基于AI賦能的通信網(wǎng)絡(luò)架構(gòu)和AI能力技術(shù)要求

5基于AI賦能的通信網(wǎng)絡(luò)架構(gòu)和AI通用能力技術(shù)要求本文件主要規(guī)定了基于AI賦能的通信網(wǎng)絡(luò)智能系統(tǒng)的總體功能架構(gòu)，以及數(shù)據(jù)采集、數(shù)據(jù)處理、AI模型訓(xùn)練、AI推理、知識(shí)構(gòu)筑和意圖決策的技術(shù)要求本文件適用于AI賦能的IP網(wǎng)絡(luò)，其他AI賦能的通信網(wǎng)絡(luò)可以參照?qǐng)?zhí)行。2規(guī)范性引用文件本文件沒(méi)有規(guī)范性引用文件。3術(shù)語(yǔ)和定義下列術(shù)語(yǔ)和定義適用于本文件。在選擇了某一機(jī)器學(xué)習(xí)模型后，在訓(xùn)練數(shù)據(jù)集上使用算法進(jìn)行調(diào)參，以獲得具有最優(yōu)參數(shù)的模型。加載訓(xùn)練好的模型，當(dāng)有數(shù)據(jù)輸入到模型時(shí)能夠得到相應(yīng)的輸出結(jié)果。離線訓(xùn)練offlinetraining也可稱之為離線學(xué)習(xí)，所有的訓(xùn)練數(shù)據(jù)在模型訓(xùn)練期間必須是可用的。只有訓(xùn)練完成了之后，模型才能被拿來(lái)用。在線訓(xùn)練onlinetraining也可稱之為在線學(xué)習(xí)，不需要在一開(kāi)始就提供完整的訓(xùn)練數(shù)據(jù)集，隨者更多的實(shí)時(shí)數(shù)據(jù)到達(dá)，模型會(huì)在操作中不斷地更新離線推理offlineinference也可以稱之為靜態(tài)推理，以離線方式批量地對(duì)已有數(shù)據(jù)進(jìn)行所有可能的推理，并將此類(lèi)推理記錄到某個(gè)表格，或某個(gè)靜態(tài)位置以便日后讀取。6在線推理onlineinference使用存儲(chǔ)在某個(gè)服務(wù)器的模型，根據(jù)需要不斷進(jìn)行推理，并在出現(xiàn)新的請(qǐng)求時(shí)，對(duì)新?lián)M(jìn)行推理。通過(guò)對(duì)網(wǎng)絡(luò)中的數(shù)據(jù)進(jìn)行表征學(xué)習(xí)，通過(guò)AI模型進(jìn)行固化，同時(shí)結(jié)合外部專家注入的己有經(jīng)驗(yàn)或事實(shí)形成知識(shí)模型庫(kù)下列縮略語(yǔ)適用于本文件ARIMA差分整合移動(dòng)平均自回歸(AutoRegressiveIntegratedMovingAverage)BSS業(yè)務(wù)支撐系統(tǒng)(BusinessCNN卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetworks)DNN深度神經(jīng)網(wǎng)絡(luò)(DeepNeuralNetworks)FTP文件傳輸協(xié)議(FileTrLSTM長(zhǎng)短期記憶(LongShort-TernMemory)NetConf網(wǎng)絡(luò)配置協(xié)議(NetworkConfigurationProtocol)SNMP簡(jiǎn)單網(wǎng)絡(luò)管理協(xié)議(SimpleNetworkManagementProtocol)AI技術(shù)的發(fā)展源于數(shù)據(jù)驅(qū)動(dòng)的深度神經(jīng)網(wǎng)絡(luò)(DeepNeuralNetworks,DNN)技術(shù)的突破性進(jìn)展，在算法精度、算力等方面都有較大提升。網(wǎng)絡(luò)AI技術(shù)是網(wǎng)絡(luò)技術(shù)與AI技術(shù)融合的一類(lèi)跨界技術(shù)，特指在網(wǎng)絡(luò)規(guī)劃、建設(shè)、運(yùn)維和優(yōu)化流程中引入人工智能技術(shù)，提升網(wǎng)絡(luò)資源配置的精細(xì)化水平、對(duì)外部事件的響應(yīng)速度以及對(duì)多用戶多業(yè)務(wù)的差異化服務(wù)能力。附錄A對(duì)人工智能在通信網(wǎng)絡(luò)中的應(yīng)用場(chǎng)景進(jìn)行描述?；贏I賦能的通信網(wǎng)絡(luò)，旨在將人工智能和網(wǎng)絡(luò)相結(jié)合，利用人工智能技術(shù)提供強(qiáng)大的分析、判斷、預(yù)測(cè)等能力，使能網(wǎng)元、網(wǎng)絡(luò)和業(yè)務(wù)系統(tǒng)智能化，使得未來(lái)通信網(wǎng)絡(luò)在其全生命周期實(shí)現(xiàn)自優(yōu)、自愈和自治。6基于Al賦能的通信網(wǎng)絡(luò)智能系統(tǒng)總體功能架構(gòu)知5皮道8云端AI支持?jǐn)?shù)據(jù)處理、AI模型離線訓(xùn)練和離線推理、知識(shí)構(gòu)筑、意圖決策。具體如表1所示。VVVVVVVVVVVVVVVVVVVVV網(wǎng)元AIVVVVVV以流量識(shí)別為例，若將其部署在云端，以對(duì)大量的流量數(shù)據(jù)進(jìn)行指標(biāo)統(tǒng)計(jì)分析，應(yīng)支持進(jìn)行離線訓(xùn)練和離線推理若將其部署在本地，將識(shí)別結(jié)果用于實(shí)時(shí)的流量策略控制。應(yīng)支持離線訓(xùn)練出一個(gè)識(shí)別模型，再將其部署到域內(nèi)控制器或網(wǎng)元上，進(jìn)行在線推理，該流量預(yù)測(cè)模型訓(xùn)練結(jié)果會(huì)自然構(gòu)筑成知識(shí)，并驅(qū)動(dòng)設(shè)備相關(guān)器件依據(jù)對(duì)未來(lái)流量的預(yù)測(cè)實(shí)現(xiàn)意圖決策完成控制或干預(yù)流量調(diào)度此外，應(yīng)支持在線訓(xùn)練，以提高模型對(duì)新流量的識(shí)別準(zhǔn)確度，提高模型泛化能力。對(duì)于數(shù)據(jù)處理，可支持有一個(gè)統(tǒng)一的數(shù)據(jù)平臺(tái)進(jìn)行處理，可支持分布式地在各域按需處理相應(yīng)地，對(duì)于AI模型訓(xùn)練，需支持有一個(gè)集中式的AI模型訓(xùn)練平臺(tái)，也支持在各域進(jìn)行分布式訓(xùn)練，多模型構(gòu)筑成知識(shí)對(duì)于AI推理，需支持在一個(gè)集中平臺(tái)進(jìn)行推理，,也支持在各域進(jìn)行分布式的推理，多模型推理結(jié)果最終轉(zhuǎn)化為意圖決策執(zhí)行動(dòng)作下發(fā)。集中式的數(shù)據(jù)處理、AI模型訓(xùn)練和推理的各模塊之間的交互流程如圖2所示。數(shù)據(jù)處理模塊對(duì)原始數(shù)據(jù)進(jìn)行清洗、關(guān)聯(lián)、標(biāo)注、特征提取等操作，以達(dá)到后續(xù)的模型訓(xùn)練和推理的輸入要求，AI模型訓(xùn)練通過(guò)使用訓(xùn)練數(shù)據(jù)進(jìn)行調(diào)參，從而生成模型，AI推理使用訓(xùn)練好的模型獲得相應(yīng)推理結(jié)果數(shù)據(jù)處理模型數(shù)據(jù)采集圖2集中式數(shù)據(jù)處理、訓(xùn)練和推理的模塊之間的交互流程在分布式訓(xùn)練情況下，AI模型訓(xùn)練模塊的輸入除了訓(xùn)練數(shù)據(jù)外，也接收其他調(diào)練模塊的模型參數(shù)作為輸入，分布式訓(xùn)練的交互流程如圖3所示。上述標(biāo)準(zhǔn)已對(duì)通信網(wǎng)絡(luò)數(shù)據(jù)源分析得較為全面，本文件不再贅述。面向基于AI賦能的通信網(wǎng)絡(luò)系統(tǒng)，本文件引入一種新的數(shù)據(jù)源，即AI模型訓(xùn)練和推理，包括在AI模型訓(xùn)練和推理過(guò)程中產(chǎn)生的參數(shù)、配置文件、模型、推理結(jié)果等目前已有相關(guān)標(biāo)準(zhǔn)對(duì)通信網(wǎng)絡(luò)的數(shù)據(jù)類(lèi)型進(jìn)行研究，例如，文獻(xiàn)[2]從數(shù)據(jù)分析挖掘的角度，可將電信數(shù)據(jù)劃分為網(wǎng)絡(luò)數(shù)據(jù)、用戶數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)、終端數(shù)據(jù)和其它數(shù)據(jù)，從數(shù)據(jù)處理情況的角度，可將電信數(shù)據(jù)分為原始數(shù)據(jù)、中間數(shù)據(jù)及結(jié)果數(shù)據(jù)，從數(shù)據(jù)采集位置的角度，可將電信數(shù)據(jù)分為無(wú)線網(wǎng)側(cè)數(shù)據(jù)和核心網(wǎng)側(cè)數(shù)據(jù)：文獻(xiàn)[3]根據(jù)電信數(shù)據(jù)的基本特征，將其分為12個(gè)類(lèi)型，包括時(shí)空數(shù)據(jù)、站點(diǎn)數(shù)據(jù)、資源數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)、拓?fù)鋽?shù)據(jù)、供應(yīng)類(lèi)信息、運(yùn)營(yíng)類(lèi)數(shù)信息、客戶類(lèi)信息、故障數(shù)據(jù)、測(cè)量數(shù)據(jù)、網(wǎng)絡(luò)知識(shí)庫(kù)與運(yùn)營(yíng)數(shù)據(jù)文獻(xiàn)[4]將數(shù)據(jù)分為結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)。面向基于AI賦能的通信網(wǎng)絡(luò)系統(tǒng)，本文件從AI工作流的角度，將數(shù)據(jù)分為原始數(shù)據(jù)、特征數(shù)據(jù)、AI模型數(shù)據(jù)和推理結(jié)果數(shù)據(jù)。原始數(shù)據(jù)包括網(wǎng)絡(luò)相關(guān)的數(shù)據(jù)。即通信網(wǎng)絡(luò)不同業(yè)務(wù)系統(tǒng)的運(yùn)行運(yùn)營(yíng)數(shù)據(jù)，用戶相關(guān)的數(shù)據(jù)，即用戶基礎(chǔ)信息等數(shù)據(jù)，外部環(huán)境數(shù)據(jù)，即傳感器感知到的周?chē)h(huán)境數(shù)據(jù)、互聯(lián)網(wǎng)爬蟲(chóng)數(shù)據(jù)等。原始數(shù)據(jù)的數(shù)據(jù)量大，價(jià)值密度低。特征數(shù)據(jù)：原始數(shù)據(jù)經(jīng)過(guò)處理，并可用于AI模型訓(xùn)練和推理的數(shù)據(jù)，一般為數(shù)值向量型數(shù)據(jù)。AI模型數(shù)據(jù)：特征數(shù)據(jù)結(jié)合AI算法進(jìn)行模型訓(xùn)練過(guò)程中產(chǎn)生的數(shù)據(jù)，包括模型參數(shù)、配置文件和訓(xùn)練好的模型文件等。AI推理結(jié)果數(shù)據(jù)：特征數(shù)據(jù)輸入訓(xùn)練好的模型文件進(jìn)行運(yùn)輸后得到的輸出數(shù)據(jù)。7.3采集技術(shù)要求數(shù)據(jù)采集技術(shù)應(yīng)滿足從復(fù)雜網(wǎng)絡(luò)中進(jìn)行高效地端到端數(shù)據(jù)采集，對(duì)于數(shù)據(jù)采集的技術(shù)要求如下：a)針對(duì)信息化系統(tǒng)產(chǎn)生的結(jié)構(gòu)化、半結(jié)構(gòu)化數(shù)據(jù)，如業(yè)務(wù)數(shù)據(jù)、日志等，應(yīng)支持使用數(shù)據(jù)數(shù)據(jù)庫(kù)表交換、文件交換(例如FTP)、WebService、Rest、消息訂閱/發(fā)布等傳統(tǒng)的數(shù)據(jù)交換技術(shù)進(jìn)行數(shù)據(jù)采集；b)針對(duì)智能終端感知到的環(huán)境數(shù)據(jù)等非結(jié)構(gòu)化數(shù)據(jù)，應(yīng)支持使用前端設(shè)備接口、分布式系統(tǒng)接口等進(jìn)行采集獲?。籵)針對(duì)互聯(lián)網(wǎng)的海量數(shù)據(jù)，應(yīng)支持使用網(wǎng)絡(luò)爬蟲(chóng)等技術(shù)進(jìn)行采集；d)應(yīng)支持對(duì)網(wǎng)絡(luò)流信息進(jìn)行自動(dòng)化、細(xì)粒度的采集，例如使用telemetry等技術(shù)獲取時(shí)延、丟包等；e)應(yīng)支持通過(guò)仿真模擬、技術(shù)生成對(duì)少量的負(fù)樣本數(shù)據(jù)進(jìn)行采集：f)應(yīng)支持由人工進(jìn)行標(biāo)注的標(biāo)簽數(shù)據(jù)，通過(guò)離線導(dǎo)入、在線填寫(xiě)等方式進(jìn)行采集；g)應(yīng)支持對(duì)采集到數(shù)據(jù)進(jìn)行存儲(chǔ)，存儲(chǔ)方式如圖5所示。b)應(yīng)支持將其轉(zhuǎn)換為運(yùn)維人員可理解的自然語(yǔ)言、圖形圖表等。8.4數(shù)據(jù)關(guān)聯(lián)技術(shù)要求數(shù)據(jù)關(guān)聯(lián)是將不同來(lái)源的數(shù)據(jù)整合成相互關(guān)聯(lián)的一條或多條數(shù)據(jù)。對(duì)數(shù)據(jù)關(guān)聯(lián)的要求如a)應(yīng)支持將不同業(yè)務(wù)系統(tǒng)的數(shù)據(jù)通過(guò)時(shí)間、空間、用戶ID、關(guān)鍵字段對(duì)應(yīng)關(guān)系進(jìn)行關(guān)聯(lián)b)應(yīng)支持對(duì)不同業(yè)務(wù)系統(tǒng)的數(shù)據(jù)存在一對(duì)多、多對(duì)一、多對(duì)多關(guān)系時(shí)進(jìn)行聚合：c)應(yīng)支持對(duì)不同業(yè)務(wù)系統(tǒng)中業(yè)務(wù)支持、概念進(jìn)行映射和關(guān)聯(lián)的能力，形成知識(shí)網(wǎng)絡(luò)。8.5數(shù)據(jù)分析技術(shù)要求數(shù)據(jù)分析技術(shù)是通過(guò)統(tǒng)計(jì)學(xué)方法，或機(jī)器學(xué)習(xí)等手段來(lái)發(fā)現(xiàn)數(shù)據(jù)中的規(guī)律，或隱藏的關(guān)聯(lián)信息，并通過(guò)圖形化的方式可視化出來(lái)。對(duì)數(shù)據(jù)分析的技術(shù)要求如下：a)應(yīng)支持不同特點(diǎn)的數(shù)據(jù)類(lèi)型的數(shù)據(jù)統(tǒng)計(jì)特征的計(jì)算和可視化，例如時(shí)序類(lèi)數(shù)據(jù)、事件類(lèi)數(shù)據(jù)、描述類(lèi)數(shù)據(jù)、關(guān)系類(lèi)數(shù)據(jù)等。b)應(yīng)支持基于業(yè)務(wù)知識(shí)的數(shù)據(jù)深度分析和挖掘，發(fā)現(xiàn)數(shù)據(jù)中隱含的信息和價(jià)值。c)應(yīng)支持多樣化的數(shù)據(jù)可視化技術(shù)，針對(duì)各類(lèi)分析結(jié)果、數(shù)據(jù)特點(diǎn)進(jìn)行可視化展示。d)應(yīng)支持?jǐn)?shù)據(jù)的質(zhì)量分析報(bào)告，包含數(shù)據(jù)質(zhì)量現(xiàn)狀分析、質(zhì)量問(wèn)題評(píng)估、Top質(zhì)量問(wèn)題處置措施推薦。8.6數(shù)據(jù)增強(qiáng)技術(shù)要求數(shù)據(jù)增強(qiáng)技術(shù)是針對(duì)數(shù)據(jù)不能滿足AI應(yīng)用需求時(shí)，通過(guò)各類(lèi)技術(shù)手段來(lái)增強(qiáng)數(shù)據(jù)的特征表現(xiàn)，數(shù)據(jù)增強(qiáng)技術(shù)的核心是反應(yīng)系統(tǒng)的真實(shí)表現(xiàn)，避免引入主觀信息。對(duì)數(shù)據(jù)增強(qiáng)的技術(shù)要求如下：a)應(yīng)支持?jǐn)?shù)據(jù)補(bǔ)全技術(shù)，包括時(shí)序類(lèi)數(shù)據(jù)、關(guān)系類(lèi)數(shù)據(jù)、時(shí)間類(lèi)數(shù)據(jù)等，可通過(guò)數(shù)據(jù)插補(bǔ)算法、系統(tǒng)仿真、系統(tǒng)模擬等技術(shù)手段來(lái)補(bǔ)全缺失的數(shù)據(jù)。b)應(yīng)支持特征增強(qiáng)技術(shù)，是對(duì)現(xiàn)有數(shù)據(jù)特征通過(guò)各種增強(qiáng)手段來(lái)產(chǎn)生新的樣本數(shù)據(jù)。包括數(shù)據(jù)加噪/降噪、升維/降維變換、生成對(duì)抗、改變環(huán)境影響等技術(shù)手段，來(lái)產(chǎn)生更豐富的樣本數(shù)據(jù)?！?應(yīng)支持?jǐn)?shù)據(jù)輔助標(biāo)注技術(shù)，是通過(guò)一定的技術(shù)/算法手段，對(duì)樣本數(shù)據(jù)實(shí)現(xiàn)初步的標(biāo)注，并通過(guò)人工確認(rèn)，將確認(rèn)結(jié)果作為反憒再增強(qiáng)標(biāo)注準(zhǔn)確度，形成一個(gè)不斷增強(qiáng)的自動(dòng)化的輔助標(biāo)注系統(tǒng)，來(lái)擴(kuò)充正樣本數(shù)量9.1訓(xùn)練算法要求通常AI模型訓(xùn)練需要基于大量數(shù)據(jù)，結(jié)合A算法進(jìn)行多次的迭代訓(xùn)練，才能收斂并最終獲得訓(xùn)練好的模型。對(duì)AI訓(xùn)練算法的要求如下：a)應(yīng)支持離線訓(xùn)練、在線訓(xùn)練、聯(lián)邦訓(xùn)練等訓(xùn)練模式，并根據(jù)隱私保障需求、通信計(jì)算資源狀態(tài)進(jìn)行選擇：b)應(yīng)支持根據(jù)不同的場(chǎng)錄選擇合適的特征數(shù)據(jù)和AI算法：c)應(yīng)支持根據(jù)不同目標(biāo)對(duì)AI算法的配置和參數(shù)進(jìn)行更改：d)應(yīng)支持對(duì)相似場(chǎng)景下的AI算法的遷移和復(fù)用。附錄C以流量類(lèi)型識(shí)別和流量預(yù)測(cè)場(chǎng)景為例，對(duì)AI訓(xùn)練算法要求進(jìn)行描述。9.2訓(xùn)練指標(biāo)要求AI算法在訓(xùn)練數(shù)據(jù)集上進(jìn)行訓(xùn)練，在測(cè)試數(shù)據(jù)集上進(jìn)行測(cè)試，以評(píng)估AI模型的泛化能力和其它性能，因此AI算法在訓(xùn)練和測(cè)試過(guò)程中需支持對(duì)以下指標(biāo)的測(cè)量，只有相應(yīng)場(chǎng)景下的指標(biāo)合格后，AI模型才能夠被部署使用。對(duì)AI訓(xùn)練指標(biāo)的要求如下：a)應(yīng)支持準(zhǔn)確率、召回率等描述訓(xùn)練效果指標(biāo)：b)應(yīng)支持魯棒性、泛化性、可解釋性等描述模型適用性的指標(biāo)：c)應(yīng)支持公平性、隱私保護(hù)等安全方面的指標(biāo)：d)應(yīng)支持運(yùn)算復(fù)雜度、訓(xùn)練時(shí)間等訓(xùn)練效率指標(biāo)：e)應(yīng)支持輸入輸出需求、數(shù)據(jù)依賴性等指標(biāo)。附錄D以流量類(lèi)型識(shí)別和流量預(yù)測(cè)場(chǎng)景為例，對(duì)AI訓(xùn)練指標(biāo)要求進(jìn)行描述。9.3訓(xùn)練算力要求AI模型在訓(xùn)練中還需要訓(xùn)練環(huán)境和一定的訓(xùn)練資源開(kāi)銷(xiāo)，因此，對(duì)訓(xùn)練算力有如下要求a)應(yīng)支持對(duì)AI算法運(yùn)行環(huán)境的部署。包括訓(xùn)練框架，例如tensorflow等：b)應(yīng)支持提供AI模型訓(xùn)練所需的CPU、GPU等資源：c)應(yīng)支持對(duì)訓(xùn)練資源的監(jiān)測(cè)和可控。9.4模型交互要求在分布式訓(xùn)練和聯(lián)邦訓(xùn)練中，需支持AI模型在不同節(jié)點(diǎn)之間進(jìn)行交互和共享利用。因此，對(duì)模型交互有如下要求：a)根據(jù)不同的算法和場(chǎng)景，應(yīng)支持同步/異步/混合式模型通信交互方式：b)應(yīng)支持根據(jù)通信網(wǎng)絡(luò)效率的需求，對(duì)模型進(jìn)行壓縮、對(duì)通信調(diào)度進(jìn)行調(diào)整等。10.1推理結(jié)果要求基于訓(xùn)練好的模型，使用新的特征數(shù)據(jù)可進(jìn)行推理和決策。對(duì)于推理結(jié)果的要求如下：a)應(yīng)支持對(duì)推理結(jié)果進(jìn)行規(guī)范化的描述。例如，推理結(jié)果的適用場(chǎng)景、適用條件、性能要求、預(yù)期目標(biāo)、因果關(guān)系等：b)應(yīng)支持基于推理結(jié)果對(duì)算法模型的修正和更新附錄E以QoS保障場(chǎng)景為例，對(duì)AI推理結(jié)果要求進(jìn)行描述。10.2推理部署要求對(duì)訓(xùn)練好的模型的部署要求如下：a)應(yīng)支持對(duì)模型進(jìn)行認(rèn)證，認(rèn)證符合需求后方可部署：b)應(yīng)支持單個(gè)AI模型部署和多個(gè)AI模型堆疊聯(lián)合部署：c)應(yīng)支持在部署AI模型時(shí)，能進(jìn)行自定義的調(diào)整更新。10.3模型推理結(jié)果評(píng)估要求AI模型訓(xùn)練依賴于歷史數(shù)據(jù)的分布特征，隨著業(yè)務(wù)的變化其網(wǎng)絡(luò)數(shù)據(jù)分布特征也可能會(huì)發(fā)生漂移，這時(shí)候用該模型進(jìn)行推理，則模型推理結(jié)果失去意義。所以需要對(duì)推理結(jié)果進(jìn)行持續(xù)評(píng)估，對(duì)模型推理結(jié)果的評(píng)估要求如下：a)應(yīng)支持實(shí)施模型的持續(xù)評(píng)估，具體表現(xiàn)為將模型推理的數(shù)據(jù)特征與模型推理的結(jié)果結(jié)合實(shí)際的專家經(jīng)驗(yàn)進(jìn)行對(duì)比b)一旦模型推理的性能(如模型準(zhǔn)確度)下降到某一閥值。應(yīng)支持重新啟動(dòng)模型訓(xùn)練或者模型自身支持增量訓(xùn)練，增量訓(xùn)練不需要重頭訓(xùn)練，基于部分增加新樣本調(diào)整模型自身的參數(shù)，以實(shí)現(xiàn)動(dòng)態(tài)自適應(yīng)更新智能網(wǎng)絡(luò)的最終目標(biāo)，是在絕大部分場(chǎng)景的達(dá)成自治，而單個(gè)AI模型所提供的信息往往難以支持一個(gè)良好的全局決策。要解決這個(gè)問(wèn)題，就需要將來(lái)自多個(gè)渠道的信息、多個(gè)模型的訓(xùn)練結(jié)果進(jìn)行系統(tǒng)性的融合凝練，構(gòu)筑“知識(shí)”,進(jìn)而基于知識(shí)實(shí)現(xiàn)網(wǎng)絡(luò)自身的管理。良好的網(wǎng)絡(luò)自治，需要構(gòu)筑的知識(shí)具備完備性和正確性，相應(yīng)地就需要多模態(tài)，魯棒性和自適應(yīng)動(dòng)態(tài)更新技術(shù)來(lái)實(shí)現(xiàn)11.2多模態(tài)技術(shù)要求每一種信息的來(lái)源或者形式，都可以稱為一種模態(tài)，網(wǎng)絡(luò)的信息，有硬件KPI、軟件運(yùn)行狀態(tài)、承載業(yè)務(wù)情況等：AI訓(xùn)練的模型，有檢測(cè)類(lèi)模型、預(yù)測(cè)類(lèi)模型、控制類(lèi)模型、調(diào)優(yōu)類(lèi)模型，甚至往往存在靜態(tài)導(dǎo)入的專家知識(shí)，以上的每一種都可以稱為一種模態(tài)知識(shí)構(gòu)筑需要從多源的數(shù)據(jù)信息和多維模型訓(xùn)練的結(jié)果中整合、處理，提取關(guān)鍵的信息構(gòu)筑知識(shí)，控制復(fù)雜并且動(dòng)態(tài)變化的網(wǎng)絡(luò)智能系統(tǒng)11.3魯棒性技術(shù)要求由于知識(shí)構(gòu)筑需要具備全局觀測(cè)的特征，必然導(dǎo)致其需要在信息不完善，甚至相互矛盾的情況下運(yùn)作。網(wǎng)絡(luò)如何在復(fù)雜、動(dòng)態(tài)甚至存在一定程度不確定性的環(huán)境下實(shí)現(xiàn)自治，需要良好的魯棒控制技術(shù)。11.4自適應(yīng)動(dòng)態(tài)更新要求知識(shí)構(gòu)筑過(guò)程中用于訓(xùn)練的AI模型是基于歷史數(shù)據(jù)的分布特征學(xué)習(xí)到的知識(shí)，隨著業(yè)務(wù)的變化其網(wǎng)絡(luò)數(shù)據(jù)分布特征可能也會(huì)發(fā)生漂移，因此當(dāng)模型性能評(píng)估結(jié)果下降到某一閾值時(shí)需要重新啟動(dòng)模型訓(xùn)練或模型增量訓(xùn)練。以實(shí)現(xiàn)知識(shí)面的模型動(dòng)態(tài)自適應(yīng)更新，保持知識(shí)處于最新?tīng)顟B(tài)。通過(guò)執(zhí)行數(shù)據(jù)采集、數(shù)據(jù)處理、模型訓(xùn)練、專家經(jīng)驗(yàn)注入實(shí)現(xiàn)了知識(shí)的積累，這一前向過(guò)程還不能滿足通信網(wǎng)絡(luò)智能系統(tǒng)自治的閉環(huán)要求。意圖決策，就是結(jié)合當(dāng)前業(yè)務(wù)現(xiàn)狀，基于已經(jīng)掌握的知識(shí)進(jìn)行推理之后，將推理結(jié)果轉(zhuǎn)換成決策動(dòng)作的過(guò)程，完成閉環(huán)控制的最后一環(huán)。同時(shí)，意圖決策還需要感知決策后的網(wǎng)絡(luò)新?tīng)顟B(tài)，以對(duì)比驗(yàn)證當(dāng)前策略執(zhí)行是否與預(yù)期目標(biāo)一致。決策轉(zhuǎn)換技術(shù)要求知識(shí)的推理往往只是一個(gè)數(shù)值的結(jié)果或分類(lèi)的判斷，并不能直接應(yīng)用于控制執(zhí)行，因此在推理和決策之間，需要構(gòu)筑一個(gè)語(yǔ)言的轉(zhuǎn)譯過(guò)程，能夠讓指定的軟/硬件理解知識(shí)推理的意圖。例如，在網(wǎng)絡(luò)設(shè)備節(jié)能場(chǎng)景下，通過(guò)業(yè)務(wù)流量預(yù)測(cè)模型可以判斷未來(lái)一段時(shí)間內(nèi)設(shè)備的承載負(fù)載情況，當(dāng)推理結(jié)果為預(yù)測(cè)輕載時(shí)，節(jié)能的意圖需要通過(guò)轉(zhuǎn)譯形成硬件關(guān)斷的指令實(shí)現(xiàn)。再例如，在應(yīng)用識(shí)別場(chǎng)景下，識(shí)別類(lèi)模型會(huì)推測(cè)出應(yīng)用的具體類(lèi)型，如視頻類(lèi)應(yīng)用，這時(shí)需要對(duì)視頻類(lèi)應(yīng)用做QoS保障，則需要通過(guò)轉(zhuǎn)譯形成相關(guān)的配置指令改變流量數(shù)據(jù)在網(wǎng)絡(luò)中的路徑，最終實(shí)現(xiàn)QoS保障。12.2多模態(tài)技術(shù)要求與知識(shí)構(gòu)筑類(lèi)似，意圖決策也需要從多源AI模型推理結(jié)果中整合，處理。最終轉(zhuǎn)換成決策動(dòng)作。意圖決策對(duì)于多模態(tài)的技術(shù)要求具體如下：a)多模型推理結(jié)果的融合應(yīng)支持多個(gè)模型推理的結(jié)果共同實(shí)施決策的能力：例如，在應(yīng)用識(shí)別過(guò)程中，模型1負(fù)責(zé)判斷當(dāng)前某一條特定的流量(五元組)是否屬于未知類(lèi)別模型2負(fù)責(zé)判斷該流量隸屬于哪一類(lèi)已知類(lèi)別。當(dāng)且僅當(dāng)模型1判斷該流量為已知類(lèi)別時(shí)，模型2輸出的應(yīng)用類(lèi)型才視為可信，此時(shí)網(wǎng)絡(luò)會(huì)觸發(fā)相應(yīng)的業(yè)務(wù)體驗(yàn)保障決策過(guò)程。b)靜態(tài)規(guī)則與動(dòng)態(tài)推理的融合應(yīng)支持專家知識(shí)與模型推理共同實(shí)施決策的能力；例如，在流量異常檢測(cè)過(guò)程中，通常模型推理只具備上報(bào)單點(diǎn)異常的能力，這樣容易導(dǎo)致企業(yè)數(shù)據(jù)中心等復(fù)雜組網(wǎng)一天產(chǎn)生千萬(wàn)級(jí)告警，運(yùn)維人員難以處理的情況：此時(shí)，如果引入專家知識(shí)，定義連續(xù)若干個(gè)點(diǎn)異?？梢院喜橐粋€(gè)告警，這樣可以大幅降低異常告警的規(guī)模，同時(shí)可以抑制對(duì)網(wǎng)絡(luò)性能影響較低的零散異常，同時(shí)保障系統(tǒng)的穩(wěn)定性和可維護(hù)性。12.3魯棒性技術(shù)要求與知識(shí)構(gòu)筑類(lèi)似，意圖決策需要具備全局觀測(cè)的特征，同樣可能導(dǎo)致其需要在信息不完善，甚至相互矛盾的情況下運(yùn)作。網(wǎng)絡(luò)如何在復(fù)雜、動(dòng)態(tài)甚至存在一定程度不確定性的環(huán)境下實(shí)現(xiàn)自治，需要以下良好的魯棒控制技術(shù)要求：a)具備知識(shí)模型可用性的評(píng)估手段一旦AI知識(shí)模型性能評(píng)估不滿足要求，應(yīng)支持及時(shí)、準(zhǔn)確地感知和判斷，避免錯(cuò)誤的知識(shí)導(dǎo)致網(wǎng)絡(luò)智能系統(tǒng)的性能劣化。例如，在網(wǎng)絡(luò)流量預(yù)測(cè)場(chǎng)景中，可以通過(guò)持續(xù)監(jiān)測(cè)預(yù)測(cè)值與真實(shí)值間的差異來(lái)評(píng)估模型或相關(guān)知識(shí)是否失效。b)具備知識(shí)模型不可用時(shí)的后備方案一旦業(yè)務(wù)模型的推理輸出異常，應(yīng)支持具備忽略本次推理，或采取更加安全、穩(wěn)妥的后備方案進(jìn)行本地決策的能力。例如，在網(wǎng)絡(luò)流量預(yù)測(cè)場(chǎng)景中，一旦感知到模型或相關(guān)知識(shí)失效后，一方面需要快速啟動(dòng)增量學(xué)習(xí)的方式以修正現(xiàn)有預(yù)測(cè)模型，另一方面可以采用新近環(huán)比或同比數(shù)據(jù)完成過(guò)渡態(tài)預(yù)測(cè)。c)具備模型知識(shí)集成化的能力為了降低單個(gè)模型或知識(shí)失效所引發(fā)的影響，可以借助集成學(xué)習(xí)的思想，采用多個(gè)模型協(xié)作的方式進(jìn)行決策，可以顯著提升系統(tǒng)魯棒性例如，在網(wǎng)絡(luò)流量預(yù)測(cè)場(chǎng)景中，采用ARIMA、LSTM、GPR、CNN等多個(gè)模型進(jìn)行綜合預(yù)測(cè)，多個(gè)模型結(jié)果取均值或中位數(shù)進(jìn)行最終輸出，單個(gè)模型失效不會(huì)顯著應(yīng)該推理結(jié)果。12.4反饋感知技術(shù)要求通信網(wǎng)絡(luò)智能系統(tǒng)自治是一個(gè)持續(xù)的閉環(huán)過(guò)程，應(yīng)支持借助知識(shí)對(duì)現(xiàn)有狀態(tài)進(jìn)行決策迭代，同時(shí)感知決策所帶來(lái)的影響，以便在未來(lái)不斷提升知識(shí)的準(zhǔn)確度和決策的正確性。例如，傳統(tǒng)網(wǎng)絡(luò)擁塞控制場(chǎng)景下，降低TCP發(fā)送窗口大小等手段的未來(lái)策略，都是結(jié)合上一步?jīng)Q策及決策后業(yè)務(wù)流量的反饋所共同決定的。(資料性)人工智能在通信網(wǎng)絡(luò)中的應(yīng)用場(chǎng)景A.1流量類(lèi)型識(shí)別基于AI賦能的通信網(wǎng)絡(luò)需要支持對(duì)網(wǎng)絡(luò)流量類(lèi)型的識(shí)別，其中網(wǎng)絡(luò)流以源IP地址、目的IP地址、源端口、目的端口、協(xié)議號(hào)五元素進(jìn)行標(biāo)識(shí)。網(wǎng)絡(luò)流量所屬的類(lèi)別有多種維度，相應(yīng)地，網(wǎng)絡(luò)流量的識(shí)別需要支持對(duì)不同維度的類(lèi)別的識(shí)別，具體如下：a)要求能夠100%滿足對(duì)重要周知Internet協(xié)議的類(lèi)別，包括SSH協(xié)議、FTP協(xié)議、SMTP協(xié)議等；b)要求支持對(duì)業(yè)務(wù)大類(lèi)的識(shí)別，業(yè)務(wù)大類(lèi)包括即時(shí)通信類(lèi)，視頻類(lèi)，瀏覽類(lèi)等；○)要求支持對(duì)應(yīng)用類(lèi)型的識(shí)別，應(yīng)用類(lèi)型包括微信、Q0、微博等；d)要求支持對(duì)應(yīng)用的精細(xì)化動(dòng)作的識(shí)別，包括即時(shí)通信類(lèi)業(yè)務(wù)的文本聊天，發(fā)送圖片等動(dòng)作，微博類(lèi)業(yè)務(wù)的瀏覽、轉(zhuǎn)發(fā)等A.2流量預(yù)測(cè)針對(duì)通信網(wǎng)絡(luò)前瞻式、主動(dòng)式管理與控制需求，人工智能技術(shù)需要挖掘網(wǎng)絡(luò)流量在時(shí)間維度的變化趨勢(shì)規(guī)律，支持網(wǎng)絡(luò)流量短期、中期、長(zhǎng)期、突發(fā)流量的精準(zhǔn)預(yù)測(cè)。通信網(wǎng)絡(luò)中采集的流量數(shù)據(jù)包含多種關(guān)聯(lián)字段，例如網(wǎng)元、線路、端口、平均流量、高峰流量、低谷流量等。例如，以15分鐘為采集周期，平均流量則為這個(gè)十五分鐘內(nèi)流量的平均值。同理，高峰流量則為十五分鐘內(nèi)的最高流量，低谷流量為十五分鐘內(nèi)的最低流量。要求流量預(yù)測(cè)技術(shù)能夠支持不同預(yù)測(cè)類(lèi)型要求，進(jìn)行精準(zhǔn)預(yù)測(cè)。例如預(yù)測(cè)特定端口的網(wǎng)絡(luò)流量等。要求流量預(yù)測(cè)技術(shù)支持預(yù)測(cè)類(lèi)型與預(yù)測(cè)周期結(jié)合的要求。例如，預(yù)測(cè)特定端口短期流量趨勢(shì)，預(yù)測(cè)平均流量中期變化趨勢(shì)。E行執(zhí)行決策：而數(shù)據(jù)采集模塊在考慮網(wǎng)元處理能力和數(shù)據(jù)特征之外，還根據(jù)鏈路(存儲(chǔ))利用率情況、結(jié)合業(yè)務(wù)需求，調(diào)節(jié)出最優(yōu)的數(shù)據(jù)采集周期/頻率。在AI賦能的通信網(wǎng)絡(luò)中，無(wú)需人工配置，本地AI綜合考慮了采集信號(hào)的物理特性、設(shè)備的采集能力、鏈路帶寬利用率、存儲(chǔ)利用率、數(shù)據(jù)分布特征、業(yè)務(wù)需求等方面因素，在滿足業(yè)務(wù)需求的前提下，使得數(shù)據(jù)采集成本最小。(資料性)AI訓(xùn)練算法要求示例C.1流量類(lèi)型識(shí)別的AI訓(xùn)練算法要求在網(wǎng)絡(luò)流量識(shí)別過(guò)程中，根據(jù)場(chǎng)景的不同，需選擇不同的識(shí)別方法。因此，要求支持多種流量識(shí)別方法。要求支持根據(jù)流的端口號(hào)去識(shí)別公認(rèn)端口號(hào)對(duì)應(yīng)的應(yīng)用層協(xié)議類(lèi)型，在具體實(shí)施過(guò)程中要求支持對(duì)報(bào)文的端口號(hào)進(jìn)行采集；要求支持通過(guò)解析應(yīng)用層中的特征字符串識(shí)別流量類(lèi)型，在具體實(shí)施過(guò)程中，要求支持對(duì)報(bào)文的應(yīng)用層進(jìn)行提取和解析：要求支持根據(jù)應(yīng)用在交互過(guò)程中的行為特征進(jìn)行識(shí)別，如分析主機(jī)與哪些主機(jī)進(jìn)行通信，是作為一個(gè)提供者還是請(qǐng)求者等，在具體實(shí)施過(guò)程中，要求支持對(duì)流量行為特征進(jìn)行采集，流量特征包括：流的傳輸速率、流的報(bào)文數(shù)量、流的持續(xù)時(shí)間、上下行數(shù)據(jù)流總量等；要求支持根據(jù)流的統(tǒng)計(jì)學(xué)特征結(jié)合機(jī)器學(xué)習(xí)技術(shù)進(jìn)行識(shí)別，在具體實(shí)施過(guò)程中，要求支持對(duì)報(bào)文特征進(jìn)行采集，報(bào)文特征包括端口號(hào)，報(bào)文長(zhǎng)度，報(bào)文到達(dá)間隔等，要求支持多種機(jī)器學(xué)習(xí)方法，機(jī)器學(xué)習(xí)方法包括有監(jiān)督學(xué)習(xí)如隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等，無(wú)監(jiān)督學(xué)習(xí)如kmeans聚類(lèi)，DBSCAN等，半監(jiān)督學(xué)習(xí)方法，要求支持對(duì)流識(shí)別模型的訓(xùn)練C.2流量預(yù)測(cè)的AI訓(xùn)練算法要求網(wǎng)絡(luò)流量預(yù)測(cè)過(guò)程中，針對(duì)不同的預(yù)測(cè)周期、預(yù)測(cè)類(lèi)型，需要選擇不同的預(yù)測(cè)方法。要求流量預(yù)測(cè)技術(shù)支持兩類(lèi)預(yù)測(cè)方法，即歸納法、演繹法。要求流量預(yù)測(cè)技術(shù)支持基于歸納法的預(yù)測(cè)方法。在具體實(shí)施過(guò)程中，要求能夠基于一系列數(shù)學(xué)模型，