中国移动韩柳燕：突破挑战，构筑智能高效的下一代智能化光网络

C114讯 4月26日消息（九九）在今天举办的“2022中国光通信高质量发展论坛-网络智能化专场”上，中国移动研究院基础网络技术研究所传送网研究室经理韩柳燕表示，运营商网络引入AI是数字化转型的必然方向，需要分阶段逐步落实AI在光网络中的应用。

其近期目标是提升哑资源感知能力，实现光网络全参量感知、光缆和资源规划预测、故障智能定位定界及风险预测；长期目标是突破光网络智能仿真决策技术，推进AI优化类场景应用，实现光网络主要运维场景的AI落地。

应用场景：分析、预测和优化

韩柳燕指出，光网络是业务传送的基础。目前我国已经建成全球最大规模光纤网络，光缆总长超过5488万公里，光网络设备超过3亿端，服务超16亿移动客户、超5.4亿家庭宽带客户，以及4000余万政企客户。面对规模如此巨大光网络，引入AI的数据分析和信息提取能力，能够高效诊断网络质量，优化业务性能，减轻运营负担，改善用户体验。

与此同时，光网络以光纤等物理媒介为基础，现网运行会产生各层参数数据，具备大数据基础。其集中化管控架构，也可以为AI算法的模型训练及迭代提供天然的数据池。

韩柳燕介绍，AI在光网络中的应用场景聚焦在分析类场景、预测类场景和优化类场景。

分析类场景中，网络风险智能分析方面，AI智能识别主备业务、关联业务是否存在同缆风险，保障网络高可靠运行；业务故障智能分析方面，AI对业务故障进行历史分析，实现根因定位和定界。

预测类场景中，资源预测方面，AI对全网流量增长进行预测，为网络扩容预算评估提供支撑；资源预警方面，AI对链路的波道/容量利用率进行预警，支撑网络提前扩容。

优化类场景中，光性能智能调测调优方面，AI结合自动性能检测，实时监控关联路径的性能，保障网络处于稳定、较优状态；光网络资源智能优化方面，AI完成整网生命周期内的精细化、动态化、智能化的优化。

关键技术：融合感知、云管端协同、智能分析预测和智能仿真决策

韩柳燕介绍，中国移动传送网智能化架构分为网元管理、专业运维、网管平台和综合应用四级，旨在面向垂直行业、政企专线等各类客户提供智能化的创新网络，打造自服务、自修复、自优化的传送网络。

韩柳燕坦言，当前光网络AI的发展水平还处于努力提升的阶段，由于光网络自身的技术特点，在引入AI方面会面临一些独特的技术挑战，具体而言包括精准感知、AI模型泛化、主动预测和现网稳定性四方面。

针对这些挑战，中国移动总结出光网络AI四大关键技术。一是融合感知，设备和管控系统协同，分层采集/感知光网络性能参数，结合高性能数据传输技术，实现光网络参数融合感知。采集内容方面，在光链路层、光信道层、光部件层、光业务层分别采集相应的数据，对这些数据进行综合分析；网元设备方面，增强设备主控板处理和存储能力，统一数据采集框架/模型，灵活控制多单板多端口的数据并发采集；交互协议方面，增强DCN吞吐量，提升设备主控、管控系统性能，同时引入订阅式访问机制（如Telemetry）；管控系统方面，根据存储结构和内容的差异性对采集的数据进行分类汇聚，基于AI算法对设备上报的数据进行数据挖掘获得额外信息。

二是云管端协同，通过云管端逻辑架构和协同技术，解决AI模型训练关键问题，提升AI模型泛化能力。针对AI模型泛化能力差、模型部署对算力要求高、样本少/标注难和大数据管理困难等问题，数据云化是有效方案，可以有效减轻管控系统的压力。管控系统就近处理本地数据并上报至AI云服务，目前多部署在本地服务器，后期随业务扩展逐步演进至云化部署。

三是智能分析预测，充分利用管控层、网元层分析能力，分析大量关联告警，定位根因告警识别和静默故障，实现精准智能分析预测。网元设备计算、存储能力较弱，本地性能数据获取时延较短，因而可以在网元本地执行高精度数据（毫秒级/秒级/分钟级）的采集处理和短周期预测，提升分析效率；管控系统设备计算、存储能力较强，但数据获取存在一定时延，可以执行数据粒度较大（天级/周级/月级）的长周期预测，进行长周期数据采集和分析预测闭环。

四是智能仿真决策，在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准确、可信，确保现网业务不受影响。在初始化阶段，认识物理网络，确定仿真优化目标；在模型设计阶段，建立网络仿真模型，验证模型完整性、一致性；在仿真与结果分析阶段，通过模型建立仿真场景，构建仿真设计，执行仿真，分析结果。

韩柳燕进一步介绍，数字孪生是智能仿真决策的基础，将实际网络进行数字化映射，构建离线仿真和在线仿真能力，满足不同应用场景诉求。基于数字孪生的仿真的本质是建模，关键是实现理想库与现实库的镜像。数字建模仿真适于现网，过程中需考虑准确度、运行速度与资源开销之间的平衡，准确性越高，速度越慢，资源开销越大；速度越快，资源开销越小，准确性越低。网络配置建模从网元获取配置数据，利用知识图谱建立新特性的关系；网络动态协议建模可以考虑引入AI机器学习，简化传送网新协议引入后的模型建立过程。

应用实践：光纤同缆、同沟检测和光网健康预测

韩柳燕介绍，光纤同缆和同沟检测是中国移动在光网络智能化方面的典型案例之一。光纤同缆和同沟检测对于现网可靠性而言是亟需解决的问题。主备业务或关联业务实际部署到同一条光缆上，单条光缆中断后主备业务或关联业务同时失效，不仅导致业务中断，而且部分网络成为孤岛导致缺乏远程应对手段。

光纤同缆检测机制，是利用瑞利散射的作用，从光纤各部分（包括光纤的不均匀性、光连接器、光纤接头、光纤的故障或断点）返回光功率成比例分布。光纤同沟检测机制是利用光在光纤中传输时光偏振变化原理，感知光纤沿线特定加扰事件。

通过对现网光纤信息、站点地理信息、光性能信息、环境信息等数据进行采集和分析，通过AI实现了同缆风险自动识别。同缆检测在北京现网实际验证30组，准确率达到97%；同沟检测达到准确率100%。

光网健康预测是中国移动在光网络智能化方面另一典型案例，基于光网络设备的数字化光层能力和管控平台的AI推理功能构建光网健康预测系统，通过机器学习和AI预测算法，分析光纤和波道健康度，并根据光性能变化趋势，提前预测劣化类故障风险，以及自动定位和定界光纤故障、自动分析割接质量。

通过发现故障、定位故障、恢复故障和结果输出，实现性能实时监控、故障提前预测、故障自动定位，通过光层数字化+AI实现主动运维，提升运营效益和效率。

关键词： 中国移动 智能化光网络