网络智能，以“智”赋“动”

杜永生　蒋新建　巫江涛

摘要：通过分析一种较为系统的思维模型，提出了在网络智能中“以智赋动”的观点。通过网元及用户智能识别、网络资源智能调度、网络智能保障、网络业务智能编排4个主要智能能力，分别赋予网络自动化用户通信环境适应能力、自动化网络资源优化能力、自动化故障修复能力、自动化业务适应能力。介绍了当前系统节能、智能无线资源管理（RRM）、边缘智能、智能网规网优、智能运维保障、网络安全6个应用级子方案。最后提出了MAPE-K、智能服务侧挂、模型驱动、三层共享等顶层设计思路，作为后续网络智能化架构设计的参照。

关键词：网络智能;思维模型;智能RRM

Abstract： Based on the systematic thinking model， “artificial intelligence endows network automation” is put forward. Through the intelligent identification of network elements and users， intelligent scheduling of network resources， intelligent guarantee of network resources and intelligent arrangement of network business， the network automation users are endowed with communication environment adaptability， automation network resource optimization capability， automatic fault repair capability， and automation business adaptability. Then six sub-schemes of system are proposed， including energy saving， intelligent radio resource management （RRM）， edge intelligence， intelligent network regulation network excellence， intelligent operation and maintenance guarantee， and network security. Finally， the MAPE-K， intelligent service side-hanging， model-driven， three-tier sharing and other top-level design ideas are proposed as the reference for the following intelligent network architecture design.

Key words： network intelligence; thinking model; intelligent RRM

1 网络智能的业界解决思路

1.1 利用人工智能（AI）解决网络

相关问题

如何利用AI解决网络相关问题，目前业界有2种做法：

一种是自上而下，即以技术驱动应用。尽量利用成熟的AI技术解决网络中的问题。如果能保证最终效果，甚至不惜重新定义网络中的业务问题来适配AI技术。例如某国的运营商通过无人机来寻找弱覆盖区域[1]，如果这个做法在城市中能普及，将大幅颠覆原有的网优业务流程。

另外一种是自下而上，即业务驱动技术。先对现有网络生产、管理、运营流程的问题进行梳理，从这些问题出发估计可能使用哪些AI技术，然后研究相应的AI技術来解决当前流程中的问题。例如某国运营商提出从自组织网络（SON）或网络优化流程出发，通过将AI技术应用到SON中，提高现有算法的性能和自适应能力，以及面对不同小区/用户的个性化适应能力。这种做法有针对性，但是算法如何设计、训练、应用，须要自行研究，而这个研究工作恰恰是整个网络智能化中最难的一环。

1.2 AI技术在IT领域的进展

谷歌于2016年提出基于机器学习的Zero Touch Network[2]的概念，通过机器学习让网络层自适应运营业务的变化，达到自动扩容、自动编排新业务。在Garter 2017年的关于智能运维（AIOps）[3]的报告中，则把网络智能运维的关注点集中于智能检测、预测、根因分析3个维度。Cisco提出的意图网络[4]，就是通过语义理解技术将用户的意图转换为网络资源的自动部署和自动保障需求。

网络智能涉及问题的思考方向，从抽象的层次来看，分为3点：

（1）贯通整合。从空间角度来看，这是一个整体能力的体现，即利用人工智能善于获取各层数据并关联的能力以及较成熟的语义理解技术，整合贯通网络业务涉及到的各层次及各层次端到端的网元器件。例如Zero Touch、意图网络涉及到的都是端到端网络资源的整合。

（2）自适应和模糊逻辑。从空间维度上看，这些都是网络中每一个层次或个体的智能化体现。利用人工智能技术擅长的模式识别能力，对现有网络进行画像，并进行自适应调整，达到网络资源使用最优化;利用人工智能的数据关联能力替代逻辑，解决人力思考的时间成本，AIOps就属于这种范畴;利用数据监测控制耗能成本低的特点，针对网络中的最小个体（例如单个用户）进行监测控制并进行个性化的自适应调整，提升用户感知。

（3）预测。从时间维度上看，利用人工智能自优化学习和善于从历史数据预测未来的能力，在问题出现之前进行针对性部署，能够避免在问题造成既有损失后再设法弥补的情况。例如AIOps利用预测进行预维，理论上可以把故障降低为零;SON领域的预测优化场景，可以避免损失出现。

2 网络智能化的问题分析

在通信領域，为了识别人工智能技术带来的价值，减少相关风险，我们尝试提出一种较为系统的思维模型，希望能对人工智能在无线通信领域带来的问题进行较为系统的分析，并对各种问题的关键特性、价值、难易程度进行简要说明。

这个系统的思维模型如图1所示，我们从AI能力简易分类、网络传统管理层次模型、网络类型3个维度对目前网络智能问题进行思考。网络类型按照数据流动的方向进行分类排列;网络分层参照电信管理网（TMN）分层模型，并针对网络智能化应用做了一些调整，将用户和网元合并为一个层次纳入进来;网络层是指管理网络资源优化、均衡、调度业务的层次，管理层则是指保障网络正常运行的层次，业务层是面向运营商最终用户的服务的层次。AI能力分为识别、分析、预测、决策。识别是指从海量数据中学习和匹配复杂模式;分析是指从高维数据中寻找相关和因果关系;预测是指在时空维度学习数据分布规律预测未来事件;决策是指在高度复杂场景下多目标优化联合求解。从这3个维度出发，我们可以思考在某一种网络的某一个运作流程，能利用AI的什么能力来解决什么问题，通过这样的模型进行全方位、有条理的思考。下面我们将按照网络分层模型对各个层次逐一进行分析。

（1）网元/用户层次。

如图1所示，在这个层面出现了一个三角形区域。该区域由无线接入网络类型、网元和面向复杂的信道模型和可移动的用户模型、AI识别能力构成。

·选择无线接入网络类型是因为其数量大，并是目前4G和未来5G主要的接入方式，本身涉及到当前通信网络的核心竞争力。

·该领域主要利用AI技术中的识别技术，通过对无线通信物理层和空口的各种场景进行识别，提高各种空口算法性能和准确率。该领域还能对于用户使用模型和个人通信环境的识别、网络通过自适应识别结果来大幅提高用户感受。例如利用AI对信道的学习识别自动适配各种参数的链路自适应技术，并通过射频指纹来识别用户的通信环境。

·该领域主要的困难是数据采集和AI应用理论比较欠缺。从数据的角度看，网元的空口信道和用户的使用模型、数据收集和建模非常困难，且属于无线通信特有，是通信设备商的核心竞争力所在，无法从相邻领域借鉴。另外，业界公开的论文质量一般，我们必需脚踏实地地自行研究。

尽管非常困难，但由于提升网元性能和用户感受是通信设备商的核心竞争力所在，因此我们须要作为长期项目跟踪研究。

（2）网络层面。

该层面涉及的范围是图1中的一条线，由决策技术、所有网络类型构成。资源优化本来就是所有网络的主要设计目标，涉及的主要AI技术是模糊决策技术，即并非一定需要找到逻辑明确的原因，只要能帮助改善网络资源利用效果的决策动作即可。

·网络层面进行资源优化设计的范围比较广泛，即应用比较广泛，例如大规模多输入多输出（MIMO）自适应调整、小区负荷均衡、流量均衡等。

·网络层面引入AI在近期实现的可能性非常大。从数据的角度看，网络测量的数据本身就已经在搜集，存储非常规范;从技术的角度看，网络资源优化的相关学术论文较多，质量较高;从可借鉴的角度看，信息技术（IT）和通信技术（CT）问题域非常类似。另外，由于人工智能上线，导致算力提升，即使利用传统方法也可能解决部分问题。

·由于存在规模效应，网络层面优化的绝对效果往往非常惊人，例如采用了大规模MIMO智能自适应的网络，初步实验中吞吐率上升10%，资源利用率上升20%，对于规模网络来说每一个百分点带来的绝对值效益非常惊人。

网络层优化相关技术较为成熟，且存在规模效应，绝对价值对运营商来说吸引力非常大;因此，应该属于新兴产业中所谓“低垂的果实”，是短期内需要重点突破和投入的方向。

（3）管理层。

如图1所示，这个层面涉及的范围一个四边形区域，由所有AI技术、所有网络类型构成。该区域的管理流程和基础数据类型和IT网络类似，所以基本可以借鉴AIOps的方法论。

·管理层优化主要是解决运维方内部人力和网络质量问题。根据Garter的AIOps的方法论，关键问题的方向是异常检测、根因定位、模式识别和预测。关键性能指标（KPI）异常检测和故障定界都是较为成熟的例子。

·管理层的流程和基础数据类型基本和IT网络类似，且数据存储比较规范。从技术上看，此领域受众较网络层更为广泛，相关的论文数量多，IT业界智能化技术领先的公司也在进行研究，所以容易出现成果。

·管理层优化的规模效应没有网络层资源调度明显，但因该领域向上连接业务层，向下连接资源层，根据IT领域的发展情况，是最有可能实现端到端场景的层次。

智能化技术领先的公司正在进行该领域的相关研究，成果比较多，技术、机制较为成熟，也容易出现新的观点和业务思路，且能提高运营商的运维效率，所以应是短期内业界主要保持研究跟进的方向。

（4）业务层。

如图1所示，这个层面是五角星的一个点。之所以是一个点，因为这个层次是3个维度整合的顶点即核心网、业务层、AI决策能力的整合。网络类型层面则是由接入网到核心网，最终构成一条完整的业务链条;识别、分析、预测和决策4种AI能力尽管能各自发展、独立应用，但大致上存在一个层层递进的关系，AI决策依赖识别、分析，而业务依赖管理层的网络质量保障和网络层的网络资源优化。

·目前该领域主要的需求是在不同网络类型的端到端、网络分层层面、用户业务到网络资源端到端;在AI层面，则是完全的自动化诉求，目前标准提案中的意图网络则体现该诉求，将用户意图翻译为端到端网络资源需求，然后自动激活、保障、优化，全过程能够通过AI自主决策。

·这种意图网络的概念来源于Cisco，在IT云网络中实施，CT具备一定的借鉴性，但CT虚实结合的网络和IT基本完全的虚拟化和云化网络存在一定的区别。从数据的角度看，不仅仅是单个领域的数据存储、收集问题，而是多个领域的数据搜集、存储以及规范性问题;从技术上看，需要在基础数据建模和网络各领域元器件可驱动的行为建模达到一定的深度、广度和较高的规范性之后，业务层AI化需求才能变得鲜活起来。