5G网络场景下AI的应用

发布时间:2018-09-03  作者:孙一飞(中兴通讯)  阅读量:

随着5G技术标准的加速成熟和全球5G预商用测试的深入开展,5G部署的步伐也在全球范围内加快,我们将很快进入5G时代。5G的大连接、低时延、高速率、广覆盖等特性,成为数字化转型的重要驱动力。在产业链的共同努力下,围绕eMBB、mMTC和uRLLC三大核心场景,5G网络正让越来越多的创新应用成为可能。

在5G时代,运营商将面临网络复杂化、业务多样化、体验个性化的挑战。网络复杂化,主要体现在5G密集组网站点规划复杂、大规模天线阵列配置组合模式复杂,以及引入SDN/NFV、云化网络带来的全局调度复杂化;业务多样化,主要体现在从原来的语音、数据等移动互联网业务逐步扩展到物联网、工业互联网、远程医疗等已知和未知业务;体验的个性化,主要体现需要为用户提供差异化、个性化的贴心服务,构建用户全生命周期、全业务流程、全业务场景的体验感知模型并与服务感受、营销活动等关联,实现智慧运营。以上三个方面需要网络运维运营更加智能敏捷。

AI在5G网络的典型应用场景

以机器学习、深度学习为代表的AI技术在互联网、安防等行业大放光彩,取得了令人瞩目的成果。我们认为AI技术在帮助电信运营商优化投资、降成本、提升运维效率方面大有可为,比如:5G精准网络建设、扩容预测、覆盖自优化、智能化的MIMO、云化网络资源动态调度、5G智能切片等,如图1。




基于预测的精准网络规划,使能智慧网建


5G网络部署,运营商面对的一大挑战是如何建网布站。传统网络建设,更多地依赖于规划仿真、实际路测以及投诉触发等手段,一方面需要依赖专家经验,另一方面需要投入较多的人力成本。引入5G后,对于多制式、多频段、多小区的混合场景,现有模式的局限性凸显。

智能化的网规网建,可以利用机器学习和人工智能算法,对多维数据进行分析,特别是跨域数据的综合分析。比如区域内的O域数据、B域数据、地理信息、工参信息、历史KPI、历史投诉信息等,利用人工智能算法进行综合性的分析推理,对区域内业务量的增长趋势、峰值流量、资源利用率等进行合理预测,对多制式的覆盖和干扰进行最优化测算和参数配置推荐,用来指导4G/5G的协同组网规划、扩容建设、站点补盲等,使得运营商的网络区域规划能够逼近理论上的最优值,同时极大地降低网规网建过程中的人力成本。

基于人工智能的覆盖优化,解放人力,智能调优


无线网络的覆盖优化需要根据业务负荷、位置,动态地调整无线射频参数,列如导频功率、天线下倾角、天线方向角等,是极其耗费人力投入的一项日常工作。但是由于无线环境复杂,参数的个数和维度很多,参数取值组合多,通过传统的基于人工路测等网优方式,很难确定无线参数与覆盖和容量之间的关系。传统网络优化,一般需要通过路测、分析、基于专家经验调整软参或者天线物理特性后,再进行路测分析验证,以实现不断优化的过程,对经验和人员的处理技能依赖性较高。

引入机器学习算法,一方面,由于涉及的参数很多,在算法训练时可以分层和降维,以减少容量覆盖优化模型中相关的参数个数,提高训练效率,同时还可以通过历史多维数据分析学习,比如地理参数、工参列表、历史KPI和RSRP数据,训练得到RSRP的有效预测模型。然后部署在实际网络中,通过实际的MR采集RSRP和网络状态(无线配置、UE位置、业务负荷、频谱分布)等数据,对区域内的RSRP进行预测并指导对应的优化操作,并基于覆盖质量的预测结果,来指导优化参数的下发或物理操作。人工智能方法可以实现持续闭环的优化,并且最小化依赖人力的干预,用来自动实施网络的覆盖优化,改善弱覆盖、过覆盖、重叠覆盖等网络问题。

智能化Massive MIMO,更高效率,更好体验


Massive MIMO是5G的关键技术。Massive MIMO信道的波束赋型需要与小区用户分布匹配,并尽量降低相邻小区广播信道的干扰,才能充分发挥Massive MIMO站(以下简称“MM站”)的优势,最大程度地匹配当前覆盖环境的需要,同时最优化用户体验。

MM站的权值设定,是影响波束覆盖效果的关键因素。对于不同覆盖区域的需求,或者同一覆盖区域不同覆盖场景的需求,MM站权值的设定和调整,对覆盖质量和效率起到决定性的作用。运维系统可以基于专家经验,根据实际需求触发调整,但这种模式的效率往往较低,一般而言达到最优逼近也比较困难,往往需要多轮调优。

利用人工智能技术,可以通过对历史用户分布数据的分析和挖掘,识别分布变化规律,提前预测用户分布;同时通过学习历史数据判断无线质量与最优权值的对应关系。基于这个技术,在场景或用户分布发生变化迁移时,系统可以自动指导MM站做出对应的权值优化。针对多小区,除了小区内优化的考虑,还要考虑多MM站间的干扰,取最优组合,达到区域的覆盖效果最优化。典型的比如体育场馆内,对体育赛事和演唱会场景,用户的分布式有明显区别的,这种情况下,场内几个MM站,可以自动识别对应场景,并在不同场景间做权值的自适应优化,来达到当前场景下的用户覆盖最优效果。

基于人工智能的网络节能,促网络绿色运营


网络能耗是运营商的重要OPEX支出之一,提高能源效率亦是未来网络运营的关键要求。通过网络流量数据、资源利用率数据统计关联分析,网络忙闲状态与人们的工作和休息节奏具有高度的相关性,尤其是学校、CDB、商业区、大型居民区等热点区域具有显著的潮汐效应。网络容量目前都是按照网络业务的峰值要求建设的,包括无线基站以及集中部署了未来NFV网络基础设施的数据中心,如何基于网络业务量对基站和服务器进行休眠和唤醒操作,在满足实时业务需求的同时实现绿色节能的目标,需要进一步研究。

基于AI的网络智能节能技术,充分考虑了网络覆盖、用户分布、业务特征,辅以负荷预测、精准预测和选择热点小区,适时选择休眠和唤醒设备时机,充分提供可靠和无缝的用户体验,使得区域网络资源利用率更高,用户体验保障更好,区域内网络能耗有效降低。

数据魔方+AI大脑,服务切片全生命周期智慧运营


在未来5G网络中,切片即商品、NSaaS将成为常态化的经营品类。网络切片给特定行业租户提供了一个全面的端到端虚拟网络,如何保障行业用户在虚拟网络中能够享有良好的客户感知,关系到切片运营的成功。

为了提高切片用户的感知,首先要构建切片的全景数据图,实时、全方位地收集切片的用户数据、签约数据、QoS数据、性能数据以及各种事件和日志,进行多维分析,从而形成切片数据魔方。在数据魔方的基础上,叠加智能分析大脑,可以对切片的健康度进行分析、预测和保障;对不同的行业用户进行感知评估、分析,优化,构建用户画像,保障切片健康、安全高效运行。
此外,借助数据魔方和AI大脑,服务切片全生命周期的每个环节,实现了闭环,借助AI,服务于切片策略的智能生成、助力切片故障的智能自愈和性能自优化,实现切片资源的智能化调度以及配置最佳。数据魔方和AI大脑的结合,将有效指导未来切片智慧运营的各个环节,如图2。
 


运营商人工智能部署方式建议

前面我们介绍了中兴通讯AI在助力5G网络提升投资效率、降成本和提升运维效率的场景,关于运营商引入AI的产品形态,我们认为,当前和未来一段时间内,运营商网络中AI能力是泛在的,主要有三种基础能力:AI平台、轻量化AI引擎、AI算法模型。

我们认为运营商部署人工智能的方式,需结合业务发展需要、技术成熟度和成本三方面考虑,分步骤分阶段实施,具体建议如下:在当前阶段,即2018—2019年,在一些网元、维护工具,或已部署的大数据平台上,嵌入AI算法模型,进行离线训练和模型推理,这种部署方式计算力要求低,适合局部快速应用,但是模型升级更新周期长、全网策略协同受限;2019—2020这个阶段,考虑在运营编排系统集中部署AI平台,进行在线训练,优势是跨专业、大规模数据、采用专用AI 硬件加速,模型可以在线训练、快速迭代,不足是推理实时性稍弱;2020年以后,考虑到5G的规模部署,可以在MEC/CU处部署轻量化AI引擎,训练、推理贴近边缘,适用于低时延IoT等业务,全面覆盖泛在智能场景。

人工智能在电信领域的应用仍处于起步阶段,未来5—10年是运营商网络智能化转型的关键时期。逐步人工智能技术引入电信网络的各个应用场景,将帮助运营商网络由当前人治模式转向网络自我驱动为主的自治模式,真正实现网络运营运维领域的智能化变革。


分享到:

 选择国家/语言

Global - English China - 中文