1、目錄 HYPERLINK l _bookmark0 前言 3 HYPERLINK l _bookmark1 基于云網融合的無線智慧服務發展趨勢 6 HYPERLINK l _bookmark2 需求場景趨勢 7 HYPERLINK l _bookmark3 業務SLA 體驗保障 7 HYPERLINK l _bookmark4 無線能力定制與開放 7 HYPERLINK l _bookmark5 無線資源精細管控 8 HYPERLINK l _bookmark6 標準演進趨勢 8 HYPERLINK l _bookmark7 產業研發趨勢 9 HYPERLINK l _bookmark8 無線

2、智慧服務架構 10 HYPERLINK l _bookmark9 總體架構 10 HYPERLINK l _bookmark10 核心功能 12 HYPERLINK l _bookmark11 關鍵技術 13 HYPERLINK l _bookmark12 定制化數據采集與控制 13 HYPERLINK l _bookmark13 基礎數據分析服務能力 14 HYPERLINK l _bookmark14 無線能力微服務化 18 HYPERLINK l _bookmark15 典型用例 19 HYPERLINK l _bookmark16 基于業務感知的無線 SLA 保障 19 HYPERLI

3、NK l _bookmark17 基于業務體驗預測的視頻業務保障 19 HYPERLINK l _bookmark18 工業互聯網上行業務保障 21 HYPERLINK l _bookmark19 工業互聯網下行業務保障 24 HYPERLINK l _bookmark20 工業互聯網業務可靠性保障 27 HYPERLINK l _bookmark21 適配上下行業務模型的幀結構優化 28 HYPERLINK l _bookmark22 基于無線狀態預測的業務體驗優化 29 HYPERLINK l _bookmark23 基于空口感知的 TCP 優化 29 HYPERLINK l _bookm

4、ark24 基于鏈路質量預測的視頻緩存優化 30 HYPERLINK l _bookmark25 基于鏈路質量預測的視頻碼率優化 31 HYPERLINK l _bookmark26 基于無線狀態預測的無線網絡優化 32 HYPERLINK l _bookmark27 基于虛擬柵格的負載均衡 32 HYPERLINK l _bookmark28 產業推進思路 35 HYPERLINK l _bookmark29 研發、測試和應用推進思路 35 HYPERLINK l _bookmark30 標準推進思路 35 HYPERLINK l _bookmark31 總結與展望 35 HYPERLINK

5、 l _bookmark32 縮略語列表 37 HYPERLINK l _bookmark33 參考文獻 38基于云網融合的無線智慧服務發展趨勢無線云網絡已經成為業界重要的發展趨勢之一。在靈活應對未知世界的多種挑戰時，基于無線云網融合的架構，需要一個類似人腦的“大腦”來幫助無線網絡完成向高等智能的演進。無線網絡中的大腦（以下簡稱“無線智腦”）在應對外部需求挑戰時，首先需要能夠完成需求映射，并采集、存儲大量來自不同網元的多種無線狀態信息及業務狀態信息；通過獲取跨網元、跨層的全局信息，無線智腦經過“學習”，訓練生成各種 AI/ML 模型、統計分析模型，綜合感知或預測無線環境及業務質量的狀態，如感知

6、干擾環境、感知業務特征、預測無線網絡帶寬/延遲及網絡擁塞狀態等。基于感知/預測能力，結合基礎通信機制完成復雜的邏輯分析和推理，最終做出主動性的無線網絡優化決策，或者將感知/預測的無線信息開放給業務，輔助業務進行優化決策，進而完成閉環的無線智能管控（如圖 1），面向業務提供無線智慧服務能力，實現網隨業動，網絡業務協同。本白皮書所提無線智能控制平臺和無線智能管理平臺從整體上正是具備以上能力的 “大腦”，其在傳統無線網元自動化基礎之上進行能力升級，具備業務需求的映射、數據感知和采集、智能數據分析和推理決策，通過網絡和業務信息的聯合分析，完成復雜的跨層決策判斷的能力，是一種可有效支持面向未知需求的網絡

7、設計。圖 1. 數據分析閉環控制本章將具體從需求場景趨勢、標準演進趨勢和產業研發趨勢分析無線網絡智慧服務能力當前現狀與發展趨勢。需求場景趨勢業務 SLA 體驗保障5G 業務應用場景將越來越多樣，尤其是 To B 業務場景，不同的場景有著差異化的業務需求，而無線空口又存在不確定性，使得網絡難以通過一套參數或者固定多套參數配置來滿足靈活的業務接入需求并保障用戶 SLA（Service Level Agreement）。提升未來無線網絡服務能力，為 To B 用戶提供確定性的業務保障需要網絡具備從資源層到業務層的多維智能環境感知能力，達到網絡和業務協同的跨層業務保障與優化：業務狀態感知，分析業務流特

8、性，包括帶寬、時延、時延抖動、幀率等；用戶狀態感知，通過終端上報的方式掌握用戶的位置信息、移動速度、終端續航能力、信道質量及用戶行為特征等；網絡狀態感知，通過大量信息交互獲取頻率占用情況、負荷開銷、流量負載、鄰區發送功率、射頻指紋等。協同分析不同業務、用戶和網絡規律特征，挖掘三者之間的關聯性，構建以業務為中心的優化模型，預測用戶行為和業務趨勢，實現快速的資源匹配，進行網絡資源提前分配、功率動態調整、本地緩存預留等從而優化業務體驗是未來網絡演進的必然趨勢。無線能力定制與開放未來運營商需要從面向傳統個人業務向面向全行業服務轉變。無線能力定制主要是指無線網絡根據應用，尤其是面向千差萬別的垂直行業的上

9、下行速率、時延和可靠性等性能和數據隔離需求，可靈活對無線網絡能力進行定制。無線網絡能力開放可以分為多個層次，包括：空口資源開放，將空時頻資源進行劃分并結合網絡切片允許針對客戶需求進行設計和定制；網絡信息開放，如將無線網絡狀態信息通過 API 的方式提供應用或給邊緣計算平臺作為 PaaS 能力進行調用，輔助 QoE 優化等客戶業務需求。為支持無線能力定制和開放，需要 DT、IT 和 CT 的深度融合和開放化的網絡架構，以進一步增強無線網絡即服務能力。無線資源精細管控運營商通信服務需要在有限的無線資源情況下，對網絡資源進行高效的管理控制，提升資源利用效率，盡可能地為更多的用戶提供滿意的業務體驗。5

10、G 無線網絡將同時服務于公眾和行業市場，不同業務對網絡時延、帶寬、連接密度、應對突發性的能力等 KPI 指標需求大相徑庭。傳統的無線網絡資源管理控制方式以小區和用戶為中心優化資源利用率，業務和網絡聯動性弱，管理實時性差，管控粒度相對較粗，難以應對高度復雜的場景建模。未來無線網絡優化面向業務流，將大數據和人工智能融入網絡管控系統，通過對歷史空口速率數據、覆蓋數據、網絡負載、業務流和無線指標的關聯數據等進行采集學習，訓練生成管控優化模型，實現對無線資源的精細化管控、高效的資源調度，提升資源和能量利用效率。標準演進趨勢無線網絡服務智能化是網絡智能化需求從核心網和管理域到無線網的延伸。數據分析功能是實

11、現智能化的關鍵要素，3GPP 在核心網和管理功能基于服務化架構，均已引入核心網和管理面的數據分析功能。3GPP 在核心網中定義了NWDAF (Network Data Analytics Function) 功能2，此功能通過網管獲取無線網數據，結合核心網數據，產生 UE 級的數據分析和預測結果，輔助核心網完成 QoS 參數制定、移動性管理等功能。此功能主要是面向核心網的優化。由于無法獲得實時的無線網信息且核心網集中在較高的部署位置，無法實現對無線側的策略控制優化。3GPP 在管理面中定義了 MDAF (Management Data Analytics Function) 功能3，此功能基于

12、網管數據進行分析預測，主要面向網絡“規建維優”等場景展開優化，如實現站點級別的參數配置優化及切片管理等。由于網管數據的實時性差，因此對無線網絡管控粒度較粗。無線接入網中需要引入實時數據分析功能以支持無線側 UE 級、業務級、QoS級和切片級的精細管控優化，與核心網和管理面形成互補，面向業務提供無線智慧服務能力。目前，3GPP RAN3 在無線大數據采集增強方面完成了立項4 ，將對無線側引入數據分析和 AI 能力的數據采集增強和功能框架開展研究。產業研發趨勢無線移動通信產業已經在無線智慧服務方面開展了諸多的研究、探索和驗證。無線網絡智慧服務能力正在從盡力而為的服務向著面向 To B 業務的確定性

13、保障服務轉變，以實現“網隨業動、業隨網動”的業務 SLA 保障與優化。運營商、設備商已開展無線切片保障和業務質量體驗優化相關的無線網絡智慧服務能力探索。2020 年在廣東聯合南方電網完成基于 PRB 硬切片和分級業務保障調度的 5G+智能電網方案驗證，實現低時延高可靠業務的確定性保障。2019年在上海 5G 外場完成基于QoE 預測和無線帶寬預測的云VR 用戶體驗保障方案的測試，結果顯示通過 AI 對 UE 網絡狀況進行預測以及對業務質量進行評估，提前調整業務帶寬，能夠使業務及時適應網絡狀態變化，保證業務質量。在浙江嘉興完成基于空口帶寬預測的 TCP 窗口優化現網測試，測試結果顯示開啟 TCP

14、優化后，用戶平均速率增益可達 62%-107%。此外，OTT 廠商，如咪咕、阿里、騰訊等目前也都正在積極開展基于無線側信息開放的業務和網絡聯合優化的研究。面向 To B 場景的確定性時延、速率、可靠性等無線服務能力需求，需進一步結合垂直行業的特點深入研究，基于云網融合，形成統一的無線智慧服務體系架構和解決方案。無線智慧服務架構總體架構圖 2. 無線智慧服務總體架構無線智慧服務架構如圖 2 所示，無線智能控制平臺和無線智能管理平臺可面向行業客戶需求提供切片級、用戶級和業務級的無線能力定制和無線信息開放服務。面向 To B 場景，無線智能控制平臺主要目標是使能本地場景下的用戶級/業務級的實時網絡業

15、務協同優化，通過實時業務體驗預測和智能無線資源管理等方案，實時保障用戶業務體驗。無線智能管理平臺將配合無線智能控制平臺，提供輔助的切片級、業務類/用戶類的靜態業務需求和業務特征信息。同時，基于靜態業務需求和特征，指導無線網絡規劃、靜態的小區級無線參數配置（如幀結構配置、預調度開關設置、可靠性相關的 MCS 表格配置等）并進行資源評估，得出靜態/半靜態的整體網絡資源、切片資源需求規劃建議和初步的保障能力評估。無線智能管理平臺的靜態/半靜態參數和資源規劃方案將為To B 場景下的差異化和確定性的需求提供基礎的能力保障，無線智能控制平臺作為無線網絡與業務的協同錨點，將進一步通過實時的無線網絡數據和動

16、態業務特征感知和分析，最終實現動態實時的確定性業務保障。面向 To C 場景，基于無線智能控制平臺可提供跨基站間的無線資源協調優化能力、無線性能增強和面向切片及 QoS 機制的業務體驗優化。近期的無線智能服務能力開放的研發側重點聚焦在 To B 場景的研究，隨著技術的成熟逐步向 To C 場景演進。無線智能控制平臺是無線側的實時數據采集和智能分析中心，并向基站提供業務需求映射和策略控制能力。面向無線網絡差異化業務和網絡性能提升需求，無線智能控制平臺北向可接收用戶/業務實例的動態業務特征和無線需求，提供用戶級的無線能力定制服務和無線信息開放兩類服務。南向連通無線基站，通過統一定義的無線數據采集和

17、策略控制接口，使能近實時的無線信息采集上報和無線能力定制調用。無線能力定制：無線智能控制平臺可感知網絡業務/應用策略與業務特征和用戶行為信息，通過無線網絡智能策略控制，實現無線接入網定制服務，以滿足業務確定性的速率、可靠性、時延、丟包率等 SLA 保障；無線信息開放：提供用戶級無線可用帶寬、時延預測等增值無線信息，使能業務狀態監控和業務/應用服務本身優化。無線智能控制平臺支持開放 API 接口，連接基礎平臺功能和無線控制智能應用。基礎平臺功能為 AI 模型的搭載和應用提供了完整的過程支持和工具支持；無線智能應用可由運營商、設備商或第三方提供，根據實際業務需求定制和裁剪，提供智能化的無線功能和服

18、務增強。開放 API 接口為豐富無線智能應用生態提供了良好基礎。考慮不同應用場景、業務和用戶的差異化需求，無線智能應用的功能可按需定制，無線智能控制平臺的功能通過無線智能應用增加或減少實現靈活擴展和裁剪。無線智能應用基于無線智能控制平臺提供的無線數據和控制能力，提供特色化的無線定制功能，例如業務質量體驗保障等。無線智能管理平臺北向可連接 NSMF 切片管理及 CSMF 平臺，獲取切片級的無線 SLA 業務需求和特征。也可進一步拓展支持獲取用戶/業務類別的靜態無線 SLA 業務需求和業務特征信息，以支持無切片場景和更精細的靜態/半靜態的網絡參數和無線網絡資源規劃。此外，靜態特征信息也可通過輔助無

19、線智能控制平臺進行實時業務保障優化。在部署方案上，面向 To B 本地園區場景，無線智能控制平臺、無線智能管理平臺和本地 UPF 可共平臺部署，提供本地化無線極簡解決方案。無線智能管理平臺可支持對行業園區場景多個網元的統一管理，引入機器學習等智能化組件，使能自動化管理優化，并最終可通過策略意圖化接口向行業提供極簡的運維服務界面。白皮書提出的無線智慧服務架構在 3GPP 5G 網絡架構的基礎上，在下列特性上進一步增強：網絡業務協同：引入更精細的用戶類/業務類別的靜態和動態特征，促進網絡和業務的跨層協同優化，可基于相對確定性的業務特征，提升無線空口的確定性保障能力；實時數據分析：支持近實時無線數據

20、的定制化采集，可實時分析和預判業務質量及無線環境變化；基于智能算法向基站提供優化策略，實時保障用戶體驗，提升網絡資源效率；無線網絡即服務：無線智能控制和管理平臺基于服務化架構，可將無線側的業務保障能力、無線狀態信息預測能力、無線定位等能力通過服務形式對行業用戶開放；并支持面向行業差異化、定制化需求的第三方無線控制類應用和無線服務能力的靈活拓展；基于上述新型無線智慧服務架構，無線網絡將能夠充分運用網絡業務協同優化和數據分析、機器學習等技術帶來的潛力，提升數據驅動的無線網絡業務 SLA保障能力和智能化水平，為行業客戶提供確定性的無線智慧服務。核心功能無線智能控制平臺作為無線側的數據分析單元，基于北

21、向接口導入的業務需求和業務特征，以及從南向接口獲取的基站實時上報數據，可提供三層能力，分別是業務質量感知、無線質量分析及無線業務保障策略：業務質量感知：用于感知業務故障的發生，如業務 SLA、KQI/QoE 感知/預測；無線質量分析：用于分析故障產生原因，如鏈路質量分析/預測、用戶速率分析/預測、干擾分析/預測、小區負載分析/預測；無線業務保障策略：用于提供無線 SLA 保障和性能優化策略，如 QoS策略、資源分配、調度優先級優化、用戶連接優化。圖 3. 無線智能控制平臺核心功能關鍵技術定制化數據采集與控制傳統無線接入網絡的數據采集主要指面向網絡管理提供告警、配置和性能管理等數據，主要特點之一

22、是全網統一數據集。現網中兼顧對無線基站設備資源要求和數據傳輸帶寬，網管數據的時間顆粒度通常在分鐘及以上，并且以小區級性能參數為主。無線智能控制平臺則采用基于用例的數據訂閱方式，通過觸發條件和數據項兩個方面的信息向基站訂閱數據，數據顆粒度可為 100ms1S 級。無線智能控制平臺所支持的數據訂閱包括小區級和用戶級信息。定制化數據采集不僅能夠按需滿足用例更細時間顆粒度的數據獲取需求，而且能夠大幅度降低基站設備處理資源開銷和數據傳輸帶寬要求。以一個企業園區 1000 個用戶為例，以 1秒為測量周期持續全量數據采集 24 小時，將產生 770GB 的數據量。而僅采集指定用戶 1 小時特定網絡測量，僅須

23、 1.6MB 數據。無線智能控制平臺的基于用例的定制化數據采集可以以更加靈活和更低開銷的方式獲取無線資源數據，是按需開放無線能力，支持用戶無線空口差異化服務，實現網絡和業務協同優化的基礎。無線智能控制平臺的無線資源控制分為兩類：一類是預置條件（condition）和控制信息（action）的形式；另一類是只有控制信息。當無線智能控制平臺發送預置條件（condition）和控制信息（action）給基站時，基站根據內部信息判斷是否滿足預置條件，如果滿足則執行控制信息。這一類無線資源控制可為基站層 3 或層 2 的無線資源調度提供近實時的輔助信息，從而實現對無線帶寬和時延等性能指標的近實時優化。如

24、前所述，由于引入無線之外的增強信息和機器學習技術，所以無線智能控制平臺具有更全面的信息和更優化的算法。無線智能控制平臺直接發送控制信息給基站時，無線智能控制平臺已經根據接收到的數據自行判斷進行無線資源控制的時機，因此基站僅負責控制指令的執行即可。基礎數據分析服務能力無線智能控制平臺中的數據分析服務能力包括業務質量感知能力、鏈路質量預測能力、干擾檢測與定位能力、無線指紋能力等。業務質量感知能力對于業務數據的傳輸，不同的網絡傳輸狀態和無線空口質量，會對應終端用戶不同的業務體驗。基于業務數據和傳輸信道相關參數的分析，能夠較準確的預測用戶的業務體驗情況。數據需求數據類別數據名稱數據來源數據時間顆粒度業

25、務數據上下行無線網絡 IP 傳輸特性數據，如：數據包平均長度、數據包個數、網絡傳輸抖動基站秒級UE 數據空口信道數據，如 ACK、基站百毫秒級NACK、CQI、 MCS、BLER輸入數據：UE 級業務數據和無線網絡業務數據特征輸出數據：業務質量 SLA，(Key Qulity Indicator, KQI)客觀評價或評分值能力應用模型應用一：監控網絡中某類業務的業務質量情況，指導后續的網規或實時無線網絡優化；鏈路質量預測能力無線接入網絡的鏈路質量預測可包含對用戶速率、頻譜效率和時延等特性的預測。基于無線網絡歷史和實時數據，可使用機器學習技術動態預測無線接入網絡鏈路的質量，構建無線網絡性能視圖，

26、揭示業務隨時間推移的無線網絡性能表現，并優化應用級行為以及無線網絡行為。數據需求數據類別數據名稱數據來源數據時間顆粒度UE 級RSRP、RSRQ、 SINR、CQI、MCS基站百毫秒/秒級小區級PRB 利用率基站10 秒級輸入數據：上述表格中數據輸出數據：隨時間推移的無線鏈路質量，包括速率、時延、頻譜效率等。能力應用模型應用一：輔助視頻流傳輸的業務層優化基于無線智能控制平臺提供的鏈路質量預測服務，用戶端視頻流傳輸緩沖區內緩存的數據量可以根據鏈路質量動態做出調整。例如當預測可能出現覆蓋質量變差的情況時，可以提前緩存足量視頻數據以避免視頻卡頓，保障用戶良好的業務體驗。另外，還可將鏈路質量預測與內容

27、分發網絡優化相結合，將所需內容預先緩存到距離用戶預期消費點更近的邊緣計算節點。應用二：實時無線質量預警移動運營商和 OTT 實時業務服務提供商可利用無線智能控制平臺提供的無線鏈路質量預測服務進行無線質量預警，例如，語音或者視頻連接將在何時斷開以及重新連接需要多長時間。應用三：多載波聯合調度通過對用戶頻譜效率的預測，可以輔助基站結合待調度的用戶數和可用帶寬進行用戶的智能載波選擇，優化用戶服務體驗。干擾檢測定位能力無線干擾檢測與干擾源定位是基于無線空口信號特征進行干擾檢測，同時實現干擾源的定位，便于網絡側進行干擾優化，提高網絡通信質量。數據需求數據類別數據名稱數據來源數據時間顆粒度工參站點名稱、類

28、型、經緯度、鄰區列表網管非實時動態數據，一次采集即可UE 級服務小區及鄰區RSRP、RSRQMR 數據百毫秒/秒級ACK、NACK基站百毫秒級CQI、MCS基站百毫秒級BLER基站百毫秒級小區級PRB 利用率基站秒級輸入數據：上表中 UE 級數據及小區級數據；輸出數據：干擾強度指示、干擾源指示能力應用模型應用一：干擾規避根據給 UE 發送信息的 PRB 資源以及 UE 上報的 MR 信息，檢測 UE 受到干擾的子頻帶范圍，選擇沒有受到干擾或干擾較小的子頻帶進行 UE 數據傳輸。輸入為 UE 上報 MR 信息，干擾檢測模塊的結果。輸出為未受到干擾（干擾較小）的子頻帶。圖 4. 干擾源頻點規避示意

29、圖應用二：干擾協調服務小區檢測到干擾強度大于閾值時，通知施擾基站進行功率調整，包括降低施擾基站發射功率，以縮小小區的覆蓋范圍，在降低小區基站的發射功率的過程中離開該小區基站的覆蓋范圍的用戶被切換至其他小區。無線指紋能力無線網絡按照無線信號強度進行邏輯柵格劃分，每個邏輯柵格包括兩部分內容：柵格索引和柵格屬性，分別用于定位某個柵格及記錄此柵格的無線特性，如異頻鄰區平均信號強度、切換次數、切換成功率等，進而能夠給位于此柵格的 UE 提供行為指導，可以達到網絡精細化控制，提升用戶體驗的目的。數據需求數據類別數據名稱數據來源數據時間顆粒度MR 數據同頻和異頻RSRP/RSRQ/SINR基站百毫秒/秒級K

30、PI 數據切換成功率，切換次數網管15 分鐘級輸入數據：UE 服務小區及同頻鄰區 RSRP；輸出數據：UE 異頻鄰區 RSRP、UE 異頻鄰區切換成功率等。能力應用模型應用一：異頻測量流程優化5通常執行異頻切換時，UE 需要先執行異頻測量。異頻測量會造成 UE 和原服務小區業務短暫中斷。可以根據無線智能控制平臺提供的無線指紋信息，比如異頻鄰區 RSRP、切換成功率等，來判定是否可以進行異頻免測量盲切換，以避免異頻測量切換流程帶來的短時業務中斷。應用二：負載均衡目標 UE 選擇在執行移動負載均衡時，會挑選執行負荷均衡的目標 UE，如果盲目挑選，則部分 UE 由于不滿足切換條件而不會進行負荷遷移；

31、或者對于異頻鄰區需要下發多頻段異頻測量帶來 UE 業務的短暫中斷及較大的測量反饋時延。根據無線智能控制平臺提供的無線指紋信息來挑選合適的UE 執行負載均衡可以解決如上的問題。應用三：雙/多連接輔助節點選擇在 UE 進行 DC 連接時，運用無線指紋庫可以幫助 UE 定位所處柵格，并通過查詢柵格屬性，如鄰區信號強度等，輔助 UE 進行雙連接第二節點的選擇。無線能力微服務化源自 IT 領域的服務化架構將網絡功能對外抽象為可被靈活調用的服務，從而允許運營商根據業務需求對網絡進行靈活定制。在 3GPP 5G 標準中，服務化架構已成為網絡管理和核心網的基礎架構。面對高度差異化和不斷新增的業務需求，無線智能

32、控制平臺的微服務化架構為無線智能應用的按需定制、持續開發和快速部署提供了原生支持。在統一的服務框架下，首先是基站的底層技術機制，如雙連接、預調度、小區切換等，被從基站實現中解耦為不同的微服務，由無線智能控制平臺的基礎平臺功能向無線智能應用提供，從而屏蔽了異廠商設備的互操作性差異；在此基礎上，無線智能應用生成的無線能力同樣封裝為獨立的微服務，對其它無線智能應用或授權外部應用提供通用的微服務接口，屏蔽了內部算法實現，便于升級和維護；此外，服務管理框架對新能力的定義和引入提供了較好的可擴展性。此外，無線智能控制平臺的微服務化架構提供了開放 API 接口，允許網絡所有者復用通用的基礎平臺功能，定制和組

33、合無線智能應用，實現無線智能控制平臺功能的靈活擴展和裁剪。未來，借助開放 API 接口，無線智能應用還可由運營商、基站設備提供商之外的第三方提供，從而為豐富無線智能應用生態提供了必要基礎。開放 API 接口使用開發者友好和輕量化的接口定義，支持無線智能應用調用基礎平臺功能提供的服務，并支持無線智能應用間的相互調用。開放 API 接口應包括以下類別：管理類 API，負責服務發現和注冊，以及無線智能應用的配置、性能管理等；業務策略和增強信息類 API，允許無線智能應用接收無線智能管理平臺的策略和業務側的增強信息；無線數據采集和策略控制類 API，支持無線智能應用通過基礎平臺功能向基站獲取無線數據或

34、下發策略控制信息。典型用例基于無線智慧服務架構，本章重點闡述了三類典型用例，分別是基于業務感知的無線 SLA 保障、基于無線狀態預測的業務優化和基于無線狀態預測的無線網絡優化。基于業務感知的無線 SLA 保障基于業務體驗預測的視頻業務保障痛點問題隨著網絡運營思維從網絡思維到客戶思維的轉變，網絡運營商也逐漸由對網絡 KPI 轉向對業務 KQI 的考量。而在傳統的層級網絡模式下，業務開展于網絡之上，網絡側無法感知業務運行狀況，因此無法根據業務特征變化動態調整資源分配。在網絡資源受限的情況下，勢必會造成網絡資源的浪費以及用戶體驗的降低。另一方面，隨著高清視頻、VR、工業視覺、云游戲等高帶寬需求業務的

35、發展和推廣，智能應用對時延、網絡穩定性和傳輸帶寬的實時性保障要求越來越高。基于 3GPP 的 QoS 資源保障機制相對靜態，難以做到實時精確的無線資源調整。技術方案基于QoE/KQI 預測的用戶業務體驗優化包括QoE/KQI 預測和用戶業務體驗保障兩個部分。其中 QoE/KQI 預測的關鍵在于同時獲取業務側業務特征和無線側網絡特征，將網絡質量與業務需求相結合，通過基于 AI 的數據分析預測業務的運行狀況。用戶體驗保障模塊基于業務的運行狀況預測，實時調整無線側資源分配，保障業務的高質量運行，提升用戶體驗。以高清視頻的卡頓預測和業務體驗保障為例，從數據采集、卡頓預測和調度優化三個方面說明如下：數據

36、采集無線智能管理平臺從基站采集秒級或百毫秒級 RAN 側數據，包括 UE 信道狀態信息、協議棧狀態和小區級負載信息等；從業務側采集業務特征信息，包括視頻碼率或分片大小、分片時長等；為進行離線卡頓預測模型訓練，還需要采集業務側標簽數據，例如 QoE 評分、業務 KQI（視頻初緩、卡頓起止時間、卡頓占比）數據。視頻卡頓預測無線智能控制平臺基于實時數據采集，對數據進行用戶 ID 和時間上的關聯，并對數據進行清洗和預處理。然后利用 AI 算法（如 LSTM、決策樹等）對一段歷史時間窗口（如 10s）內的網絡狀況和業務特征進行學習，通過分析網絡層面和業務層面對業務質量的影響，給出秒級視頻業務的運行質量狀

37、況，如視頻是否卡頓，從而使網絡能夠從用戶體驗的角度實時預測業務質量。調度優化無線智能控制平臺上的調度優化模塊統計 VIP 用戶連續 10 秒內視頻卡頓時長，根據卡頓嚴重程度實時向基站提供DRB 控制和調度優化建議，提升視頻觀看流暢度。通過業務實時體驗預測，動態提升和降低 VIP 用戶的調度優先級，在降低 VIP 用戶卡頓率的同時可保證其他用戶的業務體驗。方案流程如下圖所示。圖 5. 基于 QoE/KQI 預測的業務體驗優化流程方案效果視頻卡頓預測：基于 RAN 側 UE 級別和 Cell 級別的數據，實現秒級的流媒體卡頓預測；通過不同模型，如 LR，SVM，LightGBM，LSTM，LSTM

38、+Attention模型的實驗發現，其中 LSTM 算法具有更好的性能，算法召回率可達到 90%。調度優化保障：從視頻播放來看可以明顯提升 VIP 視頻用戶的觀看流暢度；相比靜態提升用戶優先級而言，VIP 視頻用戶的優先級可以實時提升和降低，提升 VIP 用戶體驗的同時可以有效保證其他背景用戶的業務體驗。工業互聯網上行業務保障痛點問題在典型的 3C 制造工廠中，設備/單板的加工質量檢測是通過雙目工業相機拍照上傳至本地 PC 機，利用 PC 機的 GPU 圖像處理器結合 AI 算法來檢測效果，示意圖如下。圖 6. 3C 制造工廠檢測工序示意圖在實際產品加工過程發現本地檢測方案存在如下三個痛點問題

39、：本地 PC 檢測精度不高，存在較高的誤檢率和漏檢率，影響生產效率；這主要是本地 PC 的訓練樣本數限制和處理性能限制導致；而本地 PC的數量較多，如果部署高性能 PC、并采用大量樣本進行訓練會導致生產成本的極大提升；新產品導入時檢測程序訓練調優周期長；生產調整時，需要重新進行檢測程序的訓練和調優，而本地 PC 可獲取的樣本數量少，訓練與調優周期長，影響新產品導入的時間；本地 PC 串行處理時間長、效率低；由于圖片處理大小和速度的限制，工業相機需要先定位、然后拍照上傳、再由本地 PC 識別檢測，整體過程串行處理，處理時間長、效率低。為提高檢測精度和效率，主流趨勢是部署高性能邊緣服務器，將各個工

40、位拍攝的工業相機圖片統一傳輸到邊緣服務器，利用邊緣服務器的 GPU 硬件算力和海量樣本訓練來檢測，檢測后將結果反饋給本地；由于 3C 工廠經常存在產線調整、需要柔性化部署，有線方案不夠靈活，部署時間長、成本高，因此無線方案（5G）成了迫切需求；但工業相機拍攝的圖片文件大且存在較大波動、檢測的工序時間要求苛刻（秒級），對上行速率提出了較高要求；由于無線環境的動態變化，以及目前 5G 網絡的 QoS 資源保障機制相對靜態，難以做到實時精確的無線資源調整，無法充分保障檢測業務的穩定運行。技術方案檢測保障方案包括檢測業務信息獲取和上行業務體驗保障兩個部分。其中檢測業務信息獲取的關鍵在于同時獲取檢測的業

41、務特征和無線側網絡特征，將網絡質量與業務需求相結合，通過基于 AI 的數據分析預測業務的運行狀況。上行體驗保障模塊基于檢測業務的運行狀況預測，實時調整無線側資源分配，保障業務的高質量運行，提升用戶體驗。從檢測的業務特征獲取、無線側網絡特征獲取、業務體驗預測三個方面說明檢測業務信息獲取的技術方案：檢測的業務特征獲取從業務側采集業務特征信息，包括雙目工業相機拍攝照片大小、傳輸時間需求等；無線側網絡特征獲取從基站采集 RAN 側數據，包括 UE 信道狀態信息、協議棧狀態和小區級負載信息、小區級上下行吞吐率統計、UE 級上下行吞吐率統計等；基于 UE 信息上報，輔助獲取關鍵 UE 的信道狀態信息、協議

42、棧狀態信息和上下行吞吐率統計等；檢測業務體驗預測基于實時數據采集，對數據進行用戶 ID 和時間上的關聯，并對數據進行清洗和預處理。然后利用 AI 算法（如 LSTM、決策樹等）對一段歷史時間窗口（如 10s）內的網絡狀況和業務特征進行學習，通過分析網絡層面和業務層面對業務質量的影響，給出后續檢測效果的預測，從而使網絡能夠從用戶體驗的角度實時預測檢測業務質量。上行體驗保障策略的技術方案描述如下：上行體驗保障策略下發上行體驗保障模塊根據檢測業務體驗的實時預測結果動態下發控制策略，控制策略包括上下行調度優先級保證、上下行帶寬切片、切片匹配的無線保障策略等內容。技術方案整體流程如圖 7 所示。圖 7.

43、 工業檢測業務保障流程方案效果檢測業務信息獲取：基于 RAN 側 UE 級別和 Cell 級別的數據、輔助 UE 上報的 UE 級別的數據，實現檢測業務檢測效果的精準預測。無線網絡保障：從檢測效果看可以明顯提升該業務運行的穩定性；相比于靜態配置上行速率保障而言，技術方案可實時下發動態的控制策略，可以實時提升和降低優先級、增加或者減小上行保障速率，通過最適應網絡的控制策略來實現網絡整體容量和業務保障效果的均衡，也可同步提升其他背景用戶的業務體驗。工業互聯網下行業務保障痛點問題在典型的 3C 制造工廠中，設備硬件加工調測完成后，需要進行整機的移動化自動測試，在移動環境下動態下發各類版本程序并加載測

44、試，測試整機的軟件兼容性。現有的整機移動化程序加載測試方案采用 WiFi 連接，通過多個 WiFi AP 劃分信道實現通訊。根 AP 固定，葉子 AP 部署于移動的托盤上，根 AP 與葉子 AP之間采用 WiFi MESH 的模式組網，支持多臺受測設備并發進行程序加載測試。當前 WiFi 方案存在的如下兩個痛點問題：下行帶寬、速率不足：并發測試的設備數量較多、測試加載的版本較大，屬于典型的大下行高并發場景；實測發現 WiFi 在該場景下的下行帶寬大幅下降，無線 WiFi 傳輸成為瓶頸，嚴重影響測試效率；部署復雜、維護困難：產線現場部署了大量的WiFi AP 和 AC，配置與改動復雜，不同生產線

45、之間的信道劃分、干擾規避方案復雜，部署周期長，且 AP 斷電后重新組網的時間長。為提高整機移動化程序加載測試的效率，需要采用 5G 來實現多用戶大下行高并發的連接方案。每臺設備通過一臺 5G 終端（CPE 或者模組）接入 5G 網絡，在邊緣服務器上部署要加載測試的多個版本，通過 5G 基站向多臺 5G 終端下發加載測試命令和測試版本，5G 終端實時反饋下載進度、加載進度和測試結果；測試過程數據和結果可同步下發給本地另外一臺 CPE，用于監控顯示。由于測試版本的大小差異、測試時間的差異，下行速率需求并不是固定值；由于無線環境的動態變化，以及目前 5G 網絡的 QoS 資源保障機制相對靜態，難以做

46、到實時精確的無線資源調整，無法充分保障整機移動化程序加載測試業務的穩定運行。技術方案整機移動化程序加載測試保障方案包括程序加載測試信息獲取和下行業務體驗保障兩個部分。其中程序加載測試信息獲取的關鍵在于同時獲取程序加載測試的業務特征和無線側網絡特征，將網絡質量與業務需求相結合，通過基于 AI 的數據分析預測程序加載測試的運行狀況。下行體驗保障模塊基于業務的運行狀況預測，實時調整無線側資源分配，保障測試加載測試的高質量運行，提升用戶體驗。從程序加載測試的業務特征獲取、無線側網絡特征獲取、程序加載測試體驗預測三個方面說明整機移動化程序加載測試業務信息獲取的技術方案：程序加載測試的業務特征獲取從業務側

47、采集業務特征信息，包括加載測試版本大小、傳輸時間需求等；無線側網絡特征獲取從基站采集 RAN 側數據，包括 UE 信道狀態信息、協議棧狀態和小區級負載信息、小區級上下行吞吐率統計、UE 級上下行吞吐率統計等；基于 UE 信息上報，輔助獲取關鍵 UE 的信道狀態信息、協議棧狀態信息和上下行吞吐率統計等；程序加載測試業務體驗預測基于實時數據采集，對數據進行用戶 ID 和時間上的關聯，并對數據進行清洗和預處理。然后利用 AI 算法（如 LSTM、決策樹等）對一段歷史時間窗口（如 10s）內的網絡狀況和業務特征進行學習，通過分析網絡層面和業務層面對業務質量的影響，給出后續程序加載測試效果的預測，從而使

48、網絡能夠從用戶體驗的角度實時預測程序加載測試的業務質量。下行體驗保障策略的技術方案描述如下：下行體驗保障策略下發下行體驗保障模塊根據程序加載測試業務體驗的實時預測結果動態下發控制策略，控制策略包括上下行調度優先級保證、上下行帶寬切片、切片匹配的無線保障策略等。技術方案整體流程如下圖 8 所示。圖 8. 整機移動化程序加載測試業務體驗保障流程方案效果加載測試業務信息獲取：基于 RAN 側 UE 級別和 Cell 級別的數據、輔助 UE上報的 UE 級別的數據，實現程序加載測試業務檢測效果的精準預測。無線網絡優化保障：從程序加載測試效果來看可以明顯提升該業務運行的穩定性；相比于靜態配置下行速率保障

49、而言，技術方案可下發動態的控制策略，可以實時提升和降低優先級、增加或者減小下行速率保障，通過最適應網絡的控制策略來實現網絡整體容量和業務保障效果的均衡，也可同步提升其他背景用戶的業務體驗。工業互聯網業務可靠性保障痛點問題5G 垂直行業對可靠性有較高的需求。例如工業自動化，智能交通，智慧電網等場景需要滿足 1ms 時延內可靠性指標達到 10-5 至 10-6。3GPP Rel-16 標準面向工業互聯網場景引入 PDCP 復制等多鏈路傳輸技術提高可靠性。為了避免由于不必要的重復傳輸而造成的軟硬件和頻譜資源的浪費，需要依據業務特性和實際網絡環境靈活選擇所使用的相關技術。技術方案PDCP 復制最大支持

50、 4 個RLC 實體，通過使用 RRC 信令進行初始配置，MAC CE 進行動態控制。PDCP 復制技術應用于 DRB，為其承載的 QoS 流提供高可靠的復制傳輸。因此，可考慮增強 QoS 流到 DRB 的動態映射，以適配網絡變化與不同業務需求，提升無線資源利用效率。無線智能控制平臺通過北向獲取業務模型和動態業務特征，對業務發起時間、持續時長、業務 KQI 需求等業務特征進行感知。無線智能控制平臺通過南向接口連接無線基站，通過統一定義的接口獲取近實時的無線接入網鏈路質量測量報告，如頻譜資源利用率，終端能力等。通過引入 AI/ML 分析能力進行無線質量分析，對網絡負載和同頻干擾環境進行預估，從而

51、進行鏈路可靠性預測，為QoS 流映射、是否開啟 PDCP 復制技術、以及傳輸的 RLC 實體的動態選擇提供無線性能優化的保障策略，在網絡負載動態變化時為工業互聯網業務提供可靠性服務保障。方案效果本方案將主要應用于 5G 工業互聯網專網場景，基于工業園區業務數據與網絡側信息引入 AI/ML 對 QoS 流到 DRB 映射、PDCP 復制、RLC 實體動態選擇等 3GPP 工業互聯網 IIOT 關鍵技術特征進行智能決策，精準滿足業務可靠性需求，提高網絡資源利用效率。適配上下行業務模型的幀結構優化痛點問題5G 室內覆蓋場景下，需要幀結構能夠靈活變動。一方面，在如工業互聯網、智慧家庭/樓宇/場館等不同

52、典型場景和區域中，由于其承載的業務所需的時延需求不同，因此對上下行傳輸的時隙配比有不同的要求；另一方面，為了支持業務潮汐效應、自動巡檢/告警/遠程操控等突發業務處理以及設備熱插拔功能，對幀結構配置同樣提出了自適應靈活可變的需求。但是，采用不同幀結構配置會存在跨鏈路干擾（Cross Link Interference, CLI）以及不同運營商鄰載波泄漏問題。跨鏈路干擾即在原有 UL-2-UL 和 DL-2-DL 干擾的基礎上引入 UL-2-DL 和 DL-2-UL 干擾。根據 3GPP 已有結論，室內覆蓋場景在隔離較好的條件下采用靈活幀結構配置只需要重點考慮跨鏈路干擾問題。因此，室內覆蓋場景幀結

53、構配置需要在支持靈活幀結構配置以適應實際業務需求的同時，也能夠對于靈活幀結構配置引起的跨鏈路干擾問題進行干擾規避。技術方案無線智能控制平臺和無線智能管理平臺基于業務模型和從 MEC 服務器/工業控制業務平臺/家庭網關等導入的動態業務特征，對業務發起時間、持續時長、業務KQI 需求等業務特征進行感知和用戶行為預測從而生成特定小區/特定用戶/特定業務對上下行幀結構配置的基本需求。無線智能控制平臺通過南向接口連接無線基站，通過統一定義的接口獲取近實時的無線接入網鏈路質量測量報告等。通過引入AI/ML 分析能力進行多基站協作跨鏈路干擾預測和無線網絡質量分析，從而進行多小區無線傳輸業務質量預測，為小區級

54、/用戶級幀結構配置提供靈活的幀結構配置策略。方案效果本方案主要應用于室內典型場景，例如：家庭，工廠，樓宇，場館等。與 5G 現網采用固定的 2.5ms 雙周期不同，基于上述場景業務實際需求與傳輸數據量以及網絡側信息，引入 AI/ML 對小區級和用戶級幀結構配置進行智能決策，滿足特定小區/用戶/業務的低傳輸時延需求，同時通過多基站間協作降低跨鏈路干擾引起的系統性能下降，提高用戶的服務質量和網絡資源利用率。基于無線狀態預測的業務體驗優化基于空口感知的 TCP 優化痛點問題業務端一般不感知網絡狀態，不能適配波動的無線網絡環境，難以及時進行有效調控、充分利用無線網絡資源。以視頻業務為例，基于傳統 TC

55、P 協議傳輸的視頻業務就存在應用層業務速率和無線網絡傳輸能力不匹配的問題。因此不能充分滿足視頻、游戲等一些對時延、帶寬有高要求的業務體驗需求。技術方案為解決上述痛點問題，可通過無線網絡向第三方應用 TCP 服務器開放網絡能力信息，輔助 TCP 實時優化數據傳輸。方案的核心原理：在無線側利用底層空口鏈路的狀態信息，通過無線智能控制功能組件提供 RAN 感知能力，如鏈路質量預測能力，預測 TCP 數據流的無線可用帶寬，并以一定的周期將無線可用帶寬和基站端為各個數據流分配的剩余緩存空間信息提供給應用端，輔助應用端進行 TCP 窗口調整。端到端組網圖如下圖 9 所示。圖 9. 無線網絡與應用端協同的

56、TCP 優化組網圖方案效果方案在浙江現網進行了測試，用戶進行 FTP 下載業務，近點、中點和遠點在開啟 TCP 優化后的用戶速率的增益分別為 101.861%、47.91%和 1.35%。用戶進行 HTTP 網頁瀏覽測試，在近點、中點、遠點的用戶速率增益分別為 113.117%、 74.69%和 3.79%。TCP 優化功能證明，在復雜多變的無線網絡場景下，開放部分基站信息給應用服務器，應用服務器對無線信息進行實時響應并進行的 TCP 發送窗口優化，對 TCP 類業務的用戶速率和時延性能可以大幅度提升。基于鏈路質量預測的視頻緩存優化痛點問題在移動網絡中，由于鏈路質量狀況隨時變化，尤其在移動終端

57、位置不固定的情況下更是多變，移動網絡的性能改善對無線鏈路質量狀況的依賴性越來越高。目前的應用層服務往往忽略這種變化，或者被動適應。例如，動態圖像專家組 (Moving Picture Experts Group, MPEG) 基于 HTTP 的動態自適應流媒體 (MPEG-DASH) 和Apple 的HTTP live Streaming(HLS) 可針對不斷變化的網絡狀況進行視頻清晰度的自動調整，減少停頓或重新緩沖次數，然而這些都是應用層被動地根據無線網絡鏈路質量變化后的情況進行的應對方式。無線智能控制平臺提供的無線信息開放服務可以為業務提供無線網絡狀態預測以便讓業務側提前進行主動干預。技術

58、方案利用無線智能控制平臺的數據采集以及人工智能訓練的有效支撐，結合采集到的歷史和實時數據進行無線鏈路性能分析：歷史數據：在特定條件、日期、時間和地點情況下的鏈路性能。實時數據：包括對于實時流量狀態、異常事件、網絡負載、無線鏈路狀況、設備位置、設備運動和路線信息等信息。移動網絡鏈路質量的預測可達到一定的可信度和準確性，其預測結果可以開放給業務側甚至直接提供給第三方應用，以便為業務內容緩沖和后臺數據傳輸等服務行為提供指導依據，通過調度后臺流量，使其與鏈路質量的變化相適應。方案效果通過無線智能控制平臺在時間和空間上對無線鏈路質量進行預測，使能在時間或空間上轉移可容忍延遲的流量，從而提高整體網絡利用率

59、。圖 10 是基于鏈路質量預測技術 DASH 視頻流類業務的測評結果：圖 10. DASH 的視頻流類業務基于鏈路質量預測技術的測評結果通過對鏈路質量惡化進行提前預測，可以提前在用戶端預緩存視頻數據以讓視頻始終在既定清晰度上保持流暢播放，提高了網絡資源利用效率，也改善了業務服務質量。基于鏈路質量預測的視頻碼率優化痛點問題隨著移動互聯網的飛速發展，高清視頻、VR、工業視覺、云游戲等高帶寬需求業務的發展越來越成熟，市場競爭越來越注重終端用戶的業務體驗。這些應用對時延、網絡穩定性和傳輸帶寬的實時性保障要求越來越高，而在傳統的層級網絡模式下，業務無法感知無線網絡運行狀況，因此無法根據業務特征變化動態調

60、整視頻內容渲染和編碼方式。在網絡鏈路質量不穩定的情況下，勢必會造成用戶體驗的降低。技術方案基于鏈路質量預測的視頻業務體驗保障主要分為兩部分：鏈路質量預測和基于鏈路質量預測的視頻業務內容的渲染和編碼的動態調整。其中鏈路質量預測需要通過實時數據采集接口從無線側獲取基站實時的運行參數，包括小區負載參數、每 UE 的空口物理信道質量相關參數，不同優先級業務負載情況等，然后運用機器學習模型計算出下一時段（100ms 或者 1s）目標 UE 的無線鏈路質量（包含傳輸能力）；業務服務器通過無線能力開放接口實時獲取到鏈路質量變化信息，據此判斷當前的渲染、編碼方式是否需要調整以保障業務體驗。方案效果使用此方案后