基于自智网络的5G业务质量端到端分析方案研究与实践

基于自智网络的业务质量端到端方案，实现面向用户、面向网络、面向业务的业务质量端到端分析，同时从自智网络的视角贯穿业务质量端到端各场景，实现整条生产流的自智能力打通，在提升各环节自智网络能力的同时，更好地提升业务质量端到端的管理能力，将自智能力从业务点扩展到业务线、业务面，确保快速发现问题、准确分析问题、及时验证问题、不断迭代，真正展现动态联动、相互影响、高效协同的特点。

方案建设内容

在数据驱动和AI赋能下，设计业务质量端到端方面的自智网络实现方式及模型，搭建各业务感知指标体系，设计功能框架，提炼业务质量端到端生产流的关键场景。

基于实践构建贯穿整条流程的自智网络方案体系，通过规则引擎、AI中台、智能化调度等关键技术，实现规则与功能解耦、业务能力的快速定制，打造各环节的自智化联动，实现可配置、可优化、可愈合和可演进的自智网络能力，确保快速发现问题、准确分析问题、及时验证问题、效果总结、不断迭代，持续优化自智网络水平。

业务自智流程

5G业务质量端到端的分析过程，同大多数问题分析的过程类似，一般都涉及问题发现、问题分析、问题解决3个环节，5G业务质量端到端分析也包括这3个环节或场景。以5G视频业务质量分析为例，在实践中因为业务质量问题发现和分析的复杂性，质差识别和质差定界定位结果不一定很准确，业务闭环率低，闭环效果不理想划^【11】。因此仅针对以上子场景自智能力进行提升，只是增加了单个子场景的规则解耦能力或引入 AI 能力，并不能实现视频业务端到端分析效果的提升。

仅针对子场景自智能力进行提升，不能达到理想的效果，主要由两个原因造成：一是同一种业务的不同子场景间没有横向拉通形成闭环反馈机制，处理结果不能对问题识别和问题定位形成修正，没有形成由点到线的环状拉通；二是纵向没有形成单个业务线到业务面的扩展覆盖，涵盖视频、游戏、浏览、云游戏、高清视频等业务。

为了形成点-线-面全面覆盖的业务质量端到端分析的关键场景，业务质量端到端分析的关键场景如图1所示，需要在上述3个关键场景的基础上，引入效果分析和模型迭代，对记录问题的解决过程和结果形成反馈机制，为各环节规则、模型持续改进提供数据支持，构建可以涵盖多类业务的质差识别、质差定界定位、闭环管理、效果分析、模型迭代的“五阶闭环自智流程”，如图2所示，在整个流程面中构建可配置、可迭代的自智网络能力，使业务质量端到端分析的过程滚动起来，实现各环节的自智化联动，在普遍实现可配置的基础上，为自智网络能力向可优化、可愈合和可演进提供可能，确保快速发现问题、准确分析问题、及时验证问题、效果总结、不断迭代，优化自智网络能力。

功能架构

基于自智网络理念，构建基于自智网络的业务端到端系统，系统功能架构如图3 所示，形成面向5G网络的“用户、网络、业务”三位一体的上层应用，实现客户感知问题发现、处理、闭环管理的自动化、智能化，基于自智网络能力，横向拉通同一业务的不同场景，形成由点到线的环状拉通，纵向管理不同业务，形成由业务线扩展到业务面的广覆盖。

关键技术

规则引擎实现灵活配置

在系统开发时，业务逻辑和数据处理逻辑通常融合在一起，如果通过程序开发实现业务逻辑，每一次业务需求细节变化，如指标项、阈值门限、权重值、业务判断规则等调整时都需要程序改造，人工消耗大、周期长划^【12】。本文构建如图4所示的规则引擎实现规则与功能分离，支撑各个场景功能的规则与程序解耦，基于可视化低代码的配置化方式进行规则制定和流程编排，实现规则解耦、流程挖掘、流程迭代，为复杂的自智网络决策和场景提供支持。

AI中台赋能场景调用

构建AI中台，内嵌多种AI技术（如机器学习、自然语言处理、计算机视觉等），集成和封装为自化组件，提供模型预测、语音赋能、解析能力等核心功能，支持业务质量端到端各场景的AI能力调用划^{【13，14】}。AI中台功能介绍如图5所示，这些功能不仅可以提高业务效率和质量，降低人力成本和风险，还可以通过对外接口调用的能力，为自智网络场景赋能，实现跨节点、跨场景、跨业务的AI能力服务协同和创新。

智能化调度达成任务自智管理

智能化调度融合了与自智网络相关的自动化任务的调度能力，对组件、包、执行节点资源进行有序管理，提供任务状态、任务执行结果等信息的统一管理、图表展示。主要包括以下3个方面功能。

（1）任务管理：针对目标任务，智能化管家会根据用户的需求和资源情况，自动分配和调度执行节点，实现高效和稳定的任务执行，同时还会实时监控和管理任务状态，收集执行结果，并以图表形式展示，方便查看和分析。

（2）组件管理：可以对封装一套操作的组件进行管理，用户可以查看组件的版本、属性描述等信息，并可以根据需要更新或删除组件。

（3）自智任务管理：每个任务是由多个组件组成的一个完整的自动化流程，可以实现复杂的功能或目标，用户可对各自智任务进行灵活管理。

（1）质差识别

在深度包检测（deep packet inspection，DPI）数据中识别的游戏业务，包括王者荣耀、原神等游戏小类，并基于构建好的游戏业务质量评估体系识别游戏业务的质差问题，如王者荣耀游戏交互时延高等问题。质差识别阶段通过规则引擎实现灵活的规则配置，游戏业务质差识别规则如图7所示，主要分为基础规则层、规则合成层和判决层 3 个部分，通过指标劣化条件、各指标权重、阈值等实现L3级自智网络能力的质差识别，通过AI中台调用实现L4级自智网络能力的质差识别。

（2）质差定界定位

针对发现的游戏业务质量问题，如王者荣耀游戏交互时延高，开展端到端定位，支持定位条件、定位顺序等内容的灵活配置，最终输出终端、无线、核心网、业务侧等劣化根因。定位过程通过定位条件、定位顺序等内容的灵活配置，实现自智网络 L3 级质差定界定位，同时也可以基于AI 中台调度 AI 模型，直接输出定位结果，实现自智网络L4级质差定界定位。

（3）闭环管理

对派发问题进行管理，随时查看问题处理状态。支持派单规则及效果验证规则的可配置，包含业务指标门限、观测时长、观测频次等，实现L3级自智网络能力的闭环管理。

（4）效果分析

评估工单处理效果，检验其是否达到预期效果，针对效果不理想的工单进行深入分析，收集一线处理人员反馈，挖掘原因，找出质差识别规则及模型的短板，以及质差定界定位规则及模型的不足，为后续的问题发现和分析提供参考。

（5）模型迭代

基于效果分析的结论，评估问题识别是否精准、问题定位是否准确、闭环规则是否合理、效果评估是否客观，不断对各阶段进行修正和改进，对质差识别、质差定界定位的规则或模型进行迭代。

游戏业务应用效果

通过基于自智网络的移动网游戏业务质量端到端分析能力构建，搭建游戏业务问题质差识别、质差定界定位、闭环管理、效果分析、模型迭代的“五阶闭环自智流程”，使游戏业务分析效能有了较大提升，取得了以下应用效果。

（1）网络问题处理效率提升

建立游戏业务特有的指标分析体系，将海量游戏业务记录转换为用户游戏业务感知数据，融入自智网络的AI能力，对海量数据进行训练，实现游戏业务质差识别、质差定界能力的大幅提升，游戏业务质差识别的精准度提升41.82%，质差定位的准确性提升30.26%，同时在闭环管理环节对各类网络质差分类专项推进，累积处理感知质差小区893个、质差网元4个，问题闭环管理的效率提升38.76%。

（2）潜在不满意用户比例减小

依据网络处理效果，不断迭代、优化质差识别模型，将识别出的游戏业务感知数据，汇聚到个体用户，挖掘出大量游戏业务潜在不满意用户，进行及时的回访及关怀，累计点对点回访游戏潜在不满意客户17 932人，针对游戏业务的调研满意度提升了18.32%。

（3）投诉明显下降

对于投诉用户，因为质差识别快速回溯用户感知、质差定界快速诊断问题原因，投诉问题流转进入闭环管理流程，聚集类、高发类等问题作为重点事项推进，大大降低了问题处理的时间，提升了投诉用户感知。自应用以来，公司2023年5G 网络类游戏业务投诉万投比降幅为 26.72%，重复投诉率下降34.29%。

当前人工智能还处于高速发展阶段，自智网络的实现程度与理想中的演进目标还有较大差距，距离全面实现L4甚至L5还有非常多的细分场景、非常多的困难需要攻克。基于自智网络业务质量端到端分析将是 5G 时代提升用户业务感知的一个关键点，后续还需要不断探索、实践。

【参考文献】
[1] TMF. TMF autonomous networks white paper[R]. 2022.
[2] 欧阳晔, 王立磊, 杨爱东, 等. 通信人工智能的下一个十年[J].电信科学, 2021, 37(3): 1-36.OUYANG Y, WANG L L, YANG A D, et al. Next decade of telecommunications artificial intelligence[J]. Telecommunications Science, 2021, 37(3): 1-36.
[3] 李涛, 王春佳, 李姗姗. 电信网络智能化方案研究[J]. 电信科学, 2023, 39(3): 162-172.LI T, WANG C J, LI S S. Research on intelligent scheme of telecommunication network[J]. Telecommunications Science, 2023, 39(3): 162-172.
[4] 中国移动通信集团有限公司中国移动自智网络白皮书[R].2022.China Mobile Communications Corporation Co., Ltd. ChinaMobile autonomous networks white paper[R]. 2022.
[5] 中国电信集团有限公司中国电信云网运营自智白皮书[R].2022.China Telecom Corp Ltd. China Telecom's autonomous cloud network white paper[R]. 2022.
[6] 中国联合网络通信集团有限公司. 中国联通自智网络白皮书3.0[R]. 2022.China United Network Communication Group Co., Ltd.. China Unicom's autonomous network white paper[R]. 2022.
[7] LUO G Y, YUAN Q, LI J L ,et al. Artificial intelligence powered mobile networks: from cognition to decision[J]. IEEE Network, 2021, 36(3): 136-144.
[8] LIN C Z, LU J W, WANG G, et al. Graininess-aware deep feature learning for robust pedestrian detection[J]. IEEE Transactions on Image Processing, 2020(29): 3820-3834.
[9] 任飞, 马又良, 李宏平, 等. 中国联通自智网络的理念和实践[J]. 通信世界, 2023(16): 15-17.REN F, MA Y L, LI H P, et al. The theories and practice of China Unicom on autonomous network[J]. Communications World, 2023(16): 15-17.
[10] 王禹蓉. 中国电信的云网运营自智之路[J]. 通信世界,Version:0.9 StartHTML:0000000105 EndHTML:0000007689 StartFragment:0000000141 EndFragment:00000076492023(16): 9-10.WANG Y R. The autonomous journey of cloud network operations for China Telecom[J]. Communications World, 2023(16):9-10.
[11] 罗锐, 黄鹂声, 张振宇, 等. 5G 网络环境下的网络视频质量分析[J]. 兰州交通大学学报, 2022, 41(6): 54-61.LUO R, HUANG L S, ZHANG Z Y, et al. The analysis of video quality in the 5G network environment[J]. Journal of Lanzhou Jiaotong University, 2022, 41(6): 54-61.
[12] 产院东, 郭乔进, 梁中岩, 等. 规则引擎发展综述[J]. 信息化研究, 2021, 47(2): 1-6. CHAN Y D, GUO Q J, LIANG Z Y, et al. A survey of rule engine[J]. Informatization Research, 2021, 47(2): 1-6.
[13] 朱明伟. 网络智能化中的 AI 工程化技术方案[J]. 电信科学, 2022, 38(2): 157-165.ZHU M W. AI engineering technology solutions in network intelligence[J]. Telecommunications Science, 2022, 38(2):157-165.
[14] 顾欣, 倪晓熔, 刘昭, 等. 电信运营商中台能力运营中心建设思路[J]. 电信科学, 2021, 37(6): 174-182.GU X, NI X R, LIU Z, et al. Construction ideas of middle platform operation center for telecom operators[J]. Telecommunications Science, 2021, 37(6): 174-182.

作者：徐仕成 中国移动通信集团湖南有限公司
来源：本文转自《电信科学》，2024，40(1): 162-170. Shicheng XU. A study and practice of end-to-end quality of service analysis scheme for 5G services based on autonomous network[J]. Telecommunications Science, 2024, 40(1): 162-170.