【摘要】本文研究重点选择了电信网络中人工智能的应用，尤其针对其中的网络运维应用展开深入探讨。

【关键词】网络运维；人工智能；电信网络

最近几年，伴随着云计算以及大数据的广泛普及应用，再加上各种计算方法的托运出行，整体运算以及储存能力得到迅猛发展。在经历60多年巨大转变后，人工智能技术也迎来全新的发展时期，同时作为未来全世界最重要的一门科技产业，为其他诸多产业将带来技术方面的大力支持。目前信息技术发展速度日益加快，ICT产业与其他产业之间高速融合，网络结构也开始重构与转型，各种全新技术纷纷面世。

1、网络运维中人工智能应用需求

人工智能(AI)属于一门前沿性的学科，将社会、脑神经、科学以及计算机等多门学科进行有效融合，旨在借助计算机技术全面替代人工，完成识别、分类以及制定决策等相关功能。1956年人工智能被首次提出，截至目前已发展了60多年之间，其中也经历了起起落落，当然各种新式算法也纷纷出现。在人工智能发展过程中，机器学习为最常见的一种方法及关键分支，在不少领域都有出色表现。任何与学习算法有关的训练研究都归属在机器学习的范畴内，利用学习算法可以从庞大的数据里面解析出有价值的信息，然后以此为基础，对现实中可能出现的事件加以预测与判断。当然机器学习需借助庞大数据展开训练，从中提取有价值信息，然后将其反馈至用户，目前常见算法除SVM、线性回归、聚类等之外，还包括人工神经网络与决策树等。机器学习包括三大关键要素，除算法以及算力，还包括数据，最近几年云数据以及运算能力的迅猛发展，使得人工智能也得到前所未有的发展。在各种算法中深度学习技术开始被认可，同时在语音以及头像识别等领域也得到了快速发展，这对其他领域普及应用人工智能打下良好基础。

以通信行业作为基础，目前智能终端以及移动网络等技术发展速度持续加快，数据快速增加，电信运营商在其中发挥着不可替代的重要作用。目前5G技术已经开始普及，运营商网络也日趋复杂，对互联网性能及用户个人行为检测起来难度更大。此外，移动网络也日趋个性化以及多样化，在互联网运营中焦点从最初性能逐渐转移至用户体验方面。

对于传统模式下的运维生产而言，其中的参考准则为工程师个人经验，通过路测、告警以及KPI分析等技术展开优化调整，其中的缺陷在于生产效率普遍不高，处理时间较长，而且优化结果不够准确，因此传统网络模式无法与现代化运营商需求相匹配，必须要实时引入人工智能，针对网络进行优化配置，同时对网络展开实时校正，利用人工智能为用户提供各种各样的需求，这样才能促进互联网智能化的快速转型。

2、网络运维中人工智能的应用

对人工智能技术来说，其自身的优势非常突出，可以解决传统模式存在的各种缺陷。总体而言，人工智能的优势主要包括：

(1)强大的学习能力，对于庞大的信息输入量可展开综合性分析，同时利用学习对模型加以熟悉，将专家丰富经验进行全面掌控，可更好的解决问题。

(2)具备全面性，更好的处理人工作业中容易忽视的问题及信息，同时对其进行充分挖掘。

(3)运作效率较高，通过对人工模拟手段展开重复工作，使工作效率得到提升。为了将运维成本降至最低，全面提升互联网优化效率，需要将人工智能自身的学习、分析、协同、资源利用、智能化、处理以及自动化等相关能力进行充分融合。

就传统模式下的运维方式而言，没有很好的实时性，运作效率普遍不高，而且运作成本较高，不具备前瞻性的功能。为了更好的对这些权限进行解决，以人工智能作为运作手段，同时将工程师经验结合在内，创建一套行之有效的故障处理自动化系统，在网络运作过程中可以对故障实时告警，同时进行有效处理，利用过滤、分类以及匹配等相关方式，第一时间对故障做岀有效诊断，同时利用拓扑结构及通信模型等对故障进行快速定位，并对其中的原因进行分析，利用历史数据对故障进行有效预测，这样故障处理效率将得以提升，准确度也越来越高，通过这些方式能够让互联网保持在最佳运作状态。

在运维优化过程中，要想将人工智能更好的应用，通常要以质量较高的数据作为前提，同时借助人工智能算法进行场景实践。要想得到质量较高的数据，通常要对互联网运作、测试以及数据等进行快速精准的获取，通常数据源来源途径非常多，除性能、工作参数、告警、路测以及网络等数据外，还包括用户个人信息、信令采集、配置、投诉以及MR等相关数据。结合应用场景差异做出最精准匹配，同时要对有效数据源进行筛选，结合工程师自身具备的相关经验，将人工智能算法更好的进行匹配，在此基础上设计出训练、特征以及与之相关的模型。

3、网络运维中人工智能的应用场景

在人工智能技术应用过程中，通常要将互联网运维模式以及相关流程考虑在内，利用实际应用场景筛选最匹配的人工智能算法，同时对得到的数据展开清洗、标注，然后加以训练，以此创建行之有效的系统模型，这样就能完成在网络运维中人工智能的普及应用。以下主要以相关应用场景作为示例，对人工智能应用情况进行介绍。

3.1智能故障溯源

在智能系统设计过程中，要将其中共性特征等信息提取出来，可以以大量告警信息作为基础，然后结合历史故障经验、KPL网络配置以及拓扑结构等来进行，通过目前已存在的历史故障经验，针对所得的数据展开训练，在此基础上可形成诊断规则库，然后对新出现的告警信息进行精准匹配，并展开有效诊断。诊断完成后就能及时给出故障出现的原因，并找到最合理的解决对策，当故障得到处理后，还要结合当前运作状况对诊断规则库进行反馈并作出优化。

3.2无线覆盖与智能优化

目前无线运作环境相当繁杂，覆盖质量受到很多因素的影响，而且其中因素往往具备不确定特征，对此可将多维无线覆盖有关的类似数据进行融合，然后借助深度学习等相关技术，对所得数据展开训练并进行参数调整，以此找到对无线网络质量带来影响的重要因素，创建优化引擎。通过引擎域网络运行状况的有效结合，可给出优化建议与对策，举例来说，对性能参数、天线方位角进行实时调整，或者对邻区配置展开优化调整，利用人工或者自动化的方式加以处理，这样就能保证互联网质量保持在最佳状态。

3.3业务流量的预测与优化

最近几年终端以及网络技术发展速度持续加快，在此基础上推动了通信业务的迅猛增加，网络情况变得更加复杂，同时用户在业务需求方面伴随着空间以及时间的改变而出现变化。对此要挖掘其中的重要特征，对流量变化进行随时监测，有助于在互联网忙碌时段实现负荷平衡，给用户带来最佳体验；同时在闲时将一些基站设施进行自动关闭，这样可更好的降低成本与节能。利用各种场景互联网质量以及类似流量等相关数据，同时以场景特征作为基础，通过人工智能展开数据方面的分析，对有用数据进行挖掘，这样可以实现负债平衡，通过智能的手段进行关闭，随时对网络流量展开调整并优化。

4、网络运维中人工智能遇到的挑战

在当前互联网快速运作的环境下，将人工智能进行充分融合为一大趋势，不过目前仍保持在起步时期，而且遇到的挑战比较多，因此要在实际应用过程中进行总结并完善。

(1)在实际应用时需借助大量有价值的网络数据，通过系统或者网元的方式生成，然后利用系统架构或者相关硬件及时进行升级。当然在处理多维数据源的时候，也要将厂家融合与数据格式等相关问题考虑在内。目前数据在获取方面需好费过高成本，因此整体应用以及覆盖范围相对局限。

(2)运维需较专业的知识技术作为保障，在实际应用过程中需对业务逻辑加以明确。对人工智能而言，在学习过程中最典型的特征为黑盒，无法对应用流程与需求加以明确，因此最终往往导致应用效果不理想。

(3)在人工智能应用过程中，目标与需求间可能拥有概率性误差，在数据获取时可能较为片面，因此通过训练获得的网络架构以及AI模型无法适应全部场景。

(4)在应用人工智能时还要将人为控制介入方式考虑在内，运维优化首先要确保稳定与安全，AI应用输出最终效果并不能实现确定，因此安全稳定为前提和保障。

5、结语

最近几年人工智能在诸多领域已得到广泛应用，整体效果比较理想，尽管目前人工智能应用在通信领域存在不少障碍，不过伴随着互联网技术的迅猛发展以及人工智能的不断成熟，相信未来通信领域引入人工智能将成为一大潮流，同时网络运营安全也将得到全面保障。针对网络运维中人工智能的融合与应用展开研究，有助于逐渐向智能化过渡转型，最终实现降低成本与提升效率的目标。

参考文献

［1］吕品.人工智能在网络故障预警的应用［J］.电信工程技术与标准化,2019,32(10):42-45+59.

［2］韩冰，谭敏.人工智能在网络运维中的应用研究［J1.电信工程技术与标准化,2019,32(07):83-87.

［3］梁杨，胡立强，孙淳晔，赵啥.人工智能关键技术在电信行业的应用体系研究［J1.互联网天地,2019(02):20-27.

作者简介：牛小杰(1982-),男，河北省保定市人。正科级,工程师。研究方向为计算机科学与技术。