无线云网络智能化研究与展望

摘 要

5G技术推动各垂直行业快速推进。多样化的业务模式及复杂多样的行业场景对无线网络性能及部署提出了更深层次的需求：灵活适应性、定制化需求以及快速迭代升级等方面均提出了更高要求。无线网络云化与智能化技术成为产业关注与探索的重点方向。该研究首先阐述了无线网络云化与智能化的技术背景及其整体架构设计；随后深入分析了相关标准和技术发展现状，并探讨了当前面临的主要问题与挑战；重点总结了适用的技术场景及其潜在应用价值；同时在针对负载均衡优化需求，在实验环境中构建并验证了一种智能化辅助切换方案；最后展望未来趋势：在边缘计算技术的基础上进一步发展完善了 wireless cloud network architecture.

0 1

概 述

5G网络迅速发展为各行各业提供了新的发展机遇。值得注意的是，在这一过程中呈现出显著增长态势的是行业用户的需求总量远超个人用户水平。无线接入网作为移动通信体系中不可或缺的关键组成部分，在技术和演进方向上持续受到行业关注与重视。传统架构下的无线接入设备体系和组网模式已难以满足垂直行业的灵活配置、开放共享和智能化升级需求。与此同时，在信息技术深度融合背景下，“云计算（CT）技术”的应用不断向更广泛的领域延伸推进，“云化”理念也随之从核心业务区逐步向边缘区域扩散迁移，在无线接入层面带来了全新的演进思路。

基于通用硬件设施（通用硬件设备），依托云平台架构（搭载云平台），融合虚拟化技术和业务资源调度（结合虚拟化和业务资源编排）等前沿技术手段（措施），成功实现了无线侧网络功能的云端部署（转化）——采用虚机和容器等软件形态（具体形态）实现功能承载（分配）。这种转变不仅提升了系统的灵活性与开放性（创新性），还为运营商提供了网络功能迭代升级的有效路径（解决方案），从而满足垂直行业对于网络功能升级的需求（应用方向）。同时，在云计算的支持下（基础支撑），无线侧网络功能可与下沉核心网UPF网元、MEC边缘计算等功能协同部署（整合配置），有效提升了业务服务质量（用户体验）并强化了数据流转的安全保障（安全性）。目前全球范围内已有多国开始试点无线云网络建设方案，并有多家云计算服务提供商积极拓展运营商市场布局

无线网络云化具有灵活性且开放性的特点，在面向行业业务部署时展现出显著优势。然而，行业业务对网络能力的要求更为严格，在保障差异化业务体验方面更具挑战性。智能化技术在此过程中能够发挥出更大的作用。通过引入AI/ML算法与推理模型进行分析与感知无线侧业务、网络运行状态及用户特征等信息，在优化网络功能配置的同时实现无线资源的有效调度安排。这些改进措施不仅显著提升了业务性能水平，并且为实际的网络部署工作以及承载相关业务提供了全面的技术保障

智能化并不是5G网络设计初期就已具备的功能,而无线云技术也被视为当前研究的重点领域.当无线网络实现智能化与云计算深度融合后,这一技术必定会对现有无线架构和未来发展方向产生深远影响,因此值得相关产业界进行深入研究并加以实践应用.与此同时,伴随着人工智能等智能化技术和移动通信系统的不断发展完善,在下一代移动通信系统中,智能化应用也将展现出更加广阔的前景和更高的应用价值.笔者将在后续章节中对此问题进行深入探讨.

0 2

无线云网络智能化

2.1 架构描述

随着无线侧对云化概念的深入应用，在产业界逐渐形成了基于通用硬件与云平台技术实现无线接入功能的新范式，并推动智能化与无线云网络深度融合的发展模式。这种模式不仅为多样化行业业务提供了灵活可靠的无线接入方案，并且能够通过引入AI/ML算法有效保障业务性能指标。无线云网络中的智能控制架构如图1所示，在该架构中分为近实时智能控制平台与非实时智能控制平台两大类：近实时智能控制平台主要负责与基站之间的开放E2接口连接及数据交互；而非实时智能控制平台则主要负责与近实时处理平台的开放A1接口对接并进行数据传输。值得注意的是，在时延特性上存在显著差异：近实时控制回路限定在10ms至1s之间的时间粒度范围；而非实现实时处理回路则具有更大的时延间隔。作为无线云网络体系中的重要上层管理功能模块，在该平台上可集中管理多个CU/DU单元设备，并实现大范围内的网络性能保障工作

图1 基于无线云网络的智能化架构

基站端的数据处理具备较高的实时处理能力，在这一特点的基础上构建了一个近实时智能控制平台作为整个系统的核心支撑。该平台通过E2接口获取高分辨率的网络运行数据和业务指标，并结合这些信息实现对无线功能和资源的优化配置，并提升系统性能。在平台功能模块中主要包括数据库、基础消息架构、订阅管理、安全防护等核心组件以及xAPP服务。其中数据库模块负责存储与基站设备、小区信息、承载资源以及相关业务流等密切相关的内容；基础消息架构则在各模块之间提供低延迟的消息传递服务；订阅管理模块负责协调xAPP与基站节点之间的服务对接关系；安全组件则用于防范恶意xAPP可能带来的威胁；管理服务则涵盖了对xAPP生命周期的整体管理以及相关的FCAPS（智能网关）配置管理；而接口终结则是连接两个系统的开放接口相关处理逻辑部分。此外xAPP作为一种面向特定业务场景的应用程序能够灵活部署多个实例如QoS优化类应用负载均衡类应用等并通过专用API实现了与平台各组件之间的高效交互。

非实时智能控制平台可通过调用SMO功能模块进行远程接入，并自身整合有平台核心能力和应用服务两大特性。这些特性均以A1接口为基础展开工作，涵盖A1接口终止流程、A1策略功能模块以及机器学习相关子系统等核心组件。其中机器学习相关部分已通过[()链接提供详细说明。在应用服务方面类似于非实时智能控制平台中的xAPP模块，在为智能化RAN优化与运维提供额外支持的同时还具备以下核心职能：包括但不限于数据处理分析环节、AI/ML模型训练与推理操作等技术支撑工作；同时通过SMO与基站侧的O1接口实现推荐配置管理操作等功能；此外该平台还预留了多个外部连接口供扩展使用包括但不限于AI/机器学习服务端口用于接收预训练好的ML模型及元数据并完成相关传输工作；同时也支持接收并处理必要的外部富集信息与数据资源以满足业务需求。

目前，在ORAN标准组织框架下，无线云网络智能化平台已涵盖系统架构设计、功能模块划分以及开放的E2接口规范等多个标准化工作内容，并已发布官方发布的开源代码版本。就整个产业生态而言，在智能控制领域仍处于早期发展阶段。大多数厂家通过场景探索、协作开发以及小范围测试的方式逐步推进产品落地。全球多家企业均在研发相关产品，在现有基础上主要集中在实时智能控制平台及异构化场景支持的xAPP领域展开研究与应用开发。值得关注的是，在运营商层面的关注度较高，但各企业的关注点存在显著差异：一部分企业在关注网络配置优化与干扰协调等关键领域展开研究；另有部分企业则聚焦于QoS优化相关的应用场景构建与技术实现。

尽管产业界对智能控制平台关注度较高，但目前仍存在一些问题和挑战。首先在实际部署层面，目前5G网络设备已经完成了大范围的部署，实现基于上述架构的智能化需要对基站能力进行升级，同时对接智能控制平台，对于存量网络有一定的难度，更适用于行业或全新部署的场景。智能平台需要与基站交互用户及网络信息，同时下发相关策略，尽管已经针对包括E2、A1等接口进行了相对完善的定义和标准化，但是平台与基站往往来自不同的厂家，目前的开发阶段仍存在功能取舍及实现偏差，不同厂家对接仍需要大量工作。其次是在技术层面，智能控制平台主要通过对无线侧功能进行特定的配置及资源的优化来实现目标，而传统基站也有自身的无线资源管理功能的协同，部署智能管控平台后，两者在资源优化及配置上可能存在冲突，因此需要智能管控平台能够处理冲突，完成对特定场景的资源管理及性能优化。其次则是差异化的xAPP在统一的智能控制平台上部署，也需要一定的标准化。

2.2 应用场景

2.2.1 业务QoS优化类

此类场景主要关注于5G网络中高性能需求的ToC和ToB类业务，在游戏、VR等对带宽和时延要求较高的应用场景中寻求解决方案。尽管传统的无线系统可通过QoS或网络切片方法实现不同业务类型的区分及优先级管理，但半静态的技术架构难以满足多样化的服务需求；特别是在无线侧传输能力方面存在较大的不确定性，在突发性的业务请求上更是难以提供稳定的保障。基于智能控制平台结合AI/ML算法的应用，在流量识别、业务性能预测等方面取得显著进展，并实现了灵活的网络功能配置与资源配置决策；从而显著改善用户体验

该系统架构的大致工作流程如下：网管（SMO）节点基于自身具备采集网络级别的性能数据能力，并可通过指定接口获取应用服务器提供的业务相关信息数据，在专用AI服务器或SMO内部部署的离线训练环境中训练特定类型的一阶逻辑（AI/ML）模型集合（包括但不限于业务流识别、预测分析、策略配置等模块），并将训练所得模型参数及配置方案推送给近实时智能控制平台进行存储与应用准备阶段。当触发预设条件或事件时，在近实时智能控制平台上发起xAPP服务启动流程，在上层下发相关模型参数及策略指导下结合基站运行反馈的信息状态评估机制自动识别并分类需优先保障的关键业务类型（如VR、云游戏服务等），并基于实时监测到的网络运行状况动态评估现有资源配置是否满足服务保障需求：若发现现有配置无法满足，则触发智能优化策略下发指令集执行相关操作（如QoS降级、优先调度资源分配等）。在整个业务运行过程中各基站节点持续反馈该类核心业务的数据指标及其性能监控结果至近实时智能控制平台以便持续优化系统运行效能：同时该平台亦能将收集到的历史运行数据回传至上层进行再学习与模型更新。

经过一系列标准化作业流程的实施优化后，在无线端关键性能指标上可显著降低其不确定因素对系统的影响程度，并有效提升资源利用率。另一方面，在智能化领域中存在两种主要的应用场景：一种是用于AI/ML模型离线训练阶段的非实时智能控制平台；另一种则是用于实时数据处理与决策支持的功能模块——模型推理过程。然而就目前产品的实际应用情况而言，在智能化建设方面仍存在诸多限制性因素：产品系列主要以近实时智能控制平台为基础架构；现有解决方案多采用特定服务器将AI/ML训练成果整合到特定xAPP中，并以此实现业务运行状态的实时优化

2.2.2 网络优化类

该场景主要关注运营商在实际商业网络部署中面临的挑战。随着5G商用进程的推进，在业务类型多样以及功能需求之间存在显著差异的情况下，如何实现高效的资源分配和系统管理变得尤为关键。具体的挑战体现在以下几个方面：首先，在多频段运行环境下需要兼顾不同频段间的协调工作；其次，在灵活帧结构的支持下如何保证服务质量；再次是对MassiveMIMO技术的应用带来了复杂的参数配置问题；最后，在MassiveMIMO技术的基础上如何实现灵活划分不同业务切片以满足多样化的业务需求。与此同时，在高速移动设备环境下如何应对随之而来的干扰问题以及如何实现负载均衡管理也成为一个重要的课题。智能化平台通过提供相应的计算资源和算法支持，在上述关键领域中发挥着优化作用：一方面通过优化算法来提高系统资源利用率；另一方面通过提供智能决策支持来提升系统的运行效率和用户体验

负载均衡对于提升网络系统的性能至关重要。然而，在实际应用中发现，在现有切换策略和RRM功能存在的限制下，“热点”小区（即某一个特定区域内的用户流量和数量较多）与周边区域的小区之间往往会存在明显差异。实现小区间的负载均衡需要对终端设备进行智能地选择合适的邻居小区并进行切换。目前蜂窝网络中的无线资源管理主要基于单元格中心的概念，并致力于提高单元格中心区域内的平均性能水平。这种设计使得通过无线资源管理来优化多个终端节点的需求变得较为困难。

通过SMO收集区域内网络性能数据，并结合网络结构信息，在非实时智能平台上训练AI/ML模型以实现负载均衡。训练所得模型及其策略将部署至近实时智能平台，在其运行下完成负载均衡相关任务。基于各小区实时网络性能数据和用户设备（UE）数据，在近实时平台上运行的相关应用会自动评估各小区载流量态。当检测到预设触发条件或特定事件发生时，该系统将根据检测结果决定需重新分配的用户设备及切换方向，并最终实现网络资源的最佳分配以达到平衡配置目标。这种配置策略能够显著提升系统整体效能和用户体验。

在实际应用中涉及5G Massive MIMO系统的天馈调优、波束跟踪机制以及相关的帧结构设计等关键参数设置。智能化平台能够根据网络部署的拓扑结构和小区业务类型，在实际应用中提供相应的指导建议与优化策略。系统会综合运用网管数据、AI模型以及相关的算法对相应的小区进行多层次的配置方案制定与协调优化，并最终实现网络性能的有效提升目标。

0 3

基于智能化架构的场景验证

在前文所述的基础上构建了无线云网络的智能化架构模型后，在此基础上设计并搭建了试验环境，并从多个应用场景中进行了系统性验证。此次实验的主要目标是利用智能控制平台来优化终端节点之间的切换路径选择，在各小区间的承载能力均得到合理分配的前提下，使整个系统的负载分布更加均衡。

用于试验环境搭建的设备集合包括基站节点、近实时控制平台以及负载均衡应用xAPP服务器等关键组件。本次测试专注于架构中的近实时智能控制平台部分进行性能评估，并对其中的人工智能相关算法进行具体实现研究。该xAPP系统通过机器学习与人工智能技术实现对负载均衡应用的支持，在具体应用场景中展现出良好的性能表现。系统采用图神经网络模型对网络管理问题进行建模，并通过采集丰富多样的网络运行数据来进行训练优化工作。在模型训练过程中，系统能够从基站端获取各类关键节点之间的关联关系信息（如UE与小区之间的关联），并通过这些数据对GNN模型进行持续优化以提升预测精度和决策效率

图2 xApp中的网络部署模型

在本研究中的验证方案中, 首先在实验室环境下构建了三个5G小区, 每个小区直径大约为25米. 系统中还配置了15个固定型ue和1个移动型ue, 如图所示. 其中a区和c区的用户数量相对较少, 而b区的用户数量显著高于另外两个区域, 达到95%以上的运行负荷. .com用户的移动测试路径被设定为e→f→h→g.

图3 实验室网络组网

在无智能开放平台的情况下，在无智能开放平台的情况下

当智能控制平台被激活时, xAPP会利用该平台的E2接口向相应的基站订阅终端设备所测得的关键参数信息,而这些数据经由终端设备执行完全部测量流程后,将会被实时传输至对应的接收端口。当基站接收到数据后立即转发给运行平台和xAPP执行判断逻辑。基于推理算法确定切换方案后立即发送指令至基站执行。值得注意的是,系统会自动触发定时器开始计时步骤,若运行平台未能及时做出决策判断,则采用传统切换方式执行操作流程。理论分析表明,在H点位置上,对比之下小区B具备更高的切换可能性,然而由于当前负载水平已经接近最大承载阈值,xAPP最终会决定向相关基站在特定时间段内下发指令指示移动终端从现有连接关系中解耦并重新连接至小区C进行服务业务的转移配置工作

经过多轮移动终端在固定路径上的移动测试后进行分析发现，在采用传统无线通信方案时（...），系统能够稳定完成所有20次切换任务且确保所有设备均连接至小区B；而当转向采用智能化架构的设计方案时（...），系统同样完成了全部20次切换操作并实现了智能控制平台及xAPP系统的预期目标。

在本次验证中，我们还模拟了现网网络部署情况，并配置了直径200米的小区7个以及分布均匀的终端140个。通过观察终端在不同方向移动时的表现，在比较传统切换策略与智能化切换策略的效果后发现：相比传统方法提升了约6%在网络吞吐量方面的性能；在网络负载均衡方面实现了20%的提升。这些结果充分证明：借助智能化平台辅助无线网络优化能够显著提高系统性能。

0 4

面向6G网络的演进

在5G时代，“无线侧云化与智能化”作为新的探索方向被明确提出，在产业层面进行了初步研究及场景分析，并尝试了小规模应用。展望未来，在业务发展过程中对网络能力的要求将不断提高，并且网络架构趋于复杂化；无线网络云化与智能化将继续深化发展，在此背景下为6G网络架构及关键技术能力提供了重要的思路来源。

在6G网络架构规划中，云计算与 Service 化理念将从核心网扩展至无线端口。这一转变使得无线侧的功能划分更加明确具体：用户端口与控制端口均采用 Service 化组件设计，并通过灵活的服务接口实现互操作性需求。在行业业务场景中，Service 化组件中的无线功能可通过统一管理平台整合局域分流装置、边端应用等资源进行配置部署。每个边缘云设备不仅具备接入能力还负责数据转发以及本地计算任务；当多个6G终端间的通信关系形成典型子网架构时；该设备还需承担集中控制职责并协同核心云系统形成多层次架构体系（如图4所示）。各独立运行的边缘云节点通过网络互联形成边缘网络结构；各节点间的基础资源可组成共享资源池；基于现有连接基础；各节点间的资源可实现动态交互协作（即根据实际需求调配计算力资源）从而为整体网络及业务提供实时响应与灵活支持构建起动态算力支撑体系形成所谓的"边算网"

图4 面向6G的边缘智能算网

随着未来边缘网络形态的发展趋势不断演变,智能化功能也将得到更充分的展现。当前围绕5G无线网络智能化架构的研究与实践已经取得一定成果,但目前所指的"外挂式智能系统"其部署范围受限,覆盖的应用场景相对有限。伴随着人工智能技术和移动通信技术的进步,智能化功能将在下一代网络中得到全面内嵌,并特别强调在架构设计阶段就已整合了人工智能技术,从而为整个系统提供了一个完整的AI生态环境以及相应的智能服务支持。就6G时代而言,智能化发展具有以下几个显著特点。

在6G时代推动智能化发展方面

b）跨域跨层协同机制。在边缘计算环境中，借助AI技术能够显著提升业务单元、网元节点及整体网络架构的智能化水平。系统需对多维度数据进行采集与分析，并运用多样化的算法模型进行运算。通过整合业务层面数据、终端设备数据以及网络运行状态数据进行系统性优化，在端到端流程中推动整体系统的优化提升。

c）AI能力开放。原生AI作为未来6G网络系统的核心支撑能力，在其算力、算法资源以及数据资源能够全方位释放至自身运用场景与第三方商业或消费场景之间建立起了良好的连接通道。这种开放性不仅有助于提升智能计算服务的质量与效率，在促进智能化应用的广泛落地方面也展现出显著的价值优势。

0 5

总 结

融合创新成为推动网络发展的重要趋势，在这一进程中，云化与智能化作为其两大核心特征，在5G时代的背景下已经初具规模并取得显著成效。然而，在移动通信领域中占据技术复杂度高且性能至关重要的部分——无线侧——实现其全面转型仍需持续努力。基于现有的5G体系架构和部署条件，我们应当继续推进 cloudification 和智能化的试验与应用工作，并通过持续的技术探索与实践推动边缘侧 cloudization 和智能化的深入发展。展望未来，在人工智能等新兴技术的助力下，在全球产业界的共同努力下，在下一代移动通信网络中无线侧 cloudification 和智能化的蓝图终将逐步得以实现，并将为各类网络及应用注入新的活力与发展动力