智东西内参| 白皮书( 二 )


3、 AI 优化类场景光性能智能调测调优场景。 一二干融合、 省本一体化、 区域干线驱动网络组网规模扩大, ASON 智能路由调整加大网络变数, 光模拟网络面临手工调测效率低、 出错概率高、 效果不可控。 引入 AI 智能优化调测步骤, 结合自动性能检测,实时监控关联路径的性能, 保障网络处于稳定、 较优状态。
光网络资源智能优化场景。 为适应动态的业务变化、 保障网络性能指标时刻处于最优并发掘网络利用潜能, 需要对波长、 链路和路由实施动态优化。 以往各类传输优化工具或软件主要借助固化的方法和简单的规则, 甚至依赖工程师的经验来完成优化, 并未识别到本质特征、 考虑维度简单、 相关性分析不足、 局部而非全局, 所以优化的结果往往不是普遍有效。 如今随着网络规模和业务规模的不断扩大, 传统优化方式难堪重任, 需要引入人工智能来完成整个传输网生命周期内的精细化、 动态化、 智能化的优化。
切片智能优化调度场景。 8K 视频业务, VR/云游戏等高清视频类业务强交互、 高并发, 与传统上网、 语音等弱交互、 统计复用业务相比, 对网络带宽、 时延、 丢包率等要求迥异, 需要为此类新兴业务预留独立的资源以保障业务体验,依赖人工根据业务变化动态调整资源分配基本不可行, 引入 AI 智能的切片调度, 保障不同业务的差异化体验需求。
二、 光网络 AI 关键实现技术面向光网络哑资源数智化管理、 网络数智化分析需求, 通过引入AI和数字化技术, 提出光网络AI应用解决方案, 推进网络运维数智化转型, 实现运维提质增效, 牵引网络技术变革。
光网络AI应用解决方案架构可以为运营商提供哑资源管理、 智能规划、 智能运营、 智能维护和智能优化等AI应用, 实现全生命周期自动化、 智能化运维, 支撑政企和家宽业务高品质发展。 整体架构图如下图所示。
智东西内参| 白皮书
文章插图
光网络 AI 应用解决方案架构图
1、 融合感知技术光网络感知技术。面对高复杂度的多参量光网络系统, 为了能够全面、 精准、 实时感知光网络状态, 网元系统和管控系统需要从维度、 精度、 频度等多个角度进行光 Sensor 数据的分层采集和汇聚, 并通过 AI 算法对原始光Sensor 数据进行数据挖掘, 支撑光网络的各类业务场景。
网元设备, 分层采集:光 Sensor 技术是以光技术手段感知、 检测多种物理量, 并将模拟物理量数字化的一种技术。 网元系统将光 Sensor 技术采集的数据进行 4 层划分, 分层采集: 光业务层、 光部件层、 光信道层、 光链路层。
光业务层数据主要是客户关注的业务属性指标, 比如带宽、 时延、 误码、 保护倒换时长等指标; 光部件层数据主要是采集光部件的物理指标, 包括功率、 温度、 电压、 频偏等; 光信道层数据关注点在于信道的属性特征, 类似信道编号、 光信噪比、 单波功率等; 光链路层数据集中在链路侧的特征, 包含光纤损耗、 光纤类型、 光纤事件等。
管控系统:1) 数据汇聚: 考虑到数据存储结构和内容的差异性, 管控系统需要将采集的数据进行分类汇聚, 可分为资源数据底座和性能数据底座。 资源数据底座汇聚的数据主要是静态的存量数据, 比如业务存量数据、网络拓扑存量等。 性能数据底座汇聚的数据主要的非静态的性能数据, 比如性能、 告警、 日志等随着网络运行动态变化的数据。
2) 数据挖掘: 汇聚的资源和性能原始数据表达的信息量始终是有限的, 因此分析系统需要基于 AI 算法技术对光 Sensor 数据进行数据挖掘获得额外的信息量, 用于支撑感知、 诊断、 预测、 控制等多类业务场景。