电信运营商智能化体系白皮书（2023年）中国通信学会中国联合网络通信有限公司研究院中兴通讯股份有限公司2023 年11 月

I

版权声明本白皮书版权属于中国通信学会和中国联合网络通信有限公司研究院共同所有，并受法律保护。转载、摘编或利用其它方式使用本报告文字或者观点的，应注明“来源：中国通信学会 中国联通研究院”。违反上述声明者，本学会及中国联通研究院将追究其相关法律责任。

II

专家组和撰写组名单专家组：

组长：李红五

李红五 中国联合网络通信有限公司研究院院长副组长：

唐雄燕 中国联合网络通信有限公司研究院副院长魏进武 中国联合网络通信有限公司研究院副院长刘金龙 中兴通讯股份有限公司系统及MKT 方案部总经理成员(以姓氏笔划为序)：

姓名 单位 职务杨剑键 中国联合网络通信有限公司研究院总监/正高级工程师李 涛 中国联合网络通信有限公司研究院主任研究员/教授级高工史庭祥

中兴通讯股份有限公司系统及MKT

方案部

总工程师撰写组(按单位排名)

单位 姓名中国联合网络通信有限

公司研究院

李涛、杨剑键、李姗姗、张洁、潘思宇、许建宏、王东升、柳雨晨、王志佳、赵永建、赵占纯、孟明明、周可记、张玎、王璐中兴通讯股份有限公司

徐法禄、史庭祥、杨志鹏、李彬、张轶卿、朱小光、巨满昌、阮帮秋、田占民、崔欣

III

前 言全球通信产业正在从互联时代、云时代迈向智能时代，信息通信技术与人工智能技术的融合，是新一轮科技革命和产业变革的需要。新机遇与新挑战驱动网络加速全面转型升级，但电信运营商网络经过不断换代升级，设备数量越来越多，网络结构愈加复杂，迫切需要通过智能化来推动网络敏捷、高效、智能，实现网络的自我配置、自我管理、自我优化。

为此，通信标准组织纷纷致力于通信网络与AI 的集成，以解决两者在技术发展路线、特性、管理机制等方面的差异性。电信运营商亦顺应数字化、智能化发展趋势，坚决践行国家使命，全面建设广度、厚度、深度行业一流的“高速泛在、天地一体、云网融合、智能敏捷、绿色低碳、安全可控”的智能化综合性数字信息基础设施，为经济社会发展畅通信息“大动脉”、构筑数字新底座；坚决落实网络强国战略，服务数字中国、智慧社会建设，以技术领先、高度集成的“全覆盖、全在线、全云化、绿色化、一站式”数字化服务，助力千行百业“上云用数赋智”；坚决实施创新驱动，聚焦核心技术，聚焦关键应用，融合创新，坚决履行作为国家战略科技力量重要组成部分的使命担当。

为了体系性推进电信运营商网络智能化，特制定本白皮书，内容涵盖行业态势、电信运营商智能化愿景、智能化体系框架、智能化应用、智能化成熟度评价等。

IV

目 录一、行业态势 ............................................1（一）智能化内涵 ......................................1（二）通信行业智能化标准 ..............................1（三）互联网行业智能化 ................................4（四）行业态势小结 ....................................6二、电信运营商智能化愿景 .................................6三、电信运营商智能化体系框架 .............................8（一）总体框架 ........................................8（二）智能层 ..........................................91.智能层要解决的关键问题 ...........................92.智能大脑功能框架 ................................113.智能大脑功能模块 ................................12（三）数字孪生层 .....................................251.数字孪生架构 ....................................252.数字孪生关键技术 ................................28（四）实体网络层 .....................................321.推进网络自动化 ..................................322.推进网络自智 ....................................33（五）智能化流程 .....................................391.智能化决策与自动化执行流程 ......................392.智能化运维运营流程 ..............................41

V

（六）安全保障 .......................................41四、智能化应用 ..........................................43（一）智能化应用框架 .................................43（二）智能化算法框架 .................................451.AI 算法分类框架 ..................................452.智能化场景与算法关联 ............................47（三）AI 模型部署 .....................................481.现状及面临问题 ..................................482.AI 模型部署 ......................................49（四）典型应用场景 ...................................501.无线网络 ........................................502.政企 OTN 专线 ....................................523.宽带接入网络 ....................................534.核心网 ..........................................565.跨域协同智能场景 ................................56五、智能化成熟度评价体系 ................................59（一）评价方法论 .....................................59（二）分级参考标准 ...................................59六、未来展望 ............................................62七、参考文献 ............................................63附录 A：缩略语 ...........................................63

1

一、行业态势

（一）智能化内涵

智能化是从人工、自动到自主的过程，使对象具备灵敏准确的感知功能、正确的思维与判断功能、自适应的学习功能，以及行之有效的执行功能。具体到实现，智能化近似为AI+数据+自动化，即：AI

像大脑，负责感知、认知、决策；自动化如同躯干，负责标准化流程、自动化执行；数据犹如血液，是信息的载体。如下图所示：图 1 智能化内涵

（二）通信行业智能化标准随着 5G、SDN/NFV、网络切片、网络编排等新兴技术和服务的部署，加上原有的 3G/4G 网络、IMS 网络，电信运营商的网络变得更加复杂和异构。通信标准组织纷纷致力于AI 与通信网络集成,TMForum、3GPP 和 CCSA 等国内外标准组织基于自身传统优势领域，相继立项开展网络智能化相关课题和标准研究工作，对智能化的架构、场景等进行标准定义。总体上来看，来自TMForum、NGMN的运营商/产业需求和 ITU 的国际电联需求，被输入到3GPP、ETSI，促

2

进国际自智网络规范成熟，同时加速国内CCSA的标准落地。如下图所示：

图 2 国内外主要标准组织智能化相关标准关联关系各主要标准组织的智能化相关标准制定进展情况如下：TM Forum 网 络 智 能 化 项 目组（Autonomous NetworkProject/ANP）于 2019 年 5 月成立，旨在为垂直行业用户和消费者定义全自动的零等待、零接触、零故障的创新网络及ICT 服务。同时，TM Forum 还发起和组织了跨多个标准组织的Multi-SDO运作，目标是在网络智能化领域的概念、框架、关键观点等方面达成共识，并推进跨组织协同。目前 TM Forum 已发布多个网络智能化相关规范，涉及架构、演进等级、意图驱动、闭环控制等方面。目前在研重点课题包括技术架构、意图驱动、闭环控制和 Open APIs 等。ITU-T SG2 主要研究课题为业务提供和电信管理的运营，已发布M.3080 (AIToM 相关）等基于 AI 的电信运营标准。ITU-TSG13重点关注未来网络（包括 IMT-2020）、云计算、可信网络基础设施，

3

于 2020 年 12 月成立网络智能化焦点组（FG-AN），聚焦网络智能化标准预研工作。已发布的 Y.317X 系列标准规范包括自智网络在内的网络智能化的要求、架构、分级等相关标准，具体的意图、感知、沙箱等相关标准仍在研究中。

3GPP 从 R16 版本开始定义自智网络相关标准规范，其中SA5是自智网络相关项目最多的工作组，包括自智网络分级ANL、闭环控制 COSLA、意图驱动网络管理 IDMS、管理数据分析eMDA等标准规范。相关课题到 R17 阶段基本告一段落。R18 阶段在智能网络分级、意图网络管理等课题有增强，同时新增了AI/ML 管理的研究课题。ETSI ISG ZSM 规范输出侧重网络和服务自动化管理的通用技术研究。ETSI ISG ENI 规范输出侧重定义认知网络管理架构。ETSI ISGNFV 对标 TM Forum 和 3GPP 实现网络智能化的目标，针对性地启动了使能 MANO 领域网络智能化工作,聚焦于网络云专业领域自动化与智能化赋能。

LINUX Foundation 从 AI 平台、网络自动化角度提出了智能化标准。一方面，从 AI 平台角度提出了 Acumos 开源平台；另一方面，从网络 IT 化、自动化角度提出了 ONAP、OPNFV、Open Daylight 等标准。

中国通信标准化协会（CCSA）的网络智能化标准化工作在多个技术工作委员会展开，特别是网络管理与运营支撑工作委员会（TC7）。运营管理智能化是网络智能化的核心内容，其标准化工作对推动网络智能化的建设和发展具有重要意义。从2021 年7 月CCSA

4

TC7 第 33 次全体会议以来，网络智能化相关标准和研究课题立项累计 25 项。当前网络智能化标准体系，包括体系架构等技术规范也在CCSA TC7 制定中。

CCSA TC610 SDN/NFV 技术标准与产业推进工作委员会从2021年 10 月以来，成立多个自智网络工作子组，涉及到IP、接入和传输等方面，立项端到端网络、云光专线、基于家宽质差场景的多项分级和评测标准。

网络智能化标准在国内外主要标准组织已达成一些共识，标准制定工作也逐步步入深水区，仍面临诸多挑战，比如意图接口、数字孪生等。对于网络智能化技术标准的演进，一方面，在产研业界的推动下，将进一步细化分级评估标准，制定跨标准组织的互通性研究和测试验证规范；另一方面，将与 ICT、DT 技术融合，深入探索意图引擎、数字孪生、自动学习等技术，与通信智能化场景融合，助力未来智能网络落地。 （三）互联网行业智能化以百度、腾讯、阿里、京东、科大讯飞、字节跳动等为代表的各大互联网企业都推出 AI 战略，积极布局人工智能，聚焦消费级AI

多维应用场景与产业级 AI 技术使能，协同多方合作伙伴，共建创新生态。如下图所示：

5

图 3 互联网公司全面布局人工智能整体来看，互联网企业正从以下方面着力：a.互联网企业正在从技术、场景、平台三个层面打造AI 基础能力。

在技术层面，主动强化在核心人才方面的布局，组建人工智能实验室，夯实基础研究。

在场景层，各大科技公司广泛多元的自有业务内容，为机器学习、计算机视觉、语音识别及自然语言处理等领域的AI 基础研究提出了丰富应用场景，使游戏 、内容、社交、金融、医疗等方面的场景能够快速应用人工智能能力，带来更智能的用户体验。在平台层，推出 AI 战略，满足市场对AI 能力多维度的需求；并对外开放 AI 能力、开源机器学习、深度学习平台，降低AI 开发门槛，推动更多现实场景落地。

b.互联网企业构建基于新一代人工智能的软硬件产品体系，开展“软件 + 硬件 + 应用 + 芯片”产品布局，逐步由技术输出商向解决方案提供商转变。

6

 将新一代人工智能技术应用于现有产品体系，改造和提升现有体系和产品性能。

 面向个人消费市场开发基于新一代人工智能的软硬件产品，并集成已有产品抢占用户入口。

 面向行业市场开发新一代人工智能应用，拓展第三方产品线。c.人工智能产业链正走向成熟与分工，“聚焦”是当前市场环境下的优先策略。 （四）行业态势小结

行业标准组织、互联网公司均将 AI 作为未来的发展方向，并制定标准、AI 战略等。电信运营商为了加速网络智能化转型，支撑业务自动开通、网络即服务、智能运营维护，提升服务质量，各电信标准组织、电信运营商等积极探索 AI 与电信网络深度融合，但AI 和通信网络的发展路线、技术特性不一致，如何结合电信运营商网络实际来构建电信网络智能化体系是重大挑战。二、电信运营商智能化愿景电信运营商的智能化愿景是通过自动化和智能化方法，推动网络&IT 具备自配置、自优化、自治愈和自演进能力，简化业务部署，面向网络与基础设施管理、产品与市场营销、客户感知与服务、科技创新等方面实现业务处理的全息感知与认知理解、全网络推演与决策、全场景实时控制，为消费者和垂直行业客户提供零等待、零接触和零故障体验。

电信运营商的智能化愿景如下图所示：

7

图 4 电信运营商的智能化体系对上图说明如下：

①智能层：负责认知理解、推演与决策，主要指智能大脑，其中： 认知理解：负责数据理解、知识表达、逻辑推理（根因分析、异常定位、解决方案、关联推荐等）、自主学习（强化学习）等。

 推演与决策：针对问题形成可执行的策略，如自动配置、动态扩缩容、路由切换、精准营销、客户主动关怀等。②数字孪生层：负责从实体层采集数据并模拟现网，包括实时状态（配置、性能、告警）、事件、历史数据等，以及控制指令上传下达，实现虚拟与物理信息的协同联动。主要指中台。③网络自智层：主要指面向用户提供业务的专业网络及网络智能运营等，支持自我配置、自我优化等。

8

三、电信运营商智能化体系框架（一）总体框架

电信运营商智能化体系承接智能化愿景，采用三层一保障架构，即智能层、数字孪生层、实体层和安全保障，利用AI、数字孪生技术等对资源、数据、流程和事件全要素赋能，形成全息感知、数字孪生、可视化洞察、智能化决策和自动化执行的闭环能力，助力数智化转型。总体框架如下图所示：

图 5 电信运营商智能化体系框架对三层一保障智能化体系框架说明如下：①智能层

智能层以智能化场景为牵引，以 AI 基础平台为依托，通过认知决策引擎实现智能认知和决策，并通过编排进行流程设计、能力组合与实例化，形成执行方案，通过智能服务开放交由数字孪生层来执行。此外，智能层还通过智能服务开放向内外部应用提供智能决策能力。

9

②数字孪生层

数字孪生层负责对实体层（网络和平台）进行数据采集和处理，形成资源、数据、流程、事件等数字化要素，基于要素来构建实体层网络与平台的数字孪生模型并进行管理，形成全息感知能力，支撑智能层的认知与决策。此外，数字孪生层还对实体层、数字孪生层的各类能力进行汇聚，通过能力开放与共享模块实现能力共享，形成自动化执行能力，支撑智能层的编排和自动化执行。③实体层

实体层是指提供业务的网络与平台，其中网络包括无线网、核心网、传输网、数据网等，平台主要指业务平台。实体层通过云化、NFV 化、SDN 化、智能化，构建自动化与智能化基础设施，自动执行数字孪生层传递的指令，实现网络自智。同时，实体层向数字孪生层提供配置、性能、告警、信令、用户访问行为等数据，为物理映射和感知提供基础。

④安全保障

安全保障是从业务安全、算法安全、数据安全、网络/平台安全等方面，提供全生命周期的安全防护。 （二）智能层

1.智能层要解决的关键问题

智能层要解决两大类问题，包括智能决策和编排，其中：①智能决策主要指智能大脑，负责态势感知、认知、决策、再学习。需要支持的能力包括：

10

 对态势的感知和认知能力：依据状态数据，通过大模型、小模型协同，对面临问题进行评估和分类，即判断和识别出问题的类型及所在。可以通过 Transformer、图神经网络、深度神经网络等AI 算法来支撑。例如：基于运营商专有数据和Transformer 训练出通信大模型，来判断和分类网络运营问题；利用图神经网络来将网络的节点、链路、路由、流量等信息嵌入，构建网络状态有向图，进而利用GCN、GAT 等图神经网络算法来识别和预测网络拥塞、网络质量等。 决策能力：针对认知出的问题，找出对应的解决方案，类似于人脑记忆中针对什么样的情况应该怎么做。可以将日常运营运维中出现的问题及解决方案固化成知识，并通过知识图谱将知识进行表达和检索，形成企业知识库。

 再学习能力：需要再学习的能力包括态势感知和认知能力模型、企业知识库等，主要是结合上线运行情况，对其进行优化。可采用强化学习的 DQN、DDPG 等算法。例如通过下面方式来构建强化学习模型：将实体网络作为环境（Environment），将决策作为动作（Action），将实体网络状态信息作为状态（State），将实体网络执行决策后反馈的执行结果作为激励（Reward）。②编排：负责对各域资源进行按需、弹性组合。主要是基于业务场景，进行业务编排、流程编排、资源编排等，其对于敏捷响应客户需求、快速提供业务具有非常重要的作用。编排应提供IT/CT端到端编排能力。

11

2.智能大脑功能框架

智能大脑负责接收待决策信息，进行认知和决策，决策范围涵盖业务、营销、感知、网络、客服等方面。其框架如下图所示：图 6 智能大脑技术框架对上图说明如下：

①AI 基础平台：提供算法、深度学习框架、硬件环境、训练环境、生产环境、模型市场等，支持认知、决策等模型的训练和部署。②编排：结合业务场景和业务流程，对资源和能力进行组合，形成可执行方案。编排分为设计态和运行态两种。③认知决策引擎：包括认知管理、决策管理和企业知识库三部分。 认知管理：负责利用认知模型（如通信大模型）对接收到的待决策信息进行分类与分析，并利用企业知识库进行根因分析及解决方案查找。

12

 决策管理：负责根据认知管理输出的根因分析及解决方案，生成决策策略，并提交给智能服务开放模块对外交互执行。 企业知识库：负责以知识图谱的方式提供客户、业务/产品、渠道、网络、平台、客服等方面的资源信息、标准配置信息、常见故障及特征、解决方案等。④智能化场景：对智能化场景进行聚类，分为网络智能、运营智能和应用智能三大类，为认证决策、编排提供牵引。⑤智能服务开放：负责对接数字孪生层、内外部应用等，从外部接收待决策信息并传递给认知决策引擎进行决策，并将决策信息传递给数字孪生层、内外部应用进行执行并接收执行结果反馈。⑦数字孪生层：负责向智能层提供感知数据，并接受智能层的决策指令，并传递给实体层进行自动化执行，反馈执行结果。⑧内外部应用：负责携带待决策信息，向智能大脑发起待决策服务请求，接收并执行智能大脑的决策，并向智能大脑反馈执行情况。3.智能大脑功能模块

（1）智能化场景

智能化场景是对智能化需求进行分类管理。电信运营商在市场前端、客户体验、网络运营运维等方面有大量的智能化需求，如下表所示：

表 1 电信运营商智能化需求类别 范围 典型场景 场景描述应 用

智能

市场与

销售管

理

市 场 规 划 和

销售预测

智能地获得洞察力并自动化市场规划和销售预测。与 竞 争 对 手

的 A/B 测试

基于机器学习模型（如与竞争对手的A/B测试），自动化竞争洞察。

13

类别 范围 典型场景 场景描述AI 驱动的程

序化广告

基于机器学习模型有效地驱动程序化广告，在合适的渠道、时机向用户推荐合适的产品。识 别 潜 在 客

户

从各种数据源中学习并识别潜在客户。与 客 户 的 个

性化沟通

智能识别用户感兴趣内容，有效地与客户的个性化沟通。

产品和

报价管

理

分 析 产 品 和

提 供 产 品 组

合

基于客户行为的自动学习引导产品的推出，在适当的时候提供适当的报价和产品。动 态 内 容 推

荐

智能地确定下一个要观看的内容。参与方

管理

第 三 方 欺 诈

和风险管理

业务部门可以通过 AI 有效地管理第三方欺诈和风险，并通过产品管理和基础设施管理在闭环中管理服务级别。

网络保

障

网 络 故 障 识

别与预测

通过主动学习历史数据的健康状况，在线智能划分当前服务性能，利用人工智能识别潜在的亚健康服务，并根据健康水平对这些服务进行排序。服 务 要 求 保

证

通过使用人工智能和适当的策略，来预测潜在的危险情况，例如两个或多个片竞争相同的资源，并采取预防措施，例如通过使用资源预留。网 络 故 障 根

本 原 因 分 析

和智能恢复

当故障发生时，使用AI 算法计算从监控系统收集的告警数据、网络拓扑数据、网络服务数据的故障自恢复策略。然后将故障自恢复操作传送到网络，可以快速恢复自恢复故障。如果故障无法纠正，则可以执行准确的诊断以找到根本原因，并帮助工程师快速纠正故障。

客户体

验与服

务

客 户 体 验 智

能化感知

通过 AI 技术，对涉及用户感知的KPI、QoE指标进行分析和预测。

智能客服

采用客服机器人，智能化、自动化地、24 小时与客户沟通交流。

运 营

智能

网络运

营

弹 性 资 源 管

理和编排

通过 AI 技术有效地利用资源来增加网络的灵活性，从而使其行为在每次都能弹性地适应负载和可用资源。包括：

（1） 通过实现从服务请求到网络切片实例化的基于人工智能的、自动的、准确的和可靠的映射，加快服务部署过程；

（2）跨片识别相似性（在需求或共享vnf 方面），以促进资源共享，从而提高系统资源利用效率；（3）学习和分析 VNFs 的计算利用模式，从而将性能和资源可用性联系起来；（4）用于主动资源分配和重新定位的流量预测模型；

14

类别 范围 典型场景 场景描述（5） 优化的 VNF 迁移机制，用于使用多个资源利用率数据（CPU、RAM、存储、带宽）进行编排；（6）基于数据分析优化网络片的弹性资源调配。基 于 应 用 特

征 的 网 络 运

营

利用聚类算法研究小区业务模式和相应的应用QoE特性，操作包括小区标记和聚类、单元应用程序特征分析、目标 KPI 识别和优先级划分、因果衍生(工程参数与小区容量、覆盖性能、网络性能指标KPI、用户 QoE 之间的关系)、工程参数整定。AI 使能的网

络流量分类

训练并应用一个或多个机器学习分类器，以对实时网络流量进行分类。

云 服 务 的 自

动 服 务 和 资

源设计

通过 AI 实现云资源自动设计，包括：（1）利用自然语言处理技术分析各种渠道（如自然语言或 API）中捕获的服务需求，并将需求分类为原子需求，即有关功能、安全性、可靠性、性能的需求。（2）利用机器学习根据atom 服务需求使用定制规则自动定制资源组合。（3）资源量设计。上 下 文 感 知

的 VoLTE 服

务体验优化

收集和分析 VoLTE 服务信息和上下文数据，并动态确定是否应重新配置参考信号接收功率（RSRP）。智 能 网 络 切

片管理

AI 学习切片的配置及切片使用的业务模式，协助和优化切片管理和编排实体操作。智 能 运 营 管

理 的

SD-WAN

通过使用 AI 和上下文感知，它可以监控网络，自动确定关键应用程序的优先级，同时动态抑制非关键应用程序，帮助企业优化服务和资源，从而使企业能够更加专注于自己的业务。它可以公开一个基于意图的接口，允许企业使用自然语言和熟悉的术语来定制其服务。

网 络

智能

网络规

划

智 能 规 划 机

器人

通过指纹库定位、基于神经网络的室内外用户区分、互联网化场景智能管理等，实现智能规划。无 线 网 络 容

量规划

通过无线环境数据（如覆盖地形地貌，建筑物特征等）、业务需求数据、频谱数据等多维数据来规划目标区域的覆盖、容量等。网络建

设

站 点 自 动 部

署

部署基站的整个工作流自动化，包括网络规划和设计，站点设计，配置数据准备，站点安装，现场调试和现场验收。

15

类别 范围 典型场景 场景描述站 点 智 能 验

收

通过现场拍摄基站相关资源的标签、挂牌，识别资源名称、类型等关键数据信息，根据施工前后照片，识别照片位置、拍照时间、施工前后资源变化，自动对施工质量和准确性进行检测实现基站施工效果的自动采集。后端智能分析系统按照基站入网验收的要求，对数据进行自动解析并生成基站入网验收报告。宽 带 装 机 质

量监控

利用人工智能技术对装维人员宽带装机工程施工结束后的拍照图片做智能识别，对设备和线缆做分类判断，审核端口占用情况，分析标签/贴纸信息。检查施工是否符合施工工艺要求，是否插对分光器下行端口，快速巡检 ODF 端口占用。网络智

能管理

自我配置

自我配置包括新部署的无线接入节点的即插即用配置，接入节点在其中配置其身份、传输频率和功率，从而加快小区规划和部署。自我优化 自优化功能包括覆盖、容量、切换和干扰的优化。自我修复

自愈功能包括自动检测和排除故障以及自动调整参数等功能。

基础设

施管理

策 略 驱 动 的

IDC 流 量 控

制

互联网数据中心（IDC）之间的智能链路负载平衡和带宽分配。

流 量 高 峰 事

件处理

使用人工智能方法来帮助理解上下文动态性和预测潜在的高峰流量场景。使用 AI 节能

使用 AI 预测高峰时段，然后唤醒必要数量的服务器进入满负荷状态。如果检测到意外事件，则可以唤醒更多服务器以支持此突发事件。可以实现DCs的节能降耗，节约运营成本。安全防

护

网络安全

漏洞挖掘、威胁检测、网络监测、反垃圾邮件、移动终端保护、应用安全防护。（2）AI 基础平台

AI 基础平台提供基于 Web 的可视化开发及训练平台，提供丰富的通用算子库以及可定制化算子，帮助用户在线快速进行业务应用的算法探索和开发，完成模型的训练、评估和发布，以及智能应用的部署和管理，同时提供平台能力，可通过服务接口进行AI 能力的调用。通过构建 AI 平台，可面向内外部统一进行AI 赋能，形成电信企业级AI 能力。AI 基础平台的技术框架如下图所示：

16

图 7 AI 基础平台技术框架AI 基础平台包括训练框架、通用算法、智能标注、模型训练、模型部署、模型市场等模块，说明如下：①训练框架：提供 Tensorflow、PyTorch 等深度学习开源的计算框架，该计算框架实现了各种深度学习算法。②通用算法：提供图神经网络、自然语言处理、智能语音、计算机视觉、强化学习等主流算法。

③智能标注：主要用于数据集的标注和管理，将原始数据导入后，可以在数据平台上对数据进行标注，形成训练数据集，并提供统一数据全生命周期管理的能力。如文本分类、图像分类、目标检测等类型的数据标注，形成样本数据集。

④模型训练：主要用于模型的建立、训练、编译优化。先利用可视化建模工具或直接编程来建立模型，然后使用数据集对模型进行训练，使其准确率满足需求。最后利用平台集成的编译工具对训练好的

17

模型进行编译和优化，使其运行性能（延迟、吞吐率等）满足需求。最终将模型推送到模型市场以供其它用户使用。⑤模型市场：主要用于模型的管理、共享等。模型市场是一个模型供需方的交易平台，模型可以来自前面所述的训练平台训练好的模型，也可以来自从第三方提供的商用模型。模型的需求方可以从模型市场下载自己所需的模型。

⑥模型部署：主要用于模型的部署及服务管理（如启动、停止、扩容、负载均衡、滚动升级、故障迁移等）。可以从模型市场下载对应的模型，并将模型部署为外部应用可以调用的AI 服务。（3）认知决策引擎-认知管理

认知管理是对态势的感知和认知能力，是依据状态数据，通过模型对面临问题的一个评估和分类，即判断和识别出问题的类型及所在。认知管理的技术框架如下图所示：

图 8 认知决策引擎-认知管理技术框架对上图说明如下：

①认知管理调度将待认知信息（状态信息、问题特征）分配到相

18

应的认知模型智能体进行处理（若涉及多个认知智能体，则分配至多个认知智能体分别进行处理），进而由认知模型智能体对问题进行分类，分析出问题归属的问题种类。

②携带问题种类、问题特征向知识库查询解决方案。③查找到解决方案后传递给决策管理模块来生成决策。若涉及多个认知智能体，则由认知管理调度对多个认知智能体查找到的解决方案进行归并。

（4）认知决策引擎-决策管理

决策管理主要是针对认知出的问题，找出对应的解决方案，类似于人脑中针对什么样的情况应该怎么做。决策管理的技术框架如下图所示：

图 9 认知决策引擎-决策管理技术框架对上图说明如下：

①认知管理调度将认知管理模块输出的待决策信息(问题种类、问题特征、解决方案等)分配到相应的决策模型智能体进行处理（若

19

涉及多个决策智能体，则分配至多个决策智能体分别进行处理），生成决策策略。

②提交决策信息给智能服务开放模块，由其传递给网络/系统执行。若涉及多个决策智能体，则由决策管理调度对多个决策智能体的策略进行归并。

（5）企业知识库

企业知识库是智能大脑的智库，提供决策支撑。可以将日常运营运维中出现的问题及解决方案固化成知识，并通过知识图谱将知识进行表达和检索，形成企业知识库。它采用知识图谱技术，利用图数据库和机器学习技术，在客户、业务/产品、渠道、网络、平台、客服等方面构建知识节点（含属性）和关系。企业知识库的构建方法如下图所示：

图 10 企业知识库的构建方法企业知识库的构建示例如下图所示：图 11 企业知识库的构建示例

20

上述企业知识库示例中，以手机号码为实体构建客户类节点，其节点属性包括年龄段、入网年龄、订购业务、常驻小区、上网偏好、漫游、投诉等；以故障为实体构建故障类节点，其节点属性包括故障ID、故障名称、故障特征、故障原因、解决方案等；以网元为实体构建网络类节点，其节点属性包括设备 ID、设备名称、入网时间、生产厂家、设备配置、归属机房、故障历史等。手机号码实体通过投诉属性与故障实体的故障特征属性建立关联关系，故障实体与网元属性建立关联关系。还可以进一步构建传输系统、移动天线等实体节点及其关联关系，进而实现业务、平台、网络的映射。（6）能力编排

①编排概述

编排是基于业务场景，对业务所涉及的流程、资源等进行编排，从而敏捷响应需求，快速交付业务。编排支持集中式和分布式编排节点，能够从服务需求自动组合逻辑网络需求，将逻辑网络需求转化为物理网络部署。

在智能化体系的总体框架中，编排模块以服务开放为基础，并根据认知决策引擎所制定的策略，对服务进行智能编排，以执行智能大脑的意图。核心要素如下：

a.以服务开放为基础

跨域能力开放是编排的基础，编排工作需全面而规范的集成跨域跨层的服务能力，支持大规模事务能力，并灵活调用各类原子服务以实现任意策略，实现端到端的自动化流程。

21

能力开放首先需要满足原子化，细颗粒度，便于能力的复用与重组。编排服务可以在原子能力的基础上，从用户视角，面向场景，进行场景化能力的编排封装，便于业务从上层快速识别与调用，降低编排的操作门槛，提升服务开发与应用的敏捷性。运营商当前已有成熟的 BSS/OSS 系统及运营流程，同时，对于各类新业务，也在快速建立对应的编排协同器，应基于当前的IT/CT能力，进行能力开放，并根据业务意图灵活敏捷编排调用各类开放能力。

b.以决策引擎为驱动

编排是策略的具体执行者。认知决策引擎通过对业务模式、资源配置的学习，制定智能策略，对服务与资源的抽象、建模与组合，实现业务的表达。编排模块根据策略动态设计、优化编排操作并自动化执行。

编排对策略的执行方式主要可分为静态编排与动态编排两种：静态编排：编排模块提前设计所需的高度抽象的服务，策略引擎输出业务策略后，静态匹配高层编排服务模型，匹配成功，则模型自动执行。

动态编排：编排模块准备各类低级别具象服务的模型策略，当接收到业务策略时，根据业务策略搜索匹配所需的低层服务组件，并根据服务的模型策略进行业务流程的设计编排，编排完成后，自动化执行。

②编排流程

22

参考 ONAP 规范，编排遵循设计态与运行态分离的架构，模型设计创建与服务实例运行解耦，各自独立，通过编排包传递设计信息，保证运营的灵活性，提升服务的敏捷性。设计态负责业务规则设计，包括对组成业务的各类对象和关系进行建模，人工或自动制定指导业务行为的策略规则。在业务需求输入前，做好服务能力的设计与编排，做好策略及规则设计，支持流程自动化创建及更改。设计平台可提供低/无代码的模型设计操作环境，基于云原生架构，配套一系列技术能力和工具集，如在线可视化建模设计平台、沙箱测试、跨系统服务能力集成管理等。运行态针对设计的服务实例进行全生命周期管理和控制，接收设计态发布的业务规则，根据商业需求静态匹配或动态生成业务流程，并执行。收到实例化需求后，进行实例化执行，并对执行中的编排包进行过程监控、异常处理，同时收集数据供运维分析。运行态不仅提供最初的服务实例，还需实现网络全生命周期的维护、修改配置，具备分钟内重新编程，支持实例动态运行的能力。图 12 编排流程示例

③编排模型

23

编排模型包括对象建模、流程建模、编排包及模型兼容与复用，说明如下：

a.对象建模

参考 TMF PSR 模型概念，自下而上设计模型，由北向南，依次由产品模型、面向客户的服务模型、面向网络的服务模型、资源模型组成并层层关联，统一规范模型顶层设计，新模型按要求加入，实现高级需求分派到每个设备的命令集。

模型编程使用基于标准的 API 接口，可以主要通过RESTAPI 实现各专业服务的集成与编排。但在能力开放体系完全成熟之前，需要灵活适配各类其他标准接口协议，实现能力全面集成的要求。b.流程建模

编排系统可抽象流程动作及其关联关系，自动创建流程，是实现全流程自动化的必经之路。系统根据业务特性，利用动态策略组织编排流程，动态策略源于设计并高于设计，使用智能算法自动寻找最优编排方案。

c.编排包

编排包是设计态和运行态之间交互的介质，拉通业务设计到业务运行间的桥梁，设计态以编排包的方式输出设计的内容，运行态按需获取和加载编排包，实现业务快速加载。编排包基于OASIS组织制定的云应用拓扑编排规范的 TOSCA（Topology and OrchestrationSpecification for Cloud Applications）规范，将设计内容采用统一结构、统一命名规范、策略及流程描述语言进行打包。编排包结构如下图所

24

示：

图 13 编排包结构

d.模型兼容与复用

新技术（如 SDN/NFV）、新业务等元素使用通用模型与规范接口，可以随时加入网络，统一融合编排，增强网络应用开放性。标准模型可复用，避免从头开发，提升业务敏捷性。④编排场景与生态建设

编排场景应逐步覆盖。编排能力所覆盖的场景范围越全面，编排效果将越显著，但在编排模式引入之初，应从单个场景开始，逐渐扩充场景范围，确保编排能力的有序、有效实施。运营商根据每个阶段选定的场景范围，封装并开放所对应服务能力，使编排与场景、业务密切结合，最终促成运营商全域能力开放的成熟发展。合作伙伴开发者可以在编排平台找到解决方案、使用案例等开发者资源，可以利用自助式的 IT 操作进行服务开发，也可使用沙盒在虚拟网络环境中运行代码，查看结果。在此基础上，需注重生态的构建，面向客户，可以提供“意图专区”，客户将自身意图在此提出，并可给予激励；面向开发者，可以在“意图专区”任意揭榜，使用平台资源，提供实现意图的服务，通过此类模式，促进网络与业务灵活创新。

25

（三）数字孪生层

数字孪生通过对网络设备、网络拓扑、应用场景等的建模仿真，实现业务、流程、网络的端到端透视和全息，能够回溯“过去”、预测未来、实时控制。

1.数字孪生架构

数字孪生层利用数据动态感知能力汇聚全网数据信息，通过对全网资源（含网络拓扑）、数据、业务流程和事件等要素的数字化、模型化，建立在数字空间的映射，确保虚拟与物理世界的信息统一、同步联动。同时，通过端到端可视化能力对数字化要素场景化展示和智慧运营，并借助自动化能力向底层网络和平台提供全局最优反馈控制管理，实现虚拟与物理信息的协同联动。其逻辑框架如下图所示：图 14 数字孪生框架

对上图的数字孪生层说明如下：

①动态感知能力：负责从网络/平台采集各类数据。数据采集是构建数字孪生网络的基础，作为物理网络的数字镜像，数据越全面、

26

准确，数字孪生网络越能高保真的还原物理网络。但物理网络规模庞大，设备形态多样，流量信息复杂多变，全量采集难度很大，所以在满足应用的基础上应按需采集模式，数据采集的类型、频率和方法以满足数字孪生网络的应用为目标，兼具全面、高效的特征，采集对象的选择取决于数字孪生网络的应用，并不是所有的网元都需要在数字孪生网络上呈现。

②数据化要素与能力：负责将物理网络中的网元、物体、环境等要素及逻辑关系数字化，并且完成数据的抽取、转换、加载、清洗和加工，以及大规模数据的高效分布式存储，包括数据、资源、流程、事件等，并拉通跨域数据；为孪生模型与管理模块提供包括快速检索、并发冲突、批量服务等多种数据服务；完成数据的资产管理、安全管理、质量管理和元数据管理。向上层能力开放平台提供各类能力，包括公众能力、政企能力、网络能力、客服能力、管理能力等。③孪生模型与管理

孪生模型与管理包括基础模型、业务模型、模型管理、拓扑管理、安全管理等，说明如下：

 基础模型：是指基于网元基本配置、环境信息、运行状态、链路拓扑等信息，建立的对应于物理实体网络的孪生网络体的网元模型、拓扑模型、环境模型（例如信道模型等），实现对物理网络的实时精确描述。

 业务模型：是指针对特定的业务场景，充分利用网络大数据，建立的网络分析、仿真、诊断、预测、保障等各种数据模型。

27

业务模型可以通过多个维度构建和扩展: 按网络类型划分，可以分为单域业务(如接入网、传输网、核心网、承载网等)

模型和跨域业务模型；按照类型划分，可分为性能监测、流量分析、故障诊断、质量保障等模型；按照网络生命周期管理划分，可分为规划、建设、维护、优化和运营等模型。 基础模型和业务模型通过实例或者实例的组合向上层网络应用提供服务，最大化网络业务的敏捷性和可编程性。同时，模型实例需要通过程序驱动在虚拟孪生网元或网络拓扑中对预测、调度、配置、优化等目标进行充分的仿真和验证，保证变更控制指令下发到物理网络时的有效性和可靠性。 模型管理服务于各种数据模型实例的创建、存储、更新以及模型组合、应用关联的管理。同时，可视化呈现模型实例的数据加载、模型仿真验证过程和结果。 拓扑管理基于基础模型，生成物理网络对应的虚拟拓扑，并对拓扑进行多维度、多层次的可视化展现。 安全管理模块，负责数字孪生网络数据和模型安全保障相关的认证、授权、保密、准确性和完整性。 可视化：基于业务需求构建不同级别的可视化能力，支撑孪生体与物理网络设备之间的动态交互、关联性交互和沉浸式模拟，辅助认知网络的内部结构，支撑挖掘隐藏在网络内部的价值信息。

④能力开放与共享：封装公众能力、政企能力、网络能力、客服

28

能力、管理能力等，为智能层编排及本层其他功能模块提供能力支撑。⑤自动化能力：通过与物理网络/平台对接，负责全局最优策略的控制指令下发和执行反馈管理。

2.数字孪生关键技术

数字孪生关键技术包括物理网络建模、物理网络3D可视化、孪生体管理等。

（1）物理网络建模

物理网络建模技术：包括以网络设备基本配置、环境信息、运行状态、链路拓扑等为代表的基础模型和以网络感知、分析、仿真、推理、决策等为代表的业务模型。

①基础模型构建

基础模型的构建主要包括三部分：网络实体、网络表征、模型构建。

 网络实体：定义本体的构成要素，包括类别、属性、关联关系、规则等。

 网络表征：将网络上多源异构数据映射到网络实体，形成统一的网络表征。

 模型构建：按照功能和结构，基于网络表征，构建网元模型和拓扑模型，并按需组合形成网络基础模型，实现数字孪生的虚实映射。

②业务模型构建

业务模型是面向场景，基于网络及业务相关数据，利用深度学习、

29

机器学习、强化学习等人工智能算法，对业务预测、网络性能预测、覆盖优化、容量规划及站址规划等场景进行建模。（2）物理网络 3D 可视化

物理网络 3D 可视化，可通过网元模型、建筑模型、环境地理模型的集合进行表达，步骤如下：

①物理网络三维信息模型，例如机房、机架、网元、管线等所在的建筑信息、地理信息、最新街景、实景三维以及物理网元实体自身的形状、大小、连接关系、放置关系等。②建筑信息模型，通常采用 BIM(Building Information Modeling)

技术建立虚拟的建筑工程三维模型，利用数字化技术，为这个模型提供完整的、与实际情况一致的建筑工程信息库。③针对 BIM 在提供精确的地理位置、建筑物周边环境整体展示和空间地理信息分析上存在的不足，利用三维GIS（地理信息系统）进行补充，完成建筑物的地理位置定位及周边环境空间分析，完善大场景的展示。

国内目前已经发布了空间三维模型数据格式标准，定义了一种开放式可扩展的三维地理空间数据格式——Spatial 3D Model（S3M），对倾斜摄影模型、人工建模数据、BIM、点云、三维管线、二维/三维点线面等各类数据进行整合，适用于海量、多源异构三维地理空间数据，也可以用于数字孪生网络的 3D 可视化模型表达。（3）孪生体管理

孪生体管理是通过孪生场景将网络和业务端到端全流程信息和

30

数据输入到模型中，持续迭代优化，将出现的问题进行反馈构成闭环，使其与实际值的偏离值在允许误差范围之内。孪生体管理涉及网络各个部分、各个阶段。

在数字孪生中，孪生场景将物理对象全生命周期涉及的数字孪生体间的数据信息进行传递和回溯，提供访问、整合以及将不同数据转换为可操作信息的能力，支撑当前状态实时评估和未来决策的能力。孪生场景多种多样，涉及到多个网络域的交互且不同场景业务逻辑策略各不相同，依赖相应网络业务规则将流程涉及的不同数字孪生体进行连接，同时进行孪生体之间的交互调度/设置，并配置对应的动态逻辑，精准管理数字孪生体的全生命周期闭环流程。（4）资源管理

网络资源数据具有种类多、规模大、专业技术程度高的特点，包括：基础空间资源、网络资源、云资源、管线资源、业务资源、码号资源、社区资源等。需要进行有效管理。资源管理包括资源清查、资源存储、资源能力等，如下图所示：

图 15 资源管理技术框架

31

对上图说明如下：

①资源清查：通过网管等自动采集逻辑资源和物理资源、AI 图片识别、手工输入等方式对各类资源进行采集与清查，依托大数据算力及成熟技术组件，如 Kafka、DataX、Hive、Spark、Flink 等，完成数据入湖，并利用机器学习、知识图谱等人工智能技术对资源数据准确性稽核、稽核调度任务优化等场景进行建模，通过数据抽取模型、数据比对策略模型，与资源库中存储的资源数据的差异计算比对，将比对结果输出到资源库，从而实现资源数据的快速、高效更新入库。②资源存储：以分布式数据库方式对资源数据进行分类存储，包括基础空间资源、网络资源、云资源、管线资源、业务资源、码号资源、社区资源等。利用数字孪生技术，将空间、物理、逻辑、业务四维一体的实体网络，映射为数字网络，实现对现实网络的模拟。并利用 GIS、3D、知识图谱等技术，进行数字化建模，实现资源孪生可视，与业务运行信息关联还原现实网络。

③资源能力：对资源数据按场景进行能力封装，提供资源查询、资源操作（预占/占用/释放/变更）、资源视图（数字孪生）（规模/

分布/利用率/拓扑关系/端到端呈现）、资源巡检、GIS 等。通过资源全生命周期流程驱动资源更新，实现规、建、维、优、营全场景资源动态管控。

（5）指令适配

对网络操作指令进行适配、封装，并路由至相应控制单元来执行，以 IT 操作 CT，实现网络参数自动配置，支持业务自动开通、云网差

32

异化自动配置、系统排障、自助装维等。其功能框架如下图所示：图 16 指令适配功能框架（四）实体网络层

1.推进网络自动化

持续推进网络的云化、NFV 化、SDN 化、智能化，开放切片及编排能力，扩大业务自动开通范围，提升网络自动化水平；向数字孪生层（网络中台）全方位提供格式化数据、能力、控制接口，接收和执行控制指令；支持自动修改网络参数和设置；支持资源分配参数的动态调整。其框架如下图所示：

图 17 网络自动化框架

33

2.推进网络自智

实体网络层，指面向用户提供业务的网络及平台等，包括无线网、核心网、网络云、有线网（数据网和承载网）等。在智能化体系里该层将配备基础的网络自动化与自智能力，实现单域自智，提供如自我配置、自我修复和自我优化等自智功能。（1）无线网

无线网聚焦内生自智，实现能力开放，支持生态试点。聚焦无线网管内生自智能力，完善自智能力开放，注智网络智能。图 18 无线网自智赋能①内生智能：不断迭代演进，持续提升无线设备及网络内生智能水平，从开通升级、告警自动处理、设备品质评估、网络质量洞察、天线权值优化、节能等原子应用，到建设、维护、优化、资源管理等场景能力，全面提升智能化水平。

34

②开放能力：无线设备及网络将原子能力和场景化能力以API

接口的形式进行能力开放，赋能运营商上层应用系统，包括配置、告警、性能、版本、资产、排障、网优、节能API 等。（2）核心网

核心网采用分层自智的技术架构，依托资源层，在网元层和管理层内生智能，并通过跨层联动，实现核心网单域自智。此外通过OPENAPI 接口向上级运营平台开放信息和控制接口，进一步支撑跨域和跨厂家的端到端管理闭环。

图 19 核心网的自智闭环架构①资源层内生智能：资源层对应网络云，其内生智能支撑资源池异常自动检测，故障自动修复等高可靠能力，对资源利用率和处理性能自感知并自优化。

②网元层内生智能：网元内生智能是智能化体系在电信网络的基础，支撑高可靠、自优化和可管控能力。高可靠包括网元异常自动检

35

测和故障自动修复的智能化；自优化是基于网元指标和用户体验自感知和自优化能力；管控能力是向专业网管层开放信息及控制接口，实现可感知可控制能力。

对于网元异常自动检测采用主动评估健康度的方法，即以网元为对象,收集告警、性能、日志、巡检、拨测结果等数据进行分析，评估设备是否存在故障或隐患,形成设备健康度报表，快速锁定异常设备，提高监控效率。

对于自优化能力采用多维度识别与派单的方法，即通过设备告警、网元 PM 指标、DPI 数据、CHR 异常日志等方式实时识别业务质差情况并生成告警或通知，质差判定遵循统一标准，也基于自主配置诊断规则（如专家经验树、规则库）进行自动化质量问题定界定位，业务质量和用户体验场景支持跨域定界定位，并支持对质差情况进行派单。

③专业网管内生智能：专业网管从智能监控、智能分析、智能决策和自动执行四个环节构建闭环能力。智能监控包括设备健康、服务质量、信息安全、网络效能等多维度的智能化监控；智能分析包括故障、服务质量、网络效能定位分析；智能决策包括故障逃生及网络优化决策支撑、自主决策；自动执行实现作业自动化、一键优化能力。（3）网络云

面向智能化体系所需的实体网络层的功能和架构，运营商网络的各专业网元域相应需要提升业务快速发布、资源池状态实时感知、故障快速定界定位、业务流量精准预测、网络和业务质量自动优化等能

36

力。作为虚拟化网元层的资源层，将在网管层提供远程运维、资源池健康分析、智能遥测、资源池自修复、节能降耗等功能，通过北向接口向云管平台开放功能；在网络云平台层提供多种工具，包括VIM故障自检自隔离工具、网络排障工具、巡检工具和生命周期管理工具。网络云的自智闭环架构如下图所示：

图 20 网络云的自智闭环架构对各智能功能说明如下：

①远程运维：远程运维提供统一、线上的运维系统，提升运维人员工作效率，增强运维操作的规范化。云管平台提供一站式自助运维服务，包括资源自服务开通、版本管理、备份管理、扩容管理、远程批量管理、作业平台等能力，实现网络云资源的“零接触”服务，提高运维效率。

②资源池健康度分析：资源池健康度分析为两种场景，一种是资

37

源池（服务器节点、业务网络质量、存储网络质量、慢盘等），借助系统的亚健康诊断能力，在发生故障之前就发现隐患，并及时进行隐患的处理，直接从根源上避免故障的产生；另一种是网络云利用自身的故障感知、故障诊断、故障处理、故障恢复能力，及时处理资源池的故障，实现一定服务等级下的“零故障”。③智能遥测：网络云遥测功能采用Telemetry 技术实现，物理设备和虚拟设备的采集数据主动上报，保障数据的实时性。网络云自配置系统，由网络设备、采集器、分析器和控制器等部件组成。系统基于采集的性能数据，进行质量分析。如果发现存在网络参数需要调整，控制器将需要调整的配置下发给设备，执行生效后，新的采集数据又会上报到采集器，此时分析器会分析调优后的网络运行情况，再调整、再分析，直到网络配置可以满足客户的需求。实现整个流程的闭环。④资源池自修复：资源池自修复能力是建立在资源池感知、故障分析、自动决策和自动执行等能力的基础上实现的。资源池感知功能是虚拟资源管理模块以计算、存储、网络资源的基础信息、性能指标、告警等数据为基础，对资源池的整体情况的监控。当资源池产生故障时，虚拟资源管理模块需要把故障事件上报给故障分析模块，同时获取故障时间点附近的性能数据、告警、日志、系统状态等数据，用于关联分析。分析系统将结果和处理方法反馈给决策系统，用于决策执行，整个过程闭环。

⑤节能降耗：资源池的节能降耗基于服务器峰值功率控制技术和核休眠技术（C 态控制）实现。由于服务器峰值功率控制会损耗CPU

38

的主频，一般对空闲节点使用这种方式。CPU 核休眠技术可以对未分配的核进行休眠，当业务需要使用时，在短时间内恢复这些核至正常工作状态。此外，如果资源池允许服务器进行下电操作，也可以将服务器下电功能加入到整体的节能方案中，提高节能效率。（4）传输网、数据网

实体网络层的传输网和数据网，归类为有线网络部分，目标是构建简捷和全生命周期的新一代网络，推动实体网络层的智能自主进化，从而最终实现有线网元域的单域自智。方案是在NE 智能层之上，建立网络智能层，进行智能化管控。

图 21 传输网、数据网智能架构对上图说明如下：

①网元智能层

网元智能层为有线网元设备提供智能，是有线网元智能化的基础，包括：

a.运行情况实时捕获：包括 Inband OAM、TWAMP、NetFlow、

39

性能和告警监视等，能够将网络、业务运行情况实时捕获，并通过Telemetry 上报给网络的智能化管控。

b.智能化管控：AI 算法部署到设备上，设备具有内生实时智能，实现毫秒级的网络故障感知和故障修复、设备内能耗的智能调节等功能。

②网络智能层

传输网、数据网的网络智能层，由意图引擎、控制引擎、感知引擎和 AI 模块、数据采集和处理模块组成。其中：意图引擎将用户通过语音、文字等方式的意图输入转化为网络意图表达模型，并进行方案设计和仿真验证；控制引擎包含网络编排、控制、管理服务，提供端到端业务的快速发放，支持 IP、IPRAN、PTN、SPN、OTN等多种网络；感知引擎通过数据的关联分析和深度挖掘来提升网络优化的能力和效率；数据采集和处理模块，AI 模块分别提供数据服务和AI

算法服务，并支持持续优化。 （五）智能化流程

1.智能化决策与自动化执行流程

智能化决策与自动化执行流程是从智能层决策、数字孪生层感知与自动化、实体层执行的端到端流程，具体如下图所示：

40

图 22 智能化决策与自动化执行流程对上面的流程说明如下：

1)利用数据构建知识库。

2)决策管理模型、认知管理模型、动态感知模型等训练与优化。3)部署决策管理模型、认知管理模型、动态感知模型等。4)实体网络通过数字孪生层的动态感知向智能层的认知管理模块提交决策请求（携带状态信息）。

5)认知管理模块进行问题解析，通过企业知识库匹配问题特征，查找解决方案。

6)企业知识库反馈解决方案。

7)认知管理模块向决策管理模块传递解决方案，形成决策信息。8)决策管理模块通过编排模块将解决方案实例化为可执行方案，通过智能服务开放模块向传递给数字孪生仿真模块进行仿真测试，并接收仿真结果。

9)决策管理模块将仿真验证后的可执行方案通过智能服务开放

41

模块传递给自动化执行模块，由其传递给实体网络/平台执行，并接收执行结果传递给决策管理模块。

10)决策管理模块将决策信息、可执行方案、执行结果信息传递给认知管理模块。

11)认知管理结合决策执行结果对企业知识库进行修正。12)认知管理模块将决策请求信息、决策信息、可执行方案、执行结果信息同步给数据模块，用于模型的优化。2.智能化运维运营流程

通过智能化运维运营流程，可以依托智能业务识别、智能根因定位、智能预测等关键能力，拉通上层跨域与网元单域系统，重构流程，实践“评估-分析-决策-执行”全流程智能化闭环，持续提升用户和业务端到端保障效率。

图 23 智能化运维运营流程（六）安全保障

随着人工智能规模化建设和应用持续加速，智能化系统全生命周期面临安全风险，包括：

 需求分析方面：业务目标有悖法律规范的风险。

42

 智能化系统研发：AI 基础设施不完善；AI 技术脆弱性；AI 系统研发不可控。

 功能测试验证：测试验证不充分，安全风险未修复。 模型/系统部署：系统软硬件部署环境不可信，存在非授权访问。

 系统运行监控：对抗样本攻击、算法后面攻击等新型攻击。 模型持续验证：因持模型迭代引入的模型反馈误导等安全风险。

 需求迭代评估：业务目标有悖法律规范的风险。 模型/系统下线：数据、模型及系统下线信息销毁不彻底，泄漏个人隐私等风险。

通过全面分析智能化系统生命周期各阶段存在的安全风险及其产生的根源，在现有网络安全体系基础上，从智能化业务、AI 算法、训练数据、开源框架平台四个层面构建智能化安全防护能力，实现智能化系统业务合法合规、决策公平公正、数据安全可信、功能可靠可控的智能化安全防护目标。智能化安全框架如下图所示：图 24 智能化安全框架

43

由上图可知，构建智能化安全防护能力包括：①智能化业务安全：支持业务合规性评估、安全攻击检测、业务安全机制、恶意应用检测等。

②AI 算法安全：支持算法鲁棒性增强、算法公平性保障、算法可解释性提升、算法知识产权保护、算法安全评测等。③训练数据安全：支持数据隐私计算、数据追踪溯源、问题数据清洗、数据公平性增强、数据安全评测等。④开源框架平台安全：支持漏洞挖掘修复、模型文件校验、框架平台安全部署等。四、智能化应用

（一）智能化应用框架

通过对智能应用场景进行分类，按照网络智能、运营智能、应用智能来划分智能化应用框架，其 L0 层架构如下图所示：图 25 智能化应用框架（L0 层）对 L0 层架构进行展开，形成 L1 层智能化应用框架，如下图示：

44

图 26 智能化应用框架（L1 层）对上图说明如下：

①应用智能层

应用智能层包括产品管理、市场与销售管理、业务受理（意图）等，具体如下：

 产品管理：产品组合分析、动态内容推荐等。 市场与销售管理：市场规划与销售预测、识别潜在客户、与客户的个性化沟通、AI 驱动的广告等。 业务受理（意图）：用户需求分类、意图识别（业务需求->业务逻辑->逻辑网络的模板转换）等。②运营智能层

 网络保障：端到端网络管理、服务要求保证（含网络片SLA等）、网络故障识别与预测（含基于动态阈值的网络运维异常检测、接入网弱光检测、基于基因图谱的智能告警、IPRAN