51学通信

深度解析 3GPP TS 23.288：6.3 Slice load level related network data analytics (切片负载等级相关的网络数据分析)

19分钟阅读

好的，我们继续本次的深度探索，进入5G智能网络中一个高度专业化且极具挑战性的领域——网络切片负载分析。

深度解析 3GPP TS 23.288：6.3 Slice load level related network data analytics (切片负载等级相关的网络数据分析)

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“6.3 Slice load level related network data analytics”的核心章节。本文旨在为读者详细剖析NWDAF如何对网络切片这一5G核心特性进行“CT扫描”，提供从宏观到微观的负载洞察，从而赋能网络资源的智能调度与管理。

我们已经知道，网络切片是5G服务化架构的精髓，它能在一张物理网络上“切”出多个具有不同SLA保障（如超低时延、超大带宽）的逻辑网络，以满足千行百业的差异化需求。但切片一旦创建并运行，如何确保其SLA得到持续满足？如何在其负载过高时进行预警和扩容，负载过低时回收资源？

这些问题的答案，就藏在NWDAF“小慧”的“切片负载分析”能力之中。本章，我们将聚焦于6.3章节，看“小慧”如何化身为一名专业的“切片健康诊断师”，对每一个网络切片进行全方位的负载“体检”，并出具权威的“体检报告”和“健康预测”。

场景设定：在A城市的智慧港口，运营商为自动化集装箱吊装业务部署了一个uRLLC切片（超可靠低时延通信，S-NSSAI-U），为港区的高清视频监控业务部署了一个eMBB切片（增强移动宽带，S-NSSAI-E）。港口的控制中心（一个AF）需要实时了解这两个切片的负载状况，以确保生产安全和效率。

1. “体检申请单”：如何请求切片负载分析 (TS 23.288 Clause 6.3.1)

在“小慧”开始“诊断”之前，港口控制中心AF需要先提交一份清晰的“体检申请单”。6.3.1节“General”详细规定了这份申请单需要填写的内容。

The NWDAF provides slice load level information to a consumer NF on a Network Slice level or a Network Slice instance level or both… The consumer of these analytics shall indicate in the request or subscription:

1.1 核心检查项目

  • Analytics ID = "Load level information": 明确本次请求的主题是“负载等级信息”。
  • Analytics Filter Information:
    • S-NSSAI: 这是必填项，明确要检查哪个切片，例如S-NSSAI-U或S-NSSAI-E。
    • NSI ID (Network Slice Instance ID): 可选项。如果一个S-NSSAI部署了多个实例（例如，为了冗余或扩容），可以通过NSI ID指定检查某一个具体的实例。
    • Area of Interest: 可选项。可以将检查范围限定在某个地理区域，例如“港口一号码头”所在的TAI列表。

1.2 高级定制要求

  • list of analytics subsets: 港口AF可以从“小慧”提供的“体检套餐”中勾选自己感兴趣的具体项目。这些项目在6.3.3A节中有详细定义，我们稍后会深入探讨。
  • Load Level Threshold value: 设置一个“报警阈值”。例如，“当uRLLC切片的注册用户数超过500个时，请立即通知我”。
  • Analytics target period: 指定是需要历史统计（“请告诉我过去一小时的平均负载”）还是未来预测（“请预测未来15分钟的负载趋势”）。

通过这份详尽的“申请单”，港口AF可以精确地表达其对切片负载的监控需求。

2. “体检设备”与“检查项目”：负载分析的数据从何而来 (TS 23.288 Clause 6.3.2A)

为了完成“体检”，“小慧”需要从不同的“体检设备”（数据源NF/OAM）收集一系列关键的“生理指标”（输入数据）。6.3.2A节“Input data”用两张核心表格Table 6.3.2A-1和Table 6.3.2A-2列出了这些数据。

2.1 OAM的宏观统计数据 (Table 6.3.2A-1)

OAM系统提供了切片负载的宏观、周期性视图，如同医院的“定期体检报告”。

表格用途解读与重绘:

Table 6.3.2A-1: OAM Input data for slice load analytics

InformationSourceDescription
UE registered in a Network Slice/Slice instanceOAM平均注册UE数，如TS 28.552中所定义。
PDU Session established on a Network Slice/Slice instanceOAM平均已建立PDU会话数，如TS 28.552中所定义。
Load of NFs associated to Network Slice instanceOAM组成切片的各个NF实例的资源利用率（CPU、内存等）。

这些数据为“小慧”提供了切片负载的基本盘和长期趋势。

2.2 5GC NF的实时动态数据 (Table 6.3.2A-2)

核心网NF则提供了更实时、更动态的事件级数据，如同随身佩戴的“健康监测手环”。

表格用途解读与重绘:

Table 6.3.2A-2: 5GC NF Input data for slice load analytics

InformationSourceDescription
Timestamps5GC NF与收集信息关联的时间戳。
UE registers/de-registers…AMF(s)AMF上报某个UE在特定S-NSSAI上注册或去注册的事件。
Number of UEs served by the AMFAMF(s)AMF上报其服务的每个S-NSSAI下的总UE数。
PDU Session established/released…SMF(s)SMF上报某个PDU会话在特定S-NSSAI上建立或释放的事件。
Current number of UEs registered…NSACFNSACF（网络切片准入控制功能）上报某个S-NSSAI的当前总注册UE数。
Current number of PDU Sessions…NSACFNSACF上报某个S-NSSAI的当前总PDU会话数。
Load of NFs associated to…NRF从NRF获取组成切片的NF的负载信息。

数据采集方式举例: 为了获取“uRLLC切片上的注册用户数”，“小慧”有多种选择：

  • 订阅AMF事件:

    Namf_EventExposure_Subscribe (Target for Event Reporting = “any UE”, Event ID = “UE moving in or out of a subscribed ‘Area of Interest’”, Event Filter information = S-NSSAI…)

    她可以向港区的所有AMF发起订阅，订阅“UE移动进/出”事件，并过滤S-NSSAI = S-NSSAI-U。通过统计进进出出的UE数量，她就能实时计算出切片上的用户总数。

  • 订阅NSACF事件:

    Nnsacf_SliceEventExposure_Subscribe (EventID = “Number of UE registered”, EventFilter = “S-NSSAI”, Event reporting mode = periodic…)

    如果网络中部署了NSACF，这是一个更直接的方式。“小慧”可以直接向NSACF订阅“注册UE数”事件，并要求NSACF以一定周期（例如每分钟）主动上报该切片的总用户数。

通过综合利用来自OAM的宏观统计和来自NF的实时事件，“小慧”能够构建起对切片负载的全面、立体的认知。

3. “体检报告”：切片负载的分析输出 (TS 23.288 Clause 6.3.3A)

收集并分析完数据后，“小慧”需要出具一份专业的“体检报告”。6.3.3A节“Output analytics”用四张表格定义了这份报告的内容，分为统计 (statistics)和预测 (predictions)两大类，又细分为切片实例级和切片级。

3.1 切片实例负载统计 (Table 6.3.3A-1)

这是最详细的报告，精确到每一个切片实例。

表格用途解读与重绘:

Table 6.3.3A-1: Network Slice instance load statistics

InformationDescription
S-NSSAI切片标识
Network Slice instances (1..max)该S-NSSAI下的实例列表
> NSI ID切片实例ID
> Number of UE Registrations该实例上的UE注册数（均值、方差）
> Number of PDU Sessions establishment该实例上的PDU会话建立数（均值、方差）
> Resource usage组成该实例的NF的资源使用情况（CPU、内存等）
> Load Level该实例的综合负载水平（一个数值或等级）
> Crossed Load Level Threshold是否触发了阈值的一个布尔指示

报告解读：这份报告会告诉港口AF：“在过去一小时，为uRLLC切片服务的实例A，平均有480个UE注册，负载水平为75%，尚未触发80%的报警阈值。”

3.2 切片负载统计 (Table 6.3.3A-2)

这是对一个S-NSSAI下所有实例负载的宏观聚合统计。

表格用途解读与重绘:

Table 6.3.3A-2: Network Slice load statistics

InformationDescription
S-NSSAI切片标识
> Number of UE Registrations该切片（所有实例总和）的总UE注册数
> Number of PDU sessions establishments该切片（所有实例总和）的总PDU会话数
> Load Level该切片的整体负载水平
> Crossed Load Level Threshold是否触发了阈值

报告解读：“在过去一小时，整个eMBB视频监控切片，总共有3500个UE注册，整体负载水平为60%。”

3.3 切片实例/切片负载预测 (Table 6.3.3A-3 & 6.3.3A-4)

这两张表格的内容与上述统计表格类似，但增加了两个关键维度：

  • 所有数值都变成了预测值 (Predicted Number/Usage/Level)。
  • > Confidence: 置信度。这是预测报告的灵魂。“小慧”会告诉AF：“我预测未来15分钟，uRLLC切片实例A的负载将达到85%，此预测的置信度为95%。”

置信度的引入，使得消费者可以根据风险偏好来使用预测结果。对于uRLLC这种关键业务，可能置信度超过80%就需要采取行动；而对于eMBB，则可能置信度超过95%才需要干预。

4. “诊断流程”：切片负载分析的完整过程 (TS 23.288 Clause 6.3.4)

Figure 6.3.4-1: Network Slice load analytics provided by NWDAF 将上述所有环节串联起来，形成了一个完整的闭环流程。

  1. 订阅/请求: 港口AF（Consumer NF）向“小慧”NWDAF发起订阅，请求获取uRLLC切片的负载分析。
  2. 发现与准备: “小慧”如果对该切片不熟悉，会先向OAM和NRF查询该切片的组成信息（有哪些NF实例构成了这个切片）。
  3. 获取NSI ID (可选): 如果AF只提供了S-NSSAI，但“小慧”需要分析到实例级别，她会向**NSSF（网络切片选择功能）**查询该S-NSSAI下有哪些NSI ID。
  4. 多源数据采集: “小慧”兵分多路，同时向OAM、NRF、AMF(s)、SMF(s)、NSACF等数据源发起数据采集订阅。
  5. 分析推导: “小慧”将收集到的所有数据进行融合分析，运用统计或机器学习模型，计算出切片的当前负载统计值和未来负载预测值。
  6. 结果交付: “小慧”将生成的“体检报告”（分析结果）通过Notify或Request response消息，交付给港口AF。

如果港口AF是长期订阅，那么每当“小慧”从数据源收到新的数据更新时（例如，AMF上报有新的UE注册到切片上），她就会重新进行步骤5和6，实现对切片负载的持续、动态监控和预警。

FAQ - 常见问题解答

Q1：NWDAF如何计算“切片负载等级(Load Level)”这个综合指标？ A1：规范本身没有严格定义“Load Level”的具体计算公式。它是一个抽象的指标，其具体计算方法留给了实现决定（up to implementation）。在实际部署中，NWDAF“小慧”通常会综合多个维度的输入数据，通过一个加权模型来计算。例如，负载等级可能是一个综合了“注册用户数”、“PDU会话数”、“组成该切片的各个NF（AMF, SMF, UPF等）的CPU/内存/带宽利用率”等多个指标的归一化数值或预定义的等级（如：空闲、正常、繁忙、拥塞）。

Q2：NSACF和AMF都可以提供切片上的UE数量，NWDAF会如何选择？ A2：这是一个很好的问题，体现了NWDAF数据源选择的灵活性。NOTE 3在Table 6.3.2A-2中指出：“Based on the internal logic, the NWDAF determines the source for the data collection.” 这意味着“小慧”会根据内部逻辑自主决策。

  • 如果网络中部署了NSACF，并且“小慧”只需要一个全局的、聚合的总数，那么直接从NSACF获取数据是最简单高效的。
  • 如果网络中没有NSACF，或者“小慧”需要更精细的、基于地理位置（例如，某个TA内）的UE数量，或者需要获取每个UE注册/去注册的实时事件，那么她就必须从一个或多个AMF获取数据。

Q3：为什么切片负载分析的输出要区分“切片级(Slice level)”和“切片实例级(Slice instance level)”？ A3：这是为了满足不同消费者的不同管理粒度需求。

  • 切片级的分析（如Table 6.3.3A-2/4）提供了一个宏观的、全局的视图，适用于高级别的监控和容量规划。例如，运营商的管理层可能只关心“整个车联网切片的总体负载是否健康”。
  • 切片实例级的分析（如Table 6.3.3A-1/3）提供了更微观、更精细的洞察，适用于实时的资源调度和故障定位。例如，NSSF（网络切片选择功能）在为新用户选择服务实例时，就需要知道每个实例的实时负载，以便进行负载均衡，将用户分配到最空闲的实例上。

Q4：请求切片负载分析时，Area of Interest（AoI）这个参数有什么用？ A4：AoI参数使得切片负载分析能够与地理位置相结合，实现更精细化的运营。一个网络切片（如eMBB）可能是全国覆盖的，但业务消费者（如某个商场）可能只关心其所在商场范围内的切片负载情况。通过在请求中指定Area of Interest（例如，商场所在的TAI列表），NWDAF就可以只分析和上报该特定区域内的切片负载，为基于位置的资源优化、业务推广等提供了可能。

Q5：对于预测类报告，“置信度(Confidence)”是如何产生的？消费者应该如何使用它？ A5：“置信度”是机器学习模型输出的一部分，它量化了模型对其预测结果的“把握程度”。通常是一个0到1之间的数值。例如，一个基于时间序列预测的模型，如果历史数据模式非常稳定，那么它对未来短时间的预测置信度就会很高（如0.95）；如果数据波动剧烈，置信度就可能较低（如0.6）。 消费者应该将置信度作为决策的重要参考。对于需要高可靠性保障的场景（如根据预测进行uRLLC切片的资源预留），消费者可能会设置一个较高的置信度门槛，只有当预测置信度超过这个门槛时才采纳该预测。而对于一些非关键业务，即使置信度较低，也可以将预测作为一种参考趋势。

关系图谱