人工智能與通信網絡融合趨勢

屈軍鎖，唐晨雪，蔡 星，竇秋實，武 晨，喬 寧

(1.西安郵電大學 自動化學院，西安市先進控制與智能處理重點實驗室，陜西 西安 710121；2.西安郵電大學 通信與信息工程學院，陜西 西安 710121)

通信技術從電纜到光纜、從有線到無線、從模擬到數字、從地面到太空，通信網絡業務從話音到數據、從低速到高速、從單一到融合，通信網絡架構從復雜層級到扁平化、網絡功能虛擬化(Network Functions Virtualization，NFV)和軟件定義網絡(Software Defined Network，SDN)等云網一體化。目前,通信技術已經基本解決人與人之間的通信需求,正在朝著解決物與物之間通信需求的方向發展，形成萬物互聯。通信網絡從信息化時代進入智能化時代。

目前，電信運營商的網絡規劃設計、運行維護優化、業務部署、服務運營、故障定位和網絡安全等仍以人工處理為主，數據參數量龐大、處理復雜度高，存在難以適應通信網絡及業務的彈性、快速部署和動態調整等問題。未來5～10年是通信網絡智能化轉型的關鍵時期，將快速發展、逐步成熟的人工智能技術引入通信網絡的各個應用場景中，通信網絡將由當前人治模式轉向自我驅動為主的自治模式，真正實現網絡運行和維護等領域的智能化變革。

為了全面了解和把握人工智能與通信網絡的融合趨勢，通過分析和歸納通信網絡與人工智能技術內涵和核心要素，采用分類、聚類和預測等3類人工智能算法，分析了通信網絡在網絡規劃、網絡優化、網絡運行維護、故障預測及溯源、網絡安全、智能客服中心和軍事專用網絡等7個典型場景中的應用情況。同時，對人工智能與通信網絡融合發展中面臨的數據來源、算法選取等技術問題進行總結，并對其在相關領域的融合發展進行展望。

1 通信網絡概述

隨著人類社會信息化的加速，對信息通信的需求水平明顯提升。通信信息網絡基礎設施是國家重要的公共基礎設施之一，是信息化發展的載體和戰略支撐。

通信網絡從面向話音業務的電路交換，面向數據話音融合的軟交換、軟件定義網絡(Software Defined Network，SDN)、網絡虛擬化(Network Functions Virtualization，NFV)，以及新一代面向垂直行業靈活部署的網絡切片[1-2]演進。新技術的引入提升了通信網絡的靈活性，網絡可以實現按需定制、實時部署和動態保障。同樣，無線移動通信以其使用的廣泛性和接入的便利性，經過30多年的爆發式發展，從第一代移動通信技術(First Generation Mobile Communication Technology,1G)模擬語音業務、第二代移動通信技術(Second Generation Mobile Communication Technology,2G)數字語音業務、第三代移動通信技術(3rd Generation Mobile Communication Technology,3G)中速率數據業務、第四代移動通信技術(4th Generation Mobile Communication Technology,4G)高速數據視頻業務到第五代移動通信技術(5th Generation Mobile Communication Technology，5G)高速率低時延的萬物互聯。其中，1G到4G主要面向消費者應用，5G以及第六代移動通信技術(6th Generation Mobile Networks,6G)轉向消費和產業應用齊頭并進。未來將以產業應用為主，從智能制造、無人機和自動駕駛到智能電網，從智慧城市、農業生產、智能家居和新零售到物聯網，形成萬物互聯[3-4]。移動通信網絡技術的演進過程及應用情況如表1所示。

表1 移動通信網絡技術的演進過程及應用

隨著垂直應用業務需求的大規模爆發、通信網絡技術的更新迭代和新一代通信技術與產業鏈架構的融合演進，傳統電信運營商以人工手動或者半自動方式為主的網絡運營存在以下4個方面的問題[5-6]。

1)業務需求多樣化。隨著網絡能力、業務多元化和個性化發展，業務場景從人與人通信的單一模式逐漸演變為人與人、人與物、物與物的全場景通信模式，業務場景的復雜化帶來服務等級協議(Service Level Agreement,SLA)的差異化需求，以及與之配套的網絡管理復雜性等[4]。因此，網絡對于體驗的支撐保障將顛覆傳統模式。

2)網絡能力要求高。差異化的業務對網絡帶寬、時延、可靠性和連接數等指標需求不同。相應地，網絡會形成多層、多無線接入技術并存，導致網絡結構復雜。因此，資源調度和管理成為一個新的問題。充分發揮網絡潛能，快速適應網絡需求變化，是對新一代的網絡設備提出較高的智能化要求。

3)網絡維護更加復雜。2G時代，網絡中需要配置的參數為50個，到3G時代，參數增加到100個，而4G時代需要配置的參數達到1 500個。按照此趨勢，5G時代需要配置的參數將可能達到2 000個。不同制式網絡將長期共存，網絡管理和優化的難度增大。另外，網絡切片、網絡虛擬化帶來分層解耦、故障定界和定位更加困難[7]。相應地，網絡的部署、管理和維護也需進行相應調整。

4)網絡建設和部署愈加困難。受超密集網絡部署的復雜性和成本的限制，為了提供高質量網絡，降低網絡部署復雜度，5G不僅需要靈活高效地利用各類頻譜，包括對稱和非對稱段、新舊頻譜段、高低頻譜段、授權和非授權頻譜段等，還需要具備更強的設備連接能力，從而應對海量網絡設備的接入。

近年來，人工智能技術在大數據量計算、跨領域分析和動態決策等方面具備天然優勢。人工智能與信息通信網絡的結合為電信網絡運營商應對各種挑戰開辟新的視野，如網絡業務多樣個性化需求、網絡承載能力、網絡規劃智能化、網絡優化、故障檢測與定位、智能網絡耗能管理和安全檢測與漏洞學習等[8]。通信網絡引入人工智能技術，有助于運營商實現智慧運營、網絡自治的新型智能通信網絡。

2 人工智能技術

人工智能[9]是一門研究如何用機器實現人類智能的學科，即用人工的方法和技術研制智能機器或智能系統模仿、延伸和擴展人的智能，實現智能行為，如學習、推理、思考和規劃等。人工智能涉及到自然科學和社會科學的所有學科，包括計算機科學、心理學、哲學和語言學等廣泛的交叉和前沿科學。

人工智能自誕生以來幾起幾落[10-14]，經過60多年的演進，其發展進入新階段。特別是在移動互聯網、大數據、超級計算、傳感網和腦科學等新理論、新技術以及經濟社會發展強烈需求的共同驅動下，人工智能呈現出深度學習、跨界融合、人機協同、群智開放和自主操控等新特征[15]。目前，人工智能沒有標準的體系架構。從技術實現方面，將人工智能歸納成數據層、技術層和應用層等3個層次，如圖1所示。

圖1 人工智能結構

數據層是人工智能的根基所在。通過外界采集大量多樣、無偏性的數據后，經過分箱法、聚類法和回歸法等數據清洗的方法處理，去除含有的不良數據，再將清洗后的數據標記，進行模型訓練，并將準確、足量的優良數據輸送至算法和模型中使用。

技術層是人工智能的核心層，決定應用層產品的智能程度，其中算法、模型和計算能力對技術層的發展起到決定性作用[8]。人工智能技術涉及機器學習、語音/自然語音處理和計算機視覺處理三大領域，通過對大量數據不斷地識別訓練，建立算法模型，從而開發面向不同領域的應用技術。其中，人們熟知的阿爾法狗(AlphaGo)就是運用機器學習和深度學習算法，語音識別、語義解析屬于自然語言處理，圖像識別、人臉識別與字符識別屬于計算機視覺。

應用層是人工智能與傳統產業融合的產物，實現人工智能的不同場景應用。人工智能在自然語言處理、計算機視覺和機器學習等方面日趨成熟，帶動不同領域智能化提升、效率優化。目前，其主要應用的領域有智能通信、智能汽車、智能家居、智能醫療、智能交通、智能教育、智能金融、智能制造和智慧城市等垂直行業。未來不僅推動產生新模式、新業態，更有可能帶來新的生產方式和新的治理模式。

人工智能技術發展呈現加速趨勢，其自身的學科交叉性和垂直應用性，未來必然與各行各業進行深度融合。隨著人工智能技術的創新突破和應用場景的日益增多，其安全風險也會動態演進，將呈現泛在化、場景化和融合化等特點，對人類生產生活、國家政治經濟以及安全等方面產生深遠影響。

3 人工智能技術在通信網絡中的應用

通信網絡本身有大量的終端、業務、用戶、網絡運維和無線傳輸性能等多維數據，其在傳輸中還有大量的測量數據。通信網絡采用機器學習、深度學習等人工智能方法進行深度挖掘，如采用分類、聚類及預測等算法，實時動態重配置無線網絡，從而提高網絡規劃、建設、優化、運維、安全和故障溯源等方面的效率，增強網絡智能組網、靈活運作和高效支撐業務等方面的能力，降低網絡建設、維護和管理成本。人工智能技術在通信網絡中的應用是適應各種新型應用、網絡智能化的核心和關鍵[16-20]，人工智能相關算法及應用的具體情況如圖2所示。

圖2 人工智能相關算法及應用

根據通信網絡的應用場景，人工智能算法可分為分類、聚類和預測等3類，涉及17種具體算法。每種人工智能相關算法的優缺點對比情況如表2所示。

表2 人工智能相關算法優缺點對比

續表2 人工智能相關算法優缺點對比

人工智能技術主要應用在網絡規劃、網絡優化及網絡運行維護等7個典型的通信網絡場景中。通過對各種應用場景的具體分析，能夠全面了解人工智能在網絡中的綜合利用情況，逐步實現端到端、流程化、智能化的網絡布局，最終實現“智能化”的通信網絡。

3.1 網絡規劃

移動通信系統發展至今，數據業務的多樣化、流量的爆炸性增長、基站類型和基站數目的增多，導致網絡資源消耗加快，網絡規劃的復雜度增大。因此，傳統靜態規劃方式已無法適應通信網絡的發展需求。

傳統的網絡依靠采集的數據和經驗進行網絡規劃，隨著流量的爆炸式增長、業務量分配的不均衡，傳統通信網絡存在明顯的潮汐效應。為保證用戶的正常使用，運營商按照設備的最大配置規劃通信網絡，造成網絡資源的嚴重浪費。當前，采用人工智能算法對基站位置、無線覆蓋、網絡容量和無線資源管理等信息進行分析和仿真，并通過算法訓練形成規則，從而對后續基站位置的選擇和無線資源的分配提出優化方案。除此之外，人工智能技術的應用范圍還包括載波聚合、干擾協調、擁塞控制/負載均衡以及接入、傳輸和承載等其他網絡。隨著SDN和NFV[21]等技術的發展，智能控制力度愈加增強[22]，使得端到端的網絡規劃成為常態，保證網絡可實現自主預測與網絡規劃，達到實時自治。

5G基站的網絡覆蓋面較低，網絡建設需要布設大量的基站。采用人工智能技術引入到基站選址、規劃和建設中，可以減少工作量。在基站選址過程中，數據來源主要是用戶設備自主反饋的覆蓋率采樣信息、地理測繪數據、3G/4G/5G網絡的工程參數和樣本數據。通過匯聚和融合來自接入網和核心網等相關數據，利用人工智能平臺生成基站建設策略，指導5G基站的選址、規劃和建設[23]。

在扇區規劃方面，實時動態地生成規劃策略，進行自動優化與配置，使用人工智能算法進行模型訓練形成規則。針對具有潮汐效應的場景，如固定的場館，通過算法分析該地區用戶的分布規律，并靈活調整廣播/控制信道的波束分布，從而做到覆蓋和容量同時達到最優值。使用人工智能算法參與場景識別時，可得到當前場景和當前用戶下的最優廣播權值，以提升該場景范圍內的信道質量指示(Channel Quality Indicator，CQI)和信號與干擾加噪聲比(Signal-to Interferenceand Noise Ratio，SINR)等指標[24]。將這些關鍵性能指標(Key Performance Indicator，KPI)與權值、場景及用戶分布等信息聯系起來，建立關聯數據庫，相同場景可以即時匹配得到最優的廣播權值。

3.2 網絡優化

隨著通信網絡流程和業務的多樣化，網絡運營的壓力增大，人工智能的引入將成為網絡優化的關鍵。

網絡優化是指通過各種硬件或軟件技術使網絡性能達到最佳平衡點，實現網絡全面的覆蓋和資源的合理分配。傳統網絡優化是結合人工測量、道路測量采集的數據以及個人經驗進行優化調整，這種工作方式效率低、周期長。當前，基于人工智能的智能網絡可通過自主檢測、分析和操作實現網絡的自我校正和優化，同時，為覆蓋優化施策助力[25]。智能網絡優化主要包括流量優化、無線網絡覆蓋和能耗優化等3個方面。

1)流量優化。隨著用戶業務需求的不斷變化，網絡流量也隨之動態變化。根據流量的變化提取特征，對其變化趨勢進行預測，給出優化方案，從而平衡網絡負荷，保障用戶的網絡體驗。人工智能能對流量較大區域、時段提前預測并進行配置調度，對流量較小區域、時段實現智能關斷部分基站設施，達到節約成本的效果，保障通信網絡處于最佳工作狀態。

2)覆蓋優化。無線網絡的覆蓋程度決定了通信網絡的質量。據統計顯示，LTE網絡中各設備商的無線參數總和已經超過8 000個，依靠人工經驗很難進行精細化配置[26]。利用人工智能技術對通信網絡進行系統分析，可實現精準化網絡參數配置。例如，在面對TopN小區覆蓋問題時，利用深度神經網絡構建區域覆蓋模型，輸入影響覆蓋的特征信息，如基站結構、參數配置等數據。通過隱含層進行模型訓練和特征學習，當算法迭代到一定程度時，可通過高層特征表述出覆蓋預測模型、推薦參數取值及指導無線參數的調整與配置。無線覆蓋優化模型如圖3所示。

圖3 基于深度學習的無線覆蓋優化系統模型

3)能耗優化。隨著人工智能的發展，數據中心產業進入快速、大規模的建設和發展階段，能源消耗也越來越嚴重。據有關數據預測，2025年全球的數據中心將消耗全球所有可用電力的20%。

冷卻系統占據數據中心能源使用的大頭，通過數據中心數千個傳感器收集溫度、功率、泵速和設定值等數據，并利用深度神經網絡進行數據訓練。根據訓練后的模型，預測未來電源使用效率和數據中心在未來一小時內的溫度和承載壓力，得到能源分配策略，最終減少能源的使用消耗。該技術的潛在應用包括提升能源轉換效率、減少能源消耗量和提高能源產能等方面，能夠實現數據中心的健康綠色發展。

采用人工智能中的神經網絡算法對運行維護中的系統進行覆蓋優化，具體包括以下3個步驟。

步驟1需要收集多種不同小區的量化特征，具體的內容為相近鄰小區結構、地形環境、終端用戶分布、站型結構、用戶移動性和操作配置參數等，使用這些特征進行建模。

步驟2使用K-means算法，可以匹配所選的樣本中的個體距離滿足該個體所需的其他相似度較高的K個個體，K值可以自主設定，根據經驗進行兩兩對比，得到與其相似度最高的無線小區，從而進行優化參數推薦。

步驟3對于多維度特征建模，使用神經網絡算法，可以預測出更為詳細的參數數據。對于針對性的地形地貌，通過提取照片輸入到卷積神經網絡中進行預測。同時，對于時序性較高的參數數據可使用循環卷積網絡預測開展網絡優化。

3.3 網絡運行維護

隨著網絡云化、IoT和5G等新技術及配套設施的引入，電信網絡及附屬系統的規模和復雜度與日俱增，在網絡方面，網絡運行維護中存在“系統變化感知滯后”“故障無法預測”“故障響應慢、成本高”三大痛點[27]。因此，引入人工智能技術，通過密集網絡替代、網架調整及創新維護手段等方式降低運維難度，提升運維效率和網絡質量。

人工智能在網絡運行維護中的應用需要以多維數據源作為基礎，利用海量數據源，從中提取高質量數據。數據源應包括告警信息、網絡拓撲、測量數據和網絡關鍵績效指標(Key Performance Indicator，KPI)等。從相關數據源中抽取隱含的關聯特征和規則，追溯事件根因，指導故障分析和定位。同時，根據共性特征的提取，預測未來網絡故障。人工智能技術根據不同場景的需求，訓練和建立模型，推出智能運行維護解決方案，實現節點主動感知、網絡自動構建和故障智能預測等，使網絡運行維護走向自動化、智能化。人工智能在網絡運行維護中的應用模式如圖4所示。

圖4 人工智能在網絡運行維護中的應用模式

智能運行維護解決方案，可以根據遺傳算法中的數據信息挖掘能力進行主動預防，并且能夠自主發現故障，從而提升資源利用率和網絡維護效率，具體包括4個實現步驟。

步驟1對各站點進行畫像統計，依據維度指標的不同完成故障評估、系統穩定性評判等目標。

步驟2使用大數據技術進行系統建模，統計歷史告警數據、操作參數及人工經驗等。對數據進行梳理和分析，使用深度神經網絡進行后續告警預測，并對診斷系統進行完善。同時，可根據歷史故障處理方案自主更新巡檢目標。

步驟3針對高隱患小區，統計隱患管理數據和站點畫像，得到針對性的動態巡檢方案，防患于未然。

步驟4保證數據的有效性，降低數據冗余，數據信息挖掘過程中要進行高相似度數據合并，去除冗余工單數據。

3.4 故障預測及溯源

通信網絡是由不同廠家、不同的設備所構成，一旦出現故障，不同的網絡層級、模塊及設備的故障告警信息呈現指數增長。采用傳統人工方式處理，導致人力資源、運行維護成本消耗巨大。隨著5G技術大規模部署，ICT產業全面融合，SDN/NFV、云和大數據等新技術的出現和發展，使得集成設備將產生大量的實時數據，挖掘海量告警數據中的內在聯系、分類衍生告警信息和精準定位故障設備，成為網管系統面臨的又一難題[28]。

1)故障預測。在日常的站點維護中，從性能、業務和告警等多個維度采集大量監測數據，對所有的數據進行聚類分析，使用異常值檢測算法找出異常的站點，結合實際的站點運行情況、歷史工單等影響因子判斷是否將其列為危險站點，從而加強運維力度。在線上實時采集網絡健康度和關聯指標等數據，運用統計分析、回歸預測和監督學習等人工智能和數據挖掘技術，并構建相應的機器學習模型。利用訓練處的特征規則進行關鍵特征識別，分析網絡的運行情況，并預測下一步的指標狀態，判斷故障發生的概率，實現前瞻性預防，準確處理故障信息。同時，可提前預留資源，進行備件儲備等。

2)告警過濾。隨著未來網絡分層解耦，告警之間的關聯性使得底層告警引發高層連鎖告警，本地告警會引發遠端告警，網絡各層產生的告警總數將成倍增加。通過使用人工智能技術，基于大量歷史告警數據進行訓練，高效抽取衍生關系，清洗減少告警信息的數量，方便后續進行故障分析和溯源等。

3)故障溯源?；谌斯ぶ悄艿木W絡故障溯源方案，能夠對告警信息進行實時采集、轉換和集中監控。通過綜合日志、工單和KPI等多維度歷史數據的分析，得出根源告警的潛在特征和規則，并建立故障時間和特征的匹配規則庫。最后，經過專家的人工干預，提取故障的共性特征，從而實現有效規則的篩選，其故障溯源過程如圖5所示。

圖5 故障溯源過程

整個方案包括以下4個步驟。

步驟1數據預處理。提取告警/業務等多種數據源的關鍵屬性，進行數據清洗和數據聚合，將數據轉化為可供人工智能算法處理的數據類型，并導入到告警數據庫中。

步驟2關聯規則挖掘階段。采用離線處理的方式，從歷史告警數據庫中獲取數據，對其在時間和空間位置上進行劃分，并進行關鍵字段的聚類分析和關聯分析，從而建立關聯規則數據庫。在網絡部署后，為保證關聯規則的全面性，采用定期挖掘規則的方式對數據庫進行增量更新。挖掘算法包含通過前綴投影挖掘序列模式算法、關聯規則挖掘算法和時空模式算法等。

步驟3關聯規則入庫階段。上階段形成的告警關聯規則需要經過人工干預，將正確的規則存入到已確認關聯數據庫中，錯誤的和不合理的規則將自動導入到黑名單，防止錯誤規則的再次產生，從而高效地實現有效規則的篩選。

步驟4根源告警檢測階段。在分析過程中，對網絡運行過程中產生的告警信息進行實時分析，區分根源告警、衍生告警和普通告警，將滿足根源分析模型的告警信息進行規則匹配，建立關系，實現網絡溯源。

相比于傳統的故障溯源，人工智能具有多數據源和智能化的優勢。多數據源表現在綜合運用多種數據源，包括并不限于告警、性能、拓撲資源一級日志，并支持偵查命令，使得故障溯源更加有效和實用，溯源結果更加精確。智能化表現在人工智能賦予的智能化能力，能夠忽略網絡架構、設備和廠家等的差異，快速地抽取故障的關聯規則。

在故障預測中主要使用決策樹算法。決策樹是一種樹狀分類預測模型，既可用于分類，也可進行回歸預測。通過對輸入變量的拆分建立分類預測規則，先對特征空間按變量對分類效果影響大小進行變量和變量值選擇，再用選出的變量和變量值對數據區域進行矩形劃分。在不同的劃分區間進行效果和模型復雜性比較，從而確定最合適的劃分，分類結果由最終劃分區域優勢類確定。

故障分類時，使用決策樹對歷史數據進行訓練，通過樹狀劃分將故障數據和正常數據分割開。故障預測時，將數據進行預處理，搭建決策樹預測模型進行離線訓練，在線上進行實時預測，將線上實時獲取的監控數據輸入到預測模型中進行計算，從而預測之后3～5 min系統是否會發生故障，若預測到故障信息,則將提前布控。

針對故障中存在相關性，縮短故障定位時間，對故障進行關聯性分析。使用K-means算法對每一個生產系統性能指標的歷史故障數據進行聚類分析,得到產生故障的特征閾值。再通過將歷史故障數據和得到的故障特征閾值進行對比分析，得到定位指標。然后，使用Apriori算法對定位指標進行關聯度分析，生成匹配規則的關聯圖。將其輸入到關聯規則數據庫中，通過對生產系統的實時監聽，將得到的數據與關聯規則數據庫進行匹配，實現快速定位功能。

3.5 網絡安全

用戶數量的增大和網絡規模的不斷擴大，使得用戶在體驗網絡帶來便利的同時總是會遭到網絡惡意攻擊或網絡泄密等。近年來，大規模的流量攻擊對國家網絡安全造成威脅。

用戶通過檢測網絡流量異常判斷是否遭到惡意攻擊，對此數據的分析實現異常網絡的監控和隔離，從而為用戶提供更加優質安全的網絡服務?，F階段，基于特征值、異常值的檢測是網絡安全檢驗的重要手段。但是，利用異常流量模型檢測網絡用戶量和吞吐量的高速網絡環境比較困難，并且在面對新型漏洞攻擊時無法識別標記，從而加大了網絡流量異常檢測的難度。

隨著人工智能和5G高帶寬、低延時的快速發展，基于5G網絡的數據，可以對涉及5G安全的事件進行跟蹤、預警、識別和應對，形成智能化和自動化的處理機制，具體如圖6所示。

圖6 智能化和自動化的處理機制

智能化安全處理平臺通過5G采集到的數據，基于機器學習、深度學習等智能化分析，進行安全預警、攻擊識別、故障處理和漏洞檢測等，并通過安全策略學習，確保通信網絡安全。

人工智能技術中的人工免疫技術是模仿醫學原理的網絡安全防御系統，主要包含基因庫、否定選擇和克隆選擇等3個組件。在人工免疫技術的應用中，將系統中識別出的網絡威脅問題作為待優化問題，算法模型會對待優化的問題進行可行性分析，提取先驗知識，得到有約束條件的親和度函數。對該有約束的規劃問題進行求解得到可行解空間，在該空間范圍內組建一組初始簇。同時，對初始簇中的所有可行解開展親和度調查，得到待優化問題的最優可行解?；谧顑灴尚薪膺M行“免疫”處理，即優化最優解的激勵度。之后，有相同類別的網絡模型出現時，系統可以快速反應，及時消除威脅，維護網絡空間安全。

3.6 智能客服中心

智能客服是依托于語音識別、自然語言處理和語義分析等相關技術為用戶提供高擬人化的服務。智能客服立足于從客戶角度去感知網絡、分析業務信息，通過海量數據挖掘、分析數據，在保證響應實時性和客戶滿意度的同時，實現客服智慧化運營[29]。

將采集到的前端交互語音信息，進行自然語音理解、識別、處理和分析等全方位的信息挖掘，對處理后的語音進行關鍵字提取，并以此檢索后臺數據庫中的信息，從而準確解決用戶的業務需求，滿足用戶的合理需求。對于無法理解或者回答的問題，可以將采集到的語音文字在相應的知識庫、網絡中搜索，如果還無法解決，可以跳轉至人工服務進行處理。人工處理后，智能客服在知識庫中實現對問題及解決方案存檔，從而提高機器人的運維效率。具體的智能客服處理機制如圖7所示。

圖7 智能客服處理機制

通過大數據技術創建的人工智能客服一般包括自然語言理解技術、知識圖譜技術，包含問答系統、知識庫系統和更新管理系統等3個子系統。

1)問答系統。主要進行問題分析，答案整合。首先，系統查詢用戶的精準意圖及信息獲取的路徑需求，按照語義知識庫的處理邏輯進行預處理。其次，應用分詞、詞性標注和實體識別等提取重要語義，信息檢索的模式參照用戶的輸入路徑，在現有知識庫檢索的匹配條件下按照匹配度的高低依次選取候選答案，檢索更多需要強大的信息庫作為支撐。在創建知識圖譜的過程中，要對海量的業務數據資源進行相關性分析，將數據進行歸納總結，提取出更凝練的業務數據，提高匹配效率。

2)知識庫系統。依靠用戶畫像將知識庫和用戶個人數據聯系起來，實現對客戶需求的理解。除了理解客戶表達出來的顯性語言和文字，還能夠理解客戶潛在和深層次的需求。精準分析客戶的興趣愛好，依據客戶的特征特性進行精準回答，實現自動化和提升客戶滿意度。

3)更新管理系統。使用深度神經網絡對數據進行學習、分析，依賴該網絡較強的學習能力自主整合更新知識庫數據。人工干預解決智能客服沒有解決的問題，填充到現有知識庫中，客服機器人通過該模式獲得自我學習的能力。同時，可以收集沉淀在客戶的服務過程中獲取的問答知識、未知問題等信息，使機器人具備自我學習提高的能力，實現更高級別的智能。

3.7 軍事專用網絡

軍事通信領域擁有著巨大的數據信息、廣闊的應用市場和強大的計算能力，具備應用人工智能技術的先決條件。目前，人工智能技術與軍事領域的結合愈發緊密，誕生了軍事智能的概念。

未來的軍事智能網絡將目標放在多維數據、智能搜索和分流轉發上。利用人工智能技術打造的智能網絡，將現階段軍事網絡轉變成具有智能優化業務、動態按需分配和網絡自愈的智能網絡模式，從而提供更加智能的軍事策略、更多的作戰方式、更有效的指揮手段，保障作戰人員更好地進行作戰指揮和工作實施。

為了增強軍事智能網絡的感知、預測和判斷能力，引入“態勢感知”這個概念[30]。態勢感知是一種以大數據為基礎，基于環境、人力和外界因素等風險分析的能力。從外而內，由態到勢，由感到知，將環境、系統和體系各級別態勢感知融合在一起，實現全局視角的安全威脅識別、分析和處理，從而保證決策的安全性和有效性[31]。具體態勢感知情況如圖8所示。

圖8 態勢感知圖

智能決策作戰是未來軍事作戰中極具潛力的應用之一。人工智能結合通信網絡對接收到的數據信息進行整編匯總和分析處理，從而為未來智能化戰爭提供制勝機理、指揮策略分析和作戰模式決策。同時，人工智能對軍事系統在業務體系方面也有影響。與現有信息化、機械化的組織架構不同，智能時代信息網絡的智能化程度、人機合一的新型能力在總體上呈現更加扁平化、靈活性、智能化和精簡化等特點，打破了原有的各集團、各部門和各兵種分散作戰的狀況，從而形成作戰“大一統”、資源“統調度”的智能時代信息軍事網絡。

近年來，國際電信聯盟(International Telecommunication Union,ITU)、第三代合作伙伴計劃(3rd Generation Partnership Project,3GPP)、歐洲電信標準化協會(European Telecommunications Standards Institute,ETSI)、中國通信標準化協會(China Communications Standards Association,CCSA)等標準組織制訂了相關標準和草案。在通信網絡運維、智能網元、計費支撐、客戶服務和專網通信引入人工智能相關技術，如3GPP SA2在2017年2月定義了網絡人工智能網元——網絡數據分析功能(Network Data Analytics Function,NWDAF)，2018年O-RAN聯盟制定基于人工智能的無線智能控制器，都是第一次在網絡架構里定義、標準化，并要求部署網絡人工智能網元。ETSI于2017年定義了體驗式網絡智能(Experiential Networked Intelligence，ENI)系統，作為一個獨立的人工智能引擎，為網絡運維、網絡保障、設備管理、業務編排與管理等應用提供智能化的服務。國內外電信運營商在網絡智能化方面進行了探索，美國電話電報公司(American Telephone and Telegraph，AT&T)的增強控制、協調、管理和策略(Enhanced Control,Orchestration,Management & Policy，ECOMP)體系中，在設計態定義了基于人工智能分析的業務設計工作室功能；中國三大通信運營商在5G運營支撐系統(Operation Support Systems，OSS)中設計了智能數據中臺，用來承擔網絡人工智能的功能。

4 人工智能與通信的發展預測

目前，以5G為代表的新一代網絡的部署為人工智能的發展注入了新的動力，為人工智能提供了海量的數據。邊緣計算、網絡切片、SDN和NFV等技術為人工智能提供靈活、簡約的算法[15]，促進人工智能與通信、醫療、教育和計算機等各行業更好地融合發展。

通過考慮通信網絡規劃設計、運行維護優化、業務部署和服務運營等不同的工作流程，結合網元到子網再到整網的不同網絡范圍的適用性，實現對網絡智能化水平的多維度、多層次的衡量。隨著人工智能與通信技術多維度的相互融合、網絡智能化的逐步演進、自動化水平的不斷提高，機器人將逐漸取代人工的工作，最終實現高智能化網絡層次。網絡運營、運行維護的工作具有需求、方案、決策和執行等特征，在演進的過程中機器將承擔更多的工作，每個階段人工所負擔的任務逐漸減少。具體網絡智能化水平如圖9所示。

圖9 網絡智能化水平

目前，人工智能技術突飛猛進，芯片處理能力和底層算法水平不斷突破，人工智能在各個層面相繼布局，與各行各業深度融合。網絡朝著連接、感知和計算三位一體的新型智能網絡進化。隨著人工智能在網絡中綜合利用率的提升，通信網絡逐步實現端到端、流程化、智能化的網絡布局，并最終實現“智能化”。

人工智能技術與通信網絡融合發展處于起步階段，通過人工智能技術挖掘、分析大量網絡數據及網管等測量數據中隱藏的信息，提升通信網絡運營、服務效率和服務質量，拓展新的業務形態和市場空間。

5 結語

人工智能是一種革新性技術，在許多領域已經得到廣泛的應用。全面介紹了信息通信網絡與人工智能技術的發展歷程、發展內涵和核心要素，闡述了當前人工智能技術在通信網絡各領域的發展情況。通過分析人工智能與通信網絡融合應用的7個典型場景，對人工智能與通信網絡融合面臨的技術問題進行總結，并展望了其融合發展的趨勢。

隨著人工智能與通信網絡的深度融合，在電信網絡規劃、網絡優化、網絡安全、智能客服和軍事等領域，實現網絡由人治模式逐步轉向自我驅動為主的自治模式。人工智能融入通信網絡體系是一個長期和漸進的過程，在這個過程中，網絡的智能化程度將從低到高，最終的理想是達到網絡運行過程的高度自治。