刘裕良-基于 AI 与数据驱动的通信网络智能运维实践.pdf

1、敏捷感知，精准决策：基于 AI 与数据驱动的通信网络智能运维实践刘裕良 研究员中国科学院自动化研究所博士，现为华为诺亚方舟实验室研究员。2016年开始参与ICT智能运维相关工作，主要从事小样本学习、数据异常检测、根因推荐、智能诊断、时空聚类、关联挖掘、预训练模型、Zero-Touch Operation等方向研究。在研究工作中提出的V-Sharpness、iRCRR、根因基、MSGR、AdaSTE等算法和框架，已成功应用到AUTIN等相关产品。具有丰富的AI算法设计、优化、落地经验，同时熟悉无线、传输、核心网的基本运维机制，理解运维语言和运维痛点。通信网络发展趋势及运维挑战通信网络未来运维模式

2、华为智能运维实践总结与展望通信网络发展趋势及运维挑战通信网络发展趋势网络运维面临的挑战网络运维转型趋势根据行业预测，未来的运维的发展趋势，将逐渐从面向网络与设备的被动式管理转型成为面向客户的预测、预防式管理，通过高度自动化的服务为客户提供自助服务的模式。而通过面向客户的并且提供预测 预防管理的智能运维模式，虽然网络环境逐渐趋向复杂与多元，但网络故障的处理时长、运维人员与人为引入故障的数量都将得到较大控制，传统的网络环境复杂度与维护成本、人数等运维的工作量之间的矛盾将得到极大缓解。引入 AI 是电信行业趋势所向Tractica 电信行业 AI 收入预测全球知名市场研究公司 Tractica/Ov

3、um 对 30 个领域近 300 个真实的 AI 使用场景进行的研究表明，电信领域在 AI 技术方面尤为积极，并且是目前最大的 AI 细分市场。根据 Tractica/Ovum 预测，到 2025 年，全球电信业对人工智能软件、硬件和服务的投资将达到 367 亿美元。其中，电信业 AI 软件市场将以 48.8%的年复合增长率从 2016 年的3.157 亿美元增至 2025年的 113 亿美元。预计至 2025 年，电信运营商主要将 AI 用于网络运营监控和管理，这方面的支出将占到电信业 AI 支出的61%通信网络未来运维模式新需求和挑战对未来运维模式的期望人工智能在电信网络运维中的作用电信网

4、络未来运维模式：人机协同运维体系迭代发展过程中人、数据、机器的角色与关系随着人工智能的技术不断成熟并在运维中扮演越来越重要的角色，推动运维管理由传统“人+流程”的运维模式转向人机协同的运维模式，人机协同的运维模式是让机器把机器学习、深度学习等人工智能算法应用于运维工具和业务系统所采集的大型数据集，并尝试模拟人类行为（如感知、分析、决策、执行等）协助运维的模式。人机协同模式让运维管理具备算法和机器学习能力，通过持续学习将运维人员从纷繁复杂的告警中解放出来、使运维变得智能化。在新的运维模式下，新技术可以赋能运营团队，以人的独特经验和判断力注入数据底座，点石成金，将数据升华为知识，并以此推动机器的学

5、习能力，形成机器自决策、自执行的闭环，打开电信网络的未来新模式的大门。新一代电信网络运维模式人机协同运维模式的演进方法华为智能运维实践华为智能运维核心能力：场景化专业能力借助于丰富的项目经验与过硬的技术能力，华为已经建立了强大的在MBB/FBB/NFV&5G 下的场景化专业能力。华为智能运维核心能力：AI 算法与数据服务能力统一 AI 算法能力，赋能场景数据赋能故障预测与管理案例介绍1：无线网络故障管理自动化1.人工总结故障树，耗时耗力，场景覆盖度仅40%，2.单棵故障树准确率70%；3.MV场景无专家经验积累，覆盖难度大。竞争力突破业务痛点1.标注工作量大，2人月/项目；2.场景仅覆盖MBB

6、；3.推理过程不可视，无参数暴露，客户无法参与1.图主题挖掘技术突破，标注工作量2人月 5人天；2.构建通用传播图，场景拓展到承载网（PTN/OTN）；3.推理过程可视智能识别（AABD Pro）人工识别-机器挖掘+无感标注智能诊断（RCF）人工总结-自主系统+场景覆盖度故障管理业务流数据采集故障识别修复&闭环故障诊断网络拓扑&资源数据实时告警历史告警训练态推理态ProAI能力支撑故障修复传播关系挖掘时空聚类根因网元识别故障传播图故障根因推断修复方案推荐智能识别智能诊断业务痛点竞争力突破基于RCF根因基模型构建浅层根因决策能力，无线接入场景覆盖率从40%提升到80%，准确率90%，支持MV。单