5G-Advanced 核心网演进：从 SBA 增强到网络数据层与能量感知架构

一、引言：核心网演进的驱动力

3GPP Release 18（5G-Advanced Phase 1）与 Release 19（5G-Advanced Phase 2）对5G核心网（5GC）进行了体系级的重构。演进的三大驱动力包括：

1. 数据驱动运维：网络功能产生的数据量呈指数增长，传统网管模式无法有效利用这些数据辅助决策；
2. 架构灵活性需求：SBA（Service-Based Architecture）需从"服务化接口"向"服务化数据"延伸，实现数据层的统一管控；
3. 绿色通信约束：全球运营商面临降低OPEX与碳排放的双重压力，核心网必须具备能量感知（Energy-Aware）能力。

本文将围绕 SBA架构增强、网络数据层（NDL） 和 能量感知核心网 三大主题展开深度分析，涵盖3GPP TS 23.288、TS 23.501/23.502、TS 29.520/29.519、TS 28.310等核心规范的技术细节。

二、5G-Advanced SBA 架构增强

2.1 Rel-15/16 SBA 回顾与局限

Rel-15定义的SBA以NF（Network Function）为基本单元，通过SBI（Service-Based Interface）使用HTTP/2 RESTful API实现NF间通信。其核心组成包括：

• NRF（NF Repository Function）：服务注册与发现
• NSSF（Network Slice Selection Function）：切片选择
• UDM/UDR：统一数据管理与存储
• PCF：策略控制

然而，Rel-15/16 SBA存在明显局限：

2.2 Rel-18/19 SBA 增强要点

Rel-18对SBA进行了关键增强（参见TS 23.501 V18.x）：

（1）增强型NRF服务发现

引入NF Profile中的能力标签（Capability Label）和负载信息，NRF支持基于能力的精细化服务发现：

// NF Profile扩展（TS 23.501 Clause 6.2.6）
NFProfile {
    nfType: AMF
    nfInstanceId: "550e8400-e29b-41d4-a716-446655440000"
    capabilityList: ["N2-interface", "non3gpp-access", "mmTel"]
    loadLevelAverage: 65       // 负载百分比
    capacity: 100              // 相对容量指标
    allowedNfType: [SMF, SMSF]
    customAttribute: {...}      // Rel-18新增扩展字段
}

（2）SBI协议优化

针对大数据量传输场景，Rel-18引入了对HTTP/3（QUIC）的初步支持研究（FS_5GS_HTTP3），并在TS 29.500中定义了更高效的序列化机制：

$$ \text{Serialization Overhead Reduction} = 1 - \frac{\text{Payload}{\text{Compact}}}{\text{Payload} \approx 40\% \sim 60\% $$}}

（3）服务化数据架构（SDA）概念

Rel-19引入了"数据即服务"（Data-as-a-Service）的概念，将数据层从各NF中抽象出来，形成统一的网络数据层（NDL）。这标志着SBA从"服务化接口"向"服务化数据"的演进。

图表 1

2.3 SBA各版本演进对比

图表 2

三、网络数据层（NDL）深度解析

3.1 NDL 架构全景

网络数据层（Network Data Layer, NDL）是Rel-18引入并在Rel-19完善的架构概念，旨在为核心网提供统一的数据采集、处理、分析与暴露框架。其核心组成包括：

• NWDAF（Network Data Analytics Function）：核心分析引擎
• DCCF（Data Collection Coordination Function）：数据采集协调
• ADRF（Analytics Data Repository Function）：分析数据仓库
• MFAF（Messaging Framework Adaptor Function）：消息框架适配

NDL的架构设计遵循以下原则：

$$ \text{NDL} = \underbrace{\text{Data Collection}}{\text{DCCF}} + \underbrace{\text{Analytics Engine}}}} + \underbrace{\text{Data Storage}{\text{ADRF}} + \underbrace{\text{Data Exposure}} $$}

3.2 NWDAF 架构：AnLF 与 MTLF 分解

Rel-18对NWDAF进行了功能分解（参见TS 23.288 V18.x），将原先的单一NWDAF实例拆分为两个逻辑功能：

AnLF（Analytics Logical Function）— 分析逻辑功能 - 负责推理（Inference）：基于已有模型执行实时分析 - 生成Analytics信息并通知消费者 - 从MTLF获取模型或使用预置模型

MTLF（Model Training Logical Function）— 模型训练逻辑功能 - 负责训练（Training）：基于采集数据训练ML模型 - 管理模型生命周期（版本、精度、过期） - 支持联邦学习（Federated Learning）

图表 3

3.3 NWDAF 分析服务：关键参数与配置

根据TS 29.520（Nnwdaf服务定义）和TS 29.519（Nnwdaf数据模型），NWDAF分析服务的关键参数如下：

分析精度与数据量的关系模型：

$$ \text{Accuracy}(n) = \alpha \cdot \left(1 - e^{-\beta \cdot n}\right) + \gamma $$

其中 $n$ 为训练样本数量，$\alpha$ 为理论上限，$\beta$ 为学习速率因子，$\gamma$ 为基线精度。实际部署中，$\alpha$ 通常取0.92~0.97，$\beta$ 取0.001~0.01。

3.4 DCCF：消除数据采集冗余

DCCF（Data Collection Coordination Function）是NDL的关键组件，解决多个NWDAF实例重复采集同一NF数据的效率问题。

核心机制：

1. 采集请求去重：DCCF维护活跃采集会话表，合并重叠的数据请求
2. 数据分发复用：一次采集结果分发给多个消费者
3. 采集策略优化：根据NF负载动态调整采集频率

算法伪代码：DCCF数据采集协调
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Input: collection_requests[]  // 来自多个NWDAF实例的请求列表
Output: coordinated_plan

1. FOR each req IN collection_requests:
2.     key ← hash(req.nf_type, req.target_nf_id, req.data_filter)
3.     IF key IN active_sessions:
4.         // 合并到已有会话
5.         session ← active_sessions[key]
6.         session.subscribers.add(req.consumer_id)
7.         session.max_rate ← max(session.max_rate, req.sampling_rate)
8.     ELSE:
9.         // 创建新采集会话
10.        new_session ← create_session(req)
11.        active_sessions[key] ← new_session
12.    END IF
13. END FOR
14. 
15. FOR each session IN active_sessions:
16.    IF session.max_rate > nf_load_threshold(session.target_nf):
17.        session.actual_rate ← adapt_rate(session, nf_load)
18.    END IF
19.    distribute_data(session)  // 分发采集数据
20. END FOR
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

DCCF性能增益评估：

$$ \text{Reduction}{\text{collection}} = 1 - \frac{\sum $$} \max_{i}(r_{i,k})}{\sum_{i}\sum_{k} r_{i,k}

其中 $r_{i,k}$ 表示第 $i$ 个消费者对第 $k$ 个数据源的请求频率。在大规模网络中（100+ NWDAF实例），DCCF可减少约 60%~75% 的重复数据采集。

3.5 ADRF：分析数据仓库

ADRF（Analytics Data Repository Function）为NDL提供持久化存储能力：

• 分析结果归档：存储历史分析数据，支持趋势分析和审计
• 训练数据管理：为MTLF提供结构化的训练数据集
• 合规性存储：满足数据保留策略（GDPR等法规要求）

ADRF的数据模型（参见TS 29.519 Clause 6）：

3.6 NWDAF 联邦学习（Rel-18增强）

Rel-18引入了跨NWDAF实例的联邦学习机制（TS 23.288 Clause 6.3A），在保护数据隐私的前提下实现跨域模型协同训练：

$$ \theta_{global}^{t+1} = \sum_{i=1}^{N} \frac{|D_i|}{\sum_{j}|D_j|} \cdot \theta_{i}^{t} $$

其中 $\theta_i^t$ 为第 $i$ 个NWDAF实例在轮次 $t$ 的本地模型参数，$|D_i|$ 为其本地数据集大小。联邦平均（FedAvg）策略通过数据量加权聚合，确保数据量大的域贡献更大。

部署考量：

• 聚合频率：建议每6~12小时执行一轮聚合（避免信令开销过大）
• 安全传输：模型参数通过N32 inter-PLMN安全通道传输
• 差分隐私：推荐在模型梯度中加入噪声 $\mathcal{N}(0, \sigma^2)$，其中 $\sigma$ 由目标隐私预算 $\epsilon$ 决定

四、能量感知核心网（Energy-Aware Core Network）

4.1 背景与标准化进展

3GPP在Rel-19中启动了FS_ENCORE（Study on Energy Saving for Core Network）研究项目，聚焦核心网层面的节能机制。相关规范包括：

• TS 28.310：Energy efficiency management for mobile networks
• TS 23.288：NWDAF analytics for energy saving（新增分析ID：NF_LOAD, NF_ENERGY）
• TS 23.501/23.502：核心网节能相关的架构与流程增强

能量感知核心网的核心理念是将能耗作为与负载、时延、可靠性并列的第四维优化目标：

$$ \text{Optimization Objective} = \min_{\mathbf{x}} \left[ \alpha \cdot L(\mathbf{x}) + \beta \cdot D(\mathbf{x}) + \gamma \cdot E(\mathbf{x}) \right] $$

其中 $L$ 为负载均衡度，$D$ 为端到端时延，$E$ 为能耗，$\alpha, \beta, \gamma$ 为权重系数（由运营商策略配置）。

4.2 核心网能耗模型

核心网NF的能耗可分解为：

$$ P_{\text{NF}} = P_{\text{base}} + P_{\text{compute}} + P_{\text{storage}} + P_{\text{network}} $$

各分量的模型：

Bits-per-Joule效率指标（TS 28.310定义）：

$$ \eta_{\text{energy}} = \frac{\text{Throughput}{\text{data}} \text{ (bits)}}{P $$}} \cdot T \text{ (Joules)}} = \frac{\sum_{i} R_i \cdot T}{P_{\text{total}} \cdot T} = \frac{\sum_{i} R_i}{P_{\text{total}}

4.3 NWDAF 驱动的节能分析

NWDAF为能量感知核心网提供关键的分析能力：

（1）负载预测分析（Analytics ID: NF_LOAD）

NWDAF基于历史负载模式预测NF未来负载，为缩容决策提供依据：

图表 4

（2）节能分析（Analytics ID: NF_ENERGY，Rel-19新增）

TS 23.288 Rel-19版本新增NF_ENERGY分析ID，提供以下分析输出：

4.4 核心网节能机制详解

机制一：NF实例动态缩放（Dynamic NF Scaling）

基于NWDAF负载预测，核心网可在低负载时段动态减少NF实例数量：

节能决策算法
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Input: 
    predicted_load[t+Δt]  // NWDAF预测的t+Δt时刻负载
    current_instances     // 当前NF实例数
    min_instances         // 最小实例数（冗余约束）
    scale_threshold_low   // 缩容阈值
    scale_threshold_high  // 扩容阈值

Process:
1. target_instances ← ceil(predicted_load / per_instance_capacity)
2. target_instances ← max(target_instances, min_instances)
3. IF target_instances < current_instances:
4.     // 缩容流程
5.     FOR each instance_to_remove:
6.         drain_connections(instance)  // 排空连接
7.         migrate_contexts(instance)   // 迁移UE上下文
8.         suspend_or_terminate(instance)
9.     END FOR
10.    estimated_saving ← (current - target) × P_per_instance
11. ELSE IF target_instances > current_instances:
12.    // 扩容流程
13.    instantiate_new_instances(target - current)
14.    register_with_NRF(new_instances)
15. END IF
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

关键参数配置建议：

机制二：SMF/UPF节能路由

在UPF选择过程中，PCF策略可结合NWDAF的能耗分析，将流量集中到少数UPF上，从而允许其他UPF进入休眠状态：

$$ \text{UPF}{\text{selected}} = \arg\min \left[ w_1 \cdot D(u) + w_2 \cdot L(u) - w_3 \cdot S(u) \right] $$}_{\text{active}}

其中 $S(u)$ 为集中流量到UPF $u$ 带来的节能收益。该机制在TS 23.502的UPF选择流程（Clause 4.3.2.2）中通过PCF策略增强实现。

机制三：AMF Set负载再均衡

AMF Set内的UE可在低负载时段被集中迁移到部分AMF，释放其余AMF进入休眠：

1. NWDAF分析AMF Set内各AMF负载趋势
2. 触发AMF间的Configuration Update流程
3. 通过N1 NAS Registration流程（隐式重新注册）引导UE迁移
4. 空闲AMF进入节能模式

4.5 部署场景与实践考量

场景一：昼夜模式（Day-Night Pattern）

适用于有明显潮汐效应的商业区网络：

• 夜间（22:00~06:00）负载降至峰值的10%~20%
• 可缩减AMF/SMF实例数至峰值的25%~30%
• 预期节能：20%~35% 核心网能耗

场景二：事件驱动节能

适用于体育场馆、会展中心等场景：

• 非活动期间，仅保留最小NF集合
• 活动前2小时，基于NWDAF预测提前扩容
• 活动结束后渐进缩容
• 关键挑战：扩容及时性，需要足够的 wake_up_time 缓冲

场景三：多切片协同节能

不同切片的负载峰值时段可能不同（eMBB vs URLLC vs mMTC）：

$$ \text{Total Instances}{\text{required}} = \max_s(t) $$} \sum_{s \in \mathcal{S}} \text{Instances

通过切片间资源共享和错峰调度，可减少总NF实例需求。

4.6 节能机制对比总结

五、整体架构协同：NDL × 能量感知的闭环

将NDL的分析能力与能量感知机制结合，形成感知-分析-决策-执行的闭环系统：

$$ \underbrace{\text{Sense}}{\text{DCCF采集}} \xrightarrow{\text{data}} \underbrace{\text{Analyze}}}} \xrightarrow{\text{insight}} \underbrace{\text{Decide}{\text{PCF/OAM}} \xrightarrow{\text{action}} \underbrace{\text{Execute}} $$}} \xrightarrow{\text{feedback}} \text{Sense

闭环关键指标：

六、Rel-19 → Rel-20 展望

Rel-19作为5G-Advanced的最终版本，为Rel-20（6G桥接版本）奠定了以下基础：

1. AI/ML原生核心网：NWDAF将演进为通用的AI引擎，支持更多分析场景（网络自愈、安全分析）
2. 数字孪生集成：基于ADRF的历史数据构建核心网数字孪生，用于节能策略仿真验证
3. 意图驱动网络（Intent-Driven Networking）：运营商声明节能目标（如"降低20%能耗"），由NWDAF+PCF自动编排实现路径
4. 跨域联合节能：核心网节能与无线接入网（RAN）节能的联合优化，通过O1/O2接口协同

七、FAQ

Q1：NWDAF的AnLF和MTLF必须部署在不同的物理节点上吗？

不是。AnLF和MTLF是逻辑功能分解，可以共部署在同一NWDAF实例中，也可以分别部署在不同实例上。分离部署的优势在于：MTLF可以集中部署在有GPU算力的数据中心，而AnLF可以分布式部署在边缘。当需要跨PLMN联邦学习时，MTLF分离部署是必要的。

Q2：DCCF和NWDAF的数据采集有什么区别？NWDAF能否直接采集数据？

Rel-18之前，NWDAF可以直接从NF采集数据。Rel-18引入DCCF后，建议通过DCCF协调所有数据采集。NWDAF仍保留直接采集能力（向后兼容），但在多NWDAF实例场景下，DCCF能显著减少重复采集。单NWDAF实例的小型网络可暂不部署DCCF。

Q3：能量感知核心网的节能效果如何验证？

建议分三个阶段验证：（1）基线测量——在未启用节能机制时记录7天能耗数据；（2）灰度启用——选择非关键切片启用NWDAF负载预测和动态缩放，记录节能效果；（3）全面部署——基于灰度结果调优参数后全网推广。关键度量指标为 Bits-per-Joule 和 kWh/用户/月。

Q4：NWDAF联邦学习在跨运营商场景下如何处理数据合规问题？

联邦学习的核心优势是"数据不动模型动"——各运营商的原始数据不离开本地，只交换模型参数（梯度）。但仍需注意：（1）模型参数可能隐含数据特征，建议结合差分隐私（DP）添加噪声；（2）跨PLMN传输需通过N32安全通道；（3）需确保训练数据的合法性基础满足GDPR等法规要求。

Q5：核心网节能缩容是否会影响SLA？

存在风险，但可通过以下机制缓解：（1）设置 min_instances 确保冗余度；（2）NWDAF负载预测的置信度低于阈值时不触发缩容；（3）保留快速扩容通道（wake_up_time < 120秒）；（4）对URLLC等高可靠性切片禁用自动缩容。实际部署建议先从eMBB切片开始验证。

📖 本文由51学通信技术团队撰写，聚焦5G-Advanced核心网演进的前沿技术解析。关注我们，获取更多3GPP协议深度解读与网络架构实战经验。

51学通信 —— 让通信技术学习更高效

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。