網絡智能，以“智”賦“動”

杜永生　蔣新建　巫江濤

摘要：通過分析一種較為系統的思維模型，提出了在網絡智能中“以智賦動”的觀點。通過網元及用戶智能識別、網絡資源智能調度、網絡智能保障、網絡業務智能編排4個主要智能能力，分別賦予網絡自動化用戶通信環境適應能力、自動化網絡資源優化能力、自動化故障修復能力、自動化業務適應能力。介紹了當前系統節能、智能無線資源管理（RRM）、邊緣智能、智能網規網優、智能運維保障、網絡安全6個應用級子方案。最后提出了MAPE-K、智能服務側掛、模型驅動、三層共享等頂層設計思路，作為后續網絡智能化架構設計的參照。

關鍵詞：網絡智能;思維模型;智能RRM

Abstract： Based on the systematic thinking model， “artificial intelligence endows network automation” is put forward. Through the intelligent identification of network elements and users， intelligent scheduling of network resources， intelligent guarantee of network resources and intelligent arrangement of network business， the network automation users are endowed with communication environment adaptability， automation network resource optimization capability， automatic fault repair capability， and automation business adaptability. Then six sub-schemes of system are proposed， including energy saving， intelligent radio resource management （RRM）， edge intelligence， intelligent network regulation network excellence， intelligent operation and maintenance guarantee， and network security. Finally， the MAPE-K， intelligent service side-hanging， model-driven， three-tier sharing and other top-level design ideas are proposed as the reference for the following intelligent network architecture design.

Key words： network intelligence; thinking model; intelligent RRM

1 網絡智能的業界解決思路

1.1 利用人工智能（AI）解決網絡

相關問題

如何利用AI解決網絡相關問題，目前業界有2種做法：

一種是自上而下，即以技術驅動應用。盡量利用成熟的AI技術解決網絡中的問題。如果能保證最終效果，甚至不惜重新定義網絡中的業務問題來適配AI技術。例如某國的運營商通過無人機來尋找弱覆蓋區域[1]，如果這個做法在城市中能普及，將大幅顛覆原有的網優業務流程。

另外一種是自下而上，即業務驅動技術。先對現有網絡生產、管理、運營流程的問題進行梳理，從這些問題出發估計可能使用哪些AI技術，然后研究相應的AI技術來解決當前流程中的問題。例如某國運營商提出從自組織網絡（SON）或網絡優化流程出發，通過將AI技術應用到SON中，提高現有算法的性能和自適應能力，以及面對不同小區/用戶的個性化適應能力。這種做法有針對性，但是算法如何設計、訓練、應用，須要自行研究，而這個研究工作恰恰是整個網絡智能化中最難的一環。

1.2 AI技術在IT領域的進展

谷歌于2016年提出基于機器學習的Zero Touch Network[2]的概念，通過機器學習讓網絡層自適應運營業務的變化，達到自動擴容、自動編排新業務。在Garter 2017年的關于智能運維（AIOps）[3]的報告中，則把網絡智能運維的關注點集中于智能檢測、預測、根因分析3個維度。Cisco提出的意圖網絡[4]，就是通過語義理解技術將用戶的意圖轉換為網絡資源的自動部署和自動保障需求。

網絡智能涉及問題的思考方向，從抽象的層次來看，分為3點：

（1）貫通整合。從空間角度來看，這是一個整體能力的體現，即利用人工智能善于獲取各層數據并關聯的能力以及較成熟的語義理解技術，整合貫通網絡業務涉及到的各層次及各層次端到端的網元器件。例如Zero Touch、意圖網絡涉及到的都是端到端網絡資源的整合。

（2）自適應和模糊邏輯。從空間維度上看，這些都是網絡中每一個層次或個體的智能化體現。利用人工智能技術擅長的模式識別能力，對現有網絡進行畫像，并進行自適應調整，達到網絡資源使用最優化;利用人工智能的數據關聯能力替代邏輯，解決人力思考的時間成本，AIOps就屬于這種范疇;利用數據監測控制耗能成本低的特點，針對網絡中的最小個體（例如單個用戶）進行監測控制并進行個性化的自適應調整，提升用戶感知。

（3）預測。從時間維度上看，利用人工智能自優化學習和善于從歷史數據預測未來的能力，在問題出現之前進行針對性部署，能夠避免在問題造成既有損失后再設法彌補的情況。例如AIOps利用預測進行預維，理論上可以把故障降低為零;SON領域的預測優化場景，可以避免損失出現。

2 網絡智能化的問題分析

在通信領域，為了識別人工智能技術帶來的價值，減少相關風險，我們嘗試提出一種較為系統的思維模型，希望能對人工智能在無線通信領域帶來的問題進行較為系統的分析，并對各種問題的關鍵特性、價值、難易程度進行簡要說明。

這個系統的思維模型如圖1所示，我們從AI能力簡易分類、網絡傳統管理層次模型、網絡類型3個維度對目前網絡智能問題進行思考。網絡類型按照數據流動的方向進行分類排列;網絡分層參照電信管理網（TMN）分層模型，并針對網絡智能化應用做了一些調整，將用戶和網元合并為一個層次納入進來;網絡層是指管理網絡資源優化、均衡、調度業務的層次，管理層則是指保障網絡正常運行的層次，業務層是面向運營商最終用戶的服務的層次。AI能力分為識別、分析、預測、決策。識別是指從海量數據中學習和匹配復雜模式;分析是指從高維數據中尋找相關和因果關系;預測是指在時空維度學習數據分布規律預測未來事件;決策是指在高度復雜場景下多目標優化聯合求解。從這3個維度出發，我們可以思考在某一種網絡的某一個運作流程，能利用AI的什么能力來解決什么問題，通過這樣的模型進行全方位、有條理的思考。下面我們將按照網絡分層模型對各個層次逐一進行分析。

（1）網元/用戶層次。

如圖1所示，在這個層面出現了一個三角形區域。該區域由無線接入網絡類型、網元和面向復雜的信道模型和可移動的用戶模型、AI識別能力構成。

·選擇無線接入網絡類型是因為其數量大，并是目前4G和未來5G主要的接入方式，本身涉及到當前通信網絡的核心競爭力。

·該領域主要利用AI技術中的識別技術，通過對無線通信物理層和空口的各種場景進行識別，提高各種空口算法性能和準確率。該領域還能對于用戶使用模型和個人通信環境的識別、網絡通過自適應識別結果來大幅提高用戶感受。例如利用AI對信道的學習識別自動適配各種參數的鏈路自適應技術，并通過射頻指紋來識別用戶的通信環境。

·該領域主要的困難是數據采集和AI應用理論比較欠缺。從數據的角度看，網元的空口信道和用戶的使用模型、數據收集和建模非常困難，且屬于無線通信特有，是通信設備商的核心競爭力所在，無法從相鄰領域借鑒。另外，業界公開的論文質量一般，我們必需腳踏實地地自行研究。

盡管非常困難，但由于提升網元性能和用戶感受是通信設備商的核心競爭力所在，因此我們須要作為長期項目跟蹤研究。

（2）網絡層面。

該層面涉及的范圍是圖1中的一條線，由決策技術、所有網絡類型構成。資源優化本來就是所有網絡的主要設計目標，涉及的主要AI技術是模糊決策技術，即并非一定需要找到邏輯明確的原因，只要能幫助改善網絡資源利用效果的決策動作即可。

·網絡層面進行資源優化設計的范圍比較廣泛，即應用比較廣泛，例如大規模多輸入多輸出（MIMO）自適應調整、小區負荷均衡、流量均衡等。

·網絡層面引入AI在近期實現的可能性非常大。從數據的角度看，網絡測量的數據本身就已經在搜集，存儲非常規范;從技術的角度看，網絡資源優化的相關學術論文較多，質量較高;從可借鑒的角度看，信息技術（IT）和通信技術（CT）問題域非常類似。另外，由于人工智能上線，導致算力提升，即使利用傳統方法也可能解決部分問題。

·由于存在規模效應，網絡層面優化的絕對效果往往非常驚人，例如采用了大規模MIMO智能自適應的網絡，初步實驗中吞吐率上升10%，資源利用率上升20%，對于規模網絡來說每一個百分點帶來的絕對值效益非常驚人。

網絡層優化相關技術較為成熟，且存在規模效應，絕對價值對運營商來說吸引力非常大;因此，應該屬于新興產業中所謂“低垂的果實”，是短期內需要重點突破和投入的方向。

（3）管理層。

如圖1所示，這個層面涉及的范圍一個四邊形區域，由所有AI技術、所有網絡類型構成。該區域的管理流程和基礎數據類型和IT網絡類似，所以基本可以借鑒AIOps的方法論。

·管理層優化主要是解決運維方內部人力和網絡質量問題。根據Garter的AIOps的方法論，關鍵問題的方向是異常檢測、根因定位、模式識別和預測。關鍵性能指標（KPI）異常檢測和故障定界都是較為成熟的例子。

·管理層的流程和基礎數據類型基本和IT網絡類似，且數據存儲比較規范。從技術上看，此領域受眾較網絡層更為廣泛，相關的論文數量多，IT業界智能化技術領先的公司也在進行研究，所以容易出現成果。

·管理層優化的規模效應沒有網絡層資源調度明顯，但因該領域向上連接業務層，向下連接資源層，根據IT領域的發展情況，是最有可能實現端到端場景的層次。

智能化技術領先的公司正在進行該領域的相關研究，成果比較多，技術、機制較為成熟，也容易出現新的觀點和業務思路，且能提高運營商的運維效率，所以應是短期內業界主要保持研究跟進的方向。

（4）業務層。

如圖1所示，這個層面是五角星的一個點。之所以是一個點，因為這個層次是3個維度整合的頂點即核心網、業務層、AI決策能力的整合。網絡類型層面則是由接入網到核心網，最終構成一條完整的業務鏈條;識別、分析、預測和決策4種AI能力盡管能各自發展、獨立應用，但大致上存在一個層層遞進的關系，AI決策依賴識別、分析，而業務依賴管理層的網絡質量保障和網絡層的網絡資源優化。

·目前該領域主要的需求是在不同網絡類型的端到端、網絡分層層面、用戶業務到網絡資源端到端;在AI層面，則是完全的自動化訴求，目前標準提案中的意圖網絡則體現該訴求，將用戶意圖翻譯為端到端網絡資源需求，然后自動激活、保障、優化，全過程能夠通過AI自主決策。

·這種意圖網絡的概念來源于Cisco，在IT云網絡中實施，CT具備一定的借鑒性，但CT虛實結合的網絡和IT基本完全的虛擬化和云化網絡存在一定的區別。從數據的角度看，不僅僅是單個領域的數據存儲、收集問題，而是多個領域的數據搜集、存儲以及規范性問題;從技術上看，需要在基礎數據建模和網絡各領域元器件可驅動的行為建模達到一定的深度、廣度和較高的規范性之后，業務層AI化需求才能變得鮮活起來。