【6GANA】2024年6G网络AI关键指标需求白皮书_26页_1mb

6G网络AI关键指标需求总结

核心内容

6G网络的发展推动了AI在通信网络中的深度融合，为用户提供更广泛、更智能的服务。相比5G网络，6G引入了新的AI能力和服务场景，如网络辅助智能机器人、XR智能场景、终端智能应用场景等。这些场景对网络提出了新的性能和质量要求，包括AI服务精度、时延、密度和效率等关键指标。为满足这些需求，6G网络需要在KPI设计上进行扩展和标准化，以实现高效、可靠、安全的AI服务。

主要观点

• 6G网络AI服务具有泛在普惠、移动性支持、用户属性、极致性能、内生安全隐私、可信等技术优势。
• 现有5G网络的SLA主要关注连接性能（如时延、抖动、误码率、峰值速率等），缺乏对AI服务的专门刻画，无法满足6G场景需求。
• 6G网络AI需要扩展、收敛、量化、标准化相关指标，以支持多样化的AI能力与资源。
• AI服务的KPI设计需遵循定量性、业务相关性、可操作性、灵活性和可定位性等原则。
• 网络与AI融合的KPI设计应从用户SLA、网络性能和网络效率三个层次进行，涵盖AI服务精度、时延、密度和效率等关键指标。

关键信息

1. 典型场景及新KPI

场景一：网络辅助智能机器人

• 典型用例：机器人协作搬运设备，网络提供任务分配、环境建模和模型聚合服务。
• 新KPI：
  • 环境渲染准确性
  • 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

场景二：XR智能场景

• 典型用例：AR导航与实时内容生成。
• 新KPI：
  • AI服务的时延
  • AI服务推理的准确度
  • 系统鲁棒性

场景三：终端智能应用场景

• 典型用例：实时音频转文字与翻译。
• 新KPI：
  • AI服务时延
  • AI服务精度
  • AI服务密度
  • AI服务效率

2. 网络AI KPI模型设计

2.1 KPI定义

• AI服务精度：衡量AI服务在给定时延范围内处理任务的精度。
• AI服务时延：网络执行AI任务的端到端时延，包括部署时延、处理时延和传输时延。
• AI服务密度：单位覆盖区域、单位算力和带宽下可满足AI业务要求的用户数。
• AI服务效率：单位覆盖区域内，满足AI业务精度和时延要求时的综合资源消耗。

2.2 KPI模型分类

• 现有指标演进：如速率、容量、定位精度、连接密度等。
• 现有指标重定义：如服务可获得性、服务可靠性、网络能效等。
• 新能力引入的新指标：如AI训练时间、AI推理时间、AI模型处理资源等。
• KVI（关键价值指标）：如可持续性、可信性、包容性等。

2.3 指标层次

• 用户SLA：关注用户可感知的服务质量，如AI服务精度和时延。
• 网络性能：关注网络在支持AI服务时的整体表现，如AI服务密度。
• 网络效率：关注资源利用效率，如AI服务效率。

3. KPI评估与计算方法

3.1 AI服务准确率

• 步骤1：运行仿真，获取PDR或成功传输数据量。
• 步骤2：运行AI处理仿真，计算AI服务精度。
• 步骤3：统计多用户的平均服务准确率。

3.2 AI服务时延

• 步骤1：运行仿真，获取PDR和端到端时延分布。
• 步骤2：调整PDB，直到PDR满足要求，记录此时的端到端时延。

3.3 AI服务密度

• 步骤1：设置服务用户数为N。
• 步骤2：运行仿真，获取PDR或成功传输数据量。
• 步骤3：运行AI处理仿真，统计每个用户的AI服务精度。
• 步骤4：调整N，直到90%用户的AI服务精度满足要求。
• 步骤5：计算AI服务密度为N / 覆盖面积。

3.4 AI服务效率

• 步骤1：设置服务用户数为N。
• 步骤2：运行仿真，获取PDR或成功传输数据量。
• 步骤3：运行AI处理仿真，统计每个用户的AI服务精度。
• 步骤4：调整N，直到90%用户的AI服务精度满足要求。
• 步骤5：计算综合资源利用率 $\eta = \alpha_1 \cdot SE + \alpha_2 \cdot CE + \alpha_3 \cdot ME$（频谱效率SE、计算效率CE、存储效率ME；$\alpha_1 + \alpha_2 + \alpha_3 = 1$）。

总结

6G网络AI关键指标需求的研究旨在构建一个能够衡量AI服务性能和质量的指标体系，以支撑未来网络的智能化发展。通过分析典型场景和新KPI，结合现有KPI模型和设计思路，提出了涵盖用户SLA、网络性能和网络效率三个层次的KPI指标。这些指标将为6G网络提供AI服务的评估和优化依据，推动AI与通信的深度融合，实现内生智能、可信服务和高效资源利用的目标。