HC2020丨NAIE白皮书发布，云地协同助力网络AI规模部署

华为技术有限公司NAIE产品部总经理韩雨发

自2018年自动驾驶网络成为行业热点以来，为推动网络智能化、自动化的目标达成，运营商、设备商以及行业组织积极投入探索工作。AI作为实现自动驾驶网络的关键技术，在预测类、重复类和复杂类应用场景中发挥着重要作用，iMaster NAIE作为自动驾驶网络使能引擎，提供网络AI应用开发需要的各项能力。

如基站智能节能，需要基于每个基站的话务量预测值，在不影响KPI前提下设置载波关断个性化参数，依靠人工无法完成海量基站的话务预测，基于LSTM神经网络技术可以实现基站能耗降低5%-16%。

重复类如故障识别及根因定位，以基站传输设备断电为例，会形成动力、传输、基站等11张工单。人工处理大量重复工单效率低下，根因定位平均2小时以上，基于知识图谱、频繁项挖掘等技术，可实现单域根因识别5分钟，跨域根因识别10分钟，根因定位准确率90%以上。

复杂类如Massive MIMO Pattern优化，5G天线的水平波束、垂直波束、天线下倾角、天线方位角存在上万种组合，人工需要数周时间找到较优参数组合，通过强化学习和深度学习技术，实现天级最佳参数组合寻优。

尽管在过去两年已经取得了业界认可的成绩，华为在网络AI应用工程化实践及规模部署过程中也识别了三个主要挑战：

模型泛化指训练得到的AI模型需要尽可能适配多样化的业务环境。当前模型泛化能力不佳受到了局点个性化数据获取，部署成本以及资源等条件的限制。

AI模型部署在运营商私有云上可以适应大多数应用场景，但平台在私有云的部署成本高昂，数据标注困难，训练数据质量低。

AI模型部署在网络管控单元时，受到网管计算资源限制，适用于数据量小，对算力要求不高的场景。

AI模型部署在网元时，计算能力严重受限，仅仅适用于个别对算力要求不高的场景。

网络拓扑和设备参数调整是运维的日常工作，因此网络每天都在发生或多或少的变化，这些变化容易导致之前训练的模型不再完美适配网络，产生模型精度下降的问题。通过对某局点DC PUE模型在不同更新周期的对比可以看到，模型精度随着模型更新周期的拉长而下降。

部分场景单局点样本量少，不足以支撑模型训练，如核心网KPI异常检测，单局点发生异常频率很少，训练需要的样本量不够，需汇聚全局数据，辅以联邦学习等技术提升模型精度。

针对以上挑战，iMaster NAIE提供了云地协同架构支撑网络AI应用的规模商用。

云地协同是指云端和地端一起协作完成数据样本上云，模型状态管理，模型重训练，模型/知识下发、择优更新等一系列的AI模型任务，同时把云端汇集的全局网络知识经验、全量数据训练得到的高精度模型持续注入地端，让电信网络能够进行智能的迭代升级，变得越来越聪明。

云端拥有强大的算力，可以适用所有网络AI应用场景。公有云/合营云部署方式大幅降低部署成本，云端汇聚的局点个性化数据，以及预置的高质量标注数据为模型训练提供输入，提升了模型泛化能力。

当地端重训练无法满足模型精度要求时，可通过云地物理连接启动云端重训练，通过周期性模型更新以及模型择优评估机制，解决模型老化的问题。

云端不断汇聚全局数据，为样本量少的应用场景提供尽可能的训练样本，持续提升模型精度。

云端通过汇集和沉淀专家经验和产品知识，运用知识图谱等技术，形成 “网络知识库”，这些知识既有故障运维的经验，也有产品知识，这些知识被持续注入地端，用于故障处理和知识问答等业务，不断提升网络的智能水平。

此外，云端仿真功能可构建各种仿真系统，用于模型或者业务验证。很多场景在现网进行验证难度大，风险高，比如无线网络优化通过AI得到的优化策略直接在现网执行，存在降低网络KPI以及性能降低的风险。云端仿真方式可以在不影响现网情况下提升优化策略的收敛周期，大幅提升工作效率。iMaster NAIE已覆盖DC 节能、无线网络优化等仿真应用场景。

通过云端与地端的高效协同，实现AI模型一点生效，全网复制的使用效果，解决了网络AI应用规模复制难的业界难题。

展望未来，实现运营商网络自动化、智能化的自动驾驶网络目标是长期践行过程。华为自动驾驶网络解决方案是华为All Intelligence 战略在网络领域的落地，iMaster NAIE 做为智能单元将紧密结合网络领域应用场景，持续提升自动驾驶网络水平，帮助运营商实现数字化转型。

点击阅读原文

下载“iMaster NAIE网络人工智能引擎白皮书”

原文链接：https://telcloud-public.obs.cn-north-1.myhuaweicloud.com/%E8%BF%90%E8%90%A5%E6%9D%90%E6%96%99/iMaster%20NAIE%E7%BD%91%E7%BB%9C%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%BC%95%E6%93%8E%E7%99%BD%E7%9A%AE%E4%B9%A6-2020HC.PDF