核心網(wǎng)，是通信網(wǎng)絡(luò)的大腦，承擔(dān)著網(wǎng)絡(luò)全局資源的調(diào)度及管理。進(jìn)入5G時(shí)代，核心網(wǎng)肩上的擔(dān)子更重了，其承載著來自千行百業(yè)的多樣化業(yè)務(wù)需求。如何實(shí)現(xiàn)5G時(shí)代的核心網(wǎng)高效、低成本和高可靠運(yùn)維，成為了運(yùn)營(yíng)商及業(yè)界關(guān)注的焦點(diǎn)。那5G時(shí)代的核心網(wǎng)運(yùn)維有哪些挑戰(zhàn)？又有哪些新變化呢？
5G時(shí)代的核心網(wǎng)運(yùn)維挑戰(zhàn)
運(yùn)維對(duì)象規(guī)模和復(fù)雜性急劇上升——不同于以往4G時(shí)代，5G時(shí)代由于網(wǎng)絡(luò)應(yīng)用深入到多樣化的業(yè)務(wù)場(chǎng)景，網(wǎng)絡(luò)規(guī)模急劇加大。通過切片方式來進(jìn)行業(yè)務(wù)的管理，導(dǎo)致了業(yè)務(wù)也會(huì)更加動(dòng)態(tài)和復(fù)雜，從而讓網(wǎng)絡(luò)管理難度大幅增加；網(wǎng)絡(luò)的管理對(duì)象也急劇增多，除了傳統(tǒng)意義上的運(yùn)營(yíng)商的公網(wǎng)，還有各行各業(yè)的行業(yè)用戶專網(wǎng)，如何能夠針對(duì)不同對(duì)象合理化，分域的運(yùn)維，基于各個(gè)行業(yè)進(jìn)行SLA保障，也是非常棘手的一個(gè)問題；同時(shí)，隨著NFV，微服務(wù)架構(gòu)等技術(shù)的不斷引入，網(wǎng)絡(luò)實(shí)現(xiàn)了分層解耦，按需部署，但同時(shí)也帶來了運(yùn)維復(fù)雜度的上升，故障的定位定界成為了5G時(shí)代運(yùn)維極大的挑戰(zhàn)；2/3/4/5G時(shí)代遺留下來多個(gè)獨(dú)立的運(yùn)維入口，也讓原本就復(fù)雜的運(yùn)維工作，變得更加的繁瑣，傳統(tǒng)煙囪式的運(yùn)維團(tuán)隊(duì)和流程模式也因數(shù)據(jù)之間相互隔離，流程的非自動(dòng)化，無法在5G時(shí)代繼續(xù)下去。
人力要求和企業(yè)成本的挑戰(zhàn)——與4G主要面向消費(fèi)者市場(chǎng)不同，5G將賦能千行百業(yè)，與各行各業(yè)的生產(chǎn)效率、業(yè)務(wù)創(chuàng)新等緊密相關(guān)，這要求5G新業(yè)務(wù)能敏捷上線，業(yè)務(wù)發(fā)布將從原來的幾個(gè)月縮短到幾天，甚至是小時(shí)級(jí)，還要求運(yùn)營(yíng)商提供高SLA的網(wǎng)絡(luò)來保障企業(yè)的生產(chǎn)、業(yè)務(wù)等流程高效穩(wěn)定運(yùn)行，否則可能會(huì)給行業(yè)帶來經(jīng)濟(jì)損失，這單靠傳統(tǒng)的人工運(yùn)維模式無法支撐業(yè)務(wù)及網(wǎng)絡(luò)的要求。同時(shí)，5G時(shí)代不僅網(wǎng)絡(luò)更復(fù)雜，業(yè)務(wù)更多樣化，伴隨著低時(shí)延應(yīng)用和行業(yè)專網(wǎng)興起，還將有大量MEC邊緣節(jié)點(diǎn)廣泛分布于網(wǎng)絡(luò)的不同位置，這都將新增大量的上站維護(hù)工作量和運(yùn)維成本，因此，如何最大程度減少Opex，是運(yùn)營(yíng)商在5G這個(gè)新戰(zhàn)場(chǎng)上不得不考慮的問題。
如何破除以上挑戰(zhàn)？
讓網(wǎng)絡(luò)像自動(dòng)駕駛汽車一樣，自動(dòng)化，智能化的行駛
在這樣的挑戰(zhàn)背景下，業(yè)界做了很多的探索和嘗試，試圖在方案架構(gòu)，運(yùn)維技術(shù)，運(yùn)維方式等方面進(jìn)行變革，將自動(dòng)化，智能化引入5G核心網(wǎng)運(yùn)維。有人提出一個(gè)有趣的設(shè)想，我們的網(wǎng)絡(luò)是否可以像自動(dòng)駕駛汽車一樣，在沒有人干預(yù)的情況下，自動(dòng)，智能的行駛。這樣的假設(shè)讓業(yè)界產(chǎn)生了很強(qiáng)的共鳴，也展開了無數(shù)的討論，其中比較著名的就是TMF提出的自動(dòng)駕駛網(wǎng)絡(luò)的5層演進(jìn)節(jié)奏，全面詮釋了網(wǎng)絡(luò)在未來10年的演進(jìn)方向。
來源：自動(dòng)駕駛網(wǎng)絡(luò)白皮書
這個(gè)圖將自動(dòng)駕駛網(wǎng)絡(luò)的演進(jìn)分為從level0到level5幾個(gè)級(jí)別，讓我們知道網(wǎng)絡(luò)自動(dòng)化將會(huì)是一個(gè)長(zhǎng)期的目標(biāo)，是一個(gè)逐步實(shí)現(xiàn)的過程，其中AI的能力也會(huì)逐步的引入各個(gè)領(lǐng)域?qū)崿F(xiàn)整個(gè)演進(jìn)的轉(zhuǎn)變。
那5G時(shí)代的核心網(wǎng)運(yùn)維如何逐步實(shí)現(xiàn)“自動(dòng)駕駛”呢？
運(yùn)維架構(gòu)轉(zhuǎn)型
首先需要考慮的是運(yùn)維架構(gòu)層面的改變。
眾所周知，存量網(wǎng)絡(luò)的管理系統(tǒng)多且孤立分散，數(shù)據(jù)相互隔離；管理面能力沒有服務(wù)化，無法按需進(jìn)行靈活的部署，導(dǎo)致了底層資源浪費(fèi)；傳統(tǒng)管理面和業(yè)務(wù)網(wǎng)元是分離的，這不符合5G時(shí)代核心網(wǎng)網(wǎng)元實(shí)時(shí)控制，本地自治的訴求。為了解決這些問題，就需要在管理面架構(gòu)上進(jìn)行融合，實(shí)現(xiàn)跨域跨代跨平臺(tái)跨層的統(tǒng)一管理。就如華為提供的iMaster MAE-CN方案，非常巧妙的將傳統(tǒng)網(wǎng)管，VNFM LCM，NFVO，NSSMF，MEAO及相關(guān)運(yùn)維工具子系統(tǒng)進(jìn)行融合。一方面，這些組件并不是粗暴式的堆疊，而是以微服務(wù)的方式存在，方便客戶按需部署，另一方面，最重要的是它打通了傳統(tǒng)煙囪式的運(yùn)維體系，讓數(shù)據(jù)可無縫互通，不僅能夠讓日常運(yùn)維操作簡(jiǎn)單許多，更重要的是增加了發(fā)掘數(shù)據(jù)更多價(jià)值的可能性。同時(shí)，這些組件都連接著一個(gè)智能的調(diào)度引擎，通過系統(tǒng)而靈活的調(diào)度，實(shí)現(xiàn)從網(wǎng)絡(luò)設(shè)計(jì)，部署，到運(yùn)維、優(yōu)化的端到端的管理，而不僅僅是傳統(tǒng)意義上簡(jiǎn)單的運(yùn)維。
AI引入日常監(jiān)控場(chǎng)景——主動(dòng)預(yù)防實(shí)現(xiàn)亞健康狀態(tài)精準(zhǔn)識(shí)別
另一個(gè)非常重要的轉(zhuǎn)變就是技術(shù)的改變。這里，大部分的廠商都嘗試通用引入AI技術(shù)，自動(dòng)化，智能化的處理核心網(wǎng)運(yùn)維問題。
熟知核心網(wǎng)運(yùn)維的工程師，一定深有體會(huì)，在建網(wǎng)初期，工程師要花費(fèi)大量時(shí)間逐條進(jìn)行上萬個(gè)KPI指標(biāo)對(duì)象的閾值設(shè)置，這個(gè)閾值是根據(jù)以往的專家經(jīng)驗(yàn)進(jìn)行設(shè)置，由于是靜態(tài)的閾值，這就給后續(xù)日常監(jiān)控埋下了可能出現(xiàn)誤報(bào)，漏報(bào)異常的情況的隱患，告警的可信度大打折扣。況且不同子網(wǎng)情況不同，子網(wǎng)間這些閾值的設(shè)置無法復(fù)制，工程師只能通過人工的方式，一個(gè)個(gè)子網(wǎng)進(jìn)行設(shè)置。最棘手的是異常檢測(cè)之后的根因分析，工程師需要人工逐條KPI進(jìn)行故障定位，同時(shí)在大量KPI指標(biāo)中篩選出該異常KPI的關(guān)聯(lián)KPI，通過查看關(guān)聯(lián)KPI的測(cè)量值，進(jìn)一步定位異常的原因。這樣全程人工主導(dǎo)的運(yùn)維方式，效率提升真的是難上加難。
那如何通過AI技術(shù)去解放工程師日常的運(yùn)維工作呢？
我們從閾值的設(shè)置入手，看看通過AI如何進(jìn)行智能的KPI的異常檢測(cè)。剛才我們提到，傳統(tǒng)的閾值設(shè)置是基于專家經(jīng)驗(yàn)設(shè)定的靜態(tài)閾值，工作量大，也不準(zhǔn)確，隔上一段時(shí)間，還需要根據(jù)現(xiàn)網(wǎng)的實(shí)際情況進(jìn)行閾值的糾正調(diào)整。這里，華為提出了動(dòng)態(tài)閾值的概念，如何理解呢？首先，有一個(gè)AI的訓(xùn)練模型，每周對(duì)現(xiàn)網(wǎng)歷史數(shù)據(jù)進(jìn)行采樣，通過AI算法持續(xù)的去訓(xùn)練校準(zhǔn)這個(gè)模型。然后，將現(xiàn)網(wǎng)的實(shí)時(shí)KPI數(shù)據(jù)導(dǎo)入訓(xùn)練好的模型中，得到動(dòng)態(tài)閾值范圍，也就是說，當(dāng)網(wǎng)絡(luò)發(fā)生變化時(shí)，閾值范圍也會(huì)發(fā)生變化，因此，在網(wǎng)絡(luò)出現(xiàn)異常的早期階段，就會(huì)有潛在的KPI指標(biāo)超過閾值范圍，系統(tǒng)上報(bào)異常。這樣，在某種程度上，可以幫助我們提前發(fā)現(xiàn)網(wǎng)絡(luò)隱患和故障，而不是在主要KPI已經(jīng)異常后去處理故障。
動(dòng)態(tài)的閾值，能夠精準(zhǔn)的發(fā)現(xiàn)網(wǎng)絡(luò)隱性事故，但是實(shí)現(xiàn)運(yùn)維的閉環(huán)，還需要智能的對(duì)異常情況進(jìn)行分析，快速找到根因。這里，華為提供了一種多指標(biāo)關(guān)聯(lián)分析功能，如果某個(gè)KPI指標(biāo)異常了，系統(tǒng)可以按照貢獻(xiàn)度去對(duì)相關(guān)的指標(biāo)進(jìn)行排序，工程師可以基于此快速的找到最大貢獻(xiàn)度的KPI，從而快速的定位問題的根因。
AI引入變更操作場(chǎng)景——構(gòu)筑“三道防線”實(shí)現(xiàn)機(jī)器值守
除了日常監(jiān)控場(chǎng)景外，重大變更場(chǎng)景也會(huì)使用AI。
我們知道，在5G時(shí)代，產(chǎn)品版本發(fā)布頻率越來越高。因此，會(huì)進(jìn)行大量的重大操作，如普通升級(jí)、灰度升級(jí)、配置變更、擴(kuò)容等?，F(xiàn)網(wǎng)70%以上的重大事故是由于網(wǎng)絡(luò)變更導(dǎo)致的。一旦異常，對(duì)業(yè)務(wù)和用戶體驗(yàn)影響很大。每年有數(shù)千次的變更，給運(yùn)營(yíng)商帶來了巨大的挑戰(zhàn)。同時(shí)，由于人工操作量大，網(wǎng)絡(luò)異常識(shí)別平均耗時(shí)5小時(shí)。導(dǎo)致在業(yè)務(wù)影響增加時(shí)，無法提前分析和發(fā)現(xiàn)異常，這樣就錯(cuò)過了解決問題的時(shí)間窗口。
因此，在這種場(chǎng)景下，工程師希望運(yùn)維方案能夠建立變更前、變更中、變更后三道防線，提前規(guī)避風(fēng)險(xiǎn)和問題。
現(xiàn)在，讓我們來看看這個(gè)系統(tǒng)是如何工作的。
首先，在變更前，系統(tǒng)自動(dòng)進(jìn)行在線健康檢查，確保待變更網(wǎng)絡(luò)健康。其次，變更過程中，所有變更準(zhǔn)備和操作均按照規(guī)范自動(dòng)執(zhí)行。例如，在變更前的計(jì)劃中明確每個(gè)操作的結(jié)果。這樣，每一步的操作，都可以有依據(jù)，方便變更過程中進(jìn)行對(duì)比。最后，在變更值守階段，需要持續(xù)實(shí)時(shí)監(jiān)控網(wǎng)絡(luò)異常情況。這里，華為利用復(fù)合LSTM神經(jīng)網(wǎng)絡(luò)遞歸生成多指標(biāo)關(guān)聯(lián)分析。其將指標(biāo)分為呼叫類指標(biāo)組、注冊(cè)類指標(biāo)組、接入類指標(biāo)組等。該算法可以訓(xùn)練每個(gè)組，使每個(gè)組可以生成出一個(gè)關(guān)聯(lián)性。當(dāng)某個(gè)異常發(fā)生時(shí)，對(duì)應(yīng)群組的關(guān)聯(lián)性就會(huì)發(fā)生改變。這樣就可以快速定位異常指標(biāo)組。再通過KPI貢獻(xiàn)度，識(shí)別出異常KPI。接下來，我們?cè)賮砜纯慈绾慰焖俣ń绠惓｜c(diǎn)。其根據(jù)歷史的專家經(jīng)驗(yàn)，在系統(tǒng)中預(yù)置了很多故障場(chǎng)景；同時(shí)，把告警、日志、KPI等多維度因素作為一個(gè)事件，與預(yù)置場(chǎng)景進(jìn)行匹配，這樣就能快速定界網(wǎng)絡(luò)異常了。這樣就可以幫助我們快速、及時(shí)地定位問題了。
AI的引入，最終實(shí)現(xiàn)從被動(dòng)運(yùn)維到主動(dòng)運(yùn)維轉(zhuǎn)型
以上分享了兩個(gè)引入AI的運(yùn)維場(chǎng)景。不難發(fā)現(xiàn)，將AI引入到運(yùn)維的場(chǎng)景后，傳統(tǒng)運(yùn)維方式逐漸發(fā)生了變化。傳統(tǒng)的方式是一種被動(dòng)的運(yùn)維方式，就是當(dāng)故障已經(jīng)出現(xiàn)了，我們才通過各種各樣的系統(tǒng)，方法，以及人工的方式，去盡可能快速準(zhǔn)確的進(jìn)行故障定界定位，從而快速恢復(fù)。而AI的引入，讓我們對(duì)運(yùn)維的模式有了新的想法。我們可以基于AI技術(shù)去進(jìn)行主動(dòng)運(yùn)維，也就是說在故障發(fā)生之前，主動(dòng)的識(shí)別網(wǎng)絡(luò)的風(fēng)險(xiǎn)，將網(wǎng)絡(luò)的亞健康問題暴露出來，在它變成故障之前就把它處理掉，而不是等亞健康問題變成故障后，才去解決問題。然后再通過AI技術(shù)，快速的定位問題，將風(fēng)險(xiǎn)快速識(shí)別。
5G讓網(wǎng)絡(luò)自動(dòng)駕駛成為了焦點(diǎn)，而AI的引入加速了網(wǎng)絡(luò)自動(dòng)駕駛的演進(jìn)。未來的5到10年將是網(wǎng)絡(luò)自動(dòng)駕駛快速孵化，演進(jìn)的時(shí)代，讓我們拭目以待。
