2019年中國聯通網絡技術大會嘉賓演講PPT資料合集.rar

《2019年中國聯通網絡技術大會嘉賓演講PPT資料合集.rar》由會員分享，可在線閱讀，更多相關《2019年中國聯通網絡技術大會嘉賓演講PPT資料合集.rar（0頁珍藏版）》請在三個皮匠報告上搜索。

1、2019年11月12日中國聯通5G終端“四化”觀點：手機5G化制式通用化價格民眾化終端泛在化2020e2021e3.8億1億4億3.5億5G手機市場規模19Q219Q46K+3.5K+19Q33K+20H12K+20H21K+5G手機價格演進5G手機、泛智能終端及行業終端進展2019.1.102019.2.145G手機、CPE白皮書中國聯通5G測試手機、CPE交付2018.12.75G頻率發放2019.4.232019.6.62019.6.25中國聯通5G友好用戶體驗發5G牌照發手機入網證2019.85G手機首銷2019.10.315G商用5G套餐發布2019.4.23模組和行業終端白皮書5G

2、模組應用招募2019.82019.9.62019.10.175G行業終端孵化啟動5G泛智能終端孵化啟動觀點：自主定制CPE、MiFi新品發布2019.11.075G雙千兆網領先關鍵公式網絡對終端帶來的變化共建5G網絡觀點：NSA組網，5G基站覆蓋范圍內，4G和5G基站一起共享，分別接入各自4G核心網 SA組網，雙方各自新建5G核心網，5G基站升級后繼續共享 NSA/SA雙模5G基站：雙模5G基站同時接入4G核心網和5G核心網，繼續共享 SA單模5G基站：單模SA基站僅連接5G核心網，繼續共享1+1=全球現網速率最高的5G網絡NR3.5NR2.1200M110M成熟產業成熟中3.5+2.1=好+

3、省NR3.52020：城區連續未來熱點補充NR2.1密集城區普通城區郊區鄉鎮/農村最優競爭力成本競爭力上行增強/高速覆蓋/2B拓展2021：農村逐步連續聯通&電信合建5G網絡規劃合建原則 共 建 一 張 5 G 接 入 網 絡 共 享 5 G 頻 率 資 源 5 G 核 心 網 各 自 建 設 業 務 和 品 牌 保 持 獨 立 經 營 用 戶 歸 各 公 司 所 屬 制 定 合 理 的 結 算 辦 法分區 電 信 獨 自 承 建 1 7 個 省 聯 通 承 建 8 個 省 共 同 承 建 省 直 轄 市 5 個網絡對終端帶來的變化提升終端能力觀點：NR支持n1頻段2020年4月起必選支持20

4、MHz系統帶寬，根 據 產 業 鏈 進 展 情 況 支 持 40MHz 和50MHz系統帶寬NSA：VoLTE和CSFBSA：EPS Fallback支持軟件OTA實現VoNRn78+n78和n1+n78載波聚合2020年H2分價位段必選要求總功率最大26dBmNSA 雙 連 接 狀 態 LTE 最 大 發 射 功 率 為23dBm；SA n78最大發射功率為26dBm，3000元以上機型要求支持2T4R。ABCDn1載波聚合HPUE語音方案5G終端的三種產品形態觀點：CPEMIFIDongle智能手機AR/VR車載后視鏡高清攝像頭PAD5G芯片終端5G模組終端5G數據終端&終端智能手表快速接

5、入，廣泛方便，集成度低集成度高，技術難度大，迭代慢主流形態，綜合性價比高屏幕越來越大（尤其是老年人）折疊屏、卷曲屏等（如華為、三星折疊屏手機）外掛屏幕拼接（如LG 5G手機）不同場景，擴展在不同的屏幕（TV、PC等）投射，HUD（Head Up Display）手機：5G手機演變的思考呈現方式觀點：手機：5G手機演變的思考 賣點觀點：隱性賣點芯片：從5G基帶+AP到5G SOC顯性賣點關鍵元器件：功放器、濾波器、天線陣列屏幕：柔性屏、高清屏電池：快充、石墨烯攝像頭：多攝、大像素存儲：硬件存儲、云存儲泛終端：積極布局5G+XR產業生態上述數據來自GSMA（全球移動通信系統協會）187602359

6、029400362604438053900648207728020182019202020212022202420232025全球泛智能市場零售額趨勢（億元）中國,34.5%其他國家,65.5%中國,27.5%其他國家,72.5%VR市場AR市場2020中國區XR產品消費量全球占比應用：5G殺手級應用的思考觀點：影像類XR類電游類云化類攝影直播內容終端云游直播存儲計算行業終端及泛智能終端孵化行動研發商業化招募三步走兩賦能專屬網絡技術支持渠道共享營銷助力5G模組免費品牌背書微信掃碼進入“5G專區”實踐：5G多視角互動直播端到端解決方案智能云存儲超高清轉播車5G CPE超高清攝像機編碼器5G CP

7、E超高清攝像機5G背包無人機基于5G的云化制播平臺承載網編播傳采存5G+4K+多視角子彈時間5G+VR5G+AR5G采集設備5G超高清回傳云編輯AI圖像增強（人臉識別等）場景各類視頻網站、應用用戶5G手機5G PCVR/AR體育賽事娛樂演出旅游、教學實踐：全球首個5G直播孵化基地觀點：中國聯通5G“三大賦能”創新孵化5G新直播基地三大賦能六大計劃五大能力網絡賦能技術賦能商業賦能網絡能力場館能力設備能力培訓能力制作能力合作聯盟入駐直播達人入駐智慧生活營銷網絡直播造星商業創新孵化網絡直播大賽定義新直播減缺亂多5G產品缺4G銷量和備貨減增搶5G新品多4G、5G切換亂5G競爭亂搶市場地位銷量增長9月1

8、1月12月1月2月3月6月7月8月9月10月11月12月10月8月4月5月5G手機市場發展預判分析觀點：中國聯通5G終端產業鏈新生態17家模組終端類5G終端創新聯合研發中心3家芯片類5G終端創新聯合實驗室6家應用內容類5G終端應用合作創新中心6家連鎖渠道類戰略合作伙伴新藍海的試驗場獨角獸的孵化器5G智能電源系統極簡建維5G機房需求分析匯聚綜合業務點核心基站一級前傳二級前傳回傳DUCUAAUUPCP無線接入網分布式單元處理物理層功能和實時性需求的二層功能。集中式單元非實時無線高層協議棧功能，支持部分核心網功能（UP）下沉用戶平面控制平面核心網RRU+天線針對5G NR站點四種組網形態，AAU、C

9、U/DU的方式對傳輸要求最為苛刻，以下傳輸方案均以此前提分析：CU/DU主要集中至綜合業務接入機房，考慮部分集中點分攤綜合業務點壓力；每站12架(1020個BBU)，每個BBU管理1個站(暫估)，機房另考慮1架傳輸綜合柜。CN整體承載方案機房5G承載業務：CU/DU部署12個BBU柜（1020個BBU）加1個傳輸綜合柜5G站點功耗倍增宏站配置持續升級宏站配置持續升級1,500移動聯通電信移動聯通電信2.6G3.5G3.5G9 9頻頻-112 2頻頻1,000DDFA1.8G1.8GFA1.8G1.8G5001.8G2.1G1.8G2.1G2017年2018年2020年9009008009009

10、00800即使考慮射頻模塊功放等技術提升即使考慮射頻模塊功放等技術提升，存量站點存量站點向向5G5G演進演進，站點功耗基本倍增站點功耗基本倍增3 3.5 5G G120W160W240W140012001200AAUAAU功耗可功耗可達達1401400 0瓦瓦5G基站建設遇到的挑戰難點1 1 站址/機房問題阻礙5G站點部署 5G基站難于選點，物業租金在基站運行成本占比較高；現有基站/機房條件受限，改造困難；難點2 2 5 5G G設備的高功耗嚴重影響基站的建維成本 5G單站典型功耗（3個AAU+1個BBU）約為3.54kW，遠高于2G、3G、4G基站；現有基站外電容量不足，需要擴容或新引市電，

11、引電成本較高；原有基站電源系統輸出分路不足，48V直流不適應于大功率遠距離送電；難點3 3 基站現有運維手段制約建設維護工作 基站動環監控系統與電源系統不同步建設，建設成本高，建設周期長，系統故障難于定位；現有電源設備智能化程度不夠，運維工作較繁重，運維成本高；現有動環系統沒有大數據統計分析，無法根據現狀進行建設運行方案的精細化管理。5G智能電源-易安裝、免維護、易維修輸入多樣簡化簡化維護工作維護工作采用下部及維護采用下部及維護窗接線窗接線，支持熱支持熱揑揑拔拔，便于維護便于維護安裝安裝。模塊化適應范圍廣節省節省安裝空間安裝空間I IP P6565防護等級防護等級，風雨無阻風雨無阻模塊化設計，

12、可靈活選配電源模塊/鋰電池組，滿足不同現場需求采用高度集成設計采用高度集成設計，可可以采用抱桿式以采用抱桿式、掛墻式掛墻式安裝安裝，節省安裝空間節省安裝空間。適應適應5050高溫環高溫環境境，滿足戶外供滿足戶外供電需求電需求集成度高集成站點包含電量（電源/電池）、環境量，主設備等運行狀態，自適應安裝。支持交流、高壓直流輸入電源輸入，支持備電接入方案一（5G5G智能電源，備電可選方案）5G智能電源AAU市電接入方案特點：1.可支持交流、高壓直流等多輸入制式2.可根據需要增加電池備電3.實現智能監控功能，帶電量計量，可實現電池自動維護和容量監測4.遠期5G AAU功耗降下來后，可實現一拖三5G智能

13、電源-建設方案AAU可選鋰電池方案二（交流直供，無備電方案）方案特點：1.需5G AAU設備直接支持交流輸入，現階段商用產品暫不支持2.后期增加備電的方案成本高3.沒有智能監控功能，無電量計量，斷電情況無法監測4.建議在小微站使用，成本比一拖三方案高5G智能電源-快速建設無線選點基站勘查改造/新建方案基礎設施施工調測監控系統施工調測基站開通資源錄入 現存問題1234物業談判困難建設時間長監控系統需額外投資缺乏資源管理5維護成本高 突破思路1234設備標準化加電自動運行監控自動組網不需專業調測5全壽命期資源管理5G智能電源-試驗基站深圳試驗站電源安裝圖5G智能電源深圳試驗站全景圖該5G5G基站位

14、于深圳南山區科技園，兩個扇區AAUAAU距BBUBBU超過200200米，傳統方式無法供電該5G5G基站為試驗站點，沒有配置后備電池廣州試驗站電源安裝圖該5G5G基站為東莞聯通大樓試點站，現場安裝空間較小5G智能電源建維費用分析210002600031000360004100030405060708090100110120基站能耗預估自有基站能耗5G智能電源分時段-5G智能電源基站年能耗 kWh電纜長度 m100001500020000250003000030405060708090100110120基站建設成本分析傳統模式建設成本5G智能電源建設成本建設成本 元電纜長度 m5G供電技術選擇應

15、用建議基站類型供電距離 AAU距機房距離小于50米AAU距機房距離大于50米聯通自有基站（機房設備可擴容）利用原基站48V供電系統就近引交流電，使用5G智能電源為5G AAU設備供電聯通自有基站（機房設備不可擴容）引交流電，使用5G智能電源為5G AAU設備供電就近引交流電，使用5G智能電源為5G AAU設備供電鐵塔基站利用原基站48V供電系統，可考慮增加電度計量就近引交流電，使用5G智能電源為5G AAU設備供電BBU集中模式（分散備電）-就近引交流電，使用5G智能電源為5G AAU設備供電BBU集中模式（集中備電）-在CU/IDC集中機房將48V DC轉成240V/336V高壓直流，引高壓

16、直流至5G AAU設備側，然后采用5G智能電源轉為48V直流電供AAU設備使用；5G智能電源-智能化功能感知基站的負載情況、環境數據、供電質量、市電電能、電池備電時長，為機房建設和運營提供決策依據。智能化管理系統的構筑：1、物理層：以5G智能電源為基本監控單元，自帶無線傳輸，獨立的傳輸網絡2、平臺層：采用兩層管理組網架構部署，分權分域，省市接入全國平臺管理達到建設標準化、資源實時化、運維移動化、管理集中化，實現不同部門在同一平臺上獲取需要的數據。實現資源與運行數據的自動更新及全壽命期資源管理。5G基站動環監控管理系統-系統架構基站其它5G智能電源環境參數鋰電池組移動發電基站系統性能管理資源管理

17、告警管理配置管理網絡管理運維管理管理平臺基礎設施統一接口（B接口）分析平臺基礎設施基礎設施數據API資產管理能效分析維保管理電子巡檢容量規劃運營分析移動發電業務接口開放5G基站動環監控管理系統-系統展示謝謝！MEC邊緣云，助推5G ICT創新業務發展中國聯通核心網首席架構師2019年11月12日 開放合作賦能，與聯通共5，讓未來生長內容/應用/計算向邊緣遷移驅動MEC發展核心網集中式部署不能滿足新業務需求，網絡隨業務流向邊緣遷移是產業趨勢應用本地化“低成本”內容分布化“大帶寬”計算邊緣化“超低時延”園區、企業、場館等自己的應用在本地閉環運營商高帶寬內容從中心到區域分布式部署新型超低時延業務在邊

18、緣才能滿足業務訴求中心DC200km300km100km150km30km50km區域DC邊緣DCMetroAGGACC智慧場館10ms1Gbps遠程手術110ms300Mbps自動駕駛1ms50Mbps+機器人協作1ms110Mbps遠程醫療診斷10ms50Mbps無人機投遞10ms15Mbps移動視頻監控20ms50MbpsAR/VR20ms1Gbps公共安全20ms10Mbps移動廣播100ms10Mbps區域DC業務邊緣DC業務智能工廠、智能辦公、智慧城市AR/VR、移動視頻監控自動駕駛、機器人協作、遠程醫療診斷高清視頻20ms10Mbps5G+MEC提供低延時、可靠、安全的能力滿足2

19、B行業客戶需求MEC提供本地分流能力，保證園區的數據不出園區，提供低延時的用戶體驗，MEC與園區的私有云與公有云互聯，實現云邊協同，為制造企業、校園場景等場景提供專網服務。高安全低延時邊緣DCNFVIMEPUPFAPP高可靠企業私有云公有云業務場景景業務需求需求智能制造超清視覺檢測、遠程控制、云化AGV、室內外定位、AR/VR輔助、數字孿生+AIOT智慧港口監控及自動化控制、信息化一體化解決方案、大數據分析智感安防視頻監控、視頻存儲與轉發智慧交通CAN數據上傳、視頻上傳、高清地圖下載、車輛控制智慧醫療手機看片、遠程會診、遠程教學、遠程手術智慧教育AR/VR輔助，云存儲、視頻監控5GAPP5G+

20、MEC部署豐富的應用，更好的滿足2C用戶需求5G MEC是發展OTT行業應用不可缺的一環MEC部署OTT業務，提供視頻、游戲、AR/VR等業務，提升用戶體驗，降低使用成本 OTT通過業務在MEC部署更加貼近用戶，能夠提供更多的服務本地DC5GNFVIUPFvCDNVR應用云VR/AR平臺AR應用CG流視頻壓縮視頻編碼視頻分塊 內容豐富體驗極致業務場景景業務需求需求視頻點播智能視頻加速、內容緩存與分發、4K/8K超清視頻、VR內容的點播媒體直播超高清視頻4K、8K，VR內容直播、云端的實時采集、編譯、編碼渲染網絡直播4K/8K,VR類應用的網絡型直播平臺，需要提高視頻流的調度分配能力，主播互動，

21、變裝秀時均需進行實時渲染處理云桌面云存儲、云計算云游戲云端渲染、頭顯無繩化MEC實現CT的網絡能力與IT的業務能力的真正融合MEC（Multi-Access Edge Computing），3GPP定義了C/U分離的網絡架構，UPF是邊緣計算的數據錨點；ETSI定義了MEC的商業框架，包含軟件架構、應用場景和API接口。UPF是ETSI與3GPP網絡架構融合的關鍵點5G Rel15標準網絡架構創新：核心網CU分離，U平面可靈活按需部署分流機制設計：核心網設計三種流量卸載機制，滿足5G不同場景下分流需求業務連續性：多種業務連續性保障機制，滿足不同業務的連續性需求動態交互機制：設計應用與網絡動態交

22、互機制，支持UPF在本地按需增加和刪除n5G Rel16將通過網絡功能增強支持5G V2X，URLLC等低時延高可靠業務ETSI 標準階段一：定義ETSI MEC基本架構，服務管理API，無線信息開放北向API階段二：完成MEC架構與NFV架構融合，應用遷移機制研究，定義固網，wifi接入API，分析MEC與切片，及5G網絡的關系階段三：與垂直行業組織合作(例如5GAA，ITS等)，開展面向垂直行業的平臺能力設計NSSFUDMNRFNEFAUSFAMFSMFPCFUERANUPF數據分流能力開放NnefN6MEC OrchestratorVirtualization Infrastructur

23、eMEC PlatformMECPlatformManagerVIMSystem LevelHost LevelServiceAppServiceAppServiceApp3GPP 5G 網絡架構ETSI系統架構MEC邊緣云助力運營商構筑5G時代核心競爭力MEC支持從4G向5G平滑演進聯通MEC網關當前具備融合4G/SG NSA的能力，后期平滑向5G SA演進5G SA架構天然支持MEC，UPF支持多種模式，可靈活部署4G/5G NSA5G SAEPC靜態LBO5GC動態LBOMEC平臺和網關分布式部署靜態LBO策略靜態低時延GW-C分布式 網關區域接入MEC互聯網本地分布式 網關動態本地業務

24、分流:ULCL動態使能和應用與網絡協同無時延邊緣業務移動性：本地UPF無時延切換（SSC模式3）新功能：LADN/多歸屬IPv6等區域接入本地5GC用戶面UPF本地UPFV2X服務器本地UPFV2X服務器網關間切換互聯網本地UPF MEC應用功能ULCL 應用與網絡協同聯通結合5G以MEC為錨點，促“云管邊端業”協同發展聯通MEC從18年開始試點到現在進入快速的發展期，隨著5G的建設，MEC作為5G行業的觸點，要加速商用化的進程。聯通提出“云管邊端業”協同發展的規劃，依托邊緣云業務平臺+行業應用，實現行業應用的百花齊放云管邊端業以通信云、公有云、行業云為中心，實現云邊協同以結合切片、智能管道等

25、網絡能力，發揮云網一體服務優勢以打造中國聯通開放、智能的邊緣業務平臺，賦能行業應用聚焦重點行業，合作創新，打造垂直行業拳頭產品提供測試環境，與終端、模組廠家合作，開發新型終端五位一體協同發展乘勢起航，8個重點行業取得突破產業引領，聯通MEC邊緣云取得諸多成果 產業鏈引領，主導10+項MEC國際標準，斬獲10+項國內外大獎業界影響力最大 已在全國20余個省市打造60余個試商用工程商用落地最多生態伙伴最廣2019 SDN/NFV大會領獎2018中國國際信息通信展領獎商飛、寶鋼、三一重工等智能制造智能網聯北汽、吉利、寶馬、長安等智慧港口天津港、福州港、寧波港等智感安防廣州公安局、新疆公安局等智慧水利

26、四川都江堰、福建河長等智慧物業碧桂園、SOHO等智慧醫療華山醫院、大田三明醫院等 159個合作伙伴，啟動Edge視頻監控、Edge智能分析、Edge工業互聯網、Edge智能車聯、Edge AGV、Edge智慧醫療、Edge新媒體、Edge業務平臺等創新產品持續與合作伙伴共同推動MEC技術及生態發展江陰智慧碼頭 首個5G MEC智慧港口碧桂園物業監控首個智慧物業聯通/華為+吉利 業界首個智能駕駛方案商飛大飛機 智能制造工廠智慧物業智慧法院、智慧教育智慧交通智慧新媒體彈性擴容和輕資產訴求低成本帶寬需求AR、VR視頻滿足遠程互動類需求異構資源（CPU/GPU），硬件加速減少時延提高用戶體驗無中斷的本

27、地流媒體傳輸大數據量高帶寬網絡傳輸5G 核心網廣州MEC平臺IPRANvGW-C輕量級IaaSX86通用硬件UGW-UUPFAPPMEPVASAPPInternetMEC廣州廣播電視臺、虎牙直播，云際智慧廣州中級人民法院、中山大學碧桂園物業監控、工地文遠自動駕駛智慧港口視頻監控，低時延實現遠程控制廣州南沙港在廣州面向行業應用共同打造MEC試運營基地共同發布行業實踐白皮書三一集團智慧園區聯通MEC架構：靈活定制化、快速上線、迭代部署、高效運營海量邊緣節點及應用集中運維管理，節省Opex根據熱點統計分析自動部署APP，規則自動生效一鍵式自動開站，節省Opex開放用戶位置信息開放無線網絡信息優化邊緣

28、應用的用戶體驗新業務上線TTM縮短到12周低成本高性能硬件硬件加速GPU/FPGA/NP等極簡I/P層平臺節省CAPEX端到端最短轉發路徑防資源惡意占用防外部攻擊防開放API濫用無線家庭企業ME-PaaS邊緣輕量化IaaSX86通用硬件/專用硬件UGW-UUPFMEAO/MEPM中心DC IaaS中心DC HardwareO&MMEC聯通MEC邊緣云專注生態的構建，開放邊緣IaaS、CaaS、aPaaS、邊緣網絡能力、增值服務能力和5G邊緣沙箱能力，提供平臺API、SDK和開發者工具集合，在邊緣節點實現應用的快速入駐，實現孵化、使能、承載、分發全方位對接中國聯通MEC平臺能力中心管理大區管理O

29、SS運維管理平臺生態合作伙伴產品營銷中心全局響應中心MEC生態合作伙伴開放平臺全局監控中心全局軟件制品倉庫MEAO 邊緣編排器NFVO 網元編排器VNFM 網元管理器NFVI 5G核心網元基礎架構PCFSMFNEFUDMNRF NSSF 全局應用編排應用策略管理全局ME-IaaS包管理全局ME-CaaS包管理全局MEPM管理OSS運維數據上報計量計費模塊商機管理源碼托管應用構建合作伙伴制品倉庫持續交付模擬沙箱開發者社區MEPM 邊緣管理器區域監控中心云邊協同管理應用生命周期管理應用包管理邊緣數據中心管理邊緣CaaS生命周期管理邊緣VAS生命周期管理邊緣IaaS生命周期管理邊緣基礎架構區域制品倉

30、庫邊緣MEP管理IT/CT防火墻云邊協同防火墻邊緣輕量IaaS邊緣CaaS持久存儲VPC網絡虛擬機容器微服務管理微服務注冊微服務發現微服務治理5G邊緣UPFIP分流DNS分流設備ID分流GPU加速DPDK加速邊緣賦能服務VAS邊緣網絡能力FNSMEP DP DNSNAT API網關 AI語言識別AR/VR渲染視頻解碼IoTAI視覺識別視頻使能位置服務邊緣網絡能力開放緩存服務邊緣應用全局中心區域中心邊緣機房用戶基站中國聯通MEC平臺對接BSS/OSS，已具備運營級能力訂單中心產品中心客戶管理計費客戶服務支撐營銷支撐業務支撐業務開通響應支撐運維支撐投訴處理客戶故障監控產品運營產品維護方案維護政企客

31、戶經理業務運營中心集團客戶邊緣計算業務平臺BSS客服投訴支撐電子運維故障處理集中故障監控運維人員OSS知識中心系統運維lMEC平臺前端連接BSS域，實現產品的統一投放，業務統一受理，計費統一清算l后端連接OSS域，實現與大網資源精細關聯，業務監控，故障處理，投訴響應等協同運維，具備MEC業務端到端運營一體化能力統一資源管理MEC平臺應用全生命周期對接1.應用開用開發2.鏡像制作像制作4.應用分用分發3.應用用測試5.應用用訪問和治理和治理APP源碼API源碼開發可選MEC開放API集成版本管理自動構建持續集成到Docker容器或者VM環境候選虛擬機鏡像候選Docker鏡像定義應用分類、版本定義

32、擴縮容策略增加應用策略(TOSCA)增加應用策略(YAML)定義邊緣分流策略定義VAS調用定義FNS調用定義監控Endpoint測試實例邊緣功能測試邊緣性能測試VAS/FNS聯調生產應用用戶訪問和使用邊緣應用應用升級服務治理彈性伸縮監控告警正式鏡像選擇邊緣位置注入客戶信息啟動計量指令MEC邊緣平臺開發者招募一點創新，全國復制：依托聯通5G現網環境及MEC業務平臺進行應用部署，未來在全國上萬個邊緣節點實現一鍵式自動開通；可獲得聯通31省銷售渠道資源的賦能，全國60000+營銷隊伍聯合進行MEC業務產品的推廣，成單后可進行收益分成；對于提供優質邊緣應用的企業，聯通將引入“5G應用百億創投資金”進行

33、扶持，在資本助推下，加速產品孵化；對于成功認證上線的應用，將入圍中國聯通MEC供應商名單，在聯通電子商城“公開市場”進行上架中國聯通&英特爾MEC邊緣云業務開發者訓練營2019年10月29日 北京站攜手各省份公司及合作伙伴共拓MEC商用發展！發布日期：2019 年 11 月中國聯通網絡技術研究院China Unicom Network Technology Research Department版權申明中國聯通網絡技術研究院，2019版權所有。未經許可，不得復制、轉載、摘編、轉譯或引用或以其他方式使用本白皮書的任何內容中國聯通 5G 網絡能力開放白皮書（2019 版）V1.0中國聯通 5G 網

34、絡能力開放白皮書（2019 版）I目錄目錄1.前言.22.5G 網絡能力開放愿景與架構.22.1.5G 網絡能力開放愿景.22.2.5G 網絡能力開放架構.35G 網絡能力開放架構.33.5G 網絡能力開放.33.1.概述.33.2.5G 網絡能力目錄.43.3.5G 網絡能力及典型應用場景.53.3.1.策略開放類能力.53.3.2.配置開放類能力.83.3.3.終端開放類能力.93.3.4.數據開放類能力.133.3.5.切片開放類能力.134.5G+N 能力開放演進與展望.14中國聯通 5G 網絡能力開放白皮書（2019 版）21.1.前言前言本白皮書立足中國聯通“聚焦”戰略，依托“匠心

35、”網絡，描述中國聯通5G 網絡能力開放發展愿景，介紹 5G 網絡能力開放整體架構并規劃面向 5G 開放的特色能力，致力于聯合產業合作伙伴共同構建基于能力開放的研究、開發、應用的聚合中心，構建合作、互利、共贏的 5G 能力開放合作新生態。本白皮書主要基于 3GPP R16 版本針對 5G 網絡能力開放的標準定義，聚焦于中國聯通 5G 網絡的基礎網絡核心能力，重點對中國聯通的 5G 網絡能力開放愿景、總體架構、網絡能力與主要場景等進行闡述。2.2.5G 網絡能力開放愿景與架構網絡能力開放愿景與架構2.1.5G 網絡能力開放愿景依托中國聯通“匠心”網絡，落實“聚焦”戰略，服務垂直行業、政企、互聯網企

36、業等領域，致力于深度開放 5G 網絡能力，構建能力開放平臺及產業聯盟，整合上下游產業要素，推動從研發到應用的產業鏈深層次互動和協作，拓展信息服務范圍，提升信息服務層次和水平。聚焦 5G 網絡能力，標準化開放接口，聚合產業合作伙伴實現持續創新，打造能力開放共享生態體系，為客戶創造新的價值，致力于成為客戶信賴的智慧生活創造者。中國聯通 5G 網絡能力開放致力于：1)按需規劃并開放具有運營商特色的 5G 網絡能力服務和資源。2)基于 5G 網絡提供“運營商能力+合作能力+第三方能力”豐富能力集合。3)構建合作、互利、共贏的 5G 能力開放合作新生態。中國聯通 5G 網絡能力開放白皮書（2019 版）

37、32.2.5G 網絡能力開放架構5G 網絡能力開放架構中國聯通 5G 網絡能力開放面向垂直行業、政府及企業、個人/家庭、業務，聚焦 5G 網絡側核心能力包括策略開放類能力、終端開放類能力、配置開放類能力、數據開放類能力及切片開放類能力，致力于與合作伙伴深度合作，共同打造信息通信服務開放平臺，提升綜合信息通信服務水平。3.3.5G 網絡能力開放網絡能力開放3.1.概述面向 5G 網絡豐富的能力及業務需求，中國聯通始終堅持“三個一切”理念，全力為客戶提供優質的產品體驗。對 5G 能力進行基于策略、網絡、終端、數據、切片等維度規劃，打造豐富、智能、便捷的 5G 網絡側能力體系。中國聯通 5G 網絡能

38、力開放白皮書（2019 版）43.2.5G 網絡能力目錄5G5G 網絡能力分級目錄網絡能力分級目錄序號序號一級能力一級能力二級能力二級能力應用場景應用場景1策略開放能力路由分流策略向第三方提供數據業務的流量路徑自主選擇能力，縮短通信時延。差異化保障策略為應用或者應用中的會話更改 QoS 策略，提供差異化服務，保障業務帶寬、優先級、時延等。背景流量策略可定制或更改背景流量策略，例如可在特定區域內為其移動用戶提供推送背景流量業務、可在多個時間窗內發起背景流量傳送。計費策略第三方可根據需求調用計費策略能力，提供基于5G 網絡的計費策略模式更改服務，計費策略模式包括：用戶為數據流量付費、第三方業務提供

39、商為數據流量進行付費或用戶和第三方業務提供商共同為數據流量進行付費。2配置開放能力網絡參數配置提供 5G 網絡用戶參數配置、定制及修改能力，如PSM，終端監聽周期 DRX，緩存性能等。通信模式配置提供 5G 系統用戶通信模式配置、定制及修改能力，如周期性數傳等，用于 5G 合理利用網絡資源。3終端開放能力移動狀態信息將網絡中的開關機信息、在線信息、機卡分離連接丟失信息等開放給客戶，可用于業務情況分析、用戶使用行為分析、故障預警和定位等。通信狀態信息將網絡中的通信故障事件通知給第三方，攜帶相關錯誤碼。漫游狀態信息該能力用于為某個特定應用申請終端移動性狀態信息中的漫游狀 態事件訂閱，實現對終端設備

40、管理、及時高效的狀態管理和生命期跟蹤時調用。位置狀態信息將網絡中的終端位置信息等以WEB或API方式開放給物聯網客戶，可用于實時監控、精準定位、智能跟蹤、用戶使用行為分析、故障預警和定位等。4數據開放能力網絡數據內外部共享將網絡側獲得/統計的數據，包括終端、網絡、應用等信息，通過能力開放平臺等進行內外部開放。5切片開放能力多切片管理多切片管理及編排相關的切片創建/修改/刪除能力開放。單切片配置單切片配置相關的切片路由、切片 SLA 參數、切片調用能力開放。中國聯通 5G 網絡能力開放白皮書（2019 版）53.3.5G 網絡能力及典型應用場景3.3.1.策略開放類能力3.3.1.1.概述策略開

41、放類能力基于 5G 策略控制系統，將 5G 網絡核心策略能力向客戶開放，實現網絡策略靈活配置、自主選擇及動態修改。策略開放類能力主要包括路由分流策略、差異化保障策略、計費策略及背景流量策略。3.3.1.2.路由分流策略能力3.3.1.2.1.能力簡介企業可根據需求調用流量路由策略能力，該能力與 MEC/邊緣網絡協同，提供數據業務的流量路徑自主選擇能力，面向行業、企業特定應用或中小型企業客戶，適用于 VR/AR 游戲交互、車聯網、數字化場館等場景，提供優質低時延業務體驗。3.3.1.2.2.潛在應用場景中國聯通 5G 網絡能力開放白皮書（2019 版）63.3.1.3.差異化保障策略能力3.3.

42、1.3.1.能力簡介企業可根據需求調用移動 5G QoS 保障能力，面向行業、企業特定應用或客戶提供基于 5G 網絡的流量加速服務，適用于云游戲、視頻會議、手機直播等場景，保證優質的業務體驗。3.3.1.3.2.潛在應用場景3.3.1.4.計費策略能力3.3.1.4.1.能力簡介企業可根據需求調用計費策略能力，面向行業、企業特定應用或客戶提供基于 5G 網絡的計費策略模式更改服務，計費策略模式包括：用戶為數據流量付費、第三方業務提供商為數據流量進行付費或用戶和第三方業務提供商共同為數據流量進行付費。中國聯通 5G 網絡能力開放白皮書（2019 版）73.3.1.4.2.潛在應用場景3.3.1.

43、5.背景流量策略能力3.3.1.5.1.能力簡介在特定區域內為其移動用戶提供推送背景流量業務，如智能手機的軟件升級服務或者是音樂/視頻的推送，可在多個時間窗（對應最大聚合比特率、費率）內發起背景流量傳送。3.3.1.5.2.潛在應用場景中國聯通 5G 網絡能力開放白皮書（2019 版）83.3.2.配置開放類能力3.3.2.1.概述配置開放類能力將 5G 網絡參數配置能力開放，實現網絡部分參數自主定制及修改，包括網絡參數配置、通信模式配置等。3.3.2.2.網絡參數配置3.3.2.2.1.能力簡介將網絡中的網絡參數配置能力等以 WEB 或 API 方式開放給物聯網客戶，該能力支持將終端的相關網

44、絡參數，例如 PSM 定時器、位置區域更新定時器和最大連接時間定時器等開放給第三方，尤其適用于物聯網終端節能省電場景。3.3.2.2.2.潛在應用場景3.3.2.3.通信模式配置3.3.2.3.1.能力簡介將網絡中的通信特征參數等以 WEB 或 API 方式開放給客戶，以提高網絡資中國聯通 5G 網絡能力開放白皮書（2019 版）9源利用率、優化通信模式。3.3.2.3.2.潛在應用場景3.3.3.終端開放類能力3.3.3.1.概述終端開放類能力將 5G 網絡中獲得的終端狀態相關信息面向垂直行業、政企、中小型企業、物聯網等開放，包括終端用戶的通信狀態、漫游狀態、位置信息等。3.3.3.2.移動

45、狀態信息3.3.3.2.1.能力簡介將網絡中的開關機信息、在線信息、機卡分離連接丟失信息等以 WEB 或API 方式開放給客戶，可用于業務情況分析、用戶使用行為分析、故障預警和定位等。3.3.3.2.2.典型應用場景一 故障定位：當終端出現無數據上報時，通過對指定終端的開關機狀態、在線離狀狀態、在線離線時間等的分析，幫助客戶遠程對終端故障進行定位，從中國聯通 5G 網絡能力開放白皮書（2019 版）10而實現故障快速解決。二 區域內終端上報：通過對一個企業客戶的所有終端或在一定范圍內的終端的開關機狀態、在線離線狀態進行統計分析，客戶可以實現對自己業務整體運行情況的判斷，及時發現異常并處理。3.

46、3.3.3.通信狀態信息3.3.3.3.1.能力簡介將網絡中的通信故障事件通知給第三方，攜帶相關錯誤碼，可用于故障預警、定位和分析等。3.3.3.3.2.典型應用場景通信故障事件允許第三方獲取通訊故障事件通知，并攜帶 RAN/NAS 錯誤碼中國聯通 5G 網絡能力開放白皮書（2019 版）11分析，幫助客戶遠程對終端故障進行定位，從而實現故障快速解決。3.3.3.4.位置狀態信息3.3.3.4.1.能力簡介將網絡中的終端位置信息等以 WEB 或 API 方式開放給物聯網客戶，可用于實時監控、精準定位、智能跟蹤、用戶使用行為分析、故障預警和定位等。3.3.3.4.2.潛在應用場景1、智能可穿戴設

47、備定位：通過運營商提供的可穿戴終端實時位置信息，可對可穿戴終端的位置進行實時精確定位，并結合通話、報警等功能，從而降低可穿戴設備佩戴人或物如老人、兒童、寵物等的安全隱患。2、智能物流跟蹤：通過運營商提供的物流實時位置信息，能夠對物流進行中國聯通 5G 網絡能力開放白皮書（2019 版）12實時監控及定位，并將信息記錄及上傳，從而實現對物流行駛軌跡進行實時跟蹤、查詢。3.3.3.5.漫游狀態信息3.3.3.5.1.能力簡介該能力用于為某個特定應用申請終端移動性狀態信息中的漫游狀態事件訂閱，實現對終端設備管理、及時高效的狀態管理和生命期跟蹤時調用。3.3.3.5.2.潛在應用場景中國聯通 5G 網

48、絡能力開放白皮書（2019 版）133.3.4.數據開放類能力3.3.4.1.能力簡介數據開放類將網絡側獲得/統計的數據，包括終端、網絡、應用等信息，通過能力開放平臺等形式進行內外部開放。3.3.4.2.潛在應用場景3.3.5.切片開放類能力3.3.5.1.概述網絡切片是 5G 網絡實現差異化服務的核心技術之一。切片開放類能力基于端到端 5G 切片管理/編排系統，將 5G 網絡核心切片能力向客戶開放，實現網絡切片靈活配置、自主選擇及動態修改。切片開放類能力主要包括多切片管理及單切片參數配置等能力。3.3.5.2.多切片管理3.3.5.2.1.能力簡介通過 web 或者 API 等形式開放，按照

49、垂直行業、政企客戶、大中小型企業中國聯通 5G 網絡能力開放白皮書（2019 版）14客戶需求進行多切片管理相關的切片創建/修改/刪除能力開放，實現網絡切片產品的靈活創建、應用及刪除。目前相關國際標準協議還在持續研討中，將根據最新標準進展制定產品方案及策略。3.3.5.2.2.潛在應用場景3.3.5.3.單切片配置3.3.5.3.1.能力簡介通過 web 或者 API 等形式開放，按照垂直行業、政企客戶、大中小型企業客戶需求進行單切片配置相關的切片路由、切片 SLA 參數、切片調用能力開放，實現網絡切片產品的靈活應用。目前相關國際標準協議還在持續研討中，將根據最新標準進展制定產品方案及策略。中

50、國聯通 5G 網絡能力開放白皮書（2019 版）153.3.5.3.2.潛在應用場景4.4.5G+N 能力開放演進與展望能力開放演進與展望能力開放是 5G 網絡的一種重要運營模式。目前，中國聯通對 5G 網絡能力進行基于策略、網絡、終端、數據、切片等多維度規劃，籌劃考慮按量計費、階梯價和資源置換等多種模式，為客戶提供多種選擇，打造豐富、智能、便捷的 5G 網絡能力開放運營支撐體系。未來，中國聯通將基于 5G 網絡側開放、開源、軟件化的服務架構，逐步結合人工智能、邊緣計算、大數據等能力，實現網絡管理、網絡 AI 和網絡數據能力的開放化，以合作共贏為主旋律，構建開放生態圈，與合作伙伴共同建設共贏生

51、態，共同探討 5G+N 能力開放的無限可能。加速變革 完善體系 提升能力打 造 政 企 業 務 發 展 新 動 能中國聯通IDC高效節能建設實踐31目錄CONTENTSIDC發展概況2中國聯通IDC建設實踐4 中國IDC市場高速發展，增速超過全球IDC市場平均水平，2020年有望突破2000億規模。1、IDC發展概況-市場規模全球IDC增長迅速，從2014年開始市場規模進一步增加。2017年全球IDC市場規模達到534.7億美元，同比增長18.3%2017年國內IDC市場規模為946.1億元，近7年來增長率在30%以上，2020年有望突破兩千億國內IDC市場增速從2014年41.8%開始逐步下

52、降，預計經過2017/2018兩年調整后，隨5G、物聯網、AR/VR等新興技術應用再次回到30%以上增長圖表：全球圖表：全球IDCIDC市場保持平穩增長市場保持平穩增長資料來源：科智咨詢圖表：中國圖表：中國IDCIDC市場規模及增速預測市場規模及增速預測資料來源：DTDATA51、IDC發展概況-熱點情況我國2017年度機架數量共166 萬個。其中大型規模數據中心（超過3000機柜）和超大型規模數據中心（超過10000個機柜）為增長主力，新增33.5萬架，增長增長68.0%68.0%；中小型規模數據中心（規模小于3000個標準機架)，新增8.1萬架，增長增長10.8%10.8%；2018年國內

53、IDC機柜數已達到210萬個，同比增長26%，增長快速大規模數據中心的分布與地區信息化發展水平有著較明顯的相關性。信息化發展水平較高的地區有足夠的信息需求度和資源儲備度，能夠滿足建設大規模數據中心的基本條件；我國數據中心多位于經濟發達發達一線城市，但是由于一線城市土地、電力資源緊缺，政府嚴格限制新建機房，而中西部地區在電力、土地方面具備優勢，并通過招商引資、政策激勵、人才引進等措施，中西部大規模數據中心的發展速度已得到明顯提升圖表：全國數據中心機架增長趨勢及預測（單位：萬個）圖表：全國數據中心機架增長趨勢及預測（單位：萬個）資料來源：數據中心白皮書預測2019年新建數據中心主要分布北京及周邊，

54、和上海及周邊圖表：圖表：2016-2018 我國數據中心機柜數量我國數據中心機柜數量資料來源：中國信息通信研究院，工信部 國內一線城市及周邊數據中心機柜數量及規模顯著提升6全市禁止新建和擴建互聯網數據服務、信息處理和存儲支持服務中的數據中心，PUE值在1.4以下的云計算數據中心除外；中心城區全面禁止新建和擴建數據中心。1、IDC發展概況-政策影響北京嚴禁本市中環以內區域新建IDC，單項目規模應控制在3000至5000個機架，平均機架設計功率不低于6kW。PUE值嚴格控制不超過1.3。上海根據PUE的高低，新增能源消費量給予不同程度的支持。1.4以上的數據中心不享有支持，低于1.25的數據中心可

55、享受40%以上的支持。深圳南京三部委關于加強綠色數據中心建設的指導意見到2022年，數據中心平均能耗基本達到國際先進水平，新建大型、超大型數據中心的電能使用效率值達到1.4以下，高能耗老舊設備基本淘汰。影響：1、高效節能技術的應用是數據中心建設的首選。2、向更高效的節能技術演進是數據中心建設的發展方向。聯通的策略與目標：1、充分利用自然資源優勢，積極推廣技術成熟的空調、電源等節能新技術應用。2、到2022年，新建大型數據中心的PUE值控制到1.4以下。3、改造現有大型、超大型數據中心PUE值控制到1.8以下。7目錄CONTENTS1IDC發展概況2中國聯通IDC建設實踐82、中國聯通IDC建設

56、實踐-PUE規劃目標規劃目標氣候優越地區寒冷及嚴寒地區夏熱冬冷地區夏熱冬暖地區2019年年2020年年2021年年PUE1.35PUE1.4PUE1.5PUE1.5PUE1.4PUE1.45PUE1.4 中國聯通數據中心建設標準按氣候分區制定PUE節能指標。中國聯通2019-2021年全國IDC建設規劃明確：因地制宜選擇高效節能方案，研究液冷、自然冷、高效電源等節能技術；結合三部委的要求，至2022年新建數據中心PUE降至1.4以下；氣候條件優越區域降至1.3以下。92、中國聯通IDC建設實踐1-優化集中水冷空調冷卻塔+離心機冷凍水空調系統冷卻塔制冷主機空調末端冷卻/冷凍水泵管路系統適用地區：

57、比較廣泛技術優化措施：1、調整供回水溫度：冷凍水供回水溫度從7 /12 提升到不低于12/18。2、優化機房氣流組織：精細化規定封閉冷通道時送風溫度不低于18；封閉熱通道時送風溫度不低于22。3、設備：水泵采用變頻泵、室內機風機采用EC風機。4、設備：機房內加濕采用集中濕膜加濕方式。102、中國聯通IDC建設實踐2-新風新風冷卻冷卻建筑：單層工業建筑，低成本快速部署，土建施工縮短至4-6個月空調：新風+蒸發冷卻+風墻+熱通道封閉，全年壓縮機制冷僅為8天，年節電費約300萬元/棟電源：全部采用室外油機，加快建設進度；采用高倍率電池后備系統消防：水噴淋消防，降低建設維護成本，避免氣體消防分區限制，

58、后期可按需改造為氣體消防寧夏中衛數據中心：首家運營商采用新風自由冷卻技術，PUE低至1.28。112、中國聯通IDC建設實踐2-新風新風冷卻冷卻適用地區：全年室外氣溫低、空氣品質優良的地區技術簡介：室外新風冷卻分成直接式和間接式，直接式效果優于間接式，但受室外空氣質量影響較大；間接新風不受室外空氣質量影響；采用新風冷卻技術時，對機房平面、層高等有特定要求。注意事項：（1）機房內氣流組織宜采用側墻彌漫式下送風、機房上部回風、封閉熱通道方式；機房內送風溫度不低于25。（2）需要評估高溫期長短，考慮機械冷源補充。122、中國聯通IDC建設實踐2-新風新風冷卻冷卻新風冷卻機房布局 空調新風機房：由過濾

59、、制冷、風機墻等新風系統組成；數據機房：風機墻直接送風，封閉熱通道，排出熱空氣通過吊頂回收；效果雖然初期投資較大，但新風系統運行維護成本遠低于傳統空調形式，在運行3年后，每年可節省一半的空調用電量。132、中國聯通IDC建設實踐3-蒸發冷卻獲得2018年ICT基礎設施節能創新“最佳節能項目獎”系統創新：系統創新：集中式蒸發冷卻，首次實現直接/間接蒸發冷卻和乙二醇自然冷卻耦合系統的自動控制氣流組織創新：氣流組織創新：混合末端地板下送風+熱通道封閉的外循環氣流組織運行模式創新：運行模式創新：水側蒸發冷卻、水側和風側復合蒸發冷卻、乙二醇自然冷卻 新疆烏魯木齊核心機房：國內首例全蒸發冷卻空調系統，全年

60、實現自然冷卻，設計PUE低至1.17。142、中國聯通IDC建設實踐3-蒸發冷卻適用地區：全年室外空氣干燥、溫度低的地區技術簡介：1、蒸發冷卻技術就是利用干空氣能來獲得空調所需制冷量。在不同類型的蒸發制冷裝置中，利用干冷空氣和水進行熱濕交換獲得低溫的冷水或冷風。2、按照水和空氣是否直接接觸，蒸發冷卻技術分為直接蒸發冷卻和間接蒸發冷卻兩種方式。3、按照空調載冷介質的不同，蒸發冷卻空調設備可分為蒸發冷卻空調機組和蒸發冷卻冷水機組兩大類型。152、中國聯通IDC建設實踐3-蒸發冷卻技術特點：1、節省投資：蒸發冷卻最大輸入功率只有電制冷空調的30%，可節省一大筆變壓器電力容量，相應減少高低壓供電系統的

61、投資，在同等電力容量下,可最大化提高IT機柜的安裝數量。2、節能效果：蒸發冷卻空調不使用壓縮機，機組能效比（COP）高達10，機房PUE值可低至1.2，相比傳統電制冷空調（COP為3）可節能70左右。3、安全：系統簡單，設備在常溫常壓下運行，易于維護管理，由于綠色清潔無污染的干空氣能制冷，是最貼近自然的空調方式，對人體無任何安全隱患。4、環保：不使用氟利昂（CFCs）和溴化鋰等化學制冷劑，不排放任何產生溫室效應的氣體。162、中國聯通IDC建設實踐4-天然氣三聯供浙江德清基地：國內第一個運營商分布式能源項目，年節約2萬噸標煤，解決“能源雙控”。技術特點：1、綠色能源：天然氣驅動內燃機發電，余熱

62、驅動煙氣-熱水溴化鋰制冷，能源梯級利用。2、高效節能：“二次泵“不間斷供冷，”氟泵+集中冷凝”空調，下送風+列間混合送風，空間利用率提升20%，支撐 8-30.5KW高密機柜。3、供電創新：“一路市電+一路240V高壓直流”模式，引入巴拿馬電源（能效97.5%），高倍率電池。4、快速部署：4個月內實現機電配套交付，客戶配套工程節約投資3500萬元（20%以上）。172、中國聯通IDC建設實踐4-天然氣三聯供適用條件：天然氣資源充足，市電不能滿足需求注意：T3等級以上的采用天然氣三聯供的天然氣應具備兩路氣源。冷源外的其他系統設計同集中水冷式空調系統。182、中國聯通IDC建設實踐5-整合現網資源

63、山東康巴斯：自研的聯通云艙，實現ICT融合，將傳統機房PUE從2.0以上降至1.5，單機柜年節約電費9000元左右。聯通云艙，以ICT融合、智能化、精準冷卻、分布式供電等模塊化形態呈現的具備高效、智能特點的物理基礎設施。山東聯通AI云艙項目獲得DCD國際大獎云艙1.0獲2018年科技進步二等獎192、中國聯通IDC建設實踐-與合作伙伴共同致力的方向一、尋求更有效提升溫熱地區數據中心電能利用效率的方式二、優化完善上海、深圳等地PUE嚴控地區的高效節能數據中心的建設方案三、研究開發邊緣DC產品，實現邊緣DC的快速部署加速變革 完善體系 提升能力打 造 政 企 業 務 發 展 新 動 能謝謝！中國聯

64、通彈性空口技術方案與推進計劃（CUBE-FLEX AIR）0102需求與挑戰需求與挑戰主要技術方案主要技術方案未來推進計劃未來推進計劃03需求與挑戰025G時代的到來，帶來業務需求的多樣化，傳統eMBB業務以下行容量需求為主，但2B類業務，如遠程醫療、安防監控、臨時集會等大帶寬上行需求凸顯，固定化的幀結構及上下行資源配置難以滿足差異化的業務需求，需要更靈活的資源配置。0401035G網絡引入了Massive MIMO和波束賦形技術，在帶來系統能力和效率提升的同時也帶來了網絡規劃、優化和能耗方面的挑戰，傳統的人工配置方式難以滿足差異化的場景需求，需要智能化的網規和網優技術。業務多樣化帶來網絡管理

65、復雜化，人工配置的網絡難以滿足要求業務分布不均衡，單一的網絡難以滿足所有業務需求業務需求的多樣化，固化的網絡資源配置難以滿足5G帶來豐富的業務，不同業務在速率、時延、可靠性方面的需求存在較大的差異，單一的網絡覆蓋只能滿足2C用戶的基本需求，對于差異化的業務需求需要更加融合和協同的網絡。高通隨著系統演進更新的加速，2G/3G/4G/5G多種制式存在長期共存和動態的業務遷移，各個系統剛性的資源配置無法匹配業務動態的變化，造成不同頻段和制式下資源利用效率的嚴重不均，難以發揮頻率效率的最大化，需要更彈性的資源配置。多系統長期共存，剛性的系統分配頻譜效率低下0102需求與挑戰需求與挑戰主要技術方案主要技

66、術方案未來推進計劃未來推進計劃03彈性空口的內涵“彈性空口”是指能夠根據用戶和業務需求的變化，通過動態調整網絡資源、智能網絡管理、靈活的跨域協同等技術手段進行最優化的資源配置，在匹配用戶業務需求、做到“網隨業變，網隨人動”的同時最大化系統的效率，打造“彈性”、“智能”、“協同”的網絡，實現業務體驗與系統效率的雙提升。彈性智能協同智能的波束管理：基于人工智能技術開展FDD/TDD Massive智能波束賦形，快速適應用戶分布，提升網絡覆蓋，降低網絡干擾，減少人工參與，提升系統的效率。宏微協同：通過室外宏站、室外微站、室內微站之間的資源協作、干擾控制、雙連接等協同技術，實現區域間的資源協同，滿足用

67、戶分布不均衡下的業務需求。動態的資源配置智能的網絡管理靈活的空口協同智能的能耗管理：基于人工智能技實現多制式智能協同，實現網絡區域級、基站級、扇區級不同顆粒度的智能節能，實現系統性能和能耗的平衡。高低頻協同：通過低頻、中頻、高頻資源之間的載波聚合、雙連接等協同技術，實現跨頻段之間的無線資源協同調度，滿足用戶彈性的業務需求。彈性空口（CUBE-FLEX AIR）靈活的系統帶寬：實現系統制式內帶寬配置的多樣性，可以依據業務需求進行系統頻率資源的彈性配置。動態頻譜共享：實現相同頻段范圍內不同系統制式的頻率動態共享，實現系統間資源的彈性配置，最優化資源利用率。靈活的幀結構：實現系統幀結構配置的多樣化，

68、可依據用戶上下行業務需求進行靈活配置，實現業務的彈性。LTE用戶業務帶寬需求分布NR用戶業務帶寬需求分布LTE占用 RBNR占用 RB空閑RB時間時間帶寬帶寬時間時間帶寬帶寬伴隨著4G和5G網絡的長期共存，靜態的頻譜配置無法匹配動態系統業務分布，造成不同系統忙時資源不足和閑時資源利用率低下，靈活動態的頻譜使用策略和能力為用戶提供最大化的空口頻率資源。利用用戶業務在時間上分布的差異，提高頻率利用效率，實現1+12的網絡效能，解決日益增長的用戶需求與有限緊張的頻率資源之間的矛盾，NL動態頻譜共享：LTE與NR都是采用OFDM技術，具有相同子載波間隔的LTE和NR具備天生的動態頻譜共享條件，只需規避

69、信道/信號沖突即可實現RB級動態頻譜共享。中國聯通將推動在2.1GHz和1.8GHz頻段支持端到端NR/LTE動態頻譜共享能力。動態資源分配動態頻率共享LTE缺口 RBNR缺口 RBLTE靜態資源分配方案NR靜態資源分配方案NR/LTE動態資源共享方案p靈活帶寬需求靈活帶寬需求l隨著業務分布差異化，不同區域用戶對于系統帶寬的需求呈現明顯的差異化，帶來靈活化配置需求；隨著業務分布差異化，不同區域用戶對于系統帶寬的需求呈現明顯的差異化，帶來靈活化配置需求；l隨著業務類型的多樣化，不同類型用戶對于系統帶寬的需求和能耗呈現明顯的差異化，需要靈活的隨著業務類型的多樣化，不同類型用戶對于系統帶寬的需求和能

70、耗呈現明顯的差異化，需要靈活的BWPBWP支持能力；支持能力；l隨著網絡共享的開展與推進，運營商頻率資源呈現聚合化趨勢，帶寬呈現更加寬帶化演進需求；隨著網絡共享的開展與推進，運營商頻率資源呈現聚合化趨勢，帶寬呈現更加寬帶化演進需求；動態資源分配靈活帶寬p技術演進方案技術演進方案l中頻譜帶寬寬帶化、多樣化演進，當中頻譜帶寬寬帶化、多樣化演進，當在當前只支持最大在當前只支持最大20MHz20MHz的基礎上的基礎上推推進進1.8GHz1.8GHz和和2.1GHz 25M/30M 2.1GHz 25M/30M/35M/35M/40M/50MHz/55MHz/40M/50MHz/55MHz系統帶寬標準系

71、統帶寬標準化化；l推動推動3.5GHz3.5GHz向更高帶寬演進，在當前向更高帶寬演進，在當前最大帶寬最大帶寬100MHz100MHz的基礎上根據技術與的基礎上根據技術與產業成熟度適時產業成熟度適時推進推進200MHz200MHz系統帶寬系統帶寬的標準化的標準化。l在在NRNR原有原有BWPBWP的基礎上的基礎上推進擴展的推進擴展的BWPBWP，支持更加靈活的帶寬配置；，支持更加靈活的帶寬配置；5G不同業務的上下行需求差異較大，比如遠程醫療、安防監控等大帶寬上行需求凸顯，需要靈活的幀結構；視頻監控視頻監控移動警務機器人移動警務機器人遠程指揮調度遠程指揮調度遠程手術遠程手術病房監控病房監控DDD

72、SUDL/UL0412slot30.625msOption 1:常規幀結構DSUUUDL/UL0412slot30.625msOption 2:0.625ms上行增強幀結構DDSUUDL/UL0412slot30.625msOption 3:0.625ms上行增強幀結構靈活性幀結構方案需采用靈活性幀結構覆蓋業務多樣化需求；在系統中采用多option幀結構，并根據業務需求進行靈活調配。右圖為毫米波幀結構方案。吞吐量（Gbps）Option1Option2Option32.40.61.240.72.291.49DL 256QAMUL 256QAM靈活幀結構方案優勢可根據覆蓋區域的長時間業務情況進行

73、預測調整；可根據5G行業應用的突發性情況進行上下行幀結構快速調整；滿足5G行業應用需求，也可以有效面對演唱會、體育場館等對上行帶寬突發需求明顯的公網場景。毫米波不同幀結構峰值速率對比靈活調整幀結構123Option 1Option 2Option 3動態資源分配靈活幀結構中國聯通首次提出基于上行增強的毫米波幀結構配比方案，用以滿足未來更加豐富的上行業務需求。智能網絡管理FDD/TDD統一智能波束賦形挑戰突破LTE FDD TM9終端滲透率低FDD單頻段帶寬窄模塊性價比低UE高速移動性能差FDD頻段陣子大工程規格大 角度、時延的信道互易性提升賦形精準度劈裂選擇性覆蓋兼容原有終端類型多層垂直波束+

74、MU-MIMO提升覆蓋與容量終端支持度提高帶寬增大，與電信共享 2.1G 55M、1.8G 50M設備集成度提高基于AI的信道預測，提升精準性隨著頻譜重耕和網絡共享的展開，FDD頻譜的Massive MIMO成為未來中頻譜的主要演進方案，需要在TDD Massive MIMO的基礎上同步推進FDD Massive MIMO的技術演進，FDD與TDD協同發展開發智能波束管理，實現波束賦形智能化，快速適應變化，提升接入體驗基于AI的用戶分布趨勢預測根據用戶分布設定波形參數快速調整波束形狀適應變化波速指向精度高，提升覆蓋最小化同頻干擾，提升性能快速靈活調整波束分布減少網絡管理時間和人力成本基于網管、

75、MR數據，利用AI算法進行場景識別和用戶預測建立波形參數組合與 KPI、用戶分布信息、小區場景等關聯的信息庫同類場景可以快速匹配獲取優化波束參數值智能網絡管理FDD/TDD統一智能波束賦形 大規模天線天線振子數：128-256高樓多樣化場景密集城區智能網絡管理智能能耗管理無線網絡能耗將成倍增長，5G網絡智能節能勢在必行OPEX中電費占比電費占比其他運營費用符號關斷通道關斷小區關斷功放調壓基于AI的智能節能實時、跨網絡、靈活智傳統軟件節能技術的局限性逐步顯現，開發基于AI的智能節能平臺，實現能耗管理智能化 數據采集層 PM、MR、CM原始xml文件解析匯聚層解析引擎關聯匯聚指標體系AI節能應用層

76、數據匯聚用戶感知評估業務預測指令生成服務節能策略網絡質量評估多網協同指令執行模塊執行監控服務能效評估GIS服務參數調優基站配置工參MRO域B域能耗數據HDFSYARNHiveImpala+Presto+ESPython基于AI的智能節能平臺架構業務預測基于歷史業務數據+AI算法，構建基站業務模型節能策略設定節能目標，自動完成節能策略生成、配置和執行參數調優預測并選擇最佳關斷時段，通過AI算法支持參數智能調優，優化關斷門限能效評估評估節能方案執行后基站能耗節能效果網絡質量評估評估節能策略執行后，網絡KPI主要指標變化情況用戶感知評估評估節能策略執行后，用戶感知質量變化情況5G基站設備功耗大幅增加

77、，基站設備能耗在單站能耗比例預計超過50%。人工智能技術可應用于通信網絡智能能耗管理，實現多制式網絡智能協同，支持網絡區域級、單基站、單扇區不同顆粒度的智能節能管理。靈活的空口協同宏微協同宏基站室外微站室外微站室外微站宏基站 室內微站室外微站室外微站業務驅動宏微協同宏微協同技術要求p宏基站覆蓋可以滿足大部分2C業務，但存在業務覆蓋空洞以及2B業務需求，通過部署微站可實現精準業務覆蓋；p移動業務需求失衡，業務分布不均，通過部署微站實現宏微協同，滿足差異化2B和2C的業務需求；p宏微間的互通宏微之間資源協調信息互通和數據互通性p宏微間的干擾協調ICIC/eICICp宏微間的融合多點協作雙連接載波聚

78、合p宏微之間的移動性管理以5G數字化室分創新發展聯盟為平臺開發新型微站產品，打造宏微協同的5G精品網絡高頻(3.5GHz,共建共享200MHz)中頻(2.1GHz，共建共享40MHz)低頻(900MHz，11MHz)中頻(1.8GHz，30MHz)高頻(3.5GHz,100MHz)覆蓋頻譜中頻(2.1GHz，25MHz)根據用戶業務覆蓋與速率的需求，協同高、中、低頻率，形成高效協同的分層網絡，統籌推進上下行載波聚合（N1+N78/N78+N78/N1+N78+N78）、多連接等技術成熟，滿足用戶業務需求。動態資源分配高低頻協同更高頻(毫米波，800MHz)以低中頻打造全覆蓋網絡，保證高質量的語

79、音，大連接，低速率的物聯網，以及良好體驗的基礎數據業務。CAEN-DC積極發展高頻和更高頻網絡，以滿足未來大容量、大數據量的新型業務和差異化的2B業務。中高頻網絡采用載波聚合實現對不同數據業務速率需求的快速響應。0102需求與挑戰需求與挑戰主要技術方案主要技術方案未來推進計劃未來推進計劃03下一步研究計劃2020推進2.1GHz的動態頻率共享技術與設備成熟推動N1 25/30/40/50 MHz靈活帶寬國際標準化推動毫米波上行為主幀結構基站設備開發智能波束管理平臺的研究與開發智能能耗管理平臺的開發與試運行室外微站產品開發及宏微協同驗證推動N1+N78和N78+N78載波聚合技術與設備成熟202

80、1推進N1頻段的55/60MHz的帶寬依據技術成熟度適時推動N78 200MHz帶寬推動毫米波上行為主幀結構基站設備試點驗證智能波束管理平臺試驗及試運行改進智能節能平臺運算效率和處理處理，實現5G智能節能平臺現網運行推動室內外宏微間互通與干擾協調研究與驗證推動N1+N78和N78+N78載波聚合試點及應用2022推進1.8GHz頻段支持動態頻譜共享技術與設備成熟推動毫米波上行為主幀結構基站設備冬奧場景應用推進宏微之間的融合組網及智能化組網方案謝謝！算 力 網 絡算網深度融合，服務智能社會算力是構建未來智能社會的基礎命令交互治療為主靜態/單維/單點少量工程師制定規則高效算力：基于相同算法，相同成

81、本，相同時間內，可以處理更多的用戶數據圖形交互預防為主動態/多層/端到端少量科學家研究算法大量設備提供算力處理用戶數據訓練推理智能(AI)=算 法+算 力+數 據大量工程師進行網絡的維護與交付人工智能算力是一種通用的可量化服務注：參考某互聯網公司推理服務模型AI推理不同應用對算力的需求AI訓練不同算法對算力的需求算法的演進對算力需求增長了30萬倍算力已經成為可單獨銷售的歸一化服務AI推理應用場景算力分類32位浮點運算16位浮點運算內存語音語義或者單流視頻中等1T FLOPS8T FLOPS1 GB多流視頻大型2T FLOPS16T FLOPS2 GB推薦引擎或者風險預測超大型4T FLOPS3

82、2T FLOPS4 GB學術研究（能效低，成本高）CPU/GPUCPU/GPUASIC ASIC 專用場景（單任務，不靈活）可編程AIAI芯片算力服務化（可動態編程適配多任務）AIAI的發展趨勢：從研究走向應用、從專用走向通用智能時代，網絡結合算力體現新價值運營商構建計算與網絡深度融合的基礎設施，未來為客戶提供算力+確定時延產品，將成為提升網絡管道價值的關鍵！網絡為連接服務，價值在于連接人和物；產品：話音、短信、專線連接網絡云/端崛起AI崛起From 2020網絡為計算服務，價值在于釋放算力；產品：算力+確定時延算力網絡網絡為入云服務，價值在于連接云；產品：帶寬（流量）云化網絡2010-202

83、0Before 2010網絡將從云網融合走向算網融合4G/5GFTTH云網融合：云服務和網絡服務的聯合提供；算網融合：算力服務借助網絡通達客戶；5G/6GAI、大數據可編程芯片提供極高算力以5G為代表的接入網絡覆蓋和體驗優勢長期運營積累的邊緣局房數量和質量優勢網絡云化后的計算資源富余優勢算網融合時代，運營商有三個優勢算力網絡的關鍵技術特征算網元素算力路由：計算優先網絡（CFN）算力交易：電信可信區塊鏈（TBC）可信隨需高效智能網絡人工智能，新一代編排系統，SR路由控制算力生成算力生成云網元素聯網元素無損確定性Metro Fabric 架構時延敏感網絡TSN算力網絡網絡層次接入邊緣核心關鍵特征使

84、能技術技術元素低延時高可靠（URLLC）確定性網絡（DetNet）C/U分離U面C面企業邊緣：現場級計算（ECC）電信邊緣：多接入邊緣計算（MEC）中心云：云計算（TC）云化網元功能虛擬化邊緣云+計算網為行業提供算力服務MEC設施生成算力CFN路由協同算力區塊鏈平臺交易算力BBUBBUBBUBBUIaaS算力/存儲算力/存儲IaaS網絡網絡網絡網絡網絡網絡IaaSUPFAI推理CPFAI訓練邊緣云城域計算網無線接入網行業用戶BBU邊緣MECRRURRURRURRU行業用戶UPFAI推理邊緣MEC邊緣云IaaSCPFAI訓練RRURRURRU行業用戶可信區塊鏈CFN路由算力網絡智能社會借助算力網

85、絡白皮書拋磚引玉，在算力網絡的架構、技術、標準和生態等方面與各伙伴單位攜手合作，服務智能社會。算力網絡研究需要加強產業合作產：國內國際標準組織、產業聯盟共同發力學：計算理論與網絡理論聯合創新用：5G+AI應用，構建邊緣計算平臺的通用化能力研：可編程AI芯片、新型轉發協議研發千行百業算力運營+構 建 算 力 網 絡使 能 業 務 創 新實 現 產 業 共 贏營 運 車 輛 自 動 駕 駛 車 路 協 同 安 全 技 術 應 用 發 展 論 壇產業協同，實現5G智慧交通規?；l展0101經濟環境技術環境政策環境社會環境城鎮居民可支配收入增長城市汽車數量快速增長SBD&GSMA：25%年復合增長率交

86、通事故頻發加快智能交通發展城市交通嚴重擁堵城市空氣質量污染日益嚴重用戶對智能汽車需求2015中國制造20252017國家車聯網產業標準體系建設指南（智能網聯汽車）10%17%11%61%通信硬件服務提供商服務5G催生智慧交通行業應用車載AR/VR服務3倍1ms100萬/km2100 x(ITU)峰值速率DL:10Gbps用戶體驗速率DL:100Mbps頻譜效率移動性500km/h空口時延連接數容量密度10Mbps/m2能源效率4G5G NR5G作為車輛網聯化關鍵技術，能夠增強感知范圍、降低車輛成本、提升交通效率車輛遠程控制車輛自動駕駛交叉路口避讓車輛優先通行緊急剎車預警0202V2X與5G/4

87、G技術相結合，無縫網絡覆蓋保障“車-路-人-云”多路徑實時通信V2X部署邊緣云5G網絡切片網絡安全交通設施信息化人工智能+大數據智能傳輸網絡高精度定位車聯網業務平臺4G核心網4G基站5G核心網車聯網云平臺5G基站RSU4G5GV2XV2IV2VV2VMEC行業極度高危人力成本勞動力斷缺國家政策礦山需求基于5G打造內蒙古智慧礦山，實現礦區安全生產遠程駕駛控制平臺5G網絡部署遠程駕駛控制器遠程駕駛礦山寬體車超視距防碰撞實時車路協同智能車速策略V2VV2IV2NV2P5G核心網5G基站互聯網RSU安全精準?？恐腔圻h程駕駛0303產業協同，共創智慧交通美好未來9（部門）+1（5G創新中心）+4研究創新

88、中心產品孵化應用推廣創新示范合作拓展總體目標主要職責垂直行業創新智慧醫療智慧教育云轉播云監控行業終端泛在低空物流交通政務金融智能制造智慧能源重點戰略合作冬奧互聯網設備商5G創新中心文旅新媒體中國聯通5G創新中心，在北京、上海、廣州、深圳、南京、杭州、廈門、成都8個城市設立辦事機構；攜手高校、政府、企業及聯通省分公司在垂直行業領域創新發展。13市場規模：聯通目前車企客戶63余家，市場占有率超過70%，擁有900萬車聯網連接用戶/150萬TSP用戶。標準研究：3個3GPP、ITU、5GAA國際標準立項，牽頭10余個CCSA、IMT2020等國內標準項目業務示范：打造多個“業界首次”業務示范案例國家

89、項目：參與國家5項，“科技冬奧”專項申報成功車聯網開放實驗室：聚集50余家合作伙伴，25家車企聯合研發車聯網試點：上海、重慶、常州等8個5G&C-V2X試點，完成100+細化場景驗證北京百度沈陽華晨寶馬雄安百度天津北京郵電大學常州交通部公路院上海安亭汽車城廣州廣汽研究院、東風日產重慶汽車工程研究院、長安汽車8個重點試點驗證城市多種細化分類場景智慧大交通車聯網物流航空感謝聆聽光伏在通信局（站）光伏在通信局（站）的應用研究的應用研究電源與節能研究部2019年11月1目錄一一背景背景二二場景及供電方案研究場景及供電方案研究三三應用應用落地及設備研制落地及設備研制四四系統的經濟分析系統的經濟分析2背景

90、企業能耗及管理占收比占收比-百元主營業務收入百元主營業務收入能源形勢嚴峻現網：能耗總成本持續增長。2018年能耗達157億，占收比全球水平1%8%5G的高歌猛進，將倍數推高能源OPEX節能措施-專項投資總投資：收縮節能措施：技術種類多，應用趨向空調類投資分布：基站-通信機房，預計2020年投資占比46%67.3%12.0%13.0%7.7%移動業務寬固業務政企客戶公共基礎能耗分布能耗分布-網絡側網絡側2017年2018年能耗總成本（萬元）1499353.9961570082主營業務收入（萬元）2416617425820529占收比6.20%6.08%99693 32026 39979 1079

91、0 10188 9944 020000400006000080000100000120000專項投資分布及趨勢專項投資分布及趨勢電源類空調類其他類總投資3背景光伏行業2009年，財政部、科技部、國家能源局聯合發布了關于實施金太陽示范工程的通知，決定綜合采取財政補助、科技支持和市場拉動方式，加快國內光伏發電的產業化和規?；l展。行業經歷了黃金發展期十三五規劃：光伏裝機達到1.1億千峰瓦平均組件成本1.5元/Wp，度電成本0.25元/Wp通信行業已有光伏系統和設備的標準出臺7.87.25.815.234.62012345678920152016201720182019202020212022系統成

92、本趨勢系統成本趨勢41 控制器中嵌入MPPT2 輸出電壓跟蹤功能優化3 酒泉、商丘、嘉興試點站建設2019.131 網絡用電負載分析2 國家光伏政策調研3 DC-DC型方案論證戶外智能多能源機柜存量站存量站2019.4101 支持多能源輸入及協同2 具備溫控、智能門禁等功能3 具有統一的管理單元，智能化程度更高5G站站2019.12020.6方案定制控制器功能優化+試點站建設DC-DC型光電混合供電方案的應用技術路線聚焦網絡節能，兼顧網絡運行安全，同時面向現有和5G網絡，以安全、高效的方式逐步引入清潔能源運營目標：接入綠色能源，進一步優化企業的用能結構，減少排放，合理降低企業的能耗支出場景及方

93、案5場景及方案依據光伏發電站設計規范(GB-50797)：光伏發電站按是否接入公共電網可分為并網光伏發電系統和獨立光伏發電系統。傳統基站：自有基站約9萬個，分布在全國各個地區，部分有獨立的建筑，擁有較大的屋頂面積。5G站：單設備功耗大，主流AAU為直流型設備，總能耗將以倍數增長。6聚焦網絡節能，兼顧網絡運行安全，同時面向現有和5G網絡，以安全、高效的方式逐步引入清潔能源運營目標：接入綠色能源，進一步優化企業的用能結構，減少排放，合理降低企業的能耗支出場景及方案不儲能，輕資產配置，無額外維護負擔省去繁瑣的并網手續系統效率高一次性投資少，且投資回報可預測12%離網型離網型DC-DC7應用落地-存量

94、站試點試點站名：嘉興焦山門基站當地光照小時：1332裝機容量：3300Wp投運時間：9月1日試點總投資：31620元（含設備開發和定制費用）備注：全國最佳傾角光照小時數：15648應用落地-存量站試點02468101214逐日發電量（逐日發電量（KW h）發電時段：早6晚5實時電流實時電流11月月5日日電量監控系統投運間：10月15日.單日平均供電量：8.5kW9智能多能源機柜智能多能源機柜：同時具有市電輸入接口、光伏輸入接口、油機輸入接口，并集成光伏變換模塊、市電整流模塊、蓄電池單元（可擴展電池柜）、智能管理單元、交直流配電部分、無線傳輸單元、防雷等，具有市電、光伏、油機、蓄電池能源的協同管

95、理功能，并且保證光伏優先利用，最大程度節約市電消耗量。自清潔新風系統48V鋰電池直流配電整流模塊光伏模塊市電/油機輸入，機械互鎖，交流防雷SU智能門禁用戶設備空間MPPT光伏模塊整流模塊交流配電智能管理單元后備電池直流負載市電油機太陽能方陣太陽能方陣10智能多能源機柜01010202030304040505綠色節能清潔能源接入及能源協同策略，優選自清潔新風方案高可靠性具有溫控措施，較強的環境適應性，易維護高適應性模塊化配置，滿足5G網絡的復雜戶外部署場景智能化管理智能資管，支持差異化的下電管理智能監控支持物聯網和RJ45接口，無縫接入第三方平臺11智能多能源機柜12經濟分析-試點站年份（t）現

96、金流出（元）節能效果（元）凈現金現值流量（元）累計凈現金現值流量（元）0-313500-31350-31350 13303303 3633-27717 2333 3280 3613-24103 3337 3257 3594-20510 4340 3234 3574-16935 5343 3212 3555-13380 6347 3189 3536-9844 7350 3167 3517-6327 8354 3145 3498-2829 9357 3123 3480 651 10361 3101 3462 4113 15379 2994 3373 21154 20399 2890 3289 37

97、766 試點站的經濟評估：基站電費單價：0.8元系統維護成本：0.1元/Wp,并以10%逐年增長光伏組件容量衰減率：0.7%系統消納率：100%光伏系統效率：80%影響系統經濟表現的因素：光照條件局（站）電價設計優化光伏接入系統造價的降價空間光伏接入系統造價的降價空間設備效率提升空間設備效率提升空間13規模建設,單Wp造價不高于7元時（裝機3kWp）峰值日照小時數2000分布省份甘肅、新疆、貴州、青海、寧夏用電電價(元/kWh)0.50.60.70.80.91投資回收期(年)86.75.85.14.64全生命周期收益（元）426934269353737537376478164781758267

98、582686870868709791497914度電成本(元/kWh)0.19峰值日照小時數1800分布省份內蒙、黑龍江、吉林、海南、青海、寧夏用電電價(元/kWh)0.50.60.70.80.91投資回收期(年)8.77.46.45.754.6全生命周期收益（元）371714711157051669907693086870度電成本(元/kWh)0.21峰值日照小時數1400分布省份廣東、廣西、江蘇、浙江用電電價(元/kWh)0.50.60.70.80.91投資回收期(年)-9876.45.8全生命周期收益（元）3385841589493205705164751度電成本(元/kWh)0.27經

99、濟分析-降耗14經濟分析-商業二次開發規模建設,碳配額批量交易的收益分析：碳配額交易收益碳配額單價：25元（浮動值）排放因子=（0.78+0.83+0.93）/3=0.85光伏電站裝機容量：3000*30000=90兆瓦全年發電總量：90MW*1400=126000兆瓦時獲得碳配額：126000*0.85=107100噸碳配額配額交易收益：107100*25=267萬全生命周期收益：5340萬元請 指 示！廣東合一新材料研究院有限公司|創新|智造|突破|Guangdong Hi-1 New Materials Research Institute Co.,Ltd.Copyright 2019

100、All Rights Reserved噴淋液冷技術在數據中心及通信領域的應用Copyright 2019 All Rights Reserved為什么需要液冷？17nm已經接近晶體管工藝的極限，芯片性能提升速度變緩。5G將引爆智慧城市、人工智能、車聯網、高清視頻直播等行業快速發展，業務需求量即將爆發。熱工學研究與實踐表明：CPU芯片的TDP（熱設計功耗）200W，需要采用液冷技術TDP50W：自然散熱（筆記本電腦）TDP50W-100W：風冷散熱（臺式機，i5，i7等）TDP100W-200W：精密/精準空調風冷散熱，液冷綜合效能高于風冷（GPU，HPC）Copyright 2019 All

101、Rights Reserved為什么需要液冷？1數據中心規模急速擴張，能源消耗占比越來越高，數據中心的節能問題正引發包括政府在內的廣泛關注，工信部、機關事務管理局、能源管理局聯合發文要求降低數據中心PUE值，明確鼓勵采用液冷技術2018年9月 北京 1.42019年6月 上海 1.32019年4月 深圳 1.25運營商規劃建設和日常運維中遇到的問題2一、規劃方面：5G基站邊緣服務器傳輸設備二、建設方面：空間外電投訴三、運維方面：租金電費維護液冷技術簡介3冷板技術：服務器主要芯片采用冷板散熱，其它器件仍然采用風冷散熱方式，系統熱管理比較復雜，PUE值1.31.6。浸沒液冷：將服務器的各部分器件全

102、部浸入冷卻液中進行冷卻，但機柜的整體形態類似于“冰柜”，完全改變了服務器和機房的傳統形態，PUE值1.051.2。噴淋液冷：將冷卻液噴淋在服務器的器件表面上進行冷卻，服務器結構基本保持了傳統形態，易于部署和維護，PUE值1.051.2。三種液冷技術對比3冷板式浸沒式噴淋式備注散熱效率中等優秀優秀噴淋液冷和浸沒式液冷屬于直接接觸式液冷，散熱效率優于冷板式?？删S護性優秀差優秀噴淋液冷和冷板式基于標準機架式結構設計，各服務器均可獨立下架維護。成本高高中冷板加工工藝復雜，成本高昂；浸沒式冷卻液用量是噴淋式6倍以上；相比較噴淋式成本更低。結構優秀差優秀噴淋式、冷板式均適用于目前機房建設標準，浸沒式改變了

103、承重、布局等規范，在現有機房可實施性較差；空間利用率高中高浸沒式降低了機柜高度，降低了機房的空間利用率。節能效果（PUE值）中等（1.31.6）優秀（1.051.2）優秀（1.051.2）噴淋式與浸沒式均為全面直接液冷，冷卻效率高，節能性能突出。1節能 54%服務器省電37%：風扇30%（600W-180W）CPU芯片25%（80W-20W）支撐設備省電PUE 1.1（風冷1.8）:液體熱轉換效率高于空氣700-1800芯片工作溫度與冷卻液緊耦合自然室內環境，無需空調2設備密度高功率密度10倍：單機架達56KW（風冷5 6KW），單機架可以容納10個傳統風冷機架設備空間密度4倍：單個機架可以容

104、納4個傳統風冷機架的設備無風扇，服務器高度降低一半機架可滿配置安裝3全年自然冷源CPU芯片工作溫度654環境適應寬泛5維護便利冷卻液覆蓋在電路表面天然防塵/防潮/防靜電無震動標準19英寸立式機架遵循傳統機房的維護規程保持機房人員維護習慣空氣溫度25（無法實現）冷卻液溫度45（可以實現）Copyright 2019 All Rights Reserved噴淋液冷技術的價值3絕緣導熱的冷卻液在服務器內部自上而下的精準噴淋在電路板發熱器件或者其散熱器上,吸收并帶走熱量，冷卻液全程無相變，單相循環。Copyright 2019 All Rights Reserved噴淋液冷技術原理3液冷服務器標準機架

105、式服務器結構，無風扇設計液冷機柜液冷冷卻系統主要構成：泵組、熱交換器、過濾器、閥門閥組、各類傳感器。液冷冷卻系統運行狀態可實時在線監控。液冷構件結構：基于標準機構規范設計規格：600*1200*2000mm600*1200*2000mm進液管：提供服務器冷卻液供給出液管：冷卻液噴淋后回流冷卻系統通道熱交換器過濾器泵組閥門閥組各類傳感器上蓋底座整體密封流量可控 按需供給針對發熱芯片精準噴淋Copyright 2019 All Rights Reserved噴淋液冷系統構成3普通型南極服務器型號形態處理器內存存儲H1CPC42U機架服務器最高支持四路Intel Xeon E7-8800/4800

106、v4/v3 系列(最高支持165W)32個DDR4 內存插槽，最高2666MT/s8*2.5/3.5 SAS/SATA硬盤H1CPC22U機架服務器最高支持兩路Intel Xeon E5-2600 v4/v3 系列(最高支持145W)24個DDR4 內存插槽，最高2666MT/s8*2.5/3.5 SAS/SATA硬盤H1LPC22U機架服務器最高支持兩路Intel XeonScalable 系列(最高支持205W)24個DDR4 內存插槽，最高2666MT/s8*2.5/3.5 SAS/SATA硬盤H1CPJM162U機架服務器Intel Xeon processor D-1587,Sing

107、le socket FCBGA 1667;16-Core,32 Threads,65W4個DDR4 內存插槽，最高2666MT/s16*2.5/3.5 SAS/SATA硬盤 采用不銹鋼鈑金工藝 所有外部接口采用全封閉雙向防水結構 實現箱體整體密閉 冷卻液收集口下架時自動密閉Copyright 2019 All Rights Reserved噴淋液冷服務器3普通型南極服務器 結構&規格：基于標準機柜規范設計；規格：600*1200*2000；600*1200*2200 液冷構件：進液管：服務器低溫冷卻液供給；出液管：高溫冷卻液回流冷卻系統通道；出液管進液管噴淋液冷機柜3 主要構成：泵組、熱交換器

108、、過濾器、閥件閥組；泵組：提供冷卻液系統內循環的動力；熱交換器：高溫冷卻液與低溫氣體（冷水）發生熱交換變為低溫冷卻液；過濾器：過濾冷卻液中的雜質；閥門閥組：管道的開關閉合控制；各類傳感器：測量冷卻液溫度、管道壓力等。噴淋液冷冷卻系統-CDU3國際權威檢測機構瑞士SGS針對合一冷卻液檢測報告Tips：合一噴淋液冷方案也可采用3M等廠家的電子氟化液等，用戶可自行選擇。合一噴淋液冷方案采用的冷卻液是一種絕緣的植物油，該植物油經過特殊的抗氧化處理，使用壽命可以達到10年以上。特性：絕緣導熱安全可靠對人和環境無害Copyright 2019 All Rights Reserved廣東合一噴淋液冷冷卻液檢

109、測報告3噴淋液冷服務器3C認證證書液冷服務器可靠性檢測報告液冷PUE測試報告PUE PUE 實測實測1.071.07-1.091.09可長時間與常規服務器保持可長時間與常規服務器保持相容，且處于高性能運行不相容，且處于高性能運行不會出現加速老化會出現加速老化?！局袊|量認證中心】【中訊郵電咨詢設計院】【中國信息通信研究院】123Copyright 2019 All Rights Reserved噴淋液冷系統相關檢測報告3Copyright 2019 All Rights Reserved噴淋液冷技術數據中心場景應用及實際案例4主要工程內容：服務器改造更換機箱機柜改造增設進出液管道液冷冷卻系統按

110、需定制IDC新建/改造適用場景：AI、大數據、物聯網等行業內具有廣泛的適用性。合一液冷EDC適用場景：無場地及需要靈活移動的應用場景。集裝箱式數據中心適用場景：IDC、通信機房、各行業數據中心(政府、金融、教育、醫療、交通)、企業數據中心。噴淋液冷微模塊1234列間系統服務器群合一液冷控制系統冷水塔Copyright 2019 All Rights Reserved噴淋液冷大型數據中心解決方案4MREC：Multi_rack Edge Computing產品機架機柜數量4機柜尺寸600*1200*2000 mm機柜總功率140kw噴淋液冷服務器服務器樣式2/4U機架式服務器類型2/4路面向計算

111、型&16盤位面向存儲型群機架服務器容量80/40個網絡互聯方式單個機架以太網交換機TOR安裝，4機架端頭設置三層交換機/路由器系統工作環境溫度-1050散熱能力140kwPUE值1.051.1冗余保護泵、過濾器、散熱模塊等關鍵器件1+1冗余保護Copyright 2019 All Rights Reserved噴淋液冷技術群機架邊緣計算數據中心邊緣DC產品4Copyright 2019 All Rights Reserved本項目規劃建設長約10米，寬約6.5米的面積約65平方米的小型噴淋液冷數據中心。數據中心包含4 個IT 服務器液冷機柜、1個風冷空調柜機，1 個供配電單元柜、1 臺空調外機

112、、1 套布線橋架，1個液冷CDU，共享室外冷塔，1個消防柜和機房的輔助系統。項目介紹合作單位：中國聯合通信網絡通信有限公司網絡技術研究院本數據機房4個機柜滿配置64臺服務器，采用噴淋式液冷技術，單機架額定功率達到10KW，總額定功率達到40KW。噴淋液冷技術應用聯通5G噴淋液冷EDC噴淋液冷技術應用案例4大數據、AI等技術已深入影響人類社會，5G時代開啟，邊緣計算即將爆發。針對邊緣計算節點高可靠、高性能的要求，Niagara-20F單柜式噴淋液冷微模塊應運而生。Niagara-20F將噴淋式液冷服務器和各類物理基礎架構設施收納至一個IT 機柜內，配合一個室外機（CDU冷卻系統），單柜可集成IT

113、設備功率高達20kw。Niagara-20F是前所未有的高可靠、高性能邊緣計算平臺。Copyright 2019 All Rights Reserved數據中心單機柜產品4Copyright 2019 All Rights Reserved噴淋液冷微模塊數據中心方案4噴淋液冷微模塊（含噴淋液冷機柜&噴淋液冷服務器）冷卻液管道、液體緩存箱安裝于靜電地板下方，建議靜電地板高度800mm液冷冷卻系統（含泵、過濾器、換熱單元、傳感器監控單元等）室外冷卻系統（冷水塔等）Copyright 2019 All Rights Reserved本項目共由16個微模塊液冷數據中心組成，分三期完成。每個微模塊由一套

114、控制系統，一套WCU單元，2個列頭柜，24個液冷機柜（液冷機柜單柜功率10KW)組成。項目介紹合作單位：肇慶優世聯合智慧科技有限公司一期數據機房單個微模塊，24個機柜滿配置384臺服務器，采用噴淋式液冷技術，單機架額定功率設計值10KW，總額定功率設計值240KW。噴淋液冷技術應用京東云計算數據中心噴淋液冷技術應用案例4項目具體參數集裝箱尺寸供給冷卻柜：20英尺標準IT設備柜：40英尺重量供給冷卻柜：13.5T IT設備動力柜：24T 機架數16柜機架規格42U 整個集裝箱可用U數504U 機柜標準電力380V IT設備功率432kw電力供給380V/500kw液冷系統集中式供給噴淋式液冷系統

115、安全監控環境、設備監控防火系統HFC-227七氟丙烷集中監控系統全面監控CDC：ContainerData CenterCopyright 2019 All Rights Reserved數據中心集裝箱產品4獨立集裝箱結構，分為I T室和液冷熱交換冷卻室。I T室容納12個機架，每機架10臺擬態安全服務器，每臺服務器額定功率3.2KW，單機架額定功率32KW，總功率384KW。直接接觸式噴淋液冷系統數據中心2018年7月交付穩定工作1年Copyright 2019 All Rights Reserved噴淋液冷技術應用復旦大學國家大數據試驗場噴淋液冷技術應用案例4復旦大學國家大數據試驗場Cop

116、yright 2019 All Rights Reserved噴淋液冷技術通信領域場景應用-噴淋液冷BBU&IPRAN55G時代，基站數量和設備功率大幅提高，傳統通信機房散熱條件較差，散熱已成為影響通信設備性能和穩定性的一大關鍵因素。液冷散熱效率高、節能性強，支持設備高密度部署。BBU&IP-RAN液冷：采用循環低溫的絕緣液體直接噴淋BBU板卡進行散熱，可提升單柜BBU&IP-RAN可安裝數量到10-15臺，另同等BBU&IP-RAN數量和配置情況下，采用液冷散熱可顯著降低機房整體能耗。合作單位：移動通信國家重點實驗室合作開發“5G集群BBU邊緣計算站”和“5G云計算數據中心”Copyrigh

117、t 2019 All Rights Reserved噴淋液冷技術應用5G云計算BBU數據中心噴淋液冷技術應用案例5合作單位噴淋液冷技術應用案例6 宏碁股份有限公司 廣州博鰲縱橫網絡科技有限公司 國家數字交換系統工程技術研究中心 北京華夏聚龍自動化股份公司 廣東優世聯合控股集團股份有限公司 中訊郵電咨詢設計有限公司鄭州分公司電源設計部 廣東省電信規劃設計院合作協議 長江勘測規劃設計研究院（長江水利）京東尚科 深圳科信通信 聯通網研院 寶云科技 泰陽能源 中能世源 潮州中天科技 中科院美麗中國生態文明建設科技工程項目 京信通信技術(廣州)有限公司 維諦技術有限公司 深圳顯啟科技Copyright

118、2019 All Rights ReservedCopyright 2019 All Rights Reserved深圳分公司深圳分公司廣州總部廣州總部北京分公司北京分公司上海子公司上海子公司河北雄安示范基地河北雄安示范基地廣州研發基地廣州研發基地北京分公司雄安示范基地上海子公司深圳分公司廣州總部肇慶（生產基地）廣東合一新材料研究院有限公司簡介7Copyright 2019 All Rights Reserved廣東合一新材料研究院有限公司簡介7 國家高新技術企業 廣東省新型研發機構 ISO9001質量管理體系認證企業 ISO14001環境管理體系認證企業 知識產權貫標認證企業 職業健康安全管

119、理體系認證證書 廣東省知識產權示范企業獲2019國家數博會“黑科技”獎獲第13屆中國IDC產業年度大會唯一“技術創新獎”獲2018年 ODCC唯一“優秀產品獎”Copyright 2019 All Rights Reserved2018年ODCC液冷項目“冰河項目貢獻獎”噴淋液冷數據中心獲高新技術產品全熱回收空調獲高新技術產品大功率LED工礦燈獲廣東省重大科技成果廣東合一噴淋液冷獲得獎項7Copyright 2019 All Rights Reserved太赫茲通信應用愿景 中國聯通網絡技術研究院 6G研究已啟動，太赫茲通信是6G愿景實現的關鍵技術 峰值速率達到太比特 與AI技術的深度融合 從

120、宏觀尺度到微觀多尺度通信 空天地海多維度一體化通信 6G愿景 太赫茲通信 新型多址和編碼技術 太赫茲通信技術特點 mmWave f 800MHz THz f 2GHz 28,0.64 183,16.95 325,21.94 556,26.60 751,29.21 1000,31.70 0.005.0010.0015.0020.0025.0030.0035.0001002003004005006007008009001000路損差路損差(dB)載波頻點載波頻點(GHz)不同頻點不同頻點VS.26GHz 頻點的路損差頻點的路損差 超大帶寬資源，支持超高通信速率 空氣傳播與穿透損耗大 UE 超大規模

121、天線，支持超窄波束 1012 103 106 109 1015 1018 1021 1024 kilo mega giga tera peta exa zetta yotta 電子學 微波 MF,HF,VHF,UHF,SHF,EHF 光學 可見光 x射線 射線 THz 無線通信 Radar 光通信 醫學成像 天文 頻率/HZ 太赫茲通信應用場景探討：無線接入、光纖替代 未來太赫茲峰值速率可能達到Tbps以上，適合超高速無線通信，適用于光纖不易接入或成本過高的地區。熱點地區超高速網絡覆蓋 數據中心超高速通信 固定無線接入，獨棟無線家寬/多層公寓無線家寬 無線回傳 全息通信 光纖替代 無線接入、光

122、纖替代場景場景 太赫茲通信應用場景探討：星間通信，微小尺度通信 THz 波在外層空間中可做到無損傳輸，通過極低的功率就可實現超遠距離傳輸。避免地球輻射噪聲的影響，地面無法監聽信號。由于太赫茲波長較短，天線系統可以實現小型化、平面化?？梢源┩竿ㄐ藕谡?。搭載衛星、無人機、飛艇等平臺，做為無線中繼設備，實現空天地一體化通信。星間通信、空天地一體化通信 微小尺度通信、萬物互聯 低軌道衛星星間超高速通信 空間站與伴飛設備之間通信 基于THz波長極短的特點實現毫微尺寸THz收發信機與天線，可以進行片上通信、可穿戴或植入THz設備、微型電子設備間通訊，在極短距離范圍內實現超高速數據鏈應用?？捎糜趶暮暧^到微觀

123、尺度的萬物互聯?？纱┐骰蛑踩胩掌澰O備 微型電子設備間通信 太赫茲通信關鍵技術及待探討問題 太赫茲關鍵器件/芯片/組件 倍頻器/混頻器/調制器/功率放大器/濾波器/低噪放/集成收發芯片/天線 超寬帶數模轉換/高速基帶處理 太赫茲信道傳播模型建模 基于ITU-R的大氣信道模型 基于射線追蹤的統計模型 基于電磁散射的數值模型 d2D hUT hBS 帶寬和頻譜 波束接入和管理 高低頻、多維度、多尺度 太赫茲通信空口技術 10ms無線幀 5ms D D D S U D D S U U 0.5ms 0.5ms 0.5ms？太赫茲通信技術如何針對多維度多尺度的應用場景進行信道建模？未來太赫茲通信系統的空

124、口技術需要具備哪些能力 太赫茲通信關鍵器件的產業發展面臨哪些技術瓶頸和挑戰？多維度通信應用場景建模 微小尺度傳播模型建模 材料工藝 芯片集成/封裝，小型化 通信距離/實時/空分復用/功耗 動態的資源配置 智能的網絡管理 靈活的空口協同 太赫茲通信發展愿景 太赫茲通信各項關鍵技術的不斷突破和進展 太赫茲通信應用場景的部署方案逐步成型 太赫茲通信技術應用成熟落地 太赫茲通信技術標準化和產業鏈日趨成熟 太赫茲通信設備形態和技術要求逐步明確 構建 太赫茲合作平臺 凝聚 太赫茲產業力量 打造 太赫茲生態體系 推動 太赫茲產業鏈成熟 未來6G通信中，太赫茲通信技術將與其他低頻段網絡融合組網，廣泛應用于地面

125、的各種超寬帶無線接入和光纖替代場景，搭載衛星、無人機、飛艇等平臺，做為無線中繼設備，應用于空天地海多維度一體化通信，應用于從宏觀到微觀的多尺度通信，成為未來社會信息融合聯接的重要支撐技術。太赫茲通信關鍵技術預研、跟進和推動 與國內產學研機構和組織建立多種形式的合作關系，成立太赫茲通信開放實驗室，建立開放創新平臺，跟進、參與和推動太赫茲通信關鍵技術發展。逐步成型中國聯通的太赫茲通信愿景、應用場景和技術需求。由應用需求牽引，深度開展平臺工作，引導太赫茲通信技術產業應用發展方向，推動太赫茲通信系統研發進展。逐步成型太赫茲通信行業標準，長期持續推動太赫茲通信產業應用發展。2019 2020 2021

126、2022 2023 2024 2025 太赫茲通信產業引導 太赫茲通信產業持續推進 中國聯通太赫茲通信推進計劃 1個共同愿景 4大目標引領 匯聚產學研用力量，共同推動太赫茲通信產業化快速發展與應用。聯合 20+成員單位 制定 10+太赫茲通信標準 打造 3+太赫茲示范項目(冬奧會)建立 1+太赫茲通信開放實驗室 中國聯通網研院將成立毫米波太赫茲聯合創新中心，共同探索太赫通信愿景和場景需求，推動太赫茲通信技術研發和產業化進展，孵化基于太赫茲通信的行業應用。中國聯通太赫茲通信推進計劃 感謝聆聽！AI in Network智能自治網絡案例報告October 2019-0102040512 15161

127、719202136010203 CONTENTS目錄 CONTENTS目錄智能自治網絡是5G時代的重要組成部分5G時代的新挑戰和新機遇人工智能技術進入蓬勃發展的時期運營商對智能自治網絡的訴求逐漸凸顯智能自治網絡相關標準進展智能自治網絡總體規劃智能自治網絡的分層架構智能自治網絡的階段劃分智能自治網絡的案例總覽智能自治網絡典型應用案例人工智能在網絡規劃建設中的應用智能規劃機器人承載網智能流量預測站點自動部署寬帶裝機質量監控人工智能在網絡維護監控中的應用無線網絡智慧運營分析平臺-CONTENTS目錄目錄IPRAN網絡告警壓縮接入網弱光檢測無線告警根因分析跨域智能告警根因分析基于動態閾值的網絡運維異常

128、檢測基于基因圖譜的智能告警人工智能在網絡優化配置中的應用5G智能廣播參數調整基于射頻指紋的負荷均衡人工智能在業務質量保障提升中的應用智能承載網切片管理智能業務識別智能業務體驗評估智能MOS評估人工智能在網絡節能增效中的應用無線網絡節能人工智能在網絡安全防護中的應用高級威脅防御垃圾短信智能分析與優化敏感數據保護系統僵尸網絡域名檢測人工智能在網絡運營服務中的應用智能客服智能投訴處理批量投訴用戶預警總結03596575799510001智能自治網絡是5G時代的重要組成部分0102智能自治網絡是5G時代的重要組成部分隨著移動通信逐步邁入5G時代，新技術和新特性層出不窮，新業務和新應用不斷涌現。傳統的電

129、信網絡運行管理模式已經不足以支撐不斷增長的網絡演進、業務發展、用戶體驗和運營分析要求，也難以有效提升網絡運營效率和控制運營成本。業界已經認識到5G時代需要一個高度智能的自動化網絡，并逐步向智能自治網絡演進。智能自治是移動通信創新商業模式的重要使能者，也將成為后5G時代移動通信網絡的核心要素。將人工智能技術引入移動網絡將是5G和后5G時代網絡設計、部署、運營、保障、優化的必然要求。為了最終真正實現智能自治網絡，需要整個行業形成對智能自治網絡的統一認識和理解，不斷明晰智能自治網絡的概念，明確智能自治網絡的各個發展階段及其目標，共同孵化智能自治網絡案例。人工智能技術與通信網絡的融合發展，將給通信網絡

130、注入新的技術活力，開啟前所未有的可能性，從而促進GSMA“Intelligent Connectivity（智聯萬物）”愿景的真正實現，連接所有人、所有物到一個更美好的未來。5G時代的新挑戰和新機遇當前，5G網絡的部署正在全球各地火熱開展。與4G網絡相比，5G網絡在傳輸速率、傳輸時延、連接規模等關鍵性能指標上有了質的飛躍，從而可以支撐更加豐富的業務場景和應用，但同時也給移動運營商帶來了CAPEX和OPEX不斷攀升的挑戰。越來越復雜的網絡需要運維模式的革新在很長一段時間內，5G網絡將長期與存量的2G/3G/4G網絡并存，這將為5G 網絡的運營和維護帶來前所未有的挑戰。為了支撐eMBB、mMTC、

131、URLLC 三種典型業務場景并保證良好的網絡性能，諸如Massive MIMO、靈活空口等復雜性較高的新技術在5G中被引入，以滿足峰值速率、頻譜效率、低時延、高可靠性、連接密度等更苛刻的技術指標?；谔摂M化和云化理念重新構筑的5G核心網在帶來資源調度靈活性的同時也增加了網元和接口的多樣化，提出了網絡統一調度管理的要求，傳統網絡運維模式存在的問題更加凸顯。業務創新不斷加速，對網絡智能化程度要求越來越高雖然4G時代移動流量使用呈指數級增長，但每比特流量單價卻不斷降低。進入到5G時代，僅依靠傳統數據業務將很難帶來收入上的新增長，主要業務創新將與其他行業的數字化轉型息息相關，這將需要移動運營商在商業模

132、式上變革，并大幅增強網絡靈活性以滿足用戶和業務運營需求。在5G時代，人與人通信的單一模式將逐漸演化為人與人、人與物、物與物的全場景通信模式，03智能自治網絡是5G時代的重要組成部分業務場景將會更加復雜。許多新的業務場景提出了對SLA的差異化需求，帶來了與其配套的網絡運營的復雜性。依托5G網絡能力和豐富的業務發展，業務體驗也將隨之呈現出多元化、個性化發展態勢，比如沉浸式體驗、實時交互、情感和意圖精準感知、所想及所得等，網絡對于體驗的支撐保障，將顛覆傳統模式，迎來全新挑戰。引入人工智能技術能夠有效應對相關挑戰，帶來新的機遇5G網絡有大量可利用的數據，包括傳輸層數據（信道、頻譜、用戶鏈路）和網絡層數

133、據(各種信令、管理數據），此外，還有各種類型的應用層數據。運營商可以基于這些數據，引入人工智能技術來應對5G網絡挑戰。引入人工智能技術，實現大數據分析及自適應策略決策，能夠進一步優化自動化方案，幫助不斷理解和預測用戶和網絡的需求，實現更好的資源編排和調度，從而逐漸實現完全的智能自治網絡。智能自治網絡有助于降低網絡建設和運營成本，響應用戶和業務的需求，創新商業模式，為運營商帶來巨大的新機遇。5G的網絡規劃設計上需要能夠快速簡潔地體現運營商意圖；業務開通上需要減少人為配置錯誤，快速上線業務；網絡運營運維上，需要突破依靠專家經驗為主的傳統運營運維模式的局限。自動化網絡運營能力，將成為5G時代除eMB

134、B、mMTC、URLLC之外不可缺少的第四維，成為5G業務創新和發展最重要的推動力量之一。圖 1 網絡自動化成為5G網絡的第四維eMBB5GmMTCuRLLCAutomationeMBB5GmMTCuRLLC04智能自治網絡是5G時代的重要組成部分人工智能技術進入蓬勃發展的時期人工智能是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門技術科學。自1956年誕生以來，人工智能理論和技術日益成熟，應用領域也不斷擴大。人工智能的研究目的是促使智能機器會聽（語音識別、機器翻譯等）、會看（圖像識別、文字識別等）、會說（語音合成、人機對話等）、會思考（人機對弈、定理證明等）、會學習

135、（機器學習、知識表示等）、會行動（機器人、自動駕駛汽車等）。人工智能的發展歷程就像人類對未知的探索一樣，經歷了曲曲折折和起起伏伏，到目前為止大致可以劃分為以下6個階段：一、起步發展期：1956年20世紀60年代初。人工智能概念提出后，相繼取得了一批令人矚目的研究成果，如機器定理證明、跳棋程序等，掀起了人工智能發展的第一個高潮。二、反思發展期：20世紀60年代70年代初。人工智能發展初期的突破性進展大大提升了人們對人工智能的期望，人們開始嘗試更具挑戰性的任務，并提出了一些不切實際的研發目標。然而，接二連三的失敗和預期目標的落空，使人工智能的發展走入低谷。三、應用發展期：20世紀70年代初80年代

136、中。20世紀70年代出現的專家系統模擬人類專家的知識和經驗解決特定領域的問題，實現了人工智能從理論研究走向實際應用、從一般推理策略探討轉向運用專門知識的重大突破。專家系統在醫療、化學、地質等領域取得成功，推動人工智能走入應用發展的新高潮。四、低迷發展期：20世紀80年代中90年代中。隨著人工智能的應用規模不斷擴大，專家系統存在的應用領域狹窄、缺乏常識性知識、知識獲取困難、推理方法單一、缺乏分布式功能、難以與現有數據庫兼容等問題逐漸暴露出來。五、穩步發展期：20世紀90年代中2010年。由于網絡技術特別是互聯網技術的發展，加速了人工智能的創新研究，促使人工智能技術進一步走向實用化。1997年國際

137、商業機器公司（簡稱IBM）深藍超級計算機戰勝了國際象棋世界冠軍卡斯帕羅夫，2008年IBM提出“智慧地球”的概念。以上都是這一時期的標志性事件。六、蓬勃發展期：2011年至今。隨著大數據、云計算、互聯網、物聯網等信息技術的發展，泛在感知數據和圖形處理器等計算平臺推動了以深度神經網絡為代表的人工智能技術的飛速發展，大幅跨越了科學與應用之間的“技術鴻溝”，諸如圖像分類、語音識別、知識問答、人機對弈、無人駕駛等人工智能技術實現了從“不能用、不好用”到“可以用、超過人類”的技術突破，迎來爆發式增長的新高潮。當AlphaGo Zero通過自主學習，從一張白紙起步，在幾天的時間內，學習成長為一個能夠以10

138、0比0完勝那個擊敗李世石、柯潔等頂尖人類棋手的AlphaGo時，自我進化自我完善的通用人工智能似乎也不再是遙不可及的夢想了。凡是能夠提供大量訓練數據的領域，應用人工智能技術基本上都出現了豐碩的成果。移動網絡每天產生的海量數據，是將人工智能技術應用到移動網絡中的基礎，人工智能在解決高計算量數據分析、跨領域特性挖掘、動態策略生成等方面，具備天然優勢，人工智能技術將逐步把聽、看、說、思考、學習和行動的能力帶入到移動網絡中，分層分級實現智能自治網絡。運營商對智能自治網絡的訴求逐漸凸顯目前全球領先運營商都將人工智能列為重點戰略之一。國內運營商方面，中國移動發布統一AI研發云平臺，致力于網絡、市場、服務、

139、安全、管理5大領域的規?；疉I應用；中國電信發布中國電信人工智能發展白皮書1.0，明確從“隨選網絡”向“隨愿網絡”的智能化轉型；中國聯通打造智能、敏捷、集約、開放的網絡，構建統一網絡AI能力平臺，研發網絡規劃、設計、建設、維護和優化模型，支撐網絡運營業務。AT&T、Vodafone等國際運營商也積極布局智能自治網絡的工作。中國移動人工智能規劃中國移動已發布自主研發的九天人工智能平臺，是中國移動5G+AICDE計劃的重要組成部分。該平臺匯集了中國移動內外部的優秀AI能力，支撐各領域AI研發，同時平臺對接集中化大數據平臺，該平臺面向全公司提供豐富、高質量、有標注的人工智能共享訓練數據庫，支撐多域海

140、量數據的集中化管理，實現全集團算力、數據和能力共享。未來中國移動將積極構建AI生態體系，對內服務網絡、市場、服務、安全、管理等領域，對外賦能各大垂直行業，帶動AI產業發展，致力于成為AI應用先行者和AI產業賦能者。05智能自治網絡是5G時代的重要組成部分06智能自治網絡是5G時代的重要組成部分聚焦網絡、安全、管理、服務和市場五大領域，做大應用規模五大領域AI應用網絡管理服務安全市場網絡自服務機器人客戶投訴處理效率提升20倍研究院、江蘇公司智能覆蓋優化系統ACOSTopN小區覆蓋率提升6%設計院智能稽核每年可節省上億成本 IT公司、廣東公司、研究院智能審計合同、票據等24個審計點 IT公司、蘇研

141、、杭研 智能VoLTE語音質量評估語音分析成本降低83%網絡部、研究院、浙江公司智慧營銷ARPU環比增加7.5%市場部、研究院 智能家寬裝維質檢所需人工降低95%網絡部、杭研智能客服“移娃”月峰交互量2.1+億次 在線公司、研究院反欺詐系統詐騙電話月攔截量1400萬+信安中心視頻智能剪輯剪輯效率提升130倍 咪咕公司圖 2 中國移動人工智能應用領域規劃中國電信網絡人工智能發展戰略及布局為了順應智能化時代發展的世界大趨勢，中國電信于 2016 年正式發布轉型升級戰略（即轉型 3.0）和 CTNet2025 網絡架構重構計劃，通過網絡智能化、業務生態化、運營智慧化，拓展綜合智能信息服務，助力網絡強

142、國，服務社會民生。網絡重構與5G網絡的試點工作穩步推進過程中，傳統的人工運維方式無法滿足未來網絡運營的需求，中國電信于2017年初，攜手華為等合作伙伴，在ETSI推動成立了網絡人工智能行業規范工作組ENI，共同推進AI在運營商網絡中的應用場景、需求、系統架構等方面的研究和標準制定。隨著網絡人工智能相關研究及實踐工作的開展，中國電信于2019上海MWC期間，發布了中國電信人工智能發展白皮書1.0，明確將以戰略轉型 3.0 為方向，以 CTNet2025為基礎，深度嵌入 AI 技術能力，對內對外提供 AI 通用能力平臺、應用和解決方案。初期以云網融合為切入，為公眾及政企用戶提供快速開通、定制化、自

143、動化、多層面的智能業務，未來逐步向智慧化、端到端的 DICT 解決方案和服務擴展。中國電信人工智能發展總體布局如下圖所示。從中國電信的網絡實踐看，“隨愿網絡”可以看作是“隨選網絡”的進階，即從目前按需、自助、彈性的網絡服務向自動化閉環、意愿驅動的網絡組織演變，是CTNet2025從1.0邁向2.0的基本特征之一。07智能自治網絡是5G時代的重要組成部分圖 3 中國電信人工智能發展總體布局圖AI賦能平臺（AI能力開放）大數據湖智慧行業/公眾應用（聚焦細分市場應用）智慧運營（聚焦電信內部應用，意愿驅動）AI終端隨愿網絡智能基礎設施隨愿網絡編排管控08智能自治網絡是5G時代的重要組成部分中國電信隨愿

144、網絡的構建遵循中國電信人工智能發展的總體布局，主要由隨愿網絡智慧大腦、隨愿網絡編排管控層、隨愿網絡智能基礎設施以及 AI 終端四部分組成。其中隨愿網絡智慧大腦包括總體布局中的大數據湖、AI 賦能平臺及在其基礎上形成的各類 AI 能力，隨愿網絡編排管控層是在隨愿網絡基礎設施的基礎上實現智慧運營的關鍵通道樞紐，整體架構如下圖所示：中國電信將自身定位于“AI 網絡建設者、AI 產業驅動者、AI 技術應用者、AI 服務提供者”，通過全面引入和發展人工智能技術，加快智能化網絡升級，形成智能化產業生態，提升智慧化運營水平，從電信網絡和業務的切實需求與具體場景等切入點，打造全面融智的“隨愿網絡”，提供以客戶

145、需求為導向的“隨心業務”。圖 4 中國電信隨愿網絡目標架構隨愿網絡編排管控層EMS/NMSSDN控制器NFV編排器業務編排器傳統 BSS/OSS隨愿網絡智慧大腦隨愿網絡AI引擎AI賦能平臺意愿引擎策略引擎策略生成策略驗證AI能力開放意愿獲取意愿翻譯感知引擎AI框架工具模型算法訓練數據數字孿生數據獲取分析引擎前向預測后向回溯隨愿網絡大數據引擎大數據湖共性應用大數據平臺數據采集預處理ODS系統數據采集預處理全域數據中心大數據基礎能力個性應用數據專區能力開放智能基礎設施隨愿網絡4G5G家庭企業接入局所邊緣DC地市DC省DCCU/DUUPF/ME CUPF V2XAR/VR ME CvBRASUPFU

146、PF/PGW-U5GC-CPvIMS vEPC-CP接入網城域網骨干網vCPEAI終端09智能自治網絡是5G時代的重要組成部分中國聯通網絡智能化發展策略和計劃2018年，中國聯通發布CUBE-Net2.0升級版CUBE-Net2.0+，提出在網絡軟件化與云化的基礎上，引入AI，打造中國聯通智能、敏捷、集約、開放的新一代智能網絡CUBE-NET2.0+。中國聯通網絡AI將按照“應用牽引，平臺賦能，生態共贏”的發展策略，聚焦5G+AI、行業創新等網絡AI應用創新，打造網絡AI發展引擎的智立方CubeAI平臺，構建網絡AI共贏生態和開放合作體系。2019年6月上海MWC會上，中國聯通正式發布了智立方

147、CubeAI平臺。智立方CubeAI是中國聯通網絡AI的技術服務、產業合作和交流共享的平臺。技術服務是指要支撐網絡生產運營和業務創新，提供網絡AI的算法、模型、服務和應用；產業合作旨在構建網絡產業合作生態，發揮產業鏈各方優勢，共同推進網絡AI創新和應用；交流共享就是要面向內外部開展技術交流、開源合作、標準制定、試驗驗證、應用示范和經驗分享。圖 5 中國聯通CUBE-Net2.0+網絡架構應用層NaaS 網絡即服務東西向集成泛在接入應用組件應用組件應用組件AI模型注入大數據分析AI訓練平臺API區域+AI區域+AI城域匯聚邊緣+AI移動回傳面向用戶中心的網絡（UoN）面向數據中心的網絡（DoN）

148、API北向開放東西向集成云化網絡服務泛在寬帶接入超寬帶彈性管道云接入與互聯服務業務協同和編排AI推理分析平臺虛擬網絡功能資源管理網絡控制云化業務.固網寬帶無線寬帶移動寬帶南向控制面向信息交換的網絡（IoN）IP+光網承載平面基礎網元云互聯云數據中心+AI云數據中心+AI云數據中心+AI云數據中心+AI10智能自治網絡是5G時代的重要組成部分 作為智立方CubeAI的重要組成，中國聯通還發布了AI模型共享與能力開放實驗床。該實驗床是參考Linux基金會AI開源項目Acumos的設計理念，由中國聯通完全自主開發，支持模型管理、模型共享、模型微服務化部署的全棧開源網絡AI平臺，源代碼已經發布到Git

149、Hub開源社區。后續中國聯通將邀請合作伙伴參與平臺的共建共享，共同推進典型網絡AI的應用示范，積極開展與相關開源社區的技術合作。中國聯通發起了CubeAI合作伙伴計劃并得到業內廣泛支持，參與聯合發起的主要單位有華為、中興、百度等近30家業內公司，涵蓋主設備廠商、AI技術提供商商、芯片廠商等各方合作伙伴。國際運營商在智能自治網絡方面的實踐北美運營商AT&T認為，將AI和人類的專業知識結合在一起，并演進為人類賦能的AI，我們會比以往任何時候都能更加快速地創造一個更好的世界。AT&T認為未來的5G技術核心包括了移動技術、固定寬帶技術和邊緣計算，并且成千上萬的小基站會大量部署；因此，運營商必須實時收集

150、和分析海量的終端數據，與AI技術的結合可以保證5G網絡持續高效及安全的高效工作。除了幫助部署網絡以外，AT&T認為AI技術還可以幫助優化網絡并且使網絡更加安全。例如AI技術可以優化流量和網絡速率，讓每個用戶在任何地點和時間得到最優的帶寬，并且在用戶相互交換數據時，保證數據的安全性。歐洲運營商沃達豐認為AI處于數字社會戰略的核心地位，為沃達豐提供了解決實際問題的全新視角。AI已經開始幫助提升沃達豐的產品及服務水平，同時也讓使其獲得了更加高效的商務運營。沃圖 6 中國聯通CubeAI實驗床項目模型打包模型訓練容器實例化AI能力網關AI能力示范模型開發AI建模AI商城（模型共享）AI能力開放模型導入

151、容器化封裝模型下架模型編輯模型審核模型發布模型超市模型編排模型部署模型評價kubernetesdockers能力監控和編排(生命周期管理)11智能自治網絡是5G時代的重要組成部分達豐在短短4年期間，就建立了龐大的大數據團隊，他們利用AI算法處理大量匿名化的數據集，用以提供新的商業視角，為不同的客戶提供不同的服務。沃達豐目前已經在歐洲及亞洲市場部署了大量無線接入設備，他們應用AI算法幫助判定客戶需要更大的容量的地點，從而幫助改善網絡覆蓋。此外，沃達豐還將AI技術應用于優化設備在不同小區之間的切換。這些成功的應用可以幫助沃達豐在這些地區節省約15%的網絡能源消耗。智能自治網絡的驅動力在2018年A

152、nalysis Mason所做的調查中，76家受訪運營商列出了采用人工智能輔助網絡自動化的主要驅動因素。如圖所示，采用人工智能輔助自動化的主要原因是降低運營成本-幾乎80的運營商將其置于前三位的驅動因素中，其他因素依次是：改善客戶的體驗 支持網絡的密集化部署 支持端到端自動化戰略圖 7 運營商采用人工智能輔助網絡自動化的驅動力Figure 3.Key commercial drivers to deploy AI-assisted network automation(%of MNOs placing each driver in their top three)(Source:Analysy

153、s Mason)%ofMNOs placing in top 3Reduce opexImprove customer QoEDensify the network efficientlySupport increased E2E automationTarget capacity where it is neededAlign network spend to revenueEnable multivendor networksDefer RAN capexLay foundations for agile SON networkReduce power consumption9080706

154、05040302010012智能自治網絡是5G時代的重要組成部分智能自治網絡趨勢預測隨著移動運營商開始評估其商用5G戰略，一些運營商已經在他們的網絡流程中引入自動化能力，最常見的是在運維、規劃和優化等方面。根據Analysis Mason的調查和預測，雖然當時全球56的移動運營商在其網絡中幾乎沒有自動化，但到2025年，近80的運營商希望網絡運營商實現40%以上自動化，三分之一的運營商預期自動化率超過80。智能自治網絡相關標準進展作為業界熱點，人工智能技術在電信領域的標準和行業方面也有很大的進展，國際標準或行業組織3GPP、ITU-T、ETSI和CCSA等都啟動了人工智能在電信領域應用相關課題

155、的研究。具體相關標準化組織或行業組織的研究項目情況如下：3GPP 3GPP SA WG5在2018年8月份啟動“WID Intent driven management service for mobile network”研究課題，目標是研究提升運維效率的移動網絡通信意圖驅動管理場景，并定義意圖驅動管理服務化接口來實現自動化閉環的控制。意圖實現復雜網絡或者業務的極簡控制，由系統實現圖 8 運營商網絡自動化趨勢預測Figure 1.Forecast levels of network automation by MNOs worldwide 2018-2025(Based on survey

156、of 76 Tier 1 and 2 MNOs worldwide.Q3 2018).(Source:Analysys Mason)%of MNOs60504030201002018202020222025Little or no automation Up to 20%of processes20%-40%60%-80%80%-90%Fully automated40%-60%13智能自治網絡是5G時代的重要組成部分復雜網絡或者業務的智能化管理。同時，3GPP SA WG5在2018年8月份還啟動“New SID on Self-Organizing Networks(SON)for 5G

157、networks”研究課題，目標是研究利用管理數據分析功能提供的場景感知和數據分析，來支持5G 網絡的SON，包括自配置（例如基站自建立），自優化（例如覆蓋和容量優化），自治愈等。3GPP RAN WG3 在2018年6月啟動“RAN-centric Data Collection and Utilization SI”研究課題。目標是研究面向網絡自動化與智能化的無線大數據采集與應用，包括研究不同用例所需的過程和信息交互，如：SON（e.g.ANR）、RRM增強、邊緣計算，以及URLLC、LTE-V2X等。目前該項目的研究階段已經結束，進入“SON/MDT support for NR”標準項

158、目階段。3GPP SA WG2 在2018年1月份啟動“Study of enablers for Network Automation for 5G SI”（FS_eNA）的研究課題，在2019年1月進入標準化工作。該項目目標是要利用5G核心網側的網絡數據分析功能NWDAF（Network Data Analytics Function）來提供大數據分析。該項目定義網絡數據分析所需的輸入和產生的輸出，實現了基于大數據分析進行網絡智能優化的功能。具體優化包括UE級的定制化移動性管理，例如尋呼增強和移動性模板、基于UE業務行為的連接管理等；5G QoS增強，例如基于用戶QoE的非標準化QoS畫像

159、；網絡負載控制，例如UPF選擇、網絡性能預測等。ITU-TITU-T SG13在2017年11月成立了“Focus Group on Machine Learning for Future Networks including 5G(FG-ML5G)面向5G未來網絡的機器學習焦點組”。其目標是找出相關的標準化差距，以提高面向5G的機器學習的互操作性、可靠性和可模塊化能力，制定用于未來網絡的機器學習研究報告和標準，包括接口、架構、協議、算法和數據格式，分析機器學習應用于5G和未來網絡(例如：網絡自主閉環控制和管理）)的適用性及影響-。2019年7月，SG13批準了焦點組在2019年3月提交的“面

160、向5G和未來網絡的機器學習的統一架構”成為技術規范，其內容包括：機器學習功能公共術語和命名方法、面向 5G和未來網絡的機器學習邏輯架構，并研究了統一架構如何應用到特定的技術，如3GPP、MEC、邊緣網絡或者傳輸網絡。焦點組目前進入第二階段的工作（至2020年7月），將進一步研究拓展5G和未來網絡中的機器學習的用例和需求、面向5G和未來的網絡中機器學習應用的數據處理框架、移動網絡智能分級的評估方法等內容。ETSI ETSI ZSM（Zero touch Network&Service Management）在2018年1月份成立，目標是讓網絡或者業務運維工作流自動化(包括部署、配置、維護和優化等

161、)，實現端到端工作流Zero-touch的愿景。在2019年6月啟動關鍵問題、基礎能力、解決方案三個研究課題，目標在于研究和探索網14智能自治網絡是5G時代的重要組成部分絡自動化面臨的問題和挑戰，研究分析自動化閉環操作的相關技術；定義通過自動化相關的策略和意圖接口，實現端到端管理域和管理域的自閉環以及各域之間的交互和協調；定義基于典型用例的端到端自動化流程。ETSI ENI（Experiential Networked Intelligence）在2017年2月成立，其目標是定義一個感知-適應-決策-執行控制模型的體驗式感知網絡管理架構，通過人工智能技術提升運營商在網絡部署和操作方面的體驗。其

162、核心理念是網絡感知分析，數據驅動決策，基于AI的閉環控制。相關用例、需求、架構等WI于2019年8月完成release1，并計劃啟動release2階段，release2主要會關注實時網絡的閉環控制。CCSACCSA TC1 WG1在2017年7月啟動“人工智能在電信網絡演進中的應用研究”研究課題。研究內容包括：人工智能技術在電信網絡維護方面的應用（e.g.故障分析和定位、故障分析與預測），網絡優化方面的應用（e.g.網絡性能數據智能采集、分析和預測）和SDN/NFV網絡自管控、自適應、決策控制方面的應用（e.g.網絡智能優化）。CCSA在2019年7月召開技術管理委員會2019年第一次會議上

163、，同意將TC1 WG1名稱調整為“互聯網應用總體及人工智能工作組”，并明確鼓勵各TC在本TC研究范圍內開展人工智能相關的標準化工作。CCSA TC3 WG1在2019年1月啟動”基于人工智能的網絡業務量預測及應用場景研究”課題，其目標是研究網絡業務量預測在未來網絡中的各種潛在應用場景，分析人工智能算法在網絡業務量預測問題上的應用。CCSA TC5 WG6在2017年7月開始啟動“人工智能和大數據在無線通信網絡中的應用研究”的研究課題。截止2019年8月WG6#52次會議，其研究輸出已經包括以下內容：基于人工智能和大數據的無線信道建模方法；人工智能和大數據在無線信號檢測和估計中的應用，資源管理中

164、的應用，無線網絡架構智能化演進中的應用，無線網絡規劃優化和運維等方面的應用，在數據業務推送的應用。5G15智能自治網絡總體規劃02跨域協同層：運營商借助專家經驗和全局數據，完成AI模型訓練，使能跨域、整網的閉環控制，目標是將專家經驗轉換成模型，為客戶提供更智能的服務。云化智能可結合結合網絡的實際場景，對數據、場景進行標注和分類，從而訓練出精確的AI模型，并可以提供AIaaS（AI as a service）的新型智能服務。單域自治層：網絡單域可以由能夠共同完成相同工作的一組網元構成，根據場景的不同可以是核心網絡、無線網絡或者包含核心網和無線網的企業專網。在單域自治層，需要打造管控融合的智能引擎

165、，實現每個網絡單域內的自治和閉環，例如，面向無線接入網絡、傳輸網絡、核心16智能自治網絡總體規劃5G智能自治網絡需要基于云基礎架構，構建AI和大數據引擎，考慮不同網絡層次的特點解耦設計、微模塊化實現、分層部署，同時聚焦高價值場景、按需引入AI能力、逐步推進，最終實現網絡的泛在智能化。智能自治網絡的分層架構為了逐步達成完全智能自治網絡的目標，并保證不進一步增加網絡的復雜性，需要在架構上保證分層實現。從部署位置來看，越上層、越集中化，數據量就越大，跨領域分析能力需求就越強，更適合對全局性的策略集中進行訓練及推理。比如跨域調度、端到端編排等，通常對計算能力要求很高，需要跨領域的海量數據支撐，對實時性

166、要求較低。部署位置越下層、越接近端側，專項分析能力就有可能越強，實時性往往更好。下圖展示了一個三層架構，包含跨域協同層、單域自治層和網元層。在不同層次閉環之間，例如跨域閉環和各單域閉環之間，需要通過開放接口（開放API、SDK等）相互協調和交換信息?？缬騾f同層網元 1-1網元 1-2單域自治層 2網元 2-1網元 2-2單域自治層 1圖 9 智能自治網絡的三層架構網，都需要通過此層能力實現單域內的自動化。網絡智能要進行本域內的數據分析和推理，識別各種網絡場景，對未發生的情況進行預測預防，對已經發生的情況進行根因分析，最終給出決策，從而實現對網絡的智能控制。網元層：在網元設備內部，基于嵌入式系統

167、，構建機器學習、深度學習的框架和算法平臺，提供場景化的AI模型庫與結構化的數據。本地智能主要提供兩個重點能力，數據提煉和模型推理。將站點產生的海量數據提煉為有用的樣本數據，以及通過嵌入式的AI框架支持在CPU、DSP或AI芯片上進行實時的AI模型推理，最終在本地實現場景的自適應匹配和處理實時參數及資源的自動調優。為確保最佳性能，為了最大程度地降低層之間的集成復雜性，分層框架需要不同層之間的簡化開放接口。通過開放接口交換的信息將逐漸由繁重的數據和參數，簡化為意圖交換。反過來說，開放接口的簡化依賴于每個域和層中的網絡自治能力。因此架構上需要實現分層自治、垂直協同。智能自治網絡的階段劃分 實現完全的

168、智能自治網絡是一個長期目標，需要分步實現，從提供重復執行操作的替代方案，到執行網絡環境和網絡設備狀態的感知和監控，根據多種因素和策略做出決策，以及有效感知最終用戶體驗，直到最后網絡能夠感知運營商和用戶的意圖，自我優化和演進。通信網絡的復雜性決定了智能自治網絡是無法一蹴而就的，應該循序漸進，分步驟推進，例如按照人工運營網絡（L0）、輔助運營網絡（L1）、初級智能自治網絡（L2）、中級智能自治網絡（L3）、高級智能自治網絡（L4）、完全智能自治網絡（L5）這六個階段逐步推進。GSMA支持產業各方在階段劃分方面形成統一觀點。17智能自治網絡總體規劃18智能自治網絡總體規劃Level 0人工運營網絡：

169、系統只提供輔助監控功能，所有動態任務都必須手動執行。Level 1輔助運營網絡：系統根據現有規則執行某個子任務，以提高執行效率。比如，網絡優化領域特定場景實現網絡性能數據自動感知，即系統根據預先定義的規則自動采集網絡覆蓋性能數據（e.g.,網絡覆蓋和容量KPI等）。Level 2初級智能自治網絡：系統在某些外部環境下為某些單元啟用閉環運營，降低對人員經驗和技能的要求。比如，網絡優化領域實現基于經驗模型輔助分析網絡問題（如覆蓋、接入、切換等）；或者網絡維護領域實現故障自關聯和壓縮，即系統在特定環境下根據設定的策略自動關聯故障數據，或者網絡部署領域實現基站硬件的自檢測和自配置，即系統自動檢測硬件設

170、備，根據設定表 1 智能自治網絡的階段劃分階段關鍵特征全人工操作工具輔助數據采集，人工分析決策部分場景基于靜態策略自動分析，人工決策特定場景實現動態策略自動分析，預先設計場景系統輔助人工決策系統實現動態策略完整閉環，預先設計場景系統自動完成意圖感知和實現全部場景系統完成全部閉環，系統自動完成意圖感知和實現人工運營網絡輔助運營網絡初級智能自治網絡中級智能自治網絡高級智能自治網絡完全智能自治網絡備注說明所有等級的決策和執行都支持人工介入，人工審核結論及執行指令具有最高權限。L1L2L3L4L5L0評估維度系統為主人工為主人工人工人工人工人工人工人工人工少量場景系統系統為主人工為主人工人工部分場景系

171、統系統系統為主人工為主人工多數場景系統系統系統系統為主人工為主絕大多數場景系統系統系統系統系統全場景無執行感知分析決策意圖 場景 的硬件配置策略自動配置硬件。Level 3中級智能自治網絡：系統可以感知實時環境變化，并在某些領域中，優化并調整自身以適應外部環境，以實現基于意圖的閉環管理。比如，網絡優化領域實現網絡覆蓋優化閉環自動化，即系統在特定的環境下自動檢測網絡覆蓋問題，并根據檢測到的網絡覆蓋問題自動優化調整相應網絡；或者網絡維護領域實現故障根因自分析，即系統在特定環境下根據設定的策略自動分析故障的根因。Level 4高級智能自治網絡：系統可以在更復雜的跨域環境中實現對服務和客戶體驗驅動網絡

172、的預測或主動閉環管理。這使運營商能夠在客戶投訴之前解決網絡故障，減少服務中斷和客戶投訴，并最終提高客戶滿意度。比如，網絡優化領域基于場景感知和預測實現覆蓋參數動態調整，即系統基于場景感知和預測的結果，動態調整網絡覆蓋參數以使得覆蓋最優；或者網絡維護領域實現故障自預測；Level 5完全智能自治網絡：這個級別是電信網絡發展的最終目標。該系統擁有跨多個服務，多個域和整個生命周期的閉環自我設計、自我實施、自我優化、自我演進，實現智能自治網絡，支持對運營商和用戶意圖的感知和實現。在進行智能自治網絡的階段評估時，應根據規劃設計、開通部署、運維故障優化、業務運營等業務維度進行區分，并按照跨域協同層、單域自

173、治層、網元層進行切分，形成一個多維度的立體化智能自治網絡階段評估標準。初期可以應用較低階段的技術方案，獲得成本和敏捷性優勢；后期則可以發展到更高階段，獲得額外收益并解決更廣泛的場景。智能自治網絡的案例總覽智能自治網絡的工作流程需要直接與運營商的業務價值相關，因此運營商需要參與定義相關的工作流程，根據數字化程度、企業組織架構、人員素質等限制因素，權衡包括CAPEX和OPEX在內的總體擁有成本，評估戰略相關性和潛在價值，最終確定核心的智能自治網絡場景。運營商、設備商和第三方廠商已經開始了對智能自治網絡的探索，包括網絡流量預測、基站自動部署、故障自動定位、按需體驗優化等方面的案例層出不窮。下一章將從

174、網絡的整個生命周期角度，闡述AI技術在網絡的規劃建設、維護監控、優化配置、業務質量保障、節能增效、安全防護和網絡運營服務七個方面的典型案例。這些案例闡述了引入人工智能技術的場景描述、技術方案概述、應用效果，并嘗試給出了下一步工作建議。19智能自治網絡總體規劃20智能自治網絡典型應用案例0321智能自治網絡典型應用案例人工智能在網絡規劃建設中的應用智能規劃機器人“4G改變生活，5G改變社會”的萬物互聯互通理念正在逐步被社會各個領域所接受，進而為社會經濟、生活帶來革命性的影響。AI算法發展很快，學習對象從傳統的靜態數據收斂到，逐步過渡到基于動態數據的持續學習，將原先突發性、不可預期性、不可重復性的

175、無線網絡眾多數據變得有章可循。盡管人工智能在智能規劃中有著非常良好的應用前景，但至今業內仍然缺乏標桿式的案例及規模性的應用，AI和通信網絡的規劃、建設、維護、優化等流程逐步有機組合起來，無線網絡規劃中AI的應用面臨諸多挑戰：一是無線網絡場景復雜多樣、數據維度多、時變性強、信道變化隨機性強，導致網絡參數變動很大，傳統的AI算法可能無法收斂或者效果比較差，難以準確建模，需要不斷調整AI算法。二是求解復雜度高，最優規劃站點涉及MR弱覆蓋、用戶級別、異網競對、聚類投訴等數據等多維度，求解非常復雜，而且在很多情況下難以求得最優解。三是無法準確分類，無線網絡存在諸多差別，難以找尋共性來準確表述。例如，在智

176、能規劃的互聯網場景化問題中，通常表現出多樣性和并發性，即使網優人員也難以辨別，運用人工智能的算法也許需要做大量的黑白名單標注工作。高效的網絡運營是成敗的關鍵，網絡規劃需要考慮諸多的因素：如何確定網絡建設與資源投放的優先級？話務熱點在哪里？高價值用戶在何處？應該怎樣確定網絡高價值區域？這個場景該用室分，新型室分，還是小站穿透覆蓋？如何保證VIP用戶的最佳體驗？如何發現“流量受壓抑”的區域，并釋放網絡潛力？【場景描述】如何評估規劃建設的效果/效能？樓宇中的用戶真實體驗如何？如下圖所示，AI在智能規劃機器人的應用場景主要可以應用在無線網規建維優一體化智能管理的全流程中。智能規劃機器人需要采集的基礎數

177、據包括OMS、VMOS、DT/CQT測試數據、互聯網APP數據。該解決方案通過使用指令適配、場景識別和KQI-KPI模型的匹配算法，實現無線網規建維優的4大核心能力（快速評估、敏感監控、自動優化、迭代規劃）。當前AI算法主要應用在多維智能分析和智能價值評估兩個流程中。具體的算法包括基于神經網絡的指紋庫定位算法、基于神經網絡的室內外用戶區分和互聯網化場景智能管理?；谏窠浘W絡的指紋庫定位基于神經網絡的指紋庫定位，旨在通過引入AI這柄“利器”，依托人工智能的自學習、深度學習能力，在海量的網優數據（MR弱覆蓋+用戶、競對、投訴等數據）中抽取隱含的關聯特征和規則，通過共性特征的提取總結，對未來網絡演進

178、進行預測。具體就是利用包括DPI用戶面數據、MR數據、高精度樓宇地圖、CAD建筑文件、KPI性能數據、投訴數據、口碑數據、套餐數據等數據，采用機器學習與神經網絡、密度聚類、回歸分析等算法，將細分場景、網絡價值、流量壓抑分析、高價值區域定位、流量潛力挖掘等按照指紋庫形式呈現出來。22智能自治網絡典型應用案例【技術方案概述】問題管理多維智能分析智能價值評估勘察和選址建設運營管理開站和交維后評估業務感知保障圖 10 基于AI的智能規劃機器人全流程基于神經網絡的室內外用戶區分隨著MR定位技術的發展，定位精度的不斷提升，同樣促進了無線網規網優工作向更加精細化和智能化演進。往往大部分用戶和發生的業務位于室

179、內，傳統路測和不區分室內外的MR都無法反映室內網絡質量；室內測試工作量巨大，測試范圍和覆蓋評估準確性都難以保證；室內外區分技術是解決LTE網絡深度覆蓋問題的關鍵技術，可快速、準確地對室外和室內樓宇的深度覆蓋問題點分別進行評估，為網規網優提供更加精細化的數據依據?；谏窠浘W絡的室內外用戶區分算法原理：對于服務小區為室分小區的場景，不考慮室分泄漏的情況，全部判斷為室內用戶。對于服務小區為室外小區的場景，主要利用以下無線信號傳播原理：對于位置相同或相近的室內和室外用戶，主要區別在于建筑物的穿透損耗，室外用戶RSRP比室內用戶RSRP高1020dB，中值為15dB左右。23MRO文件路測文件預處理解析

180、得到由服務小區和鄰區場強組成的指紋庫預處理是否否是是否具備指紋定位條件是否在指紋庫里計算最大概率得到最近匹配值返回其他算法其他算法圖 11 基于神經網絡的指紋庫算法選擇流程 智能自治網絡典型應用案例經過深度機器學習，對相同或者相近位置上的穿透損耗進行比對，獲取大量的同小區同TA室內外用戶路測RSRP的數據，同時在WiFi的協助下，提高室內外用戶定位的準確性。加入時間和空間維度的考慮，提升定位的準確性互聯網化場景智能管理互聯網化場景智能管理就是利用互聯網場景數據（商用地圖POI（Point of Interest）信息）與覆蓋小區數據進行自動關聯分析，實現場景數據的管理，并進行場景化的網絡質量的

181、自動化管理?；ヂ摼W化場景按照覆蓋容量、感知對比、社群分布、固移融合和收入指數的5個層次進行聚類。層次1：覆蓋容量。覆蓋容量按照柵格（50*50米方格）維度，結合無線網絡覆蓋強度、3/4G網絡協同價值、網絡容量價值進行綜合判斷和分類。層次2：感知對比。感知對比主要結合用戶投訴、業務感知DPI數據、路測數據、VoLTE感知數據等對場景進行聚合分類。層次3：社群分布。社群分布則根據場景定義（如商務區、住宅區等）、人口密度、網絡結構數據對場景進行聚合分類。層次4：固移融合。固移融合主要考慮場景點的MR覆蓋率和寬帶端口開通率。層次5：收入指數。收入指數則是對結合場景區域內容用戶規模、寬帶端口開通數、互聯

182、網業務規模進行收入類分類。該智能規劃機器人已經在中國聯通江蘇省分公司得到較好的應用實踐。在傳統網絡規劃匯總，為提高規劃的準確性，需要花費大量的時間和人工成本。以江蘇聯通為例，近100萬棟樓宇和20萬公里的公路，一方面難以開展遍歷性測試，另一方面測試過程中所需投入的人員、設備和車輛巨大。而且，基于OMC統計和基于傳播的最佳小區定位方式，定位精度僅為300-500米?？傮w來看傳統規劃的劣勢在于：網絡數據維護手工化：基礎數據以表格形式存儲，維護周期長，數據無法自動更新，依靠人工定期更新。24【應用效果】智能自治網絡典型應用案例25網絡評估方法滯后：傳統DT/CQT方式開展評估需要1920人天、每次上

183、百萬，存在成本高、效率低；而且收人為因素、環境影響大，評估周期長，評估完整性差。MR數據手段缺乏：缺乏統一的MR數據管理平臺，對廠家依賴性較大。評估指標不統一：廠家之間數據標準不一樣；手工統計各級匯總的方式整體缺乏統統計和平臺呈現。引入智能規劃機器人之后，通過建立評估標準與建設標準統一和全流程（從需求發起到后評估的閉環自動管控）的有效管控。效率提升以江蘇聯通三個地市試點效果為例，與傳統手段相比，規劃精度輸出從500*500米提升到50*50米。站點規劃效率提升1倍，準確度達到80%以上，而且額外發現40%人工手段無法發現的問題。以某月生產為例，智能規劃機器人共解決11121個問題，縮短分析時長

184、2224個小時，相比原有的優化工作模式效率提升74%。成本效益以江蘇聯通為例，使用傳統手段，當地需要為各廠家的2/3/4G網絡及所有第三方服務均分別配置一名管理人員，約需要超過10名管理人員。使用智能規劃機器人后，全省劃分為5個區域，每區域配置一人，只需管理員5名。管理成本節約50%。另外，每載頻網優投入從約350元降低為250元，投入節約28.57%。表 2 智能規劃機器人與傳統手段效果對比智能規劃機器人自動輸出弱覆蓋簇數人工核對確認弱覆蓋簇數準確率已知弱覆蓋數（傳統手段）通過智能規劃新發現的弱覆蓋數問題新發現率A市B市C市120798696657180%82%83%644428322138

185、33%32%57%智能自治網絡典型應用案例標準化方面MR數據格式的標準對于開展智能分析和評估具有至關重要的基礎作用。而往往不同廠家之間數據標準不一樣，對廠家的依賴比較大。后續需要進一步加強無線MR數據格式的標準化工作。技術發展方面在實際工作中，我們發現定位技術，尤其是高低層區分的定位技術，是未來網絡精準規劃的關鍵。后續可以考慮通過解析第三方APP應用層中用戶位置信息，與無線側MR做關聯形成OTT指紋，結合WiFi定位數據，將室內MR進一步區分出高低層來。5G的新挑戰和新需求5G具有高頻段的特性，空間損耗和穿透損耗明顯增加，站點密度的增加給建設帶來新的挑戰，要求對站址選擇更加精細化。后續需要進一

186、步結合3D場景重建、覆蓋場景物體識別和規劃知識圖譜等信息開展5G網絡的規劃、站點和天線選址選型。承載網智能流量預測運營商普遍在經營的不限量套餐，對現有網絡造成一定的沖擊；為應對沖擊，運營商需要流量預測來指導承載網絡的調整和擴容。黃金周和春節的保障一直是運營商運維的重點工作，預測算法可以給出周末/平時,假日等不同時間段的預測，從而指導現有網絡針對性的運維保障。承載網絡目前服務于無線基站，運營商希望從主動建設和運維角度出發，可以給出各區域各類業務的忙閑時預測值，為新建網絡的合理組網，合理分配網絡資源提供模型和依據。承載網流量預測解決方案通過機器學習算法學習出流量在空間和時間上的內在規律，形成未來增

187、長趨勢和日流量基線用于帶寬預警、擴容預測和差異化服務保障。方案主要分為算法探索和流量預測應用兩部分，通過算法探索形成可選算法列表，再將實際的算26【下一步工作建議】【技術方案概述】【場景描述】智能自治網絡典型應用案例27法進行現網流量數據訓練和預測，包括增長預測和忙閑時預測兩類，并且每種算法形成評估結果，方便算法的對比和優化。具體步驟如下：1進行現網流量的采集；2對現網的歷史流量數據進行特征處理，并進行多種模型的訓練；3選用可選模型進行流量預測，對于每一種模型評估結果；4根據目標選擇合適的算法模型；5新的流量數據采集完成并進行流量預測；6疊加節假日等因素得出最終的流量預測結果。涉及算法：流量增

188、長預測部分可采用時間序列算法線性回歸/sarima/fbprophet等進行流量增長或者節假日流量預測；忙閑時流量預測可使用K-Means/DBSCAN等算法聚類后,使用SVM/貝葉斯網絡等算法進行24小時忙閑分類預測。圖 12 智能流量預測方案 現網應用流量采集歷史數據特征處理按地域業務分組初步分析訓練樣本：地區1，LTE，1-8月歷史流量驗證樣本：地區1，LTE，9-10月歷史流量現網流量數據地區1，LTE，節假日期，流量峰值，流量平均值偏移曲線聚類/分類訓練數據增長預測測試算法比較預測算法預測數據疊加節日等根據目標選擇算法預測結果：地區1，LTE，日期，流量峰值，平均值日忙閑時曲線需要預

189、測：地區：1，LTE，11-12月流量地區1，LTE，線性回歸，得分0.9地區1，LTE，sarimax，得分0.8地區2，OLT，線性回歸，得分0.65地區2，OLT，fbprophet，得分0.85算法比較結果線性回歸時間序列.156423智能自治網絡典型應用案例工程應用建議：預測對數據的要求高，需要保證數據的質量和數量。標準化建議：預測應用效果的評估模型建議可以標準化。站點自動部署基站部署場景是指現場調查后部署基站的整個工作流，包括網絡規劃和設計，站點設計，配置數據準備，站點安裝，現場調試和現場驗收。下圖展示了運營商完整的站點部署流程。Avg Bandwidth Usage(%)7060

190、50403020100Ring 402018-11-22Actual:49.37%Predict:52.18%201804-11201805-09201806-06201807-04201808-01201808-29201809-26201810-24201811-21201812-19201901-16DailyAvg Bandwidth Usage Trend Forecast圖 13 PTN傳輸網絡匯聚環流量帶寬利用率的預測效果28【下一步工作建議】【場景描述】涉及接口：網管和網元之間的接口（如SNMP、Netconf、Telemetry等）涉及數據集：需要預測流量的資源（端口、鏈路、

191、環網、業務等）歷史流量數據經測試，預測的準確度在90%以上。相比于人為的粗獷式預測，預測可以聚焦于具體的資源，以及精細化到具體時間日期。實際在PTN傳輸網絡匯聚環流量帶寬利用率預測的應用效果可以看出，能比較好的符合環網流量的增長趨勢?！緫眯Ч恐悄茏灾尉W絡典型應用案例29傳統的無線網絡基站部署，在幾個方面存在著挑戰。首先，存在大量參數配置（通常參數數量上千），比如：基礎傳輸、設備和無線等配置。且在站點的設計規劃階段，需要對基站設計參數和變更的全部詳細了解并掌握，才能完成正確配置。此外，站點規劃和站點安裝的不一致以及手動撥號測試則會導致站點訪問時間過長以及頻繁的站點訪問問題。目前，站點部署方案

192、大都介于使用工具輔助管理和部分自治網絡之間。一些領先的平臺可以達到有條件的自動部署?？梢灶A見，站點部署過程的端到端全面自動化，將有望在不久的將來實現。AI技術的發展和引入，對于實現全面的端到端部署自動化會帶來革命性的變化。以在存量網絡中部署新的基站為例，如果引入大數據分析和深度學習算法，未來可以實現真正的極簡參數規劃、大幅度減少部署策略開發，極大提升部署準確性，最終實現可以“智能跟隨”的存量網絡。存量網絡中根據場景分類，很多參數實際是固定的。運營商目前的存量網絡中存在大量數據，日?？梢曰诂F網（無線、傳輸和硬件）特征數據，通過深度學習算法在線學習，針對不同場景（例如吸熱、補盲等場景）生成部署策

193、略和模板。由此，針對相同場景的新增基站，不需要針對每個站再進行規劃，而可以根據存量站點的參數進行匹配配置，自動生成新增站點的參數配置規劃。從而實現真正的極簡輸入、極簡參數規劃。即使對于同一個運營商同一個項目，由于站點覆蓋區域的不同特征，使用參數并不完全相同。過多的差異性，會增加運營運維的復雜度。同時，由于網絡優化是持續進行的，無線網絡配置參數一直在動態變化，無法長期根據固定信息做站點部署，否則會給后續優化工作帶來更大的負擔?；谏鲜龅脑?，在已經存在正常運維的無線網絡基礎上，新增站點部署，其初始配置部分參數可以基于現網的規律自動生成。圖 14 運營商基站部署工作流站點規劃數據準備基站安裝軟件激

194、活傳輸數據配置激活硬件數據許可激活無線數據基站上電基站驗收基站拔測【技術方案概述】智能自治網絡典型應用案例30部署前，根據規劃數據、基站地理位置等信息生成此次部署特征，系統將會根據基站實際特征，自動匹配最佳的現網參數配置和部署策略。應用部署策略之后，還可根據站點周邊基站的關鍵信息檢測，進行實時學習，對現有策略進行進一步優化和完善，生成鄰區、功率等補充信息。由于場景化部署策略由現網自動分析獲得，這大幅減少了對相似場景的策略開發。部署之后的在線學習能力，則可以對部分提前規劃的參數進行實時優化，降低由于工參等信息獲取問題而導致的規劃偏差，從而極大提升部署準確性。整體方案流程如下：整體流程說明：1.利

195、用專家經驗生成配置經驗庫，使用關聯算法并設置置信門限。2.根據存量無線網絡數據和關聯項集，使用數據挖掘和分析技術，針對特定場景生成可能的配置推薦。獲取頻繁關聯參數。3.根據現網數據并基于用戶輸入的置信門限計算配置預測的置信度，對獲取的配置推薦進行驗證。4.如果置信度超過置信門限時則自動根據關聯項生成對應的最佳配置規則。5.人工判斷推薦規則有效，則進入統一的初始配置規則庫。6.新增站點部署時，調用既有配置規則，就可以不需要外部輸入數據直接生成新增站點配置數據。在線學習關聯規則挖掘模型計算頻繁K-項集置信度生成推薦配置規則基于FPGrowth挖掘頻繁K-項集交互管理典型K-項集設置K-項集置信度初

196、始配置規則庫新增站點部署配置規則執行引擎基站初始配置典型關聯K-項集存量無線網絡數據判斷推薦規則合理性noyes圖 15 無線網絡智能部署解決方案流程智能自治網絡典型應用案例針對射頻模塊邏輯主鍵類參數，基于典型頻繁關聯參數，目前在23個5G局點應用，經過驗證生成有效推薦規則21個。整體有效性超過90%，無錯誤推薦生成。有效的規則，可以減少5%左右的初始規劃參數。站點自動部署對于5G時代快速建站部署具有十分重要的意義，能夠大幅度提升開通效率，簡化參數配置。雖然目前人工智能在自動部署中的應用還在實驗室測試階段，但是打通運營商工作流的站點自動化已經在全球多個運營商5G站點開通部署中實際應用。比如，韓

197、國某運營商，使用站點自動部署后，將開站時間從2小時每站點降低至半小時左右；中國北京某運營商，5G新建站點效率提升2倍以上，3D MIMO新建站點效率提升3倍以上。下一步需要跟運營商工作流和系統更好的對接，并推動北向的意圖化接口標準化工作，讓端到端自動部署更好地嵌入運營商的工作流。寬帶裝機質量監控FTTH/FTTB接入是中國家庭寬帶的主要接入方式，在實際施工過程中，如何保證寬帶裝機質量，目前面臨幾個突出問題。首先，光纖接入施工對裝維人員技能要求較高，如何確保裝維人員自覺按照裝機工藝施工，目前還是采用事中拍照，事后抽檢的方式進行，但人力投入要求非常巨大，無法全檢，往往只能部分抽檢，給施工質量埋下隱

198、患。其次，PON接入光纖屬于“啞資源”，其無源特性使得這部分資源難以管理，由于光纖接入的快速發展，“重建設不重維護”的歷史原因，分光器端口實際占用情況與資源系統記錄情況經常不一致，裝維人員追求施工速度，經常將錯就錯，隨意插占端口，導致無法按單施工，端口資源占用越來越亂。再次，為修正端口資源占用，有效利用端口資源，運營商需要定期投入巨資安排人工核查，在資源核查時，人工核查效率低，質量無法保證，缺少快速識別資源和自動比對的工具。目前裝機過程中，運營商一般都有要求將施工過程的幾個關鍵環節拍照上傳留檔，目前裝機圖片質檢主要通過人工抽檢方式，如何通過AI圖像技術識別提升裝維規范性，管理“啞資源”，減少用

199、人成本，提升寬帶裝機質量，從如下方面解決以上痛點：人臉識別裝機打卡31【應用效果】【下一步工作建議】【場景描述】智能自治網絡典型應用案例32 裝機工藝質檢 分管器端口施工識別確保按單施工 資源快速識別圖片質檢前，通過初步預處理，過濾無效圖片，和重復圖片。經過初步處理，能發現裝維人員上傳的無效圖片和虛假圖片，并記錄統計。裝機打卡主要通過人臉識別技術、物體檢測技術，質檢裝機人員著裝是否符合規范，如佩戴安全帽，身穿工作服。支持每日刷臉打卡，智能考勤。定位裝機施工位置，判斷裝機師傅本人是否到現場?；A裝機工藝質檢基于深度神經網絡AI算法，檢測圖像中目標物體，裝機工藝內容可以非常豐富，質檢的項目如下：1

200、、繞線是否美觀；2、是否有對分光器箱體拍照；3、分光器是否有二維碼貼紙；4、光貓是否有貼服務卡。過濾昏暗圖片過濾模糊圖片過濾重復圖片通過初步驗證曾經提交圖片圖片重復使用圖 16 圖片預處理不合格不合格不合格合格圖 17 裝機打卡人臉識別技術，應用于考勤和現場打卡。人臉對比人臉對比不一致不通過一致通過合格合格佩戴安全帽，工作牌身穿工作服定位施工現場識別施工場景錄入照片打卡照片錄入照片打卡照片智能自治網絡典型應用案例深度裝機工藝質檢選擇一些復雜一些的裝機工藝質檢項目，質檢的項目如下：1、防塵帽是否丟失；2、分光箱是否完整；3、分光器二維碼是否正確；4、入戶線是否固定；5、光貓繞線是否規范。33繞線

201、是否美觀是否有拍攝分光箱分光器是否有貼紙光貓是否有貼服務卡圖 18 基礎裝機工藝質檢美觀是分光箱檢測到貼紙檢測到服務卡繞線規范-雜亂不是分光箱未檢測到貼紙未檢測到服務卡不合格不合格不合格不合格合格合格合格合格圖 19 深度裝機工藝質檢不合格合格不合格合格不合格合格不合格合格不合格合格檢測分光器防塵是否丟失線纜穿墻入戶是否固定光貓繞線是否規范識別分光器二維碼，判斷分光器編號是否正確是否有拍攝分光箱，箱體是否完整未插口防塵帽未丟失分光箱完整二維碼與分光器資源編號對應線纜穿墻后有固定光纖完全固定饒進卡槽未插口防塵帽丟失！分光箱破損二維碼編號不正確，與資源數據不一致！線纜無固定光纖部分饒進卡槽，施工工

202、藝有待改進！智能自治網絡典型應用案例34人工抽檢過程中，最重要的要的質檢環節就是施工人員是否按照工單分配的端口（屬于啞資源，目前主要是無源光網絡設備，網管系統是無法管理的，只能依靠施工人員自覺和抽檢來保證）。如何通過AI技術識別端口序號并與工單做比較，需要引入AI圖像識別技術和OCR技術，確保按單施工。對于光交接箱、ODF配線架的施工，資源的快速識別和清查也是裝維面臨的一大挑戰。裝維人員需要識別光纜段掛牌信息、ODF端口占用情況，并將識別結果與資源管理系統比對，更正資源使用狀態，對于這部分工作，運營商每年都要成立專項小組，投入不菲。如果能在裝機過程中，通過拍照和圖像識別技術，持續不斷的管理資源

203、信息，將為運營商減少一大筆投入，資源信息管理更加準確，循序漸進的提升施工質量。光纜段掛牌信息OCR識別。識別內容:光纜段名稱、光纜規格、光纜長度、普查時間、普查單位等5個數據信息。ODF端口占用情況識別是識別X盤X口的占用情況（一般用1表示占用，0表示未占用）。圖 20 確保按單施工識別結果已插線端口未插線端口未被遮擋標簽信息施工后拍一張照片標簽識別端口序號識別端口占用識別匹配關系識別智能圖片識別自動對比分析分光器端口已使用12345689圖片中物理使用的所有端口分析對比得到結果，判斷條件：條件一：和一致；條件二：和一致；不合格合格全部條件滿足有一項不滿足從標簽上獲取的端口寬帶賬號：209*8

204、133分光器端口號：6從綜資系統中獲取實占端口寬帶賬號：209*8133分光器端口號：6【技術方案概述】智能自治網絡典型應用案例35該應用算法需求主要是圖片中人臉識別比對、設備類型識別、各種貼紙/標簽識別和端口占用識別兩方面，而總體來看，算法實現所需要的技術基礎又可以具體分為三方面：感興趣區域提取(ROI)、文本識別(OCR)與目標檢測。感興趣區域提?。褐笝z測和定位圖片中的貼紙/標簽區域，通過YOLOv3+CTPN算法實現；文本識別：指將文本區域識別成具體的文本字符，通過CRNN算法實現；目標檢測：指檢測出圖片中所需要定位的多種目標，在本應用需求中指被占用和未占用的端口、線纜、設備等，通過YO

205、LOv3-spp實現。通過算法獲取的輸出數據，需要與客戶信息、工單信息、資源信息做進一步比對，這些數據通過BOSS系統接口獲取。將比對結果存儲到關系型數據庫中，供人工統計或進一步挖掘使用。對于圖片質檢的在寬帶裝機質量方面的應用，我們已經在一些省份實施使用，利用人工智能技術對裝維人員工程施工結束后的拍照圖片做智能識別，對設備和線纜做分類判斷，審核端口占用情況，分析標簽/貼紙信息。檢查施工是否符合施工工藝要求，是否插對分光器下行端口，快速巡檢ODF端口占用。以國內某運營商中型省份為例，通過半年的使用，對裝維質量提升有顯著幫助，取得了明顯的效果：節省30人/月：AI圖片質檢應用上線半年來，平均每月質

206、檢15萬比工單，每月質檢的圖片數量達到130萬以上，相比人工檢查，節約人力30人/月。10%60%:由于AI的賦能，能針對施工圖片全量檢查，要求外線施工人員更嚴格施工和規范拍照，施工規范達標率從10%提升到60%。10%4%:AI圖片質檢應用上線半年來，有效提升了施工質量，降低了二次上門的比例，二次上門率從之前的10%降低到4%。目前，AI技術已經初步引用到寬帶裝維過程中，對裝維質量提升效果明顯，不僅僅是質檢覆蓋率的提升，也對資源管理優化有促進作用。下一步的工作主要從以下幾個方面展開?！緫眯Ч俊鞠乱徊焦ぷ鹘ㄗh】智能自治網絡典型應用案例36算法改進與輔助工具：對于ODF等復雜設備，使用率比較

207、高時，線纜重疊交錯嚴重，有時候人眼都難以分辨核查，對于這種場景，可以進行實體分割算法改進，如使用Mask R-CNN甚至MS R-CNN算法。還可以通過引入輔助工具，降低算法難度，如引入拍照擋板，黏貼輔助貼紙，使用拍照框等，讓拍照影像更有利于機器識別。數據集規范化：本應用數據集來源于施工拍照圖片，目前各個運營商甚至同一個運營商的不同分公司都會使用不同的裝機規范，使用不同的貼紙樣式，由此獲得的照片沒法獲得規范化的數據集，對推廣裝維圖片質檢非常不利。下一步工作可以從規范使用一致的施工材料，總結通用的施工工藝，推廣統一的拍照規范方面展開。人工智能在網絡維護監控中的應用無線網絡智慧運營分析平臺互聯網技

208、術的飛速發展為人們的衣食住行帶來了巨大的便利。電信運營商在給個人、國家、社會提供上網服務的同時，每時每刻都在產生大量的數據。其中，有些數據是由服務器或各種其他網絡設備產生的，反映了服務器或網絡的某些特性，符合一定的變化規律，挖掘這些數據背后的含義對監測網絡安全具有重要意義。目前無線網絡中存在著如下問題和挑戰：不同廠商、不同小區之間的網絡數據質量層次不齊。部分小區網絡性能數據存在漏報、錯報的情況，人工難以一一核查，對后期的網絡優化造成隱患。各小區人數、周邊網絡環境變化對網絡數據的影響實時變化，工作人員難以去現場核查并做出反應措施，對未來的網絡流量變化不能做到提前預警。室內、室外小區網絡覆蓋信號差

209、別較大。隨著無線環境、網絡的結構、用戶的行為以及用戶的分布的不斷變化，需要對網絡進行不斷地優化和監視，能夠很好的發現在網絡當中存在的一些問題，從而找出對網絡質量有影響的因素，然后再通過對算法參數的調控、相關的技術手段使得網絡能夠達到一個最佳的運行狀態，而且對于網絡的增長趨勢也能夠有一定的了解，從而來為以后的擴容提供一定的理論依據，最終使得網絡的服務質量能夠有所提高。通過對無線網絡性能數據的研究，將無線性能指標歷史數據分布對比、異常診斷、趨勢預測、擴【場景描述】智能自治網絡典型應用案例37容預測四個方向進行建模，且重點關注五高一地小區在這些領域的特征表現。緊密圍繞智能自治網絡運營戰略，從實戰層面

210、加大提升運營商無線網絡運營智慧化水平。將人工智能運用到多方面的網絡運營分析中，能夠快速以及準確的找的網絡異常點、提前判斷網絡趨勢、給出準備的整改建議，大大提升了網絡管理運營效率，提高了智能化網絡管理水平，對運營商整體的無線網絡優化的集中化、智能化、自動化提供了支撐。大數據的關鍵技術包括數據存儲和數據挖掘，其中數據存儲主要是依靠分布式數據庫實現的，數據挖掘是以大數據平臺的搭建實現的，分布式數據挖掘技術就成為實現無線網絡優化的核心技術之一。這一平臺主要特點是利用不同節點上的自動部署來完成數據處理，這樣能夠對新數據實時更新，確保數據的穩定性和延續性。從運營商無線網絡運營的需求分析，針對現有無線網絡系

211、統中的需求，為運營商無線網絡提供了一套無線網智慧運營分析解決方案。該方案主要有以下四個方面：基于4G無線綜合網管已有數據及功能，以大數據分析思路對網管數據在全網集中采集匯聚過程中的各層數據問題進行分析，其中數據源主要為：指標分布，對比同一設備網管，同一個指標在某個時間點前后的網管歷史指標數據；對比不同設備網管，同一個指標相同時間段內網管歷史數據。異常診斷，針對無線性能數據中的關鍵指標的取值，對全國小區過去一周、一月的網管數據。趨勢預測，同樣針對無線性能數據中的關鍵指標的取值，全國小區未來一周、一月的網管數據。擴容預測：根據無線性能、感知和小區配置等多維網管數據。建立數據完整性、合理性、穩定性等

212、的診斷模型。梳理和對比目前異常值診斷領域的四分位差法、聚類分析、LOF等多種領先算法，最終選擇一種最實用無線網絡數據的算法：改進的LOF算法，實現T+1時間反饋數據波動合理性診斷結果，夯實基礎數據質量。在對無線性能歷史數據診斷結果的基礎上，對比人工智能領域實用性較高的ARIMA、小波分析、LSTM等可用于時間序列分析的預測模型，同樣選用一種最佳的預測模型：LSTM+DNN/GRU，對無線性能關鍵指標數據進行變化預測，從而在一定程度提前獲知不同小區在關鍵指標上的變化趨勢。同時結合網管實際擴容情況、投訴等外部信息建立小區的關鍵標簽，通過數據訓練，建立小區負荷預警、隱患發現等模型，探討機器學習在問題

213、分析中的應用模式，建立綜合網管的智能預警機制?！炯夹g方案概述】智能自治網絡典型應用案例38基于AI和大數據的無線網絡智慧運營平臺于2018年在福建電信試點運營，各功能的應用效果如下：指標分布對比本方案能直觀展示不同網關設備在同一時期、同一網關設備在不同時期的分布差異性，針對廠商或省公司數據的異動能夠有直觀的展示，并且對比不同時期、不同網關設備的分布趨勢，能夠合理分配網絡資源，提高網絡利用率。異常值診斷結合深度學習的算法和無線網絡性能數據，展示省、市、小區、性能指標的異常情況，異常指標的變動情況，異常小區的分布情況等，結合地圖網格，在地圖上標注具有較高異常率的省、市、小區，針對異常地區集中做出整

214、改方案。針對質差小區，該方案能夠分析引起質差的關鍵指標，找到引起質差的根本原因，對癥下藥，及時阻斷問題源頭，防止網絡事故進一步的擴大，維護無線網絡運行的質量。趨勢預測依據歷史性能指標數據趨勢，結合時序的深度學習算法，對特定性能指標、特定小區未來一周或一個月的性能指標的變化趨勢，準確率高于80%。對未來網絡流量的分布能夠做出一個準確的預判，針對關鍵的性能指標進行重點的監測，對未來網絡中的可能發生的事故進行及時的診斷和預防措施，降低網絡事故率，提升網絡連接質量。擴容預測該方案結合無線網絡性能數據、感知數據和配置數據等，結合有監督的深度學習算法，對未來半年內的小區擴容情況進行了預測，該算法的準確率高

215、達99%。該方案能夠每天實時更新各省份、各城市的擴容小區的數量、擴容小區的分布、五高一地擴容的情況，使得管理人員能夠根據預測結果，及時調整小區擴容方案，實施擴容措施，提高網絡服務質量。當前數據業務在移動運營商所提供的服務中占比越來越大，移動網絡向混合多層網絡進行轉變。而這對運營商的工作提出了巨大的挑戰，因為這一轉變意味著要提供更快、更靈活的管理和控制機【應用效果】【下一步工作建議】智能自治網絡典型應用案例39制，提升運營效率，以創新的思維應對日益變化的市場需求。而高效地整合移動網絡的各種數據資源，進而利用大數據技術進行深度關聯分析成為應對這一挑戰的關鍵。隨著對移動互聯網的依賴越來越強，人們對網

216、絡服務質量的敏感程度不斷增加，使得無線網絡的服務質量更為運營商所關注，網絡質量已經成為影響運營商發展的重要因素，對經營的好壞具有重要影響。相比于大數據和人工智能技術在移動互聯網領域的廣泛使用，大數據和人工智能在運營商的應用還處于初期階段，但應用領域已經逐步拓展。通過對網絡流量、終端、用戶等多維度分析，不僅能夠幫助提升網絡優化的效率，降低投入，如果能夠進一步挖掘，還能夠為精細化營銷，改進客戶體驗提供有力的數據支撐。在試點階段，無線網絡運營分析平臺可以為現網提供良好的決策支撐，但由于現網調整的嚴謹性以及現有設備的自動化能力還有所欠缺，平臺分析的結果并不能全自動下發策略并執行。因此，未來，一方面運營

217、分析平臺還可以繼續優化算法，提升預測和檢測的準確率；另一方面設備改造升級過程中，逐漸為自動化運營提供硬件保障。從而進一步提升資源利用率、降低事故發生率、降低成本。在試點過程中，遇到各廠家對相同KPI的計算方式、數據格式等不統一的情況，建議對相關參數的計算方式和數據格式進行統一標準化。在中國，5G商用牌照已經下發給運營商，全球5G商用也在飛速發展中，5G網絡的復雜性對運維的要求將更高，因此減少人工參與，網絡對運維自動化的需求更加急迫。因此海量的數據采集、存儲、應用的標準化，形成面向網絡的AI核心能力，積累既懂網絡又懂AI的人才，這些都是5G/未來網絡面臨的挑戰。IPRAN網絡告警壓縮IPRAN主

218、要用于承載3G/4G移動業務，以及大客戶專線業務，主要采用IP/MPLS動態協議技術。與傳統網絡相比，IPRAN網絡使用的協議相對比較復雜，網絡的邏輯連接也比較復雜；與傳統網管系統相比，IPRAN網管系統接收到大量的設備告警消息，其中很多告警信息都是由根源告警信息引起的。針對海量的告警數據，目前一般依賴于專家經驗進行處理，即將專家經驗總結成規則，通過規則過濾掉非關鍵的告警信息。這種方法的缺點表現在為了避免過濾掉重要告警，過濾規則制定的較為寬松，也即是專家的經驗規則的過濾能力有限?！緢鼍懊枋觥恐悄茏灾尉W絡典型應用案例40而在IPRAN網絡的實際維護中運營商就希望將人工智能技術應用于告警壓縮，形成

219、更高效的告警處理方法。當前典型的業務場景包括以下幾個：場景1：瞬斷告警瞬斷告警定義為告警的發生時間和清除時間很短，小于一定的閾值。這類告警因為生命周期比較短，對運維人員沒有太大的價值，而且會導致告警量激增，從而掩蓋真正需要關注的告警，增加運維人員識別難度。場景2：頻發告警如果一定時間內發生的相同告警/事件達到一定的數據，可以認為這些告警/事件之間存在一定的相關性。通過設置告警/事件頻次分析規則，當某一段事件內發生的設定告警/事件的數據超過了預先設置的閾值，則認為這些告警/事件之間存在相關性。如同一網元同一單板的單板溫度過高或過低告警X分鐘出現Y次，合并生成一條新告警，說明單板溫度異常。場景3：

220、同網元內故障影響分析指同一網元內某物理對象（單板、拓撲）上產生告警會導致該網元上其他物理對象和邏輯對象產生關聯告警。對于LTE設備，基站內單板之間以及單板和休（邏輯對象）存在關聯特性，因此單板故障往往會導致小區也存在異常。比如基帶板出現“光模塊可用告警”時，會導致RRU產生“RRU斷鏈告警”，而承載在該RRU上的小區也會上報“LTE小區退服告警”，即“光模塊不可用告警”為根告警。場景4：同專業網上下層業務故障影響分析該場景體現為因為某一個故障導致大面積告警的現象，需要快速獲取故障原因。服務層告警會導致客戶層告警的發生，比如當光纖出現斷點、光纖所在端口會報LOS告警，導致上層的隧道、偽線、業務都

221、上報告警，此時光纖所在端口的LOS告警就是根告警。場景5：跨專業網告警分析傳輸包括光傳輸和微波傳輸，光傳輸節點會下掛很多微波節點，當一個鏈路中斷會影響連路上的1個或多個站點，光傳輸節點斷開會導致所有下游的微波BTS站點退服，中間微波某一跳斷也會導致下游所有BTS退服。智能自治網絡典型應用案例41場景6：綜合故障診斷故障的表現具有多樣性，可能表現為告警、KPI異?；騿渭儤I務不通，很多情況下告警并不能反映所有的故障點，所以也無法僅通過告警分析來定位故障。比如當網絡升級后，LTE業務不通，根據經驗查看監控數據，進行各種診斷動作和配置檢查，從而定位故障點，告警知識分析的一部分。因此，針對IPRAN網絡

222、告警相關場景所要解決的問題就是需要做到智能識別故障并作出有效分析。IPRAN網絡告警壓縮總體可分為4個步驟：數據預處理階段。數據預處理包括數據導入和清洗、用戶端側告警匹配、頻發告警識別。輸入數據為現網提取的歷史告警數據、網絡拓撲數據和業務數據三種，經過清洗和整合轉變為可處理的數據格式。用戶端側告警匹配指根據以往運維經驗去除不關心/無價值的告警。頻發告警的處理【技術方案概述】圖 21 IPRAN網絡告警壓縮技術方案圖Socket接口系統前端界面數據統計分析關聯規則挖掘算法 MySQL Redis網絡告警關聯性分析及告警識別在線警告數據節點數據導入導入拓撲數據導入歷史警告數據導入業務數據系統北向接

223、口糾錯處理運維反饋派單結果挖掘結果頻發告警識別用戶側告警識別在線根源衍生告警識別派單處理關聯規則模板知識庫關聯規則知識庫黑名單規則知識派單規則智能自治網絡典型應用案例42方式為對同一端口上連續10s時間內的相同告警進行壓縮，僅留下頻發告警的第一條告警，其他均標識為可過濾告警。關聯規則挖掘階段。關聯規則挖掘的核心算法為PrefixSpan時間序列模式挖掘算法。通過與Apriori、序列模式、時空模式等挖掘算法相比，該算法更適合本案例。但傳統的PrefixSpan算法挖掘出來的規則不帶有約束條件，導致專家也無法判斷關聯規則的正確性，例如規則A光模塊不可用告警-RRU斷鏈告警。為解決該問題，改進了P

224、refixSpan算法，使得其挖掘過程存在約束條件。此時規則A改進為光模塊不可用告警-RRU斷鏈告警，同網元，提升了算法規則挖掘的精確度。關聯規則確認與入庫，其中包括已確認關聯規則庫和黑名單。通過多位專家確認上一步中挖掘出來的告警關聯規則，將正確的存入已確認關聯規則庫中，以支撐下一步的告警識別工作。錯誤和不合理的規則自動導入黑名單，防止下次挖掘出同類規則。根告警識別階段，即給每個告警分別打上根告警、衍生告警、普通告警3種標簽。根據8類不同約束條件對當前告警進行識別處理，所謂8類約束條件分別為：同一端口、同一網元、對應業務網元、同一業務ID關聯、直連對端網元、直連對端端口、同環網元、對應業務ID

225、關聯。目前已經在江蘇聯通多個地市開展IPRAN告警壓縮試點。試驗表明，離線告警平均壓縮率達90%以上，在線告警平均壓縮率達85%以上。表 3 試點城市的歷史網絡告警分析處理結果543343244.30%31%6.30%25.50%81.60%29934142.40%54.20%1.90%55.80%98.50%330458111.20%63.50%7.00%27.50%81.70%試點地市告警處理結果A市（1個月）B市（1個月）C市（1個月）D市（2個月）處理方式原始告警總量用戶側告警過濾占比頻發告警過濾占比衍生告警過濾占比衍生告警占有效告警比例過濾總百分比AI算法廠家網管規則AI算法廠家網管

226、規則AI算法廠家網管規則AI算法廠家網管規則534370984.10%10.30%1.10%19.60%95.50%45.1%21.60%0.30%13.10%-【應用效果】智能自治網絡典型應用案例解決方案系統優化建議采集方式優化：通過北向接口自動采集資源信息或者定期自動上傳離線報表的方式，使得系統功能更加簡捷化和自動化；系統后期維護：為了使系統具有工程意義上的應用價值，進一步在現網試點進行系統評估驗證，根據一線運維人員反饋的問題，對系統進行改進和優化；告警多維度分析：基于運維中的多種數據源，包括并不限于告警，業務配置/狀態、KPI指標，拓撲資源，操作日志以及故障解決歷史記錄，實現多維度的告警

227、分析，使得故障壓縮更加有效和實用，結果也更加精確和具有可參考性。構建統一適用的關聯規則數據庫由于廠商和地域差異性，IPRAN的告警關聯規則庫需要按照逐個廠商在不同城市不斷開展測試驗證和梳理方能逐步完善。希望運營商之間能夠互相分享一些相對成熟的規則庫和規則梳理經驗?？鐚I告警多元化處理的擴展應用當跨專業網絡故障發生時，不同專業都會產生告警，而這些告警間具有很強關聯性?？梢钥紤]引入其他的人工智能技術，采用多種診斷技術協同的新模式，實現跨專業告警間的定位定界。接入網弱光檢測業界目前弱光檢測通用方法與流程：單次采集進行弱光評估，單次采集受到設備關機、繁忙等因素影響，采集率低（60%-70%），無法有效

228、評估弱光情況；弱光數據未經過分析或采取簡單分析直接派單給一線維護人員處理，導致反復上站，來回測量，處理效率低；針對弱光、分光比超限等問題，分析結果無法定界，引起部門間互相推諉。弱光整治的難點：43【下一步工作建議】【場景描述】智能自治網絡典型應用案例44ODN弱光故障點定界困難。當前手段或依賴人工判斷，準確率低；需要對質差鏈路進行逐段處理，效率低下。針對多級分光的不合理組網方式無法判定。數據定時策略采集導致數據量不全，進而檢測效果不佳。綜資數據不準確影響檢測。弱光檢測流程如下：分析過程采用人工智能算法實現分析結果輸出，判定弱光根本原因，指導ODN優化。具體思路是：針對ODN多種的分光比及下行組

229、網，采用無監督學習算法將繁瑣、難以直接使用的光功率數據轉換為可以直觀查看的呈現；用分類算法判定弱光點，有效提升檢測成功率；算法：采用k-means+等聚類算法；采用SVM或貝葉斯網絡等監督學習算法接口：通過FTP接口與網管及工單系統對接數據集：主要有ONU接收發送光功率，PON口接收發送光功率，ONU與OLT之間距離。采用此方法，國內某運營商驗證弱光分析準確率85%，弱光節點整治采用傳統方式耗費時間60分鐘每PON口，且需要反復上站；采用AI分析優化后，每PON口總工時下降至20分鐘。行業內完善光鏈路兩端光模塊發光功率&收光功率及光鏈路兩端之間距離的數據庫，以獲得更好【技術方案概述】圖 22

230、弱光檢測流程 數據采集 ODN AI算法分析弱光處理方案實施弱光整治整治效果驗證【應用效果】【下一步工作建議】智能自治網絡典型應用案例的檢測結果。另外該用例中使用的方法也可以應用于更多場景，如，5G網絡中的WDM PON。無線告警根因分析隨著OMC集中化以及5G建設，網絡規模越來越大越來越動態，告警監控存在以下痛點：大量現象告警淹沒了原因告警；網絡龐大而復雜，告警壓減和相關性分析規則制定困難；各個局點的網絡不同，統一的靜態規則無法讓告警壓減最大化。無線故障運維以小區退服和基站退服告警為高優先級，出現該類告警后運維人員需要快速處理此類問題。導致業務退服的原因多種多樣。特別是動環、傳輸等外部原因引

231、發的單個或多個基站同時上報大量相同告警，此類告警由同一原因引起，但是人工進行故障位置和故障原因定位費時費力。隨著5G逐漸部署，網絡結構更加復雜，跨層故障定位難，對快速定位退服根因提出更加嚴峻的挑戰。智能告警根因分析旨在根據現網存量告警進行自動學習分析，發現各種告警之間的關系，經過人工確認后，達到自動告警相關性分析和告警壓縮歸并的目的?；贏I的智能故障診斷基于大數據分析和人工智能，根據系統中的網絡拓撲，綜合所有監控數據（包括告警、事件等）和操作日志以及故障解決歷史記錄，輸出故障特征與故障原因的系列規則。在實際網絡運維中，根據故障特征自動匹配診斷規則進行診斷，自動得出故障點及相關處理建議。45【

232、場景描述】【技術方案概述】智能自治網絡典型應用案例第一階段：使用AI引擎進行規則識別任務調度：根據項目的需要進行任務調度，可以進行周期性任務調度，也可以手工觸發調度。數據預處理：將數據從數據庫抽取轉換為算法需要的格式算法運行：算法運行基于輸入數據，并輸出運行結果結果分析轉換：將分析結果轉換為業務規則第二階段：使用根故障分析引擎進行故障處理實時告警監聽：監聽生產系統的實時告警規則匹配：將實時告警和部署的業務規則進行匹配并識別故障根因。輸出結果：輸出根告警和其他告警的關聯關系，并識別故障根因。適用算法：根因分析算法（頻繁序列/項集、線性相關性算法）實現告警關聯分析和根因分析；聚類算法實現基站網絡拓

233、撲分組。接口：告警根因分析通過FTP/RESTful等接口定時采集告警數據。數據：告警數據；配置數據；資源數據；操作日志；運維知識庫46圖 23 告警根因分析處理流程AI引擎根故障分析引擎RCA規則庫規則1規則2規則3。1、提取告警/業務等多種數據源的關鍵屬性2、數據清洗3、數據聚合知識轉換為規則算法相關的數據轉換數據預處理1數據預處理2算法運行結果分析任務調度11實時告警監聽輸出根告警3規則匹配2智能自治網絡典型應用案例經過在中國移動和中國電信4G/5G現網試用，退服告警壓減率大于45%。中國移動某局點現場管理6000多個4G站點，3天共收集退服類告警1108條，具體數據對比如下：目前在多個

234、項目試用有明顯效果，方案對于5G、物聯網均能適用?？缬蛑悄芨婢蚍治鲭S著網絡技術的不斷發展，網絡結構日趨復雜，網絡運維排障的難度隨之增大。發生故障后，傳統的方式通常依靠人工根據經驗及預設的檢驗規則對告警進行逐一排查和分析，費時費力，對于復雜情況，還需多部門協同處理，定位效率低、耗時長。在5G時代新型分層解耦網絡架構下，這種處理方式的瓶頸就更加突出，既有規則或將不適應新型網絡，監控告警的數量也將成倍增加，網絡故障管理面臨極大挑戰。因此，亟需引入先進的技術方法，實現故障根因的快速定位和告警收斂，從而提升運維效率、保障運行質量、降低運營成本。本案例引入AI算法進行告警根因分析，基本思路是不依賴人工

235、介入，通過分析大量的歷史告警信息，并結合資源數據、拓撲數據進行分析建模，實現告警RCA規則動態挖掘，從而支撐故障快速定位，逐步積累運維知識庫。相關流程如下：47【應用效果】【下一步工作建議】【場景描述】【技術方案概述】表 4 退服告警壓縮效果傳統方法使用AI方法077%告警自動分析率045%告警壓縮率智能自治網絡典型應用案例數據接入告警根因分析模型訓練過程中，以文件方式批量接入數據集，主要包括兩類，一類是告警數據，一類是資源、拓撲信息。前者通常包括告警明細和相關信息維表，關聯后參與訓練的數據集至少包括告警主體及對應告警類型、告警發生時間等。后者類型較多，可包括網絡拓撲、系統部署關系、服務調用關

236、系等，旨在通過解析和處理，構建告警主體之間的空間聯系。告警根因實時診斷流程，則基于實時告警信息，以消息、API等方式發起根因診斷請求。數據特征工程對于智能告警根因分析方案來講，特征工程除了數據解析、缺失值處理等常規動作外，需重點處理：1）過濾恢復告警和手工清除告警等不需參與訓練的數據；2）各類拓撲信息解析后，基于主鍵進行串接，構建告警主體間拓撲關系圖，并根據是否存在連接關系進行子圖劃分。告警數據聚類告警數據聚類是告警關聯關系挖掘的基礎。聚類算法方面，從聚類效果、調參難度、運行速度等維度綜合比較，DBSCAN,HDBSCAN,OPTICS,Birch,Agglomerative,GMM等算法中優

237、選。聚類維度方面，將綜合考慮時間維度和空間維度；其中，時間維度指根據告警數據的首次發生時間進行聚類；空間維度指根據告警主體在拓撲關系子圖劃分后的空間距離大小進行聚類。48圖 24 智能告警根因分析流程訓練數據批量接入檢測數據實時接入數據特征工程告警數據聚類告警關系挖掘告警關系聚合迭代訓練告警根因檢測根因定位結果返回離線模型訓練實時根因診斷根因定位結果標注智能自治網絡典型應用案例告警關系挖掘基于聚類劃分結果，進一步采用關聯挖掘算法尋找告警之間的關聯關系。本方案將每個聚類結果劃為一個項目集，根據大量的項目集，進行二元告警數據之間的關聯關系挖掘，并根據支持度和提升度等指標進行結果過濾，根據置信度進一

238、步判斷告警數據對之間的主次關系。告警關系聚合在關聯關系挖掘得到的二元主次告警依賴表基礎上，需對告警數據關系進一步聚合，生成告警關系網，以支持實時告警根因檢測等場景需求。告警根因檢測告警根因檢測時，基于告警關系網，在一定的時間窗口內，從實時告警信息中診斷定位根因告警并及時干預處置。結果標注及迭代訓練為了保障模型的定位效果，生產中，需要周期性發起增量訓練任務。同時，運維人員也可根據經驗和實際情況對定位的根因告警進行異常標注并反饋，系統自動將標注數據納入下一次迭代訓練。針對上述跨域智能告警根因分析方案，結合某省運營商云管平臺的告警數據進行了主次告警依賴分析測試，并進行了算法的驗證和調優，挖掘網絡設備

239、、主機、數據庫、中間件、大數據組件、DCOS的告警潛在關系，情況如下：樣本接入：3個月告警數據，DCN網段表以及各類主體拓撲關系表 算法選型：DBSCAN，Birch，Apriori，FP-growth等告警關系挖掘：在限制告警數據依賴關系置信度閾值的情況下，共計挖掘出200條關系，經專家組驗證，準確率在60%以上。根據主次關系表，在實驗室生成的告警關系網局部示意如下，其中圈起的四個點為可能的根因節點，可據此進行在線告警根因實時檢測。49【應用效果】智能自治網絡典型應用案例為了更準確進行空間維度聚類，避免不相關數據的相互干擾，建議進一步加強資源數據的標準化工作，即督促各系統進一步完善告警相關主

240、體的網絡拓撲、部署信息和調用關系等資源數據，同時，規范告警主體拓撲關系的數據接口標準，以進一步提高方案落地時對不同場景的適配性，降低定制開發改造工作量。同時，上述方案尚未在5G場景下進行測試，后續需結合切片運維等實際數據優化和調整特征工程的處理邏輯和步驟，以期本方案能夠切實支撐面向切片的跨層跨域告警分析和故障診斷等5G網絡運維需求?；趧討B閾值的網絡運維異常檢測 網絡運維領域中，對時序型指標進行異常檢測是發現問題的常用方法。傳統的方式多以人工設定50【下一步工作建議】【場景描述】圖 25 告警關系示意圖mw_mq_6d015cb536386f5d477779d0ad391787mw_mq_db

241、064fa46e45a2bcddaa8767e85f0680mw_mq_24c94de5a9c6e38497a63466a22eac74mw_mq_eafdbe006ea462844bee94f0ecc51e34mw_mq_e010f04bfc482c68683589e28e04fb85mw_mq_fa6363306f0f71cf9c24741aac75f107mw_mq_8335e6d82eed007278ffd7e4992cc806mw_10003_302001mw_10004_307104mw_10003_307108mw_10005_302001mw_10004_808003mw_10

242、003_808001mw_10005_307103mw_10003_808003mw_10003_808104mw_10004_808001mw_mq_4d6e9b9b8f053d0c7e9bc933a08b1374mw_10004_307103mw_10004_302001智能自治網絡典型應用案例固定閾值為主，為了盡可能提高異常檢測的準確性，需要人工根據經驗針對不同類型、不同實例的指標分別設置；其優點是簡單、直接、操控性強，缺點是配置和維護工作量大，對人員經驗依賴度高；同時，固定閾值的方式也對一個周期內某段時間出現的局部異常不敏感。隨著監控對象和相關指標的指數級增長，人工設定固定閾值的弊端就

243、更加明顯，相應的告警漏報、誤報和告警風暴問題也愈發突出。這種情況下，需要通過引入AI算法等智能化手段提高告警精準度，降低人工配置成本，更及時、準確和自動的發現異常問題。本案例對于時序指標異常檢測采用動態閾值方案，基本思路是建立通用檢測模型框架，針對不同的時序指標，基于大量的歷史數據，調用AI預測算法進行訓練，并在預測值基礎上疊加閾值區間，進而得到未來一段時間內動態閾值。實時檢測時，根據相應指標值是否在閾值區間來進行異常檢測。同時，為了持續提高動態閾值異常檢測的準確性，可增加人工標注反饋環節，自動化地根據反饋信息進行強化學習、優化模型。應用動態閾值，時序指標異常檢測流程如下：數據接入動態閾值異常

244、檢測支持分鐘、小時、天、月等時間粒度的時序數據，相關數據可來源于5G 網管、綜合網管、專業網管等各類監控平臺，需至少包括實例ID（可由多個屬性組合）、訓練指標數據（如一次接入多個指標則生成多個訓練任務）、指標數據時間和數據頻度等字段。51【技術方案概述】圖 26 時序指標異常檢測流程訓練數據批量接入檢測數據實時接入數據特征工程基線預測模型動態閾值計算模型迭代異常檢測結果返回實時異常檢測否離線模型訓練實時異常檢測異常檢測結果標注智能自治網絡典型應用案例52模型訓練流程中，以文件方式批量接入時序指標數據，實時異常檢測流程中以消息、API等方式發起實時異常檢測請求。數據特征工程數據接入后需對數據進行

245、解析、清洗、轉換和特征提取等，包括缺失值處理、異常樣本剔除、數據時間對齊、正態轉換、統計及對比特征分析等?；€預測模型預測模型訓練主要用于預測指標參考基線，分為初始模型訓練和迭代模型訓練。初始模型訓練在接收到第三方系統離線訓練請求時即可發起，迭代訓練任務則基于實時接入的非異常數據和用戶標注數據，根據約定的訓練周期定時發起訓練任務，實現模型的持續優化。算法選型方面，為了使框架更具通用性，以適應不同場景和數據集的異常檢測需求，本案例不指定某一種算法，而是針對ETS、ARIMA、LSTM、FB-PROPHET、TBATS等機器學習、深度學習的預測算法，在不同數據集情況下，通過自動超參選擇和效果評估，

246、選擇最優算法。動態閾值計算在通過預測模型得到的指標參考基線基礎上，疊加一定的閾值范圍，可得到不同時間點的動態閾值。對于閾值范圍，可根據經驗設定基線基礎上的浮動百分比，也可通過擬合效果自動計算。本案例通過分析殘差序列的統計特征，得到不同置信度的殘差指標作為閾值范圍，疊加預測基線后，即得到不同時間點、不同等級的閾值區間，從而更精準的度量過去、未來時序中的異常點。實時異常檢測時序指標數據實時接入并進行預處理后，根據檢測指標是否落在預測出的該時間點的動態閾值區間而進行智能異常判決，并將檢測結果（包括異常判斷結果、異常原因、擬合值、閾值上限、閾值下限等）進行返回，支持上層系統告警策略管理需要。異常檢測結

247、果標注運維人員可根據經驗和實際情況對動態閾值異常檢測方案診斷出的結果進行標注并反饋，系統自動根據修正的數據重新發起訓練。模型迭代智能自治網絡典型應用案例為了保證基線預測的準確性，每次預測的數據點數量有一定限制，這就需要周期性發起增量訓練任務，迭代過程中，可定期接入增量數據，也可針對實時異常檢測后非異常的樣本數據自動存儲并納入下一輪迭代樣本；同時，結合人工標注的結果對相應數據是否納入訓練進行調整，從而實現強化訓練。針對上述動態閾值異常檢測方案，基于某省運營商某類設備負載均衡轉發用時的時序數據（1分鐘粒度）進行了試點測試，經驗證，異常查全率超過90%。示例效果如下：如上圖所示，針對某一特定實例，一

248、天時間內發現異常10個，相比原來將閾值固定設為500ms的方式，動態閾值異常檢測的方法更自動和靈活，有效降低異常漏報和誤報比例。由于在各類網絡系統和網管平臺的監控指標中，時序指標數量眾多，為了更好的提高異常檢測的效率，避免不必要的模型計算資源投入，建議進一步明確和規范包括5G網管在內的網絡域系統運行監控KPI指標，針對其中的核心時序指標，再引入AI算法和框架開展異常檢測，以達到事半功倍的效果。另外，本方案進行的異常檢測主要是基于閾值進行判斷，由于網絡性能、流量等指標波動性較強，實際應用中建議網管系統側在異常檢測基礎上配套相應的告警策略，綜合考慮單指標超過閾值的程度和連續出現的異常數量、異常程度

249、，再決定是否需要派發告警，降低單點異常對于告警的影響，避免誤告。53【應用效果】【下一步工作建議】圖 27 動態閾值異常檢測效果智能自治網絡典型應用案例基于基因圖譜的智能告警隨著網絡復雜化、業務多元化、客戶規?；敖K端差異化，對我們提供高質量的網絡服務提出了更高的要求。由于傳統的發現網絡問題的三大手段（投訴、告警、性能指標）存在以下問題：投訴流程耗時長，網絡發生問題時無法快速到達一線維護員手上 無法從海量設備告警中準確判斷網絡癥結、評估業務影響 性能指標預警滯后，無法精準定位用戶感知問題為創新突破場景監控，實現生產手段的“智能化”，探索研究下一代網絡監控，全面提升集中監控的能力，我們探尋新的解

250、決辦法：使用基因圖譜來進行智能監控?；驁D譜將控制語音或數據業務建立、監控、拆除的信令稱為網絡基因。該方案以網絡基因為總抓手，減少中間流程，依靠大數據分析，主動發現網絡隱患，在業務影響擴大之前提前啟動優化措施，避免重大故障發生，提升網絡運維效率及用戶感知。由于網絡基因數據呈現數據體量大、不固定性及波動性明顯的特點，具有明顯的量大、多樣、高速、復雜大數據特征。在網絡或業務發生異常時，基因結構往往在短時間內發生明顯變化，尤其是標識業務失敗的基因變化更加明顯，稱之為“基因突變”。為了實現基于網絡基因的實時監控，我們對基因數據進行異常監控。54【場景描述】【技術方案概述】信令數據特點數據體量大不固定性

251、波動性明顯以VoLTE網絡為例，15分鐘粒度網絡信令流程出現包含30多種狀態碼超過20000多次。大部分類型信令數量隨時間變化具有明顯的波動性，且由于天粒度話務量具有周期性特點，信令往往呈現周期性。隨著網絡、業務及用戶行為變化，信令數據類型、數量、比例不固定。圖 28 網絡基因數據特點智能自治網絡典型應用案例方案依托省內性能大數據平臺對全網主要基因接口采集，且根據對基因信息的特征標識（拆線碼/原因值/狀態碼）的研究，繪制網絡各個重要業務流程的基因圖譜，并進行數據分析，探索發現網絡問題新方法。下圖為基于狀態碼的一個分布示意圖：下面以基因圖譜的重點部分IMS狀態碼為例詳述具體流程如下。一、選取狀態

252、碼首先通過手工統計獲得有周期性的狀態碼，再應用到時間序列算法中。統計至少1周數據，選取完整率在70%以上的狀態碼。二、狀態碼數據分解將狀態碼的對應數據進行應用時間序列差分，如下圖所示：55Slice:0.00%500:0.09%100:0.14%403:0.16%486:0.26%400:0.93%401:98.43%圖 29 接口狀態碼分布示意圖圖 30 狀態碼對應數據差分原始序列序列的長期趨勢序列的季節性除去長期趨勢和季節性序列的隨機性，應該是來自于正態分布的隨機數智能自治網絡典型應用案例三、設置告警門限值我們選擇差分之后的隨機序列（R序列）進行下一步工作，對R序列進行正態性驗證，經過檢驗

253、，R序列為平穩序列，且為正態分布，我們進行參數調試，發現4 作為告警條件問題命中率較高，問題命中率達到92%，更適合作為觸發告警條件。下圖為使用3 和4 的一個狀態碼告警參照圖，分別用紅線和藍線表示邊界。四、根據告警數據進行基因分析和圖譜繪制在獲取相關狀態碼的告警數據，發出告警信號之后，我們對這些告警的網絡基因數據的指標分析，找出發生異常的指標。根據定義的失敗原因分析結果繪制網絡基因圖譜如下：56圖 31 告警門限設置和異常點示例圖 32 失敗詳單查詢示例智能自治網絡典型應用案例通過長期經驗和不斷發現的問題，總結出各地現網的自有規則庫，實現問題自動定界定位，自動識別受影響用戶，實現投訴用戶一鍵

254、式分析。一、IP承載網CE替換工程案例在進行IP承載網CE替換工程次日，收到用戶投訴VoLTE呼叫概率性不通。核查VoLTE網絡接通率指標下降0.04%，未達到性能指標下降預警；通過智能監測系統統計，接口狀態碼“480”增長15倍。經排查，問題原因為替換CE至HSTP設備單個端口異常，具體展示如下圖所示。57圖 33 網絡基因圖譜示例BERcseq is less thanprevious 0%conflictiveuser 64%warning_null100%warning_null1%cseq is less thanprevious 100%conflictiveexpiresquer

255、y dataerror 32%authenticationfailure 22%server internalerror 9%invaliduser 2%invalid subsequentregister request 11%server internalerror 68%warning_null 91%conflictiveuser 0%WARNINGconflictive expiresconflictive userauthentication failurecseq is less thanpreviousinvalid subsequentregister request inv

256、alid userquery data errorwarning_nullserver internalerror圖 34 工具平臺支持自動錄入、修改規則，經審核后形成固化經驗【應用效果】智能自治網絡典型應用案例二、設備單板故障告警案例在某運營商現網，一臺SAE GW發生單板故障告警，確認告警后手動進行單板切換，故障處理歷時約10分鐘，該故障業務及用戶影響無法快速評估，標識VOLTE呼叫接續失敗的狀態碼503突增，可快速分析得出SAE GW單板故障切換期間影響用戶呼叫接續，如下圖所示。三、PCRF升級工具bug案例在2017年12月，某廠商PCRF升級工具BUG導致主備板同時重啟，影響當時正在

257、發起注冊的用戶，檢測到異常狀態碼狀態碼503，實際值為1842，計算門限值為603，超出門限比例205%，如下圖所示。58VoLTE網絡接通率(%)Mw接口480狀態碼99.7599.71前后100500前后6004002000圖 35 VoLTE故障前后接通率和狀態碼變化情況02-0812:00圖 36 狀態碼走勢條形圖02-0809:0002-0809:3002-0810:0002-0810:3002-0811:0002-0811:302000150010005000503狀態碼走勢圖圖 37 接通流程503狀態碼時間序列分解R序列智能自治網絡典型應用案例四、2017年1月某運營商故障案例

258、2017年1月某日，在下午16:25分，網絡發生故障導致VoLTE呼叫未接通。在故障發生五分鐘后，檢測出接通流程487、504狀態碼異常，并于16:38分下發告警短信，在16：50 陸續收到用戶投訴，直到在17:20分才收到性能指標VOLTE接通率下降告警短信，告警狀態碼如下圖所示。提升告警實時性通過優化數據庫性能及算法模型，提高告警功能實時性，將監控預警由15分鐘粒度優化至5分鐘。完善告警規則關聯完善網絡基因關聯圖譜，提高自動定界定位功能準確性，逐步構筑移動網絡智能化的主動運維能力。人工智能在網絡優化配置中的應用5G智能廣播參數調整Massive-MIMO技術是5G關鍵物理層技術之一，相比傳

259、統的天線，Massive-MIMO設備具備3D賦形能力，可以靈活調整各天線陣子的權值（功率和相位），顯著提高系統的波束指向準確性，將信號強度集中于特定指向區域和特定用戶群，在增強用戶信號的同時可以顯著降低小區內干擾和鄰區干擾。59【下一步工作建議】【場景描述】圖 38 長時間未接通用戶主動掛機487狀態碼告警觸發圖 39 長時間未接通用戶主動掛機504狀態碼告警觸發智能自治網絡典型應用案例方案包含4個主要模塊：用戶信息采集、場景識別、權值優化、輸出最優權值模塊。各模塊的功能如下：用戶信息采集模塊：主要負責UE信息數據的收集，為之后的場景識別提供數據。場景識別模塊：主要功能是利用MR信息，查詢歷

260、史指紋庫，為當前場景推薦最優參數。此模塊主要作用是對場景進行分類，之后的參數優化模塊以此處提供的最優參數作為初始解進行全局優化。參數優化模塊：主要功能是在推薦參數的基礎上進行最優參數的求解，實現Massive MIMO參數的自調優。輸出最優權值模塊：對場景識別輸出的推薦最優參數和參數優化模塊的輸出參數進行評估比較，選擇其中最優的參數作為最終的參數輸出。并且將此信息傳回指紋庫，對指紋庫進行更新和完善。適用算法：考慮實現復雜度和開銷問題,方案中場景識別模塊采用KNN算法、決策樹、邏輯回歸Massive-MIMO設備要達到最佳覆蓋情況，整網一套初始參數往往無法滿足需求，需要對網絡廣播權值進行差異化調

261、整。手動調整權值費時費力，特別對于5G支持廣播多波束掃描而言，波束參數組合達到上萬種，更增加了調整的復雜度，此外多小區之間協同調整也是一個難點。因此采用智能算法進行廣播波束參數調整非常有必要。智能廣播波束參數調整應用于以下場景：對于多個Massive-MIMO小區共同覆蓋的熱點區域，比如體育場館，學校，CBD區域；Massive-MIMO小區連續組網場景。智能參數調整方案如下圖所示：60【技術方案概述】圖 40 智能參數調整方案用戶信息采集指紋庫更新場景識別參數優化輸出最優參數智能自治網絡典型應用案例通過運營商系統將基站站高，經緯度，實際場景信息（高樓，高鐵，地鐵）等數據傳遞到無線網管，從而可

262、以為Massive MIMO參數優化提供輸入?；谏漕l指紋的負荷均衡 基于射頻指紋的負荷均衡適用于多頻點組網下負荷較高或者不均衡的場景，比如下圖所示的4載頻組網場景，F1為接入載頻。當網絡中用戶較多時，都從F1接入會導致小區1的負荷升高，F1會變等經典機器學習算法進行場景預測和分類。方案中權值優化模塊可以采用如遺傳算法、粒子群算法、蟻群算法等AI算法進行參數尋優。涉及數據集：UE周期性MR數據，UE位置信息等。在某運營商現網測試，參數優化后整體覆蓋提升明顯：RSRP提升5dB，SINR提升3dB。61【應用效果】【下一步工作建議】【場景描述】圖 智能參數優化測試結果-SS RSRP100.00

263、%80.00%60.00%40.00%20.00%0.00%7.00%6.00%5.00%4.00%3.00%2.00%1.00%0.00%小于-120-188-116-114-112-110-108-106-104-102-100-98-96-94-92-90-88-86-80-78-76-74-72-70-68-66-64-62大于-60-82-84基于SS RSRP優化前后對比評估PDF-優化前PDF-優化后CDF-優化后CDF-優化前圖 智能參數優化測試結果-SS SINR100.00%80.00%60.00%40.00%20.00%0.00%15.00%10.00%5.00%0.00

264、%小于-10-9-8-7-6-5-4-3-2-101234567101112131415161718192021222398基于SS SINR優化前后對比評估PDF-優化前PDF-優化后CDF-優化后CDF-優化前智能自治網絡典型應用案例多頻點組網場景下，基于射頻指紋快速并精準地進行多頻率層小區間的負荷均衡，提高資源利用率和用戶體驗?；谏漕l指紋的均衡方案主要包含以下幾點：網管首先通過獲取UE的測量報告和切換信息等歷史數據，構建射頻指紋庫，得到UE和周邊小區無線覆蓋之間的關系。然后對指紋庫信息進行有效性判決，最后將有效的射頻指紋庫傳遞給基站?；緦崟r監測各小區的負荷情況，當發現滿足小區間負荷不

265、均衡條件時主動觸發執行負荷均衡?；揪C合考慮小區負荷、小區特性、UE特性、UE和周邊小區無線特性間的關系（射頻指紋庫信息）等因素，確定負荷均衡目標并執行均衡。其中，負荷均衡目標包含：執行負荷均衡的小區，均衡的目標小區，需要向每個均衡目標小區均衡的負荷量，以及具體執行均衡的UE及其目標小區間的關系?；驹诨谏漕l指紋執行負荷均衡的同時，對射頻指紋庫進行可用性評估，當發現UE切換成功率偏低時向網管發起指紋庫更新請求。62【技術方案概述】得擁塞甚至后續UE可能無法接入。此時需要將F1的用戶適當地均衡到同覆蓋的F2F4載頻上去，平衡各小區間的負荷，最大化的利用系統資源，提升用戶體驗。圖 42 負荷均衡

266、場景F1 小區1F2 小區2F3 小區3F4 小區4負荷分擔負荷分擔負荷分擔智能自治網絡典型應用案例算法：K-means等聚類算法接口：涉及網管和基站之間的接口，網管傳遞射頻指紋庫，基站發起指紋庫更新請求涉及數據集：UE的測量報告（包含同頻周期MR、同頻事件MR、異頻周期MR和異頻事件MR），異頻切換信息數據，小區負荷數據。由于本方案對各小區的負荷進行實時監測，主動觸發均衡，對負荷均衡的調整更及時。對各小區的負荷有宏觀的總體了解，并且對周邊小區的覆蓋有一定認知，進行均衡目標決策時，可以更合理地確定均衡的負荷比例，并精確地選擇執行均衡的目標UE和目標小區，可減少不必要的均衡和測量，提高均衡效率，

267、最終提高資源利用率和用戶體驗?；谏漕l指紋的負荷均衡相比于傳統的負荷均衡，一定程度上提高選擇均衡目標UE和小區的準確度，以此來避免不必要的UE測量，且提高負荷均衡的效率，使小區間很快達到負荷平衡。針對負載均衡方案進行了實驗室測試，同時存在同頻和相鄰異頻鄰區的場景下，傳統的負荷均衡和基于射頻指紋的負荷均衡的對比為例進行說明。Cell1、Cell2、Cell4 為 F 頻段小區，Cell3和Cell5為 D 頻段小區；且 Cell1 和 Cell2 為同站，和 Cell3，Cell4，Cell5為異站。高負荷Cell1覆蓋范圍包含目標鄰區Cell3，高負荷Cell1和目標鄰區Cell5相鄰。63【

268、應用效果】圖 43 負荷均衡方案流程 射頻指紋庫射頻指紋庫構建小區負荷算法決策指紋庫評估均衡執行射頻指紋庫更新圖 44 負荷均衡測試場景小區2小區1小區3小區5小區4智能自治網絡典型應用案例測試結果如下：64圖 45 負荷均衡測試結果-高負荷持續時長對比35302520151050123456789101112131415高負荷持續時長對比負荷均衡發送次數高負荷持續時長（秒）負荷均衡高負荷持續時長-基于測量的負荷均衡負荷均衡高負荷持續時長-基于射頻指紋測量擁塞小區MR上報次數圖 46 負荷均衡測試結果-MR報告上報次數對比2520151050MR報告上報次數對比UE遷出時間重配下發次數基于射頻

269、指紋測量的MR上報次數基于測量LB的MR上報次數30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)智能自治網絡典型應用案例測試結論：使用射頻指紋后，只需10個負荷均衡周期即達到均衡目標，節省了5個負荷均衡周期，負荷均衡次數減少，UE遷出速度更快，負荷均衡效率得到提升。而且MR上報次數總

270、體高于重配次數，說明所選UE執行有效測量的比例很高，測量效率也得到了提升。標準化建議：該功能是和網元的均衡策略密切關聯，不同廠家的策略不同，因此很難做到異廠家之間互通。但該功能可拓展到5G，并且根據5G的特點可對射頻指紋庫的構建和應用進行進一步的優化，如考慮波束等因素。人工智能在業務質量保障提升中的應用智能承載網切片管理 當前電信業務已經呈現出多場景、差異化的特點，如果我們為每種業務服務建立一個專用網絡，65圖 47 負荷均衡測試結果-UE遷出速度對比駐留擁塞小區UE個數185180175170165160155150145140135130125120UE遷出對比UE遷出時間基于測量LB的U

271、E遷出基于射頻指紋測量的UE遷出30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)30 seconds(s)【下一步工作建議】【場景描述】智能自治網絡典型應用案例則需要極高的成本，而網絡切片可以使多個邏輯網絡能夠通過云和虛擬化技術共享一個共同的物理基礎設施，有

272、效節約成本。同時，這樣的共享為靈活的網絡服務提供了新的商業模式，在垂直行業，具有彈性資源的網絡架構將根據服務需求動態變化。與傳統網絡相比，這種方式更加靈活可用，但靈活動態的需求也給基于人機交互的當前網絡運營帶來了新的挑戰。網絡切片是 5G 網絡的重要使能技術，是端到端的邏輯子網，涉及核心網絡（控制平面和用戶平面）、無線接入網和承載網，需要多領域的協同配合。不同的網絡切片之間可共享資源也可以相互隔離。網絡切片可以幫助用戶實現想要的功能和特性、完成業務的快速部署、減少上線時間?？紤]到網絡資源的有限性和不同網絡切片中的網絡狀態，運營商需要在保證服務等級協議SLA(Service level agre

273、ement)的同時，盡可能的復用物理網絡資源。因此，為了高效運營，運營商需最優化網絡切片的資源劃分。在承載網中，為避免流量高峰期資源緊缺，切片的分配一般以滿足用戶峰值要求部署，但這也造成了大多數非高峰期時段網絡帶寬、服務質量等專屬資源的冗余和浪費。因此，精準預測流量使用狀況，按需動態配置切片資源，智能化管理承載網切片成為合理分配網絡資源、保障業務服務質量的關鍵。以“服務用戶”為出發點的切片智能化管理是當前切片自動化部署的迫切需求。下圖說明了承載網絡切片管理器（Transport Network Slice Manager,TNSM）的基本體系結構，它由三個子系統組成：切片管理器，支持切片計算以

274、及設備能力抽象和映射。它將每個設備的轉發行為和資源管理的各種實現進行抽象，即將切片功能建模為數學約束，并將底層物理網絡描述為抽象網絡，以便TNSM可以在不區分設備類型和設備管理界面的情況下執行網絡管理。它還負責切片拓撲管理，包括節點選擇，物理接口選擇和子接口帶寬分配。切片控制器，支持底層網絡物理設備配置的驗證和下發。它確保切片創建和調整的配置符合用戶意圖和切片規則，然后將配置下發到相應的設備。切片分析器，監控實時端到端的信息，由流量生成設備完成，信息包括吞吐量、延遲、丟包率和子接口帶寬利用率等。66【技術方案概述】智能自治網絡典型應用案例下圖概述了智能承載網絡切片系統的功能架構。AI預測器首先

275、使用歷史流量吞吐量數據進行訓練。承載網切片實例的實時流量吞吐量數據由TNSM收集，并發送給AI預測器，預測器根據訓練模型和實時數據預測下幾個時間段的流量吞吐量數值，并傳遞給智能策略生成器。智能策略生成器根據預測結果決定承載網絡切片實例擴縮容策略以及帶寬調整策略，并在必要時將策略下發至TNSM。最后，TNSM通過重新配置兩個承載網節點的端口帶寬來執行相應的擴縮容策略。67圖 48 智能承載網絡切片管理器體系結構Transport Network Slice Manager管理器控制器分析器切片計算配置驗證設備能力抽象和映射配置下發設備監控智能化模塊決策AI預測基于SR的網絡切片 SID與切片關聯

276、 SID與專用的網絡資源關聯圖 49 智能承載網絡切片系統的功能架構AI預測器預測結果承載網切片實例承載網切片管理器（TNSM）訓練數據流量吞吐量數據監控數據切片策略智能策略生成器承載網節點1承載網節點2 端配置命令歷史流量吞吐量智能自治網絡典型應用案例案例中使用WIDE項目（http：/mawi.wide.ad.jp/mawi/）骨干網的公開數據包作為數據源，抓取了每日WIDE到上游ISP傳輸鏈路的數據。由于流量數據在一周內呈現出明顯的周期性變化，因此，案例中使用“周”作為訓練和測試的單位。在進行數據處理時，如果數據不完整且連續缺失超過三個時間點，則從數據集中刪除該周的所有數據。完成數據清洗

277、后，我們對數據進行歸一化處理（即，均值=0，std=1），并將數據集按照8：1：1的比例分為訓練集、測試集和驗證集。經驗表明，使用時間序列的過去值來預測未來值的自回歸方法在各種領域的實時策略調整中有著明顯的優勢，于是在案例中，我們對相關算法和集成模型進行了研究。算法對比時，我們嘗試了一些目前最常用的方法，包括ARIMA模型，LSTM（長短期記憶）模型，GRU（門控循環單元）模型和TCN（時間卷積網絡）模型，以及這些模型的集成模型。通過對比研究發現集成多種單一算法的模型，通過協同作用獲得了比單一算法更高的準確度。對給定的數據集，使用本案例中的硬件平臺，LSTM，GRU和TCN模型在預測方面具有相

278、似的準確性，因此我們選用了基于GRU的集成模型。切片創建的主要任務是在物理接口中利用可用帶寬分配網絡中的所有需求，且僅當滿足所有需求的帶寬和時延條件時，才能成功創建切片。TNSM使用貪婪算法分配路徑。在啟動階段，貪婪算法根據時延要求對需求進行排序，然后為每個鏈路設置可用帶寬和時延。從具有最短時延要求的需求開始，算法過濾其可用帶寬小于該需求帶寬要求的鏈路，然后計算最短路徑。如果最短路徑滿足該需求的時延要求，則算法將減去該鏈路占用的帶寬資源并更新網絡容量。在成功計算所有需求之后，通過放寬時延進行路徑聚合，來最大化分配FlexE子接口的帶寬利用率。最后，由選定節點和FlexE子接口組成的拓撲作為切片

279、創建的結果。在切片調整中，有兩種類型的調整要求。一個是新需求，即在先前的切片計算中不存在的需求。另一個是舊需求，即在先前的切片創建或調整策略執行中已成功分配的需求，它們的帶寬將在當前策略執行中擴展、減少或保持不變。因為大多數運營商在現有服務下對任何調整都非常謹慎，所以切片調整優先在有可用帶寬的情況下，對現有路徑進行舊需求的擴縮。故此，切片調整算法首先檢查是否可以在現有路徑上完成所有舊需求調整，如果可以，則只需要針對新需求調用切片創建算法即可；否則，調整算法先確定可滿足舊需求的數量，然后將不能滿足的舊需求與調用切片創建算法的新需求相結合，輸出滿足所有舊需求和新需求的切片拓撲作為結果。在測試階段，

280、我們在實驗室，使用Intel Xeon Gold 6148雙插槽系統，配備192GB DDR4 2666內存，在批量大小為64的情況下，使用單個模型，預測延遲為0.08ms，精度為91.17%。之后我們對6個模型進行集成，6模型集成的預測延遲為0.58ms，對于多個模型的集成，精度略有提高，6個68【應用效果】智能自治網絡典型應用案例69模型的集成，實現了以下預測精度：R平方值=0.9338;精度=91.75（精度定義為1-平均預測誤差率，越高越好）。使用AI來增強和優化網絡切片管理和控制操作是ENI的一個典型用例，2018年6月在ETSI ISG ENI推出了其第一個概念驗證（PoC）項目。

281、通過使用基于流量預測的智能策略，當報警率在可接受范圍內，測試集的資源利用率可提高30左右。在該智能網絡切片系統的實施和部署過程中，可以通過額外增加一個資源單元，進一步降低報警率。通過引入AI技術，通過更好的數據處理、算法優化，可以對網絡業務量和資源需求進行更準確預測，根據預測結果實現虛擬網絡/網絡切片的自動化擴縮容調整，在使用優化的資源分配策略后的網絡運行狀況可以再次迭代到預測模型中，完成閉環反饋，進而趨近資源利用率最優，從而提升資源利用率的同時降低虛擬網絡和切片網絡的運營難度。后續建議進一步在國際標準組織標準化意愿驅動的AI模塊功能、承載網切片管理器功能，以及AI模塊與承載網切片管理器之間的

282、接口，包括接口類型、接口API及信息模型等。此外，還建議GSMA AI in Network工作組與其他標準化組織建立并保持聯絡，以便針對全球運營商在網絡AI方面的實際需求，進一步完成相關標準化工作，并將標準化成果推廣到更多運營商網絡中。切片是5G網絡的重要技術之一，在未來網絡中，使用現實網絡中的大量5G數據，通過標準化規范，打通端到端切片的管理，可以大大提升網絡資源的利用率，為運營商節約成本。智能業務識別 用戶業務類型識別是指識別網絡中具有相同五元組的TCP流或UDP流所屬的相應的類別，這里的類別可以根據需求有不同的維度，例如該TCP流所承載的應用層協議，包括FTP,P2P等，也可以是對應的

283、APP，如微信，QQ等，甚至可以是APP內的精細化動作，如微信的發紅包、發圖片等。目前DPI系統的用戶業務類型識別主要通過規則庫匹配實現。業務識別規則庫的維護耗費大量人力，更新周期長達3到6個月。智能業務識別方案采用深度學習技術，進行業務數據自動點擊獲取、模型訓練發布、及在線業務識別，可節省規則庫維護的大量人力成本，并支持加密協議識別。該應用可為公司提供精準高效、范圍廣、迭代快的用戶業務識別能力，支撐上層各類生產系統的分析應用。隨著人工智能技術的不斷成熟，具有足夠高可靠性的“網絡大腦”將對網絡路徑進行主動規劃，其對高動態網絡的優化效率將有可能超過傳統網絡算法，使業務識別更全、更加精準，保障用戶

284、使用體驗?！鞠乱徊焦ぷ鹘ㄗh】【場景描述】智能自治網絡典型應用案例智能業務識別整體框架如下圖所示，分為離線部分和在線部分，離線部分需實現APK管理、數據管理、模型訓練、模型評估；在線部分輸入待識別用戶原始碼流，輸出業務類別標簽。其中，模型訓練數據為手機使用APP時的抓包數據，常用的算法模型包括隨機森林、神經網絡等，模型訓練具體包括算法設計，結合訓練數據不斷對模型進行參數調整，經多次迭代優化直至獲得一個具有較高識別準確度的模型。目前智能業務識別最新模型已識別1000余款APP，實驗室識別準確率達91.4%。2018年，智能業務識別已完成在某省現網環境試點，實測整體準確率達到81.3%，HTTPS準

285、確率75.7%。性能方面，預計一臺GPU服務器可服務全省2Tb/s流量，準確性、效率、穩定性達到現網可用水平。此外，針對APP內的精細化動作識別，目前已完成在實驗室環境下的部分APP驗證，如微信APP的發紅包、發圖片和語言通話動作的識別，訓練準確率為90%。在標準化方面，與業界一起推動制定業務識別架構、統一接口等，進而通過合作或技術授權等方式，推動大規模應用；在技術方面,需對方案進一步完善，在算法優化、模型遷移等方面進行創新，逐步進行方案驗證；在適用性擴展方面，該場景可進一步擴展到IoT業務識別方面。智能業務體驗評估 隨著移動網絡的演進和用戶需求的變化，傳統基于語音、數據業務定義的KPI網絡質

286、量評價體系無法全面反映地真實客戶體驗，不能適應垂直業務快速發展的需要。運營商需要能夠準確感知和評估70【技術方案概述】圖 50 智能業務識別整體框架離線部分訓練深度學習模型2獲取訓練數據1業務標簽深度學習模型待識別用戶原始碼流在線部分3【應用效果】【下一步工作建議】【場景描述】智能自治網絡典型應用案例71各類業務的服務質量，以便進行服務質量的保障。而由于不同業務的對網絡質量的要求不同，業務質量評估的方法和手段也不相同。因此如果能獲取業務方的真實業務體驗SLA，并與網絡內相關指標進行關聯，基于大數據智能化手段實現用戶體驗SLA與網絡指標的關聯分析，建立不同業務場景下的客戶體驗感知模型?；诟兄?/p>

287、型，運營商可通過網絡指標評估用戶體驗SLA值，從而準確感知客戶的真實體驗，進而對網絡資源進行合理編排和差異化管控，實現對業務的服務質量保障。不同業務場景下用戶體驗指標，及其關聯的網絡指標不盡相同，第三方CP是業務的owner，他們最關心業務體驗，也最能準確理解和反饋業務的體驗。因此可以通過從第三方收集業務的SLA體驗數據，同時分析與此業務關聯的相關網絡指標數據，建立SLA和網絡指標數據的關聯模型。其中收集用戶SLA體驗數據可以借助5G網絡中定義的面向第三方AF的開放接口，將第三方業務的service MOS收集到網絡中，還可通過在第三方業務客戶端內置SDK的方式來采集service MOS數據

288、。以視頻用戶體驗評估為例，通過提取用戶體驗中的初緩、卡頓等體驗指標，與網絡內的SINR、RSRP、DPI數據進行關聯分析，通過神經網絡、隨機森林、Xgboost等回歸或分類算法模型建立視頻訪問體驗數據與網絡指標數據的關聯模型。關聯模型建立后，可基于此模型，通過在線收集網絡指標數據來評估對應業務的體驗信息，方案分為離線訓練與在線評估兩部分，見下圖。由于不同類型業務差異較大，例如視頻、游戲、支付、車聯網業務等，其關聯模型也不盡相同，因此可以基于不同類型的業務進行分別建模和訓練，相同類型的業務可進行遷移或泛化處理。該案例在某省份試點，以下是對視頻APP的 13組數據進行現網驗證的結果，視頻質量評價準

289、確率70%，目前仍在不同場景下繼續完善過程中?！炯夹g方案概述】【應用效果】圖 51 離線訓練和在線評估的過程示意圖IntelligentanalysisplatformServiceexperienceEvaluationModel KPI relatednetwork data3rd PartyAFSDKRAN DataCN DataServiceexperiencecollectingServiceexperienceEvaluationModelService ExperienceEvaluation Results KPI relatednetwork dataRAN DataCN D

290、ataIntelligentAnalysisplatformTraining ProcessEvaluation Process智能自治網絡典型應用案例72在標準化方面，推動各典型應用類型下業務體驗數據和網絡數據的標準化采集接口定義，在技術方案方面，與業界共同推動該方案的進一步完善，特別是基于5G網絡架構借助面向第三方應用AF的開放接口，與垂直行業用戶共同配合，推動該方案的落地和應用。在推廣方案，可以將此模式擴展到其他行業應用類型。智能MOS評估 VoLTE話務量快速增長，語音質量感知評分對發現VoLTE質量問題、提升用戶體驗有重要的參考意義。目前語音質量MOS分析主要采用路測手段通過POLQ

291、A算法評估，覆蓋范圍有限?；贒PI系統可實現全網用戶感知監測和分析，但采用無參考Emodel模型評估的MOS分與真實用戶感知偏差【下一步工作建議】【場景描述】表 5 視頻體驗模型評估準確率號碼1 號碼2 號碼3 號碼4 號碼5 號碼6 號碼7 號碼8 號碼9 號碼10 號碼11 號碼12 號碼13 100分 71分 87分 0分 46分 79分 48分 50分 99分 100分 31分 92分 85分 順暢無卡頓 卡頓1次，卡頓時長占比為36.0%卡頓16次，卡頓時長占比為21.80%卡頓304次，卡頓時長占比為100.00%卡頓1195次,卡頓時長占比為100.00%卡頓時長占比為100.

292、00%卡頓161次,卡頓時長占比為100.00%卡頓3次,卡頓時長占比為9.6%順暢無卡頓 順暢無卡頓 卡頓2次,卡頓時長占比為100%卡頓28次,卡頓時長占比為9.7%卡頓3次,卡頓時長占比為3.9%視頻體驗模型評價結果 號碼 視頻實際質量指標（現在DPI提取數據獲?。┲悄茏灾尉W絡典型應用案例圖 52 神經網絡訓練MOS模型提取MOS對應的RTP特征向量集合神經網絡訓練MOS模型模型應用模型訓練海量路測語音數據統一DPI切片XDR的RTP特征向量機器學習MOSPOLQA MOS樣本集合73較大，精度不高。本案例基于機器學習算法建立VoLTE業務用戶感知和網絡指標之間的關聯關系，實現對語音業務

293、質量的精準評估和異常檢測，并通過DPI數據支持用戶級分析優勢，實現對全網用戶級的全覆蓋評估。智能MOS評估通過構建智能化評估模型，以DPI系統的VoLTE媒體面XDR數據為輸入，對語音質量MOS分進行準確評估，從而實現全網全用戶VoLTE感知異常檢測。方案分為離線訓練與在線應用兩部分。離線部分，收集現網大量撥測數據，設計提取多維RTP包頭特征，并獲取相應的POLQA MOS分作為訓練標簽。POLQA是目前業界認可的語音質量評估標準，也是路測常用的評估方法，基于有參考的聲學評估可較好地反映用戶感知。模型訓練采用神經網絡或Xgboost等機器學習算法進行回歸分析，得到智能評估模型。在線部分，基于D

294、PI系統的VoLTE媒體流數據，生成切片XDR并構建與模型訓練相同的RTP特征，如編碼速率、丟包率、時延、抖動、連續丟包等，調用評估模型進行5秒切片級MOS評估。在模型訓練時，還可考慮無線側數據作為特征，例如RSRP、RSRQ、SINR、RSSI、CQI、不同協議層的下行吞吐率，切換情況等，構建網絡環境指標與用戶感知之間的映射模型。8000個樣本集在不同RSRP和SINR分組場景下的數據模型仿真性能如下：【技術方案概述】【應用效果】智能自治網絡典型應用案例74每組中的藍色代表訓練階段POLQA MOS和機器計算得分的平均百分誤差；綠色部分為測試階段的誤差。中間兩組代表好點，現網分組樣本較多，性

295、能較好，誤差小于10%，兩端代表質差場景，樣本集較少，因此誤差較大，但實際效果也在25%之內；隨著采集樣本集的增多，兩端場景組誤差有降低的可能，可以進一步完善。2018年，智能VoLTE MOS評估模型在某省試點，以相比POLQA MOS評估誤差在0.25之內為準確評估標準，整體評估精度達80%，均方差為0.3，中差點精度達70%和78%，評估精度比ITU Emodel提升40%，大幅提升VoLTE質差問題的檢測效率，計劃推廣至全省部署應用，支撐語音業務質量分析。與產業協同推動方案的完善，VoLTE媒體面的DPI接口需要制定數據標準，通過定義統一的接口標準，并將模型封裝為能力API，方案可推廣

296、到全網部署應用。模型還有進一步優化空間，重點增強模型泛化，滿足模型在多種質差場景、多種編碼方式下仍均具備較高精度。該應用方案還可拓展的4G/5G網絡類似的VOIP、流媒體視頻、VoLTE 視頻、AR/VR的多種多媒體業務質量評估?！鞠乱徊焦ぷ鹘ㄗh】0.30.250.20.150.10.050Poor Coverage,Low InterferenceMedian Coverage,High InterferenceGood Coverage,Low InterferenceMedian Coverage,Low InterferencePoor Coverage,High Interferen

297、ceGood Coverage,High Interference圖 53 數據仿真性能TestingTraining智能自治網絡典型應用案例75人工智能在網絡節能增效中的應用無線網絡節能隨著運營商網絡能耗的持續增長，主設備是節能的主攻方向。其中，無線站點主設備的能耗又成為重中之重。一個典型的運營商，其無線站點能耗大約占據45%左右，而其主設備無線基站的能耗又占據了50%。在無線基站能耗中，RRU（射頻單元）占用了較大的比例，而在RRU中功放又占了較大的能耗比例。在實際網絡中話務量在很多情況下具有明顯的潮汐效應，當業務量很少時，基站仍然處于運行狀態，造成了極大的能源浪費。減少無效能耗是節能的主

298、要方向，但面臨眾多挑戰。網絡話務量忙閑時差異大，設備持續運行，能耗并未隨話務高低動態調整，造成浪費，需要構建“Zero比特，Zero瓦特”的能力。但在一個典型的網絡中，場景特性差異較大，如何自動識別各種不同場景，制定匹配的節能策略，成為節能的關鍵。商業區：用戶體驗要求高，但有明顯的潮汐效應，夜間話務量很低 居民區：容量要求高，全天話務量大，話務波峰波谷不明顯 郊區：容量要求較低，話務量低，站點稀疏，站點覆蓋遠傳統的節能方式，因為需要人工分析海量數據，包括公參數據，網絡存量，特性適配，站點共覆蓋，多頻多制式網絡識別等，所以往往采用人工設置統一關斷參數，但因為參數無差異化，無法自動匹配不同場景，無

299、法與個站話務強匹配。導致話務忙時，因參數設置不合理而業務受損，影響KPI，而在業務閑時，因參數設置不合理，節能效果無法最大體現?！緢鼍懊枋觥繉嶋H能耗期望能耗站點流量圖 54 傳統方式的挑戰無效能耗無效能耗低流量時間段能耗依然高00:0000:0000:0012:0012:00智能自治網絡典型應用案例移動網絡節能解決方案，可實現利用AI技術的智能節能，實現不同場景，不同站點，不同時間，多網協同節能。并可在保證KPI穩定的基礎上，最大化網絡節能效果，實現能耗與KPI的最佳平衡。其整個方案分為評估設計，功能驗證，節能實施及效果調優四個階段。在評估設計階段，系統通過大數據分析，自動梳理現網主流場景，并

300、根據業務模型和基站配置分析，進行節能場景分析，據此可以不同特性組合，網絡環境及場景下的節能效果評估，自動預估節能效果并進行方案設計。在功能驗證和方案實施階段，利用網絡管理系統，可以對全場景的能耗進行自動監控和分析，提供精確的能耗報告，并根據自動節能策略和參數設計，完成開通及效果驗證。實現一站一策，快速高效啟動全網節能。在效果調優階段，根據全場景話務模型，節能效果和KPI趨勢的大數據分析，系統會利用AI算法，自動依據不同的話務模型及網絡變化優化門限參數，監控指標及能耗，進行自動參數調整，達到節能效果與KPI的最佳平衡。在整個過程中，有三項關鍵技術起到了重要作用，小區共覆蓋學習，多模協同及AI參數

301、調優。小區共覆蓋學習傳統的共覆蓋識別方法主要根據公參選擇經緯度方向角完全相同的容量及覆蓋小區對，對共覆蓋小區辨別的準確度欠缺。智能節能系統具備共覆蓋學習算法，針對容量小區用戶，統計終端對異頻的支持率，且主動發起異頻測量，如果終端支持率和測量成功率均超過一定門限，則認為存在共覆蓋關系，否則認為存在覆蓋空洞。經過周期性刷新學習結果，系統自動建立站內和站間的頻段共覆蓋關系，可以將節能的生效場景提高20%左右。通過分析海量測量報告信息和業務信息，智能節能系統能發現網絡中的節能小區及其補償小區，并預測業務變化趨勢。當節能小區處于低業務負荷狀態時，系統將把節能小區的業務遷移至其補償小區，并將節能小區休眠。

302、同時，通過實時監控功能，系統能夠在業務尖峰到來時及時喚醒休眠的節能小區以保證網絡質量。76【技術方案概述】智能自治網絡典型應用案例自動化多模節能策略協同傳統的節能方式采用單制式獨立節能，頻段內跨制式未整體關斷，RRU無法整體休眠，節能收益小，節能參數手工配置，效率低，節能參數無差異化。智能節能系統采用自動化多模節能策略協同，可實現多制式多頻段協同，頻段內跨制式協同關斷，頻段間多載波關斷，并可實現小區級自動化節能參數差異配置，無需人工參與。采用該技術后，可提升多模站點節能5%以上。AI載波關斷門限尋優對于節能而言，進入關斷門限越高，則節能效果越好。但傳統的節能方案，由于全網場景的多樣性，場景特性

303、差異較大，無法自動識別各種不同場景，制定匹配的節能策略，故節能關斷進入門限保守，節能效果受限。采用AI載波關斷門限尋優技術，可以尋找負載門限與性能拐點，最大化節能。系統會自動基于流量預測及強化學習，尋優關斷門限，并在線迭代優化，在保證KPI無損的情況下，可實現關斷時長增加10%以上。通過對網絡中大量小區的歷史數據：諸如時間、負荷信息、鄰區關系，以及其他外部因素如天氣、特定事件等多維度的數據作為輸入，以小區/小區簇/區域級別進行AI建模，從而預測出未來一段時間的小區/小區簇/區域負荷情況，同時結合不同的節能功能（載波關斷、通道關斷、符號關斷等），從而確定該范圍內小區中針對不同節能功能的最佳節能時

304、間。在預測建模中，還需要監測網絡關鍵指標的KPI，根據KPI的變化情況對當前使用的預測模型進行反饋，以進一步迭代預測模型，最終達到節能和系統性能的最優點。77圖 55 共覆蓋場景共站不共方向角不共站場景共站共方向角AEF存在覆蓋空洞HIGD智能自治網絡典型應用案例算法：基于時間序列類算法如ARIMA或者回歸類算法如隨機森林或者神經網絡算法均可以實現對負荷的預測。涉及數據集：主要涉及歷史負荷數據、歷史性能KPI數據、鄰區關系及其他外部信息如天氣信息、事件信息（如特殊聚會活動）等。當AI可以精確地預測出未來一段時間的負荷變化情況時，當負荷較低時，網絡側預判該時間段可實施的節能功能，并且預估該時間段

305、啟動節能的效果，從而有效的提高了節能時間段的節能效率。通過AI方法可以準確的預測節能應用的有效時間段，從而減少人工配置中由于不合理的節能時間段配置造成的對性能KPI的影響。同時對于重點保障場景，可以通過預先設定的白名單，在該場景下不實施節能功能，以避免節能對這些場景的影響。在典型網絡配置下，能夠降低基站能耗10%-15%，每千站一年節約兩百萬千克的二氧化碳排放。智能節能已在國內15個省市進行部署應用，累計應用規模超過50萬小區，系統可實現每萬小區年節電40萬度。下一步節能門限控制可以進一步細化，不同節能功能通過AI策略確定細粒度的門限，以個性化節能門限配置，從而進一步提高節能的效率。以大規模天

306、線系統及小基站（發射功率250mw以下）為代表的硬件系統將給5G規模部署帶來巨大的能耗挑戰，因此需要在系統現有網絡級節能算法中需引入5G新場景。78圖 56 在線迭代調優+節能幅度-節能幅度KPI 下滑KPI 良好【應用效果】【下一步工作建議】智能自治網絡典型應用案例79人工智能在網絡安全防護中的應用高級威脅防御人類生活與活動已與網絡深入融合，諸如APT、勒索軟件等重大攻擊事件越演越烈。傳統安全防御檢測的核心思想就是依靠攻擊特征庫的模式匹配完成對攻擊行為的檢測。而新型高級攻擊，例如APT攻擊，最善于使用0day漏洞和新型惡意軟件。這使得依靠已知特征、已知行為模式進行檢測的安防體系設備和產品在無

307、法預知攻擊特性、攻擊行為模式的情況下，就無法檢測此類高級攻擊。再者，傳統檢測手段也難以應對未知威脅數量的不斷激增。研究表明全球新生的惡意軟件和計算機病毒總量達到億級，平均每天新增的惡意軟件和計算機病毒達到百萬級。面對如此龐大的未知威脅數量，傳統檢測設備將疲于應對，此外，隨著移動設備、云存儲和物聯網的發展，威脅面更是呈指數級增長。威脅的未知性、待分析數據的海量特征與復雜度，使得僅憑安全專家的人工分析已完全無法應對。精準檢測發現未知威脅并提供態勢感知，提升安全響應有效性與效率，這是本案例應用的目標與效果。此外，5G的高帶寬，大規模和超低延遲功能極大地促進了萬物互聯，包括智能家居安防監控系統、車輛、

308、無人機和醫療設備等各種物聯網傳感設備。但是，正如威脅情報報告的調查結果所強調的那樣，許多當前物聯網設備的安全保護滯后以及技術的復雜程度越來越高，這使得網絡罪犯在成功啟動物聯網設備攻擊方面擁有更廣闊的空間。為了應對日益復雜的威脅，組織必須將所有安全元素集成到安全架構中，以便以更快的速度在更大范圍內進行查找和響應；使用機器學習、AI構建未來防御策略，自動化分析和檢測可能的高級威脅，縮小檢測窗口并提供快速補救。將部署在分布式網絡上的單點產品集成起來將有助于應對日益智能化和自動化的攻擊。通過對流量、日志以及其它信息進行處理與分析，分離和識別寄生在網絡中的異常流量行為與異常用戶行為，基于AI設計流量行為

309、模式識別模型，并結合動態分析引擎檢測惡意代碼，捕捉潛在的風險（例如，未知惡意代碼/文件、釣魚、潛伏的木馬、異常操作行為等）。行為模型的運用還可以發現用戶角色的類別以及攻擊行為間的關聯關系，有助于攻擊事件的還原。利用AI在樣本集足夠大時自動挖掘潛在特征，可以突破人為設計檢測特征的限制，從而識別出其中隱藏的網絡攻擊。較之傳統流量檢測方案展現出如下特色之處：多維度語義建模結合AI技術，可挖掘更深層次的隱【場景描述】【技術方案概述】智能自治網絡典型應用案例80藏特征；以不同粒度的數據來發現異常行為；對用戶行為進行建模，偵測對業務資源的異常訪問等等。惡意代碼檢測通過將樣本引入安全虛擬環境，監控、分析樣本

310、的動態處理過程，發現其中隱藏的惡意代碼。動態分析引擎基于硬件模擬技術，可以避免惡意軟件對運行環境的探測，具有防檢測、防篡改、防穿透、防干擾的特點，能夠充分激發惡意樣本行為。由于其從模擬硬件層直接提取原始數據且在純凈不做任何修改的虛擬機環境中運行樣本，所以更能避免惡意軟件對運行環境的探測，從而更可能捕獲惡意行為。在捕獲惡意軟件完整行為的情況下，通過AI算法對惡意行為判定模型進行持續優化，以提升檢測能力并應對惡意代碼逃逸。由于動態行為分析引擎的檢測方法不依賴于特征碼，可以支持檢測出變種惡意軟件，具備對未知威脅的檢測能力，有效避免未知攻擊的迅速擴散和企業核心信息資產損失。采用人工智能技術實現了惡意行

311、為判斷的智能化，包括：采用傳統的機器學習多分類算法比如SVM、隨機森林等利用海量標簽樣本訓練，并給出惡意類別的判定，以及將樣本轉換為靜態圖像從而采用卷積神經網絡CNN識別分類。通過獲取海量惡意軟件樣本文件行為和流量行為，可以進行訓練并建立了惡意行為判斷模型，可以解決人工分析成本高、時間長和判定規則僵化等問題。賬戶破壞本方案可以檢測黑客是否訪問了網絡用戶的合法憑據，而不管使用的攻擊方法或惡意軟件是什么，這包括檢測攻擊，如傳遞哈希、傳遞令牌和暴力攻擊。為了成功地檢測帳戶破壞，該技術需要識別用戶接觸的任何資產（包括端點和網絡）的危害指標。帳戶破壞的潛在指標如下：不尋常的身份驗證模式（例如，休眠帳戶訪

312、問）攻擊后的橫向移動 來自多個位置的并發登錄 列入黑名單的帳戶活動內部威脅 內部威脅包括惡意內部人員以及疏忽內部人員，他們經常導致數據破壞、數據威脅等。通過為用戶建立基線行為，解決方案可以根據多種潛在指標檢測并報告基于不符合基線的異常和高風險行為。內部威脅的潛在指標包括：智能自治網絡典型應用案例81 行為偏離同伴群體 不尋常的系統訪問（如登錄時間）已禁用帳戶登錄 異常文件訪問和修改 密碼活動異常 過多的身份驗證活動 多個帳戶鎖定以過多的身份驗證活動為例，出現異常的身份驗證活動背后是攻擊者通過系統地組合并嘗試所有的可能性以破解用戶的用戶名、密碼等敏感信息。攻擊者往往借助自動化腳本工具來發動暴力破

313、解攻擊。根據暴力破解原理，當系統存在該安全隱患時，一般是在某次登錄成功前發生了較平時明顯增多的登錄失敗。目前安全檢測方案一般采取人工設定閾值方法，無法針對不同對象進行動態建模。應用AI，可以基于安全日志（包括用戶名、登錄是否成功、訪問源IP、登錄失敗原因等），從而檢測用戶是否存在登錄侵入行為。若當前某源IP的登錄失敗數超過設定基線且存在登錄成功的記錄，則上報暴力破解事件；若當前登錄失敗數超過設定基線但不存在登錄成功的記錄，則上報可疑登錄失敗事件。從而可及時提醒安全審計人員系統存在的登錄侵入行為，方便安全審計人員溯源跟蹤、采取對應安全防護措施。適用算法：各類概率分布估計算法（例如核密度概率分布估

314、計、有參數概率密度估計）；周期檢測算法以及周期時序建模算法涉及接口：內部接口（安全日志讀取接口；安全事件輸出接口等）涉及數據集：網管及網元相關安全日志圖 57 登錄入侵檢測流程登錄失敗數基線建模登錄侵入事件檢測歷史登錄日志當前登錄日志輸出安全預警智能自治網絡典型應用案例82特權帳戶濫用 通過檢測泄露的憑證和對包含此特權數據的系統的橫向移動，來識別對可訪問敏感信息的特權用戶的特定攻擊。除了特權帳戶之外，還可對敏感的高價值資產的訪問進行監控，生成高優先級警報。針對賬戶還可監控其他風險指標，如賬戶鎖定、新帳戶創建、帳戶共享和已經休眠的賬戶活動。特權帳戶濫用的潛在指標包括：可疑的臨時賬戶活動 異常賬戶

315、管理 不尋常的特權升級數據泄露監控有關數據泄漏似乎正在發生的指標，以便在損壞發生之前調查并阻止泄漏。這是自動化響應在降低團隊平均響應時間方面非常有價值的地方，最終保護組織免遭數據泄露。潛在指標包括：可疑數據傳輸 異常流量模式 黑名單通信從2016年至今，該系統已在政府機構（包括智慧城市）、運營商、金融、能源等行業進行應用。應用期間檢測到數百起重大網絡安全事件。例如：2016年全球勒索軟件爆發年，第一時間發現全球最新勒索軟件事件及其變種，預警應用單位保障了信息安全，避免了大規模攻擊后果；發現針對企業高管的定向攻擊事件；發現針對電信企業地域性定向攻擊事件；進行內外部追溯與態勢分析，協助WannaC

316、ry大范圍攻擊事件的應急響應，并持續發現WannaCry最新變種；發現2019勒索病毒GandCrab5.2最新變種，極大提升了對未知威脅與高級攻擊事件的預警與響應能力。對于Malware的檢測結果，使用不同的特征進行檢測，結果最優的是最近改進的綜合模型：-未使用AI，漏報率：8.32%，誤報率：17.48%，F1：0.1912-使用AI，漏報率：2.8%,誤報率：0.8%,F1：0.957【應用效果】智能自治網絡典型應用案例83 對于登錄入侵檢測對4G現網網管安全日志進行登錄行為分析，可準確檢測綠盟等仿真軟件嘗試破解admin用戶；可準確檢測登錄腳本程序bug造成的大量登錄失敗。檢測率不低于

317、90%。標準化建議：需要在標準中，對安全態勢感知的需求、應用場景、目標、功能等進行標準化的定義和闡述。威脅事件修復響應指示通過API與響應平臺對接，包含：a.需要修復的威脅事件信息，b.與威脅事件相關的原始數據和元數據,c.修復威脅事件所必須采取的所有手動和自動操作指令。消息可以采用HTTPS等安全協議承載。應用建議：隨著互聯網應用的深化發展，全球網絡安全態勢日益嚴峻，為企業運營帶來挑戰。與此同時，云計算、5G、IoT等技術的興起，讓網絡邊界變得模糊，以安全邊界為核心、部署傳統安全設備為手段的被動防護思想越發局限，安全防護體系建設亟需突破。安全防護體系的構建思想已經從過去的被動防御，逐步邁向主

318、動防護和智能、自適應防護，從單純防御走向積極對抗，從獨立防護走向協同防護。也就是說，在建立了一定基本防御能力的基礎上，需要增加非特征技術檢測能力上的投入，并重點建設事件分析、響應能力。通過對事件的深度分析及信息情報共享，完善預測預警機制，并針對性改善安全系統。最終達到有效檢測、防御新型攻擊威脅之目的。在時間維度上，收集更多的訓練數據（天、周、甚至更長周期）提高模型的學習能力，來發現和分析異常行為的能力在檢測內容維度上，基于AI的異常檢測需要覆蓋網絡流量、終端行為、內容載荷檢測三個方面圖 58 惡意軟件檢測效果比較惡意軟件檢測性能對比120.00%100.00%80.00%60.00%40.00

319、%20.00%0.00%漏報率誤報率F1值8.32%2.80%17.48%0.80%0.190.957使用AI不使用AI【下一步工作建議】智能自治網絡典型應用案例-基于流量的異常分析機制-針對流量內容的靜態、動態分析機制-基于終端行為日志的異常分析機制此外，使用統計模型和機器學習來發現上述檢測數據和行為元素之間更深層次的關系，通過關聯分析來識別出隱藏的高級威脅。將高級威脅防御應用于5G與物聯網，需要有對應的威脅情報數據，以保證效果。垃圾短信智能分析與優化由于短信具備價格低廉、可以群發、給陌生人發送等特性，所以短信一直是違規信息傳播的重災區。目前各省市公司和專業公司的業務系統中存在大量的違規和騷

320、擾信息,影響業務的運行和用戶體驗。而現有的短信過濾系統，有如下不足之處：自動過濾誤報率高，缺乏策略進行自動提取與優化的手段；缺乏對疑似信息進行智能分析的能力。針對以上問題，本方案基于自研的垃圾短信判定算法，可以對中國移動現網的短信進行篩選、識別，為中國移動用戶剔除違規短信，不但可以改善用戶體驗、提升運營商企業形象，也可以保障國家的信息安全。本方案整體系統架構如下圖所示：84【場景描述】【技術方案概述】智能自治網絡典型應用案例85整體方案包含如下四個步驟：垃圾短信省端監控平臺對全量短信進行實時分析后，通過FTP方式將疑似短信傳輸至短信過濾系統；短信過濾系統對疑似短信進行精準過濾，并將判定的違規短

321、信以及部分抽樣正常信息回注給垃圾短信省端監控平臺；垃圾短信中央管理平臺按原流程通過原有方式，定時獲取省端監控平臺疑似短信，并提交洛陽中心進行審核；人工審核后數據送交短信過濾系統訓練模塊進行訓練。其中，短信過濾系統的技術模型如下圖所示：圖 59 垃圾短信智能分析與優化系統整體架構部分抽樣匯聚網關號碼處置自研短信過濾系統正常短信垃圾短信抽樣全部/抽樣判定洛陽中心人工審核疑似信息上報現網短信分析全量短信疑似/垃圾短信二次過濾后短信垃圾短信FTP文件傳輸短信直接攔截命中號碼黑名單、黑名單策略 疑似短信（命中疑似策略）垃圾短信省端監控平臺垃圾短信中央管理平臺指紋判定技術預處理整體判定流程先驗模型判定技術

322、文本分類器判定技術機器學習訓練FTP文件傳輸智能自治網絡典型應用案例該技術模型包括兩層智能模型：訓練流程：基于人工審核短信數據利用人工智能模型進行訓練，生成黑/白指紋庫、先驗模型庫等訓練庫，為在線過濾提供基礎；在線過濾流程：依據指紋模型、先驗模型、支持向量機模型等，對現網系統中待判定的疑似垃圾信息進行精準判定；判定結果分為：確認垃圾、確認正常和未判定短信，可依據生產系統需求進行過濾。該智能模型包含如下優勢：短信文本的預處理技術通過對于大量人工審核類、用戶投訴類短信的總結、學習，本提案不僅可提出特殊符號去除、替換、簡繁體對照處理、字符亂序處理、特殊字符加擾、全角半角變形等字符處理方式，還特別針對

323、一些專門逃避監管的涉政、違法、詐騙類短信，對采用前中后綴干擾變化、排版變化、倒序、樣本部分截斷等多種逃避監管的手段，采用獨創方法特殊處理，再加以識別。將以往機器無法識別的內容，變成普通可處理的常規短信。短信文本綜合判定模型本方案提出了一種融合指紋判定（Simhash）技術、自研先驗模型技術、大數據聚類分析技術、支持向量機算法以及策略標記的模型，并綜合三種方法的優缺點，設計并訓練出短信綜合判定模型，用于垃圾短信判定。此模型對于正常短信、違規短信的判定能力，遠遠超出項目開題所預期的基礎判定水準，判定準確率、查全率均出去業內領先水平，在10：1的數據模型下，實現了非常好的的判定效果（確認疑似比對于正

324、常短信95%，違規短信65%）。整體模型如下圖所述：86圖 60 短信過濾系統技術模型現網疑似短信數據指紋判定訓練流程人工審核在線過濾流程機器學習與算法訓練預處理綜合判定先驗模型判定文本分類器判定指紋訓練新短信確認違規確認正常正常短信違規短信先驗模型訓練智能自治網絡典型應用案例線上判定與線下訓練相結合充分利用已有人工審核結果的短信、用戶投訴短信，構造指紋庫、文本特征庫、聚類分析庫、模板庫、黑號碼庫等特征數據庫，支撐綜合判定模型；并將部分判定結果進行人工抽樣檢查，不斷優化訓練、判定模型，避免模型判定準確率蛻化。本方案于2015年8月部署在在中國移動政企公司云mas平臺，平均每天短信檢測量在500

325、萬條，將誤判率從原有的1降低到百萬分之一以內。本方案于2017年7月在江蘇公司上線運行，截至2017年底，日均監測疑似違規短信10萬條，日均判定違規短信約2萬條，日均發現違規物聯網卡20個，有效的為省公司、地市公司的運維服務提供幫助。及時跟蹤最新的違規短信樣本，對算法進行優化：垃圾短信判定模型在一定時間的使用之后，隨著更多違規用戶掌握算法判定規律，算法判定準確率會逐步下降。因此必須不斷對獲取的最新違規短信樣本進行訓練，更新算法模型。擴展算法應用：隨著短信在物聯網設備的大量應用，以及可能在5G時代的應用，因此可以對算法模型更新，以適應新的發展。例如在物聯網應用中，可針對不同設備的應用場景，發現不

326、同類型的違規信息。圖 61 基于人工智能的垃圾短信綜合判定模型人工智能深度分析模型文本預處理指紋判定指紋庫策略庫先驗特征庫聚類分析庫文本分類特征庫先驗模型判定聚類分析文本分類器策略標記簡繁體替換判定精度高;適合正常、違規。指紋判定先驗模型判定大數據聚類分析文本分類器策略標記帶判定結果短信數字、英文替換特殊字符替換其他變形庫短信判定精度高;適合正常短信。判定精度高;判定范圍與類庫相關。判定精度一般;適合正常、違規短信判定。判定精度低;判定范圍大?！緫眯Ч俊鞠乱徊焦ぷ鹘ㄗh】87智能自治網絡典型應用案例敏感數據保護系統基于網絡與業務數據的精細化分析，不僅可以對運營商網絡質量、業務質量進行優化，提

327、升用戶體驗，而且還能極大豐富移動互聯網業務。但是，運營商網絡數據與業務數據中包含大量的用戶隱私信息，一旦泄露或遭到非法利用，將嚴重危害用戶的隱私和個人信息安全，甚至嚴重影響國家網絡關鍵基礎設施安全。因此，在推進數據資源開放共享的同時，如何保障業務與用戶敏感數據安全就成為了關鍵問題。目前業內對敏感數據識別主要依賴于正則表達式、字典匹配和人工梳理的方法，前兩者能力受限于正則表達式和字典的數量、質量，尤其是當正則表達式、字典不完整或者字典建立有誤時，會出現精度不高、覆蓋率欠佳的情況；后者在大數據情況下，人工梳理周期較長，而且對處理人員的專業素質要求較高。立足于解決電信大數據安全需求，提供對敏感數據識

328、別與防護服務，設計了一款數據安全智能產品系統，它基于機器學習和神經網絡等人工智能算法，實現了敏感數據的精準發現；結合用戶權限分析，實現了算法自適應推薦，完成了高效脫敏?！皠屿o結合”數據精細保護本系統為基于AI的敏感數據自動識別和脫敏的算法與工具，制定敏感數據分類分級原則、敏感數據自動發現抽取、脫敏算法自適應推薦三個步驟，實現數據資源在開放環境下(開發、測試、數據分析等)的精細化保護，系統的技術架構圖如下圖所示?！緢鼍懊枋觥俊炯夹g方案概述】圖 62 基于AI的敏感數據自動識別和脫敏系統架構開發環境測試環境數據分析數據庫數據文件數據掃描發現敏感數據識別數據分類分級數據脫敏基于AI的敏感數據自動識別

329、算法與工具88智能自治網絡典型應用案例依據行業標準制定分類分級原則為方便對數據進行統一管理及推廣應用，以集團規范為標準，根據數據的內部管理和對外開放場景的特點，數據分為四大類：用戶身份相關數據、用戶服務內容數據、用戶服務衍生數據、企業運營管理數據。按照數據敏感程度，依據預設的泄漏損失特征進行風險計算獲得數據分級，分為四個級：極敏感級、敏感級、較敏感級、低敏感級。后續，正則表達式、策略集、模型等規則會根據此原則設定分類、分級標簽。動靜結合抽取敏感數據在典型的生產環境中，B（業務）、O（操作）、M（管理）三個域中每天有幾百T的數據等待處理，其中包含著數以百萬計的敏感數據表和字段，為了快速、準確地進

330、行識別，需結合數據的已有標記，有區分地使用不同的敏感數據發現能力。本項目提出結構化（數據庫字段、固定格式等）和非結構化數據（短信內容、業務內容等）分別對待的“動靜結合”機制，靜態方式保證準確率，動態方式提高系統發現能力，二者做到“一靜一動”相輔相成。在掃描數據庫元數據和抽樣數據時，結構化數據首先針對靜態元數據分析，采用正則、中文模糊匹配、關鍵詞等方式識別敏感數據；非結構化數據和部分元數據不能識別的內容則采用抽樣方式，此類非結構化數據中大部分為短文本數據（如短信），短文本由于字數較少、表達隨意等自身特點，在自然語言分析過程中會帶來“數據稀疏”、“語義鴻溝”等特殊問題，本項目利用基于子語義空間敏感

331、規則挖掘算法和卷積神經網絡訓練相對應的模型。如下圖所示：脫敏算法自適應推薦 遵循脫敏有效性、可配置性、一致性和透明性四項原則，以業務場景、業務需求、適用方作為橫向維度，自適應推薦脫敏算法，其中脫敏算法包括：加密、格式保留算法（FPE）、重排等可逆算法以及關系映射、偏移取整、散列、隨機替換等不可逆算法，在不降低敏感數據安全等級的同時，保圖 63 系統處理流程B域數據O域數據外部域數據M域數據大數據平臺MPP內存數據庫PS DBMSHadoop識別數據敏感規則庫中文模糊匹配正則表達式自然語言處理輸出敏感數據定位數據分類分級采集元數據抽樣數據輸出89智能自治網絡典型應用案例留原始數據的數據格式和部分

332、屬性，確保脫敏后的數據依然可進行數據分析、挖掘、測試等應用，實現敏感隱私數據的可靠保護。如下圖所示：本項目使用敏感規則庫+模型的方式識別敏感數據：其中結合正則表達式和語義敏感規則共同構建敏感規則庫，積累了超過30000條規則；利用卷積神經網絡構建了11個識別模型。敏感數據發現能力從原來的只依靠關鍵詞+正則能力的70%提升到96%，而且可對每日的增量數據實時訓練模型，擴展能力強。目前，系統已納入中國移動數據安全產品，并在四省市大數據平臺系統上線使用，提供了7*24小時不間斷的敏感數據實時監控與脫敏服務，日均處理數據超過800T，已累計識別出10萬余項涉敏數據信息，敏感數據發現周期從按月縮短到按天

333、（24小時以內）。有效避免了大量敏感信息泄露，從而有效保護了業務數據和用戶個人隱私數據，推進了數據資源開放共享。圖 64 自適應脫敏算法管理員136-0123-2345普通業務員136-xxxx-2345138-xxxx-6767136-0123-2345136-0123-2345138-2345-6767138-2345-6767攔截SQL語句，根據用戶角色對SQL語句進行改寫加密掩碼保留格式.散列數據脫敏算法 基于角色動態脫敏規則庫大數據平臺/數據庫處理后：SELECT phonefrom order處理后：SELECT Mask(phone)from order云紗動態脫敏網管SELECT phone from crderSELECT phone from crder【應用效果】90智能自治網絡典型應用案例其中電信數據分類分級原則已作為標準在集團和各省公司推廣,未來系統需針對更多的數