对话韦乐平：AI为网络架构重构打开一条新通道

4月28日特稿（李明）已经在智能手机领域开始广泛应用的AI人工智能，如今又被赋予了新的使命，有望在网络架构重构的新阶段大放异彩。

在“2018中国SDN/NFV大会”上，工信部通信科技委常务副主任、中国电信科技委主任、SDN/NFV产业联盟理事长韦乐平在接受C114专访时表示，AI使能是网络架构重构新阶段，人工智能为网络架构重构打开了一条新的通道。

SDN渡过炒作期、NFV征程依然艰难

在网络架构重构这场变革中，SDN/NFV一直扮演着重要角色。

谈及SDN/NFV的发展，韦乐平认为，SDN已经渡过炒作期，进入理性发展阶段。一方面，SDN标准化进程加速，IETF南北向接口定义完成；BBF瞄准产业转型，推进网络云化；ONAP开源组织推出第一版本，ONF TAPI2.0信息模型发布。另一方面，标准和开源组织走向协同，标准组织通过组织Hackthon参与开源，而开源组织开始反推标准。

同时，基于SDN/NFV的网络云化已经成为共识。根据Mason预测，2017年全球网络云化市场为52亿美元，未来增长25%，2020年达到121亿美元。据了解，全球电信云项目已经超过400个。SDN专线成为热点，SD-WAN成为SDN迈向大网的关键和切入点，Verizon、AT&T、Sprint、BT、Orange等大T已经率先部署。

“而网络中的NFV化已经开始落地，但征程依然艰难。”韦乐平指出，NFV项目已覆盖网络中所有的核心网网元(如vEPC，vIMS)；目前，NFV已经开始落地，例如美国运营商AT&T的NFV商用部署正在进入拐点， Verizon预测采用NFV后五年能省下100亿美元。即将到来的5G将成为NFV新的驱动力，当然NFV也成为5G落地的必要条件。

但在韦乐平看来，由于思维落后、硬件性能限制、标准化滞后及互操作的复杂性，其他领域的NFV化还不尽人意。当前，网络云化的挑战不可轻视，运营商的一朵云理想，依然还只是理想，其内部IT系统的复杂性和对外服务的质量和速度要求导致公有云和电信云还在独立建设，共享只是在机房、局址和动环环节，因此运营商的任务依然任重道远。

AI使能有望解决网络架构重构三大挑战

事实上，基于SDN、NFV、Cloud的网络架构重构也带来大量新的多维度复杂性，在很大程度上抵消了其带来的诸多好处。韦乐平指出，例如，SDN技术只能解决自动化10%的问题，而90%的问题是组织、流程、和人的问题，其中自动化是关键。因此，SDN将进一步从自动化走向智能化，电信网的复杂性和人工依赖性使得具备应付高度复杂性能力的AI人工智能具有很好的发展空间。

“结合SDN与AI的基于意愿的随愿网络（IBN）将可能成为网络自动化和智能化的目标。”韦乐平提出，AI使能是网络架构重构新阶段。AI在处理复杂问题上的能力远超人脑，有望解决网络架构重构所面临的以下三个重要挑战：

第一个挑战是网络架构动态变化带来的网络和业务的复杂性；第二个挑战是网元分层解耦后的故障定位等运维带来的复杂性；第三个挑战是网络资源实时调整带来的网络运行复杂性。

不同层面和领域的作用和引入路径不同

AI也适用于解决网络难题，一切基于软件的复杂多维问题都可以借助AI的帮助，复杂的多层、多域、多协议、多接口、多参数、多厂的网络和业务问题也不例外，只是AI在不同层面和领域的作用和引入路径不同。

据韦乐平介绍，AI网络应用的一般原则是：越高层、越集中，跨域分析能力越强，对计算能力的要求也越高，所需数据量也越大，更适合对全局性的策略集中进行训练和推理；而越低层，越接近终端，专项分析能力越强，对实时性要求往往越高、对计算能力要求则满足业务需求即可，引入AI的推理能力或具备轻量级的训练能力即可。

与此同时，韦乐平给出了AI在不同层级上应用的能力：

首先，AI在基础设施层的应用，主要为有源硬件设施提供AI加速器，可实现不同层级的训练和推理能力，诸如核心DC的基础设施，可优先引入AI加速器，满足全局性的策略或算法模型的集中训练及推理需求。AI在接入侧可以逐步按需推进，例如基站内嵌AI加速器可以支撑设备级的AI策略及应用。

其次，AI在网络和业务控制层的应用可以优先集成AI的推理能力，对网络和业务实现智能网络优化、运维、管控和安全；可实现网络各层级KPI优化、网络策略优化等，例如在无线的覆盖优化、容量优化、负荷优化等。

再次，AI在运维和编排层的应用，可优先在大数据平台上引入AI引擎，对OSS和BSS数据做更深度的智能化挖掘。

“随着虚拟化网络的部署，编排层上可以逐步叠加AI能力，从而提升产品编排、业务编排、端到端资源编排的自动化和智能化水平，进而对业务量的变化做前瞻性的智能预测，实现动态规划和管理配套的资源。”韦乐平说。

人工智能网络应用三大场景

那么，在网络架构重构过程中，AI将在哪些主要场景发挥作用呢？韦乐平指出，AI网络应用主要有以下三大场景：

一是高效智慧运维场景：可针对网络进行预防性/主动性维护，利用AI/ML技术预测网络运行状态和器件、设备、业务可能的劣化风险，改善网络质量、提升MTTR；集约资源智能调度，对资源统一进行自动化调度，例如DC资源、分片资源、维护人工资源等；对业务质量进行闭环优化，利用AI/ML结合SDN网络控制能力进行业务、链路闭环控制，达成时延降低、流量全局均衡、云化资源自适应扩缩容等效果。

二是个性化业务服务场景：网络边缘存有客户使用网络业务相关的大量数据，利用这些数据以及网络其它数据、CRM信息能够给客户个性化服务的分析和建议，例如结合企业专线的带宽利用率、周期性潮汐流量特征、特殊时延要求等能够更好地设计个性化业务和灵活的资费模式。

三是网络安全场景：利用AI/ML学习技术可以针对恶意/病毒会话特殊的会话字节、头端包大小和频次、病毒特征字节等信息进行统计分析，从而在恶意流量攻击的早期就能正确识别，对于潜在的、前期未有训练数据的恶意报文也能进行预警。

组织架构水平化是必由之路

而作为使能网络架构重构新阶段的一项重要的新技术，AI距离真正成熟尚需时日。韦乐平认为，AI网络应用将面临以下四大挑战：

第一，缺乏能够有效利用的数据。AI成功应用的前提是足够大的训练数据，尽管电信网的数据足够大，但由于部门和各管理层级的数据语义和格式不同、数据存储和管理应用机制不同、数据监管限制等原因，能真正有效利用的有价值的数据并不足够大。

第二，AI/ML与网络结合的价值场景尚不清晰。

第三，尽管相对而言，AI算法比较成熟，但网络和业务远比目前已成功应用AI的图像、语音识别和单一棋类博弈要复杂，特别是还缺乏成熟可靠的电信网络和业务的建模和特征表示及提取方法。

第四，运营商现有垂直烟囱式组织架构不适应AI使能的新网络。

对此，韦乐平认为，未来网络组织架构水平化是必由之路。

现有组织架构往往是依靠特定的业务部门的专门团队来支撑特定的业务、应用、网络功能，从而形成了大量垂直一体化的业务和网络烟囱，不仅耗费了大量的人力物力和资金，而且还无法共享资源，难以提供融合性业务和网络。

而基于云化网络的网络架构重构要求运营商能够在跨部门的、共享的、统一的云平台上协同工作，这与现有的垂直烟囱化的部门设置直接冲突。“如果仅仅依靠技术和业务重构，而不下决心实施组织重构，难以推进AI使能的深度网络架构重构。”韦乐平强调，打破部门壁垒，实施组织架构水平化是成功的前提。

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。