當前人工智能正處在飛速發展階段，已在多領域取得實質性突破。對通信領域而言，隨著通信網絡的復雜化和通信業務的多樣化，網絡運營正面臨更大的挑戰和壓力，將人工智能引入通信網絡成為網絡智能化的必要步驟。圍繞網絡運營重要環節之一的網絡運維優化工作，探討人工智能在其中的應用需求、方向和面臨的挑戰，通過具體應用場景介紹人工智能如何為網絡運營降本增效、提升業務質量。

引言

近年來，隨著大數據、計算方法、運算存儲能力的飛速發展，人工智能技術在歷經60余年的沉浮之后迎來新的發展拐點，成為未來一個時期全球最重要的科學技術，為各類產業提供重要的技術支撐。當前人工智能技術在圖像、語音、文本處理等領域已取得實質性的進展，人工智能顛覆性的革命成果為各行各業帶來巨大變革，并快速、全面地滲透到人類活動的各個領域。

隨著信息通信技術的快速發展，ICT產業融合逐步深入，網絡進行重構轉型，眾多新技術在不斷演進升級，現有的電信網絡較之以往更為復雜化、異構化、動態化，電信業務也跟隨時代的發展和用戶的需求呈現多元化和個性化，這給網絡運營帶來更大的壓力和挑戰。將人工智能引入電信網絡是網絡智能化的一大趨勢，這樣可以有效提高網絡運營效率、降低運營成本、提升業務質量。本文將對人工智能技術在電信網絡運營過程重要環節——網絡運維優化中的應用進行相關探討。

1

人工智能在網絡運維優化中的應用需求

人工智能（AI——ArtificialIntelligence）是一門融合了計算機科學、統計學、腦神經學和社會科學的前沿綜合性學科。它的目標是希望計算機擁有像人一樣的智力能力，可以替代人類實現識別、認知、分類和決策等多種功能。人工智能從1956年正式提出開始已經發展了60余年，期間經歷了三起兩落的興衰過程，各類算法結合應用也在不斷地發展和升級。機器學習作為人工智能的重要分支和方法，在諸多領域表現出色。任何通過數據訓練的學習算法的相關研究都屬于機器學習，使用學習算法從大量的數據中解析得到有用的信息并從中學習，然后對之后真實世界中會發生的事情進行預測或做出判斷。機器學習需要海量的數據來進行訓練，并從這些數據中得到有用的信息，然后反饋到真實世界的用戶中，具體的算法包括很多已經發展多年的技術，如線性回歸、K均值、決策樹、隨機森林、聚類、SVM、人工神經網絡等。機器學習三要素為數據、算法、算力，近年來隨著大數據和運算能力的高速發展，人工智能呈現爆炸式發展，深度學習技術從眾多機器學習算法中脫穎而出，在圖像識別、語音識別等方面取得巨大進展和突破，對人工智能在各行業領域進行落地應用打下堅實基礎。

著眼于通信行業，由于移動互聯網、智能終端等技術的快速發展，數據呈現爆發式增長，電信運營商在大數據發展中扮演重要角色。運營商處理的海量數據涵蓋了用戶基本信息、通話數據、上網數據、網絡運行數據等多方面，人工智能技術的引入提升了通信大數據的分析、挖掘速度和管理效率，使網絡智能化變得更為現實，給網絡運營成本、效率和管理帶來新的突破方向。

網絡智能化是未來網絡的必然發展趨勢，運維優化作為電信網絡運營的重要環節，對人工智能技術的引入也有著強烈的需求。隨著2G、3G、4G以及即將到來的5G等多種無線接入技術的應用，運營商網絡變得越來越復雜，用戶網絡行為和網絡性能也比以往更動態化而難以預測。與此同時，由于移動通信業務的多樣化和個性化，網絡的運營優化焦點也逐漸從網絡性能轉變為用戶體驗。

傳統的運維優化生產模式是以工程師的經驗為準則，借助人工路測、網絡KPI分析、告警信息等手段處理網絡問題并進行優化調整，其缺點伴隨著網絡發展越來越明顯：生產效率低、處理周期長、優化效果存在片面性，故傳統的網絡生產模式很可能無法再滿足運營商的未來需求，需考慮在網絡運維優化中引入人工智能技術，人工智能可根據網絡承載、網絡流量、用戶行為和其他參數來不斷優化網絡配置，進行實時主動式的網絡自我校正和優化，同時通過人工智能為復雜的無線網絡和用戶需求提供強大的決策能力，從而驅動網絡的智能化轉型。

2

人工智能在網絡運維優化中的應用

人工智能技術有著自身獨特的優勢，能解決很多傳統方法無法解決的難題。人工智能技術主要具備能力有：

a）超強的學習能力，能對大量的輸入信息進行分析和學習，并通過不斷的學習加強模型，掌握專家經驗，提升解決問題的準確性。

b）良好的全面性，能處理和發掘人類工作不容易注意的問題和不確定的信息。

c）效率高，能模擬人類方式進行大量重復的工作，提升生產效率。

為了最大限度地降低網絡運維成本，最大程度地提升網絡優化工作效率，需利用人工智能技術的良好學習能力、分析處理能力、跨域協同能力和資源利用效率，發展網絡智能化、自動化（見圖1）。

▲ 圖1人工智能在網絡運維優化中的應用模式

2.1智能運維

運營商會部署各級網管系統/平臺，對網絡和業務運行情況進行監控和保障。現網中如果網絡設備出現故障和告警，一般由運維工程師根據歷史經驗和理論知識歸納總結出來的相關規則進行處理。傳統運維方式存在處理效率低、實時性不強、運維成本高、問題前瞻性不夠等缺點。為了解決上述問題，可以人工智能技術為基礎，結合運維工程師的經驗，構建一種智能化、自動化的故障處理監控系統/功能模塊，能夠在通信網絡中實現對故障告警的全局監控、處理，實時采集告警和網管數據并關聯分析處理，進行靈活過濾、匹配、分類、溯源，對網絡故障快速診斷，配合相應的通信業務模型和網絡拓撲結構實現故障的精準定位和根因分析，并通過歷史數據不斷自學習實現故障預測，提升處理效率和準確性。

2.2智能優化

網絡優化的主要作用是保障網絡的全覆蓋及網絡資源的合理分配，提升網絡質量，保證用戶體驗，所以運營商在網絡優化工作中投入了大量人力物力。網絡優化涉及多個方面，如無線覆蓋優化、干擾優化、容量優化、端到端優化等，傳統網優工作一般依靠路測、系統統計數據分析、投訴信息等手段采集相關數據信息，再結合網優工程師的專家經驗進行問題診斷和優化調整。在網絡復雜化和業務多樣化的趨勢下，傳統網優工作模式顯得被動，處理問題片面化，難以保證優化質量，而且生產效率低，在網絡動態變化的情況下難以保證實時性。采用人工智能技術可對網優大數據進行訓練，并將大量的專家經驗模型化，構建智能優化引擎，模擬專家思維驅動網絡主動實時做出決策，進行主動式優化和調整，使網絡處于最佳工作狀態。

人工智能在網絡運維優化中的應用需要有高質量的數據做基礎，需要利用合適的人工智能算法在相關的方向或場景進行實踐。高質量的數據要通過整合網絡相關運行、測試和信息數據來獲取，數據源包括路測數據、MR數據、性能數據、配置數據、工參數據、信令采集數據、告警數據、用戶信息數據、投訴數據、互聯網數據等等。根據不同應用場景需求和特征，選擇并關聯有效的數據源，結合運維網優工程師的優秀工作經驗，匹配合適的人工智能算法設計特征工程、訓練及建立模型。

3

人工智能在網絡運維優化中的應用場景

利用人工智能技術時需考慮實際網絡運維優化工作的生產流程和模式，根據應用場景需求選擇合適的人工智能算法，對相關的數據進行清洗、標注、訓練，建立可靠有效的系統模型，來實現人工智能在網絡運維優化中的應用。下面給出幾個應用場景示例進行參考。

3.1智能故障溯源

網絡故障分析和溯源是運維的重點工作，網絡發生故障的現象和原因有很多，會產生很多不同類型的告警信息，從告警中快速準確地判斷故障信息是我們的目標和要求。在設計智能分析系統時，可考慮從海量告警信息中結合網絡拓撲、網絡配置、KPI、歷史告警故障處理經驗等信息提取共性特征，融合已有的歷史處理故障經驗對提取數據進行訓練形成專家診斷規則庫，對新產生的告警信息匹配規則進行診斷，給出故障原因和處理方法，在處理故障后結合網絡運行狀態對專家診斷規則庫進行反饋優化，具體流程如圖2所示。

▲圖2基于人工智能的網絡故障溯源流程

3.2無線覆蓋智能優化

無線覆蓋是移動通信網絡質量的基礎，基站站點的位置選擇在現實中不會像仿真模型中一樣完美，受到建設投資、地形、傳播路徑動態變化、網絡負荷等因素的影響，移動網絡總會存在弱覆蓋、越區覆蓋、干擾、容量等問題，這些會直接影響用戶業務體驗，需要通過優化不斷調整，以滿足用戶對網絡質量的要求。無線環境復雜多變，影響覆蓋質量的因素甚多且不確定性較強，我們可以結合多維無線覆蓋相關歷史數據（MR、路測、工參、無線KPI、參數配置等），利用深度學習等人工智能技術對數據訓練、調參，尋找影響無線網絡質量的關鍵因素，以此來構建智能優化引擎。優化引擎能結合現網運行狀態準確實時給出優化調整建議和決策，如天線下傾角和方位角調整、性能參數優化、鄰區配置調整等，并進行相關自動化或者人為處理，保證網絡質量處于良好水平，優化系統模型如圖3所示。

▲圖3基于神經網絡的無線覆蓋智能優化系統模型

3.3業務流量預測優化

近年來移動互聯網和智能終端的飛速發展帶動了通信業務流量的激增，如何平衡網絡業務負荷為用戶帶來良好的業務體驗也是運營商關注的焦點。網絡情況動態變化，用戶業務需求隨時間空間不斷產生變化，需要從中挖掘特征，聚焦流量變化趨勢，使網絡在忙時能做到負荷平衡，保證用戶體驗，在閑時能智能關斷部分基站設施，達到節能降本的效果。利用眾多場景網絡的多維度歷史流量和網絡質量數據，結合時間和場景特征基于人工智能技術進行數據分析挖掘，綜合網絡實際需求，進行流量預測，并使用負載均衡、動態資源調度、智能關斷等策略，對網絡流量進行優化調整。

4

人工智能在網絡運維優化中應用面臨的挑戰

人工智能在網絡中進行相關融合應用是大勢所趨，但仍處于起步階段，在網絡中引入人工智能技術面臨諸多挑戰，需要在實際應用中邊思考邊解決。

首先人工智能的實際應用需要大量有效可靠的網絡數據，網絡數據在不同的網元或者系統生成，數據采集和匯聚需要硬件能力和系統架構的支撐和升級，多維數據源的處理關聯需要考慮數據格式、異廠家融合等特性問題。網絡數據標簽化的手段也較少，有效數據獲取成本較高，數據涵蓋的場景和范圍比較有限。

其次運維優化領域的知識專業性較強，在具體應用時需要明確業務邏輯，人工智能技術的學習特點具有黑盒特征，難以確定應用的需求和流程，可能會使最終應用的效果不明顯。

再次人工智能對應用需求和目標存在概率性誤差，由于獲取的數據存在片面性，在特定數據下訓練得到的AI模型和架構可能很難適用所有的需求場景，這對高標準的電信級服務是個巨大挑戰，在實際落地應用之前，需持續迭代學習自我完善。

最后人工智能的應用還需要考慮人為的控制力如何介入，通信網絡的運維優化生產需要安全穩定，AI應用的輸出效果存在不確定性，而通信網絡的運維優化要以安全穩定為前提，AI最終的定位是主導還是輔助還需要經過發展確定。

結語

人工智能已在很多領域展現了強大的作用和效果，雖然目前在通信領域進行融合應用還需要跨越很多障礙，但是在未來網絡不斷發展和人工智能技術逐步成熟的趨勢下，人工智能技術的引入必將給網絡運營帶來全新的狀態。研究人工智能技術在網絡運維優化中的應用將助力網絡向智能化轉型，達到降本增效的目標。