# 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： | 维度 | Rel-15/16 现状 | 局限性分析 | |------|---------------|-----------| | 数据采集 | 各NF直接从UDR/OAM获取 | 无统一数据协调机制，重复采集严重 | | 分析能力 | 依赖OAM/MDT | 缺乏实时分析框架，延迟高 | | 服务发现 | NRF基于NF Type | 无法基于能力/负载进行精细化发现 | | 接口协议 | HTTP/2 + JSON | 大数据量场景下序列化开销大 | ### 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： $$ \text{Serialization Overhead Reduction} = 1 - \frac{\text{Payload}_{\text{Compact}}}{\text{Payload}_{\text{JSON}}} \approx 40\% \sim 60\% $$ **（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： $$ \text{NDL} = \underbrace{\text{Data Collection}}_{\text{DCCF}} + \underbrace{\text{Analytics Engine}}_{\text{NWDAF}} + \underbrace{\text{Data Storage}}_{\text{ADRF}} + \underbrace{\text{Data Exposure}}_{\text{SBI/MFAF}} $$ ### 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： | 参数名称 | 类型 | 说明 | 典型配置值 | |---------|------|------|-----------| | `analyticsId` | Enum | 分析类型标识 | `LOAD_LEVEL`, `NW_PERFORMANCE`, `UE_MOBILITY`, `UE_COMM` | | `analyticFilter` | Struct | 过滤条件 | `{targetNF: "AMF-1", tai: [PLMN+TAC], snssai: S-NSSAI}` | | `accuracyTarget` | Float | 精度目标（0~1） | 0.85~0.95 | | `analyticsGranularity` | Enum | 时间粒度 | `MINUTE(1/5/15)`, `HOUR(1)`, `DAY(1)` | | `outputStrategy` | Enum | 输出策略 | `BINARY_THRESHOLD`, `PERCENTILE`, `EXACT_VALUE` | | `modelId` | String | ML模型标识 | 由MTLF生成的UUID | | `modelVersion` | String | 模型版本号 | `v2.1.3` | | `validityPeriod` | Integer | 模型有效期（秒） | 3600~86400 | **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**： $$ \text{Reduction}_{\text{collection}} = 1 - \frac{\sum_{k} \max_{i}(r_{i,k})}{\sum_{i}\sum_{k} r_{i,k}} $$ 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）： | 数据对象 | 存储周期 | 数据量估算（每百万用户） | 访问模式 | |---------|---------|----------------------|---------| | Analytics Snapshot | 7~30天 | ~50 GB/天 | 实时读写 | | Training Dataset | 90~365天 | ~200 GB/天 | 批量读写 | | Model Metadata | 模型生命周期 | ~1 GB | 低频访问 | | Audit Log | 1~7年 | ~10 GB/天 | 顺序追加 | ### 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： | 能耗分量 | 模型 | 典型占比 | |---------|------|---------| | 基础功耗 $P_{\text{base}}$ | 常数（进程保活、OS开销） | 15%~25% | | 计算功耗 $P_{\text{compute}}$ | $k_1 \cdot \text{CPU}_{\text{util}} + k_2 \cdot \text{GPU}_{\text{util}}$ | 40%~55% | | 存储功耗 $P_{\text{storage}}$ | $k_3 \cdot \text{IOPS} + k_4 \cdot \text{Capacity}$ | 10%~20% | | 网络功耗 $P_{\text{network}}$ | $k_5 \cdot \text{BW} + k_6 \cdot \text{PPS}$ | 10%~20% | **Bits-per-Joule效率指标**（TS 28.310定义）： $$ \eta_{\text{energy}} = \frac{\text{Throughput}_{\text{data}} \text{ (bits)}}{P_{\text{total}} \cdot T \text{ (Joules)}} = \frac{\sum_{i} R_i \cdot T}{P_{\text{total}} \cdot T} = \frac{\sum_{i} R_i}{P_{\text{total}}} $$ ### 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： | 分析输出 | 数据类型 | 说明 | |---------|---------|------| | `energySavingState` | Enum | `ACTIVE` / `INACTIVE` / `NOT_SUPPORTED` | | `energySavingPotential` | Float (0~1) | 当前可节省能耗的比例 | | `recommendedAction` | Struct | 推荐操作及预期节能效果 | | `energyEfficiencyMetric` | Float | Bits-per-Joule指标 | | `peakLoadPeriod` | TimeWindow | 预测的高峰负载时段 | ### 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**： | 参数 | 推荐值 | 说明 | |------|--------|------| | `Δt`（预测窗口） | 15~60分钟 | 过短导致频繁操作，过长降低节能效果 | | `min_instances` | N+1冗余 | 最少保留N+1个实例确保高可用 | | `scale_threshold_low` | 30%~40% | 低于此阈值触发缩容评估 | | `drain_timeout` | 5~15分钟 | 连接排空超时，超时后强制迁移 | | `wake_up_time` | 30~120秒 | 实例唤醒时间，影响扩容响应速度 | **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： $$ \text{UPF}_{\text{selected}} = \arg\min_{u \in \mathcal{U}_{\text{active}}} \left[ w_1 \cdot D(u) + w_2 \cdot L(u) - w_3 \cdot S(u) \right] $$ 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）： $$ \text{Total Instances}_{\text{required}} = \max_{t} \sum_{s \in \mathcal{S}} \text{Instances}_s(t) $$ 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 | 节能机制 | 适用NF类型 | 节能潜力 | 实现复杂度 | 标准化状态 | |---------|-----------|---------|-----------|-----------| | NF动态缩放 | AMF, SMF, PCF | 20%~35% | 中 | Rel-19研究 | | UPF节能路由 | UPF | 15%~25% | 中-高 | Rel-19研究 | | AMF Set再均衡 | AMF | 10%~20% | 中 | Rel-18/19 | | NWDAF分析驱动 | 所有NF | 间接增益 | 低-中 | Rel-18已标准化 | | 休眠/唤醒策略 | 所有NF | 取决于负载模式 | 低 | Rel-19研究 | --- ## 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： $$ \underbrace{\text{Sense}}_{\text{DCCF采集}} \xrightarrow{\text{data}} \underbrace{\text{Analyze}}_{\text{NWDAF AnLF}} \xrightarrow{\text{insight}} \underbrace{\text{Decide}}_{\text{PCF/OAM}} \xrightarrow{\text{action}} \underbrace{\text{Execute}}_{\text{NF scaling}} \xrightarrow{\text{feedback}} \text{Sense} $$ **闭环关键指标**： | 指标 | 定义 | 目标值 | |------|------|--------| | 采集延迟 | 从NF事件到DCCF收到数据的延迟 | < 1秒 | | 分析延迟 | 从数据到达到AnLF输出结果的延迟 | < 5秒 | | 决策延迟 | 从收到分析到PCF生成策略的延迟 | < 10秒 | | 执行延迟 | 从策略下发到NF完成缩放的延迟 | < 120秒 | | 节能准确率 | 实际节能效果与预测的比率 | > 85% | --- ## 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。