智能感知+AI算法使能網絡，打造高品質寬帶網

李 勝 雷景智 蘇 星

1.中國聯通江蘇省分公司；

2.中訊郵電咨詢設計院有限公司上海分公司

0 引言

隨著家庭寬帶的普及，業務體驗越來越成為消費者關注的焦點，家庭寬帶戰略意義愈發凸顯，提升家寬品質成為家庭市場持續經營的關鍵。另外2020年新冠疫情深刻影響了用戶的使用習慣，用戶對在線教育、遠程會議、遠程辦公、線上直播購物等方面的應用依賴程度不斷提高，對家庭寬帶的上網質量訴求也不斷提升，寬帶經營需要從人口紅利轉向體驗紅利。

如何主動管理用戶體驗是寬帶經營的關鍵，雖然傳統運維方案嘗試通過探針、撥測等方案來獲取業務體驗數據并感知用戶體驗，但是面臨著以下幾個的關鍵問題及局限性：

（1）撥測指標數據不能真實反映用戶體驗。隨著寬帶業務應用的豐富、帶寬的提升，從傳統的網頁服務轉而面向視頻、游戲、在線教育等高突發，高時延要求的應用的遷移，用戶應用對網絡的要求越來越高了。雖然基于網絡KPI（Key Performance Indicator，關鍵績效指標）和機頂盒探針也有一套監控體系，但是這些數據都不能更好地表征游戲、視頻、在線教育等應用體驗，導致經常發現監控的KPI很好，但是NPS（Net Promoter Score，凈推薦值）上網質量滿意度調查的時候用戶實際在抱怨網絡的情況。要管理好用戶體驗需要想辦法能檢測真實的用戶體驗是什么樣子，清楚地知道用戶應用的實際體驗情況。

（2）探針部署點少、也無法部署到用戶側，難以感知用戶真實體驗。

（3）用戶體驗指標和網絡質量KPI不能精準關聯，難以準確定位體驗劣化原因。寬帶的維護是一個長流程、高復雜的系統性工作，涉及終端、家庭網絡、線路、承載網絡，應用服務器各個環節，每一個環節都可能導致最終用戶體驗劣化。已有的端到端數據分散在不同的煙囪系統當中，很難做到有效整合，準確地定界定位。

（4）寬帶體驗一個很大的瓶頸在家庭內部。但是家庭內部的問題現在是一個黑盒，無人知道家庭里面的情況，只能靠上門之后現場處理，導致裝維人員處理效率低，對應的能力也很難拉齊。

1 OLT邊緣AI能力使能真實用戶體驗感知

從用戶體驗感知的角度看，體驗檢測點越接近用戶感知越準確，但由于現網ONT（Optical network terminal，光網絡終端）存量基數大、更換困難，在ONT上實現用戶體驗感知的成本太高，因此選擇在OLT位置部署AI計算設備，采集應用體驗KPI。

通過在OLT上實現對用戶體驗的感知，整體技術方案如圖1所示：分析服務器基于AI計算設備上報的應用KPI和OLT上報的網絡KPI等數據進行關聯分析，識別影響用戶體驗的網絡瓶頸或故障節點。

圖1 整體技術方案

整體工作流程如下：（1）AI計算設備從OLT設備鏡像網絡流量。（2）AI計算設備1秒級采樣分析鏡像的數據流，識別用戶應用，計算應用KPI如流量、時延/抖動、丟包等。（3）AI計算設備上報用戶的應用、及對應的應用KPI等數據到服務器，上報周期為1分鐘。（4）OLT向分析服務器上報網絡KPI等數據，如端口/ONU速率、丟包、收發幀、光路收發功率、誤碼、ONT資源信息、告警/狀態等數據。指標采集周期從1秒到15分鐘不等，對于時間敏感指標如速率、丟包等按1秒級采樣上報。（5）分析服務器按時間切片粒度精準分組應用KPI和網絡KPI等數據，并進行關聯分析。實現準確定界服務器/承載問題、OLT設備上聯口、PON口、家庭網絡問題，定位各段網絡具體問題如光路衰減/光模塊老化/光路不穩定、單頻Wi-Fi/Wi-Fi覆蓋/干擾、端口擁塞丟包、承載網不穩定等。

1.1 AI智能算法使能用戶應用識別和業務質量監測

基于AI人工智能的DFI（Deep Flow Inspection，深度流檢測）應用識別，不同于傳統DPI（Deep Packet Inspection，深度包檢測）技術需要解析報文內容，基于DFI的方法不需要拆包，利用訓練好的神經網絡對報文特征（如包長、報文方向，報文間隔等）進行識別，應用內容加密后仍然可以識別，該方式可識別分析的內容如圖2所示。這就要求提前研究不同應用的報文交互特征，如IP包大小、交互間隔、吞吐率、并發特征等，訓練生成應用的流特征庫和算法，并加載到AI計算設備。AI計算設備基于內置的流特征庫和算法，對網絡傳輸流/報文承載的應用進行識別，并計算該應用在OLT上下游的KPI。

圖2 AI智能算法

從效率角度考慮，本方案優選用戶基數大、對網絡質量敏感、用戶關注的應用進行識別，如在線游戲（比如王者榮耀），OTT視頻（比如騰訊視頻、愛奇藝等），在線教育（比如猿輔導、學而思、Vipkid），在線辦公（比如釘釘）等。

1.2 智能分析實現用戶質差問題精準定界定位

（1）應用級KQI（Key Quality Indicators，關鍵質量指標）/KPI、網絡KPI實時同步：傳統的定界定位分析是把多個系統采集的指標進行關聯分析，采集周期和采集時間對不齊，關聯不準確。本系統對多層多段指標同步采集，采集的周期和時間是秒級對齊的，這樣事件的關聯準確率得到保障。

（2）關聯AI算法，定位質差根因：整體技術方案如圖3所示，實時跟蹤分析丟包率、時延等網絡質量指標，并對指標進行分層建模，采集110多項應用級KPI指標和250多項網絡KPI指標，利用AI算法對應用和網絡的指標進行相關性分析，確定質差原因，并對多個原因進行排序確定TOP根因。

圖3 智能定位

這里采用了基于FP Growth頻繁項集挖掘算法的質差及根因定位建模方式：

（1）頻繁項集模型構建

通過掃描數據，得到KPI&KQI頻繁項集和頻次，抽象出所有常用KQI&KPI數據集，構造FP樹（頻繁模式樹，Frequent Pattern Tree），該模型結構如圖4所示。

圖4 頻繁模式數構建

（2）挖掘訓練模型構建知識庫

基于FP樹，分析每個關聯規則的置信度，進行KQI和KPI相關性識別生成知識庫，如圖5所示為以KQI為例構建的知識庫模型。

圖5 知識庫模型

（3）現網訓練驗證及反饋學習

放到現網進行大數據馴良，收集大數據樣本并標識反饋轉換成AI測試樣本，優化更新決策樹。對產生的新樣本優化根根因，不斷迭代優化，實現精準的定界定位。

1.3 AI智能算法打開家庭側組網黑盒

家庭是一張網，家庭側最大的問題是不知道這張網的組網結構。通過OLT可以采集家庭網絡拓撲信息、終端MAC等信息，基于采集到的家庭設備MAC、協商速率等參數，結合平臺的能力庫信息，通過神經網絡基于AI的決策樹算法，該算法通過訓練數據收集、特征值提取、數據拆分分析強化訓練模型，并最終形成自動識別家庭設備的廠家和型號的能力。通過該算法可以分析出該設備對應的天線能力、端口能力等等能力特征（如：單頻or雙頻，是否有千兆LAN等），進而對網絡輸出進行賦能強化，打造高品質寬帶網絡。

2 應用效果

2021年在中國聯合網絡通信有限公司江蘇省分公司部署家庭智能感知方案，實際應用效果良好，并在省內取得顯著成效。通過實踐，試點目前在已經實現20W+用戶的質差監控。通過試點2000+樣本的驗證，大幅提升了質差識別、定界定位的準確率，該方案已融入整改質差整治流程，進行例行的主動閉環策略實施。除了前面做的主動地分析整改，系統也提供了單用戶的運維界面，通過WIFI KPI回放，家庭網絡指標回放，以及針對每一個終端的KPI的監控和回放，結合已有的主動運維故障識別算法，提升投訴排障處理的效率。具體效果提升體現在以下方面：

（1）提升網絡質量。通過AI技術實現對網絡瓶頸的精準識別。

（2）網絡效益提升。包括降低成本、提升收入和社會效益；以質差上門整治為例，24%可通過后臺解決，比如減少質差上門工單1萬張，節省維護成本37.8萬；裝維隨銷成功率從5%提升至22%，人均收入增加500元，最終提升家客滿意度和移動寬帶口碑，增加社會效益。

（3）用戶主動關懷。依托質差識別能力提升，問題發現從被動到主動到自動，用戶應用識別已支持視頻、游戲等5大類19中應用，覆蓋80%以上用戶。

（4）提升運維效率。從無到有實現質差精準定界定位，目前準確率達到95%，質差整治解決率從65%提升至90%，平均故障定位時長從耗時2.1小時降低至5分鐘。

3 結束語

影響寬帶業務體驗的因素多，包括云服務器性能、鏈路各節點處理能力、通信介質質量、家庭組網能力等。業界進行了各種嘗試，如STB探針感知體驗、網絡KPI監控等，但一直沒有突破體驗問題根因定位難題。

智能分布式OLT解決方案通過綜合應用多種技術的工程思想，引入AI智能計算設備，對用戶真實業務進行識別分析，同時基于對業務應用KPI和網絡KPI的采集數據的關聯分析方法，實現對用戶體驗問題的精準定界定位，從而支撐對用戶體驗的主動管理。