人工智能在網絡運維中的應用

李朝霞 劉金春 邢鑫

（聯通云數據有限公司 北京市 100084）

1 在網絡運維中應用人工智能的優勢

（1）人工智能的主要特點在于超強的學習能力，通過對大量的數據進行整理和分析，能夠充分熟悉和了解相關數據的特點，進而將其應用到網絡運維當中，進一步加強對于文本信息和相關數據流量的挖掘，并構建相應的知識庫系統。在大數據技術的支持下能夠進一步發揮人工智能學習功能的作用，結合網絡實際運行情況建立診斷模型，實現對于故障的智能預測和處理。

（2）進一步提高工作效率。相較于人工檢測運維而言，人工智能的應用能夠有效模擬人工行為進行重復性的工作，而且相較于人工作業，智能技術還能夠有效提高作業的效率以及準確性，降低了人為因素產生的不良影響。

（3）智能運維具備一定的全面性。相較于人工作業，智能運維能夠更加全面的對通信網絡進行檢測和維護，有效處理人工作業過程中容易被忽視的數據信息和問題，進一步保障了網絡運維的效果和質量，為用戶提供更好的網絡服務。

2 智能運維方案

人工智能在網絡運維中的應用主要是對于基礎層、技術層以及應用層三個層面的構建，其中基礎層包括數據資源以及計算能力，需要對神經網絡進行協同進化的計算；技術層主要包括特征庫、知識庫、模型的構建以及算法的應用，需要通過人工智能的學習功能不斷實現對于參數的優化配置和模型訓練；應用層主要指的就是對于資源以及相關業務的監控。在實際構建和落實智能化網絡運維功能的過程中，會涉及到很多功能模塊，不僅包括數據庫、知識庫，還需要經過數據處理、建模等流程，進而實現相應智能運維功能，智能運維框架結構如圖1所示。

圖1：智能運維框架

2.1 運維數據優化

在當前5G 網絡逐漸覆蓋的情況之下，對于網絡運維有了更高的要求，傳統運維模式已然難以滿足當前網絡運維的需求。在此情況之下，網絡運維數據的數量也在不斷攀升，網絡故障點逐漸增多，為進一步提升網絡運維水平，需要著重提升運維的效率和質量，因此，需要對海量運維告警數據以及相關信息進行優化和處理。在實際進行運維數據優化的過程中，需要借助多種算法提高運維過程中故障智能化識別的能力，并實現對于海量數據的批量處理，進一步提高運維的效率。

2.2 故障原因定位

相較于傳統故障問題定位方式而言，智能化網絡運維能夠有效提高故障定位的效率，為后續故障的處理和解決留有一定時間，進一步提高故障修復效率。在網絡運維中實際應用人工智能時，需要將運維專家系統以及智能化學習算法進行充分融合，通過對采集到的網絡運維相關數據、經驗知識庫等進行分析和學習，并以特定途徑將運維數據進行定義，構建相應神經網絡模型，通過神經網絡模型對相應數據的異常檢測結果進行分析，實現根因識別，能夠對故障原因進行精準定位。

2.3 故障預測決策

相較于傳統后置運維方式而言，智能運維的主要特點在于能夠實現對于故障的預測和告警，不僅能夠通過對故障以及相應隱患的提前告警，進一步提高網絡運維的可靠性，而且還能夠借助其學習功能實現對于故障預測決策模型的構建，提升故障檢測系統的智能化水平。在實際構建相應模型的過程中，需要結合實際故障數據以及相應故障場景，構建相應預測模型，實現預測分析，以此進一步提升智能運維系統的預測能力，通過對故障可能發生的時間以及故障點的預測，使得在故障真正發生之前，系統就能夠進行告警，并采取有效的應對策略。

2.4 深度調優算法

想要讓智能運維的功能和作用得到充分發揮，就必須要借助大數據技術，而大數據技術的有效應用必須要充分考慮到相應服務器的運算能力。究其根本，人工智能在網絡運維中的應用需要進一步對算法進行深度調優，才能夠滿足智能運維的需求，縮短系統運行過程中數據運算的時間，解決延時問題。因此，在實際構建智能運維系統的過程中，需要結合實際場景，通過語法分析、信息檢索等相應功能，結合運維知識庫，對實際問題中的數據信息進行分析和識別，通過優化后的算法，達成提高數據分析和處理效率的目的。

2.5 系統工作流程

整個智能運維系統在實際運行的過程中，不僅需要進行故障診斷，還需要具備智能調度、業務規劃、模型構建以及任務管理等多方面的功能，整個系統工作流程如圖2所示。

圖2：系統工作流程

（1）需要結合實際網絡運行過程中的故障，收集海量數據信息，并結合神經網絡技術對收集到的實例以及相關數據信息進行分析，并針對不同類型的故障和問題構建不同神經網絡，進而輸出深度優化后的神經網絡模型。

（2）將專家系統與神經網絡進行有機結合，在此工作模式之下，實現系統的訓練和再學習。

（3）系統實際運行的過程中，在人接界面和調度規則庫的共同作用之下，實現智能化運維。

3 網絡運維中的常見故障

在網絡運維過程中常見的故障包括以下幾種類型：

（1）大量閃斷告警以及頻發告警。閃斷告警的周期相對較短，但是在實際運維過程中，若出現大量閃斷告警，極有可能掩蓋掉重要告警，不僅會提高運維難度，而且還會降低運維的可靠性。頻發告警通常與相關事件有著一定的關聯性，在實際運維的過程中，需要消耗大量的時間進行故障確定。

（2）同網元內故障。該故障類型主要指的是同網元當中的某一模塊發生告警，引起其他相關模塊告警，這種故障的排除不僅需要相關運維人員具備一定的故障識別和處理能力，而且還需要具備一定的全局思維能力。

（3）同專業網故障。此類故障主要是由于根因問題引發的大量相關告警，其中有很多屬于表象告警，要求運維人員能夠及時排除干擾告警，明確告警根因，并采取相應處理措施，才能夠有效解決故障問題。

（4）跨專業網故障。此類故障主要是多專業聯合作用下產生的故障問題，因此在實際進行運維的過程中，需要運維人員綜合考慮多個專業，通過綜合診斷，對不同專業進行逐一排查，進而實現對于故障的準確定位。

4 人工智能在網絡運維中的應用

4.1 預判告警

人工智能在網絡運維中的應用其主要功能之一就是對于故障的預判，準確的故障預判告警不僅能夠為相關運維人員提供充足的準備時間，而且還能夠進一步提高運維工作的可靠性和效率。整個預判告警功能設計包括以下三個流程：

（1）采集網絡特征數據，采集網絡正常運行情況下的特征數據資源，例如告警量以及錯幀率等，并結合相應業務屬性對這些數據信息進行標識。

（2）對采集到的數據進行甄別，排除冗余數據，識別問題樣本，為后續模型的建立奠定良好基礎。

（3）結合上述甄別之后的數據，構建分布密度模型，從中選取異常數據，通過對實際網絡運行過程中相關數據的監控，實現預判告警功能。

除此之外，通過對不同故障進行有效標識，進一步優化預判告警的智能化設計還能夠明確故障具體位置和原因，提升實際網絡運維的效率。

4.2 工單智能處理

工單分配是網絡運維過程中的必要流程，為進一步提高工單處理和分配的智能化水平，保障工單分配以及處理的效率，需要建立相應工單分配模型。在實際構建工單處理模型的過程中，要先明確工單與實際故障之間的對應關系，然后還要通過海量數據，對模型進行訓練，進而實現工單的自動識別和派發功能。首先，需要采集有效的工單數據，然后結合問題前后相關數據指標，明確指標差異、工單類型以及相應問題特征。其次，結合上述分析結果，對相關工單數據進行深度挖掘，并以此為依據建立工單模型，實現工單的智能處理功能。最后，通過循環迭代的方式，進一步對模型以及工單識別功能等進行優化，完善相應數據庫以及經驗庫等，不斷提升工單處理的智能化水平。

4.3 動態巡檢

動態巡檢是智能化網絡運維的必備功能，通過動態巡檢，不僅能夠進一步完善經驗庫、數據庫等信息資源，而且還有助于相關信息和數據的深度挖掘，進而實現相應模型的進一步優化，提高網絡運維的可靠性以及智能化水平。首先，全方位收集站點正常運行狀態下的相關數據信息，并結合實際情況對站點運行情況進行等級評價，建立相應評級標準。其次，借助神經網絡以及大數據技術，將歷史故障數據信息進行整合分類，并由此建立隱患特征數據庫和故障預測模型。最后，在動態巡檢的過程中對網絡系統中的相應數據進行監測，并按照故障預測模型進行隱患的挖掘，進一步確定隱患位置和發生的成因，充分發揮動態巡檢的作用。

4.4 其他智能化運維

（1）快速故障定位。在人工智能神經網絡技術的應用之下，能夠實現對于故障的精準定位，同時還能夠有效提高定位的效率。在實際操作過程中，可以借助神經網絡技術以及Adaboost 建立相應的分類器，實現對于故障模型的泛化，然后還可以借助業務類型、數據信息、故障特征等建立故障定位模型，實現對于故障的定位、診斷以及處理，能夠有效節約故障診斷時間。

（2）預測業務發展情況。相比于人工預測在線用戶數量、并行率等相應指標，人工智能無論是在數據采集還是數據分析方面都有著極大的優勢，因此在對相關數據進行實時預測時，智能運維系統能夠發揮更大的作用。在神經網絡技術，以及LSTM 等相關算法的幫助之下，能夠綜合考慮到歷史同期數據、時間以及節假日等相關影響因素，通過數據的深入挖掘和分析，進一步提升了業務發展預測的準確性。

（3）不良信息的識別和攔截。在網絡運維管理過程中，垃圾信息和騷擾電話都是難以處理的問題，傳統的信息識別和攔截需要由運維人員進行人工識別和判斷，需要消耗大量的人力和時間成本，處理效率相對較低。目前，可以通過人工智能實現對于數據的分析和處理，借助信息特征、號碼的呼叫頻次等建立相應信息和號碼的識別模型，再由海量數據進行訓練，進一步提高模型的準確性，實現對于不良信息的攔截。

5 結束語

綜上所述，在5G 的背景之下，人們對于網絡有了更高的要求，人工智能相關技術在網絡運維中的應用能夠進一步提升通信網絡的可靠性，不僅能夠進行預判告警、智能分析和分配工單，還能夠對通信網絡進行動態巡檢，實現智能化網絡運維。相信隨著對人工智能的深入研究和應用，我國網絡運維水平將會得到進一步提升。