51学通信

深度解析 3GPP TS 23.288：4 Reference Architecture for Data Analytics (数据分析参考架构)

24分钟阅读

深度解析 3GPP TS 23.288：4 Reference Architecture for Data Analytics (数据分析参考架构)

本文技术原理深度参考了3GPP TS 23.288 V18.9.0 (2025-03) Release 18规范中，关于“4 Reference Architecture for Data Analytics”的核心章节，旨在为读者提供一个5G网络数据分析功能（NWDAF）基础架构的全景视图。本文将简要概括第1至3章的前导内容，并聚焦于第4章的核心架构解析。

在5G的世界里，网络不再仅仅是连接的管道，它正在进化为一个拥有感知、认知和预测能力的智能生命体。这背后的“大脑”就是网络数据分析功能（NWDAF）。为了让这个大脑高效运转，3GPP精心设计了一套参考架构。

今天，我们将化身为一家领先运营商的AI网络优化系统——“小慧”（Xiao Hui, “Little Wisdom”），跟随她的视角，一步步探索3GPP TS 23.288为她和她的同伴们构建的家园——5G数据分析的宏伟蓝图。

在我们正式踏上旅程之前，需要明确的是，3GPP TS 23.288规范的第1章（Scope）、第2章（References）和第3章（Definitions and abbreviations）为我们提供了基础的语境、引用规范和术语定义。它们是理解后续内容的地基，明确了本文档旨在定义5G核心网中支持网络数据分析服务的架构增强功能。现在，让我们直接进入核心，探索第4章的架构世界。

1. NWDAF的核心使命与能力版图 (TS 23.288 Clause 4.1)

作为运营商网络中的AI核心，“小慧”的首要任务是理解自己能做什么，以及她的能力边界在哪里。规范4.1节“General”为我们描绘了这幅能力版图。

The NWDAF (Network Data Analytics Function) is part of the architecture specified in TS 23.501 and uses the mechanisms and interfaces specified for 5GC in TS 23.501 and OAM services (see clause 6.2.3.1).

这段话开宗明义地指出了NWDAF的“出身”——它并非空中楼阁，而是5G核心网（5GC）原生架构的一部分，遵循着TS 23.501定义的整体框架和接口机制。这意味着“小慧”可以和AMF、SMF、PCF等所有5GC网络功能（NF）顺畅地“交谈”。

接下来，规范用一个列表详细列举了NWDAF支持的核心功能。让我们以“小慧”的日常工作来逐一解读：

1.1 数据采集：智能的基石

  • Data collection based on subscription to events provided by AMF, SMF, UPF, PCF, UDM, NSACF, AF (directly or via NEF) and OAM;

“小慧”的任何智能分析都离不开数据。为了预测某个基站下的小区可能会发生拥塞，她需要知道这个小区里有多少活跃用户（来自AMF）、这些用户产生了多少数据流量（来自SMF/UPF）、他们享受的服务质量策略是怎样的（来自PCF），以及用户签约的业务类型（来自UDM）。她通过订阅这些NF的“事件”来实时获取信息，就像订阅了网络中各个岗位的“工作日报”。

1.2 协同与聚合：更高效的数据利用

  • Analytics and Data collection using the DCCF (Data Collection Coordination Function);
  • Analytics and Data collection from MFAF (Messaging Framework Adaptor Function);

“小慧”有很多兄弟姐妹，遍布在网络的不同区域。如果每个“小慧”都去直接向同一个AMF索要数据，AMF可能会不堪重负。为此，架构引入了数据收集协调功能（DCCF），可以看作是“小慧”团队的数据专员。大家把数据需求告诉DCCF，由DCCF统一向数据源订阅，并将数据分发给需要它的“小慧”们，避免了重复订阅和对数据源NF的信令风暴。MFAF则提供了另一种基于消息框架的灵活数据交互方式。

1.3 信息检索与存储：构建长期记忆

  • Retrieval of information from data repositories (e.g. from UDR via UDM for subscriber-related information or optinally via NEF(PFDF) for PFD information);
  • Storage and retrieval of information from ADRF (Analytics Data Repository Function);

为了做出更精准的判断，“小慧”不仅需要实时数据，还需要历史信息。她可以通过UDM从统一数据存储（UDR）中查询用户的签约信息。更重要的是，她拥有一个专属的“记忆宫殿”——分析数据存储功能（ADRF）。这里存储了海量的历史网络数据、她自己过去做出的分析结果（Analytics），甚至是训练好的机器学习模型（ML Models）。当需要预测国庆节期间某景区的话务模型时，“小慧”就会从ADRF中调取去年同期的历史数据进行模型训练。

1.4 分析输出与模型共享：智慧的价值体现

  • On demand provision of analytics to consumers, as specified in clause 6.
  • Provision or retrieval of ML Model Accuracy Information or ML Model accuracy degradation about a ML Model.
  • Federated Learning.

“小慧”的价值在于输出分析结果。PCF可能会向她咨询某个网络切片的负载预测，以便动态调整策略；AMF可能会向她请求某个用户的移动轨迹预测，以优化寻呼策略。这些NF都是“小慧”的“客户”（Consumers）。

更有趣的是，“小慧”们还能互相学习、共同进步。一个专门负责模型训练的“小慧-MTLF”（Model Training Logical Function）可以将训练好的模型提供给负责实时推理的“小慧-AnLF”（Analytics Logical Function）。甚至，通过联邦学习（Federated Learning），分布在不同区域、不能直接共享原始数据的“小慧”们，可以在保护数据隐私的前提下，共同训练出一个性能更强大的全局模型。

1.5 灵活的部署模式

A single instance or multiple instances of NWDAF may be deployed in a PLMN. If multiple NWDAF instances are deployed, the architecture supports deploying the NWDAF as a central NF, as a collection of distributed NFs, or as a combination of both.

规范明确了“小慧”团队的组织架构非常灵活。运营商可以只部署一个超级“小慧”总管（Central NF），也可以在每个省份都部署一个区域“小慧”（Distributed NFs）。更常见的模式是“总-分”结构，区域“小慧”负责本区域的分析，并将关键洞察上报给中央的“小慧-聚合器”（Aggregator NWDAF），由它生成全局的网络视图。这种灵活性使得运营商可以根据网络规模和业务需求，量身定制自己的网络智能体系。

2. 非漫游场景下的架构 (TS 23.288 Clause 4.2)

在用户不离开归属网络（PLMN）的情况下，“小慧”和她的伙伴们是如何协同工作的呢？4.2节“Non-roaming architecture”为我们清晰地展示了内部协作的流程图。

2.1 数据收集与分析消费的核心交互

规范中的“Figure 4.2.0-1: Data Collection architecture from any 5GC NF”和“Figure 4.2.0-2: Network Data Analytics Exposure architecture”展示了最基础的两种交互模式。

  • 数据收集：这是“输入”过程。“小慧”（NWDAF）通过标准的Nnf接口，向任何一个5GC NF（Any NF）发起数据订阅或请求。这就像“小慧”直接给SMF打了个电话：“请把用户‘张三’过去一小时的流量数据告诉我。”

  • 分析开放：这是“输出”过程。任何一个5GC NF（Any NF）也可以作为消费者，通过Nnwdaf接口向“小慧”（NWDAF）请求分析结果。比如，PCF可能会问：“‘小慧’，请预测一下未来半小时内视频业务切片的负载会不会超限？”

2.2 引入“协调者”与“适配器”的增强架构

当网络变得复杂时，直接的点对点交互效率会降低。因此，架构引入了DCCF和MFAF，对应规范中的“Figure 4.2.0-1a”和“Figure 4.2.0-2a”。

  • DCCF（数据收集协调功能）：正如前文所述，DCCF扮演了数据协调员的角色。当“小慧”需要数据时，她不再直接联系数据源，而是向DCCF发出请求。DCCF会检查是否已经有其他“同事”订阅了同样的数据。如果有，就直接把数据共享给“小慧”；如果没有，DCCF再代表“小慧”去向数据源订阅。这个过程对“小慧”来说是透明的，但极大地优化了全网的信令效率。

  • MFAF（消息框架适配功能）：MFAF则像一个万能适配器。运营商内部可能存在一些非3GPP标准的消息系统（例如Kafka、RabbitMQ）。MFAF提供标准化的3GPP接口，可以将5GC网络内部的请求和通知，适配转换到这些内部消息框架中，反之亦然，极大地增强了架构的灵活性和可扩展性。

As depicted in Figure 4.2.0-1a, the Ndccf interface is defined for the NWDAF to support subscription request(s) for data delivery from a DCCF… The DCCF may collect the data and deliver it to the NWDAF or the DCCF may rely on a messaging framework to collect data from the NF and deliver it to the NWDAF.

这段原文清楚地说明了DCCF的两种工作模式：要么自己收集并分发，要么委托给MFAF这样的消息框架去完成。

2.3 机器学习模型的“生产线”与“供应链”

5G网络的智能化高度依赖机器学习。规范中的“Figure 4.2.0-3: Trained ML Model Provisioning architecture”为我们揭示了ML模型在NWDAF体系内的生命周期。

The 5G System architecture allows NWDAF containing Analytics logical function (AnLF) to use trained ML Model provisioning services from another NWDAF containing Model Training logical function (MTLF).

这里引入了两个重要的逻辑功能：

  • MTLF (Model Training Logical Function)：模型训练逻辑功能。可以理解为专门负责搞“研发”和“生产”的“小慧-科学家”。她利用海量数据训练和优化各种ML模型。
  • AnLF (Analytics Logical Function)：分析逻辑功能。可以理解为在“一线”进行实时分析和推理的“小慧-工程师”。她使用MTLF提供的成熟模型来解决实际问题。

这种职责分离非常关键。“小慧-科学家”（MTLF）可以专注于复杂的模型训练，而“小慧-工程师”（AnLF）则可以轻装上阵，快速部署和应用这些模型。AnLF通过标准的Nnwdaf接口，向MTLF订阅和请求训练好的模型，形成了一条清晰的ML模型“供应链”。

2.4 ADRF：网络智能的“数据湖”与“模型库”

如果说NWDAF是“大脑”，那么ADRF（分析数据存储功能）就是这个大脑的“海马体”和“长期记忆区”。规范4.2.1节和“Figure 4.2.1-1”详细阐述了它的作用。

As depicted in Figure 4.2.1-1, the 5G System architecture allows ADRF to store and retrieve the collected data, analytics and ML Model(s).

ADRF的功能非常强大，它不仅仅是一个简单的数据库，更像是一个集成了数据湖、分析结果仓库和模型注册中心的综合体。

  • 存储收集的数据：“小慧”从各个NF收集到的原始数据，可以被归档到ADRF中，供未来进行深度分析和模型重训练。
  • 存储分析结果：“小慧”生成的每一次预测和统计报告，都可以存储在ADRF中，形成历史分析档案。
  • 存储ML模型：“小慧-科学家”（MTLF）训练好的ML模型，可以发布并存储在ADRF中，供其他“小慧-工程师”（AnLF）按需检索和使用。

DCCF在这个过程中也扮演着重要角色。它可以作为数据写入ADRF的代理，根据配置策略，将从数据源收集来的数据直接存入ADRF。

Based on the NF request or configuration on the DCCF, the DCCF may determine the ADRF and interact directly or indirectly with the ADRF to request or store data or analytics.

这种设计使得数据的存储和管理变得井然有序。“小慧”可以轻松地告诉DCCF：“请把接下来从所有AMF收集的用户移动事件都存到ADRF的‘用户行为’分区里”，从而为未来的智能应用打下坚实的数据基础。

3. 漫游场景下的架构：跨域协作的智慧 (TS 23.288 Clause 4.3)

当用户漫游到其他运营商网络时，“小慧”的工作就变得更具挑战性。她需要与“外国同行”进行合作。4.3节“Roaming architecture”定义了这种跨域协作的框架。

Based on operator’s policy and local regulations (e.g. privacy), data or analytics may be exchanged between PLMNs (i.e. HPLMN and VPLMN). In a PLMN, an NWDAF is used as exchange point to exchange analytics and to collect input data for analytics with other PLMNs. The NWDAF with roaming exchange capability is called Roaming Exchange NWDAF (RE-NWDAF).

核心概念是RE-NWDAF（漫游交换NWDAF）。它就像是每个运营商“小慧”团队里的“外交官”，专门负责处理与其他运营商网络之间的分析数据交换。根据漫游协议和隐私法规，RE-NWDAF会作为数据和分析进出的唯一关口，进行授权、过滤和转发。

规范中的“Figure 4.3-1”展示了HPLMN（归属网络）和VPLMN（拜访网络）之间通过RE-NWDAF进行交互的架构。

  • 出站漫游用户：假设“小慧”归属网络的一位用户“李雷”漫游到了国外。为了保障“李雷”的VoNR通话质量，“小慧”的归属网络PCF（H-PCF）可能需要了解“李雷”当前所在拜访网络的切片负载情况。此时，HPLMN的“外交官”H-RE-NWDAF就会向VPLMN的“外交官”V-RE-NWDAF发起请求，获取相关的分析数据。

  • 入站漫游用户：反之，如果外国友人“韩梅梅”漫游到了“小慧”所在的网络，VPLMN的AMF为了给她选择一个最优的本地SMF，可能需要向HPLMN请求关于“韩梅梅”签约业务的分析数据。这时，V-RE-NWDAF（也就是“小慧”团队的外交官）就会向HPLMN的H-RE-NWDAF发起请求。

通过RE-NWDAF这一角色，3GPP确保了在漫游场景下，网络智能的协作既能实现，又在可控、安全的框架内进行，充分尊重了运营商的策略和数据主权。

4. 总结

通过对3GPP TS 23.288第4章的深度解读，我们跟随AI系统“小慧”的视角，构建了5G数据分析架构的宏观视图。这个架构设计精妙，兼顾了效率、灵活性与安全性：

  • 核心功能实体NWDAF：作为网络智能的中心，具备数据收集、分析、模型管理和联邦学习等多种能力。
  • 协同与解耦：通过DCCF、MFAF等功能，实现了数据收集的协调和与多样化消息系统的解耦，提升了系统效率和扩展性。
  • AI生命周期管理：清晰地定义了MTLF和AnLF的角色，以及ADRF作为数据与模型的存储库，为机器学习在电信网络中的应用构建了完整的“研产供销”体系。
  • 跨域协作机制：通过RE-NWDAF，为漫游场景下的跨运营商分析协作提供了安全、可控的标准化框架。

这不仅仅是一套技术规范，更是通往未来自智网络（Autonomous Network）的坚实阶梯。正是基于这样的架构，“小慧”和她的同伴们才能不断学习、进化，让5G网络变得越来越“聪明”。

FAQ - 常见问题解答

Q1：NWDAF、DCCF和ADRF三者之间到底是什么关系？ A1：可以把它们比作一个大脑的三个不同部分。NWDAF是大脑的“思考核心”（皮层），负责进行分析、推理和学习。DCCF是“数据协调中枢”，负责高效地从身体各处（其他NF）收集信息，避免信息冗余和过载。ADRF则是大脑的“长期记忆库”（海马体），负责存储历史数据、过往经验（分析结果）和掌握的技能（ML模型），供“思考核心”随时调用。它们协同工作，共同构成了5G网络的智能体系。

Q2：AnLF和MTLF是什么？它们必须部署在不同的NWDAF实例中吗？ A2：AnLF（分析逻辑功能）和MTLF（模型训练逻辑功能）是NWDAF内部的两种逻辑功能。AnLF负责利用已有的模型进行实时分析和推理，而MTLF则负责使用数据来训练和生成新的模型。规范指出，一个NWDAF实例可以包含AnLF，或MTLF，或两者兼有。这种逻辑划分允许运营商根据需要灵活部署：可以将模型训练（计算密集型）集中在少数强大的MTLF实例中，而将实时推理（时延敏感型）分布在大量靠近业务的AnLF实例中，实现资源的最优利用。

Q3：在漫游场景下，归属网络（HPLMN）的NWDAF可以直接从拜访网络（VPLMN）的AMF或SMF收集数据吗？ A3：不可以。为了保证网络安全、数据主权和策略可控，跨运营商网络的数据和分析交换必须通过各自的“外交官”——RE-NWDAF（漫游交换NWDAF）进行。HPLMN的H-RE-NWDAF会向VPLMN的V-RE-NWDAF发起请求，由V-RE-NWDAF在其网络内部收集所需的数据或分析，经过策略过滤后，再将结果返回给H-RE-NWDAF。不允许直接跨网访问内部的网络功能。

Q4：为什么架构中要引入MFAF（消息框架适配功能）？ A4：MFAF的存在主要是为了增强系统的灵活性和对现有投资的保护。大型运营商内部往往已经存在成熟的、非3GPP标准的企业级消息总线或消息框架（如Kafka）。MFAF作为一个“适配器”或“网关”，能够在标准的3GPP服务化接口和这些内部消息系统之间进行协议转换和消息路由，使得5G核心网可以无缝地与运营商已有的IT系统集成，而无需进行大规模的改造。

Q5：消费者（Consumer）只能是AMF、SMF、PCF这些网络功能吗？ A5：不是的。规范明确指出，NWDAF的消费者可以是5GC网络功能（如AMF、SMF、PCF、NSSF等）、应用功能（AF）、网络开放功能（NEF），甚至是运维支撑系统（OAM）。这意味着，NWDAF提供的网络洞察不仅可以用于网络内部的流程优化，还可以通过NEF或AF开放给第三方应用，或提供给运维人员用于网络监控和排障，应用场景非常广泛。

关系图谱