目 錄5G網絡AI應用簡介 1發展背景 1技術挑戰 1技術原理 2發展規劃 55G網絡AI應用高價值場景及解決方案 6無線網絡AI應用 6無線網絡AI應用技術架構 6基于業務的體驗升級場景 7智能網絡優化場景 11智能網絡節能場景 20核心網智能控制面AI應用 22核心網智能控制面AI應用技術架構 22基于業務的體驗升級場景 235G+AI用戶畫像場景 24基于客戶及特定場景的資源保障場景 265G網絡AI技術演進愿景 27無線網絡AI技術演進 28核心網智能控制面AI演進 29終端及芯片AI技術演進 31總結與展望 33縮略語列表 35參考文獻 36參編單位及人員 395GAI發展背景3D、XR精準定位等的新質要求，運營商對用戶業務質量的多樣性保障提出了更高的期望。與此同時，AIAI5G+AIAI為中心，實現業務、體驗和網絡規建維優的全面升級。91%的運營商計劃將網絡智能化納入其戰略并持續投資，5G+AI2024運營商也展示了他們在移動網絡智能化方面的實踐，如德國電信DeutscheTelekomOrangeAIAI網絡性能。與此同時，作為技術領航者的國內外標準或行業組織，如3GPP(3rdGenerationPartnershipProject,第三代合作伙伴計劃)、GTI（GlobalTD-LTEInitiative，TD-LTE）、TMForum(TeleManagementForum，電信管理論壇)、ETSI（EuropeanTelecommunicationsStandardsInstitute，歐洲電信標準化協會）、CCSA(ChinaCommunicationsStandardsAssociation，中AI技術挑戰5G5G-A出新的技術挑戰：1、信道模型更加復雜。在網絡覆蓋到工業封閉園區、低空等特殊場景后，度提升；2、數據處理更龐雜。除了傳統的通信性能指標、基站及核心網數據等，還151加；34GSLA大。4、跨域融合要求高。從傳統通信方案只關注單域能力，伴隨網絡演進水平等因素與通信能力的匹配。AIAI據分析方面，AIAI學習和處理。技術原理通過分析網絡場景化的問題，將網絡問題轉為數學問題，并有針對性的引入AI技術，典型應用場景技術原理及價值如下：1、基于業務的體驗升級無線側將AI的進一步提升。圖1.3-1基于業務的體驗升級NWDAF（網絡數據分析功能）的核心網網絡智能化架策略控制功能用戶/業務的按需體驗，實現體驗升格。2、智能網絡優化AIAI圖1.3-2智能網絡優化3、智能網絡節能AI（VoNRAI（如帶寬、RB），防止節能措施引發的資AIAI4、5G+AI

圖1.3-3智能網絡節能利用AIAINWDAF（網絡數據分析功能AI的安全預警和風險防護方案，保障用戶安全。5、基于客戶及特定場景的資源保障AIAIAI后章節會針對以上典型應用場景，關鍵技術及價值進行詳細闡述。發展規劃AIAIforNetworkNetworkforAIAIforNetworkAINetworkforAIAIAIAI20242026AIforNetworkAIAI5G+AI20252024AIAIAI20252025NetworkforAIAIAIAI此外,3GPPAIR18AI/MLAICSI5GAI無線網AI應用AIAIAIAIOMC（OperationandMaintenanceAI圖2.1.1無線AI應用技術架構AI典型應用場景：AIAI兩級BBU架構：網絡智能化技術對基站算力提出了新的挑戰，需要基站為AI模型提供計算能力、存儲能力等。通過在基站內部署新增算力，如新增智能融合板的方式，構建兩級BBU部署架構，為無線網絡AI應用提供硬件能力。AI此類數據及能力與傳統的無線性能數據區別較大，屬于AI特有數據?；贠penAPIAI基于業務的體驗升級場景一、智能業務感知AI1、特征自動提?。荷疃葘W習能夠自動從原始數據中提取特征，而無需依賴型，系統可以從流量數據自動提取有效特征，提高感知的準確性和效率。2AI入位置的關注點，實現對全局信息的綜合分析。3、遷移學習：遷移學習通過將預訓練模型應用于新的任務和數據集，可以AI少了對大規模標注數據的依賴。4、在線監督：在線學習系統通過實時反饋機制，對模型的分類效果進行即續學習和改進，逐步提高業務體驗感知準確性。圖2.1.2-1業務特征庫的學習架構95%以上。圖2.1.2-2智能業務體驗感知技術流程智能業務體驗感知對于現代網絡管理具有重要價值，主要體現在以下幾個方面：12、保障網絡安全。通過業務體驗感知，可以快速檢測異常流量和潛在的安穩定性和可靠性。3、精細化業務和無線性能結合。智能業務體驗感知為運營商提供了更為詳發新業務、優化現有服務和提高市場競爭力。二、智能業務保障5G技術的推廣和應用，使得網絡不僅要滿足更大的數據傳輸需求，還要滿足不同行業和消費者對于服務質量（QoS）和服務可靠性（QoE）5GAI+KPIKQI監控及優化的智能解決方案，通過對網絡KPI/KQI用戶的業務體驗感知。精準業務保障方案通過預測技術和保障策略的結合，形成一套閉環體系：1、精準業務保障預測技術智能服務層基于物理網絡層的算力資源和數據資源，進行算力的建模和編排，最終將算力、數據和算法以服務的形式向場景應用層開放。內生智能的模型訓練和推理。署。AIAI（AIasaservice,AIaaS）的形式向運營商開放，賦能場景應用AIAI2

圖2.1.2-3預測模型層級關系的保障速率從而實現對業務的精準保障。為了確保無線網絡能夠提供優質的用戶體驗，根據不同業務特點，需要提出一套評估用戶感知的體驗指標體系。業務速率。圖2.1.2-4精準業務保障方案2.1.2-4AIAIAI調度優先級和調度配置參數，提升保障用戶體驗。智能網絡優化場景一、智慧重保診斷1基于專家經驗固化的預案，效果不存在不確定性，費時費力。2TOP4560降低問題影響的訴求。AIAI合診斷技術準實時定界定因，以及方案智能生成：圖2.1.3-1智慧重保調節業務架構1、大話務風險仿真預測技術：基于現網數據、歷史數據和實驗室數據相結特征、話務變化特征。提取業務模型、時序變化、指標預測等共性特征。圖2.1.3-2“基礎+增量”分層框架2KPIKPIKPIKPI圖2.1.3-3網絡異常的診斷結果智慧重保診斷可以精準預測網絡風險和敏捷診斷故障，具有極高的應用價值：面向保障前，絡潛在問題，實現網絡加固。面向保障中，1故障，5二、深度譜效提升XR10E2E從無線網絡的頻譜來看，頻段越來越多，頻段之間的差異也越來越大，從Sub-1GAI1、多頻場景的智能化協同技術圖2.1.3-4智能化虛擬柵格RSRP體驗需求的同時，使得網絡的整體譜效、能效最大化。2、多波束場景智能化協同技術MIMO3~510MIMOMIMOMIMO終端分布、業務特征、鏈路質量、干擾相關性等。MU力也有較高的要求。基于硬件能力的準備度，MU圖2.1.3-5多用戶MIMO調度尋優利用多頻、多波束、多站場景的AI協同技術，有以下價值：優體驗。MIMO35三、智能空分配對MU-MIMO（Multi-UserMultiple-InputMultiple-Output）用空間資源，將多個終端的數據在相同頻段收發，提升小區流量。MU-MIMOMU-MIMOMU-MIMOMCSAIMU-MIMO的空分用戶傾斜。MU功能啟動用戶空間特征用戶間干擾度量MU模型初始化流間干擾折算用戶圖像采集預處理MU跟蹤折算模型訓練及修正模型推理模型訓練模塊 模型推理模塊圖2.1.3-6智能MU-MIMO模型MCS（ModulationandCodingScheme，調制與編碼策略）MU-MIMOMCSCQI(ChannelQualityIndicationRI（rankindication，秩指示），空分配對的干擾度量信息，基于信道特AIMUMCSMCSMU-MIMOMCSMCS達到最佳頻譜效率。四、移動性AI增強在現代移動通信網絡中，多頻協同部署日益普及，通常情況下，為了保證最優的性能與體驗，終端會在不同的頻率之間進行切換，以獲得最佳的駐留頻率。延長；終端吞吐量的下降,也可能導致切換過晚，最終引起掉話。AI蓋，并結合源/AI戶的最佳體驗。AI/MLAI覆蓋場景下的駐留時長。圖2.1.3-7頻率覆蓋預測AIAI式相比，實驗測試數據顯示切換所需時間縮短60%，提升用戶的下行速率。五、極致告警壓縮5G、物聯網等新興技術驅動下，海量數據對突發、重大事件的高度敏感性，是技術落地的關鍵難題。AI利用時空數據分析方法揭示告警的時空分布特征、傳播規律及潛在的區域性故圖2.1.3-8基于AI故障模式挖掘與故障識別AI六、小區性能監控小區性能監控是保障用戶體驗、優化網絡布局和提高運營效率的關鍵環節。導致關鍵信息的遺漏，從而無法精準有效地實現網絡的管理和調整。AIAI顯著成果：1、日常網絡優化AI置等進行精細化調整，從而顯著提升網絡的整體性能。90%以上的的時間。2、網絡故障的迅速定位與快速排障異常檢測算法能夠實時監控并分析海量網絡數據，一旦發現異常指標或潛在故AI50%以上的定位時間。3、重大節日、會議、賽事保障確保了網絡在關鍵時期的穩定性和安全性。AI在小區性能監控中的關鍵技術主要可以分為以下幾個方面：1、通過自動采集網絡中的小區性能監控數據，為后續的分析和優化提供基AIAI潛在問題。3、AI控數據的分析，結合其它數據源，AIAIAI為用戶帶來更加優質、高效的通信體驗。七、干擾識別定位良影響的干擾類別，難以通過人工分析檢測出來。AIAI分析效率得到了大幅提升。干擾智能分析的關鍵技術包括兩個部分：離線訓練模塊和在線應用模塊。AI最近鄰分類算法1、按相同干擾源對小區進行分組，結合小區位置特征使用三點定位法初步形成對干擾源的定位。2、使用改進的最大連通子圖法來改善干擾聚類。按位置形成相同干擾源的小區列表。3（站定位或多站定位）鎖定干擾源。圖2.1.3-9智能干擾類型識別及干擾源定位流程圖5G網絡智能干擾分析和定位的功能價值主要在于：及時、準確和全面的干擾識別為提升網絡性能和用戶體驗提供了幫助；（區分內部干擾和外部干擾和定位的效率；站/多站定位等方法，較為準確地完成干擾源定位。最終以地理拓撲和圖形化方式直觀展示干擾位置，大大節約了干擾定位工作的人力成本。智能網絡節能場景7%AIKPI基站能源互聯，它是通過數字化技術實現基站能源生產、傳輸、儲存和消費之間的高效連接和協同運行的系統。該系統通過采用物聯網、大數據、AI等技AI/ML的高效利用。基站能源互聯通過匹配無線設備的網管和MRAI/ML24智能化節能。RLCPRBRRC46（GradientBoostingAlgorithm，GBA），預測網絡指標趨勢。該算法可以使用歷史目標值和時間戳數據擬合模型，也可以將可能影響目標值的外部數據（變量）包括在（變量（或其他與能耗相關的外部因素。期間的零投訴。圖2.1.4-1傳統節能VS.AI/ML節能增強AI5%左右能夠進入節能的基37%因定時關閉站點造成的用戶業務感知下降：1、根據網絡的運行特征及各種應用場景，調整主設備的運行狀態，在對用戶體驗無感知的前提下，最大程度調節主設備功耗，降低閑時的能耗。2BBUAIBBU、跨系統的協同節能。AI應用AI核心網作為業務連接中心，是業務使能的關鍵。為推進核心網智能化演進，3GPP網絡數據分析功能3GPP，NWDAF為智能業務體驗感知與保障提供了新思路。圖2.2.1-1核心網AI應用技術架構核心網AI應用技術架構包括三個方面：1QoSAI。2、智能聯合控制與決策：AIAIAI略智能推薦。3KPI/KQI網絡負載狀態（）、用戶移動數據，基于網絡的能力開放架構，基于業務的體驗升級場景一、業務感知5G5G4K/8K云游戲、云手機、XRNWDAFUPF（NWDAF）NWDAF（獨立運營支撐系統的“AI+”能力升級和相互協同，實現面向指定用戶/業務/實時、定制化、智能業務感知分析及反饋，這表現在：1、業務智能感知：DPIUPFUPF務形態關鍵信息，為每類/略提供重要信息。2、用戶的業務體驗感知及反饋：傳統網絡下發或執行體驗保障策略后，因UPF-NWDAF-NWDAFUPF二、體驗升級5G網絡資源，無法實現客戶的極致體驗需求。NWDAFAI實現面向特定用戶、特定業務、特定場景的定制化業務體驗升級?；贜WDAF的體驗升級關鍵技術包括：1、定制化數據采集：根據簽約要求，定制化實時采集指定用戶/業務/位置區域/接入類型的體驗數據、定制化采集業務開通區域的網絡狀態數據，實現面向業務體驗保障相關數據的精準實時感知、分析、預判。2（體驗不好PCF按需分配。3、智能控制閉環：NWDAFPCF，PCF中心，進一步決策生成策略控制規則，建立專載保障。NWDAFAI自優化，可有效提升特定用戶/業務的按需體驗，實現體驗升格。圖2.2.2-1核心網智能控制面、用戶體驗可保障、感知升格示例5G+AI一、個性服務推薦5GAI解決這些問題的關鍵。在個性服務推薦場景中，網絡實時獲取用戶的位置信息、業務流量等數據,NWDAFAI用戶，網絡可以優先分配帶寬資源，確保其觀看體驗的流暢性。精準度和用戶滿意度。效率；通過個性化服務，提高用戶對網絡服務的依賴和滿意度。二、用戶行為預測5GAI安全。NWDAFAI這些異常行為。AINWDAFPRBAI通過對用戶投訴和反饋數據的分析，AI用戶行為預測的優勢在于通過對網絡資源的精準配置，提升網絡運營效率，此外，通過行為預測識別潛在的安全風險，提前采取措施，保障網絡安全。圖2.2.3-25G+AI用戶畫像場景示例基于客戶及特定場景的資源保障場景一、固定場景保障在高鐵、景區等固定場景下，當前網絡面臨的主要問題包括用戶流量集中、AIAIAI，AI運營商可以提前做好網絡資源的準備和調整，避免突發流量高峰導致的網絡擁堵。AIAIAI景區，當某個區域游客突然增多導致網絡擁堵時，AI5GAI營商帶來更高的商業價值。二、靈活場景保障AIAIAI大型體育賽事或演唱會期間，AIAIAIAIAI期間，當比賽進入高潮時，觀眾的網絡使用量會急劇增加，AI下的網絡服務質量。資源浪費。服務的可靠性。5GAI20245G-A已經從愿景走向現實，商用元年正式開啟。面向未來，標準5G-A5G-A3DXR、通感一體、低空通信、高精3GPPAIAIAI5G-AAIAIAIAIAIAIAI協同實現網絡問題的端到端解決。無線網絡AI技術演進一、無線新技術智能化演進5G-AAI5G-A5G-A量虛警產生。圖3.1-1通感一體識別示意圖AIAI（牌等），提升檢測率；通過微多普勒特征提取+AI2、意圖驅動的節能技術AI略。圖3.1-2意圖驅動的節能示意圖AI力凈零碳目標達成。AI演進一、網元平臺化能力構建AI智能、靈活的平臺，以支撐智能化技術與網絡的深度融合和在網絡的高效應用。AIAIAIAIAIAI為解決上述問題，需實現核心網智能網元平臺化三項能力構建。1AIAIAIAI低管理運營成本；2AI針對性開發多套代碼并進行多次集成、測試、優化工作；3、從通用算力到異構智能算力：通過平臺化設計，打破當前核心網算力以CPUAI二、智能控制面數字孿生中，數字孿生技術可通過網絡仿真模擬促進網絡服務的持續優化，例如：1、面向業務體驗的數字孿生應用：NWDAFAIQoS網絡操作，循環迭代測試和評估，不斷優化策略。2、面向信令風暴的數字孿生應用：信令風暴是網絡故障或重大事件中短時間內大量信令請求導致的過載問題。數字孿生-信令風暴仿真架構通過構建網絡DC加流控閾值調整操作的準確性。和用戶體驗。AI技術演進3GPPR18AI狀態信息（ChannelStateInformation，CSI）AIAIAI1、終端信道信息反饋增強MIMO/提升系統吞吐量，MIMO的功率選擇取決于信道狀態信息（ChannelStateInformation，CSI）的反饋。與時分雙工（TimeDivisionDuplex，TDD）系統不同，頻分雙工（FrequencyDivisionDuplex，FDD）系統不具備上/下行信道CSICSIAI/ML（Transformer,Resnet,CNNCSICSICSI圖3.3-1基于AI的CSI壓縮推理過程示例2、終端波束預測及管理MIMO為了獲得性能增益，如何選擇和映射最佳的窄波束是波束管理（BeamManagement，BM）過程中最關鍵的挑戰之一。3GPPR18AI/MLAI/ML量結果，推斷出一組下行波束中的最佳波束。時域下行波束預測技術通過利用AI/ML3

圖3.3-2波束管理的推理過程示例/無信號//無信號/保障視頻流暢度,讓用戶有更好的觀賞體驗。AI區域的時間，終端提前做出應對策略，以提升應用在弱網下的業務體驗。圖3.3-3終端基于AI的弱信號預測示意圖4、終端RRM及移動性管理增強3GPPR19NRAI/MLAI/MLL3AI/MLRRMUE/區，以實現對移動性的支持，從而減少參考信號（RS）UEUERRM（頻率/小區幫助確定哪些測量目標（頻率/小區）更為重要，從而優先分配資源，減少高優先級目標的測量延遲和保證其測量的要求。圖3.3-4終端基于AI的RRM測量增強總結與展望5GAI5G5G5GAIAI20245G+AIAI率。5GAI5G+AI縮略語列表縮略語英文全名中文解釋3GPP3rdGenerationPartnershipProject第三代合作伙伴計劃GTIGlobalTD-LTEInitiativeTD-LTE全球發展倡議ETSIEuropeanTelecommunicationsStandardsInstitute歐洲電信標準化協會TMFTeleManagementForum電信管理論壇CCSAChinaCommunicationsStandardsAssociation中國通信標準KPIKeyPerformanceIndicator關鍵性能指標MIMOMultiple-inputmultiple-output多入多出技術AIArtificialIntelligence人工智能ANAutonomousNetwork自智網絡QoSqualityofservice服務質量QoEqualityofexperience客戶感知體驗XRextendedreality擴展現實eMBBenhancedMobileBroadband增強移動寬帶SLAServiceLevelAgreement服務水平協議OPEXoperationalexpenditure運營支出SDLsupplementarydownlink輔助下行SULsupplementaryuplink輔助上行RSRPreferencesignalreceivedpower參考信號接收功率MCSmodulationandcodingscheme調制和編碼方案eMBBenhancedMobileBroadband增強移動寬帶MU-MIMOMulti-UserMultiple-Input-Multiple-Output多用戶多入多出技術AI/MLArtificialIntelligence/MachineLearning人工智能/機器學習OSS/MROperationsupportsystem/MeasurementReport網管/測量報告ERABEvolvedRadioAccessBearer用戶面的承載RLCRadioLinkControl無線鏈路層控制協議PRBPhysicalResourceBlock物理資源塊RRCRadioResourceControl無線資源控制層BBUBaseBandUnit基帶處理單元PRBPhysicalResourceBlock物理資源塊MRMeasurementReport測量報告KNNKNearestNeighborsK-近鄰ResnetResidualNetwork殘差網絡KmeansK-meansK均值聚類參考文獻Vaswani,A.,Shazeer,N.,Parmar,N.,Uszkoreit,J.,Jones,L.,Gomez,A.N.,Kaiser,&Polosukhin,I.(2017).Attentionisallyouneed.AdvancesinNeuralInformationProcessingSystems,30.preprintarXiv:2212.01020.3GPPTR28.810:“Studyonconcept,requirementsandsolutionslevelsofautonomousnetwork”.3GPPTS28.100:“Managementandorchestration;Levelsofautonomousnetwork”.3GPPTR28.812:“Telecommunicationmanagement;StudyonscenariosforIntentdrivenmanagementservicesformobilenetworks”.3GPPTS28.312:“Intentdrivenmanagementservicesfornetworks”.3GPPTS28.535:“Managementandorchestration;Managementforcommunicationserviceassurance;Requirements”.3GPPTS28.536:“Managementandorchestration;Managementforcommunicationserviceassurance;Stage2andstage3”.3GPPTR28.809:“StudyonenhancementofManagementDataAnalytics(MDA)”.3GPPTS28.313:“Self-OrganizingNetworks(SON)for5G3GPPTR28.861:“StudyontheSelf-OrganizingNetworks(SON)5Gnetworks”.3GPP TR 37.816: “Study on RAN-centric data collection utilizationforLTEandNR”.3GPPTS23.288:“Architectureenhancementsfor5GSystemtosupportnetw