1、 Net 5.5G時代開啟AN L4新征程IP自動駕駛網絡白皮書/014.1 目標架構.15/15行業數字化與智能化轉型趨勢IP自動駕駛網絡架構Contents01/04.04.06IP自動駕駛網絡挑戰與關鍵技術2.1 IP網絡自動化挑戰2.2 新技術重塑網絡運維02043.1 IP自動駕駛網絡愿景.09/09IP自動駕駛網絡目標定義033.2 IP自動駕駛網絡分級.113.3 IP自動駕駛網絡關鍵能力特征.124.2 智能網元.164.3 高清網絡數字地圖.184.4 網絡智能體.24IP自動駕駛網絡白皮書/48/42IP自動駕駛網絡產業行動建議IP自動駕駛網絡成功實踐6.1 廣東移動Net

2、 Master FME Copilot應用實踐.426.2 廣東電信網絡數字地圖配置仿真驗證實踐.44/26IP自動駕駛網絡應用場景050607/50總結08/51術語表095.1 網絡建設5.2 網絡維護.26.305.2.1 網絡變更場景與解決方案.305.2.2 網絡故障場景與解決方案.345.3 網絡優化.396.3 聯通研究院云網自智分級體驗實踐.46行業數字化與智能化轉型趨勢1當今世界充滿著變化和不確定性，以數字化應對不確定性是趨勢，數字化發展已成全球共識。目前，全球已經有超過 170 個國家發布了國家數字戰略。據麥肯錫統計，全球的數字化進程整體提前了 7 年，亞太地區更是提前了

3、10 年，運營商及企業業務數字化的速度比原先預想的快 2025 倍。居家+公司的混合辦公、線上+線下的遠程教育、虛擬+現實的社交娛樂，這些新型模式正逐步成為新常態。作為數字化基礎設施的底座，網絡聯接在推動行業數字化轉型中發揮著越來越重要的作用。預計到 2030 年，全球總聯接數或將達到 2000 億，實現從連接百億人到連接千億物的跨越。下一代人機交互（AR、VR、XR）、住行合一、工業互聯、衛星寬帶互聯、AI 大模型分布式訓練等新業務也對網絡聯接提出了新需求。一個原生智能、全息可視、確定性體驗、安全高可靠以及具備融合感知自動化能力的網絡是未來發展的方向。在數字化轉型的背景下，運營商在 5Gto

4、B、云網融合、AI 算力建設與 AI 大模型商業化應用場景下迎來市場機遇，這些變化都對運營商的網絡和運維能力提出了全新要求，進一步促進了運營商網絡自動化的建設。015GtoB 場景對網絡確定性體驗能力提出了更高訴求Keystone Strategy 報告顯示，2025 年運營商可參與的全球 5GtoB 市場將達到 6020億美元。但同時，5GtoB 業務也對網絡的帶寬、連接密度、速率、時延、可靠性、移動性、定位精度等多項網絡性能有著更高的要求。例如，沉浸式體驗視頻將持續推高帶寬需求，未來其所需帶寬將是當前帶寬的 10 倍；建設智慧城市需要每立方公里 10-100 萬設備的連接密度；無人機需要

5、500-1000km/h 的移動性；自動駕駛需要亞米級的定位精度和不超過 5ms 的端到到時延；工業互聯網則需要 99.999%的可靠性。此外，5GtoB 業務還對網絡能力提出 3 大訴求：一張網滿足千行百業百萬級應用場景的高度差異化連接需求；在線一站式的按需、實時、靈活訂購、開通及變更；端到端確定性 SLA 可承諾、可保障。5G02IP自動駕駛網絡白皮書云智時代，云網融合新業務提出海量數據差異化上云訴求云網融合成為企業上云的重要選擇，垂直行業對云網能力的要求有三點：利用全球化的專網或公網實現企業上云和海量數據極速上云，并需確保數據安全；任何地方、任何業務均可實現一點入云、一點入多云，云網業務

6、滿足一體化提供、一體化運營和一體化服務的要求；能夠實時感知和預測全局云網算力分布和改變，通過智能調度滿足 XR 上云、云存儲視頻壓縮、金融上云等不同行業和企業在敏捷、質量、可靠性、效率等方面的差異化需求。云全球算力基礎設施建設提速，要求算網協同保障應用差異化體驗過去 20 年間，智能算力需求增長了百億倍。計算力指數平均每提高 1 個百分點，國家的數字經濟和 GDP 將分別增長 3.5和 1.8，算力正成為影響國家綜合實力的關鍵要素，算力基礎設施建設成為國家數字經濟高質量發展的戰略舉措。IDC 數據顯示，全球企業在AI 基礎設施及服務的投資，有望到 2025 年突破 2000 億，增幅遠超企業數

7、字化轉型和國內生產總值（Gross Domestic Product，GDP)。在迎接 2030 年智能世界的挑戰中，從個人生活到社會生產，云智新業務對帶寬、時延、質量保障和管理服務等方面提出了新的要求，為此，端到端的網絡必須加速實現全面數字化和智能化升級，以支持未來的發展需求。算力Net5.5G 網絡架構的關鍵創新，夯實了 IP 網絡智能體框架底座在 2020 至 2025 年間，云計算、3GPP 無線 5G 數據、行業數字化時代的浪潮席卷而來。高速、低時延和確定性網絡成為了核心競爭力的關鍵要素。云計算和企業數字化在這個時代誕生，開始了通用云計算和云應用的快速發展。而在 2025 至 203

8、0 年，元宇宙、工業4.0、成熟的 AI 和 3GPP 5G Advanced 將主導未來的網絡發展，網絡發展的歷史使命將從物理世界互聯互通轉向 AI 賦能的垂直行業的數字化與智能化。在這個時代，智能、可靠且高效的網絡成為了核心競爭力，Net5.5G 時代應運而生。Net5.5G 定義了在泛在計算、5.5G 移動網絡和全行業數字化時代下的網絡基礎設施發展方向。Net5.5G 以端到端 IPv6+技術為基礎進行創新，通過端到端 SRv6 等新技術在數據面的端到端演進，確保了組網的靈活性和確定性。IPv6+網絡可高效應對元宇宙時代的大流量負載，提供靈活彈性的超寬能力，提升用戶體驗和網絡利用效率，實

9、現智能按需訪問。IPv6 和網絡切片的組合有助于構建毛細血管型網絡，確保工業互聯網時代的效率和敏捷性。隨著Net5.5G 網絡的演進，面向 2030 年的聯接物理和數字空間的智能網絡基礎設施逐步完善，為 IP 自智網絡奠定了堅實的基礎。Net5.5G03AI發展跨越拐點，全球自動化與智能化應用前所未有的迫切，自智網絡進入實質性部署階段隨著AI技術的進步，全球對自動化和智能化應用的需求達到前所未有的高度。人類社會正從感知AI技術的應用階段進入認知AI技術的應用階段。AIGC（Artificial Intelligence Generated Content，AI生成內容）大模型正重塑產業格局，在

10、2年內已在50%以上的行業核心場景得到應用，迎來應用奇點。OpenAI指出，未來將有50%的人類工作任務場景受到ChatGPT（Chat Generative Pre Trained Transformer，聊天生成預訓練轉換器）的影響。例如，運營商的信息交互助力類工作和依賴專家經驗類的集中運維工作，都將在一定程度上被替代。為了應對這一趨勢，各電信廠家紛紛基于大模型推出各種創新應用方案。第三方報告顯示，91%的運營商已啟動自動化數字化戰略，通過布局算網基礎設施和深度融合行業數據和應用，實現網絡自動化與智能化，從而賦能員工，降低成本、提高效率，并提升業務體驗。例如，使用虛擬數字人客服來使能客戶服

11、務體系；使用智慧教育、智能會議、智慧問診等技術使能2B業務體系；通過對網絡變更主動監控、質差預知等技術提前預防業務受損；通過網絡排障自決策，網絡優化自閉環等技術使能網絡智慧運維。從當前研究和實踐效果來看，相對于傳統AI模型，大模型在意圖理解、判斷決策等方面表現優勢明顯，特別是基于海量數量構建的大模型具備出色的泛化能力，能夠屏蔽局點差異實現AI的快速部署和應用；同時大模型在意圖理解方面的優點，使得具備海量電信知識的大模型能夠通過北向接口控制、使用、配置和管理網絡設備，加速網絡走向自智。AI042.1 IP網絡自動化挑戰新業務創新慢，TTM 周期長運營商在傳統的2C、2H領域的收入增長正在隨人口紅

12、利的消失而遇到瓶頸，因此2B業務成為業務增長的關鍵市場。企業數字化轉型帶來的云化服務對運營商傳統的2B業務提出了新的要求，需要從連接型服務轉為數字化平臺服務，以便與OTT（Over The Top，通過互聯網向用戶提供各種應用服務）廠商形成差異化競爭。然而，傳統的網絡及IT系統難以支撐該戰略的快速執行：1缺乏網絡服務化能力：傳統的網絡管理系統通常按照業務模型CLI（Command Line Interface，命令行視圖）方式部署，需要人工規劃分配資源，難以滿足類OTT電商化的訂購體驗。2新業務TTM（Time To Market，上市時間）長：傳統BOSS（Business&Operatio

13、n Support System，電信業務運營支撐系統）業務上線時，需先在O域業務部署過程中，將VPN、隧道、Qos、路由策略、IP地址等拆分成原子粒度，通常涉及數百個接口及參數，OSS（Operation Support System，運營支持系統）集成周期往往超過6個月，同OTT周級的產品迭代時間有較大差距。IP自動駕駛網絡挑戰與關鍵技術2多廠商組網，網絡可視難超過 80%的 IP 網絡采用多廠商設備，即使同一廠商的設備，也存在設備型號和版本差異。同時，網絡設備上多種協議混合并存，IP 網絡軟件和硬件的復雜性帶來網絡可視化業界難題，主要存在三大難題：難題一，可視完整性。當前無法實現從物理層

14、、到協議層、切片層再到業務層的多層可視，每個層次也無法實現全面的可視化。例如，無法實現設備帶寬的可視化，導致無法完成整網的網絡容量優化。難題二，可視實時性。目前的可視化水平僅限于分鐘級別，無法滿足快速感知網絡故障并進行快速閉環處理的需求。當網絡故障導致業務質量下降甚至中斷時，往往需要幾分鐘才能發現和處理，這導致用戶體驗下降和離網率增加。IP自動駕駛網絡白皮書05配置變更風險高，安全事故頻發IP 網承載業務眾多，例如，某 IP 骨干網絡有 2000 多個網元，承載了上億用戶的業務。網絡中一個細小的路由配置錯誤可能會產生廣泛的影響，對運營商造成巨大經濟損失，中斷的時間越長，運營商額外承擔的成本就越

15、高，嚴重時甚至可能影響社會正常運轉，因此，運營商普遍存在配置焦慮。例如，在某國發生的某次網絡中斷事故，全網業務中斷了 37 個小時，影響了 3000 多萬客戶，直接經濟損失超過 1.9 億美元，事故的原因是一條錯誤的路由策略導致骨干網設備的路由激增和內存耗盡。難題三，可視易用性。運營商需要部署多個系統，每個系統又有多個界面，碎片化和離散化的可視化方式大大降低了用戶體驗，影響了運維效率。例如，某運營商同時部署了 OMC 系統、綜合網管系統、SDN 控制器、流量流向系統等多個離散系統，導致運維效率極低。盡力而為轉發，業務體驗難保障IP 網絡的一個核心特征就是統計復用和盡力而為轉發。路由協議基于可達

16、性進行計算，設備在轉發時基于單設備逐跳轉發，缺乏對整個網絡的全局視角，這種局限性導致網絡極易產生局部擁塞，引發時延變大和丟包率上升。對于時延敏感的游戲和直播類業務，需要網絡提供毫秒級穩定時延，而對于視頻和大數據傳輸類業務，則需要網絡提供大帶寬路徑。隨著業務需求的不斷演進，IP 網絡的某些固有局限性愈發凸顯變，例如，網絡時延的測繪往往需要人工操作，網絡優化方案的制定也往往依賴于專家的經驗，且需要多次迭代規劃以滿足用戶需求。更為棘手的是，這種基于傳統方式的優化很難徹底消除擁塞問題。IP 網絡業務復雜，排障耗時耗力IP 網絡以其靈活的網絡轉發能力著稱，但這種靈活性同時也伴隨著運維的復雜性。尤其是在轉

17、發面，高達 90%的丟包故障靜默無告警，且故障根因多種多樣，如器件故障、協議異常、傳輸鏈路誤碼等，由于缺乏有效的故障定位手段，處理故障時通常需要復現問題，并需要多個部門的工程師協同工作，包括 NOC 中心工程師遠程監控、外線工程師上站處理等。因此，這類靜默故障的解決往往耗時較長，MTTR（Mean Time To Repair，平均故障恢復時間）超過 8 小時，而 15%的靜默故障往往會耗費 80%的運維人力資源。062.2 新技術重塑網絡運維不同的垂直行業對 IP 網絡在時延、帶寬、業務可用性等方面的要求呈現出定制化、多樣化的趨勢。IP 網絡一方面加速向 IPv6 演進，以滿足海量基礎連接的

18、訴求；另一方面，在面對差異化質量保障、安全隔離、可編程、可感知、業務精細化、智能化管理等更高服務等級挑戰時，IP 網絡通過切片、SRv6、IFIT、集中管控、智能分析等一系列解決方案和能力，實現網絡即服務（Network as a Service，NaaS）。IPv6+IPv6+技術的出現，為網絡服務化提供了更佳的技術選擇。IPv6+幫助網絡服務化將網絡的數據和能力開放出來，嵌入到運營商的業務系統與業務流程之中，真正實現自動化部署和智能化運維。隨流檢測技術與傳統的探測技術不同，其逐包、隨流的檢測方式，極大提升了業務 SLA檢測精度。隨流檢測與智能分析相結合，在端到端 SLA 檢測的同時，支持業

19、務劣化自動逐跳檢測，精準定位質量劣化鏈路，使業務精細化運營成為可能。隨流檢測網絡切片為業務提供資源隔離、確定性、差異化質量保障。FlexE（Flexible Ethernet，靈活以太）切片技術和 Flex-channel 小顆粒切片技術的融合，既可以實現一網多用，快速建專網，也可以滿足隨用隨切、以租戶粒度提供高品質專線的訴求。通過切片的全生命周期端到端管理實現切片敏捷部署、切片質量可視、切片無損擴縮容，支撐運營商使能切片服務化，實現商業變現。切片SRv6作為 IPv6+的核心技術之一，SRv6 的網絡可編程屬性，與集中管控相結合，提供基于帶寬、時延、Metric 等多因子算路和故障快速重優化

20、及 SLA 劣化重優化的能力，面向不同業務提供差異化服務保障，為運營商網絡提供了創新平臺，滿足在 5G 和云時代的業務訴求。IP自動駕駛網絡白皮書07隨著 5G、IoT 和云計算等新技術的不斷發展，網絡規模及連接數量正在快速增長，隨之而來的網絡負載也不斷增加，這無疑為網絡運維帶來了前所未有的挑戰。同時，由于行業用戶對運營商網絡有著極高的可靠性要求，創新試錯成本高昂，因此，網絡運營和創新正面臨著成本和效率的雙重挑戰。為解決這些挑戰和問題，產業界提出將數字孿生技術應用到網絡，將網絡數字孿生體作為網絡的基礎運維平臺來實現低成本試錯、加快創新迭代、提高網絡智能運維水平。數字孿生網絡(Digital T

21、win Network，DTW)是以數字方式構建物理網絡實體的虛擬孿生體，且可與物理網絡進行實時交互映射。網絡的數字孿生體作為物理網絡設施的數字鏡像，與物理網絡具有幾乎相同的網絡拓撲、業務及流量數據模型，是真實物理網絡全生命周期、多維度的精細化副本，可以為網絡運維提供真實網絡的數字化驗證環境。有了數字孿生網絡這個平臺，現網實施的調整、維護、優化等變更操作，均可先在數字孿生網絡中進行充分的試驗和驗證，并通過其反饋來不斷的評估、修正、優化操作方案，最大限度降低對真實網絡帶來的沖擊。同時，數字孿生網絡還會實時記錄數字孿生體的狀態和行為，支持對歷史的追溯和回放，確保能在不影響網絡運營的情況下完成預驗證

22、，極大地降低試錯成本。相比傳統的仿真技術，網絡數字孿生網絡不再只是靜態的網絡快照，而是可以根據網絡狀態實時更新，更能與 AI 技術相結合，實現自我學習，并使數字孿生網絡根據反饋結果自我演進，具備更高的真實性和可靠性。數字孿生隨著 5G 與云技術的發展，IP 網絡規模在不斷增長，異構網絡技術也呈現出新老交織的場面，以人工為中心的運維模式已難以應對，這無疑加重了運營商的負擔。AI進入電信網絡后，加速了電信運營的人機協作模式，并在電信網絡規、建、維、優的各個階段發揮積極作用。AI 技術在通信網絡的應用范圍廣泛，既包括對既有信息的理解，如智能感知確定性的網絡參數，還包括對網絡基礎知識的理解，如針對網絡

23、形態的業務SLA 智能預測，同時也包括開放式的、復雜關鍵場景的智能決策，典型場景如網絡隱患預測、網絡流量預測、智能故障根因分析、用戶套餐推薦等。AI與大數據08未來網絡環境復雜多變，突發事件不可預測，數據的復雜度和數據量空前最高，業務場景涉及云/網/邊、橫跨多個自治域、跨行業、跨領域、任務種類繁多，決定性因子和噪聲干擾多。IP 網絡要真正實現全面自智，需具備全生命周期的自學習、自適應、自演進的閉環自智能力，這些能力必將賦予機器更多的自主分析、自主決策、自主干預網絡的權利。那么可自學習、持續演進的 AI 將成為更多權力移交給機器的關鍵。AI 模型的持續演進離不開大數據，大數據技術是運營商打造智能

24、化運維體系，提升網絡建設能力和運維效益的重要手段。通過 AI+大數據技術，運營商可以對全網資源高效實時全息感知、在線優化、網絡故障精確快速定位，并實現自動化、智能化的網絡端到端管理、設計和運營；同時網絡運維大數據持續注入運營系統、網圖和網元中，及時優化分析模型，使網絡運維能夠進行智能的迭代升級，變得越來越聰明。例如：某運營商建立 IP 網絡資源利用率分析模型，以 AI+大數據技術為基礎，不斷優化網絡資源利用率并進行預測性分析，實現在不同區域、不同時間段內網絡資源的智能化調度，有效保障了最終用戶體驗、提升了網絡運維效率、降低了運維成本。通信大模型可以學習和理解百億級的 IP 數據通信領域知識，精

25、準理解用戶意圖，通過智能語言交互提升交互效率，使得 IP 網絡業務知識回答準確率顯著提升。通過大模型智能分解復雜任務，提升網絡運維效率數十倍。通信大模型的自適應學習能力使其能夠根據網絡環境的變化不斷調整和優化，進一步增強了網絡的智能化水平?；谕ㄐ糯竽Ｐ驼w提高 IP 網絡的穩定性和可靠性，還能極大地降低運維成本，提高運維效率。通信大模型的核心優勢在于其提供的兩類應用能力，一類是基于角色的 Copilots，一類是基于場景的 AI Agents。Copilots 專注于幫助運營商賦能員工，提升員工的知識水平和工作效率。通過智能語言交互能力，能夠理解復雜的技術問題，并給運維人員提供準確的解決方案

26、，幫助運維人員快速閉環網絡問題。除此以外，Copilots 能夠自動化執行重復性高、耗時長的任務，如配置管理、性能監控等，釋放運維人員的時間。AI Agents 則針對不同的運維場景，提供不同場景自閉環能力。例如，通過實時監控網絡與業務 SLA 指標，AI Agents 能夠預測并優化網絡，保證用戶體驗，確保服務的連續性和穩定性；通過數據分析技術，能夠預測潛在的網絡故障并提前采取措施，在故障發生時快速定位問題根源，縮短恢復時間。在需要跨多個組件的復雜運維場景中，AI Agents 相互配合協調不同資源，通過分析拆解復雜流程和編排操作方案，確保運維活動的高效執行和用戶體驗滿意度。通信大模型IP自

27、動駕駛網絡白皮書09IP自動駕駛網絡目標定義33.1 IP自動駕駛網絡愿景自 2019 年 TM Form 發布業界首個自動駕駛網絡白皮書之后，3GPP、GSMA、CCSA、ETSI 等標準或產業組織也開展了 AN（Autonomous Networks，自智網絡）分級的研究，整體通信行業對于 AN 愿景、架構形成廣泛共識，全球 10+運營商把 AN 納入集團戰略并開展實踐。IP 自動駕駛網絡以三層四閉環為基礎架構，以 Self-X 自服務為基礎能力，再結合 IP 領域的網絡特點，以創新技術引領產業，解決 IP 網絡配置復雜、網絡易擁塞、MTTR 時間長等典型難題。作為 Net 5.5G 的關

28、鍵使能力量，IP 自動駕駛網絡旨在通過自動化、智能化手段逐步減少和消除人工操作，打造面向客戶的零等待、零故障、零接觸的極致體驗，實現業務體驗提升，縮短業務 TTM；打造面向網絡運維的自配置、自修復、自優化的高穩網絡，使能運維降本增效，提升維優營自動化率，節省運維人力，降低 MTTR。IP 自動駕駛網絡可以顯著縮短客戶等待時間，確?？蛻舻木W絡業務訴求能在極短時間內得到有效響應和處理。當客戶提出網絡業務訴求后，IP 自動駕駛網絡能夠迅速提供可用服務。例如，租戶級 VPN 業務可以實現秒級開通，即開即用，極大地提升客戶的服務體驗。零等待IP 自動駕駛網絡能有效優化客戶獲取網絡業務及保障的方式，傳統的

29、營業廳、客服及上門運維工程師的依賴被大大降低，取而代之的是電商化的自助服務體驗。無論企業用戶還是個人用戶，均可以通過電商化的自助方式獲取“訂購/變更/維護/優化”等各種 IP 網絡服務，滿足客戶隨時按需的服務訴求。例如，企業上云業務客戶可以自助申請業務開通，而 IP 自動駕駛網絡能夠提供業務路徑智能推薦、業務 SLA 質量實時監控及優化、帶寬擴容實時調整，極大地滿足了客戶隨時按需的服務訴求。零接觸IP 自動駕駛網絡能有效提升對客戶業務的保障，通過精確的網絡監測和預測機制，有效避免業務出現故障或劣化，使客戶對網絡故障和網絡質量問題幾乎無感知或感知不明顯。例如，在網絡出現故障前，IP 自動駕駛網絡

30、就能監測到網絡劣化趨勢，并能準確推測出網絡可能出現的故障及對客戶業務的影響，優先采取預防措施。當出現網絡側故障和質量問題快速自動修復，保障客戶業務持續穩定運行。零故障10IP 自動駕駛網絡在業務端到端部署、變更、升級過程中，提供了全方位的自動化支撐，大大地減少了人工配置。通過智能算法將業務意圖直接轉化為網絡配置，不僅顯著減少了網絡配置的工作量和難度，也減少了人為失誤帶來的故障，從而極大地提升了業務開通和調整的效率。例如，針對業務配置進行事前仿真評估對 IP 網絡與業務的影響，事后驗證配置合理性如路由可達性、業務 SLA 質量等。自配置IP 自動駕駛網絡能在業務保障過程中進行自動化故障處理，實現

31、故障預測預防和故障快速修復，保障業務高可靠運行。網絡運維人員不再時刻監控網絡故障情況，只需要提前規劃好各類故障的原則性策略，后期可以由 IP 自動駕駛網絡自動完成對故障的監控、預防、修復等動作。IP 自動駕駛網絡通過網絡數字孿生實現對網絡狀態、變化的實時感知；通過持續的網絡行為學習，主動識別網絡風險與異常；通過根因溯源實現故障根因智能分析；結合故障發生位置、時間、業務影響等因素給出異常修復建議，最終實現風險主動規避、故障自動閉環的自維護系統以提升業務連續性與體驗。自修復IP 自動駕駛網絡從業務質量角度進行持續的自動化優化過程，通過感知整體 IP 網的業務質量情況，識別出最優路徑、調整網絡參數，

32、最終滿足網絡優化的策略，使網絡效能得到最大發揮。通過網絡性能指標的實時監控，分析指標的變化趨勢，結合網絡質量問題出現的規律和相關運維知識，可以預測出網絡即將出現質量劣化的風險，通過仿真確定可行的調優方案，自動啟動優化任務，確保網絡始終處于最優狀態。自優化IP自動駕駛網絡白皮書113.2 IP自動駕駛網絡分級TM Forum 定義了自智網絡等級來指導網絡和服務的自動化和智能化程度，評估自智網絡服務的價值和優勢。當然，要實現 IP 網絡完全的自動駕駛，必然是一個長期的過程，無法一蹴而就，為了更準確地描述和規劃這一進程，可以將 IP 自動駕駛網絡定義為五個等級：系統提供輔助監控能力，所有操作全部通過

33、人工執行，包括配置下發，狀態查詢均通過命令行完成，這是網絡運維的最初始階段。L0人工運維針對網絡運維中已知重復性任務，根據人工定義的規則通過工具或腳本批量操作（如批處理工具），通常是針對一個或多個網元進行批量操作，幫助用戶提高網絡運維管理工作的執行效率和感知效率。L1輔助運維系統根據人工定義的策略幫助用戶（決策仍由用戶人工實現）實現部分網絡運營管理工作流程的閉環，大部分用戶和廠商都處于這個階段。L2部分自智網絡相比 L3 階段，網絡智能化程度更高，系統自動感知網元網絡狀態，并根據趨勢提前預測和分析潛在風險，并主動進行優化調整，保證網絡持續滿足業務要求；針對網絡突發問題，系統有主動識別、糾偏的能

34、力。L4高度自智網絡這是 IP 網絡發展的終極目標，系統具備在任意場景中跨業務、跨領域的全生命周期的閉環自愈能力，真正實現無人駕駛網絡。L5完全自智網絡系統自動感知網絡狀態與資源信息，推薦 VPN 業務的最佳參數組合、提供配置事前評估、事后自動驗收、發現問題后自動定位等能力。系統具備智能化分析能力，根據人工定義的閉環自動化策略來實現閉環自動化，可實現部分場景的閉環管理。L3條件自智網絡12自智網絡等級L0:人工運維L1:輔助運維L2:部分自智網絡L3:條件自智網絡L4:高度自智網絡L5:完全自智網絡執行感知分析決策意圖/體驗適用性PPPPPN/AP/SP/SPPPSP/SP/SPPSSP/SP

35、/SPSSSSP/SSSSSS選擇場景所有場景人（手工）系統（自主）PS3.3 IP自動駕駛網絡關鍵能力特征IP 網絡從業務全流程上劃分為“規-建-維-優”四個階段，同時包括“規劃設計、業務發放、網絡變更、網絡排障、網絡優化”子環節。每個環節在自動駕駛的每個等級上都應具備關鍵能力特征。針對 IP 自動駕駛網絡分級標準，定義了 IP 網絡的等級代際與關鍵能力?？蛻艨筛鶕四芰μ卣髟u估自身 IP 網絡現狀，并結合實際制定出相應的發展目標。IP網絡全生命周期L2 關鍵能力L3 關鍵能力L4 關鍵能力規劃規劃設計Day0規劃設計工具人工會議評審識別規劃意圖，比如新建接入設備依據規模、可靠性等，自動推薦

36、建設方案系統生成仿真網絡鏡像，進行規劃仿真評估自感知自還原存量網絡規劃，包括協議部署、資源規劃，自生成存量網絡規劃全景，并自動給出新建方案，結合存量網絡規劃全景偏好，推薦新建區域的最匹配規劃方案IP自動駕駛網絡白皮書13IP網絡全生命周期L2 關鍵能力L3 關鍵能力L4 關鍵能力建設維護業務發放Day1基于命令行模板或配置工具人工設計方案，專家評審基于業務意圖，比如業務源與宿、業務的帶寬、時延等SLA要求，并支持意圖自定義自動推薦方案實現自動業務資源占用并自動業務部署，部署完畢后自動驗收，給出業務連通性、吞吐量等驗收報告意圖驅動監控，基于業務的能力，自動創建監控任務，持續監控基于自然語言對話識

37、別業務意圖，靈活意圖定義理解業務意圖自動學習網絡狀態變化并更新知識，更好的推薦業務開通路徑基于業務SLA要求結合網絡狀態進行仿真驗證，仿真無誤后實現業務自動化部署持續監控業務SLA，對業務SLA進行預測，并智能化分析業務影響，提前優化調整網絡排障Day2系統基于人制定的巡檢策略進行排查人工識別隱患人工修復故障系統持續監控，實時識別網絡故障與異常，1分鐘發現問題系統自動分析故障根因推薦最佳修復方案，用戶確認后，執行故障自動修復流程故障自感知與預測：與智能網元一起自動感知光模塊、單板等硬件、協議與路徑、應用流等軟件故障，實現IP網絡信息全息感知、全流分析，并結合趨勢變化預測網絡故障與隱患故障根因定

38、位：基于AI學習網絡、業務等故障關聯，并進行故障的根因定位故障自愈：系統結合大模型實現網絡故障修復建議步驟推薦，并執行修復步驟實現故障自愈14IP網絡全生命周期L2 關鍵能力L3 關鍵能力L4 關鍵能力維護網絡變更Day2人工設計變更方案配置工具或控制器下發工具備份整網的配置文件，變更失敗后導入、恢復基于網絡變更場景比如接入設備上線、VPN接入配置、破環加減點、網絡擴容，基于場景化自動生成相關配置腳本網絡拓撲以及IP網元配置腳本進行仿真評估，給出風險評估結果，保證變更無錯誤用戶人工評估風險后，執行配置變化腳本，配置出錯能快速回滾基于大模型學習網絡組網信息與配置參數，結合網絡變更意圖可自動進行網

39、絡設計，自動生成拓撲變更與配置腳本針對生成的拓撲變更與配置腳本自動進行仿真與驗證，自動評估網絡變更影響自動生成并執行網絡變更詳細操作步驟，包括原業務重新算路，變更配置下發、配置出錯回溯等流程，實現網絡變更自動化優化網絡優化DayN突發丟包：盡力而為巡檢工具：依據checklist 發現網絡隱患基于人工經驗的優化自動感知網絡時延、流量、丟包等SLA信息，鏈路與隧道中斷與SLA劣化時自動進行網絡調優SLA劣化預測：建立網絡與業務質量的動態基線，可提前預測主動優化業務：依據業務劣化預測，提前優化調整，保證網絡持續滿足要求自主學習網絡SLA基線，精準發現網絡瓶頸點，自動給出網絡擴容建議IP自動駕駛網絡

40、白皮書15為實現高階自動駕駛網絡，重塑全生命周期的運維流程，需要清晰定義運維系統的目標架構，并攻克目標架構演進過程中的關鍵技術難題，最終達成“零等待、零接觸、零故障”的全自動極致運維體驗的目標。本白皮書定義的目標架構分為四層，分別是：智能網元、高清數字地圖、網絡運維智能體和運營中心。它們各自的職責定義如下：IP自動駕駛網絡架構44.1 目標架構融合感知功能與應用數字地圖引擎數字孿生運營中心智能體高清數字地圖智能網元OSS/BSSCopilot/Agent任務管理通信大模型數據飛輪執行引擎公有云智能硬件智能協議To HTo BTo C行業云端/用戶IP承載網云/算自動化引擎意圖保障引擎控制調優引

41、擎分析引擎流程編排引擎16智能網元既是 IP 網絡基本組成部分，也是 IP 自動駕駛網絡的基本管控單元。智能網元需要精準采集現網數據并上報給高清數字地圖，使得高清數字地圖能夠實時感知網絡的拓撲、業務、流量、狀態和質量等相關數據；同時還要支持 IPv6+等智能協議，可以實時響應高清數字地圖的管理、控制指令，實現網絡的最優化調度和閉環控制。智能網元作為 IP 自動駕駛網絡的關鍵組件，高清數字地圖可以構建物理網絡實體的虛擬孿生體，并通過多種協議連接網絡設備完成 IP 網絡資源、業務和流量的采集、管理、分析和閉環控制；為系統管理員和網絡維護人員提供豐富、簡潔、易用的 UI 界面，同時也給網絡運維智能體

42、提供靈活開放的 API，供智能體編排和調用。高清數字地圖作為IP網絡智能運維的核心部件，Net Master通過離線學習高質量的語料（如：IP網絡運維手冊、專家經驗、高清數字地圖提供的API等）構建強大的通信大模型；Net Master使用大模型提供在線推理能力，能夠自動識別用戶意圖、自動分解并生成網絡運維任務，實現網絡運維的自動化和無人化。同時，通信大模型還具備在線重訓練的能力，能持續學習現網案例、豐富知識庫，實現知識的持續優化和進化。智能體4.2 智能網元要實現 IP 網絡的少人化、無人化運維，達成高階自動駕駛網絡的目標，傳統的網管系統需要向更加智能的數字地圖和智能體演進。網元作為執行網絡

43、指令、轉發網絡流量的最基礎單元，同樣需要向原生智能的方向演進。智能網元通過內置的 AI 技術，不但能夠通過大量在線樣本的學習來豐富自身知識庫，實現本地推理和自智能力，還能與遠端的高清數字地圖和智能體協同，實現預防性的維護和預測性的優化。通過本地 AI 與遠端 AI 的協同機制，實現多設備協同、跨域協同、全網協同的閉環自智。設備節能高精度采集協議AI線卡SRv6隨流檢測AI主控板AI專用算力卡智能流識別攻擊檢測局部擁塞秒級感知智能應用智能協議智能硬件IP自動駕駛網絡白皮書17嵌入式的智能硬件包括 AI 主控板、AI 線卡和 AI 專用算力卡三大 AI 部件，是實現流特征識別、實時感知、攻擊防范和

44、最優化調度的基礎。智能硬件通過“本地 AI+遠端 AI”的協同方式持續更新模型、不斷更新本地知識庫，優化本地決策的準確性和實時性，還能支撐智能管控系統（高清數字地圖+智能體）實現網絡級的最優化調度。例如：智能硬件能夠通過精確感知本地流特征，對異常攻擊流實施自動阻斷；對高價值流的擁塞和SLA 實時檢測并上報給智能管控系統進行主動優化，持續保持高價值流的 SLA 不劣化。智能硬件智能協議是智能網元與智能管控系統（高清數字地圖+智能體）之間協同的橋梁?？删幊痰?SRv6 協議為 IP 網絡智能調度提供了基礎支撐，與智能管控系統云圖算法協同，通過多目標組合優化實現網絡流量的最優化調度。高精度 OAM

45、協議（如：隨流檢測）可以感知到流級別的 SLA，能更精確地定位到 SLA 劣化的網絡鏈路、節點、甚至端口，為故障的故快速定界定位和收斂提供了有力支持。要實現 IP 網絡業務 SLA 的持續保障，高實時性和高精度的采集協議不可或缺，特別是在智能管控系統參與遠端決策時，其重要性尤為凸顯。例如，智能網元使用 BGP-LS 來上報網絡拓撲的變化情況，使用Telemetry 來上報網絡質量變化情況，使用 NetStream 來上報流的變化情況，使用BMP 協議來上報路由變化情況等。智能協議智能網元與智能管控系統（高清數字地圖+智能體）協同，可以在節能、業務體驗保障、局部擁塞消除和安全防護等場景中構筑競爭

46、力，實現網絡運營更低的能耗、更優的業務體驗、更大的網絡吞吐和更高的網絡安全，支撐網絡運維向網絡自動駕駛演進。智能應用184.3 高清網絡數字地圖功能與應用UI設計器流程編排設計器仿真驗證設計器業務自動化設計器數據采集設計器Design Studio在線加載全息可視Open API流程編排引擎數字快線配置驗證路徑導航擁塞視圖數字雷達數字地圖引擎自動化引擎意圖保障引擎控制調優引擎分析引擎數據采集引擎數字孿生引擎高清網絡數字地圖是 IP 網絡的下一代運維中心。高清數字地圖使用南向協議實時采集 IP 網絡資源、拓撲、業務、SLA、狀態數據，進行統一的模型抽象并精準分析這些數據之間的關系，形成一張網圖，

47、同時依托高精度的仿真協議來預測網絡狀態及流量趨勢。當數字地圖成功構建起可以刻畫網絡過去、現在和未來時態的多層多維的高清數字孿生鏡像后，它將為網絡的“規劃-建設-維護-優化”全生命周期提供不同的功能與應用，例如網絡全息可視、網絡業務自動、業務擁塞分析、業務隱患分析、網絡路徑導航等。同時，高清數字地圖把這些能力開放給智能體，智能體可以自動調用這些能力實現網絡自動配置、自動優化、自動故障排除等，實現真正的無人值守和自適應網絡運營，即 L4 級的高階自動駕駛網絡。數據采集引擎：數據采集引擎負責把物理網絡的數據投射進數字世界，通過包括 NETCONF、SSH、Telemetry、BMP、NetStrea

48、m 等多種數據采集協議，采集網絡原始數據，并且提供分布式的數據采集框架，完成大規模網絡的并發數據采集；同時對采集后的數據做聚合和基礎格式轉換，把數據寫入到數字孿生引擎，支持后續的數據分析和呈現。采集管理采集資源管理采集任務管理采集驅動管理數據模型管理采集集群管理采集Agent（集群）通信協議驅動統一數據采集框架模型轉換驅動數據聚合規則通信協議解耦設計模型轉換解耦設計聚合規則解耦設計IP自動駕駛網絡白皮書19數字孿生引擎：數字孿生引擎作為物理網絡轉換成數字世界的載體，提供核心的數據服務，包括OLTP（Online Transaction Processing，在線交易處理）、OLAP（Onlin

49、e Analytical Processing，在線分析處理）多數據類型存儲服務、多種數據類型的匯聚和計算服務、數據邏輯模型到存儲模型的映射和管理、數據對象時間序列處理、數據關聯關系管理等多種能力。并且對外提供包括數據查詢，數據靈活搜索，數據編排等數據業務。數字孿生引擎目標架構主要分為四大塊：數字孿生設計器、數字孿生引擎框架、數字孿生數字底座、數字孿生基礎服務。IP網絡數字地圖應用數字孿生設計器1數字孿生引擎框架2運行容器（實現組件）大數據抽象數據處理數據存儲數據查詢抽象/現實 適配存儲處理調度數字孿生數字底座3孿生建模數據管理與邏輯抽象孿生仿真跨孿生體管理數字孿生基礎服務4動態地圖設計器數據

50、治理智能搜索Runbook數據集成網絡拓撲3D/GIS/BIM語義搜索結果推薦編排執行參考業界建模理論，提供簡單、易擴展的維度、關系、事實表建模體系，打造統一原模型管理、統一設計工具，簡化產品開發，實現網絡數據建?？梢暬?。數字孿生設計器提供實時、可信的網絡數據，最優的數據處理/存儲/查詢能力。數字孿生引擎框架20基于語義或意圖的智能搜索與關聯信息推薦、動態地圖高保真 GIS 分段拓撲，支撐網絡故障快速診斷，提升運維效率。數字孿生基礎服務提供通用的數據服務能力。其中仿真服務提供統一的網元配置模型、網元存量模型、網元行為模型和網絡模型，將網絡數據映射到統一模型上。支持基于統一模型完成以設備為中心的

51、設備協議仿真能力，支持基于通用驗證算法的自定義驗證業務插件，快速定制仿真驗證業務，并可基于物理網絡的數字鏡像，構建多個數字鏡像分支，并基于每個分支驗證變更影響。數字孿生數字底座自動化引擎：自動化引擎通過模型驅動的方式，在網絡業務層通過 YANG 定義網絡業務模型，在網元層通過 YANG 定義網元配置模型；通過 Easy Mapping 框架將網絡模型自動轉換為網元模型，并且提供了 Dryrun、配置對賬、配置回滾，事務機制等可靠性的能力，達成業務配置自動化的目標。事務機制網絡業務API網元模型APIDryrun配置回滾配置對賬廠商設備驅動包框架機制配置自動化映射(Easy Mapping)Se

52、rvice YANGEasy MappingNE YANGNE YANGIP自動駕駛網絡白皮書意圖保障引擎：SAIN(Service Assurance Intent-based Networking，基于意圖網絡的業務保障)動態加載模型包，生成業務的保障意圖；同時從網絡數字孿生引擎中實時獲得資源、業務、狀態及 KPI等信息，在線計算各原子資源的健康度并與對應的癥狀關聯。通過逐層匯聚，自動計算出頂層業務的整體健康狀態（如：正常，保護降級、部分中斷、完全中斷等）。意圖保障引擎生成的業務保障圖可直觀呈現業務的健康狀況，還可以從頂層逐層展開并追溯到葉子節點（即：故障根因），有助于網絡運維工程師快速完

53、成業務影響分析和故障定界定位。21Design TimeRun Time業務保障離線設計器業務保障圖業務保障編排資源保障圖業務保障在線設計器模型包管理數字孿生引擎EVSEVA1EASPhy If Health(leaf2.p1)Phy If Health(leaf1.p1)Link Health(link L2-S1)Link Health(link L2-S1)Link Health(link L1-LS)EVA2SR Tunnel癥狀：leaf2.p1.status.down癥狀：link S1-L2.status.downEAS subservice降級50%EVA1 subservic

54、e降級EVS業務降級SR隧道 subservice降級25%資源資源狀態及KPI模型加載分析引擎：分析引擎提供通用 AI 基礎算法庫，支持包括流量異常檢測與識別、流量預測、群障根因識別等智能應用，完成業務計算；支持多應用算法模型的加載和管理，支持多種計算應用；提供本地訓練平臺，針對現網數據可以快速開發新算法，并導入系統?？刂普{優引擎：控制調優引擎是網絡流量最優化調度的計算引擎，它同時運行多個算路實例，可以并發響應多個算路請求。當網絡拓撲發生變更、鏈路流量越限、業務的SLA發生劣化或者周期性優化任務開始時，控制調優引擎就需要及時響應優化請求。算路引擎會基于優化目標和約束，對網絡流量重新布局，生成

55、網絡控制指令；同時會提交給優化收益評估模塊進行收益評估，系統根據反饋自動優化算路策略。流量路徑優化結果優化收益評估網絡拓撲管理策略路徑約束全局優化算法單路徑/多路徑均算法主備分離算法Dijkstra/Bi-DijkstraKSP/LARACLP Solver優化目標單目標/多目標隧道流量隧道路徑算路策略算路引擎（云圖算法）22模型擴展管理流量異常檢測動態基線單維離群分析多維離群分析流量預測故障預測群障模式挖掘指標相關度檢測與識別預測分析根因分析.模型參數管理模型運行管理模型替換通用AI算法庫AI模型管理AI模型按時間維度匯聚按對象維度匯聚按屬性維度匯聚按路徑維度匯聚匯聚算法訓練模型管理AI訓練

56、算法庫數據檢索樣本管理ETL本地訓練IP自動駕駛網絡白皮書運維工作流的設計環境，將原子 API 組裝起來，滿足特定運維場景下的一個閉環操作；同時提供了新建工作流的調測環境，方便用戶在線跟蹤、調試、修改，加速工作流的開發與上線效率。設計態流程引擎是一套工作流執行框架，負責流程調度、流程狀態管理、動作執行調度等。下發執行模塊是按流程引擎給的指令，實際履行動作的下發執行。流程實例管理模塊用于管理已經生成的流程實例，便于查詢并可針對指定實例進行重試和回滾。運行態流程編排引擎：通過 Low-Code 的方式提供圖形化設計編排能力，拖、拉、拽編排網絡原子接口，實現各類業務邏輯、工作流程、參數傳遞的在線可視

57、化編排，自動生成 UI 界面及 API 接口。支持參數映射式（北向接口下發）及事件觸發式（網絡事件觸發）兩種工作流，匹配業務自動下發場景及運維自動化場景。例如：業務自動開通的流程一般是配置下發前檢查網絡狀態、執行資源沖突檢測，配置下發后執行業務連通性檢測、告警核查等任務；而有的場景需要在業務下發成功后開啟自動檢測任務、定期巡檢任務等。23執行Run bookDryrun仿真記錄下發運行態編排層原子接口層設計態BGPSRv6IGPVPNBGPZTPManualSRv6IGPVPN任務喚醒：網絡智能體深植于網絡運維系統，可提供人機交互與機機交互兩大接口。在人機交互中，自然語言對話成為最自然的溝通橋

58、梁，用戶通過對話的方式提出問題，由AI Agent調用大模型進行意圖理解和回復。同時，IP高清網絡數字地圖中存在多種網絡數據，AI Agent能夠主動推送和呈現網絡問題，針對不同的對象和場景，還可以自動推薦相關的操作，用戶可根據需要進行交互，交互信息還會通過AI Agent傳給大模型，由大模型來決策和編排執行。機機交互則側重于網絡中的告警事件，這些事件會自動觸發大模型交互，通過內置流程或告警事件傳入AI Agent。通過在外部增加觸發器和意圖識別模塊，讓系統能夠通過告警日志和周期性檢查規則主動發現問題、動態生成解決方案并執行完成閉環。244.4 網絡智能體網絡智能體整體框架：網絡智能體由網絡大

59、模型、執行引擎、任務管理和數據飛輪組成，架構如下圖所示。大模型任務管理多維度任務喚醒執行引擎交互高清網絡數字地圖用戶定義任務規劃智能調度參數校驗告警觸發器客制化適配定時/周期執行后置處理智能中斷智慧通知系統內置告警事件任務創建/修改未知任務編排參數提取下發數據飛輪接入IP自動駕駛網絡白皮書25任務管理：是網絡智能體的核心層，支持多產品注入各自的場景描述，配置，從而實現多產品場景擴展。隨著智慧體功能的增多，調用的工具數量也在不斷增加，任務更加復雜，需要通過任務管理框架實現對復雜任務的拆解與編排，實現感知、理解、任務分解、反思、工具執行自閉環，大幅提升網絡大模型在復雜場景的能力上限。執行引擎：是網

60、絡智能體的基礎組件，能夠為主動式運維提供核心能力，支持一次性任務與周期性任務的執行，提供立即執行與延時執行選項。執行引擎上午高并發、高可靠與橫向擴容能力能夠確保任務執行的流暢與高效。任務執行前后，引擎還負責業務參數校驗、后置處理喚醒、智慧通知與異常告警，全方位保障客戶的使用體驗。網絡大模型：學習和理解了百億級的IP數據通信領域知識后，大模型能夠精準理解用戶意圖，通過智能語言交互提升交互效率，使得IP網絡業務知識回答準確率顯著提升。運維人員還可以通過大模型智能分解復雜任務，提升網絡運維效率數十倍。通信大模型的自適應學習能力使其能夠根據網絡環境的變化不斷調整和優化，進一步增強了網絡的智能化水平?；?/p>

61、于通信大模型整體提高IP網絡的穩定性和可靠性，還能極大地降低運維成本，提高運維效率。數據飛輪：是一個自我強化的循環過程，在獲得客戶授權情況下，通過數據的積累和利用，不斷推動業務和運營的改進。問題與答案經過回收和人工核查后，轉化為用于微調訓練的SFT數據，網絡大模型經過SFT優化后，通過打分模型進行自動評測，確保優化后的模型能夠迅速部署到系統中，形成持續的優化閉環。265.1 網絡建設場景與解決方案隨著企業數字化轉型進程提速，產品創新的迭代周期顯著縮短，應用上線和投產、變更越來越頻繁。企業數字化轉型帶來的云化服務，對運營商提供傳統 2B 業務連接也提出了新的要求，從簡單的連接型服務轉為更復雜的數

62、字化平臺服務，以在與 OTT 的競爭中形成差異化優勢。然而，傳統的網絡及 IT 系統架構往往面臨諸多挑戰，難以迅速適應這種轉變。為了解決這一問題，引入網絡業務自動化 AI Agent 成為了一個切實可行的解決方案。IP自動駕駛網絡應用場景5運營商/用戶IP 網絡意圖管理業務開通意圖管理感知網絡多維感知分析業務參數分解決策業務開通仿真執行業務開通與保障網絡業務自動化 AI Agent業務開通意圖業務開通結果網絡孿生體業務孿生體資源管理網絡參數分解業務自動開通業務路徑規劃配置自動生成業務配置仿真業務流量仿真網絡影響評估配置自動下發業務SLA驗證業務自動保障IP自動駕駛網絡白皮書27網絡業務自動化

63、AI Agent 以業務為中心，解決了業務自動化面臨的挑戰。通過大模型理解業務開通的自然語言，實現對話式運維，極大方便了用戶的理解和使用，實現業務開通意圖自動理解，網絡參數自動分解，業務開通自動化，業務保障智能化，應對客戶任意的意圖開通訴求，實現業務 TTM 周期縮短至天級，上線周期縮短了 80%。網絡業務自動化 AI Agent 能夠實現業務開通工單的自動對接，自動理解網絡業務發放意圖，自動分解網絡對象與參數，實現業務仿真驗證與業務發放，提供一體化端到端的業務自動發放能力。運維用戶可以通過自然語言向大模型智能體描述業務開通的具體訴求，包括源宿網元、帶寬時延等 SLA 約束、業務主備保護等可靠

64、性要求。而業務意圖管理模塊能夠自動理解業務開通訴求，并將其轉成統一業務模型，確保后續操作的準確性和一致性。業務開通意圖管理基于網絡數字地圖的數字孿生體信息，AI Agent 自動分解與分配業務涉及的 VPN、隧道、Qos 策略、路由策略、VLAN、IP 地址等網絡資源參數，以及提供業務路徑規劃推薦算法，輸出跨區域、跨異廠商的路徑導航規劃，并自動推薦配置方案。數字地圖全息可視與業務參數智能分解基于分解的參數生成的配置執行仿真驗證，自動分析業務開通后對網絡流量、網絡影響等評估，確保業務穩定性。業務開通仿真基于分解的業務模型與參數，AI Agent 能夠調用高性能高可靠的自動化引擎，實現多廠商設備網

65、絡的業務開通。業務自動化開通業務開通后，AI Agent 會自動創建業務保障模型，持續監控業務與 SLA 質量。當網絡發生故障或承載業務的鏈路質差時，它能夠實時定界定位到影響的業務，并自動優化以保障業務的 SLA。業務自動保障28自動化引擎是一個模型驅動的可編程框架，具有良好的可擴展性，是實現多廠商業務自動化的關鍵部件。它支持快速完成設備納管后配置的自動獲取，并生成網元級別的原子 API；同時支持基于 YANG 自定義業務模型，并生成網絡業務 API。自動化引擎中的 Easy Mapping 框架可通過內置的分解、編排、計算、回溯算法，自動將網絡業務分解成網元配置，最終映射到網元級別的原子 A

66、PI。技術一：模型驅動的業務自動化引擎關鍵技術PortalOpen API原子API華為SND三方設備SNDEasy MappingYANG ModelYANG ModelYANG SchemaYANG文件YANG DataEasy Mapping 算法YANG DB自動化引擎具備如下能力：系統可以根據加載的軟件包中定義的業務模型和設備模型自動生成北向接口，其中北向接口包括 CLI、Restconf、WEB UI；還可以根據軟件包中定義的設備模型自動生成南向協議報文，包括 NetConf 協議報文；同時也支持模型驅動的數據庫，根據 YANG 模型自動生成數據庫表項。業務管理可以根據業務 YAN

67、G 模型自動生成業務創建界面，配合其與設備 YANG 模型之間的映射關系實現業務的 CRUD 操作。設備管理可以根據設備 YANG 模型自動生成網元管理界面，實現差異對比、數據同步、配置對帳等網元資源的 CRUD 操作。北向接口可以根據業務 YANG 模型和設備 YANG 模型自動生成北向 Restconf 接口，配合兩個模型間的映射關系實現業務和網元資源的 CRUD 操作。高可靠性機制：具備配置事務、配置校驗、配置回滾等能力，可有效保障配置正確性。IP自動駕駛網絡白皮書29技術二：業務自閉環保障意圖閉環遵循 IETF 標準 SAIN（Service Assurance for Intent-

68、based Networking Architecture）架構，提供端到端的意圖保障解決方案架構，SAIN 是其中的意圖引擎部件，還包括自動化引擎、分析引擎、網絡數字地圖。解決方案包括四個部件：意圖保障引擎：負責意圖監控和保障，支持意圖的健康度監控和閉環自動化引擎：負責意圖的自動化，支持模型驅動開放能力，多廠商自動化能力分析引擎：負責意圖的業務和網元指標計算，多廠商性能指標采集能力高清網絡數字地圖：負責構建網絡數字孿生能力，其中的數據包括北向用戶的意圖數據和從設備上同步的現實網絡數據用戶基于自動化引擎執行業務意圖，通過網絡數字地圖引擎持續持續感知物理世界的狀態，通過分析引擎采集和分析網絡關鍵

69、性能指標，通過意圖保障引擎持續感知業務 SLA 健康情況，并分析決策執行閉環處理，調度自動化引擎執行閉環動作?；谝陨祥]環流程，最終滿足用戶的業務意圖 SLA 可持續保障閉環。意圖保障引擎網絡數字地圖基于意圖的業務保障華為主導的業務保障標準架構業務意圖保障開放編程實現 SIA（業務影響分析）,RCA（業務根因定位）業務意圖性能開放編程，實現業務SLA（服務等級協議）可分析實時感知網絡拓撲、狀態,利用率,SLA（服務等級協議）仿真,AI 和 高性能數據計算框架分析引擎業務和資源性能實時的數據開放，豐富全面的分析和高效數據采集，并覆蓋三方網元使用TWAMP和Y.1731對端到端延遲、報文丟包和抖動

70、進行監測和分析 自動化引擎模型驅動開放編程編寫業務映射邏輯，自動化生成回滾、預覽，北向接口和界面自動化感知配置沖突，快速一鍵修復高效的自動化部署效率IP網絡意圖保障引擎的核心目標是確保業務意圖按照預期運行，并在出現問題時迅速定位根因。該方案在運行時會通過構筑業務保障樹，將復雜的業務意圖分解為多個子業務實例，進而細化為可獨立監控的子業務單元。當服務降級時，意圖保障引擎將為每個服務實例關聯來自特定子服務的癥狀列表，從而定位問題所在。意圖保障引擎不僅可以幫助將服務降級與網絡根本原因/癥狀相關聯，還可以推斷受組件降級/故障影響的服務實例列表，指導操作團隊關注重點。305.2 網絡維護5.2.1 網絡變

71、更場景與解決方案80%以上的 IP 網絡為多廠商設備插花組網，即便是同廠商設備，也存在設備型號和版本差異的問題。此外，網絡設備上多種協議混合并存。這種軟硬件的復雜性帶來了網絡可視化這一業界難題，不僅如此，網絡中一個細小的路由配置錯誤都可能存在很廣的波及面，對運營商造成巨大的經濟損失，中斷時間越長，運營商承擔的額外成本就越高。IP 網絡變更經常因為斷點多、耗時長、人為配置錯誤等問題而導致事故頻發。網絡變更 AI Agent 引入大模型和仿真技術來重塑網絡變更模式，通過變更配置自動生成、配置自動核查、事前仿真驗證、變更配置下發和網絡驗證自動化等手段實現網絡變更的自閉環?；谧匀徽Z言交互，通過語言大

72、模型識別用戶網絡變更意圖，基于網絡變更專家知識庫學習自動生成網絡操作工作流。網絡變更意圖管理運營商/用戶IP 網絡意圖管理變更意圖管理感知數字地圖全息可視分析配置自動生成決策配置仿真驗證執行開放可編程框架網絡變更 AI Agent網絡變更意圖網絡變更結果反饋同步網絡配置同步現網流量同步網絡路由網絡負載影響分析變更工作流自動生成業務流量影響分析變更配置自動生成配置變更仿真關鍵流量仿真影響對象影響評估變更配置自動下發網絡影響自動驗證業務影響自動驗證IP自動駕駛網絡白皮書31數字地圖作為 IP 網絡和業務數據智能孿生體，自動同步網絡配置、現網流量、網絡路由，自動將網絡拓撲-分片-路由-隧道-VPN-

73、應用各個層次數據深度融合，實現任意層次關聯可視。數字地圖全息可視基于通信大模型，對變更業務場景涉及的 IP 通信知識、配置知識庫、業務配置腳本模板庫、典型變更配置操作指導進行訓練和微調，自適應生成配置腳本。配置自動生成基于網絡變更配置自動生成新的鏡像網絡，自動化對比變更前后鏡像網絡，自動生成路由、隧道路徑、流量負載的變更影響性評估報告，基于數據飛輪增強大模型進行配置校驗，提前識別錯誤配置，輸出配置錯誤根因分析。配置仿真驗證支持多層次的在線可編程能力，為客戶提供低碼可編程、持續在線、多廠商的工作流編排引擎，支持業務流程的自定義編排，為客戶提供自定義網絡變更配置下發和業務驗證流程編排能力。開放可編

74、程框架關鍵技術技術一：網絡意圖理解與配置自生成基于網絡配置意圖，生成配置/變更腳本，其涉及以下關鍵技術：通信大模型與配置語法模型協同配置生成：如果直接讓通信大模型生成配置，那么會難以掌握多廠商、不同設備款型和版本差異。因此，需要將設備款型粒度的知識精細地存儲在配置知識庫里，以便于實現配置知識的款型隔離與橫向擴展。而通信大模型則負責掌握網絡配置領域的通用知識，根據運維工程師輸入的網絡配置意圖，以及從配置知識庫中檢索到的設備款型粒度的配置知識，完成配置的特性選擇與參數提取，生成結構化數據，最后由配置語法模型生成最終配置。配置知識檢索：基于網絡配置意圖，檢索出關聯度最高的配置知識，作為通信大模型的輸

75、入。配置統一建模：定義IP網絡統一配置模型，包含配置模板（配置語法、視圖、參數約束等）和語義（功能描述、配置樣例、典型使用場景說明等）信息。將不同廠商的配置模型都映射至此，通信大模型與配置語法模型可以統一使用配置知識。12332采集周期性數據專家使用仿真工具專家提供策略工程師現網實施專家分析仿真結果技術二：高精度在線仿真算法網絡仿真按照場景分為兩大類：非實時的離線仿真和實時在線仿真。離線仿真主要應用于長周期的網絡活動，例如網絡規劃、網絡優化和網絡預防等；使用離線仿真工具可以輔助專家驗證策略有效性，減少現網實施風險。這類仿真的特點是頻次較低，對實時性的要求不高。配置知識庫配置渲染配置語法知識網絡

76、配置意圖網絡配置特性選擇&參數提取配置語義知識盤古大模型跨廠商CLI統一建模A廠商手冊B廠商手冊C廠商手冊配置仿真IP自動駕駛網絡白皮書33在線仿真主要應用于網絡故障處理、網絡應急恢復以及實時性要求較高的網絡變更。隨著網絡自動化程度的提高，諸如故障處理等業務的閉環周期需要實現分鐘甚至秒級的要求，實時在線仿真模型能夠有效解決這一問題。在線網絡協議仿真系統的主要目的，是以網元配置數據為基礎，模擬設備路由協議的行為，從而精準生成網元協議路由表，全局路由表，并在此基礎上，以路由表項為基礎，展開分析，最終完成對網絡影響分析的驗證。仿真服務需具備如下能力：多廠商：支持主流廠商聯合仿真。增量：基于增量配置（

77、如：配置命令行片段）仿真，提前識別配置變更后對路由，流量路徑，鏈路負載等的影響。路由協議仿真：模擬路由控制面協議行為，仿真生成各網元各協議的鄰居狀態、協議路由表、全局路由表/標簽表/Tunnel 表等詳細信息；支持 20+主流路由協議仿真。流量仿真：基于路由表、標簽表，模擬設備轉發面行為建模，完成業務流的端到端路徑計算；然后基于路徑計算結果將流分攤到物理鏈路上，形成仿真后的全網負載地圖。實施策略驗證結論驗證策略仿真服務自動生成應對策略主動感知異?；蛘埱缶W絡實施123434在網絡驗證階段，運維人員首先定義網絡驗證意圖和規則，然后在系統對網絡進行嚴格的意圖驗證和閉環，高效校驗網絡問題，輸出驗證報告

78、。網絡驗證規則如下：全網聯通性驗證：可以驗證二層/三層流量互通能力和二/三層流量路徑連通性。全網環路驗證：從一個端口進入/離開這個設備的報文，經過網絡轉發再次由這個端口進入/離開設備，則該報文所途徑的端口序列存在路由環路。全網黑洞驗證：路由黑洞指當前網元從其他網元收到但在本網元沒有轉發出去的路由。技術三：網絡驗證算法網絡服務驗證規則驗證報告Forward Tables(FIB/ARP/MAC)網絡數字孿生SolverPre-verificationPost-verificationConfig+ConfigQueryProcessor12數據面驗證算法01123IP自動駕駛網絡白皮書傳統 IP

79、 網絡的故障感知主要依靠告警、流量、路由等信息，感知手段有限，無法覆蓋所有的故障場景。針對硬件類、轉發類、協議類等異常問題亦缺乏有效的感知手段，無法主動預防，大部分隱患問題錯過前期的排查時間，直到業務受損，收到客戶投訴后才感知故障。以靜默故障為例，故障發生時沒有顯式的告警通知，系統無法感知故障并進行相應的故障保護動作，比如轉發表項無效、芯片軟失效、硬件 I/O 接口故障或者軟件缺陷導致的轉發丟包等。此類故障發生后，傳統運維模式無法進行相應的快速干預。同時，IP 網絡復雜，業務層次豐富，經常出現一個故障就可以引起上層眾多業務故障，從而引發告警風暴發生，運維人員很難從海量告警中，分辨出要處理的故障

80、根因，嚴重影響了故障處理的效率。面向 IP 網更復雜的網絡、更廣泛的連接、更高的運維訴求，運維人員希望在故障發生、資源超限前，對網絡存在的風險提前感知、主動預防，故障發生后能快速、精準地定位到故障位置和根因，及時排除網絡隱患，降低業務受損影響。網絡故障 AI Agent 通過引入通信大模型自動學習網絡故障經驗案例和專家經驗集，打造故障自閉環數字“專家”，實現故障自診斷自閉環。5.2.2 網絡故障場景與解決方案35運營商/用戶IP 網絡意圖管理網絡故障自修復感知數字地圖全息可視分析配置自動生成決策配置仿真驗證執行開放可編程框架網絡故障 AI Agent監控排障意圖監控排障結果反饋網絡孿生體業務孿

81、生體網絡健康度監控隨流診斷定界排障工作流自動生成群障事件聚合故障根因自診斷修復配置生成修復配置仿真關鍵流量仿真影響對象影響評估故障處理建議故障自動修復數字地圖作為 IP 網絡和業務數據智能孿生體，同步網絡和業務數據，生成網絡鏡像，疊加 IP 網絡靜默故障檢測的健康度數據，自動識別質差業務和故障對象。數字地圖全息可視對故障產生的告警基于 AI 智能分析各個故障的內在聯系，生成故障傳播圖并智能定位出根因故障。針對靜默故障主動監控網絡健康度數據（表項信息、SLA 性能數據、狀態變更），感知故障并基于 AI 智能分析根因。對質差類故障基于高精度 SLA 檢測技術，隨流診斷定位到質差的根因。針對根因故障

82、，基于通信大模型學習的故障排障經驗知識庫生成根因故障的自然語言式排障思維鏈，并基于排障步驟自動生成故障修復的工作流，包括故障對象識別、故障根因診斷、修復配置生成、配置下發和網絡驗證。故障根因分析基于通信大模型，對常見故障修復配置 API、故障修復配置 CLI 模板、典型故障維護寶典進行訓練和微調，基于數據飛輪增強大模型實現配置校驗，自動生成修復配置（故障修復原子 API、故障修復 CLI）。配置自動生成基于修復配置信息自動生成新的鏡像網絡，自動化對比配置下發前后鏡像網絡，自動生成路由、隧道路徑、流量負載的變更影響性評估報告。配置仿真驗證36支持多層次的在線可編程能力，為客戶提供低碼可編程、持續

83、在線、多廠商的工作流編排框架，支持業務流程的自定義編排，為客戶提供自定義故障修復配置下發和業務驗證流程編排能力。開放可編程框架關鍵技術技術一：高精度SLA檢測技術網絡數字地圖采用隨流、逐包檢測達到高精度和高準確率丟包檢測，采用 Telemetry 逐跳實時上報實現微秒級時延檢測精度，采用大數據分析及 AI 算法高效聚類網絡群障，提升業務感知。IP自動駕駛網絡白皮書隨流檢測：直接檢測報文，真實反映路徑及時延信息。支持多種維度的業務檢測，如：自識別流，自定義流（五/二元組），VPN 業務。逐包檢測：對每個報文逐個檢測，精確捕獲海量數據中的細微丟包。逐跳診斷：自動觸發質差流逐跳診斷，可回放歷史路徑，

84、逐跳 SLA 檢測，關鍵 KPI 關聯分析。Telemetry 秒級數據采集：一次訂閱，持續數據推送，并采用 GPB（Google Protocol Buffers，谷歌混合語言數據標準）二進制編解碼，傳輸高效，隨流檢測使用 Telemetry 協議秒級采集上報給NCE 匯聚計算，在確保數據實時性的同時，可以支撐海量數據的采集處理。大數據分析：基于數據分析平臺秒級查詢，高效處理隨流檢測逐包逐跳海量數據。AI 智能分析：使用聚類算法將質差事件聚類為網絡群障，識別準確率高。ASGgNBCSGRSG時延：30s丟包率：80%隨流檢測1大數據分析3AI智能分析4Telemetry秒級采集2網絡數字地圖

85、37技術二：基于AI的故障根因分析算法在自研的流式框架中引入 AI 算法，將告警進行時間、拓撲維度的實時聚類和根因事件識別，計算各個故障的內在聯系，生成故障傳播圖并智能定位出根因故障，減少運維人員對無效事件和衍生事件的處理，提升故障處理效率。獲取網絡告警，根據告警數據的時間、空間等維度挖掘統計特征，得到一份基于告警的高維數據集。數據獲取和處理支持在線增量訓練能力，每天凌晨對前一天的告警進行迭代訓練，優化聚類模型，增強模型的泛化性，并可識別未知故障，越學越聰明。在線訓練故障生成后自動啟動診斷，或手工啟動重新診斷后，提供故障根因識別的詳細過程和排查建議。故障診斷實時進行告警聚類和故障根因識別，根據

86、簇距離將分散的告警聚合成多組不同故障，并壓縮閃斷、重復故障。NCE 采用流式聚類框架，對實時告警進行聚類推理、根因告警識別?；谀Ｐ椭袑W習到的告警傳播關系、故障成熟時間，并結合實時的網元間的拓撲關系，實現將有相關性的告警聚合為一個故障，并根據預置的專家知識和智能算法找出根因告警，達到成熟時間后輸出最終故障，支撐精準派單、故障修復。將有相同故障名稱、發生對象、原因、狀態的故障合并呈現（即將相同故障位置在不同時間發生的相同故障進行歸并），以減少重復故障的影響。在線推理abEvent聚類推理關聯模型更新有關聯結果更新故障傳播圖查故障傳播圖推理每天0點當天所有Event與該項目累積Event進行累加重

87、新推理關聯模型（項目級）特征自動提取NN訓練模型根因在線增量自學習，越用越聰明Events4279.42.51.01.0478404509L3V_TRAP_VRF_DOWNIF_FLOWDOWNOSPF-NBR_CHGLDP_TUNNEL_DOWNLOSPORT_PHYSICAL_UPLOS_RSUMEPORT_PHYSICAL_DOWN38IP自動駕駛網絡白皮書技術三：基于通信大模型故障自診斷作為人工智能領域的一項突破性技術，LLM（Large Language Models，大語言模型）為 IP 通信領域帶來了新的故障解決方案?；诖罅抗收显\斷案例，訓練通信大模型具備故障大腦能力，完成自診

88、斷閉環。通信大模型將診斷步驟和條件判斷抽取成原子能力和邏輯分支，并完成對階段的可行性校驗；API 識別通過通信大模型的反思優化節點間的關聯，按 COT 的方式組裝故障思維鏈，并自主融合、補全、完善；思維鏈生成通信大模型結合領域知識理解網絡故障排障流程的自然語言描述，使能通信大模型對診斷流程和邏輯分支建模；知識注入多源輸入業務故障識別故障自診斷故障修復Topo、業務路徑Topo特征Config.Config.特征SLASLA特征Alarm/EventAlarm/Event特征特征融合根因診斷故障修復方案生成故障修復自驗證故障聚類與識別多頭特征提取ToolformerCVGPTDiagnoseCh

89、ainGNN395.3 網絡優化場景解決方案運營商網絡環境復雜，網絡中經常存在鏈路流量擁塞導致用戶業務體驗差，從而導致運營商的用戶頻繁投訴、用戶離網率升高問題。企業網絡每天的流量模型中流量波峰呈現規則性，期望提前進行調優以避免丟包。IP自動駕駛網絡要幫忙運營商與企業解決網絡擁塞，實現網絡流量趨勢預測，基于預測進行流量調優自動疏導，并能主動給出網絡擴容建議，提升運營商與企業的業務高質量體驗。IP 網絡優化 AI Agent 通過采集網絡中流量與時延等 SLA，利用大模型進行趨勢預測，實現全自動化預測式流量調優，確保網絡永不擁塞，業務零丟包，及時疏導流量，精準擴容，以極致體驗保障。運營商/用戶IP

90、 網絡意圖管理網絡自優化感知數字地圖全息可視分析網絡數據預測決策網絡優化決策執行網絡優化執行網絡優化意圖網絡優化AI Agent網絡優化結果反饋性能實例配置網絡流量采集網絡SLA采集網絡流量預測基于流量/SLA預測自動調優網絡SLA預測網絡大模型推理預測數據決策越限調優決策網絡影響評估越限流量調優調優路徑變更擁塞精準擴容數字地圖作為 IP 網絡和業務數據智能孿生體，同步網絡路由和業務數據，采集網絡流量、SLA 性能數據，生成網絡實時和歷史鏡像數據，作為網絡預測數據輸入。數字地圖全息可視基于對業務場景涉及的通信知識、網絡流量/SLA 歷史數據進行訓練、AI 學習和微調，精準預測整網鏈路、業務未來

91、的流量/SLA 數據。網絡數據預測40IP自動駕駛網絡白皮書關鍵技術技術一：多因子云圖算法基于時空圖周期預測未來時刻的數據，結合網絡鏈路的越限閾值自動決策是否需要進行網絡優化，自動生成調優策略以及優化對網絡性能數據影響性評估。網絡優化決策結合云圖智能調優的全自動調優功能，系統會根據自動生成的調優策略執行流量預先疏導，以實現全網流量最優。如果流量擁塞無法疏導，網絡優化意圖通過在線生成高精度的鏡像網絡，結合預測流量流速的調整，自動生成鏈路擴容建議以及評估意圖變更的影響。網絡規劃部門從而可以更準確地評估鏈路的擴容需求。網絡優化執行網絡數字地圖的多因子云圖算法通過 BGP-LS 協議獲取整網的拓撲和帶

92、寬資源，對整網的隧道進行統籌管理和路徑計算?？梢詾楦邇炏燃壍乃淼烙嬎阕顑灥穆窂?，低優先級的隧道計算合適的路徑，滿足不同隧道不同優先級不同 SLA 的訴求，做到整網帶寬利用率最優。網絡數字地圖基于圖論和運籌優化理論構建云圖算法，其中圖論主要用于解決多因子路徑計算問題，運籌優化理論主要用于解決網絡流調度問題。網絡流調度問題可以建模成線性規劃問題進行求解，但由于不可能把網絡中兩點之間的所有可行路徑都窮舉出來進行建模，因此采用列生成方法來增量地計算可行路徑。其中涉及到的關鍵技術包括：多因子路徑算法云圖算法中的多因子路徑算法由一系列解決特定問題的原子算法構成算法編排框架，這些原子算法包括圖論中的最大流最

93、小割、圖匹配、圖搜索、旅行商等經典問題以及拉格朗日松弛、子梯度優化等經典優化方法?？梢愿鶕I務實際配置的約束因子將多個原子算法靈活組裝成對應的多因子路徑算法，滿足不同場景的業務訴求。約束因子分為單點約束因子和 E2E 約束因子，單點約束因子指單個節點或鏈路的約束，比如帶寬、親和屬性、顯式排除、丟包率、誤碼率等；E2E 約束因子指的是端到端路徑的約束，比如顯式包含、時延、跳數等。多因子路徑算法不僅解決了單點約束因子問題，還解決了 E2E 約束因子的 NP 難問題。高性能大規模線性規劃求解器云圖算法中的線性規劃求解器是基于網絡流優化問題典型特點進行設計開發的，支持增量求解，無需每次從頭求解，極大地

94、提升了求解性能。41技術二：流量與SLA趨勢預測流量和 SLA 預測包含兩類預測，一類是長周期預測，給出流量和 SLA 未來 1 個月到半年的變化趨勢，主要用于網絡規劃；一類是短周期預測，給出流量和 SLA 未來幾個小時到一天的變化趨勢，主要用于網絡調優?；诹髁亢?SLA 預測的網絡優化，能夠解決實時調優的調優滯后性問題，可以在指標劣化之前就能及時得到避免。實時調優的滯后性問題是：當流量出現了擁塞才會進行調優，實時調優為了避免流量擁塞造成業務受損，通常會設置一個調優門限，以此來避免數據采集到調優這段時間流量變化不會突破鏈路物理限制，但是這樣就會造成鏈路帶寬不能得到充分利用。有了預測調優之后，

95、這個限制就不會存在了。為了符合預測調優的訴求，要求流量預測的準確度必須達到 90%以上，需要在 2 個小時完成整網 1 天的小顆粒度量數據預測。因此引入了基于時空的預測大模型，其流程框架如下：輸入數據：包括過去一周的鏈路流量、時延、狀態，隧道的流量、時延、路徑等信息。STGNN 時空預測大模型：主要步驟有數據特征提取，空域依賴學習，時域依賴學習，時空依賴融合，最后通過解碼系統預測數據輸出；輸出數據：包括未來一天的鏈路流量、時延、狀態，隧道的流量、時延、路徑等信息。123輸入數據輸出數據STGNN時空預測大模型鏈路流量/時延鏈路狀態隧道流量/時延隧道路徑全網流量預測隧道流量預測空域學習模塊拓撲建

96、模算法輸出層時空域融合模塊時域學習模塊42IP自動駕駛網絡成功實踐6SPN 移動承載網絡 5 萬多的龐大規模，加之復雜的協議體系，網絡運維難度呈指數級增長，運維成本居高不下。截止 2023 年底，廣東公司不僅擁有全國最多的移動用戶數量，還管理著復雜度最高的一張網絡。目前，其移動用戶數量超過 1.4 億，基站數量超過 50 萬，每天告警量超 100 萬。面對著跨域、跨廠家的故障協同處理，耗時長，往往需要多專家聯合處理，且處理過程高度依賴專家技能和歷史經驗。然后，故障診斷流程中存在諸多斷點，故障修復過程中的上站核查環節存在大量重復性工作，導致運維成本居高不下。如何減少網絡故障對終端用戶體驗的負面影

97、響，實現網絡故障的自動化閉環，減少對專家經驗的依賴，并減少運維人員面向多系統數據和多現場工程師的復雜交互，從傳統運維到自智運維發展，提效降本是當前廣東移動網絡運維面臨最大的挑戰。6.1 廣東移動Net Master FME Copilot應用實踐業務挑戰廣東移動聯合華為，共同啟動了基于 Net Master 打造的 SPN 移動承載網絡運維數字專家的創新實踐。華為 Net Master 基于網絡數字地圖豐富的 API，構筑了“一圖一腦”的整體方案架構。并基于華為盤古大模型進行增量訓練，依托智能網絡的融合感知能力提供豐富的網絡 KPI 數據。該方案顛覆了網絡運維模式，貫穿了資源核查、業務使能、故

98、障識別、診斷分析、修復閉環的網絡運維全流程。解決方案一腦一圖智能網絡Net Master 數字運維專家網絡數字地圖數通高質知識（語料、API、RecipeRAG）AI Agent（感知-決策-執行-反思）決策推薦（COT、SFT）自動巡檢Topo管理故障處理智能決策：隱患分析、根因定位融合感知：隨流檢測、毫秒級個光功率，芯片KPIIFIT大容量單板智能光模塊智能芯片助理小屏IP自動駕駛網絡白皮書43方案價值大模型內置專家經驗，在線推理解決網絡運維的疑難問題：在處理復雜網絡問題時，傳統運維方式往往高度依賴專家經驗，NOC 專家一般是基于系統 GUI 進行操作，但復雜問題往往涉及到成百上千的圖形用

99、戶界面，專家的學習門檻高，操作復雜性高。Net Master 可以系統理解用戶意圖，利用大量的網絡專業知識和海量的網絡數據，結合華為特有的網絡隱患排查、故障處理等運維經驗，訓練出適用于 SPN 移動承載網絡的大模型。這一模型能夠通過意圖化 API 自動調用或生成，結合在線主動推理復雜故障根因及知識問答，快速定位網絡疑難問題，并提供準確的修復建議。對話式運維，飛躍式提升作業效率：E2E 的故障處理流程中，傳統方式存在大量的流程斷點和外線作業人員與 NOC 中心的溝通交互，業務處理自動化程度低。而 Net Master 這一數字專家可以打通流程斷點，實現人機的 7*24 小時實時交互，大幅提升故障

100、處理的自動化水平，并提升外線作業人員的新型交互體驗。賦能企業員工，增強員工效率：從傳統的工單/系統界面流轉和專家經驗會診，到智能生成終極答案，Net Master 為每座城市創造了 130+數字員工，日常維護資源核查效率也從 15 分鐘提升至 10 秒，極大地提升了員工的工作效率。E2E 工作流大閉環，運維效率&客滿雙提升：協同上站工程師閉環“故障修復最后一公里”，實現NOC 和站點工程師的資源自閉環，降低了 NOC 及站點工程師的重復性工作。極大提升了 FCR(First Contact Resolution Rate，首次呼叫解決率)，MTTR（Mean Time To Repair，平均

101、修復時間）從 2 小時縮短到 20 分鐘。Net Master 能夠精準理解業務開通意圖，實現資源核查、接入站點推薦、業務配置自動化的閉環，將 TTM（Time To Market，業務開通時間）從周縮短至小時級，極大地提升了運維效率和客戶滿意度。44IP 網絡承載大量的跨地市，跨省甚至跨國的語音和數據業務，哪怕單臺設備上一個微小的配置失誤，都可能在網絡中引發“蝴蝶效應”，造成成千上萬用戶的業務故障。由于 IP 協議的復雜性以及網絡規模的龐大，管理起來異常困難。在執行配置操作前，我們往往難以全面預測其對業務的影響。盡管網絡割接前會依賴人工經驗核查腳本，但最多只能發現 90%的配置問題。在復雜的

102、網絡場景下，配置錯誤幾乎無法完全避免。因此，我們需要更加智能和高效的方法來管理和配置 IP 網絡，以減少潛在的風險和損失。6.2 廣東電信網絡數字地圖配置仿真驗證實踐業務挑戰針對上述挑戰，廣東電信聯合華為，基于華為 iMaster NCE-IP 網絡數字地圖，首創云網預知系統，這是業界唯一的高精度、輕量化在線仿真平臺。該系統故障預防準確率超 90%，有效實現錯誤不入網，為網絡的穩定運行提供堅實保障。解決方案業界首創云網預知系統，實現事前仿真、事后驗證，消除人為差錯生成鏡像網絡導入變更配置輸出仿真報告云網預知系統高精度仿真服務CPV/DPV驗證算法網絡數字孿生：實時態+仿真態業界廣東電信在線設計

103、實時仿真網絡驗證業務部署語法校驗失敗校驗預知路由預知流量1234離線仿真在線仿真離線、不準、業務流不可視實時、準確、基線鏡像網絡多層可視鏡像鏡像現網IP自動駕駛網絡白皮書45方案價值高精度：相比于傳統的離線配置仿真工具，該平臺依托華為新一代 CMOS 仿真算法，基于網絡數字孿生技術，實時網絡配置、流量以及路由等信息的同步，精準生成每臺設備明細路由表，構建覆蓋全部 IP 協議的網絡級模型，實現 1:1 的高精度仿真。輕量化：輕量化的設計使得 6000 網元級規模僅需一臺虛擬機，相比業界其他方案，資源消耗降低1000 倍。云網預知仿真系統上線后，成功完成 10+次現網的高風險操作仿真，提前識別路由

104、環路、流量不通、繞路等隱患，現網操作后的結果與仿真結果完全一致，為網絡的安全可靠運行提供了堅實保障。在全國運營商市場，每年有大量變更操作，使用云網預知系統可以潛在預防 10 億級的經濟損失，提升 90%的網絡運維效率。同時，該方案具備普適性，后續可在全國范圍推廣復制，在保障電信網絡安全運營的同時對運營商邁向高階自智網絡起到強有力推進作用。46針對云網場景，傳統運維面臨著諸多挑戰：依賴人工流轉協調云和網的端到端工作流，不僅存在流程斷點多的問題，更導致了業務開通周期長，故障優化過程繁瑣復雜，以及一次性解決問題的效率低下等問題，使得業務的服務體驗保障成本極高。6.3 聯通研究院云網自智分級體驗實踐業

105、務挑戰中國聯通選取云聯網的典型場景，率先開展現網能力試點，對進網絡服務體驗進行了全面的測評，從云網業務的訂購、開通、到業務使能后的優化管理，中國聯通對全業務運維生命周期閉環的服務體驗能力進行了詳盡的評估。在解決方案中，中國聯通采用華為網絡數字地圖作為管控層，向下管理和控制網絡，實現對 IP 網絡資源的統一管理和調度。同時，集成自有云網協同編排與調度平臺和云網業務服務平臺，進一步實現了云和網之間的協同工作，優化了業務流程，提升了服務質量。第一步，定義目標架構：中國聯通研究院基于集團 AN 整體架構，結合網絡能力，將服務體驗能力從云網專線的訂購、開通、使用、管理四個環節，定義了 AN 服務體驗分級

106、指標，牽引中國聯通為企業上云、行業數字化轉型提供高品質的上云專線，打造 Zero-X（零等待、零接觸、零故障）的極致體驗。解決方案商業層業務層網絡層訂購1開通2使用3管理4零接觸零等待零故障數字化敏捷化智能化售前：電商化訂購售中：分鐘級開通/變更售后：客滿95%以上云網專線上網云網融合云網業務服務平臺云網協同編排與調度專業管控SLA可保障服務閉環跨域協同單域自治彈性帶寬數據配置天級-分鐘級網絡服務化、高可靠自配置/發放，5個9可靠性全域接入專線業務端到端自動開通自主執行實時感知智能城域網5G城域網本地網OTNCUII產業互聯網China169骨干網OTN聯通云/IDC云服務商MEC/邊緣云In

107、ternet業務閉環用戶閉環資源閉環IP自動駕駛網絡白皮書47第二步，標準制定：由中國聯通研究院和中國信通院聯合牽頭，聯合華為等產業伙伴，將云網專線服務體驗從訂購、開通、使用、管理四個環節，定義了 15 項分級評估指標和 A-AAAAA 的五個分級評估標準。第三步，現網評測：面向中國聯通云聯網（云網專線）業務場景，試點了業界首個自智網絡服務體驗解決方案分級測評，從訂購、開通、使用、管理四個環節開展了全面評估。CCSA TC610 自智網絡總體組對于中國聯通在云聯網和政企精品網場景中的實踐給予了高度評價，認為該實踐具有首創性，從測試評估到創新改進，都展現出了卓越的創新推動能力。第四步，測試結果：

108、試點評估結果全面達到 4A+，充分證明了中國聯通云聯網解決方案在提升服務體驗、優化業務流程、降低運維成本等方面的顯著成效。方案價值本次實踐牽引中國聯通專線產品邁向自智網絡高階能力，為企業上云、行業數字化轉型提供高品質的上云專線，向零等待、零接觸、零故障的極致體驗邁進了一大步，為中國聯通在自智網絡領域的發展奠定了堅實基礎，其對中國聯通各省市結合自身的商業場景，開展自智網絡試點推廣具有非常典型的案例參考價值。通過提取現網試點評估經驗，中國聯通不僅有效提升了自智網絡標準/規范的準確性，還加速了分級測評標準的制定和落地各商業場景，這在整個產業中都具有非常突出的指導意義。48IP自動駕駛網絡產業行動建議

109、7數字經濟正在推動一場前所未有的網絡變革，企業、垂直行業和消費者都對未來十年寄予厚望。工業數字化轉型賦能商業，需要敏捷、高效和靈活的 ICT 網絡解決方案，來實現深入的人機交互。面向未來萬物互聯、萬物智能的智能時代，新一代云網融合、算力、AI 大模型應用、Net5.5G 目標網絡不斷的發展演進，電信運營商將為智慧城市、能源、公共事業、AR/VR、車聯網等行業應用提供無處不在的網絡服務，促進數據在不同云、不同行業以及個人之間流動。IP 網絡作為支撐數據流通的基礎設施，不僅需要提供大帶寬、確定性時延、安全可靠的智能連接，還需要實時響應算力調度需求，保證總體資源利用最優，業務無損。IP自動駕駛網絡急

110、需系統性引入人工智能，顛覆式網絡運維升級，最終達成 L4/L5 級的自動駕駛網絡的目標就要結合自身業務與技術的特征，與產業伙伴一起推動自動駕駛分級標準、多廠商融合共管的目標架構及南向標準、北向服務化接口規范等，加速產業的升級轉型。在此我們倡議：加速產業代際定義，定義 IP 網絡自動駕駛 L4 目標，牽引產業發展方向TM Form 自動駕駛網絡雖然定義了 L0L5 的目標愿景，賦能 IP 自動駕駛網絡發展路線，但 TM Form 定義的是一個通用標準，還需要結合 IP 網絡的業務、網絡及技術特征進行細化，定義 IP 網絡自動駕駛的 L4 代際特征和成效指標，明確分級評估標準。具體來講，需要在TM

111、 Form分級框架的基礎上定義IP網絡“規、建、維、優“全生命周期的運維場景、根據運維場景分解運維流程和運維任務，細化每個運維任務的人機分工要求，形成適合 IP 網絡的分級標準。在 IP 自動駕駛網絡的分級標準的基礎上明確可操作的評估方法，這樣就可以基于分級標準實施等級評估。對運營商來講，IP 網絡的分級與評估標準不僅有助于牽引 IP 網絡自動駕駛代際的演進，也可以促進各方力量的凝聚。通過分級評估體系的牽引，可以評估網絡現網，幫助制定網絡運維升級的策略和規劃，促進商業表現。對供應商來講，在充分理解客戶需求的基礎上，為 IP 網絡數字地圖的能力規劃、技術選型提供決策依據，促進產品的持續演進。IP

112、自動駕駛網絡白皮書49加速產業標準制定，定義統一的目標架構和南北向接口標準IP 網絡從誕生之日起就具備開放的基因，很多運營商的 IP 網絡都由不同廠商的設備共同組網而成。由于不同廠商的設備提供的接口存在差異，導致很多運營商要定義企業標準，但這種私有標準從規范定義、產品開發、準入測試到網絡部署往往要經歷數月甚至數年的時間，嚴重制約了網絡的數字化進程。因此有必要通過定義 IP 自動駕駛網絡開放的系統架構和南向接口標準,以及高階智能服務標準化接口，來實現多廠商設備的融合共管,促進產業高效協同。共建網絡智能化產業聯盟，加速產業技術突破和創新實踐在邁向高階自智網絡的道路上，需要標準和產業組織、運營商、供

113、應商、科研院所、行業管理部門等全產業共同努力，共同探索，協同推動融合感知、數字孿生、AI大模型、智能決策等自智網絡核心技術突破，驅動產業技術升級；聯合探索 AN L4 商業應用場景，聚焦價值創造，實踐全流程創新，加速產業價值閉環。未來的高階自動駕駛網絡，對于運營商來講，IP 網絡代際的演進，也可以促進各方力量的凝聚。通過分級評估體系的牽引，可以評估網絡現網，幫助制定網絡運維升級的策略和規劃，促進商業表現。使能運營商使用網絡的體驗像人駕駛智能汽車一樣，方便快捷的與上層業務系統集成，為自動化和智能化商業應用提供基礎支撐，大幅提升網絡服務質量和運營運維效率。對供應商來講，通過開放的系統架構、統一的南

114、北向標準、技術突破來快速滿足客戶的需求，為 IP 自動駕駛網絡的能力規劃、技術選型提供決策依據，促進產品的持續演進,牽引 IP 自動駕駛網絡產業繁榮發展，釋放網絡潛力。50總結8IP 網絡是數字化發展的基石，向下聯接萬物，向上聯接應用，起到承上啟下的重要作用。面向千行百業數字化轉型，IP 網絡面臨著海量物聯、超大帶寬、確定性服務及安全可信等諸多新的需求。面對這些新需求，IP 自動駕駛網絡旨在構筑高度智能，閉環自智的數字運維平臺，成為千行百業數字化發展的數字底座，助力運營商從傳統的 ICT 服務向未來 DICT（ICT+DT，信息通信加大數據技術）服務轉型，為整個社會新興科技突破提供數字經濟新動

115、能。IP自動駕駛網絡白皮書51術語表9英文縮略語英文全稱中文說明AIGCArtificial Intelligence Generated ContentAI 生成內容ANAutonomous Networks自智網絡BOSSBusiness&Operation Support System電信業務運營支撐系統CLICommand Line Interface命令行視圖ChatGPTChat Generative Pre Trained Transformer聊天生成預訓練轉換器COTChain-of-thought思維鏈DFSDepth-first Search深度優先查詢DTWDigita

116、l Twin Network數字孿生網絡DICTICT（Information and Communications Technology）+DT（Data Technology）信息通信加大數據技術DSLDomain Specific Language領域專用語言FCRFirst Contact Resolution Rate首次呼叫解決率FlexEFlexible Ethernet靈活以太GDPGross Domestic Product國內生產總值GPBGoogle Protocol Buffers谷歌混合語言數據標準HSAHeader Space Analysis數據包包頭分析LLML

117、arge Language Models大語言模型MTTRMean Time To Repair平均故障恢復時間NaaSNetwork as a Service網絡即服務OTTOver The Top通過互聯網向用戶提供各種應用服務OLTPOnline Transaction Processing在線交易處理OLAPOnline Analytical Processing在線分析處理OSSOperation Support System運營支撐系統SAINService Assurance Intent-based Networking基于意圖網絡的業務保障SSPSpecific Servic

118、e Plugin Pkg業務包SNDSpecific NE Driver Pkg網元驅動包TTMTime To Market上市時間華為技術有限公司深圳市龍崗區坂田華為基地電話：(0755)28780808郵編：免責聲明版權所有 華為技術有限公司 2024。保留一切權利。非經華為技術有限公司書面同意，任何單位和個人不得擅自摘抄、復制本手冊內容的部分或全部，并不得以任何形式傳播。商標聲明 ，是華為技術有限公司的商標或者注冊商標，在本手冊中以及本手冊描述的產品中，出現的其他商標、產品名稱、服務名稱以及公司名稱，由其各自的所有人擁有。，本文檔可能含有預測信息，包括但不限于有關未來的財務、運營、產品系列、新技術等信息。由于實踐中存在很多不確定因素，可能導致實際結果與預測信息有很大的差別。因此，本文檔信息僅供參考，不構成任何要約或承諾，華為不對您在本文檔基礎上做出的任何行為承擔責任。華為可能不經通知修改上述信息，恕不另行通知。