SDN協同控制器的智能內生技術研究與實現

張樂，吳艷芹，張珂，毛東峰，姜松，胡華偉

SDN協同控制器的智能內生技術研究與實現

張樂1，吳艷芹1，張珂1，毛東峰2，姜松2，胡華偉3

（1. 中國電信股份有限公司研究院，北京 102209；2. 中國電信集團有限公司，北京 100045； 3. 中國電信股份有限公司福建分公司，福建 福州 350001）

面對業務多樣化、數據海量化、云網一體化等新需求新挑戰，云網運營的思路和方式都在發生著變革，SDN控制器作為新一代云網運營系統的核心能力，與人工智能技術深度融合，研究意圖解析、云網智能感知、保障、優化與自動執行的全流程閉環自治能力關鍵技術與應用實踐，形成SDN控制器的智能內生能力。首先，闡明了SDN控制器智能內生研發的背景與意義；其次，說明了智能內生的能力架構及核心能力分布，逐步形成全流程閉環的云網自治；最后，聚焦5G切片、SRv6新業務新技術的場景用例，進一步解析了在智能感知、自主保障、自動優化等方面的重點技術及應用效果。通過關鍵能力研發、實施驗證及技術標準化，SDN控制器智能內生技術逐步成熟，賦能云網智慧運營。

智能；自治；SDN控制器

1 引言

隨著云網融合一體化需求日益增加，云網一體化的網絡運營面臨數據海量、業務多樣、網絡復雜的現狀與挑戰。

· 數據海量有待挖掘：隨著網絡規模進一步擴大，具有一定通信、存儲和計算能力的智能終端和網元節點數目劇增，未來網絡運營向數據化轉型方向發展，傳統基于統計分析的數據處理方法效率低下，不能有效分析和挖掘業務、網絡及運維的數據價值。

· 業務多樣靈活編排：云網融合業務需求多樣、垂直行業對業務的按需配置、靈活編排需求旺盛，如何根據不同業務需求進行網絡資源管理與編排，提升網絡可重構性以實現對靈活、按需、高質量的業務支撐，依然是一個運營商的難題。

· 網絡復雜需要智控：為了充分賦能云網，進行敏捷組網部署和智能化、自動化運維，需要針對差異化網絡模型設計具有普適性的解決方案。由此對組網管理優化和故障處理速度提出了更高的要求。

軟件定義網絡（software?defined?network，SDN）已經在運營商中得到廣泛應用，利用SDN的簡單化、快速部署與維護、靈活擴展、開放智能等技術特性以應對這些挑戰。SDN控制器作為SDN的操作系統，不僅實現對海量業務、網絡、運維數據的采集控制、開通編排，還需要通過大數據與人工智能技術，實現業務可按需編排、業務和網絡狀態可動態感知與保障、網絡能力可調整優化的智能內生能力。

隨愿自治能力是SDN控制器智能內生的綜合體現，通過對SDN控制器智能內生能力架構的設計、關鍵引擎研發及應用，以客戶為中心，充分挖掘數據價值，構建面向跨域、跨廠商、跨專業的業務與網絡的智能運營能力，這也是運營商在云網隨愿自治領域的積極探索與實踐。

2 SDN協同控制器的智能內生能力架構

智能內生在SDN控制器功能架構中位置如圖1所示，智能內生功能縱向貫穿SDN控制器各能力層，引入AI模型管理和沙箱訓練，AI融合智能運營，形成面向業務的感知分析、面向網絡的分析優化、面向流量的預測調優等核心智能引擎，成為SDN控制器的智能大腦。

SDN控制器智能內生能力架構由感知分析、動態保障、自適應優化3層功能、18個細分能力組成，SDN控制器智能內生功能視圖如圖2所示。

· 感知分析能力：云網融合業務端到端感知分析，實現業務意圖解析與感知評測。以5G切片專線業務為例，建立5G切片業務感知分析功能，對業務感知進行實時監測，針對感知質差形成優化策略。

· 動態保障能力：對用戶業務的服務等級協議（service level agreemet，SLA）保障情況進行監測，研發確定性SLA保障模型，實現業務質量劣化預警，建立由感知驅動的、面向云網業務SLA動態保障能力。

· 自適應優化能力：通過對云網感知質差進行定界定段、流量動態預測、網絡性能預測等功能，生成云網路徑優化、帶寬調整及網絡性能優化策略，在SDN控制器內部驅動端到端業務智能編排，云網自動化調整、優化、調度。

圖1 智能內生在SDN控制器功能架構中位置

圖2 SDN控制器智能內生功能視圖

3 SDN協同控制器智能內生關鍵技術應用

3.1 自感知：5G 切片感知分析能力

5G是SDN控制器應用的主戰場，為更好地滿足垂直行業多樣化、定制化、敏捷化的業務需求，構建5G切片感知分析模型，通過對5G切片業務感知智能監測、感知分析、質差快速定界、感知閉環優化等關鍵技術研發，實現SDN協同控制器智能感知能力。

3.1.1 切片業務感知分析關鍵技術

（1）切片業務感知評價

從業務場景、切片性能以及網絡質量3個維度對5G切片業務感知質量進行評價，其中業務場景層面從切片特定業務角度評價用戶感知質量，切片性能層面和網絡質量層面則從網絡角度評價給用戶提供的服務能力。

業務場景分析對5G切片主流業務，包括網頁瀏覽業務、視頻業務、即時通信業務、游戲業務的關鍵指標以及通用時延指標進行評價分析。各類業務場景的關鍵指標具體如下。

· 網頁瀏覽業務：頁面打開時延、頁面首屏時延、HTTP下載速率。

· 視頻業務：視頻下載速率、視頻卡頓頻率、速率碼率比。

· 即時通信業務：消息發送成功率。

· 游戲業務：TCP建立時延。

· 通用時延指標：上行往返時延（round-trip time，RTT）、下行RTT。

切片性能分析包括抖動、丟包、速率、時延。

網絡質量分析分別從網絡側和接入側評價網絡的服務能力，典型關鍵指標如下。

· 網絡側：傳輸控制協議（transmission control protocol，TCP）重傳率。

· 接入側：CQI（channel quality indicator）優良比、5G下切4G/3G比例、E-RAB（evolved radio access bearer）掉線率。

5G切片業務感知質量以感知優良率來衡量，計算式為：

（2）切片業務感知問題定界、定段、定位

結合5G切片業務特性，從服務提供商（service provider，SP）、核心網、IP化的無線電接入網（IP radio access network，IPRAN）、終端、無線網5個維度確定端到端感知質差環節，同時結合各專業網管性能告警、互聯網數據中心（internet data center，IDC）資源分布等多類數據，準確分析定位切片業務感知異常原因，5G切片業務感知質差定界定段流程如圖3所示。

3.1.2 應用實施

5G切片感知監測分析引擎采集切片業務、性能、告警、故障等類型數據，進行過濾清洗和結構化存儲，數據結構采用緩沖存儲器（Cache）層→操作型數據存儲（operational data stort，ODS）層→數據倉庫（data warehouse，DW）層→數據集市（data mart，DM）層架構，如圖4所示。數據采集模塊定時將數據采集至分布式采集庫，即按照一定的時間粒度（如秒），建立目錄并上傳到分布式文件系統中，以支持系統的實時或非實時采集場景的需求。在Cache層中，匯聚整合模塊讀取維度表（小區資源表、服務質量保障表等）、采集模塊采集的各系統數據，關聯匯總計算，生成的數據加載到ODS層，此處為小時顆粒度。ODS按照業務、城市等維度計算出各類感知指標，存儲至DW層。在DW層中，按照應用功能層的需求匯總計算出相應的指標存儲至DM層，最終在DM層向應用功能層提供數據服務，完成系統前端的展示。

3.1.3 應用成效

目前中國電信已完成基于4G移動互聯網業務感知監測分析、5G切片感知監測分析的SDN控制器智能內生能力建設，全國31省市均已在核心網側部署DPI探針采集業務數據，覆蓋全網400多個地市，日均處理數據量超800 TB。該系統監測分析能力覆蓋所有4G、5G用戶，業務類型涵蓋網頁瀏覽、視頻播放、即時通信、手機游戲等主流toB、toC應用。系統針對質差問題快速定界定段預定位，實現監控、派單、閉環全流程自動化，完成面向KQI、端到端、閉環的多專業融合網絡優化流程重構。系統基于大數據技術開展移動感知數據分析與運營，在無線資源規劃與精準投放、客戶服務支撐、精細化市場營銷等方面發揮了重要支撐作用。

圖3 5G切片業務感知質差定界定段流程

圖4 5G切片感知監測分析系統數據結構

3.2 自保障：SRv6業務質量智能評估

近幾年對業務流進行測量的隨流檢測被動測量方式成為熱點，這種帶內隨流檢測技術已經在設備層面得到實現，但基于隨流檢測結果的端到端業務故障定位尚未有成熟技術。通過研發基于隨流檢測的SRv6業務質量智能評估、客戶SLA智能評估、SRv6路徑擁塞智能評估等關鍵技術，解決因客戶業務流量激增，導致線路擁塞或中斷、SLA指標劣化的問題，實現SDN控制器針對SRv6業務的智能保障能力。

SRv6業務質量保障方案架構如圖5所示，針對客戶設備到客戶業務中心之間的線路數據進行采集，包括配置數據和性能數據，數據清洗后存儲到數據庫中，對配置了隨流檢測的VPN業務電路進行隨流檢測業務質量評估，對全網電路分別進行SLA性能指標評估和路徑擁塞分析。最后將分析結果輸出到SRv6路徑調整和優化模塊中，對問題路徑進行進一步調整和優化。

SRv6業務質量智能評估，是SDN控制器智能內生在智能保障方面的創新實踐，在實際應用中，主要包括以下幾方面的能力。

（1）基于隨流檢測的VPN業務質量智能評估

· 端到端業務質量智能評估：根據隨流檢測上報的性能數據和設備數據利用基于AI技術構建的端到端質量智能評估模型評估端到端業務質量，檢測業務狀態。

圖5 SRv6業務質量保障方案架構

· 分段質量評估：檢測到業務質差或故障時，進一步結合逐跳檢測數據和設備數據基于分段質量智能評估模型評估分段業務質量，檢測業務分段狀態。

· 質差問題定界定段：對于質量差或故障的段落，基于智能質差定位模型確定具體質差或故障發生的鏈路和端口，再確定定位質差或故障發生的區域，以便于確定業務質量優化執行責任區域。

（2）客戶SLA越限智能評估

客戶SLA性能指標主要包括時延、丟包率、帶寬利用率，利用AI技術構建路徑性能評估模型計算路徑端到端時延、丟包率和帶寬利用率，與客戶SLA指標值進行對比，結合時間、空間特征差異化判斷SLA是否越限，并根據客戶業務特征，動態調整觸發預警通知時間點，通知路徑調整優化模塊，以便進行路徑調整或優化。

（3）路徑擁塞智能評估

基于路徑的流量、性能、承載業務類型、時間等眾多指標建立了路徑擁塞智能檢測模型，可以智能挖掘路徑不同情況下的指標空間分布特征，針對不同分布的特征數據應用不同模型策略進行擁塞路徑檢測判定，并進一步結合關鍵指標評估路徑擁塞情況。最終根據客戶業務需求及時觸發路徑擁塞預警，通知路徑調整優化模塊，以便進行路徑調整或優化。

3.3 自優化：SRv6路徑智能調整與優化

目前，針對業務質量劣化或故障，SDN控制器研發動態流量預測與智能路徑調優能力，對路徑流量進行預測，生成相應的路徑動態帶寬調整策略，增強主動運維能力，實現業務智能敏捷提供。

中國電信提出并實施的SRv6的路徑調整與優化流程如圖6所示，基于動態流量區間預測，輸出路徑調整優化策略，針對流量擁塞預測，輸出最佳路徑評估策略，再進行帶寬調整和路徑計算，進一步下發到網絡設備層，觸發方案執行。

IP業務流是雙向的，需要分別對上下行流量區間進行預測，基于預測的流量區間進行帶寬調整，并應用到網絡運維系統。路徑調整方案主要包括以下技術創新與實踐。

· 特征全面性考慮。傳統的流量預測模型通常從時間序列模型出發，只考慮了流量特征以及時間特征。網絡流量影響因素包含多種，如帶寬、時延、丟包率等，同時包括用戶個性化使用的時空等多種特征，基于多種指標多特征進行模型訓練進而能有效提升預測結果的準確率。

圖6 SRV6的路徑調整與優化流程

· 模型融合研究應用。目前多數流量預測模型仍然使用單一模型進行訓練和實現，存在效率低、準確率不穩定等短板。模型編排過程中研究了多模型融合的方式，可根據具體場景和需求進行模型融合策略的制定和選取。

· 流量區間預測研究應用。歷史同期流量預測的偏差程度可以在一定程度上反映當前預測偏差程度，進而實現流量區間的預測。

· 動態帶寬調整策略的研究應用。根據歷史用戶需求及網絡流量特點，對基于流量區間預測的結果制定相應的動態帶寬調整策略進行了研究，如針對重點客戶保證帶寬高于流量區間的上限。執行過程中可以基于系統的反饋信息，對帶寬調整策略進行進一步優化調整。

路徑優化方案中最佳路徑評估策略提供了備選路徑的選取規則，對業務原始主路徑的業務質量進行跟蹤和狀態預測，若發生流量擁塞則需要對其中主要業務進行路徑更換，若發生中斷，則需要對路徑中承載的所有業務進行路徑更換。主要包括以下技術創新與實踐。

· 主路徑監測技術。主路徑業務質量實時監測功能和預測監測技術從中斷、擁塞兩個維度對路徑狀態進行預判，預測為中斷狀態的路徑，將當前承載的所有業務流量疊加到備選路徑中，預測為中擁塞狀態的路徑，將當前承載的主要業務流量疊加到備選路徑中，進行下一步備選路徑的評估和推薦。

· 備選路徑評估技術。預測所需疊加流量值，即原始主路徑的流量預測，疊加流量的過程中判斷備選路徑與原始主路徑傳輸的數據報文協議類型是否相同，類型不同的需要基于備選報文協議類型生成新的所疊加流量值，對疊加流量后的備選路徑性能進行預測，評估備選路徑質量。

· 備選路徑推薦技術。推薦路徑需滿足用戶的SLA要求以及個性化需求，基于備選路徑評估后的結果，按最短距離、最短時延等方案進行組合排序。在滿足用戶SLA要求前提下，根據客戶個性化需求推薦最佳備選路徑。

4 結束語

隨愿自治是SDN控制器智能內生的發展目標，當前在自治領域國際標準、國內標準已逐步建立和豐富自治分級、智能化運營管理系統設計、技術架構、場景用例等方面的標準布局。在電信管理論壇（Telecom Management Forum，TMF），由中國電信聯合多家國內外運營商和廠商完成AIOps系列標準；在ITU-T，由中國電信主導提出“基于AI增強的電信運維架構”（AITOM）；在歐洲電信標準化協會（European Telecommunications Standards Institute，ETSI），提出《基于意愿感知的網絡自治標準》。在中國通信標準化協會（China Communications Standards Association，CCSA），中國電信、中國移動、中國聯通、北京郵電大學等聯合推進“電信運營管理智能化系統參考架構”、《信息通信網運營管理智能化水平通用分級技術要求》標準項目立項。

隨愿自治首先要實現產業共識和有效實踐的分級指標和代際演進評估模型，運營商和產業合作伙伴根據網絡及其業務的智能化演進需求，從意圖解析、運營級自治和網絡級自治3個層面，逐步形成自感知、自保障、自優化全流程的閉環自治代際評估模型，指導和推進SDN控制器為核心的新一代云網運營系統的能力建設，識別短板，分階段演進，匯集產業力量，共同推進云網自治的發展。

未來，隨著SDN控制器與人工智能技術結合更加緊密、行業標準逐步成熟，SDN控制器智能內生將得到更快速更廣泛的應用部署，滿足復雜多樣業務需求、提升網絡自治水平。

[1] 孫建, 張梅琴, 張順頤, 等. 一種IP網絡下基于業務流QoS監測的故障定位方法: CN102404137A[P]. 2012.

SUN J, ZHANG M Q, ZHANG S Y, et al. A fault location method based on service flow QoS monitoring in IP network: CN102404137A[P]. 2012.

[2] LOPEZ-MARTIN M, CARRO B, SANCHEZ-ESGUEVILLAS A. Neural network architecture based on gradient boosting for IoT traffic prediction[J]. Future Generation Computer Systems, 2019, 100: 656-673.

[3] AIBIN M. Traffic prediction based on machine learning for elastic optical networks[J]. Optical Switching and Networking, 2018, 30: 33-39.

[4] 張迪, 黃琛燦, 肖冬. 一種流量預測方法和裝置: CN107171848B[P]. 2020.

ZHANG D, HUANG C C, XIAO D. A flow prediction method and device: CN107171848B[P]. 2020.

[5] 蔣文棟. 一種段路由策略的路徑選擇方法及裝置: CN112532518A[P]. 2021.

JIANG W D. A path selection method and device of segment routing strategy: CN112532518A[P]. 2021.

[6] 陳思光, 竇浩銘, 王堃, 等. 基于負載均衡與QoE度量值的SDN網絡路徑選擇方法: CN110290065B[P]. 2021.

CHEN S G, DOU H M, WANG K, et al. SDN network path selection method based on load balancing and QoE metric values: CN110290065B[P]. 2021.

[7] 河東晴子. 網絡路徑選擇方法以及通信系統: CN101588618[P]. 2009.

HEDONG Q Z. Network path selection method and communication system CN101588618 [P]. 2009.

[8] 李福亮, 范廣宇, 王興偉, 等. 基于意圖的網絡研究綜述[J]. 軟件學報, 2020, 31(8): 2574-2587.

LI F L, FAN G Y, WANG X W, et al. State-of-the-art survey of intent-based Networking Chinese full text[J]. Journal of Software, 2020, 31(8): 2574-2587.

[9] 張彤, 任奕璟, 閆實, 等. 人工智能驅動的6G網絡：智慧內生[J]. 電信科學, 2020, 36(9): 14-22.

ZHANG T, REN Y J, YAN S, et al. Artificial intelligence driven 6G networks: endogenous intelligence Chinese Full Text[J]. Telecommunications Science, 2020, 36(9): 14-22.

[10] 索士強, 王映民. 未來6G網絡內生智能的探討與分析[J]. 移動通信, 2020, 44(6): 126-130.

SUO S Q, WANG Y M. Discussion and analysis on the native intelligence for the future 6G Network Chinese full text[J]. Mobile Communications, 2020, 44(6): 126-130.

Research and implementation of intelligent endogenous technology for SDN cooperative controller

ZHANG Le1, WU Yanqin1, ZHANG Ke1, MAO Dongfeng2, JIANG Song2, HU Huawei3

1. Research Institute of China Telecom Co., Ltd., Beijing 102209, China 2. China Telecom Co., Ltd., Beijing 100045, China 3. Fujian Branch of China Telecom Co., Ltd., Fuzhou 350001, China

In the face of new demands and challenges such as business diversification, data quantification and cloud network integration, the ideas and methods of cloud network operation are changing. As the core capability of the new generation of cloud network operation system, SDN controller was deeply integrated with artificial intelligence technology. The key technologies and application practices of full-process closed-loop autonomy capability including intention analysis, cloud network intelligence perception, guarantee, optimization and automatic execution were studied to form intelligent endogenous capability of SDN controller. Firstly, the SDN controller intelligent endogenous development background and significance were clarified. And then, the ability of intelligent endogenous architecture and distribution of core competence were illustrated, which gradually form the whole process of the closed loop cloud network autonomy. Finally, focusing on 5G slice, SRv6 scene of new technology new business use cases, the intelligent perception, independent guarantee, automatic optimization of the key aspects of technology, and the effect of implementation and application were resolved. Through capability architecture design, key capability research and development, implementation verification and layout in standardization, the internal intelligence of SDN controller would gradually mature and enable smart operation of cloud network.

intelligent, autonomy, SDN controller

TP393

A

10.11959/j.issn.1000?0801.2021275

2021?10?20；

2021?12?10

張樂（1981? ），女，中國電信股份有限公司研究院高級工程師，主要研究方向為云網融合、網絡自治、智能化運營管理等。

吳艷芹（1978? ），女，中國電信股份有限公司研究院高級工程師，主要研究方向為信息通信網運營管理、客戶體驗質量管理、大數據及人工智能在信息通信網運營管理中的應用等。

張珂（1980? ），男，中國電信股份有限公司研究院高級工程師，主要研究方向為網絡智能運維、客戶體驗管理、5G切片管理、SDN編排控制等。

毛東峰（1973? ），男，博士，中國電信集團有限公司云網運營部（大數據和AI中心）副總經理，主要研究方向為網絡運行維護管理及云網融合。

姜松（1978? ），男，中國電信集團有限公司高級工程師、云網運營部（大數據和AI中心）應用運行處副處長，主要研究方向為網絡運行維護管理及云網融合。

胡華偉（1979? ），男，中國電信股份有限公司福建分公司高級工程師，主要研究方向為電信網絡智能運營及云網協同智能調度、機器學習在網絡告警判斷應用等。