浅谈人工智能在网络运维优化中的应用

浅谈人工智能在网络运维优化中的应用

引言

近年来，随着大数据、计算方法、运算存储能力的飞速发展，人工智能技术在历经60余年的沉浮之后迎来新的发展拐点，成为未来一个时期全球最重要的科学技术，为各类产业提供重要的技术支撑。当前人工智能技术在图像、语音、文本处理等领域已取得实质性的进展，人工智能颠覆性的革命成果为各行各业带来巨大变革，并快速、全面地渗透到人类活动的各个领域。

随着信息通信技术的快速发展，ICT产业融合逐步深入，网络进行重构转型，众多新技术在不断演进升级，现有的电信网络较之以往更为复杂化、异构化、动态化，电信业务也跟随时代的发展和用户的需求呈现多元化和个性化，这给网络运营带来更大的压力和挑战。将人工智能引入电信网络是网络智能化的一大趋势，这样可以有效提高网络运营效率、降低运营成本、提升业务质量。本文将对人工智能技术在电信网络运营过程重要环节——网络运维优化中的应用进行相关探讨。

1

人工智能在网络运维优化中的应用需求

着眼于通信行业，由于移动互联网、智能终端等技术的快速发展，数据呈现爆发式增长，电信运营商在大数据发展中扮演重要角色。运营商处理的海量数据涵盖了用户基本信息、通话数据、上网数据、网络运行数据等多方面，人工智能技术的引入提升了通信大数据的分析、挖掘速度和管理效率，使网络智能化变得更为现实，给网络运营成本、效率和管理带来新的突破方向。

2

人工智能在网络运维优化中的应用

人工智能技术有着自身独特的优势，能解决很多传统方法无法解决的难题。人工智能技术主要具备能力有：

a）超强的学习能力，能对大量的输入信息进行分析和学习，并通过不断的学习加强模型，掌握专家经验，提升解决问题的准确性。

b）良好的全面性，能处理和发掘人类工作不容易注意的问题和不确定的信息。

为了最大限度地降低网络运维成本，最大程度地提升网络优化工作效率，需利用人工智能技术的良好学习能力、分析处理能力、跨域协同能力和资源利用效率，发展网络智能化、自动化（见图1）。

▲ 图1人工智能在网络运维优化中的应用模式

2.1智能运维

2.2智能优化

网络优化的主要作用是保障网络的全覆盖及网络资源的合理分配，提升网络质量，保证用户体验，所以运营商在网络优化工作中投入了大量人力物力。网络优化涉及多个方面，如无线覆盖优化、干扰优化、容量优化、端到端优化等，传统网优工作一般依靠路测、系统统计数据分析、投诉信息等手段采集相关数据信息，再结合网优工程师的专家经验进行问题诊断和优化调整。在网络复杂化和业务多样化的趋势下，传统网优工作模式显得被动，处理问题片面化，难以保证优化质量，而且生产效率低，在网络动态变化的情况下难以保证实时性。采用人工智能技术可对网优大数据进行训练，并将大量的专家经验模型化，构建智能优化引擎，模拟专家思维驱动网络主动实时做出决策，进行主动式优化和调整，使网络处于最佳工作状态。

人工智能在网络运维优化中的应用需要有高质量的数据做基础，需要利用合适的人工智能算法在相关的方向或场景进行实践。高质量的数据要通过整合网络相关运行、测试和信息数据来获取，数据源包括路测数据、MR数据、性能数据、配置数据、工参数据、信令采集数据、告警数据、用户信息数据、投诉数据、互联网数据等等。根据不同应用场景需求和特征，选择并关联有效的数据源，结合运维网优工程师的优秀工作经验，匹配合适的人工智能算法设计特征工程、训练及建立模型。

3

人工智能在网络运维优化中的应用场景

利用人工智能技术时需考虑实际网络运维优化工作的生产流程和模式，根据应用场景需求选择合适的人工智能算法，对相关的数据进行清洗、标注、训练，建立可靠有效的系统模型，来实现人工智能在网络运维优化中的应用。下面给出几个应用场景示例进行参考。

3.1智能故障溯源

网络故障分析和溯源是运维的重点工作，网络发生故障的现象和原因有很多，会产生很多不同类型的告警信息，从告警中快速准确地判断故障信息是我们的目标和要求。在设计智能分析系统时，可考虑从海量告警信息中结合网络拓扑、网络配置、KPI、历史告警故障处理经验等信息提取共性特征，融合已有的历史处理故障经验对提取数据进行训练形成专家诊断规则库，对新产生的告警信息匹配规则进行诊断，给出故障原因和处理方法，在处理故障后结合网络运行状态对专家诊断规则库进行反馈优化，具体流程如图2所示。

▲图2基于人工智能的网络故障溯源流程

3.2无线覆盖智能优化

▲图3基于神经网络的无线覆盖智能优化系统模型

3.3业务流量预测优化

近年来移动互联网和智能终端的飞速发展带动了通信业务流量的激增，如何平衡网络业务负荷为用户带来良好的业务体验也是运营商关注的焦点。网络情况动态变化，用户业务需求随时间空间不断产生变化，需要从中挖掘特征，聚焦流量变化趋势，使网络在忙时能做到负荷平衡，保证用户体验，在闲时能智能关断部分基站设施，达到节能降本的效果。利用众多场景网络的多维度历史流量和网络质量数据，结合时间和场景特征基于人工智能技术进行数据分析挖掘，综合网络实际需求，进行流量预测，并使用负载均衡、动态资源调度、智能关断等策略，对网络流量进行优化调整。

4

人工智能在网络运维优化中应用面临的挑战

人工智能在网络中进行相关融合应用是大势所趋，但仍处于起步阶段，在网络中引入人工智能技术面临诸多挑战，需要在实际应用中边思考边解决。

首先人工智能的实际应用需要大量有效可靠的网络数据，网络数据在不同的网元或者系统生成，数据采集和汇聚需要硬件能力和系统架构的支撑和升级，多维数据源的处理关联需要考虑数据格式、异厂家融合等特性问题。网络数据标签化的手段也较少，有效数据获取成本较高，数据涵盖的场景和范围比较有限。

其次运维优化领域的知识专业性较强，在具体应用时需要明确业务逻辑，人工智能技术的学习特点具有黑盒特征，难以确定应用的需求和流程，可能会使最终应用的效果不明显。

再次人工智能对应用需求和目标存在概率性误差，由于获取的数据存在片面性，在特定数据下训练得到的AI模型和架构可能很难适用所有的需求场景，这对高标准的电信级服务是个巨大挑战，在实际落地应用之前，需持续迭代学习自我完善。

最后人工智能的应用还需要考虑人为的控制力如何介入，通信网络的运维优化生产需要安全稳定，AI应用的输出效果存在不确定性，而通信网络的运维优化要以安全稳定为前提，AI最终的定位是主导还是辅助还需要经过发展确定。

结语

人工智能已在很多领域展现了强大的作用和效果，虽然目前在通信领域进行融合应用还需要跨越很多障碍，但是在未来网络不断发展和人工智能技术逐步成熟的趋势下，人工智能技术的引入必将给网络运营带来全新的状态。研究人工智能技术在网络运维优化中的应用将助力网络向智能化转型，达到降本增效的目标。