无线网络运维痛点、需求及未来挑战分析

不断增加的成本压力要求更高性价比的运维方式。

1.无线网络运维的现状

1.1 缺乏灵活性

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，导致客户的流失。

1.2 过于依赖人力

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 环。整个异常处理过程中，人力起到了最核心的作用。

1.3 根因定位困难

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 度的上升，故障定位定界成为 5G 以及未来 6G 时代运维极大的挑战。

2.无线网络运维的需求

2.1 多样化的业务要求更灵活的运维方式

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 和性能方面更加稳健的同时，适应未来业务变化的趋势。

2.2 不断增加的成本压力要求更高性价比的运维方式

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 趋势。相关报告[2]指出，自 2018 年以来，运营商的平均运维成本已经增长了约 25％。这一数字 清晰地反映了运营商在适应新技术、满足用户需求以及维持网络稳定性方面所面临的挑战。 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 有些地区出现了收入下滑的情况。

根据 Analysys Mason 的报告预测，2021 年至 2026 年，全 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 呈现出持续上升的趋势，预计在 2024 年运维支出占总收入的比例将进一步增长到 30%。这意味 着，目前的收入增长已经无法支撑成本压力的上升，运营商面临着巨大的经营困境。 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 期可持续发展。

2.3 更复杂的网络环境要求更智能的运维方式

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 种异构网络（如 LTE、NR、WLAN、卫星）大规模并行运行。与此同时，网络管理对象的数量急 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 便更好地管理和维护网络设备和服务。从 LTE 到 5G 网络，随着网元和功能的复杂性逐步提升， 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。

3.未来无线网络智能运维面对的挑战

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 技术来自动化故障检测、性能监控和网络优化等任务。

对专业技能和知识的要求更高：随着无线网络技术的发展，B5G/6G 网络变得更加复杂，对运 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 作集中在最能提高模型性能的地方。

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，从而提前采取预防措施；利用可视化技术 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。

3.1 云化网络分层解耦

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 Function Virtualization）的发展步入成熟期，全面云化 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活性和敏捷性，以支撑更多行业需求，实现网络转型。下图 1 展示了 NFV 体系结构，通常由三个 主要组件组成：NFV 基础设施（NFVI）层、NFV 虚拟网络层（NFV VNF）和 NFV 运营支撑层 （NFV MANO）。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 管理编排涵盖了支持网 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 NFV 可以集成到现有的网络管理中。

全云化核心网是 5G 的关键推动力，它有助于虚拟化网络中的各种设备，使得 5G 网络具有弹 性和可扩展性，提高了部署灵活性并简化了管理，优化总体网络成本。然而，NFV 在 5G 和 6G 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 和运维模式，这对运维工作的挑战性极大。

3.2 被动事后式运维转为主动预测性运维

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 维需求，缺乏可扩展性和灵活性。

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 表象容易，但进一步找到根因就比较困难。

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 理。

3.3 网络运维知识大模型的构建

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 transformer 体系结构的 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问题。

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 Embedding 和向量数据 库（语义检索、向量相似度匹配）的技术，结合 LLM 的既有知识，以及概括、推理、扩展等能力， 提升回答的准确性和质量。

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 以潜在地解决幻觉问题，从而提高系统的准确性和稳定性。

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 的知识驱动语言模型。

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 谱厘清底层无线数据字段之间的关联关系，通过图理论相关的算法将与运维相关 KPI 的关键数据 字段筛选出来，并通过衡量其对 KPI 影响程度的大小来进行追因溯源和策略下发。其过程极大的 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 当前网络可能出现的问题并进行诊断。两种方法各有所长处，后续可进行优势互补。