4G/5G無線網(wǎng)絡智能運維應用探析

宋孫釋然

摘要：文章從事前預防、事中處理以及事后檢查三方面闡述無線網(wǎng)絡智能運維應用實踐思路，并提出以多AI模型為核心的4G/5G無線網(wǎng)絡智能運維系統(tǒng)設計方案，發(fā)揮多模型組合應用優(yōu)勢，滿足無線網(wǎng)絡智能化運維需求，旨在解決故障定位不準確、故障排查效率低以及投入成本過高等問題，助推未來網(wǎng)絡運維高效化、自動化以及智能化發(fā)展。

關(guān)鍵詞：4G/5G無線網(wǎng)絡；智能運維；系統(tǒng)設計

doi：10.3969/J.ISSN.1672-7274.2024.03.042

中圖分類號：TN 929.5? ? ? ? ? 文獻標志碼：B? ? ? ? ? ?文章編碼：1672-7274（2024）03-0-03

1? ?無線網(wǎng)絡智能運維應用實踐思路

1.1 無線網(wǎng)絡智能運維的重要性

現(xiàn)階段，4G與5G網(wǎng)絡正處于交替并存的狀態(tài)，推動著全新網(wǎng)絡形態(tài)發(fā)展，同時對網(wǎng)絡運維工作提出更高要求。人工與半自動相結(jié)合的網(wǎng)絡監(jiān)管運維模式在網(wǎng)絡運維工作實施不能滿足高效率網(wǎng)絡運維需求，并且存在網(wǎng)絡監(jiān)管手段單一、難以有效規(guī)避多種隱患問題發(fā)生以及故障定界定位難度大等情況，實現(xiàn)無線網(wǎng)絡智能化運維逐漸成為當前最為緊要的任務[1]。

5G時代的到來以及相關(guān)部署深入推進，為處于探索階段的無線網(wǎng)絡智能運維提供了良好條件，對移動網(wǎng)絡智能運維應用和推廣也起到了一定促進作用；基于無線網(wǎng)絡智能運維應用，構(gòu)建覆蓋范圍廣、響應速度快的無線網(wǎng)絡智能運維體系，解決無線網(wǎng)絡運維中基站退服率高、隱患問題發(fā)現(xiàn)不及時以及故障根因定位不準確等問題。

1.2 實踐思路

本文圍繞AI深度學習算法，以實現(xiàn)4G/5G無線網(wǎng)絡智能運維為切入點，利用基站退服告警、動環(huán)等數(shù)據(jù)信息，搭建多AI模型，如異常檢測模型、故障根因定位模型等，實現(xiàn)在多AI模型融合運用基礎上強化4G/5G無線網(wǎng)絡智能運維成效，構(gòu)建全流程無線網(wǎng)絡智能化運維路徑，全方位預防無線網(wǎng)絡潛在風險，增強4G/5G無線網(wǎng)絡運行穩(wěn)定性。通過融合AI技術(shù)，將智能診斷、智能預測方案深入應用到無線網(wǎng)絡運維流程中，通過智能故障診斷，快速提升排障效率；利用智能故障預測功能，主動發(fā)現(xiàn)網(wǎng)絡隱患并提前排障。加強無線智能運維應用，助力區(qū)域移動網(wǎng)絡運維智能化能力提升，實現(xiàn)網(wǎng)絡數(shù)字化、智能化轉(zhuǎn)型升級，向“零故障”的無線網(wǎng)絡邁進。

2? ?以多AI模型為核心的4G/5G無線網(wǎng)絡智能運維系統(tǒng)設計

2.1 系統(tǒng)架構(gòu)

由數(shù)據(jù)采集、算法模型、關(guān)鍵功能以及應用層構(gòu)成的以多AI模型為核心的4G/5G無線網(wǎng)絡智能運維系統(tǒng)架構(gòu)如圖1所示。

（1）數(shù)據(jù)采集：負責采集與預處理AI模型訓練以及模型應用所需各類數(shù)據(jù)，同時將無效數(shù)據(jù)進行剔除處理并將該部分缺失數(shù)據(jù)進行補充。其中，跨專業(yè)全量告警與全量工單、基站KPI數(shù)據(jù)等均是該系統(tǒng)數(shù)據(jù)采集層所包含的主要數(shù)據(jù)，并以移動網(wǎng)為載體，與集中故障系統(tǒng)、電子運維系統(tǒng)等進行數(shù)據(jù)對接，以保證數(shù)據(jù)采集全面性。

（2）算法模型：作為以多AI模型為核心的4G/5G無線網(wǎng)絡智能化運維過程中的關(guān)鍵要素，可以通過算法模型為相關(guān)人員高效開展運維工作提供配套服務，例如，利用智能運維AI庫幫助運維人員分析4G/5G無線網(wǎng)絡運行異常問題，并提供相應的解決建議，提高無線網(wǎng)絡運維精確性。在多模型融合支持下，彌補AI模型所存在的不足，如有針對性制定隱患排除提供參考依據(jù)[2]。

（3）核心功能：充分利用算法模型，結(jié)合4G/5G無線網(wǎng)絡運維智能化要求，設計以多AI模型為核心的無線網(wǎng)絡運維系統(tǒng)應用層，該應用層是實現(xiàn)基站退服預警、告警信息發(fā)布以及定位故障根因等功能的關(guān)鍵，實現(xiàn)4G/5G無線網(wǎng)絡運維各階段有效融合AI智能化技術(shù)，推動4G/5G無線網(wǎng)絡智能運維水平進一步提高。

（4）應用層：負責為智能運維系統(tǒng)各項功能實現(xiàn)可視化操作提供支持，運維人員可通過智能運維系統(tǒng)執(zhí)行高退服風險基站預警概覽、異常基站TOP清單查詢、智能運維應用效果評估展示等操作，增強4G/5G無線網(wǎng)絡運維工作開展便捷性、高效性。

2.2 系統(tǒng)功能設計

2.2.1 基站退服預警

在運用基站退服預測模型基礎上，分析基站退服前較常出現(xiàn)的隱患類型，選擇合適的算法學習隱患出現(xiàn)規(guī)律，既能精準預測基站退服情況，又能滿足未來一段時間內(nèi)基站退服概率提前預測需求，及時掌握存在高退服風險隱患的基站，并及時發(fā)布該項預警信息，以便運維人員能夠在第一時間準確地開展基站高退服風險排查工作。

優(yōu)化基站退服預警模塊中各項功能設計，如數(shù)據(jù)采集、基站退服預警信息發(fā)布等，目的是將上述各項功能與無線網(wǎng)絡運維系統(tǒng)進行聯(lián)動，再通過基站退服預測模型獲取未來退服問題可能出現(xiàn)的概率結(jié)果，在該過程中可利用該模型分析基站運行狀態(tài)下的告警數(shù)據(jù)，獲取基站未來退服風險概率，有針對性地提出相應措施，以有效預防基站退服。首先，在具體操作過程中，將高風險闕值提前預設，將未來時間段存在較高退服風險的基站點進行輸出[3]。其次，借助基站退服預測模型，完成告警上下文信息編碼處理，選擇合適的模型算法精準劃分基站退服預測。采用詞向量告警分析法，可以在分析過程中充分利用大量非退服告警退服基站的特征，彌補傳統(tǒng)分析方式所存在的基站退服告警數(shù)據(jù)缺失等不足。針對分類算法選擇，要綜合考慮大規(guī)模數(shù)據(jù)處理需求，確保所選擇的分類算法能夠在滿足基站退服預測要求基礎上，保證數(shù)據(jù)處理效率和準確性。最后，將基站退服預測模塊與無線網(wǎng)絡運維系統(tǒng)對接，通過該系統(tǒng)的接口完成基站退服預警信息穩(wěn)定發(fā)布，充分利用二者之間的高效互動性，做到提前預防故障隱患，并向集中代維護系統(tǒng)及對應App及時反饋模型輸出結(jié)果，從根本上保證基站退服風險預警信息能被一線運維人員快速接收。

2.2.2 基站智能巡檢

（1）因自編碼器具有無監(jiān)督學習特點，對樣本標簽不具備依賴性，能夠在運維過程中更好地處理異常數(shù)據(jù)樣本數(shù)量較少問題。基于此，在進行基站異常檢測時選用深度自編碼器模型，充分利用該模型較強的異常檢測性能，以滿足故障檢測、數(shù)據(jù)異常檢測等相關(guān)工作精準化開展需求，凸顯無線網(wǎng)絡智能化運維優(yōu)勢。

（2）基于多AI模型運用，實施4G/5G無線網(wǎng)絡智能化運維，發(fā)揮該模型優(yōu)勢，獲取相關(guān)數(shù)據(jù)，如告警級別、多天異常檢測連續(xù)性等數(shù)據(jù)信息，為基站原始異常度校正提供參考依據(jù)。在明確基站是否屬于重點運維業(yè)務范圍內(nèi)的基礎上，再依據(jù)基站巡檢優(yōu)先級，重新配置巡檢優(yōu)先級權(quán)重，目的是解決傳統(tǒng)無線網(wǎng)絡運維模式中所存在的巡檢計劃制定不合理等問題。同時可將基站異常度、潛在問題對應解決舉措等信息在最終輸出巡檢清單中顯示[4]。運維人員即可對照智能巡檢回單信息，對重要異常項是否消除、異常清單中多周連續(xù)出現(xiàn)的問題解決情況進行監(jiān)測，并及時向運維部門反饋，高效開展網(wǎng)絡運維工作，達到隱患問題專項整治目的。

2.2.3 智能定位基站故障根因

基于根因定界與定位模型在網(wǎng)絡運維流程中引入，可以幫助運維人員更加精準地定位基站故障根因，實現(xiàn)基站故障原因智能化分析；通過定位基站故障根因，為優(yōu)化故障派單策略提供參考依據(jù)，又能保證故障工單分類具有較強的時效性，充分體現(xiàn)無線網(wǎng)絡運維智能化水平。同時細分故障原因，為其制定針對性故障處置措施。科學指導現(xiàn)場運維人員高效開展故障排查工作。

為了實現(xiàn)基站故障根因智能化定位功能，需要明確與該項功能相關(guān)的各項要素，如模型部署、算法選擇以及模型標注樣本等，再結(jié)合與基站運維相關(guān)信息、動環(huán)告警以及工單等數(shù)據(jù)信息，構(gòu)建故障根因定位模型，以運維專家的根因標注為依據(jù)，再根據(jù)所掌握的大數(shù)據(jù)根因定界規(guī)則完成最終結(jié)果輸出。考慮實際需求，選擇合適的算法開展模型訓練，基站故障大類原因的分類結(jié)果、基站故障細分原因的分類結(jié)果分別是故障根因定界模型輸出信息與故障根因定位輸出信息，其中輸出信息主要涉及基站主要設備、傳輸設備故障、傳輸連接件問題等方面內(nèi)容。一線運維可以結(jié)合故障根因定位輸出中所顯示的細分原因，按照既定流程開展故障處理工作，這樣既能提升故障排查效率，又能保證故障處理效果，提升4G/5G無線網(wǎng)絡運行穩(wěn)定性。

此外，該功能模塊與集中故障系統(tǒng)對接，能夠滿足智能化分類故障清單的需求，解決多次派單等問題；同時與無線網(wǎng)絡代理運維系統(tǒng)聯(lián)動，精準定位故障所在位置以及故障原因確定，從而加快故障排查。

2.3 綜合評估智能運維應用效果

從模型準確率、相關(guān)業(yè)務指標等方面綜合評估4G/5G無線網(wǎng)絡智能運維應用效果，如實反映以多AI模型為核心的4G/5G無線網(wǎng)絡智能運維系統(tǒng)實際應用情況。評估流程具體涉及以下內(nèi)容。

（1）評估模型準確率。主要對基站退服預測準確率、基站異常檢測符合率以及故障根因定界與定位準確率進行評估。例如，針對模型準確率評估，需要將評估階段實際退服數(shù)量與預測退服數(shù)量的比值、異常基站巡檢清單中基站異常項和巡檢回單相符的基站數(shù)與規(guī)定數(shù)的比值、定界原因與故障工單回執(zhí)大類原因一致的數(shù)量與總故障工單數(shù)的比值作為評估指標，以保證模型準確率評估結(jié)果的準確性。

（2）評估業(yè)務指標。獲取并掌握與各項業(yè)務相關(guān)的數(shù)據(jù)信息，將其作為無線網(wǎng)絡智能運維業(yè)務的評估指標，如故障工單量、告警量等基本要素初步評估相關(guān)業(yè)務指標，同時結(jié)合實際應用情況，對現(xiàn)有業(yè)務評估指標進行調(diào)整，確保業(yè)務評估指標定義的全面性、準確性[5]。例如，在將告警量、故障工單量等相關(guān)數(shù)據(jù)作為業(yè)務評估指標使用時，可以通過智能巡檢基站對上述數(shù)據(jù)進行統(tǒng)一整合，對比分析巡檢前后告警量、故障工單量變化，若該部分指標下降情況明顯，則說明當前無線網(wǎng)絡具有較好的運行穩(wěn)定性。或者在對評估高頻故障工單處理耗時進行評估時，對照智能化模塊引入后的統(tǒng)計數(shù)據(jù)，確定每月高頻工單處理總耗時縮減情況以及縮減幅度。通常情況下，若想達到理想化高頻工單處理時長，可在無線網(wǎng)絡運維流程中合理引入退服預警及智能巡檢流程，實現(xiàn)對故障工單量有效控制，發(fā)揮根因定位功能作用，減少故障處理時間，進而達到大幅度降低高頻故障工單總耗時目的。

3? ?結(jié)束語

從以往網(wǎng)絡監(jiān)控與管理工作開展情況來看，由于此方面所運用的技術(shù)手段相對單一，導致故障定位不準確，降低了網(wǎng)絡運維工作效率，使?jié)撛陔[患無法及時發(fā)現(xiàn)與處置，影響網(wǎng)絡運行穩(wěn)定性。因此，本文提出以多種AI深度學習算法為依托的網(wǎng)絡智能運維模式，解決傳統(tǒng)人工與半自動相結(jié)合的網(wǎng)絡監(jiān)控及管理方式所存在的問題，進一步提高4G/5G無線網(wǎng)絡智能運維水平。

參考文獻

[1] 馬敏，劉武韜，吳曉曦．4G/5G無線網(wǎng)絡智能運維研究與應用[J]．電信工程技術(shù)與標準化，2022（8）：44-50.

[2] 李俊．應用于4G/5G小基站的無線網(wǎng)絡智能AI技術(shù)[J]．長江信息通信，2023（3）：215-217.

[3] 馬福榮．5G無線網(wǎng)絡的智能干擾管理技術(shù)分析[J]．通訊世界，2023（1）：136-138.

[4] 方東旭，周徐，薛曉宇．4G/5G極簡網(wǎng)絡智能運維體系研究和應用[J]．電信工程技術(shù)與標準化，2023（4）：30-34.

[5] 孫泉．5G無線網(wǎng)絡可視化運維實踐探究[J]．江蘇通信，2023（4）：28-30，34.