各位奮戰在規劃、建設、運維和網優一線的兄弟姐妹們，大家好，我是你們既愛又恨的朋友——網絡自動化。

回頭已是十年身，從08年誕生到現在，小弟其實已經悄悄陪伴大家十余個春秋了，但說來慚愧，小弟不才，一直沒機會大顯身手，估計至今仍然有很多朋友對我感到陌生。

今天，感謝這個5G+AI時代，將我與eMMB、uRLLC和mMTC并列為5G的四大支柱，小弟也總算熬出了頭，首次拉轟地站在了前臺。

估計大家對eMMB、uRLLC和mMTC這三根柱已爛熟于胸，可對我依然云里霧里，所以是時候該向大家做一個徹底的自我介紹了。

終于熬出頭

追求簡單，但非簡略。— 愛因斯坦

要是他老人家還在，看到我們今天的移動網絡，估計也會無奈地吐舌頭吧。

幾十年來，我們的移動網絡從1G到4G不斷發展，空前改變了人類生活，但這背后卻讓整個電信業付出了沉重的代價——技術不斷疊加，網絡變得越來越復雜。

▲網絡越來越復雜，運維擔子越來越重

這是我們不得不付出的代價，畢竟網絡性能和服務質量的改進不會從天而降，大多數新技術的引入都會增加復雜性。

但令人遺憾的是，一方面，網絡越來越復雜；另一方面，傳統人肉運維模式卻幾乎一直未變，令設計、規劃、建設、維護、網優一線的工程師們背負的重擔累加如山，工作越來越苦。

運營商不得不雇傭更多的人力來分析網絡問題，修復網絡故障，這又導致了整體效率低下，運維成本越來越高。

現在5G來了，網絡運營將面臨新的挑戰。

▲5G時代網絡運營面臨的挑戰

首先，5G新技術引入會給網絡運維帶來全新挑戰。

多制式技術共存，宏站、微站、皮站異構共存，網絡將空前密集。5G終端、業務、場景將更加多樣化，網絡再增復雜性。同時，NSA/SA組網，以及NFV/SDN/邊緣計算等新技術引入，令網絡架構更復雜。

其次，我們過去經常講“只要加班能解決問題，就沒有通信工程師解決不了的問題”，但進入5G時代，我們不得不面對一個殘酷的現實——不管你怎么加班，很多問題依然無解。

以網絡優化為例，過去全靠人去分析大量相互關聯的KPI指標和參數，但人的大腦本不是為處理大量相互關聯的變量而“設計”的，你能同時跟蹤分析的KPI指標或參數最多不超過6個。也就是說，隨著5G時代網絡參數數量的增加，靠人力根本無法得出最佳解決方案。

再則，5G要求新業務能快速上線，業務發布將從原來的幾個月縮短到幾天，甚至是小時級，并需在業務發布后實時保障低時延、高可靠的網絡服務能力，靠傳統人工流程同樣是不可能實現的。

簡而言之，5G時代即需要通過自動化來降低網絡復雜性和成本，也需要自動化來提升業務體驗和敏捷性，從而縮小量收剪刀差，促進運營商持續健康發展。同時，人工智能正像當年的電力革命一樣到來，必將給各行各業帶來巨大改變，電信業當然也不例外。

這就是小弟我今天終于熬出了頭的原因。

你這貨不是10年前就出來了嗎？為啥一直不溫不火？不會是換了個馬甲出來忽悠吧？

這個問題問得好，這位同學，請問你是哪家單位的…

網絡自動化不是SON的新馬甲

你說的沒錯，網絡自動化并不是新鮮概念，業界早在十年前就提出了SON（自組織網絡）概念。

SON技術主要包括三大功能：自配置、自優化和自愈。自配置，指在站點開通時可實現網元自動發現，數據自動下載，傳輸自建立，以及PCI、鄰區和無線參數自配置；自優化，指可自動完成干擾管理、切換優化、接入優化和容量優化等工作；自愈，指可自動檢測基站或小區退服，并采用補償措施來減少退服影響。

SON的理念坦白說是充滿著情懷的，直至今日還在牽引業界自動化的方向。但當年SON的技術卻存在無法逾越的局限性。

首先，SON只部署于無線網絡內部，沒有自頂向下的系統性設計，缺乏全域、全網協同，不是端到端的自動化。

其次，SON以一套相對固定算法應對不同的場景，需人工核查輔助，不具備自感知、自學習、自適應、自預測和自干預能力，無法動態適應越加復雜和多樣化的無線場景，它不是全閉環自動化。

再則，SON更多以小工具或特定功能的形式孤島式部署，沒有與網絡設計、規劃、建設、維護、優化和業務發放等外部流程無縫打通。

換句話講，自動化是生產力，SON并沒有與網絡設計、規劃、建設、維護、優化和業務發放等流程結成相互密切的關系，充分發揮出生產力的力量，這實際上存在著生產力與生產關系脫節。比如，引入SON后，優化效率提升了，但核查工作反而增加了。

簡而言之，SON的技術也還在持續演進，還在為網絡自動化的實現添磚加瓦，但已不是網絡自動化的代名詞。在人工智能時代，AI將為自動化插上高飛的翅膀，讓它可以超越局限，飛得更高，飛得更遠。

AI時代的自動化網絡自動駕駛開往自治5G時代

AI時代的自動化，就是告別零打碎敲的功能級SON，全新基于全域、全網來設計自動化網絡架構，引入端到端的AI引擎構建基于意圖和策略的全閉環自動化能力，然后再逐步添加設計、規劃、建設、維護、優化和業務發放等自動化場景和用例，打通網絡運營全流程，最終邁進全自治化網絡時代。

自治化網絡，也被業界稱為“自動駕駛網絡”，比如，華為在去年就提出了打造一個運維高效、性能卓越、業務敏捷的網絡，像汽車一樣，邁向 “自動駕駛”時代；比如，產業組織GSMA和TMF都有在牽引業界積極討論自動駕駛網絡的分級標準。

眾所周知，自動駕駛汽車分為6個等級：L0-人工駕駛、L1-輔助人工駕駛、L2-部分自動駕駛、L3-有條件自動駕駛、L4-高級自動駕駛、L5-全自動駕駛，逐步讓駕駛員從“解放雙腳”到“解放雙手”，再到“解放雙眼”，最終“解放大腦”，進入無人駕駛時代。

自動駕駛汽車的基本原理是通過攝像頭、雷達、GPS等傳感器收集海量數據來“喂食”AI，實現自主決策和執行剎車、轉向等動作，其架構分為傳感器、本地智能、云端智能三層，傳感器實時感知周圍環境，本地智能實時分析和決策，云端負責模型訓練、高清地圖更新、交通信息提示等。

與自動駕駛汽車一樣，自動駕駛網絡也分為了6個等級：L0-手工運維、L1-輔助運維、L2-部分自治網絡、L3-有條件自治網絡、L4-高度自治網絡、L5-完全自治網絡。

▲圖片來源：TMF自動駕駛網絡白皮書

在實現原理上，與自動駕駛汽車同樣相似，自動駕駛網絡通過收集海量網絡告警、事件、PM、MR、計費、客戶投訴等數據來“喂食”AI，實現可自學習、自分析、自決策和基于意圖的自治網絡。

好了，說到AI，就說到點子上了，也就是說我們需要系統性的引入AI能力才有可能實現自動駕駛網絡的終極使命。且由于移動網絡架構呈現典型的分布式的葉子網絡，考慮到不同use case對時延的要求不盡相同，因此需要分層的引入AI能力實現及時的本地或者近端處理。因此在架構實現上有三層：網絡基礎設施層，單域自治層以及跨域協調層。

網絡基礎設施層負責本地網元（比如基站）實時推理和處理海量數據。單域自治層（網絡管控層）通過管理與控制的融合，實現基于意圖與策略的單域閉環自動化能力。云AI基于開放的接口實現跨域跨廠家協同，并借助專家經驗和全局數據完成AI模型訓練。

這樣的架構設計好處在于 “分層自治、垂直協同”：一方面，各層之間可通過開放接口（開放API，SDK等）相互協調和交換信息；另一方面，各層可分別實現基于意圖的閉環自治，這就意味著各層之間通過開放接口相互協調和交換信息時，不必通過繁重的數據和參數，而簡化為了面向場景的意圖交換，從而即保證了在架構上可分層實現，又能降低實現復雜性，最終更易于實現跨域的、整網的全閉環自治。

說得簡單，光設計好架構，定好等級標準，恐怕還不夠吧？我們的網絡比自動駕駛汽車還復雜，什么時候才能實現啊？

這個問題問得非常好，這位同學，你是哪家單位的…

羅馬不是一天建成的自動駕駛網絡正在逐場景實現

沒錯，全自治的5G網絡不可能一蹴而就，但一些場景下的自動化已經在逐步實現。

先以基站建設為例，流程主要包括設備安裝上電、站點數據制作、站點開通、調測和驗收等環節。按照過去的流程，施工隊在現場負責設備安裝上電，后臺工程師負責站點數據制作、遠程開通、遠程調測，最后再進行工程質量檢查和驗收。

但施工隊的兄弟們，你們有沒有遇到過在現場等后臺做數據的情況？估計都遇到過，原因何在？

假設某運營商安排了25個施工隊，每個施工隊每天可安裝4個站，一天開通100個基站是沒有問題的，但問題來了，后臺網管中心的工程師只有3個人，由于需對逐個基站進行數據配置、遠程調測和質量檢查，每人每天最多只能應付20個站，3個后臺工程師一天總共才能完成60個基站，怎么辦？

現在加持AI的站點自動部署方案，基于全網歷史數據和AI，通過場景匹配、策略自動選擇和自動配置，可實現多站點并發自動執行開通、調測和檢查，大幅減少站點部署過程中的人的干預，將效率翻倍。

再以網規網優為例，眾所周知，5G Massive MIMO是5G關鍵技術之一，它可通過調整多天線陣列來動態控制波束方向圖（Beam Pattern），使能5G MM天線下傾角、方位角、水平和垂直波寬均能動態可調，比如有賽事的時候將多波束打向場館內，沒賽事的時候將波束調整到周邊的CBD區域，比如覆蓋較遠距離時采用更窄的波束以集中能量來補償路徑損耗，覆蓋較近距離時采用更寬的波束，這些都超越了傳統優化工程師的能力邊界，只有基于機器學習和AI芯片才能快速精準匹配最佳波束，大幅提升效率和性能。

在運維方面，大家都知道網絡中大部分告警都是因為一個根因引起，若基于AI對海量數據進行多維分析，找出告警關聯性，構建故障模型庫，可實現快速定位根因，提升運維效率。

在業務發放方面，譬如5G FWA（無線家寬）的業務發放，相較固網家寬業務，不同家庭由于不同地址的信號覆蓋不一樣，導致不同家庭可以提供的帶寬能力是不一樣的。譬如有的家庭可以1Gbps，有的家庭最多可以享受到10Mbps。傳統意義上需要派工程師上門去評估，而隨著自動化能力的引入，可以基于大數據和AI實現可保障帶寬的精準預測。運營商只需要在營業廳就可以一鍵式完成FWA業務的發放。

…

案例很多，但列舉這些案例的目的，并不是要炫耀自動化有多能干，事實上這些案例距離我們遠大的全自治化網絡目標還很遠，目的不過是要告訴大家，自動駕駛網絡正在像自動駕駛汽車一樣，逐場景逐等級向我們走來。

讓我們再比較一下自動駕駛汽車。自動駕駛汽車的演進方向是先搭好設計架構，定好等級標準，然后將駕駛行為、行駛場地與環境組合，構成不同的場景，比如暴雨天氣下在高速公路上高速行駛場景，再對各個場景進行逐一測試，一步一步邁向全自動駕駛。場景測試是實現自動駕駛相當重要的一環。

與自動駕駛汽車一樣，自動駕駛網絡在通過架構創新系統性的分層引入AI能力并定好等級標準（L0-L5）后，接下來就是對網絡規劃、建設、運維、優化和業務發放等工作流程所涉及的場景進行逐個測試、逐個封裝，一步步邁向自治5G網絡時代。

經過大量的場景測試，今天自動駕駛汽車已實現幾千公里僅需一次人為干預，我們相信，自動駕駛網絡經過逐步的場景測試和封裝，也將從L1向L2、L3、L4…逐級演進。

其實，自動駕駛網絡可以跟自動駕駛汽車一樣實現沿途下蛋，及時讓使用者享受到自動化帶來的價值紅利。譬如，駕駛裝配有L2自動泊車功能的汽車，這讓很多新手司機出行欲望大增。同樣，自動駕駛網絡到L3就可以在很多特定場景下實現全流程的閉環自動化。譬如，網絡的自動化節能，站點的自動化部署等。這些都將及時的給運營商帶來運維效率、資源效率、能耗效率以及用戶體驗上的成倍提升。

所以，千萬不要認為自動駕駛網絡還太遙遠，事實上它正在加速到來。我們認為大致在2021年左右，那些在網絡自動化以及數字化轉型都走得堅決的領先運營商的網絡大致可以實現L3的水平。

值得一提的是，GSMA在MWC19上海期間舉辦了AI in Network論壇，并成立了包括國內三大運營商、華為等11家產業伙伴在內的AI in Network大中國區特別工作組，旨在通過全產業共同定義清晰的分級標準以及案例的創新與分享推進網絡自治的實現進程。

面對越趨復雜的網絡和越來越高的運營成本，面對未來多樣化服務和來自互聯網云巨頭們的激烈競爭，電信業正積極推進網絡自動駕駛，邁向網絡全自治化，以提升運營效率、競爭力和敏捷性。這不再是可選項，而是必選項。

各位規劃、建設、運維和網優一線的兄弟姐妹們，以上就是關于我——網絡自動化的自我介紹，我已正式登場，并已來到各位身邊，毫不客氣的講，如果你今天對我不理不睬，不久之后你將被迫與我套近乎，因為我將成為你們未來工作必不可少的一部分，幫你們從枯燥而繁瑣的工作中解脫出來，更好地投入到創造性的工作中去。最后感謝大家聽我啰嗦了這么長時間，讓我們一起跳進自動駕駛倉，共同駛往全自治的5G網絡時代！