自2024年伊始,5G网络迈入5G-Advanced时代,用户流量增长趋于平缓,5G基础连接带来的纯流量红利消耗殆尽,网络由高速发展期来到了高质量稳定发展期;运营商的经营模式从流量经营拓展到体验经营,以激发流量、满足用户差异化服务需求。
体验经营解决方案
中兴通讯提供基于“AI+”连接智能的体验经营解决方案,针对不同用户等级、不同业务应用、不同场景提供定制化体验保障,实现5G-A商业价值。UPF(user plane function)是用户业务接入的载体,通过引入AI进行功能增强,具备业务深度识别及业务体验准确度量的能力,为上层差异化业务价值经营提供基础。NWDAF(network data analytics function)对用户业务及业务度量数据深度分析,结合无线网络、核心网络等实时负载情况,生成可达成的用户保障策略,实现对用户业务端到端的体验保障。整体方案如图1所示。
本文重点探讨5G-A核心网通过引入AI-UPF,构筑智能化核心能力,对应用精准识别,对业务体验精准感知,为用户差异化的服务提供数据基础,确保个性化、端到端体验保障达成。
AI-UPF,挖掘流量价值
AI-UPF是引入人工智能技术对传统UPF进行优化和增强后的网元,通过内置AI引擎及模型调用,构筑智能业务识别和智能体验度量两大核心能力,解开数据管道,充分挖掘网络流量价值,匹配体验经营需求。
智能业务识别,拓展识别广度及深度
随着5G-A网络的建设及生成式人工智能技术的快速发展,老的应用推陈出新,新的应用层出不尽。传统的特征库识别方式需要随应用变化更新规则,存在滞后性,无法满足新应用及已有应用变更识别的及时性要求;同时因为数据安全成为业界共识,新的加密技术广泛使用,基于特征匹配的传统识别方式难以为继,无法匹配体验经营的业务细分识别要求。AI-UPF智能业务识别有效解决上述两大难题。
AI-UPF通过内置AI引擎实现业务分析的自动化,将特征库的更新周期从月缩短到天。传统业务识别,从未知流量提取出域名等关键特征后,需要人工介入进而判断特征之间的关联关系及应用归属,拉长了特征库的更新周期。UPF通过内置AI引擎调用大模型,利用大模型的语义理解能力及本地知识库中的知识条目,分析业务流关键特征之间的关联关系(相似度/关键字等),推理出未知流量各自归属的应用,完成未知流量的聚类处理;对于聚类后的业务流,由大模型根据共性特征,获取应用的名称、类别、简介等信息,完成新识别应用的智能标注,实现特征库的准实时更新。
AI-UPF通过AI技术进行业务细分,实现加密流量或私有协议的准确识别。当应用内的细分业务被加密时,明文特征无法获取,不同类型的业务流对外表现为具备不同时空特征的报文序列(包长、包数、时间戳等),基于简单规则的识别手段失效。AI-UPF通过构建AI模型,学习加密流量的时空特征,可以识别应用中的各种子类业务(如视频、音频、直播等)。为了使AI模型具备良好的泛化能力和准确的识别能力,模型的训练及调优是关键。模型训练所需的样本通过自动化采样系统生成,自动化采样系统实时监测网络中主流应用的版本变更情况并触发业务拨测及标注,积累出千万级样本数据。通过丰富的样本数据集对模型的持续训练及优化,加密业务的识别准确率达到95%以上,为个性化、特定业务保障提供支撑。
智能体验度量,紧贴用户真实体验
传统的业务质量基于网络传输层指标KPI(丢包、抖动、时延等)来评估用户的业务体验,随着应用传输技术的逐步演进,如加密技术、动态码率技术等,传输层指标KPI已经无法有效描述应用层的业务质量。
为了精准预测用户的业务质量,AI-UPF构建卡顿检测、时延检测、码率检测等多种度量模型,从加密应用的报文长度、时间间隔、上下行等弱特征嗅探出贴近用户真实体验的度量数据。模型训练上,在实验室通过网络损伤仪模拟网络中超过20种质差场景,并利用真实终端对网络中的100多种主流应用自动拨测生成海量样本,对各种度量模型进行针对性训练,保证了模型的度量准确率。训练后的模型部署到现网环境,对用户体验的度量准确率达到90%以上;用户体验出现质差时,及时上报NWDAF触发端到端业务体验保障。
为满足智能化业务处理的高性能及低时延需求,AI-UPF引入GPU硬件进行推理加速,通过数据并行、多GPU并行等技术实现模型推理的毫秒级时延,性能相比通用CPU提升数十倍。同时,AI-UPF通过将模型推理服务化,屏蔽了底层硬件差异,对模型应用提供统一的推理接口,简化推理流程,满足后续更多智能应用的部署需求。
中兴通讯5G-A核心网体验经营解决方案,基于AI-UPF及网络智能平面,实时采集并分析用户业务质量并进行精细化的保障,在5G-A网络稳定发展阶段为运营商营收注入新的动力。未来我们将与运营商继续挖掘网络中的数据价值,拓展场景及模式,使5G-A网络经营迈上新台阶。