6G时代的认知主权:构建一个用于实现可验证的自主智能的神经符号知识平台

《Digital Communications and Networks》:Cognitive sovereignty in 6G: architecting a Neuro-Symbolic knowledge plane for verifiable agentic automation

【字体: 大 中 小 】 时间:2026年05月07日 来源:Digital Communications and Networks 7.5

编辑推荐:

  林佳琪|刘琪|周子博|钟旭东|钱启杰|秦震|彭慕根|任保全 中国北京邮电大学网络与交换技术国家重点实验室,北京100876 **摘要** 本文提出了一种基于神经符号知识平面(NSKP)和大型动作模型(LAMs)的第六代(6G)网络认知主权架构。与传统的知识平面不同,

  林佳琪|刘琪|周子博|钟旭东|钱启杰|秦震|彭慕根|任保全
中国北京邮电大学网络与交换技术国家重点实验室,北京100876

**摘要**
本文提出了一种基于神经符号知识平面(NSKP)和大型动作模型(LAMs)的第六代(6G)网络认知主权架构。与传统的知识平面不同,NSKP将神经直觉与符号严谨性相结合,以实现可验证的推理。NSKP维护了一个包含逻辑约束的统一知识图谱,而LAMs将高级意图转化为可验证的网络动作。为了支持在局部性和隐私约束下的分布式操作,我们引入了一种联邦因果发现算法,该算法能够在不传输原始数据的情况下从边缘遥测数据中学习全局因果图。合成实验表明,Fed-DAG能够恢复接近中心化上限的因果结构,在因果根源分析方面明显优于基于相关性和拓扑的基线方法,并且在梯度通信稀疏的情况下仍能保持准确性。结果表明,神经符号控制层可以为6G管理提供具有自主性且可验证的自动化能力。

**1. 引言**
从5G到6G的通信网络演变标志着从基于预定义规则的自动化系统向自维持的、认知自治系统的范式转变[1]。基于自组织网络(SON)等自动化系统的5G系统的成功突显了自动化在降低运营复杂性方面的潜力。然而,这些自动化机制受到严格规则和阈值的限制,常常导致效率低下,无法应对未来网络日益增加的复杂性和动态性[2]。

向6G过渡的关键挑战之一是应对对更智能、更适应性强的网络管理的需求。当前的自动化系统基于预定义规则和反应式行为,缺乏适应不可预见变化的必要认知自主性,例如网络故障、不断变化的流量模式或安全威胁。在海量机器类型通信、自动驾驶汽车和智慧城市等新兴技术的背景下,这种限制尤为突出,这些技术都需要更加灵活、主动和自组织的网络管理方法[3]。

人工智能(AI)的最新进展,特别是在生成模型和强化学习领域,为网络管理带来了新的能力[4]。然而,这些AI驱动的方法常常面临挑战,如幻觉(AI模型生成的信息不符合现实)和概率不确定性(这阻碍了可靠的决策制定)。为了使6G网络实现真正自主和负责的操作,我们必须超越传统的AI技术,设计出既能从数据中学习又能确保可验证的逻辑决策过程的系统。

在本文中,我们提出了6G网络的认知主权架构概念,该架构结合了NSKP和LAMs以实现可验证的自主自动化。我们将认知主权与单纯的运营自主性区分开来:后者侧重于任务的自动执行,而前者强调网络“拥有”其推理过程的能力,即每个决策背后都有一个可解释和可验证的思维链。NSKP结合了神经网络的灵活性和符号推理的严谨性,为网络认知创造了坚实的基础。LAMs作为高级意图与低级网络配置之间的桥梁,确保自主代理所做的决策不仅智能而且在网络的约束范围内可执行和可验证。本文解决了现有AI技术在网络自动化方面的局限性,并提出了6G认知自主性的整体方法,将AI、网络管理和形式验证结合到一个统一的框架中。

**本文的主要贡献总结如下:**
- 制定了6G网络的自主AI的精确定义,涵盖了感知、规划、行动和反思作为网络自主性的核心组成部分。
- 构建了神经符号知识平面(NSKP)作为6G网络的中央认知层,其中包含统一知识图谱和神经符号推理引擎,为代理决策提供逻辑层面的保障。
- 引入了LAMs作为将高级网络意图与低级动作连接的框架,并结合了多层验证机制,确保决策的确定性执行和可验证的网络配置。
- 开发了联邦因果发现算法Fed-DAG,在局部性、隐私和带宽约束下学习异构边缘域的全局有向无环图(DAG),并将生成的因果层嵌入到UKG中以支持根源分析和主动控制。
- 通过合成案例研究评估了结构恢复、因果根源分析和开销,证明所提出的架构在尊重实际6G部署约束的同时保持了高质量的因果表示。

**本文的其余部分结构如下:**
第二节详细比较了自动化、自主AI和传统网络管理范式。第三节描述了神经符号知识平面的架构,重点介绍了其组成部分和运行机制。第四节概述了大型动作模型的实际实现,并讨论了集成到框架中的验证机制。第五节探讨了分布式认知的挑战和解决方案,包括联邦因果推理。第六节通过案例研究展示了我们方法的有效性。最后,第七节总结了本文并指出了未来的研究方向。

**2. 相关工作:从确定性自动化到认知主权**
向6G网络的过渡需要从根本上重新评估网络管理范式。随着基础设施复杂性开始超出人类操作员的认知能力,业界已经沿着明确的轨迹发展:从手动操作到确定性自动化,从确定性自动化到数据驱动的增强,现在迈向自主性。沿此轨迹的现有工作大致可分为三个阶段:确定性自动化、生成增强和新兴的自主AI。这些研究共同揭示了一个精确的研究空白,即自主网络控制中缺乏可验证的推理,以及相应的缺乏能够约束AI代理的运营商级知识平面。

**确定性自动化:SON和ZSM**
4G和5G早期的网络自动化主要由SON主导。自动邻居关系(ANR)和移动性负载均衡(MLB)等机制将专家知识编码为本地控制循环和预定义的启发式规则[5]。SON通过自动化配置、优化和修复任务显著减少了运营开销,但后续研究表明它本质上仍是一种反应式模式。在密集部署中,独立的SON功能甚至可能进入冲突循环,覆盖优化逻辑无意中违反容量或干扰约束,从而降低全球性能[6]。

为了将自动化扩展到本地无线循环之外,ETSI零触碰网络和服务管理(ZSM)框架引入了一种基于服务的跨域闭环架构。ZSM将自动化的范围从单个功能扩展到端到端服务。然而,关键分析一致指出ZSM是“零触碰”而非真正意义上的认知。典型实现依赖于静态策略或在固定操作条件下调训的监督模型[7]。它们在观察到的分布范围内表现良好,但在应对6G的“未知未知”情况(如新的干扰模式、沉浸式流量的突然激增或协调的多域攻击)时面临挑战[8]。此外,以指标为中心的自动化容易受到古德哈特定律的影响:一旦吞吐量或延迟等关键性能指标成为优化的明确目标,可能会以牺牲能效或公平性等潜在目标为代价来提高性能[8]。这些局限性表明,确定性自动化不足以支持6G中的认知主权[9]。

**生成增强阶段:大型电信模型和幻觉**
最近出现的 large 语言模型(LLMs)和领域适应性大型电信模型(LTMs)引入了一种质量不同的能力:解释非结构化意图并生成复杂工件[10]。多项研究表明,基于LLM的代理可以将自然语言意图转换为特定于供应商的命令集或具有高句法准确性的高级策略模板[11]。其他研究显示,微调后的LTMs可协助进行日志分析、根源假设生成和知识库构建[12]。这一研究方向表明,生成式AI是现有管理系统上的强大增强层。

然而,直接在封闭控制循环中部署生成模型存在严重的安全问题。由于下一个标记的预测是由统计合理性驱动的而非物理有效性驱动的,这些模型容易出现王等人所称的“无线幻觉”[13]:它们可能提出引用不存在接口的配置,违反频谱规定,或与当前拓扑冲突,同时保持语言一致性。此外,这些模型的概率性质使其行为具有不确定性,难以认证。因此,大多数现有系统仍保留人类参与决策循环,并将LLMs限制在咨询或文档角色[14]。这与6G的延迟和可靠性要求完全不一致,许多控制决策必须在毫秒级内无需人工干预即可完成。

**自主性转折:感知、行动和推理差距**
自主AI代表了这一演进的下一步。自主系统不仅生成文本,还能够感知环境、在内部和外部知识上进行推理、调用工具并执行一系列动作。最近关于网络中AI代理的研究引入了LAMs包装NETCONF和REST APIs等低级接口的架构,使代理能够直接执行配置更改[15]。关于超5G和6G网络的多代理架构的调查描述了认知循环,其中边缘代理处理快速、局部的适应,而全局代理协调长期策略、冲突解决和多域协商[16]。像LLM-NetCFG[17]这样的最新框架探索了配置合成,而关于主权AI的调查[18]强调了信任边界的需求[19]。

这些工作超越了被动生成增强,开始解决自主性问题。它们也揭示了一类新的风险。当前的自主框架通常依赖于启发式思维链推理,结合基于向量的半结构化知识库检索。虽然这提高了灵活性和任务覆盖范围,但并未提供数学保证,确保行动满足严格的服务级别协议或安全约束。换句话说,现有自主系统解决了确定性自动化的适应性问题和GenAI的被动性问题,但并未弥合推理差距:行动仍可能基于虚假的相关性或幻觉假设进行,操作员对这些决策的验证或解释能力有限[20]。

**定位我们的神经符号知识平面**
神经符号AI(NeSy)被提出作为解决这一差距的方案,通过结合神经感知、符号推理和约束解决[22]。一些近期工作探讨了规则增强的强化学习或逻辑引导的流量控制,但它们往往侧重于孤立功能,并未提供对运营商级网络认知的统一架构处理。具体来说,现有文献仍缺乏能够(i)保持物理、逻辑和服务状态的动态视图,(ii)将此视图作为代理系统的一级推理基础,以及(iii)在行动到达网络之前强制执行逻辑和合同约束的网络知识平面[23]。

**表1. 网络管理范式的比较:从自动化到认知主权**
| 标准 | 确定性自动化(SON/ZSM) | 生成AI(LLM/LTM) | 自主AI(当前最先进技术) | 神经符号知识平面(本文) |
|------------|-----------------|------------------|------------------|------------------|
| 核心机制 | 预定义规则和静态模型 | 概率性标记生成 | 感知-行动循环及工具使用 | 基于逻辑的因果推理 |
| 决策逻辑 | 如果-那么布尔规则 | 下一个标记预测 | 启发式思维链 | 携带证明的代码和符号约束 |
| 处理不确定性 | 较差,未见情况下失败 | 中等,产生合理错误 | 高,通过试错适应 | 非常高,在约束内安全探索 |
| 行动能力 | 直接脚本执行 | 被动,仅生成文本 | 通过LAMs的主动执行 | 在“逻辑盾牌”后面的验证执行 |
| 知识库 | 静态数据库(SQL、MIB) | 隐含在模型权重中 | 动态的基于本体的知识图谱 | |
| 主要限制 | 刚性和复杂性爆炸 | 可靠性和幻觉 | 可解释性和安全性保证 | 计算复杂性(通过边缘-云分离缓解) |

**与现有方法的区别:**
虽然FedDAG和FedCausal等近期工作也涉及分布式结构学习,但我们的方法在三个方面有所不同。首先,通信效率:与之前传输密集邻接矩阵或完整梯度(O(d2))的方法不同,我们的Fed-DAG采用top-k稀疏梯度交换,如第6节所示,减少了超过90%的带宽开销。其次,隐私机制:我们明确集成了高斯噪声和裁剪以实现形式化的差分隐私保证,而标准FedDAG实现通常仅依赖数据分区。第三,认知整合:我们的框架不仅限于结构学习;它还独特地将学到的因果图嵌入到神经符号知识平面(NSKP)中,以约束大型行动模型,直接弥合了因果发现与可验证网络执行之间的差距。总之,现有的工作清晰地展示了从确定性自动化到自主智能的演变过程,但这三个阶段都没有完全满足6G认知主权的要求。SON和ZSM提供了鲁棒性,但缺乏适应性和全局推理能力。生成模型提供了表达能力,但缺乏基础和可验证性。自主AI引入了感知和行动,但仍然在没有形式化约束的推理基础上运行。本文通过构建一个神经符号知识平面来解决这一差距,在该平面中,动态知识图作为网络代理的外化记忆和逻辑意识。在这个平面内,大型行动模型不再是自由形式的执行器,而是受到可验证推理和约束检查的约束,从而实现了真正自主且负责的6G网络自动化。

3. 神经符号知识平面的架构
为了实现第一节中介绍的神经符号知识平面(NSKP),我们设计了一个自主知识平面(KP-A)作为其具体实现。与通过静态表或去中心化控制循环管理状态的传统控制平面不同,KP-A被设计为一个认知基础,它明确地将智能逻辑(推理和决策)与网络状态(结构化知识)分离。该架构如图1所示,由三个垂直集成的层次组成:一个作为统一知识图实现的语义基础、一个实现系统1/系统2风格认知循环的神经符号推理引擎,以及一个在形式化约束下通过LAMs暴露网络动作的可验证执行接口。
下载:下载高分辨率图像(914KB)
下载:下载全尺寸图像
图1. 提出的用于6G网络的自主知识平面(KP-A)的架构。工作流程分为三个逻辑阶段(对应于三层护栏):(1)意图提取:系统1使用UKG对高级意图进行上下文化;(2)神经符号推理:系统2通过SMT解决强制逻辑约束和安全属性;(3)可验证执行:LAM将经过验证的计划编译成确定性配置命令。底层描绘了维护网络因果视图的分布式Fed-DAG过程。

3.1. 语义基础:统一知识图(UKG)
KP-A的基础是统一知识图(UKG),表示为
(1)Gt=(Et,R,Pt,S)
其中Et是时间t的实体集合(如基站、切片、租户和用户设备),R是类型化关系的集合(如主机、服务和依赖于),Pt表示附加到节点和边上的时变属性(如负载、延迟和政策标签),S是限制允许的实体和关系类型的语义模式或本体。UKG是一个具有时间性的、语义感知的图,而不是一个静态的列表。其演变可以由更新操作符描述
(2)Gt+1=U(Gt,ot)
其中ot是一个聚合了遥测数据、日志和控制事件的观察流。除了事实三元组外,UKG还以Horn子句的形式编码领域规则
(3)?x,y,z:P(x,y)∧Q(y,z)→R(x,z)
其中P,Q,R∈R。例如,在切片网络中,资源耦合规则可以表示为
(4)?s1,s2:SharedResource(s1,s2)∧HighLoad(s1)→DegradationRisk(s2)。
让cl(Gt)表示在L下的Gt的逻辑闭包。向KP-A提出的任何查询都针对cl(Gt)进行评估,这意味着代理不仅接收本地测量数据,还接收其推断出的因果含义。

3.2. 神经符号推理引擎
KP-A的核心是一个混合推理引擎,它结合了一个快速的神经组件(系统1)和一个较慢但可验证的符号组件(系统2)。这种设计允许系统利用LTM的表达能力,同时强制执行严格的安全性和策略约束。

3.2.1. 系统1:神经意图提取和上下文化
让I表示由操作符或高级服务表示的高级意图空间,让Gt是当前的UKG状态。系统1使用LTM LTMθ将意图i∈I提取为候选的符号任务描述和动作草图:
(5)πneural=LTMθ(i,Ct)
其中Ct?Gt是通过相似性驱动检索获得的上下文子图,例如
(6)Ct=argmaxH?Gtsim(?(i),ψ(H))
其中?(?·?)和ψ(?·?)分别表示意图和图编码器,sim是一个相似性度量。输出πneural可以视为计划空间Π的一个元素,即
(7)πneural=(a1,a2,?,aT)∈Π
其中ak是诸如“重新配置切片”、“迁移功能”或“调整功率”之类的抽象动作。根据构造,πneural在语义上很丰富,但仍然是一个概率假设,可能会引用不存在的实体或违反隐藏的约束。

3.2.2. 系统2:符号约束检查和计划细化
系统2将πneural视为候选计划,并将其投影到形式上可接受的计划子集中。让φ={φ1,?,φM}是一组例如用线性时态逻辑(LTL)表达的安全性和契约约束,让
(8)?Πsafe(Gt)?{π∈Π|Gt?φj(π),?j∈{1,?,M}}
符号引擎使用逻辑神经网络或可微满足性求解器来实现投影
(9)πsym=ProjΠsafe(Gt)(πneural)
并返回修正后的计划πsym,如果需要,还返回一组违反证书
(10)Δ={(ak,φj)|actionakviolatesconstraintφj}
这允许在神经层面进行基于反例的细化循环,我们抽象地表示为
(11)θ←θ?η?θL(πneural,πsym,Δ)
其中η是学习率,L是惩罚违反约束的建议的损失函数。随着时间的推移,系统1被引导到与UKG中编码的符号约束一致的策略空间区域。

3.3. 操作机制:基础和执行循环
KP-A强制执行一个严格的基础循环,阻止无根据或幻觉的计划到达网络。这个循环分为三个主要阶段:
(1) 实体基础化。传入的观察或日志条目首先通过实体链接函数映射到Et中的具体实体
(12)λ:Σ→Et
其中Σ表示从日志、遥测和意图消息中提取的令牌序列空间。这确保了符号推理始终引用UKG中的规范标识符,例如,区分物理节点、逻辑单元和服务实例。
(2) 因果子图提取。给定一个基础化的实体集E★?Et,推理器提取特定于任务的子图
(13)Gt(k)=Nbrk(Gt,E★)
其中Nbrk返回在任务依赖关系子集下的k跳邻居。此操作修剪网络中不相关的部分,并将神经生成和符号检查限制在状态空间的因果相关切片内。
(3) 通过LAM进行可验证执行。一旦获得满足Πsafe(Gt(k))的计划πsym,它就被传递给大型行动模型
(14)LAMψ:Πsafe(Gt(k))→A1:T
该模型将符号动作编译为具体的命令序列A1:T,如NETCONF或YANG操作。LAM受到Gt中已存在的配置模式的约束;语法有效性通过构造得到保证,语义有效性由符号层保证。只有满足
(15)πsym∈Πsafe(Gt)∧Exec(A1:T)
的计划才能到达底层数据和控制平面。

综上所述,UKG、神经符号推理引擎和基于LAM的执行接口实现了我们所谓的认知主权。网络保持了对其所知内容的显式表示(通过UKG),将每个潜在决策置于形式指定的约束之下(通过符号屏障),并且只执行那些可以基础化和端到端验证的动作(通过LAMs)。

4. 实际实现:通过神经符号护栏进行确定性动作合成
将高级意图转换为低级网络配置代表了从概率潜在空间到确定性命令空间的过渡。我们将这一过程形式化为在可执行配置轨迹空间上的受限语义优化问题,而不是简单的文本生成。本节介绍了LAM及其相关验证堆栈的形式化视图,这些共同实现了围绕网络执行的逻辑屏障。

4.1. 大型行动模型的形式化
我们将网络控制问题建模为一个元组
(16)〈S,A,P,U〉
其中S是由UKG诱导的状态空间,A是原子配置原语(如NETCONF或YANG操作)的离散空间,P是状态转换核,U是依赖于任务的效用函数。长度为T的配置轨迹表示为a1:T=(a1,?,aT)∈AT。
LAM是一个参数化的随机策略
(17)πθ(a1:T∣st,I)
它将当前状态st∈S和语义意图I映射到动作序列的分布上。让Lproto表示所有由活动配置模式支持的语法正确协议消息的形式语言。我们定义语法正确的轨迹集合为
(18)AsynT?{a1:T∈AT|a1:T∈Lproto}
给定一个效用函数U(a1:T;st,I),LAM被训练来解决
(19)maxθEa1:T~πθ(·∣st,I)[U(a1:T;st,I)]
受到硬约束
(20)Pra1:T~πθ[a1:T∈AsynT]=1
以及下面引入的额外语义安全约束。这种观点强调LAM是在形式定义的动作流形上的受限策略,而不是一个不受限制的语言模型。
在我们的原型中,第一层解码和逻辑检查的轻量级子集部署在多访问边缘计算(MEC)节点上,以保持每个意图的延迟在10毫秒的预算内,而基于SMT的完整验证在中央知识平面中异步运行,用于多步骤重新配置。这种分离保留了逻辑屏障的安全保证,同时保持端到端反应时间与6G控制循环兼容。

4.2. 第一层:语法引导的受限解码
为了确保LAM的每个输出都位于Lproto中,我们采用语法引导的受限解码。让Gcfg=(N,V,P,S)是由活动协议模式诱导的无上下文语法,其中N是非终端,V是终端词汇表,P是产生规则,S是开始符号。在解码步骤t,部分序列a1:t?1定义了一组可达的非终端,从而定义了一组可接受的下一个终端
(21)Vtvalid(a1:t?1)?V
我们引入了一个动态掩码函数
(22)M:V×A*→{0,?∞}
定义如下
(23)M(v,a1:t?1)={0如果v∈Vtvalid(a1:t?1),?∞否则
如果zt∈R|V|表示LAM在步骤t产生的未掩码逻辑符,那么下一个令牌分布变为
(24)P(at∣a?0是一个权衡系数。这种反射性修正机制模拟了系统2风格的调整:模型不仅看到计划失败,还收到了它违反了哪个约束以及在状态的哪个子集上违反的说明。

4.5. 概念验证:可验证的切片配置
为了验证所提出的验证堆栈的实际可行性,我们进行了一个概念验证实验,重点关注一个关键的6G场景:动态切片资源隔离。测试环境涉及在共享接口上“为V2X切片分配专用带宽”的模拟意图,这有可能违反切片隔离不变量。
场景概述:
1. 意图输入:操作员发出命令:“在Interface-Eth1上为Slice-V2X最大化带宽。”
2. 第一层(语法):LAM生成一个候选的NETCONF配置。
语法掩码确保所有生成的XML标签都遵循IETF YANG模型(RFC 6020),防止模式错误。3. 第二级(语义验证):候选配置可以分配100%的带宽给Slice-V2X。SMT求解器根据不变量φiso进行检查:“保证带宽之和 ≤ 链路容量”以及“紧急Slice-URLLC带宽 > 0”。4. 冲突检测:验证器检测到违规行为:会使得关键的URLLC切片处于饥饿状态。生成一个反例ω:{URLLC_BW}=0。5. 反射性修正:系统将ω反馈给LAM。修正后的计划将V2X带宽调整为80%,为URLLC保留20%。6. 最终执行:经过验证的计划通过第二级测试,并被部署到网络中。这个案例研究表明,神经符号化护栏能够有效拦截纯生成式大语言模型可能忽略的语义违规(饥饿风险),确保代理的自主性在安全的操作范围内运行。5. 分布式认知:边缘的联邦因果推理在5G中可接受的集中式训练和推理范式在6G中变得越来越不可持续,因为遥测数据流量非常高,而且监管框架对数据有严格的 lokalità 限制。因此,知识平面不能作为一个单一的、整体的服务来实现。相反,它必须支持分布式认知,其中边缘代理参与并使用共享的因果表示,而不暴露原始测量数据。我们将这种能力称为联邦因果认知。5.1. 问题表述:联邦连续结构学习让全局网络状态由一组随机变量(32)X={X1,X2,?,Xd}表示,这些变量分布在K个边缘位置。边缘节点k∈{1,?,K}观察到本地样本(33)Dk={xk(i)}i=1Nk,这些样本来自本地联合分布Pk(X)。在实际的6G部署中,Pk是异构的且分布不完全相同。知识平面的目标是在X上恢复一个全局有向无环图(DAG) G★,使得联合分布根据因果马尔可夫条件(34)P(X)=∏j=1dP(Xj∣PaG★(Xj))进行分解,其中PaG★(Xj)表示G★中Xj的父节点。为了解决隐私和带宽限制,原始数据集Dk必须留在边缘;只有模型更新被共享。为了使这个问题适合联邦优化,我们采用基于加权邻接矩阵W∈Rd×d的连续结构学习表述。全局目标是在保持无环性约束的前提下最小化经验损失:(35)minWL(W)+λ∥W∥1,其中h(W)=∑k=1KNkNLk(W;Dk)是聚合的本地重建损失(例如,最小二乘法),N=∑kNk,而λ‖W‖1引入了稀疏性。根据NOTEARS[24],无环性约束被表述为一个平滑函数:(36)h(W)=Tr(exp(W°W))?d=0,其中°表示哈达玛积。为了在联邦环境中解决这个受限问题,我们采用了增强拉格朗日方法。第t次迭代时的无约束目标函数定义为:(37)Lρ(W,α)=L(W)+λ∥W∥1+αh(W)+ρ2|h(W)|2,其中α是拉格朗日乘数,ρ>0是惩罚参数。这种表述允许我们连续地强制执行结构DAG约束,而不需要离散投影操作符。5.2. 基于联邦梯度的因果发现我们现在描述Fed-DAG优化方案。知识平面不是使用黑箱投影,而是协调对方程(37)的分布式梯度下降。全局目标关于W的梯度是:(38)?WLρ=∑k=1KNkN?WLk(W)+λsgn(W)+(α+ρh(W))?Wh(W)。关键的是,无环性项?Wh(W)=(eW°W)T°2W仅依赖于在知识平面维护的全局矩阵W。敏感于隐私的数据仅存在于本地梯度项?WLk(W)中。该协议的操作如下:在通信轮次t,知识平面广播当前的W(t)。每个代理k计算本地梯度Dk(t)=?WLk(W(t);Dk)。为了确保差分隐私和通信效率,梯度经过剪切和噪声注入:(39)Dˉk(t)=Dk(t)max(1,∥Dk(t)∥2/C),D?k(t)=Dˉk(t)+ξk(t),其中C是剪切阈值,ξk(t)~N(0,σ2I)是高斯噪声。最后,只传输D?k(t)中的前k个显著元素(稀疏通信)。知识平面将这些更新汇总为GL(t)=∑k=1KNkND?k(t),计算无环性梯度Gh(t),并更新W。该过程在图2中的算法中进行了总结。下载:下载高分辨率图像(732KB)下载:下载全尺寸图像图2. 算法1 Fed-DAG:保护隐私的联邦因果发现。5.3. 差分隐私分析为了严格量化隐私保证,我们使用了矩会计方法,该方法比强组合定理提供了更紧密的隐私预算(?, δ)界限。如果噪声尺度σ、梯度剪切阈值C和迭代次数T满足[27]中推导出的条件,Fed-DAG机制满足(?, δ)-差分隐私。定理1(隐私保证)。给定采样率q=Nbatch/Nk和目标δ,经过T轮后的累积隐私成本?被限制在(40)?≤cq2Tσ2+log(1/δ)范围内,其中c是一个常数。在我们的实验中,我们根据所需的隐私水平校准噪声尺度σ。对于标准的?=5和δ=10?5以及T=100轮的情况,我们根据隐私会计选择σ≈1.2C。剪切阈值C是根据预热阶段的梯度范数的中位数来经验性选择的,以平衡隐私和效用。5.4. 对学习到的因果图的根本原因分析一旦学习了全局因果图G^,它就被嵌入到UKG中作为因果层,可供代理推理使用。具体来说,学习到的邻接矩阵W(T)作为UKG中类型化的因果边实现,带有边权重和置信度分数,以便后续查询和计划程序可以将因果影响与拓扑和管理链接同等对待。给定一个代表性能下降指标或故障条件的目标症状变量Xtar,知识平面可以根据它们对Xtar的干预效果对候选根本原因进行排名。设X具有与G^一致的结构方程模型。对于每个候选变量Xj∈X,考虑两种干预设置x和x′。Xj对Xtar的因果影响可以量化为(41)Δj=E[Xtar∣do(Xj=x)]?E[Xtar∣do(Xj=x′)]。然后可以构建一个根本原因假设:(42)Xcause★=argmaxXj∈X|Δj|。由于结构方程是在UKG上实例化的,而不是在实时网络上,这些干预可以不干扰生产流量地进行反事实模拟。得到的排名反馈给代理层,代理层可以提出有针对性的缓解措施或在不确定的情况下请求额外的观测。5.5. 联邦因果认知的架构图3展示了最终的联邦因果认知架构。边缘代理观察本地遥测数据,将这些观测转换为UKG的本地投影,并对因果邻接矩阵进行基于梯度的更新。中央知识平面将这些更新汇总成一个全局因果图,并将其作为根本原因分析和主动规划的共享推理基础。没有原始样本离开边缘;只交换被屏蔽和扰动的梯度。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图3. 联邦因果架构。边缘代理计算基于私有遥测数据的连续DAG学习目标的本地梯度,并只将带噪声的、被剪切的更新发送到全局知识平面。知识平面将这些更新汇总成一个统一的因果图,该图被嵌入到统一知识图中,供代理组件用于根本原因分析和主动控制。5.6. 异质性和通信效率在分布式因果学习中出现了两个实际挑战,必须由知识平面解决。首先,数据异质性意味着真正的因果机制可能在不同领域有所不同。因此,单一的全局图可能会过于严格。为了在共享结构的同时适应多样性,我们采用了一个规则化的局部适应模型,其中全局邻接矩阵Wglobal作为先验,每个代理通过解决(43)Wk★=argminWL(W;Dk)+μ2∥W?Wglobal∥F2来学习个性化的矩阵Wk,μ是一个耦合参数。这引入了一系列相关的因果图,而不仅仅是一个均匀的结构,并允许UKG表示全局模式和局部偏差。其次,当d较大时,通信效率至关重要。密集传输d×d矩阵或梯度是不可行的。因此,知识平面使用稀疏通信方案,只传输更新中最大幅度的条目。具体来说,在每一轮中,代理传输一个稀疏张量,保留g?k(t)中绝对值最大的条目部分,并将其余设置为零。这将通信成本从二次降低到与活动因果链接数量成线性比例的成本,同时保留了最具信息量的更新给全局优化器。这些机制共同允许神经符号化知识平面以联邦方式维护对异构6G网络的连贯、因果结构视图,并支持分布式代理推理,而不违反局部性或隐私限制。6. 案例研究和实验评估本节从三个互补的角度评估了所提出的神经符号化知识平面。首先,我们评估第5节中联邦因果发现机制在隐私约束下从分散的、异构的遥测数据中恢复全局因果结构的能力。其次,我们量化了因果层对于根本原因分析(RCA)的好处,与基于相关性和拓扑的基线进行了比较,这与最近的因果RCA工作[25]一致。第三,我们描述了联邦因果认知架构的通信和计算开销,并讨论了其扩展到实际6G部署的能力。6.1. 实验设置图4总结了实验环境和提出的组件的集成。一个合成的6G遥测生成器实例化了一个真实因果图,并生成了分布在K个边缘域中的时间序列。每个边缘代理只观察其数据的本地切片,并参与Fed-DAG过程,而中央知识平面汇总噪声梯度,维护UKG中的全局因果层,并将其暴露给代理模块用于根本原因分析和主动控制。下载:下载高分辨率图像(386KB)下载:下载全尺寸图像图4. 实验环境和提出的知识平面集成。合成的6G遥测数据来自一个真实因果图,并分布在多个边缘域中。边缘代理在本地数据上运行Fed-DAG过程,并将保护隐私的梯度更新发送到中央知识平面,后者维护一个嵌入在统一知识图中的全局因果层。这个层随后被代理组件用于根本原因分析和主动控制,并使用结构、诊断和开销指标进行评估。我们考虑了一个抽象的6G管理场景,其中在多个边缘域中监控了一组关键性能和可靠性指标。全局网络状态由一组随机变量(44)X={X1,?,Xd}表示,其中典型的例子包括无线信号质量(SINR)、小区负载(Load)、用户平面延迟(Delay)、数据包丢失(PktLoss)和切换失败率(HOFail)。这些变量构成了一个真实有向无环图(DAG)G★的节点集,它代表了网络的因果机制,并用于合成实验的参考。因果图G★被生成为一个度数有限的稀疏DAG,每个节点都实例化了形式为(45)Xj=fj(PaG★(Xj))+?j的结构方程模型(SEMs),其中?j是独立的噪声项。考虑了线性和轻微非线性函数fj来测试鲁棒性,遵循连续DAG学习的实践[24]。全局网络被划分为K个边缘域,每个域观察到本地样本(46)Dk={xk(i)}i=1Nk,这些样本来自特定的域分布Pk(X),这在代理之间引入了不同的行为。除非另有说明,所有实验都使用K个边缘代理,变量维度d在[20, 50]范围内,样本大小Nk在各个域之间平衡。主要模拟参数在表2中总结。表2. 合成联邦因果学习设置。参数设置变量数量d 20–50代理数量K 10–50每个代理的样本数量Nk 10–104最大度数2或3噪声分布?j 零均值高斯每个代理的域偏移量缩放和偏移量差分隐私噪声尺度σ 每次实验不同梯度稀疏性(前k个)每次实验不同学习到的邻接矩阵作为类型化的因果边嵌入到统一知识图(UKG)中,带有相关的权重和置信度分数。然后,得到的因果层被知识平面的代理组件用于RCA和规划任务。6.2. 合成联邦因果结构学习我们首先评估Fed-DAG算法在联邦约束下重建真实因果结构G★的能力。为了将我们的方法与先前的联邦因果发现方法(如FedDAG [26]和FedCausal [27])进行比较,我们采用了类似的评估协议和指标。我们比较了四类方法:•集中式的NOTEARS(上界)。所有样本{Dk}k=1K在中央位置汇集,然后应用NOTEARS家族[24]的连续DAG学习方法来恢复单个邻接矩阵Wcentral。这种方法忽略了隐私性和局部性约束,作为实现最佳结构质量的参考。•局部DAG学习。每个代理在其本地数据Dk上独立运行结构学习以获得Wklocal。一个简单的聚合过程将这些结果合并为一个全局估计(例如通过边逐个平均或多数投票)。这反映了一种朴素的方法,在该方法中不跨域进行联合优化。•联邦基线。作为现有联邦因果发现的代表,我们包括一种FedDAG风格的方法[26],它应用基于梯度的连续DAG学习器并进行分布式更新,以及一种最近的异构联邦因果学习器[27],该方法明确模拟了不同的本地机制。•Fed-DAG(提出的方法)。第5节和算法1中使用的算法在差分隐私和稀疏梯度通信下进行基于梯度的因果发现,并通过连续约束h(W)=0强制无环性。我们明确将集中式因果发现算法(如标准NOTEARS、GOLEM或PC)排除在RCA的直接竞争比较之外,因为它们需要汇总所有域的原始遥测数据,这违反了我们问题设置的基本隐私和带宽约束。然而,我们的方法的结构质量在第6.2节中与集中式NOTEARS的上限进行了基准测试。因此,对于RCA任务,我们专注于与基于相关性和基于拓扑的方法进行比较,这些方法代表了在分布式网络管理中的当前实践,其中原始数据无法集中。

使用与[24]、[26]一致的标准指标来量化恢复结构的质量。设W?为G★的邻接矩阵,W^为估计值。•结构汉明距离(SHD):(47) SHD(W★,W^) = 边的增加、删除或反转的数量。•边级精确度和召回率。用E?表示真实边的集合,用E^表示预测边的集合,(48) 精确度 = |E★∩E^| / |E^|,召回率 = |E★∩E^| / |E★|。•定向准确性,定义为所有具有正确端点的边中正确定向边的比例。除了结构质量外,我们还测量每个Fed-DAG轮次中的通信成本,即从所有代理传输到知识平面的标量参数的数量。这使我们能够描述在应用梯度稀疏化时的准确性和效率之间的权衡,这与[26]、[27]中的通信分析精神相符。差分隐私噪声的影响在图5中报告,而梯度稀疏化对通信成本和SHD的影响在图6中总结。

图5. 结构恢复性能作为差分隐私噪声尺度σ的函数。在中等σ下,Fed-DAG仍然接近集中式NOTEARS的上限,而在非相同数据下,局部和联邦基线的性能下降得更快。图6. 在梯度稀疏化下,通信成本和结构准确性之间的权衡。Fed-DAG算法在只传输一小部分梯度条目的情况下实现了接近最佳的SHD。图5总结了差分隐私噪声尺度σ对四种竞争方法家族的结构准确性(顶部,SHD)和边级F1分数(底部)的影响。如预期所示,能够访问所有样本而没有任何隐私噪声的集中式NOTEARS基线在整个σ范围内实现了最低的SHD和最高的F1分数。在σ=0时,集中式学习器达到了大约5的SHD和0.93的F1分数,我们认为这是所选图大小和样本制度下结构恢复的实际上限。提出的Fed-DAG方法紧密跟踪这一上限。当不应用隐私噪声(σ=0)时,Fed-DAG的SHD为6.0,F1分数为0.90,仅略低于集中式参考值。随着σ增加到0.5,Fed-DAG的SHD从6.0适度上升到8.15,而F1分数从0.90下降到0.75。这种行为表明,连续无环性约束和跨域联合优化对中等程度的梯度扰动具有鲁棒性:即使梯度被故意破坏以满足隐私要求,Fed-DAG也能保留大部分非私有集中式学习器可访问的结构信息。相比之下,忽略跨域结构的局部DAG学习基线在σ=0时的SHD大约为13,F1分数为0.76。其性能随着σ的变化而仅有轻微变化,因为它无法利用域间的规律性。这证实了纯粹的局部学习无法在异构6G环境中重建连贯的全球因果层,即使能够访问干净的本地遥测数据。

受FedDAG和FedCausal启发的联邦基线位于这两个极端之间。在零噪声情况下,它们的SHD值分别约为8.0和8.5,相应的F1分数分别为0.84和0.82。随着σ的增长,这两种方法的SHD和F1的下降幅度都比Fed-DAG更大。例如,在σ=0.5时,它们的SHD值分别达到大约11.6和12.6,F1分数降至大约0.64和0.59。这表明,当数据分布不同时,现有的联邦因果发现方案对梯度扰动更加敏感,这与[26]、[27]中的实证发现一致。图6检查了梯度稀疏化对三种联邦方法的结构准确性的影响。横轴报告了每轮的标准化通信成本,表示从边缘代理传输到知识平面的梯度条目的比例。纵轴显示了学习到的因果图的SHD。当所有梯度条目都被传输时(比例为1.0),提出的Fed-DAG方法的SHD约为5.8,接近集中式NOTEARS的上限,而FedDAG和FedCausal基线的错误水平分别从大约7.5开始。当通信比例从1.0降低到0.4时,Fed-DAG的SHD仅适度增加,从5.8增加到大约9.0,而FedDAG和FedCausal的恶化速度更快,在相同的通信水平下达到SHD值分别为14.74和17.96。一旦通信比例降至0.4以下,方法之间的明显分离就变得可见。在通信比例为0.2时,Fed-DAG仍然保持相对较低的SHD,约为10.35,而FedDAG和FedCausal的SHD值已经分别为17.79和22.06。即使在只有10%的梯度条目被传输的激进稀疏化情况下,Fed-DAG仍保持在大约11.07,而FedDAG为19.43,FedCausal为24.27。在最极端的设置中,通信比例为0.02时,所有方法都退化,但Fed-DAG稳定在约为11.68的SHD,而FedDAG和FedCausal分别达到20.80和26.12。这些趋势表明,所提出的设计实现了更优雅的准确性-隐私-通信权衡,使得知识平面在严格的带宽约束下仍能保持可用的因果层,而现有的联邦因果发现方案在通信减少时会遭受更严重的结构保真度损失。

综合来看,图5和图6支持两个主要结论。首先,连续无环性约束结合知识平面聚合器使Fed-DAG能够在不访问原始遥测数据的情况下接近集中式学习器的结构质量。其次,所提出的设计比现有的联邦因果发现基线展示了更优雅的准确性-隐私-通信权衡,这对于在6G部署中在现实的隐私和带宽约束下维持因果层是至关重要的。接下来,我们评估将因果图嵌入到UKG中是否对运营任务(特别是网络事件的RCA)提供实质性好处。通过选择X中的一个或多个节点作为真实根本原因并施加干扰其结构方程的干预措施来生成合成故障场景。这些干预措施通过结构方程模型传播,并在可观察的症状变量(如吞吐量下降或延迟峰值)中诱导异常行为。对于每个事件,知识平面提供了一组观察到的症状变量,并必须生成候选根本原因的排名。该设置遵循[25]中复杂技术系统的因果RCA公式,并反映了在微服务环境(如AutoMAP和CIRCA [28]、[29])中研究的相关性基础RCA方法。我们比较了三种排名策略。•基于相关性的排名。变量根据它们与选定症状变量的时间序列之间的绝对皮尔逊相关性进行排名。这代表了标准的相关性导向诊断,忽略了因果方向和混杂因素的存在,如微服务中的相关性基础RCA [28]、[29]。•基于拓扑的排名。变量根据它们在UKG的依赖图中的最短路径距离进行排名,不考虑边的方向。该方法利用了结构接近性,但没有模型化干预效果。•基于Fed-DAG的因果排名。使用Fed-DAG生成的因果图G^来定义基于干预的分数。对于每个候选Xj,其对目标症状Xtar的影响被近似为(49) Δj = E[Xtar|do(Xj=x)] ? E[Xtar|do(Xj=x′)],其中x和x′是两个干预水平。然后根据|Δj|对候选项进行排名,遵循[25]中使用的因果影响评分。评估基于信息检索风格的指标。设C★表示生成事件的真实根本原因集合。•召回率@k:(50) Recall@k = |C★∩C1:k| / |C★|,其中C1:k是排名前k的候选项集合。•真实原因的平均排名,定义为C★中元素的平均位置。•预期搜索长度,解释为如果操作员或代理遵循排名顺序,则在遇到真实原因之前尝试的预期缓解次数。这个量与平均排名直接相关。表3报告了80个合成事件场景的汇总统计。基于Fed-DAG的因果排名在Recall@1上的平均值为0.72,标准差为0.05,而基于拓扑和相关性的方法分别为0.43和0.38。在Recall@3时,差距扩大:因果方法的平均值为0.91,标准差为0.03,而基于拓扑和相关性的方法分别为0.69和0.62。这些平均值已经表明,嵌入在UKG中的因果层在操作上获得了显著的优势。

图7通过绘制Recall@1和Recall@3及其置信区间和每个事件结果的分布来可视化相同的趋势。基于Fed-DAG层的因果排名在两个指标上明显优于两个基线。相对较小的标准差表明,因果方法不仅在平均意义上更准确,而且在不同事件中也更稳定。相比之下,基于相关性的RCA表现出更大的变异性和较低的平均性能,这反映了它倾向于排名与症状强烈相关但因果影响有限的下游效应。基于拓扑的方法受益于依赖图的知识,因此优于纯相关性,但它仍然缺乏明确的干预语义,通常优先考虑结构上接近但在因果上较弱的节点。图8通过显示真实根本原因的平均排名分布提供了补充视图。因果排名在第二和第三排之间集中了大部分质量,平均排名分为2.41,标准差为0.70。基于相关性的方法具有较宽的、向右偏移的分布,平均排名分为5.94,标准差为1.01,而基于拓扑的方法位于中间,平均分为5.13,标准差为0.84。从操作角度来看,这意味着由因果排名指导的操作员或代理人每个事件需要测试大约两到三个假设才能找到真正的原因,而基于相关性的RCA平均需要大约六次尝试。这种预期搜索长度的减少直接转化为更短的缓解时间和更少的不必要的配置更改。基于Fed-DAG层的因果RCA复现了[25]中报告的复杂系统的定性优势,同时将其扩展到原始遥测数据从未离开边缘域的情况,并且所有推理都在知识平面上进行。6.4. 联合因果认知的开销和可扩展性最后,我们研究了随着代理数量和监控变量数量的增加,维护联合因果层的成本。我们研究了两个扩展维度:边缘域的数量K和每个域的变量数量d。这补充了[26]、[27]中对联合因果发现的算法评估,以实现6G知识平面中的部署。对于每个(K, d)配置,我们测量了:(i) 每轮Fed-DAG的平均通信量,定义为从代理传输到知识平面的标量梯度分量的总数;(ii) 知识平面上每次聚合和投影步骤的墙钟时间;以及(iii) 达到目标SHD阈值所需的轮数与集中式上限的比较。表4报告了(K, d)范围内的一部分消融结果。有两个明显趋势。首先,全梯度传输下的通信量随K和d的超线性增长,这反映了密集邻接矩阵的Kd2依赖性。例如,当K=50时,d从20增加到80,通信负载从大约20×10^3增加到超过3.2×10^5个标量条目每轮。其次,使用前10%的梯度掩码进行稀疏通信可以一致地将通信量减少大约一个数量级,然而达到相同SHD目标所需的轮数仅适度增加(例如在(K,d)=(50,20)时从48.0增加到58.5轮,在(K,d)=(50,80)时从58.8增加到71.3轮)。这表明即使在严格的带宽预算下,也可以维护联合因果层而不会导致过长的收敛延迟。表4. 在全梯度通信和稀疏(前10%)梯度通信下,针对选定的代理数量K和变量数量d的Fed-DAG典型开销。通信量以每轮10^3个标量条目的单位报告。KdCommfullCommsparseRoundsfullRoundssparseEmpty CellEmpty Cell(×10^3)(×10^3)Empty CellEmpty Cell10204.060.5333.6940.26105025.192.8239.0946.63108064.366.9244.4953.00302012.181.5842.0150.79305075.588.4647.4157.163080193.0720.7552.8163.53502020.292.6348.0458.515050126.0014.1053.4464.885080321.7934.5858.8471.26图9进一步说明了(K, d)值网格上的可扩展性趋势。尽管结构学习的理论复杂性意味着通信量呈二次增长(O(d^2)),如全梯度基线所观察到的,但提出的稀疏Fed-DAG机制有效地抑制了这种爆炸性增长。如图所示,稀疏设置下的通信成本显示出比全梯度方法更平缓的增长曲线。尽管依赖性不是严格线性的,但实际开销仍然优雅地减少,大约减少了一个数量级的传输量(减少了5-10倍)。下载:下载高分辨率图片(205KB)下载:下载全尺寸图片图9. 不同代理数量K下,每轮Fed-DAG的通信开销作为变量数量d的函数,在全梯度传输和稀疏(前10%)梯度传输情况下。稀疏更新在保持结构质量的同时,将通信量减少了大约一个数量级。图10报告了随着代理数量K增加(固定d=50)时的计算延迟和收敛行为。左侧面板显示,知识平面上的聚合和无环性投影每轮保持在毫秒范围内,验证了中央服务器操作的效率。右侧面板表明,尽管达到目标SHD阈值所需的轮数随K增加,但与全梯度基线相比,稀疏配置在收敛速度上只有适度的惩罚。这证实了即使在参与的边缘域数量增加的情况下,也可以近乎实时地维护全局因果层。下载:下载高分辨率图片(172KB)下载:下载全尺寸图片图10. 当d=50时,Fed-DAG的计算时间和收敛行为。左图:全梯度和稀疏梯度下知识平面每轮的时间。右图:随着代理数量K的增加,达到目标SHD阈值所需的轮数。联合因果层在规模上仍然可以维持。表4、图9和图10的综合证据表明,所提出的联合因果认知架构在现实的局部性、隐私和带宽约束下,能够保持异构6G网络的高质量因果表示。特别是稀疏Fed-DAG更新提供了一种与资源受限的边缘部署兼容的精确度-通信权衡,同时仍然提供了足够准确的因果层来支持代理的根本原因分析和主动控制。7. 结论和未来方向本文认为,要在6G网络中实现认知主权,需要超越确定性自动化和无限制的生成智能。我们引入了一个神经符号知识平面,其中统一知识图作为语义基础,混合系统1/系统2推理引擎提供逻辑受限的认知,大型动作模型在三层护栏堆栈下实现确定性驱动的执行,包括语法引导的解码、基于SMT的语义验证和反例驱动的细化。在控制方面,我们将LAM形式化为一种受约束的策略,而不是自由形式的文本生成器,并展示了如何将协议语法和逻辑不变量直接嵌入解码和验证流程中。在认知方面,我们提出了Fed-DAG,这是一种联合连续DAG学习方案,它在差分隐私和稀疏通信下从分散的遥测数据中维护UKG中的因果层。这一因果层使得基于干预语义的根本原因分析成为可能,而不仅仅是基于相关性。在合成6G遥测数据上的实验评估得出了三个互补的发现。首先,Fed-DAG在从未访问原始数据的情况下,达到了集中式NOTEARS学习器的结构质量,并且在隐私噪声和通信稀疏化下比现有的联合因果基线表现得更加优雅。其次,将学到的因果图嵌入到UKG中为根本原因分析带来了显著的好处:Fed-DAG上的因果排名显著提高了Recall@1和Recall@3,并且与基于相关性和拓扑的方法相比,减少了预期的搜索长度。第三,详细的开销研究表明,稀疏Fed-DAG更新将每轮的通信量减少了大约一个数量级,而达到目标SHD阈值所需的额外轮数仅随代理和变量的数量适度增加,从而保持了联合因果层在规模上的可维护性。未来工作有几个方向有待探索。第一步是在真实的5G/6G试验基础设施和操作日志上验证所提出的架构,包括对LAM驱动的重配置进行硬件在环评估。第二个方向是将UKG和推理堆栈扩展到多模态意图和观察通道,将无线电地图、拓扑嵌入和流量预测作为一线公民。第三,可以将捕获多时间尺度动态和跨域经济约束的更丰富的因果模型集成到联合认知层中,以支持性能、能源和成本的联合优化。最后,围绕知识平面接口、LAM模式和验证API的标准化工作对于在多供应商、多运营商的6G生态系统中部署神经符号认知主权至关重要。利益冲突作者声明关于本文的发表没有利益冲突。他们没有已知的竞争财务利益、商业关联或可能影响本文所述工作的个人关系。CRediT作者贡献声明林佳琦:写作——审阅与编辑,写作——原始草稿,可视化,验证,监督,软件,资源,项目管理,形式分析,数据 curate,概念化。刘琪:监督,软件,方法论,调查。周志博:可视化,验证,监督,软件。钟旭东:监督,方法论,调查,形式分析。钱琦杰:写作——审阅与编辑,写作——原始草稿,资金获取,形式分析,数据 curate,概念化。秦振:验证,监督,软件,资源。彭沐根:监督。任保全:监督,资金获取。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号