5G网络智慧化运营

5G网络智慧化运营（上）

高晖 北京邮电大学信息与通信工程学院副教授

各位学员大家好，非常荣幸今天能给大家继续分享5G网络智慧化运营。我的名字叫高辉，来自北京邮电大学。今天的内容大概分这么几个模块，首先会给大家介绍一下5G智慧化运营发展的一些趋势，第二块会给大家介绍5G智慧化运营赋能的关键技术。第三块会给大家做一些关于5G智慧化运营的案例分析和讨论。

那么首先我们可能需要简单地回顾一下，5G运营的一些新特点，在这个部分的话，我想首先给大家回顾一下，传统4G网络运营运维的简要的一些基本情况，随后我会给大家概述5G在空口，以及在网络侧运营相关的一些优化所面临的全新的挑战。我们都知道，运营运维对于移动通信系统及网络而言尤为重要。随着无线通信系统的不断发展，那么运营和运维也步入了一个新的这样的一个时代。

我们其实可以简单先回顾一下4G网络的主要运营模式，4G网络它的运营和运维，其实绝大部分主要依赖于专家的经验。专家的话，依据于自己常年的工作实践，它可以去制定出来一些有关于运营和运维的一些比较好的建议。但是，这种人为或者说主要依据专家的模式，它可能会缺乏对于运营运维方面一些预防性的措施，预前提示这样的一个措施。那么对于这种跨层的，比方说一些故障的界定，以及对于这种非常复杂的这种问题的界定，它可能需要卷入很多的人力和团队来展开分析。

那么它的分析效率是相对比较低下的，它没有办法去时时地动态地去适配海量的这样的一些业务的一些需求。那么举一个简单的例子，在4G网络运营运维过程当中，比如说如果出现了故障，那么这个故障处理的流程，在传统4G网络当中的话，是非常非常的低

效率的。那么比方说，对于整个系统而言，它可能会涉及到业务层、应用层、虚拟层，以及硬件层面。那么当在业务层面发生了故障的时候，那么需要可能三个团队，去做信息的收集。那么这三个团队可能得花费掉一到两个小时的时间，来做这个信息的收集。

随后的话可能需要一个专家团队，来做故障的界定，这种鼓掌的界定主要依赖于专家的经验。那么可能大家开会讨论，又讨论了一到两个小时，终于找到了可能存在问题的地方，制定相应的方案，并且下达方案，然后来展开故障的定位，和这样的一个纠正。方案下发大概也需要两到三个小时，从出现故障到故障界定，到方案下发，整体的时间可能会超过5到6个小时。

所以当出现故障的时候，整个这样一套依赖专家经验，和主要依赖人工的方式去做维护，它可能需要很长的时间。那么这样很长时间的话，它是没有办法去适配。比方说其实在4G时代，就已经显现出一些弊端，它是没有办法去适配5G更为复杂的这样一个网络体系的。那么我们再提一提传统的这个运营运维模式里边的一些不足。

第一块我想给大家谈一谈资源利用率的问题，我们都知道无线通信系统，非常依赖于一些比如说天然的资源，（04：50）资源，依赖于一些我们架设出来的基础设施的一些资源。比方说无线、IP以及光传输的这样的一些资源。但是的话我们会发现现有的这种运营运维的模式，它对无线资源以及基础设施的资源，它的利用率是相对比较低的。因为我们时时的这种用户的业务流量，实际上是处于一个波动的状态。

但是的话我们基础设施所能提供的，这样的容量的潜力，相对是比较高的。那么如何时时地汇聚我们的这种业务流量需求，最大化地去利用我们的有限的资源，这个问题在传统的4G网络的运营运维当中，是没有得到一个非常好的解决的。

举一些基本的例子而言，比方说在4G网络当中，有多天线的基站，那么这种多天线的基站，它会涉及到一些天线阵的基本参数调整。那么传统的4G网络，它的一个运营运维的方式，是可能通过一些专家经验和一些实测，通过手动的方式，去对这个网络中，比方说天线阵的参数，做一些预调。但是的话，随着这种业务的变化、波动，它实际上没有能力去时时地更新相应的这些参数。这样的话，其实就会导致基础设施的能力没有办法适配时时的资源，得到最大化的资源利用，那么这可能是关于资源利用率低这么一个现状。

除此之外的话，传统的这个4G网络运营运维当中，还有一个非常重要的一个曲线，就是说它的能量消耗可能过高了。其实就相关的一些学术文献报道，目前咱们ICT领域的二氧化碳排放量已经占了全球总二氧化碳排放量相当高的一个比例。那么特别对于我们移动无线通信系统而言，特别是以基站等设备为主的，这样的一些电信的网源设备，它的能耗其实开销是非常大的。特别的在传统4G网络当中，可能某一些激战，本身某一个具体的时刻，承载的业务并不多。但是的话，系统依然开放着非常高的这样一个能耗，也就是说它的能耗消耗跟这个设备所能承载或者处理的这个业务流量并不是成一个正相关的趋势。

即便在没有流量的情况下面，整个系统的能耗开销，也是惊人的。那么在这样一个情况当中的话，我们就会发现能耗是一个必须去面对的这样一个问题。其实可能在之前的课程里边，也给大家介绍过，像在5G的话，能量效率被摆在了一个非常高的作用和地位，也就意味着我们其实希望更高的普效，更好的数据传输速率，同时的话我们希望我们的能耗能跟业务量的一个这种增长情况，成一个合理的比例关系。否则的话，像在传统4G网络运维当中，即便少流量，我们也有高功耗，这样显然不可以做一个持续的一个发展。因此传统的运营运维模式当中，除了资源利用率低之外，它的能量消耗是非常高的。

第三点想给大家介绍一下，这个传统模式不足当中的话，其实它的运维效率是非常低

的。其实之前我刚刚也给大家做了一个引导性的例子，大概举了一下专家经验。这边的话给了一些更为具体的这样的一个数据描述，那么对于网络，我们其实会发现，5G比4G整个网络架构，就是说它的接入网的这种制式，接入网的组成，变得更为复杂。那么这种网络的复杂度，通常是呈指数级的增长的。那么故障通常是被动式响应，比方说我是一个运营商的客户，那么基本上发现这个故障，都是客户打电话去举报，客户打电话去要求报修，那么这样的模式显然会降低客户这样的一个用户体验。

除此之外的话，它因为主要依据于这种被动式的处理方式，所以它很缺乏这种预防性的一些运维。那么这样的话会导致整个运营运维当中的话，大部分依赖于人工经验。这边其实会有一些数据，我罗列了一些数据。大概来说的话，75%的网络问题，都是由最终用户发现的，这显然不是一件很好的事。就好像我们上了考场，最后总是在得到分数之后，才发现做错了，这样子肯定不是一件好事。

这块的因素主要就是在于说，现有的网络的运营运维模式绝大部分是被动式响应。那么网络故障，它很难事先被发现，也很难去预防，这个客户的体验和满意度很难得到保障。除此之外的话，我们会发现37%的网络故障是由网络变更造成的，这个是什么意思呢？就好像现在我们4G网络和5G网络并存，并且的话有这样一个像5G网络升级的，这样一个趋势和需求。

那么在这种网络变更和升级的过程当中的话，因为网络本身它的复杂度比较高，混合起来的话可能涉及到多个域的联合优化。那么这种很高维的这样一个问题，其实是超乎我们自然人能够理解的。需要我们人工去做的话，就是我们可能会面临更多的，出现错误的这样一个可能性。最后我们给一个数据，也就是说在传统的运维当中，人员可能有90%的时间，它都是在定位问题，因为网络问题的这个源很难识别，跨界的问题很难去做界定。并且的话，这种问题的根因定位特别之复杂，所以可能需要专家组织相关的这种技术人员，

一起大家讨论，然后可能讨论了相当一段时间之后，才能把这个问题界定出来和找出来。

那么从上面刚刚的一个基本回顾，我们其实可以看到，就传统的这种运营运维模式，它实际上面临着资源利用率低，然后的话能量消耗高，以及运维效率低等一些局限。因此的话，它可能没法直接去满足5G网络的一个需求。那么介绍完了这个传统4G网络运营运维的一些模式，我们接下来的话会介绍5G空口的一些挑战，以及网络侧的一些挑战。

我们首先从空口的一些特征来给大家做阐释。我们之前可能已经了解到，无限空口的话，将会呈现密集组网的趋势，那么无线用户使用的网络资源，可能较4G网络而言，它的需求都会不断地增长，而且它的这种对于资源的消耗也会不断地增长。应该来说5G网络需要去提升这个空口的吞吐量，以保证用户的QS和或者QE，那么为了能够实现频谱效率的提升，5G在空口这一侧，使用了大规模天线等主要的一些技术，那么这种大规模天线的话，它具有提升普效和能效的潜力。

与此同时的话，5G将会去支撑包括这种传统手机，移动宽带用户的需求，也有好多好多这种机器类通信，物联网通信的需求。所以这个5G的无线网络流量，将会变得更加多元、动态和复杂。那么这就会导致说，可能传统的一些单一模式下的这种流量预测，这种流量预测的话，其实是可以来帮助，就是网络运营运维的，那么它可能会在5G的这种架构下面的话，可能会失去原有具备的这样的一个能力特性。

那么基本上我们其实可以看，这页PPT上面的一些图，对于传统的4G网络而言的话，我们会发现它的业务流量实际上是有很明显的特征的。但是对于5G而言，因为业务模式多样化了，它的流量模式也会变得多样化，从而导致可能这种流量的预测，会变得更为复杂。

那么我们往下继续说，在空口呈现密集化之后，那么整个无线空口网络，为了提高频谱效率，它可能会采用这种全频谱的一个复用。那么当采用全频谱服用的时候，因为网络的密集化，以及非规则的部署，那么可能会将干扰呈现成为一个非常高动态的这样的一种特性。具体而言，就是说这个大规模MIMO，它可能是一个红小区的大基站，然后可能还会与一些小小区的微基站，它们可能会这种层叠，一起来增强这种覆盖的能力。那么因为小区的部署，通常不是精细化过的，它可能都是按需来做规划的。

所以的话，在用户这种业务分布，在空时方面存在差异的时候，这种干扰的动态变化特征，就会变得特别强烈。干扰呈现高动态，那么它可能会给我们的网络，就是说它的一个运营优化，造成很大的一个挑战。除此之外的话，流量的影响。因为传统的这种4G网络，这种异构程度，密集程度，其实较5G网络而言，其实还有一定的差异。那么在5G网络之后的话，那么这种用户可能需要去与不同的类型的基站做关联，并且的话这些基站之间，本身的业务也需要做某种形式的负载平衡和调度，这样的话，对于这种高维的这种资源调度而言，就会变得特别复杂。

这些东西的话，会跟用户的体验直接相关，它实际上也会对我们的这个无线网络的运营运维，造成很大的一些挑战。所以总结而言，我们其实会面临在5G网络，我们会面临着无处不在的干扰，以及这种高度动态，维度特别高的资源的一个适配。那么这些问题的话，实际上对于传统的这种运营运维的手段而言，它可能很难加以解决，所以这是一个很重要的挑战。

第二个挑战的话，就说业务流量其实会呈现非常高的动态特征，刚刚也提到了因为5G会支持越来越多的这种用户和服务，那么在密集的终端部署，其实它更需要去彰显用户个体、个性化的一些业务需求。通常而言，会有很多不同类型的业务，就是说它可能都通过某一个基站设备，来进行一个数据的一个传输。那么我们传统网络优化层面可能需要去理

解的无线流量的一个趋势，在5G这种复杂的网络背景环境下面，以及高度动态的这种业务特点下面，它会变得更难精准地去做预测，所以这块的话，对于5G高动态流量的一个特性，我们怎么去做建模，怎么去做一个精准的预测，这也是一个非常有挑战的一个问题。

那么再往后面的话，其实可以去细化我们刚刚所提到的这种资源和用户需求的一个适配关系。那么对于传统的4G网络，它在空口侧，比如说它用的这种多用户的多天线技术。基本上的话，它可能会把有相同业务需求，以及可能可以匹配的这样一个信道特征的用户，附着在一个相同的（视频）资源块上，从而的话去提升对于这个（视频）资源块的一个频谱的利用效率。

那么它主要面向的对象，其实用户数并不是特别多，并且的话主要依赖于精确的这个信道状态信息。那么对于大规模天线系统而言，它实际上提供的非常广的这种空间的自由度，它有潜力去大幅提升这个频谱效率。但是现在的难点在于说，我们很难去找到一个合适的用户，他既有就是说可能在某一个特定的时间，有相匹配的，或者说基本上体量相当的这样一个业务需求，又能去很广泛地把很多用户的信道状态信息都拿到，所以话在大规模天线系统主导的5G空口这种背景下面，我们很难去对用户实施一个非常有效的一个配对。

那么这里的话，实际上就提出了一些对于用户，以及资源的一个适配的一个挑战。那么它需要将用户的流量与时时的这种信道做一个匹配。并且的话，我们其实只有少量的资源，可以用来去掌握这种信道状态信息，所以这是关于空口的一个挑战。那么再往上的话，其实会提到无线资源的一个整体的一个挑战，那么传统的这种无线电管理，它也是基于一个已知信道状态信息，你可以理解成为是一个被动式，也就是说我是知道这个时候的信道，然后我在这个时候去做相应的优化。

但是此刻的优化，是否对于下一个时刻还是最优，那么这个事情，可能在传统的这个无线资源管理方面，其实并没有做一个深入的探究。那么对于5G通信系统而言，我们其实刚刚去介绍各种各样的一些挑战的时候，其实特别强调了，就是说我们其实需要去挖掘一下，就是此刻的这种信道状态，以及业务状态，它在时间以及空间方面，它们之间的一些关联性。如果能够深入去挖掘这样的关联性，实际上我们可以对未来的无线信道的变化状态，做某种形式的预测。

对潜在的，比如说下一个时刻的业务需求的一个状态做一个预测。那么有了这样一些预测的信息，并且有一些比较好的理论去保障这样的预测精度的话，我们实质上就可以去做某种前设性的，也就是说主动的提前的这样的一些资源规划和安排。那么有了这样一种前设性的资源规划和安排的话，我们就很有可能，可以在一个更广的时间维度上面，做出一个更加的决策。就好比我们做交通规划一样，如果我能够预先了解到，比如说某一条道路，它在晚高峰的一个拥挤程度的一个演进的一个一般情况，那么有了这些信息之后，其实它会有助于我们在出行之前，做更好的一个选择。

所以这块的话，实际上是无线管理的这样面临的挑战。其实挑战的一个主要原因在于，我们传统的无线电资源管理，它都是基于类似快照式的方式，来做这样的管控。也就是说我拍下一张照片，禁止状态，我认为这个禁止状态，当下我可以做优化，但是我没有办法把连续很多张照片之间的关联性挖掘出来，所以也就没有办法去做一个前设性的资源管理，所以这也是无线空口所面临的一些挑战。

那么其实总得说来，相对于这个4G网络，我们会发现无线空口，它所应对的场景会更加的多样。而且的话，它们对于空口的设计要求也是很大的。在不同的场景中，其实对于通信的这个质量要求是不同的，包括它的时延速率，容量等等，我们都需要做一些非常细节的考虑。并且的话，对于5G而言，整个网络的一些设计，它可能还需要去考虑不同

的垂直行业的一些需求，而且还需要考虑，这些垂直行业，更长时间的一个发展的一些需求。

所以整体而言，就是说在空口，空口层面上面传统的这种4G的一些，运营运维的这种优化的方法，它其实很难去满足，5G这样的一个空口，这是从5G空口方面，给大家去概述了一下，5G运营运维的一些挑战。

接下来的话从网络侧简要给大家概述一下，5G运营运维的一些新的一些挑战。那么我们首先其实回顾一下，5G网络侧它所面临的一些挑战，其实主要来自于三个方面：第一的话是关键能力指标的挑战，第二的话是网络运营能力本身的一些挑战，第三的话可能是网络演进要求方面的挑战。那么关键能力指标的话，简要概述一下，基本上我们对于5G的关键能力，表现在峰值速率流量密度，连接数量，以及功耗成本，以及时延和可靠等等层面。它基本上映射到现在的一个网络所面临的挑战的话，主要有几个方面。

第一，就是这种不同的基站之间的协同能力不足。

第二，这种回传网络的容量实际上压力比较大。

第三，是关于信令过载，报头冗余的问题。

第四，其实会涉及到传输路径，可能说缺乏一个优化规划，可能相对冗长的这样一个问题。

特别跟我们相关的是网络运营的能力不足，那么这种运营能力不足的话，主要体现在感知和开放的能力不足。也就是说我们其实需要去提升我们这个感知的能力，对网络状态

的一个感知的能力，以及它开放的能力，开放我后面会去提到。

最后的话可能有一些关于网络演进需求方面的一些事宜，特别其实强调的话，就是网络的协同能力是不足的。那么就是这些关于网络侧它可面临的一些挑战，其实我们还可以细化出来。其实我们可以看到，这种5G时代的话，它的网络元素实际上是特别密集的，特别复杂。不管在空口侧，还是说在具体的应用场景这一侧。那么其实4G网络中所面临的这种网络优化参数配制的数量，可能超过了2000个，一些数据大概是这样的，2G、3G、4G、分别可能涉及到的这种网络优化规划的核心参数，分别是500、1000、1500。

但是按照这样的一个基本趋势的发展，我们其实可以看到，5G网络所涉及到的这种网优参数可能会超过2000个。那么应对上述的一些挑战，可能需要我们重新去思考，整个网络运营运维的一些优化方法。那么我们实际上，就是说可能具体举一些例子，比方说我们了解到，5G其实它是多种网络融合的一个架构。比方说它可能会包含5G、4G，以及WLAN等多种接入网融合。

那么如何进行一个高效的架构设计，比方说我们会去对于这种核心网和接入网的锚点选择，那么它能够去兼顾网络改造升级的复杂性。同时的话，对线网的影响，就是说对线网这种运营、运维的一些影响，它都需要做一个认真的思考。除此之外的话，我们其实还可以举一个这种移动性和连接的这样一个管理的挑战，这也是网络侧可能面临的一些挑战。那么5G其实会面临各种各样复杂的移动场景，并且的话会有多种不同的接入网制式并存。

比如说我们从wifi迁移到蜂窝，蜂窝可能迁移到包含像卫星等等，那么它属于一个叫做（26：58），多种接入制式并存的这样一个体系。那么如何去合理地调度和利用这样的一些并存的网络体系来提升用户的服务质量，这是一个关键的设计指标问题。但是它背后其实蕴含着很多这种网络运营，或者说优化的一些层面。那么它需要可能相对灵活的这种

管理和控制，可能也需要一些新的技术手段，去做支撑。那么这块的话，我其实简单的，非常简单地给大家说到了5G网络，其实它在优化的这一边，它可能面临的一些问题。

那么总结一下，其实我们刚刚提到了，传统4G网络，它的一个运维模式，它的局限。5G无线网络从空口侧和网络侧，它所面临的一些全新挑战，所以的话，我们下一个部分的话，相对大家可以做一些关于智慧化运营运维的一些赋能的关键技术。那么我们想说，5G时代运营运维是强化智能的。那么它其实得益于一些基本的赋能关键技术，那么这些关键技术的话，我可能想给大家，从我们5G的网络的一个设计思想和理念，以及其中所涉及的一些关于计算通信融合的新技术层面，给大家去做一些基本的介绍。

首先第一块的话，我们想说这种5G智慧化运营运维的话，它有一个基本的赋能的大的模块，其实已经包含在5G的网络设计的理念当中了。这个5G网络其实它有一个基本设计的原则，也就是说5G需要基础设施平台和网络架构，就是说它们协同融合的发展。它特别强调基础设施平台的革新，以及网络架构方面的革新，那么对于5G网络而言，它其实引入了一些互联网或者说计算机网络相对比较先进的一些设计理念。

比方说通过引入这种虚拟化技术，那么它可以基于通用的软件设施来构建5G网络的基础设施平台。它可以有效地去解决，这种传统4G网络基础设施平台，投资成本高，然后资源管控能力不足，以及这个业务上线周期长的这样一些问题，所以从这个层面上面的话，它实际上为5G的一些运营运维，提供了强有力的支撑。

与此同时，那么这种新型的5G网络架构，它是基于控制转发分离，还有控制功能可重构的这样的一个设计理念和思想。那么它实际上就提高了我们刚刚所提到的5G网络在应对复杂场景的这样一个情况下，它能够把功能做适度的分离，把控制或者说这种控制的能力做可重构的这样的一个编排，有利于提升5G应对复杂的这种场景的一些需求。

那么这里的话，可能稍微多介绍一点，关于它的基础设施，其实是它赋能智慧化运营运维的一个重要基础。那么第一点是关于网络功能虚拟化，相信可能也有其它老师的课程，做了更深入的介绍，我在这里的话只是简单再回顾一下。它实际上是通过软件和硬件功能结构，来实现某些特定的这种可能通信的能力，不依赖于专属的设备。有了这样的一个设计的理念之后，其实就可以去复用很多通用设备的资源，来去承载不同的这样的通信能力的一些需求。

所以NFV技术实际上针对核心网络，传统核心网络，软件和硬件严重耦合的问题，提出来了全新的解决方案。那么有的这样的解决方案之后，其实对于运营商而言，它就可以去购置一些成本相对低廉的服务机，交换机以及存储设备，来通过软件编程定义的方式，去实现较为复杂的这样的一个通信网络的一些功能需求，与此相呼应吧，就是说互相配合。

那么基于这种NFV基础之上的话，5G网络其实采用了软件定义的这样的一个新兴的架构。那么这个软件定义网络，它实际上是针对传统核心网，控制平面和用户平面耦合提出来的这样一个解决方案。那么我们知道，在5G空口这一侧，实际上它有这种异构网络，也就是说宏小区下层叠这种微小区的这样的一个空口的技术的一个架构体系。

那么在这样的一个架构体系下面的话，实际上比较适合这种业务和控制来做某种形式的分离。对于宏站而言，它的业务，也就是说它的覆盖能力比较广，它可能可以支持较广范围之内，用户在控制层面的一些信令的一些交互。对于一些热点区域，我们实际上临时去增设了这种小站，那么小站的话，其实可以对具体的用户，在临近的范围之内提供比较高的这种业务覆盖。那么配合这样的一个空口架构，实际上在核心网这一侧，也做了类似像用户面和控制面解耦解耦这样的一个新的一个网络架构体系。

那么它将可以使用户平面，能够部署在距离无线接入网更近的地方，从而提高用户的

服务质量。比方说我们5G特别强调低实验，那么有了这样一个业务耦合这种控制分离的一个设计理念，它可能有效地去做支撑。除此以外的话，我们其实强调5G它的运营运维，应该针对很多不同的垂直行业，或者说一些行业需求。那么针对这种不同的垂直行业，行业需求。实际上它也提供了一些这种就是说可能向上的这样的一些开口，能够让一些垂直行业的，这样的一个，就是说一些实际用网络的这样一些用户，它能够有一个比较好的渠道，能够反作用于我们整个网络的一些能力构建。

为了支撑这种灵活的能力构建，实际上5G新提出来了一些全新的设计理念。比方说网络切片，那么这个网络切片的话，实际上是以一个统一的视角，对可能整个网络，包括这个控制、存储、传输等等一个立体的这样的一个资源的划分。那么对于这种不同的业务需求，实际上5G可以依据不同的业务需求，合理地去编排，就是说自己所掌握的资源，能够形成定制式的这样的一个配制。

并且基于刚刚所提到的NFV和SDN这样的一个架构，这样的配制实际上是可重构的，可临时调整的。实际上它也为5G所需要去面对的各种垂直行业，提供了某种形式的接口，能够提供定制化的这样的一个网络，这块是关于5G网络的一些很重要的一些赋能的一些关键技术。那么我们其实还想总结一下，其实整个5G核心网有很多的一些革新，那么它的整个架构，其实都是基于一个这种所谓的Service Based Architecture，基于服务的架构。这种服务的架构话，其实它是基于一些以前云计算的一种原生的架构设计，它借鉴了IT领域很多的一些微服务的理念。微服务的理念，大概的一个基本的要义，就是它可以把很多的功能组合拆分，然后把它划分成很多功能的小的个体，通过这种小的个体的话，组合之后可以实现自己的微服务。

所以简而言之，刚刚提到了5G，它可能在网络这侧，给智慧化运营运维提供了一些基础的赋能的职称，那么总结起来的话，在5G核心网这块，它通过模块化和软件化，给予

了这个网络更大的可重构能力和可编程能力。这块是关于这个赋能技术，特别是关于5G整个网络架构，它对于智慧化运营运维的一个基本支撑的一个大概的概述。

接下来给大家介绍就是5G当中的一些新兴的计算通信融合的这样的一个技术。首先其实我们可以回顾一下，IT和CT，就是说传统的计算机网络和通信网络，它现在正在有一个很强的融合趋势。那么在5G的范畴下面，我们其实会看得到有很多的实例，特别的话是以移动边缘计算为代表的一个实例。那么我们简要地介绍一下，这个移动边缘计算。我们都知道云计算，云计算的话其实会有一个比较强大的云中心，或者说数据中心，当业务有具体的需求的时候，它可能通过一些比较高可靠，或者质量比较高的这种回程电路，能够连到相应的计算中心和数据中心，然后能把相应的这种具体的一些资源能够放到，就是说可能能够传输到用户这一侧。

那么对于5G而言，特别强调传输的时延，那么传统的这种云架构，其实它可能时延是没有办法保证5G用户的需求的。因此的话，大家提出来的一些云下沉的这样一个理念，希望能够把一些涉及到计算、存储的这样一个能力，能够尽量地放到边缘这一侧，也就是靠近无线接入网这一侧，这样的话它就能够以比较低的时延和比较高的效率，去赋能，去实现传统的这种云架构下面，或者传统的通信网络架构下面，它没有办法实施的这样一个任务。

那么对于移动边缘计算而言，它的具体定义就是在移动网络的边缘，提供IT服务环境和云计算功能。大家其实可以从这个定义上就看到，它实际上包括了移动网络，那么要为这个移动网络的一些用户提供IT服务环境和云计算的功能。那么它具体而言的话，就是把计算能力从云端下沉到网络的边缘侧，它的目的就是为了提高数据的传输效率。那么基本上我们在这张图上可以看得到，这个移动边缘计算，实际上可以把它理解成传统的无线通信网络CT，和计算机网络互联网IT融合的这样一个产物。

它具有的特点包括什么呢？它实际上拉近了计算能力与用户之间的距离，降低了时延，更重要的话它能够去赋能很多的时时分析，提升这个无线通信网络的感知能力，获取这些上下文的信息。由此它可能去创造出来更多的产业链和价值链，所以从这个层面上来说，移动边缘计算，实际上可以去赋能支撑我们5G的这种智慧化的运营和运维。

那么简单再说一说，MEC移动边缘计算，它可能会催生出来的一些生态。其实它对我们的5G网络的运营非常重要，因为它催生出来的新的生态的话，其实就是5G可能潜在的应用增长点。比方说第一的话，就是说我们最常见的，移动设备的一些APP下载，我们目前的话都是用手机上面的一些应用商店，那么它实际上已经在用到了一些这种无线边缘计算的一些理念。比方说我们有很热门的APP，它可能就会缓存在离我们最近的无线接入网侧，所以我们去下载它的话非常之快。

第二的话，它可以去赋能类似像车联网这样的一些信息应用，因为对于车联网而言，其实车辆上面会有很多的传感器的信息，这些信息其实需要汇聚到，原本需要汇聚到云端，去做一些相对比较复杂的，这种感知的一些协同的处理。目前的话，如果我们把云服务器，能够下沉到无线边缘侧，那么在边缘侧，它就能够快速地去做这样的处理，从而降低我们网联车控制，可能说一些信息交互方面的，一些传输的一些实验，并且能达到一个这种时时的状态感知这样的能力。

与此同时的话，它还可以去赋能比方说一些这种视频监控网络的一些需求。我们都知道视频监控，比如说对一些目标的追踪，涉及到非常复杂的一些机器视觉的算法，那么它可能会依赖于传统的这种云计算的一个非常复杂的这样的一个计算，那么它可能需要的算力是蛮高的。传统的方式传回云端，那么它的时时性就不会太好，因此的话，有了移动边缘计算之后，它实际上可以去赋能这样的一个有利于增长业务的这样一个新场景。

除此之外的话，这个移动边缘计算，还可以去赋能类似像这个无线个域网，或者说是一种健康的监测网络。对于这样一些隐私的数据，实际上我们还是希望把数据能够保存在本地，与此同时的话能够对我们人体的这样的一个内部的生理特征状况，能够做一个及时的分析，传输时延的话尽量小。所以这块的话是关于移动边缘计算，它实际上是5G时代通信和计算融合的这样的一个新的产物。

—结束—

5G网络智慧化运营（下）

高晖 北京邮电大学信息与通信工程学院副教授

我们继续介绍关于5G运营、运维的一些支撑的赋能技术，接下来的话会给大家介绍无线大数据，以及人工智能赋能的无线，这两个基本模块。我们首先提一提数据，大数据，可能大数据在最近几年，有很多很多的一些，这样的一些关键型的一些应用。我们其实刚刚去介绍5G的运营方面所面临的局限，也在于说感知能力不足。那么这种感知能力来源于哪，其实这个感知能力来源于不同的这种网源设备，就是从设备层面，它们在运行当中的一些状态数据，以及相应的这种用户，他的一些业务流量的一些数据。

那么有了这样的一些数据之后，实际上我们有可能去做，就是说基于一些大数据的一些分析方法，有可能去挖掘出来更多有益于运营方面的一些有益的信息。那么基本上而言，我们其实想介绍一下，我们为什么反复强调无线大数据。那么我们想说的话，就是无线大数据它产生实际上是有很长的，这样的一个实际应用的驱动力的。首先而言，我们可以了解到，4G网络它在运营、运维方面，其实有很多的局限，我们会发现它实际上就是说投入回报，至少在运营运维这一层面的话，可能还需要有很大的提升。

那么我们可以从这种成本和服务的驱动力上面，来谈一谈无线大数据的一个产生。那么基本上而言，对于这种无线通信系统，用户的要求是特别高的，用户其实都不愿意去提高这个资费。因为我们其实对于普通用户，就我了解，现在像5G，它的资费相对是比较高的，在相应的比较高的资费情况下面的话，用户去升级，把4G升级到5G的意愿，其实可能还不是特别强烈。

但是的话，我们又会发现在运营商，其实它有很大的一个矛盾，因为运营商其实投入了很多的资本，去来完成像5G的这样一个基础设施的建设。如果不能吸引更多的用户来利用5G的网络，那么它的投资回报，相对也会比较低。第二块的话，是说我们在用户为中心的这种服务模式，实际上已经开始在转化。在5G其实特别强调具体用户的一个服务的体验。我们会发现原来是以网络为中心，而现在的话其实更多的强调是以用户为中心。所以运营商他需要更好地去理解，用户的这种服务体验，以及他和网络关键这种绩效指标之间的关联关系。而这种关联关系用传统的，比如说数学建模，很基本的这种直接模型，可能很难去做一个完整的刻画，这个的时候的话，可能需要有一些新的工具和方法。

第三的话对于网络运营商而言，他需要留住用户。因为可能我也了解到行业里面的一些发展的背景，像一些这种底层乐观运营商的员工，每天很大部分的时间精力都在思考如何能够留住用户，如何能够吸引新的用户。那么对于运营商而言，他其实基于这种服务和应用程序，就是说管理他的流量，不足以保证这个利润率持续地提升。它需要在不增加不显著增加成本的条件下面，提高这个网络基础设施的一个利用效率，从而为用户提高更多的服务，这样子在能去降低用户的流失。

所以对于无线大数据而言，我们其实可以看见，就刚刚所提到了，现在的一些核心驱动力，用户体验，用户和网络的一些关键的绩效指标的关联关系，以及用户服务质量持续提升，保证他们不流失。那么这个里边其实有一些很多源的这样的一些关联关系，它可能

隐含在我们刚刚所提到的这种，用户的这种流量业务的一些特征行为，以及整个网络运行当中的一些设备的一些特征的这种数据的记录。它可能就需要有别的一些技术手段，来做一些更为深入的挖掘。

除了刚刚所有提到的一个成本和服务的驱动力之外，我们实际上也会强调说，这个无线大数据，它还来源于使用方面的驱动，使用方面的驱动是从这样的方面来做理解的。也就是说这种流量模式，用户设备和用户配制文件，其实它的差异性都非常非常大。就是无线通信它的负载、增长，有时候会快于它的容量提升。那么这个时候的话，这个网络的运营商就面临着这种高容量，成本收益相对可能说比较低的这样一个挑战，这是关于使用流量，它的一个使用方面的一个驱动力。

再往下的话，其实有一定的技术驱动力，这个技术驱动力来自于哪呢，就是说无线网络其实有很多的技术组件。运营商的话，它需要有比较强大的这种分析框架，来有效地去支持、支撑，比如说不同的组件之间，它们怎么样去做一个协调和配合，然后的话，它可能需要有一定的技术驱动，来满足或者说帮助运营商平衡这种集中或者分布式的这样一个处理功能。包括前面所提出的，比如说我们5G，虽然它已经有这样网络架构的一些基本的范式，但是如何去驱动这样的一个网络切片，如何动态地去调整这种网络切片，它也需要一些底层的东西去做一些支撑。

所以的话，在这样的一些驱动力作用之下，我们其实觉得无线大数据，它实际上已经占到了一个舞台的正中央，在聚光灯下的话，可能会发挥极为重要的作用。我们首先提一提无线大数据，那无线数据主要指哪些呢？这个无线数据其实就是说运营商它可以访问很多类型的数据。这些数据的话，大概如图所示，可以分为内部数据和外部数据。那么这个内部数据的话，包括结构化的一些数据。比方说网络相关的技术故障，链路可用性，网络延迟，回程状态，设备连接等等。

跟用户相关的，比方说用户的使用历史，移动模式，然后相关的账户等等。非结构化的数据的话，保康像呼叫中心的记录，文本信息等等这样的一些内部数据。这个外部数据的话，其实我们都知道运营商支撑了很多的一些业务。那么这些业务的话，也可以分为结构化的和非结构化的。结构化的像我们这个地图，地图的一些数据。包括这种测绘的数据，以及其它的，比如说政府开放的一些公共数据。包括非结构化的，包括像这种社交媒体的数据，我们微信的数据，QQ的数据等等。

那么这些数据，实际上运营商，或者说运营商相关的这样的一些服务商，他们都获取，他们都有很强的关联性，他们实际上都暗含着一些很多的用户行为，网络的状态，以及它们之间的关联关系。只是说以前这些数据都存在，但是缺乏一个大数据深入分析的这样一个理念，没有把他们的内部潜在的这种关联关系，深入地挖掘，并充分利用。

我们其实可以总结一下，这种无线大数据的几大特征，用英文而言的话，它大概有五个特征：Volume, Velocity, Variety, Veracity, Value，大概就是说它有很大的体量，它的变化的速度特别快，它的种类特别多，而且的话它能够很准确地去反映出来很多潜在的这种用户的行为，以及说这种网络的一些运行状态的一些特征。它具有很大的潜力，那么基本上我们可以理解成为这个大数据的话，是一个高维的一个特征，它包含了很多的维度。同时的话，它可以支持很多时时化的一些应用需求，那么对于信息和服务，当需要时时交付给移动用户的时候，我们如果能够充分挖掘这样无线大数据的一些内部信息，那么将会得到非常好的一些效果。

同时的话，因为我们其实强调了以用户为中心的这样的一个运营的理念，那么通过这样的一些大数据的分析和挖掘，它实际上可以从用户设备收集到的数据，或者网络中的数据，把特定用户的一系列特征，能够分析得到。这样子的话，其实有助于我们整个网络的运营，就是说面向以用户为中心。那么这样的话，就可以带来一些全新的设计的一些理念。

那么基于这一块的话，我们其实可以总结一下，无线大数据，其实它对于5G网络的运营，以及优化是有非常重要的意义的。

我们首先从这个运营的智能化方面来说，网络运营管理和设计，如果能够应用大数据优化，那么它将可以基于5G网络，比方说以用户为中心的上下文的感知，以先应式或者前设式的这样的一个网络设计，来支撑很多不同的一些应用。比如说我们可以面向服务来做一些这种流量的聚集、分类、预测，网络参数关系的发现决策，以及这种异常诊断等等。那么对于这个网络管理优化和部署，它也是非常重要的，我们后面会给大家一些例子。

与此同时的话，对于这个网络智能化方面而言，那么网络体系架构设计，在（辅翼）这个无线大数据，那么其实它可以基于这个5G的网络，实现通信、缓存和计算能力的汇聚，从而的话有助于去提升比方说空口，这种关键技术，还有RAN，以及多种RAN接入平台，它的一个共存和效能提升，能够有一个很大的帮助。

除此之外的话，它还可以去辅助，比如说软件定义网络，这种无线资源的一个功能切片，就是说整个网络资源的功能切片，来提升这个网络运维的这样的一个智能性，所以这块是关于无线大数据，给大家做这么一个简要的分析。接下来的话，我们其实想给大家去介绍一下，那么基于大数据，我们其实可以利用一些人工智能的新的一些范式，来配合上大数据，就是说可能深入去挖掘，我们这个（12：32）无线网络的一个巨大的潜力。

我们其实简要介绍一下我们为什么要做人工智能加无线，我们实际上已经发现对于整个现有的无线通信系统，做运营方面的优化。我们会发现常规的工具具有局限性，其原因在于这个无线异构网络，其实特别密集。经典的一些数学工具方法，或者信息论的方法，已经没有办法去提供非常精准的数学建模，或者说数学的一个分析。而数据的积累，以及这种大数据的分析方式，还有机器学习的兴起，它实际上已经界定出来了数据驱动的这种

学习为主的网络优化的可能的一个新的范式。

我们其实可以看到，有了这种大数据和人工智能之后，我们原来传统的4G网络所面临的很多挑战，在这样的一个新的数据驱动的智能化的框架下面，它可能会变成一些丰富的资源。比方说我们4G网络其实特别强调，4G面向5G，它的运营模式如果不变的话，很重要的一点，对于这种海量的参数，可能没办法去做解决。但是人工智能的出现，它其实有望自己去组织，或者说去挖掘，这些海量参数之间的关联关系。

第二的话，我们其实强调，5G比4G会有更多的服务种类和类型，那么人工智能有一大能力，就是可以做一个很精准的模式识别，它能够自动识别服务类型，并能够去协调这种网络的一个管理。

第三的话，其实我们提到了，我们传统的这种运营方式当中，存在敏捷性不足，然后的话，可能鲁棒性较低的这样的一些局限。那么有了人工智能之后，其实自主决策能力，就是人工智能的一大热点，它实际上有望去提升我们未来网络的这种敏捷性以及鲁棒性。所以我们在右边这张图上，实际上可以看到，原有的像海量参数，不同的服务类型，以及比较弱的这种敏捷性和鲁棒性，在基于人工智能的解决之后，它都能得到一个有效的提升。

那么这里的话，非常快地给大家介绍一下人工智能，非常快地介绍一下。这个人工智能其实包含了很多，它有很多的层面，其实它的一些子学科，包括像机器学习、优化理论、博弈论、控制，元启发等等。那么我们其实想强调的话是机器学习，它可能属于人工智能里边最为相关的一个词领域，跟我们这个所考虑的这样一个5G网络运营优化的一个场景相关的一个子领域。

这个机器学习方法，它其实大概会基于人工神经网络，你看基本的方式就是输入和输

出之间，传统方式没有办法直接给一个映射关系，那么我可以通过比方说像有监督学习这种方式，比如说我输入和输出，输入和正确的输出，我们可能可以把它们配对，构成一个训练集，构成一个训练集合之后，我们拿输入输出关系，对这个人工神经网络展开训练，实质的意思就是说对于人工神经网络有很多待定的参数，那么这些待定的参数，我们可以通过这种输入、输出，已知的输入、输出队展开训练，从而的话去确定它们之间的一些基本参数。

那么完成了训练之后，对于新的一些输入，比方说我们当下可能经历的一些新的场景，我们为了解决这些场景下面的问题，我们把相应的输入，就是说放到训练好的神经网络里边，这个神经网络的话，有望很短的时间之内，就给我们一个很好的效果。比方说我们以网络的故障界定为例，我们其实会有很多的输入特征，比如说各种各样的设备，然后用户的业务流量出现了某些异常，我们能够把这种数据，直接输入到一个已经训练好的，这种特征诊断的神经网络当中，那么它可能很快就能告诉我们这个潜在的问题源在哪。

当然它还可以有能力去集成一些专家的经验，这块的话是关于有监督，有监督学习的话，大概就是说在神经网络的输入、输出队之间，我们实际上是能够告诉他，什么是正确的输入与之相呼应的正确的输出。无监督学习的话，实际上就强调的是不具备鲜艳信息的标签，这种无监督学习的话，通常是自己去发掘这些数据内在的，内升的一些特征。

比方说我们希望对某些用户做分组分类，而我们又不知道有很好的一些规则，那我们可以用一些这种无监督学习的方式，它能对很多很杂的特征做某种形式的分类，这样的话有助于我们可能做进一步的理解。

还有一种就是说学习方式叫做增强学习，那么这种增强学习的话，实际上特别强调智能体与环境之间的一个动态交互。那么当智能体感知到环境的信息之后，它能够依据自己

的动作，来做出调整，并且的话反馈到环境当中。那么环境会给它一个正向的反馈和一个负向的反馈。那么它自己会通过这样的一个奖励和惩罚，不断地迭代循环，然后找到一个最佳的适配外部环境的这样一个动作。

那么这种学习方式的话，跟人的学习方式非常像，像小孩爬楼梯，他不知道深浅，他有可能会摔下去，但没关系，他自己可以去试一试，真的摔下去了，他可能疼，他可能改进他的一个爬楼梯的策略。如果没摔下去的话，他可能下次就一次就跳两个台阶，大概是这么一个逻辑。

对于刚刚所提到的这些典型的机器学习的一些算法，其实我们再次强调，我们在无线网络，5G时代，强调它的一个运营效率提升，运营的这种效能提升，那么它实际上涉及到很多很多复杂的，高维空间的优化问题。有时候这些高维空间的优化问题，很难通过人工经验直接给出完整的数学建模。或者能给出，但是它的求解异常之困难。

那么这个时候的话，我们可能会去回顾一些数据驱动的，扶翼这种机器学习的这样一种解决方法。因为我们已经基于了大量的这种数据采集，有了很多的数据基础，通过机器学习，能够去挖掘出来潜在的一些输入输出的，或者说一些网络参数与性能之间的一些关联关系。通过机器学习的方法，能够加速我们对网络运营运维的一个优化。

除此之外的话，其实我们还会特别强调这个切片，因为这个切片虽然5G赋能了这样的一个能力，但是你要实现一个自适应的动态的按需的切片，它还需要大量的智能化的手段在做支撑。这边的话我们其实给了一张图，大概要义就是说，我们实际上可以基于5G的一些网络的基本架构，然后辅助于一些先进的这种机器学习赋能的网络切片设计，从而提升整个网络对于垂直行业，或者特定用户的一个需求。

那么除此之外，其实对于整个无线5G网络的架构，实际上就是基于SDN，SDN特别强调的话，是有一个集中的视野，能够对资源做一个集中的调度和管控。那么这种集中调度和管控，本质上它就需要去做一个非常高维的这种动态的优化，这种动态优化的话，传统的专家经验，或者传统的算法，可能执行的有效性可能还不足，所以这个时候的话，可以去利用大数据和机器学习。

总结一下，5G其实融入人工智能，或者说通过人工智能去赋能5G，其实它可以在很多层面。从无线接入网这一侧的控制，到核心网的控制，那么它实际上都可以用数据来做一个驱动。在这张图上面，我们其实看到最中心是一个learning的模块，学习的模块。这个学习的模块，它实际上会有感知、挖掘、预测，以及的话一些推理，它实际上是一个不停的循环。它不停的循环之后，其实它可能会基于一个人工智能的中心，能够把相应的这种学习的结果，反馈到这个全局的一个控制中心。而这个控制中心有的人工智能模块赋能，它实际上就变成一个智能化的中心，有了这样一个智能化的调度中心，其实就有望去提升整个5G网络，运营和运维的一个整体的效率。

好的，以上是关于5G智慧化运营以及运维的一些赋能支撑技术，我大概从网络架构以及计算通信融合的一些新技术，给大家做了一个概述。

我们接下来给大家介绍，5G智慧化运营的一些案例分析。这块我可能会介绍一些，我们可能接触过的一些案例，以及可能一些业界的一些最新进展。这边的话，想给大家从，可能如下几个方面，包括精准的流量预测，自适应业务场景识别，然后人工智能赋能的大规模天线阵参数调整，人工智能赋能的移动毫米波波束管理，以及一些行业相关的动向方面，给大家做一些这种案例的分享。

那么其实对于运营、运维而言，这种精准的流量预测，价值是非常巨大的。因为有了

精准的流量预测，我们运营商的话，可以更好地去预留相应的资源，更好地去做相应的这种流量卸载，或者说资源卸载，甚至去关断相应的基站，以实现这种能量的节约。所以这个精准的能量预测，以及它的流量增长潜力评估，是非常重要的。

我们这里简单介绍一下背景，我们可以先说一下流量，这里的话，关于性能的提升，基本上而言，我们其实希望5G能够极大地提升传输的吞吐量，同时的话极大地去节省无关的这种能量开销，那么对于网络的运营诉求而言，我们其实希望对资源有所预留，对负载实现感知，然后对网络的开关，就是说关断，有一个主动的控制。

在目前就是运营商，有很多家运营商，都在做一个非常激烈的竞争，为了保证这种盈利，运营商其实有必要去改进和革新，它的一个运营的这样一个新的一个框架。在此基础之上，其实对于网络架构而言，目前其实更多的会去使用上面所提到的这种SND的架构，通过一些集中式的部署，集中式的管控，它能够去实现运营商所期望的，速率提升，利润提升，功耗能量下降。

中间有一个很重要的环节，就是精准的一个流量预测，那么这种精准的流量预测，其实我们可以去回顾一下传统的一些方式和方法。那么这种传统的方式方法的话，在统计学习和贝叶斯理论里面，其实有很多的这样的一个案例。那么它大概会用一些非参数的学习模型，通过自适应的方式，获取积极学习模型的一些超参数，它从而可以去避免人工调参，并且的话对于这种复杂业务模型的一个叠加，它实际上可以去挖掘出来不同的业务模式，从而提升它的流量预测的精准程度。

那么这里的话，其实我们想强调，实际上我们之前可能有过一些相关的经验，我们实际上去提出了一种基于高斯过程，它是一种统计学习的一个框架，它基于这种高斯的这样的一个贝叶斯的一个理论框架，能够去挖掘出来这种混合的这种多种业务叠加在一起的流

量趋势，并且的话，它能够挖掘出来它的一些趋势特征，能够实现一个比较精准的流量预测。

在这页图里边的话，大概给大家展示了一下，就是说我们在这边会有一些非常抖动的曲线，这些曲线的话，可能背后是多种业务，这种流量的一个叠加。通过我们的这种高斯过程的网络预测模型，它能够实现一个非常精准的，这样的一个流量增长的一个预测。

那么第二块的啊，其实我们想提一提，自适应的业务场景识别，我们为什么需要去对业务场景去做一个识别。其实对于运营商在做网络的一个规划，就是说部署之前，如果能够知道，就是说可能所部署的这个区域之内，它所属的一个典型的业务场景是什么，那么它有助于把有共性业务场景的这样的一些小区，能够把它们聚合在一起，从而的话去设计相应的这种优化方案的时候，可以以类别来去做一个设计，这样的话可以去提升我对所有的这些小区，去做运维优化的时候一个效率。

大概的话，我们在这里会去用到一个非监督学习的一个方法，这个方法的话其实非常经典，它是一种非常经典的叫做K-means，K平均的这样的一个聚类方法。那么基于很多的一些业务数据，比方说这些业务数据包括有用户数，资源利用率等等，我们在这些高维的这样一个数据，我们实际上缺乏标签，也缺乏专家的这种标注。我们实际上可以把这些数据都汇聚起来，然后通过刚刚所提到的一个K-means方式，让它自动产生聚类，用机器的方式去理解这些数据不同的。

所以我们在这边，PPT上其实给了一张图，你们可以看到我们其实收集了很多的小区，它的一个大概的业务数据，我们实际上通过K-means做聚类之后会发现，有很多小区它的一个业务场景和模式，是具有高度相似的一个特征。那么通过这样的一个机器学习和数据的一个分析，我们其实可以把这些具备相同的业务特征的小区，当作同一类小区，来统

一地去设计它的运营优化的一些方案和方法。

那么第三块的话，其实给大家去介绍一下这个大规模天线参数调优，因为这个大规模天线，实际上它是5G，或者说4G以来，就是无线空口的一个非常重要的一个关键技术。那么它的参数调优的话，实际上直接决定了我们整个网络的一个性能。记得应该在去年，大概这个时候，我们其实看过一些中国移动，它们对于这个3D—MIMO，实际上也是大规模天线参数调优的这样一个新闻报道。当时报道的话，就是说这个天线阵，它可能会有不同的（清剿），这个不同的清剿的话可能会引起，就是说可能在垂直维度上面，比方说我这个基站就架设在高楼下面，我要把这个波束打到一个高楼上面去覆盖它，那么这个天线的清剿，就会影响这个高楼上的用户的一个服务质量。

当时中国移动，它们实际上是有两拨，至少两拨工程师，一拨的话可能在高楼有相应的测试机器，能够去时时监测这个网络的一个质量。另外一拨的话，可能在相应的机房，通过测试的一些反馈，通过人工指令的方式，去调整这个天线参数的一个配制。那么我们会看到，其实在5G建网初期，对于这个天线调参，是一个非常重要的一个事情。同时我们也看到，刚刚的例子当中的话，这个天线调参，其实还是设计了很大量的一个人工。

那么对于5G而言，就是说大规模天线阵无处不在，而用户的话因为他的位置分布，业务流量的分布也会时时变化，那么如何能够自动自适应地去适配，就是说天线参数和用户的一个位置，以及业务流量变化，那么这块的话实际上是人工智能或者机器学习方法，能够去帮忙处理的。

那么我们先简单回顾一下，就是说传统的这样一个问题，传统方式的问题。它通常需要手动去调参，手动去调参的话代价很高。第二的话，传统的方法，其实会涉及比较复杂的优化问题，这个优化问题其实很难求解。第三，传统的方法，通常考虑的是单小区，这

个小区调参完之后，他不太考虑邻小区的一个影响，对于5G这种密集、异构的网络场景，其实它需要多个小区联动来做这个调参。

在这样一些挑战下面的话，可能传统的方法，就没有办法做一个时时的这样一个更新。所以的话，我们可能分析过一些案例，大家现在业界有很多成熟的一些设计的演示的demo，它能够通过这种深度增强学习的方式，通过离线的数据训练，再加上一个online，在线的一个可能很快速的一个尝试调整，能够很快地得到面向多个小区，整体性能优化的这样一个天线参数的一个配制。

所以大概而言的话，在这个领域，通过机器学习去赋能的话，它能够极大地提升，这个5G网络运营运维的一个效率。再一个的话，是关于5G当中其实大量地采用了高频段，也就是说毫米波。这个毫米波通信，其实前序也跟大家去做分享，它实际上会基于非常窄的波束，收发端都会基于非常窄的波束，来建立一个非常高速率的这样一个链接。

那么对于移动通信场景而言，这种波束的管理，在移动场景下面的话特别的复杂。我们其实可以看到，现有的通信体制，3GPP当中的话，其实对于5G毫米波的波束管理，它实际上会包含了四个部分。第一个部分的话，包括波束扫描，后面的话是波束测量，波束判决，波束反馈，那么它实际上会去做一个周期性的更新，就是不停地去做一个搜索，能够不断地在变化的环境下面，去找到最佳的这种波束。

我们实际上也看过相关的报道，对于这种毫米波的波束管理，在实际的系统场景下面的话开销巨大，而且很有可能因为一些阻挡，或者说移动性过高，而造成链路的中断，又需要重新去起始这样的一个波束管理的过程，来搭建或者说维系这样一个非常高速率的毫米波窄波束通信链。那么针对这样的一个效果，其实的话可以通过一些人工智能和机器学习辅助的方式来展开加速。这个具体而言的话，也就是说我们如果可以去预盼、预测用户

的移动轨迹。

那么基于这种预测、预判，它实际上是基于一些历史数据的分析挖掘，然后利用人工学习，或者机器学习的一些时间序列预测的方法，它能够获得用户相应的数据。同时的话，如果能够把一些环境感知的信息，和这种用户移动的一些预测融合，那么这种融合其实也是基于一些相对比较成熟的机器学习方法，有了这样一个环境感知和用户移动性预测，那么其实对于这种波束的追踪而言，它的整个协议站和流程就可以极大地简化，极大的简化之后，一方面可以降低这个链路建立，中断恢复的实验，同时也可以更好地去提供这样的一个5G的这种毫米波窄波束的一个高速率覆盖。

以上的话是四点，我其实主要从流量预测、场景识别、大规模天线调参，以及移动毫米波管理，这几个典型的方面，给大家举例去分析了一下，就是5G的这个智慧化运营运维，它的一些典型的案例。那么当然就是说我们去谈及这个运营、运维，其实它的内涵比我刚刚举的例子要广得多。那么其实针对一些这种商用化的解决方案，我其实最后想给大家去简单介绍一下，我们现有的一些设备商，它们提供的一些基本方案。

首先想介绍一下华为，华为提了一个SoftCOM的智能通信解决方案，这块的话，其实我们可以看到，它实际上会有面向电信网络的一个，这样的一个整体的架构。它其实会有数据湖，我们其实依赖于大数据，然后训练平台，然后应用模型市场来构建，最后的话会通过一个推理框架，来映射到电信网络的一个具体管控。

在右边这张图的话，我们其实不难看到，就是说我们AI，或者说人工智能这块，它其实需要有大量的数据，所以这里要有数据湖。然后它需要有一些有监督，半监督，或者说无监督等等，这样的一个训练平台，它能够去训练输出，各种不同的叫做模型，机器学习的模型，它能给出来相应的应用模型市场。那么这种应用模型市场里边的话，其实都包括

了比如说这种模型系列化，商业流程等等一系列的一些，一个机器学习的一个输出物。

那么基于这样的一些输出物，在辅翼推理平台，这个推理平台的话，其实大家可以看到，里边有相应的AI模型管理，推理平台运行状态管理等等。那么基于这种推理平台的话，能够直接作用到我们的电信网络，来做一个相应的优化。那么其实跟华为，可能有一些相同的一些设计理念，中兴其实也有AIOps，智能运营解决方案。那么它大概的话，也包含三大个模块，第一个是智能的NOC，第二块的话是智能化的接入网维护，第三块是智能化的SOC。具体的一些内涵定义的话，我们其实可以从上面去看到，这个智能化的NOC的话，它实际上可以对网络的这种警告根因分析，KPI，KQI的智能异常检测，就是说它的一个性能与警告做关联，它从网络侧这边可以去做。

那么这个SOC这一侧的话，其实它可以对用户做一个画像，对用户的一些业务行为，做某种形式的刻画，大概它也有这样的一个逻辑。那么还有其它的一些公司，比方说像爱立信，它推出了这种AI的托管服务平台，那么它其实可以对于这种流量做一个精准的预测，从而可以去休眠70%的小区。那么基于这样的休眠的话，它其实可以去极大地提升，整个网络的能量效率。除此之外的话，它还可以自动化地进行威胁检测和管理，并且的话它还建立了一个这种自然语言处理的这样的AI驱动平台。基于自然语言处理的话，其实对于这个网络的运营管控，就会提升很大的一个效率，因为你可以按人的这种，或者说比较贴近自然语言的方式去做一个管控。

那么我们其实运营商包括像中国电信，也有“e-MANO+AI”的方式，那么它实际上是主要面向SDN/NFV，就是说这个网络资源编排管理的这样一个解决方案。那么有了这个AI赋能之后，它实际上可以去优化SDN当中的一个这种业务编排，还有端到端的资源编排，从而可以去做到这种具备前设性的一个资源管控，更好地去合理地利用这个业务资源。

最后的话给大家介绍一下，就是我们中国移动，之前可能提过9天的人工智能平台，这个9天人工智能平台的话，它实际上自上而下有三层构成，最顶层肯定是一些应用产品，中间层的话是核心能力层，它可能会包含了，包括像语音语言、图像视频，还有大规模结构化数据，这样的一些基本的能力。在最底层的话，它实际上是以深度学习为主的这种开放性的平台。

那么基于这样的一个平台架构，我们其实可以看到，基于这种AI的能力，辅翼这些核心的，比方说像语言视频，以及结构化数据的这样一个支撑，它可以去满足，就是说可能去赋能更多的一些应用产品。这块的话是关于5G智慧化运营以及运维案例的一些分析，我大概结合了自己的一些经验，然后做了一点自己的一些小的案例分析。同时的话，也对行业之内，运营商以及一些设备商，他们相关的一些平台，做了一些介绍。

最后总结一下，5G时代的话，其实是一个多元的这种学科融合，然后改进创新它能力的这样一个时代。我们其实在这个时代可以看到了，5G的网络架构，其实融合了很多互联网的一些设计思想和理念。然后无线通信网的一个革新，其实融合了很多这种计算方面的，这种数据方面的一些理念。

那么相信基于5G的这样一个前沿性，或者前端的这样一个网络架构，在辅翼类似像大数据，机器学习，边缘计算这样的一些关键能力支撑的话，5G的网络运营和运维，定将会走向一个更为智能的一个新的时代。好的，非常感谢大家！