李 勝 雷景智 蘇 星

1.中國聯(lián)通江蘇省分公司；

2.中訊郵電咨詢設計院有限公司上海分公司

0 引言

隨著家庭寬帶的普及，業(yè)務體驗越來越成為消費者關注的焦點，家庭寬帶戰(zhàn)略意義愈發(fā)凸顯，提升家寬品質成為家庭市場持續(xù)經營的關鍵。另外2020年新冠疫情深刻影響了用戶的使用習慣，用戶對在線教育、遠程會議、遠程辦公、線上直播購物等方面的應用依賴程度不斷提高，對家庭寬帶的上網質量訴求也不斷提升，寬帶經營需要從人口紅利轉向體驗紅利。

如何主動管理用戶體驗是寬帶經營的關鍵，雖然傳統(tǒng)運維方案嘗試通過探針、撥測等方案來獲取業(yè)務體驗數(shù)據(jù)并感知用戶體驗，但是面臨著以下幾個的關鍵問題及局限性：

（1）撥測指標數(shù)據(jù)不能真實反映用戶體驗。隨著寬帶業(yè)務應用的豐富、帶寬的提升，從傳統(tǒng)的網頁服務轉而面向視頻、游戲、在線教育等高突發(fā)，高時延要求的應用的遷移，用戶應用對網絡的要求越來越高了。雖然基于網絡KPI（Key Performance Indicator，關鍵績效指標）和機頂盒探針也有一套監(jiān)控體系，但是這些數(shù)據(jù)都不能更好地表征游戲、視頻、在線教育等應用體驗，導致經常發(fā)現(xiàn)監(jiān)控的KPI很好，但是NPS（Net Promoter Score，凈推薦值）上網質量滿意度調查的時候用戶實際在抱怨網絡的情況。要管理好用戶體驗需要想辦法能檢測真實的用戶體驗是什么樣子，清楚地知道用戶應用的實際體驗情況。

（2）探針部署點少、也無法部署到用戶側，難以感知用戶真實體驗。

（3）用戶體驗指標和網絡質量KPI不能精準關聯(lián)，難以準確定位體驗劣化原因。寬帶的維護是一個長流程、高復雜的系統(tǒng)性工作，涉及終端、家庭網絡、線路、承載網絡，應用服務器各個環(huán)節(jié)，每一個環(huán)節(jié)都可能導致最終用戶體驗劣化。已有的端到端數(shù)據(jù)分散在不同的煙囪系統(tǒng)當中，很難做到有效整合，準確地定界定位。

（4）寬帶體驗一個很大的瓶頸在家庭內部。但是家庭內部的問題現(xiàn)在是一個黑盒，無人知道家庭里面的情況，只能靠上門之后現(xiàn)場處理，導致裝維人員處理效率低，對應的能力也很難拉齊。

1 OLT邊緣AI能力使能真實用戶體驗感知

從用戶體驗感知的角度看，體驗檢測點越接近用戶感知越準確，但由于現(xiàn)網ONT（Optical network terminal，光網絡終端）存量基數(shù)大、更換困難，在ONT上實現(xiàn)用戶體驗感知的成本太高，因此選擇在OLT位置部署AI計算設備，采集應用體驗KPI。

通過在OLT上實現(xiàn)對用戶體驗的感知，整體技術方案如圖1所示：分析服務器基于AI計算設備上報的應用KPI和OLT上報的網絡KPI等數(shù)據(jù)進行關聯(lián)分析，識別影響用戶體驗的網絡瓶頸或故障節(jié)點。

圖1 整體技術方案

整體工作流程如下：（1）AI計算設備從OLT設備鏡像網絡流量。（2）AI計算設備1秒級采樣分析鏡像的數(shù)據(jù)流，識別用戶應用，計算應用KPI如流量、時延/抖動、丟包等。（3）AI計算設備上報用戶的應用、及對應的應用KPI等數(shù)據(jù)到服務器，上報周期為1分鐘。（4）OLT向分析服務器上報網絡KPI等數(shù)據(jù)，如端口/ONU速率、丟包、收發(fā)幀、光路收發(fā)功率、誤碼、ONT資源信息、告警/狀態(tài)等數(shù)據(jù)。指標采集周期從1秒到15分鐘不等，對于時間敏感指標如速率、丟包等按1秒級采樣上報。（5）分析服務器按時間切片粒度精準分組應用KPI和網絡KPI等數(shù)據(jù)，并進行關聯(lián)分析。實現(xiàn)準確定界服務器/承載問題、OLT設備上聯(lián)口、PON口、家庭網絡問題，定位各段網絡具體問題如光路衰減/光模塊老化/光路不穩(wěn)定、單頻Wi-Fi/Wi-Fi覆蓋/干擾、端口擁塞丟包、承載網不穩(wěn)定等。

1.1 AI智能算法使能用戶應用識別和業(yè)務質量監(jiān)測

基于AI人工智能的DFI（Deep Flow Inspection，深度流檢測）應用識別，不同于傳統(tǒng)DPI（Deep Packet Inspection，深度包檢測）技術需要解析報文內容，基于DFI的方法不需要拆包，利用訓練好的神經網絡對報文特征（如包長、報文方向，報文間隔等）進行識別，應用內容加密后仍然可以識別，該方式可識別分析的內容如圖2所示。這就要求提前研究不同應用的報文交互特征，如IP包大小、交互間隔、吞吐率、并發(fā)特征等，訓練生成應用的流特征庫和算法，并加載到AI計算設備。AI計算設備基于內置的流特征庫和算法，對網絡傳輸流/報文承載的應用進行識別，并計算該應用在OLT上下游的KPI。

圖2 AI智能算法

從效率角度考慮，本方案優(yōu)選用戶基數(shù)大、對網絡質量敏感、用戶關注的應用進行識別，如在線游戲（比如王者榮耀），OTT視頻（比如騰訊視頻、愛奇藝等），在線教育（比如猿輔導、學而思、Vipkid），在線辦公（比如釘釘）等。

1.2 智能分析實現(xiàn)用戶質差問題精準定界定位

（1）應用級KQI（Key Quality Indicators，關鍵質量指標）/KPI、網絡KPI實時同步：傳統(tǒng)的定界定位分析是把多個系統(tǒng)采集的指標進行關聯(lián)分析，采集周期和采集時間對不齊，關聯(lián)不準確。本系統(tǒng)對多層多段指標同步采集，采集的周期和時間是秒級對齊的，這樣事件的關聯(lián)準確率得到保障。

（2）關聯(lián)AI算法，定位質差根因：整體技術方案如圖3所示，實時跟蹤分析丟包率、時延等網絡質量指標，并對指標進行分層建模，采集110多項應用級KPI指標和250多項網絡KPI指標，利用AI算法對應用和網絡的指標進行相關性分析，確定質差原因，并對多個原因進行排序確定TOP根因。

圖3 智能定位

這里采用了基于FP Growth頻繁項集挖掘算法的質差及根因定位建模方式：

（1）頻繁項集模型構建

通過掃描數(shù)據(jù)，得到KPI&KQI頻繁項集和頻次，抽象出所有常用KQI&KPI數(shù)據(jù)集，構造FP樹（頻繁模式樹，F(xiàn)requent Pattern Tree），該模型結構如圖4所示。

圖4 頻繁模式數(shù)構建

（2）挖掘訓練模型構建知識庫

基于FP樹，分析每個關聯(lián)規(guī)則的置信度，進行KQI和KPI相關性識別生成知識庫，如圖5所示為以KQI為例構建的知識庫模型。

圖5 知識庫模型

（3）現(xiàn)網訓練驗證及反饋學習

放到現(xiàn)網進行大數(shù)據(jù)馴良，收集大數(shù)據(jù)樣本并標識反饋轉換成AI測試樣本，優(yōu)化更新決策樹。對產生的新樣本優(yōu)化根根因，不斷迭代優(yōu)化，實現(xiàn)精準的定界定位。

1.3 AI智能算法打開家庭側組網黑盒

家庭是一張網，家庭側最大的問題是不知道這張網的組網結構。通過OLT可以采集家庭網絡拓撲信息、終端MAC等信息，基于采集到的家庭設備MAC、協(xié)商速率等參數(shù)，結合平臺的能力庫信息，通過神經網絡基于AI的決策樹算法，該算法通過訓練數(shù)據(jù)收集、特征值提取、數(shù)據(jù)拆分分析強化訓練模型，并最終形成自動識別家庭設備的廠家和型號的能力。通過該算法可以分析出該設備對應的天線能力、端口能力等等能力特征（如：單頻or雙頻，是否有千兆LAN等），進而對網絡輸出進行賦能強化，打造高品質寬帶網絡。

2 應用效果

2021年在中國聯(lián)合網絡通信有限公司江蘇省分公司部署家庭智能感知方案，實際應用效果良好，并在省內取得顯著成效。通過實踐，試點目前在已經實現(xiàn)20W+用戶的質差監(jiān)控。通過試點2000+樣本的驗證，大幅提升了質差識別、定界定位的準確率，該方案已融入整改質差整治流程，進行例行的主動閉環(huán)策略實施。除了前面做的主動地分析整改，系統(tǒng)也提供了單用戶的運維界面，通過WIFI KPI回放，家庭網絡指標回放，以及針對每一個終端的KPI的監(jiān)控和回放，結合已有的主動運維故障識別算法，提升投訴排障處理的效率。具體效果提升體現(xiàn)在以下方面：

（1）提升網絡質量。通過AI技術實現(xiàn)對網絡瓶頸的精準識別。

（2）網絡效益提升。包括降低成本、提升收入和社會效益；以質差上門整治為例，24%可通過后臺解決，比如減少質差上門工單1萬張，節(jié)省維護成本37.8萬；裝維隨銷成功率從5%提升至22%，人均收入增加500元，最終提升家客滿意度和移動寬帶口碑，增加社會效益。

（3）用戶主動關懷。依托質差識別能力提升，問題發(fā)現(xiàn)從被動到主動到自動，用戶應用識別已支持視頻、游戲等5大類19中應用，覆蓋80%以上用戶。

（4）提升運維效率。從無到有實現(xiàn)質差精準定界定位，目前準確率達到95%，質差整治解決率從65%提升至90%，平均故障定位時長從耗時2.1小時降低至5分鐘。

3 結束語

影響寬帶業(yè)務體驗的因素多，包括云服務器性能、鏈路各節(jié)點處理能力、通信介質質量、家庭組網能力等。業(yè)界進行了各種嘗試，如STB探針感知體驗、網絡KPI監(jiān)控等，但一直沒有突破體驗問題根因定位難題。

智能分布式OLT解決方案通過綜合應用多種技術的工程思想，引入AI智能計算設備，對用戶真實業(yè)務進行識別分析，同時基于對業(yè)務應用KPI和網絡KPI的采集數(shù)據(jù)的關聯(lián)分析方法，實現(xiàn)對用戶體驗問題的精準定界定位，從而支撐對用戶體驗的主動管理。