5G網絡智能運維AI應用研究

周 晶，王德政，洪 科（中興通訊股份有限公司，江蘇南京 210012）

1 概述

2020年3月工信部發布《關于推動5G加快發展的通知》，國家確定了加快建設5G網絡、發展5G 用戶和5G 業務的方針。5G 網絡的建設也是新基建重要組成部分。AI 人工智能技術這幾年得到大力發展，算法、應用、芯片等技術水平不斷提高，投資出現快速增長。

5G+AI已經成為數字化技術的關鍵環節。對于在5G 網絡中如何采用AI 人工智能技術，運營商和很多企業都在進行嘗試和探索，特別是在網絡智能化運維、效率提升、資源優化、自動化排障、性能預測等方面，以實現高效運營管理。

2 5G網絡運維的挑戰

2.1 5G網絡要求高

a）網絡要求高：5G網絡在流量密度、連接數密度、時延等方面的要求均發生質的變化，需滿足更寬的帶寬、更多的用戶容量、更快的上網速率、更高的頻譜效率等，未來通信網絡流量勢必爆炸式增長。5G 主要KPI提升要求如表1所示。

表1 5G主要KPI提升要求

b）業務多元化：5G 主要業務包括增強移動寬帶（eMBB）、海量機器類通信（mMTC）、超高可靠低時延通信（uRLLC）、車載通信技術（C-V2X）等，這些新業務使視頻、AR、VR、直播、萬物互聯、車聯網等業務需求日益增長。

c）業務類型更加多樣化、網絡要求及組成越發復雜，同時網絡基于開放架構、網絡功能虛擬化（NFV）、彈性、云化技術，軟件硬件解耦，系統要求更加靈活，網絡運維也變得更加困難。

2.2 網絡運維挑戰

5G 網絡業務類型的多樣化、網絡復雜性、NFV 的需求、云化的要求等等，會使運營成本不斷攀升。

邊緣云移動邊緣計算（MEC）和網絡切片的引入，使網絡也更加復雜，既有中心，也有邊緣；業務多樣化，用戶和業務還需要切片管理，使系統管理變得更加復雜。

5G 網絡時代，面對網絡的高質量要求、業務多樣化要求以及既有中心又有邊緣的復雜網絡，如何保障用戶服務等級協議（SLA）質量，如何使網絡資源分配更加合理、運維及定位問題更加高效，這些都是運營商面臨的全新挑戰。

而3G、4G 傳統的運維方式是以人工運維管理方式為主，存在對運維團隊的人員需求量大和專業要求高，故障問題定位困難，數據收集零散、核心網、承載及無線運維中心不統一等問題，缺乏端到端定位問題的手段。面對5G如此復雜的網絡和業務，如何能節約運維成本，如何使故障分析更加智能和快速、資源分配更加合理，這些都對運營商提出了更多的挑戰。

采用5G+AI 可以逐漸實現網絡智能化運維，幫助運營商實現高效運營管理。

3 AI智能平臺

3.1 AI智能平臺架構

AI 智能平臺可以提供網絡智能化應用。AI 智能平臺架構如圖1所示。

圖1 AI智能平臺架構

AI 智能平臺分為3 層：數據采集層、AI 算法框架層、應用層。

a）數據采集層：采用ETL（Extract-Transform-Load）、Loader、接口采集等采集各種數據，例如數據庫、文本、日志數據等，可以包含結構化數據以及非結構化數據。

b）AI 算法框架層：支持多種主流算法框架，例如深度學習框架Tensorflow、Caffe，機器學習框架如Sklearn、Spark MLlib，提供模型設計、可視化、AI 在線訓練、AI 離線訓練、輕量化推理、模型市場、模型管理等功能模塊，同時，可以將AI模型作為服務開放。

c）應用層：系統具有豐富的預測模型，可以為無線、有線、核心網等提供AI 服務，適用多種5G 網絡運維的場景，例如容量預測、指紋定位、流量預測、告警根因分析、視頻分析、KPI 預警、意圖網絡、切片智能等。

AI 智能平臺，實際是一個以大數據為中心的平臺，支持跨云邊端多形態部署、云邊端協同機制，采集網絡運行的各類數據，融合、匯聚、分析、預測，為5G網絡提供人工智能的服務。

3.2 功能模塊

3.2.1 AI智能平臺包含以下主要功能模塊

a）分析挖掘：該模塊采用機器學習、深度學習和強化學習技術，用戶通過可視化建模界面，實現包含數據采集、模型設計、模型訓練、模型管理、模型部署的功能。該模塊支持豐富的算法庫，例如Spark MLlib、Tensorflow、Sklearn或者自研算法。同時，在邊緣端資源受限的情況下，可以支持輕量化推理引擎。

b）數據管理：該模塊為系統提供整體的管理能力，包含大規模多集群管理、配置、安裝部署、升級、多版本控制、智能巡檢、智能排障、系統資源監控、日志管理等功能。同時系統支持從中心到邊緣的管理和部署。

c）計算存儲：系統支持分布式計算存儲，包含分布式存儲技術HDFS、HBase、Hive，支持分布式計算MR、Spark，實時流處理Storm、Flink、SparkStreaming，支持Solr、ES（Elasticsearch）搜索，以及交互式SQLSparkSQL。

d）安全管理：該模塊具有完整的安全管理框架，支持用戶權限管理，支持數據加密保護、數據隱私保護、支持靜態脫敏和動態脫敏，并且同時支持交互式、實時、離線數據的脫敏。系統具有完善的數據訪問安全能力，遵從通用數據保護條例（General Data Protection Regulation，GDPR）隱私數據的保護。

3.2.2 預測分析過程

5G 的運維中心支持云化，大數據中心成為云中心，收集網絡運維以及運營的各類數據，利用大數據進行AI預測分析，為網絡運行提供完善的服務。大數據中心支持海量數據的采集、海量數據的分布式存儲、異構數據的融合管理、超大規模的集群管理能力、跨云邊端多形態部署的能力。利用大數據AI 預測分析如圖2所示。

圖2 利用大數據AI預測分析

3.3 關鍵技術

3.3.1 超大集群管理技術

智能平臺采用AI及大數據技術，支持超大規模集群能力和管理能力，支持6 000+超大規模集群管理的能力，系統支持分布式、彈性部署，支持云化K8S（Kubernetes）或物理機部署，部署靈活、方便。系統提供高性能、高可靠的大數據集群，支持高IO、高負荷、大數據量的大型集群，并支持集群快速部署/刪除/伸縮等特性。智能平臺支持云邊協同部署能力，支持邊緣節點的輕量化部署。系統支持資源配置、監控、管理，可以監控任務和租戶的資源使用，提供完善的日志管理以及大數據智能巡檢、智能排障等能力。

3.3.2 云邊協同技術

如圖3所示，智能平臺支持云邊協同技術，將中心云到邊緣云協同運作，中心云支持AI 算法中心、模型市場，邊緣云支持邊緣推理輕量化、服務開放等模塊，在中心云、大數據中心進行訓練，形成模型，發布到模型市場，邊緣端可以到中心云獲取輕量化模型引擎，為業務實現服務，完成從中心云到邊緣云的云邊協同。

圖3 云邊協同架構中應用AI

3.3.3 硬件加速技術

系統采用高性能硬件，支持GPU 硬件加速技術，采用較高的運算能力提升AI 訓練性能。平臺支持分布式多GPU 環境來并行執行任務，從而快速完成模型訓練、評估和優化等工作。系統具有資源自動優化方案，可以以數據并行、模型并行、混合并行等不同方式自動執行。

3.3.4 輕量化推理技術

智能平臺為支持網元的智能化，例如邊緣計算、基站、核心網網元等，提供了輕量化推理技術，設計了輕量化智能引擎（Lite Smart Engine，LSE），旨在為網絡設備提供輕量級智能引擎。LSE 采用微服務方式，包含計算推理模塊、共享存儲模塊和服務接口模塊，其中計算推理模塊為系統提供算法推理能力，共享存儲模塊用于存儲輕量化推理算法，服務接口模塊為業務層提供統一的接口服務。LSE 通過這3 個模塊的配合提供在線推理能力。LSE模塊如圖4所示。

圖4 LSE模塊

3.3.5 租戶及數據安全技術

系統支持租戶管理及數據安全保障技術，完善的用戶管理及數據訪問安全控制，保障用戶使用系統及數據的安全；同時系統支持大數據脫敏框架，采用分布式框架，遵從GDPR 隱私數據及數據脫敏標準，具有較低的性能開銷；系統提供數據開放服務能力。

4 智能平臺的5G運維應用場景

在5G 網絡的設計研發及實驗中，應用AI 技術提升5G 智能運維的能力，例如在全域故障定位、資源智能調度、邊緣智能等方面均做了一些嘗試。下面分別就這些場景進行描述。

4.1 全域故障定位

a）全域故障定位將系統中多種類型的數據進行采集，例如收集配置、告警、日志、性能KPI、系統資源、用戶感知異常、投訴、歷史運行等各類信息。

b）統一的全域故障定位系統同時兼具預測模塊、智能分析模塊以及智能巡檢模塊：其中預測模塊提供系統容量超限、資源不足、節假日峰值等的預測，系統提供豐富的預測模型；智能分析模塊可以對網絡故障進行分析，例如告警溯源分析、網絡故障根因分析、關聯分析；智能巡檢模塊支持一鍵式巡檢方式，系統可以通過運維人員運行一鍵收集功能，獲取系統設備實時運行狀態，提升運維效率。

c）基于AI進行智能故障診斷：系統通過采集數據并進行大數據分析和AI分析完成故障診斷和定位，實現運維智能化。

d）全域故障定位可以融合無線、承載、核心網通信系統中的多種數據，采用分域及全域協同能力，進行告警壓減、根因分析，并支持需要全域協同定位的情況，根據系統的告警、日志、資源等的協同分析，來精準定位故障的原因，實現網絡智能化。

AI在全域故障定位中的應用如圖5所示。

圖5 AI在全域故障定位中的應用

4.2 資源智能調度

5G 的網絡中基站更加密集，同時在網絡邊緣也會設置較多的邊緣節點MEC。無線資源以及MEC 之間存在資源共享調度的需求，這些情況下，可以考慮資源的智能調度。將資源的規劃、調度和流量監測以及實際業務歷史的模型相互配合，實現動態調整資源、合理共享資源、管理策略優化。AI 在資源智能調度中的應用如圖6所示。

圖6 資源智能調度中應用AI

4.3 邊緣智能

在邊緣側引入人工智能，實現MEC 的智能應用。智能MEC 邊緣云不需要到中心云去處理，而是在邊緣云近用戶端/基站的位置，進行業務處理，這樣可以更有效地減少業務時延、提升實時性響應，特別是在近用戶端進行人工智能的賦能，例如邊緣側的視頻分析、人臉識別、安防、智慧調度等業務，還有工業流水線產品的質量檢測、遠程醫療中的增強現實（Augmented Reality，AR）、虛擬現實技術（Virtual Reality，VR）、車聯網等智能化應用，勢必會推進5G 行業的應用。

MEC 邊緣端支持輕量化AI 引擎，以適應MEC 邊緣端資源受限的環境。輕量化AI 引擎也是輕量化推理引擎，為業務提供基于微服務的推理能力。

4.4 其他場景

a）網絡數據分析功能（Network Data Analytics Function，NWDAF）融合AI 技術。NWDAF 是5G 核心網智能架構新增加的功能，采集網絡功能、OAM 和應用層的數據，利用人工智能技術進行分析。例如從接入和AMF（移動管理功能）、SMF（會話管理功能）等采集運行數據、性能數據、負載數據等，利用AI+大數據進行分析預測，再將算法模型應用到5G網絡中。

b）切片智能。在5G網絡切片系統中引入AI分析系統，該系統以租戶需求數據、網絡切片運行數據等為數據源，通過智能分析算法計算得出能夠匹配租戶業務需求的網絡能力，進而動態調整網絡切片的服務能力。在切片智能系統中，通過NWDAF 和AI，獲取網絡切片的體驗評估，進行AI 分析之后，再進行網絡切片的資源配置優化等能力。

NWDAF、切片智能相關的標準仍在討論之中，也會隨著5G網絡的建設得以實踐、完善和應用。

5 結束語

隨著5G 網絡的發展，在網絡智能運維中應用AI和大數據技術越來越成為可能。AI 智能平臺以大數據云中心為基礎，采集海量數據，并且具有超大規模的集群管理能力以及跨云邊端多形態部署、云邊協同技術、硬件加速技術、輕量化智能引擎、租戶及數據安全技術的能力，在5G網絡建設中為多種場景提供支撐服務，例如全域故障定位、資源智能調度、邊緣智能、NWDAF、切片智能等多種場景。所以，在5G 時代，AI智能平臺勢必為5G的建設提供智能運維的支撐，幫助運營商和用戶實現更大的價值。