智东西内参| 白皮书( 四 ) model|增资|英寸晶圆厂|海集团

文章插图
光虹膜技术原理示意图
业务质量感知关键技术。业务质量感知包括业务和网络两个方面，实现对二层，三层以及传输层时延、丢包和抖动的监测；通过 Telemetry 等技术实现运行数据实时订阅上报。
业界当前的业务质量检测/探测主要是带外探测技术，业务检测/探测报文由相关功能模块单独发送和接收，和用户实际业务流共用转发路径，与业务报文分离不严格对应，因此探测结果与实际业务体验有偏差。针对这个缺点，业界定义实现了 IOAM 等带内探测技术。例如在原始数据报文中增加 OAM 检测头，在业务转发路径中根据检测头进行数据采集，再通过集中处理单元计算检测结果。另外，还可以通过测量业务报文的 TCP/UDP 传输特征，来提取和计算报文及业务 KPI。该方案的优势在于可以单节点部署，可随流检测连接质量。
基于以上技术采集到的数据，大致分为体验 KQI（卡顿率、加载时间等）和应用 KPI（时延、抖动等）两层；体验 KQI 可以参考行标 YDT 2691 的定义， KQI 指标一般需要在内容侧和终端侧直接度量，部分应用的 KQI 也可以采用 DPI 方式进行测量，但该方式依赖对应用层内容的解析，定制化较强，不具备通用性。由于体验 KQI 和应用 KPI 通常存在定性关系，应用 KPI 可在传输层进行指标建模，不依赖于具体应用，具有更好的通用性。
2、云地协同全栈 AI 技术光网络 AI 技术研究面对模型泛化能力差、模型部署要求算力高、本地样本少/标注难、大数据管理困难等问题，需要探索一种新的 AI 技术架构应对这些问题，加速 AI 应用的规模部署。新的 AI 技术架构需要满足具有以下特点：
1）针对模型泛化能力差问题： AI 模型应具有在线学习能力，能够不断学习网络新特征、新变化。
2）针对模型部署算力要求高问题： AI 模型训练应可集中部署在算力中心或者支持分布式训练部署。
3）针对样本少/标注难问题：需要发挥群体智能，多数据持有者之间相互贡献数据，为 AI 模型在线学习提供坚实数据基础。
4）针对大数据管理困难：网络数据种类多、产生数据快，大量网元产生的 KPI、日志、告警等海量数据，需要建立专业体系化的数据治理工程。
针对光网络多边缘设备+中心控制的组网特点，云地协同 AI 技术架构是解决上述挑战的最佳解决方案。
云地协同是指云端和地端协作完成数据样本上云、模型状态管理、模型重训练、模型/知识下发、择优更新等一系列的闭环任务，同时把云端汇集的全局网络知识经验、全量数据训练得到的高精度模型，持续注入地端，让光网络 AI 能够进行智能迭代升级，变得越来越聪明，如下图所示。
AI 服务包含数据治理服务、模型训练服务、专家经验辅助服务，涉及运营商大量运营数据、用户数据、网络数据，对数据安全要求很高，云端适合部署在 IT 云。实时海量数据并发上报、处理加剧整网压力，在地端（包含管控系统、网元设备）部署分布式 AI，就近处理本地实时海量数据。

文章插图
云地协同全栈 AI 示意图
3、智能分析预测技术网络出现问题后生成告警，触发故障定位和修复是当前网络运维的普遍方式，海量告警上报导致故障根因定位困难、静默故障无告警上报导致无法定位故障根因，是根因告警分析的两大难题。为了进一步提升网络可靠性和运营效率，对网络故障、业务资源需求等进行提前预测，也是当前研究的热点问题。
智能关联分析是光网络根因告警分析和静默故障定位的关键能力。由于网络数据量大、维度多和故障模式多样化，且关联影响发散，需要精准的筛查和多维度关联分析能力，需要通过智能分析技术，构建关联模型和进行相关训练，实现根因告警识别和静默故障定位。智能资源预测和故障风险预测可提前发现资源瓶颈和故障风险，提升业务 TTM 和业务可靠性。