宋孫釋然

摘要：文章從事前預(yù)防、事中處理以及事后檢查三方面闡述無(wú)線網(wǎng)絡(luò)智能運(yùn)維應(yīng)用實(shí)踐思路，并提出以多AI模型為核心的4G/5G無(wú)線網(wǎng)絡(luò)智能運(yùn)維系統(tǒng)設(shè)計(jì)方案，發(fā)揮多模型組合應(yīng)用優(yōu)勢(shì)，滿足無(wú)線網(wǎng)絡(luò)智能化運(yùn)維需求，旨在解決故障定位不準(zhǔn)確、故障排查效率低以及投入成本過(guò)高等問(wèn)題，助推未來(lái)網(wǎng)絡(luò)運(yùn)維高效化、自動(dòng)化以及智能化發(fā)展。

關(guān)鍵詞：4G/5G無(wú)線網(wǎng)絡(luò)；智能運(yùn)維；系統(tǒng)設(shè)計(jì)

doi：10.3969/J.ISSN.1672-7274.2024.03.042

中圖分類號(hào)：TN 929.5? ? ? ? ? 文獻(xiàn)標(biāo)志碼：B? ? ? ? ? ?文章編碼：1672-7274（2024）03-0-03

1? ?無(wú)線網(wǎng)絡(luò)智能運(yùn)維應(yīng)用實(shí)踐思路

1.1 無(wú)線網(wǎng)絡(luò)智能運(yùn)維的重要性

現(xiàn)階段，4G與5G網(wǎng)絡(luò)正處于交替并存的狀態(tài)，推動(dòng)著全新網(wǎng)絡(luò)形態(tài)發(fā)展，同時(shí)對(duì)網(wǎng)絡(luò)運(yùn)維工作提出更高要求。人工與半自動(dòng)相結(jié)合的網(wǎng)絡(luò)監(jiān)管運(yùn)維模式在網(wǎng)絡(luò)運(yùn)維工作實(shí)施不能滿足高效率網(wǎng)絡(luò)運(yùn)維需求，并且存在網(wǎng)絡(luò)監(jiān)管手段單一、難以有效規(guī)避多種隱患問(wèn)題發(fā)生以及故障定界定位難度大等情況，實(shí)現(xiàn)無(wú)線網(wǎng)絡(luò)智能化運(yùn)維逐漸成為當(dāng)前最為緊要的任務(wù)[1]。

5G時(shí)代的到來(lái)以及相關(guān)部署深入推進(jìn)，為處于探索階段的無(wú)線網(wǎng)絡(luò)智能運(yùn)維提供了良好條件，對(duì)移動(dòng)網(wǎng)絡(luò)智能運(yùn)維應(yīng)用和推廣也起到了一定促進(jìn)作用；基于無(wú)線網(wǎng)絡(luò)智能運(yùn)維應(yīng)用，構(gòu)建覆蓋范圍廣、響應(yīng)速度快的無(wú)線網(wǎng)絡(luò)智能運(yùn)維體系，解決無(wú)線網(wǎng)絡(luò)運(yùn)維中基站退服率高、隱患問(wèn)題發(fā)現(xiàn)不及時(shí)以及故障根因定位不準(zhǔn)確等問(wèn)題。

1.2 實(shí)踐思路

本文圍繞AI深度學(xué)習(xí)算法，以實(shí)現(xiàn)4G/5G無(wú)線網(wǎng)絡(luò)智能運(yùn)維為切入點(diǎn)，利用基站退服告警、動(dòng)環(huán)等數(shù)據(jù)信息，搭建多AI模型，如異常檢測(cè)模型、故障根因定位模型等，實(shí)現(xiàn)在多AI模型融合運(yùn)用基礎(chǔ)上強(qiáng)化4G/5G無(wú)線網(wǎng)絡(luò)智能運(yùn)維成效，構(gòu)建全流程無(wú)線網(wǎng)絡(luò)智能化運(yùn)維路徑，全方位預(yù)防無(wú)線網(wǎng)絡(luò)潛在風(fēng)險(xiǎn)，增強(qiáng)4G/5G無(wú)線網(wǎng)絡(luò)運(yùn)行穩(wěn)定性。通過(guò)融合AI技術(shù)，將智能診斷、智能預(yù)測(cè)方案深入應(yīng)用到無(wú)線網(wǎng)絡(luò)運(yùn)維流程中，通過(guò)智能故障診斷，快速提升排障效率；利用智能故障預(yù)測(cè)功能，主動(dòng)發(fā)現(xiàn)網(wǎng)絡(luò)隱患并提前排障。加強(qiáng)無(wú)線智能運(yùn)維應(yīng)用，助力區(qū)域移動(dòng)網(wǎng)絡(luò)運(yùn)維智能化能力提升，實(shí)現(xiàn)網(wǎng)絡(luò)數(shù)字化、智能化轉(zhuǎn)型升級(jí)，向“零故障”的無(wú)線網(wǎng)絡(luò)邁進(jìn)。

2? ?以多AI模型為核心的4G/5G無(wú)線網(wǎng)絡(luò)智能運(yùn)維系統(tǒng)設(shè)計(jì)

2.1 系統(tǒng)架構(gòu)

由數(shù)據(jù)采集、算法模型、關(guān)鍵功能以及應(yīng)用層構(gòu)成的以多AI模型為核心的4G/5G無(wú)線網(wǎng)絡(luò)智能運(yùn)維系統(tǒng)架構(gòu)如圖1所示。

（1）數(shù)據(jù)采集：負(fù)責(zé)采集與預(yù)處理AI模型訓(xùn)練以及模型應(yīng)用所需各類數(shù)據(jù)，同時(shí)將無(wú)效數(shù)據(jù)進(jìn)行剔除處理并將該部分缺失數(shù)據(jù)進(jìn)行補(bǔ)充。其中，跨專業(yè)全量告警與全量工單、基站KPI數(shù)據(jù)等均是該系統(tǒng)數(shù)據(jù)采集層所包含的主要數(shù)據(jù)，并以移動(dòng)網(wǎng)為載體，與集中故障系統(tǒng)、電子運(yùn)維系統(tǒng)等進(jìn)行數(shù)據(jù)對(duì)接，以保證數(shù)據(jù)采集全面性。

（2）算法模型：作為以多AI模型為核心的4G/5G無(wú)線網(wǎng)絡(luò)智能化運(yùn)維過(guò)程中的關(guān)鍵要素，可以通過(guò)算法模型為相關(guān)人員高效開(kāi)展運(yùn)維工作提供配套服務(wù)，例如，利用智能運(yùn)維AI庫(kù)幫助運(yùn)維人員分析4G/5G無(wú)線網(wǎng)絡(luò)運(yùn)行異常問(wèn)題，并提供相應(yīng)的解決建議，提高無(wú)線網(wǎng)絡(luò)運(yùn)維精確性。在多模型融合支持下，彌補(bǔ)AI模型所存在的不足，如有針對(duì)性制定隱患排除提供參考依據(jù)[2]。

（3）核心功能：充分利用算法模型，結(jié)合4G/5G無(wú)線網(wǎng)絡(luò)運(yùn)維智能化要求，設(shè)計(jì)以多AI模型為核心的無(wú)線網(wǎng)絡(luò)運(yùn)維系統(tǒng)應(yīng)用層，該應(yīng)用層是實(shí)現(xiàn)基站退服預(yù)警、告警信息發(fā)布以及定位故障根因等功能的關(guān)鍵，實(shí)現(xiàn)4G/5G無(wú)線網(wǎng)絡(luò)運(yùn)維各階段有效融合AI智能化技術(shù)，推動(dòng)4G/5G無(wú)線網(wǎng)絡(luò)智能運(yùn)維水平進(jìn)一步提高。

（4）應(yīng)用層：負(fù)責(zé)為智能運(yùn)維系統(tǒng)各項(xiàng)功能實(shí)現(xiàn)可視化操作提供支持，運(yùn)維人員可通過(guò)智能運(yùn)維系統(tǒng)執(zhí)行高退服風(fēng)險(xiǎn)基站預(yù)警概覽、異?；綯OP清單查詢、智能運(yùn)維應(yīng)用效果評(píng)估展示等操作，增強(qiáng)4G/5G無(wú)線網(wǎng)絡(luò)運(yùn)維工作開(kāi)展便捷性、高效性。

2.2 系統(tǒng)功能設(shè)計(jì)

2.2.1 基站退服預(yù)警

在運(yùn)用基站退服預(yù)測(cè)模型基礎(chǔ)上，分析基站退服前較常出現(xiàn)的隱患類型，選擇合適的算法學(xué)習(xí)隱患出現(xiàn)規(guī)律，既能精準(zhǔn)預(yù)測(cè)基站退服情況，又能滿足未來(lái)一段時(shí)間內(nèi)基站退服概率提前預(yù)測(cè)需求，及時(shí)掌握存在高退服風(fēng)險(xiǎn)隱患的基站，并及時(shí)發(fā)布該項(xiàng)預(yù)警信息，以便運(yùn)維人員能夠在第一時(shí)間準(zhǔn)確地開(kāi)展基站高退服風(fēng)險(xiǎn)排查工作。

優(yōu)化基站退服預(yù)警模塊中各項(xiàng)功能設(shè)計(jì)，如數(shù)據(jù)采集、基站退服預(yù)警信息發(fā)布等，目的是將上述各項(xiàng)功能與無(wú)線網(wǎng)絡(luò)運(yùn)維系統(tǒng)進(jìn)行聯(lián)動(dòng)，再通過(guò)基站退服預(yù)測(cè)模型獲取未來(lái)退服問(wèn)題可能出現(xiàn)的概率結(jié)果，在該過(guò)程中可利用該模型分析基站運(yùn)行狀態(tài)下的告警數(shù)據(jù)，獲取基站未來(lái)退服風(fēng)險(xiǎn)概率，有針對(duì)性地提出相應(yīng)措施，以有效預(yù)防基站退服。首先，在具體操作過(guò)程中，將高風(fēng)險(xiǎn)闕值提前預(yù)設(shè)，將未來(lái)時(shí)間段存在較高退服風(fēng)險(xiǎn)的基站點(diǎn)進(jìn)行輸出[3]。其次，借助基站退服預(yù)測(cè)模型，完成告警上下文信息編碼處理，選擇合適的模型算法精準(zhǔn)劃分基站退服預(yù)測(cè)。采用詞向量告警分析法，可以在分析過(guò)程中充分利用大量非退服告警退服基站的特征，彌補(bǔ)傳統(tǒng)分析方式所存在的基站退服告警數(shù)據(jù)缺失等不足。針對(duì)分類算法選擇，要綜合考慮大規(guī)模數(shù)據(jù)處理需求，確保所選擇的分類算法能夠在滿足基站退服預(yù)測(cè)要求基礎(chǔ)上，保證數(shù)據(jù)處理效率和準(zhǔn)確性。最后，將基站退服預(yù)測(cè)模塊與無(wú)線網(wǎng)絡(luò)運(yùn)維系統(tǒng)對(duì)接，通過(guò)該系統(tǒng)的接口完成基站退服預(yù)警信息穩(wěn)定發(fā)布，充分利用二者之間的高效互動(dòng)性，做到提前預(yù)防故障隱患，并向集中代維護(hù)系統(tǒng)及對(duì)應(yīng)App及時(shí)反饋模型輸出結(jié)果，從根本上保證基站退服風(fēng)險(xiǎn)預(yù)警信息能被一線運(yùn)維人員快速接收。

2.2.2 基站智能巡檢

（1）因自編碼器具有無(wú)監(jiān)督學(xué)習(xí)特點(diǎn)，對(duì)樣本標(biāo)簽不具備依賴性，能夠在運(yùn)維過(guò)程中更好地處理異常數(shù)據(jù)樣本數(shù)量較少問(wèn)題?；诖?，在進(jìn)行基站異常檢測(cè)時(shí)選用深度自編碼器模型，充分利用該模型較強(qiáng)的異常檢測(cè)性能，以滿足故障檢測(cè)、數(shù)據(jù)異常檢測(cè)等相關(guān)工作精準(zhǔn)化開(kāi)展需求，凸顯無(wú)線網(wǎng)絡(luò)智能化運(yùn)維優(yōu)勢(shì)。

（2）基于多AI模型運(yùn)用，實(shí)施4G/5G無(wú)線網(wǎng)絡(luò)智能化運(yùn)維，發(fā)揮該模型優(yōu)勢(shì)，獲取相關(guān)數(shù)據(jù)，如告警級(jí)別、多天異常檢測(cè)連續(xù)性等數(shù)據(jù)信息，為基站原始異常度校正提供參考依據(jù)。在明確基站是否屬于重點(diǎn)運(yùn)維業(yè)務(wù)范圍內(nèi)的基礎(chǔ)上，再依據(jù)基站巡檢優(yōu)先級(jí)，重新配置巡檢優(yōu)先級(jí)權(quán)重，目的是解決傳統(tǒng)無(wú)線網(wǎng)絡(luò)運(yùn)維模式中所存在的巡檢計(jì)劃制定不合理等問(wèn)題。同時(shí)可將基站異常度、潛在問(wèn)題對(duì)應(yīng)解決舉措等信息在最終輸出巡檢清單中顯示[4]。運(yùn)維人員即可對(duì)照智能巡檢回單信息，對(duì)重要異常項(xiàng)是否消除、異常清單中多周連續(xù)出現(xiàn)的問(wèn)題解決情況進(jìn)行監(jiān)測(cè)，并及時(shí)向運(yùn)維部門反饋，高效開(kāi)展網(wǎng)絡(luò)運(yùn)維工作，達(dá)到隱患問(wèn)題專項(xiàng)整治目的。

2.2.3 智能定位基站故障根因

基于根因定界與定位模型在網(wǎng)絡(luò)運(yùn)維流程中引入，可以幫助運(yùn)維人員更加精準(zhǔn)地定位基站故障根因，實(shí)現(xiàn)基站故障原因智能化分析；通過(guò)定位基站故障根因，為優(yōu)化故障派單策略提供參考依據(jù)，又能保證故障工單分類具有較強(qiáng)的時(shí)效性，充分體現(xiàn)無(wú)線網(wǎng)絡(luò)運(yùn)維智能化水平。同時(shí)細(xì)分故障原因，為其制定針對(duì)性故障處置措施。科學(xué)指導(dǎo)現(xiàn)場(chǎng)運(yùn)維人員高效開(kāi)展故障排查工作。

為了實(shí)現(xiàn)基站故障根因智能化定位功能，需要明確與該項(xiàng)功能相關(guān)的各項(xiàng)要素，如模型部署、算法選擇以及模型標(biāo)注樣本等，再結(jié)合與基站運(yùn)維相關(guān)信息、動(dòng)環(huán)告警以及工單等數(shù)據(jù)信息，構(gòu)建故障根因定位模型，以運(yùn)維專家的根因標(biāo)注為依據(jù)，再根據(jù)所掌握的大數(shù)據(jù)根因定界規(guī)則完成最終結(jié)果輸出?？紤]實(shí)際需求，選擇合適的算法開(kāi)展模型訓(xùn)練，基站故障大類原因的分類結(jié)果、基站故障細(xì)分原因的分類結(jié)果分別是故障根因定界模型輸出信息與故障根因定位輸出信息，其中輸出信息主要涉及基站主要設(shè)備、傳輸設(shè)備故障、傳輸連接件問(wèn)題等方面內(nèi)容。一線運(yùn)維可以結(jié)合故障根因定位輸出中所顯示的細(xì)分原因，按照既定流程開(kāi)展故障處理工作，這樣既能提升故障排查效率，又能保證故障處理效果，提升4G/5G無(wú)線網(wǎng)絡(luò)運(yùn)行穩(wěn)定性。

此外，該功能模塊與集中故障系統(tǒng)對(duì)接，能夠滿足智能化分類故障清單的需求，解決多次派單等問(wèn)題；同時(shí)與無(wú)線網(wǎng)絡(luò)代理運(yùn)維系統(tǒng)聯(lián)動(dòng)，精準(zhǔn)定位故障所在位置以及故障原因確定，從而加快故障排查。

2.3 綜合評(píng)估智能運(yùn)維應(yīng)用效果

從模型準(zhǔn)確率、相關(guān)業(yè)務(wù)指標(biāo)等方面綜合評(píng)估4G/5G無(wú)線網(wǎng)絡(luò)智能運(yùn)維應(yīng)用效果，如實(shí)反映以多AI模型為核心的4G/5G無(wú)線網(wǎng)絡(luò)智能運(yùn)維系統(tǒng)實(shí)際應(yīng)用情況。評(píng)估流程具體涉及以下內(nèi)容。

（1）評(píng)估模型準(zhǔn)確率。主要對(duì)基站退服預(yù)測(cè)準(zhǔn)確率、基站異常檢測(cè)符合率以及故障根因定界與定位準(zhǔn)確率進(jìn)行評(píng)估。例如，針對(duì)模型準(zhǔn)確率評(píng)估，需要將評(píng)估階段實(shí)際退服數(shù)量與預(yù)測(cè)退服數(shù)量的比值、異?；狙矙z清單中基站異常項(xiàng)和巡檢回單相符的基站數(shù)與規(guī)定數(shù)的比值、定界原因與故障工單回執(zhí)大類原因一致的數(shù)量與總故障工單數(shù)的比值作為評(píng)估指標(biāo)，以保證模型準(zhǔn)確率評(píng)估結(jié)果的準(zhǔn)確性。

（2）評(píng)估業(yè)務(wù)指標(biāo)。獲取并掌握與各項(xiàng)業(yè)務(wù)相關(guān)的數(shù)據(jù)信息，將其作為無(wú)線網(wǎng)絡(luò)智能運(yùn)維業(yè)務(wù)的評(píng)估指標(biāo)，如故障工單量、告警量等基本要素初步評(píng)估相關(guān)業(yè)務(wù)指標(biāo)，同時(shí)結(jié)合實(shí)際應(yīng)用情況，對(duì)現(xiàn)有業(yè)務(wù)評(píng)估指標(biāo)進(jìn)行調(diào)整，確保業(yè)務(wù)評(píng)估指標(biāo)定義的全面性、準(zhǔn)確性[5]。例如，在將告警量、故障工單量等相關(guān)數(shù)據(jù)作為業(yè)務(wù)評(píng)估指標(biāo)使用時(shí)，可以通過(guò)智能巡檢基站對(duì)上述數(shù)據(jù)進(jìn)行統(tǒng)一整合，對(duì)比分析巡檢前后告警量、故障工單量變化，若該部分指標(biāo)下降情況明顯，則說(shuō)明當(dāng)前無(wú)線網(wǎng)絡(luò)具有較好的運(yùn)行穩(wěn)定性?；蛘咴趯?duì)評(píng)估高頻故障工單處理耗時(shí)進(jìn)行評(píng)估時(shí)，對(duì)照智能化模塊引入后的統(tǒng)計(jì)數(shù)據(jù)，確定每月高頻工單處理總耗時(shí)縮減情況以及縮減幅度。通常情況下，若想達(dá)到理想化高頻工單處理時(shí)長(zhǎng)，可在無(wú)線網(wǎng)絡(luò)運(yùn)維流程中合理引入退服預(yù)警及智能巡檢流程，實(shí)現(xiàn)對(duì)故障工單量有效控制，發(fā)揮根因定位功能作用，減少故障處理時(shí)間，進(jìn)而達(dá)到大幅度降低高頻故障工單總耗時(shí)目的。

3? ?結(jié)束語(yǔ)

從以往網(wǎng)絡(luò)監(jiān)控與管理工作開(kāi)展情況來(lái)看，由于此方面所運(yùn)用的技術(shù)手段相對(duì)單一，導(dǎo)致故障定位不準(zhǔn)確，降低了網(wǎng)絡(luò)運(yùn)維工作效率，使?jié)撛陔[患無(wú)法及時(shí)發(fā)現(xiàn)與處置，影響網(wǎng)絡(luò)運(yùn)行穩(wěn)定性。因此，本文提出以多種AI深度學(xué)習(xí)算法為依托的網(wǎng)絡(luò)智能運(yùn)維模式，解決傳統(tǒng)人工與半自動(dòng)相結(jié)合的網(wǎng)絡(luò)監(jiān)控及管理方式所存在的問(wèn)題，進(jìn)一步提高4G/5G無(wú)線網(wǎng)絡(luò)智能運(yùn)維水平。

參考文獻(xiàn)

[1] 馬敏，劉武韜，吳曉曦．4G/5G無(wú)線網(wǎng)絡(luò)智能運(yùn)維研究與應(yīng)用[J]．電信工程技術(shù)與標(biāo)準(zhǔn)化，2022（8）：44-50.

[2] 李俊．應(yīng)用于4G/5G小基站的無(wú)線網(wǎng)絡(luò)智能AI技術(shù)[J]．長(zhǎng)江信息通信，2023（3）：215-217.

[3] 馬福榮．5G無(wú)線網(wǎng)絡(luò)的智能干擾管理技術(shù)分析[J]．通訊世界，2023（1）：136-138.

[4] 方東旭，周徐，薛曉宇．4G/5G極簡(jiǎn)網(wǎng)絡(luò)智能運(yùn)維體系研究和應(yīng)用[J]．電信工程技術(shù)與標(biāo)準(zhǔn)化，2023（4）：30-34.

[5] 孫泉．5G無(wú)線網(wǎng)絡(luò)可視化運(yùn)維實(shí)踐探究[J]．江蘇通信，2023（4）：28-30，34.