AI落地無線網絡運維四大難題待破解

中國聯(lián)通網絡技術研究院|李一喆

盡管人工智能在無線網絡的運維中有著非常良好的應用前景，并且許多運營商和設備商已經開展了探索和嘗試，但至今業(yè)內仍然缺乏標桿式的案例及規(guī)模性的應用。

隨著無線通信網絡的發(fā)展，未來網絡在頻段和組網上將更加復雜，再加上業(yè)務多樣性和終端的多類型，無線通信系統(tǒng)的規(guī)模和復雜度將日益增長。

對于未來體系龐大的通信系統(tǒng)，無線網絡運維將面臨諸多挑戰(zhàn)，例如虛擬化與網絡演進增加運維復雜性，單個問題可能會觸發(fā)多個網絡區(qū)域的告警；用戶需求對網絡運維質量要求提升，期待延遲容忍度從300毫秒降低到10毫秒；網絡中可供分析的大量數(shù)據(jù)難以處理，實時分析數(shù)據(jù)量將增加1000倍以上等。

無線網絡運維中因此而出現(xiàn)了故障分析定位及故障溯源困難、故障無法預測、運維派單不準確、現(xiàn)有的響應式運維模式效率低、客戶體驗差等問題。面對這些網絡運維的壓力和挑戰(zhàn)，分析、擬合、經驗流等傳統(tǒng)的處理方法，已經越來越難以解決無線網絡運維的問題。

人工智能為網絡運維帶來曙光

人工智能的再上巔峰，讓無線網絡的運維系統(tǒng)看到了一線曙光，通過引入AI這柄“利器”，依托人工智能的自學習、深度學習能力，可以在海量的運維數(shù)據(jù)中抽取隱含的關聯(lián)特征和規(guī)則，追溯事件根因、指導故障分析和定位，同時可以通過共性特征的提取總結，對未來事件進行預測。

例如，結合提供的告警、資源、網絡拓撲數(shù)據(jù)，采用相關人工智能方法探知故障告警之間關聯(lián)關系及故障原因定位因素，形成故障定位體系及網絡維護管理體系，提升故障解決效率；基于無線網絡數(shù)據(jù)，采用相關人工智能方法分析和定位影響用戶感知的根源問題，并指導運維部門提供系統(tǒng)性的優(yōu)化解決機制；利用人工智能算法，以用戶側數(shù)據(jù)和網絡側數(shù)據(jù)為基礎，分析用戶群體特征，找出影響用戶網絡感知評分的關鍵因素，預測用戶對通信網絡的滿意度，及時發(fā)現(xiàn)用戶對于網絡貶損的真正痛點，為運營商網絡運維策略提供依據(jù)，從而提升用戶體驗。

盡管人工智能在無線網絡的運維中有著非常良好的應用前景，并且許多運營商和設備商已經開展了探索和嘗試，但至今業(yè)內仍然缺乏標桿式的案例及規(guī)模性的應用，究其原因，有幾個關鍵問題橫亙在AI和通信網絡之間，阻礙了兩者的結合。

問題一：無線網絡數(shù)據(jù)可用性差

AI是數(shù)據(jù)“喂”出來的，無線網絡擁有龐大的數(shù)據(jù)量，這本是智能運維的最大優(yōu)勢，但是當前的無線網絡數(shù)據(jù)維度高、數(shù)據(jù)類型多、數(shù)據(jù)量巨大、缺失數(shù)據(jù)多、不同設備廠家數(shù)據(jù)格式不統(tǒng)一，種種因素導致無線數(shù)據(jù)的使用成了AI在網絡運維中的第一道門檻。主要問題如下。

一是無線數(shù)據(jù)可以從頻譜測量儀表、用戶終端、基站端與核心網設備、應用服務等多處獲得，原始數(shù)據(jù)中包括物理層、接入層、網絡層、應用層等數(shù)據(jù)，這些數(shù)據(jù)體量大，需要AI運維設計者非常清楚和準確地判斷提取哪些數(shù)據(jù)，并考慮如何組合利用，稍有不慎就會導致結果背道而馳。

二是數(shù)據(jù)獲取審批難。由于無線網絡數(shù)據(jù)涉及用戶個人隱私，考慮到信息安全和隱私保護，獲取無線網絡數(shù)據(jù)往往需要各種審批，時間周期長、流程繁瑣。

三是不同的設備廠家能夠提取的數(shù)據(jù)格式、特征名稱、計算方式都不相同，能夠提取到的數(shù)據(jù)時間粒度也不一樣，難以統(tǒng)一。

四是數(shù)據(jù)量大，保存歷史數(shù)據(jù)量有限，往往只能保存最近半年或一年的數(shù)據(jù)。但是，AI中對于時間序列的分析往往需要較長時間的歷史數(shù)據(jù)才能訓練出規(guī)律。因此，長期數(shù)據(jù)的存儲和獲取也是需要解決的問題。

五是數(shù)據(jù)處理難度大，無線網絡每天將產生百TB級別的數(shù)據(jù)。如何對海量數(shù)據(jù)進行清洗、標準化、實施特征工程等是巨大挑戰(zhàn)。

六是數(shù)據(jù)缺失或錯誤類型多。由于無線網絡數(shù)據(jù)維度多、數(shù)據(jù)量大，在提取數(shù)據(jù)的過程中會造成各種不同類型的缺失或錯誤。不同的數(shù)據(jù)類型有不同的合理值，在處理錯誤數(shù)據(jù)的過程中需要考慮諸多數(shù)據(jù)的異常處理，難度大。

為了解決數(shù)據(jù)的問題，行業(yè)需要聯(lián)動，形成統(tǒng)一數(shù)據(jù)標準，針對無線網絡數(shù)據(jù)，由權威的協(xié)會、聯(lián)盟或國家部門制定統(tǒng)一的數(shù)據(jù)標準，包括數(shù)據(jù)格式、參數(shù)定義、計算方式等多個方面，降低數(shù)據(jù)處理的復雜度。還要進行數(shù)據(jù)脫敏，主要針對含有用戶隱私或涉及信息安全的數(shù)據(jù)進行加密編碼，這將有效保護個人隱私，并且不影響AI算法對數(shù)據(jù)的分析。另外需要加強數(shù)據(jù)的分布式并行處理，對于大體量的無線數(shù)據(jù)集，建立分布式系統(tǒng)，并行處理數(shù)據(jù)，提高效率。

問題二：無線網絡AI算法的應用難題

無線網絡場景復雜多樣，具有隨機性和多變性的特點，有些場景下直接采用AI算法可能無法收斂或者效果比較差。這使得無線網絡運維中AI的應用面臨諸多挑戰(zhàn)。

一是無線網絡建模難度大。無線網絡場景多、數(shù)據(jù)維度多、時變性強。針對無線運維中的導頻功率調整、邊緣吞吐率提升、M-MIMO波束調整、D-MIMO智能簇分配、多天線特性增益等多種場景，信道變化隨機性強，如突發(fā)的天氣或事件將會影響網絡參數(shù)，難以準確建模。

二是求解復雜度高。例如求解與用戶感知速率相關的網絡指標，涉及RRC建立請求次數(shù)、UE會話時長、下行TTI調度次數(shù)、下行采用64QAM的PRB個數(shù)等上百種參數(shù)，再加上時間維度的參數(shù)，求解非常復雜，而且在很多情況下難以求得最優(yōu)解。

三是無法準確分類。無線網絡的類別多種多樣，存在諸多差別，難以找尋共性來準確表述。例如，在故障運維的分類問題中，網絡中的故障通常表現(xiàn)出多樣性，比如告警、KPI異?；驑I(yè)務不通等，故障告警很多時候不能準確地反映故障信息，即使運維人員也難以辨別，運用人工智能的算法也許需要做大量的故障標注工作，很多故障涉及的特征很多，難以準確分類。

針對AI算法的問題，一是可以建立動態(tài)學習、持續(xù)學習算法，應對突發(fā)問題。目前主流的AI算法應用主要是針對靜態(tài)數(shù)據(jù)進行學習，不是基于動態(tài)數(shù)據(jù)的持續(xù)學習來完成的，這很難解決具有突發(fā)性、不可預期性、不可重復性的無線網絡運維問題。因此需要建立動態(tài)環(huán)境下AI學習算法，收集歷史的突發(fā)情況，總結規(guī)律，當運維系統(tǒng)發(fā)生異常行為（比如被惡意攻擊）或者外部環(huán)境變化（比如惡劣天氣引發(fā)的信道突變）導致的突發(fā)性變化時，人工智能系統(tǒng)在沒有相關處理經驗情況下也能具有相應的處理能力。

二是可以強化學習，建立規(guī)則庫。學習一個策略函數(shù)，以最大化長遠收益為目標，建立一個觀察值到輸出行為的映射關系。針對無線網絡運維中的問題，根據(jù)系統(tǒng)中網絡及業(yè)務上下游關系，綜合多維度歷史數(shù)據(jù)分析，挖掘出潛在特征和規(guī)則，輸出事件和特征的匹配規(guī)則庫。在實際網絡運維中，根據(jù)特征自動匹配規(guī)則，給出判決和處理建議。運維結束后，根據(jù)當次運維結果的有效性反向修正、強化現(xiàn)有規(guī)則系統(tǒng)，進行自學習和自優(yōu)化。

三是根據(jù)業(yè)務知識做特征工程。結合通信專業(yè)知識和人工智能特征工程的方法，通過增加特征、篩選特征、數(shù)據(jù)建模增加時間維度等，求解出對結果至關重要的特征。

問題三：無線網絡AI系統(tǒng)開發(fā)的挑戰(zhàn)

無線網絡AI平臺系統(tǒng)開發(fā)過程中的挑戰(zhàn)主要在以下幾個方面。

一是數(shù)據(jù)預處理階段，會涉及大量的無線網絡數(shù)據(jù)文件隨機讀寫的問題，如何提高數(shù)據(jù)訪問效率是在數(shù)據(jù)預處理階段面臨最大的挑戰(zhàn)。

二是數(shù)據(jù)處理階段，由于數(shù)據(jù)維度多、體量大、數(shù)據(jù)格式不統(tǒng)一，很難設計出具有普遍適用性的數(shù)據(jù)處理模塊。

三是訓練階段，因為會涉及到大量的模型調優(yōu)，訓練出一個最優(yōu)的模型，需要巨大的計算資源。

四是結果推理響應階段，當成千上萬的數(shù)據(jù)批量過來的時候，如何提高整個系統(tǒng)的吞吐率，及時做出響應，是結果推理段面臨的挑戰(zhàn)。

五是設計可以不斷學習和自適應的人工智能系統(tǒng)，使其可以做出及時、穩(wěn)定、安全的決策。

六是設計支持個性化服務的系統(tǒng)，同時要保護用戶的隱私和保證用戶的安全。

對于上述挑戰(zhàn)，無線AI系統(tǒng)在開發(fā)時需要注意以下功能特點。一方面要考慮采用CPU+GPU+FPGA混合異購模式的高效單元，能高效進行離線數(shù)據(jù)分析和在線數(shù)據(jù)實時分析。無線AI平臺需要具備對于多種不同制式不同結構類型統(tǒng)一處理的能力，可以快速、穩(wěn)定地處理無線業(yè)務所產生的海量結構化、半結構化和非結構化的數(shù)據(jù)信息。

在無線業(yè)務場景中，有諸多應用需要根據(jù)平臺的在線計算做出實時決策，無線AI系統(tǒng)需要針對無線中眾多需要實時服務的業(yè)務場景，提供相應實時在線分析能力。所提供的實時分析，可以根據(jù)不同的業(yè)務需求設定為小時級、分鐘級、秒級甚至是毫秒級。

另一方面要具有高性能的分布式存儲能力。由于數(shù)據(jù)形式非常多樣，需要結合應用場景進行數(shù)據(jù)清洗、特征提取等預處理，并根據(jù)不同結構類型的數(shù)據(jù)，定義統(tǒng)一的表示形式。然后根據(jù)后續(xù)業(yè)務需求，將數(shù)據(jù)分布存儲到不同的服務器上，以供其他模塊調用。

AI在無線網絡中應用的綜合挑戰(zhàn)

除了技術層面的幾個關鍵問題外，AI應用于無線網絡還存在著硬件部署、軟件開發(fā)、人才、成本等方面的問題。應用于AI處理的GPU設備大小不符合傳統(tǒng)機房機架的尺寸，而且需要專門風扇提供散熱機制，供電和部署對于通信行業(yè)都是難以解決的問題。

由于無線網絡的從業(yè)人員主要掌握的是通信知識，對于軟件開發(fā)及數(shù)據(jù)算法建模等知識不太了解，因此存在人才短缺和軟件開發(fā)方面的困難。改造機房、購置AI處理設備、聘請專業(yè)開發(fā)人員或AI算法工程師，需要巨大的成本開銷，對于運營商來說將是一個不小的壓力。

面對這些問題，電信運營商、設備商需要勇于創(chuàng)新，敢啃“硬骨頭”，在數(shù)據(jù)規(guī)范化、行業(yè)統(tǒng)一化方面行動起來，齊心協(xié)力解決共同難題。同時也要沉下心做好功課，“吃透”AI，面對技術難關不怕投入，迎難而上，終會收獲回報的果實。各方還要開放心態(tài)，結合AI產業(yè)界的力量，與AI公司、互聯(lián)網行業(yè)合作，共同開發(fā)平臺，找到共同盈利的商業(yè)模式，優(yōu)勢互補，最終為全社會打造一個智能化、泛行業(yè)化、人性化的移動互聯(lián)網絡。