3.5.2 資源有序編排
為了實作實體世界與虛拟世界融合的6G業務，6G網絡需要應對多層次資訊高次元資源控制的重要挑戰。傳統人—機—物以及與人的感官、情感、行為相近的“靈”，構成可全面感覺世界的 6G網絡通信對象，其高次元資訊空間和差異化資源需要實作精準控制。例如，觸覺網絡中“靈”參與多元度傳感器與使用者身體的互動，需通過多模态資料的全面感覺和精準控制，才能使使用者的手、眼、耳、鼻等感官同時協調參與回報。每個次元的資訊量與傳輸性能不同，不同類型資訊的精準同步，需要網絡支援嚴格時延和極高可靠性要求的精準傳輸。與此同時，為支援“靈”作為跨接實體空間與人類意圖的通信對象，傳輸節點組織、承載控制、互動管理等網絡能力亟待增強，以支援人—機—物—靈的動态協作需求。是以，6G網絡在人—機—物—靈有序接入的基礎上，需引入知識定義網絡，提供高于人類經驗的差異化精準有序的資源編排與控制。
知識是人類從各個途徑中獲得的經驗提升總結與凝練的系統認識，是在實踐中認識客觀世界的成果，包括事實、資訊的描述以及在實踐中獲得的技能。随着網絡、叢集系統以及業務資料的大規模增長，作為複雜系統的6G網絡，難以直接依賴于人類的經驗見解和對規律的認知，由人工提取網絡相關知識以完成系統的模組化、求解和實施等過程，必須借助于自動化、智能化途徑來完成。将在 6G網絡中引入一個“知識平面”來完成這一過程，即以互相連接配接、共享意識的“靈”來建構知識平面，提供有序資料傳輸和線上學習更新，以代替傳統資料中心和大型資料集的學習模式，進而實作連通分散的、碎片化的計算和存儲等資源，構築資訊社會基礎設施，并向各相關産業提供網絡、計算及存儲等傳統服務以及其他更多具有應用價值的服務。
如何針對複雜不确定的網絡環境，設計以“靈”構築的知識平面是6G網絡的重要挑戰之一。設想包括：通過持續自主學習方式，從人工經驗資料中提取組網與管控規律，抽象為通用知識；基于新型網絡架構與控制政策，實作以知識定義連接配接、以知識定義協定、以知識優化政策的閉環，作用于網絡的不同層級與不同功能，建立可表達、可計算、可調控的自驅動網絡功能，通過知識平面實作資源精準控制與個性化需求。如圖3-12所示，6G網絡通過全局知識與個性化知識，實作泛在資源的有序編排，支援人—機—物—靈的大規模協同應用。
知識定義網絡的難點在于對不可觀測的網絡狀态進行分析，克服網絡資料難以擷取、資料複用性差等問題。是以設計知識平面，需要使互聯的“靈”可從多模态資料中擷取可複用的知識，再通過網絡管控和與智能應用相關的知識生成與知識更新，利用多任務學習、終身學習、跨領域協同學習和多模态表示學習等，實作網絡資源有序編排。
圖 3-12通過知識平面實作資源精準控制與個性化需求
以網絡資源排程為例，可定義3個層次的知識：網絡狀态知識，包括網絡拓撲、鍊路時延、網絡帶寬和網絡流量特征等；業務狀态知識，包括業務需求、業務品質、業務體驗等；實踐技能知識，包括流量排程政策、資源配置設定方法、路徑選擇算法等。通過知識平面的生成式對抗網絡（GenerativeAdversarialNetwork，GAN）自主學習網絡狀态知識和業務狀态知識，進而為每個使用者提供相應的路由政策。基于 GAN拓撲知識學習的路由性能如圖 3-13所示，與傳統方法相比，知識定義網絡可快速适應網絡拓撲和流量變化，為資料包選擇最佳路徑。
圖 3-13基于 GAN拓撲知識學習的路由性能
以Mininet搭建資料平面，部署于[email protected]、24 GBDDR3RAM記憶體的伺服器上。知識平面的 SDN控制器和深度強化學習模型部署于8核 Intel
[email protected]GHzCPU、64GBDDR4RAM記憶體的伺服器上。基于 GAN的遷移學習路由在新環境中的收斂速度相對于 ACKTR（ActorCriticwithKroneck-er-FactoredTrustRegion）和 A2C（AdvantageActor-Critic）分别提高了 8.08倍和 9.25倍。算法收斂後資料包平均時延如下：ACKTR約為 29.06ms，A2C約為 40.06ms，原始的遷移學習算法約為 39.64ms，基于 GAN的遷移學習約為 27.83ms[1]。
3.5.2 架構有序演進
5G網絡支撐面向垂直行業的通信與協同計算，此時人—機—物仍是作為靜态的通信對象，網絡架構仍有邊界确定性問題，可通過網絡切片等技術建構不同類型的邏輯網絡以滿足需求。6G網絡中，具有高移動性和多樣性的“靈”動态遍布于多層多域的網絡裝置中，呈現出複雜性，形成了邊界不确定性問題。為此，6G網絡需通過泛在的有序接入、資源的有序編排和動态包容的網絡體系架構，實作網絡靈活自主聚合、自适應地滿足複雜多樣的場景及業務需求。
網絡通過動态架構的有序演進，實作耗散過程的運作态優化，使其具有複雜系統的自調節和自演進屬性。以人和靈為主體的互動行為可通過自協同和連續一緻的控制政策，形成網絡節點組織與資訊流的有序性，進而使網絡演進可規劃、可預期。6G網絡連接配接的自組織性源于人—機—物—靈的功能、空間和時間等有序性的建構和配置，多元度資訊流的解析優化，人—機—物—靈的協同優化，以及網絡節點結構的重構優化。
6G智能化通信與控制的全網滲透，可在網絡各層節點提供面向業務的學習與推理，實作網絡架構的有序演進。網絡共享生态系統如圖3-14所示，網絡結構從集中式、分布式、自組織、逐漸演進至多層次去中心結構。利用“靈”接入與組網的動态性，根據應用與環境生成不同網絡群體。通過将網絡設計理論與機器學習方法有機結合，研究開放、動态環境下大規模節點的組織結構、行為模式和角色功能，對網絡中多樣化群體協作行為進行模組化，探索個體貢獻彙聚成群體行為的機理和演化規律，突破面向全局目标的智能演進方法。
圖 3-14網絡共享生态系統
打破現有大規模深度學習依賴于高性能雲資料中心的局限，利用遍布全球的網絡節點并行學習和訓練，設計擁有自學習能力的網絡基礎設施，實作全網的推理和演化。通過設計支援分布式訓練的新型網絡控制器，實作聯盟學習、節點分組、資源排程等功能，使網絡具備自驅動能力。邊緣計算節點分布式訓練的性能提升如圖 3-15所示，在多個 100Mbit/s無線帶寬網絡邊緣節點中，采用通用梯度稀疏方法，分布式訓練經典卷積神經網絡，可明顯提升加速比。
圖 3-15邊緣計算節點分布式訓練的性能提升
仿真實驗比較 1～64個分布式訓練節點，帶寬為 10Mbit/s，分布式訓練 AlexNet網絡的加速比。通用梯度稀疏（GGS）方法與深度梯度壓縮（DGC）方法，在分布式節點為 64時，與基線方法相比，可以實作近 46倍的加速比[1]。
|參考文獻 |
[1]張平, 張建華, 戚琦, 等. Ubiquitous-X：建構未來 6G網絡[J]. 中國科學: 資訊科學,2020(6).
[2]張平, 牛凱, 田輝, 等. 6G移動通信技術展望[J]. 通信學報, 2019, 40(1): 141-148.
[3] HARARIYN. Abriefhistory oftomorrow[M]. 林俊宏, 譯. 北京: 中信出版集團, 2020.
[4] GSMAIntelligence.Globalmobile trendswhat’s driving the mobile industry?[Z]. 2018.
[5] 中華人民共和國工業和資訊化部. 2019年上半年通信業經濟運作情況[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.