4G/5G無線網絡智能運維應用探析

宋孫釋然

摘要：文章從事前預防、事中處理以及事后檢查三方面闡述無線網絡智能運維應用實踐思路，并提出以多AI模型為核心的4G/5G無線網絡智能運維系統設計方案，發揮多模型組合應用優勢，滿足無線網絡智能化運維需求，旨在解決故障定位不準確、故障排查效率低以及投入成本過高等問題，助推未來網絡運維高效化、自動化以及智能化發展。

關鍵詞：4G/5G無線網絡；智能運維；系統設計

doi：10.3969/J.ISSN.1672-7274.2024.03.042

中圖分類號：TN 929.5? ? ? ? ? 文獻標志碼：B? ? ? ? ? ?文章編碼：1672-7274（2024）03-0-03

1? ?無線網絡智能運維應用實踐思路

1.1 無線網絡智能運維的重要性

現階段，4G與5G網絡正處于交替并存的狀態，推動著全新網絡形態發展，同時對網絡運維工作提出更高要求。人工與半自動相結合的網絡監管運維模式在網絡運維工作實施不能滿足高效率網絡運維需求，并且存在網絡監管手段單一、難以有效規避多種隱患問題發生以及故障定界定位難度大等情況，實現無線網絡智能化運維逐漸成為當前最為緊要的任務[1]。

5G時代的到來以及相關部署深入推進，為處于探索階段的無線網絡智能運維提供了良好條件，對移動網絡智能運維應用和推廣也起到了一定促進作用；基于無線網絡智能運維應用，構建覆蓋范圍廣、響應速度快的無線網絡智能運維體系，解決無線網絡運維中基站退服率高、隱患問題發現不及時以及故障根因定位不準確等問題。

1.2 實踐思路

本文圍繞AI深度學習算法，以實現4G/5G無線網絡智能運維為切入點，利用基站退服告警、動環等數據信息，搭建多AI模型，如異常檢測模型、故障根因定位模型等，實現在多AI模型融合運用基礎上強化4G/5G無線網絡智能運維成效，構建全流程無線網絡智能化運維路徑，全方位預防無線網絡潛在風險，增強4G/5G無線網絡運行穩定性。通過融合AI技術，將智能診斷、智能預測方案深入應用到無線網絡運維流程中，通過智能故障診斷，快速提升排障效率；利用智能故障預測功能，主動發現網絡隱患并提前排障。加強無線智能運維應用，助力區域移動網絡運維智能化能力提升，實現網絡數字化、智能化轉型升級，向“零故障”的無線網絡邁進。

2? ?以多AI模型為核心的4G/5G無線網絡智能運維系統設計

2.1 系統架構

由數據采集、算法模型、關鍵功能以及應用層構成的以多AI模型為核心的4G/5G無線網絡智能運維系統架構如圖1所示。

（1）數據采集：負責采集與預處理AI模型訓練以及模型應用所需各類數據，同時將無效數據進行剔除處理并將該部分缺失數據進行補充。其中，跨專業全量告警與全量工單、基站KPI數據等均是該系統數據采集層所包含的主要數據，并以移動網為載體，與集中故障系統、電子運維系統等進行數據對接，以保證數據采集全面性。

（2）算法模型：作為以多AI模型為核心的4G/5G無線網絡智能化運維過程中的關鍵要素，可以通過算法模型為相關人員高效開展運維工作提供配套服務，例如，利用智能運維AI庫幫助運維人員分析4G/5G無線網絡運行異常問題，并提供相應的解決建議，提高無線網絡運維精確性。在多模型融合支持下，彌補AI模型所存在的不足，如有針對性制定隱患排除提供參考依據[2]。

（3）核心功能：充分利用算法模型，結合4G/5G無線網絡運維智能化要求，設計以多AI模型為核心的無線網絡運維系統應用層，該應用層是實現基站退服預警、告警信息發布以及定位故障根因等功能的關鍵，實現4G/5G無線網絡運維各階段有效融合AI智能化技術，推動4G/5G無線網絡智能運維水平進一步提高。

（4）應用層：負責為智能運維系統各項功能實現可視化操作提供支持，運維人員可通過智能運維系統執行高退服風險基站預警概覽、異?；綯OP清單查詢、智能運維應用效果評估展示等操作，增強4G/5G無線網絡運維工作開展便捷性、高效性。

2.2 系統功能設計

2.2.1 基站退服預警

在運用基站退服預測模型基礎上，分析基站退服前較常出現的隱患類型，選擇合適的算法學習隱患出現規律，既能精準預測基站退服情況，又能滿足未來一段時間內基站退服概率提前預測需求，及時掌握存在高退服風險隱患的基站，并及時發布該項預警信息，以便運維人員能夠在第一時間準確地開展基站高退服風險排查工作。

優化基站退服預警模塊中各項功能設計，如數據采集、基站退服預警信息發布等，目的是將上述各項功能與無線網絡運維系統進行聯動，再通過基站退服預測模型獲取未來退服問題可能出現的概率結果，在該過程中可利用該模型分析基站運行狀態下的告警數據，獲取基站未來退服風險概率，有針對性地提出相應措施，以有效預防基站退服。首先，在具體操作過程中，將高風險闕值提前預設，將未來時間段存在較高退服風險的基站點進行輸出[3]。其次，借助基站退服預測模型，完成告警上下文信息編碼處理，選擇合適的模型算法精準劃分基站退服預測。采用詞向量告警分析法，可以在分析過程中充分利用大量非退服告警退服基站的特征，彌補傳統分析方式所存在的基站退服告警數據缺失等不足。針對分類算法選擇，要綜合考慮大規模數據處理需求，確保所選擇的分類算法能夠在滿足基站退服預測要求基礎上，保證數據處理效率和準確性。最后，將基站退服預測模塊與無線網絡運維系統對接，通過該系統的接口完成基站退服預警信息穩定發布，充分利用二者之間的高效互動性，做到提前預防故障隱患，并向集中代維護系統及對應App及時反饋模型輸出結果，從根本上保證基站退服風險預警信息能被一線運維人員快速接收。

2.2.2 基站智能巡檢

（1）因自編碼器具有無監督學習特點，對樣本標簽不具備依賴性，能夠在運維過程中更好地處理異常數據樣本數量較少問題?；诖?，在進行基站異常檢測時選用深度自編碼器模型，充分利用該模型較強的異常檢測性能，以滿足故障檢測、數據異常檢測等相關工作精準化開展需求，凸顯無線網絡智能化運維優勢。

（2）基于多AI模型運用，實施4G/5G無線網絡智能化運維，發揮該模型優勢，獲取相關數據，如告警級別、多天異常檢測連續性等數據信息，為基站原始異常度校正提供參考依據。在明確基站是否屬于重點運維業務范圍內的基礎上，再依據基站巡檢優先級，重新配置巡檢優先級權重，目的是解決傳統無線網絡運維模式中所存在的巡檢計劃制定不合理等問題。同時可將基站異常度、潛在問題對應解決舉措等信息在最終輸出巡檢清單中顯示[4]。運維人員即可對照智能巡檢回單信息，對重要異常項是否消除、異常清單中多周連續出現的問題解決情況進行監測，并及時向運維部門反饋，高效開展網絡運維工作，達到隱患問題專項整治目的。

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絡運維流程中引入，可以幫助運維人員更加精準地定位基站故障根因，實現基站故障原因智能化分析；通過定位基站故障根因，為優化故障派單策略提供參考依據，又能保證故障工單分類具有較強的時效性，充分體現無線網絡運維智能化水平。同時細分故障原因，為其制定針對性故障處置措施?？茖W指導現場運維人員高效開展故障排查工作。

為了實現基站故障根因智能化定位功能，需要明確與該項功能相關的各項要素，如模型部署、算法選擇以及模型標注樣本等，再結合與基站運維相關信息、動環告警以及工單等數據信息，構建故障根因定位模型，以運維專家的根因標注為依據，再根據所掌握的大數據根因定界規則完成最終結果輸出?？紤]實際需求，選擇合適的算法開展模型訓練，基站故障大類原因的分類結果、基站故障細分原因的分類結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備、傳輸設備故障、傳輸連接件問題等方面內容。一線運維可以結合故障根因定位輸出中所顯示的細分原因，按照既定流程開展故障處理工作，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無線網絡運行穩定性。

此外，該功能模塊與集中故障系統對接，能夠滿足智能化分類故障清單的需求，解決多次派單等問題；同時與無線網絡代理運維系統聯動，精準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 綜合評估智能運維應用效果

從模型準確率、相關業務指標等方面綜合評估4G/5G無線網絡智能運維應用效果，如實反映以多AI模型為核心的4G/5G無線網絡智能運維系統實際應用情況。評估流程具體涉及以下內容。

（1）評估模型準確率。主要對基站退服預測準確率、基站異常檢測符合率以及故障根因定界與定位準確率進行評估。例如，針對模型準確率評估，需要將評估階段實際退服數量與預測退服數量的比值、異?；狙矙z清單中基站異常項和巡檢回單相符的基站數與規定數的比值、定界原因與故障工單回執大類原因一致的數量與總故障工單數的比值作為評估指標，以保證模型準確率評估結果的準確性。

（2）評估業務指標。獲取并掌握與各項業務相關的數據信息，將其作為無線網絡智能運維業務的評估指標，如故障工單量、告警量等基本要素初步評估相關業務指標，同時結合實際應用情況，對現有業務評估指標進行調整，確保業務評估指標定義的全面性、準確性[5]。例如，在將告警量、故障工單量等相關數據作為業務評估指標使用時，可以通過智能巡檢基站對上述數據進行統一整合，對比分析巡檢前后告警量、故障工單量變化，若該部分指標下降情況明顯，則說明當前無線網絡具有較好的運行穩定性?；蛘咴趯υu估高頻故障工單處理耗時進行評估時，對照智能化模塊引入后的統計數據，確定每月高頻工單處理總耗時縮減情況以及縮減幅度。通常情況下，若想達到理想化高頻工單處理時長，可在無線網絡運維流程中合理引入退服預警及智能巡檢流程，實現對故障工單量有效控制，發揮根因定位功能作用，減少故障處理時間，進而達到大幅度降低高頻故障工單總耗時目的。

3? ?結束語

從以往網絡監控與管理工作開展情況來看，由于此方面所運用的技術手段相對單一，導致故障定位不準確，降低了網絡運維工作效率，使潛在隱患無法及時發現與處置，影響網絡運行穩定性。因此，本文提出以多種AI深度學習算法為依托的網絡智能運維模式，解決傳統人工與半自動相結合的網絡監控及管理方式所存在的問題，進一步提高4G/5G無線網絡智能運維水平。

參考文獻

[1] 馬敏，劉武韜，吳曉曦．4G/5G無線網絡智能運維研究與應用[J]．電信工程技術與標準化，2022（8）：44-50.

[2] 李?。畱糜?G/5G小基站的無線網絡智能AI技術[J]．長江信息通信，2023（3）：215-217.

[3] 馬福榮．5G無線網絡的智能干擾管理技術分析[J]．通訊世界，2023（1）：136-138.

[4] 方東旭，周徐，薛曉宇．4G/5G極簡網絡智能運維體系研究和應用[J]．電信工程技術與標準化，2023（4）：30-34.

[5] 孫泉．5G無線網絡可視化運維實踐探究[J]．江蘇通信，2023（4）：28-30，34.