计时，即需要考虑涵

盖性能、开销、安全、隐私和自治等多个方面，需从内容上进行扩展。

18

表1.AI训练服务的QoAIS指标体系

评估维度

AI服务类型QoAIS指标

性能性能指标界、训练耗时、泛化性、可重用性、鲁棒性、

AI训练

可解释性、损失函数与优化目标的一致性、公平性

存储开销、计算开销、传输开销、能耗

开销*

存储安全、计算安全、传输安全

安全*

数据隐私等级、算法隐私等级

隐私*

自治完全自治、部分人工可控、全部人工可控

表1提供了一种针对AI训练服务的QoAIS指标设计方式。QoAIS是

网络内生AI编排管理系统和控制功能的重要输入，管理编排系统对顶层

的QoAIS进行分解和映射，生成AI任务的QoS需求，再将任务QoS映射

到对数据、算法、算力、连接等多维度资源的QoS要求上，通过管理面、

控制面和用户面相关机制的设计获得持续保障。图7所示为AI用例、AI

服务和AI任务的逻辑关系。AI用例是用户在智能应用场景下向网络提出

的一次AI服务请求，一个AI用例可能涉及到一类或多类网络内生AI服

务（如AI训练、验证和推理服务）的调用。

图7.AI服务(QoAIS)和AI任务（任务QoS）间的逻辑关系示例.

4以数据为中心的独立数据面

19

数据的价值“金矿”已被市场广泛认知和期待，未来6G的生态系统

本身将会产生、处理、消费海量的数据，从运营到管理，从控制到用户，

从环境感知到终端，并可能处理第三方的行业数据，这些数据将使能更加

完善的智能服务，为运营商增值，但同时给高效地组织和管理数据带来了

新的挑战。同时，随着ICT的广泛及深度应用，数据安全和隐私泄露事故

的不断披露，人们越来越意识到隐私和数据所有权的重要性。各主要国家

和组织也纷纷出台相关法律法规来规范数据的使用，明确用户对个人数据

的控制权，数据主体应能够自主决定是否将个人数据变现、共享或提供给

AI模型进行训练。

现有网络作为数据传输的“管道”，通过单点技术实现数据处理、服

务及安全隐私保护，而在6G时代，将需要引入独立的数据面，构建架构

级的统一可信的数据服务框架，在满足数据法规的监管要求的同时，提供

可信的数据服务，为运营商提高运营效率，并智能增值。

4.16G数据服务框架设计原则

从单点技术向归一化系统架构转化。现有通信网络作为数据传输的

“管道”，通过单点技术实现数据处理、服务及安全隐私保护，而在6G时

代，为系统性地解决数据服务挑战，满足新业务，以及法律法规等要求，

将需要引入独立的数据面，构建架构级的统一可信的数据服务框架，解决

数据孤岛问题，在满足数据法规的监管要求的同时，提供可信的数据服务，

实现跨域跨厂家的数据共享，为运营商提高运营效率，并通过各类智能应

20

用实现数据的价值变现。

从集中式信任向去中心化信任转化。移动通信系统的网络架构从传统

的分层结构走向扁平化，控制方式从集中演进到分布式，同时适应数据天

然的分布式属性，算力的分布式部署，去中心化的信任模式成为必然。区

块链技术的发展为构建可信的认证、授权、及数据访问控制提供了技术支

撑。去中心化信任体系将信任的锚点从传统的权威机构或第三方背书转化

为多边共识，并依赖底层的密码学技术，为分布式数据处理、存储、访问

控制、溯源等提供安全的可信服务。

从数据驱动向数据和知识双驱动转化。6G网络数据服务框架需要适

配终端的多样性，支持异构多源的数据接入，收集、处理及存储海量数据。

数据的高价值备受企业期望，人工智能和知识图谱等技术的发展为从海量

数据中进行知识抽取提供了支撑，通过知识图谱结合人工智能等手段创新

性地挖掘数据之间的关联，从多样化和内在关联的数据中发现新机会、创

造新的价值，将数据转化为知识以实现基于认知的智能，使能应用的智能

化及多样性。一方面，通过知识图谱、网络AI等将业务场景与数据关联，

对数据的标准提要求，提高数据质量；另一方面，通过将所形成的业务关

联知识逐步沉淀到知识图谱、网络AI中，进一步释放新的价值。

4.26G数据服务框架

当前3GPPTS23.288定义了网络数据分析功能（NWDAF），数据采

集协同功能（DCCF），消息框架适配功能（ＭFAF）；3GPPTS28.104、

21

TS28.537、TS28.622定义了数据服务能力和管理数据分析框架包括管理

数据分析管理功能（MDAMF）。其主要功能聚焦于采集数据提供数据分析

报告给管理数据分析消费者。

ETSIZSM定义的数据服务框架包括数据持久性和不同域之间的数据分

享，支持不同的存储和数据库技术并能自动选择和适配相应技术。可提供

管理数据如性能、告警、跟踪、配置、日志、网络拓扑、目录数据等。

上述数据服务框架已经不能完全满足6G时代的海量数据分析处理

可信等要求。通过设计原则的转变，借助多层级的数据去隐私和安全保护

技术，6G网络数据服务框架将提供数据主体对数据的自主控制权、安全

可信的数据访问控制机制，满足监管、审计和溯源要求，并消除单点信任

及单点失效的风险，提供可信的智能数据服务。

6G数据服务框架如图8所示。通过对现有单点技术的增强和优化，

以及引入新的创新数据保护技术，基于去中心化的可信机制，按需调用数

据保护技术，为网络AI及各类应用提供可信数据服务。同时基于数据和

知识双驱动的智能分析，通过数据的知识化，赋能智能应用。随着6G网

络进一步朝资源边缘化和网络分布式演进，基于云边协同的计算将为数据

服务网络提供算力、通信和存储支持。

基础设施层。6G网络的数据源来自于基础设施层的各类网络，包括移

动通信网络、IoT感知网络、车联网或物联网等基础网络。根据来源分为

四大类，即网络运营数据，感知数据，AI数据，以及用户签约数据。

22

图8.数据服务框架.

数据服务层。按场景和分级实施端到端的数据和隐私保护，实现合理

合规的数据的采集、预处理及存储。同时，对于AI以及关键任务类应用

等安全和隐私保护要求高的场景，需要增强的数据保护技术。区别于传统

移动网络中集中式的认证授权和粗粒度的访问控制方法，6G网络数据服

务框架依据数据天然具有的分布式特点，以及与之适配的分布式部署的算

力和智能，通过数据和应用程序的解耦，基于区块链以及分布式存储等去

中心化的技术构建可信数据服务，实现对任何数据的访问进行认证授权，

并在链上保存相关操作记录。

网络AI。通过隐私保护处理及授权后，可由机器学习结合知识图谱等

AI工具实现数据知识化，使能多样化的应用。网络AI层对内能够利用智

能来优化网络性能，增强用户体验，自动化网络运营，实现智能连接和智

能管理；同时对外能够为各行业用户提供实时AI服务、实时计算类新业

23

务，从而构建完善的AIaaS平台来提供训练和推理服务。机器学习与知

识图谱相结合，降低AI不可解释性的风险，并将人工智能从感知层面提

升到认知层面，从海量的分散数据中学习出背后隐含的关联特征，实现数

据分析向知识加工的跃变，成为推动应用智能化升级的引擎。

4.3独立数据面逻辑架构

现有通信网络作为数据传输的“管道”，通过集成单点技术实现数据

处理、数据监管及安全隐私保护，为智能应用提供特定数据服务能力，但

缺乏归一化的数据服务框架，并面临着数据治理层面的诸多挑战。5G通信

网络是基于会话构建的，其用户面用于承载会话数据。由于无法满足6G

数据承载所需要的“随路计算”和“任意拓扑”支持，用户面无法承载6G

网络新的数据类型。5G用户面的会话连接实现两个通信设备之间的信息交

互，具体是由协议数据单元（ProtocolDataUnit，PDU）会话提供用户

终端设备和网络之间端到端的用户面连接。而6G数据面传输则由数据采

集、预处理、转发、存储和分析等功能组成。用户面传输是针对人与人或

人与机器之间的通信连接，而数据面处理的数据是由机器/算法生产和消

费的。5G用户面会话只实现数据包传输，而6G数据面传输网络则需要实

现随路计算，在数据管道中，数据被转换和优化以达到数据分析和智能应

用所需状态。在数据转发行为上，会话的数据包基于目标地址进行转发；

而数据管道中，数据包则基于数据服务和数据管道标识进行转发。基于5G

用户面会话的数据转发属于TCP/IP层，而数据面的数据转发则属于应用

24

层。此外，基于会话的拓扑是点对点的连接，而6G数据面则需要支持任

意拓扑结构（如数据分发和数据聚合需要的树形结构）。如果沿用现有用

户面承载所有6G网络数据，数据的起始和终结只能在PDU会话的两端，

即用户设备（UserEquipment，UE）或用户面功能（UserPlaneFunctions，

UPF），无法满足对感知数据、AI数据、网络行为和状态数据的分布式管

控。因此，6G网络需要引入独立的数据面，构建架构级的统一可信、动态

灵活的数据服务框架，在满足数据法规监管要求的同时，提升数据分析和

处理效率，实现跨域跨厂家的可信数据共享，并通过各类智能应用实现数

据的价值变现。

6G移动通信网络数据面架构如下图所示，主要由四部分功能组成：数

据编排器（DataOrchestrator，DO）（和数据控制器（DataController，

DC）），数据代理（DataAgent，DA），可信锚点代理（TrustAnchorAgent，

TAA），数据存储功能（DataStorageFunction，DSF）。DO支持可编程

数据管道并实现数据服务请求转换（根据数据服务请求实现数据管道的构

建）。DA可内置于网络功能或独立部署，执行数据管道中编排的数据采集、

数据预处理、数据存储、数据分析、数据共享和其他数据服务。TAA是在

数据面架构中定义的专用于保障6G数据可信度的独立组件。数据在处理

和使用过程中要满足PIPL/GDPR等法规的监管要求，如果遭受来自网络内

部和外部实体的各种安全隐私攻击，会造成严重隐患。因此，TAA在6G网

络中扮演着保护数据机密性、完整性和可靠性的重要角色。DSF在需要大

规模数据存储或长期存储时充当DA的存储扩展组件。数据面功能架构如

25

图9所示：

图9.数据面功能框架.

根据任务的实时性需求和跨域情况，将数据编排器细分为两类：DO和

DC。DO负责粗粒度、非实时的数据编排，DC则负责细粒度的实时的编排

任务，DO与DC二者协同实现了数据管道的弹性和可编程性。DO主要具备

以下功能：首先，DO是接收数据服务请求的门户，并且将数据服务请求转

化为对数据管道的组合请求。此外，DO与其他网络服务展开协作，比如算

力网络服务对算力进行编排，而DO对数据进行编排。基于数据服务请求

和DA的服务能力，DO实现了跨域的粗粒度的数据管道编排。同时，DO内

置了一个数据安全防护和隐私保护技术库（DataProtectionTechnology

Repository，DPTR），包含差分隐私、同态加密、安全多方计算、零知识

证明等技术，提供数据安全隐私保护能力，并按需将数据保护技术（Data

ProtectionTechnology，DPT）赋能给DA。相反，DC实现了细粒度的DA

26

编排，在本地域中依据DA的能力和数据服务请求对数据管道进行组合，

实现实时高效的服务管理。其次，DC接收DA的能力报告并实现对DA的注

册和撤销功能，通过监测DA的心跳实现对DA的实时监管。此外，DC内置

了可信锚点客户端（TrustAnchorClient，TAC），向TAA发起认证、授

权、访问控制等安全机制的请求，以及申请对数据访问的溯源和审计服务。

DC可部署在RAN侧和CN侧。

DA可选的部署在每个NF、RAN、TN节点终端及OAM上，同时支持独立

部署，通过建立一个动态的数据管道（pipeline）,由一系列的数据处理

单元按需按序组成，前一个单元的输出是下一个单元的输入。从而形成从

数据采集、预处理、存储、到应用/分析、都可按需从DA输出的数据流，

对外提供接口访问数据服务。

•数据采集从数据源获取数据，支持订阅/通知的方式，也支持请求/响

应的方式，数据获取请求中指示数据上报的触发方式，触发条件，

上报的周期，数据量等。支持对用户数据、网络数据、AI数据、IoT

数据的采集。支持流式数据采集和批数据采集，实时数据与非实时

数据采集。

•数据预处理指对采集到的原始数据所进行的诸如“清洗、填补、平滑、

合并、规格化、和一致性检验”等一系列操作，旨在提高数据质量，

为后期分析工作奠定基础。原始数据中，通常会存在脏数据，如数

据缺失、数据噪声、数据冗余、数据集不均衡等。

•数据隐私保护对采集到的数据进行例如诸如k-anonymity(k-匿名

27

化),l-diversity(l-多样化),t-closeness和ε-differential

privacy(差分隐私)等技术对数据进行处理，使得恶意攻击者无法从

经过脱敏处理的数据中直接获取敏感信息，从而实现对机密及隐私

的防护。数据保护技术可以预装在DA中，也可以由DO按需推送，

可对DA的每一层级的数据进行安全和隐私保护。

•数据分析功能与DA松耦合，可按需与DA分开部署。支持各类数据分

析技术，例如AI/ML、Hive、Spark等。数据分析功能通过API调用

DA的数据采集、预处理、存储等各层级的数据服务。所需的AI模

型可以预装或由NetworkService推送。

5基于任务的管理编排架构

智能普惠需要原生智能的架构设计，在架构层面原生支持连接、计算、

数据和算法（四要素）的深度融合，即面向任务的四要素深度融合，并以

任务为单位进行实时管控、以及QoS保障。

5.1任务逻辑架构

现有通信系统包括管理域和控制域，其中管理域部署的网管设备通过

非实时的管理层面信令（通常为分钟级别）对网元设备进行操作和管理。

控制域包括核心网设备、基站设备、以及终端设备，其间的控制层面信令

更为实时（通常为毫秒级别），例如用户进行语音通话时建立的端到端隧

道通常在几十毫秒内完成。

以任务为中心的架构包括两大部分：网络AI管理编排和任务管控，

28

如图10所示。基于任务管控各阶段对实时性不同要求、任务管控范围等

因素的考虑，引入网络AI管理编排（NetworkAIManagement&

Orchestration,NAMO），来完成从AI业务到任务的分解、映射和AI业

务流编排，NAMO通常是非实时的，一般部署在管理域；任务管控则是在控

制层面引入任务锚点功能（TaskAnchor,TA）、任务调度功能（Task

Scheduler,TS）、任务执行功能（TaskExecuter,TE），对任务进行分

层的控制，以在任务范围和任务实时调度之间寻求平衡。

图10.以任务为中心的逻辑架构.

仅通过管理域的NAMO对任务进行管控，存在如下问题：

1)NAMO无法直接管理UE，涉及UE的任务需通过应用层来部署，网络

无法感知，因此也无法实现四要素协同来管控和保障任务QoS；

2)NAMO信令时延较大（一般是分钟级别），导致任务管控不及时，

29

难以满足严格的任务QoS保障要求；

3)NAMO管理的节点多，如果进行高度集中的任务管控，信令消耗大，

容易成为瓶颈。

任务锚点TA来负责任务的生命周期管控；该节点部署在控制面，能

够保证信令的实时快速传输（毫秒级别），使得任务控制更为实时和高效。

在任务范围较大的场景，TA部署位置可能较高（例如部署在核心网）。TS

的部署位置取决于四要素资源控制的实时性需求，比如控制连接资源的TS

部分需要部署在靠近TE的位置，以便更实时地感知连接资源状态，以及

进行实时QoS质量监控和资源调整。

基于上述的TA、TS、TE三级架构，下面分别阐述每个逻辑功能的功

能特性。

任务锚点功能TA（TaskAnchor）

TA负责任务的生命周期管理，基于任务QoS需求完成任务部署、启动、

删除、修改、监控等，包括调控四要素资源来进行任务的QoS保障。

任务调度功能TS（TaskScheduler）

TS负责任务的控制，在任务实例的部署过程中，TS会建立并维护任

务相关的上下文信息，从而对任务进行控制。针对任务控制功能，TS主要

有三大核心特性：其一，TS需要接受TA的管理控制。TS不能作为网络架

构外的功能独立存在，其需要由TA来管理控制。其二，TS负责任务执行

的实时控制，实现通算深度融合。TS实时感知网络环境的变化，如终端切

换、链路状态变化等，通过自身或者通知TA来实时调整任务配置，保障

30

任务的顺利执行和QoS要求。其三，TS负责任务相关TE间资源的调度。

比如，任务执行是一个过程，期间对于算力的需求是不断变化的，需要TS

进行实时的算力调度。

任务执行功能TE（TaskExecutor）

TE负责任务的具体执行，并进行业务逻辑上的数据交互。同一个服务

的工作流可能被实例化为多个任务，部署在多个TE间执行，因此TE间存

在数据的交互。

TA对TE的管理需要具备实时、灵活等要求，在RAN域内部署RANTA

实现对RANTE的管理更为合理，同理CNTA对CNTE类似。这是因为TE

的状态是实时变化的（例如CPU负载、内存、电量、UE的信道状况等），

TA/TS的就近部署能够带来更少的管理时延；此外，根据3GPP的设计逻辑，

CN和RAN需要尽量解耦，例如RANRRM和RTT优化不应对CN感知，因此

由CNTA来管理RANTE并执行RAN任务，会导致业务逻辑强耦合。因此，

分别在CN域和RAN域都独立部署TA/TS，达到实时管理和业务解耦的目的。

5.2任务部署架构

TA对TE的管理需要具备实时、灵活等要求，在RAN域内部署RANTA

实现对RANTE的管理更为合理，同理CNTA对CNTE类似。这是因为TE

的状态是实时变化的（例如CPU负载、内存、电量、UE的信道状况等），

TA/TS的就近部署能够带来更少的管理时延；此外，根据3GPP的设计逻辑，

CN和RAN需要尽量解耦，例如RANRRM和RTT优化不应对CN感知，因此

31

由CNTA来管理RANTE并执行RAN任务，会导致业务逻辑强耦合。因此，

在CN域和RAN域都独立部署TA/TS，可以达到实时管理和业务解耦的目的。

以基站和终端进行联邦学习为例，下面详细说明TA、TS、和TE如何

部署。由于6G架构未定，以5GRAN架构为例进行说明，如图11所示：

图11.以任务为中心的部署架构-站内任务协同.

1)场景1：gNB+UE场景

其中gNB同时是TA和TS，UE是TE；此时UE是算力提供方和任务执

行方，接受gNB的任务管理和任务四要素调度（例如UE侧与基站的连接

建立、空口资源的实时调度、以及AI模型的分配和实时调整等）。

2)场景2：CU+DU场景

其中CU同时是TA和TS，DU是TE；此时DU是算力提供方和任务执行

方。

3)场景3：CU+DU+UE场景

其中CU是TA，DU是TS，UE是TE；此时UE是算力提供方和任务执行

方，CU是任务管理者，DU感知CU给UE分配的任务、并进行四要素资源

调度和任务实时QoS保障。在该场景中，TA和TS是分开部署的，TS部署

比TA位置更低，因此能够更实时感知TE的连接、算力、模型等状态，从

32

而更为实时监控任务QoS和快速调整四要素资源。

4)场景4：复杂任务场景

上述三个场景都是对应一个简单任务，仅包括一个TA、TS和TE；对

于计算量更大的任务，仅有一个TE是不够的，因此需要多个TE共同参与

同一个任务。针对本场景，CU是TA，在接受一个大任务后，将部分任务

分给DU1进行处理（此时DU1是TE，CU还是该TE的TS），并将剩余任务

交给DU2下的UE1和UE2处理（DU2是该子任务的TS，UE1和UE2是对应

TE）。

5)场景5：跨站协同场景

下图所示场景是针对在一个基站内进行任务执行的，场景5则重点关

注基站间联合进行联邦学习。为简单起见，以两个基站为例进行说明。如

图12所示，由于在无线通信系统中，基站与基站之间的拓扑是对等的，

因此可以采用集中式或分布式方案来实施任务协同。其中分布式方案是指

每个基站既是TE、又是TS，两个TS之间通过协商的方式来协同算力分配

或模型更改，此时两个基站是对等的，没有决策者和决策执行者的区分；

而集中式是指在两个基站间选择一个节点作为逻辑的TS，并对两个站的

TE资源进行调度（连接优化、算力调度、模型变更、数据配置等），此时

两个基站是不对等的，其中一个是资源调度的决策