對症下藥、打破桎梏:華為NAIE雲地協同為電信網絡鋪就智能升維之路

9月26日專稿（蔣均牧）隨著人類社會的數位化進程不斷深入，「聯網」在今天已經成為如「衣食住行」般的基礎需求，業務、運維、聯接的複雜度也與日俱增。通過引入AI，打造一張基於用戶體驗的智能化、全自動的網絡，已經成為電信行業的共同追求。

而在硬幣的另一面，一些問題也隨之浮出了水面。比如AI特性的規模應用面臨著模型泛化能力差、模型易老化、本地樣本少等諸多挑戰，從而拖慢了AI在電信網絡中的整體普及速度。作為網絡轉型先驅者的華為，對此給出了「雲地協同」這個答案。

「在將AI能力注入電信網絡的旅程中我們發現，僅僅討論算法問題、考慮如何用數學解決業務問題是不夠的，還需要克服很多難點。比如一個模型如果不做管理和控制，半年時間精度就會下滑到原先的60%左右。我們希望『把困難留給自己，把方便帶給客戶』，通過不斷創新來推動AI在電信行業的快速規模部署，這也是此次提出雲地協同解決方案的初衷。」在華為全聯接大會2020期間的一場媒體圓桌上，華為網絡人工智慧（NAIE）產品部總經理韓雨發表示，雲端與地端的聯動，將使AI模型越用越準確。

活動上，他還發布了《AI使能自動駕駛網絡——華為iMaster NAIE網絡人工智慧引擎技術白皮書》，該白皮書結合電信網絡智能化的市場趨勢大背景，闡述了華為在該領域的實踐落地，包括華為自動駕駛網絡解讀、NAIE網絡人工智慧引擎以及典型應用場景探索等。

大勢所趨：將AI引入電信行業

從18世紀至今300餘年間，世界通過三次工業革命，完成了機械化、電氣化、信息化的改造，每一次變革都驅動人類社會邁向新的發展紀元。如果說在21世紀還有哪一種技術可以和歷次工業革命中的先導科技相提並論的話，那一定是AI技術。

作為一項通用目的技術，AI在上世紀七十年代便與空間技術、能源技術一起被譽為「世界三大尖端技術」，同時亦與基因工程、納米科學一起被認為是「21世紀三大尖端技術」。經歷了60餘年起起伏伏，近年來AI技術步入成熟增長期，越來越多地與現實世界產生了碰撞，並迅速成為適用於大部分經濟活動的基本生產力。

AI在電信行業同樣廣受青睞，產業上下遊紛紛圍繞於此展開布局。在國內，中國移動發布了九天人工智慧平臺，匯聚內外部優秀AI能力，支撐移動各領域AI應用；中國電信致力於打造智能化「隨願網絡」，通過AI賦能平臺和傳統設備的AI升級，改善用戶體驗、提升使用效率；中國聯通發布了網絡AI平臺Cube-AI智立方，以提升網絡智能水平、降本增效為目標。

在海外，西班牙電信發布了網絡AI架構與Fast OSS架構，逐步建立自身的AI用例開發及運維能力；法國電信以AI/數據為核心推動網絡智能化、重塑用戶體驗，作為2025戰略的關鍵目標；德國電信則利用AI/ML建立了逐漸演進、開源、非集中化、以自治網絡為目標的AI Program。

從ALL IP、ALL Cloud到ALL Intelligence，華為在電信網絡架構創新上的探索實踐從未停止。早在全雲化戰略實施過程中便嘗試引入AI，以推動網絡的自動、自優、自愈、自治。2018年9月，正式提出自動駕駛網絡（AND）和5級定義，將AI嵌入到底層網元、中間層網絡和上層雲端乃至網絡的整個生命周期中，以此來實現網絡的「無人駕駛、永無故障」。2019年4月，正式發布iMaster NAIE網絡AI雲服務，成為邁向自動駕駛網絡過程中的重要裡程碑。

各大電信行業組織亦已將AI的應用推廣納入議程。比如TMF於2019年5月發布了自動駕駛網絡白皮書，並成立自治網絡工作組，今年2月對自動駕駛網絡技術架構立項。CCSA、3GPP、GSMA、ETSI等組織也陸續發布了自動駕駛網絡相關的研究建議、白皮書、案例報告等。

雲地協同：加速AI特性規模應用

在產業界各方的積極推動下，AI技術已在電信網絡的規劃、建設、維護、優化等各個環節開啟了使能之旅，目前主要聚焦解決感知預測、根因分析和優化控制等問題。典型的AI特性應用像是站點智能節能、故障識別及根因定位、Massive MIMO模式優化，都已初見成效。

不過經實踐發現，AI在網絡中走向規模部署的過程中尚存不少挑戰。韓雨發例舉道，首先是模型泛化能力差，很多場景的AI模型都是一站一模型，如無線流量預測，每個站點的模型都需要根據本地個性化的數據進行訓練，而本地資源受限，導致AI模型規模應用難。

其次，模型易老化。一些場景會發生因泛化或數據偏移而導致的模型精度下降問題，如無線流量預測、DC PUE優化等，AI模型都需要進行重訓練。AI模型訓練一般會佔用較多系統資源，如在網元或網管實施重訓練任務，訓練效率低，同時也可能會影響設備性能。

第三，樣本少，不出局。部分場景單局點樣本量少，不足以支撐模型訓練。以核心網KPI異常檢測為例，由於單局點發生異常頻率很少，訓練需要的樣本量不夠。需要能夠匯聚所有局點的全量樣本信息，可能還需輔以聯邦學習等技術，才能訓練得到滿足業務精度要求的AI模型。

最後，試錯成本高。設計的模型如果直接在真實環境上使用，可能存在較大風險。比如數據中心設計方案，一旦落地，結果基本不可逆。

針對於此，華為基於iMaster NAIE創造性地提出雲地協同解決方案，以加速AI特性的規模應用。韓雨發介紹說，雲地協同是指在運行狀態下，雲端和地端一起協作完成數據樣本上雲、模型狀態管理、模型重訓練、模型/知識下發、擇優更新等一系列的閉環任務，同時把雲端匯聚的全局網絡知識經驗、全量數據訓練得到的高精度模型，持續注入地端，支撐電信網絡智能迭代升級，讓網絡越來越聰明。其中，雲端是指部署在公有雲、合營雲或HCS上的NAIE雲端智能；地端是指集成在網絡管控單元的網絡AI，以及網元設備中的網元AI。

他告訴C114，雲地協同在實際部署中有三個階段，針對不同場景可以選擇合適的階段，最終大幅提高網絡的資源效率。

階段一是雲端進行初始模型的訓練，運行態由地端根據新增的樣本進行在線學習，持續保持模型的精度。這種模式主要適用於模型相對簡單、算法結構比較穩定的場景，僅需要根據本地數據進行在線學習，優化調整模型參數，比如核心網變更在線機器值守等。階段二是雲端進行模型的分發，然後在地端根據新增樣本進行在線學習。一般適合模型相對複雜，華為會持續進行模型算法結構優化的場景，比如無線KPI異常檢測等。階段三是雲地實時協同，模型可以自動化演進。適用於模型複雜、需要用到華為雲端高質量標註數據、知識圖譜以及仿真等知識能力進行模型優化的場景，比如IP RAN/PTN智能告警、DC PUE優化等。

打破桎梏：雲地協同關鍵價值詳解

對症下藥、打破桎梏，為電信網絡鋪就一條智能升維之路，正是新方案的價值所在。在媒體圓桌上，韓雨發對此進行了詳細的解讀。

其一是藉助聯邦學習，提升模型泛化能力和訓練效率。聯邦學習，即是將邊緣節點數據保留在本地，通過地端分布式訓練和雲端模型匯聚的雲地協同機制，獲得全量數據集中訓練方式等同的模型效果，最大的特點就是在地端數據不用出局的情況下提升模型的精度。其應用場景包括，跨運營商部署，運營商的網絡業務數據不允許出局；運營商內不同子網之間的模型共享，同樣可以解決數據不出局的問題；運營商內網元管理帶寬受限，不適合上傳大量數據的場景。

品質家寬是一個典型的案例。韓雨發分享道，家寬業務需要區分遊戲、視頻、上網、應用下載等，以進行流量的精細化管理，提升用戶體驗。但當前各地樣本不同，導致新項目應用識別精準率低、上市周期長。T國某運營商在每個邊緣端的SmartONT上進行本地的模型訓練，然後上傳模型參數到聯邦學習伺服器進行匯聚，生成出新的模型以後再下發給網絡中的終端（包括新建終端），從而在不需要上傳本地數據的前提下快速地提升模型的泛化能力，並可以提高模型訓練的效率、加快新項目的上市。部署以後，對於應用的識別準確率在95%以上，保證了用戶在使用不同應用時的體驗。

其二是構建雲地協同構建網絡知識庫，提升故障運維輔助效率。藉助知識圖譜，通過沉澱專家經驗和產品知識轉化形成故障傳播關係等，形成「網絡知識庫」，可用於故障運維輔助、知識問答等。知識生產系統可部署在雲端，包含建模、抽取、打包等，在起始階段，專業知識需要各個領域的專家編輯領域知識譜schema和推理規則（專家經驗）。知識消費系統客戶端部署到現場，地端圖譜引擎先從雲端導入對應產品的知識圖譜schema和推理規則，然後對接現網設備採集日誌數據，根據下載的schema模型重新組織存儲數據，應用推理規則進行故障診斷，給出處理建議。

其三是建立雲端仿真，模型及業務驗證安全高效。雲端仿真，即通過在雲端構建虛擬仿真環境，高效安全地進行模型或業務驗證，在避免現網性能或KPI受到影響的同時，支撐網絡問題的快速閉環。一方面仿真往往要求很多資源，雲端的計算和存儲資源豐富，容易滿足仿真建立的環境要求；另一方面，在雲端建立一個集中化的仿真平臺，可以供多個局點共享，而且很多仿真軟體是根據授權收費模式，集中化的雲端仿真可以大幅降低經濟成本。目前NAIE主要支持兩種場景的仿真，DC節能仿真和無線網絡優化仿真。目前NAIE主要支持兩種場景的仿真，DC節能仿真和無線網絡優化仿真。

其四是提升模型版本管理效率，加速AI特性更新。傳統網管版本集成升級模式需要經過多層多次的人工動作，往往需要1個月以上的時間才能完成一個版本的更新。如果採用雲地協同的自動升級模式，讓AI模型市場跟地端網絡AI對接，模型訓練完成後通過AI市場進行發布，啟動局點自動下載升級，整個過程僅需1個小時即可完成。

「總體來看，雲地協同可以實現一點生效、多點複製，AI的特性在一個局點成功實施後，快速地形成知識和經驗，在其他局點進行複製，從而實現全網規模應用。」韓雨發如是總結道。

（免責聲明：本網站內容主要來自原創、合作媒體供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，並對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或連結內容可能涉嫌侵犯其智慧財產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，並提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件後，將會依法儘快聯繫相關文章源頭核實，溝通刪除相關內容或斷開相關連結。 ）