韓賽，張冬月，王澤林，王光全，李奧，方遒鏗，馬紅兵

跨專業(yè)承載網絡智能運維研究與應用

韓賽1，張冬月1，王澤林1，王光全1，李奧1，方遒鏗2，馬紅兵3

（1.中國聯合網絡通信有限公司研究院，北京 100048；2.中國聯合網絡通信有限公司廣東省分公司，廣東 廣州 510660；3.中國聯合網絡通信集團有限公司，北京 100032）

隨著人工智能技術和網絡日趨緊密地融合，未來網絡的運營和生產應該是全面數字化、自動化和智能化的。目前跨專業(yè)網絡故障定位主要依賴各專業(yè)運維人員分別進行分析和派單，導致排障時間長、重復派單等問題。為了節(jié)省人力工作，借助自動化和人工智能技術，研發(fā)了一套應用于實際現網的跨專業(yè)網絡智能運維系統。該系統可對IPRAN和OTN關聯的拓撲信息以及實時的IPRAN和OTN告警數據進行綜合分析，精準定位根因告警，確定故障位置，實現自動派單。該系統構建了跨專業(yè)的故障自動診斷能力，將故障定位時間由傳統的2 min縮短為幾十毫秒，極大減少故障處理時間和人工工作，可覆蓋現網大部分故障種類。

跨專業(yè)網絡；故障定位；智能運維

0 引言

隨著技術的發(fā)展和社會的進步，新技術尤其是人工智能（artificial intelligence，AI）、區(qū)塊鏈、數字孿生等與網絡的結合日趨緊密，有力地推動了網絡的演進。5G在全球范圍的規(guī)模商用已有效地促進了垂直行業(yè)的數字化轉型。數字化轉型促進各行業(yè)智能化水平提升、生產效率提高并節(jié)省了人力投入[1-3]。通信運營商也身在其中，運營商正從單純網絡向云網/數字服務提供商轉型，邊界已經從通信技術（communication technology，CT）轉向信息通信技術（information communication technology，ICT），同時也是網絡基礎設施提供商、ICT基礎設施服務提供商以及綜合數字服務提供商[4]。

數字化轉型的顯著特征之一就是通過數字化應用提升運營效率。隨著網絡規(guī)模的擴大以及5G應用的爆發(fā)式增長，網絡運營也迎來新的需求和挑戰(zhàn)[5]。運營的方式決定了網絡使用的效率和網絡服務的品質。傳統的運維方式，被稱為被動運維時代，從客戶投訴出發(fā)，以人工操作為主，跨專業(yè)解決問題能力較弱，業(yè)務開通周期長，網絡資源利用率低，故障定位難，客戶管理水平低。

為了解決這些問題，在傳統運維系統中引入專家經驗模型并增加數據提取分析等能力，實現部分故障的自動定位，但仍需要部分人工進行問題處理與網絡修復，這些運維方式的改變一定程度上提升了運維效率，將運維方式帶入半自動化時代[6]。

在數字化轉型的趨勢下，未來的運營和生產應該是全面數字化、自動化的。新網絡、新服務的爆發(fā)式增長亟須進一步提升網絡運營水平，減少傳統低效、重復性的工作，從依賴運維人員在流程中轉化為運維人員在流程之上，從數據采集、分析、故障定位、修復到優(yōu)化，形成自動化閉環(huán)。這是真正意義的數字化，利用新一代信息技術，構建數據的采集、傳輸、存儲、處理和反饋的閉環(huán)。在數字化運營的支撐下，可實現客戶運維自助、運維作業(yè)與運維開發(fā)協同、運營工作可視可控可評等能力。此外，通過引入AI等技術進行預測，可靈活應對故障風險，網絡運營全面進入自動化、智能化的主動運維時代[7-8]。

相比于數據中心網絡，運營商網絡具有規(guī)模大、層次多、專業(yè)多、節(jié)點分散和業(yè)務方案復雜等特點，這對利用自動化、數字化、智能化能力提升網絡運維效率帶來極大的障礙。未來的6G網絡架構具備智慧內生、安全內生、多域融合、算網一體四大特征[9]。其中AI技術是智慧內生的基礎，對內可提升網絡運營效率[10]、服務質量，對外為千行萬業(yè)用戶提供AI和網絡結合的計算和服務能力。近年來雖然有一些AI賦能運維的案例[11-13]，但整體運維能力提升效果并不明顯。

在網絡故障自動診斷領域，運營商網絡分層分專業(yè)架構如圖1所示，運營商網絡分層分專業(yè)，具有多層承載關系，底層故障具有向上層傳遞的可能，僅通過專業(yè)網絡內的自動診斷能力，難以直接定位到最根本的故障原因。比如光傳送網絡（optical transport network，OTN）故障導致大片互聯協議無線電接入網絡（Internet protocol radio access network，IPRAN）網元故障，IPRAN的故障導致基站大面積斷站。目前跨專業(yè)網絡故障定位主要依賴各專業(yè)運維人員分別進行分析定位，并分別派發(fā)故障工單，導致故障工單重復而龐雜，增加網絡維護人力成本。故障處理時間長、效率低，是當前網絡運維工作的主要痛點之一[14]。

圖1 運營商網絡分層分專業(yè)架構

本文嘗試打破已有專業(yè)壁壘，構建跨專業(yè)的故障自動診斷能力，系統性地提升運營商故障自動診斷定位能力。IPRAN作為中國聯通移動網絡的承載網，接入4G、5G基站，提供了移動業(yè)務回傳能力，同時由于組網安全性等要求，IPRAN設備間的重要連接往往承載在OTN之上，當OTN或IPRAN出現故障或網絡劣化時，會極大地影響承載在上面的移動業(yè)務。因此，本文選取IPRAN和OTN作為關聯性強、故障頻發(fā)的跨專業(yè)網絡場景，研發(fā)了一套基于現網的跨專業(yè)承載網絡智能運維系統。該系統可提升IPRAN和OTN跨專業(yè)快速故障定位能力，提升運維效率。

1 IPRAN和OTN跨專業(yè)網絡故障定位

為解決IPRAN和OTN跨專業(yè)故障定位問題，本文采用自動化和智能化技術，研發(fā)了一套跨專業(yè)網絡智能運維系統。下面對技術方案進行詳細闡述。

1.1 數據采集

跨專業(yè)網絡智能運維系統架構如圖2所示，主要包括數據采集模塊及IPRAN和OTN故障定位模塊。

數據采集模塊進行故障定位功能相關數據的采集。其中，告警數據經運營商企業(yè)服務總線（enterprise service bus，ESB）獲得，其采集各廠商網絡設備IPRAN網元和OTN網元的告警數據。拓撲信息可通過運營商資源系統獲得。告警數據和拓撲信息通過Kafka接口采集，存儲到數據采集模塊并創(chuàng)建索引、搜索、關聯以供IPRAN和OTN故障定位模塊調用，從而實現單專業(yè)以及IPRAN和OTN跨專業(yè)網絡故障定位。

1.2 跨專業(yè)網絡故障定位

圖2 跨專業(yè)網絡智能運維系統架構

對IPRAN和OTN關聯的拓撲信息以及實時IPRAN和OTN告警數據進行綜合分析，根據專家經驗和關聯規(guī)則挖掘算法，可精準定位根因告警，確定故障位置，實現自動派單。告警數據一般包括告警名稱、定位信息、最近發(fā)生時間、附加信息等。IPRAN和OTN跨專業(yè)網絡故障自動定位流程如圖3所示。

（1）采集實時告警數據

通過采集接口實時接收IPRAN和OTN專業(yè)的告警數據。

（2）根源告警篩選

根據專家經驗規(guī)則庫篩選出IPRAN和OTN專業(yè)的根源告警，具體如下。

?IPRAN：挑選出告警名稱為“物理端口down”的告警。

?OTN：過濾除5種板卡（OAU/LSC/ U402/DAPXF/LTX）以外的告警，過濾相關衍生告警。

（3）頻發(fā)告警清洗

對篩選后的IPRAN和OTN的告警數據進行頻發(fā)告警清洗，按照下述規(guī)則剔除相同告警（同一告警名稱、同一網元、同一端口），只保留第一條告警信息。

圖3 IPRAN和OTN跨專業(yè)網絡故障自動定位流程

?相同告警出現后存在時間小于1 min并且5 min之內只出現1次。

?同一端口1 min之內相同告警。

（4）時間關聯分析

當讀取到IPRAN根源告警（告警名稱為“物理端口down”）時，需要等待一段時間，直到產生3條以上非IPRAN根源告警（即告警名稱為除“物理端口down”以外的告警），并且告警發(fā)生時間比本組最早的根源告警的發(fā)生時間晚90 s為止，此時已采集到本組全部IPRAN根源告警。如果IPRAN告警數量為1，則直接判斷為IPRAN內部告警。如果IPRAN告警數量大于1，設當前IPRAN告警組最早的告警發(fā)生時間為，找到發(fā)生時間為（?16）s及（+100）s的OTN告警組，分析OTN故障。如果存在對應的OTN告警（Y），則進行下述步驟（5）；如果不存在（N）則不派單。

（5）原因分析

本方案將根據OTN告警，結合網絡拓撲分析出具體故障類型和故障位置。當前網絡故障主要是光纜故障，主要包括以下4種情況：如果出現1個網元DAPXF告警，則無法判斷故障位置；當出現2個網元DAPXF告警時，可直接判斷2個網元之間出現光纜中斷；當出現多個網元DAPXF告警時，則關聯網元位置關系，確定各個網元之間的連接關系，判定存在連接關系的網元之間出現光纜中斷的故障；當出現OAU告警時，如果是超過1個網元的OAU出現告警，則對關聯網元位置關系進行分析，其余故障比如板卡故障判斷方法在本文不詳細描述。本文的故障判斷方法主要將專家經驗數字化為計算機可識別的規(guī)則，結合專家規(guī)則和網絡拓撲分析OTN故障原因，自動定位故障網元。

（6）故障派單

故障定位的結果以微信的形式向相關運維人員推送并進行派單。

2 告警分組

在對實時告警進行故障定位之前，需要用歷史告警數據進行驗證，通過告警分組方法分析歷史告警數據中故障的數量，告警分組的組數結果即故障數量。下面將詳細介紹告警分組的流程。

具體流程如下。

（1）斷電告警預處理

對于斷電告警，比如告警名稱為POWER_FAIL的告警，單獨劃分為一組。因此，告警名稱為POWER_FAIL的告警數據不參與預分組的過程，例如，若總共需要分為18組，即CLUSTERS18，但出現一條POWER_FAIL，那么其他數據應分為CLUSTERS1組。

（2）預分組

將所有告警按照最近發(fā)生時間排序，并進行初步預分組，給定一個預分組時間（210 s/220 s為建議值，參數可調整），在預分組時間間隔以內的告警為同一組。預分組需要考慮如下兩點。

?預分組的時間間隔選擇必須滿足預分組后形成的組數大于或等于CLUSTERS。

?最佳預分組的時間間隔的選取是10～450 s，每秒執(zhí)行一次，根據最終的聚類效果進行選擇。

如果兩個告警數組滿足如下條件，則進行預分組合并。

?告警數據組只有一條告警且告警源名稱與上一條告警（即上一組的最后一條告警）一致。

?告警數據組只有一條告警且告警源名稱與下一條告警（即下一組的第一條告警）一致。

（3）告警數據組的特征向量

1）網元占比向量

2）最早發(fā)生時間

告警數據組的最早發(fā)生時間為這一組內第一條告警數據的發(fā)生時間。此外，為了對最早發(fā)生時間進行數值化處理，將其轉化為與所有告警的最早發(fā)生時間的差值（單位為s）。

（4）標準化處理

由于告警數據組對應的特征向量中前維位于0～1，而第+1維的數值基本都超過1且達到萬數量級，不同維度之間的數值差距過大，為了不影響聚類的效果，需采用歸一化處理，對第+1維數據進行標準化，按比例縮放，使之落入[0,1]。本文采用極值正規(guī)化min-max normalization方法進行標準化，如式（1）所示。

（5）距離度量

在聚類中，對于每個待聚類的元素，都擁有一個特征向量作為自身所在位置的度量。聚類算法的核心是根據不同元素之間的距離進行類別劃分的。常用的距離度量方法有以下2種。

1）歐氏距離（Euclidean distance）

歐氏距離是最易于理解的一種距離計算方法，源自歐氏空間中兩點間的距離公式。適用于求解兩點之間直線的距離，以及各個向量標準統一的情況，其計算式如下。

2）曼哈頓距離（Manhattan distance）

由于歐氏距離計算比較復雜，在一些場景可以使用簡化的曼哈頓距離，即：

由于告警源的聚類數據量和向量維度都不大，首要目標是要保證更高的精確度，不存在曼哈頓距離所要解決的算力不足問題，因此本文采用更加精準的歐氏距離。

在現網實際場景中，不在同一天的告警數據組肯定不在同一類，因此本文采用權重修正的方式，使得算法在執(zhí)行過程中盡量不將不在同一天的數據組劃分為一類。

否則：

（6）聚類算法執(zhí)行

在聚類算法輸出的標簽中，算法認定的同一類會被標記為相同的數字Label。本文選取-means- random[15]和-means++[16]兩種經典的聚類算法[17]對告警數據組進行分類。下面將分別進行描述。

算法1-means-random的聚類中心選擇規(guī)則

步驟1 隨機地從輸入數據中選擇一定數量（CLUSTERS）的點作為聚類中心。

步驟2 對于每個樣本，計算和各個聚類中心之間的距離，選取最近的聚類中心，加入該類。

步驟3 重新計算每一個類的聚類中心（根據計算質心的方法）。

步驟4 根據每個樣本所屬的不同聚類，標記其Label為1,2,…,CLUSTERS，所屬同一聚類中心的樣本的Label一致。

算法2-means++的聚類中心選擇規(guī)則

步驟1 根據均勻分布隨機從輸入數據中選出第一個聚類中心。

步驟2 根據式（6）依次計算每個點成為聚類中心的概率。

步驟3 根據概率p選擇下一個聚類中心。

步驟4 重復步驟2和步驟3，直到選擇到足夠數量的聚類中心。

（7）聚類標簽重整理

1）第一輪

2）第二輪

例如，聚類算法原輸出為1 3 2 3 3 4 5，經過第一輪標簽重整理后變?yōu)? 2 3 2 2 4 5，經過第二輪標簽重整理后變?yōu)? 2 3 4 4 5 6。

（8）聚類結果

針對3個不同的歷史告警數據文件，以人工定位結果作為參考，告警分組結果見表1。從結果可以看出，文件1采用210 s/220 s作為預分組參數，結合-means-random算法和聚類標簽重整理方法準確率可以達到100%。文件2和文件3采用120 s作為預分組參數，結合-means++和聚類標簽重整理方法準確率可以達到100%。

3 現網實施效果

IPRAN和OTN跨專業(yè)網絡智能運維系統目前部署在廣東聯通支撐云平臺上，跨專業(yè)承載網絡智能運維系統在廣東聯通支撐云平臺的部署架構如圖4所示，通過ESB網管和資源系統分別獲取告警數據和資源數據。

表1 告警分組結果

圖4 跨專業(yè)承載網絡智能運維系統在廣東聯通支撐云平臺的部署架構

IPRAN和OTN跨專業(yè)故障定位展示界面如圖5所示。故障定位由傳統的依賴于運維人員進行關聯判斷的方式，提升為由系統自動進行關聯判斷，故障處理效率大幅提高，單個故障處理平均耗時43 ms。在實現自動關聯定位和智能派單之前，維護人員在收到IPRAN單專業(yè)故障派單后，需要通過電話咨詢相應OTN是否出現異常，雙方查詢核對相應臺賬和網管，定位是否IPRAN專業(yè)內問題導致故障派單，這一步驟耗費時長就達到2～10 min。在多系統故障并發(fā)時甚至需要更長時間，并可能出現人為定位錯誤的現象。在實現自動關聯和智能派單之后，可以毫秒級快速精準關聯定位，極大提升上述步驟的實施效率和準確度，縮短故障處理時間，減少很多人工工作。

圖5 IPRAN和OTN跨專業(yè)故障定位展示界面

運維人員可接收微信機器人推送的工單信息，標明故障的起止點以及故障原因，并用符號“---”連接，IPRAN和OTN故障定位提醒信息如圖6所示。

本文首創(chuàng)研發(fā)了一套跨專業(yè)網絡智能運維系統，包括數據采集、跨專業(yè)網絡故障定位等功能模塊。該系統定期自動采集IPRAN、OTN資源信息，實時接收全省IPRAN、OTN告警數據，基于跨專業(yè)聯合拓撲，實現IPRAN和OTN跨專業(yè)快速故障定位，并將診斷結果通過微信等形式推送給相關運維人員，大大提升跨層故障定位能力，減少人工排障時間，提升運維效率。目前運營商

圖6 IPRAN和OTN故障定位提醒信息

IPRAN和智能城域網匯聚層故障大部分發(fā)生在跨機房連接的鏈路上，主要故障原因包括線路故障、OTN故障、IPRAN板卡故障。不管最終定位是哪一類故障，在故障定位的過程中都需要進行關聯判斷從而完成故障原因的定界。因此，本文提出的方法可覆蓋大部分故障種類。

4 結束語

本文提出的跨專業(yè)網絡智能運維系統通過實時采集現網告警數據，結合自動化和人工智能技術，可對跨專業(yè)網絡拓撲進行自動繪制，跨專業(yè)網絡故障進行自動定位，大大提升了運維人員的工作效率。該方案在廣東聯通現網環(huán)境得到了實際應用，并在中國聯通內部處于領先地位，填補了在跨專業(yè)網絡智能運維上的研發(fā)空白，將傳統依賴運維人員在流程中轉化為運維人員在流程之上。本方案具有完全的可復制性，可方便復制到其他省份、集團公司，并可進一步推廣到其他IP網絡承載于OTN上的場景。綜上，本文在實際現網中具有良好的應用推廣價值。

跨專業(yè)的故障自動診斷能力，打破了運營商網絡專業(yè)壁壘，突破了單專業(yè)故障診斷的能力瓶頸，系統性地提升運營商網絡故障自動診斷定位能力，避免重復工單，減輕人工工作，提升運維效率，為后續(xù)端到端故障分析和定位奠定了良好的基礎，并為運營商網絡運營從低效的煙囪式專業(yè)維護架構轉向高效的基礎設施+AI能力架構做出了有益的探索。實現運維的自動化和智能化是運營商數字化轉型的重要舉措，本方案為運營商的創(chuàng)新型轉型提供了技術支撐，也為通信領域自智網絡的培育和發(fā)展做出積極貢獻。未來可將本文提出的自動化故障定位方案和自動故障處理相結合，形成聯動機制，減少人工干預，助力運營商向高層次自智網絡演進。

[1] 祝智庭, 胡姣. 教育數字化轉型的實踐邏輯與發(fā)展機遇[J]. 電化教育研究, 2022, 43(1): 5-15.

ZHU Z T, HU J. The logic of practice and opportunities for digital transformation in education[J]. e-Education research, 2022, 43(1): 5-15.

[2] 張一林, 郁蕓君, 陳珠明. 人工智能、中小企業(yè)融資與銀行數字化轉型[J]. 中國工業(yè)經濟, 2021(12): 69-87.

ZHANG Y L, YU Y J, CHEN Z M. Artificial intelligence, SME financing and bank digitalization[J]. China Industrial Economics, 2021(12): 69-87.

[3] HAN S, MA H, CHEN D, et al. Streaming video optimization in mobile communications[C]//Proceedings of IEEE/CIC International Conference on Communications in China (ICCC), Beijing, China. 2018: 738-742.

[4] 裴培, 王爽, 劉一平, 等. 數字化轉型時代下運營商IT架構進階之路[J]. 信息通信技術, 2021, 15(6): 66-71.

PEI P, WANG S, LIU Y P, et al. The advanced path of telecom operators’ IT architecture in the era of digital transformation[J]. Information and Communications Technologies, 2021, 15(6): 66-71.

[5] 韓冰, 譚敏. 人工智能在網絡運維中的應用研究[J]. 電信工程技術與標準化, 2019, 32(7): 83-87.

HAN B, TAN M. Research of artificial intelligence in network operation and maintenance[J]. Telecom Engineering Technics and Standardization, 2019, 32(7): 83-87.

[6] 杜永生. 智能運維, 基于自學習的自動化運維[J]. 信息通信技術, 2018, 12(1): 8-13, 21.

DU Y S. Intelligent operation and maintenance, an automatic operation and maintenance system based on self-learning[J]. Information and Communications Technologies, 2018, 12(1): 8-13, 21.

[7] 周晶, 王德政, 洪科. 5G網絡智能運維AI應用研究[J]. 郵電設計技術, 2021(11): 83-87.

ZHOU J, WANG D Z, HONG K. Research on AI application in 5G network intelligent operation and maintenance[J]. Designing Techniques of Posts and Telecommunications, 2021(11): 83-87.

[8] HAN S, MA H, ZHANG P, et al. Zhang, T. Improved MPEG-4 high-efficiency AAC with variable-length soft-decision decoding of the quantized spectral coefficients[J]. China Communications, 2020, 16(10):65-82.

[9] IMT-2030（6G）推進組. 6G網絡架構愿景與關鍵技術展望白皮書[R]. 2021.

IMT-2030(6G) Promotion Group. White paper on architecture vision and key technology prospect of 6G network[R]. 2021.

[10] 張平, 牛凱, 田輝, 等. 6G移動通信技術展望[J]. 通信學報, 2019, 40(1): 141-148.

ZHANG P, NIU K, TIAN H, et al. Technology prospect of 6G mobile communications[J]. Journal on Communications, 2019, 40(1): 141-148.

[11] 伏玉筍, 楊根科. 人工智能在移動通信中的應用：挑戰(zhàn)與實踐[J]. 通信學報, 2020, 41(9): 190-201.

FU Y S, YANG G K. Application of artificial intelligence in mobile communication: challenge and practice[J]. Journal on Communications, 2020, 41(9): 190-201.

[12] 蘭巨龍, 于倡和, 胡宇翔, 等. 基于深度增強學習的軟件定義網絡路由優(yōu)化機制[J]. 電子與信息學報, 2019, 41(11): 2669-2674.

LAN J L, YU C H, HU Y X, et al. A SDN routing optimization mechanism based on deep reinforcement learning[J]. Journal of Electronics & Information Technology, 2019, 41(11): 2669-2674.

[13] BOUTABA R, SALAHUDDIN M A, LIMAM N, et al. A comprehensive survey on machine learning for networking: evolution, applications and research opportunities[J]. Journal of Internet Services and Applications, 2018(9): 16.

[14] 曹毅寧, 王俊華, 羅青松. 基于軟件定義的“IP+光”協同控制研究[J]. 光通信技術, 2018, 42(4): 21-24.

CAO Y N, WANG J H, LUO Q S. Study of “IP+optical” integration control based on software defined[J]. Optical Communication Technology, 2018, 42(4): 21-24.

[15] BOUTSIDIS C, ZOUZIAS A, DRINEAS P. Random projections for-means clustering[J]. Advances in Neural Information Processing Systems, 2010(23): 298-306.

[16] ARTHUR D, VASSILVITSKII S.-means++: the advantages of careful seeding[C]//Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms. [S.l.:s.n.], 2007.

[17] MACQUEEN J B. Some methods for classification and analysis of multivariate observations[C]//Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. [S.l.:s.n.], 1967.

Research and applications on intelligent operations of cross-professional carrying network

HAN Sai1, ZHANG Dongyue1, WANG Zelin1, WANG Guangquan1, LI Ao1, FANG Qiukeng2, MA Hongbing3

1.Research Institute of China United Network Communications Co., Ltd., Beijing 100048, China 2.China United Network Communications Company Limited Guangdong Branch, Guangzhou 510660, China 3.China United Network Communications Group Co., Ltd., Beijing 100032, China

With the increasingly close integration of artificial intelligence technology and networks, the operation and production of networks in the future should be fully digitalized, automated and intelligent. At present, fault locating of cross-professional network mainly relies on operation and maintenance staff of each professional network to analyze and dispatch orders, resulting in long trouble clearing time and repeated orders. In order to save manual work, with the help of automation and artificial intelligent technologies, a cross-professional network intelligent operation and maintenance system was developed and applied in real network. The associated topology information of IPRAN and OTN, along with the real-time IPRAN and OTN alarm data were analyzed, the root cause alarm was located accurately, the fault location was determined, and dispatch order was achieved automatically. A automatic cross-professional fault diagnosis capability was built by the system, which reduced the fault locating time from traditional two minutes to tens of milliseconds, therefore, the manual work was reduced by more than 90%, and 95% fault types of the existing network could be covered.

cross-professional network, fault location, intelligent operation

TP393

A

10.11959/j.issn.1000?0801.2022269

2022?03?23；

2022?10?08

韓賽（1988? ），女，博士，中國聯合網絡通信有限公司研究院高級工程師，主要研究方向為網絡智能、自智網絡等。

張冬月（1995? ），女，中國聯合網絡通信有限公司研究院助理工程師，主要研究方向為網絡智能等。

王澤林（1983? ），男，中國聯合網絡通信有限公司研究院高級工程師，主要研究方向為IP、云網、白盒、SDN 技術等。

王光全（1968? ），男，中國聯合網絡通信有限公司研究院教授級高級工程師，主要研究方向為通信網絡的規(guī)劃、新技術演進、標準制定等。

李奧（1994? ），女，中國聯合網絡通信有限公司研究院助理工程師，主要研究方向為網絡智能等。

方遒鏗（1980? ），男，中國聯合網絡通信有限公司廣東省分公司工程師，主要研究方向為光網絡、IP承載等。

馬紅兵（1967? ），男，中國聯合網絡通信集團有限公司科技創(chuàng)新部總經理、正高級工程師，主要研究方向為無線通信領域新技術研究、標準制定、技術試驗等。