王西點(diǎn)，王磊，龍泉，薛陽

（中國(guó)移動(dòng)通信集團(tuán)設(shè)計(jì)院有限公司，北京 100080）

1 引言

AI（Artificial Intelligence，人工智能），首次提出于1956年的Dartmouth學(xué)會(huì)。會(huì)議中，麥卡賽、明斯基、羅切斯特和香農(nóng)等共同探討機(jī)器模擬人類智慧，開創(chuàng)人工智能學(xué)科。

此后，人工智能技術(shù)螺旋式發(fā)展，多次成為計(jì)算機(jī)科學(xué)的熱點(diǎn)領(lǐng)域，并產(chǎn)生了眾多流派，如以推理和知識(shí)為核心的符號(hào)主義，以仿生學(xué)為基礎(chǔ)的連接主義，以數(shù)據(jù)為核心的機(jī)器學(xué)習(xí)科學(xué)等等。21世紀(jì)初，隨著大數(shù)據(jù)技術(shù)的出現(xiàn)，現(xiàn)有的數(shù)據(jù)分析能力得到了大幅提升，社會(huì)生產(chǎn)生活中積累的豐富數(shù)據(jù)資源，進(jìn)一步促進(jìn)了人工智能技術(shù)的突破。人工智能熱潮再次來臨。時(shí)至今日，人工智能已在多個(gè)領(lǐng)域取得巨大成功。

作為通信網(wǎng)絡(luò)優(yōu)化及運(yùn)維從業(yè)者，尤其在當(dāng)前通信網(wǎng)絡(luò)運(yùn)營(yíng)維護(hù)工作越來越復(fù)雜的形勢(shì)下，面臨著許多問題和挑戰(zhàn)。故我們不禁要問：人工智能是什么？在網(wǎng)絡(luò)優(yōu)化運(yùn)維工作中，能否借助人工智能算法來提升網(wǎng)絡(luò)優(yōu)化、運(yùn)維效率和質(zhì)量？如何利用人工智能開展有效應(yīng)用？

2 人工智能概述及在網(wǎng)絡(luò)優(yōu)化、運(yùn)維中的應(yīng)用方向

人工智能是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。作為一門交叉學(xué)科，哲學(xué)與認(rèn)知科學(xué)、數(shù)學(xué)、計(jì)算機(jī)科學(xué)、生物學(xué)、心理學(xué)、信息論等均為人工智能的研究范疇。

2.1 人工智能算法體系

從算法的角度看，體系如圖1所示。

人工智能技術(shù)范圍廣泛，所有智能化算法都屬于人工智能，包括我們常用的最優(yōu)化搜索算法類。

機(jī)器學(xué)習(xí)作為人工智能的重要分支，在很多領(lǐng)域表現(xiàn)出色。機(jī)器學(xué)習(xí)指的是計(jì)算機(jī)程序可以在給定某種類別的任務(wù) T 和性能度量 P 下學(xué)習(xí)經(jīng)驗(yàn) E ，如果其在任務(wù) T 中的性能恰好可以用 P 度量，則隨著經(jīng)驗(yàn) E而提高。這類算法涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、計(jì)算復(fù)雜性理論等多門學(xué)科。

圖1 人工智能技術(shù)分類

經(jīng)典機(jī)器學(xué)習(xí)算法包括羅杰斯特回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、k-means聚類、貝葉斯網(wǎng)絡(luò)等。這些機(jī)器學(xué)習(xí)方法擅長(zhǎng)處理數(shù)據(jù)量較小的結(jié)構(gòu)化數(shù)據(jù)，已在工程中得到一定應(yīng)用。但隨著數(shù)據(jù)體量及種類的增加，大部分經(jīng)典機(jī)器性能隨數(shù)據(jù)量增長(zhǎng)而提升的能力有限，對(duì)非結(jié)構(gòu)化數(shù)據(jù)（如文字、語音、圖像、視頻等）分析困難，難以應(yīng)對(duì)大數(shù)據(jù)時(shí)代的需求。

神經(jīng)網(wǎng)絡(luò)在大數(shù)據(jù)時(shí)代脫穎而出。神經(jīng)網(wǎng)絡(luò)來源于腦科學(xué)，其工作原理接近人類的學(xué)習(xí)過程，并被證明單個(gè)神經(jīng)元能執(zhí)行邏輯功能。1989年，Hornik等人甚至證明：只需一個(gè)包含足夠多神經(jīng)元的隱層，多層前饋網(wǎng)絡(luò)就能以任意精度逼近任意復(fù)雜度的連續(xù)函數(shù)，故開創(chuàng)了神經(jīng)網(wǎng)絡(luò)研究的時(shí)代。神經(jīng)網(wǎng)絡(luò)采用BP (Back Propagation)梯度下降算法實(shí)現(xiàn)模型學(xué)習(xí)，從結(jié)構(gòu)上看，具備天然的嵌套概念層次，為深度學(xué)習(xí)的產(chǎn)生奠定基礎(chǔ)。相比其他算法，多層神經(jīng)網(wǎng)絡(luò)能隨數(shù)據(jù)量提升獲得更多性能提升，因此被認(rèn)為是一種有前途的人工智能算法。但神經(jīng)網(wǎng)絡(luò)的隱層較多時(shí)，會(huì)出現(xiàn)梯度彌散，無法有效的反向傳播，故早期的神經(jīng)網(wǎng)絡(luò)通常采用1～3個(gè)隱層。

2006年，Hinton等人首次提出深度學(xué)習(xí)概念，并基于無監(jiān)督逐層預(yù)訓(xùn)練＋BP算法精調(diào)來實(shí)現(xiàn)對(duì)深度網(wǎng)絡(luò)的訓(xùn)練[1，2]，掀起了深度學(xué)習(xí)熱。深度學(xué)習(xí)，是一種特殊的機(jī)器學(xué)習(xí)。使用嵌套的概念層次來表示并實(shí)現(xiàn)巨大的功能和靈活性，其中每個(gè)概念都定義為與簡(jiǎn)單概念相關(guān)聯(lián)，而更為抽象的表示則以較不抽象的方式來計(jì)算。深度學(xué)習(xí)以神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，多隱層結(jié)構(gòu)能帶來學(xué)習(xí)器容量增加，激活函數(shù)的嵌套提升了表達(dá)能力，并產(chǎn)生了一系列避免梯度彌散的技術(shù)。

近10年，人工智能在語音、圖像、醫(yī)療、機(jī)器人等領(lǐng)域的突破性應(yīng)用幾乎均利用了深度學(xué)習(xí)算法。截至今日，人類可以說初步實(shí)現(xiàn)了狹義人工智能。

2.2 人工智能在網(wǎng)絡(luò)優(yōu)化、運(yùn)維中的應(yīng)用場(chǎng)景

人工智能算法眾多，至少300項(xiàng)以上，神經(jīng)網(wǎng)絡(luò)類型也已達(dá)40種。作者僅對(duì)典型算法類別進(jìn)行梳理，并討論其在網(wǎng)絡(luò)優(yōu)化、運(yùn)維中的可能應(yīng)用方向。

首先，借助人工智能/機(jī)器學(xué)習(xí)技術(shù)，可以應(yīng)用在對(duì)網(wǎng)絡(luò)覆蓋、干擾、容量等關(guān)鍵質(zhì)量指標(biāo)的建模和預(yù)測(cè)；也能夠應(yīng)用在網(wǎng)絡(luò)運(yùn)維經(jīng)驗(yàn)、案例、處理工單等的深度挖掘、學(xué)習(xí)、決策；還可以實(shí)現(xiàn)對(duì)高維度網(wǎng)絡(luò)結(jié)構(gòu)、特征的降維分析、場(chǎng)景特征畫像和標(biāo)簽化建模；此外，還可以實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)隱性故障/告警/投訴類問題的異常特征分析、原因檢測(cè)和智能問題定位等方面，詳細(xì)梳理如表1所示。

3 人工智能在網(wǎng)絡(luò)優(yōu)化、運(yùn)維中的典型應(yīng)用

在了解人工智能算法基礎(chǔ)上，根據(jù)網(wǎng)絡(luò)優(yōu)化、運(yùn)維的目標(biāo)，基于網(wǎng)絡(luò)優(yōu)化、運(yùn)維流程或機(jī)制，選擇相應(yīng)的輸入數(shù)據(jù)，及輸出目標(biāo)。最終設(shè)計(jì)相應(yīng)的工具實(shí)現(xiàn)流程。

表1 人工智能技術(shù)在網(wǎng)絡(luò)優(yōu)化運(yùn)維中的應(yīng)用場(chǎng)景

同時(shí)，在利用人工智能技術(shù)時(shí)，遵循相應(yīng)的流程。如數(shù)據(jù)預(yù)處理（含數(shù)據(jù)清洗）、特征選取或特征學(xué)習(xí)、數(shù)據(jù)集劃分、模型訓(xùn)練，及輸出測(cè)試，并根據(jù)測(cè)試結(jié)果調(diào)整相應(yīng)的算法超參數(shù)。

以下給出幾個(gè)系統(tǒng)的設(shè)計(jì)思路。

3.1 基于深度學(xué)習(xí)的覆蓋優(yōu)化系統(tǒng)

無線網(wǎng)絡(luò)覆蓋優(yōu)化是提升無線網(wǎng)絡(luò)質(zhì)量的重要工作內(nèi)容，現(xiàn)有覆蓋優(yōu)化主流技術(shù)以仿真優(yōu)化、人工經(jīng)驗(yàn)優(yōu)化為主。此外，仿真優(yōu)化很大程度上依賴傳播模型的準(zhǔn)確性，沒有充分考慮用戶及業(yè)務(wù)量分布場(chǎng)景。本系統(tǒng)提出利用深度學(xué)習(xí)來進(jìn)行覆蓋優(yōu)化，設(shè)計(jì)思路分為以下幾個(gè)步驟：

3.1.1 覆蓋TopN小區(qū)問題分析

利用MRO（Measurement Report of Original Type，測(cè)量報(bào)告原始數(shù)據(jù)）數(shù)據(jù)中小區(qū)的覆蓋關(guān)系、地形地理位置數(shù)據(jù)、站型結(jié)構(gòu)數(shù)據(jù)、用戶分布情況等，構(gòu)建覆蓋評(píng)估矩陣。并通過預(yù)置規(guī)則判斷，輸出小區(qū)軟、硬參數(shù)定性調(diào)整建議或問題（包括接入電平/功率/A2門限/下傾角/方向角優(yōu)化建議，及工參準(zhǔn)確性問題），輸出TopN小區(qū)分析和定性優(yōu)化建議。

3.1.2 利用深度神經(jīng)網(wǎng)絡(luò)構(gòu)建本區(qū)域的覆蓋模型

使用小區(qū)網(wǎng)絡(luò)結(jié)構(gòu)、參數(shù)配置、地形地貌、業(yè)務(wù)類型、覆蓋指標(biāo)、干擾指標(biāo)等特征屬性，并將這些樣本按照業(yè)務(wù)邏輯進(jìn)行向量化，預(yù)處理后用于網(wǎng)絡(luò)覆蓋的精細(xì)畫像，后對(duì)本區(qū)域覆蓋模型進(jìn)行訓(xùn)練。

3.1.3 覆蓋指標(biāo)定量預(yù)測(cè)

動(dòng)態(tài)輸入功率、方向角、傾角調(diào)整方案，實(shí)現(xiàn)對(duì)弱覆蓋、過覆蓋等指標(biāo)量化預(yù)測(cè)。

本系統(tǒng)亦可根據(jù)預(yù)測(cè)結(jié)果，實(shí)現(xiàn)全流程自動(dòng)輸出推薦方案。深度學(xué)習(xí)模型設(shè)計(jì)如圖2所示。

3.2 參數(shù)智能化設(shè)置與推薦系統(tǒng)

提高參數(shù)管理和分析的智能化水平，可以提升網(wǎng)絡(luò)優(yōu)化工作效率，降低網(wǎng)絡(luò)運(yùn)維成本。LTE（Long Term Evolution）網(wǎng)絡(luò)中，各設(shè)備商無線參數(shù)總和已超過8000個(gè)，僅依靠人工經(jīng)驗(yàn)很難進(jìn)行精細(xì)配置。本系統(tǒng)設(shè)計(jì)目標(biāo)為智能化的學(xué)習(xí)現(xiàn)網(wǎng)已有參數(shù)配置經(jīng)驗(yàn)，快速?gòu)?fù)制和推廣參數(shù)優(yōu)化經(jīng)驗(yàn)。系統(tǒng)設(shè)計(jì)思路如下。

3.2.1 LTE小區(qū)特征建模

選取并量化特征屬性進(jìn)行無線場(chǎng)景的精細(xì)分類，包括：站型結(jié)構(gòu)、 業(yè)務(wù)量、用戶分布、用戶移動(dòng)性、鄰區(qū)結(jié)構(gòu)、地形地貌、互操作配置策略等特征。

圖2 基于深度學(xué)習(xí)的覆蓋優(yōu)化系統(tǒng)模型設(shè)計(jì)

3.2.2 基于聚類算法的小區(qū)特征分簇分類

基于無監(jiān)督機(jī)器學(xué)習(xí)聚類算法進(jìn)行小區(qū)特征分簇分類：如基于可變權(quán)重的K-Means算法，肘部法則獲取聚類結(jié)果；BIRCH算法，可識(shí)別噪音點(diǎn)，但調(diào)參過程復(fù)雜，對(duì)高維數(shù)據(jù)的聚類能力較弱；DBSCAN算法計(jì)算速度快，能發(fā)現(xiàn)任意形狀的聚類，但難以反應(yīng)密度，等等[3]，該類算法能夠讓計(jì)算機(jī)程序自動(dòng)完成小區(qū)特征的定量分簇分類。小區(qū)無線特征的聚類運(yùn)算過程可視化，如圖3所示。

3.2.3 參數(shù)配置與網(wǎng)絡(luò)質(zhì)量相關(guān)性分析

各場(chǎng)景特征聚類劃分結(jié)果后的簇內(nèi)小區(qū)，進(jìn)行網(wǎng)絡(luò)質(zhì)量評(píng)價(jià)，挖掘現(xiàn)網(wǎng)各個(gè)場(chǎng)景下的局部參數(shù)最優(yōu)配置，并固化簇內(nèi)局部參數(shù)配置經(jīng)驗(yàn)，用于后續(xù)按照協(xié)同過濾算法進(jìn)行參數(shù)經(jīng)驗(yàn)值的自動(dòng)化推薦。

3.2.4 基于協(xié)同過濾算法的小區(qū)特征匹配與LTE參數(shù)智能化推薦

利用典型的鄰域算法KNN，通過計(jì)算樣本個(gè)體間的距離或者相似度尋找與每個(gè)輸入樣本個(gè)體最相近的K個(gè)個(gè)體（即找到特征最相似LTE無線小區(qū)的過程），算法的時(shí)間復(fù)雜度跟樣本的個(gè)數(shù)直接相關(guān)，需要與每個(gè)個(gè)體完成一次兩兩比較的過程。最終找到參數(shù)最優(yōu)經(jīng)驗(yàn)庫中的特征最相似LTE無線小區(qū)，從而實(shí)現(xiàn)參數(shù)取值的自動(dòng)推薦輸出[4]。

圖3 小區(qū)無線特征的聚類運(yùn)算過程

在廣西欽州地區(qū)進(jìn)行現(xiàn)網(wǎng)驗(yàn)證，省內(nèi)選擇67個(gè)欽州高掉線TOP小區(qū)，使用場(chǎng)景參數(shù)自動(dòng)推薦工具輸出參數(shù)修改建議，累計(jì)修改254項(xiàng)參數(shù)，調(diào)整后無線接通率從99.45%提升至99.65%，無線掉線率從0.5%下降至0.37%，切換成功率從98.85%提升到了98.91%，可以看到，該系統(tǒng)基本接近人工優(yōu)化的效果，同時(shí)降低人力成本，可長(zhǎng)期穩(wěn)定地進(jìn)行網(wǎng)絡(luò)優(yōu)化工作。

3.3 異常網(wǎng)絡(luò)質(zhì)量特征的智能檢測(cè)、原因定位、告警/投訴預(yù)診斷

對(duì)于網(wǎng)絡(luò)性能告警、設(shè)備軟、硬件告警、投訴類問題等，傳統(tǒng)的網(wǎng)絡(luò)監(jiān)控和運(yùn)維方法大多基于事后處理模式，即“觸發(fā)告警→工單派發(fā)”模式，但各類性能告警一旦生成，代表網(wǎng)絡(luò)問題已經(jīng)發(fā)生，只能被動(dòng)處理。

借助人工智能算法，如果能預(yù)先預(yù)測(cè)網(wǎng)絡(luò)出問題概率，減少網(wǎng)絡(luò)故障實(shí)際發(fā)生概率，則能將運(yùn)維模式從事后處理推向事前預(yù)防，大大減少投訴發(fā)生，提升客戶感知。系統(tǒng)設(shè)計(jì)思路如下。

3.3.1 網(wǎng)絡(luò)正常運(yùn)行下的特征數(shù)據(jù)提取

在網(wǎng)絡(luò)正常運(yùn)行狀態(tài)下，提取所有和網(wǎng)絡(luò)運(yùn)行特征相關(guān)的數(shù)據(jù)，如：性能、參數(shù)、告警狀態(tài)、業(yè)務(wù)量等。并將這些特征按照業(yè)務(wù)邏輯進(jìn)行向量化。

3.3.2 特征學(xué)習(xí)或降維

由于原始特征多達(dá)幾百項(xiàng)，包括很多冗余特征，計(jì)算量巨大，且影響后續(xù)異常樣本分布的識(shí)別，故通過自編碼器等算法降維。

3.3.3 異常數(shù)據(jù)篩選

根據(jù)正常樣本點(diǎn)學(xué)習(xí)到分布密度，輸出待檢測(cè)數(shù)據(jù)的密度異常概率，如圖4所示[5，6]。

至此，即可實(shí)現(xiàn)告警/投訴預(yù)診斷，并進(jìn)行故障排查。更近一步，如果選用有監(jiān)督學(xué)習(xí)，即異常樣本中含有故障類型標(biāo)簽，則可以根據(jù)上述流程直接輸出故障類型。

圖4 異常網(wǎng)絡(luò)質(zhì)量特征的智能檢測(cè)

3.4 智能工單規(guī)則分析與精確派單

探索利用現(xiàn)網(wǎng)已積累的閉環(huán)工單處理數(shù)據(jù)，進(jìn)行挖掘分析并建立數(shù)學(xué)模型，利用有監(jiān)督機(jī)器學(xué)習(xí)算法，分析網(wǎng)絡(luò)特征與工單處理方案、工單反饋結(jié)果之間的映射關(guān)系等，通過大量數(shù)據(jù)訓(xùn)練模型，實(shí)現(xiàn)網(wǎng)絡(luò)問題智能分類和工單智能派發(fā)。

系統(tǒng)設(shè)計(jì)流程包括：

（1) 記錄工單實(shí)施方案和指標(biāo)前后對(duì)比效果，對(duì)網(wǎng)絡(luò)問題特征、工程師的業(yè)務(wù)處理能力聯(lián)合畫像。

（2) 基于復(fù)雜特征畫像，對(duì)有效的工單進(jìn)行機(jī)器模型學(xué)習(xí)，利用模型預(yù)測(cè)，實(shí)現(xiàn)網(wǎng)絡(luò)問題智能分類和工單智能派發(fā)。

（3) 不斷反饋/修正特征畫像，強(qiáng)化機(jī)器學(xué)習(xí)能力。同時(shí)，不斷積累形成網(wǎng)絡(luò)問題特征庫、網(wǎng)絡(luò)分析經(jīng)驗(yàn)庫、以及人員能力庫。

3.5 智能隱患預(yù)測(cè)與自動(dòng)巡檢

針對(duì)集中維護(hù)中的隱患預(yù)測(cè)、動(dòng)態(tài)巡檢等需求進(jìn)行機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘處理。通過同步用戶權(quán)限省端數(shù)據(jù)，集中優(yōu)化平臺(tái)數(shù)據(jù)，動(dòng)環(huán)監(jiān)控?cái)?shù)據(jù)，從多維度對(duì)站點(diǎn)運(yùn)維指標(biāo)進(jìn)行特征畫像，實(shí)現(xiàn)細(xì)粒度可視化的管理站點(diǎn)。利用人工智能技術(shù)，對(duì)重要告警進(jìn)行實(shí)時(shí)預(yù)測(cè)?；谡军c(diǎn)畫像與隱患預(yù)測(cè)，定位重點(diǎn)監(jiān)控小區(qū)，制定動(dòng)態(tài)巡檢計(jì)劃。通過關(guān)聯(lián)工單系統(tǒng)，基于歷史工單數(shù)據(jù)，自動(dòng)輸出診斷方案，提高工單派發(fā)的準(zhǔn)確性。最終實(shí)現(xiàn)運(yùn)維智能化。

利用數(shù)據(jù)挖掘技術(shù)，實(shí)現(xiàn)問題早發(fā)現(xiàn)，由被動(dòng)的處理問題改為積極的預(yù)防問題，從而提高整體資源的利用率和維護(hù)效率。系統(tǒng)流程分別如下。

（1) 基于站點(diǎn)性能數(shù)據(jù)、告警信息、工參資源、設(shè)備情況等多個(gè)維度，對(duì)站點(diǎn)進(jìn)行統(tǒng)計(jì)畫像，實(shí)現(xiàn)運(yùn)維側(cè)的健康度評(píng)級(jí)等。

（2) 利用大數(shù)據(jù)和深度循環(huán)神經(jīng)網(wǎng)絡(luò)，對(duì)已有的歷史性能、工參、及動(dòng)環(huán)類數(shù)據(jù)和歷史告警數(shù)據(jù)進(jìn)行建模，從而實(shí)現(xiàn)重要告警的提前預(yù)測(cè)，并形成隱患專家診斷系統(tǒng)，通過對(duì)歷史檢修方案的學(xué)習(xí)，實(shí)現(xiàn)自動(dòng)輸出告警巡檢方案如圖5所示。

（3) 以隱患管理和站點(diǎn)畫像為基礎(chǔ)，定位隱患小區(qū)，制定動(dòng)態(tài)巡檢計(jì)劃，優(yōu)化資源調(diào)度，并執(zhí)行巡檢任務(wù)。

（4) 將工單數(shù)據(jù)進(jìn)行對(duì)接整合，并對(duì)工單進(jìn)行數(shù)據(jù)挖掘歸并，剔除不必要的工單，合并相似的工單。

圖5 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的重要告警預(yù)測(cè)

4 總結(jié)

當(dāng)前，人工智能的巨大進(jìn)步已在各個(gè)領(lǐng)域發(fā)揮了巨大作用，機(jī)器在完成特定任務(wù)方面的表現(xiàn)甚至超過了人類。未來，人工智能技術(shù)將深刻改變?nèi)祟惿a(chǎn)生活方式和思維模式，實(shí)現(xiàn)社會(huì)生產(chǎn)力的整體躍升。研究人工智能在網(wǎng)絡(luò)優(yōu)化運(yùn)維中的應(yīng)用，必將極大提升網(wǎng)絡(luò)智能優(yōu)化及運(yùn)維的水平，助力網(wǎng)絡(luò)運(yùn)營(yíng)降本增效。

[1] G. E. Hinton and R. R. Salakhutdinov.Reducing the Dimensionality of Data with Neural Networks[J]. Science, 2006.

[2] Yoshua Bengio.Learning Deep Architectures for AI[J]. Foundations and Trends in Machine Learning,2009

[3] 周志華. 機(jī)器學(xué)習(xí)[M]. 北京:清華大學(xué)出版社, 2016.

[4] Francesco Ricci等著. 推薦系統(tǒng)：技術(shù)、評(píng)估及高效算法[M]. 北京：機(jī)械工業(yè)出版社, 2015.

[5] Han J W, Micheline K著. 數(shù)據(jù)挖掘概念與技術(shù)[M]. 北京：機(jī)械工業(yè)出版社, 2010.

[6] Witten, I. H., Frank, E著. 數(shù)據(jù)挖掘?qū)嵱脵C(jī)器學(xué)習(xí)技術(shù)[M].北京： 機(jī)械工業(yè)出版社, 2006.