一、人工智能应用于通信网络已超过30年

       AIIA《中国人工智能产业知识产权白皮书》数据显示，人工智能技术应用于通信网络已经持续了30余年，相关技术专利申请量自1989年起步呈现波浪式增长，并在深度学习技术突破后爆发。通信网络在1990s年代时的智能主要体现在基于规则的网络优化、故障处理等方面，后来则随着计算机技术的发展而逐步利用先进的机器学习算法的强大分析、判断和预测等能力来赋能网络运维、建设、资源配置优化等任务。

图：全球网络智能技术领域专利申请趋势注：由于 2018-2019 年的专利申请尚未全部公布，故在图中呈下降趋势。

资料来源：AIIA 《中国人工智能产业知识产权白皮书》

       从网络智能技术申请人(专利权人)所在国家/地区分布来看，中国专利权人申请的网络智能专利数量大大领先于其他国家，其次是美国，再次是日本、芬兰、德国等，这些国家形成了网络智能技术的主要领导者。而在全球前十相关专利申请机构中，通信网络设备商和运营商占据主要地位，另外包含两家专业性强的高等院校，而中国机构就占据五席，在专利技术上已具有重要话语权。

图：网络智能技术申请人(专利权人)所在国家/地区的分布图

资料来源：AIIA 《中国人工智能产业知识产权白皮书》

图：网络智能技术全球专利申请人/专利权人排名

资料来源：AIIA 《中国人工智能产业知识产权白皮书》

二、收入增速低于成本增速，运营商智能化转型，推动AI落地
 

       随着ICT产业链和架构融合的逐步深入、网络云化重构转型的加快以及更多新技术的演进，运营商在网络运营方面将面临更大的压力和挑战。Analysys Mason的研究显示，全球运营商收入增速低于成本增速，自2012年以来，网络OPEX一直在增加。OPEX占收入的比例从2012年的11%增长到2017年的15%，但同期收入却下降了13%。
 

图:全球通信运营商2006-2017年网络运营成本和服务收入对比

资料来源: Analysys Mason，ZTE

       使用AI来重构通信网络，通过网络智能化来提升效率，保证用户体验，完成智能化升级和转型，成为运营商的必然选择。爱立信针对全球132家运营商的调查显示，77%有意愿在网络中采用AI技术，认为AI有助于业务的开展。Analysis Mason调研了76家运营商采用人工智能的主要驱动因素，几乎80％的运营商将“降低运营成本”置于前三位的驱动因素中，其他因素依次是：改善客户的体验 、支持网络的高效部署、支持端到端自动化战略。

图：运营商采用人工智能的意愿

资料来源: 爱立信

图：运营商采用人工智能的主要驱动因素

资料来源: Analysys Mason

       当前，AI技术正在全球主要电信运营商内部持续落地，或其上升到公司战略高度，并产生积极效果，以增强电信运营商差异化竞争优势。

       美国电话电报公司AT&T认为，未来网络海量的数据需要实时收集和分析，与AI技术的结合可以保证网络持续的高效工作并且在用户相互交换数据时，保证数据的安全性。为此，AT&T推出了人工智能开源平台项目Acumos，致力于实现AI开发过程的可视化、模块化，降低AI开发门槛，提高AI开发速度，扩大AI在产业界的应用规模，提升AI产品的商业价值。AT&T的视频分析团队还开发了一种深度学习算法，使无人机能够检查和分析视频录像，以检测其65000个蜂窝塔的缺陷、异常和维修。

       沃达丰（注：跨国性的移动运营商，世界上最大的移动通讯网络公司之一，在全球27个国家均有投资）认为AI处于数字社会战略的核心地位，提供了解决实际问题的全新视角，AI已经开始帮助提升产品及服务水平，同时也让使其获得了更加高效的商务运营。为此，沃达丰建立了庞大的数据团队，利用AI算法处理大量匿名化的数据集，用以提供新的商业视角，为不同的客户提供不同的服务。在欧洲及亚洲市场部署了大量无线接入设备，应用AI算法帮助判定客户需要更大的容量的地点，从而帮助改善网络覆盖。将AI技术应用于优化设备在不同小区之间的切换，帮助沃达丰在这些地区节省约15%的网络能源消耗。

       国内运营商的AI发展强调生态合作，天然的数据传输通道以及数据与算力基础，促使其成为AI产业的重要一环。

       中国移动对内服务网络、市场、服务、安全、管理等领域，对外赋能各大垂直行业，带动AI产业发展，致力于成为AI应用先行者和AI产业赋能者。其“九天人工智能平台”支撑各领域AI研发，同时平台对接集中化大数据平台，该平台面向全公司提供丰富、高质量、有标注的人工智能共享训练数据库，支撑多域海量数据的集中化管理，实现全集团算力、数据和能力共享。

       中国电信初期以云网融合为切入，为公众及政企用户提供快速开通、定制化、自动化、多层面的智能业务，未来逐步向智慧化、端到端的 DICT 解决方案和服务扩展。其中，“灯塔AI能力开放平台”侧重赋能，主要应用智慧家庭、智能客服等；“CTNet2025 网络架构重构计划”深度嵌入 AI技术能力，对内对外提供 AI 通用能力平台、应用和解决方案。
 

       中国联通聚焦支撑三大类应用（企业运营管理、业务创新、网络运营），打造全智能化服务体系架构，加强AI生态合作。其“CubeAI智立方平台”提供网络AI算法、模型和应用等方面技术服务；构建网络AI产业合作生态；面向内外部开展技术交流、标准制定、应用示范等。

三、AI贯穿通信行业全业务，已在众多场景中尝试落地

       ETSI（欧洲电信标准化协会）、GSMA（全球移动通信系统协会）等机构的资料显示，人工智能已经在网络规划建设、监控与管理、安全防护、运营、市场等各个环节中发挥作用。

表：当前尝试落地的AI应用场景

资料来源：ETSI ENI、GSMA、鲜枣课堂

       网络监控和管理将成为最大机会。根据Tractica/Ovum预测，到2025年，全球通信业对人工智能软件、硬件和服务的投资将达367亿美元，将快速成长为全球最大的AI应用行业。其中，行业整体AI软件市场将以48.8%的年复合增长率从2018年4.19亿美元到2025年增至113亿美元。

       AI技术在通信领域的主要应用场景份额分布，包括网络/IT监控和管理、客户体验管理/服务交付、客户服务和市场营销 VDAs(虚拟数字助手)、智能 CRM系统、网络安全/威胁预防。其中网络/IT监控和管理将成为行业最大的AI用例，占据AI支出的 45%。该场景意味着利用AI技术来理解网络实时发生的事情，然后动态地调整网络管理方案包括网络设计、网络负载平衡、网络覆盖容量优化等。

网络管理的能力和效率需要大幅提升

资料来源：“人工智能园地”微信公众号

       AI提升网络预防和预测能力，成为行业发展新趋势。通信网络经历了IP化提供数字基础，以及SDN和NFV为代表软件化将软硬件解耦，并在一定程度上实现了网络的自动化。通过引入AI，进一步提升网络预防和预测能力，对新时代管理复杂网络和控制OPEX至关重要。网络管理者将能够进行大量的自动化、预测性操作，包括自动识别问题和根源分析、自动检测和预测异常、自动发现模式和自动创建规则和策略等。自动生成的可操作的下一步可以与NFV协调和SDN控制系统相结合，进行开环和闭环自动化，从而进一步降低运营成本。这种新的运营方式将减少对人工操作和数据科学家的依赖，控制OPEX。

图：通信行业发展趋势

图：基于ML/AI的预测性管理的演变趋势

资料来源: Analysys Mason

        感知意图、自我优化与演进是智能网络发展的目标。为了促进人工智能够落在实处，需要对相关能力做出定义，从而分阶段的实现功能，国际标准或行业组织如3GPP、ITU-T、ETSI、CCSA、TMF和GSMA等都启动了相关课题研究。

       以GSMA的智能自治网络阶段划分为例，智能自治网络划分为L0(人工运营网络)到L5（完整智能自治网络）六个阶段，从执行、感知、分析、决策、意图、场景六个维度开展评估，从提供重复执行操作的替代方案，到执行网络环境和网络设备状态的感知和监控，根据多种因素和策略做出决策，以及有效感知最终用户体验，直到最后网络能够感知运营商和用户的意图，自我优化和演进。

图：智能自治网络的阶段划分by GSMA

资料来源：GSMA

四、AI在通信领域的应用

1）PON光模块和光链路故障定位及预测

       根据某运营商的统计，2016年7月-12月共收到用户2.5万条投诉，光链路故障占比34%。由于无源器件无法发出任何信息，故障定位非常困难，通常维护人员通过话务统计告警初步排查故障，约占比30%；如果不能判定故障，则需要人工上门排查定位问题，而运营商上门成本高昂，欧洲平均为175欧元，在中国亦达50人民币，某运营商2017年一年上门费用的费用就达到了1亿人民币之多。

图：光链路故障分布

资料来源：“人工智能园地”微信公众号

       借助网管系统，从ONT/OLT光模块获取历史数据，包括模块类型、模块电压、模块电流、模块温度、光层告警、光层统计、发送功率、接收功率、光距等，从这些数据中抽取出特征、打上标签进行AI训练。AI训练出来的模型可以用于实时数据的推理，得出故障种类和故障定界两方面信息，以此来实现故障的精准定位及预测。

       从实际网络验证的结果来看，使用人工智能的方法判定预测光网络故障，使光链路的远程故障定位率从30%提升到80%，支持光链路故障提前派单，明显提升光链路故障处理效率。通过把AI引入到PON网络故障处理中，最终降低故障处理时间，提升了网络运维效率，使体验越来越好。

2）智能告警根因分析

       随着网络结构日趋复杂，网络运维排障的难度随之增大，传统的方式通常依靠人工根据经验及预设的检验规则对告警进行逐一排查和分析，费时费力，对于复杂情况，还需多部门协同处理，定位效率低、耗时长。在新型分层解耦网络架构下，这种处理方式的瓶颈就更加突出，既有规则或将不适应新型网络，监控告警的数量也将成倍增加。

       此案例引入AI算法，不依赖人工介入，通过分析大量的历史告警信息，并结合资源数据、拓扑数据进行分析建模，实现告警RCA规则动态挖掘，从而支撑故障快速定位，逐步积累运维知识库。

图：智能告警根因分析流程

资料来源：GSMA

       从实际网络验证的结果来看，使用人工智能的方法判定预测光网络故障，使光链路的远程故障定位率从30%提升到80%，支持光链路故障提前派单，明显提升光链路故障处理效率。通过把AI引入到PON网络故障处理中，最终降低故障处理时间，提升了网络运维效率，使网络的体验越来越好。

3）智能业务识别保障在线教育顺畅

       2020年初突如其来的疫情，让许多家庭都加入到在线上课大军中。但是在线课堂的卡顿或断线问题，直接影响到学生和老师课堂体验，一定程度上影响了“停课不停学”的顺利开展。

       而在用户侧网关内嵌AI芯片 ，能够快速识别出在线教育业务，对业务进行分级，并进行定向加速。

       从测试数据来看，学习网关能带来较好的加速效果，丢包率与时延达到较好的优化效果，承载超高清网课的时延低至平均50ms左右，比业界传统路由器、光猫设备时延下降至少50%以上，25分钟的一堂课中做到了0卡顿。此外也有网络运营商利用业务识别功能专门为在线游戏提供加速，并为此额外收费。

图：智能业务识别保障教育应用测试效果对比

资料来源：中国联通、华为

       ESTIENI对智能业务识别的机制相关场景应用做了更为详尽的阐述。在网络运行和管理中，网络流量分类起着重要作用。基于流量分类技术，可将流量从协议（如HTTP、SIP）、应用（如视频、语音、下载、即时通讯、网络游戏、虚拟现实等）等层面进行分类。而网络流量分类可以通过多种方法实现，如基于端口技术、基于有效载荷技术等。随着应用的多样性、流量大小和封装流量比例的增长，上述传统的方法效率低下，甚至无法对网络流量进行分类。

       - 基于端口的技术：通过首先在Internet Assign Number Authority（IANA）中注册的端口来确定应用层协议。这种方法效率高，资源消耗低，但不可靠，因为很多应用都使用动态端口号（如P2P）。

       -  基于有效载荷的技术。深度数据包检测（DPI）在电信网络中得到广泛应用，它通过检测数据包有效载荷中的特征签名来识别应用流量。该方法准确率高，但由于应用流量变化非常频繁，对数据包中的特征签名字符串的匹配复杂度和人工成本较高。此外，该方法不能用于封装流量。

        AI在图像分类领域取得了比人类更高的识别率。因此，AI将比特流或提取的特征转换为图像，并将网络流量分类建模为“流量图像”分类。也就是说，通过在传输层（而不是应用层）采集数据并应用机器学习算法，能够以相对较低的开销实现准确的分类结果。

4）园区WLAN智能无线射频调优

       无线射频优化是无线接入网的典型任务之一，随着网络应用场景丰富，网络的规模的不断扩大，网络结构复杂度也水涨船高，这使得原本就难以衡量的无线网络环境比以往更加复杂。

       基于AP的射频和邻区数据，评估射频得分和待提升AP数量，并通过AI算法实时仿真优化效果，并给出信道调整建议，减少Wi-Fi网络部署时调优的时间成本和可能带来的错误。基于历史数据的分析通过AI算法智能识别边缘AP并预测AP的负载趋势，从而给出调优建议。设备会根据调优建议实时或者定时进行自动调优。

图：智能无线射频调优效果对比

资料来源：Tolly，华为

       测试机构Tolly针对某园区的WLAN测试数据显示，相比传统的射频调优，基于AI智能无线射频调优可提升每终端速率达58%，干扰率降低49%。

        ESTIENI在解释“射频调优机制”时表示，在无线局域网中，接入点（AP）控制器设置多个AP的射频参数（如信道频率、带宽、功率等），以提供全覆盖，最大限度地减少小区间的干扰（即动态信道分配和发射功率控制）。系统通过调整关键的射频（RF）参数来定期适应流量（即负载和位置）和无线电环境的变化。对于在线调整任务来说，无法找到确定的函数来映射射频参数与目标覆盖率和容量性能之间的关系。主要原因是可配置的射频参数集是多维的，而且每个射频参数的取值范围很广，导致可能的选项数量非常大。AI方案的优势主要表现在，利用收集到的射频参数、信号强度和吞吐量数据，系统可以利用机器学习来学习映射关系，并指导AP控制器为那些被管理的AP设置适当的射频参数，以优化覆盖和流量均衡。

图：无线射频调优示意图

5）AI辅助客户服务，提升效率与用户体验

       在运营过程中，客服水平极大影响了用户的体验和满意度，客服系统往往需要投入大量的人力确保用户响应的及时性和有效性。人工智能的出现，依托于语音识别、自然语言处理、人脸识别、知识工程等技术，在智能客服领域为运营辅助提供全新的途径。

       -   文字客服渠道方面，利用人工智能中的自然语言处理技术理解问题语义，搜索相关知识库，自动做出回答。对于无法理解或回答的问题，可以自动转到人工座席进行处理。减轻客服人员工作量，分流大量常见咨询，提升客服效率。

       -   语音客服渠道方面通过语音识别和交互技术直接引导客户到对应的服务排队队列，替代传统的多级数字号码选择，提升用户体验。

       -   辅助信息挖掘方面，用户的咨询和投诉信息中隐含着大量对网络故障、质量和服务的反馈信息，通常除非明显的故障情况，其它隐含的质量问题难以通过客服渠道发现。通过语音识别技术将大量的客服对话转为文字并通过自然语言处理等技术分析客服语义中网络和服务问题的影响范围、故障程度，辅助网络进行处理和修复。

       随着互联网技术发展，网络越来越复杂，规模越来越大。传统网络投诉处理的流程存在效率低、问题定界难、全部依靠人工三大难点。聚合服务类数据和网络类数据进行多源、多维综合分析，融合多种AI技术，构建了从用户意图感知、网络数据自动关联、网络故障定位、到故障解决方案等端到端的自助服务，实现了投诉等问题一键智能处理，替换传统人工环节，提升投诉处理效率和用户体验。

图：智能投诉处理子模块关系图

资料来源：GSMA

       从应用效果来看，智能投诉处理已在某运营商省公司全网商用，定位定界准确率达到70%，投诉定位时长由1-2天缩短到15分钟，大幅度提高了投诉处理效率，大大提升了用户体验。

（本文转载自“赛尔网络市场动态”公众号）