通信网络项目背景问题

通信网络项目背景问题网络优化的主要作用是提升网络质量、保证用户体验，因此运营商在网络优化工作中投入了大量人力物力。传统网优工作依靠路测、系统统计数据分析、投诉信息等手段采集相关信息,再结合专家经验进行问题诊断和优化调整。在网络复杂化和业务多样化的趋势下，传统优化工作模式显得被动、低效，在网络动态变化的情况下无法满足网络调整的实时性需求。.网络动态变化，但优化目标仍是“平均”最优5G网络为客户提供了更多的业务类型，网络大数据拓展了更多的网络服务领域，但与5G业务的多样性以及大数据技术发展所不匹配的——是目前网络优化目标的评价标准，仍是以小区历史性能最优为目标的“平均”最优网络。现网数据采集和主要参数的控制粒度均为小区级，受限于此，网络质量评价和网络优化目标指标仍以小区级KPI的历史统计为主也是就说,优化工作的目标是寻找小区级网络性能平均最优。无论用户在何种时间、何种位置进行何种业务网络优化只能为用户提供“无差别”的网络保障。基于PCF(PolicyControlFunction)的策略控制等技术,能为签约用户和业务提供专载保障，但尚不能实现全网能力的动态调整，网络性能在时间和空间维度仍存在很大的优化空间。.跨域多元数据采集、融合，但硬件和运维成本高由于移动网络存在多个网络域，当前数据采集机制以分域全量采集、再跨域融合分析为主。运营商网络产生海量数据，但目前真正发挥价值的数据并不多。然而，为了建设与数据量所匹配的运算和存储能力,运营商进行了大量的软硬件投入。在现有技术架构下，随着网络规模及数据量的不断增大系统处理速度无法支撑网络数据的快速分析，只能不断进行软、硬件扩容，推高运营成本。长期以来，各个网络领域设备分别研发、管理，例如无线网、核心、网、传输网、OSS域等。在数据层面，一般由EMS/NMS提供北向接口，OSS系统进行集成。这种烟囱式的研发机制造成了跨域数据采集和建模标准化程度不足，网络端到端的运行数据拉通困难，数据即使集中存储也是一个个信息孤岛。而多厂商设备实现、接口协议等差异性问题更加剧了这一情况。例如，为实现用户级的端到端网络体验分析，现网全量采集无线MR、核心网XDR、传输及承载网KPI指标，并建设专用支撑系统以实现从跨域的海量数据中搜索并关联出单用户、单业务的网络体验信息，这需要投入大量硬件资源和软件研发费用。.业务实时性增强，但业务体验难以实时分析当前网络数据的采集周期长、业务体验统计粒度粗,难以实现对用户、业务体验的实时感知和分析。很多网络问题在发生后，需要通过客户投诉驱动，再进行人工分析、决策和优化实施。现状无线侧主要基于设备软采实现counter、KPI、MR、Trace等运行数据的采集，数据在基站生成，层层汇聚至OMC,最终通过北向接口汇聚至OSS。采集接口以文件接口为主，时间最小粒度为15分钟，网元统计最小粒度通常为小区；核心网侧以专用硬件采集为主，采集设备以分光等方式全量采集用户面和业务面数据，数据采集量极大，数据解析、处理和存储均需要高性能硬件支持，处理时延一般为小时或天级。分域数据的全量采集处理时延、网络跨域层层汇聚时延和跨域数据关联分析时延造成了网络业务体验分析的时间粒度以天/月/周为周期，难以满足更细粒度、更实时的业务体验洞察和优化调整需求,更无法提前预判网络瓶颈和潜在的问题。.网络复杂度攀升，但人工优化仍占比大5G网络规模大幅度增长新特性不断引入业务场景更加多样。随着基础设施的虚拟化、云化，网络配置、资源调度更灵活，但也引入了更多的厂商设备组合和网络管理层次。与此同时，四网并存、共建共享、多频段、多厂商、多版本已成为网络运营的常态，造成网络复杂度空前提高，给5G网络的优化工作带来了前所未有的挑战。时至今日，日常运维优化的人力成本占比仍高达70%左右［10］。大量问题需要人工路测、分析性能数据进行诊断，•定位问题后，优化人员操作NMS或EMS平台来进行配置调整；优化实施后，优化效果的后评价也经常依赖人工对比分析。另外，这一过程需要优化工程师理解大量设备信息并面对海量数据仅凭人力已无法充分利用这种高维度、大体量的数据，分析效率较低。因此,在网络运维成本居高不下的情况下，如何使运营商从复杂的网络参数设置与海量的网络数据中解脱出来，如何平衡资产利用率和提高能源效率成为重要关注点。.AI优化研究众多，但现网落地应用不畅目前业内在智能优化上已开展了大量的研究和试验，但由于机器学习等技术的模型训练过程可能导致网络质量回退，因此该类新技术在现网落地中仍存在一定困难。现阶段的智能优化新技术，特别是机器学习、强化学习等技术，往往需要从现网中采集足够的训练数据，以完成AI模型的学习，并通过不断的参数调整使模型性能收敛拉一过程可能造成一定时间内的网络质量和业务体验下降。这与电信运营商一直以来致力于提供的高可靠性网络服务存在一定矛盾。由于担忧这类技术带来性能回退或造成用户投诉，现网往往难以进行落地应用。然而，采用实验网进行技术试验，又不能真实地模拟现网用户、业务的动态分布等特征，造成机器学习模型过拟合、泛化能力差。.T0B业务的优化需求显现，但优化标准和方法尚不成熟ToB方面,行业应用业务类别及指标需求差异化更加明显。网络切片等技术能实现网络差异化的配置。专网国