2024年6G网络AI关键指标需求白皮书-6GANA_26页_1mb

6G网络AI关键指标需求分析总结
前言1
6G网络引入了沉浸式XR、自动驾驶、智能协同控制等丰富用户场景，推动网络AI技术发展。网络AI通过AI算法优化资源配置，提升性能与可靠性，提供就近泛在的AI服务。现有5G SLA主要面向会话连接（如时延、抖动、误码率），缺乏对AI服务的刻画，且云AI的基础设施即服务（IaaS）、平台即服务（PaaS）、软件即服务（SaaS）模式无法兼容。6G需量化并标准化AI相关指标，以支持高效AI服务。

关键指标设计原则和方法
网络AI KPI设计需遵循以下原则：

1. 定量性：指标需可度量，明确测量方法，便于数据验证与分析；
2. 业务相关性：需直接关联AI服务对业务的影响，确保与业务目标一致；
3. 可操作性：指标应指导网络决策、执行与评估，而非仅用于性能描述；
4. 灵活性：适应业务与技术变化，避免频繁调整；
5. 可定位性：KPI变化需可追溯具体原因。
   设计方法包括：从典型场景用例出发，明确服务需求；区分面向用户、网络或系统的指标对象；结合ITU提出的15项6G能力指标筛选符合AI需求的子集；补充场景层面新指标（如空口、分布式推理等）。

典型场景及新KPI
场景一：网络辅助智能机器人

• 需求：协作机器人需高效任务规划，6G可优化资源分配，避免多轮协商耗能。
• 新KPI：环境渲染准确性（AI模型误差）、D2D数据交互时延、模型聚合时延、模型聚合准确性、系统鲁棒性（部分机器人失联时的可靠性）。

场景二：XR智能场景

• 需求：AR导航需低时延、高精度，支持多语言翻译和实时交互。
• 新KPI：AI服务时延、推理准确度、系统鲁棒性。此外，需关注服务密度（单位区域内满足需求的AI任务数量）和计算资源效率。

场景三：终端智能应用（如音频转文字）

• 需求：6G通过终端与IMS分割推理降低时延，提升精度，避免数据泄露。
• 新KPI：AI服务时延、推理精度，并引入服务密度指标（单位时间、算力、带宽下可承载的AI业务量）。

网络AI KPI指标设计方案
综合ITU-R、Hexa-X、5GPPP和6GSANDBOX的模型，提出以下设计思路：

1. 分层设计：
   • 用户SLA层：涵盖服务精度与时延，直接影响体验；
   • 性能层：评估网络容量与覆盖（如服务密度）；
   • 效率层：综合资源消耗（频谱、计算、存储效率）。
2. 角色适配：区分服务提供者（如运营商或OTT）、使能者（如设备商）和服务消费者（终端用户），确保KPI覆盖不同需求。
3. 指标分类：
   • 现有指标演进（如速率、时延、连接密度）；
   • 现有指标重定义（如服务可获得性、网络能效）；
   • 新能力指标（如AI训练/推理时延、精度、密度）；
   • KVI（关键价值指标）：包容性、可持续性、可信性等抽象概念。

网络AI KPI定义与评估

• AI服务精度：在给定时延下，AI输出与真实值匹配程度，受通信（丢包率）与计算（模型推理准确率）联合影响。
• AI服务时延：端到端时延，包含部署、处理和传输三阶段，需平衡准确率与延迟。
• AI服务密度：单位区域内满足精度与时延的AI任务数量，需通过仿真优化用户数与资源分配。
• AI服务效率：资源综合消耗（频谱、计算、存储），需协同评估可持续性与成本效益。

评估方法

1. 精度评估：通过InH/DenseUrban-AIAC测试环境仿真，结合丢包率或时延预算计算精度；
2. 时延计算：调整时延预算（PDB）并仿真，确定满足精度要求的最小时延；
3. 密度分析：逐步增加用户数，统计满足精度阈值的场景，计算用户密度与覆盖面积比；
4. 效率评估：基于资源利用率公式（η=α·SE+β·CE+γ·ME），权衡频谱、计算与存储效率。

总结与展望
6G网络AI需构建独立的关键指标体系，区别于5G通信主导的KPI。新增指标（如环境渲染准确性、模型聚合效率）需结合实际场景需求，同时融入角色视角（用户、制造商、运营商等）。未来需进一步研究指标间的协同关系，推动标准化进程，保障内生AI服务质量，支撑千行百业的智能化转型。参考文献包括ITU-R报告、Hexa-X、Gartner、IDC等研究机构的数据及技术预测。