经典案例基于人工智能实现无线网络维护智慧管理.docx
《经典案例基于人工智能实现无线网络维护智慧管理.docx》由会员分享，可在线阅读，更多相关《经典案例基于人工智能实现无线网络维护智慧管理.docx（14页珍藏版）》请在冰点文库上搜索。
经典案例基于人工智能实现无线网络维护智慧管理
基于人工智能实现无线网络维护智慧管理
摘要：
2017年桐乡乌镇世界围棋三番棋“人机大战”，代表着围棋届最高水准的AlphaGo大获全胜，“人工智能”强大的学习能力再次获得了世人瞩目。
同样在移动通信领域中，随着无线通信技术与多媒体业务需求的快速发展，传统无线网络管理的短板也日渐凸显，在很大程度上制约了无线网络质量和用户体验感知的进一步提升。
本文从LTE网络维护的实际需求出发，结合对于人工智能的技术特点，搭建基于“自记忆、自进化、机器学习”等的智能平台，通过人类思维的模拟去优化影响网络质量和体验感知的关键网络对象，从而实现网络的智慧化管理，提升网络维护效能。
关键字：
人工智能、自记忆、自进化、机器学习、智慧化管理
一、概述
随着人工智能时代的到来，如语音交互、人脸识别、智能数据等理论和技术日益成熟，应用领域也不断扩大，通过模拟人的思维使得人们从日常繁重复杂的工作中解放出来。
2017年桐乡乌镇世界围棋三番棋“人机大战”，代表着围棋届最高水准的AlphaGo大获全胜，“人工智能”强大的学习能力再次获得了世人瞩目。
无线网络的管理是一种以后台指标监控、网管操作的方式优化网络质量和用户体验的重要手段，随着无线通信技术与多媒体业务需求的快速发展，传统无线网络管理的短板也日渐凸显，在很大程度上制约了无线网络质量和用户体验感知的进一步提升。
Ø目前的平台化监控，虽然缩短了日常取指标、统数据的周期，都是需要在人为干预的情况下去完成，并不能实现真正的智慧化管理；
Ø面对后台不同对象类型及实施内容的调整优化，操作记录的完整性和准确性无法得到保障，容易造成很多网络风险隐患或事故发生；
Ø对于网络维护效果，结果呈现往往存在一定的重复性和片面性，缺乏科学的综合管理，优化经验传递的准确性和推广的价值大大折扣；
如何从网络维护过程中大量重复的、机械的工作中解脱出来，总结优化经验及成果，通过模拟人类的思维开展“浅度学习”，辅助开展网络管理，减少成本投入和网络风险？
这是目前无线集约化管理面临比较实际的问题。
本文从LTE网络维护的实际需求出发，搭建了一套基于“自记忆、自进化、机器学习”等功能的智能平台工具，用于网络质量和体验感知的日常维护管理，可以大大减少了人工干预的工作量，提高了网络操作的安全性，在一定程度上实现网络维护的智慧化管理，提升网络维护效能。
二、设计思路
1
2
2.1形成背景
现阶段无线网络优化的流程，还是被动式的处理，从问题发现到处理到闭环，往往凭借的是个人历史经验，在不断的优化调整过程中，通过比较网络质量的改善与否来判断问题是否解决，如果没有解决，可能还需要把修改参数再倒回，重新定位问题，如此反复多次，最后才确定原因所在。
这样的分析方式弊端很明显，在这么多的参数设置上，如果是简单，经常出现的问题可能我们还可以凭经验快速判断出症结。
遇到偶然发生的问题，便无法快速定位问题，即便是经验丰富的网优专家工程师，也需要遵循优化步骤逐步分解对症下药，费事费力。
我们期望结合人工智能的一些技术特点，简化日常繁琐的步骤，打造三个“一”平台：
Ø一套简化人工干预维护的平台；
Ø一套优化手段综合管理的平台；
Ø一套浅度学习自主优化的平台。
2.2模型搭建
人工智能的定义简单来说就是研究如何使计算机去做过去只有人才能做的智能工作。
即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。
通过引入人工智能的技术特点，我们期望平台达成三个阶段的任务和学习，从而实现平台智慧化维护管理；
◆一阶段：
自记忆
通过平台研究人类日常网络管理过程，自动提取网管的操作记录和预期指标等网络基础信息，从而实现自动采集日常工作数据信息的功能；
◆二阶段：
自进化
对采集数据和达成目标进行评估计算，通过“优胜劣汰”的方式综合管理不同网络预期下的相关操作记录内容；
◆三阶段：
机器学习
模拟人类的推理能力，主动发现网络中出现的问题，然后模拟人的思维方式，实现自主的优化调整，在达成预期的同时积累经验成果。
三、创新成果介绍
3.1平台“自记忆”研究
3.1.1对象选择
平台的学习内容不能凭空想象，因此平台在选择对象中选取需要一批数据信息，结合日常操作的实际需求，记录每个人的操作记录，同时记录对应的预期目标。
大量的差异化的初始值的聚合，才能确保平台后续进化和学习的全面性和准确性。
3.1.2识别管理
模拟人的操作，分为操作记录和预期目标两个部分。
操作记录，既是{A/a1、B/b1…}和{A/a2、C/c1…}不同命令下的参数记录信息的分类；
预期目标，就是网络质量的关键KPI{α、β、γ…}等波动情况；
因此平台提取操作记录和预期目标的信息，从而形成了对应的映射集。
也就是说，人的操作记录越多，识别的信息就越多，存储的数据库信息越全面。
3.2平台“自进化”研究
3.2.1遗传算法
面对大量的数据存储信息，如何分辨哪些操作记录是对预期目标有效的求解这样一个初始条件极多，不可立刻计算模拟结果的问题，用传统的穷举法、随机法等数学方法显然是不合适的，完美适合我们优化方法的是遗传算法。
遗传算法（Genetic Algorithms,简称GA）是人工智能的重要分支，基于达尔文进化论，是进化算法的一种，在微型计算机上模拟生命进化机制而发展起来的一门新学科。
它象包括遗传、突变、自然选择以及杂交等，通过适者生存、优胜劣汰等自然进化规则来进行搜索计算和问题求解，实现全局最优。
遗传是将适宜的“基因”保留下去的过程，我们已经选择了较好的“基因”，了解到了参数对指标的权重。
当我们告诉人工智能或其发现某类指标出现问题，人工智能便可以根据算法评估优化所需要的个体，达到最优操作记录组。
3.2.2进化实现
遗传算法的基本运算演进描述过程如下：
a）初始化：
选取初始群体P（0），设置进化代数计数器t=0，设置最大进化代数T；
b）个体评价：
计算群体P（t）中各个个体的适应度；
c）选择运算：
把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代；选择操作是建立在群体中个体的适应度评估基础上的；
d）交叉运算：
将交叉算子作用于不同群体对象；
e）变异运算：
即是对群体中的个体作变动；
群体P（t）经过选择、交叉、变异运算之后得到下一代群体P（t+1）。
f）终止条件:
若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。
演进算法演示过程图如下：
操作记录
P（0）/操作一
操作二
P
（1）/操作三
…
参数
指标
A
B
C
D
E
…
A
B
C
D
E
…
A
B
C
D
E
…
α
+
-
-
+
+
0
+
+2
+
0
-
+
β
+
0
-
-
+
-
-
+1
-
+
-2
-
γ
0
+
0
+
+
+
-
0
+2
+2
+
-
…
说明如下：
1）P（0）为某一次操作记录{A/a1、C/c1、D/d1…}，为了确保精准性，T可选择为最近周期内的操作记录数；
2）对每个操作记录的个体参数对于预期指标计算适应度，达到预期指标为“+”，没有影响为“0”，对预期指标产生明显恶化为“-”，无个体则为空；
3）对不同操作纪录{B/b1、C/c2、D/d2、E/e1…}开展交叉运算；
4）通过运算从而实现原P（0）中个体遗传和变异，从而生成P
（1）；
5）当t=T，就可以获取每个预期目标{α、β、γ…}的个体聚合，根据分值排序，就能获取最佳的TOPn个体组合P（T），n<个体数；
可以发现，通过遗传算法引进，分析出参数或部分参数组合对指标的影响力，以使人工智能优化系统能正确选择需要调整内容，有的放矢。
通过历史数据信息的识别和进化，某个个体的数据量越多，个体参考价值越高；学习的操作记录越多、最终群体优质程度越高。
在实际应用优化流程当中，可通过控制流程中各个节点值，来达到我们应用的目的。
3.3平台“机器学习”研究
机器学习是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。
与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
进行自进化算法推算，我们可以获取基于预期目标{α、β、γ…}的{P（α）、P（β）、P（γ）}组合，并且每个组合的个体根据操作纪录的内容都有不同取值。
平台系统通过学习定制的任务实现网络维护群体的个体最优化维护的管理。
我们通过平台系统学习任务实现网络维护群体的个体最优化维护的管理。
学习任务
实现方式
触发条件
在一定周期内：
1）设定预期目标的监控门限
2）平台自主监控小区指标
3）当小区指标低于监控门限
启动算法
P（T）组合的个体按照分值排序，构建成激活集、相邻集和剩余集三种分类
停止条件
最佳组合的个体调整后满足一定周期内高于监控门限
为了实现最佳组合P（T）的最优化调整，平台在机器学习任务后，借鉴了原CDMA网络的切换原理，把个体按排序顺序分为激活集、相邻集和剩余集，激活集的个体调整优化达成预期的话，则不需对剩余激活集、相邻集和剩余集的个体进行调整；若激活集的个体全部调整后未达成预期，则启动相邻集的个体调整优化；同时为了确保网络操作的安全性和稳定性，个体调整若达成预期目标且满足一定监控周期，则停止优化调整，不在做不同个体预期比较。
3.4智慧平台研究小结
1）自动记忆的操作记录越多，数据信息越全面；预期目标越多，组合个体精度越高；
2）通过遗传算法，实现最佳组合的个体排序；
3）定期自主监控网络小区，开展个体参数的不同优先级调整；
4）在一定周期内，对手动和平台的操作记录和结果进行评估，迭代出新的最佳组合；
从而使得平台在短期内能代替日常优化的指标监控、分析和优化周期，长期内通过手动和平台操作记录和预期的记忆及评估，强化平台的持续学习能力，通过识别、进化和学习的过程，减少了日常维护人员投入，并且通过最佳组合的个体选择，实现高效维护。
四、创新应用及优化案例
4.1智慧化平台实现方式
为将创新内容应用到实际优化当中，我们编写了一套可实操的应用平台。
首次需要我们准备的有：
基站XML文件，对应基站的话统指标，将其导入到应用平台内，以生成参数对指标的权重，如下图：
得到权重数据后，再设置好迭代参数配置，优化结果配置等
最后通过平台一键生成优化脚本，将脚本导入到需要优化的网络中，即完成了一次优化算法。
现阶段的应用属于初级阶段，可以通过导入的数据帮我们发现现网问题，通过大量数据进化遗传出最优的参数配置。
未来希望通过接入到网管和PRS中，智能平台监控现网实时的指标和自动加载参数修改结果。
如此一来可对我们的优化工作将有更大的帮助。
4.2应用案例-室内外协同优化
世界互联网大会从2014年以来，已经在永久会址嘉兴乌镇召开了三届。
乌镇西栅景区是历届保障的重要场所。
景区内布有多种LTE无线产品，包括室外传统宏站，DAS室内分布，lampsite系统，直放站，AAU及bookrru等设备，往届对区域内优化中，采用的是现场摸测，分析，核查参数，修改等传统手段多轮，不仅费时费力，且仍然存在许多覆盖和室内外干扰或驻留不合理等问题。
本次使用创新应用平台对该区域的网络进行优化，首先，取出多次操作后的不同XML和话统数据，对应导入平台，告诉平台室内外优化调整的权重值。
从平台导出权重信息，关联协同类指标得到参数权重值后，统计整理如下：
根据整理参数权重结果，我们只要自适应优化调整权重高的参数即可。
平台对进化方向和进化过程进行设置，然后生成优化后的配置脚本信息
将生成的脚本核查后，按天加载到现网中，后台监控指标及MR覆盖的变化，取出每天的指标统计对比，得最优结果（如需进一步优化，可取前5名参数配置继续优化）。
对于室内外协同优化，我们主要选择的优化指标为：
异频切换次数与CQI高阶占比，因为切换次数变少且CQI高阶占比高的情况下，说明异频小区间的重叠覆盖将变少，减少室分泄露等优化问题。
最后主要优化成果如下：
关键指标
原始组
进化组
说明
系统切换成功率（%）
98.9
99.3
系统内切换成功率提升
异频切换次数
4587
2973
减少大量不必要异频切换
同频切换次数
5789
5397
同频切换稳定
RANK2占比（%）
48.6
58.1
室分信号更稳定
高阶CQI占比（%）
62.9
74.5
干扰变小，速率提升
小区组所有激活用户数
1693
1843
用户数规模相当
E-RAB掉线率（%）
0.21
0.09
掉话风险变低
PRB利用率大于50%占比（%）
8.5
1.2
小区利用率更加平均
用户面时延（ms）
77
59
干扰变小，体验变好
五、经济社会效益及推广
优化平台的不断完善，将使未来的优化工作由原始的重复人工流程，转化成智慧化运营无线优化过程，使一张静止的无线网络变成了一张有生命力的、可自愈的、可进化的网络，。
推行扁平化的智能管理，日后的LTE网络维护运营的成本降低，且能够逐步提高网络质量和承载能力。
作为一个创新课题的大胆尝试，我们期望使用人工智能平台的打造，降低了人工成本和网络风险，这无疑在运营商的竞争和推广当中最大的优势。
六、创新总结
本文介绍的智能优化平台，可以在一定程度上提高无线网优的优化效率，平台工具通过自记忆，识别日常网络操作记录，同时通过网管指标数据，达成网络实施和网络指标的关联性；自进化过程综合管理操作记录，通过“优胜劣汰”的遗传算法实现最优组合的个体排序；在长期的调整过程中，不断迭代出下一代的参数组，取长补短实现网络优化长期发展。
当然从目前的平台搭建，我们对于人工智能的技术研究还是比较浅显，平台的优化算法和机器学习的功能实现算法还存在很多不尽如人意的地方，但是由于无线网络参数的复杂性和网络的安全性，因此智能平台仍需要在人的理解和编写的算法基础上去实现，与强人工智能的理解还有很大距离，这也是后续人工智能在网优高效维护管理上需继续努力的方向。
升级会员 