2024年無(wú)線數(shù)據(jù)知識(shí)圖譜驅(qū)動(dòng)的6G智能運(yùn)維新技術(shù)白皮書

本白皮書基于對(duì)無(wú)線通信網(wǎng)絡(luò)數(shù)據(jù)的深入分析，針對(duì)當(dāng)前無(wú)線網(wǎng)絡(luò)運(yùn)維所面臨的現(xiàn)實(shí)痛點(diǎn)和挑戰(zhàn)、以及未來(lái)6G時(shí)代運(yùn)維需求進(jìn)行了全面的探討。本白皮書構(gòu)建了無(wú)線通信網(wǎng)絡(luò)內(nèi)生因素知識(shí)圖譜，以賦能智能運(yùn)維。通過(guò)構(gòu)建智能運(yùn)維通用框架，并利用所述知識(shí)圖譜，深度挖掘和解析無(wú)線網(wǎng)絡(luò)內(nèi)在因素之間的關(guān)聯(lián)關(guān)系，從而實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)性能的調(diào)優(yōu)和更新。在應(yīng)對(duì)網(wǎng)絡(luò)通信異常時(shí)，我們能夠迅速追溯問(wèn)題根源并進(jìn)行診斷定位，通過(guò)向量數(shù)據(jù)庫(kù)的搜索，提供有效的恢復(fù)和優(yōu)化方案，并將其下發(fā)至通信網(wǎng)絡(luò)執(zhí)行。最后，本白皮書對(duì)調(diào)優(yōu)執(zhí)行方案進(jìn)行效果評(píng)估，實(shí)現(xiàn)智能決策的閉環(huán)實(shí)施。這一過(guò)程有效提高了無(wú)線通信網(wǎng)絡(luò)的性能和用戶體驗(yàn)質(zhì)量，為行業(yè)發(fā)展和運(yùn)營(yíng)商服I 參考文獻(xiàn) 縮略語(yǔ) 東南大學(xué)秦臻、龐盛業(yè)、陳飛佚浙江大學(xué)1無(wú)線網(wǎng)絡(luò)的發(fā)展趨勢(shì)決定了需要設(shè)計(jì)和部署新的網(wǎng)絡(luò)運(yùn)營(yíng)模式來(lái)支持未來(lái)的業(yè)務(wù)期望，而當(dāng)前的網(wǎng)絡(luò)運(yùn)維仍然過(guò)于被動(dòng)、緩慢和不夠敏捷。當(dāng)前的模式主要是被動(dòng)式事后運(yùn)維，運(yùn)維人員通過(guò)監(jiān)測(cè)、診斷和故障排查等手段來(lái)響應(yīng)和解決已經(jīng)發(fā)生的問(wèn)題和異常，以保障網(wǎng)絡(luò)的正常運(yùn)行。這就會(huì)導(dǎo)致較長(zhǎng)的響應(yīng)時(shí)間，從而影響網(wǎng)絡(luò)的可用性和用戶體驗(yàn)。長(zhǎng)運(yùn)維周期也將拖慢新業(yè)務(wù)的上線周期，在帶來(lái)更高昂運(yùn)營(yíng)成本的同時(shí)，導(dǎo)致客戶的當(dāng)前網(wǎng)絡(luò)的平穩(wěn)運(yùn)行仍需依靠運(yùn)維人員的維護(hù)操作，無(wú)法做到即插即用、自治自愈。網(wǎng)絡(luò)出現(xiàn)問(wèn)題時(shí)，設(shè)備首先開始產(chǎn)生告警，系統(tǒng)收到告警后派發(fā)工單，運(yùn)維人員接到工單后開始排查問(wèn)題，找到引發(fā)問(wèn)題的根源后采取相應(yīng)措施解決問(wèn)題、消除影響，最后由系統(tǒng)核實(shí)回單質(zhì)量完成閉隨著通信技術(shù)的發(fā)展，用戶對(duì)帶寬、數(shù)據(jù)傳輸速率、時(shí)延、可靠性等指標(biāo)提出了越來(lái)越高的要求，使得無(wú)線通信網(wǎng)絡(luò)的結(jié)構(gòu)變得越來(lái)越復(fù)雜，功能也變得越來(lái)越多樣化。大規(guī)模無(wú)線數(shù)據(jù)的海量、業(yè)務(wù)類型繁多、數(shù)據(jù)源多樣化、組織結(jié)構(gòu)松散及高動(dòng)態(tài)性等主要特點(diǎn)給大數(shù)據(jù)環(huán)境下的運(yùn)維工作帶來(lái)巨大挑戰(zhàn)[1]，使運(yùn)維人員難以建立系統(tǒng)化、層次化的關(guān)系知識(shí)。通過(guò)切片方式進(jìn)行業(yè)務(wù)管理導(dǎo)致業(yè)務(wù)更加動(dòng)態(tài)和復(fù)雜，從而增加了網(wǎng)絡(luò)管理難度。此外，網(wǎng)絡(luò)管理對(duì)象也急劇增多，包括傳統(tǒng)意義上的運(yùn)營(yíng)商公網(wǎng)和各行各業(yè)的行業(yè)用戶專網(wǎng)。隨著網(wǎng)絡(luò)功能虛擬化（NFV）和微服務(wù)架構(gòu)（MA）等技術(shù)的不斷引入，網(wǎng)絡(luò)實(shí)現(xiàn)了分層解耦和按需部署，但同時(shí)也帶來(lái)了運(yùn)維復(fù)雜2基于新技術(shù)的新業(yè)務(wù)不斷推出（泛在物聯(lián)網(wǎng)、超高清視頻、XR、垂直業(yè)務(wù)服務(wù)、Web3.0云服務(wù)等），需要新的運(yùn)維運(yùn)營(yíng)系統(tǒng)和流程。為了推動(dòng)這些新產(chǎn)品和服務(wù)，相關(guān)的運(yùn)營(yíng)支撐需要滿足其預(yù)期全生命周期的要求，因此網(wǎng)絡(luò)運(yùn)維方式必須具備更好的靈活性和效率，在確保網(wǎng)絡(luò)質(zhì)量根據(jù)行業(yè)研究和數(shù)據(jù)分析，過(guò)去幾年中，全球各大運(yùn)營(yíng)商的運(yùn)維成本已經(jīng)呈現(xiàn)出顯著增長(zhǎng)的這種成本增長(zhǎng)主要是由于運(yùn)營(yíng)商在部署和維護(hù)5G網(wǎng)絡(luò)、增加小型基站密度、擴(kuò)展光纖網(wǎng)絡(luò)覆蓋以及投資智能化網(wǎng)絡(luò)管理系統(tǒng)等方面的巨額投資所導(dǎo)致的。盡管這些投資是為了滿足日益增長(zhǎng)的數(shù)據(jù)需求、提供更快速的連接和更優(yōu)質(zhì)的服務(wù)，但運(yùn)營(yíng)商的收入增長(zhǎng)卻相對(duì)較為緩慢，甚至球運(yùn)營(yíng)商服務(wù)總收入的復(fù)合年增長(zhǎng)率樂(lè)觀估計(jì)能達(dá)到2.4%。而與此同時(shí)，運(yùn)營(yíng)商的運(yùn)維成本則考慮到這一情況，運(yùn)營(yíng)商不得不尋求降低運(yùn)維運(yùn)營(yíng)成本的途徑，以應(yīng)對(duì)不斷增長(zhǎng)的成本壓力。這一趨勢(shì)進(jìn)一步凸顯了運(yùn)營(yíng)商在轉(zhuǎn)型過(guò)程中需要更加注重效率和創(chuàng)新的重要性，以確保業(yè)務(wù)的長(zhǎng)當(dāng)今，隨著全球基站數(shù)量持續(xù)增長(zhǎng)，頻譜范圍從以往的三個(gè)主要頻段擴(kuò)展至十多個(gè)頻段，各劇增加，覆蓋了傳統(tǒng)的運(yùn)營(yíng)商公網(wǎng)以及各行各業(yè)的行業(yè)用戶專網(wǎng)。在這種更為復(fù)雜的網(wǎng)絡(luò)環(huán)境下，為了應(yīng)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的多樣性和規(guī)模的不斷擴(kuò)大，網(wǎng)絡(luò)運(yùn)營(yíng)需要更加自動(dòng)化、智能化、高效化，以接口數(shù)量不斷增加，每新增一個(gè)網(wǎng)元都需要精心管理其接口及與現(xiàn)有網(wǎng)絡(luò)的兼容性，這進(jìn)一步凸3顯了智能運(yùn)維的重要性。因此，更復(fù)雜的網(wǎng)絡(luò)環(huán)境必然需要更智能的運(yùn)維方式，以確保網(wǎng)絡(luò)的穩(wěn)定性、安全性和高效性。雖然網(wǎng)絡(luò)環(huán)境日趨復(fù)雜多樣，但通過(guò)人工智能驅(qū)動(dòng)的以客戶為中心、主動(dòng)化的智能運(yùn)維模式，可以有效控制網(wǎng)絡(luò)故障的處理時(shí)間、運(yùn)維成本以及人為失誤。隨著網(wǎng)絡(luò)規(guī)模和數(shù)據(jù)量的不斷增加，故障發(fā)生的頻率也會(huì)越來(lái)越高。目前的無(wú)線網(wǎng)絡(luò)運(yùn)維難以滿足用戶對(duì)網(wǎng)絡(luò)質(zhì)量和性能的要求，當(dāng)現(xiàn)階段的網(wǎng)絡(luò)運(yùn)維在強(qiáng)調(diào)確保高可靠的設(shè)備穩(wěn)定性的同時(shí)，也亟需依靠人工智能技術(shù)來(lái)提升運(yùn)維效率。大規(guī)模網(wǎng)絡(luò)和海量設(shè)備不但對(duì)無(wú)線網(wǎng)絡(luò)帶來(lái)了極大的挑戰(zhàn)，也產(chǎn)生了大量的無(wú)線數(shù)據(jù)，稱為無(wú)線大數(shù)據(jù)（WBD）。這些龐大而復(fù)雜的數(shù)據(jù)蘊(yùn)含豐富的信息價(jià)值，處理和分析這些數(shù)據(jù)，從中發(fā)現(xiàn)有價(jià)值的模式和關(guān)聯(lián)，將是無(wú)線網(wǎng)絡(luò)運(yùn)維走實(shí)現(xiàn)高度智能的關(guān)鍵。傳統(tǒng)的人工運(yùn)維模式已經(jīng)無(wú)法滿足現(xiàn)代無(wú)線網(wǎng)絡(luò)的需求。利用機(jī)器學(xué)習(xí)、大數(shù)據(jù)分析等人工智能技術(shù)，可以實(shí)現(xiàn)自動(dòng)化、智能化的網(wǎng)絡(luò)運(yùn)維，提高故障檢測(cè)、定位和恢復(fù)的能力，優(yōu)化網(wǎng)絡(luò)性能，降低運(yùn)維成本。通過(guò)對(duì)歷史數(shù)據(jù)的分析，可以預(yù)測(cè)潛在故障并提前采取措施；通過(guò)對(duì)實(shí)時(shí)無(wú)線網(wǎng)絡(luò)的智能化轉(zhuǎn)型不僅有利于提高故障管理、性能優(yōu)化、決策支持等傳統(tǒng)運(yùn)維領(lǐng)域的水平，更重要的是可以全面賦能網(wǎng)絡(luò)運(yùn)營(yíng)的各個(gè)環(huán)節(jié)。在網(wǎng)絡(luò)規(guī)劃和建設(shè)階段，可以基于人工智能模型預(yù)測(cè)未來(lái)流量需求，優(yōu)化網(wǎng)絡(luò)拓?fù)浜唾Y源配置；在網(wǎng)絡(luò)優(yōu)化階段，可以通過(guò)大數(shù)據(jù)分析發(fā)現(xiàn)潛在的性能瓶頸，自動(dòng)調(diào)優(yōu)參數(shù)；在營(yíng)銷和服務(wù)方面，可以針對(duì)不同用戶群體提供個(gè)性化的網(wǎng)絡(luò)總之，依托人工智能等新技術(shù)實(shí)現(xiàn)無(wú)線網(wǎng)絡(luò)智能化轉(zhuǎn)型，是當(dāng)前行業(yè)發(fā)展的必然趨勢(shì)和重大機(jī)遇。只有抓住這一趨勢(shì)，建立先進(jìn)的智能運(yùn)維體系，無(wú)線運(yùn)營(yíng)商才能在激烈的競(jìng)爭(zhēng)中保持領(lǐng)先優(yōu)勢(shì)，為用戶提供卓越的網(wǎng)絡(luò)服務(wù)體驗(yàn)。同時(shí)，智能化轉(zhuǎn)型也將為通信行業(yè)注入新的活力，催生自動(dòng)化與智能化的需求增長(zhǎng)：由于現(xiàn)有的無(wú)線網(wǎng)絡(luò)運(yùn)維缺乏靈活性，未來(lái)的挑戰(zhàn)之一是如何引入更多的自動(dòng)化工具和智能化解決方案來(lái)提高運(yùn)維的靈活性。這包括使用人工智能和機(jī)器學(xué)習(xí)4維人員的專業(yè)技能和知識(shí)提出了更高的要求。除了強(qiáng)烈依賴人力之外，也可以通過(guò)人工智能中的自監(jiān)督學(xué)習(xí)和主動(dòng)學(xué)習(xí)來(lái)進(jìn)行輔助；運(yùn)用自監(jiān)督學(xué)習(xí)方法，系統(tǒng)可以在未標(biāo)注的數(shù)據(jù)上進(jìn)行訓(xùn)練，學(xué)習(xí)到數(shù)據(jù)的分布與結(jié)構(gòu)。例如，在無(wú)線通信領(lǐng)域，可以通過(guò)網(wǎng)絡(luò)設(shè)備和用戶行為的日志來(lái)學(xué)習(xí)正常和異常模式，從而無(wú)需大量的人工標(biāo)注。同時(shí)，在一些必須需要人工標(biāo)注的情況下，系統(tǒng)可以識(shí)別出對(duì)當(dāng)前模型最有價(jià)值的數(shù)據(jù)點(diǎn)，并請(qǐng)求運(yùn)維人員進(jìn)行標(biāo)注。這樣可以確保人工標(biāo)注的工快速定位故障與診斷技術(shù)的需求：在當(dāng)今高度信息化和互聯(lián)網(wǎng)化的環(huán)境下，網(wǎng)絡(luò)故障可能導(dǎo)致嚴(yán)重的業(yè)務(wù)中斷和損失，因此對(duì)于快速定位故障的需求變得尤為迫切。利用高級(jí)數(shù)據(jù)分析工具來(lái)處理和分析大量網(wǎng)絡(luò)數(shù)據(jù)，以便更快地識(shí)別故障模式和潛在問(wèn)題；實(shí)現(xiàn)細(xì)分顆粒度的實(shí)時(shí)監(jiān)控系統(tǒng)，以便持續(xù)跟蹤網(wǎng)絡(luò)的性能指標(biāo)和狀態(tài)，確?？焖夙憫?yīng)潛在的問(wèn)題；開發(fā)預(yù)測(cè)性維護(hù)模型，利用歷史數(shù)據(jù)和AI算法來(lái)預(yù)測(cè)故障發(fā)生的時(shí)間和地點(diǎn)，從而提前采取預(yù)幫助運(yùn)維人員更直觀地理解網(wǎng)絡(luò)狀態(tài)和故障信息，加快診斷和解決問(wèn)題的速度，從而顯著提高故障根因定位困難的問(wèn)題。圖1NFV架構(gòu)未來(lái)的無(wú)線網(wǎng)絡(luò)業(yè)務(wù)要求網(wǎng)絡(luò)必須具備敏捷、彈性和健壯等特征，因此全面云化成為5G核心網(wǎng)的架構(gòu)基礎(chǔ)。隨著NFV（Network從全云化核心網(wǎng)開始實(shí)現(xiàn)。面向5G的核心網(wǎng)需要對(duì)虛擬網(wǎng)絡(luò)功能軟件進(jìn)行系統(tǒng)優(yōu)化重構(gòu)，通過(guò)控制面和用戶面分離構(gòu)建分布式網(wǎng)絡(luò)來(lái)降低時(shí)延，從而可以在部署和管理網(wǎng)絡(luò)方面實(shí)現(xiàn)更大的靈5（NFVMANO）。虛擬化網(wǎng)絡(luò)功能是在軟件中實(shí)現(xiàn)的網(wǎng)絡(luò)功能，這些軟件運(yùn)行在網(wǎng)絡(luò)功能虛擬化基礎(chǔ)設(shè)施上。虛擬化網(wǎng)絡(luò)功能通常伴隨著元素管理系統(tǒng)（EMS）。NFV管理編排涵蓋了絡(luò)功能虛擬化基礎(chǔ)設(shè)施的物理資源和軟件資源的編排和生命周期管理，以及虛擬化網(wǎng)絡(luò)功能的生命周期管理。NFV管理編排還與運(yùn)營(yíng)支撐系統(tǒng)（OSS）或業(yè)務(wù)支撐系統(tǒng)（BSS）進(jìn)行交互，以便中的管理運(yùn)行仍是一個(gè)開放性挑戰(zhàn)，面臨著復(fù)雜性、可靠性、安全性等多重問(wèn)題：例如對(duì)公有云或私有云平臺(tái)的依賴，導(dǎo)致資源控制權(quán)相對(duì)弱化；引入云環(huán)境下新的網(wǎng)絡(luò)安全風(fēng)險(xiǎn)；分層解耦后的網(wǎng)絡(luò)層間協(xié)作對(duì)接更加復(fù)雜，需要定義更為清晰的軟硬件分層接口；但最具威脅性的是為了分離控制管理、多廠商系統(tǒng)、改進(jìn)功能、實(shí)施資源分配、動(dòng)態(tài)網(wǎng)絡(luò)條件和網(wǎng)絡(luò)切片，整個(gè)管理編排的復(fù)雜性會(huì)明顯增加，云平臺(tái)故障影響面擴(kuò)大。因而，網(wǎng)絡(luò)有可能出現(xiàn)意想不到的“黑天鵝”式故障，同時(shí)運(yùn)維復(fù)雜度也大大提高，故障定位也變得更加困難和緊迫，需要實(shí)現(xiàn)基于軟件的監(jiān)控被動(dòng)事后式運(yùn)維是指在運(yùn)維中，運(yùn)維人員主要通過(guò)監(jiān)測(cè)、診斷和故障排查等手段來(lái)響應(yīng)和解決已經(jīng)發(fā)生的問(wèn)題和異常，以保障網(wǎng)絡(luò)的正常運(yùn)行。被動(dòng)事后式運(yùn)維意味著運(yùn)維人員需要等待問(wèn)題出現(xiàn)后才能采取相應(yīng)的行動(dòng)。這可能導(dǎo)致較長(zhǎng)的響應(yīng)時(shí)間，延遲問(wèn)題的解決，從而影響了網(wǎng)絡(luò)的可用性和用戶體驗(yàn)。同時(shí)運(yùn)維人員需要通過(guò)排查和分析大量的監(jiān)測(cè)數(shù)據(jù)、日志和告警信息來(lái)定位問(wèn)題。這可能會(huì)遇到故障信息過(guò)載的問(wèn)題，難以快速準(zhǔn)確地確定問(wèn)題的源頭和影響范圍，增加了異常排查的困難。被動(dòng)事后式運(yùn)維最大的挑戰(zhàn)是對(duì)運(yùn)維人員的經(jīng)驗(yàn)和專業(yè)知識(shí)要求較高。運(yùn)維人員需要具備深入了解核心網(wǎng)的各個(gè)組件和運(yùn)行機(jī)制，以便在出現(xiàn)問(wèn)題時(shí)能夠準(zhǔn)確判斷和解決。這種依賴人員經(jīng)驗(yàn)的模式可能會(huì)造成知識(shí)的局限性和人員依賴性，對(duì)新手運(yùn)維人員的培養(yǎng)和知識(shí)傳承帶來(lái)挑戰(zhàn)。隨著網(wǎng)絡(luò)規(guī)模的增大和服務(wù)復(fù)雜性的提升，傳統(tǒng)的人工運(yùn)維模式往往難以滿足運(yùn)然而，實(shí)施智能化和主動(dòng)預(yù)測(cè)的網(wǎng)絡(luò)運(yùn)維，需要在數(shù)據(jù)、算法、自動(dòng)化、安全與組織能力等各個(gè)方面進(jìn)行全面提升和改造，這需要長(zhǎng)期的投入與規(guī)劃。其中數(shù)據(jù)能力包括收集處理海量網(wǎng)絡(luò)性能和用戶業(yè)務(wù)數(shù)據(jù)，以及高效的數(shù)據(jù)分析能力，這部分的工作可以參考《無(wú)線網(wǎng)絡(luò)數(shù)據(jù)辭典》白皮書[5]。在此基礎(chǔ)上，基于無(wú)線網(wǎng)絡(luò)大數(shù)據(jù)，構(gòu)建并持續(xù)優(yōu)化AI/ML模型，以實(shí)現(xiàn)網(wǎng)絡(luò)異常和6故障的智能識(shí)別和自動(dòng)恢復(fù)。但需要面對(duì)復(fù)雜網(wǎng)絡(luò)環(huán)境下一系列的困難和挑戰(zhàn)。例如：復(fù)雜多變的無(wú)線網(wǎng)絡(luò)環(huán)境會(huì)導(dǎo)致故障類型和模式都非常多樣化，很難用規(guī)則進(jìn)行全面覆蓋；故障檢測(cè)和定位需要近實(shí)時(shí)完成，對(duì)系統(tǒng)時(shí)延有很高的要求；故障影響面大，需要聯(lián)動(dòng)處理，同時(shí)識(shí)別故障的基于上述的困難，可以通過(guò)知識(shí)圖譜技術(shù)呈現(xiàn)全面的網(wǎng)絡(luò)狀態(tài)和運(yùn)維信息，幫助運(yùn)維人員更好地理解網(wǎng)絡(luò)拓?fù)?、各網(wǎng)元節(jié)點(diǎn)間的信令交互和數(shù)據(jù)流向。將接口數(shù)據(jù)、網(wǎng)管數(shù)據(jù)、運(yùn)維日志數(shù)據(jù)用知識(shí)圖譜化后，利用圖神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)技術(shù)對(duì)各個(gè)要素之間的關(guān)聯(lián)、依賴關(guān)系進(jìn)行深度解析，預(yù)測(cè)潛在的故障風(fēng)險(xiǎn)。從等待客戶投訴后再解決運(yùn)維故障或者優(yōu)化參數(shù)的被動(dòng)模式，轉(zhuǎn)變?yōu)橹鲃?dòng)識(shí)別、發(fā)現(xiàn)、預(yù)測(cè)問(wèn)題的主動(dòng)運(yùn)維模式。此外，可以根據(jù)預(yù)測(cè)的故障風(fēng)險(xiǎn)和性能指標(biāo)，通過(guò)自動(dòng)化配置管理和故障排查工具，自動(dòng)調(diào)整配置、優(yōu)化網(wǎng)絡(luò)資源分配，進(jìn)而提高運(yùn)維的效率、準(zhǔn)確性和可靠性，改善當(dāng)前無(wú)線網(wǎng)絡(luò)運(yùn)維缺乏靈活性、過(guò)于依賴人力的痛點(diǎn)，實(shí)現(xiàn)更好的運(yùn)維管大語(yǔ)言模型（LLM）是自然語(yǔ)言處理中的一個(gè)重要方向，是實(shí)現(xiàn)智能化人機(jī)交互的關(guān)鍵技術(shù)之一。簡(jiǎn)單說(shuō)來(lái)，大語(yǔ)言模型是用于解釋、翻譯和總結(jié)自然語(yǔ)言文本的機(jī)器學(xué)習(xí)算法。這些模型使用深度神經(jīng)網(wǎng)絡(luò)從廣泛的訓(xùn)練數(shù)據(jù)中學(xué)習(xí)，以產(chǎn)生適當(dāng)?shù)妮敵?。通過(guò)transform自注意力機(jī)制，大語(yǔ)言模型可以將句子中的單詞關(guān)聯(lián)起來(lái)。單詞之間的關(guān)系是通過(guò)評(píng)估和比較文本序列中每個(gè)單詞的注意力得分來(lái)獲得的。目前市場(chǎng)上開源的大模型基本上都是基于網(wǎng)絡(luò)公開數(shù)據(jù)進(jìn)行訓(xùn)練出來(lái)的通用模型，如果直接用于智能運(yùn)維系統(tǒng)中的問(wèn)答與決策，顯然存在較為明顯的短板，如：缺少無(wú)線通信行業(yè)領(lǐng)域的私域數(shù)據(jù)，專有問(wèn)題解答效果差；數(shù)據(jù)時(shí)效性很低，對(duì)實(shí)時(shí)要求高的問(wèn)題效果差等。如何將無(wú)線通信領(lǐng)域具體的業(yè)務(wù)知識(shí)融合到大語(yǔ)言模型里，是無(wú)線網(wǎng)絡(luò)運(yùn)維知識(shí)大模型應(yīng)用落地需要考慮的一個(gè)重要大語(yǔ)言模型作為一種語(yǔ)言模型，本身并不能勝任對(duì)知識(shí)以及知識(shí)之間的管理，但隨著它的快速發(fā)展，應(yīng)用大模型來(lái)構(gòu)建專業(yè)領(lǐng)域知識(shí)庫(kù)已經(jīng)成為當(dāng)前的重要趨勢(shì)[3]。相比通用領(lǐng)域的知識(shí)，專業(yè)領(lǐng)域知識(shí)往往更加復(fù)雜抽象，包含大量專業(yè)術(shù)語(yǔ)。大模型具有理解語(yǔ)言語(yǔ)義的能力，能夠進(jìn)行高效的信息檢索和知識(shí)創(chuàng)造管理，可以用于專業(yè)文本的生成，以及專業(yè)知識(shí)的問(wèn)答。大語(yǔ)言模型雖然可以很好的回答很多領(lǐng)域的各種問(wèn)題，但是由于其知識(shí)是通過(guò)語(yǔ)言模型訓(xùn)練以及指令微調(diào)等方式注入到模型參數(shù)中，因此針對(duì)本地知識(shí)庫(kù)中的內(nèi)容，大語(yǔ)言模型很難通過(guò)此前的方式有效的進(jìn)行學(xué)習(xí)。在缺乏足夠訓(xùn)練數(shù)據(jù)和算力的情況下，可以借助私域數(shù)據(jù)Em提升回答的準(zhǔn)確性和質(zhì)量。7然而，大語(yǔ)言模型仍然存在會(huì)出現(xiàn)人工智能幻覺(jué)的局限性，這對(duì)于可靠性要求非常高的智能運(yùn)維系統(tǒng)來(lái)說(shuō)是在應(yīng)用上必須要克服的重大挑戰(zhàn)。當(dāng)模型根據(jù)數(shù)據(jù)中的統(tǒng)計(jì)模式生成輸出，而沒(méi)有完全理解潛在的含義或上下文時(shí)，就會(huì)產(chǎn)生幻覺(jué)，從而導(dǎo)致無(wú)意義甚至錯(cuò)誤的結(jié)果。為了應(yīng)對(duì)這一難題，結(jié)合知識(shí)圖譜和大語(yǔ)言模型可以為語(yǔ)言知識(shí)的局限性提供更強(qiáng)大的解決方案，并且可知識(shí)圖譜是以頭節(jié)點(diǎn)、尾節(jié)點(diǎn)和邊構(gòu)成的三元組形式對(duì)知識(shí)進(jìn)行圖形化表示，描繪了真實(shí)世界的數(shù)據(jù)實(shí)體及其關(guān)系。知識(shí)圖譜為結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)提供上下文和意義，使它們易于理解。將知識(shí)圖譜和大模型相結(jié)合可以提供準(zhǔn)確知識(shí)的集中來(lái)源，增加所收集數(shù)據(jù)的潛在知識(shí)價(jià)值。當(dāng)智能運(yùn)維系統(tǒng)合并了知識(shí)圖譜與大語(yǔ)言模型集成的上下文知識(shí)庫(kù)，從而允許系統(tǒng)模型在概念之間建立實(shí)體連接。這使得大語(yǔ)言模型能夠利用各種信息源，包括結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，以生成更準(zhǔn)確和相關(guān)的輸出[4]。此外，系統(tǒng)模型也能夠以更深入的理解進(jìn)行推理，并生成更合理的結(jié)果。但其中表示學(xué)習(xí)、結(jié)構(gòu)信息的利用、跨模塊的集成與優(yōu)化、以及解釋性等都是將知識(shí)圖譜和大語(yǔ)言模型結(jié)合的主要難點(diǎn)和挑戰(zhàn)。需要在算法和計(jì)算兩個(gè)方面不斷取得突破，才能實(shí)現(xiàn)真正意義上無(wú)線網(wǎng)絡(luò)智能運(yùn)維系統(tǒng)目標(biāo)是實(shí)現(xiàn)網(wǎng)絡(luò)運(yùn)維的智簡(jiǎn)化，具體實(shí)現(xiàn)方法是通過(guò)無(wú)線數(shù)據(jù)知識(shí)圖字段篩選出來(lái)，并通過(guò)衡量其對(duì)KPI影響程度減少了冗余信息，達(dá)到了智簡(jiǎn)運(yùn)維的效果。運(yùn)維網(wǎng)絡(luò)大模型則是通過(guò)龐大的算力基礎(chǔ)，來(lái)對(duì)復(fù)雜的網(wǎng)絡(luò)環(huán)境、網(wǎng)絡(luò)特征進(jìn)行巨量的計(jì)算，并且利用原有的運(yùn)維專家知識(shí)庫(kù)里的語(yǔ)義材料，尋找出8圖2網(wǎng)絡(luò)健康度趨勢(shì)預(yù)測(cè)通過(guò)對(duì)于網(wǎng)絡(luò)健康度的歷史數(shù)據(jù)分析，找出其發(fā)展趨勢(shì)。并通過(guò)對(duì)趨勢(shì)的挖掘，實(shí)現(xiàn)后續(xù)網(wǎng)絡(luò)監(jiān)控狀況的預(yù)測(cè)，可以解決因網(wǎng)絡(luò)建設(shè)規(guī)劃不足，備品備件不足等問(wèn)題導(dǎo)如圖2所示，一旦趨勢(shì)形成就可以預(yù)測(cè)出網(wǎng)絡(luò)狀態(tài)落入健康度閾值以下的時(shí)間點(diǎn)前時(shí)間的差值。趨勢(shì)分析后表現(xiàn)出來(lái)的如果是網(wǎng)絡(luò)資源等相關(guān)問(wèn)題，則可以利用這個(gè)時(shí)間差提前規(guī)劃并解決。若在此期間的用戶服務(wù)質(zhì)量沒(méi)有降低到閾值以下，大的影響。圖3網(wǎng)絡(luò)健康度異常點(diǎn)檢測(cè)網(wǎng)絡(luò)異常監(jiān)測(cè)的一個(gè)重要任務(wù)是通過(guò)對(duì)網(wǎng)絡(luò)設(shè)備運(yùn)行情況的監(jiān)測(cè)，及時(shí)發(fā)現(xiàn)網(wǎng)絡(luò)異常，提前如圖3所示，通過(guò)預(yù)測(cè)算法和歷史數(shù)據(jù)分析，可以預(yù)測(cè)網(wǎng)絡(luò)健康度的的數(shù)值，然后通過(guò)觀察和分析預(yù)測(cè)值是否超過(guò)閾值來(lái)判斷未來(lái)是否會(huì)發(fā)生故障。紅色實(shí)線為真實(shí)9數(shù)據(jù)，紅色虛線為預(yù)測(cè)曲線，利用預(yù)測(cè)點(diǎn)與當(dāng)前點(diǎn)的時(shí)間差進(jìn)行提前運(yùn)維，解決掉可能出現(xiàn)的故網(wǎng)絡(luò)異常檢測(cè)從本質(zhì)上看是一個(gè)分類問(wèn)題，即從網(wǎng)絡(luò)數(shù)據(jù)中將正常網(wǎng)絡(luò)數(shù)據(jù)和異常網(wǎng)絡(luò)數(shù)據(jù)區(qū)分開。當(dāng)前可供選擇的技術(shù)路線包括：基于人工特征提取的傳統(tǒng)統(tǒng)計(jì)學(xué)習(xí)方法以及不需要顯式特征提取的深度學(xué)習(xí)方法?；谌斯ぬ卣魈崛〉木W(wǎng)絡(luò)異常檢測(cè)技術(shù)的技術(shù)路線是：分析人員首先以某種方式從原始網(wǎng)絡(luò)數(shù)據(jù)中提取特征參數(shù)，然后基于特征進(jìn)行建模和網(wǎng)絡(luò)異常檢測(cè)。人工特征提取的優(yōu)點(diǎn)是：特征提取建立在安全分析人員的認(rèn)知基礎(chǔ)之上，對(duì)異常網(wǎng)絡(luò)數(shù)據(jù)有較強(qiáng)的針對(duì)性；對(duì)訓(xùn)練樣本數(shù)量的依賴度低，較少的樣本訓(xùn)練即可得到相對(duì)準(zhǔn)確的模型；模型的可解釋度高，容易確定異常網(wǎng)絡(luò)數(shù)據(jù)檢測(cè)結(jié)果的有效性。但人工特征提取也存在著明顯的缺點(diǎn)：對(duì)安全分析人員的依賴度高，特征的選取方法會(huì)對(duì)異常檢測(cè)結(jié)果的有效性產(chǎn)生直接影響。當(dāng)前已有的網(wǎng)絡(luò)異常檢測(cè)技術(shù)中，大都是基設(shè)備關(guān)鍵芯片等硬件的安全性非常重要，傳輸網(wǎng)絡(luò)核心層設(shè)備的一個(gè)關(guān)鍵芯片故障可能造成大量業(yè)務(wù)中斷，增加運(yùn)營(yíng)成本。通過(guò)定時(shí)采集芯片相關(guān)寄存器數(shù)據(jù)和狀態(tài)數(shù)據(jù)，基于數(shù)據(jù)挖掘技術(shù)分析找出芯片故障與寄存器異常數(shù)據(jù)、芯片狀態(tài)數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系，可以準(zhǔn)確預(yù)測(cè)芯片故障，圖4硬件故障預(yù)測(cè)型后網(wǎng)絡(luò)的可用性情況?？梢钥吹?，沒(méi)有故障預(yù)測(cè)模型時(shí)，系統(tǒng)被動(dòng)等待故障發(fā)生，故障發(fā)現(xiàn)存在滯后現(xiàn)象，甚至直到網(wǎng)絡(luò)可用性遭到大規(guī)模破壞后才發(fā)現(xiàn)故障；在部署故障預(yù)測(cè)模型后，系統(tǒng)可以提前預(yù)測(cè)故障、有計(jì)劃可控地制定備份修復(fù)計(jì)劃，做到未雨綢繆、主動(dòng)出擊，始終保持網(wǎng)絡(luò)智能運(yùn)維系統(tǒng)能夠?qū)崟r(shí)的監(jiān)測(cè)網(wǎng)絡(luò)性能和連接狀態(tài)，自動(dòng)識(shí)別并快速定位潛在的故障點(diǎn)，一旦出現(xiàn)故障，系統(tǒng)會(huì)通過(guò)智能分析，基于歷史數(shù)據(jù)和模式識(shí)別，判斷故障的可能原因。一旦確定故障原因，系統(tǒng)根據(jù)智能算法提供實(shí)時(shí)修復(fù)建議，最小化服務(wù)中斷，確保網(wǎng)絡(luò)持續(xù)通過(guò)網(wǎng)絡(luò)故障自動(dòng)診斷與修復(fù)，無(wú)需人工干預(yù)，網(wǎng)絡(luò)問(wèn)題可以在最短時(shí)間內(nèi)得到解決，確保網(wǎng)絡(luò)性能檢測(cè)與優(yōu)化是無(wú)線網(wǎng)絡(luò)智能運(yùn)維中的一個(gè)重要場(chǎng)景，其目標(biāo)是持續(xù)提升網(wǎng)絡(luò)的吞吐智能運(yùn)維系統(tǒng)會(huì)實(shí)時(shí)監(jiān)測(cè)網(wǎng)絡(luò)的性能指標(biāo)，包括傳輸速度、延遲、丟包率等，自動(dòng)的分析這些數(shù)據(jù)，迅速識(shí)別潛在的性能問(wèn)題；同時(shí)系統(tǒng)采用自主學(xué)習(xí)和優(yōu)化算法，根據(jù)不同網(wǎng)絡(luò)負(fù)載情況，動(dòng)態(tài)的分配網(wǎng)絡(luò)資源；系統(tǒng)也會(huì)對(duì)歷史性能數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)可能的性能瓶頸，提前采取優(yōu)化智能運(yùn)維系統(tǒng)會(huì)實(shí)時(shí)監(jiān)測(cè)網(wǎng)絡(luò)流量和設(shè)備的行為，識(shí)別可能的異?；顒?dòng)，也會(huì)采用一些深度學(xué)習(xí)的算法，分析數(shù)據(jù)包和設(shè)備的行為模式，一旦監(jiān)測(cè)到可疑的行為（如未經(jīng)授權(quán)的設(shè)備連接），在安全風(fēng)險(xiǎn)預(yù)警方面，不僅關(guān)注已知的威脅，還能夠發(fā)現(xiàn)未知的安全漏洞。通過(guò)實(shí)時(shí)協(xié)同分析，將不同網(wǎng)絡(luò)節(jié)點(diǎn)的安全數(shù)據(jù)匯集起來(lái)，形成整體的安全態(tài)勢(shì)感知，提供更全面的安全風(fēng)險(xiǎn)預(yù)智能運(yùn)維系統(tǒng)通過(guò)集中監(jiān)控和控制，實(shí)現(xiàn)了對(duì)分散的網(wǎng)絡(luò)節(jié)點(diǎn)的遠(yuǎn)程管理。網(wǎng)絡(luò)管理員可以通過(guò)系統(tǒng)遠(yuǎn)程訪問(wèn)節(jié)點(diǎn)，查看實(shí)時(shí)的網(wǎng)絡(luò)狀態(tài)、設(shè)備連接情況及性能指標(biāo)，當(dāng)出現(xiàn)問(wèn)題時(shí)，會(huì)觸發(fā)安全風(fēng)險(xiǎn)預(yù)警并能夠提供故障修復(fù)建議，幫助管理員快速定位和解決問(wèn)題；同時(shí)，設(shè)備配置和軟件升級(jí)等操作也能夠通過(guò)遠(yuǎn)程管理設(shè)置自動(dòng)化完成，提高運(yùn)維效率，降低運(yùn)維成本，減少現(xiàn)場(chǎng)智能運(yùn)維系統(tǒng)會(huì)對(duì)不同業(yè)務(wù)需求和網(wǎng)絡(luò)性能進(jìn)行識(shí)別和預(yù)測(cè),對(duì)各域網(wǎng)絡(luò)功能自動(dòng)化編排和部署，生成滿足業(yè)務(wù)需求的端到端服務(wù)流，同時(shí)，對(duì)容量欠缺的站點(diǎn)進(jìn)行自動(dòng)擴(kuò)容，對(duì)尚無(wú)網(wǎng)絡(luò)覆蓋的區(qū)域進(jìn)行自動(dòng)規(guī)劃、硬件自啟動(dòng)、軟件自加載。進(jìn)而針對(duì)目標(biāo)業(yè)務(wù)需求完成從自動(dòng)化感知到分析與決策的智能工作流，形成完備的自動(dòng)化閉環(huán)流程，無(wú)需人工無(wú)線網(wǎng)絡(luò)智能運(yùn)維系統(tǒng)是指無(wú)線網(wǎng)絡(luò)環(huán)境下，首次將知識(shí)圖譜引入到智能運(yùn)維全流程環(huán)節(jié)中，從協(xié)議出發(fā)，利用數(shù)據(jù)、知識(shí)、模型三大要素，實(shí)現(xiàn)內(nèi)生智能的網(wǎng)絡(luò)運(yùn)維系統(tǒng)。此系統(tǒng)的目標(biāo)是著力解決業(yè)界當(dāng)前面臨的痛點(diǎn)，適應(yīng)未來(lái)發(fā)展智能運(yùn)維應(yīng)具備對(duì)來(lái)自不同來(lái)源的信息進(jìn)行多元化數(shù)據(jù)采集的能力，包括基礎(chǔ)設(shè)施的資源信息、網(wǎng)絡(luò)設(shè)備中的無(wú)線空口和核心網(wǎng)運(yùn)行數(shù)據(jù)信息，以及終端用戶和環(huán)境信息等。這種數(shù)據(jù)采集通過(guò)硬采、軟采、路測(cè)等多種方法實(shí)現(xiàn)：硬采數(shù)據(jù)由物理設(shè)備和傳感器收集，提供準(zhǔn)確的實(shí)時(shí)數(shù)據(jù)；軟采數(shù)據(jù)通過(guò)網(wǎng)絡(luò)設(shè)備和軟件工具獲取，具有廣泛的覆蓋范圍和高頻次；路測(cè)數(shù)據(jù)則通過(guò)實(shí)地測(cè)試和監(jiān)測(cè)獲得，反映真實(shí)的網(wǎng)絡(luò)性能和覆蓋情況。多元化數(shù)據(jù)采集方式不僅確保數(shù)據(jù)的全面性和準(zhǔn)確性，還為網(wǎng)絡(luò)優(yōu)化、故障排查、用戶體驗(yàn)提升等工作提供了有力支持，推動(dòng)整個(gè)數(shù)據(jù)驅(qū)動(dòng)的智能化發(fā)展進(jìn)程。通過(guò)對(duì)多元化數(shù)據(jù)的采集與分析，智能運(yùn)維系統(tǒng)能夠更全面、準(zhǔn)確地了解無(wú)線網(wǎng)絡(luò)智能運(yùn)維系統(tǒng)應(yīng)具備通過(guò)實(shí)時(shí)監(jiān)測(cè)和分析網(wǎng)絡(luò)數(shù)據(jù)，快速發(fā)現(xiàn)網(wǎng)絡(luò)風(fēng)險(xiǎn)并迅速消除故障，實(shí)現(xiàn)高效的異常檢測(cè)和根因定位能力。這種智能系統(tǒng)能夠?qū)⑦\(yùn)維周期從傳統(tǒng)的“天級(jí)”縮短到“小時(shí)級(jí)”甚至“分鐘級(jí)”，極大地提高了網(wǎng)絡(luò)異常處理的效率。相較于傳統(tǒng)的人工運(yùn)維模式，該系統(tǒng)不僅節(jié)省了大量時(shí)間，還降低了經(jīng)濟(jì)成本，為網(wǎng)絡(luò)運(yùn)營(yíng)商帶來(lái)了顯著的效益和競(jìng)爭(zhēng)優(yōu)勢(shì)。通過(guò)智能運(yùn)維系統(tǒng)的高效運(yùn)行，網(wǎng)絡(luò)運(yùn)營(yíng)商能夠在成本控制的基礎(chǔ)上提升服務(wù)質(zhì)量，實(shí)現(xiàn)更加可持續(xù)的發(fā)展。無(wú)線智能運(yùn)維系統(tǒng)在應(yīng)對(duì)復(fù)雜網(wǎng)絡(luò)場(chǎng)景時(shí)，傳統(tǒng)的基于鄰近度檢測(cè)的異常識(shí)別方法受制于判別標(biāo)準(zhǔn)和工程人員經(jīng)驗(yàn)的限制。與此同時(shí)，基于深度神經(jīng)網(wǎng)絡(luò)的異常檢測(cè)模型雖然具有較高的準(zhǔn)確性，但往往局限于單一場(chǎng)景，遷移和泛化能力較弱。為了解決這一問(wèn)題，異常檢測(cè)告警模塊采用了多模型融合的時(shí)序預(yù)測(cè)方法，通過(guò)制定針對(duì)異常信息的趨勢(shì)重建/預(yù)測(cè)以及對(duì)正常信息的精準(zhǔn)重建/預(yù)測(cè)的分離重構(gòu)策略，實(shí)現(xiàn)了對(duì)多樣化、動(dòng)態(tài)化、復(fù)雜化網(wǎng)絡(luò)場(chǎng)景的適應(yīng)能力。這一策略有效地提升了智能運(yùn)維系統(tǒng)在面對(duì)復(fù)雜網(wǎng)絡(luò)環(huán)境時(shí)的應(yīng)對(duì)能力，使其能夠更加準(zhǔn)確、全面地識(shí)別異無(wú)線網(wǎng)絡(luò)的智能運(yùn)維系統(tǒng)應(yīng)具備對(duì)異常進(jìn)行快速識(shí)別并定位的能力，如設(shè)備故障、傳輸問(wèn)題、外部干擾等，能夠?qū)Ξ惓＿M(jìn)行精準(zhǔn)分類，從而精確定位及分析該異常的潛在范圍及其對(duì)網(wǎng)絡(luò)性能無(wú)線網(wǎng)絡(luò)的智能運(yùn)維系統(tǒng)應(yīng)能夠結(jié)合異常事件信息及所采集的無(wú)線網(wǎng)絡(luò)數(shù)據(jù)通過(guò)知識(shí)圖譜及人工智能等技術(shù)，快速、精準(zhǔn)地追蹤和識(shí)別網(wǎng)絡(luò)問(wèn)題的根本原因，并記錄溯源分析的結(jié)果，包括函數(shù)級(jí)別的故障診斷是一種非常細(xì)粒度的故障定位方法，其核心思想是通過(guò)深入分析系統(tǒng)內(nèi)部的函數(shù)調(diào)用關(guān)系和執(zhí)行過(guò)程，精確定位故障發(fā)生的具體函數(shù)或代碼模塊。舉例來(lái)說(shuō)，通常在網(wǎng)絡(luò)運(yùn)營(yíng)中，當(dāng)出現(xiàn)用戶設(shè)備接入失敗等故障表象時(shí)，僅憑借一些常規(guī)的網(wǎng)絡(luò)性能指標(biāo)很難準(zhǔn)確確定故障原因。要進(jìn)一步對(duì)故障進(jìn)行根因定位和診斷，就需要依賴一些專用的工具或者細(xì)致的數(shù)據(jù)智能運(yùn)維系統(tǒng)應(yīng)能夠識(shí)別和解決無(wú)線網(wǎng)絡(luò)中特定功能、模塊以及函數(shù)級(jí)別的故障。這就要求無(wú)線網(wǎng)絡(luò)的智能運(yùn)維系統(tǒng)能夠進(jìn)行函數(shù)級(jí)別的故障檢測(cè)、性能監(jiān)控、故障定位甚至安全環(huán)境的函數(shù)級(jí)故障場(chǎng)景模擬等。函數(shù)級(jí)別的故障診斷一般需要高度專業(yè)的技術(shù)和工具以對(duì)網(wǎng)絡(luò)設(shè)備內(nèi)部執(zhí)無(wú)線網(wǎng)絡(luò)智能運(yùn)維系統(tǒng)應(yīng)用架構(gòu)如錯(cuò)誤!未找到引用源。所示，主要由四個(gè)單元組成，即無(wú)線圖5無(wú)線網(wǎng)絡(luò)智能運(yùn)維系統(tǒng)架構(gòu)無(wú)線數(shù)據(jù)模塊：用于獲取無(wú)線通信網(wǎng)絡(luò)原始數(shù)據(jù)，并進(jìn)行預(yù)處理后，按照不同數(shù)據(jù)類型進(jìn)入無(wú)線數(shù)據(jù)倉(cāng)庫(kù)進(jìn)行分類存儲(chǔ)（詳見(jiàn)辭典白皮知識(shí)圖譜模塊：用于基于無(wú)線通信網(wǎng)絡(luò)的內(nèi)生因素以及圖譜構(gòu)建方法，構(gòu)建無(wú)線通信網(wǎng)絡(luò)知識(shí)圖譜，并結(jié)合分類后的無(wú)線通信網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行深度解析和圖譜循環(huán)智能溯源模塊：用于基于調(diào)優(yōu)后的無(wú)線通信網(wǎng)絡(luò)知識(shí)圖譜，以及異常檢測(cè)和智能推理算法，確定無(wú)線通信網(wǎng)絡(luò)故障及性能問(wèn)題的追因溯源結(jié)網(wǎng)管策略下發(fā)模塊：用于基于所述的無(wú)線網(wǎng)絡(luò)故障及性能問(wèn)題的追因溯源結(jié)果，結(jié)合策略生成算法，確定相應(yīng)的網(wǎng)管策略，并下發(fā)給無(wú)線通信網(wǎng)絡(luò)執(zhí)無(wú)線數(shù)據(jù)倉(cāng)庫(kù)：經(jīng)過(guò)無(wú)線數(shù)據(jù)智能解析平臺(tái)的建設(shè)，對(duì)通過(guò)軟列預(yù)處理后，實(shí)施數(shù)據(jù)治理，然后按照不同數(shù)據(jù)類型進(jìn)行分類存儲(chǔ)，匯聚形成基礎(chǔ)數(shù)據(jù)無(wú)線網(wǎng)絡(luò)智能運(yùn)維系統(tǒng)的功能主要包括數(shù)據(jù)分類存儲(chǔ)（Dataclassificationandstorage）、數(shù)據(jù)預(yù)處理（Datapreprocessing）、異常判斷（Anomalydetectialarm）、異常關(guān)聯(lián)（Abnormalassociation）、追因溯源（Rootcausetracing）和智能維護(hù)數(shù)據(jù)分類存儲(chǔ)通過(guò)硬采、軟采、路測(cè)等方式對(duì)試驗(yàn)網(wǎng)的各類數(shù)據(jù)進(jìn)行采集、轉(zhuǎn)換和清洗，按照不同的數(shù)據(jù)類型分類存儲(chǔ)，主要包括無(wú)線空口（UE側(cè)）數(shù)據(jù)、無(wú)線空口（數(shù)據(jù)預(yù)處理對(duì)所采集的無(wú)線通信網(wǎng)絡(luò)原始數(shù)據(jù)進(jìn)行異常數(shù)據(jù)刪除、按時(shí)間分區(qū)、非結(jié)構(gòu)化數(shù)據(jù)做結(jié)構(gòu)化根據(jù)預(yù)測(cè)的KPI指標(biāo)變化趨勢(shì)及時(shí)發(fā)現(xiàn)漸變類異常并告警，提醒網(wǎng)絡(luò)運(yùn)行和維護(hù)無(wú)線通信網(wǎng)絡(luò)底層數(shù)據(jù)類型。將影響KPI波動(dòng)的策略下發(fā)模塊中。在確認(rèn)造成KPI指標(biāo)異常的原因和其他關(guān)鍵因素之后，選取合適的調(diào)優(yōu)方案和策略數(shù)據(jù)作為實(shí)現(xiàn)智能運(yùn)維的基礎(chǔ)，對(duì)于實(shí)現(xiàn)智能運(yùn)維至關(guān)重要。只有擁有高質(zhì)量的數(shù)據(jù)，才能進(jìn)行有效的數(shù)據(jù)分析和決策，從而提高運(yùn)維效率和質(zhì)量。在智能運(yùn)維中，數(shù)據(jù)可以提供實(shí)時(shí)的反饋信息，幫助運(yùn)維人員快速識(shí)別無(wú)線網(wǎng)絡(luò)的異常情況、預(yù)測(cè)故障發(fā)生概率等；通過(guò)數(shù)據(jù)分析和和算法模型，可以從大量的數(shù)據(jù)中提取出有價(jià)值的信息，例如流量的性能瓶頸、資源分配不合理等問(wèn)題；通過(guò)數(shù)據(jù)可視化，可以將復(fù)雜的數(shù)據(jù)分析結(jié)果以圖表、儀表盤等形式展示出來(lái)，便于運(yùn)維由于AI和感知能力的內(nèi)生，未來(lái)的無(wú)線網(wǎng)絡(luò)承載的數(shù)據(jù)多樣理分類有利于高效利用。無(wú)線網(wǎng)絡(luò)中數(shù)據(jù)主要分為業(yè)務(wù)數(shù)據(jù)和網(wǎng)絡(luò)設(shè)備運(yùn)行數(shù)據(jù)。業(yè)務(wù)數(shù)據(jù)主要包括業(yè)務(wù)流程中所產(chǎn)生的用戶簽約數(shù)據(jù)、感智能化的手段可進(jìn)一步挖掘這些業(yè)務(wù)數(shù)據(jù)蘊(yùn)藏的價(jià)值。從數(shù)據(jù)來(lái)源、應(yīng)用范圍、數(shù)據(jù)量、存儲(chǔ)要表1業(yè)務(wù)數(shù)據(jù)分類詳情數(shù)據(jù)來(lái)源應(yīng)用范圍數(shù)據(jù)量存儲(chǔ)要求用戶簽約數(shù)據(jù)網(wǎng)絡(luò)/業(yè)務(wù)認(rèn)證，授權(quán)，接入控物聯(lián)網(wǎng)應(yīng)用，智能決策智能決策模型數(shù)量成正比網(wǎng)絡(luò)設(shè)備運(yùn)行數(shù)據(jù)是指無(wú)線網(wǎng)絡(luò)運(yùn)行時(shí)產(chǎn)生的設(shè)備相關(guān)數(shù)據(jù)，主要包括網(wǎng)絡(luò)性能數(shù)據(jù)、配置網(wǎng)絡(luò)性能數(shù)據(jù)主要包括網(wǎng)絡(luò)故障信息、網(wǎng)絡(luò)負(fù)載等數(shù)據(jù)，用于分析無(wú)線網(wǎng)絡(luò)運(yùn)行情況和性能瓶頸，從而優(yōu)化網(wǎng)絡(luò)性能和提升用戶體驗(yàn)；配置數(shù)據(jù)主要包括網(wǎng)絡(luò)設(shè)備的配置信息、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、信道參數(shù)等數(shù)據(jù)，用于初始化網(wǎng)絡(luò)設(shè)備、建立網(wǎng)絡(luò)連接、維護(hù)網(wǎng)絡(luò)正常運(yùn)行等；監(jiān)控?cái)?shù)據(jù)主以數(shù)據(jù)中臺(tái)/大數(shù)據(jù)平臺(tái)/數(shù)據(jù)湖等形式存在的數(shù)據(jù)底座技術(shù)，為智能運(yùn)維提供數(shù)據(jù)采集、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)治理和數(shù)據(jù)服務(wù)四項(xiàng)核心能力，通過(guò)這四項(xiàng)核心能力，可以將原始數(shù)據(jù)轉(zhuǎn)化為有價(jià)數(shù)據(jù)采集是實(shí)現(xiàn)無(wú)線系統(tǒng)智能通信運(yùn)維的基礎(chǔ)。在無(wú)線網(wǎng)絡(luò)中，通過(guò)將無(wú)線網(wǎng)絡(luò)設(shè)備的狀態(tài)和性能數(shù)據(jù)、無(wú)線網(wǎng)絡(luò)的運(yùn)行數(shù)據(jù)、空口和核心網(wǎng)的用戶數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和采集，可以獲得無(wú)線網(wǎng)絡(luò)的實(shí)時(shí)運(yùn)行狀態(tài)用戶的行為狀態(tài)數(shù)據(jù)，為后續(xù)的數(shù)據(jù)分析和故障診斷提供支持。數(shù)據(jù)采集過(guò)程中需要保證數(shù)據(jù)的準(zhǔn)確性和完整性，以確保后續(xù)分析的可由于無(wú)線網(wǎng)絡(luò)數(shù)據(jù)規(guī)模龐大、紛繁復(fù)雜以及隱私保護(hù)等特性，選擇合適的存儲(chǔ)設(shè)備和數(shù)據(jù)處理技術(shù)至關(guān)重要，如分布式文件系統(tǒng)、數(shù)據(jù)倉(cāng)庫(kù)等。隨著中臺(tái)、大數(shù)據(jù)平臺(tái)和數(shù)據(jù)湖等管理平臺(tái)的快速發(fā)展，可以有效的解決數(shù)據(jù)的規(guī)模、處理速度和查詢效率等問(wèn)題，以確保數(shù)據(jù)能夠被有效地存儲(chǔ)和管理。同時(shí)，為了確保數(shù)據(jù)的安全性、可靠性和可擴(kuò)展性，需要對(duì)數(shù)據(jù)進(jìn)行安全存儲(chǔ)和數(shù)據(jù)治理是實(shí)現(xiàn)無(wú)線網(wǎng)絡(luò)智能運(yùn)維的重要環(huán)節(jié)之一。通過(guò)數(shù)據(jù)治理，可以確保數(shù)據(jù)的合規(guī)性、一致性和安全性。在無(wú)線網(wǎng)絡(luò)中，數(shù)據(jù)治理包括對(duì)數(shù)據(jù)的標(biāo)準(zhǔn)化、清洗、整合、分類和標(biāo)記等工作，以提高數(shù)據(jù)的可讀性和可用性。同時(shí)，通過(guò)建立數(shù)據(jù)質(zhì)量管理流程，可以確保數(shù)據(jù)的準(zhǔn)確性和完整性。數(shù)據(jù)服務(wù)是將數(shù)據(jù)轉(zhuǎn)化為有價(jià)值的信息和知識(shí)的過(guò)程，通過(guò)數(shù)據(jù)服務(wù)，可以將采集到的原始數(shù)據(jù)轉(zhuǎn)化為具有實(shí)際應(yīng)用價(jià)值的信息或知識(shí)，提供給運(yùn)維人員和管理決策者使用。例如，通過(guò)分析無(wú)線網(wǎng)絡(luò)中設(shè)備的狀態(tài)數(shù)據(jù)，可以及時(shí)發(fā)現(xiàn)網(wǎng)絡(luò)故障并采取相應(yīng)的措施來(lái)解決問(wèn)題。同時(shí)，數(shù)據(jù)服務(wù)還可以將用戶數(shù)據(jù)進(jìn)行深度的挖掘和分析，發(fā)現(xiàn)潛在的問(wèn)題和優(yōu)化點(diǎn)，為網(wǎng)優(yōu)和網(wǎng)絡(luò)升級(jí)提供指導(dǎo)。在正式構(gòu)建無(wú)線通信網(wǎng)絡(luò)內(nèi)生因素知識(shí)圖譜之前，首先需要依據(jù)3GPP通信協(xié)議及通信領(lǐng)域?qū)＜抑R(shí)，對(duì)無(wú)線通信網(wǎng)絡(luò)所涉及的指標(biāo)和數(shù)據(jù)字段進(jìn)行梳理，并對(duì)各指標(biāo)和數(shù)據(jù)字段之間的關(guān)聯(lián)關(guān)系進(jìn)行淺顯解析。依據(jù)淺顯解析模塊對(duì)所得的指標(biāo)及數(shù)據(jù)字段進(jìn)行梳理后，確立實(shí)體類型，記為{entity1,entity2,...,entitym}，共有m種實(shí)體類型。實(shí)體包含可以表征實(shí)體對(duì)象特征參數(shù)的實(shí)體屬性，例如實(shí)體名稱、類型、字長(zhǎng)、所屬通信層、取值范圍、可調(diào)性等。針對(duì)定義的實(shí)體，確立實(shí)體與實(shí)體之間的關(guān)系，記為{relation1,relation2,...,relationn}，共n種實(shí)體關(guān)系。根據(jù)經(jīng)過(guò)淺顯解析步驟梳理所得的實(shí)體和實(shí)體間關(guān)系[4]，構(gòu)建具有連接關(guān)系的實(shí)體無(wú)線通信中的尾實(shí)體，每個(gè)三元組中的頭實(shí)體和尾實(shí)體均屬于上述確立的m種實(shí)體類型之一，relation為實(shí)體間的關(guān)系，屬于上述確立的n種關(guān)系之一。然后，構(gòu)建無(wú)線通信網(wǎng)絡(luò)內(nèi)生因素知識(shí)圖譜，以三元組中的頭實(shí)體和尾實(shí)體作為無(wú)線通信網(wǎng)絡(luò)內(nèi)生因素知識(shí)圖譜的節(jié)點(diǎn)，每一個(gè)節(jié)點(diǎn)表征了采集存儲(chǔ)的數(shù)據(jù)字段或指標(biāo)，節(jié)點(diǎn)與節(jié)點(diǎn)之間的邊連接關(guān)系用一條有向線段來(lái)表征，連接所有存在邊連接關(guān)系的節(jié)點(diǎn)，即可得到具有拓?fù)浣Y(jié)構(gòu)的無(wú)線通信網(wǎng)絡(luò)內(nèi)生因素知接下來(lái)進(jìn)行深度解析步驟，在淺顯解析后所構(gòu)建的無(wú)線通信網(wǎng)絡(luò)內(nèi)生因素知識(shí)圖譜的基礎(chǔ)上，依托基于圖結(jié)構(gòu)的理論分析方法，深入挖掘各節(jié)點(diǎn)之間的內(nèi)生因素關(guān)聯(lián)關(guān)系，如指標(biāo)與數(shù)據(jù)字段、指標(biāo)與指標(biāo)、數(shù)據(jù)字段與數(shù)據(jù)字段、業(yè)務(wù)流程與數(shù)據(jù)字段等。對(duì)兩個(gè)節(jié)點(diǎn)間的關(guān)聯(lián)程度和依賴關(guān)最后以深度解析后的相關(guān)分析結(jié)果作為輸入，輸出無(wú)線通信網(wǎng)絡(luò)內(nèi)生因素知識(shí)圖譜的調(diào)優(yōu)內(nèi)容和調(diào)優(yōu)方向，包括圖結(jié)構(gòu)的調(diào)優(yōu)更新、關(guān)聯(lián)關(guān)系的調(diào)優(yōu)更新等。同時(shí)，將調(diào)優(yōu)更新參數(shù)反饋給智能運(yùn)維系統(tǒng)利用機(jī)器學(xué)習(xí)和知識(shí)圖譜技術(shù)，能夠自動(dòng)生成網(wǎng)絡(luò)故障的診斷與修復(fù)策略。為首先，從算法角度出發(fā)，需要結(jié)合知識(shí)圖譜對(duì)策略邏輯的合理性和可解釋性進(jìn)行評(píng)估，確保其符合專業(yè)規(guī)范。保證知識(shí)圖譜中的網(wǎng)絡(luò)元素、設(shè)備和協(xié)議信息的完備性和準(zhǔn)確性，以及知識(shí)圖譜中數(shù)據(jù)來(lái)源的可靠性，以及確保知識(shí)圖譜具有足夠的廣度和深度，涵蓋了各種無(wú)線網(wǎng)絡(luò)組件和問(wèn)題基于全面而準(zhǔn)確的背景知識(shí)生成策略邏輯。通過(guò)比對(duì)專業(yè)規(guī)范、最佳實(shí)踐標(biāo)準(zhǔn)等，驗(yàn)證算法生成的策略是否符合行業(yè)和組織標(biāo)準(zhǔn)。同時(shí)，利用知識(shí)圖譜的注釋和元數(shù)據(jù)，提高策略邏輯的可解釋性。關(guān)注邏輯鏈路的一致性、有效性以及對(duì)異常情況的考慮，運(yùn)用知識(shí)圖譜中的關(guān)系信息解釋策略邏輯中各步驟的關(guān)聯(lián)和因果關(guān)系。這種綜合的評(píng)估方法可確保算法生成的策略在實(shí)際應(yīng)用其次，著重考察策略在檢測(cè)和解決網(wǎng)絡(luò)異常方面的能力，這涉及到準(zhǔn)確判斷異常的嚴(yán)重程度。通過(guò)在仿真環(huán)境中模擬異常場(chǎng)景測(cè)試策略的修復(fù)效果，比較關(guān)鍵網(wǎng)絡(luò)性能指標(biāo)，以綜合判斷其對(duì)整體系統(tǒng)的影響，此外，還要評(píng)估策略的實(shí)用性和可行性，這包括是否可以在生產(chǎn)環(huán)境中輕松實(shí)施，并且是否符合運(yùn)維團(tuán)隊(duì)的操作流程。同時(shí)，進(jìn)行與人工經(jīng)驗(yàn)策略的對(duì)照實(shí)驗(yàn)，以直觀比較自在評(píng)估中的另一關(guān)鍵點(diǎn)是安全性和合規(guī)性，確保生成的策略不會(huì)引入網(wǎng)絡(luò)安全風(fēng)，生成潛在總體而言，策略評(píng)估需要從解釋性、效果影響、安全合規(guī)等不同維度進(jìn)行，結(jié)合算法、網(wǎng)絡(luò)和業(yè)務(wù)知識(shí)，以技術(shù)手段和場(chǎng)景驗(yàn)證相結(jié)合的方式進(jìn)行。一個(gè)完善的評(píng)估過(guò)程能夠全面驗(yàn)證策略的質(zhì)量，并推動(dòng)智能運(yùn)維系統(tǒng)不斷取得進(jìn)步。這需要不斷優(yōu)化算法、更新知識(shí)圖譜，并緊密結(jié)合無(wú)線通信網(wǎng)絡(luò)中的內(nèi)生因素知識(shí)圖譜在構(gòu)建初期并不十分完備，隨著其應(yīng)用到實(shí)際的智能運(yùn)維業(yè)務(wù)系統(tǒng)，需要經(jīng)歷逐步完善和發(fā)展的過(guò)程。然而，這一過(guò)程通常依賴于大量繁重的無(wú)線網(wǎng)絡(luò)數(shù)據(jù)標(biāo)注工作，這種人工標(biāo)注為日常的運(yùn)維過(guò)程帶來(lái)了巨大的人力成本。因此，為了應(yīng)對(duì)這一挑戰(zhàn)，實(shí)現(xiàn)知識(shí)圖譜的自我生長(zhǎng)和自我擴(kuò)張至關(guān)重要。通過(guò)自我學(xué)習(xí)和持續(xù)迭代，知識(shí)圖譜能夠不斷積累新知識(shí)、修正錯(cuò)誤，從而逐步提升其準(zhǔn)確性和全面性，減輕對(duì)人工標(biāo)注的依賴，為無(wú)線網(wǎng)首先，為了應(yīng)對(duì)運(yùn)維數(shù)據(jù)人工標(biāo)注繁重、困難的痛點(diǎn)，可以采用弱監(jiān)督或半監(jiān)督機(jī)器學(xué)習(xí)方法以少量帶有標(biāo)記無(wú)線網(wǎng)絡(luò)數(shù)據(jù)為基礎(chǔ)，結(jié)合海量未標(biāo)記數(shù)據(jù)，同時(shí)通過(guò)圖結(jié)構(gòu)和節(jié)點(diǎn)特征傳播信息，以預(yù)測(cè)未標(biāo)記節(jié)點(diǎn)中無(wú)線網(wǎng)絡(luò)運(yùn)維數(shù)據(jù)的標(biāo)簽或關(guān)系。通過(guò)模型訓(xùn)練和迭代優(yōu)化可以從海量數(shù)據(jù)中挖掘出更為深層次的模式和規(guī)律，抽取新的結(jié)構(gòu)化知識(shí)，包含實(shí)體及其屬性，實(shí)體之間的繼承、包含和相關(guān)等關(guān)系，為智能運(yùn)維中的異常地位、溯源分析和故障診斷提供更強(qiáng)大的決策進(jìn)一步地，為了保證知識(shí)圖譜的生成質(zhì)量，使其更符合實(shí)際網(wǎng)絡(luò)運(yùn)維環(huán)境的穩(wěn)定性要求，可以采用增量式學(xué)習(xí)的訓(xùn)練方式。當(dāng)抽取到新的實(shí)體關(guān)系時(shí)，基于對(duì)新舊知識(shí)的比較分析，系統(tǒng)可以采用知識(shí)蒸餾的方式將新知識(shí)與已有知識(shí)進(jìn)行整合，使得新的信息與知識(shí)圖譜中相應(yīng)的部分關(guān)聯(lián)，并且確保新舊知識(shí)之間的一致性和銜接性。增量更新技術(shù)使系統(tǒng)能夠在已有知識(shí)的基礎(chǔ)上持續(xù)集成新的信息，保持了知識(shí)圖譜的最新?tīng)顟B(tài)，而無(wú)需重新構(gòu)建整個(gè)知識(shí)圖譜。與整體更新的方式相比，提升效率的同時(shí)節(jié)約了系統(tǒng)資源與運(yùn)行成本，同時(shí)提高了網(wǎng)絡(luò)運(yùn)維的整體穩(wěn)定性，降低在實(shí)踐中，強(qiáng)化學(xué)習(xí)和遷移學(xué)習(xí)的結(jié)合使系統(tǒng)能夠利用已有知識(shí)圖譜中的經(jīng)驗(yàn)和信息，通過(guò)模擬和應(yīng)用不同無(wú)線網(wǎng)絡(luò)狀況下的調(diào)優(yōu)策略來(lái)擴(kuò)展知識(shí)圖譜。在強(qiáng)化學(xué)習(xí)過(guò)程中，基于實(shí)際運(yùn)維表現(xiàn)（如異常定位準(zhǔn)確率、策略表現(xiàn)評(píng)估等），建立獎(jiǎng)勵(lì)機(jī)制來(lái)引導(dǎo)模型與復(fù)雜多變的無(wú)線網(wǎng)絡(luò)環(huán)境進(jìn)行持續(xù)交互，從而使知識(shí)圖譜自我更新并適應(yīng)新數(shù)據(jù)。同時(shí)，遷移學(xué)習(xí)將已有知識(shí)圖譜的信息轉(zhuǎn)化為先驗(yàn)知識(shí)，并利用這些先驗(yàn)知識(shí)提升知識(shí)圖譜的學(xué)習(xí)能力和適應(yīng)性，為系統(tǒng)在面對(duì)未來(lái)可能的更多樣性網(wǎng)絡(luò)環(huán)境時(shí)，提供了一定的運(yùn)維遷移能力。盡管自生長(zhǎng)和自擴(kuò)張是知識(shí)圖譜的一種高效的構(gòu)建方式，但也可能存在著一些潛在的錯(cuò)誤和不準(zhǔn)確性，而這會(huì)給無(wú)線網(wǎng)絡(luò)運(yùn)維過(guò)程帶來(lái)潛在的風(fēng)險(xiǎn)。因此，適當(dāng)?shù)娜斯徍撕托拚蔀榇_保知識(shí)圖譜實(shí)現(xiàn)高質(zhì)量自生長(zhǎng)的重要補(bǔ)充手段。這一過(guò)程涉及專家審查、標(biāo)注數(shù)據(jù)驗(yàn)證等過(guò)程，以識(shí)別并修正圖譜中可能存在的錯(cuò)誤信息。通過(guò)專家的審查，可以對(duì)自動(dòng)生成的信息進(jìn)行驗(yàn)證，并驗(yàn)證圖譜中實(shí)體、關(guān)系或?qū)傩缘恼_性；標(biāo)注數(shù)據(jù)的驗(yàn)證則能夠通過(guò)與人工標(biāo)注數(shù)據(jù)的對(duì)比，發(fā)現(xiàn)潛在的不一致或錯(cuò)誤之處。這些審查和驗(yàn)證的結(jié)果將被反饋到系統(tǒng)中，為知識(shí)圖譜的持續(xù)改進(jìn)總的來(lái)說(shuō)，知識(shí)圖譜的自生長(zhǎng)和自擴(kuò)張是一個(gè)逐步迭代的過(guò)程，通過(guò)不斷的迭代和積累，不僅完善了已有知識(shí)結(jié)構(gòu)，也賦予了系統(tǒng)持續(xù)學(xué)習(xí)和適應(yīng)新信息的能力。通過(guò)知識(shí)圖譜不斷的增量式演進(jìn)，系統(tǒng)能夠更精準(zhǔn)地識(shí)別和解決運(yùn)維過(guò)程中的各類突發(fā)異常，提供更智能、更高效的運(yùn)維異常檢測(cè)根據(jù)多種網(wǎng)絡(luò)流量指標(biāo)，檢測(cè)離群點(diǎn)并標(biāo)記為異常。目前異常檢測(cè)算法可分為：基于專家經(jīng)驗(yàn)的制定異常檢測(cè)規(guī)則的方法、傳統(tǒng)機(jī)器學(xué)習(xí)算法、深度學(xué)習(xí)算法、基于信號(hào)分析的異常檢測(cè)算法。其中，基于專家經(jīng)驗(yàn)的制定異常檢測(cè)規(guī)則方法通過(guò)制定判黑或判白規(guī)則（例如，正則表達(dá)式）來(lái)匹配正?；虍惓Ａ髁浚@種方法具有準(zhǔn)確性高的優(yōu)勢(shì)，但是需要投入大量人力勞動(dòng)，并持續(xù)跟蹤迭代；另外三種方法均為數(shù)據(jù)驅(qū)動(dòng)的方法，其中，傳統(tǒng)機(jī)器學(xué)習(xí)算法具有快速、易訓(xùn)練、輕開銷的特點(diǎn)；深度學(xué)習(xí)算法準(zhǔn)確率較高，但訓(xùn)練所需數(shù)據(jù)量大且訓(xùn)練與推理開銷均較大；基于信號(hào)分析的異常檢測(cè)算法訓(xùn)練開銷小或不需訓(xùn)練，但推理時(shí)延長(zhǎng)，開銷較大。在實(shí)際應(yīng)用中，常常結(jié)合這幾類方法的不同特點(diǎn)，組合運(yùn)用幾種異常檢測(cè)方法，例如：首先使用開銷小的傳統(tǒng)機(jī)器學(xué)習(xí)算法過(guò)濾掉大部分置信度高的正常流量，再進(jìn)一步使用較為準(zhǔn)確但開銷大的深度學(xué)習(xí)模型對(duì)在前一步中置信度較低的流量進(jìn)行判別。對(duì)異常流量數(shù)據(jù)進(jìn)行標(biāo)記，需要專家知識(shí)與大量人力投入，目前存在標(biāo)簽不足的問(wèn)題。因此，攻擊手段層出不窮，不斷演化，因此，異常檢測(cè)模型也應(yīng)與時(shí)俱進(jìn)。但是，新收集的數(shù)據(jù)并沒(méi)有人工標(biāo)簽，且新的攻擊手段出現(xiàn)時(shí)，相關(guān)數(shù)據(jù)少難以支撐對(duì)深度學(xué)習(xí)模型的訓(xùn)練，這對(duì)模型目前異常檢測(cè)需要與專家進(jìn)行交互，當(dāng)智能算法無(wú)法自動(dòng)完成故障恢復(fù)時(shí)，需要進(jìn)一步進(jìn)行人工排查與故障恢復(fù)。而數(shù)據(jù)驅(qū)動(dòng)類異常檢測(cè)方法的檢測(cè)結(jié)果缺乏可解釋性，為交互過(guò)程提出了接下來(lái)將分別介紹三類數(shù)據(jù)驅(qū)動(dòng)的方法中經(jīng)典異常檢傳統(tǒng)機(jī)器學(xué)習(xí)算法使用隨機(jī)森林[7]、核密度估計(jì)[8]、不和諧度發(fā)現(xiàn)[9]等方法進(jìn)行異常檢測(cè)。其中，MDI是一種經(jīng)典的異常檢測(cè)算法，并且在眾多傳統(tǒng)機(jī)器學(xué)習(xí)算法中表現(xiàn)出優(yōu)性與較低的時(shí)間[10]。MDI算法使用滑動(dòng)窗口對(duì)每個(gè)滑動(dòng)窗口內(nèi)的子序列進(jìn)行異常檢測(cè)。對(duì)于每一個(gè)滑動(dòng)窗口的子序列，首先把原始時(shí)間序列劃分為滑動(dòng)窗口子序列與剩下序列兩部分。并對(duì)滑動(dòng)窗口中的序列和剩下的序列分別進(jìn)行核密度估計(jì)，計(jì)算滑動(dòng)窗口中的序列與剩下序列中每一個(gè)高于閾值的滑動(dòng)窗口子序列標(biāo)記為異常序列[基于深度學(xué)習(xí)的異常檢測(cè)主要可以分為：基于預(yù)測(cè)的異常檢測(cè)，即通過(guò)評(píng)估衡量模型預(yù)測(cè)準(zhǔn)確性，把預(yù)測(cè)誤差與準(zhǔn)確性評(píng)估結(jié)果差異較大的序列標(biāo)記為異常；基于重構(gòu)的異常檢測(cè)，即通過(guò)神經(jīng)網(wǎng)絡(luò)把高維時(shí)間序列數(shù)據(jù)壓縮為低位時(shí)間序列數(shù)據(jù)，并從低維時(shí)間序列數(shù)據(jù)中重構(gòu)回高維時(shí)間序列數(shù)據(jù)。鑒于在訓(xùn)練模型時(shí)，訓(xùn)練數(shù)據(jù)均為正常數(shù)據(jù)，因此，該類方法假定在訓(xùn)練過(guò)程中，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到正常數(shù)據(jù)的壓縮與重構(gòu)模式，而在推理階段對(duì)正常數(shù)據(jù)重構(gòu)效果較好，對(duì)異常數(shù)在基于重構(gòu)的異常檢測(cè)方法中，OmniAnomaly[11]是一種公認(rèn)效果較好的時(shí)間序列異常檢測(cè)方法。該方法融合了時(shí)間序列處理方法與變分自編碼器數(shù)據(jù)壓縮重構(gòu)方法，能較好利用時(shí)序信息進(jìn)行異常檢測(cè)。該方法使用時(shí)間序列中每個(gè)時(shí)間節(jié)點(diǎn)變分自編碼器的重構(gòu)概率作為異常檢測(cè)分?jǐn)?shù)。其中，異常檢測(cè)分?jǐn)?shù)越低，說(shuō)明該節(jié)點(diǎn)越有可能為異常時(shí)間點(diǎn)。更進(jìn)一步，OmniAnomaly使用極值第二理論（Peaks-Over-Threshold）搜索異常閾值，當(dāng)異常檢測(cè)分?jǐn)?shù)低于該閾值時(shí)，基于信號(hào)分析的異常檢測(cè)算法一般使用傅里葉變換[12]、小波分析[13]、壓縮感知[14]等方法進(jìn)行異常檢測(cè)。其中，基于傅里葉變換的異常檢測(cè)具有一定的局限性，例如：只能捕獲全局特征，且對(duì)于非周期性時(shí)間序列效果不佳。基于小波分析的異常檢測(cè)可以捕獲局部特征，但是該類方法的時(shí)間開銷較大?；趬嚎s感知的異常檢測(cè)方法可以提供較高的異常檢測(cè)準(zhǔn)確性，并且與基于深度學(xué)習(xí)的異常檢測(cè)算法相比，不需要大量訓(xùn)練數(shù)據(jù)，啟動(dòng)時(shí)間短，但同時(shí)該方法推理階段所需時(shí)JumpStarter[14]是近期一種準(zhǔn)確性較高間序列大多為劇烈且突然升降的序列。基于該假設(shè)，異常時(shí)間序列應(yīng)含有高能信號(hào)，而使用壓縮感知方法采樣并重構(gòu)的序列含有較少的高能信號(hào)。通過(guò)對(duì)比重構(gòu)前后序列的差異，可以把重構(gòu)差為增強(qiáng)數(shù)據(jù)驅(qū)動(dòng)的異常檢測(cè)算法的可解釋性，許多異常檢測(cè)算法融入了可解釋性模塊。根因分析策略大致可分為：基于知識(shí)圖譜的根因分析方法，基于重構(gòu)型異常檢測(cè)方法的根因分析方法，基于因果推理的根因分析方法。其中，基于知識(shí)圖譜的根因分析方法和基于因果推理的根因分析方法需要在異常檢測(cè)模型之外另外構(gòu)建其他模型以輔助根因推理，而基于重構(gòu)型異常檢測(cè)方法的根因分析，只需在原本重構(gòu)模型輸出結(jié)果上進(jìn)行進(jìn)一步處理就可得到結(jié)果。因此，基于重構(gòu)型異常檢測(cè)方法的根因分析方法更為輕量。但是，基于知識(shí)圖譜的根因分析方法與基于因果推理的根因分析方法能夠融入更多人類社會(huì)的先驗(yàn)知識(shí)，具有更高的準(zhǔn)確性、能完成更加復(fù)雜的因果推理基于知識(shí)圖譜的根因分析方法的核心思想在于利用一段時(shí)間內(nèi)的歷史數(shù)據(jù)，同時(shí)基于無(wú)線通信網(wǎng)絡(luò)知識(shí)圖譜的圖結(jié)構(gòu)，找出節(jié)點(diǎn)之間的關(guān)聯(lián)關(guān)系程度。進(jìn)而，依據(jù)圖中的路徑計(jì)算出底層每圖6基于知識(shí)圖譜的根因分析方法數(shù)據(jù)的采集主要是指無(wú)線網(wǎng)絡(luò)知識(shí)圖譜中每個(gè)節(jié)點(diǎn)的真實(shí)無(wú)線數(shù)據(jù)的采集。對(duì)原始數(shù)據(jù)的預(yù)連續(xù)型節(jié)點(diǎn)離散化主要是指：對(duì)連續(xù)型節(jié)點(diǎn)參數(shù)利用等寬法進(jìn)行離散化處理。處理后的數(shù)據(jù)更方便進(jìn)行邊連接強(qiáng)度的計(jì)算。缺失值的補(bǔ)充是指對(duì)缺失點(diǎn)位置的數(shù)據(jù)采用就近填充原則，將該在數(shù)據(jù)預(yù)處理好的基礎(chǔ)上，開始計(jì)算邊連接強(qiáng)度，兩個(gè)節(jié)點(diǎn)間的邊連接強(qiáng)度是指原因節(jié)點(diǎn)的任一狀態(tài)導(dǎo)致結(jié)果節(jié)點(diǎn)的所有狀態(tài)發(fā)生概率之和。此步驟后，將邊連接關(guān)系間的邊連接強(qiáng)度歸一的影響效率是指此兩個(gè)節(jié)點(diǎn)間最短路徑上的所有連邊權(quán)重值的乘積。對(duì)于網(wǎng)絡(luò)級(jí)性能評(píng)估指標(biāo)與用戶級(jí)性能評(píng)估指標(biāo)來(lái)說(shuō)，當(dāng)其中某個(gè)或某類指標(biāo)數(shù)據(jù)檢測(cè)出異常時(shí)，找出所有連通到此指標(biāo)的路徑，對(duì)此路徑上的所有節(jié)點(diǎn)計(jì)算其對(duì)目標(biāo)KPI指標(biāo)選擇對(duì)目標(biāo)指標(biāo)影響較大的關(guān)鍵性節(jié)點(diǎn)即可。最后，對(duì)于上節(jié)所述重構(gòu)型異常檢測(cè)方法，可以計(jì)算各個(gè)指標(biāo)的重構(gòu)誤差，根據(jù)重構(gòu)誤差的大小對(duì)各個(gè)指標(biāo)對(duì)異常貢獻(xiàn)度進(jìn)行排序，重構(gòu)誤差大的對(duì)異常貢獻(xiàn)度大，重構(gòu)誤差小的對(duì)異常貢獻(xiàn)度小。以MSCRED[15]方法為例，該方法提供一種對(duì)短期序列、中期序列、長(zhǎng)期序列法。該方法使用滑動(dòng)窗口分別截取較短、中等、較長(zhǎng)的三段高維時(shí)間序列。使用這些時(shí)間序列構(gòu)建這三種時(shí)間段的簽名矩陣，簽名矩陣中第i行第j列表示第i個(gè)指標(biāo)與第j個(gè)指標(biāo)的相關(guān)關(guān)系。并使用卷積長(zhǎng)短序列網(wǎng)絡(luò)壓縮并重構(gòu)簽名矩陣。計(jì)算重構(gòu)簽名與原始簽名矩陣的誤差，得出關(guān)于短期、中期、長(zhǎng)期三個(gè)序列的重構(gòu)誤差作為異常檢測(cè)分?jǐn)?shù)。而對(duì)簽名矩陣中，每個(gè)位置求出分別的重構(gòu)誤差。重構(gòu)誤差大的指標(biāo)對(duì)異常的貢獻(xiàn)度較大，重構(gòu)誤差小的指標(biāo)對(duì)異常的貢獻(xiàn)度小。當(dāng)短期、中期、長(zhǎng)期三個(gè)重構(gòu)簽名矩陣均可達(dá)到較高重構(gòu)誤差時(shí)，可以判斷當(dāng)前異常為持續(xù)時(shí)間長(zhǎng)的異常，而當(dāng)只有中期或短期重構(gòu)簽名矩陣達(dá)到較高重構(gòu)誤差時(shí)，當(dāng)前異常為持續(xù)時(shí)間較短的異常見(jiàn)的基于因果推理的根因分析方法有基于貝葉斯因果推理網(wǎng)絡(luò)的因果推理方法[16]、基于基于貝葉斯因果推理網(wǎng)絡(luò)的因果推理方法，以各個(gè)指標(biāo)為節(jié)點(diǎn)，根據(jù)貝葉斯公式計(jì)算條件概率，判斷節(jié)點(diǎn)之間的因果相關(guān)關(guān)系，構(gòu)建節(jié)點(diǎn)因果拓?fù)鋱D。當(dāng)出現(xiàn)異常時(shí)，統(tǒng)計(jì)所有異常指標(biāo)，向量數(shù)據(jù)庫(kù)是一種特殊類型的數(shù)據(jù)庫(kù)，它專門用于存儲(chǔ)和檢索向量數(shù)據(jù)。在向量數(shù)據(jù)庫(kù)中，數(shù)據(jù)以向量的形式存儲(chǔ)，并且數(shù)據(jù)庫(kù)提供了有效的查詢和相似性搜索機(jī)制，允許用戶檢索最接近或相似的向量。知識(shí)圖譜是一種用于表示實(shí)體、關(guān)系和屬性的圖形結(jié)構(gòu)，它有助于組織和理解大量的結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)。將向量數(shù)據(jù)庫(kù)與知識(shí)圖譜結(jié)合使用，可以提供更強(qiáng)大的數(shù)據(jù)查詢和分析能力。例如，可以使用向量數(shù)據(jù)庫(kù)存儲(chǔ)實(shí)體的嵌入向量，并通過(guò)相似性搜索找到與給定實(shí)體相似的其他實(shí)體，這對(duì)于智能推薦系統(tǒng)十分有用。進(jìn)一步地，與基于深度學(xué)習(xí)的大規(guī)模預(yù)訓(xùn)練模型相結(jié)合，可以帶來(lái)以將大模型生成的嵌入向量存儲(chǔ)在向量數(shù)據(jù)庫(kù)中，可以通過(guò)高效的相似性搜索快速找到與查詢大模型通常需要較長(zhǎng)的推理時(shí)間，將嵌入向量存儲(chǔ)在向量數(shù)據(jù)庫(kù)中允許實(shí)時(shí)進(jìn)行推理，從而通過(guò)將不同類型的嵌入向量存儲(chǔ)在向量數(shù)據(jù)庫(kù)中，可以進(jìn)行跨模態(tài)的相似性搜索，例如在圖向量數(shù)據(jù)庫(kù)用來(lái)表示詞匯的數(shù)學(xué)空間是向量空間，其最大特點(diǎn)是相似性匹配，而不是精確匹配。以文本搜索為例，向量數(shù)據(jù)庫(kù)可以支持語(yǔ)義關(guān)聯(lián)的搜索，而普通的文本搜索引擎只能支持精確匹配的文本搜索。如，關(guān)鍵詞“AMF接入和移動(dòng)性管理功能”用文本搜索可以搜索到“AMF接入和移動(dòng)性管理功能執(zhí)行注冊(cè)、連接、可達(dá)性、移動(dòng)性管理”，卻不能關(guān)聯(lián)到“核心網(wǎng)的關(guān)鍵網(wǎng)元”這個(gè)定義，而向量數(shù)據(jù)庫(kù)則可以做到。傳統(tǒng)的文本搜索引擎需要存儲(chǔ)全量信息才能實(shí)現(xiàn)完美匹配，而向量數(shù)據(jù)庫(kù)存儲(chǔ)的信息是壓縮的，可以理解為向量數(shù)據(jù)庫(kù)擁有知識(shí)（信息壓縮）。在大模型生成應(yīng)用中，為了保證生成效果，prompt（提示詞）的正確性、表述專業(yè)性常常是入大模型進(jìn)行推理，就能大大提高生成效果，此即檢索式增強(qiáng)生成方法（RAG）。這是一種向大語(yǔ)言模型（LLM）增加新數(shù)據(jù)的微調(diào)替代方法，這種方法基于提示，圖7RAG搜索的拓展。相比于直接對(duì)模型進(jìn)行微調(diào)，對(duì)硬件資源的要求更低，而且能夠給出引用原文，適合私策略下發(fā)系統(tǒng)承接追因溯源，是完成智能運(yùn)維閉環(huán)調(diào)優(yōu)的最后一環(huán)。追因溯源模塊根據(jù)無(wú)線通信網(wǎng)絡(luò)問(wèn)題診斷定位結(jié)果，得到了引起網(wǎng)絡(luò)性能或用戶體驗(yàn)下降的關(guān)鍵性能指標(biāo)，并且推理出了影響該指標(biāo)的具體數(shù)據(jù)字段及其屬性（可調(diào)性、調(diào)節(jié)范圍等），然后利用基于關(guān)聯(lián)規(guī)則和深度學(xué)習(xí)的智能推薦方法，依據(jù)構(gòu)建的無(wú)線通信網(wǎng)絡(luò)內(nèi)生因素知識(shí)圖譜及各節(jié)點(diǎn)間內(nèi)生因素關(guān)聯(lián)關(guān)系，策略映射是指結(jié)合專家系統(tǒng)的經(jīng)驗(yàn)輔助，針對(duì)異常定位的根因進(jìn)行調(diào)優(yōu)策略推薦，對(duì)策略進(jìn)行網(wǎng)管指令的映射，提供的若干種可行的通信網(wǎng)絡(luò)調(diào)優(yōu)方案作為輸入。依據(jù)智能決策方法，從提供的可行的調(diào)優(yōu)方案中選擇一種策略，通過(guò)指令下發(fā)給無(wú)線通信網(wǎng)絡(luò)執(zhí)行，實(shí)現(xiàn)異常場(chǎng)景的恢復(fù)。在當(dāng)前系統(tǒng)中，涉及核心網(wǎng)側(cè)的指令基于網(wǎng)管系統(tǒng)下發(fā)，涉及基站側(cè)的指令基于本地維護(hù)終端下指令下發(fā)是依據(jù)智能決策方法所提供策略，通過(guò)網(wǎng)管系統(tǒng)或者基站與終端接口修改對(duì)于可調(diào)參數(shù)的過(guò)程。將每一種調(diào)優(yōu)策略對(duì)應(yīng)的參數(shù)修改形成相應(yīng)的自動(dòng)化參數(shù)修改指令腳本，所映射的網(wǎng)管指令執(zhí)行通過(guò)執(zhí)行自動(dòng)化指令腳本的方式完成策略下發(fā)執(zhí)行。自動(dòng)化指令腳本執(zhí)行結(jié)果作為策略下發(fā)的結(jié)果返回給用戶，如成功/失敗/超時(shí)圖8策略下發(fā)流程圖本場(chǎng)景對(duì)基于RRU+BBU+5GC小站環(huán)境的“用戶入網(wǎng)成功率”進(jìn)行異常模無(wú)法接入的異常情況，基于實(shí)采數(shù)據(jù)和知識(shí)圖譜完成實(shí)時(shí)展示及根因定位，并通過(guò)策略調(diào)整下發(fā)通過(guò)小站進(jìn)行核心網(wǎng)的場(chǎng)景模擬，進(jìn)行相關(guān)網(wǎng)提供數(shù)據(jù)基礎(chǔ)，通過(guò)試驗(yàn)網(wǎng)的基礎(chǔ)數(shù)據(jù)，經(jīng)過(guò)分類處理，匯聚成含有海量數(shù)據(jù)的無(wú)線數(shù)據(jù)倉(cāng)庫(kù)；基于無(wú)線通信網(wǎng)絡(luò)的內(nèi)生因素、專家知識(shí)以及圖譜構(gòu)建方法，構(gòu)建無(wú)線通信網(wǎng)絡(luò)知識(shí)圖譜，并結(jié)合分類后的無(wú)線通信網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行深度解析和圖譜循環(huán)調(diào)優(yōu)；同時(shí)進(jìn)行試驗(yàn)網(wǎng)小區(qū)、用戶核心指標(biāo)（RRC連接率和注冊(cè)成功率等）的監(jiān)控，通過(guò)異常檢測(cè)算法檢測(cè)發(fā)生異常的指標(biāo)，并根據(jù)基于知識(shí)圖譜的追因溯源算法進(jìn)行原因定位，最終生成策略進(jìn)行下發(fā)，從而完成智能運(yùn)維閉環(huán)調(diào)優(yōu)。通過(guò)軟硬數(shù)據(jù)采集等方法對(duì)無(wú)線網(wǎng)絡(luò)通信數(shù)據(jù)進(jìn)行采集、轉(zhuǎn)換、清洗，然后依據(jù)不同的數(shù)據(jù)類型進(jìn)行分類存儲(chǔ)。采集的數(shù)據(jù)通?？梢苑譃樗拇箢?，但不局限于這四類數(shù)據(jù)：第一類為無(wú)線空?qǐng)D9RRC連接建立系統(tǒng)幀號(hào)標(biāo)識(shí)是否調(diào)頻AMF_IDnStartSlotIdxnStartSlotIdxPwrRampingStepnFreqIPwrRampingStepnFreqIpreambRecTargetPwrnStartSymbInStartSymbInPreambIdxPcmaxnPreambIdxPcmaxMsg1配置nPreambPwrMsg1配置nPreambPwrPathlossnUlCarrierPathlossnUlCarrierSFNpreamSFNpreambTransMaxhopping_bithopping_bit▲▲含包UL含包UL▲▲▲TimingAdvaTimingAdvaTPCTPCCommandC-RNTIcell_indexRRC_Setup_req_typeFlagestablishCaseC-RNTIcell_indexRRC_Setup_req_typeFlagestablishCaseSFNSFNueue_idTC-RNTITC-RNTIcell_indexCurreCurrent_srb_statussrb_configMsg4RRCSetupSFNMsg4RRCSetupSFN▲▲srb_id▲▲srb_idactive_srb_countUeContactive_srb_countUeContentionResolutionIDcrHeaderSlot_typecell_indexSFNBitmaskMsg5IDSFNBitmaskMsg5IDplmn_ID▲RRCmpleteplmn_ID▲RRCmpleteng_5G_s_tmsitmsi_ng_5G_s_tmsitmsi_Choice包含selected_plmn_IDng_5G_ng_5G_s_tmsi_part_2gNBUE RAPreamble Msg3:Msg3:RRCConnectionRequeMsg4:Msg4:RRCConnectionSetACKHARQHARQMsg5:Msg5:RRCConnectionComplete圖10隨機(jī)接入連接流程圖圖11異常場(chǎng)景任何一種隨機(jī)接入過(guò)程中preamble發(fā)射功率的功控都是開環(huán)功控，即終端無(wú)法通圖12UE接受Msg1示意圖PL_DL=referenceSignalPower?Hig?erlayerfilteredRSRP≈TxPower_gNB?RSRPPp,t=TargetPower+ΔP+(counter?1)×RampStepcounter=1,2,...,nTransMax+1其中，ΔP取值如下表所示：0123Pmsg1=min{Pp,tdBmc,max}率控制主要用于降低對(duì)鄰區(qū)的干擾和提高小區(qū)吞吐量，同時(shí)保證小區(qū)邊緣PPUSCH(i)=min{Pcmax,c,10log10(2μ×MPUSCH(i)+P0_pre+ΔPREAMBLE,Msg3+PL+ΔTF(i)+f(i)}i：第i個(gè)上行子幀MPUSCH(i)：第i個(gè)上行子幀使用的RB個(gè)數(shù)ΔPREAMBLE,Msg3：Msg3的前導(dǎo)Δ值，通過(guò)參數(shù)DeltaPreambleMsg3配置ΔTF(i)：不同MCS格式相對(duì)于參考f(i)：UE的PUSCH發(fā)射功率調(diào)整量，由f(i?1)和TPC計(jì)算得到01234567Value02468圖13實(shí)驗(yàn)環(huán)境模擬設(shè)備為H手機(jī)一部，Q手機(jī)一部，均置于屏蔽箱中，以屏蔽外界環(huán)境復(fù)雜的電磁干擾。圖14UE側(cè)數(shù)據(jù)抓取頁(yè)面圖15正常接入流程展示圖16隨機(jī)接入失敗相關(guān)信令數(shù)據(jù)截圖信令表明，Q