uSmartInsight人工智能平台,为通信行业智能化赋能

发布时间:2019-01-25  作者:王永成 中兴通讯  阅读量:

进入21世纪,伴随着大数据中心的形成和基础算力的不断突破,人工智能迎来它生命中的第五波浪潮。众多人工智能算法在数据的滋养和算力的呵护下,逐步达到了可应用水平,在人脸识别、图像分类、围棋竞技等领域甚至超越了人类。Garnter预测,到2025年,利用人工智能助力决策、重塑商业模式与生态系统、重建客户体验的能力将是数字化计划取得成功的关键推动力。在这样的背景下,中兴通讯研发了人工智能平台uSmartInsight,基于云计算提供从模型创建、模型训练到模型部署的整套AI建模工具链,提升研发效率和计算资源利用率。同时,根植于通信领域进行AI算法深耕,构建起面向通信行业的人工智能模板库,希望在为用户提供AI生产线的同时,能够提供生产产品所需的AI模具,让通信专家可以低门槛切入AI领域,通过迁移学习或者模型优化,快速构建出适合自己产品的AI模型。

uSmartInsight平台目前主要在以下五个方面进行行业模板的构建:AI通用算法、移动网络流量预测、光网络健康度检测、场强预测、网络安全智能检测。模板框架如图1所示。


AI通用算法

人工智能从上世纪五十年代发展至今,在算法上形成了符号主义、进化主义、联结主义、贝叶斯主义和Analogizer五大流派,在应用上形成了视觉处理、语音处理、自然语言处理、智能机器人等众多领域,每个流派和应用领域都有自己的发展脉络,提出了众多优秀算法。

AI通用算法模板,集结了AI在各领域的经典算法和近五年的重大突破算法,如高斯限制玻尔兹曼机、胶囊网络、Transformer、Dense Net、SE Net、Retina Net、Deep Lab等。这些算法虽然在网络上都可以找到现成的源码,但散落在四处,不成体系,给学习和应用带来诸多不便。uSmartInsight平台模板库把他们聚集在一起,并支持一键运行,让使用者可以快速学习和迁移,进而降低学习门槛,提升研发转化效率。

移动网络流量预测

进入21世纪,大量的功能园区兴起,由于居住区和功能园区的分离,形成明显的潮汐现象,在无线网络上的表现就是不同时间段网络流量的潮起潮落。如果能够对流量变化做出预测,就可以通过调整基站发射功率实现节能,也可以辅助负载均衡提升均衡效果。

传统的时间序列预测算法(如ARIMA)只考虑单体在时间维度上的变化,而移动网络流量预测问题,除了时间轴外,在地域空间上也有丰富的信息可以挖掘(如流量随着人流从四周汇聚到中间站点)。卷积神经网络对处理空间信息有着独特优势,uSmartInsight平台据此构建了大量移动网络流量预测的AI模型,运用LSTM、3D CNN、ConvLstm等众多深度学习算法,在长时间预测上,取得了明显优于传统时间序列预测算法的结果。

光网络健康度检测

随着网络数据量的爆发,光网络已成信息通道的基石,一旦发生故障,用户将直接面临业务中断、修复周期长等严重问题。如何在光网络故障发生前及时发现网络隐患,实现网络故障的用户“零”感知,成为电信运维领域的重要挑战。

统计数据显示,60%的运营商光业务故障是由光路劣化、光模块劣化及误码类问题引起的。通过研究,光路和光模块在劣化前后有明显不同的表现,劣化过程中也有一定征兆可循,与人的健康状况一样,通过长期测量、统计各项关键指标的变化,可以区分出健康、亚健康、故障等状态,甚至对器件寿命做出预测。uSmartInsight平台通过收集光功率、偏置电流、工作温度、误码率等多维度KPI指标,结合人工智能算法,目前已经能够对光模块的健康度做出准确检测,并应用到实际项目中。

场强预测

无线网络覆盖优化是无线网络运维中重要的一环,直接影响运营商网络服务质量。传统的优化方法主要依赖于运维人员的经验,响应速度慢,成本居高不下。近年来,业界开始不断探索基于算法的自动化优化方案,上层框架主要是依赖模拟退火、遗传算法、博弈算法等来实现多站之间的工参调整,下层是对不同工参下小区场强进行预测,和上层方案相比,场强预测难度要高出很多,是整套解决方案的关键点。

基站下各点场强的大小,除了受到发射功率、站高、天线方向角等工参的影响外,地貌是另一个主要影响因素。传统的场强预测方法,主要是基于电波传输模型联合地貌信息对计算公式进行调整,由于地貌信息比较粗糙(按城市、郊区和乡村等划分),所以,预测精度上偏差较大。是否可以基于已经积累的历史站点的覆盖信息进行联合预测,充分挖掘地貌信息,成为近期业界研究的重点。

uSmartInsight平台联合无线大数据产品团队,收集了大量小区覆盖信息,并通过AI算法来实施场强预测。通过对已知小区进行相似性筛选,然后结合神经网络算法,已经取得优于传统算法的预测结果,平均偏差从8dB降到5dB。

网络安全智能检测

随着信息化程度的提高,网络安全面临着越来越大的威胁。入侵手段不断演进,且成加速之势,传统基于预先定义规则的检测方法,已越来越无法应对新兴的网络攻击。在近几年的AI浪潮中,最重要的技术突破之一,就是利用神经网络自动完成学习,这种思路的流行,给我们带来了新的end-to-end框架。

传统的数据流分类,需要人为设计特征,然后使用规则或者分类器进行分类。而基于神经网络算法,可以直接提取数据报文的前N个字节作为输入,算法会自己学习到关键特征并完成分类,这种方法的结果在不加密的情况下,准确率比传统方法高出4个百分点,在加密情况下,高出13个百分点。

同样,在入侵检测方面,AI算法也获得了非常好的效果。基于澳大利亚网络安全中心开放的UNSW-NB15数据集,uSmartInsight平台设计的神经网络算法,F1(考虑了准确率和召回率的一个综合指标)得分达到98%,比传统方法提升15%。

行业模板的使用

前面介绍了很多细分方向的行业模板,具体如何使用呢?让我们先看一下行业模板的构成,uSmartInsight平台的行业模板主要包括数据、模型和详情三部分。数据部分由训练数据、验证数据和推理数据构成;模型部分是模板的核心,由数据预处理和AI算法构成;详情部分介绍了该模板要解决的问题、模型的输入和输出定义、数据部分的预处理方式(如图片的旋转、数据的归一化等)以及模型的网络结构。

所以,当你拿到模板后,可以先通过翻看详情介绍、模型代码和数据,对要解决的问题和用到的模型算法有一个清晰的了解;之后,基于uSmartInsight平台,执行模型的训练、推理并建立在线服务,在感官上形成一个真切的认知;最后,可以基于模板创建属于自己的训练任务(一键创建,包括模型代码和参数),并通过迁移学习等方法完成模型的升级改造。

经过前期努力,uSmartInsight平台面向通信领域的行业模板库已初具雏形,接下来,我们将进一步投入研发力量,并对外开放模板构建接口,连接更多通信专家,从智能运维、智能运营到智能设备,构建起全方位的AI应用案例,为通信行业AI化赋能。

分享到:

 选择国家/语言

Global - English China - 中文