C114讯 7月24日专稿（蒋均牧）经过深蓝、阿尔法狗等一系列铺垫，人工智能（AI）已经成为一门显学，甚至达到了谁都能说上两句的程度。但是AI当下仍处于早期发展阶段，实际应用相对有限，在电信网络层面亦是如此。
C114讯 7月24日专稿（蒋均牧）经过深蓝、阿尔法狗等一系列铺垫，人工智能（AI）已经成为一门显学，甚至达到了谁都能说上两句的程度。但是AI当下仍处于早期发展阶段，实际应用相对有限，在电信网络层面亦是如此。
作为在该领域第一个吃螃蟹者，华为今年4月发布了SoftCOM AI战略，将AI技术注入到网络云化的架构和解决方案中，力图打造一张“自动驾驶、永无故障”的网络，以架构性的创新从根本上解决电信行业的结构性问题。
当前电信运营商所面临的盈利不佳、竞争力下降等一系列挑战的背后，是电信网络复杂性加剧、OPEX居高不下的困局。一方面，网络管理难度已经远远超过人的能力，有分析显示70%的重大网络故障是由误操作等人为原因所造成；另一方面，运营商的OPEX已经是CAPEX的三倍以上，并且还在持续上升，单独降低建网成本无助于降低总体成本。该公司的目标是在全云化网络构架基础上引入AI技术，打通从规划部署、到网络维护、到网络运营的数字化全流程；在降低运维成本的同时提升端对端业务部署效率，使能业务快速部署，推动运营商的网络走向全面智能化。
两个多月时间过去了，SoftCOM AI又有了哪些新的进展？2018世界移动大会·上海（MWCS 2018）期间，华为在其主展台上展示了SoftCOM AI的相关内容、摆出颇多干货，特别是提炼出了不少具体的应用场景，将原本的理论、概念逐步落地，让人直观体验到AI究竟如何解决电信网络的关键问题。
以AI解决预测类问题
在电信网络中有诸多预测类的问题，比如能耗预测、资源利用率预测。影响预测的因素众多，时间、位置、天气、人流车流等均有较强相关性；同时，这些因素又是动态变化的，难以以普通数理统计方式来解决。
有统计显示，基站站点能耗费用（电费）占到网络运营成本的16%之多，因此针对基站站点的节能减排是运营商的努力目标。另一方面，网络话务量往往存在明显的潮汐效应，忙时与闲时能达到4倍的差距，但大部分基站设备却始终保持持续运行状态（所有资源24小时一直开），能耗并没有随话务量动态调整，造成了相当大的浪费。传统的一刀切方式严重依赖于定时关断等人工设置的统一默认值，可能会影响到用户的通话和上网体验。
如何在节能的同时又能确保用户体验不下降？华为认为，这需要对每个小区进行精准的无线资源利用率预测，并根据这个预测来控制载波的关断；同时，监控KPI/KQI的变化，根据调整策略部署后KPI/KQI的变化动态调整关断参数。
然而，传统的分析工具显然对这类复杂场景下的预测无能为力，靠人力将影响预测的不确定因素与无线资源利用率关联起来非常困难，在实践中基本无法实施。
SoftCOM AI则通过AI训练平台时空计算模块中的神经网络算法，将各种影响因素的历史时空特征数据和无线资源利用率之间的映射关系找出来，确定权重矩阵和偏置矩阵，从而得到无线资源利用率预测模型。在预测模型建设完成之后，就可部署到系统中，根据无线资源利用率预测结果设置关断门限参数，计算满足小区关断门限的时间段，完美解决了上述问题。
以AI一步找到最优解
电信网络中，尤其是无线系统，很多参数需要经过反复漫长的迭代优化才能得到最优解，SoftCOM AI的出现使得“一步找到最优解”成为可能。
大规模天线技术（Massive MIMO）是5G时代的核心技术之一。为充分发挥Massive MIMO的优势，需要对Massive MIMO基站的各项参数进行灵活的适应性调整，以应对业务的变化。然而，不同地点、不同场景、不同用户分布，天线组合的参数不一，3G时代天线一共只有十几种种组合，很容易通过专家的经验判断来选择；到了4G时代，天线的参数增加到数百种组合，已经很难凭借过去的经验来判断；而5G时代的几千种参数组合更是人工经验判断所不能实现的。加上人工操作效率低、风险大、难以实施，Massive MIMO基站迫切需要更加智能的、可自我优化的机制。
SoftCOM AI通过引入AI来分析处理各种复杂场景特征和波束参数组合的对应关系。比如针对体育馆、CBD和车站的地点、用户数、吞吐率等情况，利用AI对海量的输入参数和进行计算分析，得出针对各种场景的波束参数的初始优化建议，这样就能极大缩短漫长的调试阶段，直接得到某个地点某种场景下的波束的最优配置参数。
在日本运营商的实际使用中，通过AI技术已实现了短短数天得到一个站点的最优初始值，效率比传统方式有了巨大提升。
以AI从海量告警迅速找到故障源
在运维领域，运营商面临着一个普遍的问题——故障发生后会引起海量告警，生成大量重复工单和无效派单，找出根因的难度就像是海里寻针。比如一个站点PTN掉电会产生高达600多条的告警和11张工单，而真正的根因只有一个；又比如日本运营商一个月的总告警量到实际价值工单差别巨大，99.96%告警都是无效告警。
集中故障处理系统的应用是一个进步，在这样的机制下，单网元的大量重复告警会被过滤和处理，并进行系统派单。但由于缺乏跨域关联分析，故障发生时每个相关网元皆会输出一张故障工单，重复工单的问题仍未解决。
如何彻底解决这个问题？基于SoftCOM AI提出的华为AI精益派单方案引入了关联分析算法，通过频繁项挖掘结合网络拓扑结构图，利用拓扑图约束规则和告警类型约束规则，可对海量的历史跨域告警数据进行深度过滤和学习，最终透过大量的告警找到故障根因，形成真正有效的工单。
据统计，通过AI精益派单方案，系统可过滤约30%重复工单和30%无效工单。通过根因分析，可进一步减少30%无需上站工单，极大提高运维效率。
结语：
过去十年，电信网络经历了All IP、ALL Cloud变革，如今正呼唤着一场智能化的革新，华为SoftCOM AI正顺应了这样的时势。此次对应用场景提炼与厘清，标志着SoftCOM AI已经由概念阶段开始落地、进入到发展的快车道，相信很快就会有实际的用例出现，而一张“自我演进、永不故障”的网络也将不再遥不可及。
关于华为SoftCOM AI更多干货和进展，欢迎关注“人工智能园地”微信公众号，并期待听到您的声音。
网友评论