《Sensors》：Cognitive Network Digital Twins: A Survey of Concepts, Architectures, and Future Research Directions
制造业、医疗保健、智慧城市和远程采矿等领域对数据密集型与实时人工智能（AI）和物联网（IoT）应用日益增长的采用，给当前5G和新兴6G网络带来了显著压力，也暴露了传统反应式网络管理方法的局限性。近年来，网络数字孪生（NDTs）被提出以应对其中部分挑战，通过创建实时虚拟副本实现监控与优化。近期研究日益将基于学习的优化和自适应决策融入基于数字孪生的网络系统中；然而，这些能力往往是针对特定优化或控制任务而开发的。本文定义并形式化了认知网络数字孪生（CNDTs）的概念，它在传统NDTs基础上扩展了感知、学习、推理、预测和自主决策等认知能力。在涌现的数据密集型应用中，例如工业5.0场景，这些自主能力旨在补充人类专业知识与交互，允许操作人员在必要时提供指导或干预。研究人员综述了数字孪生与智能网络系统的最新进展，追溯了推动CNDTs发展的技术演进，并引入了一种多层架构分类法，以组织支撑CNDTs中认知功能的关键组件。研究人员还考察了CNDTs在提升网络韧性、效率和可扩展性方面的潜力，并识别了与认知智能、语义知识管理、架构部署和自主控制相关的关键研究挑战。本工作为CNDTs建立了清晰的概念基础，并强调了其作为未来无线系统中智能自适应网络管理新兴框架的重要性。
2. 动机
本节首先识别了支持数据密集型应用的新兴5G和6G网络对认知能力的需求，进而考察了认知能力在塑造网络运行方式中的作用。AI驱动的决策、实时适应性和预测性分析有望通过实现主动资源管理、提高可靠性和增强复杂网络环境中的安全性来提升网络效率。研究人员考察了制造业、智慧城市和采矿三个领域新兴应用的网络需求。
2.1 智能制造
在工业5.0系统中，工厂车间将集成先进技术系统，以实现远程人机交互和自主运行。此类环境中，自主能力旨在辅助而非取代操作人员，人类保留监控和必要时干预的能力。未来工厂预计将包含自动导引车（AGVs）车队和用于车间监控的摄像头。远程工作人员可通过虚拟现实（VR）远程呈现系统访问工厂环境，实现异地干预与监控。远程访问期间，工作人员将与配备先进传感能力（包括目标检测和视频流）的移动机器人助手交互。
现有研究考虑了支持AR/VR辅助远程访问的工业5.0环境中的网络资源分配问题，结果表明使资源分配器感知工业应用状态可实现高效的带宽利用并提升系统可扩展性，但该方法对应用状态变化做出反应，存在固有局限。工业运营常涉及跨多地点分布的过程，某一地点发生故障时可能需要通过AR/VR系统提供专家协助。工业环境中的网络性能受多种因素影响，包括工业机械干扰、波动的网络负载以及阻碍无线信号传播的动态车间布局。这些挑战使高效资源分配尤为困难，因为机器人协调、预测性维护和数字孪生等实时应用要求超可靠低延迟通信。网络条件的不可预测性进一步使时间敏感任务的调度复杂化，可能导致工业5.0生态系统中的延迟和低效。
因此，支持数据密集型工业5.0应用所需的关键网络功能包括：基于应用需求的资源分配，即在同一网络存在多个并发应用的场景下，需要根据应用需求动态调整网络资源；基于环境的网络状态监控，即制造环境已知会影响无线网络性能，确保高带宽低延迟应用的可靠连接意味着应用需根据动态网络条件进行适应。
2.2 智慧城市应用
有研究通过面向自动化路边资产维护的IoT智慧城市应用考察了5G网络性能。试点中，多辆垃圾收集服务卡车用于移动数据收集，收集的数据通过卡车上的5G路由器发送至云服务器。研究旨在理解地理变化、移动性及其他因素如何影响网络性能。基于同一试点，另有研究设计了基于深度学习的框架来识别路边维护点。尽管两项工作基于同一试点，但关键目标之间存在脱节：一是提升网络性能，二是实时识别维护位置。这些差距可通过NDTs中的认知能力弥合，即联合表示网络条件和应用级目标，使应用能够学习网络质量、移动性、可用资源和维护需求之间的交互关系并相应调整运行。
智慧城市应用依赖网络基础设施、移动IoT设备和实时数据流之间的无缝交互，以支持预测性维护、智能交通控制和应急响应等关键功能。然而，此类应用面临显著挑战，源于网络条件缺乏一致性以及应用和相应需求的广泛多样性。波动的网络需求、密集城市环境的干扰以及连接设备不可预测的移动模式，导致数据传输不一致和决策延迟。IoT传感器产生的高数据量给网络带宽和云处理资源带来压力，常导致数据管理效率低下。这些挑战使实时应用优化变得困难，可通过认知能力实现预测性分析，以预判网络需求和空间条件的变化。支持智慧城市应用所需的关键网络功能包括：细粒度网络状态监控与预测，使应用能够调整应用质量；支持网络条件仿真，用于部署前测试和验证新智慧城市用例，降低实施风险。
2.3 远程采矿
远程采矿相关研究讨论了其挑战以及构建系统数字孪生以提升安全和生产的潜力。采矿过程因固有的恶劣环境而面临复杂运营挑战，不可预测的天气模式可能使露天采矿活动中断，这些多方面挑战要求全面的健康与安全考量。持续的网络监控以及对网络性能、通信可靠性和环境因素的分析，可主动支持采矿数字孪生的决策过程，包括动态优化通信资源，例如当天气条件威胁运营时，可通过重新路由通信信道确保关键车队管理系统保持运行。此外，主动预测潜在网络故障、通信瓶颈或环境因素干扰，有助于减轻职业危害并支持采矿作业所需的全面安全规程。
上述用例凸显了对支持应用实时适应网络条件决策的NDTs的需求。尽管近期研究已考察了融入预测和规定能力的网络数字孪生，但未明确考虑本文所关注的感知、学习、推理、预测和自主决策等更广泛的认知能力。这些能力使NDT能够解释网络条件、从观测中学习、决定可能的行动并自主适应不断演变的网络条件。现有的基于学习的机制可视为可集成于CNDT内的专门认知组件，而非被其取代。
3. 数字孪生变体：定义与研究
本节定义并总结了数字孪生（DT）变体的概念、定义和研究，包括认知数字孪生（CDTs）和网络数字孪生（NDTs）。
3.1 数字孪生
数字孪生（DT）是物理对象、过程或系统的虚拟表示，作为实时数字对应物，连接物理与数字世界。它利用数据、机器学习和IoT传感器创建动态数字模型，在整个生命周期内模拟物理对应物的属性、条件和行为。这一复杂的虚拟副本使组织能够在实施变更前于无风险虚拟环境中监控、模拟和优化物理资产和流程。DT概念已从简单数字模型演变为能预测性能、模拟场景和提供可操作见解的复杂动态表示。对于通信网络，DT表示网络组件（包括设备、链路、流量、协议和网络资源）的相关状态、行为和交互。各领域DT定义普遍认同使用与物理系统连接并通过数据更新的虚拟表示，但在监控、模拟、预测、优化和自主决策方面的侧重点有所不同。文献中DT已在制造业、医疗保健、智慧城市、农业和采矿等领域得到探索。
3.2 认知数字孪生
认知数字孪生（CDT）代表传统DT概念的重要演进，融入了先进人工智能、机器学习和认知计算能力。该增强版本超越基本表示和模拟，引入类人的学习、推理和自主决策能力。认知层允许基于积累经验和实时数据分析进行监控、模拟、理解、学习和智能决策。现有文献对CDT的理解丰富且有时存在分歧，定义范围从狭窄的特定技术解释到广泛的变革性概念化。文献中CDT被定义为具有自主认知能力的物理系统高级数字表示，能够在不同生命周期阶段语义连接数字模型，随物理系统持续演进，并通过增强的认知支持独立执行复杂活动。增强认知孪生（ECT）被定义为超越传统监控的高级数字表示，集成自我意识、异常检测和行为学习能力，并能自主决定和实施优化物理孪生性能的行动。语义数字孪生（SEDIT）被定义为利用语义技术（特别是本体论）创建丰富、上下文感知和标准化数字模型的真实世界资产虚拟表示。认知数字孪生（Cog-DT）被定义为捕获个体独特信息接收偏好和行为模式的个性化认知配置文件模型。混合数字孪生（HT）被定义为互连孤立数字孪生模型以增强预测能力的高级数字表示。尽管这些定义范围不同，但共同观点是将CDT视为通过学习、推理、预测和自主决策等认知能力增强的数字孪生。本文采用这一更广泛的CDT观点作为认知网络数字孪生（CNDTs）的概念基础，CNDT可视为领域特定的CDT，其认知能力基于通信网络状态、协议、流量、资源和网络控制目标。
3.3 网络数字孪生（NDT）
零接触网络与服务管理（ZSM）ETSI行业规范组（ISG）将网络数字孪生定义为通信网络或其一部分的虚拟表示，可涵盖物理设备、系统、进程、软件环境、网络元素和组件、虚拟化网络功能、服务和网络流量模式等各类网络组件。建模范围可跨网络栈多个层级，从网络功能、链路、设备和流量到更低层级的无线和天线组件，取决于孪生的目的和保真度。根据ETSI ISG规范，NDT必须通过多种数据源（包括实时遥测数据、网络传感器、异常检测系统和故障预测机制）维持全面的环境感知，这种环境感知支持主动网络管理和优化。此外，NDT的动态行为模型必须持续适应以反映物理网络及其运行环境的实时变化。文献中NDT定义包括：可在多尺度运行的6G数字孪生；利用机器学习技术创建精确数据驱动网络系统数字副本的NDT；作为网络系统黑盒模型的NDT；持续与实时性能、维护和健康状态数据同步的通信网络虚拟表示（DTN）；由物理5G网络及其虚拟对应物组成的5G数字孪生架构；由物理网络及其虚拟对应物组成并维持实时交互同步的综合系统；创建物理网络虚拟实时表示以实现无风险分析、诊断和仿真并支持知情控制决策的NDT；精确建模设备、通信链路、运行环境和网络应用等关键组件的移动网络数字孪生（MNDT）。
3.4 标准化与实践架构背景
多项标准化工作为CNDT发展提供了架构基础。ISO 23247-2通过领域和实体视角的参考模型及功能视图定义了制造数字孪生的参考架构。ITU-T Y.3090规定了数字孪生网络（DTNs）的功能和服务要求及架构，其中数据、模型和接口支持物理网络的分析、诊断、仿真和控制。ETSI ZSM进一步将NDTs置于零接触网络与服务管理背景下，考察其与自动化管理和编排功能的集成及其到ZSM架构的映射。近期实践框架如B5GEMINI展示了AI/ML赋能的NDT平台如何支持虚拟化5G/6G实验、网络分析和智能控制。在运营层面，3GPP和O-RAN提供可支持CNDT实现的分析和控制功能。3GPP网络数据分析功能（NWDAF）收集网络相关信息并向网络功能和应用暴露统计和预测分析。O-RAN中，非实时RIC支持较长时间尺度的策略优化、富集信息和AI/ML模型生命周期功能，而近实时RIC通过E2接口实现更细粒度的RAN监控和控制。CNDTs因此补充而非取代这些架构，将其能力集成于同步、上下文感知和目标驱动的认知框架中。
4. 认知网络数字孪生（CNDTs）
现代通信网络因5G、边缘计算、云计算和IoT等多技术融合而日益复杂，包含蜂窝基站、光纤骨干、IoT网关、卫星链路和移动边缘计算（MEC）节点等高度异构组件。超可靠低延迟通信（URLLC）、大规模机器类通信（mMTC）和增强移动宽带（eMBB）的需求增加了另一层复杂性。使用传统技术管理此类大规模分布式基础设施效率低下，因其无法动态适应演变的网络条件。
虽然NDTs提供了物理通信网络有价值的虚拟表示，但现有实现的能力差异显著。传统NDTs主要聚焦建模、监控、仿真和优化，近期研究已将基于学习的优化、自适应控制和自主决策融入基于数字孪生的网络系统。然而，这些能力往往针对特定优化或控制任务开发，而非作为涵盖网络感知、上下文知识、学习、推理、预测和闭环决策的更广泛认知能力集成。这一区别推动了CNDTs发展的需求。CNDT的正式定义是：智能、自适应的通信网络虚拟表示，持续与其物理对应物同步，同时融入认知能力，包括感知、学习、推理、预测和自主决策，集成于网络的建模、仿真和控制过程。与传统NDT主要面向监控和分析的角色不同，CNDT主动在上下文中解释网络遥测，维护网络及其环境的结构化知识，推导见解并推断潜在状态，通过持续学习更新模型，并自主适应其行为或控制动作。这些自主能力可在人类定义的目标、策略和运营约束内运行，允许操作人员在必要时提供指导、监控或干预。
CNDT的架构本质上是多层的，所提分类法将支持认知能力的主要架构层和组件组织为：感知主要由数据采集层支持，学习和预测由建模与仿真层及持续模型更新支持，推理和自主决策主要由管理层支持，同步层提供持续反馈以维持这些能力与物理网络的对齐。所提分层架构将CNDT功能分为四层：数据采集层从物理网络收集遥测、流量、配置和安全信息；建模与仿真层将这些数据转化为虚拟网络模型、预测和仿真；管理层支持推理、决策和网络控制；同步层维持数字与物理网络之间的双向信息交换并传达控制动作。
4.1 管理层
CNDT的管理层对高层网络行为、结构和安全提供战略监督和控制，作为CNDT的认知控制中心，负责对下层提供的信息进行推理并做出高层网络管理和控制决策，随后通过同步层传达至相关网络控制接口。关键功能包括：维护和管理封装网络运营逻辑、配置规则、服务策略和行为抽象的高层网络模型，作为异常检测、优化和适应的认知参考；监督网络逻辑和物理拓扑的构建、验证和更新，包括跨异构基础设施跟踪设备、链路、依赖关系和策略约束；集成实时威胁检测、基于策略的访问控制和漏洞评估到认知循环中。
4.2 数据采集层
数据采集层构成任何NDT的基础，是物理网络与其数字对应物之间的关键接口，涉及从网络元素收集实时信息的复杂数据收集机制。关键组件包括：网络感知与监控，通过先进遥测系统和智能传感器捕获从基本带宽使用到细微丢包、抖动和延迟的一切信息；流量与异常分析，维持对流量模式和用户行为的警惕监督，识别潜在瓶颈和异常活动，通过机器学习模型区分正常波动与真实问题；配置管理与状态收集，维护网络结构和运行状态的全面记录，跟踪配置、设备状态和系统参数，确保变更立即反映在数字孪生中；安全，扩展至详细日志和安全分析，与入侵检测系统集成以识别可利用漏洞。文献强调从真实系统收集数据对构建NDT的重要性，探讨了数据收集过程的挑战，生产网络数据在数量和多样性方面存在显著局限，目标驱动的方法建议数据收集参数应与NDT应用需求对齐，基于带内网络遥测（INT）的网络范围数据收集方案可探测涵盖所有网络链路的路径。
4.3 建模与仿真层
CNDT的建模与仿真层是复杂的计算框架，将原始网络数据转化为有意义、可操作的表示，涉及高保真数学和统计模型、基于机器学习的预测算法、拓扑映射、网络状态重建和动态仿真能力。主要功能包括：知识库，作为智能网络表示和仿真的语义骨干，封装结构化领域知识，可实例化为知识图谱以捕获节点、服务、用户意图、流量流和网络策略等实体间关系；虚拟映射，构建并维护精确映射物理基础设施的虚拟拓扑；预测建模，预期潜在故障、建议优化策略，并通过强化学习改进路由路径，由于网络条件随时间显著变化，预测模型不能仅依赖一次性训练，持续模型更新和适应对于保持预测与演变网络状态一致至关重要；风险评估，通过虚拟渗透测试和漏洞扫描实现全面的网络安全风险评估。
4.4 同步层
同步层是确保物理与数字网络持续对齐的关键组件，涉及实时数据同步协议和双向信息交换。主要任务包括：双向同步，高速双向数据流建立持续反馈循环，最小化真实事件与其孪生表示之间的延迟；模型更新，通过持续学习算法分析性能、改进预测并随时间提高准确性，自主适应新网络条件；状态一致性与冲突解决，采用复杂纠错算法和验证技术防止真实世界与其数字反映之间的发散。维持对齐并非无成本，每次更新消耗带宽、处理和能量，在跨越边缘和云资源的CNDT中，此成本随监控元素数量和所需新鲜度增长。
4.5 CNDTs的关键性能指标
认知能力只有在网络运行效果可测量时才有用。传统NDT评估聚焦孪生保真度，CNDT额外闭环从感知到行动，评估必须捕获推理和行动的速度、准确性和成本。闭环决策延迟是从物理网络变化到相应控制动作执行的时间，ITU-R为URLLC服务设定1 ms用户面延迟目标，O-RAN架构将控制循环分为实时（低于10 ms）、近实时（10 ms至1 s）和非实时（高于1 s）类别。状态同步开销衡量维持孪生与物理网络对齐所消耗的资源，包括遥测和控制信令速率、信令占用的链路容量份额以及处理和更新消耗的计算和能量。状态新鲜度和状态发散捕获决策时刻孪生反映网络的程度，新鲜度可通过信息年龄（AoI）量化，发散度衡量孪生状态估计与测量物理状态之间的误差。动态负载下的预测精度评估建模与仿真层跨运行机制的性能，模型适应时间是孪生在分布偏移后恢复到标称预测精度所需的时间。决策质量评估自主行动的结果，如服务等级协议（SLA）违规减少、相对离线最优的效用或回滚行动比例。人工干预率记录操作人员覆盖或纠正CNDT决策的频率，指示孪生的可信度以及自主性与人类监督之间的平衡。这些KPI的相对重要性取决于应用，在智能制造用例中闭环延迟和负载转换期间的预测精度是主要关注点，在智慧城市用例中状态新鲜度和模型适应时间至关重要，在远程采矿中退化连接下的决策质量和受限回传上的同步开销成为决定性因素。由于KPI相互依赖，CNDT评估应联合报告而非优化任何单一指标。
5. 开放研究挑战
CNDTs集成AI/ML和认知计算能力以实现主动决策、预测分析和自主网络管理，应动态调整网络配置、预期故障并实时优化资源利用。关键开放挑战包括：
5.1 知识管理
知识管理是CNDT发展的关键方面。CNDT必须高效表示、获取和更新知识，需要正式的知识表示技术来结构化信息，知识获取机制需从网络遥测、日志和用户交互等多样化数据源提取有价值见解，知识更新是重大挑战，网络持续演变导致潜在数据漂移和过时模型，确保NDTs无需人工干预即可自更新和重新校准知识库是需进一步研究的关键领域。工业5.0应用中，人类专业知识和交互应被视为CNDT可用知识的一部分，如何纳入人类输入同时保持有效自主运行仍是开放研究挑战。
5.2 数据集成与建模
网络从多种来源产生大量数据，但将这些多样化数据流集成到统一数字表示中因格式、结构和语义不一致而复杂，现有方法缺乏标准化语义集成方法，实时低延迟数据处理对CNDT适应快速网络条件变化至关重要，开发可扩展、可互操作的数据集成框架是必要的。
5.3 集成CNDT模型
跨不同利益相关者和网络环境集成CNDT模型是另一挑战。电信运营商、云提供商和企业可能开发具有不同架构、优化标准和数据模型的CNDTs，确保这些多样化CNDT实例之间的无缝互操作性可实现跨域协作和统一网络管理。标准化工作需聚焦开发标准协议、数据格式和编排框架。
5.4 生命周期管理
CNDT必须持续演进以跟上物理网络变化，需实时更新和适应的稳健方法。主要挑战是确保CNDT与现实网络条件保持同步，有效生命周期管理策略应解决数据漂移和概念演变，使CNDT能够自我纠正并保持相关性。随着CNDT对网络运营获得更多控制，它们成为网络威胁的潜在目标，实施安全框架以防御对抗攻击同时维持运营完整性至关重要。
5.5 部署与实施策略
CNDT的战略部署和架构设计是另一关键研究空白。集中式CNDTs可托管于集中云环境或核心网络基础设施，提供高计算能力和全局网络可见性，但引入延迟问题并存在可扩展性限制。分布式CNDTs在边缘和雾节点部署多个实例，提供本地化智能并减少延迟，但引入同步挑战。决定CNDT部署策略的主要因素是应用的质量体验（QoE）特征，包括服务质量（QoS）要求、网络流量特征和应用特征。当前研究缺乏帮助确定最合适CNDT部署策略的综合比较和决策框架。
5.6 预测性维护与故障管理
在任务关键型应用中，网络故障可导致严重中断、财务损失甚至安全危害。传统故障管理依赖反应式维护，效率低下且成本高昂。CNDTs引入预测性维护能力，AI模型分析历史和实时网络数据以检测早期退化迹象，通过预测故障，CNDTs可触发主动缓解策略，如重新路由流量、动态切换到备用网络路径或预先提醒维护团队，减少停机时间、最小化维修成本并增强整体网络韧性。
5.7 遥测开销与边缘-云同步
监控导向的NDT可容忍粗略周期性遥测，而CNDT可能需要更细粒度和更频繁的遥测以支持认知功能。网络范围的带内网络遥测使细粒度收集成为可能，但探测每条链路并以高频率收集端口级统计会给被管理网络增加流量。此开销在边缘与云边界最为严重。多种互补技术可减少跨越边缘-云边界的数据量：基于草图的测量以紧凑数据结构汇总每流流量统计；边缘侧特征提取转发派生量而非原始计数器；基于模型（残差）报告利用孪生自身预测模型，仅当测量状态偏离预测超过容差时传输；目标导向和语义通信建议仅传输与孪生决策相关的信息。事件驱动更新在状态变化、阈值跨越或预测偏差时触发更新，信息年龄（AoI）衍生的新鲜度指标为设计此类策略提供原则性基础。边缘-云一致性方面，将孪生实例放置在靠近物理对应物的边缘服务器可减少同步延迟，分层设计将边缘孪生与云中全局孪生结合，需确定实例应遵循的一致性模型。
5.8 自主认知控制环路的安全性
CNDTs不仅观察网络还对其行动，能影响CNDT感知、知道或学习的对手可通过认知循环引导真实控制决策，孪生的自主性可能将单一操纵传播到整个网络。数据采集层中的数据投毒：受损设备、伪造遥测或操纵日志可注入伪造测量，由于CNDT模型持续更新，投毒数据可进入训练和推理，逐渐改变孪生视为正常行为的内容。知识库的语义投毒：攻击者可能插入、删除或更改事实，每个更改可能单独小而合理，却改变用于推理的上下文。学习检测器的规避：异常和入侵检测功能通常基于机器学习，对抗性构造的流量可规避它们。学习型控制器的操纵：用于路由、资源分配或准入控制的强化学习代理可被扰动观测、操纵奖励或投毒经验误导。缓解方向包括：孪生自身模型提供合理性参考；知识库更新的来源追踪和认证使语义更改可审计和可逆；孪生可作为沙箱模拟提议行动的后果；安全防护可限制学习策略为满足正式指定约束的行动；高影响或低置信度行动可要求操作人员批准。
5.9 实时约束下认知功能的计算开销
区分CNDT与传统NDT的认知功能为每次通过同步循环增加了计算量。URLLC服务1 ms的用户面延迟目标为每次传输控制循环内的模型推理留下很少或没有空间。推理时间随输入大小、硬件争用和模型复杂度变化。成本也随孪生范围扩展，图神经网络模型如RouteNet作为分组级仿真的低成本替代方案，但评估许多候选行动、模拟假设情景或在线重训练模型会倍增每次评估成本。时间尺度分离是实际响应：将每个认知功能分配到计算成本匹配其时间尺度的控制循环，亚毫秒循环在物理网络附近执行轻量级预计算策略，近实时循环可托管预测模型和快速推理，非实时循环托管计算繁重功能如模型重训练、假设仿真、知识库维护和策略合成。减少推理成本方面，边缘智能技术可减少推理延迟，包括通过剪枝、量化和知识蒸馏进行模型压缩、设备与边缘服务器之间的模型分区以及达到足够置信结果即停止计算的早期退出架构。预测性操作提供进一步途径：如果孪生预期负载激增或故障，可预先计算和暂存相应行动。剩余挑战包括联合分配通信和计算资源以满足截止时间要求、刻画压缩认知模型在网络控制中的精度-延迟权衡以及决定哪些功能必须在边缘运行。
