3.5.2  资源有序编排

 

为了实现物理世界与虚拟世界融合的6G业务，6G网络需要应对多层次信息高维度资源控制的重要挑战。传统人—机—物以及与人的感官、情感、行为相近的“灵”，构成可全面感知世界的 6G网络通信对象，其高维度信息空间和差异化资源需要实现精准控制。例如，触觉网络中“灵”参与多维度传感器与用户身体的交互，需通过多模态数据的全面感知和精准控制，才能使用户的手、眼、耳、鼻等感官同时协调参与反馈。每个维度的信息量与传输性能不同，不同类型信息的精准同步，需要网络支持严格时延和极高可靠性要求的精准传输。与此同时，为支持“灵”作为跨接物理空间与人类意图的通信对象，传输节点组织、承载控制、交互管理等网络能力亟待增强，以支持人—机—物—灵的动态协作需求。因此，6G网络在人—机—物—灵有序接入的基础上，需引入知识定义网络，提供高于人类经验的差异化精准有序的资源编排与控制。

知识是人类从各个途径中获得的经验提升总结与凝练的系统认识，是在实践中认识客观世界的成果，包括事实、信息的描述以及在实践中获得的技能。随着网络、集群系统以及业务数据的大规模增长，作为复杂系统的6G网络，难以直接依赖于人类的经验见解和对规律的认知，由人工提取网络相关知识以完成系统的建模、求解和实施等过程，必须借助于自动化、智能化途径来完成。将在 6G网络中引入一个“知识平面”来完成这一过程，即以互相连接、共享意识的“灵”来构建知识平面，提供有序数据传输和在线学习更新，以代替传统数据中心和大型数据集的学习模式，从而实现连通分散的、碎片化的计算和存储等资源，构筑信息社会基础设施，并向各相关产业提供网络、计算及存储等传统服务以及其他更多具有应用价值的服务。

如何针对复杂不确定的网络环境，设计以“灵”构筑的知识平面是6G网络的重要挑战之一。设想包括：通过持续自主学习方式，从人工经验数据中提取组网与管控规律，抽象为通用知识；基于新型网络架构与控制策略，实现以知识定义连接、以知识定义协议、以知识优化策略的闭环，作用于网络的不同层级与不同功能，建立可表达、可计算、可调控的自驱动网络功能，通过知识平面实现资源精准控制与个性化需求。如图3-12所示，6G网络通过全局知识与个性化知识，实现泛在资源的有序编排，支持人—机—物—灵的大规模协同应用。

知识定义网络的难点在于对不可观测的网络状态进行分析，克服网络数据难以获取、数据复用性差等问题。因此设计知识平面，需要使互联的“灵”可从多模态数据中获取可复用的知识，再通过网络管控和与智能应用相关的知识生成与知识更新，利用多任务学习、终身学习、跨领域协同学习和多模态表示学习等，实现网络资源有序编排。

 

 

 

图 3-12通过知识平面实现资源精准控制与个性化需求

 

以网络资源调度为例，可定义3个层次的知识：网络状态知识，包括网络拓扑、链路时延、网络带宽和网络流量特征等；业务状态知识，包括业务需求、业务质量、业务体验等；实践技能知识，包括流量调度策略、资源分配方法、路径选择算法等。通过知识平面的生成式对抗网络（GenerativeAdversarialNetwork，GAN）自主学习网络状态知识和业务状态知识，从而为每个用户提供相应的路由策略。基于 GAN拓扑知识学习的路由性能如图 3-13所示，与传统方法相比，知识定义网络可快速适应网络拓扑和流量变化，为数据包选择最佳路径。

图 3-13基于 GAN拓扑知识学习的路由性能

以Mininet搭建数据平面，部署于IntelXeonE5-2407v2@2.40GHzCPU、24 GBDDR3RAM内存的服务器上。知识平面的 SDN控制器和深度强化学习模型部署于8核 Inteli7-9700K@3.60GHzCPU、64GBDDR4RAM内存的服务器上。基于 GAN的迁移学习路由在新环境中的收敛速度相对于 ACKTR（ActorCriticwithKroneck-er-FactoredTrustRegion）和 A2C（AdvantageActor-Critic）分别提高了 8.08倍和 9.25倍。算法收敛后数据包平均时延如下：ACKTR约为 29.06ms，A2C约为 40.06ms，原始的迁移学习算法约为 39.64ms，基于 GAN的迁移学习约为 27.83ms^[1]。

 

3.5.2     架构有序演进

 

5G网络支撑面向垂直行业的通信与协同计算，此时人—机—物仍是作为静态的通信对象，网络架构仍有边界确定性问题，可通过网络切片等技术构建不同类型的逻辑网络以满足需求。6G网络中，具有高移动性和多样性的“灵”动态遍布于多层多域的网络设备中，呈现出复杂性，形成了边界不确定性问题。为此，6G网络需通过泛在的有序接入、资源的有序编排和动态包容的网络体系架构，实现网络灵活自主聚合、自适应地满足复杂多样的场景及业务需求。

网络通过动态架构的有序演进，实现耗散过程的运行态优化，使其具有复杂系统的自调节和自演进属性。以人和灵为主体的交互行为可通过自协同和连续一致的控制策略，形成网络节点组织与信息流的有序性，进而使网络演进可规划、可预期。6G网络连接的自组织性源于人—机—物—灵的功能、空间和时间等有序性的构建和配置，多维度信息流的解析优化，人—机—物—灵的协同优化，以及网络节点结构的重构优化。

6G智能化通信与控制的全网渗透，可在网络各层节点提供面向业务的学习与推理，实现网络架构的有序演进。网络共享生态系统如图3-14所示，网络结构从集中式、分布式、自组织、逐渐演进至多层次去中心结构。利用“灵”接入与组网的动态性，根据应用与环境生成不同网络群体。通过将网络设计理论与机器学习方法有机结合，研究开放、动态环境下大规模节点的组织结构、行为模式和角色功能，对网络中多样化群体协作行为进行建模，探索个体贡献汇聚成群体行为的机理和演化规律，突破面向全局目标的智能演进方法。

 

 

 

 

图 3-14网络共享生态系统

 

打破现有大规模深度学习依赖于高性能云数据中心的局限，利用遍布全球的网络节点并行学习和训练，设计拥有自学习能力的网络基础设施，实现全网的推理和演化。通过设计支持分布式训练的新型网络控制器，实现联盟学习、节点分组、资源调度等功能，使网络具备自驱动能力。边缘计算节点分布式训练的性能提升如图 3-15所示，在多个 100Mbit/s无线带宽网络边缘节点中，采用通用梯度稀疏方法，分布式训练经典卷积神经网络，可明显提升加速比。

图 3-15边缘计算节点分布式训练的性能提升

仿真实验比较 1～64个分布式训练节点，带宽为 10Mbit/s，分布式训练 AlexNet网络的加速比。通用梯度稀疏（GGS）方法与深度梯度压缩（DGC）方法，在分布式节点为 64时，与基线方法相比，可以实现近 46倍的加速比^[1]。

 

|参考文献 |

 

[1]张平, 张建华, 戚琦, 等. Ubiquitous-X：构建未来 6G网络[J]. 中国科学: 信息科学,2020(6).

[2]张平, 牛凯, 田辉, 等. 6G移动通信技术展望[J]. 通信学报, 2019, 40(1): 141-148.

[3]    HARARIYN. Abriefhistory oftomorrow[M]. 林俊宏, 译. 北京: 中信出版集团, 2020.

[4]    GSMAIntelligence.Globalmobile trendswhat’s driving the mobile industry?[Z]. 2018.

[5]     *工业和信息化部. 2019年上半年通信业经济运行情况[Z]. 2019.

[6]     IEC.Communicationnetworksandsystemsforpowerutilityautomation-part90-12:wideareanetwork engineering guidelines:TR61850-90-12[S]. 2015.

[7]     FG-NET-2030.Network2030-ablueprintoftechnology,applicationsandmarketdriverstowardstheyear2030 andbeyond[R].2020.