5G网络智能运维AI应用研究

周 晶，王德政，洪 科（中兴通讯股份有限公司，江苏南京 210012）

1 概述

2020年3月工信部发布《关于推动5G加快发展的通知》，国家确定了加快建设5G网络、发展5G 用户和5G 业务的方针。5G 网络的建设也是新基建重要组成部分。AI 人工智能技术这几年得到大力发展，算法、应用、芯片等技术水平不断提高，投资出现快速增长。

5G+AI已经成为数字化技术的关键环节。对于在5G 网络中如何采用AI 人工智能技术，运营商和很多企业都在进行尝试和探索，特别是在网络智能化运维、效率提升、资源优化、自动化排障、性能预测等方面，以实现高效运营管理。

2 5G网络运维的挑战

2.1 5G网络要求高

a）网络要求高：5G网络在流量密度、连接数密度、时延等方面的要求均发生质的变化，需满足更宽的带宽、更多的用户容量、更快的上网速率、更高的频谱效率等，未来通信网络流量势必爆炸式增长。5G 主要KPI提升要求如表1所示。

表1 5G主要KPI提升要求

b）业务多元化：5G 主要业务包括增强移动宽带（eMBB）、海量机器类通信（mMTC）、超高可靠低时延通信（uRLLC）、车载通信技术（C-V2X）等，这些新业务使视频、AR、VR、直播、万物互联、车联网等业务需求日益增长。

c）业务类型更加多样化、网络要求及组成越发复杂，同时网络基于开放架构、网络功能虚拟化（NFV）、弹性、云化技术，软件硬件解耦，系统要求更加灵活，网络运维也变得更加困难。

2.2 网络运维挑战

5G 网络业务类型的多样化、网络复杂性、NFV 的需求、云化的要求等等，会使运营成本不断攀升。

边缘云移动边缘计算（MEC）和网络切片的引入，使网络也更加复杂，既有中心，也有边缘；业务多样化，用户和业务还需要切片管理，使系统管理变得更加复杂。

5G 网络时代，面对网络的高质量要求、业务多样化要求以及既有中心又有边缘的复杂网络，如何保障用户服务等级协议（SLA）质量，如何使网络资源分配更加合理、运维及定位问题更加高效，这些都是运营商面临的全新挑战。

而3G、4G 传统的运维方式是以人工运维管理方式为主，存在对运维团队的人员需求量大和专业要求高，故障问题定位困难，数据收集零散、核心网、承载及无线运维中心不统一等问题，缺乏端到端定位问题的手段。面对5G如此复杂的网络和业务，如何能节约运维成本，如何使故障分析更加智能和快速、资源分配更加合理，这些都对运营商提出了更多的挑战。

采用5G+AI 可以逐渐实现网络智能化运维，帮助运营商实现高效运营管理。

3 AI智能平台

3.1 AI智能平台架构

AI 智能平台可以提供网络智能化应用。AI 智能平台架构如图1所示。

图1 AI智能平台架构

AI 智能平台分为3 层：数据采集层、AI 算法框架层、应用层。

a）数据采集层：采用ETL（Extract-Transform-Load）、Loader、接口采集等采集各种数据，例如数据库、文本、日志数据等，可以包含结构化数据以及非结构化数据。

b）AI 算法框架层：支持多种主流算法框架，例如深度学习框架Tensorflow、Caffe，机器学习框架如Sklearn、Spark MLlib，提供模型设计、可视化、AI 在线训练、AI 离线训练、轻量化推理、模型市场、模型管理等功能模块，同时，可以将AI模型作为服务开放。

c）应用层：系统具有丰富的预测模型，可以为无线、有线、核心网等提供AI 服务，适用多种5G 网络运维的场景，例如容量预测、指纹定位、流量预测、告警根因分析、视频分析、KPI 预警、意图网络、切片智能等。

AI 智能平台，实际是一个以大数据为中心的平台，支持跨云边端多形态部署、云边端协同机制，采集网络运行的各类数据，融合、汇聚、分析、预测，为5G网络提供人工智能的服务。

3.2 功能模块

3.2.1 AI智能平台包含以下主要功能模块

a）分析挖掘：该模块采用机器学习、深度学习和强化学习技术，用户通过可视化建模界面，实现包含数据采集、模型设计、模型训练、模型管理、模型部署的功能。该模块支持丰富的算法库，例如Spark MLlib、Tensorflow、Sklearn或者自研算法。同时，在边缘端资源受限的情况下，可以支持轻量化推理引擎。

b）数据管理：该模块为系统提供整体的管理能力，包含大规模多集群管理、配置、安装部署、升级、多版本控制、智能巡检、智能排障、系统资源监控、日志管理等功能。同时系统支持从中心到边缘的管理和部署。

c）计算存储：系统支持分布式计算存储，包含分布式存储技术HDFS、HBase、Hive，支持分布式计算MR、Spark，实时流处理Storm、Flink、SparkStreaming，支持Solr、ES（Elasticsearch）搜索，以及交互式SQLSparkSQL。

d）安全管理：该模块具有完整的安全管理框架，支持用户权限管理，支持数据加密保护、数据隐私保护、支持静态脱敏和动态脱敏，并且同时支持交互式、实时、离线数据的脱敏。系统具有完善的数据访问安全能力，遵从通用数据保护条例（General Data Protection Regulation，GDPR）隐私数据的保护。

3.2.2 预测分析过程

5G 的运维中心支持云化，大数据中心成为云中心，收集网络运维以及运营的各类数据，利用大数据进行AI预测分析，为网络运行提供完善的服务。大数据中心支持海量数据的采集、海量数据的分布式存储、异构数据的融合管理、超大规模的集群管理能力、跨云边端多形态部署的能力。利用大数据AI 预测分析如图2所示。

图2 利用大数据AI预测分析

3.3 关键技术

3.3.1 超大集群管理技术

智能平台采用AI及大数据技术，支持超大规模集群能力和管理能力，支持6 000+超大规模集群管理的能力，系统支持分布式、弹性部署，支持云化K8S（Kubernetes）或物理机部署，部署灵活、方便。系统提供高性能、高可靠的大数据集群，支持高IO、高负荷、大数据量的大型集群，并支持集群快速部署/删除/伸缩等特性。智能平台支持云边协同部署能力，支持边缘节点的轻量化部署。系统支持资源配置、监控、管理，可以监控任务和租户的资源使用，提供完善的日志管理以及大数据智能巡检、智能排障等能力。

3.3.2 云边协同技术

如图3所示，智能平台支持云边协同技术，将中心云到边缘云协同运作，中心云支持AI 算法中心、模型市场，边缘云支持边缘推理轻量化、服务开放等模块，在中心云、大数据中心进行训练，形成模型，发布到模型市场，边缘端可以到中心云获取轻量化模型引擎，为业务实现服务，完成从中心云到边缘云的云边协同。

图3 云边协同架构中应用AI

3.3.3 硬件加速技术

系统采用高性能硬件，支持GPU 硬件加速技术，采用较高的运算能力提升AI 训练性能。平台支持分布式多GPU 环境来并行执行任务，从而快速完成模型训练、评估和优化等工作。系统具有资源自动优化方案，可以以数据并行、模型并行、混合并行等不同方式自动执行。

3.3.4 轻量化推理技术

智能平台为支持网元的智能化，例如边缘计算、基站、核心网网元等，提供了轻量化推理技术，设计了轻量化智能引擎（Lite Smart Engine，LSE），旨在为网络设备提供轻量级智能引擎。LSE 采用微服务方式，包含计算推理模块、共享存储模块和服务接口模块，其中计算推理模块为系统提供算法推理能力，共享存储模块用于存储轻量化推理算法，服务接口模块为业务层提供统一的接口服务。LSE 通过这3 个模块的配合提供在线推理能力。LSE模块如图4所示。

图4 LSE模块

3.3.5 租户及数据安全技术

系统支持租户管理及数据安全保障技术，完善的用户管理及数据访问安全控制，保障用户使用系统及数据的安全；同时系统支持大数据脱敏框架，采用分布式框架，遵从GDPR 隐私数据及数据脱敏标准，具有较低的性能开销；系统提供数据开放服务能力。

4 智能平台的5G运维应用场景

在5G 网络的设计研发及实验中，应用AI 技术提升5G 智能运维的能力，例如在全域故障定位、资源智能调度、边缘智能等方面均做了一些尝试。下面分别就这些场景进行描述。

4.1 全域故障定位

a）全域故障定位将系统中多种类型的数据进行采集，例如收集配置、告警、日志、性能KPI、系统资源、用户感知异常、投诉、历史运行等各类信息。

b）统一的全域故障定位系统同时兼具预测模块、智能分析模块以及智能巡检模块：其中预测模块提供系统容量超限、资源不足、节假日峰值等的预测，系统提供丰富的预测模型；智能分析模块可以对网络故障进行分析，例如告警溯源分析、网络故障根因分析、关联分析；智能巡检模块支持一键式巡检方式，系统可以通过运维人员运行一键收集功能，获取系统设备实时运行状态，提升运维效率。

c）基于AI进行智能故障诊断：系统通过采集数据并进行大数据分析和AI分析完成故障诊断和定位，实现运维智能化。

d）全域故障定位可以融合无线、承载、核心网通信系统中的多种数据，采用分域及全域协同能力，进行告警压减、根因分析，并支持需要全域协同定位的情况，根据系统的告警、日志、资源等的协同分析，来精准定位故障的原因，实现网络智能化。

AI在全域故障定位中的应用如图5所示。

图5 AI在全域故障定位中的应用

4.2 资源智能调度

5G 的网络中基站更加密集，同时在网络边缘也会设置较多的边缘节点MEC。无线资源以及MEC 之间存在资源共享调度的需求，这些情况下，可以考虑资源的智能调度。将资源的规划、调度和流量监测以及实际业务历史的模型相互配合，实现动态调整资源、合理共享资源、管理策略优化。AI 在资源智能调度中的应用如图6所示。

图6 资源智能调度中应用AI

4.3 边缘智能

在边缘侧引入人工智能，实现MEC 的智能应用。智能MEC 边缘云不需要到中心云去处理，而是在边缘云近用户端/基站的位置，进行业务处理，这样可以更有效地减少业务时延、提升实时性响应，特别是在近用户端进行人工智能的赋能，例如边缘侧的视频分析、人脸识别、安防、智慧调度等业务，还有工业流水线产品的质量检测、远程医疗中的增强现实（Augmented Reality，AR）、虚拟现实技术（Virtual Reality，VR）、车联网等智能化应用，势必会推进5G 行业的应用。

MEC 边缘端支持轻量化AI 引擎，以适应MEC 边缘端资源受限的环境。轻量化AI 引擎也是轻量化推理引擎，为业务提供基于微服务的推理能力。

4.4 其他场景

a）网络数据分析功能（Network Data Analytics Function，NWDAF）融合AI 技术。NWDAF 是5G 核心网智能架构新增加的功能，采集网络功能、OAM 和应用层的数据，利用人工智能技术进行分析。例如从接入和AMF（移动管理功能）、SMF（会话管理功能）等采集运行数据、性能数据、负载数据等，利用AI+大数据进行分析预测，再将算法模型应用到5G网络中。

b）切片智能。在5G网络切片系统中引入AI分析系统，该系统以租户需求数据、网络切片运行数据等为数据源，通过智能分析算法计算得出能够匹配租户业务需求的网络能力，进而动态调整网络切片的服务能力。在切片智能系统中，通过NWDAF 和AI，获取网络切片的体验评估，进行AI 分析之后，再进行网络切片的资源配置优化等能力。

NWDAF、切片智能相关的标准仍在讨论之中，也会随着5G网络的建设得以实践、完善和应用。

5 结束语

随着5G 网络的发展，在网络智能运维中应用AI和大数据技术越来越成为可能。AI 智能平台以大数据云中心为基础，采集海量数据，并且具有超大规模的集群管理能力以及跨云边端多形态部署、云边协同技术、硬件加速技术、轻量化智能引擎、租户及数据安全技术的能力，在5G网络建设中为多种场景提供支撑服务，例如全域故障定位、资源智能调度、边缘智能、NWDAF、切片智能等多种场景。所以，在5G 时代，AI智能平台势必为5G的建设提供智能运维的支撑，帮助运营商和用户实现更大的价值。