宋孙释然
摘要:文章从事前预防、事中处理以及事后检查三方面阐述无线网络智能运维应用实践思路,并提出以多AI模型为核心的4G/5G无线网络智能运维系统设计方案,发挥多模型组合应用优势,满足无线网络智能化运维需求,旨在解决故障定位不准确、故障排查效率低以及投入成本过高等问题,助推未来网络运维高效化、自动化以及智能化发展。
关键词:4G/5G无线网络;智能运维;系统设计
doi:10.3969/J.ISSN.1672-7274.2024.03.042
中图分类号:TN 929.5 文献标志码:B 文章编码:1672-7274(2024)03-0-03
1 无线网络智能运维应用实践思路
1.1 无线网络智能运维的重要性
现阶段,4G与5G网络正处于交替并存的状态,推动着全新网络形态发展,同时对网络运维工作提出更高要求。人工与半自动相结合的网络监管运维模式在网络运维工作实施不能满足高效率网络运维需求,并且存在网络监管手段单一、难以有效规避多种隐患问题发生以及故障定界定位难度大等情况,实现无线网络智能化运维逐渐成为当前最为紧要的任务[1]。
5G时代的到来以及相关部署深入推进,为处于探索阶段的无线网络智能运维提供了良好条件,对移动网络智能运维应用和推广也起到了一定促进作用;基于无线网络智能运维应用,构建覆盖范围广、响应速度快的无线网络智能运维体系,解决无线网络运维中基站退服率高、隐患问题发现不及时以及故障根因定位不準确等问题。
1.2 实践思路
本文围绕AI深度学习算法,以实现4G/5G无线网络智能运维为切入点,利用基站退服告警、动环等数据信息,搭建多AI模型,如异常检测模型、故障根因定位模型等,实现在多AI模型融合运用基础上强化4G/5G无线网络智能运维成效,构建全流程无线网络智能化运维路径,全方位预防无线网络潜在风险,增强4G/5G无线网络运行稳定性。通过融合AI技术,将智能诊断、智能预测方案深入应用到无线网络运维流程中,通过智能故障诊断,快速提升排障效率;利用智能故障预测功能,主动发现网络隐患并提前排障。加强无线智能运维应用,助力区域移动网络运维智能化能力提升,实现网络数字化、智能化转型升级,向“零故障”的无线网络迈进。
2 以多AI模型为核心的4G/5G无线网络智能运维系统设计
2.1 系统架构
由数据采集、算法模型、关键功能以及应用层构成的以多AI模型为核心的4G/5G无线网络智能运维系统架构如图1所示。
(1)数据采集:负责采集与预处理AI模型训练以及模型应用所需各类数据,同时将无效数据进行剔除处理并将该部分缺失数据进行补充。其中,跨专业全量告警与全量工单、基站KPI数据等均是该系统数据采集层所包含的主要数据,并以移动网为载体,与集中故障系统、电子运维系统等进行数据对接,以保证数据采集全面性。
(2)算法模型:作为以多AI模型为核心的4G/5G无线网络智能化运维过程中的关键要素,可以通过算法模型为相关人员高效开展运维工作提供配套服务,例如,利用智能运维AI库帮助运维人员分析4G/5G无线网络运行异常问题,并提供相应的解决建议,提高无线网络运维精确性。在多模型融合支持下,弥补AI模型所存在的不足,如有针对性制定隐患排除提供参考依据[2]。
(3)核心功能:充分利用算法模型,结合4G/5G无线网络运维智能化要求,设计以多AI模型为核心的无线网络运维系统应用层,该应用层是实现基站退服预警、告警信息发布以及定位故障根因等功能的关键,实现4G/5G无线网络运维各阶段有效融合AI智能化技术,推动4G/5G无线网络智能运维水平进一步提高。
(4)应用层:负责为智能运维系统各项功能实现可视化操作提供支持,运维人员可通过智能运维系统执行高退服风险基站预警概览、异常基站TOP清单查询、智能运维应用效果评估展示等操作,增强4G/5G无线网络运维工作开展便捷性、高效性。
2.2 系统功能设计
2.2.1 基站退服预警
在运用基站退服预测模型基础上,分析基站退服前较常出现的隐患类型,选择合适的算法学习隐患出现规律,既能精准预测基站退服情况,又能满足未来一段时间内基站退服概率提前预测需求,及时掌握存在高退服风险隐患的基站,并及时发布该项预警信息,以便运维人员能够在第一时间准确地开展基站高退服风险排查工作。
优化基站退服预警模块中各项功能设计,如数据采集、基站退服预警信息发布等,目的是将上述各项功能与无线网络运维系统进行联动,再通过基站退服预测模型获取未来退服问题可能出现的概率结果,在该过程中可利用该模型分析基站运行状态下的告警数据,获取基站未来退服风险概率,有针对性地提出相应措施,以有效预防基站退服。首先,在具体操作过程中,将高风险阙值提前预设,将未来时间段存在较高退服风险的基站点进行输出[3]。其次,借助基站退服预测模型,完成告警上下文信息编码处理,选择合适的模型算法精准划分基站退服预测。采用词向量告警分析法,可以在分析过程中充分利用大量非退服告警退服基站的特征,弥补传统分析方式所存在的基站退服告警数据缺失等不足。针对分类算法选择,要综合考虑大规模数据处理需求,确保所选择的分类算法能够在满足基站退服预测要求基础上,保证数据处理效率和准确性。最后,将基站退服预测模块与无线网络运维系统对接,通过该系统的接口完成基站退服预警信息稳定发布,充分利用二者之间的高效互动性,做到提前预防故障隐患,并向集中代维护系统及对应App及时反馈模型输出结果,从根本上保证基站退服风险预警信息能被一线运维人员快速接收。
2.2.2 基站智能巡检
(1)因自编码器具有无监督学习特点,对样本标签不具备依赖性,能够在运维过程中更好地处理异常数据样本数量较少问题。基于此,在进行基站异常检测时选用深度自编码器模型,充分利用该模型较强的异常检测性能,以满足故障检测、数据异常检测等相关工作精准化开展需求,凸显无线网络智能化运维优势。
(2)基于多AI模型运用,实施4G/5G无线网络智能化运维,发挥该模型优势,获取相关数据,如告警级别、多天异常检测连续性等数据信息,为基站原始异常度校正提供参考依据。在明确基站是否属于重点运维业务范围内的基础上,再依据基站巡检优先级,重新配置巡检优先级权重,目的是解决传统无线网络运维模式中所存在的巡检计划制定不合理等问题。同时可将基站异常度、潜在问题对应解决举措等信息在最终输出巡检清单中显示[4]。运维人员即可对照智能巡检回单信息,对重要异常项是否消除、异常清单中多周连续出现的问题解决情况进行监测,并及时向运维部门反馈,高效开展网络运维工作,达到隐患问题专项整治目的。
2.2.3 智能定位基站故障根因
基于根因定界与定位模型在网络运维流程中引入,可以帮助运维人员更加精准地定位基站故障根因,实现基站故障原因智能化分析;通过定位基站故障根因,为优化故障派单策略提供参考依据,又能保证故障工单分类具有较强的时效性,充分体现无线网络运维智能化水平。同时细分故障原因,为其制定针对性故障处置措施。科学指导现场运维人员高效开展故障排查工作。
为了实现基站故障根因智能化定位功能,需要明确与该项功能相关的各项要素,如模型部署、算法选择以及模型标注样本等,再结合与基站运维相关信息、动环告警以及工单等数据信息,构建故障根因定位模型,以运维专家的根因标注为依据,再根据所掌握的大数据根因定界规则完成最终结果输出。考虑实际需求,选择合适的算法开展模型训练,基站故障大类原因的分类结果、基站故障细分原因的分类结果分别是故障根因定界模型输出信息与故障根因定位输出信息,其中输出信息主要涉及基站主要设备、传输设备故障、传输连接件问题等方面内容。一线运维可以结合故障根因定位输出中所显示的细分原因,按照既定流程开展故障处理工作,这样既能提升故障排查效率,又能保证故障处理效果,提升4G/5G无线网络运行稳定性。
此外,该功能模块与集中故障系统对接,能够满足智能化分类故障清单的需求,解决多次派单等问题;同时与无线网络代理运维系统联动,精准定位故障所在位置以及故障原因确定,从而加快故障排查。
2.3 综合评估智能运维应用效果
从模型准确率、相关业务指标等方面综合评估4G/5G无线网络智能运维应用效果,如实反映以多AI模型为核心的4G/5G无线网络智能运维系统实际应用情况。评估流程具体涉及以下内容。
(1)评估模型准确率。主要对基站退服预测准确率、基站异常检测符合率以及故障根因定界与定位准确率进行评估。例如,针对模型准确率评估,需要将评估阶段实际退服数量与预测退服数量的比值、异常基站巡检清单中基站异常项和巡检回单相符的基站数与规定数的比值、定界原因与故障工单回执大类原因一致的数量与总故障工单数的比值作为评估指标,以保证模型准确率评估结果的准确性。
(2)评估业务指标。获取并掌握与各项业务相关的数据信息,将其作为无线网络智能运维业务的评估指标,如故障工单量、告警量等基本要素初步评估相关业务指标,同时结合实际应用情况,对现有业务评估指标进行调整,确保业务评估指标定义的全面性、准确性[5]。例如,在将告警量、故障工单量等相关数据作为业务评估指标使用时,可以通过智能巡检基站对上述数据进行统一整合,对比分析巡检前后告警量、故障工单量变化,若该部分指标下降情况明显,则说明当前无线网络具有较好的运行稳定性。或者在对评估高频故障工单处理耗时进行评估时,对照智能化模块引入后的统计数据,确定每月高频工单处理总耗时缩减情况以及缩减幅度。通常情况下,若想达到理想化高频工单处理时长,可在无线网络运维流程中合理引入退服预警及智能巡检流程,实现对故障工单量有效控制,发挥根因定位功能作用,减少故障处理时间,进而达到大幅度降低高频故障工单总耗时目的。
3 结束语
从以往网络监控与管理工作开展情况来看,由于此方面所运用的技术手段相对单一,导致故障定位不准确,降低了网络运维工作效率,使潜在隐患无法及时发现与处置,影响网络运行稳定性。因此,本文提出以多种AI深度学习算法为依托的网络智能运维模式,解决传统人工与半自动相结合的网络监控及管理方式所存在的问题,进一步提高4G/5G无线网络智能运维水平。
参考文献
[1] 马敏,刘武韬,吴晓曦.4G/5G无线网络智能运维研究与应用[J].电信工程技术与标准化,2022(8):44-50.
[2] 李俊.应用于4G/5G小基站的无线网络智能AI技术[J].长江信息通信,2023(3):215-217.
[3] 马福荣.5G无线网络的智能干扰管理技术分析[J].通讯世界,2023(1):136-138.
[4] 方東旭,周徐,薛晓宇.4G/5G极简网络智能运维体系研究和应用[J].电信工程技术与标准化,2023(4):30-34.
[5] 孙泉.5G无线网络可视化运维实践探究[J].江苏通信,2023(4):28-30,34.