人工智能首页 > AI资讯 > 正文

人工智能技术也能够促使电信网络不断优化当前的服务效果和性能

2019-08-26 阅读888次

  未来,人工智能有潜力将电信网络重塑为“自动驾驶”的智慧网络,能够在网络的规划、设计、部署、运营、管理和恢复等各个环节,在终端、业务、接入网、传输网和核心网等各个层级得到应用。同时,在满足用户业务需求方面,人工智能技术也能够促使电信网络不断优化当前的服务效果和性能,并在垂直领域打造智能化解决方案,拓展应用智能化,例如智能监控、智慧物流、智慧家庭等。根据人工智能关键技术特点,电信网络智能化应用可以分为 智能分类 、智能预测、智能优化、网络操作自动化和智能网络管理5大类。

人工智能技术也能够促使电信网络不断优化当前的服务效果和性能

  (1)智能分类

  随着网络规模和复杂度的持续增长,尤其是物联网、网络切片等新技术和场景的加入,在路径规划和流量调度方面,未来网络需要能够满足高吞吐、低时延、随需而动的需求。 流量分类是一项重要且基础的网络功能。通过对不同的流量进行分类,可以提供执行细粒度网络管理的方法。基于人工智能,利用众多项目和场景所积累的多维历史数据,从大度流量负载、QoS/QoE(关键KPI)等角度对流量进行分类。

  其中,大度流量分类常用在数据中心中,通过人工智能算法对大量虚拟机中的大度流量负载(比如CPU利用率、内存使用率、磁盘IO数量)进行分类,是实现自动化设备和资源管理、负载均衡和节能等功能的基础。应用层流量分类对TCP/UDP承载的业务类型进行特征提取和分类,是进行智能缓存、TCP优化、路径优化、智能推荐等功能的基础。KPI的分类和预测以满足用户QoS/QoE需求为目的,通过智能地对KPI值随时间和环境的变化进行预测,使KPI指标更加贴近网络实际情况,从而提升网络服务质量。

  总体来说,监督学习和半监督学习,例如随机森林、决策树、K-NN、深度神经网络等算法常用来进行网络中的分类工作。分类的精确性往往与训练数据的数据量和维度有关。一般来说,可以通过无间断学习和半监督学习来进行数据的特征提取和降维。深度学习可以更好地进行特征提取并提高精确性,但深度神经网络的训练时间和复杂度也往往更高,适合离线工作。

  (2)智能预测

  智能预测在电信网络中是进行网络自适应配置与优化、NFV/MEC任务调度的基础。 其中,主要的应用包括用户移动性预测、QoE预测、流量预测和信道建模与预测等。对用户进行实时精准定位和移动性预测,是实现移动性管理、路由、小区管理和切换、功率控制、频谱管理、多天线技术、无线信号的自适应调整等功能智能化的基础,可以采用回归、LSMT和深度学习等算法,在规划、设计、部署、操作和管理阶段进行。通过对QoS/QoE参数的预测以及QoS/QoE与KPI之间关系的推理,对在线用户数的预测等可以实现对用户的智能管理和配置、减少网络拥塞、自适应资源调度、节能等;通过对SDN和边缘节点的处理能力和任务量的预测,可以实现对网络处理能力的自动化配置和优化,提高网络运营效率,实现智能化网络切片。

  智能预测相关的应用通常采取离线预测、离线规划和在线路由更新的方式来进行。其中,神经网络通常用来进行离线预测,最小成本路径算法、蚁群优化算法、随机优化和强化学习等算法往往用来进行智能路由、资源管理和任务调度等网络优化工作。对QoS参数的预测往往是连续的,因此通常采用回归算法;对QoE参数的预测则采用K-NN、随机森林等算法。

  (3)智能优化

  在现有电信网络中,为了保障网络的全覆盖及网络资源的合理分配,运营商在网络优化工作中投入了大量的人力物力。在网络日趋复杂和业务多样化的趋势下,基于人工智能技术可以实现对电信网络大规模数据的训练,将推理预测结果和大量的专家经验模型化,从而实现主动式优化和网络性能的最大优化。智能优化主要的应用包括RAN辅助TCP窗口优化、网络能耗优化、网络覆盖优化和智能缓存等。

  RAN辅助TCP窗口优化利用(深度)强化学习、决策树和贝叶斯网络等算法,通过实时地向应用层通知无线电接口信道和负载状态,从而在应用层调整其传输数据传输率、优化TCP窗口,来更好地在应用层与RAN之间进行匹配。

  在电信网络中,接入环境复杂多变且不确定性较强,链路自适应优化应用利用深度学习等人工智能技术对网络历史信道状态数据和相应的KPI数据进行训练学习,寻找影响无线网络质量的关键因素,从而构建智能优化引擎。优化引擎能结合现网运行状态准确实时地给出优化调整建议和决策,如天线下倾角和方位角调整、性能参数优化、调制编码方法、邻区配置调整等,在保证每个用户的性能下优化网络覆盖。

  由于网络的忙闲状态具有较大的时空差异性,网络能耗也有较大的优化空间。利用人工智能技术对网络覆盖、用户分布、业务特点进行综合分析,借助流量预测结果,精准预测热点小区,可以智能设置网络设备休眠和唤醒的时间,提高区域网络资源利用率,并有效降低区域网络能耗。

  另外,K-均值聚类、(深度)强化学习、LSMT、DL等算法则可以被用来预测并优化不同网络状况的缓存系统,最优化服务延迟和网络负载,实现智能缓存。

  (4)智能网络管理

  智能网络管理包括智能路由、负载均衡和小区的融合分裂、工业4.0网络管理、无线控制、智能调度、智能信号处理和智能安全等方面。智能路由利用历史数据和细粒度网络测量数据,通过预测网络负载和容量,最大化优化路由路径,包括软件定义路由、无线网络路由、数据包路由和机器学习需要的数据路由等。负载均衡和小区管理基于对网络流量和用户数的分析预测,实现小区之间自动化的负载均衡、小区的快速融合和分类等功能。

  机器学习有效地提高了工业4.0网络管理的效率,基于环境观察和制造模式,可以动态且连续地管理和优化工业物联网网络的操作行为。智能化无线控制基于网络历史数据对网络进行预测,动态且自适应地对网络设备进行功率控制和频谱管理等。智能调度基于对网络流量和用户数的分析和预测,对运算资源和网络资源进行动态调度,从而降低全网络所有用户的服务延迟和能量消耗,提高网络恢复和自愈能力。半监督学习、长短记忆(LSTM)、深度强化学习等机器学习算法可以用来将网络的测量数据、用户的位置信息和信号反馈数据等作为输入,并学习出优化的信道估计结果、波束赋形和调制解调的选择策略等。机器学习算法,例如DBN、决策树和K-NN等,还可以用来对设备信息和测量数据进行分类,对网络的软硬件进行智能安全性保护,并利用一定的恢复模板进行网络自愈操作等。

  (5)网络操作自动化

  网络操作自动化利用人工智能技术,实现对网络的规划设计和运维管理等过程由人工向自动化和智能化转变,主要应用包括业务—网络映射、网络设计与部署、故障检测与恢复、网络资源适配等。

  业务—网络映射利用贝叶斯网络、概率图模型和逻辑推理等算法,对业务需求和逻辑网络需求数据进行学习推理,自动将网络服务用户需求转换为网络服务提供商对网络服务部署要求的功能。

  人工智能技术还可以将网络运营商对网络的设计意图、规范、部署流程和设计结果以及网络性能等进行训练学习,实现自动化的设计意图和网络规范,以使网络操作员远离频繁的模板/脚本更新作业,实现运营商网络服务流程的自动化。同时,软件定义网络(SDN)和网络功能虚拟化(NFV)将依赖网络自动化来实现服务的灵活性和高效性,获得高效益。

  对电信网络的故障检测、分析(故障类型和位置)以及恢复是实现网络闭环操作的基础。人工智能驱动的预测推理功能可以帮助电信运营商和服务商通过对网络健康度和关联指标的实时监控,利用训练的特征规则,分析推理网络趋势走向,基于模式预测故障,并从根源上提供更好的解决方案。人工智能将带动智能网络运营与维护的发展,实现网络自我优化与自我修复等。


随意打赏