中國移動韓柳燕：AI技術助力傳送網實現智能化轉型

5月7日消息（九九）“人工智能是個筐，什么都能往里裝。”當前，依賴于一張靈活的通信網絡，人工智能應用已全面融入人們的生活。那么，如果將人工智能融入于通信網絡之中，又能擦出什么樣的火花呢？

在今日舉行的“當AI遇到光：智能光網絡線上研討會”上，中國移動研究院項目經理韓柳燕表示，AI技術在傳送網有豐富的應用場景，可助力傳送網實現智能化轉型，構建“檢查-診斷-治療”的閉環(huán)網絡健康保障方案，打造高品質健康自愈智能型網絡。

韓柳燕介紹，AI用于模擬、延伸和擴展人的智能，主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作，其三大關鍵要素是算力、數據和模型。現有傳送網控制器及設備已具備引入AI算力、數據搜集和搭建模型的能力，但AI應用于現網影響重大，實際應用前應經過長期的驗證，分階段推進。

AI技術在傳送網管控層應用

“在傳送網管控層引入AI主要傾向于實現網絡端到端規(guī)劃建設和運維管理的智能化，避免過于依賴人工分析和處理，耗時耗力。”韓柳燕指出，在規(guī)劃建設階段引入AI，可以在業(yè)務部署、軟調測試和配置巡檢等環(huán)節(jié)發(fā)揮積極作用；在運維管理過程中引入AI，可以將故障定界轉化為故障預判，以及進行根因分析。

管控層應用場景之一是智能規(guī)劃。傳送網網絡節(jié)點多，在業(yè)務規(guī)劃階段配置工作量巨大。例如中國移動擁有超200萬端PTN設備、超20萬端SPN設備以及超50萬端OTN設備，這些設備在上網運行前都必須進行各個層面的配置，包括業(yè)務隧道標簽規(guī)劃、全網業(yè)務和設備IP地址規(guī)劃、業(yè)務端到端主備路徑規(guī)劃等。引入AI可以采集現網部署規(guī)劃的大數據，依據AI算法訓練各參數的規(guī)劃特征模型，輸入業(yè)務部署需求，通過參數模型做智能規(guī)劃建議。

管控層應用場景之二是異常配置自識別。面對海量的設備和配置，人工操作難免出現錯誤，且部分異常配置僅在特定場景下才可能暴露出來，很難排查。引入AI可以獲取全網配置，智能學習設備角色，生成不同角色的全網配置模板，從而進行配置異常自識別，將排障周期從數周數月降低至數天。

管控層應用場景之三是網絡隱患預測。因為感知手段有限，網絡運維依賴于告警，但部分故障偶發(fā)或需要一定的觸發(fā)條件，可能無告警，導致隱患無法及時發(fā)現。通過引入AI，可以搜集現網健康狀態(tài)下的數據，訓練構建模型，形成各參數的全網模板，通過比對模板，發(fā)現鏈路等性能的劣化（未達閾值），在觸發(fā)告警之前預測出網絡隱患。問題處理從被動處理的小時級變?yōu)橹鲃犹幚淼姆昼娂墶?/p>

管控層應用場景之四是網絡資源預測。面對龐大的網絡，依靠人工核查全網端到端帶寬使用率等資源工作量大、周期長，無法及時暴露資源不足的問題，導致故障無法提前識別。引入AI可以基于歷史數據進行智能在線訓練，形成各資源較科學的閾值，基于Telemetry進行各類資源數據的實時采集，輸出各類資源耗盡預測曲線或N天后耗盡提醒，主動識別潛在風險。

管控層應用場景之五是故障根因分析。故障數據分散且異常之多，海量的告警導致故障排查工作量大，且無法精準處理重要告警，很難快速定位根因。通過AI可以實現對海量告警的關聯、根因分析，快速定位故障點，從人工關聯告警定界定位的小時級處理變?yōu)樽詣雨P聯告警定界定位的秒級處理。

AI技術在傳送網設備層應用

韓柳燕進一步介紹，在傳送網設備層引入AI主要傾向于實現設備隱患預測、設備資源預測及設備資源優(yōu)化。以SPN設備系統(tǒng)架構為例，設備功能模塊較多，各功能的實現依賴單板、光模塊、芯片、內存等物理單元協同，物理單元的使用情況和狀態(tài)影響各功能的正常實現。

設備層AI應用場景之一是設備隱患預測。如何在設備的各個模塊老化初期迅速更換是很重要的應用，例如光模塊性能劣化，出現少量丟包或誤碼，但尚未達到觸發(fā)告警的閾值，此時通過AI技術充分分析現網設備的運行狀態(tài)數據，能夠及時挖掘設備內部隱患，避免設備真正出現故障。

設備層AI應用場景之二是設備資源預測和故障定位。依靠人工來核查各設備容量、內存使用情況、端口使用率等資源工作量大、周期長，例如某局點設備主控內存泄漏，管理面所在進程內存耗盡，主設備倒換測試后，設備脫管，故障發(fā)生前無提示，無法提前干預處理。利用AI可以基于歷史數據進行智能在線訓練，形成各資源較科學的閾值，輸出設備內部的各類資源預測曲線和預警。

設備層AI應用場景之三是設備動態(tài)節(jié)能?，F網設備量大，但某臺設備并不是所有模塊都需要處于工作狀態(tài)，在網絡運維管理階段可以通過AI實現動態(tài)節(jié)能。例如基于搜集的網絡歷史數據形成預測，判斷出某些接口在某段時間無流量或流量很低，則可適當關閉或調低該接口相關的部分功能模塊性能等。

韓柳燕在演講中指出，SPN能力使能高效、精準AI應用。SPN In-Band OAM提供端到端秒級逐業(yè)務的性能監(jiān)測數據上報，相對傳統(tǒng)15分鐘級上報，可為AI應用提供更精細、更實時的性能數據；SPN時間同步達到端到端100ns級精度，可為設備告警、事件和性能等提供納秒級精度的時間戳（原為毫秒級精度），提升AI應用的效率與準確度。

韓柳燕同時指出，AI技術在傳送網的全面落地不是一蹴而就的，應分階段推進。當前AI演進存在以下幾個關鍵問題：國內外標準已經規(guī)范AI架構、流程、分級評判等技術內容，但仍缺乏AI傳送網的國內外標準，后續(xù)可在復用已有標準的基礎上，制定AI傳送網的國內外標準；AI模型的訓練需要基于海量的歷史數據，但部分場景的歷史數據量有限或是數據獲取渠道有限，基于少量數據搭建的AI模型準確度較低；不同廠商的數據格式不一樣，導致較難搭建跨廠商AI平臺；AI應用于現網影響重大，實際應用前應經過長期的驗證，可考慮模型簡單、規(guī)則較為確定的場景優(yōu)先應用，分階段推進AI在傳送網的部署應用。

“近期目標是實現傳送網異常配置自動識別、故障快速定位和網絡劣化預警等較易實現的功能；遠期目標是構建“檢查-診斷-治療”的閉環(huán)網絡健康保障方案，打造高品質健康自愈智能型網絡，實現AI技術在傳送網的全面落地。”韓柳燕說。

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。