随着5G、物联网
、云计算、数字孪生等新兴一代
技术的发展以及层出不穷的网络新业务涌现, 网络负载不断增加, 网络规模持续扩大
。
由此带来的网络复杂性, 使得网络的运行和维护变得越来越复杂
。
同时, 由于网络运营的高可靠性要求, 网络故障的高代价以及昂贵的试验成本, 网络的变动往往牵一发而动全身, 新技术的部署愈发困难
。讲
数字孪生之前先
具体来说
一下
, 超大规模网络发展面临的
哪些
典型挑战
：
1) 网络灵活性不足
2) 网络新技术研发周期长、部署难度大
3) 网络综合管理运维复杂
4) 网络优化成本高、风险大
为解决上述困难, 网络智能化越来越为各行业、产业界所重视 。 基于 “ 意图网络”, “自动驾驶网络”, “零接触(Zero-Touch)网络”等概念和技术相继被业界提出和推广, 希望借助网络智能化技术, 实现网络自动化和自主化运行的愿景 。 数字孪生 系统 构建物理网络的实时镜像, 可增强物理网络所缺少的系统性仿真、优化、验证和控制能力, 助力上述网络新技术的部署, 更加高效地应对网络问题和挑战 。
将数字孪生技术应用于网络, 创建物理空间的虚拟镜像, 即可搭建数字孪生网络平台 。 通过物理 空间 和 数字孪生技术 实时交互、相互影响, 数字孪生网络平台能够助力网络实现低成本试错、智能化决策和高效率创新 。 数字孪生网络的研究和应用在产业和学术界还处于起步阶段 。
1、数字孪生的起源（超越现实的概念）
“孪生”的概念最早起源于美国国家航空航天局的“阿波罗计划”；2003年前后，关于数字孪生（Digital Twin）的设想首次出现于美国密歇根大学的产品全生命周期管理课程上；直到2010年，“Digital Twin”一词在NASA的技术报告中被正式提出；2012年，美国国家航空航天局与美国空军联合发表了关于数字孪生的论文，重点应用于未来飞行器发展。
近年来, 随着多学科建模与仿真技术的飞速发展, 数字孪生技术研究成为热点 ， 得益于物联网、大数据、云计算、人工智能等新一代信息技术的发展，数字孪生在虚拟样机、数字孪生车间 、数字孪生工业 、数字孪生卫星、智慧能源、 智慧工厂、交通、医疗健康等诸多领域得到成功运用 。 面向未来网络发展, 伴随着云计算、大数据、人工智能等技术的不断发展以及信息的泛在化, 数字孪生技术也将更广泛地运用于人体活动监控与管理、家居生活和科学研究等领域, 使得整个社会走向虚拟与现实结合的 “数字孪生” 世界 。
什么是数字孪生？学术界和产业界有不同的定义，通俗地可以理解为：以数字化的方式建立物理实体的虚拟模型，物理世界数字化，借助历史数据、实时数据和算法模型，实现对物理实体的分析预测和改善优化，具有实时性和闭环性。数字孪生将割裂的虚拟世界与现实世界融合，是前沿科技下一个代际的发展主题。
Gartner在其物联网(Internet of things, IoT)数字孪生技术报告中提出构建一个物理实体的数字孪生体需要4个关键要素: 模型、数据、监控和唯一性 。 提出了数字孪生的五维模型 {PE, VE, Ss, DD, CN}, 其中, PE表示物理实体, VE表示虚拟实体, Ss表示服务, DD表示孪生数据, CN表示各部分之间的连接 。 国际标准化组织(International Organization for Standardization, ISO)发布了面向制造的数字孪生系统框架标准草案, 提出包含数据采集域、设备控制域、数字孪生域和用户域的参考框架, 该草案即将成为数字孪生领域第一个国际标准 。
2、 数字孪生定义
数字孪生网络业界尚无统一的定义, 本文将 “数字孪生网络” 定义为: 一个具有物理网络实体及虚拟孪生体, 且二者可进行实时交互映射的网络系统 。
在此系统中, 各种网络管理和应用可利用数字孪生技术构建的虚拟孪生体, 基于数据和模型对物理 实体 进行高效的分析、诊断、仿真和控制 。 基于此定义, 数字孪生应当具备4个核心要素: 数据、模型、映射和交互 。
1）
数据
数据是构建数字孪生 可视化 的基石, 通过构建统一的数据共享仓库作为数字孪生网络的单一事实源, 高效存储物理网络的配置、拓扑、状态、日志、用户业务等历史和实时数据, 为 数字 孪生提供数据支撑 。
2）模型
数字孪生中的模型既包含了对应已知物理对象的机理模型，也包含了大量的数据驱动模型。其中，“动态”是模型的关键，动态意味着这些模型需要具备自我学习、自主调整的能力。
3）映射
在数字虚体空间中创建的虚拟事物，与物理实体空间中的现实事物形成了在形、态、质地、行为和发展规律上都极为相似的虚实精确映射关系，让物理孪生体与数字孪生体具有了多元化映射关系，具备了不同的保真度（逼真、抽象等） 特征。
4）交互
交互是达成虚实同步的关键, 数字孪生 通过标准化的接口连接网络服务应用和物理实体 系统 , 完成对于物理网络的实时信息采集和控制, 并提供及时诊断和分析 。
基于四要素构建的网络孪生体可借助优化算法、管理方法、专家知识等对物理网络进行全生命周期的分析、诊断、仿真和控制, 实现物理网络与孪生网络的实时交互映射, 帮助网络以更低成本、更高效率、更小的现网影响部署各种网络应用, 助力网络实现极简化和智慧化运维 。
3、 从数字孪生的定义可以看出，数字孪生具有以下几个典型特点：
1
）
互操作性 ：数字孪生中的物理对象和数字空间能够双向映射、动态交互和实时连接，因此数字孪生具备以多样的数字模型映射物理实体的能力，具有能够在不同数字模型之间转换、合并和建立“表达”的等同性 。
2
）
可扩展性 ：数字孪生技术具备集成、添加和替换数字模型的能力，能够针对多尺度、多物理、多层级的模型内容进行扩展。
3
）
实时性 ：数字孪生技术要求数字化，即以一种计算机可识别和处理的方式管理数据以对随时间轴变化的物理实体进行表征。表征的对象包括外观、状态、属性、内在机理，形成物理实体实时状态的数字虚体映射。
4
）高
保真性：数字孪生的保真性指描述数字虚体模型和物理实体的接近性。要求虚体和实体不仅要保持几何结构的高度仿真，在状态、相态和时态上也要仿真。值得一提的是在不同的数字孪生场景下，同一数字虚体的仿真程度可能不同。例如工况场景中可能只要求描述虚体的物理性质，并不需要关注化学结构细节 。
5 ） 闭环性 ：数字孪生中的数字虚体，用于描述物理实体的可视化模型和内在机理，以便于对物理实体的状态数据进行监视、分析推理、优化工艺参数和运行参数，实现决策功能，即赋予数字虚体和物理实体一个大脑。因此数字孪生具有闭环性 。
数字孪生关键技术
一个数字孪生系统，按照其所能实现的功能来分，大致可分为4个发展阶段：
（1）数化仿真阶段
在这个阶段，数字孪生要对物理空间进行精准的数字化复现，并通过物联网实现物理空间与数字空间之间的虚实互动。这一阶段，数据的传递并不一定需要完全实时，数据可在较短的周期内进行局部汇集和周期性传递，物理世界对数字世界的数据输入以及数字世界对物理世界的能动改造基本依赖于物联网硬件设备。
这一阶段主要涉及数字孪生的物理层、数据层和模型层（尤其是机理模型的构建），最核心的技术是建模技术及物联网感知技术。通过3D测绘、几何建模、流程建模等建模技术，完成物理对象的数字化，构建出相应的机理模型，并通过物联网感知接入技术使物理对象可被计算机感知、识别。
（2）分析诊断阶段
在这个阶段，数据的传递需要达到实时同步的程度。将数据驱动模型融入物理世界的精准仿真数字模型中，对物理空间进行全周期的动态监控，根据实际业务需求，逐步建立业务知识图谱，构建各类可复用的功能模块，对所涉数据进行分析、理解，并对已发生或即将发生的问题做出诊断、预警及调整，实现对物理世界的状态跟踪、分析和问题诊断等功能。
这一阶段的重点在于结合使用机理模型及数据分析型的数据驱动模型，核心技术除了物联网相关技术外，主要会运用到统计计算、大数据分析、知识图谱、计算机视觉等相关技术。
（3）学习预测阶段
实现了学习预测功能的数字孪生能通过将感知数据的分析结果与动态行业词典相结合进行自我学习更新，并根据已知的物理对象运行模式，在数字空间中预测、模拟并调试潜在未发觉的及未来可能出现的物理对象的新运行模式。在建立对未来发展的预测之后，数字孪生将预测内容以人类可以理解、感知的方式呈现于数字空间中。
这一阶段的核心是由多个复杂的数据驱动模型构成的、具有主动学习功能的半自主型功能模块，这需要数字孪生做到类人一般灵活地感知并理解物理世界，而后根据理解学习到的已知知识，推理获取未知知识。所涉及的核心技术集中于机器学习、自然语言处理、计算机视觉、人机交互等领域。
（4）决策自治阶段
到达这一阶段的数字孪生基本可以称为是一个成熟的数字孪生体系。拥有不同功能及发展方向但遵循共同设计规则的功能模块构成了一个个面向不同层级的业务应用能力，这些能力与一些相对复杂、独立的功能模块在数字空间中实现了交互沟通并共享智能结果。而其中，具有“中枢神经”处理功能的模块则通过对各类智能推理结果的进一步归集、梳理与分析，实现对物理世界复杂状态的预判，并自发地提出决策性建议和预见性改造，并根据实际情况不断调整和完善自身体系。
在这一过程中，数据类型愈发复杂多样且逐渐接近物理世界的核心，同时必然会产生大量跨系统的异地数据交换甚至涉及数字交易。因此，这一阶段的核心技术除了大数据、机器学习等人工智能技术外，必然还包括云计算、区块链及高级别隐私保护等技术领域。
注：部分文章及图片节选自网络，如有版权问题请联系作者删除！