论文部分内容阅读
随着SDN、AI等新型技术的引入，这几年智能光网络被赋予全新的定义，我们也多次谈到这方面的话题。从2019年逐步进入5G时代开始，网络架构更加复杂，功能、性能不断增加，与此同时海量的数据流量和全新的业务模式出现，对光网络承载能力的要求越来越高。我们需要通过人工智能的手段，实现光网络的智能管理、极致体验、灵活开放，以达到提升用户体验，降低运营成本的目标。在前不久“中国光通信高质量发展论坛中”的“当AI遇到光：智能光网络研讨会”上，业内专家均认为，在光网络中引入AI是光网络发展的最重要的一个方向，也代表着智能光网络的未来。AI智能化和自动化拥有巨大潜力，不仅让光网络反应更快，完成复杂的任务还能降低运营成本。但AI的实施与其说是技术上的挑战，不如说是对人的挑战，需要转变思维和技能，可视性和控制性是让人觉得更舒服的关键，也是让机器做出正确决定的关键。所以，目前AI赋能光网络方面仍存在不小的挑战，这里面需要梳理的话题也比较多。
支撑产业发展的“经脉”
如今，人工智能的应用已无处不在，智能语音助手、人脸识别、智能家居、智能安防等都开始应用于我们生活的方方面面，而这些只是人工智能最贴近我们的那一部分。而这些应用的背后离不开通信网络的支撑。那么，人工智能与光网络的“邂逅”，会是怎样的一幅景象。
专家表示，“智能”是光网络发展的“外在需求”和“内在要求”。目前，人工智能技术在光网络物理层和网络层获得了初步应用尝试;与此同时，光网络的智能化面临诸多挑战，有待在算法和应用方面继续探索！实际上，在光网络中引入AI是光网络发展的最重要的一个方向，也代表着智能光网络的未来。目前AI赋能光网络方面仍存在不小的挑战，其中多场景赋能价值导向是一个核心问题。丰富AI赋能场景，挖掘商业价值，如何转化为增值服务都是需要直面AI难题的挑战，而加速新技术应用也势在必行。很多专家提出，不断突破算法黑盒，增强可解释性探索知识图谱、深度学习等AI技术落地应用，尤其是增强泛化迁移能力，提升光网络的普适性，非常紧迫。业内观点认为，突破模型通用、知识泛化技术的同时提升数据价值挖掘和安全保障是目前人工智能与光网络结合的一个交汇点。
过去很多人强调，在网络自动化架构中，大规模智能与实时可见性和网络资源的控制结合起来才能称之为洞察驱动的网络自动化。这并不是一个完全自治的网络，而是一系列机器辅助的操作，把日常的操作变成自动的工作流，除了特殊情况发生不需要人工干预。何况，在人工智能时代，价值慢慢从硬件向软件转移。传统的规划软件和网络是相分离，与业务之间也有一定鸿沟，需要定制开放和接口进行交互。而目前底层的基础网络都是开放、敏捷地多厂商网络环境，具备开放的管理控制接口，在此之上是一个轻量级具有交钥匙功能的应用程序，实现网络的自动化和优化，而这正是光网络产业发展的“基本目的”之一。
毫无疑问，数字经济已经成为我国社会发展的重要引擎。电信行业作为新基建中新型信息基础设施能力，无疑是社会和经济数字化转型的基础支撑力量。因此，电信行业自身就必须率先完成数字化，而运营系统是内部数字化的核心内容。具体到光网络，统一接口和北向能力开放是引入AI的重要架构基础。同时重视数据获取，对网络管理数据实现“应采尽采”，打造“数据湖”。过去很多人都肯定了AI技术在传送网有丰富应用场景，并且可助力传送网实现智能化转型，但是AI技术在传送网的实现尚存在数据和模型瓶颈，亟待解决。换句话说，AI技术在传送网的部分应用已实现实验室和试点验证，效果仍在不断完善中;AI技术在传送网的全面落地是一个长期的过程，应分阶段推进。
人工智能在底层的意义
有专家指出，在传送网设备层引入AI主要倾向于实现设备隐患预测、设备资源预测及设备资源优化。以SPN设备系统架构为例，设备功能模块较多，各功能的实现依赖单板、光模块、芯片、内存等物理单元协同，物理单元的使用情况和状态影响各功能的正常实现。底层设备层AI应用场景之一是设备隐患预测。如何在设备的各个模块老化初期迅速更换是很重要的应用，例如光模块性能劣化，出现少量丢包或误码，但尚未达到触发告警的阈值，此时通过AI技术充分分析现网设备的运行状态数据，能够及时挖掘设备内部隐患，避免设备真正出现故障。
底层设备层AI应用场景之二是设备资源预测和故障定位。依靠人工来核查各设备容量、内存使用情况、端口使用率等资源工作量大、周期长，故障发生前无提示，无法提前干预处理。利用AI可以基于历史数据进行智能在线训练，形成各资源较科学的阈值，输出设备内部的各类资源预测曲线和预警。
设备层AI应用场景之三是设备动态节能。现网设备量大，但某台设备并不是所有模块都需要处于工作状态，在网络运维管理阶段可以通过AI实现动态节能。所以，AI技术在光网络传送的全面落地不是一蹴而就的，应分阶段推进。当前AI演进存在以下几个关键问题：国内外标准已经规范AI架构、流程、分级评判等技术内容，但仍缺乏AI传送网的国内外标准，后续可在复用已有标准的基础上，制定AI传送网的国内外标准;AI模型的训练需要基于海量的历史数据，但部分场景的历史数据量有限或是数据获取渠道有限，基于少量数据搭建的AI模型准确度较低;不同厂商的数据格式不一样，导致较难搭建跨厂商AI平台;AI应用于现网影响重大，实际应用前应经过长期的验证，可考虑模型简单、规则较为确定的场景优先应用，分阶段推进AI在传送网的部署应用。
产业链落地的诸多表现
毫无疑问，智能光网络的落地离不开产业链企业的支撑。之前华为有专家表示，当前通信行业正面临新的商業机遇，人工智能的广泛应用，也必将给通信行业带来革新性的改变和新机遇。我们知道，早在2019年华为就发布了自动驾驶网络（ADN）方案，面向光网络、移动网、数据中心网络等。其中，基于此前的ADN方案，华为面向光宽带领域打造了全光自动驾驶网络解决方案，通过网元、网络、云端三层引入AI，把智慧带入全光基础网，使能全光网的超自动化及智能化，终极目标是实现对全光网络的自治，让网络能够真正实现自动驾驶。基于最新全光自动驾驶网络解决方案2.0的三层能力，运营商和企业可以获得三大价值：使能光专线的可用率变现升级，使能家宽场景化业务商业变现升级，实现面向全光网络基础设施的全新“Zero Touch”运维能力（零接触的网络智能运维）。或者说，基于AI的智能光网络的发展最终目标是实现自动驾驶光网络（ADON，如果智能汽车的发展需要分级一样，我们知道ADON的发展也会进入分级，L1手工网络需要工具辅助;L2半自动需要固定规则自动化;L3预测分析基于预测的自动化;L4系统自决策需要意图驱动的自动化;L5光网络自治完全自动化。另外，5G时代引发了大量垂直行业新业务的差异化需求，使得网络运维日趋复杂，智能化是解决这些问题的关键。有观点认为，网络智能化的形成除了AI还需要知识，两者相辅相成。AI帮助发现隐藏在孤立信息中的内在关系链，加速知识获取与体系的建立，而知识则能在海量原始数据中帮助剔除AI学习过程中无效的信息，提高AI学习训练的速度。“光网络运营管控技术的演进路径从封闭到开放，从构建新一代到实现数字化，我们距离智能光网络越来越近。”有专家指出，想要实现从数字化到智能化仍有一定的差距，而数据采集就是其中的关键，也是一步之遥的距离。传统方式采用"拉”模式，数据采集方式效率比较低，一般为分钟级、小时级，数据量小，无法满足需求。而虽然人工智能技术在很多领域都已经有广泛应用，算法的研究已经比较成熟，但是人工智能现在应用在光网络中的最大问题是数据，而不是算法。目前来看，Telemetry能满足相关需求。Telemetry采用“推”模式，在订阅以后可以持续地推送数据，可以达到秒级甚至亚秒级，能够极大程度的丰富数据量。实现支持智能运维系统管理更多设备，为网络问题快速定位等提供大数据基础，监控数据拥有更高精度、更加实时。显然，解决了数据问题，再结合新一代云网运营系统提供的开放能力和数字化平台，就可以引入人工智能技术来挖掘数据价值，打造智能光网络。目前来看，智能光网络的价值至少能体现在四个方面：优质服务、简化运维、优化网络、降低成本。我们也注意到，智能光网络能够在流量预测、故障定位、OSNR预测、劣化预测等典型应用场景中发挥作用。
还是那句话，人工智能与光网络构筑了网络智能化演进之路，很多技术头部品牌都利用“智核”管控 “泛能”光平台，构建起光网智能化新架构，通过光/电标签 光探针 人工智能风险预测三大技术的最新探索，逐步实现光网智能化。
写在最后：
如同过去工业革命和电器时代带来的巨大革命一样，在信息革命时代，数字化转型极大改变了整个行业和整个社会。过去几十年里，依靠科学技术的进步，整个世界得到了蓬勃发展。这一切的背后有摩尔定律、移动互联网、云计算、物联网和大数据等一系列技术发挥作用，尤其是这些技术叠加的组合效应加快了变革的步伐，在技术能力方面产生了惊人的飞跃，生产力也得到了极大的发展。为了满足未来社会发展的进一步需求增长，这些技术很难再提供足够的动力，未来需要把人类的软技能和科技技能融合在一起，通过互补新成新的技能，加快数字化转型步伐。
所以，智能光网络的发展并非一蹴而就，从标准的建立，到方案的研究，到现网的试点，再到最终的规模部署，这些是新技术必须经历的发展和验证，这个过程也一定会面临更多的挑战和难题。因而，最终实现智能光网络的愿景和目标需要全产业链的通力合作。
支撑产业发展的“经脉”
如今，人工智能的应用已无处不在，智能语音助手、人脸识别、智能家居、智能安防等都开始应用于我们生活的方方面面，而这些只是人工智能最贴近我们的那一部分。而这些应用的背后离不开通信网络的支撑。那么，人工智能与光网络的“邂逅”，会是怎样的一幅景象。
专家表示，“智能”是光网络发展的“外在需求”和“内在要求”。目前，人工智能技术在光网络物理层和网络层获得了初步应用尝试;与此同时，光网络的智能化面临诸多挑战，有待在算法和应用方面继续探索！实际上，在光网络中引入AI是光网络发展的最重要的一个方向，也代表着智能光网络的未来。目前AI赋能光网络方面仍存在不小的挑战，其中多场景赋能价值导向是一个核心问题。丰富AI赋能场景，挖掘商业价值，如何转化为增值服务都是需要直面AI难题的挑战，而加速新技术应用也势在必行。很多专家提出，不断突破算法黑盒，增强可解释性探索知识图谱、深度学习等AI技术落地应用，尤其是增强泛化迁移能力，提升光网络的普适性，非常紧迫。业内观点认为，突破模型通用、知识泛化技术的同时提升数据价值挖掘和安全保障是目前人工智能与光网络结合的一个交汇点。
过去很多人强调，在网络自动化架构中，大规模智能与实时可见性和网络资源的控制结合起来才能称之为洞察驱动的网络自动化。这并不是一个完全自治的网络，而是一系列机器辅助的操作，把日常的操作变成自动的工作流，除了特殊情况发生不需要人工干预。何况，在人工智能时代，价值慢慢从硬件向软件转移。传统的规划软件和网络是相分离，与业务之间也有一定鸿沟，需要定制开放和接口进行交互。而目前底层的基础网络都是开放、敏捷地多厂商网络环境，具备开放的管理控制接口，在此之上是一个轻量级具有交钥匙功能的应用程序，实现网络的自动化和优化，而这正是光网络产业发展的“基本目的”之一。
毫无疑问，数字经济已经成为我国社会发展的重要引擎。电信行业作为新基建中新型信息基础设施能力，无疑是社会和经济数字化转型的基础支撑力量。因此，电信行业自身就必须率先完成数字化，而运营系统是内部数字化的核心内容。具体到光网络，统一接口和北向能力开放是引入AI的重要架构基础。同时重视数据获取，对网络管理数据实现“应采尽采”，打造“数据湖”。过去很多人都肯定了AI技术在传送网有丰富应用场景，并且可助力传送网实现智能化转型，但是AI技术在传送网的实现尚存在数据和模型瓶颈，亟待解决。换句话说，AI技术在传送网的部分应用已实现实验室和试点验证，效果仍在不断完善中;AI技术在传送网的全面落地是一个长期的过程，应分阶段推进。
人工智能在底层的意义
有专家指出，在传送网设备层引入AI主要倾向于实现设备隐患预测、设备资源预测及设备资源优化。以SPN设备系统架构为例，设备功能模块较多，各功能的实现依赖单板、光模块、芯片、内存等物理单元协同，物理单元的使用情况和状态影响各功能的正常实现。底层设备层AI应用场景之一是设备隐患预测。如何在设备的各个模块老化初期迅速更换是很重要的应用，例如光模块性能劣化，出现少量丢包或误码，但尚未达到触发告警的阈值，此时通过AI技术充分分析现网设备的运行状态数据，能够及时挖掘设备内部隐患，避免设备真正出现故障。
底层设备层AI应用场景之二是设备资源预测和故障定位。依靠人工来核查各设备容量、内存使用情况、端口使用率等资源工作量大、周期长，故障发生前无提示，无法提前干预处理。利用AI可以基于历史数据进行智能在线训练，形成各资源较科学的阈值，输出设备内部的各类资源预测曲线和预警。
设备层AI应用场景之三是设备动态节能。现网设备量大，但某台设备并不是所有模块都需要处于工作状态，在网络运维管理阶段可以通过AI实现动态节能。所以，AI技术在光网络传送的全面落地不是一蹴而就的，应分阶段推进。当前AI演进存在以下几个关键问题：国内外标准已经规范AI架构、流程、分级评判等技术内容，但仍缺乏AI传送网的国内外标准，后续可在复用已有标准的基础上，制定AI传送网的国内外标准;AI模型的训练需要基于海量的历史数据，但部分场景的历史数据量有限或是数据获取渠道有限，基于少量数据搭建的AI模型准确度较低;不同厂商的数据格式不一样，导致较难搭建跨厂商AI平台;AI应用于现网影响重大，实际应用前应经过长期的验证，可考虑模型简单、规则较为确定的场景优先应用，分阶段推进AI在传送网的部署应用。
产业链落地的诸多表现
毫无疑问，智能光网络的落地离不开产业链企业的支撑。之前华为有专家表示，当前通信行业正面临新的商業机遇，人工智能的广泛应用，也必将给通信行业带来革新性的改变和新机遇。我们知道，早在2019年华为就发布了自动驾驶网络（ADN）方案，面向光网络、移动网、数据中心网络等。其中，基于此前的ADN方案，华为面向光宽带领域打造了全光自动驾驶网络解决方案，通过网元、网络、云端三层引入AI，把智慧带入全光基础网，使能全光网的超自动化及智能化，终极目标是实现对全光网络的自治，让网络能够真正实现自动驾驶。基于最新全光自动驾驶网络解决方案2.0的三层能力，运营商和企业可以获得三大价值：使能光专线的可用率变现升级，使能家宽场景化业务商业变现升级，实现面向全光网络基础设施的全新“Zero Touch”运维能力（零接触的网络智能运维）。或者说，基于AI的智能光网络的发展最终目标是实现自动驾驶光网络（ADON，如果智能汽车的发展需要分级一样，我们知道ADON的发展也会进入分级，L1手工网络需要工具辅助;L2半自动需要固定规则自动化;L3预测分析基于预测的自动化;L4系统自决策需要意图驱动的自动化;L5光网络自治完全自动化。另外，5G时代引发了大量垂直行业新业务的差异化需求，使得网络运维日趋复杂，智能化是解决这些问题的关键。有观点认为，网络智能化的形成除了AI还需要知识，两者相辅相成。AI帮助发现隐藏在孤立信息中的内在关系链，加速知识获取与体系的建立，而知识则能在海量原始数据中帮助剔除AI学习过程中无效的信息，提高AI学习训练的速度。“光网络运营管控技术的演进路径从封闭到开放，从构建新一代到实现数字化，我们距离智能光网络越来越近。”有专家指出，想要实现从数字化到智能化仍有一定的差距，而数据采集就是其中的关键，也是一步之遥的距离。传统方式采用"拉”模式，数据采集方式效率比较低，一般为分钟级、小时级，数据量小，无法满足需求。而虽然人工智能技术在很多领域都已经有广泛应用，算法的研究已经比较成熟，但是人工智能现在应用在光网络中的最大问题是数据，而不是算法。目前来看，Telemetry能满足相关需求。Telemetry采用“推”模式，在订阅以后可以持续地推送数据，可以达到秒级甚至亚秒级，能够极大程度的丰富数据量。实现支持智能运维系统管理更多设备，为网络问题快速定位等提供大数据基础，监控数据拥有更高精度、更加实时。显然，解决了数据问题，再结合新一代云网运营系统提供的开放能力和数字化平台，就可以引入人工智能技术来挖掘数据价值，打造智能光网络。目前来看，智能光网络的价值至少能体现在四个方面：优质服务、简化运维、优化网络、降低成本。我们也注意到，智能光网络能够在流量预测、故障定位、OSNR预测、劣化预测等典型应用场景中发挥作用。
还是那句话，人工智能与光网络构筑了网络智能化演进之路，很多技术头部品牌都利用“智核”管控 “泛能”光平台，构建起光网智能化新架构，通过光/电标签 光探针 人工智能风险预测三大技术的最新探索，逐步实现光网智能化。
写在最后：
如同过去工业革命和电器时代带来的巨大革命一样，在信息革命时代，数字化转型极大改变了整个行业和整个社会。过去几十年里，依靠科学技术的进步，整个世界得到了蓬勃发展。这一切的背后有摩尔定律、移动互联网、云计算、物联网和大数据等一系列技术发挥作用，尤其是这些技术叠加的组合效应加快了变革的步伐，在技术能力方面产生了惊人的飞跃，生产力也得到了极大的发展。为了满足未来社会发展的进一步需求增长，这些技术很难再提供足够的动力，未来需要把人类的软技能和科技技能融合在一起，通过互补新成新的技能，加快数字化转型步伐。
所以，智能光网络的发展并非一蹴而就，从标准的建立，到方案的研究，到现网的试点，再到最终的规模部署，这些是新技术必须经历的发展和验证，这个过程也一定会面临更多的挑战和难题。因而，最终实现智能光网络的愿景和目标需要全产业链的通力合作。