51学通信

深度解析 3GPP TS 23.288：6.18 End-to-end data volume transfer time analytics (端到端数据卷传输时间分析)

20分钟阅读

好的，我们继续本次的深度探索，进入5G智能网络中一个对未来AIoT（智能物联网）和工业互联网至关重要的分析领域——端到端数据量传输时间分析。

深度解析 3GPP TS 23.288：6.18 End-to-end data volume transfer time analytics (端到端数据卷传输时间分析)

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“6.18 End-to-end data volume transfer time analytics”的核心章节。本文旨在为读者深入剖析NWDAF如何预测“传输一个特定大小的数据包需要多长时间”，这项能力对于保障时间敏感型应用（如联邦学习、远程控制、分布式协作）的性能至关重要。

在5G的世界里，我们常常关注“速率”（带宽）和“时延”（延迟）。但对于许多新兴的AI和工业应用而言，它们更关心一个综合性指标：“我有一个特定大小的数据包（例如，一个10MB的AI模型更新文件），从A点发送到B点，总共需要多长时间？” 这个问题，就是端到端数据卷传输时间 (End-to-end data volume transfer time)。

这项分析的价值在于，它将网络的带宽、时延、抖动、丢包率等多个底层KPI，封装成一个对上层应用极其友好的、可直接用于业务逻辑决策的宏观指标。

场景设定：一家自动驾驶汽车公司，正在通过5G网络对其遍布全国的数千辆智能汽车进行**联邦学习 (Federated Learning)**训练。每个训练周期，中央服务器（由AF代表）需要向每辆车下发一个5MB的初始模型，车辆在本地训练后，再上传一个2MB的模型更新梯度。为了保证所有车辆能够在一个严格的时间窗口内（例如1分钟）同步完成一次迭代，中央服务器迫切需要知道：“当前网络状况下，向车队中的每一辆车分发这5MB的模型，大概需要多长时间？”

回答这个问题的专家，正是具备E2E data volume transfer time analytics能力的NWDAF“小慧”。

1. “耗时估算”：传输时间分析的服务内容 (TS 23.288 Clause 6.18.1)

中央服务器AF在向“小慧”发起“耗时估算”请求时，可以提出哪些问题？6.18.1节“General”对此进行了详细定义。

Clause 6.18 describes how NWDAF can provide E2E data volume transfer time analytics, in the form of statistics or predictions or both, to a service consumer. The E2E data volume transfer time refers to a time delay for completing the transmission of a specific data volume from UE to AF, or from AF to UE.

“小慧”提供的服务非常直观：估算或预测完成特定数据量传输所需的总时长。

1.1 核心请求参数

AF在发起请求时，必须提供一些关键的“已知条件”：

  • Analytics ID = "E2E data volume transfer time": 明确咨询主题。
  • Data Volume UL/DL: 这是最核心的输入。明确指出要传输的数据大小和方向。例如，“下行（DL）5MB”。
  • Target of Analytics Reporting: 分析的对象是谁？可以是一辆特定的车（SUPI），也可以是整个车队（Group ID）。
  • Analytics Filter Information: 附加的上下文信息，帮助“小慧”进行更精准的分析：
    • Application ID: 明确这是用于“联邦学习”应用的传输。
    • DNN/S-NSSAI: 明确传输将发生在哪条数据网络或哪个网络切片上。
    • Area of Interest (AOI): 限定分析的地理范围。

1.2 高级定制要求

  • Optionally, either a target number of repeating data transmissions or a target time interval between data transmissions within the Analytics target period;

AF还可以提出更复杂的需求，例如：“在未来1小时内，我需要进行10次这样的传输，请告诉我平均的传输时间是多少？”

更有趣的是，规范还引入了**分类 (classification)**的概念：

More than one E2E data volume transfer time classes might be assigned by operator or AF to a list of UEs. The UEs might be classified into high-, medium- and low-transfer time classes with respect to the threshold(s) of the corresponding class.

这意味着，AF可以请求“小慧”对车队进行分类：“请根据传输5MB文件所需的时间，将我的车队分为‘快’（小于5秒）、‘中’（5-10秒）、‘慢’（大于10秒）三类，并告诉我每类中有哪些车辆。” 这种能力对于联邦学习中筛选高质量的训练参与者（即网络条件好的车辆）至关重要。

2. “情报来源”：传输时间分析的数据输入 (TS 23.288 Clause 6.18.2)

“小慧”之所以能做出精准的耗时估算，是因为她能“眼观六路，耳听八方”，从网络的全链路收集关键性能数据。

2.1 OAM的宏观链路质量数据 (Table 6.18.2-1)

OAM系统提供了无线侧链路质量的宏观统计。

  • RAN part delay for DL and UL: RAN侧的平均时延。
  • RAN Throughput for DL and UL: RAN侧的平均吞吐率。
  • RAN Packet loss rate for DL and UL: RAN侧的平均丢包率。

这些数据描绘了“最后一公里”——即从基站到车辆这段无线路径的大致性能。

2.2 5GC NF的实时核心网数据 (Table 6.18.2-2)

5GC NF提供了更实时、更精细的核心网和用户上下文数据。

表格用途解读与重绘:

Table 6.18.2-2: Service Data from 5GC NFs for E2E data volume transfer time analytics

InformationSourceDescription
Timestamp5GC NF收集信息的时间戳
UE locationAMF, LCSUE的实时位置（TAI/Cell ID，或更精细的地理坐标）
UE IDAMF(list of) SUPI(s)
5QISMFUE当前业务流的QoS等级
QoS flow Packet DelaySMF, UPF在UE和PSA UPF之间的端到端包时延（UL/DL/往返）
RAT TypeSMFUE当前使用的无线接入技术（NR, LTE…）
Access TypeSMF接入类型

这份表格中的UE location和QoS flow Packet Delay是进行精准预测的关键。UE的实时位置决定了它所处的无线环境，而UPF上报的端到端包时延则直接反映了当前核心网和传输网的拥塞状况。

2.3 AF的应用层传输数据 (Table 6.18.2-3)

AF本身也掌握着最直接的“历史经验”。

表格用途解读与重绘:

Table 6.18.2-3: Service Data from AF for E2E data volume transfer time analytics

InformationSourceDescription
Transmitted UL/DL data volumeAF历史上实际传输的数据量
UL/DL transmission time durationAF完成上述数据量传输，实际上花费的时间
Application Server Instance informationAF应用服务器的IP地址/FQDN

AF提供的历史“交易记录”（传输了多大的文件，花了多长时间），是“小慧”进行模型训练和校准的最宝贵的**地面真实 (Ground Truth)**数据。

“小慧”通过订阅上述所有数据源，就能够构建起一个从无线、到核心网、再到应用层的全链路性能视图，这是她进行精准“耗时估算”的数据基础。

3. “估价报告”：传输时间的分析输出 (TS 23.288 Clause 6.18.3)

在融合分析了所有输入数据后，“小慧”将出具一份详尽的“估价报告”。这份报告同样分为统计和预测两类。

3.1 传输时间统计 (Table 6.18.3-1)

这份报告回答了“过去怎么样？”的问题。

表格用途解读与重绘:

Table 6.18.3-1: E2E data volume transfer time statistics

InformationDescription
UE ID or list of UE IDs分析对象
> E2E data volume transfer time UL/DL端到端传输时间的统计值（如均值、方差）
>> Data volume UL/DL用于得出该统计值的实际数据量
> Classified E2E data volume transfer time information分类统计结果
>> E2E data volume transfer time classes传输时间等级（如快、中、慢）
>>> UE ID(s)属于该等级的UE列表

报告解读：AF可能会收到这样一份报告：“统计显示，在过去1小时内，车队中传输5MB下行数据的平均耗时为6.2秒。其中，归入‘快’（<5s）等级的有120辆车（列表…），归入‘慢’（>10s）的有15辆车（列表…）。”

3.2 传输时间预测 (Table 6.18.3-2)

这份报告回答了“未来会怎样？”的问题，对AF的实时决策至关重要。

表格用途解读与重绘:

Table 6.18.3-2: E2E data volume transfer time predictions

InformationDescription
> E2E data volume transfer time UL/DL端到端传输时间的预测值
>>> Data volume UL用于该预测的目标数据量
> Confidence预测的置信度
> Classified E2E data volume transfer time information分类预测结果
>> E2E data volume transfer time classes预测的传输时间等级
>>> UE ID(s)预测将属于该等级的UE列表

报告解读：联邦学习服务器AF在下发模型前，收到了“小慧”的预测报告：“预测：在接下来的5分钟内，向车辆（SUPI-X）下发5MB数据，预计耗时4.5秒，置信度90%。” 收到这份报告后，服务器知道网络条件良好，于是放心地将该车辆纳入本轮训练。如果预测耗时过长，服务器则可以智能地决定暂时跳过该车辆，以保证整体训练的同步性。

4. “分析流程”：端到端传输时间分析的完整过程 (TS 23.288 Clause 6.18.4)

Figure 6.18.4-1: Procedure for E2E data volume transfer time analytics 将上述环节整合为一个完整的流程。

  1. AF发起请求/订阅: 联邦学习服务器（Consumer NF）向NWDAF发起请求，询问向特定车队（Target of Analytics Reporting）下发5MB数据（Analytics Filter Info）的预计耗时。
  2. NWDAF多源数据采集: “小慧”启动其强大的数据采集网络：
    • 2a-b: 向AMF/LCS订阅车队中车辆的实时位置。
    • 2c: 向SMF订阅车辆的PDU会话上下文（如5QI）。
    • 2d-f: SMF进一步指示UPF对相关流量进行监控，UPF将包时延等测量数据上报给NWDAF。
    • 2g: 向OAM订阅RAN侧的宏观性能数据。
    • 2h: 向AF本身订阅历史传输记录。
  3. NWDAF分析与推导: “小慧”将来自无线侧、核心网、传输网和应用层的多维度数据进行融合，输入到她预先训练好的“传输时间预测模型”中，计算出每个UE的预计耗时。
  4. NWDAF提供结果: “小慧”将最终的统计或预测报告（如3.1、3.2节所述）返回给联邦学习服务器AF。
  5. 持续监控与通知: 如果AF是长期订阅，每当网络状况发生变化（例如，UPF上报时延增大，或AMF上报车辆进入隧道），“小慧”就会重新进行分析，并主动将更新后的预测结果通知给AF。

通过这个闭环流程，5G网络从一个被动的“管道”，升级为了一个能够主动感知和预测自身“运输能力”的智能物流系统。

FAQ - 常见问题解答

Q1：E2E数据卷传输时间分析与传统的带宽测试有什么不同？ A1：传统的带宽测试（如Speedtest）测量的是瞬时峰值速率，而E2E数据卷传输时间分析提供的是一个任务导向的、端到端的综合性能指标。它的优势在于：

  • 综合性：它不仅仅是带宽，其结果综合反映了带宽、时延、抖动、丢包率、协议开销（如TCP慢启动）等多种因素对一次完整数据传输任务的总体影响。
  • 任务导向：它直接回答了应用最关心的问题——“传完X大小的文件要多久？”，这个结果可以直接用于业务逻辑判断，而应用开发者无需再去关心底层的复杂KPI。
  • 预测能力：它不仅能统计历史，更能预测未来，为应用提供了宝贵的“提前量”。

Q2：这项分析的输入数据中，为什么同时需要从OAM获取RAN统计数据，又需要从UPF获取实时包时延？ A2：这是为了宏观与微观相结合，提升预测的准确性。OAM的RAN统计数据（如小区平均吞吐率）提供了一个宏观的、相对稳定的基线，反映了UE所在无线环境的“基本盘”。而UPF的实时包时延则提供了一个微观的、动态的实时校正，反映了从核心网到UE这条路径上当前的拥塞状况。将两者结合，NWDAF的模型就能更精准地判断出，即使一个UE身处一个“好”的小区，但如果核心网链路此刻正拥堵，其实际传输时间也可能会很长。

Q3：NWDAF如何处理AF提供的应用层传输时间作为“地面真实”？ A3：AF提供的历史“（数据量，传输时间）”记录，是训练NWDAF预测模型的最佳“教材”（地面真实数据）。NWDAF的MTLF（模型训练逻辑功能）会收集大量的这类记录，并将其与同一时间点从5GC NF和OAM收集到的网络状态数据进行关联。通过机器学习，模型会学习到“在何种网络状态组合下，传输X大小的数据，最终会花费Y长的时间”这一复杂映射关系。当模型训练完成后，AnLF就可以在未来，仅凭实时的网络状态输入，来预测传输时间。

Q4：为什么这项分析对联邦学习（Federated Learning）等分布式AI应用如此重要？ A4：联邦学习等分布式AI应用的核心挑战之一是参与者的同步性。一轮训练通常要求所有（或大部分）参与者在指定时间内完成模型的分发、本地训练和梯度的上传。如果某些参与者因为网络条件差，模型下载或梯度上传耗时过长，就会成为“掉队者”，严重拖慢整个训练的进度，甚至导致该轮训练失败。通过E2E数据卷传输时间分析，联邦学习的中央服务器可以在每轮训练开始前，智能地筛选出网络条件好、预计能按时完成传输的UE作为本轮的训练参与者，从而大大提高训练的效率和成功率。

Q5：除了联邦学习，这项分析还有哪些应用场景？ A5：应用场景非常广泛，所有对“在一定时间内完成特定数据量传输”有要求的应用都可以受益：

  • 云游戏/云渲染：在加载新场景或高清贴图时，游戏服务器可以预先查询传输所需时间，如果时间过长，可以智能地切换到低分辨率资源，保证游戏流畅性。
  • 远程手术/远程驾驶：控制指令和高清视频流的传输时间是可预测的，这为系统的稳定性和安全性提供了关键保障。
  • 车联网数据上传：自动驾驶汽车需要上传大量的传感器数据（“数据湖”），AF可以利用该分析，智能地选择在网络空闲、传输时间短的窗口（如夜间在车库时）进行上传。
  • 软件/固件更新 (FOTA)：对于大量的物联网设备，可以在网络负载低、预计传输时间短的时候，分批次进行固件推送，避免对网络造成冲击。

关系图谱