电信网络人工智能应用 白皮书 （ 2018年） 中国人工智能产业发展联盟 2018年 9月AIIA 电信网络人工智能应用白皮书 2018 年 引 言 1956 年， 在达特茅斯学院举行的一次会议上 ， 人工智能 这个 研究领域 被正式 确立 ， 距今 60 多年里， 人工 智能 先后 经历了 上世纪 六十年代 和 八十年代两次 繁荣。进入 21 世纪后 ， 借助 互联网、云计算 等信息基础设施的 广泛 应用以及 CPU/GPU 等 计算 硬件能力的 大幅 提升 ，深度 学习算法 带动了本轮人工智能 大 发展， 并给出了 亮眼 的成绩 。 例如 在 围棋 方面， AlphaGo 力 胜世界冠军； 语音 识别方面， 目前所有的商用语音识别算法都基于深度学习 算法 ， 并带动了一大批智能音箱、智能手机语音应用的繁荣 ； 在图像分类领域，目前针对 某些具体 任务的图像 算法分类正确率 可以 达到或 超过人的水平 ， 但 软件 系统处理速度和效率 可以 远超人类 。 除此 之外， 深度学习在人脸识别、通用物体检测、图像语义分割、自然语言理解等领域 的 应用 也取得了突破性的进展 并 不乏成功商用的案例 。 人工 智能 被 认为第四次工业革命的主要使能技术和通用技术之一 ，获得 了 各个 行业的极大关注。 目前，从 企业 数量 来看， 人工 智能渗透 较多 的垂直 行业主要 包括 医疗 健康、 金融、 商业、 教育 和安防 等。 电信 网络作为信息通信的基础设施， 具有 应用人工智能技术的巨大空间和潜力。 如何 利用人工智能 算法 提供的 强大 分析、判断、 预测等 能力 ， 赋能 网元、网络和业务系统， 并将其与 电信网络的设计、建设、维护、 运行 和优化等工作 内容 结合起来， 成为 电信 业 关注的重要课题。 AIIA 电信网络人工智能应用白皮书 2018 年 目前， 学术界和工业界 相继 对 人工 智能 在电信网络的更 深入的 应用 方案 进行 研究，推动 人工 智能 与电信网络 技术 的深度结合 。 国内外电信运营 商 也 已 纷纷开始 对 人工智能 技术的 应用探索，并在 部分 领域取得了良好的效果 。 本 白皮书 试图 从 人工智能技术与电信网络 结合 的角度，展示人工智能在电信网络 应用的 研究现状， 发掘 人工智能在电信网络的应用场景 ， 对处于萌芽 期 的 电信 网络人工智能应用领域 进行 梳理。 AIIA 电信网络人工智能应用白皮书 2018 年 目 录 1. 电信网络发展面临的挑战与机遇 1 2. 人工智能在电信网络应用概述 3 2.1. 电信网络应用人 工智能技术的优势 . 3 2.2. 人工智能在电信网络应用范围 . 4 2.3. 人工智能技术的应用方式 . 5 2.3.1. 离线应用 6 2.3.2. 在线应用 7 2.4. 目前标准化进展 . 8 2.4.1. ETSI 8 2.4.2. ITU-T. 9 2.4.3. 3GPP 9 2.4.4. CCSA. 11 2.5. 电信网络的智能化分级 12 3. 人工智能在网络运维支撑中的应用 . 13 3.1. 概述 13 3.2. 应用示例 14 3.2.1. 故障处理辅助 . 14 3.2.2. 日常维护 . 15 3.2.3. 智能规划 . 15 3.2.4. 智能预测 . 16 3.2.5. 智能优化 . 17 3.2.6. 智能客服 . 18 4. 人工智能在 网络 业务拓展中的应用 . 19 4.1. 概述 19 4.2. 应用示例 20 4.2.1. 业务应用 . 20 4.2.2. 行业应用 . 21 5. 人工智能在网络通信和管控技术中的应用 . 22 5.1. 概述 22 5.2. 应用示例 23 6. 总结 . 24 缩略语 . 26 鸣谢 . 28 AIIA 电信网络人工智能应用白皮书 2018 年 1 1. 电信网络发展 面临的 挑战 与 机遇 随着网络规模的扩大和业务种类的发展，电信网络自身也不断面临新的挑战和问题，从而驱动网络自身不断进行技术演进和革新 从 IP 化到云化、软件化等 以期获得更加灵活和高效提供服务的能力。 物联网 、软件定义 /虚拟化和 5G 是 当前 电信网络 发展 的 重要路标 ，每一项技术的实现都 将 对目前网络架构和技术 带来 重大改变， 同时对 网络的 设计 、 运行 和 维护都将 产生巨大的挑战 ， 包括 网络 设备和流量不断增长 物联网 中 M2M 联网设备数量和数据 将 迅速增长， 视频 /VR/AR 等 大流量 业务不断 涌现， 大数据和大 连接 成为网络面临主要问题 ； 软件化 /云 化 带来 运维 复杂性 增加 基于 SDN/NFV/Cloud 的网络架构重构 给网络 提供 了 强大 的 灵活性的同时 带来 新的多维度 管控 复杂性 。 例如 虚拟网元与物理网元的互动 、 虚拟网元的生命周期管理、 产生 大量新的 逻辑 接口 以及更加 难以定位故障，这需要一整套开发运营维护 协同 的新模式 ， 在很大程度上抵消了其带来的诸多好处 ； 5G 网络 技术 日益 多样 和灵活 5G 网络 支持 eMBB（增强型移动宽带） , uRLLC（超高可靠低时延通信）， mMTC（海量机器类通信） 三大 业务 形态。 性能方面，引入大规模天线阵列、灵活空口、非正交多用户接入等技术；灵活性方面，架构上AIIA 电信网络人工智能应用白皮书 2018 年 2 实现各种解耦，如软硬解耦、控制转发解耦、控制面功能分解、 RAN 的 CU 和 DU 分离等，从而使得网络功能更容易部署在云计算平台，实现灵活的网络编排和自动化部署，提高资源利用率，并为千行万业提供网络切片服务。 5G 网络 在性能和灵活性上带来质的飞跃同时，网络的复杂性在显著增加 ，网络 运维 面临 更大 挑战 ； 面对 上述的挑战， 人工 智能 技术在 本轮 的 蓬勃 发展 为 电信网络带来了新的机遇 。对数据 和信息的掌控能力是运营商 数字化 转型的重要能力，人工 智能 以强大 的 数据 分析和 信息 提取能力 ，帮助 从 运营商 从数据红利 转化 为信息红利 。 行业寄希望于通过引入人工智能技术， 对内 帮助解决通信网络当前遇到的种种效率和能力问题 ,对外 能够灵活智能 的 提供融合的数字和信息服务， 使 通信网络 具备 “ 智慧 的大脑 ” ，最终 实现网络 的 智能化 。 例如 针对效率提升和成本控制问题通过引入人工智能等自动化技术，促进网络的自我维护、自动优化、智慧运营能力和运维效率提升；使得网络自主灵活调整以适配不同场景、不同行业应用、不同用户的个性化需求更具可实施性； 针对海量网络数据价值 挖掘和安全保障问题通过人工智能技术辅助进行数据采集解析等分析操作，进一步提升大数据分析能力，并及时发现安全风险，增强安全保障措施； 针对网络开放能力不足问题将人工智能技术和虚拟化技术相结合，提升网络基础资源的管理能力和效率，缩短新技术应用实施AIIA 电信网络人工智能应用白皮书 2018 年 3 周期，加速迭代；通过能力开放接口，基于网络大数据的智能分析结果对外提供行业应用能力支持，或开放网络传输、计算资源，提升网络资源利用率。 2. 人工 智能 在 电信 网络 应用概述 2.1. 电信 网络应用人工智能技术的优势 电信 网络 是 信息流通最重要的基础设施， 其 规模庞大 ，结构复杂，网元众多 ， 是 信息化 社会的最直接 的 参与者和 支撑 者 。 在 电信网络应用人工智能技术拥有三大 天然 优势 数据 量 优势 电信 网络 中的各种网元 、 终端和业务系统 每时每刻 都在产生大量的数据 ， 例如 网元 状态、链路流量、告警 事件、 信号质量 、 业务日志等， 这些 数据中蕴含着大量有价值的结构和信息 ， 可以使用人工智能相关算法进行 分析 、提取 转化为帮助 网络优化运营的信息。 算力优势 以 深度 学习为代表的 人工 智能算法在训练过程中需要强大的计算能力支撑 。 基础 电信运营商 自身 拥有大量的数据中心 硬件 设施 以及 云计算 软件 设施， 特别 在目前 “ 云网融合 ” 的 网络演进趋势下，不论是中心 DC 还是边缘 DC，在计算 能力的 广度 和深度上都将进一步的增强， 有 利于 建成 为支撑人工智能算法的 大规模 AI 计算 加速设施。 场景优势 电信 网络 中 拥有丰富的人工智能应用 场景 ，主要AIIA 电信网络人工智能应用白皮书 2018 年 4 分为内部应用和外部应用两类。 首先 ，电信 网 自身就是一个规模庞大 、 分布广泛、数据繁多并不断变化的 复杂 信息系统 。从 通信 技术、网络技术 的 研发到 实际 网络的规划建设、运行维护等 存在 大量的潜在场景可以通过人工智能 技术 进行 性能 或效率上的提升。 其次 ，电信网络服务于社会生活的 方方面面 ， 支撑 大量的 垂直 行业的信息化和智能化需求，在智慧城市、安防、交通、医疗、教育 、 工业、农业等具有智能化需求的场景下，均可借助电信网络提供的 信息化 服务 促进 其人工 智能应用。 2.2. 人工智能 在电信网络 应用范围 从 网络层级来说， 人工 智能技术可以应用于链路网元层、网络管理控制层、业务运营编排层以及更上层的业务系统。 在 每一 层级 中，人工智能技术都 可以 利用其独特的数据回归、分类、推断、优化 技术为网络服务。 从流程 上来说 ， 人工智能技术可以应用于网络的规划、设计 、运维 、优化以及客户服务等不同的环节。 从 网络 的范围来讲，人工智能技术即可用于局部的 链路 通信性能优化 增强 ， 也可用于网元 /小区级别 的 资源 分配 ，到 子网 和网络级别的管理控制和协同。 AIIA 电信网络人工智能应用白皮书 2018 年 5 图 1 人工 智能在电信网络的应用范围 对不同层级而言，越上层、越集中化，跨领域分析能力越强，通常对计算能力要求也越高，需要的数据量也越丰富，更适合对全局性的策略和定义集中进行训练及推理，这类场景对实时性要求一般敏感度较低；越下层、越接近端侧的，专项分析能力越强，这类场景通常对实时性 和 资源消耗的限制 有较高要求，但计算能力要求满足业务需求即可，一般适合引入 人工智能 的推理能力，或具备实时性能力的轻量级的训练能力。 2.3. 人工 智能技 术的 应用方式 人工智能 技术的 应用可以分为 三个 通用 的步骤数据的输入、 智能 算法 处理、数据的输出。 根据数据 与网络 结合 的紧密程度 ， 可以 分为 离线应用和在线应用智能规划智能设计资源调度流量优化智能切片故障定位自适应MI MO智能监控智能家居智能交通智能手机智能物流链路网元设施网络管理 控制智能应用服务业务预测质量评估智能编排用户画像移动性管理业务运营编排智能维护智能网优智能客服T C P 拥塞控制智能部署智能唤醒时 频资源射频指纹AIIA 电信网络人工智能应用白皮书 2018 年 6 两类 。 2.3.1. 离线 应用 离线 应用主要用于辅助 电信 网络 规划 /维护人员解决问题，提升工作 效率 ，但 不需要 人工 智能系统与 电信 网络 进行 直接的 连接 。 通过人工导入 网络 运行过程中采集的数据进行训练和推断，获得 的 结果辅助人员进行 分析 和决策。 离线 应用采用的数据是静态或批处理方式，产生 的结果可由工作人员进行甄别 或 修正。 离线应用 主要用于解决 现有网络 中产生的 大量数据的挖掘 、 分析以及优化 的 工作 。 例如 1） 由 人工 解决 费时费力 的 工作 a 无线 基站的站址规划 b 海量告警 过滤和压缩 2） 依赖于 人员大量的 知识 经验积累 的 工作 a 通过 告警信息进行故障定位 b 一线 客服 准确 回答 用户 问题 c 调整天线 进行覆盖的优化 3） 对 数据进行挖掘，发现 数据 中 隐藏的问题或 价值 a 通过 巡检数据 判断 基站等设备 的 健康度 ， 提出维护建议 b 预测 由于 老化原因 可能发生故障的 器件 ，提前 备件 c 通过 用户投诉 语义 发现网络中 的 潜在问题 AIIA 电信网络人工智能应用白皮书 2018 年 7 4） 经典 算法 不好 解决 的 工作 a 无线资源 、参数的优化配置 b 网络路径 的规划 和 优化 在 离线应用中，数据的 收集 、计算和结果应用 这 几个步骤是松耦合的 ，几乎 不 要求 当前 网络 技术 、运维方式等 做出适配和 改变即可应用 。 因此， 离线应用的优点是 一旦 验证有效，可以快速 服务 于现有网络，成熟一项，使用一项，受网络 技术 架构的 部署和演进的 影响 很小 。也 正是 这些特点决定了离线应用 的 主要形式是一个一个独立的智能化工具 ， 主要用于网络的规划、设计、维护 等 方面 ， 用于提升 现有 网络 的 运营 效率和质量 。 2.3.2. 在线 应用 在线 应用 指 智能化功能成为网络日常运行 的某个 过程 中 的必要环节 ， 该 过程 不能脱离智能化功能而存在。 该过程 可以存在于网络的各个层面，例如从 最底层 的 光 /电 信号处理过程， 到 网络的自动配置和 自 优化， 到 顶 层的业务编排 调度 ， 背后都需要 基于 人工智能的技术进行支撑。 网络的 智能化并不是一个新的概念， 例如固定 网络中的 “ 智能 管道 ” 希望 通过对 网络状态 的感知， 资源的灵活 指配和网络的 动态 协同完成 用户 的 灵活 差异化服务 ， 而 移动网络中的 “ 自组织 网络 （ SON） ”概念在 网络中引入自组织能力 包括自配置、自优化和自治愈等功能 。在越来越复杂的 无线 网络中，通过对大量关键性能指标（ KPIs）和网AIIA 电信网络人工智能应用白皮书 2018 年 8 络配置参数以及功能实体的智能管理，一方面可以降低网络运营商的网络运行开销，另一方面可以提高网络性能 。 人工 智能技术 特别是 深度学习的发展为网络智能化提供了更 加强大 的 技术 手段。 相比 传统机器学习算法 ，深度学习 不依赖于 高度 技巧性的特征提取 技术 ， 可以 通过 通用 的学习过程 建立 模型， 大大 扩展了机器 学习在电信 网络 智能 化处理中的应用范围。 人工智能融入电信网络体系是一个长期和渐进的过程 。 在这个过程中，网络的智能化程度 将 从 低 到高 ，最终 的理想是达 到网络 运行过程的高度自治 。 绝大 多数 电信 网络的人工智能 在线 应用 目前 主要还处在 学术 研究 和 探索 阶段 ， 效果 还有待检验 。 但是 智能化 是网络发展的终极目标之一， 在 网络 能力 提升 方面 有 巨大的潜力，对网络 技术 的发展具有 深远的影响 。 2.4. 目前 标准化 进 展 2.4.1. ETSI 在 2017 年 2 月成立 ISG-ENI（ Experiential Networked Intelligence），使用人工智能提升运营商体验。目标是定义一个基于 “ 感知 -适应 -决策 -执行 ” 控制模型的认知网络管理架构；通过人工智能技术提高运营商在网络部署和操作方面的体验；根据用户需求、环境条件和业务目标变化，使用 AI 技术和上下文感知策略调整网络服务。核心理念是网络感知分析 , 数据驱动决策 , 基于 AI 的闭环控制。 AIIA 电信网络人工智能应用白皮书 2018 年 9 2018年 1月 ， 在 ETSI总部召开了 “ISG -ZSM（ Zero touch Network Service Management） ” 成立 会议，已有 40 多个单位或组织加入该 项目 。目标是让所有操作过程和任务 例如交付、部署、配置、维护和优化 自动执行。最初将专注于 5G 端到端网络和服务管理 例如网络切片管理 ，后续将扩展到对未来网络的管理。 2.4.2. ITU-T 在 2017年 11月的 SG13全 会上成立了 “Focus Group on Machine Learning for Future Networks including 5G FG-ML5G 面向未来网络 及 5G 的机器学习焦 点组 ” 。目标是找出相关的标准化差距，以提高面向 5G 的机器学习的互操作性、可靠性和可模块化能力，制定用于未来网络的机器学习研究报告和标准，包括接口、架构、协议、算法和数据格式，分析用于未来网络的机器学习的适应性的影响（例如，网络自主控制和管理）。下设 3 个工作组 - WG1 用例、服 务和需求； - WG2 数据格式和机器学习技术； - WG3机器学习感知网络架构。 2.4.3. 3GPP 在 2017 年 5 月的 SA WG2 121 会上通过了 “Study of enablers for Network Automation for 5G SI” 的立项建议。目标是研究暴露于 NWDA（ NetWork Data Analytics ）的必要数据和 NWDA 输出的必AIIA 电信网络人工智能应用白皮书 2018 年 10 要数据以支持 - UE 级的定制化移动性管理，例如寻呼增强和移动性模板； - 5G QoS 增强，例如 5G QoS 目标实现验证和非标准化 5QI 的QoS 画像； - 动态业务转向和拆分， 用户平面 功能 选择，基于 UE 业务使用行为的 UE 业务路由策略； - 基于业务分类的资源管理，例 如第三方服务提供商和 TV 内容提供商的背景数据传输 等 。 在 2018 年 6 月的 RAN 80 全会上通过了 “RAN -centric Data Collection and Utilization SI” 立项建议。目标是研究面向网络自动化与智能化的无线大数据采集与应用，包括 - 研究无线大数据的应用用例和收益。例如 SON、 MDT、 uRLLC 增强、 LTE-V2x 等； - 确定数据采集与应用所定义的用例和场景对标准的影响；确定采集和应用所需的测量量。研究对 UE 测量、基 站 L1/L2 测量的配置和采集过程，用于分布式及集中式分析的信令过程，确定对相关网络实体的潜在标准影响，以及 MDT 解决方案；研究不同用例所需的过程和信息交互，如 SON、 RRM 增强、边缘计算，以及 uRLLC、 LTE-V2X 等；如有必要，研究引入逻辑实体 /功能以实现 RAN 数据采集和应用的好处和可行性。 AIIA 电信网络人工智能应用白皮书 2018 年 11 2.4.4. CCSA 在 2017 年 7 月的 TC1-WG1 58 会上讨论通过了 “ 人工智能在电信网络演进中的应用研究 ” 课题立项建议。研究内容包括机器学习/深度学习方法和主要技术、主流框架； AI 方法在电信网络维护、告警信息处理等方 面的适用度和应用方式，如故障分析和定位、故障分析与预测； AI 方法在网络优化方面的适用度和应用方式； AI 方法在SDN/NFV 网络自管控、自适应、决策控制方面的适用度和应用方式，如网络智能优化、配置。 在 2017 年 12 月的 TC5-WG6 47 会上启动了 “ 人工智能和大数据在无线通信网络中的应用研究 ” 的课题。研究内容包括未来无线通信产业趋势和相应的人工智能和大数据技术发展；基于人工智能和大数据的无线信道建模方法 ；人工智能和大数据在无线信号检测和估计中的应用；人工智能和大数据在无线网络架构和资源管理中的应用；人 工智能和大数据在无线网络规划优化和运维的应用；人工智能和大数据在数据业务推送的应用；基于人工智能和大数据的无线通信标准化工作需求分析。 在 2017 年 12 月的 TC5-WG12 2 会上讨论通过了 “ 智能化 5G 核心网络切片技术研究 ” 的课题立项。主要研究智能化 5G 核心网切片，包括 5G 网络切片与人工智能的联系；智能化切片业务及编排、管理与维护的场景与需求；智能化切片业务及其管理系统对智能化平台的需求；对已有系统的影响；后续标准化建议。 在 2017 年 12 月 TC6-WG1 67 次 会上 讨论通过了 “ 人工智能在AIIA 电信网络人工智能应用白皮书 2018 年 12 传送网领域的 应用研究 ” 课题立项 。 主要 研究 人工智能在光传送网络中的应用 ， 包括 深度业务感知业务自动化部署 、 资源智能管和分配 、分层解耦的网络故障分析定位和预测 、 路径规划优化及流量调度 、 智能化能耗控制 以及 基于攻击和流量感知的网络安全 、 人工智能技术在传送网应用 等 需要解决的关键问题 。 2.5. 电信 网络的 智能化 分级 目前 ， 人工智能技术 在电信网络中 可能在很多单点上形成了突破和优势，但缺乏一个清晰的商业模式和行业里面的统一的语言。单点的技术突破很难形成具有颠覆意义的整体解决方案 。而且网络 的智能化之路是一个长期的过程，通过对电信网络智能化程度进行分级， 有助于 为行业提供衡量 通信网络（及其组成部分）智能化能力等级的评价依据，促进全行业形成对智能化网络等相关概念 的统一认识和理解 。 参考 国际机动车工程师协会（ SAE） 2014 年提出 的 对 自动驾驶 能力 分为 0（ 人工驾驶） 到 5（完全 自动驾驶）的 分级方案 ，业内 通过AIIA 和 CCSA 均建立 了研究项目 开展 对 “ 移动网络 的智能化 能力分级 ”的 研究。 通过 该研究， 认为 可以将网络智能化等级分为 0 到 4 的五个等级，其中 0 为最低级，不具备人工智能相关能力 ， 4 级为 网络通过智能化技术达到高度自治 ， 实现 自动的 数据采集、 实时 的状态感知、意图 映射和 自主 的 决策 和执行。 AIIA 电信网络人工智能应用白皮书 2018 年 13 图 2 网络 智能化能力分级 示意 3. 人工智能 在 网络 运维支撑 中的应用 3.1. 概述 在电信领域，随着 SDN/NFV 架构 逐步深入、网络云化重构转型的加快以及更多新制式和技术的演进， 电信系统的规模和复杂度与日俱增， 对 电信运营商在网络运营方面 将产生巨大 的 压力和挑战， 运维挑战成为 网络云 化 部署实施的重要障碍 ， 以 传统 人工方式为主的模式已不足以支撑未来网络对高效运营的需求 ， 尤其是在如何有效降低运营成本、提升网络运维效率及便捷性、提升业务和资源编排精准性等方面 。 图 3 运营维护面临 的困难 移动通信网络现已发展到第五代移动通信技术（ 5G），网络的传输速率、传输时延、连接规模等关键性能指标在不断提升，应用场景L0 L1 L2 L3 L4无智能辅助人工操作初级智能辅助智能工具辅助未形成智能化闭环高级智能辅助静态策略形成智能化闭环网络部分自治策略在线迭代动态智能化闭环网络高度自治实现操作无人化意图驱动 处理速度慢 人才专业能力要求高 值守成本高 有纰漏风险 多厂家异构 网络规模庞大复杂 网络多制式 共存 网络功能复杂多样运维效率低 运营复杂性高 业务类型更加 变化 流量快速增长 缺乏快速反应能力 缺乏按需快速分流SL A 保障困难AIIA 电信网络人工智能应用白皮书 2018 年 14 也越来越丰富，性能和灵活性均发生根本性改变。但 5G 在性能和灵活性上带来质的飞跃同时，网络的复杂性 在显著 增加，灵活性要求也越来越高，为 5G 网络的运营和 维护 带来前所未有的挑战，传统运维模式存在的问题更加 凸显 。 3.2. 应用 示例 3.2.1. 辅助 故障 处理 1） 告警 过滤 当多层 网络设备发生 故障时 ，底层告警 往往 会引发高层连锁告警，本端 告警引发 远 端告警 等 ，在短时间内产生大量的各种 相互 关联的告警，为分析故障原因，需要首先排除掉次要的 和 继发的 告警 信息 。 通过 人工智能算法对 关联 告警 关系 进行挖掘， 可以 自动 过滤 掉次要和继发告警，大大减少告警数量，便于后续故障分析排查。 2） 故障 溯源 网络中的故障通常表现出多样性，单个故障告警很多时候已经不能 反 映 出准确的故障信息 。通过 人工智能 系统 根据系统中网络及业务上下游关系，并综合 告警 、 日志 、工单 、 KPI 等 多维度历史数据分析，挖掘出依靠人工经验很难总结归纳的潜在特征和规则，输出故障事件和特征的匹配规则库 ， 在多样性告警中提取共性特征、快速导向共性的故障 。 AIIA 电信网络人工智能应用白皮书 2018 年 15 3.2.2. 日常 维护 1） 站点 健康评估 从 性能、业务、 告警 等多个维度 采集 站点 的 监控数据， 通过 人工智能算法 对 所有基站数据进行 聚类 ， 通过 异常类 检测 发现 异常 站点 ，结合 环境、历史工单和站点重要性等因素可以 列为 高危站点加强人工巡检和排查。 2） 故障预测 线上通过对网络健康度和关联指标的实时监测，利用训练出的特征规则进行匹配推理，分析健康趋势走向，对网络健康指标趋势进行及时预测。并通过判断预测值是否会超过阈值 ，判断 故障发生的概率，实现 前瞻式预防。 根据预测范围内下一步的指标状态，提前实施资源预留和定位处理 ， 或指导网络扩容、备品备件储备等。 3.2.3. 智能 规划 1） 基站 选址 和 射频规划 随着 4G/5G 的 发展， 各种 组网制式、站型、频段以及小微基站 数量 的增多， 使得 规划的复杂性指数级增长，传统的静态规划的方法 难以 适应 。使用 人工智能算法对现有站点位置、覆盖、容量 、 场景特征等信息进行分析 和 仿真，可对后续 站址的 选择和 频率 的分配提出优化的指导。 AIIA 电信网络人工智能应用白皮书 2018 年 16 3.2.4. 智能 预测 1） 流量 预测 随着 网络规模和复杂度的持续增长，尤其是物联网、网络切片等新技术和场景的加入，在路径规划和流量调度方面，未来网络需要能够满足高吞吐、低时延、随需而动的需求。基于人工智能，可以利用众多项目和场景所积累的多维历史数据， 综合考虑业务特性、历史流量、人口迁徙、节假日、流量套餐等因素 进行数据分析和算法探索，进行流量预测 ，辅助 后续的 路径优化 处 理 和 网络资源准备 。 2） 虚拟化 平台 负载 预测 数据中心 提供 大量的虚拟机用于支撑 云服务和 NFV 功能， 这些 虚拟机 的 负载随业务量的周期性存在着 变化 规律 。 通过 人工 智能算法对大量 虚拟机负载（比如 CPU 利用率、内存使用率 、磁盘 IO 数量） 的历史变化数据进行训练， 发现 资源 使用 率和虚拟机负载 随 时间变化的规律 ，可以主动 将轻载虚拟机迁移 集中 ，休眠部分物理服务器，达到节能降耗降低成本的作用。 3） KPI 趋势 预测 对于 网络 中 的关键性能指标的门限目前多是采用静态的方式指定，但 实际 的网络 环境 和负载 是 在不断的波动，导致 KPI 的制定要考虑波动情况采用较为保守的值。对于 高负载 下 KPI 裕 度 较小，而在低负载下产生的性能异常 往往 不能通过 固定 KPI 正确体现 。 通过人工智能 算法 学习 历史 KPI 变化数据，对 KPI 值随 时间和环境的变化进行预测， 可以 使得 KPI 指标 更加贴近网络实际 情况 ， 提升 网络服务质量。 AIIA 电信网络人工智能应用白皮书 2018 年 17 3.2.5. 智能 优化 1） 路径优化 利用智能 流量预测的结果， 结合 实时监控，如流量、性能、拓扑、路由等信息， 以及 负载、冗余、业务等策略定义 和 策略匹配的控制信息，利用 人工 智能 算法进行最优路径计算和资源调度来指导流量调优 ，进行 合理、敏捷的资源分配和优化调度，实现网络整体流量均衡 和 高效 。 2） 覆盖 优化 4G/5G 等 无线 网络中 基于 规划 的 频段、 MR 数据、 3D 电子地图、邻区关系、邻区信号强度、传播路径上的遮挡物位置和高度等信息和特性，利用 人工智能 技术进行无线覆盖特性的学习与建模， 给出对应的覆盖效果评估 。结合站址 选择智能规划， 优化 4G/5G 网络 的覆盖。 3） 参数 优化 在 无线 网络中 经常需要人工配置一些策略参数，而这些策略参数可能需要针对不同场景、网络开通的不同阶段等，进行人工识别和调优 。 无线网 涉及 的参数类别多 数量 大， 涵盖无线 资源、负载均衡、切换、 移动性、 缓存、回传 、 覆盖和容量等多维数据 。 利用 人工智能 算法可以通过场景特性分析和群体用户行为画像，自动进行场景识别。分析场景、参数、指标的关联因果关系，利用算法对无线网络参数进行与场景相匹配的精细优化，提升各场景下的服务质量和业务体验。 4） 数据 中心 节能 优化 数据 中心的能耗是由 冷却 系统、服务器系统和计算负载共同决定AIIA 电信网络人工智能应用白皮书 2018 年 18 的 。 其中冷却 设施 是 能耗的大户， 包含多种不同设备，有冷却器、冷却塔、水泵、热交换器和控制系统，每一个装置都需要调整自己的运行参数 ， 且 参数 之间的关系是非线性的 。通过人工智能 算法 跟踪 设备能耗、室外气温以及制冷等机电设备的设置情况 ，从 大量数据中发掘设置参数与 能效 之间的模型关系，对制冷设施配置进行 优化 。 3.2.6. 智能 客服 在运营过程中，客服水平极大 的影响用户的 体验 和满意度 ， 客服系统往往需要投入大量的人力 确保用户响 应的及时性和有效性 。 人工智能的出现，依托于语音识别、自然语言处理、人脸识别、知识工程等技术，在智能客服领域为电信运营辅助提供了全新的途径。 1） 智能 问答 对于即时消息 、网页交互等文字客服渠道，可以利用人工智能中的自然语言处理技术理解问题语义， 搜索 相关知识库，自动做出回答。对于 无法 理解或回答的问题，可以自动转到人工 座席进行 处理。自动问答 系统大大减轻了客服人员工作量， 分流 了大量常见咨询，提升了客服效率。 2） 智能 服务导引 对于 语音渠道客服， 可以 通过语音识别 和 交互技术 直接引导 客户到对应的服务排队队列，替代传统的 多级数字 号码选择 ， 提升用户体验； 对于 营业厅 服务 ，可以利用人脸识别技术 识别 进入营业厅的客户，辅助 实名制认证 ， 提前判断 客户 业务诉求，做到主动 服务 。 AIIA 电信网络人工智能应用白皮书 2018 年 19 3）客服 信息 挖掘 用户 的咨询和 投诉 信息中隐含着大量对网络故障、质量和服务的反馈信息，通常除非明显的故障情况，其它隐含的 质量 问题难以通过客服渠道发现 。 通过 语音识别 技术 将大量的客服 对话 转为文字并 通过自然 语言 处理 等 技术分析客服语义中 网络 和服务 问题 的影响范围、 故障 程度 ， 辅助网络进行处理和 修复 。 4. 人工 智能在 网络 业务 拓展 中的应用 4.1. 概述 人工 智能技术作为 一种 通用赋能技术， 可以 服务于 各行各业 。 运营商借助 完善的 网络 和云 基础设施和全程全网的业务提供能力， 借助人工智能发展的契机， 一方面 可以对运营商电信业务进行人工智能赋能，拓展业务能力和提升业务质量，另一方面 积极拓展 面向垂直 行业的 服务 能力 和渠道 ， 是 助力 运营商 实现 综合信息服务数字化转型 的 重要契机 。 实现跨越多个垂直市场的服务组合后， 电信运营商将需要开辟新的市场渠道，最大限度地提升收益。这些渠道基于特定的垂直行业、地点或零售场景，缺乏服务开发能力。 目前 基于深度学习的 计算机 视觉 、 计算机语音识别 和 自然 语言处理 等 已经具有 实用化 和 成功商用 的 经验 ， 可以快速的 与 电信网络的 业务 运营能力结合，形成大规模的人工智能能力提供服务 ， 帮助 电信 企业从 电信 管道 业务向综合数字化服务 转型 。 AIIA 电信网络人工智能应用白皮书 2018 年 20 4.2. 应用 示例 4.2.1. 业务 应用 1） 垃圾信息 治理 垃圾 短信的 过滤在短信 网关 侧 和终端 侧 都是重要的功能，传统的基于 贝叶斯的分类器 方式效率较高、所依赖数据较少，但也存在适应性差 ， 精度不高的缺点。 目前 基于深度学习 的 短信分类器 可对海量数据的信息进行深度挖掘，从信息的语义和内容上对垃圾信息进行甄别 ，不再 需要人为提取垃圾短信特征，提升垃圾短信的识别精度 和 适应能力。 2） 威胁 站点评估 所有 的网站均需通过运营商网络接入，网站的流量特征可以作为发现网站行为异常的一种重要方式。 综合 使用威胁情报、流量特征标记的 训练 模型和无监督训练对流量特征进行分类 ， 可以对大量的网站的安全 状况 做出评估， 筛选 出 可疑 站点 后 在利用其它工具 进行 深入分析和判别。 3） 智慧 家庭 人工 智能技术在感知方面的巨大进步 在家庭终端方面 带来全新交互模 式，完全颠覆智能设备跟人的互动体验，为日常生活带来极大的便利性， 以 智能音箱为代表的语音交互和 控制 方式已经走入 千家万户。 电信 运营商 在家庭 网关和机顶盒 智能化 的基础上，布局 智慧 家庭生态， 积极打造家庭 视频、语音、控制的增值服务， 提升家庭 服务广AIIA 电信网络人工智能应用白皮书 2018 年 21 度和深度 。 4.2.2. 行业 应用 1） 智能 监控 在 传统 的视频监控业务的基础上，通过 机器 视觉处理系统 ，按需提供视频 中 的 图像 分类、 对象检测 、 目标 跟踪 等 能力，提升 视频 监控业务的 含金量和 竞争力 。通过云计算 平台提供 视频 智能识别能力 ， 为第三方视频提供 人脸识别 、车牌识别 等 专业能力。 电信 运营商的优势在于可以 建立 集中的 智能 视频处理能力平台 ， 通过大量的数据提升训练效果， 更好 的为不同的视频来源提供服务。 2） 智能 交通 智能交通可以利用新一代的通信网络和数据处理能力，提高现有交通系统的整体效率，降低能量损耗，增加运输的安全和便捷程度 ，智能 交通的管理与网络通信技术 密不可分。各类路面摄像头采集 大量的视频数据需要网络进行传输，并通过人工智能技术对 车辆 数量、车速、路面情况进行智能的判断， 指导 路网的交通流量疏导和紧急状况的处理。