51学通信

深度解析 3GPP TS 29.552：网络数据分析信令流 (全景概览)

40分钟阅读

深度解析 3GPP TS 29.552：网络数据分析信令流 (全景概览)

本文技术原理深度参考了3GPP TS 29.552 V18.7.0 (2024-12) Release 18规范，旨在为读者提供一个关于5G核心网“智慧大脑”——网络数据分析功能 (NWDAF) 相关信令流程的全景视图。

引言：为5G网络注入智慧的“神经系统”

随着5G网络从蓝图走向现实，其应用的广度和深度正以前所未有的速度扩展。从超高清视频、云游戏到工业自动化、自动驾驶，多样化的业务场景对网络的智能化、自动化和精细化运营提出了极致的要求。一个静态配置、被动响应的网络已无法应对如此复杂多变的挑战。5G网络迫切需要一个“智慧大脑”，能够实时感知网络状态，精准预测未来趋势，并主动进行优化决策。

3GPP定义的网络数据分析功能 (NWDAF, Network Data Analytics Function) 正是为满足这一需求而生的核心网元。它被誉为5G网络的“大脑”，通过收集和分析来自全网的数据，生成富有洞察力的分析报告和预测，为网络自动化和智能化提供决策支持。

然而，一个再聪明的大脑也需要一个高效的“神经系统”来与身体的各个部分进行信息交互。如果说定义了NWDAF功能和架构的TS 23.288规范是这个大脑的“设计蓝图”（Stage 2），那么我们今天要深度解读的 3GPP TS 29.552 规范，就是这个大脑赖以工作的“神经系统”的详细“布线图和通信协议手册”（Stage 3）。它精确定义了NWDAF如何与其他网络功能（NF）进行对话，如何获取数据，以及如何提供分析服务的具体信令流程和API调用细节。

为了让这次技术之旅更加生动，让我们引入一位虚拟主角：“智慧运营商‘数智网联’的首席AI运维专家，代号‘洞察者’(Insight-AI)”。‘洞察者’的本体就是一套先进的NWDAF系统，它的日常工作就是利用TS 29.552规范定义的“语言”和“流程”，洞察网络中的风吹草动，确保网络高效、稳定、智能地运行。

在本文中，我们将跟随‘洞察者’的视角，全面审视TS 29.552规范的全貌，理解其核心架构、关键信令交互、丰富的分析能力以及前沿的机器学习机制。这篇文章将为您构建一个完整的知识框架，为后续逐章逐节的深度拆解奠定坚实的基础。

1. 规范的宏伟蓝图：TS 29.552的核心使命与范畴

在深入技术细节之前，我们首先需要明确TS 29.552规范的定位和目标。它究竟要解决什么问题？

规范原文引用 (Clause 1 Scope):

The present document specifies detailed call flows of Network Data Analytics and the related data collection over the Nnwdaf, Nsmf, Nnsacf, Namf, Nnrf, Nnssf, Nnef, Naf, Ndccf, Nadrf, Nmfaf, Nudm, Nupf and Ngmlc service-based interfaces and/or from OAM, and their relationship with the flow level signalling in 5G system.

这段话言简意赅，却点明了规范的核心。‘洞察者’解读道：“我的工作不是纸上谈兵。我需要与网络中几乎所有的关键角色进行实时沟通，这份规范就是我的‘社交手册’和‘工作流程指南’。”

我们可以将TS 29.552的核心使命分解为以下几个方面：

  • 定义“怎么说”：明确了NWDAF与AMF（接入和移动性管理功能）、SMF（会话管理功能）、PCF（策略控制功能）、NRF（网络功能仓库功能）、OAM（运维管理系统）等众多网元之间进行通信所使用的服务化接口。这些接口就像是为’洞察者’和它的同事们量身定制的、标准化的交流语言。

  • 定义“怎么做”：详细规定了各种场景下的信令调用流程 (Call Flows)。这不仅仅是简单的“一问一答”，而是涵盖了订阅/通知、请求/响应、数据聚合、上下文迁移等一系列复杂的交互模式。例如，‘洞察者’如何向AMF“订阅”某个特定区域的用户移动事件？当预测出网络拥塞后，它又该如何“通知”PCF调整QoS策略？这些“剧本”都在TS 29.552中有详尽的描绘。

  • 定义“说什么”：虽然具体的数据模型和API定义在其他规范（如TS 29.520）中，但TS 29.552的流程图清晰地展示了在每个步骤中需要交换哪些关键信息。它将抽象的数据模型与实际的业务流程紧密地结合在一起。

规范结构概览

为了系统性地完成上述使命，TS 29.552规范采用了逻辑清晰的章节布局。我们可以通过其目录（Contents）来一窥全貌：

  • 第4章：参考架构 (Reference Architecture for Data Analytics)：这是理解NWDAF工作环境的基础。它定义了数据采集、分析暴露、数据存储和漫游场景下的基本架构，相当于‘洞察者’的“办公室布局和设备说明书”。

  • 第5章：网络数据分析框架的信令流 (Signalling Flows for the Network Data Analytics Framework)：这是规范的核心主体。它详细描述了分析暴露、多NWDAF聚合、分析上下文传递、数据收集、ML模型管理等关键流程。这部分内容是‘洞察者’执行日常任务的“标准操作程序 (SOP)”。

  • 第5.7节：特定网络数据分析流程 (Procedures for Specific Network Data Analytics)：这部分内容堪称NWDAF的“能力清单”。规范中定义了20多种具体的分析类型，如切片负荷分析、用户移动性分析、QoS可持续性分析等。每一节都详细描述了为了生成该项分析，‘洞察者’需要从哪些数据源收集信息，并遵循怎样的流程。

  • 后续章节：涵盖了NWDAF的发现与选择、与数据仓库（ADRF）的交互、联邦学习（Federated Learning）等高级主题，为NWDAF在复杂网络环境中的部署和应用提供了指导。

总而言之，TS 29.552规范通过定义详尽的信令流程，将NWDAF这个“大脑”无缝地集成到5G核心网的庞大体系中，使其能够眼观六路、耳听八方，并将其智慧转化为实际的网络优化动作。它是实现5G网络内生智能的关键技术拼图。

2. 核心参考架构：构建‘洞察者’的智能工作空间

要让‘洞察者’高效工作，首先需要为其搭建一个功能完备的工作空间。第4章“Reference Architecture for Data Analytics”就为我们描绘了这个空间的蓝图。它主要围绕NWDAF的三大核心活动展开：数据收集、分析暴露、数据存储。

2.1 数据收集架构 (Data Collection Architecture)

任何智能分析都源于数据。‘洞察者’的第一个挑战就是如何从庞大而复杂的5G网络中，高效、准确地获取所需的数据。

规范原文引用 (Clause 4.2 Data Collection):

As depicted in Figure 4.2-1, the 5G System architecture allows NWDAF to collect data from any 5GC NF (e.g. AMF, SMF), OAM and/or MDAF directly or via DCCF, DCCF together with ADRF and/or MFAF, or via NWDAF in non-roaming case.

规范中的“Figure 4.2-1: Data Collection Architecture”清晰地展示了‘洞察者’获取数据的多种途径。这张图是理解NWDAF数据来源的基石。

场景代入：预测大型体育赛事期间的网络拥塞

想象一下，一场重要的足球赛即将在市中心体育场举行。‘洞察者’的任务是提前预测场馆周边的网络负荷，防止因用户激增导致网络拥塞，影响观众的直播分享体验。

为了完成这个任务，‘洞察者’需要多种数据：

  • 来自AMF的数据：当前有多少用户（UE）连接到了体育场周边的基站？用户的注册和移动情况如何？
  • 来自SMF的数据：激活了多少PDU会话？这些会话的类型（如视频、网页浏览）是什么？
  • 来自OAM的数据：无线小区的负荷水平、资源利用率如何？
  • 来自UPF的数据：实际的用户面流量有多大？

根据Figure 4.2-1，‘洞察者’（图中的NWDAF）获取这些数据（来自Data Source NF，如AMF）的路径并非只有直连一种，还引入了几个关键的“辅助角色”：

  • DCCF (Data Collection Coordination Function - 数据收集协调功能)：可以看作是‘洞察者’的“数据助理”。当多个分析任务都需要来自AMF的同一种数据时，由DCCF统一向AMF发起一次订阅请求，然后将获取的数据分发给需要它的不同分析任务。这避免了‘洞察者’内部的不同团队（或多个NWDAF实例）反复骚扰AMF，起到了协调和优化的作用。

  • ADRF (Analytics Data Repository Function - 分析数据存储功能)：这是‘洞察者’的“记忆数据库”。所有收集到的原始数据和分析结果都可以存储在ADRF中。对于体育赛事预测这个场景，‘洞察者’可以从ADRF中调取上一次在这里举办演唱会时的历史数据，作为本次预测的重要参考。

  • MFAF (Messaging Framework Adaptor Function - 消息框架适配器功能)：这是一个“协议翻译官”。在某些复杂的场景下，数据源和NWDAF可能使用了不同的消息格式或协议。MFAF负责在它们之间进行适配和转换，确保信息能够顺畅流转。

这个架构设计的核心思想是解耦和效率。通过引入DCCF等协调实体，实现了数据收集任务与具体数据源的解耦，使得数据收集更加灵活和高效。

2.2 分析暴露架构 (Analytics Exposing Architecture)

分析出结果只是第一步，更关键的是如何将这些“洞察”传递给能够采取行动的网络功能，即“分析暴露”。

规范原文引用 (Clause 4.3 Analytics Exposure):

As depicted in Figure 4.3-1, the 5G System architecture allows NWDAF to expose data to any 5GC NF (e.g. AMF) directly or via DCCF/MFAF in non-roaming case.

规范中的“Figure 4.3-1: Analytics Exposing Architecture”展示了分析结果的输出路径。

场景继续：主动规避网络拥塞

基于收集到的数据和历史模型，‘洞察者’预测出，在比赛开始前30分钟，体育场北侧看台的5G切片（专门用于保障高清直播）的负荷将达到95%，有极高的拥塞风险。

此时，‘洞察者’需要将这个“拥塞预警”分析结果暴露出去：

  • 暴露给PCF：PCF可以根据这个预警，提前调整用户的QoS策略，例如，对非关键业务进行限速，保障直播流的带宽和时延。
  • 暴露给NSSF/NSACF：网络切片选择/准入控制功能可以基于预警，限制新的用户加入这个已经拥挤的切片，或者动态地为该切片增加更多资源。
  • 暴露给AF（应用功能）：例如，视频直播平台的AF收到预警后，可以主动下调新接入用户的默认码率，从源头上减少网络压力。

与数据收集类似，分析暴露的路径（如图4.3-1所示）也可以是直接的（Analytics consumer直接访问NWDAF），也可以通过DCCF/MFAF等中间件进行。这种对称的架构设计体现了5G SBA（服务化架构）的灵活性。

2.3 数据存储与漫游架构

  • 数据存储与检索 (Data Storage and Retrieval)：规范中的“Figure 4.4-1: Data Storage and Retrieval Architecture”再次强调了ADRF作为核心存储部件的角色。任何NF（如图中的NF e.g. NWDAF）都可以将数据存入ADRF，或从中检索历史数据。这是实现网络“记忆”和“长期学习”能力的基础。

  • 漫游架构 (Roaming Architecture)：5G是全球化的网络。当一个用户漫游到海外时，其网络行为分析该如何进行？规范在“Figure 4.5-1: Roaming Architecture”中给出了答案。它引入了RE-NWDAF (Roaming Exchange NWDAF) 的概念，作为归属地网络（HPLMN）和到访地网络（VPLMN）之间交换分析数据和请求的“外交关口”。这使得‘洞察者’可以与国外的同行协作，共同为漫游用户提供智能化的服务体验，同时也要遵守漫游协议和用户隐私政策。

3. 核心对话模式：解读关键信令流程

如果说架构是“硬件设施”，那么第5章定义的信令流就是驱动这些设施运转的“软件程序”。这一章内容繁多，占据了规范的主体。作为全景概览，我们不逐一展开每个流程的细节，而是聚焦于理解其中最具代表性的几种“对话模式”。

3.1 两种基本的分析获取模式：订阅通知 vs. 请求响应

‘洞察者’向其他网元提供分析服务，主要有两种模式：

  • 订阅/通知 (Subscribe/Notify)：这是最常用的一种模式。消费者（如PCF）向‘洞察者’发起一次性的订阅请求，告诉它：“我对A区域的切片负荷情况感兴趣，一旦负荷超过80%，请立刻通知我。” 之后，‘洞察者’会持续监控该项指标，一旦满足条件，就会主动向PCF发送通知。这种模式是事件驱动的，非常高效。TS 29.552在 5.2.2 Network data analytics Subscribe/Unsubscribe/Notify 章节中详细定义了该流程。

  • 请求/响应 (Request/Response)：这是一种一次性的查询模式。消费者向‘洞察者’发起一个直接的请求，例如：“请立刻告诉我，当前B用户的预测移动路径是什么？” ‘洞察者’收到请求后，立即进行计算，并通过响应消息将结果返回。这种模式适用于需要即时获取特定分析结果的场景。TS 29.552在 5.2.3 Network data analytics information request 章节中定义了此流程。

3.2 团队协作模式：分析聚合 (Analytics Aggregation)

在大型网络中，通常会部署多个NWDAF实例，每个实例负责一个特定的区域（如一个城市）或特定的分析领域。当需要一个全局视图时，就需要“团队协作”。

规范原文引用 (Clause 5.3.1 General):

Analytics Aggregation refers to the case in which an NWDAF with respective capabilities aggregates the analytics provided by other NWDAFs to serve a request from an NF service consumer.

场景代入：全国高速公路网络优化

‘洞察者’需要为全国的智慧高速项目提供网络质量预测。全国网络被分成了华北、华东、华南等多个区域，每个区域由一个本地的NWDAF实例负责。这时，总部的一个聚合NWDAF (Aggregator NWDAF) 就扮演了“项目总指挥”的角色。

根据 5.3.2 Analytics aggregation with provisioning of Area of Interest 章节描述的流程，聚合NWDAF会向各个区域的NWDAF发起分析请求（“请提供你所负责区域内，未来2小时G6高速段的QoS可持续性分析”）。收集到所有区域的分析报告后，聚合NWDAF会将它们整合成一个全国性的视图，再提供给上层的应用（如交通管理平台）。这个流程（见规范 Figure 5.3.2-1）确保了NWDAF系统能够分层、分域地进行扩展，处理超大规模网络的分析任务。

3.3 无缝交接模式：分析传递 (Analytics Transferring)

移动性是通信网络的核心特征。当一个用户从NWDAF-A的服务区域移动到NWDAF-B的服务区域时，为了保证分析的连续性，与该用户相关的分析“上下文”需要被无缝地“交接”过去。

规范原文引用 (Clause 5.4.1 Analytics context transfer initiated by target NWDAF…):

The procedure…is used when an NWDAF service consumer decides to select a new NWDAF instance due to internal or external triggers, e.g. the NWDAF service consumer starts serving a UE with analytics subscription information received upon UE context transfer procedure…

场景代入：跨市高铁上的VIP用户

一位VIP用户正乘坐高铁从北京（由NWDAF-A覆盖）前往上海（由NWDAF-B覆盖）。网络需要为这位用户提供持续不中断的高质量视频会议保障。

当用户即将进入上海区域时，服务于他的AMF会切换。新的AMF发现，关于这位用户的分析服务需要由NWDAF-B来提供。此时，就会触发分析传递流程（见规范 Figure 5.4.1-1）。

  1. 目标NWDAF（NWDAF-B）发起请求：NWDAF-B从新的AMF那里得知，该用户的分析任务之前是由NWDAF-A负责的。于是，它向NWDAF-A发起“分析上下文传递”请求。
  2. 源NWDAF（NWDAF-A）传递上下文：NWDAF-A会将它所积累的关于该用户的“知识”（如历史移动模式、业务偏好、已生成的分析模型等）打包，发送给NWDAF-B。
  3. 目标NWDAF接管服务：NWDAF-B收到上下文后，就能立即“上手”，无缝地接管对该用户的分析和预测任务，而无需从零开始学习。

这个机制确保了即使用户在高速移动，NWDAF提供的智能化服务也是连续和一致的。

3.4 机器学习的“后勤保障”：ML模型流程

NWDAF的许多高级分析能力都依赖于机器学习（ML）模型。TS 29.552也为这些模型的生命周期管理提供了信令支持。

  • 5.6 ML Model provisioning procedures：定义了ML模型的“分发”流程。例如，一个中央的、能力强大的NWDAF训练好了一个先进的拥塞预测模型，它可以将这个模型“提供”给网络边缘的轻量级NWDAF实例使用。

  • 5.10 Federated Learning among Multiple NWDAFs (联邦学习)：这是一个非常前沿且重要的机制。在传统ML中，需要将所有数据集中到一个地方进行训练，这可能带来隐私和数据传输的挑战。

    联邦学习则不同。规范中的 Figure 5.10.2.1-1 描述了其流程：

    1. FL Server NWDAF (服务器) 将一个初始的全局模型分发给多个 FL Client NWDAF (客户端)。
    2. 每个 FL Client 只使用自己的本地数据（例如，某个区域的用户数据）对模型进行训练，这个过程数据不出本地，保障了隐私。
    3. 训练完成后，FL Client 们不上传原始数据，只上传它们对模型的“修改”或“更新”（即模型参数）。
    4. FL Server 聚合所有客户端上传的模型更新，生成一个更强大的新版全局模型。
    5. 重复以上过程，模型不断迭代优化。

联邦学习使得‘洞察者’们可以在不直接接触用户隐私数据的前提下，协同训练出性能优异的分析模型，是实现大规模、隐私保护的网络智能化的关键技术。

4. 智慧能力清单：‘洞察者’究竟能做什么？

TS 29.552最激动人心的部分之一，莫过于 第5.7节 “Procedures for Specific Network Data Analytics”。这里详细列举了NWDAF能够提供的20多种分析服务。这就像是‘洞察者’的能力菜单，展示了它能为网络运营的方方面面带来何种价值。

让我们挑选其中几项代表性的能力，看看‘洞察者’是如何工作的。

能力一：网络切片负载水平分析 (5.7.2 Network Slice (Instance) load level Analytics)

规范原文引用:

This procedure is used by the NF to obtain the network slice (instance) load level analytics which are calculated by the NWDAF based on the information collected from the NSACF, NRF, AMF, SMF and/or OAM.

  • 目标：预测特定网络切片实例的负载水平，提前发现拥塞风险。
  • 应用场景：保障智能电网、车联网等高要求垂直行业的SLA。
  • ‘洞察者’的工作流程：
    1. 从 AMF 收集注册到该切片的用户数。
    2. 从 SMF 收集该切片上建立的PDU会话数。
    3. 从 OAM 收集该切片占用的无线资源（如PRB利用率）。
    4. 从 NSACF（切片准入控制功能）获取切片资源配置信息。
    5. 综合以上数据，利用其内置的预测模型，输出未来一段时间内该切片的负载水平预测值。

能力二：用户移动性分析 (5.7.6 UE Mobility Analytics)

规范原文引用:

This procedure is used by the NF to obtain UE mobility analytics, which is calculated by the NWDAF based on the information collected from the AMF, AF and/or OAM.

  • 目标：预测单个用户或用户群的移动轨迹和位置。
  • 应用场景：优化小区切换、实现基于位置的精准业务推送、辅助网络规划。
  • ‘洞察者’的工作流程：
    1. 向 AMF 订阅用户的移动性事件，如小区切换、TAI（跟踪区标识）更新等，从而获取历史移动数据。
    2. （可选）从 AF（如地图应用、打车应用）获取更高精度的用户位置或出行意图信息（需用户授权）。
    3. 基于这些数据，‘洞察者’可以训练出用户的移动模式（例如，一个用户每天早上8点会从A小区移动到B小区），并预测其下一次的移动路径。

能力三：QoS可持续性分析 (5.7.11 QoS Sustainability Analytics)

规范原文引用:

This procedure is used by the NWDAF service consumer … to obtain the QoS Sustainability analytics, which are calculated by the NWDAF based on the information collected from the OAM, AMF, SMF, UPF, UDM and GMLC, for a path of interest or for an area of interest…

  • 目标：预测网络在未来一段时间内，能否持续满足某个特定QoS（如低时延、高带宽）要求。
  • 应用场景：为远程手术、云游戏、自动驾驶等对QoS极其敏感的业务提供“确定性网络”保障。
  • ‘洞察者’的工作流程：
    1. 识别业务路径：从 SMF/UPF 获取业务流经过的网络路径（包括基站、UPF等）。
    2. 收集路径状态：从 OAM 收集该路径上所有无线和承载网络节点的当前负载和性能指标（如时延、丢包率）。
    3. 获取用户信息：从 AMF 获取用户信息，从 UDM 获取用户签约的QoS信息。
    4. ‘洞察者’综合分析路径上所有节点的健康状况和潜在瓶颈，预测在给定的业务流量模型下，端到端的QoS是否能在未来（例如30分钟内）保持在承诺的水平。

除了以上几种，TS 29.552还定义了用户通信模式分析 (5.7.7)、异常行为分析 (5.7.9)、数据拥塞分析 (5.7.10)、DN性能分析 (5.7.16) 等等。这些丰富的分析能力共同构成了NWDAF的核心价值，使得5G网络真正具备了“感知、认知、预测、决策”的闭环智能。

5. 总结与展望

3GPP TS 29.552规范是一部内容极其丰富和详实的技术标准。它不仅仅是一份关于信令流程的枯燥文档，更是实现5G网络智能化愿景的基石。通过本文的全景概览，我们可以得出以下结论：

  1. TS 29.552是NWDAF的“执行手册”：它将TS 23.288中定义的架构和理念，转化为可操作、可实现的信令交互流程，是连接网络智能“大脑”与“身体”的神经系统。

  2. 架构设计体现了SBA的灵活性与解耦思想：无论是数据收集还是分析暴露，都提供了直接和间接的多种模式，并引入了DCCF、ADRF等辅助功能，使得整个数据分析框架具有良好的扩展性和鲁棒性。

  3. 信令流程覆盖了智能化运营的全周期：从数据获取，到多源数据聚合，再到跨域的智能上下文传递，以及最终的分析结果分发，规范为智能化运营的每一个环节都设计了精巧的“对话”机制。

  4. 深度融合前沿AI技术：规范不仅支持传统的统计分析，更通过ML模型管理、特别是联邦学习等流程的定义，将先进的人工智能技术内生地融入到移动通信网络的核心体系中，为网络AI的发展铺平了道路。

  5. 分析能力全面赋能网络自动化：规范定义的20多种分析ID，覆盖了网络资源、用户行为、业务质量等多个维度，为实现零接触运维（Zero-touch）、主动网络优化、个性化业务保障等高级自动化应用提供了强大的“弹药库”。

我们跟随‘洞察者’的视角，完成了对TS 29.552规范的首次巡礼。但这仅仅是一个开始。在接下来的系列文章中，我们将“降落”到规范的每一个具体章节，逐一解剖其中的信令流程、关键参数和实现细节，真正掌握构建和使用5G网络“智慧大脑”的全部奥秘。从网络切片的负载预测到保障自动驾驶的QoS，‘洞察者’的故事才刚刚上演。

FAQ 环节

Q1：NWDAF与传统的OAM（运维管理系统）或SON（自组织网络）有什么本质区别？

A1：NWDAF、OAM和SON都致力于网络优化和自动化，但它们的定位和工作方式有显著不同。

  • OAM 更侧重于网络的管理、配置、故障监控和性能统计，其数据通常是聚合后的、非实时的（分钟级甚至更长），主要面向网络运维人员。
  • SON 主要集中在无线接入网（RAN）的自配置、自优化和自愈合，例如邻区关系自动优化、PCI自动配置等，其范围相对局限。
  • NWDAF 则是一个位于核心网的、原生的、服务化的网络功能。它的特点是：实时性更高（可以处理秒级甚至更细粒度的事件）、数据源更广（可从核心网、接入网、应用层、OAM等全方位收集数据）、分析能力更强（原生支持高级统计和机器学习，强调预测能力），并且服务化暴露（通过标准的API向任何被授权的NF或AF提供分析服务）。可以说，NWDAF是5G时代网络内生智能的集大成者，与OAM/SON是互补而非替代关系。

Q2：NWDAF是5G核心网中的一个强制性网元吗？

A2：不是。根据3GPP的定义，NWDAF是一个可选的网络功能。运营商可以根据自己的业务需求和网络发展策略，决定是否以及如何部署NWDAF。然而，随着5G应用场景的深化，特别是对于需要高可靠性、低时延和大规模连接的垂直行业应用（如URLLC和mMTC），通过NWDAF实现网络的精细化、智能化运营和自动化SLA保障，正逐渐成为业界的共识和趋势。因此，虽然非强制，但NWDAF被认为是发挥5G网络全部潜力的关键功能。

Q3：对于NWDAF，TS 23.288 (Stage 2) 和 TS 29.552 (Stage 3) 这两份核心规范的主要区别是什么？

A3：这两份规范处于不同的标准化阶段，描述的深度和侧重点不同。

  • TS 23.288 (Stage 2) 侧重于功能和架构。它定义了NWDAF是什么（它的功能职责）、它在5G系统架构中的位置、它需要提供哪些分析服务（分析ID的定义）、它需要与哪些网元交互，以及这些交互的高层逻辑和信息流。它回答的是“做什么”和“为什么做”的问题。
  • TS 29.552 (Stage 3) 侧重于协议和信令。它将Stage 2定义的功能需求，细化为具体可实现的协议交互流程。它详细规定了每一次交互的HTTP方法（POST, GET, PUT, DELETE）、资源URI、消息体中的关键参数和信令流程图。它回答的是“怎么做”的问题。对于需要开发与NWDAF对接的网元的工程师来说，TS 29.552是直接的编程和实现指南。

Q4：规范中提到的联邦学习（Federated Learning）对于运营商来说为什么重要？

A4：联邦学习对于运营商来说具有巨大的战略价值，主要体现在两个方面：

  1. 数据隐私与合规：用户数据是运营商最敏感的资产之一，受到越来越严格的隐私法规（如GDPR）的保护。联邦学习允许在不移动和共享原始用户数据的情况下，利用这些数据训练出强大的AI模型。每个NWDAF客户端只在本地处理数据，仅上传不含个人隐私的模型参数更新。这极大地降低了数据泄露的风险，解决了数据隐私与AI模型训练之间的矛盾。
  2. 效率与可扩展性：在全国性的大型网络中，将所有原始数据（可能达到PB级别）集中到单一的数据中心进行训练，对网络带宽和存储都是巨大的挑战。联邦学习将计算任务下推到数据源头（各个区域的NWDAF），大大减少了需要在网络中传输的数据量，使得构建全国甚至全球范围的统一AI模型成为可能，具有更好的可扩展性。

Q5：作为一名SMF（会话管理功能）的开发工程师，我需要从TS 29.552中获取哪些信息来与NWDAF进行交互？

A5：作为SMF开发者，您需要关注TS 29.552中与SMF相关的多个流程，主要分为两个方面：

  1. 作为数据提供方：您需要查看 5.5 Data Collection 和特定分析类型（如5.7.2切片负载、5.7.19 PDU会话流量分析）的流程。规范会告诉您，当NWDAF需要从SMF收集数据时，它会调用SMF的哪个服务（如Nsmf_EventExposure），发起怎样的订阅请求（HTTP POST），请求中会包含哪些参数（如事件ID、目标UE）。您的SMF需要实现这些接口，并能在相应事件发生时，按照规范定义的通知流程，向NWDAF上报数据。
  2. 作为分析消费方：虽然SMF消费分析的场景相对较少（主要是PCF或AF），但假设SMF需要获取某个分析结果来辅助会话管理。您需要查看 5.2 Analytics Exposure Procedures 的流程。规范会告诉您，为了获取分析，SMF应该调用NWDAF的哪个服务（如Nnwdaf_EventsSubscription或Nnwdaf_AnalyticsInfo），如何构建请求消息（请求哪个分析ID，提供哪些过滤条件），以及如何解析NWDAF返回的响应或通知。

关系图谱