电信运营商智能化体系白皮书.pdf

电信运营商智能化体系电信运营商智能化体系白皮书白皮书（2023年）年）中国通信学会中国通信学会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中兴通讯股份有限公司中兴通讯股份有限公司2023 年年 11 月月III前前言言全球通信产业正在从互联时代、云时代迈向智能时代，信息通信技术与人工智能技术的融合，是新一轮科技革命和产业变革的需要。新机遇与新挑战驱动网络加速全面转型升级，但电信运营商网络经过不断换代升级，设备数量越来越多，网络结构愈加复杂，迫切需要通过智能化来推动网络敏捷、高效、智能，实现网络的自我配置、自我管理、自我优化。为此，通信标准组织纷纷致力于通信网络与 AI 的集成，以解决两者在技术发展路线、特性、管理机制等方面的差异性。电信运营商亦顺应数字化、智能化发展趋势，坚决践行国家使命，全面建设广度、厚度、深度行业一流的“高速泛在、天地一体、云网融合、智能敏捷、绿色低碳、安全可控”的智能化综合性数字信息基础设施，为经济社会发展畅通信息“大动脉”、构筑数字新底座；坚决落实网络强国战略，服务数字中国、智慧社会建设，以技术领先、高度集成的“全覆盖、全在线、全云化、绿色化、一站式”数字化服务，助力千行百业“上云用数赋智”；坚决实施创新驱动，聚焦核心技术，聚焦关键应用，融合创新，坚决履行作为国家战略科技力量重要组成部分的使命担当。为了体系性推进电信运营商网络智能化，特制定本白皮书，内容涵盖行业态势、电信运营商智能化愿景、智能化体系框架、智能化应用、智能化成熟度评价等。IV目录一、行业态势.1（一）智能化内涵.1（二）通信行业智能化标准.1（三）互联网行业智能化.4（四）行业态势小结.6二、电信运营商智能化愿景.6三、电信运营商智能化体系框架.8（一）总体框架.8（二）智能层.91.智能层要解决的关键问题.92.智能大脑功能框架.113.智能大脑功能模块.12（三）数字孪生层.251.数字孪生架构.252.数字孪生关键技术.28（四）实体网络层.321.推进网络自动化.322.推进网络自智.33（五）智能化流程.391.智能化决策与自动化执行流程.392.智能化运维运营流程.41V（六）安全保障.41四、智能化应用.43（一）智能化应用框架.43（二）智能化算法框架.451.AI 算法分类框架.452.智能化场景与算法关联.47（三）AI 模型部署.481.现状及面临问题.482.AI 模型部署.49（四）典型应用场景.501.无线网络.502.政企 OTN 专线.523.宽带接入网络.534.核心网.565.跨域协同智能场景.56五、智能化成熟度评价体系.59（一）评价方法论.59（二）分级参考标准.59六、未来展望.62七、参考文献.63附录 A：缩略语.631一、行业态势一、行业态势（一）（一）智能化内涵智能化内涵智能化是从人工、自动到自主的过程使对象具备灵敏准确的感知功能、正确的思维与判断功能、自适应的学习功能，以及行之有效的执行功能。具体到实现，智能化近似为 AI+数据+自动化，即：AI像大脑，负责感知、认知、决策；自动化如同躯干，负责标准化流程、自动化执行；数据犹如血液，是信息的载体。如下图所示：图 1 智能化内涵（二）（二）通信行业智能化标准通信行业智能化标准随着 5G、SDN/NFV、网络切片、网络编排等新兴技术和服务的部署，加上原有的 3G/4G 网络、IMS 网络，电信运营商的网络变得更加复杂和异构。通信标准组织纷纷致力于 AI 与通信网络集成,TMForum、3GPP 和 CCSA 等国内外标准组织基于自身传统优势领域，相继立项开展网络智能化相关课题和标准研究工作，对智能化的架构、场景等进行标准定义。总体上来看，来自 TM Forum、NGMN 的运营商/产业需求和 ITU 的国际电联需求，被输入到 3GPP、ETSI，促2进国际自智网络规范成熟，同时加速国内 CCSA 的标准落地。如下图所示：图 2 国内外主要标准组织智能化相关标准关联关系各主要标准组织的智能化相关标准制定进展情况如下：TM Forum 网 络 智 能 化 项 目 组（Autonomous NetworkProject/ANP）于 2019 年 5 月成立，旨在为垂直行业用户和消费者定义全自动的零等待、零接触、零故障的创新网络及 ICT 服务。同时，TM Forum 还发起和组织了跨多个标准组织的 Multi-SDO 运作，目标是在网络智能化领域的概念、框架、关键观点等方面达成共识，并推进跨组织协同。目前 TM Forum 已发布多个网络智能化相关规范，涉及架构、演进等级、意图驱动、闭环控制等方面。目前在研重点课题包括技术架构、意图驱动、闭环控制和 OpenAPIs 等。ITU-T SG2 主要研究课题为业务提供和电信管理的运营，已发布M.3080(AIToM 相关）等基于 AI 的电信运营标准。ITU-T SG13 重点关注未来网络（包括 IMT-2020）、云计算、可信网络基础设施，3于 2020 年 12 月成立网络智能化焦点组（FG-AN），聚焦网络智能化标准预研工作。已发布的 Y.317X 系列标准规范包括自智网络在内的网络智能化的要求、架构、分级等相关标准，具体的意图、感知、沙箱等相关标准仍在研究中。3GPP 从 R16 版本开始定义自智网络相关标准规范，其中 SA5 是自智网络相关项目最多的工作组，包括自智网络分级 ANL、闭环控制 COSLA、意图驱动网络管理 IDMS、管理数据分析 eMDA 等标准规范。相关课题到 R17 阶段基本告一段落。R18 阶段在智能网络分级、意图网络管理等课题有增强，同时新增了 AI/ML 管理的研究课题。ETSI ISG ZSM 规范输出侧重网络和服务自动化管理的通用技术研究。ETSI ISG ENI 规范输出侧重定义认知网络管理架构。ETSI ISGNFV 对标 TM Forum 和 3GPP 实现网络智能化的目标，针对性地启动了使能 MANO 领域网络智能化工作,聚焦于网络云专业领域自动化与智能化赋能。LINUX Foundation 从 AI 平台、网络自动化角度提出了智能化标准。一方面，从 AI 平台角度提出了 Acumos 开源平台；另一方面，从网络 IT 化、自动化角度提出了 ONAP、OPNFV、Open Daylight 等标准。中国通信标准化协会（CCSA）的网络智能化标准化工作在多个技术工作委员会展开，特别是网络管理与运营支撑工作委员会（TC7）。运营管理智能化是网络智能化的核心内容，其标准化工作对推动网络智能化的建设和发展具有重要意义。从2021 年 7 月 CCSA4TC7 第 33 次全体会议以来，网络智能化相关标准和研究课题立项累计 25 项。当前网络智能化标准体系，包括体系架构等技术规范也在CCSATC7 制定中。CCSATC610 SDN/NFV 技术标准与产业推进工作委员会从 2021年 10 月以来，成立多个自智网络工作子组，涉及到 IP、接入和传输等方面，立项端到端网络、云光专线、基于家宽质差场景的多项分级和评测标准。网络智能化标准在国内外主要标准组织已达成一些共识，标准制定工作也逐步步入深水区，仍面临诸多挑战，比如意图接口、数字孪生等。对于网络智能化技术标准的演进，一方面，在产研业界的推动下，将进一步细化分级评估标准，制定跨标准组织的互通性研究和测试验证规范；另一方面，将与 ICT、DT 技术融合，深入探索意图引擎、数字孪生、自动学习等技术，与通信智能化场景融合，助力未来智能网络落地。（三）（三）互联网行业智能化互联网行业智能化以百度、腾讯、阿里、京东、科大讯飞、字节跳动等为代表的各大互联网企业都推出 AI 战略，积极布局人工智能，聚焦消费级 AI多维应用场景与产业级 AI 技术使能，协同多方合作伙伴，共建创新生态。如下图所示：5图 3 互联网公司全面布局人工智能整体来看，互联网企业正从以下方面着力：a.互联网企业正在从技术、场景、平台三个层面打造 AI 基础能力。在技术层面，主动强化在核心人才方面的布局，组建人工智能实验室，夯实基础研究。在场景层，各大科技公司广泛多元的自有业务内容，为机器学习、计算机视觉、语音识别及自然语言处理等领域的 AI 基础研究提出了丰富应用场景，使游戏、内容、社交、金融、医疗等方面的场景能够快速应用人工智能能力，带来更智能的用户体验。在平台层，推出 AI 战略，满足市场对 AI 能力多维度的需求；并对外开放 AI 能力、开源机器学习、深度学习平台，降低 AI 开发门槛，推动更多现实场景落地。b.互联网企业构建基于新一代人工智能的软硬件产品体系，开展“软件+硬件+应用+芯片”产品布局，逐步由技术输出商向解决方案提供商转变。6 将新一代人工智能技术应用于现有产品体系，改造和提升现有体系和产品性能。面向个人消费市场开发基于新一代人工智能的软硬件产品，并集成已有产品抢占用户入口。面向行业市场开发新一代人工智能应用，拓展第三方产品线。c.人工智能产业链正走向成熟与分工，“聚焦”是当前市场环境下的优先策略。（四）（四）行业态势小结行业态势小结行业标准组织、互联网公司均将 AI 作为未来的发展方向，并制定标准、AI 战略等。电信运营商为了加速网络智能化转型，支撑业务自动开通、网络即服务、智能运营维护，提升服务质量，各电信标准组织、电信运营商等积极探索 AI 与电信网络深度融合，但 AI 和通信网络的发展路线、技术特性不一致，如何结合电信运营商网络实际来构建电信网络智能化体系是重大挑战。二、电信运营商智能化愿景二、电信运营商智能化愿景电信运营商的智能化愿景是通过自动化和智能化方法，推动网络&IT 具备自配置、自优化、自治愈和自演进能力，简化业务部署，面向网络与基础设施管理、产品与市场营销、客户感知与服务、科技创新等方面实现业务处理的全息感知与认知理解、全网络推演与决策、全场景实时控制，为消费者和垂直行业客户提供零等待、零接触和零故障体验。电信运营商的智能化愿景如下图所示：7图 4 电信运营商的智能化体系对上图说明如下：智能层：负责认知理解、推演与决策，主要指智能大脑，其中：认知理解：负责数据理解、知识表达、逻辑推理（根因分析、异常定位、解决方案、关联推荐等）、自主学习（强化学习）等。推演与决策：针对问题形成可执行的策略，如自动配置、动态扩缩容、路由切换、精准营销、客户主动关怀等。数字孪生层：负责从实体层采集数据并模拟现网，包括实时状态（配置、性能、告警）、事件、历史数据等，以及控制指令上传下达，实现虚拟与物理信息的协同联动。主要指中台。网络自智层：主要指面向用户提供业务的专业网络及网络智能运营等，支持自我配置、自我优化等。8三、电信运营商智能化体系框架三、电信运营商智能化体系框架（一）（一）总体框架总体框架电信运营商智能化体系承接智能化愿景，采用三层一保障架构，即智能层、数字孪生层、实体层和安全保障，利用 AI、数字孪生技术等对资源、数据、流程和事件全要素赋能，形成全息感知、数字孪生、可视化洞察、智能化决策和自动化执行的闭环能力，助力数智化转型。总体框架如下图所示：图 5 电信运营商智能化体系框架对三层一保障智能化体系框架说明如下：智能层智能层以智能化场景为牵引，以 AI 基础平台为依托，通过认知决策引擎实现智能认知和决策，并通过编排进行流程设计、能力组合与实例化，形成执行方案，通过智能服务开放交由数字孪生层来执行。此外，智能层还通过智能服务开放向内外部应用提供智能决策能力。9数字孪生层数字孪生层负责对实体层（网络和平台进行数据采集和处理，形成资源、数据、流程、事件等数字化要素，基于要素来构建实体层网络与平台的数字孪生模型并进行管理，形成全息感知能力，支撑智能层的认知与决策。此外，数字孪生层还对实体层、数字孪生层的各类能力进行汇聚，通过能力开放与共享模块实现能力共享，形成自动化执行能力，支撑智能层的编排和自动化执行。实体层实体层是指提供业务的网络与平台，其中网络包括无线网、核心网、传输网、数据网等，平台主要指业务平台。实体层通过云化、NFV 化、SDN 化、智能化，构建自动化与智能化基础设施，自动执行数字孪生层传递的指令，实现网络自智。同时，实体层向数字孪生层提供配置、性能、告警、信令、用户访问行为等数据，为物理映射和感知提供基础。安全保障安全保障是从业务安全、算法安全、数据安全、网络/平台安全等方面，提供全生命周期的安全防护。（二）（二）智能层智能层1.智能层要解决的关键问题智能层要解决的关键问题智能层要解决两大类问题，包括智能决策和编排，其中：智能决策主要指智能大脑，负责态势感知、认知、决策、再学习。需要支持的能力包括：10 对态势的感知和认知能力：依据状态数据，通过大模型、小模型协同，对面临问题进行评估和分类，即判断和识别出问题的类型及所在。可以通过 Transformer、图神经网络、深度神经网络等 AI 算法来支撑。例如：基于运营商专有数据和 Transformer 训练出通信大模型，来判断和分类网络运营问题；利用图神经网络来将网络的节点、链路、路由、流量等信息嵌入，构建网络状态有向图，进而利用 GCN、GAT 等图神经网络算法来识别和预测网络拥塞、网络质量等。决策能力：针对认知出的问题，找出对应的解决方案，类似于人脑记忆中针对什么样的情况应该怎么做。可以将日常运营运维中出现的问题及解决方案固化成知识，并通过知识图谱将知识进行表达和检索，形成企业知识库。再学习能力：需要再学习的能力包括态势感知和认知能力模型、企业知识库等，主要是结合上线运行情况，对其进行优化。可采用强化学习的 DQN、DDPG 等算法。例如通过下面方式来构建强化学习模型：将实体网络作为环境（Environment），将决策作为动作（Action），将实体网络状态信息作为状态（State），将实体网络执行决策后反馈的执行结果作为激励（Reward）。编排：负责对各域资源进行按需、弹性组合。主要是基于业务场景，进行业务编排、流程编排、资源编排等，其对于敏捷响应客户需求、快速提供业务具有非常重要的作用。编排应提供 IT/CT 端到端编排能力。112.智能大脑功能框架智能大脑功能框架智能大脑负责接收待决策信息，进行认知和决策，决策范围涵盖业务、营销、感知、网络、客服等方面。其框架如下图所示：图 6 智能大脑技术框架对上图说明如下：AI 基础平台：提供算法、深度学习框架、硬件环境、训练环境、生产环境、模型市场等，支持认知、决策等模型的训练和部署。编排：结合业务场景和业务流程，对资源和能力进行组合，形成可执行方案。编排分为设计态和运行态两种。认知决策引擎：包括认知管理、决策管理和企业知识库三部分。认知管理：负责利用认知模型（如通信大模型）对接收到的待决策信息进行分类与分析，并利用企业知识库进行根因分析及解决方案查找。12 决策管理：负责根据认知管理输出的根因分析及解决方案，生成决策策略，并提交给智能服务开放模块对外交互执行。企业知识库：负责以知识图谱的方式提供客户、业务/产品、渠道、网络、平台、客服等方面的资源信息、标准配置信息、常见故障及特征、解决方案等。智能化场景：对智能化场景进行聚类，分为网络智能、运营智能和应用智能三大类，为认证决策、编排提供牵引。智能服务开放：负责对接数字孪生层、内外部应用等，从外部接收待决策信息并传递给认知决策引擎进行决策，并将决策信息传递给数字孪生层、内外部应用进行执行并接收执行结果反馈。数字孪生层：负责向智能层提供感知数据，并接受智能层的决策指令，并传递给实体层进行自动化执行，反馈执行结果。内外部应用：负责携带待决策信息，向智能大脑发起待决策服务请求，接收并执行智能大脑的决策，并向智能大脑反馈执行情况。3.智能大脑功能模块智能大脑功能模块（1）智能化场景）智能化场景智能化场景是对智能化需求进行分类管理。电信运营商在市场前端、客户体验、网络运营运维等方面有大量的智能化需求，如下表所示：表 1 电信运营商智能化需求类别类别范围范围典型场景典型场景场景描述场景描述应 用智能市场与销售管理市场规划和销售预测智能地获得洞察力并自动化市场规划和销售预测。与竞争对手的 A/B 测试基于机器学习模型（如与竞争对手的 A/B 测试），自动化竞争洞察。13类别类别范围范围典型场景典型场景场景描述场景描述AI 驱动的程序化广告基于机器学习模型有效地驱动程序化广告，在合适的渠道、时机向用户推荐合适的产品。识别潜在客户从各种数据源中学习并识别潜在客户。与客户的个性化沟通智能识别用户感兴趣内容，有效地与客户的个性化沟通。产品和报价管理分析产品和提供产品组合基于客户行为的自动学习引导产品的推出，在适当的时候提供适当的报价和产品。动态内容推荐智能地确定下一个要观看的内容。参与方管理第三方欺诈和风险管理业务部门可以通过 AI 有效地管理第三方欺诈和风险，并通过产品管理和基础设施管理在闭环中管理服务级别。网络保障网络故障识别与预测通过主动学习历史数据的健康状况，在线智能划分当前服务性能，利用人工智能识别潜在的亚健康服务，并根据健康水平对这些服务进行排序。服务要求保证通过使用人工智能和适当的策略，来预测潜在的危险情况，例如两个或多个片竞争相同的资源，并采取预防措施，例如通过使用资源预留。网络故障根本原因分析和智能恢复当故障发生时，使用 AI 算法计算从监控系统收集的告警数据、网络拓扑数据、网络服务数据的故障自恢复策略。然后将故障自恢复操作传送到网络，可以快速恢复自恢复故障。如果故障无法纠正，则可以执行准确的诊断以找到根本原因，并帮助工程师快速纠正故障。客户体验与服务客户体验智能化感知通过 AI 技术，对涉及用户感知的 KPI、QoE 指标进行分析和预测。智能客服采用客服机器人，智能化、自动化地、24 小时与客户沟通交流。运 营智能网络运营弹性资源管理和编排通过 AI 技术有效地利用资源来增加网络的灵活性，从而使其行为在每次都能弹性地适应负载和可用资源。包括：（1）通过实现从服务请求到网络切片实例化的基于人工智能的、自动的、准确的和可靠的映射，加快服务部署过程；（2）跨片识别相似性（在需求或共享 vnf 方面），以促进资源共享，从而提高系统资源利用效率；（3）学习和分析 VNFs 的计算利用模式，从而将性能和资源可用性联系起来；（4）用于主动资源分配和重新定位的流量预测模型；14类别类别范围范围典型场景典型场景场景描述场景描述（5）优化的 VNF 迁移机制，用于使用多个资源利用率数据（CPU、RAM、存储、带宽）进行编排；（6）基于数据分析优化网络片的弹性资源调配。基于应用特征的网络运营利用聚类算法研究小区业务模式和相应的应用 QoE特性，操作包括小区标记和聚类、单元应用程序特征分析、目标 KPI 识别和优先级划分、因果衍生(工程参数与小区容量覆盖性能、网络性能指标 KPI、用户 QoE 之间的关系)、工程参数整定。AI 使能的网络流量分类训练并应用一个或多个机器学习分类器，以对实时网络流量进行分类。云服务的自动服务和资源设计通过 AI 实现云资源自动设计，包括：（1）利用自然语言处理技术分析各种渠道（如自然语言或 API）中捕获的服务需求，并将需求分类为原子需求，即有关功能、安全性、可靠性、性能的需求。（2）利用机器学习根据 atom 服务需求使用定制规则自动定制资源组合。（3）资源量设计。上下文感知的 VoLTE 服务体验优化收集和分析 VoLTE 服务信息和上下文数据，并动态确定是否应重新配置参考信号接收功率（RSRP）。智能网络切片管理AI 学习切片的配置及切片使用的业务模式，协助和优化切片管理和编排实体操作。智能运营管理的SD-WAN通过使用 AI 和上下文感知，它可以监控网络，自动确定关键应用程序的优先级，同时动态抑制非关键应用程序，帮助企业优化服务和资源，从而使企业能够更加专注于自己的业务。它可以公开一个基于意图的接口，允许企业使用自然语言和熟悉的术语来定制其服务。网 络智能网络规划智能规划机器人通过指纹库定位、基于神经网络的室内外用户区分、互联网化场景智能管理等，实现智能规划。无线网络容量规划通过无线环境数据（如覆盖地形地貌，建筑物特征等）、业务需求数据、频谱数据等多维数据来规划目标区域的覆盖、容量等。网络建设站点自动部署部署基站的整个工作流自动化，包括网络规划和设计，站点设计，配置数据准备，站点安装，现场调试和现场验收。15类别类别范围范围典型场景典型场景场景描述场景描述站点智能验收通过现场拍摄基站相关资源的标签、挂牌，识别资源名称、类型等关键数据信息，根据施工前后照片，识别照片位置、拍照时间、施工前后资源变化，自动对施工质量和准确性进行检测实现基站施工效果的自动采集。后端智能分析系统按照基站入网验收的要求，对数据进行自动解析并生成基站入网验收报告。宽带装机质量监控利用人工智能技术对装维人员宽带装机工程施工结束后的拍照图片做智能识别，对设备和线缆做分类判断，审核端口占用情况，分析标签/贴纸信息。检查施工是否符合施工工艺要求，是否插对分光器下行端口，快速巡检 ODF 端口占用。网络智能管理自我配置自我配置包括新部署的无线接入节点的即插即用配置，接入节点在其中配置其身份、传输频率和功率，从而加快小区规划和部署。自我优化自优化功能包括覆盖、容量、切换和干扰的优化。自我修复自愈功能包括自动检测和排除故障以及自动调整参数等功能。基础设施管理策略驱动 的IDC 流 量 控制互联网数据中心（IDC）之间的智能链路负载平衡和带宽分配。流量高峰事件处理使用人工智能方法来帮助理解上下文动态性和预测潜在的高峰流量场景。使用 AI 节能使用 AI 预测高峰时段，然后唤醒必要数量的服务器进入满负荷状态。如果检测到意外事件，则可以唤醒更多服务器以支持此突发事件。可以实现 DCs 的节能降耗，节约运营成本。安全防护网络安全漏洞挖掘、威胁检测、网络监测、反垃圾邮件、移动终端保护、应用安全防护。（2）AI 基础平台基础平台AI 基础平台提供基于 Web 的可视化开发及训练平台，提供丰富的通用算子库以及可定制化算子，帮助用户在线快速进行业务应用的算法探索和开发，完成模型的训练、评估和发布，以及智能应用的部署和管理，同时提供平台能力，可通过服务接口进行 AI 能力的调用。通过构建 AI 平台，可面向内外部统一进行 AI 赋能，形成电信企业级AI 能力。AI 基础平台的技术框架如下图所示：16图 7AI 基础平台技术框架AI 基础平台包括训练框架、通用算法、智能标注、模型训练、模型部署、模型市场等模块，说明如下：训练框架：提供 Tensorflow、PyTorch 等深度学习开源的计算框架，该计算框架实现了各种深度学习算法。通用算法：提供图神经网络、自然语言处理、智能语音、计算机视觉、强化学习等主流算法。智能标注：主要用于数据集的标注和管理，将原始数据导入后，可以在数据平台上对数据进行标注，形成训练数据集，并提供统一数据全生命周期管理的能力。如文本分类、图像分类、目标检测等类型的数据标注，形成样本数据集。模型训练：主要用于模型的建立、训练、编译优化。先利用可视化建模工具或直接编程来建立模型，然后使用数据集对模型进行训练，使其准确率满足需求。最后利用平台集成的编译工具对训练好的17模型进行编译和优化，使其运行性能（延迟、吞吐率等）满足需求。最终将模型推送到模型市场以供其它用户使用。模型市场：主要用于模型的管理、共享等。模型市场是一个模型供需方的交易平台，模型可以来自前面所述的训练平台训练好的模型，也可以来自从第三方提供的商用模型。模型的需求方可以从模型市场下载自己所需的模型。模型部署：主要用于模型的部署及服务管理（如启动、停止、扩容、负载均衡、滚动升级、故障迁移等）。可以从模型市场下载对应的模型，并将模型部署为外部应用可以调用的 AI 服务。（3）认知决策引擎）认知决策引擎-认知管理认知管理认知管理是对态势的感知和认知能力，是依据状态数据，通过模型对面临问题的一个评估和分类，即判断和识别出问题的类型及所在。认知管理的技术框架如下图所示：图 8 认知决策引擎-认知管理技术框架对上图说明如下：认知管理调度将待认知信息（状态信息、问题特征）分配到相18应的认知模型智能体进行处理（若涉及多个认知智能体，则分配至多个认知智能体分别进行处理），进而由认知模型智能体对问题进行分类，分析出问题归属的问题种类。携带问题种类、问题特征向知识库查询解决方案。查找到解决方案后传递给决策管理模块来生成决策。若涉及多个认知智能体，则由认知管理调度对多个认知智能体查找到的解决方案进行归并。（4）认知决策引擎）认知决策引擎-决策管理决策管理决策管理主要是针对认知出的问题，找出对应的解决方案，类似于人脑中针对什么样的情况应该怎么做。决策管理的技术框架如下图所示：图 9 认知决策引擎-决策管理技术框架对上图说明如下：认知管理调度将认知管理模块输出的待决策信息(问题种类、问题特征、解决方案等)分配到相应的决策模型智能体进行处理（若19涉及多个决策智能体，则分配至多个决策智能体分别进行处理），生成决策策略。提交决策信息给智能服务开放模块，由其传递给网络/系统执行。若涉及多个决策智能体，则由决策管理调度对多个决策智能体的策略进行归并。（5）企业知识库）企业知识库企业知识库是智能大脑的智库，提供决策支撑可以将日常运营运维中出现的问题及解决方案固化成知识，并通过知识图谱将知识进行表达和检索，形成企业知识库。它采用知识图谱技术，利用图数据库和机器学习技术，在客户、业务/产品、渠道、网络、平台、客服等方面构建知识节点（含属性）和关系。企业知识库的构建方法如下图所示：图 10企业知识库的构建方法企业知识库的构建示例如下图所示：图 11企业知识库的构建示例20上述企业知识库示例中，以手机号码为实体构建客户类节点，其节点属性包括年龄段、入网年龄、订购业务、常驻小区、上网偏好、漫游、投诉等；以故障为实体构建故障类节点，其节点属性包括故障ID、故障名称、故障特征、故障原因、解决方案等；以网元为实体构建网络类节点，其节点属性包括设备 ID、设备名称、入网时间、生产厂家、设备配置、归属机房、故障历史等。手机号码实体通过投诉属性与故障实体的故障特征属性建立关联关系，故障实体与网元属性建立关联关系。还可以进一步构建传输系统、移动天线等实体节点及其关联关系，进而实现业务、平台、网络的映射。（6）能力编排）能力编排编排概述编排是基于业务场景，对业务所涉及的流程、资源等进行编排，从而敏捷响应需求，快速交付业务。编排支持集中式和分布式编排节点，能够从服务需求自动组合逻辑网络需求，将逻辑网络需求转化为物理网络部署。在智能化体系的总体框架中，编排模块以服务开放为基础，并根据认知决策引擎所制定的策略，对服务进行智能编排，以执行智能大脑的意图。核心要素如下：a.以服务开放为基础跨域能力开放是编排的基础，编排工作需全面而规范的集成跨域跨层的服务能力，支持大规模事务能力，并灵活调用各类原子服务以实现任意策略，实现端到端的自动化流程。21能力开放首先需要满足原子化，细颗粒度，便于能力的复用与重组。编排服务可以在原子能力的基础上，从用户视角，面向场景，进行场景化能力的编排封装，便于业务从上层快速识别与调用，降低编排的操作门槛，提升服务开发与应用的敏捷性。运营商当前已有成熟的 BSS/OSS 系统及运营流程，同时，对于各类新业务，也在快速建立对应的编排协同器，应基于当前的 IT/CT能力，进行能力开放，并根据业务意图灵活敏捷编排调用各类开放能力。b.以决策引擎为驱动编排是策略的具体执行者。认知决策引擎通过对业务模式、资源配置的学习，制定智能策略，对服务与资源的抽象、建模与组合，实现业务的表达。编排模块根据策略动态设计、优化编排操作并自动化执行。编排对策略的执行方式主要可分为静态编排与动态编排两种：静态编排：编排模块提前设计所需的高度抽象的服务，策略引擎输出业务策略后，静态匹配高层编排服务模型，匹配成功，则模型自动执行。动态编排：编排模块准备各类低级别具象服务的模型策略，当接收到业务策略时，根据业务策略搜索匹配所需的低层服务组件，并根据服务的模型策略进行业务流程的设计编排，编排完成后，自动化执行。编排流程22参考 ONAP 规范，编排遵循设计态与运行态分离的架构，模型设计创建与服务实例运行解耦，各自独立，通过编排包传递设计信息，保证运营的灵活性，提升服务的敏捷性。设计态负责业务规则设计，包括对组成业务的各类对象和关系进行建模，人工或自动制定指导业务行为的策略规则。在业务需求输入前，做好服务能力的设计与编排，做好策略及规则设计，支持流程自动化创建及更改。设计平台可提供低/无代码的模型设计操作环境，基于云原生架构，配套一系列技术能力和工具集，如在线可视化建模设计平台、沙箱测试、跨系统服务能力集成管理等。运行态针对设计的服务实例进行全生命周期管理和控制，接收设计态发布的业务规则，根据商业需求静态匹配或动态生成业务流程，并执行。收到实例化需求后，进行实例化执行，并对执行中的编排包进行过程监控、异常处理，同时收集数据供运维分析。运行态不仅提供最初的服务实例，还需实现网络全生命周期的维护、修改配置，具备分钟内重新编程，支持实例动态运行的能力。图 12 编排流程示例编排模型23编排模型包括对象建模、流程建模、编排包及模型兼容与复用，说明如下：a.对象建模参考 TMF PSR 模型概念，自下而上设计模型，由北向南，依次由产品模型、面向客户的服务模型、面向网络的服务模型、资源模型组成并层层关联，统一规范模型顶层设计，新模型按要求加入，实现高级需求分派到每个设备的命令集。模型编程使用基于标准的 API 接口，可以主要通过 RESTAPI 实现各专业服务的集成与编排。但在能力开放体系完全成熟之前，需要灵活适配各类其他标准接口协议，实现能力全面集成的要求。b.流程建模编排系统可抽象流程动作及其关联关系，自动创建流程，是实现全流程自动化的必经之路。系统根据业务特性，利用动态策略组织编排流程，动态策略源于设计并高于设计，使用智能算法自动寻找最优编排方案。c.编排包编排包是设计态和运行态之间交互的介质，拉通业务设计到业务运行间的桥梁，设计态以编排包的方式输出设计的内容，运行态按需获取和加载编排包，实现业务快速加载。编排包基于 OASIS 组织制定的云应用拓扑编排规范的 TOSCA（Topology and OrchestrationSpecification for CloudApplications）规范，将设计内容采用统一结构、统一命名规范、策略及流程描述语言进行打包。编排包结构如下图所24示：图 13 编排包结构d.模型兼容与复用新技术（如 SDN/NFV）、新业务等元素使用通用模型与规范接口，可以随时加入网络，统一融合编排，增强网络应用开放性。标准模型可复用，避免从头开发，提升业务敏捷性。编排场景与生态建设编排场景应逐步覆盖。编排能力所覆盖的场景范围越全面，编排效果将越显著，但在编排模式引入之初，应从单个场景开始，逐渐扩充场景范围，确保编排能力的有序、有效实施。运营商根据每个阶段选定的场景范围，封装并开放所对应服务能力，使编排与场景、业务密切结合，最终促成运营商全域能力开放的成熟发展。合作伙伴开发者可以在编排平台找到解决方案、使用案例等开发者资源，可以利用自助式的 IT 操作进行服务开发，也可使用沙盒在虚拟网络环境中运行代码，查看结果。在此基础上，需注重生态的构建，面向客户，可以提供“意图专区”，客户将自身意图在此提出，并可给予激励；面向开发者，可以在“意图专区”任意揭榜，使用平台资源，提供实现意图的服务，通过此类模式，促进网络与业务灵活创新。25（三）（三）数字孪生层数字孪生层数字孪生通过对网络设备、网络拓扑、应用场景等的建模仿真，实现业务、流程、网络的端到端透视和全息，能够回溯“过去”、预测未来、实时控制。1.数字孪生架构数字孪生架构数字孪生层利用数据动态感知能力汇聚全网数据信息，通过对全网资源（含网络拓扑）、数据、业务流程和事件等要素的数字化、模型化，建立在数字空间的映射，确保虚拟与物理世界的信息统一、同步联动。同时，通过端到端可视化能力对数字化要素场景化展示和智慧运营，并借助自动化能力向底层网络和平台提供全局最优反馈控制管理，实现虚拟与物理信息的协同联动。其逻辑框架如下图所示：图 14数字孪生框架对上图的数字孪生层说明如下：动态感知能力：负责从网络/平台采集各类数据。数据采集是构建数字孪生网络的基础，作为物理网络的数字镜像，数据越全面、26准确，数字孪生网络越能高保真的还原物理网络。但物理网络规模庞大，设备形态多样，流量信息复杂多变，全量采集难度很大，所以在满足应用的基础上应按需采集模式，数据采集的类型、频率和方法以满足数字孪生网络的应用为目标，兼具全面、高效的特征，采集对象的选择取决于数字孪生网络的应用，并不是所有的网元都需要在数字孪生网络上呈现。数据化要素与能力：负责将物理网络中的网元、物体、环境等要素及逻辑关系数字化，并且完成数据的抽取、转换、加载、清洗和加工，以及大规模数据的高效分布式存储，包括数据、资源、流程、事件等，并拉通跨域数据；为孪生模型与管理模块提供包括快速检索、并发冲突、批量服务等多种数据服务；完成数据的资产管理、安全管理、质量管理和元数据管理。向上层能力开放平台提供各类能力，包括公众能力、政企能力、网络能力、客服能力、管理能力等。孪生模型与管理孪生模型与管理包括基础模型、业务模型、模型管理、拓扑管理、安全管理等，说明如下：基础模型：是指基于网元基本配置、环境信息、运行状态、链路拓扑等信息，建立的对应于物理实体网络的孪生网络体的网元模型、拓扑模型、环境模型（例如信道模型等），实现对物理网络的实时精确描述。业务模型：是指针对特定的业务场景，充分利用网络大数据，建立的网络分析、仿真、诊断、预测、保障等各种数据模型。27业务模型可以通过多个维度构建和扩展:按网络类型划分，可以分为单域业务(如接入网、传输网、核心网、承载网等)模型和跨域业务模型；按照类型划分，可分为性能监测、流量分析、故障诊断、质量保障等模型；按照网络生命周期管理划分，可分为规划、建设、维护、优化和运营等模型。基础模型和业务模型通过实例或者实例的组合向上层网络应用提供服务，最大化网络业务的敏捷性和可编程性。同时，模型实例需要通过程序驱动在虚拟孪生网元或网络拓扑中对预测、调度、配置、优化等目标进行充分的仿真和验证，保证变更控制指令下发到物理网络时的有效性和可靠性。模型管理服务于各种数据模型实例的创建、存储、更新以及模型组合、应用关联的管理。同时，可视化呈现模型实例的数据加载、模型仿真验证过程和结果。拓扑管理基于基础模型，生成物理网络对应的虚拟拓扑，并对拓扑进行多维度、多层次的可视化展现。安全管理模块，负责数字孪生网络数据和模型安全保障相关的认证、授权、保密、准确性和完整性。可视化：基于业务需求构建不同级别的可视化能力，支撑孪生体与物理网络设备之间的动态交互、关联性交互和沉浸式模拟，辅助认知网络的内部结构，支撑挖掘隐藏在网络内部的价值信息。能力开放与共享：封装公众能力、政企能力、网络能力、客服28能力、管理能力等，为智能层编排及本层其他功能模块提供能力支撑。自动化能力：通过与物理网络/平台对接，负责全局最优策略的控制指令下发和执行反馈管理。2.数字孪生关键技术数字孪生关键技术数字孪生关键技术包括物理网络建模、物理网络 3D 可视化、孪生体管理等。（1）物理物理网络建模网络建模物理网络建模技术：包括以网络设备基本配置、环境信息、运行状态、链路拓扑等为代表的基础模型和以网络感知、分析、仿真、推理、决策等为代表的业务模型。基础模型构建基础模型的构建主要包括三部分：网络实体、网络表征、模型构建。网络实体：定义本体的构成要素，包括类别、属性、关联关系、规则等。网络表征：将网络上多源异构数据映射到网络实体，形成统一的网络表征。模型构建：按照功能和结构，基于网络表征，构建网元模型和拓扑模型，并按需组合形成网络基础模型，实现数字孪生的虚实映射。业务模型构建业务模型是面向场景，基于网络及业务相关数据，利用深度学习、29机器学习、强化