基于AI智能關(guān)聯(lián)技術(shù)的5G網(wǎng)絡(luò)切片研究與實現(xiàn)*

耶旭立，曾強(qiáng)，康萌

（中國移動通信集團(tuán)陜西有限公司，陜西 西安 710077）

0 引言

與傳統(tǒng)運(yùn)營商4G 網(wǎng)絡(luò)相比，5G 的網(wǎng)絡(luò)能力將有飛躍的發(fā)展，如下行峰值數(shù)據(jù)速率可達(dá)20 Gbps，而上行峰值數(shù)據(jù)速率可能超過10 Gbps。此外，5G 還可大大降低時延及提高整體網(wǎng)絡(luò)效率，簡化后的網(wǎng)絡(luò)架構(gòu)將提供小于5 ms 的端到端延遲。5G 以其超越光纖的傳輸速度、超越工業(yè)總線的實時能力以及全空間的連接，將開啟充滿機(jī)會的時代，為移動運(yùn)營商及其客戶提供了極具吸引力的商業(yè)模式，而運(yùn)營商為了支撐這些商業(yè)模式，未來網(wǎng)絡(luò)必須能夠針對不同業(yè)務(wù)特性及服務(wù)質(zhì)量，準(zhǔn)確高效地提供各種定制化、差異化的網(wǎng)絡(luò)支撐能力?；诖耍W(wǎng)絡(luò)切片應(yīng)運(yùn)而生，即在一個通用的物理平臺之上構(gòu)建多個專用的、虛擬化的、互相隔離的邏輯網(wǎng)絡(luò)，以滿足不同客戶及業(yè)務(wù)對網(wǎng)絡(luò)能力的不同要求。

但是，由于木桶效應(yīng)一個商用級可保障的網(wǎng)絡(luò)切片必須至少包含無線網(wǎng)、核心網(wǎng)及傳輸網(wǎng)子切片共同協(xié)作完成，任何一個子切片的設(shè)置不合理或者異常都會導(dǎo)致整個網(wǎng)絡(luò)切片的性能受限，而傳統(tǒng)業(yè)界的網(wǎng)絡(luò)切片都是通過各專業(yè)人工協(xié)商或切片管理系統(tǒng)按照經(jīng)驗值統(tǒng)一配置，這種傳統(tǒng)的切片管理模式容易出現(xiàn)參數(shù)設(shè)置不合理、各專業(yè)切片能力不匹配、無法面向端到端性能保障等問題，從而造成切片配置效率低、運(yùn)營商資源浪費(fèi)、端到端性能無法滿足客戶需求等問題。因此，迫切需要研究一套能夠?qū)崿F(xiàn)多專業(yè)關(guān)聯(lián)的、基于歷史參數(shù)學(xué)習(xí)并從整體性能保障觸發(fā)的5G 網(wǎng)絡(luò)最優(yōu)切片現(xiàn)網(wǎng)解決方案，提升運(yùn)營商對業(yè)務(wù)的快速保障、快速開通及資源最優(yōu)配置的切片管理實踐。

1 研究意義

5G 作為信息化時代的關(guān)鍵使能技術(shù)和基礎(chǔ)設(shè)施新基建，服務(wù)的對象已經(jīng)從傳統(tǒng)的移動通信擴(kuò)展為無處不在的連接和場景應(yīng)用。5G 網(wǎng)絡(luò)需要面向業(yè)務(wù)服務(wù)等級指標(biāo)迥異的各種場景，不同商業(yè)模式需要在統(tǒng)一的5G 網(wǎng)絡(luò)架構(gòu)下共存共生公用。而網(wǎng)絡(luò)切片技術(shù)是5G 網(wǎng)絡(luò)支撐垂直行業(yè)及物聯(lián)網(wǎng)時代數(shù)字化轉(zhuǎn)型的關(guān)鍵，通過在運(yùn)營商實體網(wǎng)絡(luò)上切分出多個虛擬網(wǎng)絡(luò)通道，適配智慧城市、工業(yè)控制、自動駕駛、智能電網(wǎng)、遠(yuǎn)程醫(yī)療等各類行業(yè)業(yè)務(wù)的差異化需求。

但是，傳統(tǒng)網(wǎng)絡(luò)切片都是各專業(yè)各自設(shè)置、人工協(xié)商，缺乏統(tǒng)一科學(xué)的調(diào)度管理規(guī)范，而且人工協(xié)商配置效率低下，難以滿足業(yè)務(wù)快速開通的需求，因此迫切需要研究基于多專業(yè)自動化智能關(guān)聯(lián)的切片解決方案來提升資源配置效率、發(fā)揮網(wǎng)絡(luò)效能最大化，同時確保業(yè)務(wù)服務(wù)等級（SLA,Service Level Agreement）端到端的性能保障[1]。

陜西移動已于2020 年9 月30 日前完成全省5G SA 組網(wǎng)的基站、核心網(wǎng)及傳輸切片分組網(wǎng)（SPN,Slicing Packet Network）端到端商用，但是對于商用后的5G SA 網(wǎng)絡(luò)能否滿足多樣化5G 業(yè)務(wù)的高效、精準(zhǔn)、智能網(wǎng)絡(luò)切片仍然是當(dāng)前存在的最關(guān)鍵問題。因此，通過切片數(shù)據(jù)采集、切片模型選擇、切片AI 智能關(guān)聯(lián)及切片參數(shù)修正四步法，基于用戶、APP、位置信息的切片選擇出發(fā)，結(jié)合AI 算法的無監(jiān)督學(xué)習(xí)和自適應(yīng)學(xué)習(xí)，實現(xiàn)5G SA 商用后的網(wǎng)絡(luò)切片的智能關(guān)聯(lián)及最優(yōu)決策，實現(xiàn)網(wǎng)絡(luò)切片的按需構(gòu)建，為切片最優(yōu)化配置、性能感知體驗提供了理論指導(dǎo)、模型選擇及最優(yōu)解決方案輸出。

1.1 切片數(shù)據(jù)采集

借助無線網(wǎng)軟采數(shù)據(jù)、傳輸網(wǎng)網(wǎng)管數(shù)據(jù)及核心網(wǎng)鏡像分光數(shù)據(jù)，分別獲取支撐后端切片模型選擇的無線、傳輸及核心網(wǎng)網(wǎng)絡(luò)切片子網(wǎng)管理功能參數(shù)，如切片ID、PLMN（公共陸地移動通信網(wǎng)）列表、最大終端數(shù)、覆蓋TA 列表、基站列表、PE 列表等[2]，當(dāng)用戶初次在網(wǎng)絡(luò)中注冊時，攜帶相應(yīng)的網(wǎng)絡(luò)切片標(biāo)識（NSSAI,Network Slice Selection Assistance Information）請求網(wǎng)絡(luò)切片選擇功能（NSSF,Network Slice Selection Function）獲取相應(yīng)接入的網(wǎng)絡(luò)切片選擇信息，實現(xiàn)對業(yè)務(wù)切片基礎(chǔ)數(shù)據(jù)的采集。

1.2 切片模型選擇

5G 網(wǎng)絡(luò)切片是提供特定網(wǎng)絡(luò)能力和特性的邏輯網(wǎng)絡(luò)，通過網(wǎng)絡(luò)切片技術(shù)，可以實現(xiàn)業(yè)務(wù)需求和網(wǎng)絡(luò)資源的靈活匹配，虛擬出多張滿足不同業(yè)務(wù)應(yīng)用場景差異化需求的5G 切片網(wǎng)絡(luò)，并能充分共享物理網(wǎng)絡(luò)資源。整體是由基礎(chǔ)設(shè)施，管理層級運(yùn)行在基礎(chǔ)設(shè)施之上的切片實例組成。從切片設(shè)計到編排、激活、監(jiān)控等過程，基于切片的用戶分級保障對承載業(yè)務(wù)及切片感知的業(yè)務(wù)分級保障，最終實現(xiàn)切片的APP及位置區(qū)域分級保障和空中下載技術(shù)（OTA,Over-the-Air Technology）簽約實現(xiàn)切片級業(yè)務(wù)動態(tài)保障[3]。

1.3 切片AI智能關(guān)聯(lián)

網(wǎng)絡(luò)切片后產(chǎn)生大量的切片復(fù)合指標(biāo)，需要建立無監(jiān)督學(xué)習(xí)和自適應(yīng)學(xué)習(xí)的AI 智能關(guān)聯(lián)方法實現(xiàn)龐大復(fù)合切片的智能關(guān)聯(lián)，其中采用二分k-means 算法結(jié)合Python 中scikitleam庫里的LogisticRegressionCV()函數(shù)調(diào)用邏輯回歸方法，通過使用前的參數(shù)設(shè)置，實現(xiàn)指標(biāo)體系架構(gòu)及數(shù)據(jù)寬表庫獨(dú)立存儲調(diào)用數(shù)據(jù)的AI 智能關(guān)聯(lián)[4]。

1.4 切片參數(shù)修正

基于AI 智能關(guān)聯(lián)輸出的5G 網(wǎng)絡(luò)切片參數(shù)，結(jié)合業(yè)務(wù)端的切片整體性能表現(xiàn)，對切片涉及的用戶全球唯一標(biāo)識（SUPI,Subscription Permanent Identifier/IMSI,International Mobile Subscriber Identity）、切 片 標(biāo) 識（S-NSSAI,Single Network Slice Selection Assistance Information）以及采用的二分K均值聚類算法關(guān)聯(lián)規(guī)則模型進(jìn)行后向參數(shù)修正及不斷優(yōu)化[5]，最終實現(xiàn)智能關(guān)聯(lián)的切片滿足業(yè)務(wù)的最佳性能體驗。

2 基于AI算法的5G網(wǎng)絡(luò)切片智能關(guān)聯(lián)框架設(shè)計

本文研究建立了一種基于網(wǎng)絡(luò)切片的智能關(guān)聯(lián)+AI 算法體系，依靠對5G SA 核心網(wǎng)絡(luò)的控制面及用戶面接口數(shù)據(jù)全量采集，應(yīng)用智能關(guān)聯(lián)技術(shù)+AI 算法，從基本的單網(wǎng)絡(luò)切片向?qū)崿F(xiàn)多維關(guān)聯(lián)合成轉(zhuǎn)變，實現(xiàn)網(wǎng)絡(luò)切片的準(zhǔn)確評估和監(jiān)控管理技術(shù)創(chuàng)新，從而保證各個場景的切片質(zhì)量和應(yīng)用?；贏I 算法的5G 網(wǎng)絡(luò)切片智能關(guān)聯(lián)體系如圖1 所示：

圖1 基于AI算法的5G網(wǎng)絡(luò)切片智能關(guān)聯(lián)體系

2.1 算法流程

構(gòu)建AI 算法的5G 網(wǎng)絡(luò)切片智能關(guān)聯(lián)算法主要從數(shù)據(jù)采集、切片選擇映射、智能算法關(guān)聯(lián)、AI 算法自適應(yīng)學(xué)習(xí)、端到端切片實現(xiàn)應(yīng)用構(gòu)建形成?；贏I 算法的5G 網(wǎng)絡(luò)切片智能關(guān)聯(lián)算法設(shè)計如圖2 所示。

圖2 基于AI算法的5G網(wǎng)絡(luò)切片智能關(guān)聯(lián)算法設(shè)計

整體研究方案包括數(shù)據(jù)采集、切片選擇映射、智能算法關(guān)聯(lián)、AI 算法自適應(yīng)學(xué)習(xí)、E2E 切片實現(xiàn)應(yīng)用，構(gòu)建形成四個模塊實現(xiàn)基于5G SA 網(wǎng)絡(luò)下的Slice 精準(zhǔn)選擇和智能關(guān)聯(lián)。其中，切片預(yù)選選擇先于業(yè)務(wù)感知確定切片范圍；智能切片關(guān)聯(lián)實現(xiàn)切片數(shù)據(jù)的預(yù)合成處理；AI 算法提高智能切片關(guān)聯(lián)的數(shù)據(jù)質(zhì)量，并同步執(zhí)行自適應(yīng)無監(jiān)督優(yōu)化處理，通過三反饋機(jī)制修正和模擬實際切片場景，以上均是本方案的核心研究點(diǎn)。

2.2 網(wǎng)絡(luò)結(jié)構(gòu)

5G 核心網(wǎng)基于全新的服務(wù)化架構(gòu)，將網(wǎng)絡(luò)功能解耦為服務(wù)化件，組件之間使用輕量級開放接口通信。這種高內(nèi)聚低耦合的結(jié)構(gòu)使其具備敏捷、易拓展、靈活開放的特性，從而滿足網(wǎng)絡(luò)切片的按需構(gòu)建、動態(tài)部署彈縮和高可靠要求，其中的5G SA 網(wǎng)絡(luò)切片規(guī)劃策略是基于應(yīng)用對象分類的NSSAI，包含通用切片、行業(yè)切片、區(qū)域切片。靈活無線切片和統(tǒng)一空口架構(gòu)設(shè)計適配多樣化切片場，5G 無線網(wǎng)支持前傳、中傳和后傳的靈活切分和部署，滿足不同場景下的切片組網(wǎng)需求[6]。軟件定義網(wǎng)絡(luò)（SDN,Software Defined Network）化傳輸網(wǎng)配合多層次切片技術(shù)靈活構(gòu)建傳輸切片，傳輸網(wǎng)切片運(yùn)用虛擬化技術(shù)，將網(wǎng)絡(luò)拓?fù)滟Y源虛擬化，按需組成虛擬網(wǎng)絡(luò)。網(wǎng)絡(luò)切片面向網(wǎng)絡(luò)拓?fù)滟Y源的虛擬化，構(gòu)建虛擬化網(wǎng)絡(luò)，支持多層次的切片隔離技術(shù)，滿足不同隔離要求下的切片需要。創(chuàng)新技術(shù)的采用使得虛擬網(wǎng)絡(luò)/切片具備剛性管道能力，滿足高隔離要求下的底層快速轉(zhuǎn)發(fā)，從而滿足不同類型切片業(yè)務(wù)對傳輸?shù)囊蟆?G 切片智能運(yùn)維管理結(jié)構(gòu)設(shè)計如圖3 所示。

圖3 5G切片智能運(yùn)維管理結(jié)構(gòu)設(shè)計

3 面向5G網(wǎng)絡(luò)切片智能關(guān)聯(lián)AI算法現(xiàn)網(wǎng)實現(xiàn)

本研究方案包括“基于5G SA 核心網(wǎng)數(shù)據(jù)采集”、“基于切片的選擇篩選評估”、“基于網(wǎng)絡(luò)切片的端到端智能關(guān)聯(lián)分析”、“基于AI 算法的切片關(guān)聯(lián)自適應(yīng)調(diào)優(yōu)”、“基于AI 算法的切片實例關(guān)聯(lián)應(yīng)用研究”方面準(zhǔn)確高效地完成切片數(shù)據(jù)的智能關(guān)聯(lián)，并引入β函數(shù)實現(xiàn)自適應(yīng)無監(jiān)督學(xué)習(xí)優(yōu)化算法，進(jìn)一步提升關(guān)聯(lián)合成精度。

3.1 基于5G SA核心網(wǎng)數(shù)據(jù)采集

基于5G SA 核心網(wǎng)多接口協(xié)議解碼處理實現(xiàn)5G SA網(wǎng)絡(luò)的多接口數(shù)據(jù)接入[7]，采集方式包括：一是無線側(cè)采集，無線側(cè)數(shù)據(jù)在基站采集，主要采用軟采方式，采集輸出信令XDR 話單；二是核心網(wǎng)側(cè)采集，核心網(wǎng)數(shù)據(jù)控制面集中在接入和移動管理功能（AMF）/ 會話管理功能（SMF）/ 策略控制功能（PCF）網(wǎng)元采集，采用分光或者鏡像方式，用戶面采集點(diǎn)在用戶面管理功能（UPF,User Plane Function）上，采用主要使用物理分光方式[8]，采集輸出原始碼流和信令XDR 話單；三是承載網(wǎng)采集，承載網(wǎng)主要采集網(wǎng)絡(luò)性能統(tǒng)計信息和告警數(shù)據(jù)，采用和承載網(wǎng)管對接獲取數(shù)據(jù)，實現(xiàn)全量數(shù)據(jù)采集。不同場景的網(wǎng)絡(luò)切片數(shù)據(jù)流向圖如圖4 所示。

圖4 不同場景的網(wǎng)絡(luò)切片數(shù)據(jù)流向圖

3.2 基于網(wǎng)絡(luò)切片的選擇評估模型

5G 網(wǎng)絡(luò)切片是提供特定網(wǎng)絡(luò)能力和特性的邏輯網(wǎng)絡(luò)，通過網(wǎng)絡(luò)切片技術(shù)，可以實現(xiàn)業(yè)務(wù)需求和網(wǎng)絡(luò)資源的靈活匹配，虛擬出多張滿足不同業(yè)務(wù)應(yīng)用場景差異化需求的5G切片網(wǎng)絡(luò)，并能充分共享物理網(wǎng)絡(luò)資源。網(wǎng)絡(luò)切片必須包括CN 的控制面和媒體面[9]，在Serving PLMN 至少包括5G接入網(wǎng)或非3GPP 接入網(wǎng)（N3IWF,Non-3GPP InterWorking Function），端到端切片還應(yīng)該包括傳輸（TN）。一個切片提供一個或多個服務(wù)，或者一個切片由一個或多個子切片組成，子切片可以是CN、AN 或TN，其中兩個切片可以共享一個或多個子切片。切片劃分邏輯模型如圖5 所示：

圖5 切片劃分邏輯模型

基于切片的用戶分級保障可分為應(yīng)用對象切片選擇和應(yīng)用場景切片選擇，根據(jù)對承載業(yè)務(wù)及切片感知的業(yè)務(wù)分級，最終實現(xiàn)切片的模型選擇。切片精準(zhǔn)選擇分類庫劃分如圖6 所示。

圖6 切片精準(zhǔn)選擇分類庫劃分

3.3 基于信令上報的切片多維關(guān)聯(lián)合成方法

基于網(wǎng)絡(luò)切片的智能關(guān)聯(lián)合成回填，對于一個端到端信令流程，采集解析服務(wù)器會采集并上報多個接口上的信令，數(shù)據(jù)合成再根據(jù)這些單接口的信息元素來生成合成，用于反映整個端到端流程的關(guān)鍵信息，并在其中指示每個單接口信令的ID，從而可以通過合成來檢索反映各個接口的信令和業(yè)務(wù)。

切片智能關(guān)聯(lián)合成共分為三個方面[10]：一是無線數(shù)據(jù)關(guān)聯(lián)回填，無線側(cè)需要在生成XDR 時將切片標(biāo)識S-NSSAI 關(guān)聯(lián)回填到用戶信令單據(jù)（XDR,External Data Representation）中；二是核心網(wǎng)數(shù)據(jù)關(guān)聯(lián)回填，核心網(wǎng)用戶面數(shù)據(jù)通過隧道ID 標(biāo)識會話，在合成服務(wù)器中將切片標(biāo)識S-NSSAI 回填到用戶面XDR 中；三是承載數(shù)據(jù)關(guān)聯(lián)回填，承載網(wǎng)管保存有切片標(biāo)識和承載VLAN 標(biāo)識的映射信息，通過映射關(guān)系回填切片標(biāo)識。切片智能關(guān)聯(lián)合成實現(xiàn)邏輯圖如圖7 所示：

圖7 切片智能關(guān)聯(lián)合成實現(xiàn)邏輯圖

3.4 基于AI算法的切片智能關(guān)聯(lián)自適應(yīng)方法

基于AI 算法的切片關(guān)聯(lián)自適應(yīng)調(diào)優(yōu)主要分為二分K均值聚類算法關(guān)聯(lián)[11]；使用Python 執(zhí)行β函數(shù)調(diào)用達(dá)到自適應(yīng)調(diào)優(yōu)，從而達(dá)到收集所需的指標(biāo)進(jìn)行AI 分析，通過用戶標(biāo)識SUPI/IMSI、切片標(biāo)識S-NSSAI，采用二分K均值聚類算法關(guān)聯(lián)規(guī)則模型[12]，實現(xiàn)網(wǎng)絡(luò)切片的智能自適應(yīng)關(guān)聯(lián)?；贏I 算法的切片關(guān)聯(lián)自適應(yīng)調(diào)優(yōu)實現(xiàn)圖如圖8 所示：

圖8 基于AI算法的切片關(guān)聯(lián)自適應(yīng)調(diào)優(yōu)實現(xiàn)圖

k-means 聚類算法屬于基于原型的聚類，由于其能簡單高效地實現(xiàn)對大規(guī)模數(shù)據(jù)的聚類，因此是現(xiàn)階段使用最為普遍的無監(jiān)督學(xué)習(xí)方法。與此同時，k-means 方法也存在一些缺點(diǎn)，如必須人為設(shè)置聚類的簇數(shù)、易受到初始質(zhì)心點(diǎn)位置的影響等。因此，在k-means 聚類算法的基礎(chǔ)上提出了一種不受初始質(zhì)心選擇影響的二分k-means算法[13]，實驗表明二分K均值聚類算法的性能要優(yōu)于一般的K均值聚類算法。一般的K均值算法可以概括地分為三步：初始化K個簇的質(zhì)心、將簇中其它點(diǎn)指派到最近的質(zhì)心、根據(jù)目標(biāo)函數(shù)更新質(zhì)心。這里的目標(biāo)函數(shù)最常用的就是SSE。當(dāng)使用的數(shù)據(jù)是歐幾里得空間中的數(shù)據(jù)時，SSE 的表達(dá)式為：

其中，K是族的個數(shù)；Ci表示第i個簇，Ci是簇Ci的質(zhì)心；x表示對象；dist 是歐幾里得空間中兩個對象之間的標(biāo)準(zhǔn)歐幾里得距離L2。

CN 子切片、終端、承載子切片、AN 子切片關(guān)聯(lián)合成完成后，分類干預(yù)初步確認(rèn)解決方案使用邏輯回歸算法，LogisticRegression 算法雖然名字帶有回歸，但其實是一種簡單高效的分類模型，常用于解決二分類以及多分類問題[14]。其在線性回歸的基礎(chǔ)之上，套用了一“t”邏輯函數(shù)sigmoid 函數(shù)。該函數(shù)的具體表達(dá)式如下：

使用sigmoid 函數(shù)套用線性回歸方程為：

可得到邏輯回歸算法的核心表達(dá)式為：

其中，系數(shù)θ需要模型在訓(xùn)練時基于移動數(shù)據(jù)集進(jìn)行擬合。具體地，模型在訓(xùn)練時，是以監(jiān)督學(xué)習(xí)的方式，通過使用梯度下降法或擬牛頓法最優(yōu)化目標(biāo)函數(shù)（代價函數(shù)）[15]，從而實現(xiàn)對參數(shù)θ進(jìn)行估計的過程。邏輯回歸模型在訓(xùn)練時的代價函數(shù)如下：

其中：

基于邏輯回歸算法訓(xùn)練模型時，使用Python 中scikit-leam 庫里的LogisticRegressionCV() 函數(shù)調(diào)用邏輯回歸方法，在使用函數(shù)前需要進(jìn)行參數(shù)的設(shè)置[16]，Python 執(zhí)行β函數(shù)調(diào)用達(dá)到自適應(yīng)調(diào)優(yōu)。

3.5 基于AI算法的切片實例關(guān)聯(lián)應(yīng)用研究

（1）應(yīng)用場景1:8K 視頻直播

高清視頻eMBB 場景切片選擇實例如圖9 所示。

初始狀態(tài)：一個用戶A（TUE600）選擇了默認(rèn)切片，這時都播放8K 高清視頻直播，結(jié)果卡頓嚴(yán)重，無法正常播放；另一個用戶B 選擇了大帶寬（eMBB,Enhanced Mobile Broadband）切片，視頻播放流暢。

步驟1：用戶A 通過切片商城選擇了eMBB 切片，并付費(fèi)成功；

步驟2：切片商城通知UDR/UDM 修改用戶A 的簽約信息，觸發(fā)用戶A 切換到eMBB 切片；

步驟3：用戶A 重新發(fā)起8K 高清視頻業(yè)務(wù)，業(yè)務(wù)和用戶B 一樣流暢。

（2）應(yīng)用場景2：高清在線游戲

低時延游戲uRLLC 場景切片選擇實例如圖10 所示。

圖10 低時延游戲uRLLC場景切片選擇實例

初始狀態(tài)：一個用戶C（TUE600）選擇了默認(rèn)切片，這時打開高清在線游戲，結(jié)果時延嚴(yán)重，無法正常操作；另一個用戶D 選擇了高可靠低時延（uRLLC,Ultra-Reliable and Low-Latency Communication）切片，游戲流暢。

步驟1：用戶C 通過切片商城選擇了uRLLC 切片，并付費(fèi)成功；

步驟2：切片商城通知UDR/UDM 修改用戶C 的簽約信息，觸發(fā)用戶C 切換到uRLLC 切片；

步驟3：用戶C 重新發(fā)起高清在線游戲業(yè)務(wù)，業(yè)務(wù)和用戶D 一樣流暢。

4 數(shù)據(jù)仿真及實施效果

經(jīng)過設(shè)定5 000 個采樣點(diǎn)對高可靠低時延場景uRLLC切片的兩種算法效率進(jìn)行對比可知，基于智能+AI 算法關(guān)聯(lián)的切片方法在仿真效率效果方面均優(yōu)于傳統(tǒng)人工預(yù)設(shè)算法效率。具體如圖11 所示：

圖11 5 000采樣點(diǎn)uRLLC切片效率對比

經(jīng)過設(shè)定5 000 個采樣點(diǎn)對高可靠低時延場景uRLLC 切片的兩種算法端到端時延進(jìn)行對比可知，基于智能+AI 算法關(guān)聯(lián)的切片方法在實際端到端時延統(tǒng)計方面均優(yōu)于傳統(tǒng)人工預(yù)設(shè)算法的時延，因此基于AI 的智能切片方法更能適應(yīng)業(yè)務(wù)的自動化編排。具體如圖12 所示。

圖12 5 000采樣點(diǎn)uRLLC切片端到端時延對比

5 結(jié)束語

本文介紹了5G 網(wǎng)絡(luò)為滿足各行業(yè)對于通信網(wǎng)絡(luò)的差異化服務(wù)需求，提出了一種基于AI 智能關(guān)聯(lián)技術(shù)的切片現(xiàn)網(wǎng)實現(xiàn)方案，使用了多域多接口數(shù)據(jù)采集及關(guān)聯(lián)技術(shù)完成切片端到端全流程的關(guān)鍵數(shù)據(jù)收集，結(jié)合不受質(zhì)心影響的二分k-means 無監(jiān)督自學(xué)習(xí)經(jīng)典算法[19]，輸出了面向5G 不同應(yīng)用場景的最佳切片模型參數(shù)集選擇，最后通過仿真驗證了采用AI 智能關(guān)聯(lián)算法的優(yōu)勢，為將來5G ToB 垂直工業(yè)互聯(lián)網(wǎng)行業(yè)豐富的網(wǎng)絡(luò)功能定制和不同業(yè)務(wù)場景要求，實現(xiàn)5G 網(wǎng)絡(luò)多樣化、差異化的切片數(shù)據(jù)高效率處理[20]，提供了一種可精準(zhǔn)、智能、快速收斂的數(shù)據(jù)處理關(guān)聯(lián)解決方案。