（1.中國(guó)科學(xué)院計(jì)算技術(shù)研究所處理器芯片全國(guó)重點(diǎn)實(shí)驗(yàn)室，北京 100190；2.中國(guó)科學(xué)院大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，北京 100049；3.航天工程大學(xué)航天信息學(xué)院，北京 101400；4.肯特大學(xué)工學(xué)院，坎特伯雷 CT2 7NZ）
0 引言
隨著5G 在全球逐步進(jìn)入商用，產(chǎn)業(yè)界和學(xué)術(shù)界已經(jīng)加速對(duì)6G 的研發(fā)[1-6]。為了支撐未來(lái)萬(wàn)物智聯(lián)時(shí)代智慧生活、智賦生產(chǎn)、智煥社會(huì)等催生出的新興應(yīng)用場(chǎng)景，例如，腦機(jī)通信、智慧交通、精準(zhǔn)醫(yī)療等[7-9]，6G 被廣泛認(rèn)為將是人-機(jī)-物三元融合的智能網(wǎng)絡(luò)，內(nèi)生智能、開(kāi)放性將成為6G 智能網(wǎng)絡(luò)的關(guān)鍵特征。6G 需要通過(guò)節(jié)點(diǎn)原生智能、網(wǎng)絡(luò)協(xié)同共建支持智能感知、自主決策、自動(dòng)執(zhí)行的能力，滿足“智慧泛在，自治自洽”的未來(lái)愿景。發(fā)展6G 智能網(wǎng)絡(luò)的驅(qū)動(dòng)力主要來(lái)自新業(yè)務(wù)的碎片化極致化需求、網(wǎng)絡(luò)管理和運(yùn)維的復(fù)雜性倍增以及新技術(shù)的涌現(xiàn)與變革。
首先，未來(lái)人-機(jī)-物萬(wàn)物智聯(lián)將持續(xù)催生新的應(yīng)用，現(xiàn)有網(wǎng)絡(luò)僅依靠“打補(bǔ)丁”“疊加資源”的方式將難以滿足新業(yè)務(wù)碎片化、極致化的需求。一方面，由于用戶行為、信息環(huán)境在時(shí)間和空間上不斷改變，導(dǎo)致用戶服務(wù)需求動(dòng)態(tài)化、碎片化。另一方面，隨著數(shù)字化、智能化發(fā)展，未來(lái)6G 網(wǎng)絡(luò)中增強(qiáng)現(xiàn)實(shí)（AR,augmented reality）/虛擬現(xiàn)實(shí)（VR,virtual reality）、工業(yè)自動(dòng)化、遠(yuǎn)程駕駛等新業(yè)務(wù)場(chǎng)景的需求將呈現(xiàn)出極致化發(fā)展趨勢(shì)。例如，在AR/VR 中，沉浸式交互體驗(yàn)要求數(shù)據(jù)速率至少達(dá)到10 Gbit/s、端到端的時(shí)延小于1 ms、隨時(shí)隨地一致性體驗(yàn)等[8-10]。工業(yè)自動(dòng)化的典型需求是控制面時(shí)延達(dá)到0.1 ms、可靠性高達(dá)10-9級(jí)等[8]。遠(yuǎn)程駕駛中要求用戶面時(shí)延達(dá)到3 ms，同時(shí)可靠性達(dá)到10-5級(jí)[11]。與此同時(shí)，一些新的網(wǎng)絡(luò)性能指標(biāo)，如機(jī)器通信的安全性、觸覺(jué)通信（如遠(yuǎn)程醫(yī)療）中環(huán)境的高精度感知、計(jì)算效率等的引入，要求未來(lái)6G 能夠根據(jù)業(yè)務(wù)動(dòng)態(tài)極致的性能需求、柔性設(shè)計(jì)和構(gòu)建網(wǎng)絡(luò)，對(duì)整網(wǎng)資源進(jìn)行最優(yōu)化調(diào)度[12]。然而，現(xiàn)有網(wǎng)絡(luò)架構(gòu)單一固定，遵循端到端的網(wǎng)絡(luò)范式，提供盡力而為的交付服務(wù)，將難以應(yīng)對(duì)未來(lái)6G 網(wǎng)絡(luò)中業(yè)務(wù)碎片化、極致化的性能需求[13]。因此，迫切需要一種靈活簡(jiǎn)潔、整網(wǎng)資源可敏捷調(diào)度的智慧網(wǎng)絡(luò)，能夠高效準(zhǔn)確地預(yù)測(cè)業(yè)務(wù)的動(dòng)態(tài)化需求，如吞吐量、時(shí)延、可靠性等，結(jié)合業(yè)務(wù)偏好特征并借助云網(wǎng)融合等技術(shù)，彈性構(gòu)建不同網(wǎng)絡(luò)形態(tài)，通過(guò)彈性感知、彈性通信、彈性計(jì)算等實(shí)現(xiàn)網(wǎng)絡(luò)的彈性構(gòu)筑，以適配未來(lái)網(wǎng)絡(luò)智能業(yè)務(wù)的高度動(dòng)態(tài)性和不確定性。
其次，現(xiàn)有網(wǎng)絡(luò)管理和運(yùn)維的復(fù)雜度隨著網(wǎng)絡(luò)節(jié)點(diǎn)的異構(gòu)性和網(wǎng)絡(luò)動(dòng)態(tài)性的增強(qiáng)急劇上升，而傳統(tǒng)基于人工的網(wǎng)絡(luò)管理效率低，難以支撐網(wǎng)絡(luò)的持續(xù)性發(fā)展，迫切需要智能的網(wǎng)絡(luò)管理。一方面，面向萬(wàn)物智聯(lián)，6G 將向著空天地海一體化的方向發(fā)展。不同制式的接入技術(shù)，如地面蜂窩通信、Wi-Fi、專用短程通信技術(shù)、衛(wèi)星通信等需要協(xié)同融合；但不同的網(wǎng)絡(luò)節(jié)點(diǎn)，如宏基站、微基站和衛(wèi)星等，其運(yùn)營(yíng)商、技術(shù)特征、3C 資源（通信、計(jì)算和存儲(chǔ)）、性能指標(biāo)等存在顯著差異，難以協(xié)同。另一方面，網(wǎng)絡(luò)動(dòng)態(tài)性隨著未來(lái)空-天網(wǎng)絡(luò)中無(wú)人機(jī)、低軌衛(wèi)星等高移動(dòng)性設(shè)備的引入而增強(qiáng)；同時(shí)移動(dòng)通信頻段不斷上移，隨著毫米波、太赫茲的引入，由于其波束的覆蓋范圍有限，易受建筑物、人體等障礙物帶來(lái)的遮擋和阻塞，信道變化的動(dòng)態(tài)性增強(qiáng)[14-15]，這些都為網(wǎng)絡(luò)資源的優(yōu)化管控帶來(lái)了極大的挑戰(zhàn)。因此，如何根據(jù)業(yè)務(wù)需求實(shí)現(xiàn)跨網(wǎng)協(xié)同、如何適配網(wǎng)絡(luò)和信道的動(dòng)態(tài)變化實(shí)現(xiàn)高效管控是未來(lái)6G網(wǎng)絡(luò)面臨的重要挑戰(zhàn)。然而，目前網(wǎng)絡(luò)管理仍采用傳統(tǒng)人工模式，即人工設(shè)計(jì)、配置網(wǎng)絡(luò)參數(shù)等，這僅適用于相對(duì)簡(jiǎn)單、靜態(tài)的網(wǎng)絡(luò)。面向未來(lái)復(fù)雜動(dòng)態(tài)的網(wǎng)絡(luò)，人工管理的成本高，并且性能和用戶服務(wù)質(zhì)量也難以保障[16]。未來(lái)網(wǎng)絡(luò)需要一個(gè)具備自感知、自編排、自配置、自運(yùn)營(yíng)能力的智慧自治網(wǎng)絡(luò)來(lái)打破傳統(tǒng)人工管理和編排的局限性。這就需要6G 能夠?qū)Ξ悩?gòu)網(wǎng)絡(luò)進(jìn)行統(tǒng)一表征，實(shí)時(shí)感知與分析網(wǎng)絡(luò)動(dòng)態(tài)信息，利用自動(dòng)化和閉環(huán)優(yōu)化方式對(duì)異構(gòu)、動(dòng)態(tài)網(wǎng)絡(luò)進(jìn)行統(tǒng)一管理和協(xié)同調(diào)度，基于深度融合實(shí)現(xiàn)網(wǎng)絡(luò)快速自動(dòng)配置，滿足用戶需求。
最后，當(dāng)前新技術(shù)不停涌現(xiàn)與變革，將有可能支撐6G 網(wǎng)絡(luò)內(nèi)生智能功能愿景的實(shí)現(xiàn)。借助網(wǎng)絡(luò)功能虛擬化（NFV,network function virtualization）、軟件定義網(wǎng)絡(luò)（SDN,software defined network）和人工智能（AI,artificial intelligence）等技術(shù)，網(wǎng)絡(luò)將具有更高的靈活性和可擴(kuò)展性以支撐更加多樣化、精細(xì)化服務(wù)。其中，NFV 是在單個(gè)物理網(wǎng)絡(luò)上安裝一系列虛擬化網(wǎng)絡(luò)功能（如路由器、防火墻、域名服務(wù)等），從而建立多個(gè)邏輯網(wǎng)絡(luò)。每個(gè)邏輯網(wǎng)絡(luò)具有特定的網(wǎng)絡(luò)能力和特性，通過(guò)啟用虛擬隔離機(jī)制在一個(gè)物理基礎(chǔ)設(shè)施上可部署多種網(wǎng)絡(luò)服務(wù)，減少硬件使用數(shù)量，提升網(wǎng)絡(luò)柔性適變能力，從而提高網(wǎng)絡(luò)架構(gòu)的靈活性和可擴(kuò)展性[17]。而在SDN 中，網(wǎng)絡(luò)控制可直接編程，并與數(shù)據(jù)流的轉(zhuǎn)發(fā)分離，控制平面定義數(shù)據(jù)流的路由與資源的分配，從而提升網(wǎng)絡(luò)管理與編排的靈活性。因此，SDN 作為NFV 的互補(bǔ)技術(shù)，解耦控制平面和數(shù)據(jù)平面，主要進(jìn)行路由和網(wǎng)絡(luò)操作；NFV 解耦軟硬件，主要提供計(jì)算和處理服務(wù)。以SDN、NFV 等技術(shù)為基礎(chǔ)，未來(lái)6G 將有可能實(shí)現(xiàn)網(wǎng)絡(luò)的高效柔性可重構(gòu)，支撐更加靈活多樣的網(wǎng)絡(luò)服務(wù)。此外，基于AI 技術(shù)，6G 將有可能智能適應(yīng)動(dòng)態(tài)變化的網(wǎng)絡(luò)環(huán)境和信道條件。例如，根據(jù)實(shí)時(shí)采集的大量信道數(shù)據(jù)，采用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行非線性近似，對(duì)未知復(fù)雜信道進(jìn)行動(dòng)態(tài)預(yù)測(cè)與建模，獲取信道知識(shí)，給系統(tǒng)決策和管控提供重要信息[12]�？梢�(jiàn)，網(wǎng)絡(luò)產(chǎn)生的大數(shù)據(jù)加快了技術(shù)的演進(jìn)與發(fā)展，新技術(shù)的創(chuàng)新與變革也推動(dòng)了6G 網(wǎng)絡(luò)的智能化轉(zhuǎn)型。
1 研究進(jìn)展
1.1 智能網(wǎng)絡(luò)
在上述驅(qū)動(dòng)力的推動(dòng)下，近年來(lái)智能網(wǎng)絡(luò)的研究空前發(fā)展。歐洲電信標(biāo)準(zhǔn)化協(xié)會(huì)（ETSI）、國(guó)際電信聯(lián)盟電信標(biāo)準(zhǔn)分局（ITU-T）、第三代合作伙伴計(jì)劃（3GPP,3rd generation partnership project）等已啟動(dòng)網(wǎng)絡(luò)智能化研究，從架構(gòu)設(shè)計(jì)、場(chǎng)景描述、關(guān)鍵技術(shù)等方面推進(jìn)智能網(wǎng)絡(luò)標(biāo)準(zhǔn)化進(jìn)展。其中，網(wǎng)絡(luò)架構(gòu)的功能設(shè)計(jì)是未來(lái)6G 網(wǎng)絡(luò)賦能行業(yè)應(yīng)用的重要基礎(chǔ)。
在各種新型網(wǎng)絡(luò)架構(gòu)中，意圖是未來(lái)網(wǎng)絡(luò)實(shí)現(xiàn)智能化的關(guān)鍵之一。2017 年2 月，ETSI 經(jīng)驗(yàn)式網(wǎng)絡(luò)智能（ENI,experiential network intelligence）工作組定義了一個(gè)基于意圖感知的智能網(wǎng)絡(luò)架構(gòu)——ENI 架構(gòu)，主要包含情景感知、網(wǎng)絡(luò)大數(shù)據(jù)分析和策略管理等功能模塊，其中，情景感知模塊負(fù)責(zé)接收應(yīng)用程序意圖，然后利用網(wǎng)絡(luò)大數(shù)據(jù)分析、策略管理等模塊翻譯為網(wǎng)元配置指令，下發(fā)到底層基礎(chǔ)設(shè)施中[18]。2019 年1 月，ITU-T 提出基于機(jī)器學(xué)習(xí)（ML,machine learning）的未來(lái)網(wǎng)絡(luò)統(tǒng)一邏輯架構(gòu)，包含管理子系統(tǒng)、多層ML管道和閉環(huán)子系統(tǒng)[19]。其中，運(yùn)營(yíng)商借助“意圖”指定機(jī)器學(xué)習(xí)用例，然后借助管理子系統(tǒng)和多層ML 管道進(jìn)行編排和實(shí)現(xiàn)，并持續(xù)進(jìn)行環(huán)境感知和策略優(yōu)化。2020 年3 月，3GPP 提出了意圖驅(qū)動(dòng)的管理服務(wù)閉環(huán)自動(dòng)化機(jī)制，其中，用戶只需表達(dá)自身意圖，即希望特定實(shí)體達(dá)到特定狀態(tài)，而服務(wù)提供者負(fù)責(zé)將意圖轉(zhuǎn)化為網(wǎng)絡(luò)設(shè)備管理需求，進(jìn)行網(wǎng)絡(luò)配置，并持續(xù)監(jiān)測(cè)意圖實(shí)現(xiàn)狀態(tài)，調(diào)整網(wǎng)絡(luò)配置滿足意圖要求[20]。
以上網(wǎng)絡(luò)智能化研究指出了意圖對(duì)于未來(lái)內(nèi)生智能網(wǎng)絡(luò)發(fā)展的重要性，基于人類意愿自動(dòng)智能搭建和操作網(wǎng)絡(luò)，降低網(wǎng)絡(luò)管理復(fù)雜度，提升網(wǎng)絡(luò)運(yùn)維效率，保障網(wǎng)絡(luò)體驗(yàn)。
1.2 基于意圖的網(wǎng)絡(luò)
2015 年，開(kāi)放網(wǎng)絡(luò)基金會(huì)北向接口工作組主席David Lenrow 提出基于意圖的網(wǎng)絡(luò)（IBN,intent-based networking）概念，并將意圖定義為“Intent: don’t tell me what to do! (tell me what you want)”[21]。2016 年，開(kāi)放網(wǎng)絡(luò)基金會(huì)發(fā)布“Intent NBI -definition and principles”白皮書(shū)，描述了基于意圖的北向接口（NBI,northbound interface）屬性和結(jié)構(gòu)，將意圖理解為網(wǎng)絡(luò)服務(wù)請(qǐng)求（如connect Bob to the (public) Internet）[22]。2017 年，Gartner 發(fā)布報(bào)告定義了基于意圖的網(wǎng)絡(luò)功能，包括意圖翻譯和驗(yàn)證、網(wǎng)絡(luò)狀態(tài)感知、自動(dòng)化配置、意圖保障和自動(dòng)修復(fù)。其中，IBN 將意圖定義為業(yè)務(wù)策略（如新建一個(gè)虛擬機(jī)），而意圖翻譯和驗(yàn)證負(fù)責(zé)將意圖轉(zhuǎn)化為網(wǎng)絡(luò)策略和配置[23]。2019 年，開(kāi)放數(shù)據(jù)中心標(biāo)準(zhǔn)推進(jìn)委員會(huì)發(fā)布“意圖網(wǎng)絡(luò)技術(shù)與應(yīng)用白皮書(shū)”，在Gartner 提出的IBN 的基礎(chǔ)上增加了用戶意圖輸入和網(wǎng)絡(luò)基礎(chǔ)設(shè)施2 個(gè)部分，進(jìn)一步完善了IBN 的功能模塊[24]。以上報(bào)告和白皮書(shū)所提出的基于意圖的網(wǎng)絡(luò)架構(gòu)中將意圖理解為“What to do”，而不是“What you want”。因此，網(wǎng)絡(luò)亟須提升智能，從“What you want”中抽象出“What to do”。
目前，學(xué)術(shù)界關(guān)于基于意圖的網(wǎng)絡(luò)的研究集中在網(wǎng)絡(luò)架構(gòu)、平臺(tái)和接口[25-27]。文獻(xiàn)[25]提出一種基于意圖的網(wǎng)絡(luò)切片編排框架。首先接收意圖請(qǐng)求（用戶所需服務(wù)名稱和服務(wù)等級(jí)），然后提取服務(wù)關(guān)鍵字并映射為虛擬化網(wǎng)絡(luò)功能，最后采用Swarm 管理器分配CPU、內(nèi)存和帶寬資源。不同于文獻(xiàn)[25]，文獻(xiàn)[26]搭建了基于意圖的網(wǎng)絡(luò)切片生成與管理平臺(tái)。首先設(shè)計(jì)圖形界面接收用戶意圖請(qǐng)求，即用戶服務(wù)質(zhì)量（QoS,quality of service）需求，然后采用意圖管理器將意圖請(qǐng)求轉(zhuǎn)換為切片配置策略，并分配資源以創(chuàng)建切片實(shí)例。與非基于意圖的機(jī)制相比，文獻(xiàn)[25-26]中用戶只需要對(duì)網(wǎng)絡(luò)提出需求，不需要關(guān)注底層如何實(shí)現(xiàn)，提升了網(wǎng)絡(luò)切片生成與管理的自動(dòng)化程度。不同于文獻(xiàn)[25-26]，文獻(xiàn)[27]針對(duì)OpenFlow 控制器，擴(kuò)展一個(gè)名為“意圖引擎”的新組件，并以用戶移動(dòng)性管理為例展示了基于意圖的網(wǎng)絡(luò)接口提高了傳輸吞吐量。文獻(xiàn)[25-27]進(jìn)行網(wǎng)絡(luò)決策時(shí)，采用預(yù)先安裝的意圖管理器或控制器，將意圖請(qǐng)求轉(zhuǎn)化為預(yù)先制定好的若干固定網(wǎng)絡(luò)配置策略之一，缺乏對(duì)網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)的學(xué)習(xí)與分析，難以應(yīng)對(duì)動(dòng)態(tài)變化的網(wǎng)絡(luò)環(huán)境。此外，人類進(jìn)行決策時(shí)通常需要結(jié)合感知與推理來(lái)解決問(wèn)題，其中，感知可以通過(guò)數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)實(shí)現(xiàn)，而推理可以通過(guò)規(guī)則驅(qū)動(dòng)的邏輯推理（如一階邏輯）實(shí)現(xiàn)[28]。那么未來(lái)網(wǎng)絡(luò)要想實(shí)現(xiàn)智能決策，需要融合機(jī)器學(xué)習(xí)和邏輯推理能力，使兩者能夠協(xié)同工作，優(yōu)勢(shì)互補(bǔ)。
綜上，針對(duì)6G 智能網(wǎng)絡(luò)的發(fā)展目標(biāo)，現(xiàn)有基于意圖的網(wǎng)絡(luò)研究提出的網(wǎng)絡(luò)功能架構(gòu)中強(qiáng)調(diào)了自動(dòng)化能力的必要性，旨在提高網(wǎng)絡(luò)運(yùn)維的效率，并將“意圖”理解為用戶服務(wù)需求，目標(biāo)是實(shí)現(xiàn)“What to do”與“How to configure the network”之間的解耦。然而，意圖的本質(zhì)應(yīng)是實(shí)現(xiàn)“What you want”。因此，實(shí)現(xiàn)意圖網(wǎng)絡(luò)需要3 個(gè)重要步驟，首先，獲取“What you want”；其次，從“What you want”中獲取“What to do”；最后，根據(jù)“What to do”明確并完成“How to configure the network”�，F(xiàn)有研究集中在第一步和第三步，通常認(rèn)為獲取的“What to do”等價(jià)于“What you want”，而針對(duì)第二步，尚未提出明確的解決方案。同時(shí)，第三步以知識(shí)定義網(wǎng)絡(luò)為例，缺乏邏輯推理能力，難以支撐未來(lái)網(wǎng)絡(luò)的智能管控。因此，未來(lái)基于意圖的網(wǎng)絡(luò)一方面需要深入理解并抽象用戶意圖，由“What you want”得到“What to do”；另一方面需要學(xué)習(xí)獲取網(wǎng)絡(luò)知識(shí)，基于知識(shí)實(shí)現(xiàn)網(wǎng)絡(luò)智能決策，由“What to do”完成“How to configure the network”。
1.3 知識(shí)定義網(wǎng)絡(luò)
目前，知識(shí)定義網(wǎng)絡(luò)利用網(wǎng)絡(luò)遙測(cè)、機(jī)器學(xué)習(xí)等技術(shù)收集網(wǎng)絡(luò)數(shù)據(jù)、挖掘網(wǎng)絡(luò)知識(shí)，可為基于意圖的網(wǎng)絡(luò)中的智能管控，即根據(jù)“What to do”完成“How to configure the network”，提供重要信息。2003 年，Clark 等[29]針對(duì)現(xiàn)有網(wǎng)絡(luò)出現(xiàn)問(wèn)題時(shí)需要大量人工進(jìn)行配置、診斷和設(shè)計(jì)，導(dǎo)致高昂管理成本的問(wèn)題，基于AI 和認(rèn)知理論提出知識(shí)平面（KP,knowledge plane）的概念，抽象和隔離高層目標(biāo)與底層操作，通過(guò)學(xué)習(xí)網(wǎng)絡(luò)歷史配置經(jīng)驗(yàn)（如配置動(dòng)作和網(wǎng)絡(luò)結(jié)果等），輔助網(wǎng)絡(luò)進(jìn)行自主決策、自動(dòng)配置。然而，網(wǎng)絡(luò)是分布式系統(tǒng)，其中每個(gè)節(jié)點(diǎn)（如交換機(jī)、路由器）只擁有網(wǎng)絡(luò)部分視圖和控制權(quán)，從這些節(jié)點(diǎn)中難以學(xué)習(xí)到全網(wǎng)特性，因此控制整個(gè)網(wǎng)絡(luò)是存在挑戰(zhàn)的。2017 年，Mestres 等[30]考慮利用SDN 范式中邏輯集中式的控制平面可以查看和操作整個(gè)網(wǎng)絡(luò)的特點(diǎn)，認(rèn)為Clark 等的愿景可以被實(shí)現(xiàn)，進(jìn)而在傳統(tǒng)控制平面、管理平面和數(shù)據(jù)平面的基礎(chǔ)上添加知識(shí)平面，提出知識(shí)定義網(wǎng)絡(luò)（KDN,knowledge defined network）架構(gòu)。KDN 首先利用控制和管理平面獲得網(wǎng)絡(luò)狀態(tài)信息，如深度包檢測(cè)信息，并利用機(jī)器學(xué)習(xí)算法轉(zhuǎn)化為知識(shí)（例如網(wǎng)絡(luò)配置模型）；然后，基于網(wǎng)絡(luò)知識(shí)自動(dòng)或人工進(jìn)行網(wǎng)絡(luò)配置決策（如網(wǎng)絡(luò)路由決策）。
目前，關(guān)于KDN 的研究集中在架構(gòu)設(shè)計(jì)、策略生成等方面。文獻(xiàn)[31]基于KDN 提出知識(shí)定義的光電混合網(wǎng)絡(luò)編排架構(gòu)，包含2 個(gè)控制器，分別編排計(jì)算和帶寬資源，并設(shè)計(jì)3 個(gè)深度神經(jīng)網(wǎng)絡(luò)從網(wǎng)絡(luò)流量數(shù)據(jù)中獲取網(wǎng)絡(luò)知識(shí)，即流量特征和計(jì)算任務(wù)，協(xié)同實(shí)現(xiàn)網(wǎng)絡(luò)流量、虛擬機(jī)需求預(yù)測(cè)，進(jìn)行光電混合網(wǎng)絡(luò)配置（如光路交換機(jī)配置）決策。文獻(xiàn)[32]基于KDN 閉環(huán)網(wǎng)絡(luò)架構(gòu)，研究智能路由策略生成機(jī)制。其關(guān)注數(shù)據(jù)包間隔遵循指數(shù)分布的流量數(shù)據(jù)，采用卷積神經(jīng)網(wǎng)絡(luò)抽象數(shù)據(jù)流間延遲和丟包率特征，提出確定性策略梯度算法，生成網(wǎng)絡(luò)流量路由策略，提高復(fù)雜網(wǎng)絡(luò)路由配置性能。此外，文獻(xiàn)[33]針對(duì)6G 網(wǎng)絡(luò)需求增長(zhǎng)與資源消耗的矛盾，在6G 管控體系中引入管控知識(shí)空間模塊，負(fù)責(zé)收集和抽取網(wǎng)絡(luò)管控經(jīng)驗(yàn)和知識(shí)，并提出一種基于知識(shí)空間的6G 網(wǎng)絡(luò)管控體系，通過(guò)閉環(huán)控制實(shí)現(xiàn)網(wǎng)絡(luò)按需服務(wù)。其中，知識(shí)獲取主要由收集的網(wǎng)絡(luò)數(shù)據(jù)，通過(guò)數(shù)據(jù)分析提取而得。文獻(xiàn)[34]在網(wǎng)絡(luò)架構(gòu)中將知識(shí)驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)相結(jié)合，在傳統(tǒng)深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)方式中，引入用戶特征和網(wǎng)絡(luò)參數(shù)（如各子網(wǎng)實(shí)現(xiàn)的需求流量、傳輸效率等）知識(shí)變量，通過(guò)歷史大數(shù)據(jù)支持知識(shí)+數(shù)據(jù)驅(qū)動(dòng)模型的學(xué)習(xí)，提升網(wǎng)絡(luò)運(yùn)行的性能（如提高傳輸效率）。
綜上，KDN 采用數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)技術(shù)進(jìn)行網(wǎng)絡(luò)決策（如路由決策），可以簡(jiǎn)化人工管理與操作流程。目前，知識(shí)定義網(wǎng)絡(luò)中的“知識(shí)”是基于數(shù)據(jù)事實(shí)，利用機(jī)器學(xué)習(xí)技術(shù)，包含監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)算法學(xué)習(xí)獲取而得的[30]。例如，對(duì)于有監(jiān)督學(xué)習(xí)而言，“知識(shí)”是采用監(jiān)督學(xué)習(xí)算法（如深度學(xué)習(xí)），基于有標(biāo)記的網(wǎng)絡(luò)數(shù)據(jù)學(xué)習(xí)一個(gè)網(wǎng)絡(luò)變量與網(wǎng)絡(luò)操作相關(guān)聯(lián)的函數(shù)（如網(wǎng)絡(luò)性能作為流量負(fù)載和網(wǎng)絡(luò)配置的函數(shù)）。然而從人類決策來(lái)看，需要結(jié)合機(jī)器學(xué)習(xí)和邏輯推理才能得到最優(yōu)的策略[28,35]。
文獻(xiàn)[35]提出了融合機(jī)器學(xué)習(xí)和邏輯推理的新框架。首先采用機(jī)器學(xué)習(xí)算法從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)一個(gè)初始模型，并使用該模型決策，然后采用邏輯子句表示決策結(jié)果，并輸入推理系統(tǒng)；推理系統(tǒng)采用邏輯推理規(guī)則對(duì)求解問(wèn)題進(jìn)行形式化，并使用從機(jī)器學(xué)習(xí)獲取的邏輯子句，通過(guò)誘因性邏輯程序等進(jìn)行機(jī)器推理，若推理結(jié)果與人工總結(jié)的推理規(guī)則不一致，則通過(guò)邏輯反繹生成最小化不一致的假設(shè)修訂，反饋給機(jī)器學(xué)習(xí)，從而重新訓(xùn)練機(jī)器學(xué)習(xí)模型。以分類任務(wù)為例，在僅利用機(jī)器學(xué)習(xí)的方法中，假設(shè)訓(xùn)練數(shù)據(jù)為{(x1,y1),…,(xm,ym)}，xi∈X表示第i個(gè)訓(xùn)練實(shí)例，yi∈Y表示類標(biāo)簽，目標(biāo)是學(xué)習(xí)輸入空間X到輸出空間Y的映射f:X→Y，該映射可以預(yù)測(cè)X空間中不屬于訓(xùn)練實(shí)例的數(shù)據(jù)的類標(biāo)簽。與上述方法不同，在結(jié)合機(jī)器學(xué)習(xí)和邏輯推理的方法中，以 {（x1,f(x1) ）,…,（xm,f(xm)）}為基礎(chǔ)的邏輯事實(shí)還需要與知識(shí)庫(kù)KB 中的邏輯規(guī)則一致。假定給定一組數(shù)據(jù){x1,x2,…,xi}、一個(gè)知識(shí)庫(kù)KB 和一個(gè)分類器C，目標(biāo)是尋找一個(gè)函數(shù)f對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)[35]
其中，O是由xi和f表示的邏輯事實(shí)，表示邏輯蘊(yùn)含。如果O與式(2)中的KB 一致，則返回當(dāng)前的f，否則，如式(3)所示，首先通過(guò)邏輯反繹生成Δ(O)，然后根據(jù) Δ(O)更新f。在分類手寫(xiě)等式任務(wù)中，結(jié)合機(jī)器學(xué)習(xí)和邏輯推理相較于傳統(tǒng)僅基于機(jī)器學(xué)習(xí)的方法，可以顯著提升分類精度[28]。
綜上，在根據(jù)“What to do”去實(shí)現(xiàn)“How to configure the network”的過(guò)程中，現(xiàn)有知識(shí)定義網(wǎng)絡(luò)的架構(gòu)研究雖然有一定智能決策的能力，但其在進(jìn)行網(wǎng)絡(luò)決策的過(guò)程中僅考慮機(jī)器學(xué)習(xí)方式，缺少邏輯推理能力（如一階邏輯表示）。因此，現(xiàn)有網(wǎng)絡(luò)架構(gòu)都難以實(shí)現(xiàn)未來(lái)6G 內(nèi)生智能的目標(biāo)，亟須提出新型智能網(wǎng)絡(luò)架構(gòu)。
面向未來(lái)6G 內(nèi)生智能的目標(biāo)，現(xiàn)有6G 網(wǎng)絡(luò)架構(gòu)相關(guān)研究中首先缺乏意圖的理解和抽象，即如何從“What you want”中獲取“What to do”；其次，在根據(jù)“What to do”實(shí)現(xiàn)“How to configure the network”的過(guò)程中進(jìn)行網(wǎng)絡(luò)策略生成時(shí)僅考慮機(jī)器學(xué)習(xí)方式，缺乏邏輯推理能力，降低了決策的準(zhǔn)確性。因此，本文提出一種意圖抽象與知識(shí)聯(lián)合驅(qū)動(dòng)的6G 內(nèi)生智能網(wǎng)絡(luò)架構(gòu)，相較于現(xiàn)有6G 網(wǎng)絡(luò)架構(gòu)，將意圖抽象平面和認(rèn)知平面引入6G 網(wǎng)絡(luò)架構(gòu)體系，其中，在意圖抽象平面中，本文設(shè)計(jì)意圖獲取、意圖轉(zhuǎn)譯、意圖映射和意圖建模，實(shí)現(xiàn)從“What you want”到“What to do”轉(zhuǎn)換。其次，基于知識(shí)平面提出了認(rèn)知平面，通過(guò)機(jī)器學(xué)習(xí)和邏輯推理聯(lián)合動(dòng)態(tài)優(yōu)化獲取網(wǎng)絡(luò)知識(shí)，支撐網(wǎng)絡(luò)從“What to do”實(shí)現(xiàn)“How to configure the network”的智能決策。同時(shí)，分析了支撐6G 內(nèi)生智能實(shí)現(xiàn)的用戶意圖映射、網(wǎng)絡(luò)信息測(cè)量、網(wǎng)絡(luò)策略生成、網(wǎng)絡(luò)策略驗(yàn)證等關(guān)鍵技術(shù)及未來(lái)挑戰(zhàn)。
2 6G 內(nèi)生智能網(wǎng)絡(luò)架構(gòu)
目前，學(xué)術(shù)界與產(chǎn)業(yè)界對(duì)內(nèi)生智能的定義和目標(biāo)正在持續(xù)討論中，本文認(rèn)為，6G 內(nèi)生智能是指6G 網(wǎng)絡(luò)支持感知-通信-決策-控制能力，能夠自主感知周圍環(huán)境以及應(yīng)用服務(wù)特性，進(jìn)行自動(dòng)化決策與閉環(huán)控制，目標(biāo)是實(shí)現(xiàn)網(wǎng)絡(luò)零接觸、可交互、會(huì)學(xué)習(xí)。然而，當(dāng)前針對(duì)智能網(wǎng)絡(luò)的研究工作還停留在外掛式設(shè)計(jì)的階段，僅采用人工智能技術(shù)解決特定的網(wǎng)絡(luò)優(yōu)化問(wèn)題，通過(guò)補(bǔ)丁式、增量式增強(qiáng)現(xiàn)有網(wǎng)絡(luò)功能，將難以滿足未來(lái)網(wǎng)絡(luò)動(dòng)態(tài)復(fù)雜的業(yè)務(wù)需求。
面向6G 網(wǎng)絡(luò)管理與控制的內(nèi)生智能需求，本文提出意圖抽象與知識(shí)聯(lián)合驅(qū)動(dòng)的6G 內(nèi)生智能網(wǎng)絡(luò)架構(gòu)，融合了基于意圖的網(wǎng)絡(luò)與知識(shí)定義網(wǎng)絡(luò)的優(yōu)勢(shì)，首先抽象用戶意圖和感知網(wǎng)絡(luò)狀態(tài)，然后基于網(wǎng)絡(luò)知識(shí)進(jìn)行管控策略的生成與部署，最終有望實(shí)現(xiàn)內(nèi)生智能網(wǎng)絡(luò)的目標(biāo)。圖1 展示了意圖抽象與知識(shí)聯(lián)合驅(qū)動(dòng)的6G 內(nèi)生智能網(wǎng)絡(luò)架構(gòu)，包含5 個(gè)平面，分別為意圖抽象平面、認(rèn)知平面、管理平面、控制平面和數(shù)據(jù)平面。本文將意圖抽象平面和認(rèn)知平面引入6G 網(wǎng)絡(luò)管控體系，首先，通過(guò)意圖獲取、意圖轉(zhuǎn)譯、意圖映射和意圖建模步驟，實(shí)現(xiàn)從“What you want”得到“What to do”。然后，基于知識(shí)平面提出了認(rèn)知平面，包括知識(shí)獲取和知識(shí)應(yīng)用。其中，知識(shí)獲取是通過(guò)機(jī)器學(xué)習(xí)模型和邏輯推理規(guī)則聯(lián)合動(dòng)態(tài)優(yōu)化獲取網(wǎng)絡(luò)知識(shí)（如網(wǎng)絡(luò)配置模型）。知識(shí)應(yīng)用是基于網(wǎng)絡(luò)知識(shí)實(shí)現(xiàn)策略生成、策略驗(yàn)證等功能，從而由“What to do”實(shí)現(xiàn)“How to configure the network”。
圖1 意圖抽象與知識(shí)聯(lián)合驅(qū)動(dòng)的6G 內(nèi)生智能網(wǎng)絡(luò)架構(gòu)
值得注意的是，由于所提架構(gòu)的實(shí)驗(yàn)驗(yàn)證需要涉及大量的設(shè)備和軟件，且各個(gè)功能模塊的仿真需要基于人工智能技術(shù)，采集、處理與標(biāo)注大量通信網(wǎng)絡(luò)相關(guān)數(shù)據(jù)進(jìn)行模型訓(xùn)練與測(cè)試，短期內(nèi)難以進(jìn)行仿真和實(shí)驗(yàn)驗(yàn)證。另一方面，相較于現(xiàn)有的網(wǎng)絡(luò)架構(gòu)體系[33-34,36]，所提架構(gòu)主要引入的新功能模塊包含意圖抽象平面和認(rèn)知平面。因此本文將圍繞所提出的新功能模塊，通過(guò)實(shí)例說(shuō)明該模塊的可實(shí)現(xiàn)性。在此基礎(chǔ)上，對(duì)所提出的新功能模塊與現(xiàn)有網(wǎng)絡(luò)架構(gòu)中的平面，包含管理平面、控制平面以及數(shù)據(jù)平面之間的閉環(huán)交互進(jìn)行深入分析，明確系統(tǒng)工作時(shí)不同平面之間的數(shù)據(jù)流轉(zhuǎn)，進(jìn)一步支撐整個(gè)系統(tǒng)的可實(shí)現(xiàn)性。
2.1 意圖抽象平面
意圖抽象平面的目標(biāo)是從“What you want”獲取“What to do”，通過(guò)意圖獲取、意圖轉(zhuǎn)譯、意圖映射和意圖建模4 個(gè)步驟運(yùn)行和實(shí)現(xiàn)。接下來(lái)，本文將具體描述上述功能模塊的實(shí)現(xiàn)過(guò)程和相關(guān)技術(shù)。
意圖獲取是根據(jù)“What you want”獲取用戶的“意圖需求”。經(jīng)濟(jì)學(xué)中，“意圖需求”主要體現(xiàn)的是用戶的心理規(guī)律，難以建模與評(píng)估，需要結(jié)合實(shí)際場(chǎng)景分析。一種可能的方法是利用系統(tǒng)的人機(jī)接口和傳感界面對(duì)用戶心理的意圖需求進(jìn)行采樣提取，其主要基于自然語(yǔ)言處理、語(yǔ)音識(shí)別等技術(shù)，通過(guò)分詞標(biāo)注、命名實(shí)體識(shí)別、詞典查詢、情感分析等處理過(guò)程獲取用戶的意圖關(guān)鍵詞[37]。例如，根據(jù)專家經(jīng)驗(yàn)制作意圖詞庫(kù)，包含自然語(yǔ)言表述和意圖關(guān)鍵詞間的對(duì)應(yīng)關(guān)系，利用意圖詞庫(kù)，可以通過(guò)語(yǔ)言分詞、詞典查詢等過(guò)程找到意圖詞庫(kù)中相關(guān)詞匯作為意圖關(guān)鍵詞。
意圖轉(zhuǎn)譯是將用戶的“意圖需求”轉(zhuǎn)化為“實(shí)際需求”（用戶對(duì)通信業(yè)務(wù)期望的體驗(yàn)效果），可以采用深度學(xué)習(xí)、決策樹(shù)技術(shù)實(shí)現(xiàn)。具體而言，首先收集用戶意圖和用戶主觀體驗(yàn)質(zhì)量（QoE,quality of experience）關(guān)鍵詞轉(zhuǎn)譯數(shù)據(jù)，然后利用深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)上述轉(zhuǎn)譯關(guān)系。當(dāng)獲取到用戶意圖關(guān)鍵詞時(shí)，利用訓(xùn)練好的意圖轉(zhuǎn)譯模型直接轉(zhuǎn)譯為QoE 關(guān)鍵詞（業(yè)務(wù)類型、期望狀態(tài)等），從而得到用戶主觀體驗(yàn)質(zhì)量，即獲得用戶的“實(shí)際需求”。
意圖映射是將用戶主觀體驗(yàn)質(zhì)量映射為網(wǎng)絡(luò)服務(wù)質(zhì)量指標(biāo)，可以借助一些擬合工具，如綜合優(yōu)化分析計(jì)算軟件平臺(tái)（1stOpt,first optimization）等，通過(guò)數(shù)據(jù)擬合獲得以用戶主觀體驗(yàn)質(zhì)量為自變量的網(wǎng)絡(luò)服務(wù)質(zhì)量指標(biāo)映射函數(shù)，也可以利用現(xiàn)有的機(jī)器學(xué)習(xí)模型（如深度神經(jīng)網(wǎng)絡(luò)）獲得映射模型。其中，意圖映射過(guò)程通常包含2 個(gè)步驟：首先選擇合適的客觀QoE 指標(biāo)（如圖像視頻質(zhì)量評(píng)估，即使用數(shù)學(xué)模型計(jì)算參考圖像和評(píng)估圖像之間像素和整體結(jié)構(gòu)的相似度或差異值），僅考慮業(yè)務(wù)（如圖像、視頻）本身特征，將用戶主觀QoE 映射為一組客觀QoE 指標(biāo)[38-39]；然后，選擇合適的網(wǎng)絡(luò)QoS指標(biāo)（如吞吐量、時(shí)延、抖動(dòng)、丟包等）[40]，將上述客觀QoE 指標(biāo)映射為網(wǎng)絡(luò)QoS 指標(biāo)[41]。另外，也可以直接收集用戶主觀QoE 和網(wǎng)絡(luò)QoS 指標(biāo)數(shù)據(jù)，采用深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)用戶主觀QoE 與網(wǎng)絡(luò)QoS指標(biāo)之間的映射關(guān)系，從而得到意圖映射模型。例如，在視頻業(yè)務(wù)中，可以選擇視頻質(zhì)量度量（VQM,video quality metric）作為客觀QoE 指標(biāo)，而丟包率、抖動(dòng)性和時(shí)延作為網(wǎng)絡(luò)QoS 指標(biāo)，并采集大量視頻樣本，觀察不同網(wǎng)絡(luò)QoS 指標(biāo)對(duì)VQM 值的影響，通過(guò)曲線擬合工具1stOpt 得出網(wǎng)絡(luò)QoS 指標(biāo)與客觀QoE 指標(biāo)之間的映射函數(shù)關(guān)系式[42]。此外，以語(yǔ)音業(yè)務(wù)為例，目前“IQX 假設(shè)”給出了平均意見(jiàn)得分（MOS,mean opinion score）與網(wǎng)絡(luò)丟包率ploss的關(guān)系[43]，如式(4)所示。
意圖建模主要基于網(wǎng)絡(luò)QoS 指標(biāo)，設(shè)計(jì)目標(biāo)函數(shù)和約束條件，建立優(yōu)化模型，從而得到“What to do”。目標(biāo)函數(shù)可以是通信性能指標(biāo)（如傳輸速率、時(shí)延、能量效率、頻譜效率等），也可以是感知性能指標(biāo)（如定位精度、感知范圍等）和計(jì)算性能指標(biāo)（如計(jì)算服務(wù)響應(yīng)時(shí)間、計(jì)算資源利用率等）[44]，并且目標(biāo)函數(shù)通常是多目標(biāo)優(yōu)化函數(shù)，例如，研究多目標(biāo)決策的QoS 路由算法時(shí)，選擇時(shí)延和丟包率作為優(yōu)化目標(biāo)，帶寬作為約束條件，建立多目標(biāo)非線性整數(shù)優(yōu)化模型[45]。此外，意圖建模的結(jié)果一方面發(fā)送給認(rèn)知平面，利用網(wǎng)絡(luò)知識(shí)優(yōu)化得到網(wǎng)絡(luò)策略；另一方面?zhèn)鬟f給意圖獲取模塊，作為先驗(yàn)信息優(yōu)化意圖獲取過(guò)程。此外，對(duì)于“What to do”的精準(zhǔn)度的評(píng)估，一方面可以在各個(gè)功能模塊中設(shè)計(jì)合適的損失函數(shù)（如交叉熵?fù)p失）定量評(píng)估每個(gè)功能模塊執(zhí)行的準(zhǔn)確性，從而進(jìn)一步評(píng)估“What to do”的精準(zhǔn)度；另一方面可以借助數(shù)字孿生技術(shù)，通過(guò)在虛擬空間構(gòu)建數(shù)字孿生體，通過(guò)仿真和測(cè)試可初步預(yù)測(cè)由“What to do”優(yōu)化生成的策略的執(zhí)行和協(xié)同狀況，反饋給意圖抽象平面，而意圖抽象平面根據(jù)預(yù)測(cè)的結(jié)果，并結(jié)合網(wǎng)絡(luò)QoS 指標(biāo)進(jìn)一步評(píng)估“What to do”的精準(zhǔn)度。
總體而言，借助現(xiàn)有的一些技術(shù)，如自然語(yǔ)言處理、語(yǔ)音識(shí)別等，所提出的意圖抽象平面中的意圖獲取、意圖轉(zhuǎn)譯、意圖映射和意圖建模功能模塊將有望實(shí)現(xiàn)。因此，所提出的意圖抽象平面具有一定的可實(shí)現(xiàn)性。
2.2 認(rèn)知平面
認(rèn)知平面的目標(biāo)根據(jù)“What to do”得到實(shí)現(xiàn)“How to configure the network”的管控策略，通過(guò)知識(shí)獲取和知識(shí)應(yīng)用實(shí)現(xiàn)。其中，知識(shí)獲取是采用機(jī)器學(xué)習(xí)和邏輯推理聯(lián)合動(dòng)態(tài)優(yōu)化獲取網(wǎng)絡(luò)知識(shí)。首先，基于管理平面和控制平面收集到的網(wǎng)絡(luò)運(yùn)行和配置數(shù)據(jù)，采用機(jī)器學(xué)習(xí)方式進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，并將學(xué)習(xí)得到的結(jié)果表示為邏輯子句，然后通過(guò)邏輯程序?qū)τ谠撨壿嬜泳溥M(jìn)行機(jī)器推理，并將推理結(jié)論反饋給機(jī)器學(xué)習(xí)模型。整個(gè)過(guò)程迭代進(jìn)行，直到機(jī)器學(xué)習(xí)和邏輯推理得到的結(jié)果統(tǒng)一[28,35]。
以“手寫(xiě)等式解密”（即識(shí)別圖片中的數(shù)學(xué)符號(hào)并破解等式背后的“異或”法則）任務(wù)為例，神經(jīng)邏輯機(jī)框架如圖2 所示，其主要包含3 個(gè)部分，卷積神經(jīng)網(wǎng)絡(luò)（CNN,convolutional neural network）模型對(duì)應(yīng)反繹學(xué)習(xí)中的機(jī)器學(xué)習(xí)，主要用于識(shí)別等式符號(hào)；無(wú)梯度優(yōu)化算法主要用于最大化模型與領(lǐng)域知識(shí)、樣本標(biāo)記的一致性[28]；誘因性邏輯程序?qū)?yīng)反繹學(xué)習(xí)中的邏輯反繹，一方面借助領(lǐng)域知識(shí)（如一階邏輯公式）和樣本標(biāo)記，根據(jù)CNN 識(shí)別結(jié)果學(xué)習(xí)數(shù)據(jù)中的加法形式（如邏輯異或），另一方面在存在不一致時(shí)推理得到更可能正確的等式符號(hào)，訓(xùn)練開(kāi)始時(shí)，首先CNN 嘗試識(shí)別手寫(xiě)等式圖片為偽標(biāo)簽符號(hào)“1”“+”“0”和“=”，根據(jù)圖片順序?qū)⑸鲜龇?hào)輸入誘因性邏輯程序。然后，誘因性邏輯程序根據(jù)領(lǐng)域知識(shí)判斷識(shí)別出符號(hào)的最終標(biāo)記是否和樣本標(biāo)記一致，若不一致，通過(guò)無(wú)梯度優(yōu)化算法學(xué)習(xí)判斷錯(cuò)誤位置的函數(shù)，標(biāo)記出等式中出現(xiàn)識(shí)別錯(cuò)誤概率較大的位置。誘因性邏輯程序借助領(lǐng)域知識(shí)和樣本標(biāo)記對(duì)錯(cuò)誤進(jìn)行修改，給出修改依據(jù)的加法規(guī)則（如0+1=1），并將修改結(jié)果用于重新訓(xùn)練CNN 模型，直到誘因性邏輯程序和CNN 得到的結(jié)果一致[28]。
圖2 神經(jīng)邏輯機(jī)框架
知識(shí)應(yīng)用是基于網(wǎng)絡(luò)知識(shí)進(jìn)行網(wǎng)絡(luò)策略（如流量轉(zhuǎn)發(fā)策略）生成、策略驗(yàn)證、意圖檢測(cè)、自動(dòng)修復(fù)。其中，策略生成是基于上述知識(shí)推理得到網(wǎng)絡(luò)策略。策略驗(yàn)證是采用形式化驗(yàn)證技術(shù)驗(yàn)證上述生成的網(wǎng)絡(luò)策略的可執(zhí)行性（即網(wǎng)絡(luò)能否按照用戶預(yù)期的目標(biāo)實(shí)現(xiàn)）。當(dāng)網(wǎng)絡(luò)中同時(shí)存在多個(gè)策略時(shí)，需要進(jìn)一步驗(yàn)證策略間是否發(fā)生沖突，若存在沖突，需要進(jìn)行沖突消解。意圖檢測(cè)是利用網(wǎng)絡(luò)信息測(cè)量技術(shù)檢測(cè)意圖是否發(fā)生變化和網(wǎng)絡(luò)運(yùn)行是否出現(xiàn)問(wèn)題。自動(dòng)修復(fù)是根據(jù)意圖檢測(cè)的結(jié)果，若發(fā)現(xiàn)用戶意圖難以滿足，則通過(guò)網(wǎng)絡(luò)知識(shí)進(jìn)行網(wǎng)絡(luò)分析與故障修復(fù)。
總之，利用無(wú)梯度優(yōu)化算法，聯(lián)合優(yōu)化機(jī)器學(xué)習(xí)和邏輯推理獲取網(wǎng)絡(luò)知識(shí)，相較于僅機(jī)器學(xué)習(xí)的方法可以提升準(zhǔn)確度[28]。因此，借助一些現(xiàn)有的技術(shù)，所提出的認(rèn)知平面具有一定的可實(shí)現(xiàn)性。
2.3 管理平面
管理平面一方面從認(rèn)知平面獲取策略建議，優(yōu)化網(wǎng)絡(luò)數(shù)據(jù)采集，另一方面負(fù)責(zé)監(jiān)測(cè)網(wǎng)絡(luò)數(shù)據(jù)平面狀況，收集網(wǎng)絡(luò)運(yùn)行狀態(tài)數(shù)據(jù)，傳輸給認(rèn)知平面進(jìn)行網(wǎng)絡(luò)知識(shí)獲取與應(yīng)用。其中，管理平面主要依賴一些網(wǎng)絡(luò)測(cè)量協(xié)議，包含主動(dòng)測(cè)量協(xié)議（如Ping、Traceroute 等）、被動(dòng)測(cè)量協(xié)議（如NetFlow 等）和帶內(nèi)網(wǎng)絡(luò)遙測(cè)（INT,in-band network telemetry）協(xié)議等，從數(shù)據(jù)平面收集網(wǎng)絡(luò)流量數(shù)據(jù)、業(yè)務(wù)分布數(shù)據(jù)等，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理（如缺失值處理、重復(fù)數(shù)據(jù)清除等），然后傳輸給認(rèn)知平面進(jìn)行管控策略生成與驗(yàn)證。
2.4 控制平面
控制平面從認(rèn)知平面獲取網(wǎng)絡(luò)策略，利用一些網(wǎng)絡(luò)協(xié)議，如OpenFlow 協(xié)議、簡(jiǎn)單網(wǎng)絡(luò)管理協(xié)議（SNMP,simple network management protocol）等，轉(zhuǎn)化為網(wǎng)絡(luò)設(shè)備可以識(shí)別的配置指令，自動(dòng)下發(fā)到數(shù)據(jù)平面中的網(wǎng)絡(luò)設(shè)備中。其中，OpenFlow 協(xié)議允許控制平面控制和管理數(shù)據(jù)平面交換機(jī)（如指示交換機(jī)如何處理流量）。此外，目前可編程協(xié)議無(wú)關(guān)報(bào)文處理（P4,programming protocol independent packet processors）作為一種與協(xié)議無(wú)關(guān)的編程語(yǔ)言，可以對(duì)可編程的轉(zhuǎn)發(fā)設(shè)備（如交換機(jī)、網(wǎng)卡等）的轉(zhuǎn)發(fā)邏輯進(jìn)行編程。同時(shí)，控制平面也可以給認(rèn)知平面提供網(wǎng)絡(luò)配置信息，優(yōu)化網(wǎng)絡(luò)決策。
2.5 數(shù)據(jù)平面
數(shù)據(jù)平面根據(jù)控制平面下發(fā)的網(wǎng)絡(luò)配置規(guī)則，完成相應(yīng)的配置操作和狀態(tài)更新（如數(shù)據(jù)包的存儲(chǔ)、轉(zhuǎn)發(fā)和處理），其主要由可編程的網(wǎng)絡(luò)設(shè)備（如交換機(jī)）組成。
值得注意的是，本文以基于意圖和知識(shí)的管控閉環(huán)為例分析所提出的新功能模塊與現(xiàn)有網(wǎng)絡(luò)架構(gòu)中一些功能所在的平面，包含管理平面、控制平面以及數(shù)據(jù)平面的閉環(huán)交互，明確系統(tǒng)工作時(shí)不同平面之間的數(shù)據(jù)流轉(zhuǎn)，從而為整個(gè)系統(tǒng)的可實(shí)現(xiàn)性提供支撐。該管控閉環(huán)具體為數(shù)據(jù)平面→管理平面、管理平面&意圖抽象平面→認(rèn)知平面、認(rèn)知平面→控制平面、控制平面→數(shù)據(jù)平面。其中，對(duì)于數(shù)據(jù)平面→管理平面，管理平面的目標(biāo)是從數(shù)據(jù)平面采集網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)（如流粒度信息、網(wǎng)絡(luò)拓?fù)涞龋�，主要依賴于測(cè)量協(xié)議（如帶內(nèi)網(wǎng)絡(luò)遙測(cè)協(xié)議）實(shí)現(xiàn)。對(duì)于管理平面&意圖抽象平面→認(rèn)知平面，管理平面對(duì)獲取的網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理（如缺失值處理、重復(fù)數(shù)據(jù)清除等），去除噪聲的干擾，將處理后的數(shù)據(jù)傳輸?shù)秸J(rèn)知平面，意圖抽象平面將用戶意圖抽象得到的網(wǎng)絡(luò)優(yōu)化目標(biāo)傳輸?shù)秸J(rèn)知平面。認(rèn)知平面利用從意圖抽象平面獲取的優(yōu)化目標(biāo)和管理平面?zhèn)鬏數(shù)木W(wǎng)絡(luò)狀態(tài)數(shù)據(jù)，采用機(jī)器學(xué)習(xí)和邏輯推理聯(lián)合動(dòng)態(tài)優(yōu)化獲取網(wǎng)絡(luò)知識(shí)，并利用知識(shí)生成網(wǎng)絡(luò)策略。對(duì)于認(rèn)知平面→控制平面，認(rèn)知平面可以采用聲明式語(yǔ)言將網(wǎng)絡(luò)策略下發(fā)到控制平面。對(duì)于控制平面→數(shù)據(jù)平面，控制平面主要利用一些網(wǎng)絡(luò)協(xié)議將獲取的網(wǎng)絡(luò)策略轉(zhuǎn)化為網(wǎng)絡(luò)設(shè)備可以識(shí)別的配置指令，并部署到數(shù)據(jù)平面中的網(wǎng)絡(luò)設(shè)備中。
3 6G 內(nèi)生智能網(wǎng)絡(luò)的關(guān)鍵技術(shù)
由意圖抽象與知識(shí)聯(lián)合驅(qū)動(dòng)的6G 內(nèi)生智能網(wǎng)絡(luò)架構(gòu)可知，內(nèi)生智能網(wǎng)絡(luò)的實(shí)現(xiàn)依賴于一系列關(guān)鍵技術(shù)，涉及心理學(xué)、計(jì)算機(jī)和通信等領(lǐng)域，需要通過(guò)各個(gè)領(lǐng)域技術(shù)的交叉融合，才能支撐未來(lái)網(wǎng)絡(luò)的內(nèi)生智能。為了確保所提架構(gòu)高效工作，需要攻克用戶意圖映射、網(wǎng)絡(luò)信息測(cè)量、網(wǎng)絡(luò)策略生成、網(wǎng)絡(luò)策略驗(yàn)證等關(guān)鍵技術(shù)。
3.1 用戶意圖映射技術(shù)
意圖抽象平面的核心功能是從“What you want”中獲取“What to do”。其中，“What you want”和“What to do”的關(guān)鍵要素分別是用戶主觀QoE和網(wǎng)絡(luò)QoS 指標(biāo)。而用戶意圖映射技術(shù)作為鏈接二者的重要橋梁，將用戶主觀QoE 準(zhǔn)確映射為網(wǎng)絡(luò)QoS 指標(biāo)。如圖3 所示，意圖映射過(guò)程可以建模為兩步，首先將用戶主觀QoE（如MOS 等）映射為一組客觀QoE 指標(biāo)，然后將上述客觀QoE 指標(biāo)映射為網(wǎng)絡(luò)QoS 指標(biāo)[40-41]。以多媒體服務(wù)為例，客觀QoE 指標(biāo)包含結(jié)構(gòu)相似度（SSIM,structural similarity index）、峰值信噪比（PSPR,peak signal-to-noise ratio）和視頻質(zhì)量度量（VQM）等，網(wǎng)絡(luò)QoS 指標(biāo)包含丟包率、時(shí)延、吞吐量等[38-39]。
圖3 意圖映射過(guò)程
目前，已有研究關(guān)注用戶主觀QoE 與客觀QoE指標(biāo)、網(wǎng)絡(luò)QoS 指標(biāo)之間的映射過(guò)程[39,46]。文獻(xiàn)[39]研究MOS 與VQM、SSIM 之間的相關(guān)性，采用一個(gè)包含24 個(gè)場(chǎng)景的視頻庫(kù)，通過(guò)主觀實(shí)驗(yàn)得到MOS數(shù)據(jù)，并利用客觀視頻質(zhì)量評(píng)價(jià)程序獲取視頻的VQM 和SSIM 值。測(cè)試表明，VQM 和SSIM 與MOS 之間具有高度相關(guān)性。文獻(xiàn)[46]研究PSNR、SSIM 等6 種客觀QoE 指標(biāo)與MOS 之間的相關(guān)性，提出了一種映射機(jī)制，利用3 個(gè)開(kāi)源視頻質(zhì)量評(píng)估數(shù)據(jù)集，評(píng)估所提映射機(jī)制的性能。
由上述研究可知，現(xiàn)有關(guān)于用戶意圖映射的工作主要針對(duì)視頻業(yè)務(wù)[39,46]，然而，未來(lái)6G 網(wǎng)絡(luò)將存在紛繁多變的業(yè)務(wù)，包括沉浸化、智慧化業(yè)務(wù)（如AR/VR、遠(yuǎn)程醫(yī)療等）。面向動(dòng)態(tài)變化的業(yè)務(wù)，如何定義和選取合適的QoE 和QoS 指標(biāo)參數(shù)，構(gòu)建用戶主觀QoE、客觀QoE 指標(biāo)和網(wǎng)絡(luò)QoS 指標(biāo)之間的映射關(guān)系，實(shí)現(xiàn)用戶意圖的準(zhǔn)確映射，這仍是一個(gè)開(kāi)放問(wèn)題。
值得注意的是，近年來(lái)，機(jī)器學(xué)習(xí)技術(shù)迅速發(fā)展，可從數(shù)據(jù)中學(xué)習(xí)，進(jìn)行特征選擇，建立輸入輸出特征映射函數(shù)。因此，現(xiàn)有研究針對(duì)視頻業(yè)務(wù)利用機(jī)器學(xué)習(xí)技術(shù)選擇QoE 和QoS 指標(biāo)參數(shù)（如帶寬、視頻分辨率等），并學(xué)習(xí)它們之間的映射關(guān)系[47]。然而，機(jī)器學(xué)習(xí)方法需要大量用戶主觀QoE 和網(wǎng)絡(luò)QoS 指標(biāo)作為數(shù)據(jù)集進(jìn)行學(xué)習(xí)與訓(xùn)練。
這些數(shù)據(jù)可能涉及用戶隱私問(wèn)題，用戶分享隱私數(shù)據(jù)進(jìn)行模型訓(xùn)練，導(dǎo)致數(shù)據(jù)將有可能被接收方或第三方惡意竊取和利用。最近，聯(lián)邦學(xué)習(xí)（FL,federated learning）這種分布式機(jī)器學(xué)習(xí)框架將有可能處理上述問(wèn)題。在聯(lián)邦學(xué)習(xí)中，用戶可在本地存儲(chǔ)QoE 和QoS 數(shù)據(jù)，并訓(xùn)練本地QoE 和QoS 映射模型，然后將模型上傳至遠(yuǎn)程云服務(wù)器，由服務(wù)器進(jìn)行模型聚合，下發(fā)給參與用戶，如此完成多輪模型訓(xùn)練。因此，未來(lái)對(duì)于用戶主觀QoE 和網(wǎng)絡(luò)QoS指標(biāo)映射模型的構(gòu)建和訓(xùn)練可以采用聯(lián)邦學(xué)習(xí)模式，降低用戶隱私數(shù)據(jù)的泄露風(fēng)險(xiǎn)。考慮本地-云服務(wù)器聯(lián)邦學(xué)習(xí)模式造成的高時(shí)延問(wèn)題，分析其主要來(lái)自通信時(shí)延[48]，可以采用數(shù)據(jù)準(zhǔn)備，通過(guò)模型稀疏、壓縮和量化等方法降低通信數(shù)據(jù)量；資源分配，選擇通信質(zhì)量較好的客戶端參與訓(xùn)練，提高聯(lián)邦學(xué)習(xí)的通信效率以及分層聯(lián)邦學(xué)習(xí)等方法解決。此外，現(xiàn)有研究通常直接使用面向圖像分類，目標(biāo)檢測(cè)問(wèn)題的機(jī)器學(xué)習(xí)模型與算法，導(dǎo)致學(xué)習(xí)效果較差，未來(lái)需要針對(duì)通信網(wǎng)絡(luò)相關(guān)的指標(biāo)、數(shù)據(jù)，設(shè)計(jì)更加可靠、泛化能力更強(qiáng)的機(jī)器學(xué)習(xí)算法，準(zhǔn)確映射用戶意圖。
3.2 網(wǎng)絡(luò)信息測(cè)量技術(shù)
網(wǎng)絡(luò)信息測(cè)量技術(shù)作為數(shù)據(jù)平面→管理平面的關(guān)鍵技術(shù)，通常借助一些測(cè)量協(xié)議，包含主動(dòng)測(cè)量協(xié)議、被動(dòng)測(cè)量協(xié)議和帶內(nèi)網(wǎng)絡(luò)遙測(cè)等，全面感知網(wǎng)絡(luò)狀態(tài)信息，如網(wǎng)絡(luò)拓?fù)�、帶寬、吞吐量等，為網(wǎng)絡(luò)智能化提供關(guān)鍵數(shù)據(jù)支撐。主動(dòng)測(cè)量的原理如圖4 中的實(shí)線所示，控制主機(jī)P1向主機(jī)P2發(fā)送探測(cè)報(bào)文，根據(jù)該報(bào)文序列在目標(biāo)網(wǎng)絡(luò)傳輸后發(fā)生的變化推測(cè)主機(jī)P1和P2之間的網(wǎng)絡(luò)性能參數(shù)，如可達(dá)性、路由情況等。目前，主動(dòng)測(cè)量協(xié)議包含Traceroute、IP 等。其中，Traceroute 利用互聯(lián)網(wǎng)控制消息協(xié)議報(bào)文得到源主機(jī)和目的主機(jī)之間的路由情況。優(yōu)點(diǎn)是部署方便，用戶僅在本地發(fā)送探測(cè)包，觀察網(wǎng)絡(luò)響應(yīng)即可，缺點(diǎn)是增加了網(wǎng)絡(luò)負(fù)載，可能引起海森堡效應(yīng)，即額外的流量會(huì)干擾網(wǎng)絡(luò)。被動(dòng)測(cè)量的原理如圖4 中的虛線所示，采集數(shù)據(jù)的裝置M1和M3可以直接接入設(shè)備R1和R3中，從而捕捉流經(jīng)設(shè)備R1和R3的信息。目前，被動(dòng)測(cè)量協(xié)議包含NetFlow、采樣流（SFlow,sampled flow）等。其中，NetFlow 以流為粒度進(jìn)行網(wǎng)絡(luò)測(cè)量，設(shè)置固定的采樣時(shí)間間隔捕獲流經(jīng)交換機(jī)的信息，然后導(dǎo)出聚合數(shù)據(jù)。優(yōu)點(diǎn)是不產(chǎn)生額外的網(wǎng)絡(luò)負(fù)載，缺點(diǎn)是只能獲得局部網(wǎng)絡(luò)數(shù)據(jù)，難以獲取端到端的網(wǎng)絡(luò)信息。
圖4 主動(dòng)測(cè)量和被動(dòng)測(cè)量原理
考慮主動(dòng)測(cè)量和被動(dòng)測(cè)量技術(shù)分別存在“旁觀者效應(yīng)”和“不精確測(cè)量效應(yīng)”，研究者提出了一種新的網(wǎng)絡(luò)數(shù)據(jù)收集和處理技術(shù)，即帶內(nèi)網(wǎng)絡(luò)遙測(cè)技術(shù)采用上報(bào)模式，即網(wǎng)絡(luò)設(shè)備主動(dòng)上報(bào)數(shù)據(jù)信息（如設(shè)備級(jí)信息、入端口信息、出端口信息等），可從物理網(wǎng)元或虛擬網(wǎng)元上遠(yuǎn)程采集數(shù)據(jù)，不需要注入額外的數(shù)據(jù)包，并可以獲得端到端的網(wǎng)絡(luò)運(yùn)行信息，有望解決以上問(wèn)題[49-50]。
目前，有研究提出利用帶內(nèi)網(wǎng)絡(luò)遙測(cè)技術(shù)收集網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)[51-53]。其中，文獻(xiàn)[51]在有線網(wǎng)絡(luò)場(chǎng)景中采用帶內(nèi)遙測(cè)技術(shù)收集交換機(jī)ID、跳延遲、隊(duì)列擁塞狀態(tài)等信息。其中，網(wǎng)絡(luò)數(shù)據(jù)作為元數(shù)據(jù)附加在虛擬擴(kuò)展局域網(wǎng)數(shù)據(jù)包中，當(dāng)數(shù)據(jù)包離開(kāi)測(cè)量網(wǎng)絡(luò)域時(shí)，從INT 數(shù)據(jù)包中剝離INT 數(shù)據(jù)并轉(zhuǎn)發(fā)到監(jiān)測(cè)主機(jī)。不同于文獻(xiàn)[51]，文獻(xiàn)[52-53]考慮在無(wú)線網(wǎng)絡(luò)中引入帶內(nèi)網(wǎng)絡(luò)遙測(cè)技術(shù)。文獻(xiàn)[52]基于IEEE 802.15.4e 標(biāo)準(zhǔn)的工業(yè)無(wú)線傳感器網(wǎng)絡(luò)，利用IEEE 802.15.4e 幀設(shè)計(jì)了一種新的網(wǎng)絡(luò)遙測(cè)機(jī)制，主要思想是利用幀中剩余空間封裝收集網(wǎng)絡(luò)節(jié)點(diǎn)標(biāo)識(shí)號(hào)、接收信號(hào)強(qiáng)度指示（RSSI,received signal strength indication）、信道狀態(tài)等信息。文獻(xiàn)[53]關(guān)注IEEE 802.11 網(wǎng)絡(luò)，基于SDN 架構(gòu)設(shè)計(jì)一種低吞吐量的帶內(nèi)遙測(cè)技術(shù)，將收集到的RSSI、數(shù)據(jù)速率、信道信息、接收時(shí)間等信息封裝到網(wǎng)絡(luò)介質(zhì)訪問(wèn)控制層和網(wǎng)絡(luò)層報(bào)頭之間。文獻(xiàn)[53]采用帶內(nèi)遙測(cè)技術(shù)定制化收集網(wǎng)絡(luò)數(shù)據(jù)，相比于主動(dòng)測(cè)量技術(shù)帶寬開(kāi)銷減少了80%以上。
綜上，雖然帶內(nèi)網(wǎng)絡(luò)遙測(cè)相比主動(dòng)測(cè)量和被動(dòng)測(cè)量技術(shù)具有優(yōu)勢(shì)，但是目前帶內(nèi)網(wǎng)絡(luò)遙測(cè)的研究成果僅處于“剛能測(cè)量”的階段，還存在很多技術(shù)挑戰(zhàn)。首先，INT 中定義了網(wǎng)絡(luò)設(shè)備可以主動(dòng)上報(bào)數(shù)據(jù)信息，但數(shù)據(jù)包自身無(wú)法選擇路徑轉(zhuǎn)發(fā)，無(wú)法實(shí)時(shí)獲得全網(wǎng)狀態(tài)的網(wǎng)絡(luò)視圖。其次，遙測(cè)指令和數(shù)據(jù)的構(gòu)造、封裝、填充和提取等不僅消耗了網(wǎng)絡(luò)帶寬，而且增加了交換機(jī)處理時(shí)延。此外，目前INT主要針對(duì)單個(gè)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)的收集，而未來(lái)6G內(nèi)生智能網(wǎng)絡(luò)需要全面實(shí)時(shí)感知與分析異構(gòu)網(wǎng)絡(luò)動(dòng)態(tài)信息，因此，未來(lái)需要對(duì)跨異構(gòu)網(wǎng)絡(luò)遙測(cè)、通用化遙測(cè)模型等進(jìn)行深入研究，才能為網(wǎng)絡(luò)智能決策提供數(shù)據(jù)支撐。
3.3 網(wǎng)絡(luò)策略生成技術(shù)
認(rèn)知平面主要負(fù)責(zé)根據(jù)“What to do”完成“How to configure the network”，最終將用戶意圖轉(zhuǎn)換為網(wǎng)絡(luò)配置操作。其中，網(wǎng)絡(luò)策略生成技術(shù)是認(rèn)知平面的重要使能技術(shù)，將運(yùn)用網(wǎng)絡(luò)知識(shí)，基于用戶意圖實(shí)現(xiàn)網(wǎng)絡(luò)各層（如接入網(wǎng)、核心網(wǎng)等）功能和資源的智能決策。網(wǎng)絡(luò)策略生成可以采用傳統(tǒng)優(yōu)化方法和智能優(yōu)化方法。其中，傳統(tǒng)優(yōu)化方法通常要求目標(biāo)函數(shù)是凸函數(shù)，可行域是凸集等條件，限制了可解決的問(wèn)題范圍。目前，廣泛使用的策略生成方法是智能優(yōu)化方法，通常采用強(qiáng)化學(xué)習(xí)算法，從環(huán)境交互中學(xué)習(xí)。根據(jù)網(wǎng)絡(luò)優(yōu)化目標(biāo)和環(huán)境信息設(shè)計(jì)智能體，包含定義智能體動(dòng)作函數(shù)、獎(jiǎng)勵(lì)函數(shù)和狀態(tài)函數(shù)，通過(guò)最大化累積獎(jiǎng)勵(lì)從而獲得最優(yōu)或次優(yōu)的一系列網(wǎng)絡(luò)動(dòng)作，即網(wǎng)絡(luò)策略（如計(jì)算卸載策略）。如圖5 所示，智能體當(dāng)前狀態(tài)定義為s(t)∈S，然后與環(huán)境交互，即采取動(dòng)作a(t)∈A，獲得相應(yīng)的獎(jiǎng)勵(lì)r(t+1) =U r(s(t);a(t))，并轉(zhuǎn)移到下一個(gè)狀態(tài)s(t+1)，如此迭代，通過(guò)最大化累積獎(jiǎng)勵(lì)，獲得最優(yōu)的網(wǎng)絡(luò)策略。其中，累積獎(jiǎng)勵(lì)函數(shù)可以定義為
圖5 強(qiáng)化學(xué)習(xí)執(zhí)行過(guò)程
其中，γ∈ [0,1]是折扣率，表示未來(lái)獎(jiǎng)勵(lì)相對(duì)于當(dāng)前獎(jiǎng)勵(lì)的重要程度。
文獻(xiàn)[54]將強(qiáng)化學(xué)習(xí)應(yīng)用于虛擬化網(wǎng)絡(luò)功能（VNF,virtual network function）最優(yōu)放置中，首先將VNF 放置過(guò)程建模為馬爾可夫決策過(guò)程，然后利用強(qiáng)化學(xué)習(xí)，將遷移成本和資源超載懲罰的負(fù)值定義為獎(jiǎng)勵(lì)，智能體通過(guò)與VNF 放置環(huán)境進(jìn)行交互，最大化長(zhǎng)期累積獎(jiǎng)勵(lì)得到滿足用戶QoS 的VNF放置策略。文獻(xiàn)[55]將深度強(qiáng)化學(xué)習(xí)用于計(jì)算卸載方案設(shè)計(jì)中，首先將任務(wù)之間的依賴關(guān)系建模為有向無(wú)環(huán)圖，并和卸載方案一起作為狀態(tài)空間，然后采用卸載和本地執(zhí)行表示動(dòng)作，將卸載時(shí)延的負(fù)增量定義為獎(jiǎng)勵(lì)，通過(guò)最大化累積獎(jiǎng)勵(lì)，即最小化總時(shí)延得到最優(yōu)的卸載策略。文獻(xiàn)[56]將深度強(qiáng)化學(xué)習(xí)算法用于車聯(lián)網(wǎng)服務(wù)遷移方案設(shè)計(jì)中，將服務(wù)供應(yīng)商的內(nèi)存臟頁(yè)速率、服務(wù)距離和車輛移動(dòng)速度定義為環(huán)境狀態(tài)，采用服務(wù)遷移和不遷移表示動(dòng)作，將系統(tǒng)效用（遷移凈收入）定義為獎(jiǎng)勵(lì)，通過(guò)與環(huán)境交互學(xué)習(xí)得到基于移動(dòng)速度的自適應(yīng)遷移決策，最大化系統(tǒng)效用。
綜上，網(wǎng)絡(luò)功能和資源管控策略生成作為智能網(wǎng)絡(luò)決策的核心功能，通過(guò)生成合適的網(wǎng)絡(luò)配置策略，提升網(wǎng)絡(luò)業(yè)務(wù)的服務(wù)質(zhì)量。目前，基于強(qiáng)化學(xué)習(xí)的策略生成方案需要預(yù)先定義好環(huán)境狀態(tài)、獎(jiǎng)勵(lì)和動(dòng)作3 個(gè)部分，目標(biāo)是最大化累積獎(jiǎng)勵(lì)。其中，獎(jiǎng)勵(lì)函數(shù)的定義直接影響最終學(xué)習(xí)到的網(wǎng)絡(luò)策略。若獎(jiǎng)勵(lì)設(shè)計(jì)不合適，會(huì)降低智能體學(xué)習(xí)的效率，給最終網(wǎng)絡(luò)策略的生成帶來(lái)挑戰(zhàn)。此外，現(xiàn)有研究?jī)H能針對(duì)單一場(chǎng)景和任務(wù)（如計(jì)算卸載）進(jìn)行網(wǎng)絡(luò)策略的制定與優(yōu)化。而未來(lái)6G 需要同時(shí)滿足多類場(chǎng)景的需求，現(xiàn)有方法將難以實(shí)現(xiàn)全場(chǎng)景管控。因此，亟須為智能網(wǎng)絡(luò)探索新的決策框架與機(jī)制，基于網(wǎng)絡(luò)知識(shí)而不是基于任務(wù)獲取最優(yōu)的網(wǎng)絡(luò)策略，借助人工智能技術(shù)對(duì)網(wǎng)絡(luò)狀態(tài)變化規(guī)律進(jìn)行動(dòng)態(tài)分析與建模[57]，提高智能網(wǎng)絡(luò)應(yīng)對(duì)復(fù)雜環(huán)境的穩(wěn)健性和自適應(yīng)性。
3.4 網(wǎng)絡(luò)策略驗(yàn)證技術(shù)
網(wǎng)絡(luò)策略生成后，若直接通過(guò)一些操作（如網(wǎng)絡(luò)配置協(xié)議）下發(fā)到數(shù)千臺(tái)甚至數(shù)萬(wàn)臺(tái)網(wǎng)絡(luò)設(shè)備中，一旦出錯(cuò)，將產(chǎn)生巨大的影響。因此，在認(rèn)知平面完成“How to configure the network”之前需要進(jìn)行網(wǎng)絡(luò)策略驗(yàn)證。策略驗(yàn)證首先需要進(jìn)行策略的正確性驗(yàn)證，其次若包含多個(gè)策略，需要進(jìn)一步進(jìn)行策略間的沖突性驗(yàn)證。
網(wǎng)絡(luò)策略的正確性驗(yàn)證通常采用模型檢測(cè)與定理證明方法。模型檢測(cè)的基本原理是使用狀態(tài)空間搜索方法檢測(cè)一個(gè)有限狀態(tài)系統(tǒng)是否滿足一個(gè)規(guī)范或規(guī)約[58-59]。優(yōu)點(diǎn)是自動(dòng)化程度較高，若系統(tǒng)性質(zhì)不滿足，反饋該性質(zhì)不滿足的原因，據(jù)此原因系統(tǒng)可以進(jìn)一步改進(jìn)；缺點(diǎn)是可能出現(xiàn)狀態(tài)空間爆炸，由于檢測(cè)程序需要對(duì)系統(tǒng)整個(gè)狀態(tài)空間進(jìn)行搜索，系統(tǒng)狀態(tài)圖的大小與系統(tǒng)模型的狀態(tài)數(shù)成正比，而系統(tǒng)模型的狀態(tài)數(shù)與并發(fā)系統(tǒng)的大小呈指數(shù)關(guān)系，因此，隨著待檢測(cè)系統(tǒng)規(guī)模的增大，所需搜索的狀態(tài)空間呈指數(shù)增大。定理證明方法的基本原理是通過(guò)逐步推導(dǎo)表明系統(tǒng)性質(zhì)的公式來(lái)驗(yàn)證系統(tǒng)的正確性。優(yōu)點(diǎn)是可以應(yīng)用于包含無(wú)限狀態(tài)空間的系統(tǒng)；缺點(diǎn)是自動(dòng)化程度不高，大多數(shù)定理證明是交互式的，需要具有較強(qiáng)數(shù)學(xué)能力的專家引導(dǎo)。
策略的沖突性驗(yàn)證主要驗(yàn)證不同策略間是否產(chǎn)生沖突關(guān)系，若存在沖突關(guān)系則需要進(jìn)行沖突消解（如移除低優(yōu)先級(jí)的策略）。目前，根據(jù)策略匹配域（如地址空間）的關(guān)系和策略執(zhí)行的動(dòng)作定義以下策略的沖突關(guān)系：冗余、覆蓋、相關(guān)和泛化[60]。其中，冗余是策略A 和策略B 包含的操作對(duì)象相同，且對(duì)應(yīng)的操作結(jié)果相同，但策略A 擁有更高的優(yōu)先級(jí)；覆蓋是策略A 和策略B 包含的操作對(duì)象相同，但對(duì)應(yīng)對(duì)象的操作結(jié)果不同，策略A 擁有更高的優(yōu)先級(jí)；相關(guān)是策略A 和策略B 包含的操作對(duì)象不同但存在交集關(guān)系，并且相同對(duì)象的操作結(jié)果不同，并且策略A 擁有更高的優(yōu)先級(jí)；泛化是策略A 和策略B 包含的操作對(duì)象不同但存在子集關(guān)系，相同對(duì)象的操作結(jié)果相同，并且策略B 擁有更高的優(yōu)先級(jí)[60-61]。策略的沖突性驗(yàn)證的優(yōu)點(diǎn)是在策略下發(fā)前，檢查策略間是否存在沖突關(guān)系，從而提高了整個(gè)系統(tǒng)的穩(wěn)定性；缺點(diǎn)是增加了系統(tǒng)的復(fù)雜性，系統(tǒng)需要分析策略間沖突關(guān)系，并進(jìn)行沖突消解，可能導(dǎo)致較長(zhǎng)的系統(tǒng)響應(yīng)時(shí)間[62]。
文獻(xiàn)[63]采用機(jī)器學(xué)習(xí)方法（如決策樹(shù)）執(zhí)行計(jì)算樹(shù)模型檢測(cè)過(guò)程，不僅可以驗(yàn)證系統(tǒng)設(shè)計(jì)的正確性，而且減少了模型檢測(cè)消耗的時(shí)間。文獻(xiàn)[64-65]主要進(jìn)行策略的沖突性驗(yàn)證。文獻(xiàn)[64]提出異常檢測(cè)與分析方案進(jìn)行不同策略間的沖突驗(yàn)證與修復(fù)。文獻(xiàn)[65]基于SDN 增加策略沖突管理模塊，檢測(cè)策略沖突并采用沖突解決方法向網(wǎng)絡(luò)管理員提供沖突解決建議，協(xié)助網(wǎng)絡(luò)管理員解決策略沖突問(wèn)題。
綜上，策略的正確性驗(yàn)證主要驗(yàn)證所生成的策略能否正確應(yīng)用于系統(tǒng)，然而，當(dāng)前驗(yàn)證技術(shù)的發(fā)展還處于初級(jí)階段，側(cè)重于驗(yàn)證一些軟件和硬件方面的問(wèn)題，在可擴(kuò)展性方面是受限的。在未來(lái)6G網(wǎng)絡(luò)中，網(wǎng)絡(luò)驗(yàn)證不僅涉及軟件和硬件方面，還有網(wǎng)絡(luò)自身的特性，例如，鏈路時(shí)延、丟包率和帶寬抖動(dòng)性等各種指標(biāo)，這將給網(wǎng)絡(luò)策略驗(yàn)證技術(shù)帶來(lái)巨大的挑戰(zhàn)。此外，目前策略的沖突性驗(yàn)證主要是檢測(cè)所生成的網(wǎng)絡(luò)策略間是否存在沖突關(guān)系，并進(jìn)行沖突消解。一方面，現(xiàn)有研究將策略間的沖突關(guān)系僅定義為冗余、覆蓋、相關(guān)和泛化，隨著6G 網(wǎng)絡(luò)發(fā)展，用戶意圖將更加多樣化，導(dǎo)致策略間的沖突關(guān)系更加復(fù)雜，因此，未來(lái)還需探索策略間新的沖突關(guān)系定義與檢測(cè)方式。另一方面，目前沖突消解的方法通常設(shè)置優(yōu)先級(jí)，即移除低優(yōu)先級(jí)策略，更新高優(yōu)先級(jí)策略的條件限制，導(dǎo)致難以保障低優(yōu)先級(jí)用戶的服務(wù)性能，因此，未來(lái)還需進(jìn)一步創(chuàng)新策略沖突消解方案，滿足不同用戶差異化的性能需求。此外，考慮未來(lái)6G 網(wǎng)絡(luò)的動(dòng)態(tài)性將逐步增強(qiáng)，因此，進(jìn)行策略正確性和沖突性驗(yàn)證時(shí)還需要考慮如何全生命周期保障用戶意圖請(qǐng)求，這也是一個(gè)開(kāi)放問(wèn)題。值得注意的是，最近，數(shù)字孿生技術(shù)通過(guò)收集物理實(shí)體的模型參數(shù)和運(yùn)行數(shù)據(jù)，借助仿真、建模等技術(shù)，在虛擬空間構(gòu)建一個(gè)與物理實(shí)體一致的孿生體，進(jìn)行物理世界的數(shù)字化映射[66]，可初步驗(yàn)證由“What to do”優(yōu)化生成的策略的執(zhí)行和協(xié)同狀況，同時(shí)反饋給意圖抽象平面從而進(jìn)一步評(píng)估“What to do”的精準(zhǔn)度。因此，未來(lái)對(duì)于網(wǎng)絡(luò)策略驗(yàn)證可以采用數(shù)字孿生技術(shù)，基于實(shí)時(shí)收集的網(wǎng)絡(luò)數(shù)據(jù)，對(duì)網(wǎng)絡(luò)策略的全生命周期運(yùn)行狀況進(jìn)行驗(yàn)證。因此，未來(lái)對(duì)于網(wǎng)絡(luò)策略驗(yàn)證可以采用數(shù)字孿生技術(shù)，基于實(shí)時(shí)收集的網(wǎng)絡(luò)數(shù)據(jù)，對(duì)網(wǎng)絡(luò)策略的全生命周期運(yùn)行狀況進(jìn)行驗(yàn)證。
4 結(jié)束語(yǔ)
未來(lái)6G 網(wǎng)絡(luò)既要以“數(shù)據(jù)”為基礎(chǔ)，也要以“智能”為核心，通過(guò)“計(jì)算-通信-控制”有機(jī)融合，構(gòu)建智聯(lián)服務(wù)，支持動(dòng)態(tài)多變的IT3.0 時(shí)代業(yè)務(wù)需求。本文綜合基于意圖的網(wǎng)絡(luò)和知識(shí)定義網(wǎng)絡(luò)的優(yōu)勢(shì)，提出意圖抽象與知識(shí)聯(lián)合驅(qū)動(dòng)的6G 內(nèi)生智能網(wǎng)絡(luò)架構(gòu)，首先設(shè)計(jì)意圖抽象模塊，從“What you want”準(zhǔn)確獲取“What to do”，其次提出認(rèn)知模塊，利用機(jī)器學(xué)習(xí)和邏輯推理聯(lián)合動(dòng)態(tài)優(yōu)化獲取網(wǎng)絡(luò)知識(shí)，從而根據(jù)“What to do”高效完成“How to configure the network”，實(shí)現(xiàn)知識(shí)從內(nèi)部驅(qū)動(dòng)網(wǎng)絡(luò)智能決策，意圖從外部驅(qū)動(dòng)網(wǎng)絡(luò)自動(dòng)化部署，提高網(wǎng)絡(luò)應(yīng)用普適性，最終實(shí)現(xiàn)網(wǎng)絡(luò)自治。目前，內(nèi)生智能網(wǎng)絡(luò)架構(gòu)和關(guān)鍵技術(shù)正在完善中，隨著網(wǎng)絡(luò)日益復(fù)雜，服務(wù)需求也逐漸增多，未來(lái)還需進(jìn)一步融合人-機(jī)-物、人工智能等技術(shù)，提高網(wǎng)絡(luò)服務(wù)效率。
