韦乐平直指NFV发展“痛点”AI将推动网络重构进入新阶段

本刊记者|王熙 刁兴玲

基于SDN、NFV和Cloud的网络架构重构带来大量新的多维度复杂性，在很大程度上抵消了其带来的诸多好处，而AI在处理复杂问题上的能力远超人脑，有望解决网络架构重构所面临的挑战。

SDN/NFV产业联盟理事长、中国电信科技委主任韦乐平

在“2018中国SDN/NFV大会”上，SDN/NFV产业联盟理事长、中国电信科技委主任韦乐平针对SDN/NFV发展情况的一番演讲，直指目前NFV发展痛点和云计算症结，以及人工智能（AI）对运营商网络重构的创新推动。

SDN进入理性发展阶段 NFV征程依然艰难

韦乐平指出，SDN已渡过炒作期，进入理性发展阶段，基于SDN/NFV的网络云化成为共识，NFV化已开始落地，但征程依然艰难，SDN将进一步从自动化走向智能化。基于SDN、NFV和Cloud的网络架构重构带来大量新的多维度复杂性，在很大程度上抵消了其带来的诸多好处，而AI在处理复杂问题上的能力远超人脑，有望解决网络架构重构所面临的挑战。

在谈到NFV的发展情况，韦乐平表示，NFV项目已覆盖所有核心网网元(如vEPC,vIMS)。NFV开始落地，5G成为NFV新的最大驱动力，NFV成5G必要条件。

不过，由于思维落后、硬件性能限制、标准化滞后及互操作的复杂性，其他领域的NFV化还不尽人意。同时，网络云化的挑战不可轻视。远营商的一朵云理想依然还只是理想，其内部IT系统的复杂性和对外服务的质量和速度要求导致公有云和电信云还在独立建设，。

而根据SDN/NFV产业联盟最新发布的《2018年NFV技术白皮书》显示，当前形势下，基于SDN/NFV技术进行网络重构面临以下三大主要挑战。

挑战1：标准进度慢,技术仍需成熟

随着NFV的发展,截至2017年4月,全球已有部分NFV商用部署案例,主要集中在VEPC、VIMS、VCPE等场景,但相关商用案例中，涉及MANO的端到端流程和接口方面均采用运营商各自私有解决方案,MANO一直没有统一的可指导互联互通测试的流程和接口规范，同时不同组件对应的开源软件与标准之间存在一定的不一致性,无法凝聚产业力量,均制约了NFV的大规模商用部署。

此外,目前NFV虚拟层与硬件解耦的成熟度相对较高,虚拟层与上层应用的解耦成熟度低,且没有一套完善的方法体系来明确相关的要求,目前主要通过测试认证的方式来确保虚拟层和上层应用解耦,存在配对测试样本少、测试用例无法覆盖生产环境中各种潜在的不兼容问题。

挑战2：分层解耦后集成和组网难度大

NFV除了解耦传统网络功能的实现方式,还引入了MANO管理系统,MANO管理系统又分为NFVO、VNFM、VIM三部分,分别负责网络、网元、资源的管理。当运营商在部署NFV的时候,通常涉及到不同组件由不同提供商提供的情形,为使得不同提供商提供的组件可以组合起来实现NFV系统,需要比传统电信网络更复杂的IoT测试验证、集成和规划部署等工作。

挑战3：运营商NFV网络运维管理挑战大

传统网管采用竖井式的运维管理模式,依赖工单进行故障管理,且重在设备监控和排障,随着NFV技术的引入和MANO管理系统的提供,NFV网络可根据策略自动弹性扩缩容,发生故障时可以实现自愈相关变化，这些都对传统运营商网络管理模式带来了很大的挑战,需要运营商做好MANO和传统0SS的协同,并且需要转变观念,适应新的管理运维模式,打造新型管理运维流程,提高运维人员技能等。

AI使能是网络重构的新阶段

另外，韦乐平认为，SDN将进一步从自动化走向智能化，电信网的复杂性和人工依赖性使得具备应付高度复杂性能力的AI具有很好的扩展空间。比如，结合SDN与AI的基于意图的网络(IBN)将可能成为网络自动化和智能化的目标。

对于AI技术在电信网络的发展，韦乐平表示：“AI有望解决网络架构重构所面临的三大挑战，网络架构动态变化带来的网络和业务的复杂性；网元分层解耦后的故障定位等运维带来的复杂性；网络资源实时调整带来的网络运行复杂性。”

谈到AI网络应用的原则时，韦乐平表示越高层越集中，且跨域分析能力越强，对计算能力的要求也越高，所需数据量也越大，更适合对全局性的策略集中进行训练和推理。越低层越接近终端，专项分析能力越强，对实时性要求往往越来越高，对计算能力要求满足业务需求即可，适合引入AI的推理能力或具备轻量级的训练能力即可。

韦乐平还分享了AI在电信运营商网络赋能的三种方式。

第一，AI在基础设施层的应用：主要是为有源硬件设施提供AI加速器，实现不同层级的训练和推理能力，诸如核心DC的基础设施可优先引入AI加速器，满足全局性的策略或算法模型的集中训练及推理需求。而接入侧可以逐步按需推进，例如基站内嵌AI加速器可以支撑设备级的AI策略及应用。

第二，AI在网络和业务控制层的应用：表现在可以优先集成AI的推理能力，对网络和业务实现智能网络优化、运维、管控和安全。实现网络各层级的KPI优化、路由优化、网络策略优化等，例如无线的覆盖优化、容量优化、负荷优化等。

第三，AI在运营和编排层的应用：可优先在大数据平台上引入AI引擎，对OSS和BSS数据做更深度的智能化挖掘。随着虚拟化网络的部署，编排层上可以逐步叠加AI能力，从而提升产品编排、业务编排、端到端资源编排的自动化和智能化水平。进而对业务量的变化做前瞻性的智能预测，实现动态规划和管理配套的资源。

韦乐平表示，AI网络应用主要有三大场景：一是高效智慧运维场景；二是个性化业务服务场景；三是网络安全场景。在高效智慧运维场景中，可对网络进行预防性、主动性维护，实现集约资源智能调度，对业务质量闭环优化。在个性化业务服务场景中，可使用网络业务相关的大量数据，利用这些数据以及网络其他数据、CRM信息能够给客户个性化服务的分析和建议，例如结合企业专线的带宽利用率、周期性潮汐流量特征、特殊试验要求等能够更好地设计个性化业务和灵活的资费模式。而在网络安全场景中，可利用AI/ML学习技术针对恶意/病毒会话特殊的会话字节、头端包大小和频次、病毒特征字节等信息进行统计分析，从而在恶意流量攻击的早期就能识别，对于潜在的、前期的恶意病毒进行预警。

不过，由于技术尚未成熟，AI的网络应用还面临四大挑战：首先，AI成功应用的前提是足够大的训练数据。尽管电信网络数据足够大，但由于部门和各管理层级的数据语义和格式不同、数据存储和管理应用机制不同、数据监管限制等原因，能真正有效利用的数据并不足够；其次，AI/ML与网络结合的价值场景尚不清晰；再次，尽管相对而言，AI算法比较成熟，但网络和业务远比目前已经成功应用AI的图像、语音识别和单一棋类博弈要复杂，特别是还缺乏成熟可靠的电信网络和业务的建模和特征表示及提取方法；最后，现有运营商垂直烟囱式组织架构不适应AI使能的新网络。