文章插图
云地协同全栈 AI 示意图
3、智能分析预测技术网络出现问题后生成告警， 触发故障定位和修复是当前网络运维的普遍方式， 海量告警上报导致故障根因定位困难、 静默故障无告警上报导致无法定位故障根因， 是根因告警分析的两大难题。 为了进一步提升网络可靠性和运营效率， 对网络故障、 业务资源需求等进行提前预测， 也是当前研究的热点问题。
智能关联分析是光网络根因告警分析和静默故障定位的关键能力。 由于网络数据量大、 维度多和故障模式多样化， 且关联影响发散， 需要精准的筛查和多维度关联分析能力， 需要通过智能分析技术， 构建关联模型和进行相关训练， 实现根因告警识别和静默故障定位。 智能资源预测和故障风险预测可提前发现资源瓶颈和故障风险， 提升业务 TTM 和业务可靠性。
光网络智能分析预测能力需在网元和管控层面分别构筑对应的智能分析能力。 通过分层实现智能 AI分析预测能力， 基于高精度数据的短周期预测， 需在网元进行高速数据采集处理和分析预测闭环， 提升分析效率； 基于数据粒度较大的长周期预测， 可通过管控系统长周期数据采集和分析预测闭环。

文章插图
智能分析预测分层闭环示意图
智能预测一般采用时间序列模型+训练学习方式实现。 光网络常见时间序列模型：
a) 差分回归移动平均模型(ARIMA)[3-4]:在光网络中可以利用 ARIMA 模型进行根据网络资源预测。
b) PROPHET 模型： 该方法对历史数据的依赖度较低， 可以在一定数据缺失的情况下， 仍能保持较好的预测效果。 光波长通道余量预测因关联数据比较离散适用于该方法。
根据实际应用场景选择合适的模型后， 还需要进行相应的模型训练和参数调整， 使得在特定场景下能够有较高的预测精度。 由于不同场景特点， 需建立对应特征的参数库和多样化的训练模型样本。
4、智能仿真决策技术光网络仿真能够为网络规划、 设计、 配置以及网络自优化（如网络路径优化、 网络资源性能优化等）提供可靠依据， 通过对配置和优化结果下发前进行事前仿真决策， 确保配置和优化结果的自动、 准确、 可信任执行， 保障业务安全。 网络仿真能够有效地验证实际方案或比较多个不同的仿真设计以及组织方案，以便于对不同的设计方案建立模型， 实施模拟， 对网络性能预测数据采取顶定量获取， 为设计、 配置方案的比较和验证提供可靠的依据。
网络仿真决策技术是一种利用数学建模和统计分析的方法模拟网络决策行为， 通过建立网络信息的统计模型， 模拟网络操作执行， 获取网络设计及优化所需要的网络性能数据的一种技术。 网络仿真有三个阶段： 准备阶段-模型设计-仿真与结果分析。 AI 技术已经应用到网络仿真各个阶段， 在光网络中， 智能仿真决策技术已经开始在网元、 管控系统中开始研究。
1. 网元设备中智能仿真决策的应用及关键技术：
在仿真的基础准备阶段， 开始构建全光参量数字孪生底座， 通过 Sensor 体系实现上报全量光参， 在线学习， 精准计算噪音、 代价、 余量等， 支撑对网元实时状态的全量认知。
在仿真的模型设计阶段， 除了对网元， 单板， 端口， 滤波器等基础建模外， 通过离线和在线大数据学习， 对光传输质量进行在线建模， 比如： EDFA 模型(增益、 噪声)、 滤波代价模型、 Raman 放大器、 BER/Q模型、 OSNR 模型、 光纤质量模型、 光模块质量模型等。
在仿真与结果分析阶段， 通过 AI 迁移学习算法、 回归算法等实现余量动态监控以及自优化执行结果分析， 做到自动调整优化方案， 以及实时自调优。
2. 管控系统中智能仿真决策的应用及关键技术：
在仿真的基础准备阶段， 通过知识图谱构建网络运维知识库、 图神经网络来预测网络的 SLA 等技术来感知和理解网络。
在仿真模型设计阶段， 通过数字孪生网络的五维模型， 多维模型包括基础模型和功能模型， 多维度刻画网络特征， 支持网络规划建议以及运维优化的仿真验证。
在仿真与结果分析阶段， 根据仿真执行结果和数据， 通过从路径/轨迹决策规划、 行为/任务决策规划、执行计划决策规划等数学建模到数学求解， 来决策仿真执行的最终效果。
【 智东西内参| 白皮书】智东西认为，如今人工智能的应用已无处不在，智能语音助手、人脸识别、智能家居、智能安防等都开始应用于我们生活的方方面面，而这些应用的背后离不开通信网络的支撑。现在，人工智能技术在光网络物理层和网络层都获得了初步应用尝试；与此同时，光网络的智能化面临诸多挑战，有待在算法和应用方面继续探索！

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( 四 )