光網(wǎng)絡(luò)應(yīng)用人工智能探討

  隨著“互聯(lián)網(wǎng)+”、5G、4K、VR等新業(yè)務(wù)和新技術(shù)的蓬勃發(fā)展，新興網(wǎng)絡(luò)服務(wù)對基礎(chǔ)光網(wǎng)絡(luò)提出了更高的要求，光網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大，網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜，網(wǎng)絡(luò)復(fù)雜度呈指數(shù)級增長，導(dǎo)致運(yùn)維成本成倍增長。人工智能技術(shù)(AI)的蓬勃發(fā)展為解決上述問題帶來了新的機(jī)遇，利用AI強(qiáng)大的數(shù)據(jù)分析和信息提取能力，通過對海量網(wǎng)絡(luò)數(shù)據(jù)采集、分析、預(yù)測、決策，為診斷網(wǎng)絡(luò)質(zhì)量、優(yōu)化業(yè)務(wù)性能、減輕運(yùn)營負(fù)擔(dān)、改善用戶體驗(yàn)等帶來無限可能。

  光網(wǎng)絡(luò)AI應(yīng)用場景分析

  光網(wǎng)絡(luò)引入AI的驅(qū)動力

  引入AI可以有效解決網(wǎng)絡(luò)運(yùn)維中預(yù)測預(yù)防類、復(fù)雜類、重復(fù)性等工作帶來的成本和效率上的問題，主要體現(xiàn)在以下3個(gè)方面。

  一是預(yù)評估。實(shí)現(xiàn)對光網(wǎng)絡(luò)故障/風(fēng)險(xiǎn)進(jìn)行提前預(yù)測和提示，提升故障/風(fēng)險(xiǎn)閉環(huán)處理效率;對全網(wǎng)容量增長進(jìn)行預(yù)測，指導(dǎo)網(wǎng)絡(luò)擴(kuò)容建設(shè)預(yù)算評估;精準(zhǔn)預(yù)測網(wǎng)絡(luò)流量變化并及時(shí)對網(wǎng)絡(luò)資源進(jìn)行擴(kuò)容和縮容，提升網(wǎng)絡(luò)穩(wěn)定性和用戶體驗(yàn)，節(jié)省運(yùn)營商成本。

  二是智管控。構(gòu)建智能處理建議能力，嵌入維護(hù)流程或系統(tǒng)中，提升故障處理效率;具備啞資源空閑纖芯質(zhì)量監(jiān)控能力，實(shí)現(xiàn)全量纖芯質(zhì)量可視，突破啞資源數(shù)字化管理。

  三是優(yōu)網(wǎng)絡(luò)。對海量告警信息進(jìn)行統(tǒng)計(jì)分析與建模學(xué)習(xí)，快速、準(zhǔn)確過濾關(guān)聯(lián)告警，定位根因告警，提升告警事件處理的效率;智能調(diào)測優(yōu)化網(wǎng)絡(luò)，波長發(fā)放自動調(diào)測，光性能實(shí)時(shí)監(jiān)控、實(shí)時(shí)調(diào)優(yōu)，免人工調(diào)測;頻譜/路由等網(wǎng)絡(luò)資源自動優(yōu)化，提升網(wǎng)絡(luò)資源利用率。

  AI分析類場景分析

  將主備業(yè)務(wù)或關(guān)聯(lián)業(yè)務(wù)部署到同一條光纜上并不鮮見，如果單條光纜中斷后主備業(yè)務(wù)或關(guān)聯(lián)業(yè)務(wù)同時(shí)失效，不僅會導(dǎo)致業(yè)務(wù)中斷，還會使部分網(wǎng)絡(luò)成為“孤島”。隨著網(wǎng)絡(luò)不斷變更和演進(jìn)，人工巡線、人工錄入維護(hù)方式不能夠精準(zhǔn)識別同纜，效率和識別準(zhǔn)確度較低，引入AI技術(shù)可以智能識別主備業(yè)務(wù)、關(guān)聯(lián)業(yè)務(wù)是否存在同纜風(fēng)險(xiǎn)，保障網(wǎng)絡(luò)高可靠運(yùn)行。

  網(wǎng)絡(luò)規(guī)劃與業(yè)務(wù)發(fā)展不同步，可能造成網(wǎng)絡(luò)負(fù)載不均、資源利用效率低下、資源需求高低不均，根因是網(wǎng)絡(luò)拓?fù)湟呀?jīng)無法匹配業(yè)務(wù)流量流向變化。對此，可以基于業(yè)務(wù)精準(zhǔn)預(yù)測反向優(yōu)化網(wǎng)絡(luò)拓?fù)洌ㄟ^適量加纖、加纜、加點(diǎn)，實(shí)現(xiàn)網(wǎng)絡(luò)承載能力倍增，適應(yīng)業(yè)務(wù)變化和發(fā)展需要。

  秒級、毫秒級甚至微秒級業(yè)務(wù)閃斷發(fā)生頻次高，但持續(xù)時(shí)間短、無告警上報(bào)，且人工定位和回溯困難，故障很難復(fù)現(xiàn)，基本依據(jù)用戶投訴解決問題，嚴(yán)重影響客戶感知和運(yùn)營商口碑。同時(shí)，網(wǎng)絡(luò)“卡、慢、斷”導(dǎo)致用戶體驗(yàn)差與應(yīng)用、帶寬、連接多個(gè)維度緊密相關(guān)，根因定位定界涉及大量網(wǎng)絡(luò)數(shù)據(jù)，人工分析效率很低，大多數(shù)用戶業(yè)務(wù)體驗(yàn)問題難以根治。迫切需要引入AI技術(shù)，提升光網(wǎng)絡(luò)瞬態(tài)變化感知精度，實(shí)現(xiàn)性能瞬變監(jiān)測和閃斷智能定位定界，實(shí)現(xiàn)用戶體驗(yàn)差根因的高效定位定界。

  AI預(yù)測類場景分析

  隨著專線業(yè)務(wù)的快速發(fā)展，業(yè)務(wù)發(fā)放效率成為運(yùn)營商的核心競爭力，而傳統(tǒng)資源規(guī)劃很難適應(yīng)專線的隨機(jī)性和突發(fā)性，當(dāng)前運(yùn)營商對網(wǎng)絡(luò)投資的收緊加大了資源精準(zhǔn)預(yù)留、業(yè)務(wù)快速發(fā)放的難度。引入AI智能資源預(yù)測，結(jié)合歷史業(yè)務(wù)增長趨勢，實(shí)現(xiàn)資源高效利用、業(yè)務(wù)發(fā)放“零”等待。

  光網(wǎng)絡(luò)的性能劣化、隱患變故障是漸進(jìn)式發(fā)展的，基于閾值的人工判斷方式難以識別，故障一旦發(fā)生，經(jīng)常面臨大量業(yè)務(wù)中斷、修復(fù)周期過長等挑戰(zhàn)。隨著光網(wǎng)絡(luò)承載的業(yè)務(wù)流量增長，維護(hù)壓力與日俱增，迫切需要引入AI智能識別網(wǎng)絡(luò)健康、提前預(yù)測風(fēng)險(xiǎn)。

  隨著數(shù)字經(jīng)濟(jì)的發(fā)展，光網(wǎng)絡(luò)上波長增加明顯提速，同時(shí)為了增加網(wǎng)絡(luò)可靠性引入智能路由調(diào)整，使得網(wǎng)絡(luò)中頻繁加掉波，從而對現(xiàn)有波長性能產(chǎn)生影響，而當(dāng)前人工方式存在工作量大、效率低、精度差等問題。引入AI智能余量預(yù)測，可以自動對波長余量進(jìn)行動態(tài)仿真，精準(zhǔn)模擬加掉波對現(xiàn)有波長的性能余量變化和劣化根因分析，為精準(zhǔn)調(diào)測提供保障。

  AI優(yōu)化類場景分析

  省際骨干傳送網(wǎng)與省內(nèi)骨干傳送網(wǎng)融合、省內(nèi)骨干傳送網(wǎng)與城域網(wǎng)一體化將導(dǎo)致網(wǎng)絡(luò)規(guī)模不斷擴(kuò)展，使路由選擇過多，從而加大業(yè)務(wù)選路變數(shù)。因此，光模擬網(wǎng)絡(luò)面臨手工調(diào)測效率低、出錯(cuò)概率高、效果不可控等問題。而引入AI智能優(yōu)化調(diào)測步驟，再結(jié)合自動性能檢測，可以實(shí)時(shí)監(jiān)控關(guān)聯(lián)路徑的性能，保障網(wǎng)絡(luò)處于穩(wěn)定、較優(yōu)狀態(tài)。

  為適應(yīng)動態(tài)的業(yè)務(wù)變化、保障網(wǎng)絡(luò)性能指標(biāo)時(shí)刻處于最優(yōu)并發(fā)掘網(wǎng)絡(luò)利用潛能，需要對波長、鏈路和路由實(shí)施動態(tài)優(yōu)化。以往各類傳輸優(yōu)化工具或軟件主要借助固化的方法和簡單的規(guī)則，甚至依賴工程師的經(jīng)驗(yàn)完成優(yōu)化，并未識別到本質(zhì)特征、考慮維度簡單、相關(guān)性分析不足、局部而非全局，因此優(yōu)化的結(jié)果往往不是普遍有效。如今隨著網(wǎng)絡(luò)規(guī)模和業(yè)務(wù)規(guī)模的不斷擴(kuò)大，傳統(tǒng)優(yōu)化方式難堪重任，需要引入人工智能以完成整個(gè)傳輸網(wǎng)生命周期內(nèi)的精細(xì)化、動態(tài)化、智能化的優(yōu)化。

  光網(wǎng)絡(luò)AI關(guān)鍵實(shí)現(xiàn)技術(shù)

  光網(wǎng)絡(luò)AI應(yīng)用解決方案架構(gòu)

  AI應(yīng)用解決方案架構(gòu)可以為光網(wǎng)絡(luò)提供啞資源管理、智能規(guī)劃、智能運(yùn)營、智能維護(hù)和智能優(yōu)化等AI應(yīng)用，實(shí)現(xiàn)光網(wǎng)絡(luò)全生命周期自動化、智能化運(yùn)維，支撐政企專線、數(shù)據(jù)中心、家寬、算力網(wǎng)絡(luò)等各類業(yè)務(wù)高品質(zhì)發(fā)展。具體實(shí)現(xiàn)載體包括底層網(wǎng)元設(shè)備和上層管控系統(tǒng)，整體架構(gòu)如圖1所示。

圖1 光網(wǎng)絡(luò)AI應(yīng)用解決方案架構(gòu)

  管控系統(tǒng)可以對光網(wǎng)絡(luò)進(jìn)行數(shù)字孿生，基于網(wǎng)絡(luò)級意圖管理集成網(wǎng)絡(luò)級AI引擎，進(jìn)行智能分析預(yù)測、仿真和決策控制，實(shí)現(xiàn)自動化閉環(huán)處理。

  網(wǎng)元設(shè)備能夠基于光Sensor體系對光參數(shù)據(jù)進(jìn)行全面、精準(zhǔn)、實(shí)時(shí)感知和采集，使用網(wǎng)元級內(nèi)生AI對高性能數(shù)據(jù)分析、處理和壓縮，實(shí)現(xiàn)網(wǎng)元級分析預(yù)測、智能決策，上報(bào)全量光參，精準(zhǔn)計(jì)算噪聲、代價(jià)和余量等，與管控系統(tǒng)網(wǎng)絡(luò)級AI進(jìn)行功能互補(bǔ)。

  融合感知技術(shù)

  面對高復(fù)雜度的多參量光網(wǎng)絡(luò)系統(tǒng)，為了能夠全面、精準(zhǔn)、實(shí)時(shí)感知光網(wǎng)絡(luò)狀態(tài)，網(wǎng)元系統(tǒng)和管控系統(tǒng)需要從維度、精度、頻度等多個(gè)角度進(jìn)行光Sensor數(shù)據(jù)的分層采集和匯聚，并通過AI算法對原始光Sensor數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，支撐光網(wǎng)絡(luò)的各類業(yè)務(wù)場景。

  對于管控系統(tǒng)需要具備數(shù)據(jù)匯聚和數(shù)據(jù)挖掘處理能力。數(shù)據(jù)匯聚是指管控系統(tǒng)需要將采集的數(shù)據(jù)進(jìn)行分類匯聚，可分為資源數(shù)據(jù)底座和性能數(shù)據(jù)底座。資源數(shù)據(jù)底座匯聚的數(shù)據(jù)主要是靜態(tài)的存量數(shù)據(jù)，比如業(yè)務(wù)存量、網(wǎng)絡(luò)拓?fù)浯媪繑?shù)據(jù)等。匯聚的資源和性能原始數(shù)據(jù)表達(dá)的信息量始終是有限的，因此管控系統(tǒng)需要基于AI算法技術(shù)對光Sensor數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘以獲得額外的信息量，用于支撐感知、診斷、預(yù)測、控制等多類業(yè)務(wù)場景。

  光Sensor技術(shù)是以光技術(shù)手段感知、檢測多種物理量，并將模擬物理量數(shù)字化的一種技術(shù)。面對高復(fù)雜度的多參量光網(wǎng)絡(luò)系統(tǒng)，為了能夠全面、精準(zhǔn)、實(shí)時(shí)感知光網(wǎng)絡(luò)狀態(tài)，網(wǎng)元系統(tǒng)和管控系統(tǒng)需要從維度、精度、頻度等多個(gè)角度進(jìn)行光Sensor數(shù)據(jù)的分層采集和匯聚，并通過AI算法對原始光Sensor數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，支撐光網(wǎng)絡(luò)的各類業(yè)務(wù)場景。網(wǎng)元系統(tǒng)利用光Sensor技術(shù)對各個(gè)層面的數(shù)據(jù)進(jìn)行逐層采集：光業(yè)務(wù)層、光器件層、光信道層、光鏈路層。光業(yè)務(wù)層數(shù)據(jù)主要是客戶關(guān)注的業(yè)務(wù)屬性指標(biāo)，比如帶寬、時(shí)延、誤碼、保護(hù)倒換時(shí)長等指標(biāo);光器件層數(shù)據(jù)主要是采集光器件的物理指標(biāo)，包括功率、溫度、電壓、頻偏等;光信道層數(shù)據(jù)關(guān)注點(diǎn)在于信道的屬性特征，類似信道編號、光信噪比、單波功率等;光鏈路層數(shù)據(jù)集中在鏈路側(cè)的特征，包含光纖損耗、光纖類型、光纖事件等。

  網(wǎng)絡(luò)時(shí)延是一項(xiàng)重要的網(wǎng)絡(luò)性能指標(biāo)，對業(yè)務(wù)流量吞吐、業(yè)務(wù)感知有直接影響，精準(zhǔn)捕捉影響網(wǎng)絡(luò)性能和業(yè)務(wù)體驗(yàn)的時(shí)延變化，感知時(shí)延并定界定位時(shí)延變化根因，對自動優(yōu)化時(shí)延、保障業(yè)務(wù)體驗(yàn)至關(guān)重要。感知時(shí)延能力不僅要支持已開通業(yè)務(wù)電路的時(shí)延可檢可測，還要能在任意潛在源宿開通電路之前準(zhǔn)確預(yù)估時(shí)延，并在業(yè)務(wù)電路時(shí)延出現(xiàn)變化時(shí)，能及時(shí)捕捉到時(shí)延變化根因，比如業(yè)務(wù)電路保護(hù)倒換導(dǎo)致的線路時(shí)延變化，并能準(zhǔn)確檢測到業(yè)務(wù)時(shí)延變化值。通過AI算法提前獲取業(yè)務(wù)影響時(shí)長是評估業(yè)務(wù)體驗(yàn)、提升網(wǎng)絡(luò)質(zhì)量、改進(jìn)運(yùn)維手段的重要指標(biāo)。

  面臨光Sensor產(chǎn)生的海量數(shù)據(jù)，數(shù)據(jù)流轉(zhuǎn)技術(shù)建立了網(wǎng)元設(shè)備內(nèi)和網(wǎng)元設(shè)備與管控系統(tǒng)間的高速傳輸通道，實(shí)施網(wǎng)元設(shè)備分布式本地決策和管控系統(tǒng)集中式智能控制兩層處理，協(xié)同完成決策，如圖2所示。

圖2 高性能數(shù)據(jù)流轉(zhuǎn)架構(gòu)示意

  網(wǎng)元設(shè)備按照數(shù)據(jù)采集量的大小和時(shí)間精度分為高速采集和低速采集。硬件上，在網(wǎng)元設(shè)備為關(guān)鍵Sensor開辟快速外送數(shù)據(jù)到硬件通道，使用高速緩存區(qū)存儲多端口高精度數(shù)據(jù)(如毫秒級);軟件上，構(gòu)建統(tǒng)一大采集數(shù)據(jù)框架，抽象建模光Sensor數(shù)據(jù)采集項(xiàng)，靈活控制多單板、多端口的數(shù)據(jù)并發(fā)采集，并使用內(nèi)存共享技術(shù)高效讀寫。

  云地協(xié)同全棧AI技術(shù)

  光網(wǎng)絡(luò)AI技術(shù)研究面對模型泛化能力差、模型部署要求算力高、本地樣本少/標(biāo)注難、大數(shù)據(jù)管理困難等問題，需要探索一種新的AI技術(shù)架構(gòu)應(yīng)對這些問題，加速AI應(yīng)用的規(guī)模部署。AI模型應(yīng)具有在線學(xué)習(xí)能力，能夠不斷學(xué)習(xí)網(wǎng)絡(luò)新特征、新變化，AI模型訓(xùn)練應(yīng)集中部署在算力中心或者支持分布式訓(xùn)練部署。針對光網(wǎng)絡(luò)多邊緣設(shè)備+中心控制的組網(wǎng)特點(diǎn)，云地協(xié)同AI技術(shù)架構(gòu)是解決上述挑戰(zhàn)的最佳解決方案。

  云地協(xié)同是指云端和地端協(xié)作完成數(shù)據(jù)樣本上云、模型狀態(tài)管理、模型重訓(xùn)練、模型/知識下發(fā)、 擇優(yōu)更新等一系列閉環(huán)任務(wù)，同時(shí)把云端匯集的全局網(wǎng)絡(luò)知識經(jīng)驗(yàn)、全量數(shù)據(jù)訓(xùn)練得到的高精度模型，持續(xù)注入地端，讓光網(wǎng)絡(luò)AI能夠進(jìn)行智能迭代升級，變得越來越聰明，如圖3所示。

圖3 云地協(xié)同全棧AI示意

  AI服務(wù)包含數(shù)據(jù)治理服務(wù)、模型訓(xùn)練服務(wù)、專家經(jīng)驗(yàn)輔助服務(wù)，涉及運(yùn)營商大量運(yùn)營數(shù)據(jù)、用戶數(shù)據(jù)、網(wǎng)絡(luò)數(shù)據(jù)，對數(shù)據(jù)安全要求很高，云端適合部署在IT云。實(shí)時(shí)海量數(shù)據(jù)并發(fā)上報(bào)、處理加劇整網(wǎng)壓力，在地端(包含管控系統(tǒng)、網(wǎng)元設(shè)備)部署分布式AI，就近處理本地實(shí)時(shí)海量數(shù)據(jù)。

  智能分析預(yù)測技術(shù)

  網(wǎng)絡(luò)出現(xiàn)問題后生成告警，進(jìn)而觸發(fā)故障定位和修復(fù)是當(dāng)前網(wǎng)絡(luò)運(yùn)維的普遍方式。海量告警上報(bào)導(dǎo)致故障根因定位困難、靜默故障無告警上報(bào)導(dǎo)致無法定位故障根因，是根因告警分析的兩大難題。

  由于網(wǎng)絡(luò)數(shù)據(jù)量大、維度多和故障模式多樣化，且關(guān)聯(lián)影響發(fā)散，需要精準(zhǔn)的篩查和多維度關(guān)聯(lián)分析能力，通過智能分析技術(shù)，構(gòu)建關(guān)聯(lián)模型并進(jìn)行相關(guān)訓(xùn)練，實(shí)現(xiàn)根因告警識別和靜默故障定位。智能資源預(yù)測和故障風(fēng)險(xiǎn)預(yù)測可提前發(fā)現(xiàn)資源瓶頸和故障風(fēng)險(xiǎn)，提升業(yè)務(wù)TTM(最近十二個(gè)月市盈率)和業(yè)務(wù)可靠性。

  光網(wǎng)絡(luò)智能分析預(yù)測能力需在網(wǎng)元和管控層面分別構(gòu)筑對應(yīng)的智能分析能力。通過分層實(shí)現(xiàn)智能AI分析預(yù)測能力，基于高精度數(shù)據(jù)的短周期預(yù)測，需在網(wǎng)元進(jìn)行高速數(shù)據(jù)采集處理和分析預(yù)測閉環(huán)，提升分析效率;基于數(shù)據(jù)粒度較大的長周期預(yù)測，可通過管控系統(tǒng)長周期數(shù)據(jù)采集和分析預(yù)測閉環(huán)。智能預(yù)測一般采用時(shí)間序列模型+訓(xùn)練學(xué)習(xí)方式實(shí)現(xiàn)。光網(wǎng)絡(luò)常見時(shí)間序列模型包括差分回歸移動平均模型(ARIMA)和PROPHET模型，前者根據(jù)網(wǎng)絡(luò)實(shí)際資源進(jìn)行預(yù)測，例如根據(jù)網(wǎng)絡(luò)當(dāng)前新增鏈路來預(yù)測未來某一段時(shí)間內(nèi)的鏈路增量;后者可以在一定數(shù)據(jù)缺失的情況下，仍能保持較好的預(yù)測效果，如光傳輸性能余量預(yù)測適用于該方法。

  智能仿真決策技術(shù)

  光網(wǎng)絡(luò)仿真能夠?yàn)榫W(wǎng)絡(luò)規(guī)劃、設(shè)計(jì)、配置以及網(wǎng)絡(luò)自優(yōu)化(如網(wǎng)絡(luò)路徑優(yōu)化、網(wǎng)絡(luò)資源性能優(yōu)化等)提供可靠依據(jù)，通過對配置和優(yōu)化結(jié)果下發(fā)前進(jìn)行事前仿真決策，確保配置和優(yōu)化結(jié)果的自動、準(zhǔn)確、可信任執(zhí)行，保障業(yè)務(wù)安全。網(wǎng)絡(luò)仿真能夠有效地驗(yàn)證實(shí)際方案或比較多個(gè)不同的仿真設(shè)計(jì)以及組織方案，以便于對不同的設(shè)計(jì)方案建立模型，實(shí)施模擬，對網(wǎng)絡(luò)性能預(yù)測數(shù)據(jù)采取定量獲取，為設(shè)計(jì)、配置方案的比較和驗(yàn)證提供可靠的依據(jù)。

  網(wǎng)絡(luò)仿真決策技術(shù)是一種利用數(shù)學(xué)建模和統(tǒng)計(jì)分析的方法模擬網(wǎng)絡(luò)決策行為，通過建立網(wǎng)絡(luò)信息的統(tǒng)計(jì)模型，模擬網(wǎng)絡(luò)操作執(zhí)行，獲取網(wǎng)絡(luò)設(shè)計(jì)及優(yōu)化所需要的網(wǎng)絡(luò)性能數(shù)據(jù)的技術(shù)。網(wǎng)絡(luò)仿真分為3個(gè)階段：準(zhǔn)備階段、模型設(shè)計(jì)、仿真與結(jié)果分析。

  在仿真的基礎(chǔ)準(zhǔn)備階段，構(gòu)建全光參量數(shù)字孿生底座，通過Sensor體系實(shí)現(xiàn)上報(bào)全量光參、在線學(xué)習(xí)，精準(zhǔn)計(jì)算噪聲、代價(jià)、余量等，支撐對網(wǎng)元實(shí)時(shí)狀態(tài)的全量認(rèn)知;在仿真的模型設(shè)計(jì)階段，除了對網(wǎng)元、單板、端口、濾波器等基礎(chǔ)建模外，通過離線和在線大數(shù)據(jù)學(xué)習(xí)，對光傳輸質(zhì)量進(jìn)行在線建模;在仿真與結(jié)果分析階段，通過AI遷移學(xué)習(xí)算法、回歸算法等實(shí)現(xiàn)余量動態(tài)監(jiān)控以及自優(yōu)化執(zhí)行結(jié)果分析，做到自動調(diào)整優(yōu)化方案以及實(shí)時(shí)自調(diào)優(yōu)。

  光網(wǎng)絡(luò)AI應(yīng)用案例

  目前，AI技術(shù)在光傳送網(wǎng)絡(luò)中已經(jīng)開始各種應(yīng)用探索。

  應(yīng)用一：同纜風(fēng)險(xiǎn)智能識別

  為排除主備業(yè)務(wù)物理同纜風(fēng)險(xiǎn)，基于光纖的瑞利散射、受激拉曼散射、偏振狀態(tài)等光學(xué)效應(yīng)產(chǎn)生機(jī)制，通過對光纖信息、站點(diǎn)地理信息、光性能信息、環(huán)境信息等數(shù)據(jù)進(jìn)行分析，提取光纖指紋特征，采用多模態(tài)機(jī)器學(xué)習(xí)智能算法識別同纜概率，實(shí)現(xiàn)了同纜風(fēng)險(xiǎn)自動識別。

  應(yīng)用二：光網(wǎng)絡(luò)健康預(yù)測和可視

  為實(shí)現(xiàn)對光網(wǎng)絡(luò)健康預(yù)測與可視，基于秒級數(shù)據(jù)采集，對數(shù)據(jù)進(jìn)行清洗、標(biāo)定和特征提取，采用AI算法對光纖進(jìn)行多維度健康預(yù)測和劣化預(yù)警，分析光纖和波道健康度，并根據(jù)光性能變化趨勢，提前預(yù)測劣化類故障風(fēng)險(xiǎn)，以及自動定位和定界光纖故障、自動分析割接質(zhì)量。

  應(yīng)用三：網(wǎng)絡(luò)故障根因分析

  首先對歷史告警以及告警相關(guān)聯(lián)數(shù)據(jù)進(jìn)行特征提取、清洗與聚合等處理，根據(jù)處理后的數(shù)據(jù)，通過機(jī)器學(xué)習(xí)等智能化算法的訓(xùn)練推理，獲得告警間的關(guān)聯(lián)及衍生關(guān)系、關(guān)聯(lián)告警與根因故障的映射關(guān)系，進(jìn)而生成RCA(Root Cause Analysis根因分析)規(guī)則、積累形成規(guī)則庫。在告警監(jiān)控中，通過展開告警關(guān)系樹，可以明確地獲悉告警間的關(guān)聯(lián)、衍生關(guān)系，并通過RCA規(guī)則庫獲得關(guān)聯(lián)告警所映射的故障根因。

  光網(wǎng)絡(luò)架構(gòu)體系處于數(shù)智化轉(zhuǎn)型升級的關(guān)鍵階段，AI在光網(wǎng)絡(luò)中的應(yīng)用有廣闊空間可以挖掘。近期需要深化融合感知和智能分析、預(yù)測類技術(shù)研究，提升啞資源感知能力，推進(jìn)光網(wǎng)絡(luò)全參量感知、光纜和資源規(guī)劃預(yù)測、故障智能定界定位及風(fēng)險(xiǎn)預(yù)測技術(shù)的成熟。遠(yuǎn)期需要突破光網(wǎng)絡(luò)智能仿真決策技術(shù)，增強(qiáng)AI模型泛化能力，將AI優(yōu)化類場景應(yīng)用擴(kuò)展至光網(wǎng)絡(luò)業(yè)務(wù)配置優(yōu)化、資源優(yōu)化、性能優(yōu)化等場景。

  作者：中國移動研究院 李允博 葛大偉 孫將 趙陽、中國移動通信集團(tuán)有限公司網(wǎng)絡(luò)事業(yè)部 郝斌、中國移動通信集團(tuán)北京有限公司 車輪奔、中國移動通信集團(tuán)浙江有限公司 王曉義