网络智能化演进趋势

电信网络自诞生以来，经历了模拟通信、数字通信、互联网通信、移动互联网通信等多个阶段，每个阶段都极大促进了社会生产力的提升以及新兴产业的发展。被称为第四次工业革命关键技术之一的5G网络的出现，又将引起社会生产和人类生活形态的变革。5G网络因其数字化、云化、微服务化等特征，将催生大量面向垂直行业的各类新业务，因此也要面对新业务所带来的客户需求的差异化及标准的提高，这些都使得网络运维日趋复杂，智能化是解决这些问题的关键。

2016年12月，由德国电信牵头，33个公司的130位代表召开了主题为未来网络和业务管理的研讨会，从而拉开了网络自动化的序幕。那时的网络我们称为传统网络，采用传统网管及人工管理方式，运维方式也是出现问题再予以解决的被动式。随着SDN技术的实用化，网络进入可编程网络时代，网管不再单纯起到管理作用，在控制器的配合下，此时的网络可以进行一些主动的运维操作，如网络仿真、风险预警等。2019年起，5G开始陆续在全球部署，我们也迎来了智能网络时代。随着大数据收集、分析技术的发展，以及AI技术的引入，网络可实时对各类网络信息进行处理，并初步具备一定的智能化能力，如业务发放、智能故障定位、网络自动优化等。未来的网络演进趋势则是向自治网络方向进化，随着意图概念的引入，网络将具备如人脑一样的“自主意识”，基于网络管理者为其设定的规则，实现需求、策略、决策、执行及维护优化的闭环性“自我”管理，完全解放人力。

网络智能化的核心——知识

如人的智慧来源于生产生活及学习活动一样，网络的智能同样需要海量的数据，经过反复的训练逐步形成。当前阶段的网络采用SDN架构，通过Telemetry等数据采集技术，对网络中的各类数据进行收集并应用AI算法进行学习，已在一定程度上具备了智能化能力。但随着智能化能力需求的不断细化，所需收集网络的数据呈指数级增长，在实际算力资源有限的情况下，如果仅采用AI算法对数据进行直接处理，网络将难以达到可以进行自主管理控制的智能水平。为摆脱这一困境，就需要发挥知识的作用，包括人类经验抽取和通过AI技术发现的知识，采用知识+AI的有机协作，降低对数据处理、算力资源的要求，提高智能化的效率和能力。

对比人类，我们知道人类相比其他生物不同的就是能够不断形成体系化的知识并有效使用这些知识来改造世界。一般来说，知识是能够形式化、规则化表达的可验证的系统化信息。而目前电信网络实际应用的AI技术，主要是针对某个场景的某个问题，采用某个AI算法实现该问题的有效解决，没有在系统中形成某个知识点的积累，更没有构建体系化的知识集，因而也无法实现如人类一样的基于知识的推理、决策和高水平智能。所以，从智能化的发展来讲，具备一些AI算法，拥有一定的AI能力，不等于智能化。智能化的核心应该是具备体系化知识并具备有效使用和自动更新知识的能力。

网络智能化中知识与AI相辅相成

在网络智能化中，知识和AI相辅相成，如同人的左手和右手缺一不可。AI帮助发现隐藏在孤立信息表象中的内在关系链，加速了知识获取与体系的建立。而知识则能在海量的原始数据中，帮助剔除AI学习过程中无效的信息，提高AI学习训练的速度。

AI增强知识获取

在没有AI技术之前，知识获取是通过对人类专家经验的规则化、网络技术的形式化来完成的。由于专家经验的差异性和不完整性、更新的滞后性，使得知识的应用价值不足以解决网络的实际需求。而AI技术的引入，使得知识的获取更加主动、有效，并通过知识管理形成一个完整、规则化、可用的体系化网络知识集。用于知识获取的AI算法包括聚类分析、时间序列、最大熵模型、决策树、孤立森林、向量机、隐马尔科夫模型等，而且新的算法不断出现。通过AI技术获取的知识，实现了实体抽取、关系抽取、属性抽取、规则抽取等，比如异常特征、关联关系、故障类型、故障数等，与人工专家形成的网络架构、资源数据、业务模型、运维模式、处理流程等知识，进行知识融合形成关联化、场景化、体系化的网络知识集。可以说，通过人类智能和人工智能的双重加持，保证了有效的知识生产和更新。以告警处理为例，在基于专家运维经验进行告警抑制后，告警数量下降50%，进一步通过基于AI技术的规则挖掘，告警数量再下降到最初的10%。

知识精选数据提高AI效率

网络智能化，数据是基础，由于网络数据的广泛性、复杂性，海量数据的采集、处理、存储是一个很大的挑战。随着网络智能化程度的提升、网络知识的丰富，通过知识管理和决策，可以实现精准选择数据，从而使得AI的处理效率得到提升。比如5G网络时代，可以实现秒级甚至毫秒级的网络感知，但如果全网信息都进行这一数量级的数据上报和算法处理，以目前的网络通信能力、算力、存储能力都无法承受，而采用一定的知识规则，系统则可以根据需要决定某个时段采集哪些秒级数据，其他数据可以只采集分钟级甚至小时级数据，并适配最佳AI算法，实现精选数据、高效智能的网络感知。

推理使能知识发现

AI技术不仅在知识的获取阶段发挥重要作用，而且在知识更新和发现方面也发挥关键作用，主要通过知识推理来实现。知识推理的AI算法包括基于规则的推理，如一阶逻辑、演绎推理等；基于统计学习的推理，如机器学习、贝叶斯推理、马尔科夫逻辑网；基于图的推理，如基于语义的推理、基于结构的推理、基于知识图谱表示学习的推理；以及知识图谱和深度学习的融合推理等。通过AI辅助知识推理，可以更迅速地发现新知识或发现错误知识，并支持决策，实现知识动态更新和维护。以故障分析定位功能为例，通过AI技术或专家经验，完成知识图谱补全；此外通过AI辅助知识推理，还能够实现故障传播链构建，最终实现故障根因识别。由此可见，AI简化、加快了网络知识的发现，提升了网络智能化的自我发展的能力。可以说，没有AI的网络知识不是完整的网络知识，没有网络知识的AI也不是真正的AI。

电信网络智能化中知识+AI的发展路线

在电信网络智能化的发展过程中，知识和AI发挥着最主要的作用，按照知识和AI发挥作用的水平，我们可以将知识+AI的发展划分为4个阶段（见图1）。首先是基于专家经验的总结阶段，这个阶段，以人类专家经验为知识来源的知识为标志，体现为知识问答，系统中体现为故障诊断专家库、网络配置模板、业务配置模板等，这个阶段，AI没有被引入，知识内容固化，知识表达没有规则化、体系化，发挥作用有限。随着AI技术的初步参与，进阶为基于规则的专家系统，这个阶段，人类专家经验规则化了，而且通过机器学习挖掘出新的规则，形成一系列规则化的知识，通过规则引擎，实现一些功能的自动化执行，比如故障工作流诊断、基于规则的RCA等。随着AI技术的进一步发展，进入到第三阶段，即基于AI的感知系统，这个阶段，通过图神经网络、深度学习、知识图谱等多种AI技术，知识的获取和表达多元化，并逐渐形成体系化的知识集，以实现网络感知的智能化，可以应用的例子包括智能配置异常检测、业务状态感知、KPI指标异常检测。而随着对知识+AI技术理解的不断深化，最终阶段将形成基于知识推理的认知系统，这一阶段将构建完整、动态、体系化的知识集，以意图网络为核心，实现知识发现自主化，推理决策智能化，从而完成网络、业务的全生命周期智能化闭环。

              图1  网络智能化中知识+AI的4个发展阶段

随着5G网络的快速发展，我们相信实践和需求是推动技术发展的最强动力，并促进知识构建和AI技术更紧密地结合，产生的新形态也许会超过我们的预期。中兴通讯将在强大的技术实力和深厚的电信领域经验积累的支撑下，积极与合作伙伴协作，引领未来网络智能化的发展，践行“数字经济筑路者”的伟大使命。