本白皮書版權屬于網絡通信與安全紫金山實驗室及其合作單位主要編寫人員排序不分先后）I隨著人工智能技術的不斷發展和普及，服務生成網絡（Service模態整合等領域融合，以實現智能化網絡服務 I II 1 3 5 5 8 9 1SGN利用意圖驅動網絡技術，理解用戶通過自然語言或其他形SGN融合了自動化網絡配置功能，使其能夠根據生成的服務和操作軟件接口和編程語言進行控制和定制。這種可編程性使得SGN23（1）在網絡中用大語言模型自動化生成網絡領域所需的生成文（2）在網絡中采用設計大模型，設計網絡協議、路由（3）在網絡中用決策大模型，壓縮信息特征并將知識符號化，456（2）優化部署：基于意圖需求自動生成網絡部署方案，例如在字孿生網絡虛實映射與配置驗證特性以及可編程網絡數據平面深度7C3孿生北向接口!B仿真驗證2孿生南向接口!C3孿生北向接口!B仿真驗證2孿生南向接口!LLaMA GPT-4LLaMA GPT-4PaLMGAI賦能意圖驅動層GAIGAI意圖轉譯大型語言模型LLM意圖文本意圖實體1基礎模型庫GAI大模型訓練大型語言模型LLM智能意圖輸入大型決策模型LDM智能方案優化知識圖譜強化學習深度學習生成式AI意圖驅動大型決策模型LDM預訓練重訓練微調X,任務標簽2 流量矩陣M可靠性X成本開銷YXF,(X)Z大型決策模型LDM預訓練重訓練微調X,任務標簽2 流量矩陣M可靠性X成本開銷YXF,(X)Z智能決策生成網絡協議網絡切片按需定制遙測分析智能調度意圖驅動智能網絡解決方案智能管控自動設計GAI優化閉環反饋閉環反饋 意圖輸入意圖保障意圖保障 意圖驗證意圖反饋智能方案下發1服務映射模型功能模型3虛擬數字孿生網絡迭代調優共享數據倉庫用戶業務運行狀態數據管理數據服務數據模型數據采集數字孿生網絡映射層網絡規劃質量保障流量建模調度優化拓撲模型基礎模型網元模型意圖反饋智能方案下發1服務映射模型功能模型3虛擬數字孿生網絡迭代調優共享數據倉庫用戶業務運行狀態數據管理數據服務數據模型數據采集數字孿生網絡映射層網絡規劃質量保障流量建模調度優化拓撲模型基礎模型網元模型網絡控制與編排數字孿生體管理資源調度用戶管理業務適配模型管理意圖管理拓撲管理安全管理A高性能可編程數據分組處理芯片FPGAA高性能可編程數據分組處理芯片FPGAASICNP...MP高效數據測量控制指令下發數據平面高性能編程語言深度全可編程網絡層CPU+SmartNIC/DPU卸載CPU工作負載低延時/高速率轉發性能多類基礎設施操作卸載低成本定制化可編程能力零信任信息安全保護可編程網絡交換設備可編程網絡端側設備可重構配置協議無關性平臺無關性軟件定義與硬件加速協議解析可編程轉發邏輯可編程拿物理網絡資源可編程存儲安全管理8所示，數字孿生網絡映射層基于DTN（digitaltwinnetwork）架構[6]9RESTfulAPI來實現服務映射模型與意圖驅動層連接，支持映射模型接收智能網絡方案輸入與抽象化意圖反饋[7][近年來，隨著如ChatGPT等多個熱門AI生成應用的推出，人工價值與前景。人工智能目前已應用于如金融、娛樂、新能源、生成式人工智能（GAI，Generativeartificialintelligence，也稱經元）組成，可以通過學習輸入數據的統計規律，來創造新的數據，形成創造性的表達，極大的拓展了人工智能在各個領域的應用前景。生成式人工智能基本原理是通過訓練模型來學習并預測數據的1）數據預處理：將原始數據轉換為模型可處理的格式，如將文2）模型訓練：使用訓練數據來訓練生成式人工智能模型，通常3）數據生成：在訓練完成后，生成式人工智能模型可以通過輸網提供設備和用戶終端的連接，確保數據能夠順利傳輸到數第四步是推理與生成，分別是內容生成、用戶輸入和內容推理。生成過程中的重要組成部分，內容推理對是推理與生成結果Transformer是一種序列建模方法，可應用于自然語言和視覺處上下文信息[23]。多頭注意力機制通過并行計算多個注解碼器、學習的條件、采樣階段和去噪階段在DiffusionModel中，條件編碼器采用的是CLIP(ContrastiveDiffusionModel可以在生成和去噪階段中利用圖像和文本的語義信息，實現更準確和有語義一致性的圖像生成[47]逐步恢復圖像的空間尺寸，并生成分割結果。UNet的作用主要（1）實體和關系：知識圖譜中的實體是各種與服務生成相關的（2）多模態信息：知識圖譜不僅包含文本信息，還可以包含圖（3）知識融合：知識圖譜是從各種數據源和知識庫中整合得到（4）語義表示：知識圖譜采用語義化的表示方式，使用RDF知識圖譜在SGN中充當了信息整合和語義理解的橋梁，它為SGN提供了強大的知識管理和推理能力。通過不斷豐富和完善知識（NLP）和機器學習，旨在實現更智能、更個性化的網絡服務體驗。言輸入，從中識別出用戶的意圖。例如，用戶可能提出史行為（在用戶授權情況下為每個用戶提供定制化的服務。它能意圖驅動網絡技術在各個領域都有廣泛的應用，使得網絡服務變得更加智能化、個性化，滿足用戶不斷變化的需首先，用戶輸入自然語言意圖文本，其中包含網絡設計從最基本的層面上講，可以使用標準CLI命令和參數來自動化以將命令列表編譯成文本文件（稱為Shell腳本從而通過一個執可以從應用的前端選擇、調度和執行這些程序。例如，紅帽AnsibleSGN采用大型語言模型或者大型決策模型完成命令行自動化和時，對LLM訓練網絡配置Bash命令，當LLM具備網絡配置泛化能力的時候，并在孿生體中測試驗證符合一定指標預期，可通過LLM（2）Netconf服務器實現：實現一個Netconf服務器，用于處理Netconf服務器將接收客戶端的配置請求，并通過大語言模型將其轉（6）網絡拓撲管理：如果大語言模型部署在多個服務器上，可（7）安全性考慮：在配置網絡時，需要考慮安全性問題。確保Netconf服務器和客戶端之間的通信是加密的，只有授權用戶才能進行配置操作。此外，還可以限制對敏感配置的訪問權限。數字孿生網絡是一種將現實世界中的物理實體或系統映射到虛參數所構成的虛擬模型。通過數字孿生網絡，我們可以實時地數字孿生網絡的構建首先需要測量現實世界物理實體或系統的數據測量的頻率和精度對數字孿生網絡的質量和實時性至關重實際數據的對比來完成，從而提高數字孿生網絡的準確性可視化分析工具可以幫助用戶深入挖掘數字孿生網絡的數據和網絡可編程能力主要體現在軟件定義網絡（SDN，software-definednetworking）的控制平面，數據平面可編程性受限，成為制約網絡性口并進行管理，實現網絡功能的按需管控與新業務快速部署。例如OpenFlow協議[1]可定義控制器與轉發設相關研究采用軟件編程方式設定數據分組的處理流程并在芯片中編對轉發行為的定義，完成訪問控制列表（ACL,accesscontrollist）過可編程[2]。服務生成網絡（ServiceGenerationNetwork，SGN）結合了P4程技術，為網絡提供了更高度定制化和靈活性的全可編程解決方案。P4是一種面向數據包處理器的可編程語言，它使網絡管理員能流程和操作行為。SGN可以利用這一特性，根據用戶請求和服務類根據特定需求和應用場景定制和編程交換機的數據包處理和流轉規和可定制的功能。盒交換機在一些特定場景下可能更適合專業的網絡管理團隊和網絡網卡則在網卡上集成了更多的處理能力，如數據包處理、流DPU（DataProcessingUnit）是一種專門它們為服務生成網絡的全可編程性和智能化提供了重要的技術支持。SGN的發展將趨向于更大的靈活性和定制化。全可編程網絡基通過實時監測網絡狀態，SGN可以動態地調整端到端服務生成的策SGN的發展將促進開放標準和協議的制定，使得不同廠商的設體（Agent）與環境（Environment）進行交互，從而學習如智能體策略迭代動作智能體策略迭代環境狀態，獎勵高訓練效率和穩定性，最終實現對復雜任務的高效學習和決策能力。網絡優化問題是在計算機網絡中尋找最優解或最佳配置的挑戰常見的網絡拓撲有星型拓撲、總線拓撲、樹狀拓撲等，如下圖所示。(a)星型拓撲(b)總線拓撲網絡拓撲優化方法難以取得最優效果。DRL可以學習如何在給定的直接影響網絡性能。常見的路由規劃算法包括靜態路由、動態路由、源節點具有很強的自適應性和擴展性，使得算法能夠根據實時的網絡狀態，網絡控制器網絡狀態上傳路由下發源節點源節點在流量調度中，網絡控制器根據數據流的目標地址、鏈路負載、的數據傳輸路徑，避免網絡擁塞和沖突。常見的流量調度算法包括：者根據專家經驗提前編輯不同情況下的流量調度方法，缺乏靈活性，源節點基于DRL的集中式網絡控制器▲網絡狀態上傳流量調度策略下發▲源節點▲源節點上述基于深度強化學習和大語言模型的網絡技術可以用來實現網絡需求和環境。DRL在網絡優化領域的未來發展趨勢將朝著更智快速實現網絡擴展。SGN網絡設備可靈活自動配置，降低復雜SGN支持多樣化服務部署如語義編解碼其多維度分析能力和專業規劃工具的支持，實現網絡的全面優化。員快速有效地實施網絡優化，提升網絡性能和用系統和衛星通信系統已無法有效滿足廣域智慧連接和全球泛在無縫線網絡具有網絡異質異構、空中節點高度動態、拓撲結構復雜易變、服務生成網絡通過生成式人工智能關鍵技術可以為空地協同無為用戶推薦出合理的服務需求方案可以減少用戶服務需求變更能網絡優化，包括在對智能網絡運行狀況有充分數據支撐的前提下，絡優化依賴維護人員經驗以及生產商所提供的一些智能網絡優化工云計算存儲優化等常見問題根據決策模型生成網絡資源優化配置方深度學習技術（LLM或GAN）和真實流量數據，驗證。同時，保障網絡數據的隱私和安全也是極其重要的考慮因素。接收端的語義解碼系統采用大語言模型基于收到的信息重新生成文系統架構系統架構語義信道物理信道發送器接收器語義編解碼wentthroughmultiplecyclesofoandlossoffunding,butafter2012,whendeepreviousAItechniques,therewasavastiA1(LLM):Certainly!Here'sacompactpromptthatcanbeusedtorecovertheoriginaltext:Adisappointment,fundinglosprevioustechniques,leadingtovastfundingincrease.“Artificialintelligencewasfoundedasanacademicdisciplinein1956.Overtheyears,thefieldwentthroughmultiplecyclesofoptimism,followedbydisappointmentandlossoffunding.However,afterthebreakthroughsin2012,specificallywiththesuccessofdeeplearningsurpassingallpreviousAItechniques,therewasasigincreaseinfundingandinterestinthefieldofAI.”設計服務生成網絡的智能異構設備接入方案需要結合大語言模經過學習和訓練后，LLM能夠理解并解析各廠商設備的操作指開發設備管理系統，實現對接入的異構設備的集中管理和監控。智能異構設備接入方案可以極大地提高設備接入的效率和精確設備商SDN同化SDN控制器LLMLLM解析器初級設備模型驗證器配置文件統一設備模型CLI數字孿生網絡的模擬和預測能力為智能決策提供了強有力的支智能網絡管理控制是一種利用先進技術和智能算法來實現網絡孿生體在租戶授權的情況下，獲取租戶的真實環境數據和配置參數。請設定1個切片：云節點2和接入點1連接,帶寬10Gbps請設定1個切片：云節點2和接入點1連接,帶寬10Gbps，需要流量保護接入2到云2，2Gbps，強制切片流量保護網絡切片場景微調后的LLM我的接入點是3，我需要切片連接到云節點1，帶寬為5G，無需保護帶寬10Gbps5Gbps2Gbps切片云節點云節點2云節點1云節點2切片接入點接入點1接入點3接入點2流量保護是否是55Gbps12Gbps210Gbps云2接入31在這樣的背景下，網絡運營商面臨著前所未有的故障自愈挑戰。將生成的偽造流量數據與真實流量數據一起輸入判別模型進行該智能異常流量攻擊檢測用例利用了生成對抗網絡的生成能力的解決方案往往采用數據并行或模型并行的方式將計算任務劃分成效的跨異構算力平臺的通用化大模型訓練是服務生成網絡領域的一索的問題。針對大模型在工程應用中存在訓練時間長、推理效率低、技術等，而常用的加速技術包括梯度壓縮、避免跨機通訊等。此外，大模型的高效推理是實現工程應用落地的關鍵所在。相對訓練環節，存帶寬，所以不僅要在保證低延遲的前提下，盡可能節省計算資源，部署階段可以通過分布式推理、批量推理、算子融合、硬件加速等，人工智能的普惠目標是讓每個人都能享受到智能技術帶來的便人臉識別、機器翻譯等。然而，邊緣設備也有計算能力、存儲空間、型的多次輸出去獲取訓練過程中使用過的數據的分布實現數據竊取規和監管政策，確保數據的合規性，以避免違反國家相關法通過大型語言模型或者大型決策模型以自動化方式生成各種類型的GenerativeartificialintDeepreinforcementlearNACNetworkautomaticconfigurationNTGNetworktrafficgeneratiHeterogeneousdeviceNSS[1]N.McKeown,T.Anderson,innovationincampusnetwor[4]KaljicE.,MaricA.,NjemcevicP.,etal.Aprogrammabilityinsoftware-definednetworking[J].IEEEAccess,2019,technologies,challenges,trendsandfutureprospects[J].IEEECommunicat[7]GroshevM,Guimar?esC,Martín-PérezJ,etal.Towardintelligentcyber-physsystems:Digitaltwinmeetsartificialintelligence[J].IEE[8]AlmasanP,Ferriol-GalmésM,PaillisseJ,etal.NetworkDigitalTwin:CoEnablingTechnologies,andOpportunities[J[9]ZhaoWX,ZhouK,LiJ,etal.Asurveyoflargelanguagemodels.arXivpreprintProblems,methods,andopportunities.arXivpreprintarXiv:2303.0412[11]WenM,LinR,WangH,etal.LargeSequenceModelsforSeqMaking:ASurvey.arXNetworkTraffic.arXivpreprintarXiv:2[13]ChowdheryA,NarangS,DevlinJ,etal.Palm:Scalinglanguagemodelingwithpathways.arXivpreprintarXiv:2204.languagemodels.arXivpreprintarXiv:2302.1397[17]Tu??e?elik.2023.TheRoleofArtificialIntelligenceforTheArchitecturalPlanDesign:AutomationinDecision-making.InProceedingsofthe20238th/10.114[18]RAYLC.2023.HUMANENOUGH:AinSpeculativeClimateFutures.InProceeCreativityandCognition(C&C’23).Associati[19]SangjunLee,DonggeunKo,JinyongPark,SaebyeolShin,DongheeHong,andSimonS.Woo.2022.DeepfakProceedingsofthe1stWorkshoponSecurityUSA,27–30./10.1145/[20]N.NguyenandS.Nadi,"AnEmpiricalEvaluaSoftwareRepositories(MSR),Pittsburgh,PA,USA,2022,pp.05(008).DOI:10.28468/ki.njsjb.2023.000100.[22]XuM,DuH,NiyatoD,etal.Unleashingthepowerofedge-cloudgenerativeAIinmobilenetworks:AsurveyofAIGCservices.arXivprep[23]VaswaniA,ShazeerN,ParmarN,etal.Attentionisallyouneed[C].Advancesinneuralinformationprocessingsystems,2017,30.20[2023-07-06]./kBasedonMulti-AttentionU-Net,”IEEEAccess,vol.9,pp.13304-13313,2021,[26]李華旭.基于RNN和Transformer模型材料,2021,22(12):7-10.DOI:10.16009/13-1295/tq.2021.12.081.StableDiffusionforContent-StyleDisentangleProceedingsofthe2023ACMInternationalConferenceonMultimediaRetrieval[28]J.ShaoandX.Li,“GeneralizedZero-ShotGaussianMixtureVAE,”IEEESignalProcessingLetters,vol.27,pp.456-460,MiaomiaoCui,XuansongXie,Xian-ShengHua,andChunyanMiao.2TowardsCounterfactualImageManACMInternationalConferenceonMultimedia(MM'22).Association/10.114[30]J.S.Surietal.,“UNetDeepandNon-VascularImages:AMWithPruning,ExplainableArtificialIntelligence,andBias,”IEE11,pp.595-645,2023,doi:10.1109/ACCESS.2022.3232561.[31]吳畏虹.軟件定義骨干網段路由技術研究.北京郵電大學,2021.DOI:10.26969/ki.gbydu.2021.000091.networkarchitecturebasedonspace-air-groundintegratednetwork,”209thInternationalConferenceonCommunicationS(ICCSN),Guangzhou,China,2017,pp.798-803,doi:[33]BenjaminSliwa,ManuelPatchou,KarstenHeim2020.SimulatingHybridAandLIMoSim.InProceedingsofthe2020Workshoponns-3(WNS3'20)./10.114[34]ZhangZ,MuX,TuC,etal.Hierarchicalnetworkplanningofdistributedrenewableenergyinalearning[C].Proceedingsofthe2021ACMSIGCOMM2021Conference.202[36]秦宏志.空地協同網絡的智能緩存機制研究[D].沈陽航空航天大學,2022.DOI:10.27324/ki.gshkc.2022.000373.[37]Garrido-HidalgoC,HortelanoD,Roda-SanchezL,etal.IoTheterogeneounetworkdeploymentforhuman-in-the-loopchallengestowardsasociasustainableIndustry4.0[J].IEEEAc[38]DanielRozhkoandPaulChow.2019.TheNetworkSecuringNetworkAccessforDirect-ConnectedFPGAs.InProceedingsofthe2019ACM/SIGDAInternationalSArrays(FPGA'19).Associationfo232–241./10[39]D.Irawan,N.R.Syambas,A.A.N.AnandaKusumaandE.Mulyana,“NetworkApplications(TSSA,Bandung,Indonesia,2020,pp.1-5,doi:basedsyntheticIPheadertracegenerationusingnetshare.InProceedingsoftheACMSIGCOMM2022Conference(pp.458-472).[42]Chen,Huangxun,etal."Software-definednetworkassimilation:brimiletowardscentralizednetworkconfigurationmanagementwithNAssim."ProceedingsoftheACMSIGCOMM2022Conference.[43]Chen,Y.,Li,R.,Zhao,Z