已經在智能手機領域開始廣泛應用的AI人工智能，如今又被賦予了新的使命，有望在網絡架構重構的新階段大放異彩。

在“2018中國SDN/NFV大會”上，工信部通信科技委常務副主任、中國電信科技委主任、SDN/NFV產業聯盟理事長韋樂平在接受C114專訪時表示，AI使能是網絡架構重構新階段，人工智能為網絡架構重構打開了一條新的通道。

SDN渡過炒作期、NFV征程依然艱難

在網絡架構重構這場變革中，SDN/NFV一直扮演著重要角色。

談及SDN/NFV的發展，韋樂平認為，SDN已經渡過炒作期，進入理性發展階段。一方面，SDN標準化進程加速，IETF南北向接口定義完成；BBF瞄準產業轉型，推進網絡云化；ONAP開源組織推出第一版本，ONF TAPI2.0信息模型發布。另一方面，標準和開源組織走向協同，標準組織通過組織Hackthon參與開源，而開源組織開始反推標準。

同時，基于SDN/NFV的網絡云化已經成為共識。根據Mason預測，2017年全球網絡云化市場為52億美元，未來增長25%，2020年達到121億美元。據了解，全球電信云項目已經超過400個。SDN專線成為熱點，SD-WAN成為SDN邁向大網的關鍵和切入點，Verizon、AT&T、Sprint、BT、Orange等大T已經率先部署。

“而網絡中的NFV化已經開始落地，但征程依然艱難。”韋樂平指出，NFV項目已覆蓋網絡中所有的核心網網元(如vEPC，vIMS)；目前，NFV已經開始落地，例如美國運營商AT&T的NFV商用部署正在進入拐點， Verizon預測采用NFV后五年能省下100億美元。即將到來的5G將成為NFV新的驅動力，當然NFV也成為5G落地的必要條件。

但在韋樂平看來，由于思維落后、硬件性能限制、標準化滯后及互操作的復雜性，其他領域的NFV化還不盡人意。當前，網絡云化的挑戰不可輕視，運營商的一朵云理想，依然還只是理想，其內部IT系統的復雜性和對外服務的質量和速度要求導致公有云和電信云還在獨立建設，共享只是在機房、局址和動環環節，因此運營商的任務依然任重道遠。

AI使能有望解決網絡架構重構三大挑戰

事實上，基于SDN、NFV、Cloud的網絡架構重構也帶來大量新的多維度復雜性，在很大程度上抵消了其帶來的諸多好處。韋樂平指出，例如，SDN技術只能解決自動化10%的問題，而90%的問題是組織、流程、和人的問題，其中自動化是關鍵。因此，SDN將進一步從自動化走向智能化，電信網的復雜性和人工依賴性使得具備應付高度復雜性能力的AI人工智能具有很好的發展空間。

“結合SDN與AI的基于意愿的隨愿網絡（IBN）將可能成為網絡自動化和智能化的目標。”韋樂平提出，AI使能是網絡架構重構新階段。AI在處理復雜問題上的能力遠超人腦，有望解決網絡架構重構所面臨的以下三個重要挑戰：

第一個挑戰是網絡架構動態變化帶來的網絡和業務的復雜性；第二個挑戰是網元分層解耦后的故障定位等運維帶來的復雜性；第三個挑戰是網絡資源實時調整帶來的網絡運行復雜性。

不同層面和領域的作用和引入路徑不同

AI也適用于解決網絡難題，一切基于軟件的復雜多維問題都可以借助AI的幫助，復雜的多層、多域、多協議、多接口、多參數、多廠的網絡和業務問題也不例外，只是AI在不同層面和領域的作用和引入路徑不同。

據韋樂平介紹，AI網絡應用的一般原則是：越高層、越集中，跨域分析能力越強，對計算能力的要求也越高，所需數據量也越大，更適合對全局性的策略集中進行訓練和推理；而越低層，越接近終端，專項分析能力越強，對實時性要求往往越高、對計算能力要求則滿足業務需求即可，引入AI的推理能力或具備輕量級的訓練能力即可。

與此同時，韋樂平給出了AI在不同層級上應用的能力：

首先，AI在基礎設施層的應用，主要為有源硬件設施提供AI加速器，可實現不同層級的訓練和推理能力，諸如核心DC的基礎設施，可優先引入AI加速器，滿足全局性的策略或算法模型的集中訓練及推理需求。AI在接入側可以逐步按需推進，例如基站內嵌AI加速器可以支撐設備級的AI策略及應用。

其次，AI在網絡和業務控制層的應用可以優先集成AI的推理能力，對網絡和業務實現智能網絡優化、運維、管控和安全；可實現網絡各層級KPI優化、網絡策略優化等，例如在無線的覆蓋優化、容量優化、負荷優化等。

再次，AI在運維和編排層的應用，可優先在大數據平臺上引入AI引擎，對OSS和BSS數據做更深度的智能化挖掘。

“隨著虛擬化網絡的部署，編排層上可以逐步疊加AI能力，從而提升產品編排、業務編排、端到端資源編排的自動化和智能化水平，進而對業務量的變化做前瞻性的智能預測，實現動態規劃和管理配套的資源。”韋樂平說。

人工智能網絡應用三大場景

那么，在網絡架構重構過程中，AI將在哪些主要場景發揮作用呢？韋樂平指出，AI網絡應用主要有以下三大場景：

一是高效智慧運維場景：可針對網絡進行預防性/主動性維護，利用AI/ML技術預測網絡運行狀態和器件、設備、業務可能的劣化風險，改善網絡質量、提升MTTR；集約資源智能調度，對資源統一進行自動化調度，例如DC資源、分片資源、維護人工資源等；對業務質量進行閉環優化，利用AI/ML結合SDN網絡控制能力進行業務、鏈路閉環控制，達成時延降低、流量全局均衡、云化資源自適應擴縮容等效果。

二是個性化業務服務場景：網絡邊緣存有客戶使用網絡業務相關的大量數據，利用這些數據以及網絡其它數據、CRM信息能夠給客戶個性化服務的分析和建議，例如結合企業專線的帶寬利用率、周期性潮汐流量特征、特殊時延要求等能夠更好地設計個性化業務和靈活的資費模式。

三是網絡安全場景：利用AI/ML學習技術可以針對惡意/病毒會話特殊的會話字節、頭端包大小和頻次、病毒特征字節等信息進行統計分析，從而在惡意流量攻擊的早期就能正確識別，對于潛在的、前期未有訓練數據的惡意報文也能進行預警。

組織架構水平化是必由之路

而作為使能網絡架構重構新階段的一項重要的新技術，AI距離真正成熟尚需時日。韋樂平認為，AI網絡應用將面臨以下四大挑戰：

第一，缺乏能夠有效利用的數據。AI成功應用的前提是足夠大的訓練數據，盡管電信網的數據足夠大，但由于部門和各管理層級的數據語義和格式不同、數據存儲和管理應用機制不同、數據監管限制等原因，能真正有效利用的有價值的數據并不足夠大。

第二，AI/ML與網絡結合的價值場景尚不清晰。

第三，盡管相對而言，AI算法比較成熟，但網絡和業務遠比目前已成功應用AI的圖像、語音識別和單一棋類博弈要復雜，特別是還缺乏成熟可靠的電信網絡和業務的建模和特征表示及提取方法。

第四，運營商現有垂直煙囪式組織架構不適應AI使能的新網絡。

對此，韋樂平認為，未來網絡組織架構水平化是必由之路。

現有組織架構往往是依靠特定的業務部門的專門團隊來支撐特定的業務、應用、網絡功能，從而形成了大量垂直一體化的業務和網絡煙囪，不僅耗費了大量的人力物力和資金，而且還無法共享資源，難以提供融合性業務和網絡。

而基于云化網絡的網絡架構重構要求運營商能夠在跨部門的、共享的、統一的云平臺上協同工作，這與現有的垂直煙囪化的部門設置直接沖突。“如果僅僅依靠技術和業務重構，而不下決心實施組織重構，難以推進AI使能的深度網絡架構重構。”韋樂平強調，打破部門壁壘，實施組織架構水平化是成功的前提。