无线网络数字孪生仿真技术探索

来源：亚信科技

随着无线通信技术的快速发展，无线网络的结构和运作机制日益复杂，通常难以通过简单的数学模型进行描述和评估，需要综合运用深度学习这类的AI技术做进一步分析。在此背景下，集成了AI和数字孪生技术的网络数字孪生成为了一种综合性工具，它能够帮助研究者在虚拟环境中重现实际无线通讯网络的运作，从而评估不同技术或网络配置对系统性能的影响。

无线网络数字孪生仿真技术旨在借助先进的计算技术和算法，如神经网络（卷积神经网络、对抗神经网络、前馈神经网络）、机器学习、数字孪生等技术，实现更高精度、更高效率、更直观的无线通讯仿真。例如，通过神经网络和机器学习技术，可以实现对复杂网络环境下的通讯性能进行快速、准确地评估；而数字孪生技术则可以帮助研究者构建与实际网络高度一致的虚拟仿真环境，实现对网络性能的直观评估和优化。

在无线通信领域，无线网络数字孪生仿真技术可以帮助研究者和工程师评估和验证新技术、新算法以及新系统设计。根据评估和分析的层次和焦点的不同，无线仿真技术主要可以分为链路级仿真和系统级仿真两大类。

1.链路级仿真（Link-level Simulink）

链路级仿真 主要针对单个通信链路，关注的是一对一传输时的物理层链路性能。其核心是通过模拟信号的传输和接收过程，评估各种物理层技术和参数配置对链路性能的影响。常见的评价指标包括误码率 (Bit Error Rate, BER) 和误块率 (Block Error Rate, BLER) 等。链路级仿真通常包括以下几个方面：

• 信道模型：包括信道衰减、多径传播、信道噪声等对信号传输的影响。

• 调制与解调：评估不同调制方案在给定信道条件下的性能。

• 编码与解码：包括信道编码、源编码等，并评估其对链路性能的影响。

• 信号检测与估计：例如信号强度的检测、信道状态信息的估计等。

通过链路级仿真，研究者可以深入了解物理层技术对通信链路性能的影响，为物理层技术的优化提供理论支持和实证依据。

2.系统级仿真（System-level Simulink）

与链路级仿真不同，系统级仿真关注的是移动通信网络的整体性能。它通过在一个类似于实际环境的网络中设置各种参数，如发射功率、移动速度、噪声系数等，以评估系统的整体吞吐量、用户的应用层性能参数等。系统级仿真通常包括以下几个方面：

• 资源调度过程：如频率分配、时间分配和功率分配等，以及其对系统性能的影响。

• 功率控制过程：包括功率分配策略、功率控制算法等，以及其对系统覆盖和容量的影响。

• 自适应MCS选择过程：即根据信道条件自适应选择调制和编码方案，以优化系统性能。

• 其他MAC层操作：如随机接入过程、重传机制等，以及其对系统性能的影响。

系统级仿真的重点更多地在于评估和优化网络的整体性能，而不是过分关注物理层的具体技术。通过系统级仿真，研究者和工程师可以评估不同网络配置和策略对系统性能的影响，为网络的设计和优化提供有益的指导。

在此需要强调的是，我们可以将系统级网络仿真等价于网络数字孪生，因为从网络数字孪生的基本架构来看，其主要关注移动通信网络的整体性能，希望通过一系列仿真技术手段预测推演整体的网络性能。

1.数字孪生技术

数字孪生技术作为一种将物理对象和虚拟对象相结合的先进技术，能够通过实时数据和模型不断更新虚拟对象，使其能够准确地反映物理对象的状态。在下一代无线网络数字孪生仿真领域，数字孪生技术是驱动无线仿真整体流程的核心技术，它包括以下几个关键环节：

无线孪生体设计：在无线孪生体设计阶段，各种关键信息如经纬度、设备厂家信息、工参、以及仿真算法等都会与孪生体进行绑定。这些信息是构建和执行无线仿真任务的基础，它们为后续的无线孪生场景构建和仿真任务执行提供了必要的数据支持。

无线孪生场景构建：在完成无线孪生体设计后，需要对接现网网管及运营维护中心(OMC)完成对孪生体的实例化操作。然后，利用这些实例化的信息，结合地理信息系统(GIS)相关技术，搭建无线仿真所需的场景。这个场景将包括网络的拓扑结构、设备位置、网络参数配置等关键信息，为后续的仿真任务执行提供了实际的运行环境。

仿真任务的构建与执行：通过构建仿真任务的形式，将无线孪生体和无线场景进行映射和任务执行。在这个过程中，无线孪生体将作为仿真任务的执行主体，而无线场景将作为仿真任务的执行环境。通过运行对应的仿真任务，可以在虚拟环境中模拟实际无线通信网络的运行状态和性能，为网络的优化和故障排除提供强有力的支持。

通过数字孪生技术，无线通信仿真能够以更高的准确度和效率，模拟和评估无线通信网络的性能和优化方案。同时，数字孪生技术还为无线通信网络的实时监控、预测和优化提供了新的可能，为下一代无线通信仿真技术的发展打下了坚实的基础。

2.数据采集与分析技术

• 多源异构数据采集：多源异构数据采集技术支持从不同的网络元素如终端、基站、核心网和网管中获取数据。这些数据可以包括信令数据、业务数据、网络状态数据等，为后续的数据处理和分析提供了丰富的原材料。

• 数据预处理与基础数据仓库构建：采集到的数据需要经过清洗、分类、关联和构建等标准化预处理操作，最终汇聚成为基础数据仓库。这个数据仓库将维护不同数据来源的信息，为后续的数据分析提供稳定可靠的支持。

• 数据分析：基于基础数据仓库，可以进行一系列的数据分析操作，如相关性分析、聚类、内生因素提取和知识图谱构建等，以揭示网络内的潜在关联和规律。

• 深度包检测（DPI）与信令解码技术：作为数据采集中的核心技术，用于识别网络流量和解析信令数据，为后续的分析和处理提供基础数据。

• 6G网络中的新数据采集技术：随着6G网络的发展，新的数据采集技术如SDN组网下的MANO、SDN-C、Vswitch等新接口的数据采集技术应运而生，为多元化的需求提供支持。

3.数据增广技术

• 数字孪生网络与虚拟场景训练：数字孪生网络利用真实无线网络状态数据来训练虚拟场景，通过数据增广模拟更全面的虚拟场景，为网络关键性能指标或模型的预验证提供多样化的训练数据。

• 数据增广与网络性能预验证：数据增广技术可以模拟不同的网络状态和条件，实现网络性能的预验证，为网络的设计和优化提供有力的支持。

• 大规模 MIMO 权值优化与条件生成对抗网络（CGAN）：利用条件生成对抗网络（CGAN）实现波束图样拓展，为大规模 MIMO 系统的权值优化提供关键技术支持。

4.数据与知识协同驱动的预验证

通过结合传统理论知识和数据驱动算法，可以有效解决一些传统理论模型和数据驱动算法的局限性，降低算法的数据需求。

利用深度神经网络设计强化学习算法，可以降低计算复杂度并提高算法性能，为无线通信网络的优化提供新的解决方案。

5.知识图谱和图神经网络

通过数据挖掘、知识图谱和机器学习等技术，可以有效挖掘和分析数字孪生网络中的海量数据，厘清网络中的内在因素关联关系。

通过分析内在因素的关联关系，可以提高数字孪生网络的有效性、通用性和直观性，为网络的设计和优化提供有力的理论支持。

6.预验证结果纠偏技术

数字孪生网络在长期运行中面临着一些挑战，如数据传输错误、预测数据与真实数据的差异等，需要通过预验证结果纠偏技术来解决。预验证结果纠偏技术能够修正数字孪生网络中的预验证结果，以确保其准确性，为无线通信网络的长期稳定运行提供保障。

1.网络优化

以mMIMO覆盖智能优化为例，应用多智能体强化学习算法结合网络数字孪生所生成的网络环境，实现自动根据当前环境实时调整天线参数以提升网络覆盖水平，避免依靠人工调节参数造成的人力物力消耗，并使网络覆盖级性能达到最优。在AI算法选择方面，考虑到5G小区密度大，相邻小区的干扰情况异常复杂，优化建模必须同时考虑多小区影响，因此选择采用多智能体强化学习算法建模。在多智能体算法中，每个小区建模为一个RL决策多智能体，每个智能体会将其他智能体的动作信息当作环境的一部分作为状态信息，同时算法将待优化的多个小区所支持的权值模式组合得到优化动作空间，通过在多小区联合动作空间训练策略实现多小区协作优化，实现优化弱覆盖区域，并对相邻区域无造成不良影响。

2.网络智能维护及自动化监控

可以依托建立的系统级网络数字孪生系统，实现对网络通信业务量、业务质量、业务负荷实时动态阈值监测，预测分析网络故障原因。采集大量实时及历史数据，包含网络硬件、业务数据及无线网络环境数据，通过Al模型、仿真模型、数学分析、统计分析、可视化模型等数据分析能力进行天线参数配置等仿真，分析推荐优化方案，在线调整天线参数配置，可大幅度降低验证成本，使网络性能保持在最佳状态，同时提高了网络故障解决效率，节省网络维护的人力和物力。

如何在保证准确性的前提下进行推演预测，自主运维决策尤为重要。其发展方向如下：

1. 集成高级AI模型：未来的无线网络数字孪生将融合更高级的人工智能模型，包括深度学习、机器学习，以及生成对抗网络（GAN）。特别是在进行MIMO系统的优化时，GAN可以用于生成高度真实的信号模型，帮助更准确地评估和优化MIMO优化系统的性能。另外，通过这种方式，网络的预测容量、覆盖范围和信号质量等方面的准确性可以得到显著改善。

2. 实时数据分析与优化：借助实时数据，特别是结合OTT和MDT提供的带有精确经纬度的数据，数字孪生技术可以更精准地模拟和优化无线网络，实现动态的网络管理和即时的性能调整。

3. 跨域应用：这项技术的应用将扩展到更多的专网领域例如医疗、交通和能源管理等多个业务板块，可以为不同行业提供定制化的解决方案。另外也逐渐打通与核心网、承载网的数据互通和协同推演，在未来可以在网络数字孪生的系统中对整个网络的不同网络域进行联合推演预测，提出综合性解决方案。

4. 智能决策和自动优化：数字孪生技术将具备智能决策的能力，例如，能够自主判断和存储最佳的网络覆盖方案，为运维人员提供参考。这不仅提高了效率，还减少了对人工干预的依赖。未来的数字孪生系统将进化到能够与网络管理系统（如网管、OMC、SDN控制器）进行无缝连接。这将使得数字孪生不仅能进行自主研判，还能直接下发和执行优化方案，实现网络的自主管理和自动优化。

5. 向全自动化网络运维迈进：这种高级的自主孪生能力，将使数字孪生成为实现网络自动化运维的关键工具，从而实现更高效、可靠和智能的无线网络管理。

综上所述，无线网络数字孪生的发展将从跨网络域协高拟真度预测推演向网络副驾发展。未来的无线网络数字孪生技术不仅将更加智能和精准，还将赋予网络自动化决策和自主运维的能力，为无线通信网络的发展提供强大的技术支持与创新动力。

参考资料

[1] 孙滔,周铖,段晓东,等.数字孪生网络(DTN):概念,架构及关键技术[J].自动化学报, 2021, 47(3):14.

[2] 孙晓文.一种数字孪生网络构建方法及网元:CN202111535399.X[P].CN116264546A[2023-11-03].

[3] 王达,孙滔,孙晓文,等.数字孪生在网络全生命周期管理中的研究[J].电信科学, 2022(004):038.