今日舉行的TM Forum 2019數(shù)字化轉(zhuǎn)型亞太峰會(huì)上，華為網(wǎng)絡(luò)人工智能產(chǎn)品部CTO程磊先生和中國(guó)電信集團(tuán)北京研究院網(wǎng)絡(luò)AI中心技術(shù)總監(jiān)錢(qián)兵先生，共同發(fā)表了《基于中國(guó)電信天翼云NAIE的AI容量預(yù)測(cè)創(chuàng)新成果》主題演講。華為和中國(guó)電信合作，將iMaster NAIE（Network AI Engine）作為電信能力的一部分，在中國(guó)電信天翼云完成部署，構(gòu)建了中國(guó)電信AI應(yīng)用開(kāi)發(fā)能力。基于電信天翼云NAIE平臺(tái)與中國(guó)電信集團(tuán)的無(wú)線智能運(yùn)維海牛推理平臺(tái)展開(kāi)合作，在無(wú)線網(wǎng)絡(luò)小區(qū)異常檢測(cè)，無(wú)線小區(qū)容量預(yù)測(cè)場(chǎng)景進(jìn)行了成功的探索實(shí)踐。

華為iMaster NAIE使能網(wǎng)絡(luò)智能化，讓網(wǎng)絡(luò)AI開(kāi)發(fā)更簡(jiǎn)單

隨著5G網(wǎng)絡(luò)加速建設(shè)，多樣化5G應(yīng)用場(chǎng)景使網(wǎng)絡(luò)數(shù)據(jù)呈指數(shù)級(jí)增長(zhǎng)，網(wǎng)絡(luò)告警故障處理、擴(kuò)容優(yōu)化等需求與日俱增。電信行業(yè)的運(yùn)維水平卻沒(méi)有跟上業(yè)務(wù)發(fā)展節(jié)奏，運(yùn)營(yíng)商面臨 OPEX增長(zhǎng)大大超過(guò)收入增長(zhǎng)，成本和效率無(wú)法應(yīng)對(duì)跨行業(yè)競(jìng)爭(zhēng)等結(jié)構(gòu)性問(wèn)題。急需通過(guò)網(wǎng)絡(luò)自動(dòng)化和智能化的系統(tǒng)架構(gòu)性創(chuàng)新解決結(jié)構(gòu)性問(wèn)題。

華為網(wǎng)絡(luò)人工智能產(chǎn)品部CTO程磊介紹華為網(wǎng)絡(luò)人工智能引擎（iMaster NAIE）

華為網(wǎng)絡(luò)人工智能引擎iMaster NAIE，在云端引入AI并提供數(shù)據(jù)湖服務(wù)，模型訓(xùn)練服務(wù)、模型生成服務(wù)和通信模型服務(wù)，大幅降低電信網(wǎng)絡(luò)AI引入門(mén)檻，提升網(wǎng)絡(luò)AI開(kāi)發(fā)效率。iMaster NAIE依托華為公有云，涵蓋網(wǎng)絡(luò)AI應(yīng)用開(kāi)發(fā)業(yè)務(wù)中最復(fù)雜部分的工作，如數(shù)據(jù)準(zhǔn)備，數(shù)據(jù)特征探索，模型調(diào)優(yōu)等，便于開(kāi)發(fā)者快速獲取iMaster NAIE能力，程磊介紹到。

數(shù)據(jù)湖服務(wù)，把數(shù)據(jù)采集、集成、建模、分析、標(biāo)注等數(shù)據(jù)處理工具以及數(shù)據(jù)治理模板， 以云服務(wù)的方式向開(kāi)發(fā)者提供，提升數(shù)據(jù)治理效率。支持30+類(lèi)網(wǎng)元，100+種設(shè)備自動(dòng)對(duì)接，內(nèi)置超過(guò)10種電信業(yè)務(wù)場(chǎng)景模板，提供高效的電信數(shù)據(jù)標(biāo)注工具和4.8億在線訓(xùn)練數(shù)據(jù)樣本，數(shù)據(jù)準(zhǔn)備時(shí)間從原來(lái)的3個(gè)月縮短到1周，節(jié)省90%的時(shí)間。

模型訓(xùn)練服務(wù)，提供IDE開(kāi)發(fā)環(huán)境，包括數(shù)據(jù)處理、特征提取、模型訓(xùn)練和驗(yàn)證等功能，支持業(yè)界主流算法框架，如TensorFlow、Caffe2、SParkML等，預(yù)置30+電信網(wǎng)絡(luò)特征探索工具， 50+電信領(lǐng)域資產(chǎn)，集成多個(gè)場(chǎng)景的算法調(diào)測(cè)、特征服務(wù)和處理SDK，讓模型的設(shè)計(jì)和探索周期從3周減少到1周，縮短70%時(shí)間。

模型生成服務(wù)，相對(duì)模型訓(xùn)練服務(wù)，進(jìn)一步簡(jiǎn)化模型開(kāi)發(fā)過(guò)程，只需要輸入符合要求的訓(xùn)練數(shù)據(jù)，就可以快速完成模型訓(xùn)練和驗(yàn)證，大幅降低電信AI模型開(kāi)發(fā)的技能門(mén)檻和周期。以數(shù)據(jù)中心PUE優(yōu)化為例，傳統(tǒng)模型開(kāi)發(fā)投入涉及多個(gè)角色，包括暖通專家，數(shù)據(jù)工程師，算法專家，應(yīng)用開(kāi)發(fā)工程師等，需要至少半年的時(shí)間才能完成；而基于模型生成服務(wù)，只需要1名暖通專家，2周時(shí)間即可訓(xùn)練出所需模型，整體開(kāi)發(fā)投入降低95%以上。

通信模型服務(wù)，基于云端推理框架，支持云化部署，便于業(yè)務(wù)快速集成。用戶只需調(diào)用API，輸入推理數(shù)據(jù)就可快速完成推理，運(yùn)行效率高，推理結(jié)果可用于業(yè)務(wù)應(yīng)用開(kāi)發(fā)。這類(lèi)服務(wù)主要適用于一些模型泛化通用性強(qiáng)的場(chǎng)景，如KPI異常檢測(cè)、硬盤(pán)故障檢測(cè)等。

基于天翼云NAIE和中國(guó)電信海牛平臺(tái)實(shí)現(xiàn)無(wú)線網(wǎng)絡(luò)容量預(yù)測(cè)創(chuàng)新實(shí)踐

中國(guó)電信無(wú)線網(wǎng)絡(luò)面臨的主要挑戰(zhàn)：網(wǎng)絡(luò)故障和體驗(yàn)類(lèi)問(wèn)題事先被發(fā)現(xiàn)難，75%的體驗(yàn)類(lèi)問(wèn)題都來(lái)自用戶投訴；網(wǎng)絡(luò)問(wèn)題根因定位及追蹤不易，隨著網(wǎng)絡(luò)復(fù)雜度增加，單純依靠專家經(jīng)驗(yàn)解決問(wèn)題方式效率低下，運(yùn)維人員大多時(shí)間都在定位問(wèn)題；網(wǎng)絡(luò)故障和流量等很難預(yù)測(cè)精準(zhǔn)，暫實(shí)現(xiàn)不了精確網(wǎng)絡(luò)規(guī)劃和控制。

項(xiàng)目引入大數(shù)據(jù)處理和AI技術(shù)，在數(shù)據(jù)質(zhì)量控制，無(wú)線小區(qū)異常檢測(cè)，無(wú)線小區(qū)容量預(yù)測(cè)三方面展開(kāi)實(shí)踐。依托NAIE的網(wǎng)絡(luò)AI數(shù)據(jù)處理和模型訓(xùn)練能力，海牛平臺(tái)的實(shí)時(shí)推理和模型評(píng)估優(yōu)化能力，在異常檢測(cè)的多路徑選擇算法，短周期容量預(yù)測(cè)的LSTM算法，長(zhǎng)周期容量預(yù)測(cè)的Fusion融合算法進(jìn)行創(chuàng)新實(shí)踐，大幅提升異常小區(qū)檢測(cè)準(zhǔn)確率和小區(qū)流量預(yù)測(cè)精度。初步評(píng)估，試點(diǎn)小區(qū)由于容量擁塞導(dǎo)致體驗(yàn)問(wèn)題的投訴率下降12%，運(yùn)維效率提升20%。

中國(guó)電信集團(tuán)網(wǎng)絡(luò)AI中心技術(shù)總監(jiān)錢(qián)兵介紹無(wú)線網(wǎng)絡(luò)容量預(yù)測(cè)TMF催化劑項(xiàng)目實(shí)踐

數(shù)據(jù)質(zhì)量控制，利用NAIE數(shù)據(jù)湖提供的能力，結(jié)合小區(qū)異常檢測(cè)和容量預(yù)測(cè)場(chǎng)景定義數(shù)據(jù)采集標(biāo)準(zhǔn)和數(shù)據(jù)元數(shù)據(jù)規(guī)范，將多數(shù)據(jù)源，多周期，雜亂難理解的低質(zhì)量數(shù)據(jù)轉(zhuǎn)換成統(tǒng)一數(shù)據(jù)源，易理解高質(zhì)量數(shù)據(jù)。針對(duì)異常檢測(cè)數(shù)據(jù)，結(jié)合專家經(jīng)驗(yàn)預(yù)置異常門(mén)限，自動(dòng)批量標(biāo)注。對(duì)5000+性能指標(biāo)進(jìn)行數(shù)據(jù)聚類(lèi)，找出數(shù)據(jù)周期性，趨勢(shì)性，突發(fā)性等7類(lèi)數(shù)據(jù)特征。為高質(zhì)量高精度模型訓(xùn)練提供保證。

異常小區(qū)檢測(cè)，針對(duì)不同指標(biāo)的不同數(shù)據(jù)特征多路徑選擇相應(yīng)算法，結(jié)合單指標(biāo)檢測(cè)->專家規(guī)則->多指標(biāo)聯(lián)合檢測(cè)的三步檢測(cè)算法，將異常小區(qū)檢測(cè)準(zhǔn)確率提升到89%。

短周期容量預(yù)測(cè)，利用KD-tree構(gòu)建小區(qū)空間關(guān)系，快速找出小區(qū)周邊鄰區(qū)關(guān)系，利用LSTM Seq2seq算法對(duì)小區(qū)統(tǒng)一建模，找出用戶行為引起的流量強(qiáng)規(guī)律。同時(shí)算法還會(huì)考慮重大事件，天氣等因素，對(duì)突發(fā)性事件進(jìn)行有效預(yù)測(cè)。對(duì)7天的容量預(yù)測(cè)統(tǒng)計(jì)分析，項(xiàng)目預(yù)測(cè)有效性達(dá)到97%。

長(zhǎng)周期容量預(yù)測(cè)無(wú)強(qiáng)規(guī)律性，受大量外部因素影響，如網(wǎng)絡(luò)變更、資費(fèi)調(diào)整等，容量預(yù)測(cè)的準(zhǔn)確率一直是業(yè)界的挑戰(zhàn)。項(xiàng)目通過(guò)清除非個(gè)人因素導(dǎo)致的流量波動(dòng)異常，按小區(qū)特征聚類(lèi)分組分別建模，按數(shù)據(jù)特征聚類(lèi)進(jìn)行多算法Fusion融合等關(guān)鍵手段提升容量預(yù)測(cè)準(zhǔn)確率。對(duì)20000個(gè)基站小區(qū)6個(gè)月歷史數(shù)據(jù)統(tǒng)計(jì)分析建模預(yù)測(cè)未來(lái)3個(gè)月容量，F(xiàn)usion融合算法預(yù)測(cè)有效性可達(dá)到80%，相比傳統(tǒng)的Holt-winters算法預(yù)測(cè)有效性只有39%。

項(xiàng)目取得初步性創(chuàng)新成果，并將繼續(xù)孵化，在2020年初應(yīng)用到中國(guó)電信5G網(wǎng)絡(luò)規(guī)劃，優(yōu)化和維護(hù)領(lǐng)域。并管理監(jiān)控全國(guó)100萬(wàn)設(shè)備的數(shù)據(jù)質(zhì)量，服務(wù)300萬(wàn)通信組織和全國(guó)3億多無(wú)線網(wǎng)絡(luò)用戶。“我們的目標(biāo)是通過(guò)AI智能異常檢測(cè)和容量預(yù)測(cè)，讓網(wǎng)絡(luò)質(zhì)量劣化前優(yōu)化質(zhì)量，網(wǎng)絡(luò)擁塞前調(diào)整流量！”錢(qián)兵最后說(shuō)到。
責(zé)任編輯；zl