芯耀
与非AI
317
译者案：本文摘选翻译自《2026韩国SK电讯6G白皮书》，详细介绍6G网络数据洞察与价值引擎（DIVE）的架构，并从落地技术视角进行全面解读。翻译不准确之处，敬请谅解。
关注公众号【5G行业应用】，回复“260311”可下载《2026 SK Telecom 6G White Paper》原文
3.4 网络数据洞察与价值引擎（DIVE）
随着AI与数据的重要性快速凸显，移动通信行业正重新审视网络设备产生的海量网络数据，将其从基础运营副产品，升级为创造差异化价值的核心资产。SK电讯已利用这些数据，成功推出实时流动人口分析、定位服务、商圈分析解决方案等业务；同时，通过基站流量与场型分析实现网络优化，提升了运营效率，充分证明了网络数据是核心战略资产。
未来6G时代，随着前述网络技术的持续升级，网络数据的应用场景将更广泛、更精细化。通过网络数据，未来网络将支撑精准室内定位服务、基于AI的网络质量预测与保障、基于数字孪生的城市治理、行业专属数据服务等各类业务，深度融入各行各业。
为在6G时代高效开发、运营这类基于网络数据的业务，为每个业务构建独立的系统架构存在明显的局限性。为每个业务搭建独立的数据管道与分析基础设施，会带来开发成本冗余、运营复杂度提升、新业务上线延迟等问题；同时，在安全策略一致性保障、故障快速响应等方面，也面临严峻的运营挑战[7]。
图9 DIVE架构
基于此，本章提出6G时代基于网络数据的业务开发一体化平台——“网络数据洞察与价值引擎（DIVE）”。DIVE是一套可对网络设备产生的各类数据进行体系化采集、处理、分析，创造全新商业价值的平台。DIVE以混合边云架构、基于AI的网络数据业务开发运营环境、策略与业务部署分离的双平面部署、零信任架构为核心设计原则，旨在同时实现运营效率最大化、用户体验创新与网络商业化变现。
3.4.1 混合边云架构
6G时代的网络数据业务，仅靠中心化的云端处理，在实时响应能力、数据传输成本、用户数据管控要求等方面存在局限性；而仅靠边缘侧的分布式架构，又难以实现策略的一致性与大规模数据分析。DIVE通过融合边缘与云端双重优势的混合边云架构，解决这一核心矛盾。
混合边云架构由三大核心组件构成：边缘业务功能（ESF）、集中式业务功能（CSF）、管道管理功能（PMF）。
ESF是部署在边缘侧的执行引擎，可在B2B客户专属网络等环境中独立运行，从现场网络设备采集数据，提供实时服务。ESF具备自主运行能力，即便与云端临时断连，也可基于本地策略提供独立的业务能力，这对于工厂自动化、远程医疗等关键任务场景至关重要。此外，ESF可在边缘侧对网络数据进行处理与过滤，优化向云端传输的数据量，从而降低网络成本，减少云端的处理负荷。ESF采用轻量化容器化环境实现，可在各类边缘硬件上实现一致的部署与运行。此外，针对敏感或机密数据，可通过联邦学习技术，在避免边缘数据泄露的同时，保障AI模型训练效果。
CSF是部署在云端的执行引擎，负责全量网络数据的一体化监控、策略管理、大规模数据分析与AI模型训练。CSF通过基于Git的基础设施即代码（IaC）方案，对所有边缘节点的策略、业务配置、运营规则进行版本化的一体化管理，可实现策略向边缘站点的批量部署或金丝雀发布[8]。此外，CSF可对边缘传输的数据进行分析、异常检测与业务模型训练，训练完成的模型将回传部署至边缘侧，用于现场的实时推理。同时，CSF在云端对所有数据访问历史、策略变更历史、自动动作执行记录进行一体化管理，可满足GDPR、电信网络相关法规的监管要求，还可通过跨域分析，挖掘不同行业、区域间的关联关系，发现全新的业务机会。
PMF是连接ESF与CSF的一体化层，可根据业务需求，自动构建数据、处理节点、AI模型与业务间的流转管道，并完成配置与管理。PMF可根据业务需求，自动识别所需数据源、选择预处理节点、匹配AI模型、生成结果传输路径。例如，当用户申请“特定区域实时流动人口预测”服务时，PMF可自动构建一条连接该区域基站接入日志、移动模式分析模型、可视化看板的完整数据管道。此外，业务管道以声明式配置文件定义，数据连接器、预处理函数、AI模型、输出处理器等组件，均以标准化接口注册至组件目录，实现高复用性。PMF可根据业务特征与资源可用情况，动态决定管道各环节在边缘或云端执行，结合网络状况与边缘资源可用性，实现工作负载的最优分配。
3.4.2 基于AI的数据业务开发
DIVE是一套可将网络数据转化为业务服务的平台。当业务规划人员提出新的业务创意时，自然语言处理技术可分析业务需求文档，自动推导所需的数据属性。例如，针对“特定区域分时段网络拥塞预测服务”，可提取区域、时段、拥塞等关键词，识别基站接入日志、流量测量日志、无线信号质量日志等相关网络日志。通过数据目录与元数据管理系统，可从海量数据源中快速定位高相关性数据。
提取的数据将通过特征工程管道，转化为适配AI模型训练的格式。自动完成缺失值处理、异常值剔除、标准化、分类变量编码、时间窗口聚合等预处理工作，处理结果将存储至特征库，以可复用的形式进行管理。此外，通过自动化学习模型生成技术，可对各类特征组合进行实验，自动筛选最适配业务目标的特征集。特征准备完成后，训练模型生成框架可自动对各类AI算法进行实验，完成超参数调优，推导最优模型。通过交叉验证评估模型性能，最优模型将进行版本化管理并存入模型仓库，通过A/B测试在真实业务环境中完成测试验证后，正式部署上线。
PMF可通过分析业务需求，自动确定所需数据源、预处理步骤、AI模型与输出格式，构建连接各环节的管道。复杂业务可通过多个微服务或现有系统协同实现，PMF可自动编排微服务间的调用顺序、数据传输、错误处理与事务管理。此时，将应用分布式系统模式保障业务间的一致性与稳定性，自动应用熔断、重试、超时等弹性模式，避免局部业务故障扩散至整个系统。
3.4.3 基于AI的自主运营
6G时代，将迎来大规模基于网络数据的业务与边缘节点同时运行的网络环境。随着网络复杂度的持续提升，传统的人工运营模式，难以持续保障运营的稳定性与效率，而单纯增加运营人员，从投资回报率（ROI）视角也不具备可持续性。为解决这一问题，DIVE搭载了AIOps Copilot——一套融合大语言模型（LLM）与检索增强生成（RAG）技术，辅助运营人员决策的智能运营智能体。
为保障AIOps Copilot的高效运行，需优先实现DIVE平台自身可观测性数据的最优采集。为此，DIVE基于OpenTelemetry标准，从平台各微服务与节点中，一体化采集指标、日志、链路追踪数据[9]。指标存储至时序数据库，用于实时监控与异常检测；日志以无模式结构化格式，采集至中央日志仓库，支持检索与分析；链路追踪数据通过分布式追踪系统，可视化服务间调用关系与性能瓶颈。
AIOps Copilot可为运营人员提供一体化仪表盘与参考链接，直观呈现DIVE复杂的系统状态。异常检测算法结合时序模式分析、统计异常值检测、基于AI的预测模型，实时检测偏离正常范围的异常征兆。当检测到异常时，根因分析（RCA）引擎将启动，追踪故障的根本原因。根因分析通过拓扑图识别服务依赖关系，结合链路追踪数据分析故障传播路径，确定影响范围与处置优先级。融合大语言模型与检索增强生成技术的智能分析系统，构建了平台历史故障案例、策略文档、操作手册、变更历史等内容的知识索引，并定期更新。当故障发生时，大语言模型可检索与当前场景相似的历史案例，通过检索增强生成技术，呈现相关文档与解决方案。
针对检测到的异常场景，AIOps Copilot可基于预定义的操作手册，提出自动化处置方案。例如，当特定业务的响应时长超出阈值时，将按优先级提出“实例扩容”“熔断机制激活”“流量绕行”等处置场景。经运营人员审批后，通过函数调用机制，向DIVE编排器下发实际管控指令，并监控执行结果。所有自动化操作历史，均将记录至审计日志，用于事后分析与监管合规响应。此外，为支撑基于知识的运营，历史故障历史、操作结果、操作手册、策略变更历史等内容，均将进行索引化处理，存储至向量数据库。当运营人员通过自然语言发起查询时，将通过检索增强生成管道检索相关文档，由大语言模型生成符合上下文的答案，并通过持续的反馈学习，提升答案准确性。
自修复机制可提前防范DIVE平台的故障，故障发生后可实现快速恢复。基于机器学习的预测模型，可学习并检测内存异常增长、CPU温度上升趋势、响应时长逐步增加等业务故障的早期征兆。当预测到故障或故障实际发生时，自修复引擎将自动执行恢复流程，针对轻微故障，自动执行服务重启、资源重分配等操作。
3.4.4 双平面部署
6G时代的网络数据业务，需根据各行各业与客户的需求，实现快速开发与部署。
为此，DIVE采用治理平面与交付平面的双平面部署策略。治理平面通过以CSF为核心的中心化治理，保障策略一致性与安全管控；交付平面则通过ESF，保障现场业务的落地执行能力。
具体而言，治理平面遵循GitOps理念，将业务定义、网络策略、安全规则以代码形式存储至Git仓库，追踪变更历史，实现声明式策略管理。当策略发生变更时，将通过CI/CD管道自动完成验证、测试与审批，再部署至全部或部分边缘节点。此时，可持续监控期望状态与实际状态的差异，并自动完成调整[10]。交付平面负责将容器化封装的业务，快速部署至边缘侧。通过封装工具，声明业务专属的依赖项、配置参数与资源需求，实现部署逻辑的自动化。尤其通过快速上线/回滚能力，新版本部署后若检测到性能下降或错误，可在短时间内自动恢复至之前版本；同时可通过金丝雀发布策略，先完成稳定性验证，再逐步扩大部署范围。
这种双平面部署模式，可同时实现中心化的策略统一管理，与边缘侧敏捷的业务执行，还可为每个业务配置独立的管道与运行环境，即便在多租户环境中，也可高效满足不同客户的需求。
3.4.5 零信任架构
DIVE采用零信任安全模型，对所有访问与交易，严格遵循“永不信任，始终验证”的原则。在边缘与云端均执行强身份认证，DIVE内部微服务间的通信，通过双向TLS认证实现加密。每个服务仅可根据最小权限原则，访问必要的资源，结合基于角色与基于属性的访问控制，实现细粒度的权限管理。
基于AI驱动的安全分析引擎，可实时分析DIVE的内部流量模式、用户行为、系统日志，检测异常行为。异常的数据访问模式、未知来源的连接尝试、异常的资源使用激增，均可能是安全威胁的信号。针对检测到的威胁，将自动执行隔离、阻断、额外认证要求等处置措施，并向安全运营中心发送实时通知。
数据处理与存储严格遵循GDPR、CCPA等国际个人信息保护法规，通过审计日志，对数据访问历史进行透明化管理。边缘侧的敏感数据，可通过联邦学习技术，仅在本地处理，无需传输至云端，强化隐私保护。分布式环境的安全防护，面临的核心挑战是：在每个边缘与云端系统独立应用安全策略的同时，保障整体安全态势的一致性。DIVE通过云端治理平面实现安全策略的一体化管理，并将策略部署至每个边缘节点，保障策略一致性；同时，边缘节点即便与云端断连，也可自主执行本地安全策略，避免出现安全防护缺口。
参考文献
[7] 高德纳（Gartner）. 《边缘计算技术成熟度曲线》[R]. 2024年.
[8] 云原生计算基金会（CNCF）. 《GitOps原则 v1.0.0》[S]. 2023年.
[9] OpenTelemetry. 《OpenTelemetry规范》[S]. 2024年.
[10] Argo Project. 《Argo CD - 面向Kubernetes的声明式GitOps持续交付工具》[EB/OL]. 2024年.
▎好书推荐
本书由吴冬升、李大成担任主编，机械工业出版社出版。书中在分析智慧城市重点建设内容和智能网联汽车重点发展内容基础上，进一步探讨智慧城市与智能网联汽车融合发展带来的车联网智能道路基础设施、新型能源基础设施、地理位置网、现代信息通信网、车城网平台建设和发展情况。并且介绍智慧城市与智能网联汽车融合创新发展的相关案例。
吴冬升 博士
