智能社會腳步漸近，在你看得到或看不到的地方，變革正在發生。

作為數字化底層平臺的電信行業正身處變革的中心。未來的數字孿生將無處不在，各個垂直行業擁抱數字化的進程帶來了萬億美元級的市場想象空間，為人口紅利漸逝下的運營商們實現新的商業增長提供了絕佳機會；而硬幣的另一面則是，用戶需求的持續提升、傳統業務的每況愈下、行業整體現狀的相對不健康、來自跨界競爭的壓力乃至今后業務發展市場環境的種種不確定性，都挑戰著運營商所主導的整個價值鏈。

無論機會還是挑戰，都驅使著運營商必須作出改變。面向智能化、“以客戶為中心”的網絡架構層面的重構與轉型，將是一切的前提。今年4月，華為創造性地在全云化網絡構架基礎上引入AI技術，提出SoftCOM AI戰略及架構，以此來推動電信網絡的自動、自優、自愈、自治，從而實現運維效率倍增、能源效率倍增、資源效率倍增以及用戶體驗的大幅提升。

如今，隨著將運營商網絡訴求和難點不斷收斂與提煉，華為SoftCOM AI團隊已經識別出部分轉型焦點場景，并針對這些場景形成了相應的可操作可執行的解決方案與用例，并且已經和運營商展開試點——考慮到以往一項技術由概念到落地往往需要數年時間，這個速度不可謂不快。在近期的一場采訪中，華為專家就此向C114作了充分的展示與分享，涉及的場景種類包括通過預測性分析實現主動優化（如基站智能節能）、解決重復低效工作問題以提升效率（如PON故障定位）、解決海量數據下無法做到人工全量處理的問題（如Massive?MIMO尋優）等。

基站智能節能

有統計顯示，基站站點能耗費用（電費）占到網絡運營成本的16%之多，為優化成本結構和促進社會效益，針對基站站點的節能減排已成運營商的一大努力目標。

分解開來看，傳統宏基站能耗構成中基站主設備占50%、射頻單元能耗占主設備能耗的80%、功放（PA）能耗又占到射頻單元能耗的79%——隨著分布式基站成為主流建站方式，基站主設備能耗占比將繼續提高。與此同時，網絡話務量往往存在明顯的潮汐效應，忙時與閑時能達到4倍的差距，但大部分基站設備卻始終保持持續運行狀態（所有資源24小時一直開），能耗并沒有隨話務量動態調整，造成了相當大的浪費。因此對于主設備而言，如何通過基站載波睡眠的方式降低能耗就成為了基站節能的主要考慮方向。

通俗地講，基站智能節能就是降低或關閉搭載載波的功放模塊，功放模塊是個硬件實體，用于將調制好的載波信號加大功率發送出去。載波睡眠所針對的是一個扇區有2個載波（2個小區）及以上覆蓋的場景，將容量小區的功放模塊關閉，僅保留覆蓋小區以滿足基本覆蓋。基站載波關斷特性不是新鮮事，但目前這個特性的使用率卻不高，原因是傳統的一刀切方式嚴重依賴于定時關斷等人工設置的統一默認值，經常會影響到用戶的通話和上網體驗。

如何讓這么好的特性真正能夠用起來？如果可以預測基站小區的無線資源利用率，就可以用來對每個小區睡眠時間做出個性化的精準設置，解決基站節能特性“不敢用”的問題。但做到預測并非易事，首先需要得到成千上萬個小區的歷史數據，比如時間、鄰區關系、事件、無線資源利用率等特征值，再把這些特征值與無線資源利用率的映射關系找出來；同時，還要監控KPI/KQI的變化，根據調整策略部署后KPI/KQI的變化動態調整關斷參數。顯然，靠人工將影響預測的不確定因素與無線資源利用率關聯起來非常困難，在實踐中基本無法實施。

SoftCOM AI的出現完美地解決了這個問題。通過AI訓練平臺時空計算模塊中的神經網絡算法，將各種影響因素的歷史時空特征數據和無線資源利用率之間的映射關系找出來，確定權重矩陣和偏置矩陣，從而得到無線資源利用率預測模型。在預測模型建設完成之后就可部署到系統中，根據無線資源利用率預測結果設置睡眠門限參數，計算滿足小區睡眠門限的時間段。

據華為專家介紹，從當前在某實驗局的效果來看，基于AI的基站智能關斷可幫助運營商在覆蓋范圍不變、KPI/KQI不受影響的情況下，節省15%-25%的基站電力消耗。

PON光模塊和光鏈路故障定位及預測

作為用于解決“最后一公里”的寬帶解決方案，PON技術在此前“光進銅退”的風潮下已經在全球廣泛部署。但在享受到技術帶來的助益的同時，PON無源器件的故障定位困難并缺乏遠程定位的有效手段，導致了相當大的運維成本壓力。

根據某運營商的統計，2016年7月-12月共收到用戶2.5萬條投訴，光鏈路和OLT/ONT光模塊（光電轉換模塊）故障占比34%。這其中皮纖設備因為城鎮改造、鼠類咬斷、雨雪天氣等原因造成的故障占比超過20%，戶外各種接頭（冷結子、水晶頭等）故障超過6%。由于無源器件無法發出任何信息，這一段設備如果發生故障將很難準確定位。

由于光纖線路都埋在管道中無法檢測，按照現有流程，一旦家庭寬帶用戶投訴故障就只能帶著專業測試儀器（OTDR）上門到ONT上檢測整個鏈路來判斷故障原因。而運營商上門成本高昂，歐洲平均為175歐元，在中國亦達50人民幣，某運營商2017年一年上門費用的費用就達到了1億人民幣之多。

SoftCOM AI借助于網管系統（U2000、uTraffic等）從ONT/OLT光模塊獲取歷史數據，包括模塊類型、模塊電壓、模塊電流、模塊溫度、光層告警、光層統計、發送功率、接收功率、光距等，從這些數據中抽取出特征、打上標簽進行AI訓練。AI訓練出來的模型可以用于實時數據的推理，得出故障種類和故障定界兩方面信息，以此來實現故障的精準定位及預測。通過SoftCOM AI方案提供遠程定位手段，可將遠程定位率從30%提升到80%。

Massive MIMO自優化配置

5G是電信行業的下一個重大機會點，在價值鏈各方的共同推動下，它離我們已不再遙遠。在5G到來前在網絡領域做好準備，正當其時。

在城市環境中可用無線頻譜已經飽和，為滿足業務需求的急速增長，4G和5G時代增加天線的數目不可避免。大規模天線技術（Massive MIMO）正是5G時代的核心技術之一，想要充分發揮其優勢，就必須對Massive MIMO基站的各項參數進行靈活的適應性調整以應對業務的變化。

然而，不同地點、不同場景、不同用戶分布，天線組合的參數不一。3G時代天線一共只有13種參數組合（水平波寬+垂直波寬），很容易通過專家的經驗判斷來選擇；到了4G時代，天線的參數組合（水平波寬+垂直波寬+下傾角）數量增加到數百種，已經很難憑借過去的經驗來判斷；而5G時代的幾千種參數組合（水平波寬+垂直波寬+下傾角+水平角）更是人工經驗判斷所不能實現的。面對大量的參數組合和快速的業務變化，加上人工操作效率低、風險大、難以實施，Massive MIMO基站迫切需要更加智能、可優化的機制。

SoftCOM AI通過引入AI來分析處理各種復雜場景特征和波束參數組合的對應關系。極大縮短漫長的調試階段，快速得到某個地點某種場景下的波束的最優配置參數。

在某運營商的實際使用中，通過AI技術已實現了短短數天得到一個站點的最優初始值，效率比傳統方式有了巨大提升。