基于深度學習的網絡業務一致性稽核保障系統研發

許思寧，唐雯敏，周 圣，郭 熠，朱明星

（中國聯通廣州市分公司，廣東 廣州 510000）

1 項目背景

互聯網專線DIA 為運營商重要的盈利業務。互聯網專線作為專業性較強的公網專線業務，帶寬、公網地址數量、ICP 服務開放均為影響收入的重要參數。在傳統的工作流程中，并無針對這些重要參數的智能化管控手段，重復性、繁雜的工作量占較大比重，存在優化和提升效率的空間。

（1）各種設備臺帳、電路臺賬、客戶臺帳等工作臺賬分屬不同負責人維護和更新，各自成表，沒有實現線上維護更新，無法保證一致性，也無法互相關聯，在需要快速查詢時無法準確查詢出所有所需的信息。

（2）針對同一個客戶，前端業務部門和后端維護部門關注不同的參數，且各自維護的臺帳格式不統一、參數名稱不統一，給數據的實時性和一致性同步工作帶來困難。

（3）目前，業務開通主要為維護人員手工在設備上輸入配置指令，在日常工作中存在重復性工作多、容易出錯等問題，一旦出錯，難以快速發現、糾錯，目前亦無有效的實時監控手段，留下網業不一致的隱患，影響公司收入，甚至帶來廉潔從業風險。

（4）面對日益嚴峻的國家網絡安全形勢，公安網警對ICP 服務開放的管控日益嚴格，作為基礎通信運營商，必須從源頭上協助公安機關對客戶業務的ICP服務開放進行管理，否則可能引發網絡安全問題。

針對現狀，著眼于滿足迫切的現實需求，立項開發本項目，引入人工智能和運維IT 等多項創新技術，著力實現數據網絡業務稽核和監控工作的智能化，提升工作效率，提升網絡質量維護能力，提升網絡安全保障和響應能力，改善客戶感知，保障公司收入，提升公司業務口碑，助力市場營銷。

2 項目目標

為了實現“轉型增效”目標，結合運維工作的實際情況，提出強力支撐網業一致性的創新需求，形成業務與網絡互幫互贏的局面。基于這個目標，決定開發出基于AI人工智能的網絡業務一致性稽核保障系統。

2.1 保障網絡資源臺帳的準確性和可用性

傳統的臺賬管理模式各成體系、互無關聯，業務部門和網絡部門根據部門特點構建的數據不同步，查詢信息需要手動切換若干個表的復雜情況，甚至因為信息不對等影響業務的發展，降低了客戶的滿意度。為了改善這一情況，應當對臺賬進行信息化的統一管理，結合IT 技術，在信息化系統上實現臺賬一鍵導入，一鍵下載以及一鍵查詢的功能，成功打造數據在網業保持一致性的局面，起到快速而精確地響應信息查詢的作用，減少了易發的后臺人工錯誤和資源傾斜的低效投入。

2.2 人工智能和DevOps 相結合的智慧化稽核手段

傳統的業務稽核手段，需要維護人員按網絡層級逐個登錄設備，同時打開臺帳表格，進行網絡設備配置與業務臺賬的人工比對。不同的客戶有不同的接入設備和網絡結構，目前在網DIA 客戶業務高達數千條，在稽核過程中，大量的重復操作帶來的是效率低下，容易出錯，且時效性無法保證。若能實現全自動、智慧化、且具備自主學習能力的人工智能業務稽核，全量稽核和實時稽核都能做到準確無誤，快速響應，實現運維工作的效率提速，運維對業務線的保障能力進一步提升[1]。

2.3 網業一致性實時監控

傳統的運維工作流程中，雖然有24 h 監控人員，但網業一致性這樣關乎公司收入的重要項目卻難以落地在監控工作中。因此，本項目也把提供效果優秀、具有高度可讀性的網業一致性監控能力作為重要的項目目標；同時為網管監控人員提供針對指定客戶的網業一致性實時稽核接口，提升業務報障的響應速度。

3 項目實施方案

3.1 網絡業務自動稽核算法

整個算法由兩部分組成：訓練算法和稽核階段。

（1）訓練算法：深度學習模塊根據通過現有的人工確認無誤的網絡業務臺帳生成訓練集對業務關鍵參數進行訓練，形成能夠識別業務配置中各類稽核所需參數的模型。

（2）稽核階段：業務稽核模塊根據已經學習好的參數模型對新增業務進行稽核，審核業務配置中存在的各類參數，標識出差異并且得出結論。業務自動審核算法流程如圖1 所示。

從現有業務臺賬中選取不同類別的業務，構成業務集，組織多位專業人員對業務集進行審核，主要對業務VLAN 配置、IP 配置、限速配置、80 端口配置進行標注，并將設備上相關配置記錄形成信息集，分成訓練集和測試集，利用相關技術對標注信息進行預處理，構成一個完整的業務ING；然后調用Skip-gram 實現詞向量表示分析，再將深度學習方法和Softmax 回歸設計落實到項目中，把業務分析模型進行進一步分析和歸類，一步步完善后，最終使用測試集來測試模型，并根據測試結果對模型進行優化，當模型效果達到預期時，則可以發布并進行使用。

當系統接收到新的稽核請求，獲取到前端傳送過來的業務明細后，則開始自動稽核，對業務的設備配置進行標注，實現業務的自動稽核[2]。

3.2 基于深度學習的語句表示及分類

通常使用向量空間模型對語句進行表示。為實現對語句的表示，實現業務的自動稽核，本文首先利用Word2vector 中的Skip-gram 模型訓練得到詞向量，再利用RNN 中的長短記憶模型（LSTM）對輸入進行逐級抽象表示，得到語句的高層次抽象表示，其原理如圖2 所示。

將經過深度學習網絡獲取的語句高層次抽象表示輸入到基于Softmax 的多類分類器中，最終獲取對當前語句是哪種業務類型以及是否存在相關稽核差異進行標注，完成業務的自動稽核，負責稽核的同事可根據標注信息實現對業務稽核的評價。

圖1 業務自動審核算法框架

圖2 基于深度學習的業務語句表示及稽核模型

3.3 DevOps 實現采集設備數據

應用系統的開發和運維對于基礎設施和中間件的選擇都存在大量不同的可選方案。隨著數據業務的興起和發展，豐富的設備種類及其配置命令以非結構化和半結構化數據的形式分散在廣州城域網上，具有不同的數據結構。DevOps 作為一種新興范型能夠實現開發和IT 運維之間的高度協同，從而在完成高頻率部署的同時，提高生產環境的可靠性、穩定性、彈性和安全性。非結構化數據的自動發現和獲取較為困難，而諸多設備的配置命令存在特異性的問題，因此在本項目中，對非結構化數據進行整理、評價、抽取的方案是人工操作。DevOps 能夠以多個分布式存儲的方式組織和管理不同層面的資源，如圖3 所示。

圖3 DevOps 對于不同結構數據的處理

4 結論

本研究旨在提升網絡維護智能化水平，提升網業一致性保障能力，提升網絡業務監控能力，科學規范地管理業務臺賬，及時準確地查找工作中所需的相關信息。本研究成功后，將實現專線業務精確定位，網絡資源一致性精確核查，全量業務定時稽核，稽核結果實時輸出，輸出結果動態展示的全套管控效果，提升網業一致性的實時監控、及時反饋能力，保障了公司收入。