中国联通研究院 2022 年 5 月 中国联通云网智能优化中国联通云网智能优化白皮书白皮书 2 2022022 中国联通云网智能优化白皮书 2022 目录目录 一、背景.4（一）新一代信息技术变革加速产业的数字化转型.4（二）网络运营与优化的数字化转型探索.5（三）中国联通智能优化技术演进.6 二、技术现状和演进需求.7（一）技术现状.7（二）演进需求.12 三、目标架构和关键技术.15（一）目标架构.15（二）关键技术.19 四、实验基地建设与技术应用实践.46（一）云网智能优化郑州实验基地建设.46（二）研发成果落地实践.47（三）研发支撑：DevOps 研发架构.65 五、总结与展望.72（一）强网络之基，标准化智能优化网络技术架构.72（二）建设开放生态，构建智能优化通用模型研发体系.72（三）产学研融合，打通智能优化新技术落地转化通道.73 中国联通云网智能优化白皮书 2022-1-前 言 当前我国已迈入“十四五”的新征程，信息化进入加快数字化发展、建设数字中国的新阶段。网络作为数字经济发展基础设施之一，是经济社会发展的信息“大动脉”和数字化底座。中国联通作为数字信息基础设施运营服务国家队，网络强国、数字中国、智慧社会建设主力军，数字技术融合创新排头兵，将全面发力数字经济主航道，发挥运营商的核心优势，着力提升新一代信息基础设施建设服务能力，加速网络数字化、智能化升级，为经济社会高质量发展打造坚实数字底座。基于网络数字化转型方面的研究和创新实践，中国联通制定了“CUBE-Net3.0新型数字基础设施计划”，提出网络智能运营体系：以大数据及 AI 技术为引擎，构建“网络全景掌控、服务对象跟踪、智能需求匹配、客户体验提升”智能服务能力，建立云网、数据、应用的智能联动服务体系，实现敏捷的业务调度管理与优化，动态智能的供需服务匹配，推动网络运营智能化。云网优化工作的数字化转型是智能运营体系中的关键一环，聚焦这一细分领域，2021 年中国联通协同产业伙伴发布中国联通云网智能优化白皮书 1.0，提出了中国联通云网优化的数智化演进目标和技术架构。同时成立了“中国联通云网智能优化郑州实验基地”开展相关技术研发和应用试点。郑州基地作为联通首个从集团、研究院贯通到分公司一线生产单元的优化技术研究、开发和落地转化一体化中国联通云网智能优化白皮书 2022-2-的现网示范基地，以数字化新技术解决一线运维优化工作中的痛点问题、提升一线网络运营智慧化水平，打通了研究成果到生产运营转化的通道，把研究成果写在经营发展的大地上。经过半年多的研发与实践，我们编制了中国联通云网智能优化白皮书 2022，一方面持续跟踪和推动技术演进，在技术栈中创新性地建立“知识平面”；另一方面着重分享联通在实验基地建设和技术落地实践方面的工作进展和经验。我们期望以白皮书为蓝图，以中国联通云网智能优化实验基地为载体，协同产、学、研各方加速技术成果孵化及落地应用转化，共同推动优化工作的数字化、智能化转型，切实为一线网络赋能智慧运营服务能力。中国联通云网智能优化白皮书 2022-3-编写组成员编写组成员（排名不分先后）：中国联合网络通信集团有限公司：中国联合网络通信集团有限公司：王睿、李巍、许国平、孟宁 中国联合网络通信有限公司研究院：中国联合网络通信有限公司研究院：叶晓煜、程新洲、朱佳佳、吕非彼、刘亮、乔金剑、狄子翔、王昭宁、只璐、杨子敬、张亚南 中国联合网络通信有限公司河南省分公司：中国联合网络通信有限公司河南省分公司：张宏涛、李钢、李志强、梁松柏 中国中国联合网络通信有限公司郑州市分公司：联合网络通信有限公司郑州市分公司：吴建峰，王宝君，王一帆，王峰，程丽君，翟金羽，臧宾，杨国娟，李政，王琪，邓羽翼，杨怡帆，王莅滨，申沛羽 华为技术有限公司：华为技术有限公司：马国军、魏宏、朱雷、李世涛、邓辉、陆烽 中兴通讯股份有限公司：中兴通讯股份有限公司：李永乐，张晨红，贾皓昕，王连臣，金友兴 中国联通云网智能优化白皮书 2022-4-一、一、背景背景（一）（一）新一代信息技术变革加速产业的数字化转型新一代信息技术变革加速产业的数字化转型 从国际上看，当今世界正经历百年未有之大变局，新一代信息技术加速迭代升级和融合应用，世界经济数字化转型加速，数字经济引领生产要素、组织形态、商业模式全方位变革。以信息技术生态优势、数字化转型势能、数据治理能力为核心的激烈竞争前所未有。从国内来看，“十四五”时期迈入加快数字化发展、建设数字中国的新阶段。十四五国家信息化规划中指出，当前我国经济已转向高质量发展阶段，坚持技术创新和制度创新双轮驱动，以数字经济引领现代产业体系建设，有利于推动经济发展质量变革、效率变革、动力变革1。网络作为数字经济发展基础设施之一，是经济社会发展的信息“大动脉”和数字化底座。数字化、智能化的网络是承接“网络中国”、“数字中国”和“智慧社会”国家战略的重要交汇点2。中国联通作为数字信息基础设施运营服务国家队，网络强国、数字中国、智慧社会建设主力军，数字技术融合创新排头兵，将全面发力数字经济主航道，以“大联接、大计算、大数据、大应用、大安全”为主责主业，着力提升新一代信息基础设施建设服务能力，加速网络智能化、数字化升级，建设泛在智能的网络连接设施、构建云网融合的新型算力设施，为经济社会高质量发展打造坚实数字底座。中国联通云网智能优化白皮书 2022-5-（二）（二）网络运网络运营与优化的数字化转型探索营与优化的数字化转型探索 随着 5G 网络的建设部署，四代网络共存，网络复杂度显著提升、网络运营压力大幅增加。同时，数字化转型的内、外部驱动力对网络的敏捷运营提出更高的要求，网络的传统运营方式亟待变革。电信运营的数字化转型需要以数据为核心，驱动运营的效率革命。海量的原生数据只有叠加了智能技术才能挖掘其潜在价值，为企业在精准定位、主动服务、智慧运营等方面发挥重要作用。电信运营商必须加快业务流程的数字化和智能化，以数字化的角度重塑网络服务与运营优化流程，力争从传统网络服务提供商的角色向多元智能服务的角色迈进。经过多年的探索和实践，联通 5G 网络已经基本完成网络的云化转型，在基础设施云化、网元虚拟化、网络 SDN 化方面逐步完成商用实践。从 2020 年起，中国联通启动自治网络探索2，建设智能网络中台，推动全国开展数字化运营达标活动。2021 年，中国联通发布了“CUBE-Net3.0 新型数字基础设施计划”3，提出网络智能运营体系，以大数据及 AI 技术为引擎，构建“网络全景掌控、服务对象跟踪、智能需求匹配、客户体验提升”智能服务能力，建立云网、数据、应用的智能联动服务体系，实现敏捷的业务调度管理与优化，动态智能的供需服务匹配，推动网络运营智能化。在联通智能运营体系中，智能优化是网络智能化的关键技术和应用方向之一。网络优化工作即是在有限的资源条件下，以大数据分析中国联通云网智能优化白皮书 2022-6-为手段，寻找最优化的资源配置组合，以实现更好的运营服务质量。这与人工智能技术的多目标优化、海量数据挖掘、人工经验替代等特点具有高度的特征一致性。因此，智能优化是需求最明确的网络 AI 场景之一，也是最适合通过新一代信息化技术完成数字化、智能化转型的方向之一。与此同时，5G 业务需求的多样性发展、网络的复杂度提升，使得原有的技术架构逐渐难以满足新的数字化运营需求，限制了云网优化工作的进一步智能化。这促使我们对网络技术架构体系提出新的要求，在关键技术方面寻找新的突破，也必将促使网络优化工作的理念发生改变。（三）（三）中国联通智能优化技术演进中国联通智能优化技术演进 聚焦云网智能优化领域，落实数字化转型战略，中国联通以架构性创新、以标准技术引领，协同合作伙伴共同推进行业发展，2021年于郑州成立了“中国联通云网智能优化实验基地”，并发布了中国联通云网智能优化白皮书 1.0。白皮书提出了中国联通云网优化的数字化、智能化技术演进目标和愿景。面向未来 3 至 5 年，对业务需求、网络架构和关键技术的演进方向进行了阐述。我们认为智能化技术的发展，将推动云网优化工作实现六个转变：从静态平均最优到动态实时最优 中国联通云网智能优化白皮书 2022-7-从投诉驱动的被动优化到实时数据感知驱动的主动优化 从外部平台辅助分析到内生智能闭环决策 从尽力而为的性能保障到智能的供需服务匹配 从人工操作到意图“轻触点”控制 从数据驱动到数据、知识融合驱动 中国联通云网智能优化白皮书 2022作为中国联通云网智能优化白皮书1.0 的继承与延续，一方面持续跟踪和推动技术演进，在技术栈中创新性地建立“知识平面”；另一方面着重分享了中国联通在实验基地建设和技术落地实践方面的工作进展和经验。我们期望以白皮书为蓝图，以中国联通云网智能优化实验基地为载体，协同产、学、研各方，共同推动智能化技术在云网优化领域的加速技术成果孵化及落地应用转化，切实为一线网络赋能智慧运营服务能力。二、二、技术现状和演进需求技术现状和演进需求（一）（一）技术现状技术现状 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。中国联通云网智能优化白皮书 2022-8-1.1.网络动态变化，但优化目标仍是“平均”最优网络动态变化，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（Policy Control Function）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。2.2.跨域多元数据采集、融合，但硬件和运维成本高跨域多元数据采集、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、核中国联通云网智能优化白皮书 2022-9-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。3.3.业务实时性增强，但业务体验难以实时分析业务实时性增强，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。中国联通云网智能优化白皮书 2022-10-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。4.4.网络复杂度攀升，但人工优化仍占比大网络复杂度攀升，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。中国联通云网智能优化白皮书 2022-11-5.5.AIAI 优化研究众多，但现网落地应用不畅优化研究众多，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。这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。6.6.ToBToB 业务的优化需求显现，但优化标准和方法尚不成熟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。专网国内外标准组织和产业联盟已制定了 5G 切片业务分级体系、行业业务分级体系、端到端网络KPI 指标要求等，但尚未形成共识3。业务需求指标与网络指标的映射与转换方法也没有统一的标准，因此针对 ToB 网络的优化技术体系和标准也未形成。中国联通云网智能优化白皮书 2022-12-（二）（二）演进需求演进需求 随着 5G 网络建设不断完善，应用场景更加多样化，业务模式和流程愈加多样和复杂，服务对象由 ToC 向 ToB 转变，5G 运营急需高弹性、高质量的网络服务。但原有的网络技术架构，逐渐难以满足新的网络数字化运营需求，限制了云网优化工作的进一步智能化。因此需要创新网络技术架构，充分运用大数据、人工智能等技术，以实现敏捷精准的业务调度、动态智能的供需服务匹配为目标，推动云网优化工作实现六个转变。1.1.从静态平均最优到动态实时最优从静态平均最优到动态实时最优 网络优化的目标由基于小区历史性能“平均最优”的静态网络，转变为实时的、基于用户位置的、网络资源与业务需求智能匹配的动态性能最优网络。在过去的三十年，受限于硬件能力，网络优化工作被视为在有限的资源下进行平衡，找到一个“平均”最优解。然而，随着 5G 网络的云化、虚拟化以及 AI 技术、大数据基础的快速发展，网络的数据、算力、算法三要素已能够支撑网络优化实现智能化变革。从网络的角度看，多样的网络场景、动态的业务流向和业务体验需求，为网络资源的调配提供了新的优化空间。从机器学习的角度看，智能化技术将引入时间、空间、业务、OTT 等多维数据，使数据分析步入“高维”空间，云网优化问题的求解目标，从单目标中国联通云网智能优化白皮书 2022-13-优化演变为多目标优化。2.2.从投诉驱动的被动优化到实时数据感知驱动的主动优化从投诉驱动的被动优化到实时数据感知驱动的主动优化 网络数字化是实现网络状态和业务感知的前提，依赖更加动态、实时的网络资源、业务体验、运行状态、故障日志等等数据，为下一步的网络 AI 分析、预测和决策提供数据基础。现状的网络架构难以实现实时的数据感知，网络需要通过扁平的数据闭环架构、跨域统一的数据模型、极简的交互协议以及网络、业务双向感知等机制以确保数据的准确性和实时性。最终通过数据分析，洞察和预测用户业务需求和网络资源供给，驱动网络实现实时、动态的主动优化。3.3.从外部平台辅助分析到内生智能闭环决策从外部平台辅助分析到内生智能闭环决策 智能优化由现状外挂平台分析、跨域、跨厂商逐级配置调整，转变为网络内生智能的闭环自优化网络。网络架构方面，需要加强云、网、端、边、业的智能协同，增强网元数字化、智能化能力，增加网内的智能分析和管控网元，建立单域自治和跨域协同机制，使网络具备内生智能闭环优化能力。在网络内部的 AI 模型上，一方面需要推进可服务化能力的专家知识和优化经验数字化，另一方面需要制定开放的、标准化的 AI 模型应用架构，逐步构建面向领域生态的 AI 标准服务，促进同领域 AI模型快速复用，跨领域 AI 模型简化开发，共同推进网络内生的智能能力。中国联通云网智能优化白皮书 2022-14-面向机器学习技术的不确定性和多目标优化任务，需要通过数字孪生等技术建立网络沙盒，结合小样本学习技术和数据自标注技术，推动实现新的智能优化技术孵化和落地应用模式。4.4.从尽力而为的性能保障到智能的供需服务匹配从尽力而为的性能保障到智能的供需服务匹配 面对网络 ToB、ToC 千差万别的业务需求，云网优化工作需要由对网络质量的无差别保障和调优，转变为智能优化能力的研发和提供，实现优化能力的原子化、可编排和服务化。云网优化的服务对象也将由网络本身，转变为对内服务网络运营的效率提升、对外赋能行业数字化转型与发展。5.5.从人工操作到意图“轻触点”控制从人工操作到意图“轻触点”控制 为将一线人员从越发复杂的网络和庞杂的数据、参数中解放出来，降低低效、重复的操作和试错流程，使优化工程师能更聚焦于网络运营的核心业务逻辑中，网络需要为一线人员提供“轻触点”。所谓优化的“轻触点”，既是要扁平化一线的问题定位、分析和优化执行操作流程。通过网络运营管理的智能化技术，逐步实现以数据驱动定位问题根因，以意图控制来设定优化目标、执行优化策略。优化工程师逐步转型为算法研发工程师、网络策略规划师、业务编排工程师等。6.6.从数据驱动到数据知识融合驱动从数据驱动到数据知识融合驱动 随着 5G 时代的到来，云网融合的发展趋势下，云网运营工作复杂度快速增加，对运营系统的智能化程度的要求也越来越高。在目前中国联通云网智能优化白皮书 2022-15-的运营系统中，通常围绕运营过程中产生的日志、报告、参数等数据的分析驱动系统的智能化决策，存在着理论分析困难、可解释性差、过度依赖高质量和计算机算力等问题，限制了系统智能化的进程。在网络日常运营的过程中，除了设备产生的客观数据，还存在着实践过程中总结出的操作经验、案例文档等专家知识，充分发掘知识在运营过程中的价值，才能进一步深化运营系统的智能程度。第三代人工智能的发展方向是融合知识和数据，实现一个双向驱动的人工智能框架。在这个新的框架里，简单地把知识和数据叠加起来是不行的，因为数据与知识的融合任务面对着很多计算科学理论、算法和基础设施的挑战。只有克服了这些挑战，让机器把所有的数据和知识都真正的利用起来，才能实现真正的智能。三、三、目标架构和关键技术目标架构和关键技术（一）（一）目标架构目标架构 5G 业务需求和智能化技术的发展要求优化工作的理念进行改变，对云网运维优化技术体系提出了更高的要求，在网络架构、关键技术方面需要有新的突破。1.1.云网自治层次化架构云网自治层次化架构 在网络的闭环自治层次化设计上，产业共同推进网络的单域自治和跨域协同能力。中国联通参考 TM Forum 自智网络定义的三层四闭环网络自治架构5，又结合智能优化的技术研究和实践，对该框中国联通云网智能优化白皮书 2022-16-架进行了进一步的解释和细化。图 1 中国联通云网自治层次化架构目标 其中，三个层次分别是指网络运营管理的不同平面，分别是：资源运营层：提供网元智能化和自治域内网络的智能化资源配置和管理能力。网元智能化是网络智能化的基石。网元需要对运行环境及自身信息有深度的感知能力，基于预定的规则进行优化，如业务量低时降低设备功耗、网元故障自动隔离和容灾处理、网元内组件间负荷均衡等；服务运营层:接收业务需求，并为业务提供网络智能运营、运维、优化、规划等管理和服务能力，实现网络运营策略的跨域协同管理和分发。服务运营层是实现跨域协同的关键，包括业务协同与网络协同等功能；中国联通云网智能优化白皮书 2022-17-业务管理层:面向用户，提供不同的网络业务服务。用户既可以是运营商的网络运营优化人员，为之提供高效的网络运营服务能力；也可以是普通用户或行业用户，为之提供灵活、多样的网络服务和新业务能力。业务管理层通过不同层次的能力开放，对外部客户与内部客户提供差异化的业务服务。四个闭环，分别实现全流程的自治和层间的自治：用户闭环：面向端到端的用户业务服务保障，接收和评估用户的意图，并驱动其他层进行相应的运营管理动作；业务闭环：面向业务制定相应的网络服务要求和服务策略，评估业务与网络的匹配度以及全局下多业务的健康度，快速敏捷的实现业务质量保障和新业务的开通；服务闭环：面向网络服务能力的运营管理，实现网络跨域协同管理；资源闭环：面向自治域内的网络、网元的性能优化和资源调度。2.2.云网智能优化技术架构云网智能优化技术架构 为实现分层自治的闭环智能优化网络能力，联通云网智能优化的技术研发将以意图驱动为触点，以数据、知识和模型为核心，创新云网数据采集、分析和闭环控制机制，基于数字化、智能化、服务化的运营管理架构升级，实现数据和知识双轮驱动的单域自治、跨域协同中国联通云网智能优化白皮书 2022-18-闭环智能优化能力。在白皮书 2022 版本的迭代中，在技术栈垂直方向上，联通创新性的引入知识平面概念，细化“知识”的获取、表示、存储和应用等关键技术，以推动网络中流动的海量数据的知识化、持久化，从而为网络内生智能的持续进化奠定基础。联通云网智能优化在技术架构上划分 4 个层次：数据采集层：数据采集层：关注云网运行中所生成的源数据本身，引入新的资源模型设计（NRM）、5G 最小化路测(MDT)、标准化网元数据软采接口、知识获取与建模等新技术；数据治理层：数据治理层：强化 ICT 技术融合，提升多元数据存储、交互和跨域融合能力，引入新的数据发现、采集和控制机制，建立数据的知识化和知识的数字化技术方法；智能分析层：智能分析层：底层建立优化知识图谱和 AI 模型算法通用平台作为原子能力库，网络沙盒实现优化调整效果的孪生模拟，支撑网络的根因诊断和网络自愈、自优、自配置；跨域管理层：跨域管理层：基于对运营优化意图的理解和转译，简化运维优化人员的人机交互流程，实现全局优化分析；服务化架构的升级,拓展5G 与外部系统的协同能力，建立优化即服务的能力;引入 MDAF、NWDAF 等网络域内智能化数据分析网元，协同 OSS 系统，通过网络架构革新实现跨域的智能化能力协同。中国联通云网智能优化白皮书 2022-19-图 2 中国联通云网智能优化目标技术架构（二）（二）关键技术关键技术 1.1.数据采集层：数据采集层：（1）RAN 侧数据采集 基于尽量减少对终端功耗的影响和尽量增加位置信息可用性的设计理念，5G MDT 技术将持续演进。MDT 技术主要通过扩展现有的 RRM（无线资源管理）测量功能和 Trace 功能实现，基站根据网管配置的 MDT 测量任务下发相关测量配置给终端，由终端进行测量并上报测量信息至传统 OMC 或 MDAF 网元。5G MDT 将结合 5G新的高精度定位能力，实现更精确的位置信息采集、支持室内场景的蓝牙和 WLAN（无线局域网）位置相关信息测量，以及方位角、气压中国联通云网智能优化白皮书 2022-20-计（表征高度）等传感器数据采集，并在原始数据中完成测量数据关联。同时 MDT 支持空闲态测量报告采集和异常事件测量数据采集。5G 中 MDT 数据对波束，非激活态和双连接特性进行增强，支持非激活态终端执行 logged MDT，支持记录服务小区最好的 SSBID 和RSRP/RSRQ，以及质量超过一定门限的 SSB 的个数，运营商可配置只记录特定频点或邻区的测量结果，减少对终端缓存的压力。（2）网络和管理域数据采集 现有网管不能收集终端或者群组级别的数据，只能收集全域性(Global 级，区域、切片、网元集合、网元标识)数据，例如现状的KPI 数据、NG RAN 或 5GC 性能测量数据(Performance Measurement)、5G 端到端 KPI 数据(End to End KPIs)、故障监测数据(Fault Supervision)、MDT 数据。联通将推动标准化的网元侧数据软采能力，基于 5GC 和管理域分别引入的 NWDAF8、MDAF9系统，以服务化接口实现轻量化、端到端的用户、业务级数据实时采集。通过 5GC 网元内置的轻量化智能引擎，可实现网元内的智能感知、处理、验证闭环。通过部署NWDAF、MDAF 智能引擎实可实现网元间的智能闭环；并可按场景灵活适配网元内生智能和 NWDAF 闭环。例如，典型的网元数据接口需求如下表：中国联通云网智能优化白皮书 2022-21-表 1 典型网元数据接口需求 5G5G 网元网元 采集的用户数据采集的用户数据 AMF 用户接入信息用户接入信息，包括：1、用户 ID（SUPI，PEI），终端能力 2、接入状态（注册状态、连接状态、UE 是否可达）3、接入类型（2/3/4/5G）4、实时位置（PLMN，小区）SMF 用户会话信息用户会话信息，包括 1、用户 ID（SUPI、GPSI）2、PDU session 信息（DNN、S-NSSAI、UEIP、PDU session ID、Qos flow 参数等）UPF 用户业务信息用户业务信息，包括 1、用户 ID（SUPI、GPSI）2、IP Flow 信息（IP 五元组、速率、丢包、时延、流量等）3、DPI 信息（协议、应用、网站等）4、PCC 策略匹配信息 5、不同业务的流量使用报告 UDM 用户签约信息用户签约信息，包括 1、用户注销 2、用户换卡、换机 用户漫游信息用户漫游信息，包括 1、用户漫游状态 2、漫游出 LMN PCF 用户套餐信息用户套餐信息，包括 1、用户签约套餐名称、配额信息 2、用户配额消耗信息 3、用户策略匹配信息 RAN OAM 小区拥塞状态小区拥塞状态 1、PDCH 信道比 2、无线资源使用率 UE MDTUE MDT 数据数据 1、经纬度 2、信号覆盖 RSRP CN OAM 资源利用状态资源利用状态 1、控制面资料利用率 2、用户面资料利用率 指标监控指标监控 1、关键 KPI 指标 2、重要告警信息 中国联通云网智能优化白皮书 2022-22-（3）数据建模技术 联通将推动网络跨域数据的标准化、ID 化，实现数据来源可识别、可管理，支撑数据分析链的建立，具备数据血缘跟踪能力。建立基于场景的数据整合关系和公共数据模型，实现数据接口场景化、标准化、自动化，形成数据到信息的转化。增强元数据驱动的复杂对象关系建模，根据业务对象的建模关系，自动抽取对象转换逻辑，自动生成业务数据 Pipeline。基于行业组织共同推动，标准化下一代管理信息模型（NRM）的静态建模方法。目前各大标准化组织（SDO）都提出了各自的管理信息模型定义方法学，以指导信息模型的定义过程和描述方法。典型的方法包括 ITU-T 的 UTRAD 方法、3GPP 的集成参考点方法（IRP）、TMF 的 MTNM 方法。基于云网智能优化动态、实时性的需求，采用知识图谱研发动态数据建模方法。基于知识图谱构建网络资源模型的方法包括数据感知、数据库构建、场景抽象等过程，实现不同业务场景驱动的知识库模型建模。通过图谱的知识抽取、知识融合和知识推理过程，基于网络多元数据完成对网络态势的感知和表达。（4）知识提炼 传统的网络优化往往把大量的精力放在数据的收集和存储，数据的分析结果往往形成文档或幻灯片后就失去了参考价值，严重缺乏对数据中隐含的深层信息进行深入地系统性地挖掘，造成数据的价值得中国联通云网智能优化白皮书 2022-23-不到有效发挥，进而难以支撑更高层次的智能优化。托马斯斯特尔那斯艾略特曾经提出 DIKW 理论，给出了一个关于数据（Data）、信息（Information）、知识（Knowledge）、智慧（Wisdom）的模型，人或机器的认知与学习是遵循一个获取数据、提炼信息、总结知识、通悟智慧的过程。知识通过人们的参与对信息进行归纳、演绎、比较等手段进行挖掘，使其有价值的部分沉淀下来，这部分有价值的信息就转变成知识。通过知识才能支撑更高层的智慧。将数据转化为知识进而支撑预测和决策，是知识管理流程中的重要挑战。知识驱动的云网智能优化目标是创建一个闭环的运营模型，在其生命周期的每个步骤中获取的数据和知识被快速集成在网络优化过程中，不断提高优化的效率和质量。2.2.数据治理层：数据治理层：（1）实时、非实时数据采集和文件管理技术 为改变现状网络的文件传输、逐级汇聚的传统数据归集模式，5G将通过服务化接口和流式（streaming）数据传输技术满足实时、非实时的数据采集需求。行业共同研究和推进实时、非实时的数据采集接口以及基于文件的管理数据接口标准化。其中实时数据采集接口基于HTTP WebSocket协议进行流式的数据传输：中国联通云网智能优化白皮书 2022-24-表 2 3Gpp WebSocket 协议示例说明 接口名称接口名称 作用说明作用说明 establishStreamingConnection 建立连接以及WebSocket通道 terminateStreamingConnection 关闭WebSocket通道以及连接 reportStreamData 获取实时数据流 addStream 增加一个实时数据流 deleteStream 删除一个实时数据流 getConnectionInfo 获取WebSocket通道连接信息 getStreamInfo 获取传输的实时数据流信息 例如，实现无线网络 Trace 数据的实时传输，Trace 报告的生成方可以和获取方之间建立 steaming 传输的通道，从而生成方可以实时的将产生的 trace report 发送给获取方。非实时接口方面，采用 RESTful HTTP 规范，并且通过增删改查操作对数据采集进行服务化管理。3GPP 还定义了文件形式数据管理的接口，支持多种传输协议，比如 SFTP,FTPS。目前可以采用文件传输的数据类型主要有性能数据，trace 数据，MDAS 分析报告等。管理系统通过将文件同具体的性能报告（PerfMetric）或者 Trace 关联的方式，实现文件的获取。比如一个性能报告任务（PerfMetricJob）下可以定义 1 个多个文件（File）对象，并且对 File 对象的属性做定义，比如 File 的获取地址，File 是否压缩，File 的 format 等，当需要获取该性能报告时，性能报告将于文件形式进行传输。中国联通云网智能优化白皮书 2022-25-图 3 Trace 文件管理接口设计示例 在系统的实现层面，通过引入 hadoop、kafka、flink 等等大数据技术，支持海量数据的分布式和流式处理。（2）数据接口的服务化 基于 5G SBA(Service-based Architecture)服务化架构，3GPP 已定义了服务化的数据采集、分析和反馈流程机制。但具体业务用例、数据规范和接口能力尚未统一，聚焦智能优化的业务用例，我们将以业务需求为驱动，研究并推动服务化数据接口能力标准化演进和落地应用。新的服务化数据采集机制依托 NWDAF、NEF(Network Exposure Function)网元，支持 NF（网络功能）、OAM（Operations,Administration and Maintenance）和第三方 AF（外部应用）的数据采集，实现云网端到端的轻量化、实时数据采集，并能由 NWDAF进行实时的数据关联拼接。中国联通云网智能优化白皮书 2022-26-NWDAF Service Consumer(5GC NF/Operator AF)NWDAF 1.Nnwdaf_AnalyticsSubscription_Subscribe/Nnwdaf_AnalyticsSubscription_Unsubscribe 2.Nnwdaf_AnalyticsSubscription_Notify 图 4a 网元 NF 数据采集流程 图 4b 第三方应用 AF 数据采集流程 NWDAFOAM1.Subscribe(Input)4.Notification(notifyFileReady)3.Data Processing2.Subscribe(Output)图 4c OAM 数据采集流程 采集的数据结果通过订阅/通知模式进行周期性发送，消费者（5G NF/AF，比如 PCF）可以通过请求/响应获取 NWDAF 数据分NWDAF1.Nnef_EventExposure_Subscribe/Nnef_EventExposure_Unsubscribe3.Naf_EventExposure_NotifyNEF3rd AF2.Naf_EventExposure_Subscribe/Naf_EventExposure_Unsubscribe4.Nnef_EventExposure_Notify0.Registration of Available Data中国联通云网智能优化白皮书 2022-27-析结果的反馈 NWDAF Service Consumer NWDAF 2.Nnwdaf_AnalyticsInfo_Request response 1.Nnwdaf_AnalyticsInfo_Request 图 5 基于事件的请求/响应获取数据分析结果（3）跨域数据采集和协同机制 现状 5GC 和 RAN 采集数据分域全量采集，均以文件形式通过ESB（企业数据服务总线）逐级汇总至 OSS 系统。OSS 应用在海量跨域数据中，通过时间戳 NGAPID 等标识搜索并关联用户、业务级数据，数据存储和运算量极大。5G 网络将通过内生的数据分析网元和服务化接口采集机制，实现更加扁平的数据分析架构，简化数据流转、拼接和分析流程。通过定制化的网元服务化数据软采，按业务接口需求进行数据采集，不再全量采集数据。RAN 和 5GC 同步采集，形成天然的端到端用户业务数据关联窗，支撑高实时、低成本的完成数据拼接和融合。中国联通云网智能优化白皮书 2022-28-图 6 端到端网络数据采集架构的演进方向（4）知识管理与推理 David Clark16首次在网络中引入了知识平面的概念，提出知识平面应当在网络管理系统中获取和使用专家知识，基于这一理论，中国联通提出了基于知识构建自治网络和智能优化的架构，通过提供自适应的管理决策提供 QoS 与弹性资源调度的保障。自主管理不仅是让自治网络自行做出决策，而且还涉及故障检测、问题诊断，并为优化人员提供可能采取措施的选项，同时对系统可能发生的变化进行预测。中国联通云网智能优化白皮书 2022-29-图 7 基于知识的闭环管理 在知识驱动的智能优化架构中，用户或运营商提供的意图被传递到意图平面，意图在知识平面进行转换、规范、分解和验证，然后再传递到管理平面。管理平面确保有足够的资源来回答意图。它主动从数据平面收集数据，并使用持续集成、持续部署(CI/CD)等技术来确保新意图不会对系统中的现有意图产生不利影响。验证完成后，新配置将交付到控制平面以进行应用。与用户的意图并行，系统从不同来源（例如，历史案例、标准规范、公开知识等）收集知识，并将它们作为输入提供给知识平面。知识平面首先过滤、调整和分类数据，然后使用大数据算法、机器学习或深度学习等人工智能技术，对知识进行分析、推理、预测等一系列中国联通云网智能优化白皮书 2022-30-过程获得决策，并自动地应用到管理平面，或者提供给优化人员进行进一步的判断操作。3.3.智能分析层：智能分析层：（1）根因诊断 根因诊断是近年来较为热门的研究领域，就无线网络问题的分析定位来说，一个问题的出现往往不是孤立的，而是伴随着众多问题同时出现。一直困扰移动网优化工作、使优化动作变得频繁、低效的一个问题，是针对一个网络异常，大量的、不同类型的数据源都过度依赖人工经验逐一分析。如何从高维网络数据分析中找到问题的根因，是降低工作量、提升工作效率的关键。根因分析（ROOT CAUSE ANALYSIS，简称 RCA）：在网络运行过程中，由于某些确定的因素，导致特定事件(焦点事件)的发生。根因问题分析的过程，是要了解发生这些问题与事件的根本原因，而不是伴随出现的某些现象。RCA 是用来分析已经发生的焦点事件的，因此分析的是过去（事后）。然而，对过去事件根源的了解，可以提前预知问题的发生。根因诊断的行业应用：根因分析被用来分析具有积极和消极结果的焦点事件的根本原因，常用于分析失败和事故。事件的原因可能是多种多样的，包括设计过程和技术过程，组织特征、人的方面和外部事件。RCA 可用于调查质量及管理系统中不符合要求的原因，以及中国联通云网智能优化白皮书 2022-31-失败分析，例如用于故障分析、设备测试分析等。图 8 根因诊断过程 根因诊断技术应用：现阶段根因诊断已经规划并设计了相关的技术来帮助分析员识别因果因素，并最终确定根本原因。分析技术可以发挥以下一个或多个功能。-组织数据，为分析提供结构，确定哪里需要进一步的证据；-提供与重点事件有关的证据的可视化显示，例如，事件的时间顺序或因果链；-对数据进行统计分析，特别是来自多个类似事件的数据，以确定共同的因果因素；-提供指导，确定可能的因果因素，以便进一步调查并与数据进行比较（此类方法包括检查清单和基于因果关系模型的方法）；-引导分析人员通过因果链找到一系列的根本原因。中国联通云网智能优化白皮书 2022-32-表 3 根因诊断主要分析技术 应用技术名称应用技术名称 技术方案描述技术方案描述 事件和因果因素(ECF)图表 ECF 分析识别一系列任务和/或操作的时间序列，以及导致焦点事件的周围条件。这些都显示在因果关系图中 多线性事件排序(MES)和时序事件绘制(STEP)MES 和 STEP 是用于分析复杂焦点事件的数据收集和跟踪方法。结果显示为事件的时间-行动者矩阵“为什么”的方法“为什么”方法通过多次提出“为什么”的问题来引导分析 原因树法(CTM)CTM 是一种系统的技术，用于分析和图形化描述事件和导致焦点事件的条件。CTM 在概念上类似于“为什么”方法，但构建了一个更复杂的树，明确地考虑了技术、组织、人类和环境的原因 原因分析(WBA)WBA 使用双因素比较，即反事实测试，建立了一个对焦点事件负责的因果因素网络。因素网络显示在“为什么-因为”图中 故障树和成功树方法 故障或成功树是信息的图形显示，用于帮助用户进行演绎分析，以确定成功或失败的关键路径，这些路径以图形方式显示在逻辑树图中 鱼骨图或石川图 鱼骨图或石川图是一种帮助识别、分析和呈现焦点事件的可能原因的技术。该技术说明了焦点事件与所有可能影响它的因素之间的关系 通过组织学习实现安全(SOL)SOL 是一个清单驱动的分析工具，面向核电厂的焦点事件。从 MES/STEP 方法导出的结果以时间-角色图的可视化形式呈现 管理监督和风险树(MORT)MORT 图是一个预填充的故障树，包含事件，通常是故障或，用通用术语表示的疏忽。MORT 树包含两个主要的分支和许多子分支提供了高度的细节。一个主要分支确定了约 130 个具体的控制因素，而另一个主要分支识别超过 100 个管理系统因素。图表还包含一个这棵树的两个主要分支共有另外 30 个信息系统因子 中国联通云网智能优化白皮书 2022-33-AcciMaps AcciMaps 主要是一种用于显示因果分析结果的技术。它需要一个组织模型来将因素分离到各层，并引出各层中的因素;应用反事实测试(见 WBA)来确定因素之间的因果关系 三脚架 Tripod Beta 是一个表示因果网络的树形图，专注于人为因素，并寻找组织中可能导致人为错误的失败（2）SON 与网元智能增强 为增强网络的整体智能化，网元也需进行数字化、智能化的技术增强。一方面需要引入更多的传感器件，对资源、业务、位置、环境、运行事件、拓扑状态等等具备感知能力；另一方面网元自身也会具备AI 算法和算力资源，以完成网元级的智能自治。无线侧（RAN）将首先推进 SON 功能以及其他智能网络优化特性。其中，5G SON 技术包括基站自启动、参数自动配置、PCI 自优化、自动邻区关系优化(ANR)、最小化路测(MDT)、移动鲁棒性优化(MRO)、移动负荷均衡(MLB)、随机接入优化（RACH 优化）、基站自治愈等功能；基于 AI 的移动性管理、智能切换、基站节能、负载均衡以及 MassiveMIMO 权值优化等参数自配置技术。网络侧通过引入 URLLC、网络切片、TSN 等技术，并利用NWDAF、PCF 等，实现对网络资源的端到端管理、调度、策略实施，提供确定、稳定的网络能力。并可以实现网元内自动负荷感知、智能流控、智能寻呼、高价值 QoS 保障等增强网络功能。网管域引入 MDAF 实现跨域数据、功能的协同，与 RAN、5GC共同构建网络内生的智能优化能力。中国联通云网智能优化白皮书 2022-34-行业的众多标准组织也将共同推进的不同领域的网元智能化技术发展。表 4 不同标准组织在网元智能化方面的标准化工作5（3）通用算法模型平台和关键技术 构建网络 AI 模型算法通用平台，涵盖 AI 模型的开发、调测和发布，推进全生命周期的可服务化能力的知识沉淀，逐步构建面向领域生态的 AI 标准服务，促进同领域 AI 模型快速复用，跨领域 AI 模型简化开发。构建云网协同的 AI 模型分层架构，结合联邦学习、迁移学习和 AutoML 等技术，实现 AI 模型的跨层、跨域和跨局点协同和长周期模型劣化的自调整。基于网络分层的自治架构，联通也将建设不同域内的算法模型平台。5G 网络域和管理域内，依托 NWDAF、MDAF 的智能化数据分析能力，建设具有内生智能的模型算法平台，支撑 5G 网络域内的闭环自优化。在 OSS 域，联通将持续建设网络智能中台，提升智能化运营能力。针对优化工作参数繁杂、数据维度高、因果关系强、数据集建设中国联通云网智能优化白皮书 2022-35-成本高等业务特点，我们将进一步加强在多目标优化、强化学习、图神经网络等 AI 算法领域的核心技术攻关，逐步实践根因分析指导优化和无人闭环自优化。图 9 通用智能优化算法研发框架示意图（4）网络沙盒 网络沙盒是对现实世界已经存在或未来可能会存在的网络生态的数字孪生，主要包括对网络生态中物理环境、基础设施、实体网络的特征、行为及性能进行孪生。可以通过无人机倾斜摄影或激光扫描的方式对实体网络生态数据进行采集，通过第三方建模软件对模型数据进行建模，通过图形库 API、其他数字化技术以及相关行业知识对模型进行数字化建设，形成网络沙盒。基于数字孪生等技术建立的网络沙盒，通过对物理世界的用户、业务、设备、事件等要素的数字化，在数字空间再造一个与之对应的“虚拟世界”，通过对空间人、事、物、资源设施的孪生实例，以数据中国联通云网智能优化白皮书 2022-36-和模型为驱动，构建数字孪生体，结合小样本学习技术和数据自标注技术，解决网络异常数据少和数据标注成本高等问题，支撑新的智能优化技术孵化和落地应用模式，实现云网智能优化新技术、新算法的快速开发、验证和发布。面向 5G 网络的高复杂性和灵活度，网络沙盒可以提供：对实体网络生态中的物理环境、基础设施的特征、行为及性能的模拟，通过传感器等进行实体数据和孪生数据的实时同步。通过对孪生网络生态的监测，及时发现基础网络设备损坏、故障等问题，通过对孪生基础设施的虚拟调整达到对实体基础设施的同步调整，节省人力、物力和时间。对实体网络生态中的实体网络的孪生，可以增强实体网络所缺少的仿真、优化、测试和验证的能力。支撑新的智能优化技术孵化和落地应用，实现云网智能优化新技术、新算法的快速开发、验证和发布。对实体网络生态中的网络数据的分析可视，将数据挖掘出的晦涩难懂的数据进行多维度可视化呈现，网络优化工作者通过筛选、过滤、关联、配置等人机交互手段来操作视图，达到对网络数据的精准监控、深入洞察和预测预判。中国联通云网智能优化白皮书 2022-37-图 10 中国联通云网优化网络沙盒示意图（5）云网优化知识图谱 中国联通已着手研发云网优化知识库并构建相应知识图谱。目前中国联通已建成并运营了世界上规模最大、网络结构最复杂的共享网络，但也面临着多网协同优化、共享共建优化等诸多技术难题。相关知识与专家经验严重碎片化、分散化，因此，拉通云网优化知识体系、构建统一云端平台，实现专家经验和知识的“数字化”、“图谱化”，将为联通网络运营数字化转型工作打造知识底座，推进网络问题的智能诊断和科学决策能力。构建云网优化知识图谱计划分为开放知识获取、构建云网领域知识图谱、基于知识图谱应用三个阶段，逐步实现智能化根因定位分析和优化决策能力。现网专家经验、设备信息、典型案例等数据将对云网优化知识库进行持续输入，将经验数字化、资产化。这种知识资产在后续的机器学习模型研发过程中将发挥重要作用，为网络问题根因定位、故障自愈自优、人工优化辅助决策等工作提供良好的推理基础。中国联通云网智能优化白皮书 2022-38-图 11 联通云网优化知识图谱构建和应用逻辑 4.4.跨域管理层：跨域管理层：（1）意图驱动的优化轻触点 什么是意图，意图是网络工程师对期望结果（expectation）的声明性的表达。一般来说表达移动网络的声明描述需要对网络基础设施对应的协作动作。意图网络是一种业务模型，用创建面向结果的网络系统为基础，通过自动感知，自动调整的通信业务，实现智能、可视和策略驱动的自动化管理，可以根据用户的意图自动进行转换、验证、部署、配置和优化，以达到目标网络状态，提供自动化、高可靠和闭环优化的网络服务。中国联通云网智能优化白皮书 2022-39-网络优化需要大量工程师依靠经验，将优化目标分解为一个个具体的网络配置和参数策略。而基于意图驱动的网络优化解决方案将为一线优化人员甚至业务编排人员提供“轻触点”，将外部商业和业务意图自动转换为网络语言，并基于层次化的网元、网络、业务、客户和应用模型进大数据分析提供实时洞察和决策建议，驱动网络自调整、自优化和自愈自治。意图在自治网络中的作用是将运营商对于网络的需求、优化的目标、对于系统的各类约束以及不同的偏好传达给自治网络系统。自治网络能够通过意图驱动的优化轻触点实现问题的一键输入，通过智能网元探索潜在的各类解决方案选项并评估执行策略，最终找到网络能够提供的最佳可用业务结果的解决方案，实现网络行为的自动闭环调整，全流程减少人工干预，提高网络的可用性与敏捷性。基于意图的网络主要包含下面的四个部分的功能6：转译和验证：系统从最终用户获取更高级别的业务策略，并将其转换为必要的网络配置，生成并验证最终的设计和配置以保证正确性。自动化实施：系统可以在现有网络基础设施上配置适当的网络变更，通过网络自动化或网络编排完成。网络状态感知：系统获取其管理控制下的实时网络状态。保障和自动化优化/补救：系统持续验证原始业务意图是否得到实现，并且可以在所需意图无法实现时采取纠正措施。中国联通云网智能优化白皮书 2022-40-在自治网络中，意图是天然的人与机器、机器与机器之间的交互方式，也是最高效的交互方式。基于意图的网络屏蔽了网络底层的技术复杂性，不但让运维人员可以将关注点放在网络的价值本身，各个业务域之间的交互也更为简单。图 12 3GPP 定义的意图驱动网络闭环管理业务逻辑（2）网络跨域协同自治架构演进 在网络数字化、智能化转型的背景下，业内将网络智能化逐渐分为域内智能（网元智能）、网络智能（OSS 层）和服务智能（应用智能）三个层级。国内外行业组织对 5G 域内智能已开展了一定程度的研究，例如 3GPP 网络架构中引入了 5G 内部的“AI 数据分析引擎”NWDAF，同时 R17 又开展了网络运营管理域内智能化网元 MDAF的研究项目。借助该类网元和 AI 技术，5G 网络有望逐步实现网络的闭环自治。中国联通云网智能优化白皮书 2022-41-图 13 跨域协同自治网络架构演进计划和能力目标 基于上层管理面，引入网络 AI 技术，实现对复杂网络的自动化、智能化管理，最终提升网络管理效率，提升服务质量，针对未来自动驾驶网络目标，总体可分为三“零”，分别为：1)网络部署变更“零”干预:未来海量边缘设备动态入驻企业园区，自助部署能力成为边缘设备的必选能力；针对部署在中心的大容量控制面设备，充分利用云化技术实现弹性扩容，提升运营效率；2)网络运行“零”中断：从当前被动式的问题处理转变为主动的预防性维护，通过日常引入 AI 能力，持续自动对网络运行过程中的海量数据进行分析学习，从中发现影响网络健康运行的隐患并提前优化和排障；3)业务开通“零等待：未来针对持续丰富的 5G ToB 业务，通过运营商 OSS 域管理系统与网络域的流程打通，屏蔽网元的复杂性，中国联通云网智能优化白皮书 2022-42-对外通过 API 的方式提供商品/业务维度的生命周期管理接口，最终实现 E2E 的业务快速开通，成为面向 ToB 业务使能的核心竞争力。（3）运营管理服务化架构演进 网络智能化的跨域管理和闭环自治，需要运营管理架构实现服务化转变。通过运营管理域的服务能力管理编排，基于标准化的HTTP2.0 Restful 接口，实现轻量化的数据采集、统一数据模型、跨域信息互通、AI 能力协调等机制，以实现高灵活、高开放、低成本的智能化技术持续集成和研发（CICD）能力。基于服务化架构，网络智能优化将形成原子能力，一方面对外部客户提供动态 SLA 保障等新业务服务，另一方面对内部运营和业务编排部门提供原子化的优化能力服务。5G 网络能将应用需求与网络的能力、用户的属性、网络的策略形成双向互动，从而提升用户的端到端体验、增强网络价值、使能更立体的业务场景。3GPP 标准在 R16 阶段定义了 5G 网管管理服务化架构（SBMA），定义管理服务和被管理对象（5GC、NG RAN 和网络切片），5G 网管管理服务架构可以提供如下管理能力：中国联通云网智能优化白皮书 2022-43-图 14 跨域协同自治网络架构演进计划和能力目标 CSMF 可以作为管理服务消费者，接受由一个或者多个管理服务功能组件提供的管理服务。NSMF（网络切片管理功能）提供网络切片管理功能和对应的功能组件，同时，可以消费来自于其他管理功能组件提供的管理服务。NSSMF 提供网络切片子网管理功能和对应的功能组件，同时，可以消费来自于其他管理功能组件提供的管理服务。NFMF 提供管理一个或者多个 5GC NF 的管理功能和对应的管理功能组件，同时，可以消费来自于其他管理功能组件提供的管理服务。EGMF 提供管理能力和管理服务向外暴露的管理服务治理能力。例如，管理服务向第三方授权管理服务消费者提供管理服务时，所提供的管理服务治理能力。5G 管理标准化阶段定义了管理服务系列标准，带来了如下好处：摆脱了传统电信管理北向接口（IRP）参考点定义对接口使用的严格约束，即强调授权的管理服务消费者即可以调用管理服务的中国联通云网智能优化白皮书 2022-44-Open API。5G 管理服务架构带来了很大便利条件，使得运营商的 OSS 的管理功能组件基于管理服务调用开放的厂商 Open API 接口，如运营商告警中心，运营商性能监控中心等。管理服务采用了 Open API（Restful），与 IT 系统 Open API 定义同源，且与控制面 Open API 方法相似，大大增强了管理系统的适用性。管理系统的智能水平将在管理服务化架构下获得更好的应用和发展。中国联通致力与行业伙伴协同推进标准化技术研究和发展，在R17、R18 中进一步定义管理数据分析，管理闭环、意图管理等，继续延续管理服务架构和管理服务 Open API 定义的基本要求。（4）闭环 SLA 保障 5G 网络运营管理系统基于所收集的数据,将分层提供基于 SLA的闭环优化保障。从优化人员在优化工作流程中部分参与的开环控制（Open control Loop）转化为优化人员通过管理和设计流程（包括规则、策略、工序等）进行的闭环控制（Close Control Loop），大幅提升操作类工作效率。中国联通云网智能优化白皮书 2022-45-图 15 开环控制向闭环控制机制演进7 3GPP 等标准化组织已对闭环 SLA 保障的工作流程进行了部分研究，联通与行业伙伴一起，完善闭环优化业务用例、技术需求，持续推进网络闭环控制中全生命周期的数据分析、处理和智能寻优技术研究。图 16 3GPP 闭环网络控制的工作流程 中国联通云网智能优化白皮书 2022-46-四、四、实验基地建设与技术应用实践实验基地建设与技术应用实践（一）（一）云网智能优化郑州实验基地建设云网智能优化郑州实验基地建设 1.1.实验实验基地的基地的定位定位和意义和意义 2021 年 10 月，中国联通云网智能优化实验室暨下一代互联网宽带业务应用国家工程实验室郑州基地揭牌仪式圆满召开，标志着中国联通云网智能优化从核心技术攻关迈向示范应用和一线赋能。实验基地以建设“全网数据可视化、平台工具智能化、专家经验数字化”的数智化运营示范基地为目标，旨在全面贯通联通集团、研究院、省市分公司的研发和生产需求，加速技术研究成果到生产运营的转化，以数字化新技术解决一线运维优化工作中的痛点问题，提升一线网络运营智慧化水平。我们期望以白皮书为蓝图，以中国联通云网智能优化实验基地为载体，协同产、学、研各方共同孵化具有行业领先性的核心技术产品并开展重大示范应用，共同推动优化工作的数字化、智能化转型，切实为一线网络赋能智慧运营服务能力。2.2.实验基地总体实验基地总体研发研发框架及近期应用目标框架及近期应用目标 实验基地在现网规划 95 平方公里数字化优化运营示范区，聚焦网络一线运维优化需求，以动态网络评估与自动优化、运维效率提升、精准规划建设、用户满意度提升为应用效果目标，以提升数据时效性、跨域数据融合、数据知识化、智能根因诊断直驱一线“轻触点”为近中国联通云网智能优化白皮书 2022-47-期技术落地目标，实践了多源数据的准实时采集，构建了数据、GIS和知识的三大数据中台，研发开放的智能优化 AI 模型库，并上线数字化优化支撑平台及 APP，以数字化技术为一线优化人员简化了工作流程并提升运维优化效率。同时，实验室建设具备 DevOps 能力的 IT 开发环境，融合互联网领域的先进 IT 技术框架，为技术研发、部署和持续集成提供了高效的支撑。图 17 郑州基地智能优化技术架构和落地项目（二）（二）研发成果落地实践研发成果落地实践 1.1.数据采集：流式处理框架，数据时效性提升数据采集：流式处理框架，数据时效性提升（1）流式数据处理 随着云网智能优化对于数据实时性的要求日益增长，我们针对数据的采集，采用流式处理的方式以提升数据的实时性。中国联通云网智能优化白皮书 2022-48-图 18 O 域数据采集和流式数据处理架构 针对云网智能优化业务需求和现网现状，将实时数据与离线数据相结合，一方面，我们采用消息队列处理通用性处理实时数据。另一方面由于现网尚未支持大规模数据实时数据采集对接，故采用离线采集中转的方式，但为了进一步满足部分数据实时性的需求，采用划分“15min”时间粒度的采集方式，实时进入采集服务器，并进行解析，最终将实时以及准实时数据采集归档入近实时数据仓库，用于数据分析及模型孵化，助力更高效更实时的云网智能优化。（2）知识来源与提取 广泛收集联通乃至行业多年积累的各类技术文档、指导意见及技术培训等素材，并对其进行了系统的梳理总结，构建了专业知识体系架构。共收集了文档材料二十四册，包含无线网四十余个信令流程，涉及一百二十余个信令参数，核心网五十余个信令流程，涉及二百余个参数。采用实体和关系抽取技术，通过预训练模型从文本中识别出中国联通云网智能优化白皮书 2022-49-实体和关系，同时基于领域知识体系构建领域知识本体，根据本体建模对关系和实体进行分类，将实体映射到本体中的类，最终从样例文本提取三元组，得到结构化表示的知识。为上层知识的进步加工应用，提供了整合的基础工具。图 19 知识提取（3）GIS 数据采集 通过收集集团 0SS2.0 系统导出的场景基础数据、高精地图图层导出的楼宇基础数据、工参数据，并对其进行字段、格式调整，构建了 GIS 基础数据集。其中场景基础数据主要包括场景边界、场景名称、场景等级等字段；楼宇基础数据主要包括楼宇高度、楼宇边界等字段；天线基础数据主要包括天线经纬度、高度、方向角、下倾角等字段。中国联通云网智能优化白皮书 2022-50-图 20 GIS 基础数据集示意图 2.2.数据治理：多源数据融合，实践数据知识化数据治理：多源数据融合，实践数据知识化（1）融合数据底座（数据中台）移网智能优化数据中台是基于数据分层理念设计并利用大数据、智能调度等 IT 技术实现的 O 域全域数据集中采集、加工、计算、存储、管理的数据应用服务平台。它通过数据库直连、API 接口等多种方式为网优数据分析、业务平台提供用户级、小区级、栅格级、场景级多维度数据应用服务。中国联通云网智能优化白皮书 2022-51-PMMRTRACEXDR告警投诉HiveHdfsMysqlPgsqlAPI服务Pgsql推送服务服务权限服务监控指标管理数据规范设计元数据管理数据质量数据安全业务平台大屏展示分析应用数据采集数据计算数据中台数据应用智能调度（DS）数据管理离线计算MapReduce/Spark实时计算Flink机器学习AIKafka队列中台赋能应用数据存储数据服务 图 21 智能优化数据中台整体架构 数据中台的建立与应用解决了 O 域多源数据标准口径不一致、数据质量差、烟囱多等问题，能够持续满足移网智能优化数据分析、数据挖掘等业务应用的数据需求。（2）云网优化知识底座 在知识的基础上，构建一整套云网数字化运营知识底座框架，包含了构建知识图谱的主要流程：知识获取、知识融合、知识验证、知识计算、知识应用等几个步骤所需的技术框架与构建工具集合。知识底座框架依托于知识图谱工程系统，并在此基础上设立领域知识标准规范、细化知识加工技术链条、完善运营优化与可信能力等等。知识底座融合电信领域专家经验及文档知识，构建专属电信领域的知识图谱与图存储框架，利用知识表示、推理、人机交互技术实现智能化根因推导、规划预测等垂直能力的开放。中国联通云网智能优化白皮书 2022-52-图 22 云网数字化运营知识底座（3）三维 GIS 底座 三维建模工具可以将物理空间的场景、楼宇、基站等实体进行简易孪生，通过导入离线基础数据的方式快速构建三维模型。三维建模工具可以通过在 GIS 地图上打点，来实现对模型地理位置信息的采集和修改；还可以通过提交表单的方式新增、删除、修改模型数据，实现对基础数据的管理和维护。在 GIS 底座的基础上可以进行网络洞察和评估，提高网络优化分析的效率。图 23 云网优化三维 GIS 底座 中国联通云网智能优化白皮书 2022-53-3.3.智能分析：智能分析：建立根因分析模型库，实现基于数据预测的主动建立根因分析模型库，实现基于数据预测的主动优化优化（1）基于 Trace 的根因诊断体系 在网络运行过程中，由于某些确定的因素，导致一些异常事件的发生，这些事件的发生将直接影响用户的业务感知，在自组织网络中的网络自愈功能，往往侧重于关注运营、管理和维护系统收集的统计数据，只能反映问题出现的表面原因，并不能直接输出网络问题存在的根本原因。长期以来尤其是移网问题诊断上存在专家人才缺乏、经验固化不足、一线人员定位问题能力不足、问题定位准确率低等问题，因此移动运营商失去了对直接影响用户性能的根本原因的可见性。移网根因诊断体系的研究旨在通过诊断体系的搭建，形成有效的根因分析流程、算法及研判规则，按照体系的指引，来揭示移网问题的根本原因，以便能够改变它们发生的可能性或它们发生的影响，从而提升网络运行质量。同时基于体系研究形成的算法模型，通过平台软件固化，形成智能化、自动化的根因诊断能力，提升问题诊断效率。基于以上目标，中国联通在根因诊断的研究与应用上打造以TRACE 为核心的融合数据底座，构建用户级、呼叫级、栅格级、小区级中台，形成网络诊断穿透到一线动作的技术框架和 IT 能力。中国联通云网智能优化白皮书 2022-54-图 24 移网根因诊断架构图 另外一方面从业务感知入手，构建 5 级根因诊断体系：业务感知、问题表因、初级原因、问题根因、一线动作，并形成门限规则、研判流程及智能分析算法等，打造智能化、自动化的根因诊断能力。图 25 移网根因诊断体系 中国联通云网智能优化白皮书 2022-55-（2）基于 MDT 的问题区域精准定位模型 最小化路测（Minimization of Drive-Tests，MDT）作为运营商网络控制的用户级大数据采集技术，具有采集成本低、采集范围广、携带问题位置信息等优势。现网在数据分析和网络优化工作常常采用MDT 中的 M1 测量项（既覆盖及位置信息）进行移动网络覆盖评估。针对用户投诉，一线优化人员缺少能快速查询投诉位置是否存在网络异常的数据和平台。而 MDT 的干扰信息、速率信息、空闲态测量、接入失败和掉线等特性数据，可以较好的满足这一需求。实验基地在高新区规划 400 个基站进行 MDT 数据应用技术研究，采集 MDT M2-M9 以及 logged MDT、RLF、RCEF 等特性数据，并自主研发源码解析程序和数据分析模型算法，实现了对无覆盖、弱覆盖、重叠覆盖、掉线、接入失败以及切换失败等网络异常的问题定位能力。突破原有 O 域数据难以解决的问题：实现“无覆盖”位置定位、用户级异常事件地理化分析；低成本、大数据、高精度的异常位置回溯能力：存储历史栅格数据和近期精确异常位置数据，为一线提供异常位置速查能力；自主研发解析程序和分析模型：实现源码解析，信令内容灵活抽取，降低厂家依赖。中国联通云网智能优化白皮书 2022-56-网络异常智能聚类和分级：采用机器学习算法，按地理、时间维度对问题区域进行自动聚类并确定整改优先级。图 26 基于 MDT 数据实现的示范区网络异常区域定位 智能优化通用模型算法平台 智能优化模型孵化床是以大数据、科学计算编程框架为基础搭建的集模型开发、测试、应用、管理于一体的模型算法开发平台。它支持多种主流开发语言（SQL、Python、Java/Scala），并提供了丰富的开发控件工具，结合主流的 DevOps 流水线管理，能够支撑多用户联合在线开展模型开发。中国联通云网智能优化白皮书 2022-57-图 27 智能优化模型孵化床 平台的应用规范了智能优化模型开发管理流程，实现了模型的开放、复用，加速了模型研发和上线应用。（3）云网优化知识图谱 基于语音问题领域知识中五级根因诊断体系，针对结构化和非结构化的文本材料，通过 BERT 中文预训练语言模型和管道模式对图谱中的关系和实体进行提取和关系分类，利用图数据库 Neo4j 构建知识图谱，实现了图谱的可视化展示、问题根因链条的查询。基于Apache jena 架构实现了基于 SPARQL 查询的本体推理和规则推理，实现了知识的智能问答和因果判断。为一线人员的根因诊断提供了辅助建议工具。中国联通云网智能优化白皮书 2022-58-图 28 云网优化知识图谱展示架构 图 29 基于知识图谱的智能诊断 4.4.平台支撑：全网数据可视，优化动作触点直达平台支撑：全网数据可视，优化动作触点直达（1）全息诊断平台“云网全息立体评估诊断平台”以“多源数据融合诊断分析，服务对象全息洞察，网络性能可见、可控、可预测”为目标，基于三维GIS 底座实现网络拓扑结构和网络质量的立体可视化，并在可视化的中国联通云网智能优化白皮书 2022-59-基础上，研究人工智能、精准评估、根因诊断等算法，构建“一键智评、一键诊断、一键预测”能力，为网优一线提供网络立体洞察、智能根因诊断（“轻触点”式输出）、呼叫回溯分析三大项功能。图 30 全息诊断平台-网络洞察 图 31 全息诊断平台-智能根因诊断与辅助分析 中国联通云网智能优化白皮书 2022-60-图 32 全息诊断平台-准实时用户信令回溯（2）知识百科 云网优化知识百科是一个面向联通集团云网优化专业人员收集现网第一手专业信息的开放百科社区。平台通过词条展示云网优化的专业知识和优化案例，用户可以自由注册、访问、编辑、讨论社区的词条。知识百科为一线人员的优化工作提供了一个整合的知识查询平台，使得一线人员可以从复杂的查询工作中解脱出来，更加专注于解决网络问题本身，提高工作效率。图 33 云网优化知识百科 中国联通云网智能优化白皮书 2022-61-（3）智能测控平台 中国联通联合业内较为领先的前端测试模组和智能设备厂家，孵化智测产品，打造“智能测控管理平台”，制定统一标准化接口，对机器人、无人机等智能设备以及各传统测试仪表进行统一纳管，集任务管理、设备监控、数据回传、信令解析及回溯分析等功能为一体。平台构建泛在数据采集能力，拓展数据采集方式，对网络测试实行数字化流程管控，推动网络测试人工作业向智能化测试方向演进。图 34 智能测控管理系统（4）智能泛在数据采集设备 5G 网络的规模应用加速了机器人、无人机载体的应用价值：随着国内 5G 网络建设高速推进，其超宽带、海量联接和超低时延等特点为人与人、人与机器、机器与机器之间的联接和通信提供了多种可能，服务机器人或将成为 5G 技术应用服务最佳载体之一，中国联通借助机器人/无人机在数据辅助、环境感知及数据收集等能力，打造泛在数据采集设备的示范，提升智能化、便捷化水平。中国联通云网智能优化白皮书 2022-62-图 35 中国联通智能测试机器人、无人机（5）网络数据可视编排平台 网络数据可视，提供了对数据的视觉表达形式，帮助人们更有效地对数据进行洞察和推理。网络优化工作者可以通过筛选、过滤、关联、配置等人机交互手段来操作视图，理解数据，对于复杂信息的分析可以和地理空间数据相结合，从更多维度来分析数据，直观高效地将海量信息转换为高价值信息。最终通过网络数据可视构建一点看全、实时展现、敏捷调度的“智慧大屏、运营中屏、作业小屏”，将网络智能优化落到实地。中国联通云网智能优化白皮书 2022-63-图 36 网络数据可视化编排平台 5.5.网优“轻触点”数字化工作网优“轻触点”数字化工作流程流程 中国联通云网智能优化实验室郑州基地立足研究成果在现网落地应用，在郑州精品网示范区内，基于数字化平台能力，以移网无线根因诊断技术为“内驱力”赋能网优一线工作，实现网络问题智能诊断贯穿到一线动作，推进“数据 平台 专家”的网优数字化工作流程转型升级，形成省市（专家） 地市（小 CEO） 一线（触点）三级生产模式。中国联通云网智能优化白皮书 2022-64-图 37 示范区网优“轻触点”数字化工作流程 郑州精品网示范区（高新示范区、金水示范区，共 700 个站点）初步实现网络问题智能根因诊断，并打通“轻触点”可达、调优验证、工单闭环的一线“轻触点”数字化生产流程。根因诊断问题定位效果良好，基于算法模型定位输出问题点 192 个，实勘验证问题定位准确率达 92.5%，调整闭环 129 个，整理典型案例 96 个。示范区网络性能持续改善，基于 TRACE、MDT 等数据评估，金水示范区覆盖率提升 2.06%，语音质量 MOS 提升 0.24，异常事件减少 17.8%；高新示范区掉线、切换失败、接入失败等异常事件日均降低约 50%。中国联通云网智能优化白皮书 2022-65-图 38 郑州精品网示范区成效（三）（三）研发支撑：研发支撑：DeDevOps vOps 研发架构研发架构 为支撑实验基地相关技术的高效研发和持续应用转化，充分利用大数据、云计算等先进 IT 技术，实验基地搭建了具备 DevOps 能力的 IT 研发架构。IT 技术研发架构主要划分为三个部分，即：数据仓库/数据湖 数据研发架构 应用研发架构 此三部分互相关联且高内聚低耦合形成云网智能优化 IT 技术研发整体框架。其中，数据仓库/数据湖,为云网智能优化大数据分析的核心基础，负责数据业务层次上的划分及存储；数据研发架构，负责数据仓库数据分析、数据调度、模型研发等；应用研发架构，负责基于数据分析结果而开发实现数据应用。三者之间的关系，数据仓库/数据湖产出数据、数据研发产出模型算法提供给应用研发，生产数据应用。中国联通云网智能优化白皮书 2022-66-图 39 云网智能优化 IT 技术整体框架 以下从三个方面阐述 IT 技术研发架构，数据仓库/数据湖架构、数据研发架构以及应用研发架构。1.1.数据仓库数据仓库/数数据湖架构据湖架构 云网智能优化实践中，联通充分利用大数据技术，通过分析网络性能/指标数据，快速帮助优化人员找出网络中的问题，并给予解决方案。而大数据技术不仅仅在于数据量的大小，更在于 5V（Volume,Variety,Velocity，Veracity，Value），分别为体量、多样、时效、准确、价值。传统的数据体系无法应对数据及计算的大规模扩展并提供高效的存储及数据处理能力15；于此同时，数据实时性高低也成为数据仓库/数据湖的重要评价维度。当下，数据仓库的建设已经跨越了 ETL（Extract-Transform-Load 抽取-转换-加载）的时代，或者说不仅仅包含 ETL。目前Lambda 架构及 Kappa 架构日渐成为数据仓库的主流，但架构各有千秋，或说各有弊病，需根据实际业务需求，做适配改造。中国联通云网智能优化白皮书 2022-67-下图为数据仓库 Lambda 架构概览。批处理层实际具备两个功能，其一是持久化数据集，其二是批量式预处理数据集。流处理层负责处理实时数据，通常流式数据需要持久化落盘，用于离线分析。服务层则是归并集合批处理层和流处理层的结果数据，服务于数据应用。图 38 Lambda 架构示意 Lambda 架构具备诸多优势，如容错性、具备数据处理实时性，但是其缺点也同样明显，架构复杂，需要维护批处理及流处理两套组件。在 Lambda 架构提出后不久，LinkedIn 公司提出 Kappa 架构的数据仓库，该架构更强调实时性处理。15 年 Google 提出DataFlow 的模型，将批数据当作有限的数据集合（Bounded Dataset），而流数据当作无限的数据集合（Unbounded Dataset），于是将批/流数据统一起来。Kappa 架构则是基于此思想。图 40 Kappa 架构示意 Kappa 架构同样优势明显，数据实时性提高且架构相对简单，中国联通云网智能优化白皮书 2022-68-只需维护一套处理系统。但是目前批流统一框架（如 Apache Flink）的性能落后于批处理框架（Apache Spark）15，并且针对于离线处理场景支持不佳。针对离线场景，Kappa 架构无法长久以流式数据形态保存数据，于是 Kappa 架构下的离线分析又回到 Lambda 架构的框架结构上。针对云网智能优化业务，郑州实验基地采用 Lambda 数据架构适配业务需求。以下主要从数据工作流的角度对郑州实验基地数据仓库/数据湖架构进行阐述。在郑州实验基地分为以下四层，而四层架构如图 41 所示，数据从左到右依次流动：数据获取层：云网智能优化数据来源约为三类流式数据、数据库、文件。流式数据，来源可以来自消息队列、Socket、WebSocket，如基站告警数据；数据库，例如地理场景数据一般存放于 PGSQL；文件数据，目前为数据量最大的来源，包括已解析数据如 CM 数据，未解析数据 Trace 数据、MR 数据等。数据集成层：数据集成层主要包含两大类工具，一类是流处理工具，本方案采用 Apache Flink/Apache Spark，对于流式处理无需赘言，针对数据使用 Apache Flink 的 CDC（Change Data Capture）动态获取增量数据；一类是 ETL 工具，本案例采用 ETL 具备路径实时扫描的功能，对于新增文件动态捕获。区别于传统 ETL 即为数据集成层，该层皆使用类事件驱动机制，加速数据流动及传输，提高数中国联通云网智能优化白皮书 2022-69-据仓库整体实时性。数据仓库/湖：数据分层业务逻辑层次，分为原始数据层（ODS）、数据明细层（DWD）、数据中间层（DWM）、数据服务层（DWS）、维度层（DIM）以及数据应用层（ADS 层）。该层次为核心能力，特别说明，层次划分同时适用于离线数据和实时数据，并且实时数据都将会落盘至离线数据。图中仅表示数据业务逻辑关系，事实为了更好组织数据间逻辑及质量，数据治理功能模块实际也包含其中，但未标识出来。数据分析层：数据分析层主要包括若干各 OLAP 工具用于分析人员进行数据分析，将结果写入数据应用层。事实上，OLAP 工具集更多应属于数据研发架构中，由于数据仓库架构于数据研发架构紧密关联，故在此简述。图 41 数据仓库架构概览 2.2.数据研发架构数据研发架构 数据研发架构目前划分为三个部分，数据调度层、数据接入层以中国联通云网智能优化白皮书 2022-70-及算法模型实现层，划分方式与开发流程相对应。数据接入层：数据接入层负责数据的接入，为算法模型实现层高效的提供数据接入的方式，接入方式包括 API、SDK、SQL 等。算法模型实现层：算法模型实现层面向数据分析开发人员，由在线工具和本地工具组成，支持分析开发编写模型算法。该层不直接与数据调度层交互，而是接入 DevOps 平台统一代码的管理及测试，由 DevOps 平台将上线程序交付数据调度层。数据调度层：数据调度层负责将测试完成的算法模型上线，数据仓库各个层次的数据都由数据调度层生产生成，形成数据仓库的最终形态。图 42 数据研发架构概览 中国联通云网智能优化白皮书 2022-71-3.3.应用研发架构应用研发架构 图 43 应用研发架构概览 应用研发架构目前基于敏捷开发模型，结合 DevOps 工具平台管理软件开发全生命周期流程，包括计划、开发、测试、集成、部署上线，形成完整的闭环流程。与此同时，郑州实验基地应用实践中采用了云原生技术，引入 Kubernetes，应用架构符合云原生的架构模型。未来研发计划：数据分析上云 Cloud Native，统一资源。目前数据分析部署于Hadoop 生态，而应用部署于 Kubernetes，导致需要维护两套系统。Hadoop 生态本身虽然是分布式，但其本身隔离性偏弱，且生态老旧不容易维护，统一迁移至 Kubernetes,更容易维护且隔离性更强。实时计算接入 NWDAF/MDAF。通过 NWDAF/MDAF 的WebSocket 数据接口接入实时计算，加强云网智能优化实时性。中国联通云网智能优化白皮书 2022-72-引入 Serverless 加快云网智能优化算法迭代。五、五、总结与总结与展望展望 中国联通云网智能优化技术体系，以数据、知识和模型为核心，创新云网数据采集、分析和闭环控制机制，基于数字化、智能化、服务化的运营管理架构升级，实现数据和知识双轮驱动的单域自治、跨域协同的闭环自优化能力。网络将由配置驱动的人工优化网络，演进为意图驱动的闭环管理优化网络，实现敏捷的业务调度、动态的供需服务匹配，助力网络的数字化转型。本白皮书希望搭建业务需求与解决方案之间的桥梁，期待产业界通力合作，协同配合，深化创新驱动，引领云网智能优化技术高质量发展，服务我国数字化网络基础设施建设，为用户提供体验更好的移动网络业务。在此我们提出三点产业合作建议：（一）（一）强网络之基，标准化智能优化网络技术架构强网络之基，标准化智能优化网络技术架构 产业各方应该合力细化网络架构、数据标准和接口能力，以网络内在的数字化升级为基本支撑业务服务的智能化，促进产业伙伴的高效协同与分工，在过程中结合应用场景、联合客户创新找到切入点，通过快速迭代促进阶段性成果的兑现。（二）（二）建设开放生态，构建智能优化通用模型研发体系建设开放生态，构建智能优化通用模型研发体系 智能优化的核心在于数据和算法，基于分层的智能化架构，建设中国联通云网智能优化白皮书 2022-73-标准、开放、开源的研发体系，实现同领域 AI 模型快速复用、跨领域 AI 模型简化开发，促进 IT、CT 产业和技术更广泛的融合。（三）（三）产学研融合，打通智能优化新技术落地转化通道产学研融合，打通智能优化新技术落地转化通道 5G 时代，运营商将更多承担生态建设驱动者的角色，与产、学、研各方一同加速新技术、新业务的落地转化，加快推动建立以企业为主体、市场为导向、产学研深度融合的技术创新体系，有力促进科技难题攻坚和成果转化，为增强我国经济的创新力和竞争力作出新贡献。中国联通云网智能优化白皮书 2022-74-六、六、附录附录 附录附录 A A：缩略语：缩略语 AIAI Artificial Intelligence 人工智能 API API Application Programming Interface 应用程序编程接口 APP APP Application 应用程序 CICDCICD Continuous Integration and Continuous Delivery 持续集成和持续交付 CTCT Communication Technology 通信技术 CUBECUBE-NetNet Customer-oriented Ubiquitous Broadband Experiencing Network 面向客户体验的泛在超宽带网络 Content-oriented Unlimited Business Ecosystem 面向内容服务构建的开放生态网络 Cloud-oriented Ultra-flat Brilliant Elastic Network 面向云服务的极简极智的弹性网络 DevOpsDevOps Development and Operations 持续开发和运营 DTDT Driver Test 路面测试 EMSEMS Element Management System 网元管理系统 KPIKPI Key Performance Indicator 关键性能指标 ICT ICT Information and Communication Technology 信息和通信技术 ITIT Information Technology 信息技术 MDAFMDAF Management Data Analysis Function 管理数据分析功能 MRMR Measurement Report 测量报告 NFV NFV Network Function Virtualization 网络功能虚拟化 NMSNMS Network Management System 网络管理系统 NWDAFNWDAF Network Data Analytics Function 网络数据分析功能 OTT OTT Over The Top 互联网业务 OMCOMC Operation and Maintenance Center 操作维护中心 OSSOSS Operation Support Systems 运营支撑系统 SDN SDN Software Defined Network 软件定义网络 SLASLA Service Level Agreement 服务等级协议 WLANWLAN Wireless Local Area Network 无线局域网 xDRxDR X Data Record x 数据话单 中国联通云网智能优化白皮书 2022-75-附录附录 B B：参考文献：参考文献 1“十四五”国家信息化规划 2中国联通自治网络白皮书 2022 3中国联通 CUBE-Net3.0 数据驱动的智能运营白皮书 4中国联通 5G 确定性服务质量保障体系白皮书 5 TM Forum Autonomous Networks Whitepaper(3.0)6 TM Forum IG1253“Intent in Autonomous Networks”7 3GPP TS28.536“Management services for communication service assurance”8 3GPP TS23.288“Architecture enhancements for 5G System(5GS)to support network data analytics services”9 3GPP TR28.809“Study on enhancement of Management Data Analytics(MDA)”10 华为智能管理解决方案 11 华为自动驾驶网络解决方案白皮书 Autonomous Driving Network 12 GSMAAI in Network 智能自治网络案例报告 13 ITU-T Network 2030 Architecture framework 14 Munshi A A,Mohamed Y A R I.Data lake lambda architecture for smart grids big data analyticsJ.IEEE Access,2018,6:40463-40471.15 Marcu,Ovidiu-Cristian,et al.Spark versus flink:Understanding performance in big data analytics frameworks.2016 IEEE International Conference on Cluster Computing(CLUSTER)16 David D.Clark,Craig Partridge,et al.A Knowledge Plane for the Internet,SIGCOMM03