好的，我们继续本次的深度探索。在前几章中，我们已经详细了解了NWDAF、DCCF和MFAF这“智能三巨头”各自的服务接口。今天，我们将聚焦于5G智能网络的“终极记忆体”——ADRF（分析数据存储库）的服务化接口，看看这座“数据档案馆”是如何通过标准化的API来管理其海量馆藏的。
深度解析 3GPP TS 23.288：10 ADRF Services Description (ADRF服务描述)
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“10 ADRF Services Description”的核心章节。本文旨在为读者提供一份ADRF（数据档案馆）的“官方API文档”，系统性地梳理ADRF为了实现对历史数据、分析结果及AI模型的安全存储、高效检索和生命周期管理，都提供了哪些标准化的服务接口。
我们在第5B章已经从功能层面理解了ADRF的重要性——它是NWDAF进行模型训练、趋势分析和事后复盘的“历史记忆库”。现在，第10章将这些功能需求，转化为了具体的、可被调用的服务化接口。
如果说DCCF的服务是“数据物流”，MFAF的服务是“协议翻译”，那么ADRF的服务就是纯粹的“仓储管理”。理解了这些服务，我们就能明白海量的数据和模型是如何被精确地打上标签、分门别类地存入“货架”，并在需要时被快速、准确地提取出来的。
1. ADRF的“馆藏管理系统”：两大核心服务 (TS 23.288 Clause 10.1)
ADRF对外提供的服务同样非常聚焦，主要围绕两大类“馆藏”：数据/分析 和 ML模型。Table 10.1-1 概括了ADRF的所有服务窗口。
表格用途解读与重绘:
Table 10.1-1: NF services provided by ADRF
| Service Name | Service Operations | Operation Semantics | Example Consumer(s) |
|---|---|---|---|
| Nadrf_DataManagement | StorageRequest, StorageSubscriptionRequest, RetrievalRequest, RetrievalSubscribe, Delete, etc. | Request/Response, Subscribe/Notify | DCCF, NWDAF, MFAF |
| Nadrf_MLModelManagement | StorageRequest, RetrievalRequest, Delete | Request / Response | NWDAF |
这份清单清晰地展示了ADRF的两个主要服务：
Nadrf_DataManagement: 这是ADRF最核心的、面向所有数据消费者的“数据与分析仓储服务”。Nadrf_MLModelManagement: 这是一个专门为AI模型提供的“模型仓储服务”，其主要消费者是具备模型训练能力的NWDAF(MTLF)。
2. Nadrf_DataManagement 服务：数据与分析的“存、取、删”
这个服务提供了一套完整的“入库-订阅入库-检索-订阅检索-删除”的闭环操作，构成了ADRF数据管理的核心。
2.1 数据“入库”操作
-
StorageRequest(10.2.2): 主动存入Description: The consumer NF uses this service operation to request the ADRF to store data or analytics. Data or analytics are provided to the ADRF in the request message.
这是最直接的“存入”操作。当一个NF（如NWDAF）生成了一份分析报告，或者DCCF收集了一批重要数据，它就可以调用此服务，将数据连同其“元数据”（如时间戳、数据类型等）一起打包，直接发送给ADRF进行存储。
- Inputs, Optional:
DataSetTag,DSC information,Storage Handling Information… - Outputs, Optional:
Storage Transaction Identifier…
消费者在存入时，可以打上一个或多个**
DataSetTag（数据集标签），这就像给文件贴上“2025年音乐节”、“A市智慧港口”等标签，极大地方便了未来的分类检索。ADRF在存储成功后，会返回一个Storage Transaction Identifier**，作为这批数据的唯一“入库凭证”。 - Inputs, Optional:
-
StorageSubscriptionRequest(10.2.3): 订阅存入Description: The consumer (NWDAF or DCCF) uses this service operation to request the ADRF to initiate a subscription for data or analytics… Data or analytics provided in notifications as a result of the subsequent subscription by the ADRF are stored in the ADRF.
这是一个“委托代收”服务。消费者（如DCCF）可以请求ADRF：“请你去向NWDAF-A订阅‘切片负载’数据，并把收到的所有通知都替我存起来”。ADRF接到请求后，会自己扮演消费者的角色，去向上游数据源发起订阅。这大大简化了数据归档的流程。
2.2 数据“出库”操作
-
RetrievalRequest(10.2.5): 按需检索Description: The consumer NF uses this service operation to retrieve stored data or analytics from the ADRF.
这是最直接的“取货”操作。消费者可以通过多种“索引”来查询数据：
Storage Transaction Identifier: 使用之前存入时获取的“入库凭证”，精准提取一批数据。DataSetTag: 使用“标签”进行模糊查询，例如，“请给我所有打了‘2025年音乐节’标签的数据”。Fetch Correlation ID(s): 如果是响应一个RetrievalNotify中的取货指令，则使用这个ID。
-
RetrievalSubscribe(10.2.6): 订阅检索Description: The consumer NF uses this service operation to retrieve stored data or analytics from the ADRF and to receive future notifications containing the corresponding data or analytics received by ADRF.
这是一个更强大的“订阅”服务。消费者不仅可以检索已经存在的历史数据，还可以订阅未来可能存入的、符合同样条件的数据。
- Inputs, Required:
Service Operation,Analytics Specification or Data Specification,Time Window或DataSetTag。
场景举例：一个负责长期网络优化的NWDAF，它向ADRF发起订阅：“请检索过去三年所有关于‘网络拥塞’的分析报告，并发给我。并且，从现在开始，只要有任何新的‘网络拥塞’报告入库，请立即通知我。”
- Inputs, Required:
2.3 数据“销毁”操作
Delete(10.2.9): 消费者可以使用Storage Transaction Identifier或DataSetTag等，请求ADRF删除指定的数据。StorageSubscriptionRemoval(10.2.4): 用于取消之前通过StorageSubscriptionRequest建立的“订阅存入”任务。
3. Nadrf_MLModelManagement 服务：AI模型的专属“保险库”
由于ML模型是高价值的数字资产，且其管理方式与普通数据有所不同，ADRF为其提供了专门的一套服务。
3.1 StorageRequest (10.3.2): 模型入库
Description: The consumer NF uses this service operation to request the ADRF to store or update ML Model(s). ML Model(s) or ML Model address(es) stored in NWDAF containing MTLF are provided to the ADRF in the request message.
MTLF（模型训练者）通过此服务，将训练好的模型存入ADRF。输入参数非常灵活：
- 可以直接提供**ML Model(s)**文件本身。
- 也可以只提供模型的地址(address of ML Model file)，ADRF会自行去下载。
- 可以指定允许使用该模型的NF实例列表 (Allowed NF instance list)，实现精细的访问控制。
- 可以对一个已存在的模型进行更新。
3.2 RetrievalRequest (10.3.4): 模型出库
Description: The consumer NF uses this service operation to request the ADRF to get the ML Model(s) stored in ADRF.
AnLF（模型使用者）通过此服务，从ADRF中获取模型。它可以通过唯一的模型标识符 (unique ML Model identifier) 或 存储事务ID 来请求。ADRF的响应中会包含模型的文件地址 (ML Model address of Model file stored in ADRF)，消费者可以据此下载模型。
3.3 Delete (10.3.3): 模型销毁
MTLF或管理员通过此服务，使用模型标识符或存储事务ID，从ADRF中删除不再需要或已过时的模型。
4. 总结：标准化仓储，赋能长效智能
第10章通过定义Nadrf_DataManagement和Nadrf_MLModelManagement两大核心服务，为5G网络的“历史记忆库”ADRF构建了一套完整、标准、安全的“仓储管理API”。
- 统一管理: 将异构的历史数据、分析结果和ML模型，纳入到一个统一的存储和管理框架中，提供了清晰的“存、取、删”接口。
- 灵活的交互模式: 同时支持“推（主动存入）”和“拉（订阅存入）”的数据入库模式，以及“一次性检索”和“持续订阅检索”的数据出库模式，满足了不同业务场景的复杂需求。
- 精细化索引: 通过
Storage Transaction Identifier和DataSetTag等机制，实现了对海量馆藏的精细化索引和高效检索。 - 面向AI的专属服务: 为ML模型这一特殊的高价值资产，提供了专属的、考虑了访问控制和更新机制的仓储服务，构建了5G AI模型的“中央银行”。
- 生命周期保障:
Storage Handling Information的引入，确保了数据从存入到销毁的全生命周期都处于可管可控的状态。
ADRF及其服务的存在，使得NWDAF的智能不再是“昙花一现”的实时计算，而是能够沉淀、积累和传承的。它将每一次网络事件、每一次分析洞察，都转化为可供未来挖掘的宝贵财富，为5G网络实现更高阶的、基于长周期大数据的深度智能，奠定了坚实的基础。
FAQ - 常见问题解答
Q1：ADRF和DCCF都与数据存储有关，它们的功能有重叠吗？ A1：它们的功能是互补而非重叠的。
- DCCF 关注的是实时数据流的“协调与分发”。它是一个过程管理者，核心职责是优化数据采集的信令效率。它可以“决定”将数据流的一个副本送往ADRF进行归档，但它本身不负责长期存储。
- ADRF 关注的是数据的“长期、静态存储与检索”。它是一个最终存储库，核心职责是作为历史数据、分析和模型的“档案馆”，提供持久化存储和事后查询能力。 可以把DCCF比作邮局的分拣中心，ADRF比作国家档案馆。分拣中心处理流动的信件，并决定哪些信件需要送一份到档案馆存档，但它自己不保存信件。
Q2：DataSetTag 和 Storage Transaction Identifier 在使用上有什么区别？
A2：
Storage Transaction Identifier是一对一或一对多的精确索引。它由ADRF在一次StorageRequest成功后生成，唯一对应于那一次存入的所有数据。它的主要用途是进行精准的、批次性的操作（如“删除我上次存入的那批数据”）。DataSetTag是多对多的分类标签。消费者可以在多次不同的存入操作中，为数据打上相同的标签。它的主要用途是进行基于主题的、跨批次的模糊查询（如“检索所有标签为‘智慧交通’的数据”）。 一个好比是“入库单号”，另一个好比是“图书分类号”。
Q3：为什么需要一个专门的Nadrf_MLModelManagement服务来管理ML模型？不能用通用的DataManagement服务吗？
A3：设立专门的服务是因为ML模型是一种特殊的、结构化的、有特定管理需求的“数据”。
- 访问控制需求：一个模型可能只授权给特定的AnLF实例使用，
MLModelManagement服务中包含了Allowed NF instance list等参数，便于实现精细的权限管理。 - 更新与版本管理: 模型需要频繁地更新和迭代，
StorageRequest操作明确支持对现有模型的update。 - 存储与执行分离: 模型文件通常很大，ADRF的最佳实践是存储模型的地址而非文件本身。
MLModelManagement服务的接口设计（如输入ML Model address，输出ML Model address）更好地支持了这种模式。 - 语义清晰: 将模型作为一种独立的“一等公民”来管理，使得整个架构的语义更清晰。
Q4：消费者如何发现哪个ADRF实例存储了自己想要的数据？ A4：消费者可以通过多种方式发现ADRF：
- 订阅时指定：在向DCCF或NWDAF订阅数据/分析时，如果知道数据会被归档，可以提前获知将要使用的ADRF ID。
- DCCF告知：当消费者向DCCF请求历史数据时，DCCF会负责去发现哪个ADRF存有该数据，并将请求转发过去，这个过程对消费者可以是透明的。
- NRF发现：ADRF作为一个NF，也会在NRF中注册。虽然规范未详细展开，但可以推断，ADRF的注册信息中可能包含其存储的数据类型、服务区域等能力信息，供其他NF进行发现。
Q5：ADRF的部署是集中的还是分布式的？ A5：规范对此没有做强制规定，允许灵活部署。
Multiple instances of ADRF may be deployed in a network…
- 集中式部署：可以在运营商的核心数据中心部署一个或少数几个大规模的中央ADRF，形成一个统一的“数据湖”。优点是管理简单，便于进行全局的关联分析。
- 分布式部署：可以在每个省或区域数据中心都部署区域性的ADRF。优点是数据存储更靠近数据源和消费者，可以降低数据传输的时延和成本，并满足数据不出省等合规要求。在实际网络中，往往采用两者结合的混合部署模式。