基于大數(shù)據(jù)的人工智能運(yùn)維服務(wù)支撐方案

基于大數(shù)據(jù)的人工智能運(yùn)維服務(wù)支撐方案01概述在運(yùn)營(yíng)商傳統(tǒng)網(wǎng)絡(luò)運(yùn)維中，巡檢、告警分析、故障處理等工作長(zhǎng)期積累了豐富的經(jīng)驗(yàn)，其價(jià)值并未被充分挖掘。同時(shí)，目前的人工運(yùn)維存在系統(tǒng)復(fù)雜耦合度高、數(shù)據(jù)來源多種多樣、人工維護(hù)風(fēng)險(xiǎn)度高，修復(fù)間隔時(shí)間過長(zhǎng)、人員培養(yǎng)難度大等現(xiàn)狀，導(dǎo)致了性能相關(guān)告警不明確、無效告警篩查規(guī)則缺失、故障維護(hù)只能被動(dòng)解決，優(yōu)化/維護(hù)工單重復(fù)派發(fā)等問題，影響網(wǎng)絡(luò)運(yùn)維的效率和成本。為了優(yōu)化網(wǎng)絡(luò)運(yùn)維的工作模式，提升網(wǎng)絡(luò)運(yùn)維準(zhǔn)確性及效率性，提出集中維護(hù)支撐服務(wù)項(xiàng)目，基于人工智能（ArtificialIntelligence）的運(yùn)維解決方案旨在強(qiáng)調(diào)實(shí)現(xiàn)以維護(hù)為中心，依托大數(shù)據(jù)挖掘技術(shù)與深度學(xué)習(xí)算法，實(shí)現(xiàn)問題早發(fā)現(xiàn)，由被動(dòng)處理問題改為積極預(yù)防問題，從而提高整體資源的利用率和維護(hù)效率。02基于人工智能（AI）核心算法2.1聚類算法（KMeans）通過對(duì)多維度求歐拉距離（或余弦距離），不斷的迭代對(duì)隱患進(jìn)行聚類，找到關(guān)鍵核心點(diǎn)的特性進(jìn)行隱患挖掘。K-Means算法是基于多維度距離的聚類算法，通過設(shè)置參數(shù)K,將樣本點(diǎn)分為K個(gè)緊湊且獨(dú)立的簇，每個(gè)簇由與簇的質(zhì)心歐拉距離靠近的樣本點(diǎn)組成。計(jì)算步驟：?隨機(jī)選取K個(gè)中心點(diǎn)遍歷所有數(shù)據(jù)，將每個(gè)數(shù)據(jù)劃分到最近的中心點(diǎn)中?計(jì)算每個(gè)聚類的平均值，并作為新的中心點(diǎn)?重復(fù)2-3，直到這k個(gè)中線點(diǎn)不再變化（收斂了），或執(zhí)行了足夠多的迭代以每個(gè)基站作為樣本點(diǎn)，以其性能指標(biāo)參數(shù)及歷史告警類別和頻次作為特征，對(duì)所有有告警基站進(jìn)行K-Means聚類，通過不斷迭代將將告警類型依據(jù)相似性能指標(biāo)進(jìn)行聚類，深入挖掘各類告警的關(guān)鍵核心特征，作為基站畫像、隱患挖掘與管理的基礎(chǔ)。2.2常規(guī)分類算法（邏輯回歸，KNN，決策樹，隨機(jī)森林）通過把相似隱患進(jìn)行歸并，可以對(duì)隱患進(jìn)行分級(jí)，從而方便查找隱患的級(jí)別。常規(guī)分類算法是有監(jiān)督的機(jī)器學(xué)習(xí)算法，對(duì)于給定的目標(biāo)類別，將樣本進(jìn)行分類。邏輯回歸：基于Sigmoid函數(shù)的多特征的二分類/多分類廣義線性回歸。通過建立代價(jià)函數(shù)并利用梯度下降優(yōu)化的方法，實(shí)現(xiàn)多樣本的分類。KNN：K最近鄰（kNN，k-NearestNeighbor）分類算法是數(shù)據(jù)挖掘分類技術(shù)中最簡(jiǎn)單的方法之一。所謂K最近鄰，就是將每個(gè)樣本分類為它最接近的k個(gè)樣本的類別均值。決策樹：決策樹又稱為判定樹，是運(yùn)用于分類的一種樹結(jié)構(gòu)，其中的每個(gè)內(nèi)部節(jié)點(diǎn)代表對(duì)某一屬性的一次測(cè)試，每條邊代表一個(gè)測(cè)試結(jié)果，葉節(jié)點(diǎn)代表某個(gè)類或類的分布。決策樹的決策過程需要從決策樹的根節(jié)點(diǎn)開始，待測(cè)數(shù)據(jù)與決策樹中的特征節(jié)點(diǎn)進(jìn)行比較，并按照比較結(jié)果選擇選擇下一比較分支，直到葉子節(jié)點(diǎn)作為最終的決策結(jié)果。隨機(jī)森林：從樣本集中選取n個(gè)樣本，構(gòu)建決策樹，并重復(fù)這一步驟m次形成m個(gè)決策樹，通過投票表決決定樣本類別。以基站作為樣本點(diǎn)，通過分類方法可以將基站分為隱患基站和非隱患基站。通過對(duì)隱患基站性能指標(biāo)參數(shù)、資產(chǎn)信息、地理信息及告警類型級(jí)別作為特征，對(duì)基站告警隱患進(jìn)行分級(jí)，確定基站隱患級(jí)別，實(shí)現(xiàn)對(duì)基站健康度打分。并可根據(jù)已訓(xùn)練好的機(jī)器學(xué)習(xí)模型對(duì)新樣本進(jìn)行健康度評(píng)估。實(shí)現(xiàn)設(shè)備狀態(tài)預(yù)判。對(duì)于隱患級(jí)別高的基站進(jìn)行重點(diǎn)關(guān)注，并將其對(duì)應(yīng)的性能參數(shù)指標(biāo)作為隱患基因統(tǒng)計(jì)進(jìn)入隱患管理庫(kù)。2.3異常檢測(cè)算法核密度估計(jì)（kerneldensityestimation）是在概率論中用來估計(jì)未知的密度函數(shù)，屬于非參數(shù)檢驗(yàn)方法之一。所謂核密度估計(jì)，就是采用平滑的峰值函數(shù)（“核”）來擬合觀察到的數(shù)據(jù)點(diǎn)，從而對(duì)真實(shí)的概率分布曲線進(jìn)行模擬。核密度估計(jì)可用于進(jìn)行異常檢測(cè)，計(jì)算正常樣本之外的異常分布可能性，用于異常數(shù)據(jù)分析、特殊場(chǎng)景分析。對(duì)于完成畫像的基站樣本點(diǎn)，對(duì)于未發(fā)生告警的基站進(jìn)行異常檢測(cè)，可以發(fā)現(xiàn)性能指標(biāo)相對(duì)于正常值（不會(huì)觸發(fā)告警的性能值）發(fā)生偏離的樣本點(diǎn)，動(dòng)態(tài)自適應(yīng)設(shè)定告警閥值，觸發(fā)維護(hù)工單。有效預(yù)警，降低站點(diǎn)告警故障。2.4深度置信網(wǎng)絡(luò)(DBN)深度置信網(wǎng)絡(luò)是一個(gè)概率生成模型，與傳統(tǒng)的判別模型的神經(jīng)網(wǎng)絡(luò)相對(duì)，生成模型是建立一個(gè)觀察數(shù)據(jù)和標(biāo)簽之間的聯(lián)合分布，對(duì)P(觀測(cè)值|標(biāo)簽)和P(標(biāo)簽|觀測(cè)值)都做了評(píng)估。DBNs由多個(gè)受限玻爾茲曼機(jī)(RestrietedBoltzmannMachines)層組成，一個(gè)典型的神經(jīng)網(wǎng)絡(luò)類型如圖所示。這些網(wǎng)絡(luò)被“限制”為一個(gè)可視層和一個(gè)隱層，層間存在連接，但層內(nèi)的單元間不存在連接。隱層單元被訓(xùn)練去捕捉在可視層表現(xiàn)出來的高階數(shù)據(jù)的相關(guān)性。深度置信網(wǎng)絡(luò)可以用于樣本目標(biāo)的數(shù)值預(yù)測(cè)以及樣本類別的分類。對(duì)于樣本類別的分類，與常規(guī)分類算法應(yīng)用相似。實(shí)現(xiàn)基站告警隱患分級(jí)，康度打分。并可根據(jù)已訓(xùn)練好的機(jī)器學(xué)習(xí)模型對(duì)新樣本進(jìn)行健康度評(píng)估。實(shí)現(xiàn)設(shè)備狀態(tài)預(yù)判。對(duì)于樣本目標(biāo)的預(yù)測(cè)值，通過深度置信網(wǎng)絡(luò)實(shí)現(xiàn)基站特征異常概率分析等功能。針對(duì)網(wǎng)絡(luò)性能指標(biāo)特征的異常情況，進(jìn)行概率預(yù)判，即嘗試對(duì)“亞健康”網(wǎng)絡(luò)進(jìn)行預(yù)判。預(yù)先判斷網(wǎng)絡(luò)問題，減少投訴和性能告警、設(shè)備故障實(shí)際發(fā)生的概率。2.5堆疊自動(dòng)編碼器(SAE)自編碼器(AutoEncoder)是一種無監(jiān)督的學(xué)習(xí)算法，主要用于數(shù)據(jù)的降維或者特征的抽取。autoeneoder通過深度置信網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，從而確定網(wǎng)絡(luò)權(quán)值的初始值。其目標(biāo)是讓輸入值等于輸出值。首先用網(wǎng)絡(luò)權(quán)值矩陣對(duì)輸入進(jìn)行編碼，經(jīng)過激活函數(shù)后，再用矩陣轉(zhuǎn)置進(jìn)行解碼，從而使得輸出數(shù)據(jù)等于輸入。該過程可以看作是對(duì)輸入數(shù)據(jù)的壓縮編碼，將高維的原始數(shù)據(jù)用低維的向量表示，使壓縮后的低維向量能保留輸入數(shù)據(jù)的典型特征。為實(shí)現(xiàn)智能站點(diǎn)畫像，需要對(duì)站點(diǎn)的性能指標(biāo)，資產(chǎn)信息，地理信息，歷史告警信息等多維特征進(jìn)行梳理。通過自編碼器可以對(duì)大量特征進(jìn)行梳理并降維，最終形成構(gòu)成基站健康度指標(biāo)的多維特征，可對(duì)后期的異常檢測(cè)，告警預(yù)測(cè)，隱患管理降低輸入數(shù)據(jù)維度，降低計(jì)算成本。2.6循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）循環(huán)神經(jīng)網(wǎng)絡(luò)可用于時(shí)間序列相關(guān)的樣本取值預(yù)測(cè)。在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型中，是從輸入層到隱含層再到輸出層，層與層之間是全連接的，每層之間的節(jié)點(diǎn)是無連接的。RNNs之所以稱為循環(huán)神經(jīng)網(wǎng)路，即一個(gè)序列當(dāng)前的輸出與前面的輸出也有關(guān)。具體的表現(xiàn)形式為網(wǎng)絡(luò)會(huì)對(duì)前面的信息進(jìn)行記憶并應(yīng)用于當(dāng)前輸出的計(jì)算中，即隱藏層之間的節(jié)點(diǎn)不再無連接而是有連接的，并且隱藏層的輸入不僅包括輸入層的輸出還包括上一時(shí)刻隱藏層的輸出。理論上，RNNs能夠?qū)θ魏伍L(zhǎng)度的序列數(shù)據(jù)進(jìn)行處理。03端到端運(yùn)維功能架構(gòu)3.1網(wǎng)絡(luò)運(yùn)營(yíng)中心NOC端到端的運(yùn)維架構(gòu)主要由兩大部分組成：網(wǎng)絡(luò)運(yùn)營(yíng)中心NOC(NetworkOperationCenter)和現(xiàn)場(chǎng)外線。NOC現(xiàn)場(chǎng)外螳込緲誰訃運(yùn)維監(jiān)控故降價(jià)析診斷測(cè)試匸單誡覽任務(wù)調(diào)Kli斃源調(diào)度川腎巡檢Figure1.endtoendoperationalarchitecture圖1.端到端運(yùn)維功能架構(gòu)NOC(網(wǎng)絡(luò)運(yùn)營(yíng)中心)是實(shí)現(xiàn)遠(yuǎn)程實(shí)時(shí)監(jiān)控服務(wù)運(yùn)營(yíng)和檢測(cè)設(shè)備狀況的網(wǎng)絡(luò)化中心，主要涉及運(yùn)維設(shè)計(jì)、運(yùn)維監(jiān)控、故障分析、診斷測(cè)試等幾大功能模塊，可結(jié)合運(yùn)營(yíng)商EOMS(ElectrieOperationMaintenaneeSystem)電子運(yùn)維系統(tǒng)進(jìn)行任務(wù)工單派發(fā)，將NOC嵌入現(xiàn)有運(yùn)維流程可提高相關(guān)技術(shù)、流程、組織及管理效率，進(jìn)而提升網(wǎng)絡(luò)與服務(wù)的穩(wěn)定性與可預(yù)見性?，F(xiàn)場(chǎng)外線主要是承載、處理、閉環(huán)EMOS電子運(yùn)維系統(tǒng)所派發(fā)任務(wù)工單，包括現(xiàn)場(chǎng)維護(hù)人員的任務(wù)調(diào)度、資源調(diào)度及最終的排障巡檢。3.1.1運(yùn)維設(shè)計(jì)功能運(yùn)維設(shè)計(jì)功能主要包括兩部分功能設(shè)計(jì)：運(yùn)維規(guī)則設(shè)計(jì)與AI輔助規(guī)則設(shè)計(jì)。Figure2.designfunctionofoperationandmaintenance圖2.運(yùn)維設(shè)計(jì)功能其中運(yùn)維規(guī)則設(shè)計(jì)主要來源于運(yùn)營(yíng)商長(zhǎng)期積累的相關(guān)運(yùn)維經(jīng)驗(yàn)，制定分析規(guī)則、診斷規(guī)則、派發(fā)規(guī)則、調(diào)度規(guī)則、激活規(guī)則等，將上述規(guī)則應(yīng)用于可視化設(shè)計(jì)分析中，為自動(dòng)化運(yùn)維提供快速設(shè)計(jì)能力。AI輔助規(guī)則設(shè)計(jì)則是由傳統(tǒng)技術(shù)專家進(jìn)行專業(yè)設(shè)計(jì)轉(zhuǎn)變?yōu)橥ㄟ^AI技術(shù)輔助進(jìn)行根因規(guī)則設(shè)計(jì)。將相關(guān)網(wǎng)元類型、告警類型、告警信息、告警碼、位置信息等作為輸入項(xiàng)，通過神經(jīng)網(wǎng)絡(luò)相關(guān)算法最終輸出AI輔助規(guī)則。3.1.2運(yùn)維監(jiān)控功能通過對(duì)數(shù)據(jù)源、數(shù)據(jù)表等分析進(jìn)行場(chǎng)景監(jiān)控設(shè)計(jì)，可視化呈現(xiàn)多系統(tǒng)、多界面的監(jiān)控。

Figure3.operationandmaintenancemonitoringfunction圖Figure3.operationandmaintenancemonitoringfunction圖3.運(yùn)維監(jiān)控功能場(chǎng)景運(yùn)維監(jiān)控可對(duì)網(wǎng)絡(luò)全景監(jiān)控，也可選擇性針對(duì)主題監(jiān)控，定制適合實(shí)際需求的個(gè)性化監(jiān)控功能。將之前被動(dòng)運(yùn)維、基本無故障預(yù)測(cè)轉(zhuǎn)變?yōu)殡[患故障可預(yù)測(cè)及規(guī)避。3.1.3故障分析功能通過部署RCA(RootCauseAnalysis)根本原因分析規(guī)則挖掘工具，根據(jù)算法學(xué)習(xí)出固有規(guī)律，形成規(guī)則放入RCA中進(jìn)行告警根因查看和告警抑制壓減。Figure4.Figure4.faultanalysisfunction圖4.故障分析功能再結(jié)合性能指標(biāo)、參數(shù)配置、相關(guān)變更情況、問題日志等進(jìn)行多源關(guān)聯(lián)分析，從而對(duì)故障進(jìn)一步確認(rèn)，提高故障分析的準(zhǔn)確性及效率性。3.1.4診斷測(cè)試功能⑤診斷^果或診斷報(bào)告中有異常/自動(dòng)創(chuàng)建維護(hù)工單t人工診斷指動(dòng)診斷腳本指派現(xiàn)場(chǎng)處理診斷測(cè)試功能主要包含人工診斷指令及自動(dòng)診斷腳本兩部分。Figure5.diagnostictestfunction測(cè)試診斷EMS⑤診斷^果或診斷報(bào)告中有異常/自動(dòng)創(chuàng)建維護(hù)工單t人工診斷指動(dòng)診斷腳本指派現(xiàn)場(chǎng)處理診斷測(cè)試功能主要包含人工診斷指令及自動(dòng)診斷腳本兩部分。Figure5.diagnostictestfunction測(cè)試診斷EMS承載（部DN）」RAN（2/3/4/5G）＞&網(wǎng)（含NFV）r物聯(lián)網(wǎng)等一I-二'—-現(xiàn)場(chǎng)工單管理維護(hù)工單處理圖5.診斷測(cè)試功能首先通過人工診斷指令下發(fā)至EMS，再由EMS反饋診斷結(jié)果至人工診斷指令部分；自動(dòng)診斷腳本可批量生成指令，再由EMS反饋上報(bào)相關(guān)診斷報(bào)告，將診斷結(jié)果或診斷報(bào)告中異常問題自動(dòng)創(chuàng)建維護(hù)工單并指派現(xiàn)場(chǎng)處理，交由現(xiàn)場(chǎng)工單管理，進(jìn)行后續(xù)流程處理。3.1.5工單派發(fā)功能工單關(guān)聯(lián)RCA的關(guān)聯(lián)規(guī)則，進(jìn)行根故障派單，子故障合并派單，綜合考慮網(wǎng)絡(luò)拓?fù)?、運(yùn)維經(jīng)驗(yàn)等信息，例如同一基站下所有小區(qū)退服，則合并為一個(gè)業(yè)務(wù)工單，從源頭減少派單量，提高故障解決效率。合并工單派發(fā)工單關(guān)聯(lián)派發(fā)關(guān)聯(lián)指派時(shí)問刈態(tài)調(diào)整Figure合并工單派發(fā)工單關(guān)聯(lián)派發(fā)關(guān)聯(lián)指派時(shí)問刈態(tài)調(diào)整Figure6.distributionfunctionofworklists圖6.工單派發(fā)功能T1告警消除最大量時(shí)間點(diǎn)，T2為關(guān)聯(lián)指派時(shí)間點(diǎn)，T3為告警派發(fā)最長(zhǎng)時(shí)限，通過分析歷史告警，給出最佳關(guān)聯(lián)時(shí)間點(diǎn)閾值，減少消除告警的無效派單量，通過關(guān)聯(lián)減少派單總量，提升運(yùn)維效率，通過動(dòng)態(tài)設(shè)置派單時(shí)間閾值，追加合并派單，減少無效派單、重復(fù)派單。3.2現(xiàn)場(chǎng)外線配合3.2.1故障單處理集中故障告警平臺(tái)針對(duì)告警監(jiān)控進(jìn)行結(jié)果輸出，在創(chuàng)建TT(TroubleTicket)工單之前，需要等待一定告警清除時(shí)間，避免相關(guān)工單追回。當(dāng)系統(tǒng)收到TT的告警清楚消息后，可以自動(dòng)關(guān)閉TT單和相對(duì)應(yīng)的WO(WorkOrder)單。

TTH單(FO)TTI匚單白動(dòng)關(guān)閉機(jī)器學(xué)習(xí)Figure7.faultsingleprocessing告轡消除時(shí)間WaitAcceptTTH單(FO)TTI匚單白動(dòng)關(guān)閉機(jī)器學(xué)習(xí)Figure7.faultsingleprocessing告轡消除時(shí)間WaitAcceptWaitFOPrtscesSi|WaitWOProcess工單相關(guān)性分析(FE)告警監(jiān)控故障解決歷史工單圖7.故障單處理通過運(yùn)維經(jīng)驗(yàn)和對(duì)歷史工單進(jìn)行機(jī)器學(xué)習(xí)、挖掘工單相關(guān)性規(guī)則，啟動(dòng)策略歸并重復(fù)工單，去除無效工單。3.2.2任務(wù)及資源調(diào)度對(duì)于外部系統(tǒng)派發(fā)的TT單，在某些應(yīng)用場(chǎng)景下，不需要相關(guān)分析處理，可以直接派發(fā)至外場(chǎng)工程師處進(jìn)行解決。對(duì)于這種應(yīng)用場(chǎng)景，系統(tǒng)提供TT單自動(dòng)受理并派發(fā)子單的功能。當(dāng)系統(tǒng)接收到TT單時(shí)，自動(dòng)以系統(tǒng)超級(jí)用戶來受理TT單，然后進(jìn)行處理，在處理該步驟時(shí)可自動(dòng)選擇生成WO單，并生成子單。智能調(diào)度主要是將任務(wù)通過AI調(diào)度引擎進(jìn)行工單計(jì)劃制訂、位置及路線規(guī)劃、員工能力及工具需求分析，把任務(wù)與資源相結(jié)合達(dá)到最佳匹配效果。通過人員調(diào)度、資源調(diào)度、路徑規(guī)劃等可實(shí)現(xiàn)工單“零”時(shí)間指派、合理安排人員工作任務(wù)量，提升派單準(zhǔn)確率、提升平均工單響應(yīng)時(shí)長(zhǎng)及資源使用效率。3.2.3自動(dòng)巡檢管理自動(dòng)巡檢管理主要涉及巡檢配置管理、巡檢規(guī)則管理、巡檢任務(wù)列表、指令適配/執(zhí)行及自動(dòng)輸出巡檢報(bào)告功能。口一戲一占一冷一①山子運(yùn)維巡檢訂劃巡檢執(zhí)行結(jié)果分析隱患管理Figure8.automaticinspectionmanagement

圖8.自動(dòng)巡檢管理巡檢配置管理包括基礎(chǔ)數(shù)據(jù)配置管理、設(shè)備網(wǎng)元配置管理、任務(wù)/方案管理及門限管理/通知管理。巡檢規(guī)則管理是為制定相關(guān)巡檢規(guī)則（專業(yè)網(wǎng)信息、作業(yè)計(jì)劃）等以及配置解析規(guī)則。巡檢任務(wù)列表可對(duì)巡檢計(jì)劃接口定義、巡檢定時(shí)任務(wù)、巡檢任務(wù)列表查看。指令適配及執(zhí)行由自動(dòng)巡檢功能發(fā)現(xiàn)維護(hù)類問題，通過模板初始化規(guī)則及指令創(chuàng)建規(guī)則生成巡檢測(cè)試工單，再與指令模板進(jìn)行匹配映射創(chuàng)建巡檢任務(wù)，指令執(zhí)行后將指令結(jié)果反饋閉環(huán)輸出巡檢報(bào)

Figure9.automaticinspectionprocess圖9.自動(dòng)巡檢流程將相關(guān)維護(hù)要求結(jié)合站點(diǎn)資產(chǎn)信息；歷史數(shù)據(jù)包含告警次數(shù)、故障處理次數(shù)、站點(diǎn)話務(wù)量、數(shù)據(jù)量等信息；地理位置、區(qū)域、地形特征（高山、平原、河岸、洼地等）、耐候性；氣象機(jī)構(gòu)輸出的相關(guān)天氣數(shù)據(jù)，共同制定動(dòng)態(tài)巡檢計(jì)劃，聚焦故障高發(fā)站點(diǎn)，主動(dòng)預(yù)防歷史故障重發(fā)，減少維護(hù)資源的浪費(fèi)。3.2.4隱患管理隱患管理主要針對(duì)異常項(xiàng)目生成智能巡檢告警，自動(dòng)完成對(duì)告警信息的分析，自動(dòng)生成維護(hù)作業(yè)計(jì)劃告警工單，維護(hù)人員根據(jù)隱患工單來處理隱患問題。

Felligentinspection圖10.智能巡檢在巡檢設(shè)備上（鐵塔、基站等），放置NFC（NearFieldCommunication）標(biāo)簽，通過近距離無線通訊技術(shù)，巡檢人員按照路線的設(shè)置，依次到每個(gè)地點(diǎn)進(jìn)行巡檢，自動(dòng)顯示巡檢內(nèi)容并根據(jù)需求填寫巡檢的內(nèi)容。04端到端運(yùn)維軟件架構(gòu)Lk奚處鋰

f-l-Mtro-er誌尸-..丁塢!:匚臺(tái)業(yè)務(wù)處理3必共平占站點(diǎn)阿像帥第模塊■■||-務(wù)戈口一業(yè)務(wù)渥転中'可件調(diào)產(chǎn)任務(wù)藪托ETL隱總酋舞即勞揆塊臺(tái)at*邏詡劌*跖迥晉更越KBasei規(guī)則判左引第Lk奚處鋰

f-l-Mtro-er誌尸-..丁塢!:匚臺(tái)業(yè)務(wù)處理3必共平占站點(diǎn)阿像帥第模塊■■||-務(wù)戈口一業(yè)務(wù)渥転中'可件調(diào)產(chǎn)任務(wù)藪托ETL隱總酋舞即勞揆塊臺(tái)at*邏詡劌*跖迥晉更越KBasei規(guī)則判左引第Figure11.endtoendoperationsoftwarearchitecture

圖11.端到端運(yùn)維軟件架構(gòu)

端到端運(yùn)維系統(tǒng)軟件架構(gòu)主要包括5個(gè)部分，原始數(shù)據(jù)、數(shù)據(jù)ETL(Extract-Transform-Load)、數(shù)據(jù)存儲(chǔ)和后臺(tái)業(yè)務(wù)處理、業(yè)務(wù)處理控制、業(yè)務(wù)展現(xiàn)層。其中原始數(shù)據(jù)可通過北向平臺(tái)、E0MS工單系統(tǒng)、代維資產(chǎn)管理系統(tǒng)、動(dòng)環(huán)檢測(cè)系統(tǒng)及外部相關(guān)API接口數(shù)據(jù)(地理天氣數(shù)據(jù)信息)。通過數(shù)據(jù)ETL處理用來將數(shù)據(jù)從來源端經(jīng)過抽取(extract)、交互轉(zhuǎn)換(transform)、加載(Load)至目的端，從數(shù)據(jù)源抽取出所需的數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗,最終按照預(yù)先定義好的數(shù)據(jù)倉(cāng)庫(kù)模型，將數(shù)據(jù)加載到數(shù)據(jù)倉(cāng)庫(kù)中去。將相關(guān)數(shù)據(jù)存儲(chǔ)至Hadoop集群中，通過AI平臺(tái)算法及功能(聚類算法、常規(guī)分類算法、異常檢測(cè)算法、深度置信網(wǎng)絡(luò)、堆疊自動(dòng)編碼器、循環(huán)神經(jīng)網(wǎng)絡(luò)等)結(jié)合專家知識(shí)庫(kù)進(jìn)行智能任務(wù)調(diào)度及后臺(tái)業(yè)務(wù)處理。業(yè)務(wù)處理控制主要細(xì)化各模塊功能，通過相關(guān)業(yè)務(wù)邏輯中間件實(shí)現(xiàn)模塊功能。業(yè)務(wù)展現(xiàn)層，基于前端公共模塊相關(guān)技術(shù)對(duì)站點(diǎn)畫像、區(qū)域畫像、隱患管理、地理化分析等界面化呈現(xiàn)。05基于AI的運(yùn)維實(shí)施應(yīng)用5.1站點(diǎn)畫像通過學(xué)習(xí)借鑒互聯(lián)網(wǎng)用戶畫像技術(shù)，基于多維網(wǎng)絡(luò)運(yùn)維數(shù)據(jù)，引入AI特征畫像和異常檢測(cè)算法、輸出網(wǎng)絡(luò)特征的站點(diǎn)畫像，為智能運(yùn)維各模塊提供全景式特征畫像和數(shù)據(jù)支撐,實(shí)現(xiàn)隱患站點(diǎn)分級(jí)標(biāo)簽化。整合系統(tǒng)自身大量的多渠道、多維度的基礎(chǔ)數(shù)據(jù)作為輸入，通過無監(jiān)督學(xué)習(xí)算法進(jìn)行聚類及異常檢測(cè)，輸出具有網(wǎng)絡(luò)特征的站點(diǎn)畫像標(biāo)簽及指標(biāo)異常站點(diǎn)列表。站點(diǎn)健康度評(píng)估基于站點(diǎn)設(shè)備種類、性能情況結(jié)合站點(diǎn)環(huán)境、停電情況、備電時(shí)長(zhǎng)、站點(diǎn)歷史故障等信息建立站點(diǎn)健康度評(píng)估指標(biāo)體系，并設(shè)定告警閾值自動(dòng)觸發(fā)維護(hù)工單，并有效預(yù)警，降低站點(diǎn)告警故障。

站點(diǎn)-!懂Z14HAIOps^能運(yùn)維系統(tǒng)平臺(tái)如回箱Mil站點(diǎn)-!懂Z14HAIOps^能運(yùn)維系統(tǒng)平臺(tái)如回箱Mil*E.*4燈吉黑KL^Bi'IJ-ZOlfl.i.■用■*!鈾瀕站nu■近y云jFigure12.sitehealthassessment圖12.站點(diǎn)健康度評(píng)估區(qū)域可視化采用多種代維指標(biāo)和站點(diǎn)客觀運(yùn)行指標(biāo)，可以實(shí)現(xiàn)區(qū)域綜合可視化，以區(qū)域?yàn)閷?duì)象，提供整體指標(biāo)統(tǒng)計(jì)分析，用于運(yùn)維提升支撐。Figure13.Tableevaluationofregionalindicators圖13.區(qū)域指標(biāo)評(píng)估評(píng)估站點(diǎn)維護(hù)成本分析通過對(duì)歷史故障維護(hù)數(shù)據(jù)包括維護(hù)人員、車輛、油機(jī)、故障發(fā)生頻率等信息提供站點(diǎn)維護(hù)成本數(shù)據(jù)；為過程成本量化、站點(diǎn)維護(hù)預(yù)算及后續(xù)投標(biāo)成本核算提供數(shù)據(jù)支撐。利用AI算法實(shí)現(xiàn)告警智能分類，針對(duì)具體故障提供智能決策,指導(dǎo)運(yùn)維人員故障處理，建立員工與工單之間的映射，實(shí)現(xiàn)工單精準(zhǔn)指派，減少工單派發(fā)數(shù)量，提升工單派發(fā)質(zhì)量，同時(shí)關(guān)聯(lián)APP，縮短故障恢復(fù)時(shí)長(zhǎng)。達(dá)到“降本增效”的目的。Figure14.Maintenanceprocessmanagement圖14.維護(hù)過程管理制定站點(diǎn)維護(hù)計(jì)劃基于站點(diǎn)重要級(jí)別、歷史故障信息、天氣狀況等制定維護(hù)計(jì)劃；對(duì)維護(hù)備件提供預(yù)測(cè)管理并減少站點(diǎn)故障率，降低單站維護(hù)成本。

Figure15.Sitemaintenanceplanmanagement圖15.站點(diǎn)維護(hù)計(jì)劃管理5.2運(yùn)維效率分析GIS資產(chǎn)全景圖對(duì)資源信息(人員、車輛、站點(diǎn)、油機(jī))進(jìn)行實(shí)時(shí)位置展示工單關(guān)聯(lián)、軌跡回放；實(shí)時(shí)了解資源狀況，方便調(diào)度管理。I即0期9Hj-mt＞番出性叩気tai工單關(guān)聯(lián)、軌跡回放；實(shí)時(shí)了解資源狀況，方便調(diào)度管理。I即0期9Hj-mt＞番出性叩気taiAllffi2^112-121232BUd卜疑LER帶潞：J?3i21Figure16.GISassetpanorama圖16.GIS資產(chǎn)全景圖“賽馬"Dashboard通過現(xiàn)場(chǎng)大屏監(jiān)控對(duì)項(xiàng)目基礎(chǔ)維護(hù)信息、人員效率指標(biāo)、車輛效率指標(biāo)、油機(jī)效率指標(biāo)進(jìn)行實(shí)時(shí)和趨勢(shì)分析呈現(xiàn)，監(jiān)控中心隨時(shí)了解項(xiàng)目整體效率情況及區(qū)域賽馬情況。30亟：BsfwbotuvQ】■牡轉(zhuǎn)-包嚴(yán)碎*滬0#燈#"#伸■e2030亟：BsfwbotuvQ】■牡轉(zhuǎn)-包嚴(yán)碎*滬0#燈#"#伸■e20Figure17.monitoringinformationonlargescreenHHrcrrta-rTV-EcIf>r

nuttttnBBS^H

M>s=s=emi?.3KX7主削B取/1畔也曙申寶■卻亂於百EI￡7Ui*舊弘折“Hl圖17.現(xiàn)場(chǎng)大屏監(jiān)控信息人員效率指標(biāo)分析對(duì)人員工單效率指標(biāo)進(jìn)行統(tǒng)計(jì)分析，包括上