如何有效满足用户的不同需求并保证每个人的体验质量（QoE）仍是一个未决问题。6G 移动系统将通过利用异构网络资源和普适智能来解决这一问题，从而支持随时随地的个性化定制服务。 首先，特斯联首席科学家＆香港科技大学（广州）教授 杨旸博士的演讲分享了研究团队创造的 SRZ概念，以描述每个业务的综合性能要求。然后，从系统的角度，团队引入了 USR 的概念来评估系统满足不同业务的单个 SRZ 的整体服务能力。 其次，提出了网络人工智能（AI）架构，该架构优化了分布式的人工智能和算力资源，通过部署多层 mNodes，可支持高质量体验的定制服务。 最后，大规模仿真结果显示智慧内生的网络智能架构可以大幅度提升多维度服务体验和用户满意率。 |
物联网的发展和应用加快了物理世界和人类社会的数字化进程，人工智能算法能够整合不同应用场景中的用户需求、领域知识、操作流程和商业模式，进一步开发出海量物联网数据的商业价值。其中，移动信息网络是支撑数字经济提速提质的关键基础，各种设备通过网络进行赋能和调度，从而形成万物互联。
特斯联是我国城域 AloT 行业的开拓者，以人工智能＋物联网（AloT）技术为核心。聚焦楼、社、园、城、“双碳”五大核心场景，特斯联致力于通过数智化的解决方案，驱动城市管理的升级，促进产业生态的繁荣，推动绿色低碳的落地。
在刚刚落幕的 OFweek 2023（第八届）物联网产业大会上，针对目前市场上 6G 网络架构和服务质量保障的重重挑战，特斯联首席科学家＆香港科技大学（广州）教授 杨旸博士 发表了《面向用户算力需求特征的 6G 网络智能架构》的主题演讲。
特斯联首席科学家＆香港科技大学（广州）教授 杨旸
“服务需求区”和“用户满意度”
移动通信从马可尼的无线跨洋电报已经发展到 5G 时代，随着未来的数字世界场景的加快演变，物联网团队提出了服务用户业务定制的 6G 网络智能架构，支持 6G 移动网络中泛在的人工智能算法和智能化业务定制服务。
杨旸博士表示，下一个杀手级应用将是计算密集型的，因此需要无处不在的智能来处理动态和分布式计算要求。
团队首先研究了当前云计算平台上海量任务的算力需求分布和典型特征，分析推导出大尺度和小尺度参数模型，提出了服务需求区（Service Requirement Zone，SRZ）和用户满意率（User Satisfaction Ratio，USR）新概念。
服务需求区（Service Requirement Zone，SRZ）描述的是不同用户对每项任务的综合、定制服务要求和偏好。
带有多个指标的雷达图能够从一个综合系统的角度表明技术的进步和能力的提升。团队应用雷达图将每个业务的 SRZ 可视化，以描述和可视化用户的综合、多维的服务要求和偏好。
服务需求区
图中是交互式 VR／AR网络游戏和移动银行服务的典型 SRZ。在实践中，每种类型的业务都有类似的 SRZ，尽管用户行为和服务环境是动态的，但这些 SRZ 是相当稳定的，因为大多数用户通常不会妥协他们的服务要求和 QoE，除非服务的连续性和高质量不能同时得到满足。
用户满意率（User Satisfaction Ratio，USR）则是评估系统同时满足不同 SRZ 的大量任务的整体服务能力。
用户满意率
6G 寻求满足每个用户在需求侧由 SRZ 表示的个人主观要求。多个领域的异构6G网络资源应该被有效地整合和利用，以共同提高每个用户的 QoE 和系统的USR。
智能架构和系统模型
杨旸博士指出，网络人工智能架构即通过整合传感、存储、通信、计算、控制和人工智能资源的多层 mNodes 提供敏捷服务。
1、云智能和边缘智能架构
在 5G 时代，云智能架构已被广泛采用，传统的“云－管－端”结构要在多个设施中协调多重独立的功能，解决云端集中式AI应用的低速率、高时延、隐私性差、高碳排放等问题，并保证QoE，这是非常具有挑战性的。
在附近广泛部署边缘云的成本很高，但这种“云－边－端”结构支持计算密集型、时延受限、安全有保障和隐私敏感的应用方面更为有效，例如交互式 VR／AR 游戏、自动驾驶和智能制造。因此，该结构在各种具有高附加值的应用场景中越来越受欢迎。
2、带有多层mNodes的6G网络智能架构
为了解决这些挑战性的问题，网络空间和服务网络中分别实现了两级数字孪生和边缘－云网络孪生。团队提出了具有多层 mNodes 的 6G 网络智能架构，以整合和协调跨域的 S2C3A 资源来处理本地／区域的用户数据，执行分布式AI算法，并尽可能地为每个用户提供定制服务。
多层 mNodes 网络人工智能架构
这种架构改变了经典的设计范式，即假设移动网络仅作为数据传输的管道。基于mNodes的层次结构，网络异构资源和独立功能被有效整合，以支持跨域、广域和时延敏感的应用，例如自动驾驶。与边缘智能架构相比，所提出的6G网络智能架构既可以独立服务于各种业务，也可以与云智能和边缘智能架构互补，以满足具有挑战性的 SRZ 目标的复杂用户需求。
3、系统模型
传统的云智能架构依赖于远程超强的计算资源，而边缘智能架构则利用了本地轻量级计算资源的优势。
为了研究具有分散计算资源和普适智能的典型 6G 系统，团队考虑一系列的业务，每个业务都有一个定制的 SRZ，这个系统模型可以很容易地简化为云智能和边缘智能架构。
对于任意的业务T，其服务提供程序是由具体的业务调度算法决定的。业务T到达后，它的SRZ首先由边缘第一层mNode处理，即分析利用附近的网络资源满足该SRZ的可能性。如果本地资源充足，业务T将立即由这个mNode提供服务。如果不是，将启动一个更强大的第二级mNode，以执行在更大的邻域中识别可行的网络资源的工作。如果区域资源仍然不足，则将调用更强大的第三级mNode，在更大的区域内进行多域资源协调。在某些情况下，业务T非常复杂，大量的网络资源将被用来收集和处理本地和区域数据，甚至全球数据。
作为下一阶段，6G网络智能架构整合了云和边缘计算资源，在6G系统中配置多层次、更普遍的智能。
仿真结果
与建立在代表性应用上的DeFog基准不同，经过不同智能架构的模拟研究，大规模仿真结果显示智慧内生的网络智能架构可以大幅度提升多维度服务体验和用户满意率。
具体来说任务密度和计算要求、对 USR 的影响。任务密度对 USR 曲线有线性的不利影响，云人工智能架构的能耗对圈定区域内的任务计算要求非常敏感。
USR vs 业务大小和网络数据速率
业务密度对不同智能架构下的USR曲线的下降有线性影响。当平均计算需求增加时，在云中执行所有业务的能量消耗增加得非常快。在TCTB和FES算法下，边缘智能和6G网络智能架构的绿色和蓝色曲线对这种变化的敏感性要小得多，这是因为邻域的mNodes提供了有效的服务。
USR vs 业务大小和网络数据速率
真正的万物互联时代正在慢慢到来，在未来数字时代，具有普适智能的 6G 网络人工智能架构将更好地支持用户的个性化算力需求，让我们拭目以待。
论文链接：https://arxiv.org/abs/2205.09944
