模块化多域数字孪生架构：面向可持续性与意图驱动的 6G 管理

大家读完觉得觉得有帮助记得关注和点赞！！！

摘要

未来的 6G 网络将在分布式、异构的多域基础设施上运行，使得传统的单域管理模式不足以支撑主动、可信赖的自动化。网络数字孪生（NDT）能够在部署前对控制动作进行假设分析（what‑if）、AI 辅助优化与无风险验证；然而，由于可扩展性、保真度与跨域协调的挑战，单体式端到端数字孪生仍不切实际。

为此，本文提出一种数字孪生赋能的 6G 架构：在一个基于先进服务化 6G 架构构建的多域编排框架中，将 NDT 能力作为一种专用服务域对外暴露。一个数字孪生编排器（DT Orchestrator）负责解析预测性与规定性 what‑if 查询，并按需组合特定领域的 DT 模块与模拟器，而决策权始终保留在请求方。此外，本文给出了一个通用工作流，涵盖遥测同步、基于模拟的决策支持与闭环执行。

我们通过一个绿色网络用例验证该框架：将系统级的 O‑RAN 蜂窝数字孪生组件与一个两阶段太阳能分配模拟器耦合，在波兰波兹南 105 个基站的部署上（使用模拟数据集）进行评估。联合覆盖与可再生能源优化结果显示：在边际收益递减阈值处配置 32 块太阳能板，可使每日电网消耗降低 28.5%；同时识别出 17 个基站既是覆盖活跃站点，又是高优先级太阳能候选站点——这证明跨域 NDT 协调能够实现可持续、意图驱动的 6G 网络管理。

I. 引言

向新一代蜂窝网络（尤其是第六代，6G）的演进，要求网络管理从被动排障转向主动、AI 驱动的智能化。未来网络将在高度动态、异构的环境中运行，整合无线接入、传输、核心与边‑云基础设施，同时满足严格的时延、可靠性、可扩展性与可持续性要求。受限于孤立域、纯电信视角、静态控制策略与离线优化的传统管理框架已不再足够。

为驾驭这种复杂性，6G 网络预计将依赖网络数字孪生（NDT）作为网络资产、服务与运行状态的一种同步虚拟映射。NDT 不仅是监控工具，更是高保真的虚拟环境，使运营商能够在真实部署前模拟假设场景、评估替代配置并验证 AI 驱动决策。在此角色下，NDT 在网络遥测与运行控制之间提供了一个风险感知的决策支持层，提升闭环自动化的可靠性。然而，为未来 6G 生态构建一个单体式端到端 NDT 仍不切实际——原因在于多域环境的规模、异构性与计算复杂度。一种更可行的方法是：在统一的编排框架下协调多个领域专用孪生、模拟器与分析模型。本工作采用 [4] 中提出的域间管理与编排架构，以实现跨异构行政与技术域的协同服务交付。

除了传统电信优化，NDT 还为将非电信信息源纳入网络控制回路创造了机会。这对可持续性导向的 6G 系统尤为关键：可再生能源可用性、碳强度指标与本地化能源预测均可影响网络决策。在此背景下，NDT 使网络从单纯的“高能效”（即少用电）演进为“碳感知”（即在最可持续的时间与地点用电）。能源行业的演进强化了这一需求：现代电网不再是被动配电基础设施，而是越来越依赖预测、需求响应机制与分布式可再生能源（RES）的自主管理 [27]。因此，6G 网络不应再将电网视为一个不透明的能源来源，而应视其为一种智能外部域，其状态可被用于网络优化。NDT 在这一关系中充当中介：吸收能源域信息（如预测的碳强度或可再生能源盈余），并将其转化为可操作的网络管理决策。

受这些挑战驱动，本文提出一种数字孪生（DT）赋能的多域 6G 架构，其中 NDT 作为场景分析、意图驱动优化与协同决策支持的专用编排能力。该框架将 NDT 功能集成到多域编排层中，通过结构化的 what‑if 分析与闭环控制实现对异构网络段的协同管理。其适用性通过一个可持续性导向用例得以展示：将网络模拟输出与可再生能源信息结合，在能源感知目标下优化基站运行。

II. 相关工作

II‑A 数字孪生架构的基础

数字孪生最初作为物理资产或系统的虚拟对应体出现，通过运营数据持续更新，以支持监控、分析、预测与优化。随着时间推移，文献中的理解已从宽泛且有时不一致的解释，转向更具操作性的定义：DT 不是静态模型、模拟器或可视化工具，而是一种同步的、目标驱动的虚拟表示，用于支持系统级推理。其价值不在于复现物理系统的每一个内部构件，而在于提供与目标匹配的保真度——即准确捕捉与预期用例相关的行为、KPI 或决策结果。

对网络而言，这一区分至关重要。通信系统具有分布式、动态与多层特性，使得永久的全保真复制不切实际。因此，近期面向 NDT 的工作越来越多地将孪生构建为一种模块化架构能力，由数据采集与同步机制、虚拟模型、分析功能、生命周期管理流程以及对外暴露的接口组成 [14, 22, 23]。这一解读也日益体现在标准化工作中，如 ITU‑T Y.3090 [8]、IRTF NMRG 参考架构草案 [37] 与 3GPP TS 28.561 [17]——它们将讨论从抽象定义推向场景感知、生命周期管理与自动化导向的 NDT 实现。

从这一视角看，NDT 分析是在候选网络决策应用于生产系统之前评估其运营后果。此类分析可涵盖规划、配置验证、故障评估、拥塞缓解、恢复策略、能源优化或 ML 赋能的控制，其共同目标是在现实假设下评估替代动作的预期影响，从而降低运营风险、提升自动化决策的可靠性。

II‑B 未来无线网络（6G）中的网络数字孪生

在 6G 中，NDT 从一种辅助管理工具演进为可信赖、主动且自动化就绪的网络运营的核心使能器。未来无线系统必须支持密集多 RAT 部署、云‑原生/边‑原生服务执行、AI 原生控制回路、服务感知优化，以及对时延、可靠性与能效的严格要求。在这种条件下，直接在生产基础设施上验证决策变得越来越昂贵、高风险，且往往不切实际。NDT 通过提供一个同步的、场景感知的环境来解决这一局限：在实际系统实施之前，即可在其中评估网络行为、服务性能与控制动作 [16, 6, 31]。

因此，近期研究普遍将 NDT 定位为 6G 规划、优化、排障、策略验证与 AI/ML 生命周期支持的决策支持与预验证工具​ [13, 5, 35]。在此角色下，NDT 充当实时遥测与控制之间的中间推理层：在生产网络受影响之前探索替代动作，支持对 AI 驱动决策的比较，并提升闭环管理的鲁棒性。

当网络优化依赖于传统电信接口无法提供的外部信息时，这一角色尤为重要。可持续性导向运营就是一个代表性例子：能效策略可基于流量与功率状态推导，但碳感知策略还需要外部指标（如可再生能源可用性、电网碳强度与能源预测）。这将 NDT 的作用扩展到域内建模之外，并推动架构有能力在一致的决策过程中融合电信与非电信信息源。

II‑C 经典 NDT 与多域 NDT

一种有益的文献定位方式是区分经典、限定域的 NDT与多域 NDT 方法。

• 经典 NDT通常作为限定域能力存在，局限于特定运营段，如 RAN、传输、核心、边/云或服务管理。它们在有界环境中为建模、同步、分析与 what‑if 评估提供了成熟机制，并且可以通过仅暴露抽象模型、能力或模拟结果来保护提供商隐私，而无需披露详细网络配置或专有运营数据。但它们通常不解决跨多个技术或行政域的决策应如何分解、分发、评估与整合的问题。

• 多域 NDT 方法则通过协调多个模型、模拟器或孪生能力来应对更广泛的范围，而不是假设存在一个单体孪生。这一方向与未来 6G 系统的运营现实一致：端到端服务依赖于无线、传输、核心、边‑云与外部域的联合行为。关键挑战不仅在于构建准确的域级孪生，还在于定义端到端意图或 what‑if 请求如何被转化为域级分析，以及它们的输出如何被聚合成可操作的运营决策。此外，协调机制还必须考虑隐私与机密性约束，确保域提供商可以在不暴露详细网络配置、内部策略或专有运营数据的情况下参与。

表 I：经典与多域 NDT 文献对比

类别

代表性工作

覆盖域与段落

与本文的关系定位

总体而言，文献表明当前 NDT 研究正从有界的、段级实现向更广泛的多域架构演进，但这一过渡仍不完整。现有工作尚未充分说明端到端决策应如何在分布式孪生查询之间进行转换、异构模拟输出应如何整合，以及生成的建议应如何暴露给编排与闭环控制功能。这一空白直接推动了本工作：聚焦于多域管理器（Multi‑Domain Manager）作为协调功能，负责与领域专用孪生能力交互，并整合其输出以支持端到端决策。

III. 背景：面向 6G 网络的多域编排架构

未来无线网络环境（尤其是 6G 系统）要求从传统单域管理转向高度联邦化、多域的生态系统。这些网络将整合多样化的接入技术、非地面组件，以及从深度边缘部署到集中式云的复杂服务链。为驾驭这些跨域环境的规模与异构性，UNITY‑6G 项目​ [10] 提出了一种基于 [1] 中服务化管理架构（SBMA）的分布式架构。

在这种分布式范式的核心，是一个分层控制结构，将全局服务组合与本地化基础设施执行解耦。如图 1 所示，域间管理编排器（IDMO）位于架构顶层。IDMO 监督多个行政与技术域，在分层控制的最高层级上建立端到端（E2E）网络服务。当收到一个 E2E 服务意图请求时，IDMO 负责将高层意图分解为功能组件（如 RAN、传输、移动核心），并执行一个多准则决策过程，基于可用服务能力、资源可用性以及时延或覆盖适宜性，选择最优的目标域。

图 1：面向统一 6G 网络的多域编排架构

在每个被选中的域内，域管理编排器（DMO）通过服务适配器模块接收分解后的服务组件，以执行其生命周期管理（LCM）。DMO 优化域内资源，在选定的存在点（PoP）部署虚拟化网络功能（VNF/CNF），监控域级与服务级 KPI，并通过与底层基础设施域管理器（IDM）交互向 IDMO 汇报状态（IDM 在基础设施层面运营计算资源）。IDMO 与域之间所有与管理、编排和策略同步相关的通信都通过跨域 SBMA 总线进行。这种垂直方法使 IDMO 能够保持全局协调，同时将本地编排与基础设施控制分别委托给 DMO 与 IDM，降低决策的计算负荷。在后文各节中，我们将说明 DT 架构如何集成到这一更广泛的网络架构中，以及哪些组件替换了通用结构。

IV. 提出的方法

鉴于未来无线网络的复杂性与异构性日益增加 [30]，对整个网络连续体进行精确模拟在计算上是不可行的。用户设备、专有硬件与领域特定变量的多样性，使得依赖单一单体模拟器进行可操作的 what‑if 分析变得不切实际。因此，构建整体式 DT受到显著阻碍——因为在所有网络域中维持实时、端到端保真度在实践中极难实现，尤其是在实时条件下。

然而，由于服务交付跨越高度相互依赖的段落（包括 RAN、传输层、移动核心与分布式边‑云基础设施），孤立的领域内测试是不够的。优化这些网络需要考虑跨域效应，例如 RAN 配置变更直接影响边缘计算负载。因此，一个多域 NDT对于提供全面的网络可见性是必不可少的，这种可见性足以优化相互依赖关系，并保证整个服务路径上的确定性性能。相应地，本节描述我们提出的架构（可按任务分解）以及使用该架构解析 DT 相关查询的基于查询的工作流。

IV‑A DT 架构

为克服上述限制，所提出的架构采用了一种务实的、查询驱动的方法：DT 管理器不维持一个单体连续模拟，而是接收一个 what‑if 查询，识别哪些可用模拟器与该查询的领域需求相关，使用适当参数调用它们，并将其输出整合为统一结果。

模拟器的组合由查询本身决定，而非预先配置，这使得同一架构框架能够通过选择不同的功能子集，服务于截然不同的场景类型。这种设计是对“不可能存在单一函数覆盖所有域”的直接架构回应。该设计的一个重要细节是：编排层可以原生吸收外部的非电信上下文信息（如本地可再生能源可用性与智能电网遥测），方法是将这些模拟器与同一组合框架内的数字孪生模块同等对待。

图 2 说明了 DT 域的内部组织及其与所选未来无线网络架构（见第三节）多域架构的交互。

在顶部，跨域服务化管理总线（SBMA）作为北向通信平面，其他域通过该总线转发 what‑if 任务并接收 DT 的响应。一个任务可以是预测性的（例如：“如果我安装 25 块太阳能板会发生什么？”），DT 回复评估结果；也可以是规定性的（例如：“在固定面板预算下，哪种配置能最大化绿色程度？”），DT 回复推荐配置。无论哪种情况，执行权仍保留在请求方。

在 DT 域内部，DT 编排器充当控制入口点：其 DT 解析器接收来自 SBMA 的传入任务，而 DT 实例化器创建一个专用于特定查询的 DT 管理器实例，从而实现并发、查询隔离且无资源争用的孪生实例。DT 管理器是核心协调单元：其数据适配器通过数据连续体（data continuum）吸收标准网络遥测（如流量、用户关联）与非电信上下文馈送（如实时可再生能源发电量、电网碳强度）。ML/RL 沙箱为在合成 DT 实例上离线训练强化学习智能体提供了一个隔离环境，将模型开发周期与实时网络运营解耦。DT 执行器在查询时将外部模拟器（如能源模拟器）与 DT 模块（如 RAN DT 模块）流水线化，以实现多域 what‑if 推理，而无需为回答某个查询维护一个统一的模拟模型（详见第五节），并将其各自输出整合为统一、可操作的结果。与 DT 管理器并列，DT 仓库维护涵盖能源、RAN 与传输域的版本化虚拟模型，并通过 DT 注册表协调这些模型在连续 what‑if 评估中的生命周期与版本控制。在架构底部，数据连续体及其南向接口暴露一个统一层，持续将物理基础设施状态同步到仓库中，随时间维持虚拟模型的保真度。

图 2：整体数字架构及相应组件交互。北向接口表示应用如何与 DT 交互，南向接口表示孪生数据来源 [8]。

IV‑B 网络数字孪生服务工作流描述

一个核心设计点是：DT 与服务的建立并行运行，而非作为其前置条件。端到端服务首先通过第三节中勾勒的标准跨域 SBMA 流程以基线配置实例化，随后 DT 利用来自已运行部署的遥测数据推导精细化配置。这避免了“必须从尚未运行的系统中识别配置”的僵局，并确保 DT 是基于可测量的实时状态进行推理。

当一个端到端意图表达了一种分析需求（例如：在有限中断约束下最大化可再生能源利用率）时，域间协调器将该意图分解为每域组件。RAN、传输与移动核心组件被分发给各自对应的域，由 DMO 拉起相应的服务组件；同时，一个单独的 DT 子请求（仅携带分析意图：目标 KPI、范围与时间跨度）通过 SBMA 转发给 DT 域。域选择复用了基于能力的机制（见第三节）：DT 域通告其建模能力（如 RAN、核心、传输），当这些能力覆盖请求范围时被选中。协调器不指定运行哪些模拟器或如何组合它们，因此该工作流不受限于特定的域间协调器实现，也可以由担任该角色的其他域等效发起。

因此，组合是 DT 编排器的职责。DT 解析器解释分析意图，并咨询 DT 注册表，以识别 DT 仓库中与请求范围匹配的虚拟模型与模拟器；DT 实例化器随后分配一个查询作用域内的 DT 管理器。DT 管理器使用通过数据连续体从运行中服务获取的拓扑、配置与实时遥测填充所选模型，并在需要时辅以非电信馈送（如可再生能源发电预测或电网碳强度）。DT 执行器调用组合好的模拟器并整合其输出。这也是捕获跨域效应的地方：单个 DMO 按其构造仅能看到自己域的可见性，而 DT 编排器选择的模拟器共同覆盖相关域，DT 管理器将它们的结果合并为单一评估。

候选配置根据请求的 KPI 进行排序，表现最佳的一个被返回给 DT 编排器，后者通过 SBMA 将其转发给拥有受影响资源（RAN、核心、传输或其任意组合）的执行 DMO。每个接收 DMO 通过其关联的 IDM 强制执行该配置。生成的运营状态被反射回数据连续体，并为后续 DT 评估提供输入，从而形成闭环。“DT 服务请求”框展示了该工作流的一个具体实例。

IV‑C 网络孪生化（Network Twinning）

网络孪生化指的是将部署系统中选定的运营证据转化为 DT 环境可用的可执行表示的过程。在所提出的架构中，这种转化不仅限于复制静态清单数据，而是依赖于暴露机制：能够以结构化、机器可消费的形式呈现真实系统。例如，当一个运营域通过软件定义网络（SDN）进行控制或观察时，像 TerraFlow SDN​ [9] 这样的接口可以作为异构网络资源与 DT 环境之间的抽象层。控制器通过可编程接口暴露受管域的规范化视图，而不是要求模拟器直接与单个设备、厂商特定管理系统或低级配置流程交互。该视图捕获所请求评估所需的运营信息，并以孪生化功能可解释的形式呈现。

孪生化功能随后将这一暴露的运营状态映射到所选 DT 模块或模拟器所需的建模原语。对于基于 NS‑3 [25] 的组件，这可能涉及将暴露的系统视图转化为对应于真实网络相关部分的模拟实体、关系、参数与运行时条件。同样的原则适用于其他域模型：目标不是复现整个已部署系统，而是实例化一个作用域限定的可执行模型，其结构与参数植根于当前或近期的运营状态。在这个意义上，TerraFlow SDN 与类似的暴露功能使孪生化成为可能：将异构受管资源转换为一致的控制平面表示，供 DT 消费、参数化与更新。因此，生成的孪生不是一个被动的数据库副本，而是一个目标特定的运营模型，支持在真实系统上实施动作之前的模拟、分析与决策验证。

V. 绿色网络用例

实现现代电信网络的可持续性目标，需要将范式从单纯管理运营能效，转向积极扩展本地化可再生能源发电。6G 服务部署方法的一个根本问题是其高度孤岛化：几乎只关注优化覆盖、容量与内部流量负载。因此，它们对外部空间与环境因素是“盲目的”——而这些因素恰恰为基础设施变得更绿色提供了物理机会，特别是现有基站（BS）站点及其周边拓扑中未被利用的太阳能潜力。

通过战略性地部署太阳能板作为基站能源需求的支撑手段，网络可以大幅降低对主电网的依赖。这不仅有利于基站，也有助于减轻主电网的压力，尤其是在日间能源需求峰值时。然而，规划这种集成需要克服电信工程与环境建模之间的鸿沟。为此，一种双模拟方法是必不可少的。首先，需要一个专用的能源模拟器，在各种设置下评估绿色发电潜力。其次，需要一个代表网络的模块，以准确建模基站的流量驱动功耗与其他运营约束。

V‑A 可持续性感知模拟器

能源模拟器是一种非领域特定的模拟组件，用于建模太阳能的时空可用性及其向分布式需求节点（如基站）的分配。与静态数据查找不同，该模拟器接受一个参数化场景（候选部署或一组活动组件，以及一个时间跨度），并在不同的太阳能发电容量下评估该场景的能源结果。对于给定的可再生配置（即发电容量、面板数量），模拟器评估其在白天不同时段能在多大程度上支持基站变化的能源需求。算法 1​ 概述了该模拟器的方法论，它主要在两个阶段运行：（i）候选节点选择；（ii）时间资源调度。

第一阶段（i）识别在关键时段对系统负载贡献最大的目标站。我们评估一组历史系统状态，每种状态显示不同的基站开关选择及其在一天不同时间对电网的影响。这一阶段的目标是选择最能从调度太阳能中受益的候选站，因此识别与太阳能发电小时模式强相关的关键系统状态非常重要。为此，每个集合根据“电网压力严重程度 × 并发太阳能资源可用性”的乘积进行排名。这一步筛选出高需求与可行资源发电并存的时段。从前 N 个关键系统状态中，我们识别出活动节点。为每个节点分配一个效用得分，计算方法为：其在这些关键状态下的最大能源需求 × 观测频率（节点处于活动状态的系统状态占比）。节点随后按该得分降序排序，我们选择前 m 个节点进行资源整合。

第二阶段（ii）详述潜在生成的太阳能向选定候选站点的时间步调度。这一步的目标是将每小时生成的能源分配给不同基站，以在峰值能耗时段支持电网（即削峰）。对于一个给定的太阳能容量因子（表示实际输出与发电容量的接近程度），我们计算每个时间间隔的总可用资源。同时，算法确定每个候选站在该特定间隔的最大需求。然后我们依次将可用资源分配给节点：需求最高的节点优先获得供给，直到该间隔的资源被完全利用。我们在发电容量范围内（通过增加太阳能板数量）重复这一调度过程，以评估每增加一块板的边际收益，并确定候选站点基于边际收益递减所能受益的理想面板数量。

算法 1：资源调度的两阶段贪心启发式

1: 输入：所有系统状态集合 𝒮，所有节点集合 𝒱，N（关键状态上限），m（候选上限），K（资源缩放数组）
2: 输出：不同容量 k∈K 下的时间分配 a_v(t)
3: // 第一阶段：候选选择
4: for 每个状态 s ∈ 𝒮 do
5: 排名得分 R_s ← stress_s × resource_avail_s
6: end for
7: 𝒮_critical ← 按 R_s 降序排序的前 N 个状态
8: for 每个节点 v ∈ 𝒱 do
9: f_v ← active_states_v / |𝒮|
10: U_v ← 0
11: for 每个 s ∈ 𝒮_critical 且 v 处于活动状态 do
12: U_v ← U_v + (D_max,v,s × f_v)
13: end for
14: end for
15: 𝒱_cand ← 按 U_v 降序排序的前 m 个节点
16: // 第二阶段：时间调度
17: for 每个容量标量 k ∈ K do
18: for 每个时间步 t do
19: R_total(t) ← k × unit_capacity × resource_avail(t)
20: 计算所有 v ∈ 𝒱_cand 的最坏情况需求 D_v(t)
21: 按 D_v(t) 降序对 𝒱_cand 排序
22: R_remaining ← R_total(t)
23: for 每个 v ∈ 𝒱_cand do
24: a_v(t) ← min(D_v(t), R_remaining)
25: R_remaining ← R_remaining − a_v(t)
26: if R_remaining == 0 then
27: break
28: end if
29: end for
30: end for
31: end for

V‑B RAN DT 模块

该模块对一个多小区 5G 网络进行建模，基站位置通过公开数据库与 BTS 搜索 [3] 获取真实世界数据源，以确保空间拓扑的真实性。每个基站由其发射参数、天线配置与最大功耗表征，这些参数随后用于能源感知分析。用户设备（UE）使用基于随机游走模型的随机移动过程建模，并随时间呈现动态空间流量分布 [15]。这种方法捕捉网络负载的时间与空间变化，这对于评估流量需求与可再生能源可用性之间的交互至关重要。在每个模拟步，UE 根据信号强度与路径损耗条件关联到服务基站。无线资源管理遵循轮询调度方案，使模拟器能够估计每用户吞吐量、SINR 与资源利用率。基于这些指标，计算每个基站的瞬时与最坏情况负载。DART 模拟器产生时间分辨的网络状态，包括基站负载、用户分布与频谱效率。

V‑C 模拟器组合与查询解析

图 3 说明了在本研究的绿色网络用例中，DT 管理器、RAN DT 模块与能源模拟器之间的交互。

过程始于 DT 编排器从 SBMA 接收 what‑if 查询并将其转发给 DT 管理器，后者解析查询并确定需求：（i）用于网络层状态生成的 RAN 模拟器；（ii）如前所述的用于太阳能分配的能源模拟器。在第一阶段，使用基站拓扑与随机用户移动模型调用 O‑RAN 模拟器。它产生一组时间分辨的网络状态 𝒮，每个状态捕捉每基站负载、活动/非活动状态与最坏情况功耗。这些状态代表了能源模拟器无法独立确定的需求侧输入。在第二阶段，DT 管理器将 𝒮、太阳能发电曲线与面板预算参数 m 传递给模拟器。模拟器执行算法 1 以识别 m 个候选站并计算时间太阳能调度，返回每个候选部署规模的预期电网替代量。

DT 管理器选择在面板预算内最大化电网能源替代的部署场景，并将此建议作为可操作输出返回给 IDMO。这种组合的价值在于：没有任何一个模拟器能单独回答该查询——O‑RAN 模拟器无法评估太阳能分配，而能源模拟器在没有网络模拟的情况下无法确定哪些站点在运营上是活动的。

图 3：DT 模块、模拟器与 DT 管理器之间的交互过程。

VI. 评估

我们将通用框架应用于本地化 5G 电信场景，以评估整合太阳能光伏（PV）以提升网络绿色程度的可行性。算法 1 的通用参数被直接映射到我们的 5G 部署模型。具体而言，节点（𝒱）代表集群化的 5G 网络基站，而系统状态（𝒮）包括历史网络配置与本地化流量负载曲线。我们将系统压力重新定义为反映本地化网络性能下降的指标，量化为服务失败率（即 1 − 服务成功率，代表未服务流量或掉线）。资源可用性仍为每小时太阳能容量因子。这两个指标的乘积识别出基站处于严重流量负载且太阳能发电可行的时间窗口。由于经历高服务失败的节点以最大功率运行，针对它们可以确保生成的绿色能源被估计承受最大压力的节点就地全额消纳，从而最大化对电网衍生碳排放的替代。此外，需求（D_v）代表特定基站在给定配置或小时的最大功耗。将这一上下文应用于能源启发式，我们的模型将模拟太阳能动态路由到负担最重的基站。遍历太阳能阵列尺寸（N_PV）确定了扩展物理硬件部署的边际效用，确保可再生能源投资被导向那些能为网络整体碳足迹带来最大减排的节点。

小区开关（COOS）xApp（在 [15] 中描述）位于 RAN DT 模块的 Near‑RT RIC 中，负责实现在必要时关闭某些基站的逻辑。具体而言，每个基站 v ∈ 𝒱 监控其流量负载 L_v(t)，并与相邻节点交换负载信息。当负载低于预定义阈值 α_off（即 L_v(t) < α_off）时，基站被关闭，表示利用不足。相反，当先前停用的基站其相邻小区平均负载超过阈值 α_on（即 L(v)(t) > α_on）时，基站被重新激活，表明周边网络可能出现过载。通常假设 α_on > α_off 以防止乒乓效应。从能源角度看，该机制通过消除利用不足基站的静态功耗分量，降低了总网络功耗。流量整合提高了活动节点的利用率，从而更节能。

VI‑A 假设

网络拓扑包含 105 个基站。其地理坐标来自真实世界数据库 [3]，并投影到局部笛卡尔参考系以启用空间操作，如图 4 所示。所有基站工作在 2100 MHz 载频、20 MHz 带宽、37 dBm 发射功率，并显式考虑小区间干扰。UE 随机分布在考虑区域内，数量在 24 小时内介于 200 到 600 之间，以反映真实流量动态。每个 UE 遵循平均速度 5.4 km/h 的随机游走移动模型，并生成恒定比特率为 1 Mbps 的流量。

图 4：波兹南基站布局与日间平均功耗。

十组经过验证的基站集合配置（集合 0–9）代表替代网络运行状态，其平均中断率在 8.5% 到 15.9% 之间（表 II），且所有集合均有 25 个随机基站处于开启状态。

覆盖优化算法（BS 集合 10）实现了 2.46% 的平均中断率；能源优化算法（BS 集合 11）实现了 3.88% 的平均中断率，两者均激活 25 个基站并停用其余 80 个。我们将此称为 Algorithm‑25 场景。最后，能源模拟的候选选择步骤产生了一组同样由 25 个基站组成的集合，我们将这些基站在 RAN DT 模块中的利用称为 Heuristic‑25 场景。

表 II：每个基站集合配置下的平均网络中断率

BS 集合

平均中断率 (%)

系统整合了来自欧洲输电系统运营商网络（ENTSO‑E）的真实电网发电数据，以及通过 renewables.ninja 平台使用 NASA MERRA‑2 再分析数据集获得的本地化太阳能发电数据​ [20, 29]。使用波兹南市中心的单一代表性测量点，与研究区域的均匀空间尺度一致。模拟日期的单板峰值光伏输出为 0.608 kW。太阳能容量因子按小时计算为：

其中 Prated​=1 kW每块板（模拟器默认容量）。能源调度计算在不同面板数量 k∈[20,50]的设置下进行测试。

VI‑B 结果

图 5 显示了所有基站的地理位置，并根据两种方法联合分类着色。

图 5：基站覆盖地图。​ 橙色（17 个）：在覆盖算法中活跃且被能源模拟器选中。绿色（8 个）：被能源启发式选中，但在 O‑RAN 模拟器中不活跃。蓝色（8 个）：活跃。灰色（72 个）：不活跃且未被任一方法选中。

• 橙色基站代表两个框架的生产性一致：17 个站点既在覆盖最优配置中活跃，又被能源启发式列为高优先级太阳能候选。在这些橙色基站安装的太阳能板抵消了网络确实需要保持运行的站点真实的、持续的电网消耗。

• 绿色基站讲述相反的故事：能源启发式选中它们是因为它们在随机验证配置中显得活跃且耗电，但覆盖算法已确定没有它们网络表现更好。

• 蓝色基站代表这些站点在算法下活跃并在全天消耗电网能源，但能源启发式并未将它们识别为太阳能候选。它们代表了太阳能本可抵消却未能抵消的电网用电量。

• 大面积灰色集群（72 个基站）被两种方法忽略，因此这些站点被算法关闭，且在任一候选列表中均未被能源启发式考虑。

一旦能源模拟器识别出要连接太阳能的基站，下一步是使用不同数量的太阳能板将预期发电量分配给这些基站。由于此分配的主要目标是在日间能源需求峰值时段支持电网（即削峰），图 6 显示了随着面板数量（以及随之而来的可注入总太阳能）增加，总最大峰值节能量的变化。当考虑 Algorithm‑25 场景下选定基站的总能源消耗需求时，我们观察到在 32 块太阳能板之后，每增加一块板的收益递减。

图 6：Algorithm‑25（波兹南）及北非（撒哈拉）用例相同配置的能源需求削峰。​ 蓝色矩形显示波兹南系统增加面板收益递减的阈值，橙色矩形显示北非用例的相同阈值。

新增面板时收益递减由两个因素决定：（i）给定基站集合需要消耗的总电量；（ii）取决于用例位置的潜在太阳能发电量。如果同样的基站集合与配置位于太阳能收益更高的不同地区，我们预计会看到适应给定地区需求的不同面板数量。为验证这一假设，我们假设同一网络在同一时间段运行在北非。通过使用我们的太阳能调度器，将更新后的太阳能量分配给具有相同功耗与中断值的基站。与原始观察类似，结果显示随着面板数量增加，每小时更多峰值能耗可以从主电网中缓解，直到面板不再对峰值需求时段做出贡献。对于北非用例，我们看到这一关键面板数为 28，如图 6 所示。

Algorithm‑25 场景建立了上限：在 25 个运行基站中，17 个受益于调度的太阳能。Algorithm‑25 选出的 25 个基站全天共需从电网获取 458.30 kWh，其中 32 块面板向选定基站供电 130.4 kWh。Algorithm‑25 基于网络流量分布选择 25 个基站，在保持低中断指标与降低功耗之间取得平衡。结果，净电网消耗降至 327.9 kWh，对应 28.5% 的降幅。另一种情况是，如果所有 25 个基站都连接太阳能资源（而不是 17 个），它们全天的总能耗变为 444.76 kWh。在相同太阳能板假设下，太阳能可供给的负载仍为 130.4 kWh，净电网消耗降低 29.3%。

VII. 结论

本文提出了一种模块化多域数字孪生架构，用于在 6G 网络中实现意图驱动的可持续管理。通过将 NDT 能力作为专用服务域嵌入多域编排框架，并采用查询驱动的模拟器组合，我们克服了单体端到端孪生在规模与异构性方面的局限性。绿色网络用例验证了该框架的实际价值：通过协调 RAN 数字孪生与能源模拟器，在波兹南 105 基站部署中实现了高达 28.5% 的电网能耗削减，并识别出跨域协同优化的高价值站点。这项工作为未来 6G 网络在复杂、动态与多利益相关方环境中的自动化与可持续性目标提供了一条可行的技术路径。