知識定義的意圖網絡自治

王敬宇，周鋮，張蕾，劉聰，莊子睿，楊紅偉，陳丹陽，朱艷宏，陸璐，廖建新

（1. 北京郵電大學網絡與交換技術國家重點實驗室，北京100876；2. 中國移動通信有限公司研究院，北京100053；3. 中國聯合網絡通信集團有限公司，北京 100033）

1 引言

隨著移動通信逐步邁入5G時代，當前的電信網絡運行管理模式已經不足以支撐不斷增長的網絡演進、業務發展和用戶體驗的要求。5G網絡具備高體系性、高復雜性、超大規模、高可靠性、高動態性的特點，運維成本居高不下。網絡的功能維度和節點數目的顯著增加，使得人腦幾乎不可能理解現有網絡架構，并迅速找到最佳解決方案。運營商迫切需要基于AI打造智能化的網絡管道，以快速識別新業務，全面洞察用戶行為，并根據不同業務類型和用戶體驗需求實現網絡精細化運營。將AI技術與通信網絡的硬件、軟件、系統、流程等深度融合，把AI的解決目標和承載方式都設在網絡內部，利用AI技術助力通信網絡運營流程智能化，實現提質、增效、降本，使能業務敏捷創新，構建一個高度智能的自動化網絡，并逐步向自治網絡演進。網絡自治將成為5G-Advanced和6G時代移動通信網絡的核心要素。

2 智能網絡研究現狀

近年來，有關智能網絡的研究和討論在工業界和學術界都非常火熱，內生智能已經成為6G網絡研究共識。AI+Network的融合發展將給通信網絡注入新的技術活力，開啟前所未有的可能性，ETSI、3GPP、ITU-T、TMF、GSMA和國內CCSA等標準化組織紛紛展開智能網絡前期的標準研究工作。其中，智能化的一個關鍵愿景就是——實現網絡自治，但還需要整個行業形成對網絡自治的統一認識和理解，不斷明晰網絡自治的概念，共同豐富網絡自治案例。當前的案例還比較初級，且不成體系，并不具有可演進性。

此外，業界還提出了不少新網絡形態，如智簡網絡[1-2]、意圖網絡[2-4]、價值網絡[5-6]、算力網絡[7-8]和自動駕駛網絡[9]等，很多內核都依賴AI驅動。但如何引入AI，依然面臨巨大的技術難題和挑戰，由于場景的差異，機器視覺和自然語言處理領域的AI模型和算法難以直接應用到網絡當中，在泛化性、閉環端到端決策、可解釋性等方面依然存在技術瓶頸。當前用AI解決網絡問題的初步探索，更多是概念模型，少數實現案例僅在業務和運維等外在問題上，且承載大多在云端。如何網絡內生引入AI是個巨大的難點，需要AI核心算法的創新，并與工程實踐的優化集成，探索將人工代價轉換為知識，由知識驅動下一代網絡。學術界已經開始探索將人工代價轉換為知識，由知識驅動下一代網絡。最有代表性的是MIT的David Clark教授提出的網絡知識平面（knowledge plane）[10]，被公認是一個優秀的理論設想，但一直沒能實現系統設計和部署。因此，將知識平面有效嵌入并融合進現有網絡，預計會提升網絡自動化管控和運行的效率。

2.1 ETSI

ETSI十分重視AI技術在ICT領域的應用，于2020年6月發布“AI及其用于ETSI的未來方向”白皮書。2017年2月，ETSI成立業界首個網絡智能化規范組——體驗式網絡智能行業規范小組（experiential networked intelligence industry specification group，ENI ISG）[11]。ENI ISG定義了基于“感知?適應?決策執行”控制模型的認知網絡管理架構，利用AI和上下文感知策略，根據用戶需求、環境狀況和業務目標的變化來調整網絡服務；通過自動化的服務提供、運營和保障以及切片管理和資源編排優化來提升5G網絡性能。目前，該小組的輸出成果包括術語規范、概念驗證（PoC）框架、應用案例、智能網絡分級、意圖感知的自治網以及ENI架構等。

2.2 3GPP

3GPP SA WG5在2018年9月的第81次會上通過了“意圖驅動的移動網絡管理服務（IDMS_MN）”，在該項目的輸出TR28.812[12]中明確了意圖驅動的網絡管理服務的概念、自動化機制、應用場景以及描述意圖的機制等。在2020年6月召開的第131次會議上，3GPP SA WG5成立“自治網絡分級（autonomous network level，ANL）”標準項目[13]。該項目由中國移動作為獨立報告人牽頭，旨在3GPP框架內，基于網絡“規?建?維?優”四大類典型場景，規范自治網絡的工作流程、管理要求和分級方法，明確不同網絡自治能力標準對3GPP現有功能特性的增強技術要求，牽引網絡智能化相關標準工作。

2.3 ITU-T

ITU-T主要由SG13進行在未來網絡中實現機器學習的研究工作。ITU-T SG13于2017年11月成立了面向包括5G在內的未來網絡機器學習（ML5G）焦點組。該焦點組負責起草機器學習適用于未來網絡的技術報告和規范，包括網絡體系結構、接口、協議、算法、應用案例與數據格式等[14]。目前，ML5G第二階段工作已于2020年7月結束，后續的研究將在ITU-T SG13繼續推進。除了ITU-T SG13，在ITU-T SG15于2020年1月的全會上，Q12和Q14確定將“機器學習如何應用到傳送網”納入標準工作范圍，并希望能夠充分分析AI/ML在傳送網中的用途。

綜上，智能相關技術設計主體思路都是相對統一的，即利用人工智能/機器學習對數據進行建模分析形成知識，利用閉環控制對策略反復優化，最終目的是尋求對網絡管控的最優解，對網絡各層各級協調調度、智能管控。知識定義利用知識的先驗性，解決傳統AI技術中普遍存在的經驗儲備不足的短板，盡可能避免AI運算“從零開始”。最終能夠達到實現全網絡“去人化”“全程序化”的愿景。

3 意圖網絡自治研究現狀

3.1 意圖網絡

在各種新型網絡形態中，意圖驅動網絡（intent-driven network，IDN）或基于意圖網絡（intent-based network，IBN，本文簡稱意圖網絡）就是實現網絡自治的關鍵技術。它的思想最早來自軟件定義網絡基于意圖的北向接口，后來由Gartner于2017年正式提出[15]，得到業界的普遍關注，也就是“我希望網絡達到某一種情形”，網絡將自動轉譯并完成后續的操作。意圖網絡包含以下幾個關鍵步驟。

（1）獲取到用戶所提出的網絡需求，即意圖。例如，意圖“I want to connect A to B.”，用表示意圖并作為輸入發送到網絡；

（2）將接收到的意圖轉譯成網絡策略；

（3）根據當前網絡的狀態驗證策略的可執行性，將通過驗證的策略下發到實際網絡中；

（4）系統實時地監控網絡狀態，確保用戶意圖正確實現，并將結果反饋給用戶。

隨著意圖網絡的引入，網絡自治的發展目標逐步清晰，就是逐步實現網絡的自規劃、自適應、自優化、自管理、資源按需服務，最終達成“網隨意動”。其中，如何有效獲取用戶意圖是關鍵難點，目前出現一些基于DSL（domain-specific languages）設計的意圖表示語言，如阿里的LAI和華為的NEMO，都是通過一些關鍵字原語和表達語句來描述用戶對網絡的需求。如提供了scope、modify、check 等幾種原語描述用戶的意圖需求。對于添加一條“A可以連通B”的意圖，便可以使用“scope A*,B* allow A*,B* control A→B check fix”來描述該意圖。非常類似網絡領域的SQL語句，可以給網絡控制器發送命令，進行對應的配置。優點是可以在特定的環境下描述用戶意圖，得到的配置策略具有很高的準確性。缺點也很突出，并不是用戶的自然語言表達，抽象級別仍然較低，需要向NLP方向演進。同時，如何生成滿足該需求的網絡策略，還缺乏必要的智能性。這也是實現網絡自治，而不只是人治的關鍵。

3.2 網絡自治

隨著網絡規模的擴展及信息交換的復雜化，維持這種網絡的動態性需要可靠的運維機制。5G-Advanced網絡演進與AI能力的引入，可以提高網絡的感知和決策閉環能力。電信網絡運維經驗與專家知識的數字化，為網絡從人工運維向自治運維提供了技術底座。在網絡自動化閉環過程中，需要將人工經驗與知識轉化為機器可理解的知識圖譜，從而在推理分析、意圖驅動和閉環決策中發揮重要作用。類似車輛自動駕駛，3GPP、TMF和GSMA都提出了網絡自治的分級標準，圖1中給出的是GSMA的智能自治網絡分級標準[16-17]。通信網絡的復雜性決定了智能自治網絡是無法一蹴而就的，應該循序漸進，分L0～L5這6個階段逐步推進。

圖1 GSMA智能自治網絡分級

目前，現網各種系統的智能化處于L1和L2級，ITU-T《IMT-2020及未來網絡智能評估框架》建議書給出的部分案例處于L2～L3的級別[17]。實現完全的智能自治網絡是一個長期目標，這個過程只能循序漸進，需要分步實現：從提供重復執行操作的替代方案，到執行網絡環境和網絡設備狀態的感知和監控，根據多種因素和策略作出決策，并有效感知最終用戶體驗，直到最后網絡能夠感知運營商和用戶的意圖、自我優化和演進。

因此，面向6G智能自治網絡，需要構建AI和大數據引擎，考慮不同網絡層次的特點，進行解耦設計、微模塊化實現、分層部署；同時聚焦高價值場景、按需引入AI能力、逐步推進，最終實現泛在的業務網絡智能化與全面的智能網絡自治。

4 知識定義的意圖網絡

4.1 設計思路

盡管軟件定義網絡為計算機通信網絡注入了新的活力，提供了更加靈活可用的網絡管理接口，提供了全局的網絡運行狀態視角，然而仍然沒有回答一個關鍵的問題：如何理解當前網絡的運行狀態，并將這一理解應用到網絡管理、優化和控制當中。21世紀初，Clark等[10]提出“知識平面”的概念來減少網絡管理中配置、診斷和設計的成本，知識平面應當能夠應對從基礎網絡本身所收集到的不完整、不一致、誤導性的甚至惡意的數據；應當能夠協調網絡成員沖突或不一致的高層次目標；應當能夠應對網絡環境或短期或長期的變化。知識平面提議借助人工智能技術，將“智能”根植在未來網絡的基因里。

近年，Mestres等人[18]又重新整理了這一概念，認為Clark的遠景可以被實現，并進一步提出“知識定義網絡”的概念。中國科學技術大學朱近康教授提出未來智能網絡中有三大核心[19]：智能管控的極其簡潔的網絡架構、知識+數據雙驅動的學習機制、全場景全業務動態聯合優化。團隊認為以上3點在未來網絡中缺一不可，同時提出未來智能網絡應該具備的三大能力：全場景管控、全知識學習、全透明優化。文獻[19]中強調，知識＋數據驅動學習是未來智能網絡的基礎，能夠實現網際間抑或網絡內的學習優化，并構成一個動態聯合優化體系，有助于實現未來網絡的智能自主管控。

鑒于軟件定義網絡的最新發展，在知識定義網絡中，知識平面可以進一步具體化，構建在控制平面和數據平面上層，將智能和推理集成到軟件定義網絡的決策過程之中。通過解耦的控制平面和數據平面，知識平面可以獲取全局的網絡狀態信息以及靈活的網絡控制能力，使用人工智能技術處理網絡數據生成知識，并利用這些知識管理網絡。作為長期愿景，知識平面可以學習網絡是如何運作的，并最終自動化地管理和控制網絡。知識定義網絡的發展歷程如圖2所示。

圖2 知識定義網絡的發展歷程

本文提出基于知識定義的意圖網絡，對網絡狀態進行遙測和感知，并結合人工智能與機器學習分析所提供的豐富的網絡知識對網絡意圖進行理解，最后借助軟件定義網絡的集中控制，實現網絡意圖的執行和方案部署。

· 轉發件和軟件定義網絡控制器→分析平臺：分析平臺的責任是獲取足夠多的信息全面地描述整個網絡。當數據層轉發數據包時，分析平臺實時地監控數據層；這樣，平臺就能夠獲得精準的數據流量信息。除此之外，平臺還會向軟件定義網絡控制器查詢控制層和數據層的狀態。為了高效地學習網絡的行為并且更全面地了解網絡，收集網絡不同狀態、不同環境下的信息是十分重要的。因此，分析平臺會存儲所有的歷史數據。

· 分析平臺→機器學習：機器學習算法可以從知識定義網絡的網絡行為中學習知識。當前和歷史信息用來給算法提供數據集，最終會生成網絡的抽象模型。機器學習的方式有3種：監督學習、非監督學習、強化學習。

· 機器學習→北向控制器接口：知識層的存在緩解分析平臺收集的遙測數據與控制具體操作過程之間的差距。傳統上，網絡運營商必須從網絡測量中收集的指標進行研究，并決定如何對網絡采取行動。在知識定義網絡中，這個過程中的一部分負擔分給了知識層。知識層的優勢是可以利用機器學習自動為運營商管理網絡提出建議。

· 北向控制器接口→軟件定義網絡控制器：北向控制器API提供一個通用的“網絡意圖”接口，供基于軟件的網絡應用和決策者控制網絡元素。網絡的使用者通過API表達“網絡意圖”，即其對網絡的需求。結合分析平臺提供的網絡狀態與網絡知識，使用者的意圖會被知識層進一步轉化為具體的控制指令。軟件定義網絡控制器提供的API可以是傳統的命令式語言，也可以是聲明式語言，知識層可以通過訓練獲得處理命令式語言或是聲明式語言的能力。

· 軟件定義網絡控制器→轉發件：控制命令通過控制器的南向協議被下發到轉發設備，這樣數據層就可以使用知識層產生的決策運行。

4.2 知識生成

“知識驅動”可以理解為對傳統“數據驅動”的升級，知識由數據生成，知識屬于一般性數據驅動的高級狀態，并具有一定通用性。以全局視角代替具體案例的局部視角，以全局視角打通多個網絡管控問題域，將按需服務的相關網絡規律、機理、策略凝練為知識，構建全域資源調配的知識空間。引入外部先驗知識來提升單純數據驅動無法滿足的效果，機器學習的神經網絡模型也是知識的一種載體。如圖3所示，網絡知識包含4種形式：歷史記載、客觀現狀、主觀體驗和動作反饋。

圖3 網絡知識的4種形式

上述4種形式包含了人類所能總結的知識庫、常識庫，以及機器所能理解的知識。從網絡運維手冊、網絡設備手冊以及網絡配置文檔等資料中，以機器學習、自然語言處理等自動化的方式構建網絡管控知識圖譜。網絡管控知識圖譜是針對網絡管控的人類經驗知識的抽象，可以用于智能化管控策略的驗證與補充，提升網絡管控知識的可用性。區別于傳統數據驅動，網絡管控知識圖譜可以更好地解決策略生成的可解釋性和邏輯推理的問題，挖掘已經學習的知識點之間的深層關系，推理探索新的知識點。同時，為了適配網絡場景的多樣性，本文首次提出了特征共享、模型公用、策略互通，進一步提升了知識的通用性和普適性，并通過不斷學習，讓知識空間自我豐富。通過4方面的素材形成知識空間，通過機器學習、特征工程做知識凝練，把共享的特征輸入神經網絡，使模型可以共用，支持多種不同的任務，再進一步形成策略，作為最終結果為多種管控任務所用。

通過機器學習把數據凝練成知識，從數據中學習獲取有價值的知識（經驗策略、性能指標），抽象一些來總結，按照所解決的問題，知識分為三大類，分別是：是什么、為什么和怎么辦，如圖4所示。

圖4 對網絡知識的理解

從形態上來看，又可以分為直觀的知識形態，比如文字、圖片、規則等；以及非直觀的知識形態，比如數據標注、邏輯關系、因果關系、算法、函數關系等。具體到通信網絡中的知識，則涵蓋了：節點、鏈路、流量性質的分類與估計；模型的推理與解釋；決策的優化、搜索與執行。其中分類和估計是現有工作比較充分的研究點。而后面兩項依然是待解決的難點問題。

網絡知識表達的一種重要的形式，是結構化的語義知識圖譜，以符號形式描述物理世界中的概念及其相互關系。通過自動化和半自動化方式，可以形成實體間關聯性的形式化表達，用于描述物理世界中的概念及其相互關系。其基本組成單位是“實體?關系?實體”三元組，以及“實體?屬性?值”對，實體間通過關系相互關聯，構成網狀的知識結構，方便用來做智能運維、智能決策、網絡自動駕駛等。

同時，并不限制知識的具體形式，機器學習的模型也可以作為承載知識的載體，通過機器學習生成模型，定義網絡策略。雖然已有較多成果利用現有的AI算法如VAE、DRL等來直接解決網絡問題，但是其效果往往不是特別理想，并不是終極解決方案。面對更普適的網絡場景，只有打開神經網絡的黑盒，提出真正適合網絡特性的AI模型，才能進一步真正實現智能網絡自治。

知識定義網絡區別于其它網絡模式的最大特點是其可以利用對知識的分析使用使自己具有“智慧”。因此，確定知識的來龍去脈是尤為重要的。圖5為目前主流的知識定義網絡中知識的形成與運用過程。

圖5 知識的形成與運用過程

首先數據通過一定的規則被分類整理成有相關性的信息，這些信息可以按需被存儲在數據庫中，以方便調用。接著系統需要通過人工智能對信息進行學習理解產生模型化的知識，通常情況下系統會將知識也存儲在數據庫中，以便在未來的閉環控制中循環利用知識并提升系統效率。然后根據意圖和知識系統進行學習和推理，即通過了解用戶、服務等意圖匹配相關的知識模型，經過訓練學習之后找到滿足意圖的最優解。最后，網絡按照最優解進行調整，新的行為又會產生新的數據被系統回收，依次往復。

4.3 系統架構

知識定義的意圖網絡總體架構分為4個平面：用戶面、意圖面、控制面和數據面，如圖6所示。

圖6 知識定義的意圖網絡架構

用戶面通過用戶意圖識別的人網交互機制，實現6G網絡的隨心所想。不管是用戶輸入的意圖，還是網絡內部的修正、優化意圖，都會轉化為統一的網絡意圖表達模型。意圖轉譯采用語義匹配和實體挖掘模型相結合方式，利用深度學習方法處理時序長文本，根據預測的語義模版序列，再對長文本意圖的實體進行挖掘，其實體挖掘模型采用LSTM+Attention層。然后，用戶意圖需求和網絡狀態數據都接入“網絡知識決策平臺”進行智能決策，這也是網絡自治內部運行的核心。

知識定義作為意圖網絡的重要使能技術，將基礎網絡和神經網絡深度融合，構建自學習、自維護的智能網絡。經歷知識表征、網絡編排和策略生成流程，然后生成配置信息通過控制面，自動化下發給數據面。其中，知識表征需要處理當前網絡內外部流量狀態、全真網絡拓撲先驗知識、各級用戶意圖等多模態數據，進行感知識別甚至預測，形成支持多場景決策的形式化表達。引入更多的先驗知識，包括拓撲、專家規則、運維經驗等，其中數據格式可以包含知識圖譜，運維手冊，日志以及預訓練模型等，經過知識表征后，實現模型共享，使得各種網絡策略生成更加高效精準。此外，還特別加入了“策略驗證”和“意圖驗證”雙層保證，確保意圖表達的完整性、去模糊性，提供意圖保障、網絡數字孿生和故障自動化修復，突破網絡自治的最大瓶頸。

5 智能網絡自治的探索

團隊前期研發的智能運維產品已經在4G和5G現網和多個行業都實現了產業應用，匯集運維知識經驗和AI算法，圍繞日志分析、告警壓縮、異常檢測、根因定位等場景，提供超過20種AI原子能力，覆蓋網絡運維業務大部分流程和運維業務需求，如日志解析、故障發現、故障預測、告警聚合、故障定位等。然而，僅僅通過數據驅動的基礎機器學習算法，目前的識別準確率，對異常檢測任務還尚可，對根因分析等推理場景效果還不甚理想，距離自治網絡的要求還有很大距離，有必要引入外部知識來構建、更新和推理更復雜的外部網絡世界。

5.1 圖感知的深度學習的智能網絡決策算法

機器學習和人工智能技術在網絡領域中應用的首要問題是如何設計能夠有效理解輸入數據的神經網絡結構。在其他領域的經驗表明，一個與所解決問題高度適應的神經網絡結構將極大地提高神經網絡模型在該問題上的學習能力。團隊提出圖感知的深度學習的智能網絡決策算法[20]，將逐跳的路由決策問題建模成從已知網絡狀態到下一條最優路由的分類問題，并創新性地提出了使用圖感知的神經網絡層對輸入數據進行學習和特征抽取。基于輸入數據節點間的拓撲學連接關系，針對路由問題使用介數中心性篩選高度相關的鄰域節點，構建圖感知的鄰域卷積算子，通過該鄰域卷積操作實現對輸入拓撲結構信息的有效理解和學習。針對逐跳的路由決策，通過根據決策結果逐步修正輸入數據，使得輸入數據能夠包含一定的歷史決策信息，提升多跳決策結果的可用性。實驗表明，所提算法能夠實現更短的訓練時間，達到更高的決策準確度，并且達到更高的多跳決策準確度。

5.2 基于案例的智能方案學習與推斷算法

基于案例的推斷對已有的優化算法加以利用，實現快速的優化決策[21]。特別地，介紹了一個基于深度神經網絡的網絡狀態表征方法，能夠把高維的網絡狀態轉換成低維的特征向量，并根據此特征向量與案例庫中的已有案例進行比對，挑選最相似的案例進行重用。該系統優于現有的流量分割和流量工程路由方案，能夠以較高的執行速度完成策略推斷，并提供有競爭力的近優解。

對于變化和復雜的新興網絡，巨大的訓練成本阻止了在變化或差異的環境下快速收斂。利用生成對抗網絡來學習適用于不同網絡環境下基于深度強化學習的路由的域不變特征[22]，該機制利用了之前的案例模型，加速了訓練過程，并處理網絡狀態和拓撲的變化。在生產級軟件交換機和控制器中實現了該路由算法，同時通過多種拓撲和網絡狀態分布對其進行綜合評估，效果不僅優于現有的基于深度強化學習的路由框架，而且比樸素遷移學習算法具有更高的訓練效率。

5.3 高魯棒性網絡調度算法

通過使用批量馬爾可夫到達過程對網絡流量模式進行建模，證明具有高變化、突發性和隨機輸入的網絡路由問題可以建模為馬爾可夫決策過程，并且可以使用基于價值迭代的強化學習方法進行解決[23]。此外，深度強化學習模塊可以有效地學習和估計長期李雅普諾夫漂移以及懲罰函數，因此就隊列積壓量、端到端時延、信息使用年限和吞吐量而言，它提供了優秀的結果。所提算法在多種設置下均優于基線方法，并且收斂速度比現有方法快，在各種拓撲下均具有良好的性能，因此可以在一般情況下使用。所提出的基于區塊鏈的信息交換協議可以為路由框架提供可信賴的網絡統計信息。

此外，還解決了動態復雜的物聯網場景下的服務功能鏈映射問題[24]，將一些復雜的虛擬網絡功能分解成一組虛擬網絡功能單元和一個內部連接圖，在支持NFV的物聯網中構建虛擬網絡功能轉發圖。在此模型中，給出了服務功能鏈映射問題的環境狀態、動作空間和獎勵函數。此外，還利用DQL的經驗回放和目標網絡來提高該方案的收斂性能。

5.4 復雜圖網絡系統的異常檢測

理解了網絡拓撲后，提出將時間序列和圖空間特征結合的神經網絡檢測模型[25]，可以實現復雜圖網絡系統的異常檢測。為了解決網絡中節點設備異常檢測、智能運維、根因分析等問題，針對鏈路時延、網絡吞吐率、設備內存使用率等時序數據，提出了一種基于圖的門控卷積編解碼異常檢測模型。考慮網絡場景的實時性需求以及網絡拓撲連接關系對時序數據的影響，基于門控卷積對時序數據并行提取時間維度特征并通過圖卷積挖掘空間依賴關系。基于時空特征提取模塊組成的編碼器對原始輸入時序數據編碼后，卷積模塊組成的解碼器用于重構時序數據。原始數據和重構數據間的殘差進一步用于計算異常分數并檢測異常。不同于傳統的異常檢測針對單點的情況，加入了網絡拓撲中節點間的連接關系，對時序數據在不同時刻存在的異常波動進行檢測。經現網測試，準確率可以達到95%，也有較好的模型泛化能力。

研發出一種基于多階段機器學習的連續區間異常檢測模型[26]，該模型利用了異常區間的連續性對訓練集數據進行篩選，并對被檢出的真/假異常報告進行重新分類，有效地減少了異常誤報的數量。利用滑動窗口提取的多個特征組成的特征集被證明能夠較好地描述KPI時間序列的特征。

5.5 智能網絡自治的服務閉環流程

AI技術帶來的網絡智能化價值明顯，但網絡最終實現自治仍然面臨很多挑戰，實際業務中流程斷點很多，有必要打通各個流程斷點，提供服務自動化執行各種IT流程工作，實現真正的超自動化。海量網優數據中抽取隱含的關聯特征和規則，建立算法模型，優化參數調整策略，提高網絡資源利用率以及網絡容量。提供了網絡自動化管理、故障發現、智能選路（自愈）等功能。基于網絡指標異常檢測技術實現6G網絡的閉環控制。

從全局運行流程上來看，意圖網絡自治的基本理念是將資源分組，每組資源只實現一個簡單的功能，將網絡中服務的實現分拆成資源工作組的組合。不同層次間的交互通過意圖API實現，實現意圖的過程通過多層閉環完成，使網絡的實際狀態達到意圖所定義的預期狀態。如圖7所示，將需求拆分成每個資源運行組的集合（從右到左），從商業意圖（目標）到服務的集合，再到資源的集合，將資源可實現的功能累加成服務、業務的功能，最后滿足商業目的（從左到右）。

圖7 高階自主網絡架構解決方案

以路由故障為例，在網絡系統出現問題時，必然難以維持用戶意圖。通過知識加持AI技術進行網絡分析，快速準確發現故障點，反饋回控制器進行自決策，找到新恢復路由。自動化交接和自愈流程會保障故障路由流量被無縫地轉移到新路由上，不會影響用戶體驗。

網絡運行狀態具有高動態性，在使用知識定義方法解決網絡路由問題時，如果只使用預先離線訓練的方法將面臨諸多難點，如訓練數據的獲取、網絡運行狀態統計特性改變后的再訓練等問題。相比于傳統的業務保障機制，基于意圖的自治方案可以實現毫秒級信息上報，秒級故障定界定位。再結合控制器的多重保護機制，最終為客戶帶來故障發生零感知的用戶體驗。

6 結束語

人類社會、人工智能的發展和演進，發源于知識的傳播與傳承，而關鍵點在于設計可解釋、可傳授的知識表達和知識載體。同樣地，一個智能的網絡，不但要完成對自身狀態的理解和對自身性能的優化，更應當將這一系列知識傳播出去，如開環狀態下需要人類介入調控的時候恰到好處地提供信息、評估和方法；又或者閉環狀態下在不同網絡之間交流知識，共同發展，完成網絡的自我演進。

為了支撐知識定義的自治管控策略，需要構建知識空間，以邏輯集中化的AI平臺為智能引擎，為6G網絡管控平臺和網元賦予AI認知能力。基于這樣的架構，可以實現知識賦能網絡自治，并完成意圖從規劃到創建再到優化的全生命周期閉環維護，有朝一日實現無人值守的網絡自動駕駛。

知識定義的意圖網絡自治研究為智能網絡自治構想了一條路線，通過構建人工智能和大數據引擎，考慮不同網絡層次的特點，進行解耦設計、微模塊化實現、分層部署；同時聚焦高價值場景、按需引入AI能力、逐步推進，這必然是一個長期過程，此歷程需要匯聚產業合力，最終實現泛在的業務網絡智能化與全面的智能網絡自治。