数字孪生网络实践和启示

chzh4719

未来网络将超越传统移动通信的范畴，实现通感算智多能力一体融合。多种新型网络技术的引入会进一步拓展业务空间，使得网络管理复杂性大幅提升。与此同时，生成式AI等大量新型应用在快速崛起，使得网络业务环境更加复杂，对网络的效率、可靠性等服务质量提出了更加苛刻的要求。数字孪生网络（Digital Twin Network, DTN）是赋能6G网络高等级自智的潜在关键技术之一。通过精准地、智能地将物理网络映射到数字空间，DTN将构建出与物理网络虚实映射的孪生体，对网络进行全面监测、推演、寻优和进化，全方位提升6G通感算智融合网络运行可靠性及效率。本文将针对网络全生命周期管理中的网络规划、建设、维护和优化四个阶段分别介绍国内的DTN实践案例。实践表明，随着数据治理、孪生建模、业务编排等技术的不断演进，未来DTN将助力实现网络全生命周期高水平自治。

DTN原理

DTN作为下一代通信网络的重要技术，其核心是构建物理无线网络与虚拟孪生体的实时联动闭环。具体而言，DTN通过各类传感器采集物理网络中海量多源异构无线环境信息、网元配置及协议栈运行状态等数据，并将这些数据输入虚拟空间，构建与物理网络精准映射的孪生模型。基于该模型，DTN将仿真网络拓扑变化、业务负载波动等业务场景，分析预测潜在故障或资源瓶颈，得出仿真优化方案并在孪生体中进行预验证。预验证的结果（如资源调度策略、参数调整建议）反向同步到物理网络并落地执行，同时物理网络的执行效果会再次反馈给虚拟孪生体以更新模型，形成“数据采集 - 建模仿真 - 优化部署 - 效果反馈”的持续迭代，最终实现物理网络的动态优化与高效运行。

DTN实践案例

网络全生命周期管理包括网络规划阶段、网络建设阶段、网络维护阶段和网络优化阶段。下面对这四个阶段分别进行实践案例介绍。

（一）网络规划：需求预测——精确站点规划选址

为缓解无线网络业务量的爆发式增长及网络性能压力的突增，需要准确有效地对未来的网络业务量进行预测，从而进行站点地址的合理配置。同时，基于流量预测网络智能化评估能准确投资基站建设、指导网络优化部门动态载波调度，提升新建站点规划选址的准确性。DTN赋予了该领域一种全新的在网络空间推演、仿真、预测流量的能力，可以更准确的对站点进行选址。

本实践构建了DTN网络流量预测平台，该平台结合了自然语言处理技术的时序生成模型架构，并引入了自注意力机制，使得系统在进行未来每一天业务量预测时，能够充分利用历史数据信息，从而为网络优化和流量管理提供了具有高价值的数据支持。基于该平台，对南京市某时间段的流量热点区域进行了预测，预测结果作为网络规划人员新站点选址的重要依据，可有效辅助通信资源的合理分配。结果表明，基于本方案的预测结果以及资源规划能力，网络动态载波调度准确率提高7%，站点规划选址准确性提高10%，对高负荷小区提升流量增益5%。同时，相较传统模式下的基于人工的流量预测及业务调整方法，成本可压降 60%以上，实现了网络资源管理领域的降本增效。

图2-1 可视化流量热点地图

（二）网络建设：环境勘测——基于三维勘测建模的自动化环境勘察

传统网络勘察设计需要一线人员现场摸排机房及天面环境，在此过程中难以通过动态仿真将物理网络的信息自动化呈现在规划设计图纸中。本实践通过三维勘测可视化技术解决网络建设过程中机房环境立体建模、机柜管线、空调制冷等设备运行状态监控等，实现线上化、立体化的建设方案设计与展示，并模拟多种设计方案效果，提升网络规划建设的精准度。

首先，采用激光点云测量、机器视觉点云测量、无人机倾斜摄影等技术手段得到室内外点云和照片组。然后，对机房空调等设备进行三维重建，实现达到环境全貌清晰、设备模型精细的可视化效果。点云通过渲染、语义分割、物体辨识等功能实现三维建模渲染，通过算法将点构造成空间三维模型。在图2-2中，左图展示原始采集的点云模型是真实机房环境的建模，右图是模拟放置机柜后的效果，通过在线调整机柜放置位置，提供了多部署方案的模拟和最佳方案的推演决策，达到了几近现实物理环境中放置位置的效果。

图2-2 三维勘测图

（三）网络维护：故障抢通——网络智能容灾现有网络抢通决策难度高，容灾倒换等操作影响大。此外，由于核心网元数量众多，原始人工关系梳理耗时长，精度差，评估复杂度极高。动网操作由于涉及大量的动网参数决策，参数配置修改影响评估耗时不可控。借助网络数字孪生技术，可实现网络容灾倒换过程智能评估与容灾倒换过程可感可视，通过对动网参数（如流控参数）执行仿真优化，实现大区倒换收敛速度提升。本实践通过对多域多网元信息在线自动采集，实现事前精准预测、事中快速决策，辅助运营商高效完成容灾操作。图2-3展示了该实践中设计的平台示意图，仿真环境（虚拟网络）中包括了真实网络环境中信息，从而可以实现容灾过程的实时可视。实践数据显示，系统15min即实现了容灾评估辅助决策，结果偏差小于10%；倒换风险提前识别，典型场景机器自动值守，全流程状态可视；10min 浪涌评估快速收敛，参数优化配置组合快速完成。

图2-3 基于物理网络构建仿真环境，结合终端特征执行浪涌冲击评估

（四）网络优化：大规模天线波束权值优化在传统无线网络中，为了提升用户服务质量，需要考虑复杂的地理特征以及动态变化的用户分布，对大规模天线权值精准地进行权值优化。在传统方法中，首先，基于专家经验的模式很难考虑多方面复杂因素（干扰情况、业务需求等）来满足用户需求。其次，基于传统优化理论的方法需要对环境各影响因素建立完备的数学模型，但是在复杂环境中往往无法得到这样的模型，并且人工成本高，可拓展性不强。此外，以深度强化学习为代表的智能优化算法，存在数据需求高、计算开销大等问题，在实际网络环境中进行线上训练时会严重影响网络的实时性能。为此，本实践引入数字孪生增强优化的思路，通过对波束域信号强度的拟合与预测，为优化算法提供虚拟等效训练环境。在本实践中，采取基于相对信号强度（Reference Signal Received Power，RSRP）映射的数字孪生网络建模。基站获得部分波束对应的RSRP信息，训练深度神经网络，将部分波束RSRP映射为完整码本上的RSRP，进一步预测SINR 等指标。在波束管理优化时，引入多智能体深度强化学习算法，将多基站多波束的高维组合优化问题分解为多个单波束决策的多智能体协作优化问题，从而有效解决问题维度过高的问题。通过在数字孪生网络和真实环境中的多轮交替训练，可以在保证安全探索的同时有效提升收敛速度。实践表明，采用数字孪生增强强化学习的技术，能够实现网络SINR性能提升10%以上以及约5倍的收敛速度增益。

DTN实践启示

DTN的核心价值启示可以凝练为三个方面：网络高精度预测与仿真、网络状态精准呈现与智能决策、网络假设推演与策略预验证。

（一）网络高精度预测与仿真

由众多DTN实践案例可知，在网络全生命周期管理中，网络依赖DTN对业务流量、网络环境、网元状态等进行高精度预测与仿真，为不同阶段提供可靠的网络策略目标和依据。具体来说，网络规划阶段需要DTN对业务流量、站址价值、无线环境等的高精确预测，并对规划策略的性能进行预测仿真；网络维护阶段需要DTN对全局网络故障进行预测，并对容灾策略进行提前仿真；网络优化阶段依赖DTN对网络环境、业务需求进行动态感知预测，并对优化策略性能进行仿真验证。为了实现高精度网络预测与仿真，需要逐步对单网元节点、端到端网络以及业务开展研究。

（二）网络状态精准呈现与智能决策

在网络全生命周期管理中，DTN通过现网数据实时采集同步，对真实网络下的用户行为、信道环境、网元运行状态甚至内部运行机理进行精准建模仿真与复现还原，叠加必要的可视化能力甚至3D建模技术，极大提高了网络状态呈现的准确度，有助于智能决策。具体来说，网络建设阶段需要DTN对机房环境、机柜管线、空调制冷等设备运行状态进行实时呈现，并模拟多种设计方案效果，提升网络规划建设的精准度；网络维护阶段需要DTN对多层级网络设备状态与网元健康状况进行精准呈现，对动网优化策略进行智能决策；网络优化阶段需要DTN对真实网络下的用户行为、信道环境、网元状态进行精准复现，以提升业务质量、降本网络成本为目标，对复杂网策略进行智能决策和优化。

（三）网络假设推演与策略预验证

在网络全生命周期管理中，DTN可以对网络基于各种假设情况进行推演，为复杂的网络优化智能决策算法的研发及验证提供必不可少的网络交互环境。特别地，在网络维护阶段，DTN假设推演和预验证有利于降低容灾倒换等操作带来的巨大影响，迅速准确评估配置修改的性能，为动网提供可靠的依据。在网络优化中，DTN可以为各种网络优化场景提供效果的预验证和模拟能力，有效提高网络优化质量。

总结

本文对目前国内典型DTN实践案例进行介绍，并给出关键启示。实践表明，在未来的移动通信网络中，DTN具备网络高精度预测与仿真、网络状态精准呈现与智能决策、网络假设推演与策略预验证技术优势，是网络全生命周期管理的重要关键技术，有望助力实现更高阶的网络自智。     

审核：金婧 | 未来研究院

作者：辛雨桐、朱艳宏、康曼聪、楼梦婷 | 未来研究院