自智网络全栈部署技术研究与实践

doi:10.11959/j.issn.1000-0801.2023181

电信科学 ›› 2023, Vol. 39 ›› Issue (9): 63-75.doi: 10.11959/j.issn.1000-0801.2023181

• 专题：网络智能化与生成式人工智能 • 上一篇

自智网络全栈部署技术研究与实践

薛飞¹, 陈彬¹, 刘静², 梁晓扬², 朱琳², 王凤², 李天¹, 张靓¹, 陈贞贞¹, 李潇¹

¹ 中国移动通信集团广东有限公司，广东广州 510632
² 中国移动通信有限公司研究院，北京 100053

修回日期:2023-09-06 出版日期:2023-08-01 发布日期:2023-08-01
作者简介:薛飞（1983- ），男，中国移动通信集团广东有限公司高级工程师，主要研究方向为自智网络高阶演进、网络 AI 应用开发和网络AI训练平台等
陈彬（1980- ），男，现就职于中国移动通信集团广东有限公司，主要研究方向为自智网络高阶演进、网络智能化规划等
刘静（1991- ），女，现就职于中国移动通信有限公司研究院，主要研究方向为九天网络智能化平台规划和需求管理、MLOps训推一体应用等
梁晓扬（1984- ），男，现就职于中国移动通信有限公司研究院，主要研究方向为自智网络平台架构、MLOps以及大模型在自智网络领域的应用
朱琳（1983- ），女，中国移动通信有限公司研究院网络智能化能力及应用产品线CEO、高级工程师，长期从事通信网络智能化理论、算法、关键技术、产品研发及应用落地相关工作
王凤（1985- ），女，现就职于中国移动通信有限公司研究院，主要研究方向为网络智能化一线综合应用样板间设计、通信网络大模型等
李天（1981- ），男，现就职于中国移动通信集团广东有限公司，主要研究方向为网络异常检测算法和应用、九天网络智能化平台边缘节点建设、AI能力编织技术等
张靓（1980- ），女，现就职于中国移动通信集团广东有限公司，主要研究方向为自智网络全栈部署体系、MLOps训推一体
陈贞贞（1990- ），女，现就职于中国移动通信集团广东有限公司，主要研究方向为自智网络体系架构、自智网络成效评估、MLOps训推一体等
李潇（1982- ），女，现就职于中国移动通信集团广东有限公司，主要研究方向为自智网络应用开发等

Research and practice on technologies for full stack deployment of autonomous networks

Fei XUE¹, Bin CHEN¹, Jing LIU², Xiaoyang LIANG², Lin ZHU², Feng WANG², Tian LI¹, Liang ZHANG¹, Zhenzhen CHEN¹, Xiao LI¹

¹ China Mobile Group Guangdong Co., Ltd, Guangzhou 510632, China
² China Mobile Research Institute, Beijing 100053, China

Revised:2023-09-06 Online:2023-08-01 Published:2023-08-01

摘要/Abstract

摘要：

自智网络通过构建智能化的网络基础设施，实现网络自主管理、自优化和自修复。自智网络分成能力建设和能力部署两个关键阶段，目前业界较少关注能力部署。首先系统研究了自智网络的能力部署阶段，随后介绍自智网络架构，然后提出了 3 项自智网络全栈部署核心技术，最后通过异常检测、智慧机房和设备巡检等案例验证核心技术的有效性。对自智网络能力部署进行了系统探讨，对运营商实施网络智能化转型具有重要的参考价值。

关键词: 自智网络, 全栈部署, 训推一体, 云边协同部署, AI能力编织

Abstract:

Autonomous networks achieve network self management, self optimization, and self repair by building intelligent network infrastructure.Autonomous network was divided into two key stages: AI model building and AI model deployment.However, the industry paid less attention to AI model deployment.The deployment phase of autonomous networks was systematically studied.Firstly, it elaborated on the independent deployment mode and full stack deployment mode of autonomous networks, and pointed out that full stack deployment was the main direction.Secondly, a detailed introduction was given to the full stack architecture with “five layers, dual domains, and four closed-loops”, which achieved full life cycle intelligence through a layered closed-loop design of resources and processes.Then, three core technologies for independent innovation were proposed: AI model training and inference integration to achieve rapid iterative updates of models, AI fabric technology to achieve customized application by rapid construction, and AI model cloud-edge collaborative deployment technology to achieve efficient application.Finally, the effectiveness of these three core technologies was verified through cases such as anomaly detection, smart telecommunication rooms, and equipment inspections.The deployment of autonomous networks was systematically explored, especially in terms of architecture design and core technology innovation, which had important reference value for telecommunication operators’ network digital transformation.

Key words: autonomous network, full stack deployment, training and inference integration, cloud edge collaborative deployment, AI fabric

中图分类号:

TN915

薛飞, 陈彬, 刘静, 梁晓扬, 朱琳, 王凤, 李天, 张靓, 陈贞贞, 李潇. 自智网络全栈部署技术研究与实践[J]. 电信科学, 2023, 39(9): 63-75.

Fei XUE, Bin CHEN, Jing LIU, Xiaoyang LIANG, Lin ZHU, Feng WANG, Tian LI, Liang ZHANG, Zhenzhen CHEN, Xiao LI. Research and practice on technologies for full stack deployment of autonomous networks[J]. Telecommunications Science, 2023, 39(9): 63-75.

图/表 13

图1

图2

图3

图4

图5

表1

表2

数据转换方式类型说明"

数据转换类型	转换逻辑	主要功能
直接转发数据转换	$f (x) = x$	接收输入单个或单组数据，直接转发到目标对象
	x为单个或单组数据
多副本复制数据转换	$f (x) = (x, x, \dots, x)$	接收输入单组或多组数据，复制为多个副本，把每个副本分别转发到不同的目标对象
	x为单组或多组数据
多输入合并数据转换	$f (x, y) = (x, y)$	接收输入单组或多组数据，按照某个维度进行数据合并
	x和y为单组或多组
累加数据转换	$f (x) = \sum_{i} x_{i}$	接收输入的多个数据，对所有数据累加后，把结果转发到目标对象
	x为多个数据
统计函数转换	$f (x) = statistics (x)$	接收输入的多个数据，对所有数据取最大值，或最小值、平均值或众数后，把结果转发到目标对象
	x 为多个数据，statistics(·)表示统计函数，用于取最大值、最小值、平均值或众数

表2

图6

表3

图7

图8

图9

图10

参考文献 25

[1]	TMF. A white paper on autonomous networks[R]. 2022.
[2]	李爱华, 吴晓波, 陈超 ,等. 5G网络大数据智能分析技术[J]. 电信科学, 2022,38(8): 129-139.
	LI A H , WU X B , CHEN C ,et al. Big data intelligent analysis technology for 5G network[J]. Telecommunications Science, 2022,38(8): 129-139.
[3]	欧阳晔, 王立磊, 杨爱东 ,等. 通信人工智能的下一个十年[J]. 电信科学, 2021,37(3): 1-36.
	OUYANG Y , WANG L L , YANG A D ,et al. Next decade of telecommunications artificial intelligence[J]. Telecommunications Science, 2021,37(3): 1-36.
[4]	李涛, 王春佳, 李姗姗 . 电信网络智能化方案研究[J]. 电信科学, 2023,39(3): 162-172.
	LI T , WANG C J , LI S S . Research on intelligent scheme of telecommunication network[J]. Telecommunications Science, 2023,39(3): 162-172.
[5]	中国联通. 中国联通自智网络白皮书[R]. 2021.
	China Unicom. China Unicom autonomous networks white paper[R]. 2021.
[6]	中国移动. 中国移动自动驾驶网络白皮书[R]. 2021.
	China Mobile. China Mobile practice on autonomous network white paper[R]. 2021.
[7]	RAFIQUE D , VELASCO L . Machine learning for network automation:overview,architecture,and applications[J]. Journal of Optical Communications and Networking, 2018,10(10): 126-143.
[8]	LUO G Y , YUAN Q , LI J L ,et al. Artificial intelligence powered mobile networks:from cognition to decision[J]. IEEE Network, 2021,36(3): 136-144.
[9]	NI J B , LIN X D , SHEN X S . Efficient and secure service-oriented authentication supporting network slicing for 5G-enabled IoT[J]. IEEE Journal on Selected Areas in Communications, 2018,36(3): 644-657.
[10]	CHEN M Z , CHALLITA U , SAAD W ,et al. Machine learning for wireless networks with artificial intelligence:a tutorial on neural networks[J]. 2017.
[11]	邓灵莉, 张新鹏, 顾宁伦 ,等. 开源与产业研究[J]. 电信科学, 2021,37(10): 12-21.
	DENG L L , ZHANG X P , GU N L ,et al. Network intelligence standards,open source and industry research[J]. Telecommunications Science, 2021,37(10): 12-21.
[12]	KREUZBERGER D , KüHL N , HIRSCHL S . Machine learning operations (MLOps):overview,definition,and architecture[J]. IEEE Access, 2022(11): 31866-31879.
[13]	GARG S , PUNDIR P , RATHEE G ,et al. On continuous integration/continuous delivery for automated deployment of machine learning models using MLOps[C]// Proceedings of 2021 IEEE Fourth International Conference on Artificial Intelligence and Knowledge Engineering (AIKE). Piscataway:IEEE Press, 2022: 25-28.
[14]	ZHOU Y , YU Y , DING B . Towards MLOps:a case study of ML pipeline platform[C]// Proceedings of 2020 International Conference on Artificial Intelligence and Computer Engineering (ICAICE). Piscataway:IEEE Press, 2021: 494-500.
[15]	MARCHETTI N , PRASAD N R , JOHANSSON J ,et al. Self-organizing networks:state-of-the-art,challenges and perspectives[C]// Proceedings of 2010 8th International Conference on Communications. Piscataway:IEEE Press, 2010: 503-508.
[16]	CHEN M , LIU J , LI P ,et al. Fabric computing:concepts,opportunities,and challenges[J]. Innovation (Cambridge (Mass)), 2022,3(6): 100340.
[17]	DING Z , PENG Y , SONG H . Cloud-native data fabric for large-scale machine learning[J]. Frontiers of Computer Science, 2020,14(2): 353-373.
[18]	朱明伟 . 网络智能化中的 AI 工程化技术方案[J]. 电信科学, 2022,38(2): 157-165.
	ZHU M W . AI engineering technology solutions in network intelligence[J]. Telecommunications Science, 2022,38(2): 157-165.
[19]	王晴天, 刘洋, 刘海涛 ,等. 面向 6G 的网络智能化研究[J]. 电信科学, 2022,38(9): 151-160.
	WANG Q T , LIU Y , LIU H T ,et al. Research on network intelligence for 6G[J]. Telecommunications Science, 2022,38(9): 151-160.
[20]	詹勇, 吴枫 . 5G 网络自动化:从人工运维到全自治[J]. 电信科学, 2022,38(8): 140-150.
	ZHAN Y , WU F . 5G network automation:from manual operating to full autonomous[J]. Telecommunications Science, 2022,38(8): 140-150.
[21]	程瑞营, 张攀, 肖雨 ,等. 基于时序数据的云网协同平台人工智能运维体系[J]. 电信科学, 2022,38(11): 24-35.
	CHENG R Y , ZHANG P , XIAO Y ,et al. Time series data based AI operation and maintenance system of cloud network collaboration platform[J]. Telecommunications Science, 2022,38(11): 24-35.
[22]	DAI L L , JIAO R C , ADACHI F ,et al. Deep learning for wireless communications:an emerging interdisciplinary paradigm[J]. IEEE Wireless Communications, 2020,27(4): 133-139.
[23]	杨震, 赵建军, 黄勇军 ,等. 基于网络演进的人工智能技术方向研究[J]. 电信科学, 2022,38(12): 27-34.
	YANG Z , ZHAO J J , HUANG Y J ,et al. Study on the direction of artificial intelligence technology based on network evolution[J]. Telecommunications Science, 2022,38(12): 27-34.
[24]	郭泽华, 朱昊文, 徐同文 . 面向分布式机器学习的网络模态创新[J]. 电信科学, 2023,39(6): 44-51.
	GUO Z H , ZHU H W , XU T W . Network modal innovation for distributed machine learning[J]. Telecommunications Science, 2023,39(6): 44-51.
[25]	张嗣宏, 张健 . 以 ChatGPT 为代表的生成式 AI 对通信行业的影响和应对思考[J]. 电信科学, 2023,39(5): 67-75.
	ZHANG S H , ZHANG J . Impact and countermeasures of generative AI represented by ChatGPT on the telecom industry[J]. Telecommunications Science, 2023,39(5): 67-75.

结构名称	主要功能	使用场景	输入数据	数据转换方式	输出数据
1-IN-1-OUT	单进单出。接收一组数据，直接转发给特定目标对象	主要用于AI应用输入输出，或串行连接两个AI原子能力	一组数据	直接转发	与输入相同的一组数据
1-IN-N-OUT	单进多出。接收一组数据，多副本复制给特定目标对象	主要用于并行连接多个AI原子能力	一组数据	多副本复制	与输入相同的多组数据
N-IN-1-OUT	多进单出。接收多组数据，通过转换后，输出一组数据给特定目标对象	主要用于AI应用输出	多组数据	累加、最大、最小、平均值、众数等	转换后的一组数据
N-IN-M-OUT	多进多出。接收多组数据，通过转换后，输出为多组数据给特定目标对象	主要用于AI应用的多数据转换	多组数据	多副本复制	多组数据

应用类型	网络AI应用的内部结构	网络AI应用的适用场景
单点AI应用	简单的单一AI模型服务，具有一个北向输入接口和一个南向输出接口。北向和南向接口分别通过两个1-IN-1-OUT结构与单个AI模型连接	这种结构用于简单的单任务场景，如人脸识别和流量预测等
并行AI应用	把多个AI服务并行执行，各自产生输出，组合成一个统一输出。北向接口通过 1-IN-N-OUT 结构连接一组 AI 模型，每个模型并行执行一个任务；南向接口通过N-IN-1-OUT结构聚合各模型结果	可用于模型集成提升精度，也可用于功能分解后串行执行
串行AI应用	通过多个AI服务串行执行，后续服务使用前序服务输出作为输入，最终形成整体输出。北向和南向接口通过两个 1-IN-1-OUT 结构连接，中间通过多组1-IN-1-OUT串行连接不同AI模型，前一模型输出是后一模型输入	可用于多阶段处理，也可用于模型串行集成
混合AI应用	支撑复杂应用场景，串行、并行、分支等结构复合使用，形成聚合型输出。北向接口通过 1-IN-N-OUT 连接多个模型，南向接口通过N-IN-1-OUT聚合输出	模型之间连接形式混合并行和串行，用于复杂全流程场景

自智网络全栈部署技术研究与实践

Research and practice on technologies for full stack deployment of autonomous networks

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 25

相关文章 15

Metrics

推荐阅读 0

[1]	李姗姗, 许建宏, 李涛, 赵永建, 刘志飞. 运营商数字孪生网络能力成熟度模型研究[J]. 电信科学, 2023, 39(6): 149-158.
[2]	王秉毅, 颜永明. 浅析企业网络信息在SD-WAN组网中传递[J]. 电信科学, 2023, 39(Z1): 71-78.
[3]	王纪龙, 夏宁. 基于SDN网关下多播信息的统计方法研究[J]. 电信科学, 2023, 39(Z1): 93-98.
[4]	徐亮, 王烨, 郑然, 张基恒, 袁萍, 李鑫阳, 田宇. 通信网络运维多维评估模型设计及应用[J]. 电信科学, 2023, 39(4): 142-151.
[5]	许鸣睿, 姚玉才, 朱晓荣. 基于Fisco-Bcos平台的区块链系统性能精确分析模型[J]. 电信科学, 2023, 39(1): 79-91.
[6]	吴晓春, 洪晨, 张岳, 张俊楠, 周静静. 基于微服务架构的粒度可变服务功能链映射算法[J]. 电信科学, 2022, 38(12): 11-26.
[7]	谭艳霞, 郑滟雷, 王光全, 张贺. OTN控制器北向统一接口模型研究与实践[J]. 电信科学, 2022, 38(10): 163-172.
[8]	邓丹昊, 王朝炜, 江帆, 王卫东. 无人机辅助无蜂窝大规模MIMO中的空地协同调度[J]. 电信科学, 2022, 38(8): 37-44.
[9]	冯楠, 刘贺林, 周泉, 杨海俊, 付蜜能, 钟大平. 5G核心网业务模型的智能化预测研究[J]. 电信科学, 2022, 38(8): 111-119.
[10]	吕凯, 齐斌, 钟胜前, 张安旭, 冯立鹏. ROADM全光交换网络关键技术发展与应用展望[J]. 电信科学, 2022, 38(7): 37-42.
[11]	王荣, 张剑寅, 宋月, 张昊, 魏彬. 5G电力虚拟专网架构及关键技术研究[J]. 电信科学, 2022, 38(Z1): 240-249.
[12]	刘姿杉, 赖俊森, 赵文玉. 量子互联网关键技术与发展研究[J]. 电信科学, 2022, 38(2): 18-24.
[13]	牛佳, 颜永明, 赵乾艮, 闵佳俊, 祁松阳. SD-WAN多云聚合平台接入方案研究[J]. 电信科学, 2022, 38(2): 130-138.
[14]	张小建, 费稼轩, 姜海涛, 姚启桂. 电力5G混合组网的安全风险分析[J]. 电信科学, 2022, 38(1): 132-139.
[15]	黄晶晶. 体域网中一种基于无线信道特征的密钥生成方法研究[J]. 电信科学, 2021, 37(12): 32-41.