S2小伙伴 S2微沙龙
1 5G核心网的大脑
3GPP Rel-15 版本引入了 NWDAF(Network Data Analytic Function),开始关于网络智能化与自动化的标准制定工作。从移动核心网的角度来说,NWDAF就是5G核心网中负责“思考”的大脑。
面向 NWDAF 的3GPP eNA课题,从Rel-16到Rel-18,已经进入了第三阶段,NWDAF的功能也显著地得到了增强。但是,从网管的角度来看,对于这颗5GC 的大脑的管理却仍然停留在非常初级的阶段。
作为运营商,大家认为对在未来网络中可能扮演重要角色的NWDAF设计有针对性的管理功能是非常有必要的。因此,中国电信以 NWDAF 在 Rel-17 阶段引入的架构性的变化和 NWDAF 的性能管理为抓手,在 3GPP SA5 Rel-18阶段推动了对 NWDAF 的管理功能增强的研究立项(FS_MANWDAF)。
2 适应 NWDAF 架构的管理增强
在 Rel-17 版本之前,大家假设如果部署多个NWDAF时,它们会部署在相同的层级,不同 NWDAF 实例之间,提供分析服务的类型可能不同,但是不存在角色和能力上的差异。
在Rel-17版本,NWDAF 架构允许以层次化或者树状的结构部署多个 NWDAF 实例。当采用这样的部署方式时,多个NWDAF实例之间可以进行交互和协作。例如:一些NWDAF 可以通过收集其他 NWDAF 的分析结果来生成新的分析结果。这样的变化带来的一个影响就是,位于层次化结构中的不同位置的 NWDAF,在角色和能力方面将会具有显著的差异,比如:有些 NWDAF 会充当收集者(Aggregator)的角色,并提供与之对应的能力,比如:分解和分配分析任务。
Rel-17 版本中,引入的另一个 NWDAF 架构层面的变化就是对 NWDAF 能力的进一步细分,引入了NWDAF 的逻辑功能解耦。Rel-17 版本NWDAF的功能可以进一步解耦为两种逻辑功能:模型训练(逻辑)功能(MTLF)和分析(逻辑)功能(AnLF)。MTLF 和 AnLF 是两类不同的逻辑功能,前者提供和进行 ML 模型的训练;后者进行推理以及提供分析结果。对于一个NWDAF 实例来说,其可以根据部署需求和配置,只部署MTLF 或 AnLF 之中的任意一种逻辑功能,同时,也支撑同时混合部署MTLF 和 AnLF两种逻辑功能。逻辑功能解耦带来了额外的部署的灵活性,MTLF 和 AnLF 两种逻辑功能在资源需求,服务内容以及服务对象上也具有显著的差异。
在考虑Rel-17 版本引入的这些特征的情况下,有必要在设计针对 NWDAF 的管理功能时,对这种差异加以识别,从而能研究和提供有针对性的管理。基于这方面的考虑,需要提供支撑上述NWDAF特征的 NRM 增强解决方案。
3 针对 NWDAF 性能的管理增强
NWDAF 在首次引入Rel-15 版本中时,只提供了“低配版”的功能:只能提供对网络拥塞情况的统计和预测能力。但是,随着业界对网络自动化和智能化程度的预期越来越高,3GPP Rel-17 阶段展开研究的针对NWDAF的关键问题的数量达到了 21 个,各企业提出的解决方案数量达到了接近 80 个。NWDAF 在未来网络智能化中所扮演的角色的重要程度逐渐得到认可。
从网络运营管控的角度来看,运营商需要与之匹配的针对NWDAF的管理能力来应对这种发展趋势。
以NWDAF 的性能管理为例。NWDAF 提供的各种服务,在参数配置,数据交互,输出结果精度方面都有显著的区别。为了对 NWDAF的服务能力进行有针对性的评价,进而对控制闭环内的各个部分进行调整,针对 NWDAF 的基础性能指标和 KPI 的定义和测量都是十分必要的,这其中包括:
在交互方面:考察针对NWDAF 处理服务化接口的请求,订阅,以及对应的响应和通知情况的性能,并对特定的服务类型,服务参数,或者服务对象进行有针对性的测量; 在数据收集方面:对 NWDAF 用于分析或用于训练而进行的数据采集进行评估和量化; 在服务结果输出方面:可以在响应时间,分析/训练结果预期精度/效果等维度,按照NWDAF 提供的具体服务的类型进行量化; 在资源消耗方面:由于 ML 与计算资源占用之间的天然联系,可以结合上述几个方面因素和网络虚拟层的信息,对 NWDAF 在资源利用率乃至能量效率进行评估和量化。
4 千里之行,始于足下
正如同对于网络智能化与自动化的研究并不是也不可能以一蹴而就的姿态,在一个 Release 版本周期内就完整地呈现出来,伴随着 NWDAF 在 Rel-18 以及未来版本中的持续演进,FS_MANWDAF项目对于5GC“大脑”的管理能力的标准研究也预计会以迭代和演进的形式逐步展开,并为推动和完善面向3GPP网络智能化的管理功能的研究和标准化方提供一个持续的交流和研究平台。
|