通信世界网消息（CWW）2019年已成为5G商用元年。5G商用，承载先行，承载能否满足5G网络要求将直接影响到5G商用进程。随着5G商用的加速，业界对5G承载的关注度也越来越高。
作为“5.17世界电信日大会”重磅分论坛之一，“2019 5G承载技术标准与产业研讨会”于5月16日在北京新世纪日航酒店拉开帷幕。本次研讨会邀请了中国信通院、三大运营商以及华为、中兴等产业链厂商汇聚一堂，共庆世界电信和信息社会日的同时，以“承载铺路，5G启程”为主题，全面展示5G承载产业发展图谱。
北京邮电大学信息与通信工程学院教授/博士生导师顾仁涛在主题演讲中指出，5G指标是大、快、杂，“大”是两个大，流量大、网络大；“快”主要是快速响应；“杂”体现在业务杂和节点数杂，层次多。此外，他认为智慧协同光网络能够助力5G发展。
以下为演讲全文
各位专家、各位来宾，大家下午好！我是北京邮电大学的顾仁涛。今天上午很多专家已经介绍的非常具体的落地措施和技术实现的方式，我主要是跟各位汇报一下我们对5G承载未来趋势的判断以及前期调研的结论。我的报告包括四个方面，一是5G需求与面临挑战，挖掘一下5G到底对承载有什么需求和要求。二是光—无线协同控制。三是光—AI智能感知处理。四是面临挑战与开放问题。
这个图大家很熟悉了，描绘了5G的三大场景，概括起来就是速度要求很快、连接数多、密度很大，超低时延要求和可靠性要求也有非常大的增长。从整个指标来看，5G指标包括四个要点。一是大流量，因为密度上去了，用户的速率上去了，所以流量非常大。这可能会对承载造成一定的冲击。二是多业务。我们有大带宽业务，也有极小带宽业务，使得我们业务种类更丰富，差异化更大，所以要求采取不同的方式。三是低时延。我们一度发现光网络面临很大的挑战是时间一压再压，被5G指标压得快喘不过气来了，但是目前已经达到了一个比较难受的瓶颈和极限，进一步压缩时间我们该如何处理。四是高可靠。我们很多应用场景不再是普通的老百姓和群众，可能会面向工业有很大的应用场景，包括工业互联网、包括电力通信，这些都对可靠性有非常高的要求。
将四个指标归纳成三个字，一是大，二是快，三是杂。“大”是两个大，流量大、网络大。“流量大”是指用户多、节点数多，所以带宽会大。网络大，从节点的密度来讲和终端数量来讲，这个网络规模是以前我们所没有见过的。这么大规模如何去管理、如何去控制，这个问题也是比较困难的。
“快”主要是快速响应，我们认为是光和无线协同的最根本的驱动力，因为它要求快，所以不协同就不行。
“杂”体现在业务杂和节点数杂，层次多。比如前传可能分为两级，再加上回传，每一级的特点不一样。比如有单独的小基站回传，，导致网络层级非常多。
光承载比较困难的原因在于从5G开始，光跟无线是分不开的。我们原来也探讨过1G、2G、3G，4G开始有一些苗头。之前发展过程中，光和无线是相对独立发展的。现在5G把光跟无线协同，我们未来称之为并联，是因为现在移动的需求单单依靠空口的技术，包括移动本身的技术没有办法再去很好解决了。所以，要求必须跟底层做一些联动。甚至底层要围绕移动做一些适应性的调整。所以我们这里用的词是“迫使”，5G不仅改变了无线侧，还迫使承载面发生了一些变化。
如何来破解大、快、杂这三个难题，我们这几年反复进行了探索，主要是两块。一块是要求承载面能够实现高效协同控制。另外一块是我们能够实现智能的感知处理。我们把SDN的发展称之为增强神经系统，大脑控制四肢更为便捷了，但是意味着我更聪明吗？不是，但是我的反应会更快。所以在这些方面可以更多地避免资源预留。无线和光如果能实现联动和协同，无线实现多少带宽，光马上实现供给，这样做规划的时候不用预留多少余量，这样成本就能够在很大程度上降低。如果光跟无线不能做到协同，时间就会拖得很长。所以我们认为高效的协同控制能够提升网络反应速度。
另外一个驱动力在于节点多、业务杂、层次多，这就迫使我们不能再采用原有的规划思路或者优化思路再去看我们现在的网络，所以我们需要引入一些包括机器学习或人工智能的手段，让网络能够自调入。切片的速度要调整得很快，人工干预显然不能满足这种速度的需求，所以希望网络自己能够侦测是不是有业务发生了变化，需求是不是有调整。另外一方面，网络自身的状态是不是也发生了变化，然后再经过一些自调整下发下去。所以，后面的光网络应该是一个智慧+协同的光网络。协同意味着控制器对设备之间有很好的控制能力。另一方面应该具有感知处理和决策的能力。合在一起就是智慧协同的光网络。
这里有一个简单的示意图供各位专家批评指正。这里的协同我们强调两点，我们叫内外联动。内外联动是控制面、承载面内部可能存在多种域、不同知识体系，它们之间首先要形成统一的管道，这是一个基本要求。包括通过SDN的切片，能建立一个通往底层的管道。第二是外部的协同。光网络要对无线的控制器有开放的接口，我们能跟无线的部分有协同，真正实现联动。跟OSI的模型是一样的，上层的需求对底层的网络应该有一定的控制能力，这样我们才能做到高效的控制。
在此基础之上，就能够做到主动优化，也是包括两点。第一，知己。第二自彼。知己意味着光网络应该能够利用技术对自身的状态和能力做评估。知彼是我应该能够对业务进行预测。既知道业务往哪个方向去变，需求往哪个方向去变，又知道我自己有哪些能力，这样才能连在一起做好调度。所以，不管是光的控制器也好，还是无线控制器也好，它们之间应该在更高层面上进行互通和联动。在底下的不同设备层面应该做相关的调整，同时也是有一些感知和在线的能力。我们分析过机器学习和传统的优化方法的主要区别，机器学习可能会给在线优化提供一种途径，也就是设备不用受到损害，在业务无损的情况下就做到快速优化。
切片是一个比较大的目标，但是无线和光要一起来切。这就要求无线网络能够按需重构进行调整，对于光网络而言，大家已经把SDN做成泛化，也就是广义的SDN，对底层的不管是L3功能，还是L1功能都进行表征，进行统一的管控和编排，最后形成协同控制。我们分为承载面协同和承载间的协同。承载面协同是设备接口统一化，不管有没有SDN功能，通过各种改造方式都能够实现接口标准化，以便于进行控制。二是按照不同的技术体制，不同的网络结构以及不同的传输技术，形成端到端的通道。
无线资源和光资源的协同我们也做过尝试，把无线的切片需求分解成计算资源的需求和无线资源管理调度方面的指令。另一部分是给光网络控制器下发一个拓扑的连接以及切片的指令。这个也实现了两个并行调整的能力。一般来讲，NFV的建立需要时间长一些，如果光跟无线并行做切片，光网络的承载时间基本可以忽略，因为它会短于无线资源的建立时间，效果还是不错的。
非常感谢国家科技部的重大专项，在这个思路之下，我们联合中国移动一起在OFC上做了联合展出。包括胖的设备，包括中间的分流传送设备，也包括SDN架构下的网络模型。
协同控制是基础，协同控制学术界、产业界做了大量的工作，积累比较深厚，但是智能感知是下一个发展方向，原因是节点数已经非常多了，链路也很多，业务很杂，要求也很多。这样使得我们的系统会变得非常复杂。另一方面，5G也要求切片要快速响应、业务要快速建立，二者之间是有一定矛盾的，我们希望借助一些手段，未来缓解和减轻这方面的挑战。
人工智能比较火，大家也比较熟悉，几经波折。现在又认为是一个相对来讲比较高的。2016年、2017年大家处于狂热的状态，2018年开始大家开始稍微冷静了一些，静下心来反思机器学习对光和无线承载有哪些价值所在。我们分析了物理层和网络层，确实还是有一些用处的，而且国内外科研人员也做了一些相关的探索。
在物理层来讲，我们利用机器学习可以做光性能的监测。原因在于想适时监测物理信号，传统的高丝信号模型，在高复验性的情况下并不是特别适用，使得理论值和最后实际值存在偏差，这个时候可以利用机器学习的一些手段预测光信号OSNR。对参数进行估计，至少能够给出一个是否满足阈值的判断。第二类是非线性补偿，是因为传输速率在不断增高，信道轨要求越来越高，就使得功率比原来需求量大。这就使得光信号里面的效应跟原来比面临的挑战更多。DSP如何去设置，现在有一些专家已经在做了，我们通过神经网络建立了一些模型，来训练如何设这些系数。右侧红色的点是出现误判的情况，没有进行机器学习的非线性补偿，左侧是经过了机器学习的线性补偿，效果还是比较理想的。第三类是信号的判决。原来基于欧式距离的判决不大适用，所以大家开始探索基于互联概率的判决。拟合出大概的值是多少。
我们事先要知道信号是如何进行调制的，调制的格式怎么样。一种是直接根据特征进行判别，这种方式比较简单。现在又有一些方式，利用图像识别来对调制格式进行识别。
从目前来看物理层比较简单，而且很有效。网络层问题会多一些。这里的预测还是比较简单的，刚才我们说到知己知彼，这个属于知彼。判断下一个时间刻度它是增加还是减少，增加、减少多少，便于我能够提前调度一些网络资源对它进行弥补或修正，也就是所谓的前摄性的网络优化，主动根据一些参数判断未来的业务和网络的走向。这种方式很久了，零几年大家就开始做了，用滤波器把高频噪声滤掉，把低频的留下，可以判断出一种趋势。现在还可以用神经网络和虚拟学习的方法。
有一定争议的地方在于路由规划。因为传统的方式也能做路由规划，机器学习的路由规划优势在哪儿？我们发现利用机器学习做路由规划还是在于快。比如神经网络，一旦建立了业务矩阵和最优路由策略的连接模型，给我任何一个业务矩阵我都能很快地告诉你自由路由在哪儿，这个速度是比较快的。所以，我们当时把机器学习放在路由里面，称之为计算能力或者计算需求的再分配。因为传统的方式是你给我一个输入，所有的东西都是在线进行的，而机器学习是我们把大量的工作放在云上，在线部分工作量会大幅降低。
资源分配我们分析了IP和光两种模式的不同。IP也有分配，就是带宽，但是光上的资源维度太多了，而且是带密度的，不连续的。比如25G、50G是有密度的。这种情况下成本优化我们只能做递进，利用机器学习和神经网络的方式做特定的降维，从而加快运行的速度。
同时我们也需要做光路质量估计。如果网是动态的，我们觉得是需要光路质量估计的。比如非线性跟链路上的业务相关链路上只跑一个波长不大会有分析项目，如果很多分析项目会很多。随着网络运行时间积累的越来越长，差异会越来越大。因此需要做一些光路质量的估计。因为分析效率增强，我们在做路由规划的时候也需要通过光路质量估计做一个后校验。国内外一些研究机构都做过相关的尝试，包括采集了不同信号的特征去做一些分解，来判断最后的质量是不是能够满足要求。课题组也在做这样的工作，类似于断层分析，从网络外界通过路径的质量来推断光链路的质量。
最后是网络告警的关联分析，很多运营商在做这样的事情，我们认为这也是比较关键的一点，因为设备很多。一个点告警就会引起一片告警，而且告警的故障也不见得是根源，所以我们认为也是存在很大发展空间的。
刚才向各位简单汇报了我们从物理层到网络层几个方面的国内外研究进展，包括我们的一些看法。后面我们发现也有一些问题：
一是开放性数据集。人工智能做竞赛一般会有一个数据集，但在网络里面是没有的，所以会导致A机构出的论文和B机构出的论文没有可比性，也没有统一的量度，这限制和制约了整个算法的改进和发展。我们看过很多篇论文，去复现它的算法，后来发现效果并不理想。经过交流，发现很多论文是在特定情况下成立的，并不是广泛适用的，这也是我们缺乏各种数据集校验。
二是模型的可解释性。我们把大数据称之为自上而下的挖掘，传统是自下而上的挖掘。网络里规则性是很强的，不同于图像识别。比如照个照片，哪个像素组成鼻子，哪个像素组成耳朵，很难给出规则，但是光网络里规则性很强。所以，通过建模得到一些参数跟实际情况不见得有对应关系，这影响了大家的信心。
三是模型泛化能力，这是很关键的一点。比如你给我一个100G的网络，我好不容易建好模了，因为某个节点坏掉了变成99个节点，对不起，这个网络我不一定使用，或者效果不明显。
四是安全和可靠性。我们看到一个人的照片，改了一些像素，让计算机识别以后变成了一条狗。说明拟合网络的模型不见得是安全的，可能会形成更坏的结果。
因此未来我们可以做的工作，一是尝试建立共享开放的数据库。二是挖掘与规则并生的模型更为有效，既能反映出规则建立，又能结合底层看到的特征，这也是人工智能发展中的很大问题。三是小扰动下的网络调优。大规模的调优可能会存在一些问题，但是如果我们做微调，机器学习可能有非常大的优势。快速地做一些收敛，效果会很好。还有联邦迁移学习，有利于提高模型的访问能力。四是强化模型测试、决策一致性检测，来降低模型里潜在的风险。这是我们把机器学习和人工智能引入到光网络里可能存在的问题和挑战以及有什么样的解决方案。
协同和智能是5G的内在要求，不是空谈为什么要这么协同，为什么要这么智能，是因为5G本身就要求做到协同和智能。多域光传送可能是5G的基础。在光和无线协同条件下，网络变得更复杂了，这时候光网络真正的智能化还面临很大的挑战。5G对我们的流量、对我们的业务有很高的要求，只有实现了智能化，可协同光网络才能真正释放出来5G的巨大能量。总体来说，风景美好，但我们正在路上，希望和各位专家共同努力能够推动5G技术的发展。谢谢大家！
