智能故障管理技術研究

張明　尹廣彬　周輝

針對復雜網絡和多樣化業務對故障管理提出的高要求，首先總結了運維發展歷程，從人工運維、半自動化運維、自動化運維和智能化運維（Artificial Intelligence for IT Operations）幾個階段，闡述了智能運維的核心和關鍵點，對比了國內外標準化組織的運維發展特色和貢獻;在此基礎上梳理分析了網絡故障方面的標準化組織對故障管理研究的特色和貢獻，最后，進行了故障數據采集提取方式分類，故障定義分類研究。

隨著網絡規模擴大、復雜性增高、業務多樣化，對網絡運維管理的要求越來越高，而故障管理是運維管理中非常重要的功能之一，如何在故障發生時，快速準確定位迅速解決故障恢復正常一直是運維管理追求的目標，同時大數據人工智能技術的發展，對運維管理的智能性也提出了更高的要求，尤其對告警管理提出了前瞻性預測的需求，因此研究故障診斷技術是一項非常有意義的工作。

智能運維發展歷程

人工運維、半自動化運維、自動化運維和智能化運維是傳統網絡運維經歷的發展過程和階段，其中，智能化運維最早由Gartner定義為采用AI和機器學習等人工智能算法，通過人工智能算法解決已知的和潛在的運維問題。

智能運維與傳統運維最大的區別在于，構建以機器學習算法為基礎的智能化運維管控平臺，將數據、算法和模型應用于網絡運維任務和流程中，進行自主分析和決策，實現從“基于專家經驗”到“基于機器學習”的轉變，在動態變化的復雜場景條件下，基于智能化運維平臺自適應觸發高效準確的決策判斷。尤其體現在海量告警數據聚合、動態異常流量監測、故障預警、故障預測等基于海量運維數據做出分析判斷等應用場景下的自主決策和分析。

故障管理國內外研究現狀

為了降低運維成本，提高網絡的可靠度和健壯性，國內外標準化組織和科研機構均針對網絡智能化運維開展了系列標準化和研究工作，具體分析如下：

國內外在網絡故障運維方面的標準化組織包括中國通信標準化協會（CCSA）、ITU-T和3GPP等。其中CCSA的網絡管理與運營支撐技術工作委員會（TC7）的研究領域包括：運維管理、電信運營OSS/BSS相關領域的研究及標準制定。負責ITU-T SG4研究領域的研究工作。CCSA TC7面向無線接入網（2G，3G，4G）、SDN/NFV網絡、SDH/OTN/PTN等不同的網絡均提出了對應的網絡運維和管理技術要求，形成了一系列標準報批稿。面向網絡的智能運維，CCSA于2018年立項了通信網智能維護技術要求“基本原則”和“通信網敏捷運營管理框架”等三項行標，并在此前開展的第1、2部分研究基礎上，討論通過了“通信網智能維護技術要求第3部分：智能運維支撐系統”和“通信網智能維護技術要求第4部分：智能運維信息模型”兩項行標立項建議，并在2020年1月獲批。

著名組織針對故障管理研究

傳統的通信網絡運維管理主要依靠人工參與，管控流程過度依賴人工判斷，缺乏自動化操作，智能化程度低，管理規則大部分基于主觀形成，缺乏科學性和客觀性，嚴重影響運維自動化智能化和管控效率。隨著融合物聯網、人工智能、大數據技術的智能可穿戴技術的實用化，以及人機交互能力的友好性不斷提升，基于智能可穿戴技術的運維已經應用于大型裝備領域，并在通信網絡智能管理方面進行了典型應用。在上述應用的基礎上，與ITU-T同步進行的“通信網智能維護技術要求”相關研究，提出了涵蓋功能、性能、接口、信息模型、網絡功能編排等具體技術標準，從而為業界應用提供相關指導和規范作用。

國際電信聯盟電信標準分局（ITU-T），它是國際電信聯盟管理下的分支機構，負責制定電信標準。其中工作組SG2和SG12和網絡運維相關。SG2，負責業務提供和電信管理的運營問題，SG12負責性能、QoS和QoE的相關標準化。在這些標準化工作組的帶領下，ITU-T的M系列標準描述了通信管理、網絡運維相關的標準需求，包括電信管理網TMN，增強運營圖（eTOM）等。為引入網絡智能，2019年12月ITU-T會議上針對5G網絡人工智能的應用提出了對應的標準化建議。ITU-T的E系列標準則引入了整體的網絡運營的概念，并在近期提出了智能網絡分析和診斷的指南標準草稿ITU-TE.475

3GPP成立于1998年12月，多個電信標準組織伙伴共同簽署了《第三代伙伴計劃協議》。3GPP最初的工作范圍是為第三代移動通信系統制定全球適用的技術規范和技術報告。第三代移動通信系統基于的是發展的GSM核心網絡和它們所支持的無線接入技術，主要是UMTS。隨后3GPP的工作范圍得到了改進，增加了對UTRA長期演進系統的研究和標準制定。目前有歐洲的ETSI、美國的ATIS、日本的TTC、ARIB、韓國的TTA、印度的TSDSI以及我國的CCSA作為3GPP的7個組織伙伴（OP）。目前獨立成員超過550多個，此外，3GPP還有TD-SCDMA產業聯盟（TDIA）、TD-SCDMA論壇、CDMA發展組織（CDG）等13個市場伙伴（MRP）。

SA WG5主要規范網絡（RAN，CN，IMS）及其服務的配置和管理，體系結構和解決方案。工作組將根據相關工作組制定的相關收費要求及解決方案，指定網絡及其服務計費的體系結構和協議。

工作組將確保其工作也適用于融合網絡的管理和計費，并可能適用于固定網絡。該工作組將與其他3GPP工作組和所有相關的SDO進行協調，以實現與網絡及其服務提供，收費和管理有關的規范工作。

3GPP的規范中，編號為32系列的是網絡管理與運營相關的技術規范。為了降低人工運維的成本，提出了自組織網絡的系列規劃，支持3G，4G以及未來5G網絡自配置、自優化、自修復等功能，是網絡智能化運維的基礎系列標準。

基于以上分析可知，智能化的配置、性能、故障等管理已經得到了國內外各大標準化組織的關注，并已列入相關的標準化進程。然而目前的標準僅僅是指導性文件，對網絡智能方法的具體部署和實現方法，以及在專用網絡中的適應性，還需要進一步的分析。

故障數據來源及分類

通過梳理國內外重要標準化組織在運維管理和故障管理中的重大貢獻，總結出故障數據的提取和分類是故障管理中最重要和基礎的研究內容。

告警數據的采集可以通過多種方式和渠道。可以通過SNMP協議中的TRAP主動上報獲取，也可以通過定時輪詢重要參數，并設定閾值對比進行越限告警;還可以通過操作日志獲取，通過SYSLOG接口作為網管系統接收設備系統日志的接口，用于網元日志管理功能。大規模準確的告警數據的獲取是進行精準告警的重要前提和基礎，設備使用日志、設備錯誤日志以及用戶活動日志均是告警數據的來源，大量訓練數據的采集存儲是進行可靠神經網絡建模的前提和基礎，建模數據要求準確、完整和海量。

通過告警管理可以監控、管理系統自身或管理對象上報的告警、異常或事件，提供了豐富的監控和處理規則，以滿足各種監控和處理場景需要，幫助高效監控、快速定位和處理網絡故障。

告警上報、告警訂閱、活躍告警同步、告警確認、告警清除、告警查詢、告警過濾、告警統計、活躍告警、歷史告警、告警同步、靜態告警信息查詢、告警經驗庫、性能越限事件告警。告警處理能力和網絡中的告警數量、服務器的處理性能、內存大小等有關系，在發生告警風暴時，告警處理能力很容易達到極限。

常見的告警類型或方式為：

①通信告警：被管網元內部、網元之間、網元與管理系統之間、管理系統之間的通信失敗，如設備通信中斷告警;

②業務質量告警：業務質量退化問題而引起的告警，如設備擁塞告警;

③處理錯誤告警：軟件或處理過程錯誤而引起的告警;版本不匹配告警;

④設備告警：物理資源故障而引起的告警，如單板故障告警;

⑤環境告警：設備所在地相關的問題而引起的告警，如設備機房有煙霧而產生的煙霧告警;

⑥完整性告警：請求的操作不能正常提供，如篡改用戶信息;

⑦操作告警：所需服務因不可用、故障或錯誤調用等問題無法正常運行，如服務拒絕、服務退出、程序性錯誤等;

⑧物理資源告警：物理資源受到破壞;

⑨安全告警：安全服務或機制檢測到有關安全方面的問題發生;

⑩時間域告警：某事在不應該發生的時間內發生;

⑾屬性值改變：管理對象的屬性值發生改變。

上述所列告警類型是故障管理的精細化分類，均可作為網絡故障劃分的依據和參考。

故障管理是網絡運維管理五大功能之一，是網絡健康度評估的重要因素，是網絡運行狀態的晴雨表，最初網絡故障都是人工手動發現、手動排除的，通常都會影響在網運行業務的正常運行，是以業務中斷為代價的;隨著大數據人工智能新技術的產生和迅猛發展，故障管理逐漸向主動上報、自動診斷、故障預測等智能性和前瞻性方向演進。