2024年无线数据知识图谱驱动的6G智能运维新技术白皮书

本白皮书基于对无线通信网络数据的深入分析，针对当前无线网络运维所面临的现实痛点和挑战、以及未来6G时代运维需求进行了全面的探讨。本白皮书构建了无线通信网络内生因素知识图谱，以赋能智能运维。通过构建智能运维通用框架，并利用所述知识图谱，深度挖掘和解析无线网络内在因素之间的关联关系，从而实现对网络性能的调优和更新。在应对网络通信异常时，我们能够迅速追溯问题根源并进行诊断定位，通过向量数据库的搜索，提供有效的恢复和优化方案，并将其下发至通信网络执行。最后，本白皮书对调优执行方案进行效果评估，实现智能决策的闭环实施。这一过程有效提高了无线通信网络的性能和用户体验质量，为行业发展和运营商服I 参考文献 缩略语 东南大学秦臻、庞盛业、陈飞佚浙江大学1无线网络的发展趋势决定了需要设计和部署新的网络运营模式来支持未来的业务期望，而当前的网络运维仍然过于被动、缓慢和不够敏捷。当前的模式主要是被动式事后运维，运维人员通过监测、诊断和故障排查等手段来响应和解决已经发生的问题和异常，以保障网络的正常运行。这就会导致较长的响应时间，从而影响网络的可用性和用户体验。长运维周期也将拖慢新业务的上线周期，在带来更高昂运营成本的同时，导致客户的当前网络的平稳运行仍需依靠运维人员的维护操作，无法做到即插即用、自治自愈。网络出现问题时，设备首先开始产生告警，系统收到告警后派发工单，运维人员接到工单后开始排查问题，找到引发问题的根源后采取相应措施解决问题、消除影响，最后由系统核实回单质量完成闭随着通信技术的发展，用户对带宽、数据传输速率、时延、可靠性等指标提出了越来越高的要求，使得无线通信网络的结构变得越来越复杂，功能也变得越来越多样化。大规模无线数据的海量、业务类型繁多、数据源多样化、组织结构松散及高动态性等主要特点给大数据环境下的运维工作带来巨大挑战[1]，使运维人员难以建立系统化、层次化的关系知识。通过切片方式进行业务管理导致业务更加动态和复杂，从而增加了网络管理难度。此外，网络管理对象也急剧增多，包括传统意义上的运营商公网和各行各业的行业用户专网。随着网络功能虚拟化（NFV）和微服务架构（MA）等技术的不断引入，网络实现了分层解耦和按需部署，但同时也带来了运维复杂2基于新技术的新业务不断推出（泛在物联网、超高清视频、XR、垂直业务服务、Web3.0云服务等），需要新的运维运营系统和流程。为了推动这些新产品和服务，相关的运营支撑需要满足其预期全生命周期的要求，因此网络运维方式必须具备更好的灵活性和效率，在确保网络质量根据行业研究和数据分析，过去几年中，全球各大运营商的运维成本已经呈现出显著增长的这种成本增长主要是由于运营商在部署和维护5G网络、增加小型基站密度、扩展光纤网络覆盖以及投资智能化网络管理系统等方面的巨额投资所导致的。尽管这些投资是为了满足日益增长的数据需求、提供更快速的连接和更优质的服务，但运营商的收入增长却相对较为缓慢，甚至球运营商服务总收入的复合年增长率乐观估计能达到2.4%。而与此同时，运营商的运维成本则考虑到这一情况，运营商不得不寻求降低运维运营成本的途径，以应对不断增长的成本压力。这一趋势进一步凸显了运营商在转型过程中需要更加注重效率和创新的重要性，以确保业务的长当今，随着全球基站数量持续增长，频谱范围从以往的三个主要频段扩展至十多个频段，各剧增加，覆盖了传统的运营商公网以及各行各业的行业用户专网。在这种更为复杂的网络环境下，为了应对网络结构的多样性和规模的不断扩大，网络运营需要更加自动化、智能化、高效化，以接口数量不断增加，每新增一个网元都需要精心管理其接口及与现有网络的兼容性，这进一步凸3显了智能运维的重要性。因此，更复杂的网络环境必然需要更智能的运维方式，以确保网络的稳定性、安全性和高效性。虽然网络环境日趋复杂多样，但通过人工智能驱动的以客户为中心、主动化的智能运维模式，可以有效控制网络故障的处理时间、运维成本以及人为失误。随着网络规模和数据量的不断增加，故障发生的频率也会越来越高。目前的无线网络运维难以满足用户对网络质量和性能的要求，当现阶段的网络运维在强调确保高可靠的设备稳定性的同时，也亟需依靠人工智能技术来提升运维效率。大规模网络和海量设备不但对无线网络带来了极大的挑战，也产生了大量的无线数据，称为无线大数据（WBD）。这些庞大而复杂的数据蕴含丰富的信息价值，处理和分析这些数据，从中发现有价值的模式和关联，将是无线网络运维走实现高度智能的关键。传统的人工运维模式已经无法满足现代无线网络的需求。利用机器学习、大数据分析等人工智能技术，可以实现自动化、智能化的网络运维，提高故障检测、定位和恢复的能力，优化网络性能，降低运维成本。通过对历史数据的分析，可以预测潜在故障并提前采取措施；通过对实时无线网络的智能化转型不仅有利于提高故障管理、性能优化、决策支持等传统运维领域的水平，更重要的是可以全面赋能网络运营的各个环节。在网络规划和建设阶段，可以基于人工智能模型预测未来流量需求，优化网络拓扑和资源配置；在网络优化阶段，可以通过大数据分析发现潜在的性能瓶颈，自动调优参数；在营销和服务方面，可以针对不同用户群体提供个性化的网络总之，依托人工智能等新技术实现无线网络智能化转型，是当前行业发展的必然趋势和重大机遇。只有抓住这一趋势，建立先进的智能运维体系，无线运营商才能在激烈的竞争中保持领先优势，为用户提供卓越的网络服务体验。同时，智能化转型也将为通信行业注入新的活力，催生自动化与智能化的需求增长：由于现有的无线网络运维缺乏灵活性，未来的挑战之一是如何引入更多的自动化工具和智能化解决方案来提高运维的灵活性。这包括使用人工智能和机器学习4维人员的专业技能和知识提出了更高的要求。除了强烈依赖人力之外，也可以通过人工智能中的自监督学习和主动学习来进行辅助；运用自监督学习方法，系统可以在未标注的数据上进行训练，学习到数据的分布与结构。例如，在无线通信领域，可以通过网络设备和用户行为的日志来学习正常和异常模式，从而无需大量的人工标注。同时，在一些必须需要人工标注的情况下，系统可以识别出对当前模型最有价值的数据点，并请求运维人员进行标注。这样可以确保人工标注的工快速定位故障与诊断技术的需求：在当今高度信息化和互联网化的环境下，网络故障可能导致严重的业务中断和损失，因此对于快速定位故障的需求变得尤为迫切。利用高级数据分析工具来处理和分析大量网络数据，以便更快地识别故障模式和潜在问题；实现细分颗粒度的实时监控系统，以便持续跟踪网络的性能指标和状态，确保快速响应潜在的问题；开发预测性维护模型，利用历史数据和AI算法来预测故障发生的时间和地点，从而提前采取预帮助运维人员更直观地理解网络状态和故障信息，加快诊断和解决问题的速度，从而显著提高故障根因定位困难的问题。图1NFV架构未来的无线网络业务要求网络必须具备敏捷、弹性和健壮等特征，因此全面云化成为5G核心网的架构基础。随着NFV（Network从全云化核心网开始实现。面向5G的核心网需要对虚拟网络功能软件进行系统优化重构，通过控制面和用户面分离构建分布式网络来降低时延，从而可以在部署和管理网络方面实现更大的灵5（NFVMANO）。虚拟化网络功能是在软件中实现的网络功能，这些软件运行在网络功能虚拟化基础设施上。虚拟化网络功能通常伴随着元素管理系统（EMS）。NFV管理编排涵盖了络功能虚拟化基础设施的物理资源和软件资源的编排和生命周期管理，以及虚拟化网络功能的生命周期管理。NFV管理编排还与运营支撑系统（OSS）或业务支撑系统（BSS）进行交互，以便中的管理运行仍是一个开放性挑战，面临着复杂性、可靠性、安全性等多重问题：例如对公有云或私有云平台的依赖，导致资源控制权相对弱化；引入云环境下新的网络安全风险；分层解耦后的网络层间协作对接更加复杂，需要定义更为清晰的软硬件分层接口；但最具威胁性的是为了分离控制管理、多厂商系统、改进功能、实施资源分配、动态网络条件和网络切片，整个管理编排的复杂性会明显增加，云平台故障影响面扩大。因而，网络有可能出现意想不到的“黑天鹅”式故障，同时运维复杂度也大大提高，故障定位也变得更加困难和紧迫，需要实现基于软件的监控被动事后式运维是指在运维中，运维人员主要通过监测、诊断和故障排查等手段来响应和解决已经发生的问题和异常，以保障网络的正常运行。被动事后式运维意味着运维人员需要等待问题出现后才能采取相应的行动。这可能导致较长的响应时间，延迟问题的解决，从而影响了网络的可用性和用户体验。同时运维人员需要通过排查和分析大量的监测数据、日志和告警信息来定位问题。这可能会遇到故障信息过载的问题，难以快速准确地确定问题的源头和影响范围，增加了异常排查的困难。被动事后式运维最大的挑战是对运维人员的经验和专业知识要求较高。运维人员需要具备深入了解核心网的各个组件和运行机制，以便在出现问题时能够准确判断和解决。这种依赖人员经验的模式可能会造成知识的局限性和人员依赖性，对新手运维人员的培养和知识传承带来挑战。随着网络规模的增大和服务复杂性的提升，传统的人工运维模式往往难以满足运然而，实施智能化和主动预测的网络运维，需要在数据、算法、自动化、安全与组织能力等各个方面进行全面提升和改造，这需要长期的投入与规划。其中数据能力包括收集处理海量网络性能和用户业务数据，以及高效的数据分析能力，这部分的工作可以参考《无线网络数据辞典》白皮书[5]。在此基础上，基于无线网络大数据，构建并持续优化AI/ML模型，以实现网络异常和6故障的智能识别和自动恢复。但需要面对复杂网络环境下一系列的困难和挑战。例如：复杂多变的无线网络环境会导致故障类型和模式都非常多样化，很难用规则进行全面覆盖；故障检测和定位需要近实时完成，对系统时延有很高的要求；故障影响面大，需要联动处理，同时识别故障的基于上述的困难，可以通过知识图谱技术呈现全面的网络状态和运维信息，帮助运维人员更好地理解网络拓扑、各网元节点间的信令交互和数据流向。将接口数据、网管数据、运维日志数据用知识图谱化后，利用图神经网络等深度学习技术对各个要素之间的关联、依赖关系进行深度解析，预测潜在的故障风险。从等待客户投诉后再解决运维故障或者优化参数的被动模式，转变为主动识别、发现、预测问题的主动运维模式。此外，可以根据预测的故障风险和性能指标，通过自动化配置管理和故障排查工具，自动调整配置、优化网络资源分配，进而提高运维的效率、准确性和可靠性，改善当前无线网络运维缺乏灵活性、过于依赖人力的痛点，实现更好的运维管大语言模型（LLM）是自然语言处理中的一个重要方向，是实现智能化人机交互的关键技术之一。简单说来，大语言模型是用于解释、翻译和总结自然语言文本的机器学习算法。这些模型使用深度神经网络从广泛的训练数据中学习，以产生适当的输出。通过transform自注意力机制，大语言模型可以将句子中的单词关联起来。单词之间的关系是通过评估和比较文本序列中每个单词的注意力得分来获得的。目前市场上开源的大模型基本上都是基于网络公开数据进行训练出来的通用模型，如果直接用于智能运维系统中的问答与决策，显然存在较为明显的短板，如：缺少无线通信行业领域的私域数据，专有问题解答效果差；数据时效性很低，对实时要求高的问题效果差等。如何将无线通信领域具体的业务知识融合到大语言模型里，是无线网络运维知识大模型应用落地需要考虑的一个重要大语言模型作为一种语言模型，本身并不能胜任对知识以及知识之间的管理，但随着它的快速发展，应用大模型来构建专业领域知识库已经成为当前的重要趋势[3]。相比通用领域的知识，专业领域知识往往更加复杂抽象，包含大量专业术语。大模型具有理解语言语义的能力，能够进行高效的信息检索和知识创造管理，可以用于专业文本的生成，以及专业知识的问答。大语言模型虽然可以很好的回答很多领域的各种问题，但是由于其知识是通过语言模型训练以及指令微调等方式注入到模型参数中，因此针对本地知识库中的内容，大语言模型很难通过此前的方式有效的进行学习。在缺乏足够训练数据和算力的情况下，可以借助私域数据Em提升回答的准确性和质量。7然而，大语言模型仍然存在会出现人工智能幻觉的局限性，这对于可靠性要求非常高的智能运维系统来说是在应用上必须要克服的重大挑战。当模型根据数据中的统计模式生成输出，而没有完全理解潜在的含义或上下文时，就会产生幻觉，从而导致无意义甚至错误的结果。为了应对这一难题，结合知识图谱和大语言模型可以为语言知识的局限性提供更强大的解决方案，并且可知识图谱是以头节点、尾节点和边构成的三元组形式对知识进行图形化表示，描绘了真实世界的数据实体及其关系。知识图谱为结构化和非结构化数据提供上下文和意义，使它们易于理解。将知识图谱和大模型相结合可以提供准确知识的集中来源，增加所收集数据的潜在知识价值。当智能运维系统合并了知识图谱与大语言模型集成的上下文知识库，从而允许系统模型在概念之间建立实体连接。这使得大语言模型能够利用各种信息源，包括结构化和非结构化数据，以生成更准确和相关的输出[4]。此外，系统模型也能够以更深入的理解进行推理，并生成更合理的结果。但其中表示学习、结构信息的利用、跨模块的集成与优化、以及解释性等都是将知识图谱和大语言模型结合的主要难点和挑战。需要在算法和计算两个方面不断取得突破，才能实现真正意义上无线网络智能运维系统目标是实现网络运维的智简化，具体实现方法是通过无线数据知识图字段筛选出来，并通过衡量其对KPI影响程度减少了冗余信息，达到了智简运维的效果。运维网络大模型则是通过庞大的算力基础，来对复杂的网络环境、网络特征进行巨量的计算，并且利用原有的运维专家知识库里的语义材料，寻找出8图2网络健康度趋势预测通过对于网络健康度的历史数据分析，找出其发展趋势。并通过对趋势的挖掘，实现后续网络监控状况的预测，可以解决因网络建设规划不足，备品备件不足等问题导如图2所示，一旦趋势形成就可以预测出网络状态落入健康度阈值以下的时间点前时间的差值。趋势分析后表现出来的如果是网络资源等相关问题，则可以利用这个时间差提前规划并解决。若在此期间的用户服务质量没有降低到阈值以下，大的影响。图3网络健康度异常点检测网络异常监测的一个重要任务是通过对网络设备运行情况的监测，及时发现网络异常，提前如图3所示，通过预测算法和历史数据分析，可以预测网络健康度的的数值，然后通过观察和分析预测值是否超过阈值来判断未来是否会发生故障。红色实线为真实9数据，红色虚线为预测曲线，利用预测点与当前点的时间差进行提前运维，解决掉可能出现的故网络异常检测从本质上看是一个分类问题，即从网络数据中将正常网络数据和异常网络数据区分开。当前可供选择的技术路线包括：基于人工特征提取的传统统计学习方法以及不需要显式特征提取的深度学习方法。基于人工特征提取的网络异常检测技术的技术路线是：分析人员首先以某种方式从原始网络数据中提取特征参数，然后基于特征进行建模和网络异常检测。人工特征提取的优点是：特征提取建立在安全分析人员的认知基础之上，对异常网络数据有较强的针对性；对训练样本数量的依赖度低，较少的样本训练即可得到相对准确的模型；模型的可解释度高，容易确定异常网络数据检测结果的有效性。但人工特征提取也存在着明显的缺点：对安全分析人员的依赖度高，特征的选取方法会对异常检测结果的有效性产生直接影响。当前已有的网络异常检测技术中，大都是基设备关键芯片等硬件的安全性非常重要，传输网络核心层设备的一个关键芯片故障可能造成大量业务中断，增加运营成本。通过定时采集芯片相关寄存器数据和状态数据，基于数据挖掘技术分析找出芯片故障与寄存器异常数据、芯片状态数据之间的关联关系，可以准确预测芯片故障，图4硬件故障预测型后网络的可用性情况。可以看到，没有故障预测模型时，系统被动等待故障发生，故障发现存在滞后现象，甚至直到网络可用性遭到大规模破坏后才发现故障；在部署故障预测模型后，系统可以提前预测故障、有计划可控地制定备份修复计划，做到未雨绸缪、主动出击，始终保持网络智能运维系统能够实时的监测网络性能和连接状态，自动识别并快速定位潜在的故障点，一旦出现故障，系统会通过智能分析，基于历史数据和模式识别，判断故障的可能原因。一旦确定故障原因，系统根据智能算法提供实时修复建议，最小化服务中断，确保网络持续通过网络故障自动诊断与修复，无需人工干预，网络问题可以在最短时间内得到解决，确保网络性能检测与优化是无线网络智能运维中的一个重要场景，其目标是持续提升网络的吞吐智能运维系统会实时监测网络的性能指标，包括传输速度、延迟、丢包率等，自动的分析这些数据，迅速识别潜在的性能问题；同时系统采用自主学习和优化算法，根据不同网络负载情况，动态的分配网络资源；系统也会对历史性能数据进行分析，发现可能的性能瓶颈，提前采取优化智能运维系统会实时监测网络流量和设备的行为，识别可能的异常活动，也会采用一些深度学习的算法，分析数据包和设备的行为模式，一旦监测到可疑的行为（如未经授权的设备连接），在安全风险预警方面，不仅关注已知的威胁，还能够发现未知的安全漏洞。通过实时协同分析，将不同网络节点的安全数据汇集起来，形成整体的安全态势感知，提供更全面的安全风险预智能运维系统通过集中监控和控制，实现了对分散的网络节点的远程管理。网络管理员可以通过系统远程访问节点，查看实时的网络状态、设备连接情况及性能指标，当出现问题时，会触发安全风险预警并能够提供故障修复建议，帮助管理员快速定位和解决问题；同时，设备配置和软件升级等操作也能够通过远程管理设置自动化完成，提高运维效率，降低运维成本，减少现场智能运维系统会对不同业务需求和网络性能进行识别和预测,对各域网络功能自动化编排和部署，生成满足业务需求的端到端服务流，同时，对容量欠缺的站点进行自动扩容，对尚无网络覆盖的区域进行自动规划、硬件自启动、软件自加载。进而针对目标业务需求完成从自动化感知到分析与决策的智能工作流，形成完备的自动化闭环流程，无需人工无线网络智能运维系统是指无线网络环境下，首次将知识图谱引入到智能运维全流程环节中，从协议出发，利用数据、知识、模型三大要素，实现内生智能的网络运维系统。此系统的目标是着力解决业界当前面临的痛点，适应未来发展智能运维应具备对来自不同来源的信息进行多元化数据采集的能力，包括基础设施的资源信息、网络设备中的无线空口和核心网运行数据信息，以及终端用户和环境信息等。这种数据采集通过硬采、软采、路测等多种方法实现：硬采数据由物理设备和传感器收集，提供准确的实时数据；软采数据通过网络设备和软件工具获取，具有广泛的覆盖范围和高频次；路测数据则通过实地测试和监测获得，反映真实的网络性能和覆盖情况。多元化数据采集方式不仅确保数据的全面性和准确性，还为网络优化、故障排查、用户体验提升等工作提供了有力支持，推动整个数据驱动的智能化发展进程。通过对多元化数据的采集与分析，智能运维系统能够更全面、准确地了解无线网络智能运维系统应具备通过实时监测和分析网络数据，快速发现网络风险并迅速消除故障，实现高效的异常检测和根因定位能力。这种智能系统能够将运维周期从传统的“天级”缩短到“小时级”甚至“分钟级”，极大地提高了网络异常处理的效率。相较于传统的人工运维模式，该系统不仅节省了大量时间，还降低了经济成本，为网络运营商带来了显著的效益和竞争优势。通过智能运维系统的高效运行，网络运营商能够在成本控制的基础上提升服务质量，实现更加可持续的发展。无线智能运维系统在应对复杂网络场景时，传统的基于邻近度检测的异常识别方法受制于判别标准和工程人员经验的限制。与此同时，基于深度神经网络的异常检测模型虽然具有较高的准确性，但往往局限于单一场景，迁移和泛化能力较弱。为了解决这一问题，异常检测告警模块采用了多模型融合的时序预测方法，通过制定针对异常信息的趋势重建/预测以及对正常信息的精准重建/预测的分离重构策略，实现了对多样化、动态化、复杂化网络场景的适应能力。这一策略有效地提升了智能运维系统在面对复杂网络环境时的应对能力，使其能够更加准确、全面地识别异无线网络的智能运维系统应具备对异常进行快速识别并定位的能力，如设备故障、传输问题、外部干扰等，能够对异常进行精准分类，从而精确定位及分析该异常的潜在范围及其对网络性能无线网络的智能运维系统应能够结合异常事件信息及所采集的无线网络数据通过知识图谱及人工智能等技术，快速、精准地追踪和识别网络问题的根本原因，并记录溯源分析的结果，包括函数级别的故障诊断是一种非常细粒度的故障定位方法，其核心思想是通过深入分析系统内部的函数调用关系和执行过程，精确定位故障发生的具体函数或代码模块。举例来说，通常在网络运营中，当出现用户设备接入失败等故障表象时，仅凭借一些常规的网络性能指标很难准确确定故障原因。要进一步对故障进行根因定位和诊断，就需要依赖一些专用的工具或者细致的数据智能运维系统应能够识别和解决无线网络中特定功能、模块以及函数级别的故障。这就要求无线网络的智能运维系统能够进行函数级别的故障检测、性能监控、故障定位甚至安全环境的函数级故障场景模拟等。函数级别的故障诊断一般需要高度专业的技术和工具以对网络设备内部执无线网络智能运维系统应用架构如错误!未找到引用源。所示，主要由四个单元组成，即无线图5无线网络智能运维系统架构无线数据模块：用于获取无线通信网络原始数据，并进行预处理后，按照不同数据类型进入无线数据仓库进行分类存储（详见辞典白皮知识图谱模块：用于基于无线通信网络的内生因素以及图谱构建方法，构建无线通信网络知识图谱，并结合分类后的无线通信网络数据进行深度解析和图谱循环智能溯源模块：用于基于调优后的无线通信网络知识图谱，以及异常检测和智能推理算法，确定无线通信网络故障及性能问题的追因溯源结网管策略下发模块：用于基于所述的无线网络故障及性能问题的追因溯源结果，结合策略生成算法，确定相应的网管策略，并下发给无线通信网络执无线数据仓库：经过无线数据智能解析平台的建设，对通过软列预处理后，实施数据治理，然后按照不同数据类型进行分类存储，汇聚形成基础数据无线网络智能运维系统的功能主要包括数据分类存储（Dataclassificationandstorage）、数据预处理（Datapreprocessing）、异常判断（Anomalydetectialarm）、异常关联（Abnormalassociation）、追因溯源（Rootcausetracing）和智能维护数据分类存储通过硬采、软采、路测等方式对试验网的各类数据进行采集、转换和清洗，按照不同的数据类型分类存储，主要包括无线空口（UE侧）数据、无线空口（数据预处理对所采集的无线通信网络原始数据进行异常数据删除、按时间分区、非结构化数据做结构化根据预测的KPI指标变化趋势及时发现渐变类异常并告警，提醒网络运行和维护无线通信网络底层数据类型。将影响KPI波动的策略下发模块中。在确认造成KPI指标异常的原因和其他关键因素之后，选取合适的调优方案和策略数据作为实现智能运维的基础，对于实现智能运维至关重要。只有拥有高质量的数据，才能进行有效的数据分析和决策，从而提高运维效率和质量。在智能运维中，数据可以提供实时的反馈信息，帮助运维人员快速识别无线网络的异常情况、预测故障发生概率等；通过数据分析和和算法模型，可以从大量的数据中提取出有价值的信息，例如流量的性能瓶颈、资源分配不合理等问题；通过数据可视化，可以将复杂的数据分析结果以图表、仪表盘等形式展示出来，便于运维由于AI和感知能力的内生，未来的无线网络承载的数据多样理分类有利于高效利用。无线网络中数据主要分为业务数据和网络设备运行数据。业务数据主要包括业务流程中所产生的用户签约数据、感智能化的手段可进一步挖掘这些业务数据蕴藏的价值。从数据来源、应用范围、数据量、存储要表1业务数据分类详情数据来源应用范围数据量存储要求用户签约数据网络/业务认证，授权，接入控物联网应用，智能决策智能决策模型数量成正比网络设备运行数据是指无线网络运行时产生的设备相关数据，主要包括网络性能数据、配置网络性能数据主要包括网络故障信息、网络负载等数据，用于分析无线网络运行情况和性能瓶颈，从而优化网络性能和提升用户体验；配置数据主要包括网络设备的配置信息、网络拓扑结构、信道参数等数据，用于初始化网络设备、建立网络连接、维护网络正常运行等；监控数据主以数据中台/大数据平台/数据湖等形式存在的数据底座技术，为智能运维提供数据采集、数据存储、数据治理和数据服务四项核心能力，通过这四项核心能力，可以将原始数据转化为有价数据采集是实现无线系统智能通信运维的基础。在无线网络中，通过将无线网络设备的状态和性能数据、无线网络的运行数据、空口和核心网的用户数据进行实时监测和采集，可以获得无线网络的实时运行状态用户的行为状态数据，为后续的数据分析和故障诊断提供支持。数据采集过程中需要保证数据的准确性和完整性，以确保后续分析的可由于无线网络数据规模庞大、纷繁复杂以及隐私保护等特性，选择合适的存储设备和数据处理技术至关重要，如分布式文件系统、数据仓库等。随着中台、大数据平台和数据湖等管理平台的快速发展，可以有效的解决数据的规模、处理速度和查询效率等问题，以确保数据能够被有效地存储和管理。同时，为了确保数据的安全性、可靠性和可扩展性，需要对数据进行安全存储和数据治理是实现无线网络智能运维的重要环节之一。通过数据治理，可以确保数据的合规性、一致性和安全性。在无线网络中，数据治理包括对数据的标准化、清洗、整合、分类和标记等工作，以提高数据的可读性和可用性。同时，通过建立数据质量管理流程，可以确保数据的准确性和完整性。数据服务是将数据转化为有价值的信息和知识的过程，通过数据服务，可以将采集到的原始数据转化为具有实际应用价值的信息或知识，提供给运维人员和管理决策者使用。例如，通过分析无线网络中设备的状态数据，可以及时发现网络故障并采取相应的措施来解决问题。同时，数据服务还可以将用户数据进行深度的挖掘和分析，发现潜在的问题和优化点，为网优和网络升级提供指导。在正式构建无线通信网络内生因素知识图谱之前，首先需要依据3GPP通信协议及通信领域专家知识，对无线通信网络所涉及的指标和数据字段进行梳理，并对各指标和数据字段之间的关联关系进行浅显解析。依据浅显解析模块对所得的指标及数据字段进行梳理后，确立实体类型，记为{entity1,entity2,...,entitym}，共有m种实体类型。实体包含可以表征实体对象特征参数的实体属性，例如实体名称、类型、字长、所属通信层、取值范围、可调性等。针对定义的实体，确立实体与实体之间的关系，记为{relation1,relation2,...,relationn}，共n种实体关系。根据经过浅显解析步骤梳理所得的实体和实体间关系[4]，构建具有连接关系的实体无线通信中的尾实体，每个三元组中的头实体和尾实体均属于上述确立的m种实体类型之一，relation为实体间的关系，属于上述确立的n种关系之一。然后，构建无线通信网络内生因素知识图谱，以三元组中的头实体和尾实体作为无线通信网络内生因素知识图谱的节点，每一个节点表征了采集存储的数据字段或指标，节点与节点之间的边连接关系用一条有向线段来表征，连接所有存在边连接关系的节点，即可得到具有拓扑结构的无线通信网络内生因素知接下来进行深度解析步骤，在浅显解析后所构建的无线通信网络内生因素知识图谱的基础上，依托基于图结构的理论分析方法，深入挖掘各节点之间的内生因素关联关系，如指标与数据字段、指标与指标、数据字段与数据字段、业务流程与数据字段等。对两个节点间的关联程度和依赖关最后以深度解析后的相关分析结果作为输入，输出无线通信网络内生因素知识图谱的调优内容和调优方向，包括图结构的调优更新、关联关系的调优更新等。同时，将调优更新参数反馈给智能运维系统利用机器学习和知识图谱技术，能够自动生成网络故障的诊断与修复策略。为首先，从算法角度出发，需要结合知识图谱对策略逻辑的合理性和可解释性进行评估，确保其符合专业规范。保证知识图谱中的网络元素、设备和协议信息的完备性和准确性，以及知识图谱中数据来源的可靠性，以及确保知识图谱具有足够的广度和深度，涵盖了各种无线网络组件和问题基于全面而准确的背景知识生成策略逻辑。通过比对专业规范、最佳实践标准等，验证算法生成的策略是否符合行业和组织标准。同时，利用知识图谱的注释和元数据，提高策略逻辑的可解释性。关注逻辑链路的一致性、有效性以及对异常情况的考虑，运用知识图谱中的关系信息解释策略逻辑中各步骤的关联和因果关系。这种综合的评估方法可确保算法生成的策略在实际应用其次，着重考察策略在检测和解决网络异常方面的能力，这涉及到准确判断异常的严重程度。通过在仿真环境中模拟异常场景测试策略的修复效果，比较关键网络性能指标，以综合判断其对整体系统的影响，此外，还要评估策略的实用性和可行性，这包括是否可以在生产环境中轻松实施，并且是否符合运维团队的操作流程。同时，进行与人工经验策略的对照实验，以直观比较自在评估中的另一关键点是安全性和合规性，确保生成的策略不会引入网络安全风，生成潜在总体而言，策略评估需要从解释性、效果影响、安全合规等不同维度进行，结合算法、网络和业务知识，以技术手段和场景验证相结合的方式进行。一个完善的评估过程能够全面验证策略的质量，并推动智能运维系统不断取得进步。这需要不断优化算法、更新知识图谱，并紧密结合无线通信网络中的内生因素知识图谱在构建初期并不十分完备，随着其应用到实际的智能运维业务系统，需要经历逐步完善和发展的过程。然而，这一过程通常依赖于大量繁重的无线网络数据标注工作，这种人工标注为日常的运维过程带来了巨大的人力成本。因此，为了应对这一挑战，实现知识图谱的自我生长和自我扩张至关重要。通过自我学习和持续迭代，知识图谱能够不断积累新知识、修正错误，从而逐步提升其准确性和全面性，减轻对人工标注的依赖，为无线网首先，为了应对运维数据人工标注繁重、困难的痛点，可以采用弱监督或半监督机器学习方法以少量带有标记无线网络数据为基础，结合海量未标记数据，同时通过图结构和节点特征传播信息，以预测未标记节点中无线网络运维数据的标签或关系。通过模型训练和迭代优化可以从海量数据中挖掘出更为深层次的模式和规律，抽取新的结构化知识，包含实体及其属性，实体之间的继承、包含和相关等关系，为智能运维中的异常地位、溯源分析和故障诊断提供更强大的决策进一步地，为了保证知识图谱的生成质量，使其更符合实际网络运维环境的稳定性要求，可以采用增量式学习的训练方式。当抽取到新的实体关系时，基于对新旧知识的比较分析，系统可以采用知识蒸馏的方式将新知识与已有知识进行整合，使得新的信息与知识图谱中相应的部分关联，并且确保新旧知识之间的一致性和衔接性。增量更新技术使系统能够在已有知识的基础上持续集成新的信息，保持了知识图谱的最新状态，而无需重新构建整个知识图谱。与整体更新的方式相比，提升效率的同时节约了系统资源与运行成本，同时提高了网络运维的整体稳定性，降低在实践中，强化学习和迁移学习的结合使系统能够利用已有知识图谱中的经验和信息，通过模拟和应用不同无线网络状况下的调优策略来扩展知识图谱。在强化学习过程中，基于实际运维表现（如异常定位准确率、策略表现评估等），建立奖励机制来引导模型与复杂多变的无线网络环境进行持续交互，从而使知识图谱自我更新并适应新数据。同时，迁移学习将已有知识图谱的信息转化为先验知识，并利用这些先验知识提升知识图谱的学习能力和适应性，为系统在面对未来可能的更多样性网络环境时，提供了一定的运维迁移能力。尽管自生长和自扩张是知识图谱的一种高效的构建方式，但也可能存在着一些潜在的错误和不准确性，而这会给无线网络运维过程带来潜在的风险。因此，适当的人工审核和修正成为确保知识图谱实现高质量自生长的重要补充手段。这一过程涉及专家审查、标注数据验证等过程，以识别并修正图谱中可能存在的错误信息。通过专家的审查，可以对自动生成的信息进行验证，并验证图谱中实体、关系或属性的正确性；标注数据的验证则能够通过与人工标注数据的对比，发现潜在的不一致或错误之处。这些审查和验证的结果将被反馈到系统中，为知识图谱的持续改进总的来说，知识图谱的自生长和自扩张是一个逐步迭代的过程，通过不断的迭代和积累，不仅完善了已有知识结构，也赋予了系统持续学习和适应新信息的能力。通过知识图谱不断的增量式演进，系统能够更精准地识别和解决运维过程中的各类突发异常，提供更智能、更高效的运维异常检测根据多种网络流量指标，检测离群点并标记为异常。目前异常检测算法可分为：基于专家经验的制定异常检测规则的方法、传统机器学习算法、深度学习算法、基于信号分析的异常检测算法。其中，基于专家经验的制定异常检测规则方法通过制定判黑或判白规则（例如，正则表达式）来匹配正常或异常流量，这种方法具有准确性高的优势，但是需要投入大量人力劳动，并持续跟踪迭代；另外三种方法均为数据驱动的方法，其中，传统机器学习算法具有快速、易训练、轻开销的特点；深度学习算法准确率较高，但训练所需数据量大且训练与推理开销均较大；基于信号分析的异常检测算法训练开销小或不需训练，但推理时延长，开销较大。在实际应用中，常常结合这几类方法的不同特点，组合运用几种异常检测方法，例如：首先使用开销小的传统机器学习算法过滤掉大部分置信度高的正常流量，再进一步使用较为准确但开销大的深度学习模型对在前一步中置信度较低的流量进行判别。对异常流量数据进行标记，需要专家知识与大量人力投入，目前存在标签不足的问题。因此，攻击手段层出不穷，不断演化，因此，异常检测模型也应与时俱进。但是，新收集的数据并没有人工标签，且新的攻击手段出现时，相关数据少难以支撑对深度学习模型的训练，这对模型目前异常检测需要与专家进行交互，当智能算法无法自动完成故障恢复时，需要进一步进行人工排查与故障恢复。而数据驱动类异常检测方法的检测结果缺乏可解释性，为交互过程提出了接下来将分别介绍三类数据驱动的方法中经典异常检传统机器学习算法使用随机森林[7]、核密度估计[8]、不和谐度发现[9]等方法进行异常检测。其中，MDI是一种经典的异常检测算法，并且在众多传统机器学习算法中表现出优性与较低的时间[10]。MDI算法使用滑动窗口对每个滑动窗口内的子序列进行异常检测。对于每一个滑动窗口的子序列，首先把原始时间序列划分为滑动窗口子序列与剩下序列两部分。并对滑动窗口中的序列和剩下的序列分别进行核密度估计，计算滑动窗口中的序列与剩下序列中每一个高于阈值的滑动窗口子序列标记为异常序列[基于深度学习的异常检测主要可以分为：基于预测的异常检测，即通过评估衡量模型预测准确性，把预测误差与准确性评估结果差异较大的序列标记为异常；基于重构的异常检测，即通过神经网络把高维时间序列数据压缩为低位时间序列数据，并从低维时间序列数据中重构回高维时间序列数据。鉴于在训练模型时，训练数据均为正常数据，因此，该类方法假定在训练过程中，神经网络学习到正常数据的压缩与重构模式，而在推理阶段对正常数据重构效果较好，对异常数在基于重构的异常检测方法中，OmniAnomaly[11]是一种公认效果较好的时间序列异常检测方法。该方法融合了时间序列处理方法与变分自编码器数据压缩重构方法，能较好利用时序信息进行异常检测。该方法使用时间序列中每个时间节点变分自编码器的重构概率作为异常检测分数。其中，异常检测分数越低，说明该节点越有可能为异常时间点。更进一步，OmniAnomaly使用极值第二理论（Peaks-Over-Threshold）搜索异常阈值，当异常检测分数低于该阈值时，基于信号分析的异常检测算法一般使用傅里叶变换[12]、小波分析[13]、压缩感知[14]等方法进行异常检测。其中，基于傅里叶变换的异常检测具有一定的局限性，例如：只能捕获全局特征，且对于非周期性时间序列效果不佳。基于小波分析的异常检测可以捕获局部特征，但是该类方法的时间开销较大。基于压缩感知的异常检测方法可以提供较高的异常检测准确性，并且与基于深度学习的异常检测算法相比，不需要大量训练数据，启动时间短，但同时该方法推理阶段所需时JumpStarter[14]是近期一种准确性较高间序列大多为剧烈且突然升降的序列。基于该假设，异常时间序列应含有高能信号，而使用压缩感知方法采样并重构的序列含有较少的高能信号。通过对比重构前后序列的差异，可以把重构差为增强数据驱动的异常检测算法的可解释性，许多异常检测算法融入了可解释性模块。根因分析策略大致可分为：基于知识图谱的根因分析方法，基于重构型异常检测方法的根因分析方法，基于因果推理的根因分析方法。其中，基于知识图谱的根因分析方法和基于因果推理的根因分析方法需要在异常检测模型之外另外构建其他模型以辅助根因推理，而基于重构型异常检测方法的根因分析，只需在原本重构模型输出结果上进行进一步处理就可得到结果。因此，基于重构型异常检测方法的根因分析方法更为轻量。但是，基于知识图谱的根因分析方法与基于因果推理的根因分析方法能够融入更多人类社会的先验知识，具有更高的准确性、能完成更加复杂的因果推理基于知识图谱的根因分析方法的核心思想在于利用一段时间内的历史数据，同时基于无线通信网络知识图谱的图结构，找出节点之间的关联关系程度。进而，依据图中的路径计算出底层每图6基于知识图谱的根因分析方法数据的采集主要是指无线网络知识图谱中每个节点的真实无线数据的采集。对原始数据的预连续型节点离散化主要是指：对连续型节点参数利用等宽法进行离散化处理。处理后的数据更方便进行边连接强度的计算。缺失值的补充是指对缺失点位置的数据采用就近填充原则，将该在数据预处理好的基础上，开始计算边连接强度，两个节点间的边连接强度是指原因节点的任一状态导致结果节点的所有状态发生概率之和。此步骤后，将边连接关系间的边连接强度归一的影响效率是指此两个节点间最短路径上的所有连边权重值的乘积。对于网络级性能评估指标与用户级性能评估指标来说，当其中某个或某类指标数据检测出异常时，找出所有连通到此指标的路径，对此路径上的所有节点计算其对目标KPI指标选择对目标指标影响较大的关键性节点即可。最后，对于上节所述重构型异常检测方法，可以计算各个指标的重构误差，根据重构误差的大小对各个指标对异常贡献度进行排序，重构误差大的对异常贡献度大，重构误差小的对异常贡献度小。以MSCRED[15]方法为例，该方法提供一种对短期序列、中期序列、长期序列法。该方法使用滑动窗口分别截取较短、中等、较长的三段高维时间序列。使用这些时间序列构建这三种时间段的签名矩阵，签名矩阵中第i行第j列表示第i个指标与第j个指标的相关关系。并使用卷积长短序列网络压缩并重构签名矩阵。计算重构签名与原始签名矩阵的误差，得出关于短期、中期、长期三个序列的重构误差作为异常检测分数。而对签名矩阵中，每个位置求出分别的重构误差。重构误差大的指标对异常的贡献度较大，重构误差小的指标对异常的贡献度小。当短期、中期、长期三个重构签名矩阵均可达到较高重构误差时，可以判断当前异常为持续时间长的异常，而当只有中期或短期重构签名矩阵达到较高重构误差时，当前异常为持续时间较短的异常见的基于因果推理的根因分析方法有基于贝叶斯因果推理网络的因果推理方法[16]、基于基于贝叶斯因果推理网络的因果推理方法，以各个指标为节点，根据贝叶斯公式计算条件概率，判断节点之间的因果相关关系，构建节点因果拓扑图。当出现异常时，统计所有异常指标，向量数据库是一种特殊类型的数据库，它专门用于存储和检索向量数据。在向量数据库中，数据以向量的形式存储，并且数据库提供了有效的查询和相似性搜索机制，允许用户检索最接近或相似的向量。知识图谱是一种用于表示实体、关系和属性的图形结构，它有助于组织和理解大量的结构化和半结构化数据。将向量数据库与知识图谱结合使用，可以提供更强大的数据查询和分析能力。例如，可以使用向量数据库存储实体的嵌入向量，并通过相似性搜索找到与给定实体相似的其他实体，这对于智能推荐系统十分有用。进一步地，与基于深度学习的大规模预训练模型相结合，可以带来以将大模型生成的嵌入向量存储在向量数据库中，可以通过高效的相似性搜索快速找到与查询大模型通常需要较长的推理时间，将嵌入向量存储在向量数据库中允许实时进行推理，从而通过将不同类型的嵌入向量存储在向量数据库中，可以进行跨模态的相似性搜索，例如在图向量数据库用来表示词汇的数学空间是向量空间，其最大特点是相似性匹配，而不是精确匹配。以文本搜索为例，向量数据库可以支持语义关联的搜索，而普通的文本搜索引擎只能支持精确匹配的文本搜索。如，关键词“AMF接入和移动性管理功能”用文本搜索可以搜索到“AMF接入和移动性管理功能执行注册、连接、可达性、移动性管理”，却不能关联到“核心网的关键网元”这个定义，而向量数据库则可以做到。传统的文本搜索引擎需要存储全量信息才能实现完美匹配，而向量数据库存储的信息是压缩的，可以理解为向量数据库拥有知识（信息压缩）。在大模型生成应用中，为了保证生成效果，prompt（提示词）的正确性、表述专业性常常是入大模型进行推理，就能大大提高生成效果，此即检索式增强生成方法（RAG）。这是一种向大语言模型（LLM）增加新数据的微调替代方法，这种方法基于提示，图7RAG搜索的拓展。相比于直接对模型进行微调，对硬件资源的要求更低，而且能够给出引用原文，适合私策略下发系统承接追因溯源，是完成智能运维闭环调优的最后一环。追因溯源模块根据无线通信网络问题诊断定位结果，得到了引起网络性能或用户体验下降的关键性能指标，并且推理出了影响该指标的具体数据字段及其属性（可调性、调节范围等），然后利用基于关联规则和深度学习的智能推荐方法，依据构建的无线通信网络内生因素知识图谱及各节点间内生因素关联关系，策略映射是指结合专家系统的经验辅助，针对异常定位的根因进行调优策略推荐，对策略进行网管指令的映射，提供的若干种可行的通信网络调优方案作为输入。依据智能决策方法，从提供的可行的调优方案中选择一种策略，通过指令下发给无线通信网络执行，实现异常场景的恢复。在当前系统中，涉及核心网侧的指令基于网管系统下发，涉及基站侧的指令基于本地维护终端下指令下发是依据智能决策方法所提供策略，通过网管系统或者基站与终端接口修改对于可调参数的过程。将每一种调优策略对应的参数修改形成相应的自动化参数修改指令脚本，所映射的网管指令执行通过执行自动化指令脚本的方式完成策略下发执行。自动化指令脚本执行结果作为策略下发的结果返回给用户，如成功/失败/超时图8策略下发流程图本场景对基于RRU+BBU+5GC小站环境的“用户入网成功率”进行异常模无法接入的异常情况，基于实采数据和知识图谱完成实时展示及根因定位，并通过策略调整下发通过小站进行核心网的场景模拟，进行相关网提供数据基础，通过试验网的基础数据，经过分类处理，汇聚成含有海量数据的无线数据仓库；基于无线通信网络的内生因素、专家知识以及图谱构建方法，构建无线通信网络知识图谱，并结合分类后的无线通信网络数据进行深度解析和图谱循环调优；同时进行试验网小区、用户核心指标（RRC连接率和注册成功率等）的监控，通过异常检测算法检测发生异常的指标，并根据基于知识图谱的追因溯源算法进行原因定位，最终生成策略进行下发，从而完成智能运维闭环调优。通过软硬数据采集等方法对无线网络通信数据进行采集、转换、清洗，然后依据不同的数据类型进行分类存储。采集的数据通常可以分为四大类，但不局限于这四类数据：第一类为无线空图9RRC连接建立系统帧号标识是否调频AMF_IDnStartSlotIdxnStartSlotIdxPwrRampingStepnFreqIPwrRampingStepnFreqIpreambRecTargetPwrnStartSymbInStartSymbInPreambIdxPcmaxnPreambIdxPcmaxMsg1配置nPreambPwrMsg1配置nPreambPwrPathlossnUlCarrierPathlossnUlCarrierSFNpreamSFNpreambTransMaxhopping_bithopping_bit▲▲含包UL含包UL▲▲▲TimingAdvaTimingAdvaTPCTPCCommandC-RNTIcell_indexRRC_Setup_req_typeFlagestablishCaseC-RNTIcell_indexRRC_Setup_req_typeFlagestablishCaseSFNSFNueue_idTC-RNTITC-RNTIcell_indexCurreCurrent_srb_statussrb_configMsg4RRCSetupSFNMsg4RRCSetupSFN▲▲srb_id▲▲srb_idactive_srb_countUeContactive_srb_countUeContentionResolutionIDcrHeaderSlot_typecell_indexSFNBitmaskMsg5IDSFNBitmaskMsg5IDplmn_ID▲RRCmpleteplmn_ID▲RRCmpleteng_5G_s_tmsitmsi_ng_5G_s_tmsitmsi_Choice包含selected_plmn_IDng_5G_ng_5G_s_tmsi_part_2gNBUE RAPreamble Msg3:Msg3:RRCConnectionRequeMsg4:Msg4:RRCConnectionSetACKHARQHARQMsg5:Msg5:RRCConnectionComplete图10随机接入连接流程图图11异常场景任何一种随机接入过程中preamble发射功率的功控都是开环功控，即终端无法通图12UE接受Msg1示意图PL_DL=referenceSignalPower−HigℎerlayerfilteredRSRP≈TxPower_gNB−RSRPPp,t=TargetPower+ΔP+(counter−1)×RampStepcounter=1,2,...,nTransMax+1其中，ΔP取值如下表所示：0123Pmsg1=min{Pp,tdBmc,max}率控制主要用于降低对邻区的干扰和提高小区吞吐量，同时保证小区边缘PPUSCH(i)=min{Pcmax,c,10log10(2μ×MPUSCH(i)+P0_pre+ΔPREAMBLE,Msg3+PL+ΔTF(i)+f(i)}i：第i个上行子帧MPUSCH(i)：第i个上行子帧使用的RB个数ΔPREAMBLE,Msg3：Msg3的前导Δ值，通过参数DeltaPreambleMsg3配置ΔTF(i)：不同MCS格式相对于参考f(i)：UE的PUSCH发射功率调整量，由f(i−1)和TPC计算得到01234567Value02468图13实验环境模拟设备为H手机一部，Q手机一部，均置于屏蔽箱中，以屏蔽外界环境复杂的电磁干扰。图14UE侧数据抓取页面图15正常接入流程展示图16随机接入失败相关信令数据截图信令表明，Q