無(wú)線網(wǎng)絡(luò)關(guān)鍵性能指標(biāo)（KPI）就猶如一把懸空之劍，讓無(wú)數(shù)運(yùn)維人和網(wǎng)優(yōu)人為之費(fèi)心勞神、殫精竭慮。KPI異動(dòng)往往預(yù)示著網(wǎng)絡(luò)某個(gè)層面出現(xiàn)問(wèn)題，就好像我們?nèi)祟惓霈F(xiàn)發(fā)燒，往往可能是身體某處出現(xiàn)炎癥一樣。作為“網(wǎng)絡(luò)醫(yī)生”的運(yùn)維網(wǎng)優(yōu)人，每天面對(duì)成百上千KPI變化和大大小小的告警處理，很多時(shí)候疲于奔命，對(duì)KPI監(jiān)控?zé)o法做到精確化和快速化，經(jīng)常等到用戶投訴了才發(fā)現(xiàn)KPI的異常，才啟動(dòng)處理流程，十分被動(dòng)。出現(xiàn)這種情況，非運(yùn)維網(wǎng)優(yōu)專家不為也，很多時(shí)候是真不能也。比如傳統(tǒng)KPI監(jiān)控只能設(shè)置靜態(tài)閾值，難以根據(jù)區(qū)域/場(chǎng)景以及時(shí)間段的不同差異進(jìn)行區(qū)分，網(wǎng)絡(luò)指標(biāo)異動(dòng)容易被波動(dòng)淹沒(méi)，人工統(tǒng)計(jì)KPI很難判斷，即使發(fā)現(xiàn)問(wèn)題，再“望、聞、問(wèn)、切”，逐步定位病根，給出藥方，這周期難免較長(zhǎng)，而且對(duì)技術(shù)人員的技能要求也很高（“老專家”凸顯價(jià)值?。?！自然，我們希望有個(gè)系統(tǒng)能實(shí)時(shí)監(jiān)控網(wǎng)絡(luò)KPI，對(duì)指標(biāo)異動(dòng)自動(dòng)識(shí)別并定位引起異動(dòng)的根因，那面對(duì)復(fù)雜網(wǎng)絡(luò)也能應(yīng)對(duì)自如了。

中興無(wú)線智能運(yùn)維系統(tǒng)借助AI人工智能，通過(guò)機(jī)器學(xué)習(xí)（ML：Machine Learning）和專家規(guī)則相結(jié)合來(lái)實(shí)現(xiàn)無(wú)線網(wǎng)絡(luò)KPI的異常檢測(cè)和故障診斷的自動(dòng)化，相當(dāng)于一個(gè)24小時(shí)運(yùn)行的“網(wǎng)絡(luò)健康監(jiān)測(cè)和診斷儀”，為網(wǎng)絡(luò)醫(yī)生們提供分析數(shù)據(jù)和根因診斷。

要想解決問(wèn)題，先要能發(fā)現(xiàn)問(wèn)題。無(wú)線網(wǎng)絡(luò)KPI隨著網(wǎng)絡(luò)制式及規(guī)模增長(zhǎng)，應(yīng)用場(chǎng)景差異及話務(wù)潮汐變化等，數(shù)據(jù)量變得非常龐大，在海量數(shù)據(jù)中及時(shí)發(fā)現(xiàn)KPI是正常波動(dòng)還是異常變化，即使對(duì)“老專家”來(lái)說(shuō)，也是一個(gè)艱巨的挑戰(zhàn)。為降低各種KPI綜合建模的難度，系統(tǒng)引入了基于結(jié)構(gòu)特征的時(shí)間序列聚類方法。先通過(guò)傅立葉變換，將時(shí)間序列分為兩大類，重要周期性和非重要周期性，再基于KPI序列中提取的數(shù)個(gè)特征，采用k均值算法對(duì)每個(gè)主類別中的時(shí)間序列進(jìn)行聚類。KPI分類完成后，系統(tǒng)為每個(gè)KPI類別選擇適當(dāng)?shù)臅r(shí)間序列模型，預(yù)測(cè)KPI在下個(gè)時(shí)間粒度的正常基線，如果網(wǎng)絡(luò)KPI實(shí)時(shí)測(cè)量值超過(guò)了在線檢測(cè)的基線，能夠在首個(gè)時(shí)間粒度內(nèi)及時(shí)發(fā)現(xiàn)，也避免因潮汐效應(yīng)以及網(wǎng)絡(luò)基礎(chǔ)條件等差異導(dǎo)致的誤報(bào)，漏報(bào)。

當(dāng)系統(tǒng)檢測(cè)到KPI異常時(shí)，需要快速下鉆分析定位根因，以便于運(yùn)維人員及時(shí)排除故障。智能運(yùn)維系統(tǒng)采用基于規(guī)則的診斷模塊和基于ML的診斷模塊相結(jié)合的異常診斷方法，發(fā)揮中興在無(wú)線領(lǐng)域幾十年的經(jīng)驗(yàn)積累及AI智能的自我學(xué)習(xí)能力，實(shí)現(xiàn)根因判斷的快速收斂和高準(zhǔn)確性，并適應(yīng)多種復(fù)雜場(chǎng)景應(yīng)用。

當(dāng)檢測(cè)到的異常是已定義的已知故障時(shí)，系統(tǒng)根據(jù)關(guān)聯(lián)告警、操作日志、網(wǎng)絡(luò)拓?fù)浜蛯＜乙?guī)則庫(kù)進(jìn)行綜合分析，給出根因判斷和故障排查操作建議。

當(dāng)檢測(cè)到的異常是未知故障時(shí)，基于ML的診斷模塊使用部分最小二乘回歸算法（PLS：Partial Least Square）進(jìn)行根因分析和定位，通過(guò)對(duì)可能原因進(jìn)行貢獻(xiàn)度分析，找出頂端的根計(jì)數(shù)器指標(biāo)作為異常根因判定。

該系統(tǒng)建立在一個(gè)輕量化大數(shù)據(jù)底座上，與傳統(tǒng)部署在集群上的大數(shù)據(jù)系統(tǒng)不同，輕量化底座所需的硬件資源很少，甚至可以單機(jī)運(yùn)行，但同時(shí)保留了傳統(tǒng)大數(shù)據(jù)系統(tǒng)的功能。這一特性可以使用戶利用現(xiàn)有環(huán)境或在資源受限時(shí)也能部署大數(shù)據(jù)和AI相關(guān)功能，大大減少了用戶網(wǎng)絡(luò)智能化轉(zhuǎn)型過(guò)程中的探索成本。同時(shí)，輕量化底座又有很好的可拓展性，可以從單機(jī)平滑拓展成分布式集群環(huán)境，且過(guò)程不影響業(yè)務(wù)的正常運(yùn)行，可以將探索成果直接轉(zhuǎn)化上線。

目前，該功能在山東聯(lián)通和中興通訊聯(lián)合創(chuàng)新基地通過(guò)驗(yàn)證，現(xiàn)網(wǎng)8萬(wàn)小區(qū)成功接入無(wú)線網(wǎng)絡(luò)智能運(yùn)維平臺(tái)，實(shí)現(xiàn)網(wǎng)絡(luò)KPI異動(dòng)實(shí)時(shí)監(jiān)控和根因精準(zhǔn)定位分析，大幅縮短KPI異動(dòng)小區(qū)問(wèn)題定位和解決時(shí)間。這也是業(yè)界首個(gè)采用AI算法洞察網(wǎng)絡(luò)KPI異動(dòng)，通過(guò)規(guī)則學(xué)習(xí)和機(jī)器學(xué)習(xí)快速準(zhǔn)確定位問(wèn)題根因，實(shí)現(xiàn)端到端閉環(huán)的解決方案。

在驗(yàn)證期間，某子網(wǎng)LTE的E-RAB建立成功率突然從99.9%下降到99.2%，系統(tǒng)異動(dòng)根因檢測(cè)功能很快發(fā)現(xiàn)并下鉆分析本次異動(dòng)的根因，快速定位到ID 208203的eNodeB，發(fā)現(xiàn)這個(gè)基站的一個(gè)小區(qū)的成功率指標(biāo)下降到0，引發(fā)全網(wǎng)相應(yīng)指標(biāo)異常波動(dòng)。通過(guò)告警關(guān)聯(lián)分析，在KPI異動(dòng)時(shí)間點(diǎn)，小區(qū)出現(xiàn)一次RRU異常導(dǎo)致的退服，后續(xù)的E-RAB空口建立指標(biāo)全部超時(shí)失敗，依據(jù)智能系統(tǒng)分析結(jié)果，快速得出RRU故障導(dǎo)致本次指標(biāo)下降異動(dòng)的結(jié)論，整個(gè)故障定位分析時(shí)間不到10分鐘。而以前通過(guò)人工分析，一個(gè)有經(jīng)驗(yàn)的工程技術(shù)人員通過(guò)網(wǎng)管統(tǒng)計(jì)KPI分析指標(biāo)異動(dòng)，關(guān)聯(lián)告警、日志，下鉆TopN小區(qū)直至找出問(wèn)題所在，至少得2小時(shí)。

隨著無(wú)線網(wǎng)絡(luò)的發(fā)展和5G的興起，網(wǎng)絡(luò)變得更加復(fù)雜，中興通訊不斷同運(yùn)營(yíng)商加強(qiáng)合作，加速網(wǎng)絡(luò)智化技術(shù)創(chuàng)新和成果轉(zhuǎn)化，通過(guò)網(wǎng)絡(luò)進(jìn)化、運(yùn)維進(jìn)化、運(yùn)營(yíng)進(jìn)化三大進(jìn)化助力運(yùn)營(yíng)商開源節(jié)流、提升效率，助力網(wǎng)絡(luò)智能化轉(zhuǎn)型。
責(zé)任編輯:pj