《2023面向5G-A的移动算力网络需求及潜在关键技术.docx》由会员分享，可在线阅读，更多相关《2023面向5G-A的移动算力网络需求及潜在关键技术.docx（33页珍藏版）》请在课桌文档上搜索。
1、IMT-2020(5G)推进组白皮书20236面向5G-A的移动算力网络需求及潜在关键技术-1.Z.,刖百近年来，5G网络商用正在全球加速推进，5G已经进入了千行百业，新的业务场景对移动网络提出了新的更高的要求，5G网络演进(5G-Advanced)网络架构与主要技术随之逐步确定。在5G-A网络进一步深入行业应用之后，整体移动通信网络架构已经呈现出云网协同的趋势。同时，算力网络作为国家、社会、产业发展重要的战略需求，算力和移动网络的结合已成为了业界共识，移动通信网络和算力的融合将赋予移动网络在传统连接之外的计算能力，以算助网，提供高品质算网协同的移动联接能力。本白皮书对移动算力网络(Mobil
2、ecomputingForceNetwork,MCFN)的产生背景、核心特征、典型场景、技术要求、架构及关键技术进行了系统性的阐释，希望联合产业各方，凝聚产业共识建设技术体系，孵化产业生态创新商业场景，坚定产业信心明确实施路径，最终推动移动算力网络的实现。，八，I.-22(5G)推进组面向5G-A的移动算力网络需求及潜在关破技术白皮书移动算力网络概念Pl典型移动算力网络场景P3场景需求总结及技术要求P12移动算力网络架构及潜在关键技术P15移动算力网络产业发展倡议P21总结和展望P22.主要贡献单位P25IMT-2020(5G)推进组于2013年2月由中国工业和信息化部、国家发展和改革委员会、
3、科学技术部联合推动成立，组织架构基于原IMT-AdVanCed推进组，成员包括中国主要的运营商、制造商、高校和研究机构。推进组是聚合中国产学研用力量、推动中国第五代移动通信技术研究和开展国际交流与合作的主要平台。移动算力网络概念1. 1算力网络算力网络是面向未来计算与网络深度协同的新型网络架构。以现有网络技术为基础，算力网络通过无所不在的网络连接分布式计算节点，实现服务的自动化部署、最优路由和负载均衡。从而构建起连接+算力+能力的全新网络基础设施，保证网络能够按需、实时调度不同位置的计算资源，提高网络和计算资源利用率，进一步提升用户体验，从而达到网络无所不达，算力无处不在，智能无所不及的愿景。
4、算力网络具备以下特征： 实时、快速业务调度：基于网络层实时感知业务需求和网络、计算状态，相比于传统的集中式云计算调度，算力网络可以结合实时信息，实现快速的业务调度： 保证用户体验一致性：网络可以感知无处不在的计算和服务，用户无需关心网络中的计算资源的位置和部署状态。网络和计算协同调度保证用户的一致体验； 多维度协同编排：网络基于用户的S1.A(SerViCe1.eVelAgreement)需求，综合考虑实时的网络资源状况和计算资源状况，动态编排分布式算力、存储、网络服务，双向匹配网络资源与业务需求，实现业务体验的优化及资源的全局优化。目前的算力网络的前沿网络技术研究主要关注IP承载网的算力业务
5、感知，算力网络分析用户的算力业务需求，通过综合考虑网络实时状况和算力节点资源状态，将用户的计算任务路由到最佳的目标计算节点，以保证业务的用户体验。 .2移动算力网络移动算力网络是以移动网络能力及基础设施为基础，并基于5G-A网络架构与算力资源共同组成的开放式算网基础设施，其目的是实现移动网络与算力的协同，以达成移动网络内算力访问的最优体验，是算力网络在移动接入场景下的具象化体现。移动算力网络和算力网络具有一致的愿景，但发展路径与节奏有所不同，体现出若干不同的特征。首先，在业务上，移动算力网络以3GPP5G-A网络为基础，为满足业务体验和用户诉求，实现了用户、算力和应用的最佳互联，提供了用户到用
6、户、用户到应用的最优接入路径与最佳访问体验，并且具备泛在移动接入、端网协同、体验可控、电信高稳等特征。3GPP标准下的移动网络天然支持终端用户的可移动性，并基于核心网与无线接入网的移动性管理、会话管理等能力对处于移动模式下的业务提供高效调度及QoS保障能力。因此移动算力网络可以在IMT-2020(5G)推进组面向5G-A的移动算力网络需求及潜在关键技术白皮书进一步纳入算力因素后，提供高品质算网协同的移动联接能力。其次，在架构上，移动算力网络基于5G基础设施，在5G网络核心能力基础上，引入网络结合算力、网络与算力统一调度等两项关键架构能力创新，涵盖终端算力、基站算力、边缘算力等算力资源，并且充分
7、继承分布式用户面及5GMEC(Multi-accessEdgeComputing)所独有的网络位置优势与成熟技术体系。其以业务为中心，借助算力调度提升5G接入业务的体验，然后逐步向广域扩大。因此移动算力网络可以做到以网助算，网随算动，优化端到端业务的算网体验，并实现移动算网资源利用率的提升。“算力化”是移动网络到移动算力网络新增的属性，由于5G移动网络自身可以闭环所有移动业务，移动网络和算力的结合将带来编排效率、能力调用等方面的强有力的优势。在符合算力网络整体布局和规划的前提下，逻辑上移动算力网络可以独立于算力网络实现具体功能。两者之间短期内优先考虑通过服务层和管理层协同实现一体化管理，充分降
8、低边缘算网费源管理复杂度并提升云边之间资源编排效率。后续通过能力开放实现移动算力网络与算力网络之间组件互通，能力调用。而未来面向长期网络演进则进一步实现云网边端高度协同下的统一解决方案，面向行业及用户提供高质高效的一体化算网服务。移动铸力网络应用服免层B力封基I0力交剧杼I咱I碗Tt+教移划算R网我算网管理湖U屎移动箕力网络基出设施层5ffiI酮称屈I-5*图1移动算力网络愿景构想典型移动算力网络场景需求当前部分5G应用场景已初步呈现出对移动算力网络的基础需求，而面向5G-A的新业务，尤其是以XR（EXterldedReality：扩展现实）为代表的消费者业务，需要智能协同的行业业务，以及部分
9、网络原生的优化业务能力均需要更为高效的移动算力网络服务。其中部分业务场景尚处在探索期，需要网络与业务的相互促进才能更快的催熟业务商用能力。本章给出了三类典型移动算力网络场景，分别为面向消费者的业务场景、面向行业的业务场景以及面向网络的业务场景。2.1 面向消费者的业务场景2.1.1 移动算力网络使能的普及沉浸化业务目前，AR（AugmentedReality：增强现实）、VR（VirtualReality：虚拟现实）、MR（MiXedReamy:混合现实）等沉浸化业务市场快速增加。沉浸化业务需要网络对音频、视频、触觉、多种传感器信息等多模态数据进行传输与处理，并对传输速率、时延、可靠性等网络性
10、能指标与处理器能力、存储能力等算力要求都具有严格的要求。目前，受限于终端算力，沉浸化应用用户体验较差，无法完全实现用户的沉浸化体验，业务卡顿、抖动情况明显。针对以上问题，移动算力网络能够提供“云-边-端”的泛在算力协作架构以提升业务体验。首先，移动算力网络能够协同感知网络泛在的云服务器、MECs移动终端等算力，并实时监控部署位置、负载、算力服务部署情况等信息。通过原生支持算网融合网络协议，移动算力网络能够根据多模态数据差异化数据处理与算力需求，实现灵活按需的算力服务调度。其次，移动算力网络具备“云-边一端”多层统一管理与协同调度机制，能够根据业务的多模态数据类型、算网资源需求、QoS（Qual
11、ityofService）等将业务分离成不同数据流或算力任务，并将数据流分流到不同算力节点上，对分解算力任务进行统一编排与最优算网资源匹配。通过移动算力网络的多级协作，能够最大程度利用分布式算力资源，解决端侧算力缺而云端响应迟的问题，满足沉浸化业务的极致性能要求。2.1.2 边缘算力协同的CloudVR业务容量提升以Cl。UdVR业务为例，其对网络时延的要求可按不同体验阶段分为不同等级：起步阶段需支持4K全景视频70ms,舒适体验阶段需支持8K全景视频50ms,理想业务体验则需进一步支持12/24K全景视频20ms。为满足理想业务体验下的时延要求，算力必然进一步下沉部署至住宅小区、场馆附近。但
12、边缘算力的下沉部署会带来算力的潮汐效应等额外问题，即业务量在不同时间段将在不同区域间起伏IMT-2020(5G)推进组面向5G-A的移动算力网络需求及潜在关键技术白皮书迁移。按传统部署模式，各MEC边缘计算节点均需配置最大用户数容量以保障各时间段的峰值用户接入能力，但这种模式下在业务闲时会产生较大算力资源浪费。型网胡同层ia任苏流初图21CloudVR场景中的算力潮汐效应基于移动算力网络所提供的边缘算力协同模式，则可支持CloudVR计算任务在多个MEC节点间流动，实现灵活动态的算力分流和调度，在同等资源配置的情况下使区域业务总接入容量提升30%以上。为此需要在网络中设置算网一体协同用户面，用
13、于UPF网元之间的计算任务分发和计算结果回传，并为按需实时创建的计算任务，提供灵活的路由转发和确定性时延保障。2.1.3 端边协同的UAV竞技等MR类新业务近年来无人机竞赛等第一人称视角的UAV(UnmannedAerialVehicle)遥控竞技较受欢迎。在特定场地提前布置游戏关卡后，UAV上的摄像头实时将运动画面通过Wi-Fi传送到游戏者的头显设备，游戏者则通过遥控器或平板电脑远程操控UAV穿梭或对战。但目前游戏场地搭建费时费力成本高，而且Wi-Fi路由器受限于有线宽带覆盖位置，不能随时随地开启游戏。而通过沉浸化MR技术，游戏者可自行下载喜爱的竞技场景，快速完成游戏场景布置并开启游戏。以5
14、G大带宽低延时网络取代Wi-Fi更可为游戏者在广域范围提供泛在的无线通信，随时随地开启游戏，获得更佳操控体验。首先，此场景中游戏头显、UAV,遥控设备的算力与电池有限，移动算力网络可为终端提供必须的边缘外置算力。其次，UAV将摄像头影像/姿态/位置等上传至边缘计算节点进行物理和虚拟影像的RT2。2。叠加和渲染，然后传输至头显呈现虚实融合的游戏画面。游戏者基于MR通过遥控器操控UAV的控制信令也可以经由MEC转发，并实现控制和视频的同步。移动算力网络中多个边缘算力节点通过协同可以为该类游戏提供更广的竞技空间，可以容纳更多竞技者的参与，甚至实现异地多人竞技。移动箕刀网络检理H界机救物理花虚姒世界S
15、合ERM螭节点1憎格朗归力Ia锵节点)控指令图2-2端边协同的UAV竞技等MR类新业务技术上，移动算力网络需要保障用户头显、UAV、遥控器等多设备的连接会话关联及同步传输。确保同一用户的多设备接入到移动算力网络中相同的算力节点，以便实现物理世界和虚拟世界的混合渲染和游戏逻辑同步。其次，移动算力网络一方面基于各终端移动性及时迁移计算任务实例，实现算力感知的路由，保障端到端QoS不变；另一方面通过对无线波动性的感知，及时调整计算任务。此外，面向游戏运营方，需要进行算网一体化调度和编排，平衡全局最优体验，实现系统资源利用率最大化。2.1.4 移动终端算力上移，降低终端Al硬件要求近年来，以Al美颜、
16、人脸识别为例的Al应用在移动终端的应用场景逐渐增多。当前终端通过训练完成的Al模型进行预测和推理。但受限于手机终端电池、存储及Al算力，端侧Al模型需要进行剪枝、压缩、优化、算子替换等特殊处理。且当前手机终端的Al处理器运算能力普遍低于服务器侧2个数量级，限制了手机终端普遍使用基于强算力的高端Al应用。但采用云服务器辅助协同模型运行则需要向云端上传终端原始数据，带来用户数据隐私安全隐患的问题。因此，3GPPSA1在R18中定义了将Al推理模型分割为二的场景。终端侧模型计算量小，主要用于数据的预处理；网络侧模型计算量大，可部署在MEC边缘计算节点运行。两者之间，终端侧模型向网络侧模型上传中间数据
17、，MEC将最终的Al推理结果及时返回发给终端。此方式同时解决了终端电池容量持续受限和算力持续弱于服务器侧的问题以及数据上传隐私保护的问题。此外，简单Al推理任务无需受限于专用芯片，提高了AI模型在终端运行的泛化性，使更多的手机可以通过端边协同推理扩展Al算力。图2-3移动终端Al算力上移，实现端网Al协同推理在此方案中，移动算力网络为UE(UserEquipment)提供了网络内生的Al算力服务，增强终端Al推理能力。同时，网络将算网一体化服务开放给第三方应用商，方便其开发和部署高端Al应用。其次，核心网需要紧密协同UE与MEC间的移动性和会话管理，确保UE侧Al模型快速发现和匹配对应的网络侧
18、模型，并保障移动场景下UE和MEC间上行数据传输时延要求。此外，当UE因移动远离初始锚定MEC,核心网需要提前感知端到端推理时延的变化，并及时为UE重新选择最佳的MEC站点并提供匹配的网络侧模型，保障Al应用体验不变。2.2 面向行业的业务场景2.2.1 面向智能终端协作的分布式学习随着产业数字化发展，智能机器人、UAV等智能终端协同工作场景逐渐增多，此类智能终端能够进行分布式数据采集与本地Al模型训练。智能协作利用联邦学习、完全分布式学习等方法，能够在保护智能终端数据隐私的同时，通过多智能体Al模型聚合优化集群整体目标，提升智能终端决策能力。例如园区或厂房内的AGV(AutomatedGui
19、dedVehicle)能够通过分布式数据采集与协同路径优化，实现精准且无人化的物流搬运。分布式学习的性能指标体现在Al模型、通信、本地算力、隐私保护等多个方面，包括与全局最优模型差距、识别准确度等Al模型指标，通信时延、迭代次数等通信或学习速率指标，本地训练次数、训练时延等算力需求指标等。智能协作任务的整体性能受到终端算力、能耗、网络环境等多维因素影响，需要基于性能优先级与各因素限制条件，选择合适的智能终端进行算力协同。针对以上问题，移动算力网络能够实时捕捉算网资源的动态信息，并根据业务性能优先级、算网资源利用率等要求，实现高效的端到端/端边协同智能终端组网，提升智能协作任务的整体性能。首先，
20、移动算力网络能够实时感知智能终端的算力负载、电池能量以及无线网络信道状态、带宽占用情况等，并通过统一编排、灵活调度的方式进行智能协作任务的动态组网，从而在满足集群整体学习目标的同时，保证单个智能设备的能耗、算力负载、隐私保护等要求。例如，对于本地算力有限的设备，本地模型训练速度慢，可降低其模型传输聚合的频率；对于信道环境较差的智能终端，可选择将本地Al模型转移到邻近可信终端进行聚合或中继传输。其次，算网多要素融合编排可以提供业务性能需求与算网资源分配间的最优匹配，例如对于更新的本地模型与前次差别较大的终端分配更多的带宽资源，可以帮助全局Al模型实现更好的学习性能。基于此，移动算力网络能够支持智
21、能协同任务实现高效的模型训练与模型聚合，并保证高效的算网资源利用。2.2.2 5G接入算网协同体验保障的产业园区算力专网助力工业信息化、智能化转型升级，是5G产业化发展的关键方向之一。但以制造业为例，我国的工业企业在数量分布上仍以中小规模为主，在地理分布上则呈现出特色产业区域化集中的显著特征。这些中小型制造业企业在企业信息化领域普遍存在业务应用规模偏小、IT采购预算有限、IT团队技能偏弱等特质，故此对于公共信息化基础设施服务的接受度更高。基于5G-A,可进一步基于移动算力网络在特定地域内集中为多家中小型制造业企业提供可信可控的共享式产业园区算力专网。通过在产业园区内部署的共享式移动算网节点，所
22、有园内企业均可获得一站式的5G网络连接与算力基础设施服务。各企业以多租户自服务方式按需使用算网资源，自助部署运行满足自身业务诉求的智能应用。同时，为最大程度保证关键业务应用的端到端体验，需要移动算力网络通过算网协同对网络QoS和算力资源QoS实施联动配置与保障。移动毒力网络超用使能JBWM打包发放区日移g力网络右点广城专网rcIfciEC一M:邕叱AS1.A(XM租F应8Sra国检金北IT系统企业IT系蜕人内金城A人企业8哆询/专线楂入XX产业园区Ig区移算力网熔节点1福牧低时蚱专线向耳移动R力网船节点2创M碌优图2-4算网协同体验保障下的产业园区算网2.2.3 面向连锁企业及分支机构的企业广
23、域算力专网与上述产业园区集中的中小企业相反，大中型企业的多地分支机构或多地连锁企业门店的信息化和智能化则需要为不同地域的办公场所、生产园区、门店提供一致性的5G接入，以及便捷经济、易用安全的本地信息化应用系统，并实现门店与总部/区域总部之间的广域组网互联。为满足上述场景需求，这类企业需要一张覆盖全国范围的广域移动算力专网。基于统一的算网基础设施，由不同企业根据自身规模及业务需求，为其分支机构/门店等选择就近租赁共享式移动算网节点资源或自建专享式移动算网节点并接入，选择最佳位置算力部署其业务应用。在此基础上，移动算力网络可将用户企业员工在任意位置发起的移动访问请求转发至适当的移动算网节点，以保障
24、其业务使用及最佳体验。对于租赁共享式移动算网节点资源的企业，可以根据其业务要求，为其开辟算力专区，以强化其业务资源与其他租户资源间的安全隔离。为满足大型企业普遍存在的专网接入访问安全策略控制要求，可充分利用移动网络自身的接入访问控制机制，并借鉴业界SASE技术理念，在移动算力网络基础上叠加统一的智能专网访问控制与防护服务能力，以充分确保企业网络与业务安全。RT2。2。曲市移3!藤力节点A企业园区1区县移动网络口力节点区县修动网络R力节点I仃B企业门店1ZE侈幼接入安全较MToR做电中料生Altlkai区2号因喻命N节点Ea同一ErB企业门喀2A企业诩xXSB企JlEaSB私商云CO私行云困EM
25、CN55点口Kl)安全管IUToXS市启8企业门店n图2-5面向连锁企业及分支机构的企业广域算力专网2.2.4 移动网络辅助下的算力协同使能车联网随着移动通信技术的发展，其所催生的车联网应用也正在推动着交通管理模式、汽车产业形态、人们出行方式和能源消费结构的深刻变化。当前蜂窝车联网涉及协同感知、辅助驾驶、信息推送等多个场景，并存在车车协同、车路协同等不同模式。在车车协同模式下，各车辆子网系统需要同时服务车内节点及支持车辆间的通信，以支持不同汽车子网系统的干扰协调，信息交互，进一步提高系统性能和车辆行驶效率和安全。在车路协同模式下，通过车载及路边的各类摄像头、雷达传感设备，车联网应用可以获取并分
26、析学习复制交通环境中的多维数据，推理出相应调度策略并指导车辆控制策略。为实现全场景的车路信息准确感知和处理，需要协同多维度信息，进行算网协同调度，将不同优先级算力需求的车内、车间、车路协同应用分发到云、边、端算力节点，并与车载终端协同，最终形成精准、实时的驾驶策略。5GC三TSPM_1.uw-*DlA/PNWZJWW车喧吊氏3,总?图2-6移动网络辅助下的算力协同使能车联网在此场景中，一方面无线通信技术为车辆提供低时延、高可靠通信，并基于此为车辆提供与周边交通元素(车、路、人)的交互能力，实现协同感知、决策与控制，支撑智能驾驶与智能交通应用。另一方面移动算力网络需要具备广域连续性覆盖，提供可以
27、随时随地按需获取的移动算力资源，实现各车辆及交通元素的数据及算力共享。同时移动算力网络需要实现车辆、路边设备、网络边缘、以及云端算力感知及协同，保障各应用可按优先级调度，进而实现云端超大规模模型训练及下发等高端智能能力。2.3 面向网络的业务场景2.3.1 基于算力的网络辅助路径选择5G核心网的云化部署配合愈发广泛的边缘计算，使分布式的算力资源在移动网络中逐渐重要。移动算力网络通过统一的动态分配，使海量业务能够根据各自的需求，实时调用网络内空闲的分布式算力资源。网络辅助路径选择就是算力网络保障业务性能和提升用户体验的典型场景。前期算力网络研究主要基于承载网，根据计算类业务需求，结合实时网络状况
28、和可服务的计算资源状况，动态灵活的将计算任务路由到合适的目标计算节点并保障业务的用户体验。面向移动通信网络，将计算和移动通信网络深度融合、协同调度，结合业务对移动通信网的需求，综合考虑网络的全局视图能力和计算能力，动态调度资源，可以进一步提升用户业务体验，包括将基础设施算力纳入为UE接入选择各个网络功能的过程中。在当前的网络功能选择过程中，一般对控制面功能按预设的接入码号规则结合网络功能池中的不同负载权重进行选择。后续在移动算力网络中，可纳入承载控制面网络功能的基础设施算力作为选择权重之一。而对用户面亦可通过移动算力网络，基于无处不在的网络连接，将动态分布的计算、存储资源互联，通过网络、存储、
29、算力的多维协同调度，使应用能按需调度到泛在分布的算力资源上，并结合传输时延综合实现资源的全局优化。运营商在N6接口之后部署很多增值业务，这些增值业务采用业务链SFC(ServiceFunctionChain)技术进行控制。后续可在业务链编排中考虑算力资源信息，将增值业务按需部署到合适的算力节点上，保证业务可用性：另一方面，业务链路由可以统一考虑算力资源及业务需求信息来选择满足时延带宽等要求的目的算力节点，甚至在业务高峰期时按需动态加载相应业务功能，提升用户体验。2.3.2 网络功能编排优化随边缘计算的发展，网络算力从核心网向网络边缘扩展。云原生技术能够在异构算力设备上建立更轻量化、更细粒度、更
30、灵活的服务部署，进一步降低虚拟化开销。5G-A则在标准上使能增强的服务化架构eSBA(EnhancedServiceBasedArchitecture)。移动通信网络各类服务的本质是利用算力和算法进行数据处理并实现特定输出，包括调制解调、数据编解码、网络控制、资源调度等。因此，结合算力与虚拟化技术，能够建立通信服务与算力服务间的映射关系，从而推动端到端网络服务化架构进程，降低网络部署与运营成本。目前，各标准网络功能尚不能基于泛在算力服务进行灵活部署及灵活编排管理，且未能充分调用通信网络之外的泛在异构算力设备。针对以上问题，移动算力网络可引入云原生、算力原生等技术，并基于对泛在算力的感知，实现对
31、移动通信网内外部异构算力进行统一全局管理。首先，通过网络功能的标准化拆分及智能化算网编排实现移动通信网络功能的最优部署、灵活组合与按需分配，加快推进端到端服务化的网络架构愿景。其次，移动算力网络建立了算网协同感知体系，能够实时监控负载、算力服务部署等动态算网信息，并构建了算网融合的新型网络协议，具备对网络功能的算网需求统一解析的能力。最后，移动算力网络自身能够根据移动通信网络功能需求与算网状态视图，对分布式算网资源进行统一编排，建立高效的网络功能部署、弹性的网络功能组合由与最优供需匹配，提升移动通信网络服务能力。同时，结合Al等智能技术，能够推动网络功能编排的自配置与自优化，进一步提升网络功能
32、编排效率与资源利用率，并降低网络编排与管理成本。场景需求总结及技术要求通过对上述业务场景的分析，可以归纳得出对移动算力网络的七个主要需求领域。本章针对七个主要需求领域，给出当前对移动算力网络的技术能力要求。首先，需要在移动网络架构中引入相关的算力服务能力，并实现算力服务的可度量、可控制。其次，基于所构建的移动算力网络，实现对各类现有业务以及Al等新型业务的体验提升。最后，在全网全局层面实现算网一体的编排与能力开放，以提升网络效率及拓展产业边界。3.1 移动网络内生算力首先，移动算力网络应该不仅通过网络将业务路由至相应的算网节点，而且应具备提供内生算力的能力。这一能力可以为各类应用层业务提供泛在
33、的计算能力，尤其在端网协同的场景下为智能应用提供通用算力，例如端网协同的Al推理能力、媒体视频超分能力等。其次，移动网络内生的算力应统一注册到网络，从而能够被其他业务发现和使用。移动终端接入网络的时候，能够向网络注册自身的计算能力需求，并且终端上的服务能够自动发现和使用网络上的算力。移动终端能够发现和使用的内生算力的类型取决于移动终端所处的位置、网络覆盖性能、边缘计算节点部署情况(位置、资源状态等)、用户签约等因素。最后，内生算力框架应为上层应用开发提供开放的API,网络侧为应用服务端提供通用的算力运行环境，端侧为应用客户端提供本地化的调用接口。3.2 多样化算力资源度量建模与状态感知当前移动
34、网络仅支持基于物理硬件的粗粒度计算能力度量，如CPU的核数与主频。移动算力网络需要为异构硬件基础设施提供更精细化的算力统一度量与建模，包括基于多厂商CPU、GPU、NPU、FPGAASIC分别针对CPU的主频、内核数、内存大小，GPU的CUDAcores、显存，FPGA的Peak定点性能、Peak浮点性能等统一建模，屏蔽底层硬件差异，抽象算力服务行为。其次，不同的应用对算力的需求不同，因此也需要将应用对算力的需求进行统一度量与建模。例如，XR类沉浸化业务需要超低时延的算力服务，Al上移需要大计算量的Al模型推理等。移动算力网络应具备实时感知业务需求和网络、计算状态的能力，通过对上层应用需求的感
35、知及解析，建立多样化业务与多样性算力资源及组合算力资源间的映射关系，进而实现算力服务的按需提供、灵活调度。12同时，移动算力网络还需要具备网络与应用全面的资源和态势感知，包括对云网边端各层级的资源状态、资源位置、资源变化，各算力节点上的算力负载、算力服务部署情况，以及各算力节点之间网络路径信息等进行收集与汇集。最后，移动算力网络应支持对算力资源的通告能力，包括集中式通告与分布式通告。结合上述需求能力，移动算力网络才能够形成业务层可充分理解使用，网络层可高效分配管理的能力，从而提供更好的业务体验。3.3 广域移动下用户体验一致性、服务连续性移动算力网络需要具备广域连续性算力覆盖能力，支持对无线覆
36、盖、核心网用户面、边缘计算节点进行联合规划。在静态与动态两者不同模式下，均能够为用户及业务提供最佳业务体验。针对静态接入，移动算力网络不仅需要为UE随时随地寻址到最佳算力实例，无需UE感知算力的具体部署位置，而且为UE所选择算力实例需要以业务端到端S1.A保障为目标，同时确保网络资源和计算资源利用率最大化，提升系统整体容量。而在用户动态移动的模式下，移动算力网络需要能够根据UE的移动性和无线网络质量波动，自动调整连接QoS、计算任务实例所需算力以及部署位置，以保障算力在动态环境下的业务连续性和用户体验。在弱网环境下，能够提前预测，调整算力，实现优雅服务降级和恢复。此外，移动算力网络的业务场景中
37、往往涉及到多终端协同工作。因此，移动算力网络需要能够提供手机终端、XR头显类终端、UAV或AGV、以及各类传感器/控制器等多设备连接会话的关联和同步传输，以便实现物理世界和虚拟世界的混合渲染和应用逻辑同步。3.4 基于端边云协同的算力服务当前移动算力网络潜在的业务场景中，往往需要基于边缘计算提供算力服务。但当前5G网络架构下，仅支持单个MEC为单一业务服务。因此移动算力网络需要改变单一边缘计算接入分流的限制，支持按网络连接状态充分调用网络边缘的算力形成本地互联的MEC群组。并通过计算卸载、多点协作等方式在MEC群组中进行最优计算任务分配，解决终端算力不足与云计算通信时延长的问题，提供低时延且高
38、可靠的算力服务。同时，移动算力网络应充分利用中心云、边缘计算、以及终端的各级算力，通过算法灵活跨层利用多级算力。例如在部分涉及Al的业务场景下实现云端超大规模模型训练及下发等，边缘计算支持较复杂的推理，而终端仅需进行少量数据预处理。3.5 提供互联网与行业专网同时可获得的算网服务在面向行业的应用场景中，移动算力网络需要支持更强的算网协同能力，将算力资源与网络的便捷接入、安全管控等能力进行融合。例如，当企业用户通过宏网接入时，需要能够随时随地同时访问移动互联网及企业专网获得特定的算力服务。当前专网接入方案受限于覆盖区域和专线部署成本等因素，一般只能提供本地区域级接入和访问，无法支持用户在任意地域
39、都同时接入到互联网和专网。又或当用户在跨省漫游时，虽然可以正常访问互联网，却无法访问专网服务。因此，需要有行之有效的关键技术来实现不同种类用户对业务和算力的多域互联的需求。3. 6移动网络算网一体化编排与联合调度移动算力网络是计算能力与网络能力的紧密结合。面向XR、移动终端Al等低时延交互业务，一方面需要核心网与无线接入网络间信息交互，提供高效网络传输：另一方面需要云边算力与移动终端算力进行协同，满足渲染、Al训练等计算能力要求。现有移动通信网对泛在算力的管理机制相对单一，缺乏对云边端算力的协同调度机制，难以应对业务动态需求与潮汐效应等问题。为满足业务端到端QoS需求，需要综合考虑网络连接状态
40、、可用带宽、端边云异构算力类型，算力负载等算网资源信息，通过算网资源联合管理与算网服务一体化编排，按需灵活地将业务分发调度到分布式算力节点，并提供动态算网服务来保证业务质量与用户体验。随着新型融合技术发展，移动通信网将支持感知、定位等能力，在一张大网上提供多样化网络服务。同时，网络端到端服务化趋势需要将底层算力资源分离抽象为独立的网络功能，并进一步实现网络功能的灵活部署与调度，以提升网络管理效率。目前，对网络功能的编排调度局限于核心网控制面，缺少端到端网络整体服务的灵活编排与管理，造成算网资源浪费、网络运营成本高的问题。为进一步提升网络管理效率，移动算力网络需要对泛在网络与算力进行统一编排管理
41、。根据业务需求与算网资源状态的动态变化与预测情况，高效调整网络功能虚拟化实例的算力部署策略，并结合动态路由与寻址技术提供最优服务访问路径，实现多样化业务场景的按需服务调度与网络高效运维管理。3.7移动网络算网一体化能力开放面向未来越来越丰富的业务诉求，移动算力网络应为运营商自营服务或第三方应用提供端网协同一体运行环境。除了为在网业务提供通用的内生算力外，还应该通过屏蔽底层复杂的端网协同流程和算力资源调度机制，简化应用开发流程，使得运营商和第三方可以直接在移动算力网络上快速开发和RT2。2。部署应用。在5G-A中，移动算力网络作为统一的基础设施层应可以通过NEF(NetworkExposureF
42、unction)对AF(ApplicationFunction)提供算网统一的能力开放接口。AF根据算网信息动态调整业务部署和路由策略，AF可以是应用服务器、算力网络的算网大脑或其他域的移动算力网络。移动算力网络架构及潜在关键技术4.1 移动算力网络逻辑架构移动算力网络从逻辑功能上分为基础设施层、算网管理编排层、应用使能层三部分，并且可以与算力网络三层架构形成分层对应和协同关系。如图4所示。算力9mAiw*k?*,0图4移动算力网络逻辑架构MCFN基础设施层：MCFN基础设施层分为物理接入传输、算网用户面、算网控制三个子层。物理基础设施子层即5G/5G-A移动网络物理基础设施，含接入网、承载网
43、、骨干网等，用于实现物理接入与传输功能。算网用户面子层主要以5G分布式用户面及5GMEC融合的MCFN节点为主要部署形态，并在移动承载网之上构建MeSh互联的分布式计算体系，与UE形成广域下的端网边计算连续体。MCFN作为算网融合的移动算力网络节点，包括算力资源功能、移动网络流量策略控制功能、算网服务功能。同时MCFN节点可与算力网络基础设施中的边缘算力、云算力实现交互和协同。算网控制子层包括5G/5G-A控制面、边缘算力管理器和算网体验统一保障功能。边缘算力管理器主要实现算力资源的状态感知和任务调度分配，5G-A控制面需要针对大量分布式计算节点和动态的计算任务调度实现算力感知的动态移动会话管
44、理。算网体验统一保障功能负责端到端的业务运行态体验保障，实现算力资源、网络资源、业务实例的实时监控、调度与控制，达成端到端QoS保障。算网控制子层与算网用户面子层共同实现网络与算力、应用的协同，实现最佳的连接和算力调度能力，及最优的算力、应用访问体验。MCFN算网管理编排层：MCFN算网管理编排层中的算网资源统一编排功能属于全局管理器，维护移动算网整体资源视图，实现网络功能、计算任务与网络和计算资源间的映射和编排，实现整体资源的合理化使用。另外，作为系统必不可少的部分，该层还需要考虑统一运维管控和安全管控，确保系统的可管可控可信。MCFN算网管理编排层也可以接受来自算力网络编排管理层的调度，实
45、现云边一体化管理并提升云边之间的资源编排效率。MCFN应用使能层：MCFN应用使能层将以多租户方式以及算网统一方式对外提供能力开放服务。结合MCFN节点的算网融合基础设施，应用使能层通过统一的租户模型，为各类用户(个人用户、运营商自营业务、第三方垂直行业用户等)提供安全隔离的集成端到端移动接入的租户运行环境，并通过算网统一能力开放接口，屏蔽底层异构算力资源和复杂组网环境，方便培育移动算网应用开发生态。另外，MCFN应用使能层承担整体的算网运营以及与其他MCFN子网或者算力网络的并网协作和算力交易。移动算力网络三层逻辑架构依赖多种关键技术的支撑，图4中的10个标号对应了10个关键技术点，将在4.
46、2章节中分别展开介绍。4.2 移动算力网络潜在关键技术4.2.1 超融合轻量化本地算力资源池化技术移动算力网络的应用场景丰富多样，不同场景和业务必将导致差异化的算力资源诉求。同时，移动算网节点必定面临海量部署、深度下沉、快捷交付的典型诉求。上述背景决定了移动算网节点必须16引入具备超融合轻量化特征的算力资源池化技术：1.1.1 算力资源管理：算力资源池应能够在单一资源池内、相对有限的物理计算节点(服务器)上，灵活按需地提供物理计算资源，如GPU、NP.DPU、ASIC等，以及其他多形态的计算资源隔离和分配对象，如VM、裸金属、容器、函数等。并实现各类资源的共池共节点智能混合调度，从而最大程度满
47、足业务诉求，并最大程度减少算力资源碎片；1.1.2 资源池：与当代云OS等算力资源管理系统相比，未来的算力资源管理系统应更为简洁，自身组件资源占用更低，一方面让移动算网节点的交付工作量最小化，另一方面尽可能将移动算网节点宝贵的算力资源提供给业务应用。综上，针对移动算网节点场景的超融合轻量化资源池化技术，属于移动算力网络领域的关键技术之一，有待持续研究与突破。1.1.3 核心网用户面Mesh互联随着越来越多的边缘计算节点部署到网络中，提供了便捷的边缘接入云的能力。CDN业务的边缘和中心互访实现业务回源机制、2B园区业务互访等，都对核心网用户面提出了能够在地市级、区县级广域覆盖范围，实现组网上能互
48、联，业务上能互通的要求。移动算力网络内不同节点之间的应用和算力可利用用户面网元UPF的N9/N19接口已具备的广域互联互通能力，实现UPF拓扑灵活调整和按需路由转发，直接将广域多个分布式算力节点组网成一朵云，使能行业多子网跟随业务和算力流动，相比边缘云基于专线互通的方式节省运营商额外的专网建设成本。进一步的，移动网络可以通过Mesh互联的方式提供UE到边缘算力的连接以及UE到中心云算力的连接。从而使得应用能够灵活将服务部署到UE算力、边缘算力以及中心云算力，然后通过5GS提供的标准化接口对业务流在部署在不同算力节点的服务之间进行灵活协同和调度。1.1.4 移动网络流量策略控制移动算力网络节点既包括承载算力的边缘云，也包括承载移动接入和用户数据流转发的
