文章插图
随着互联网+、 云、 5G、 4K、 VR 等新业务和新技术蓬勃发展， 数字经济下新的价值体系正在重建， 用户体验要求越来越高， 网络规模越来越大。 Ovum 分析报告显示， 过去 10 年电信行业收入增长低于 OPEX增长， OPEX 在电信网络 TCO（总体拥有成本） 的占比从 62%上升到 75%， 平均每 1 万台设备运营维护需要300 名工程师。
对数据和信息的掌控能力是运营商数字化转型的重要基础， AI 技术的蓬勃发展为运营商数字化转型带来了新的可能。 利用 AI 强大的数据分析和信息提取能力， 通过对海量网络数据采集、 分析、 预测、 决策，为运营商诊断网络质量， 优化业务性能， 减轻运营负担， 改善用户体验带来无限可能。 运营商网络引入 AI是数字化转型的必然方向。
本期的智能内参，我们推荐中国移动的报告《光网络人工智能(AI)应用白皮书》， 阐述AI在光网络领域的总体架构和关键技术。
来源 中国移动
《光网络人工智能(AI)应用白皮书》
作者： 未注明
一、 光网络 AI 应用场景1、 AI 分析类场景同缆风险智能识别场景。光缆哑资源长期缺乏有效监控、 运维手段， 主备业务或关联业务实际部署到同一条光缆上并不鲜见，单条光缆中断后主备业务或关联业务同时失效， 不仅导致业务中断， 而且部分网络成为孤岛缺乏远程应对手段。 以人工巡线、 人工录入方式维护同缆信息， 随着网络不断变更和演进， 综合资源管理系统同缆信息数据不够准确， 不足以支撑精准识别同缆， 效率和识别准确度较低， 亟需引入 AI 技术， 智能识别主备业务、 关联业务是否存在同缆风险,保障网络高可靠运行。
光缆拓扑智能规划场景。网络规划与业务发展脱节， 造成网络负载不均、 资源利用效率低下、 资源需求冷热不均， 根因是网络拓扑已经无法匹配业务流量流向变化， 基于业务精准预测反向优化网络拓扑， 通过适量加纤加缆， 实现网络承载能力倍增， 适应业务变化和发展需要。
业务故障智能定位定界场景。秒级、 毫秒级甚至微秒级业务闪断发生频次高， 但持续时间短， 无告警上报， 且故障很难复现， 基本靠用户投诉， 人工定位和回溯困难， 严重影响客户感知和运营商口碑。 同时， 用户卡、 慢、 断体验差与应用、 带宽、 连接多个维度紧密相关， 根因定位定界涉及大量网络数据， 人工分析效率很低， 大多数用户业务体验问题难以根治。 迫切需要引入 AI 技术， 提升光网络瞬态变化感知精度， 实现性能瞬变监测和闪断智能定界定位， 实现用户体验差根因的高效定位定界。
2、 AI 预测类场景光网资源预测场景。随着专线业务的快速发展， 业务发放效率成为运营商的核心竞争力， 而传统的三滚资源规划很难适应专线的随机性和突发性， 当前运营商对网络投资收紧加大了资源精准预留、 业务快速发放的难度。 引入 AI智能资源预测， 结合历史业务增长趋势， 实现资源高效利用， 业务发放“零” 等待。
光网健康预测场景。 光网络的性能劣化、 隐患变故障是渐进式发展的， 基于阈值的人工判断方式难以识别， 故障一旦发生， 经常导致大量业务中断、 修复周期过长等挑战。 随着光网络承载的业务流量增长， 维护压力与日俱增， 迫切需要引入 AI 智能识别网络健康、 提前预测风险。
光波长通道余量预测场景。 随着数字化经济的发展， 光网络上波长增加明显提速， 同时为了增加网络可靠性引入 ASON 智能路由调整， 使得网络中频繁加掉波， 从而对现有波长性能产生影响， 而当前人工方式工作量大， 效率低， 精度差。 引入 AI 智能余量预测， 自动对波长余量进行动态仿真， 精准模拟加掉波对现有波长的性能余量变化和劣化根因分析， 为精准调测提供保障。
3、 AI 优化类场景光性能智能调测调优场景。 一二干融合、 省本一体化、 区域干线驱动网络组网规模扩大， ASON 智能路由调整加大网络变数， 光模拟网络面临手工调测效率低、 出错概率高、 效果不可控。 引入 AI 智能优化调测步骤， 结合自动性能检测，实时监控关联路径的性能， 保障网络处于稳定、 较优状态。
光网络资源智能优化场景。 为适应动态的业务变化、 保障网络性能指标时刻处于最优并发掘网络利用潜能， 需要对波长、 链路和路由实施动态优化。 以往各类传输优化工具或软件主要借助固化的方法和简单的规则， 甚至依赖工程师的经验来完成优化， 并未识别到本质特征、 考虑维度简单、 相关性分析不足、 局部而非全局， 所以优化的结果往往不是普遍有效。 如今随着网络规模和业务规模的不断扩大， 传统优化方式难堪重任， 需要引入人工智能来完成整个传输网生命周期内的精细化、 动态化、 智能化的优化。

稿源：(智东西)

【傻大方】网址：http://www.shadafang.com/c/1115960M22021.html

标题：智东西内参| 白皮书