AI时代的硬核通讯技术，中国移动光收集AI利用白皮书，倾覆三大利用处景|智工具内参

[db:作者]

随着互联网+、 云、 5G、 4K、 VR 等新营业和新技术兴旺成长， 数字经济下新的代价系统正在重建， 用户体验要求越来越高， 收集范围越来越大他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 Ovum 分析报告显现， 曩昔 10 年电信行业支出增加低于 OPEX增加， OPEX 在电信收集 TCO（整体具有本钱） 的占比从 62%上升到 75%， 均匀每 1 万台装备运营保护需要300 名工程师他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
对数据和信息的掌控才能是运营商数字化转型的重要根本， AI 技术的兴旺成长为运营商数字化转型带来了新的能够他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 操纵 AI 强大的数据分析和信息提取才能， 经过对海量收集数据收集、 分析、 猜测、 决议，为运营商诊断收集质量， 优化营业性能， 减轻运营负担， 改良用户体验带来无穷能够他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 运营商收集引入 AI是数字化转型的必定偏向他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
本期的智能内参，我们保举中国移动的报告《光收集野生智能(AI)利用白皮书》， 论述AI在光收集范畴的整体架构和关键技术他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
来历 中国移动
原题目：
《光收集野生智能(AI)利用白皮书》
作者： 未说明
一、 光收集 AI 利用处景1、 AI 分析类场景同缆风险智能识别场景他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。光缆哑资本持久缺少有用监控、 运维手段， 主备营业或关联营业现实摆设到同一条光缆上并不鲜见，单条光缆中断后主备营业或关联营业同时生效， 不但致使营业中断， 而且部分收集成为孤岛缺少远程应对手段他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 以野生巡线、 野生录入方式保护同缆信息， 随着收集不竭变更和演进， 综合资本治理系统同缆信息数据不够正确， 不敷以支持精准识别同缆， 效力和识别正确度较低， 亟需引入 AI 技术， 智能识别主备营业、 关联营业能否存在同缆风险,保障收集高牢靠运转他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
光缆拓扑智能计划场景他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。收集计划与营业成长摆脱， 形成收集负载不均、 资本操纵效力低下、 资本需求冷热不均， 根因是收集拓扑已经没法婚配营业流量流向变化， 基于营业精准猜测反向优化收集拓扑， 经过适当加纤加缆， 实现收集承载才能倍增， 顺应营业变化和成长需要他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
营业故障智能定位定界场景他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。秒级、 毫秒级甚至微秒级营业闪断发生频次高， 但延续时候短， 无告警上报， 且故障很难复现， 根基靠用户赞扬， 野生定位和回溯困难， 严重影响客户感知和运营商口碑他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 同时， 用户卡、 慢、 断体验差与利用、 带宽、 毗连多个维度慎密相关， 根因定位定界触及大量收集数据， 野生分析效力很低， 大大都用户营业体验题目难以根治他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 迫切需要引入 AI 技术， 提升光收集瞬态变化感知精度， 实现性能瞬变监测和闪断智能定界定位， 实现用户体验差根因的高效定位定界他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
2、 AI 猜测类场景光网资本猜测场景他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。随着专线营业的快速成长， 营业发放效力成为运营商的焦点合作力， 而传统的三滚资本计划很难顺应专线的随机性和突发性， 当前运营商对收集投资收紧加大了资本精准预留、 营业快速发放的难度他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 引入 AI智能资本猜测， 连系历史营业增加趋向， 实现资本高效操纵， 营业发放“零” 期待他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
光网健康猜测场景他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 光收集的性能劣化、 隐患变故障是渐进式成长的， 基于阈值的野生判定方式难以识别， 故障一旦发生， 经常致使大量营业中断、 修复周期太长等应战他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 随着光收集承载的营业流量增加， 保护压力一日千里， 迫切需要引入 AI 智能识别收集健康、 提早猜测风险他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
光波长通道余量猜测场景他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 随着数字化经济的成长， 光收集上波长增加明显提速， 同时为了增加收集牢靠性引入 ASON 智能路由调剂， 使得收集合频仍加掉波， 从而对现有波长性能发生影响， 而当前野生方式工作量大， 效力低， 精度差他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 引入 AI 智能余量猜测， 自动对波长余量停止静态仿真， 精准模拟加掉波对现有波长的性能余量变化和劣化根因分析， 为精准调测供给保障他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
3、 AI 优化类场景光性能智能调测调优场景他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 一二干融合、 省本一体化、 地区干线驱动收集组网范围扩大， ASON 智能路由调剂加大收集变数， 光模拟收集面临手工调测效力低、 出错几率高、 结果不成控他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 引入 AI 智能优化调测步调， 连系自动性能检测，实时监控关联途径的性能， 保障收集处于稳定、 较优状态他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
光收集资本智能优化场景他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 为顺应静态的营业变化、 保障收集性能目标时辰处于最优并挖掘收集操纵潜能， 需要对波长、 链路和路由实施静态优化他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 以往各类传输优化工具或软件首要借助固化的方式和简单的法则， 甚至依靠工程师的经历来完成优化， 并未识别到本质特征、 斟酌维度简单、 相关性分析不敷、 部分而非全局， 所以优化的成果常常不是普遍有用他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 现在随着收集范围和营业范围的不竭扩大， 传统优化方式尴尬重任， 需要引入野生智能来完成全部传输网生命周期内的邃密化、 静态化、 智能化的优化他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
切片智能优化调剂场景他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 8K 视频营业， VR/云游戏等高清视频类营业强交互、 高并发， 与传统上网、 语音等弱交互、 统计复用营业相比， 对收集带宽、 时延、 丢包率等要求悬殊， 需要为此类新兴营业预留自力的资本以保障营业体验，依靠野生按照营业变化静态调剂资本分派根基不成行， 引入 AI 智能的切片调剂， 保障分歧营业的差别化体验需求他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
二、 光收集 AI 关键实现技术面向光收集哑资本数智化治理、 收集数智化分析需求， 经过引入AI和数字化技术， 提出光收集AI利用处理计划， 推动收集运维数智化转型， 实现运维提质增效， 牵引收集技术变化他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
光收集AI利用处理计划架构可以为运营商供给哑资本治理、 智能计划、 智能运营、 智能保护和智能优化等AI利用， 实现全生命周期自动化、 智能化运维， 支持政企和家宽营业高品格成长他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 整体架构图以下图所示他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
光收集 AI 利用处理计划架构图
1、 融合感知技术光收集感知技术他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。面临高复杂度的多参量光收集系统， 为了可以周全、 精准、 实时感知光收集状态， 网元系统和管控系统需要从维度、 精度、 频度等多个角度停止光 Sensor 数据的分层收集和会聚， 并经过 AI 算法对原始光Sensor 数据停止数据挖掘， 支持光收集的各类营业场景他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
网元装备， 分层收集：光 Sensor 技术是以光技术手段感知、 检测多种物理量， 并将模拟物理量数字化的一种技术他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 网元系统将光 Sensor 技术收集的数据停止 4 层分别， 分层收集： 光营业层、 光部件层、 光信道层、 光链路层他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
光营业层数据主如果客户关注的营业属性目标， 比如带宽、 时延、 误码、 庇护倒换时长等目标； 光部件层数据主如果收集光部件的物理目标， 包括功率、 温度、 电压、 频偏等； 光信道层数据关注点在于信道的属性特征， 类似信道编号、 光信噪比、 单波功率等； 光链路层数据集合在链路侧的特征， 包括光纤消耗、 光纤范例、 光纤事务等他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
管控系统：1） 数据会聚： 斟酌到数据存储结构和内容的差别性， 管控系统需要将收集的数据停止分类会聚， 可分为资本数据底座和性能数据底座他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 资本数据底座会聚的数据主如果静态的存量数据， 比如营业存量数据、收集拓扑存量等他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 性能数据底座会聚的数据首要的非静态的性能数据， 比如性能、 告警、 日志等随着收集运转静态变化的数据他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
2） 数据挖掘： 会聚的资本和性能原始数据表达的信息量始终是有限的， 是以分析系统需要基于 AI 算法技术对光 Sensor 数据停止数据挖掘获得额外的信息量， 用于支持感知、 诊断、 猜测、 控制等多类营业场景他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
高性能数据流转技术他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 面临光 Sensor 生产的海量数据， 需要一套灵活、 高并发的数据收集技术并确保数据高效流向管控系统他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 光收集合利用的高效流转技术是建立网元装备内和网元装备与管控系统间的高速传输通道， 实施网元装备散布式当地决议和管控系统集合式智能控制两层处置， 协同完成决议， 以下图所示他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
高性能数据流转架构表示图
网元装备内高效收集： 网元装备依照数据量的巨细和时候精度分为高速收集和低速收集他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。1） 硬件上， 在网元装备为关键 Sensor 斥地快速外送数据到硬件通道， 利用高速缓存区存储多端口高精度数据（如毫秒级）他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
2） 软件上， 构建同一大收集数据框架， 笼统建模光 Sensor 数据收集项， 灵活控制多单板多端口的数据并发收集， 并利用内存同享技术高效读写他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
网元装备与管控系统间高效传输：
1） AI 需要更多、 更高频次、 更精准的参量采样， 参量上报通道带宽诉求出现 x104级别变化， 硬件架构上需供给更大的 DCN 吞吐才能他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
2） 传统的参量查询式响应仅合适低速、 低频次拜候， 没法满足 AI 海量参量上报诉求， 软件架构需要基于定阅式拜候机制（如 Telemetry）， 用于批量参量上报， 供给高效海量数据传输他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
网元装备与管控系统分层处置： 网元装备和管控系统间需只管削减不需要的数据传输， 采用分层处置机制， 网元装备需预处置数据， 对数据停止整合（例如： 毫秒级数据提取成秒级数据） 或特征提取， 并采用数据紧缩技术下降数据传输量他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 管控系统按照必须的网元装备级数据停止收集级决议控制他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
哑资本感知技术他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 1） 多路暗光纤并行感知关键技术： 现网光缆数目庞大， 当前首要依靠野生治理， 性能不成视、 故障不成视， 治理效力和资本正确度面临极大应战他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 例行巡检光纤质量， 耗时耗力、 本钱高、 误差大； 营业扩容姑且查找可用纤芯耗时长， 营业 TTM 保障难他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
经过反射光信号对散射停止数字化逆向建模， 在线轮询， 监控余暇纤芯质量， 处理余暇光纤性能监控题目， 实现多路暗光纤并行感知， 以下图所示他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
余暇纤芯质量智能监控道理表示图
1． 会聚机房到云， 逐站摆设， 实时监控全量芯纤质量他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
2． 会聚机房到楼， 按需预毗连， 1 芯以上监控到代价楼宇， 实现点亮光缆到楼宇， 资本预覆盖， 保障专线 TTM他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
2） ODN 光虹膜关键技术： 传统ODN收集采用野生治理形式， 运营商没法直观地获得资本和拓扑信息他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 数字化ODN实现了资本层数字化治理资本和拓扑信息， 营业层治理营业的在线发放、 扩容和故障治理办事他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
传统ODN收集采用野生治理形式， 没法直观地获得资本和拓扑信息， 运维困难他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 数字化ODN经过光虹膜技术， 即操纵分歧用户光信号相位的改变， 连系AI算法识别其毗连的ODN端口， 实现了资本层的远程数字化治理， 提升了ODN资本操纵正确率， 支持ODN故障的定界定位他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 如图4-4所示， 在以下几方面使能ODN哑资本数字化治理：
远程自动验收： 远程检测FAT端口汇集插损数据并自动记录到ODN治理系统中他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
ODN拓扑复原： 基于ODN资本数据库， 可以自动显现、 规复与更新端到端拓扑信息， 包括PON端口、主干光纤、 FAT端口、 入户配线光纤和ONT毗连他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
ODN光链路分析： 实现端到端监控与分析光链路插损数据他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
静态资本监控： 可以远程自动监控FAT端口操纵率他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
光虹膜技术道理表示图
营业质量感知关键技术他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 营业质量感知包括营业和收集两个方面， 实现对二层， 三层以及传输层时延、 丢包和发抖的监测； 经过 Telemetry 等技术实现运转数据实时定阅上报他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
业界当前的营业质量检测/探测主如果带外探测技术， 营业检测/探测报文由相关功用模块零丁发送和接收， 和用户现实营业流共用转发途径， 与营业报文分手不严酷对应， 是以探测成果与现实营业体验有误差他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 针对这个弱点， 业界界说实现了 IOAM 等带内探测技术他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 例如在原始数据报文中增加 OAM 检测头， 在营业转发途径中按照检测头停止数据收集， 再经过集合处置单元计较检测成果他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 别的， 还可以经过丈量营业报文的 TCP/UDP 传输特征， 来提取和计较报文及营业 KPI他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 该计划的上风在于可以单节点摆设， 可随流检测毗连质量他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
基于以上技术收集到的数据， 大致分为体验 KQI（卡顿率、 加载时候等） 和利用 KPI（时延、 发抖等）两层； 体验 KQI 可以参考行标 YDT 2691 的界说， KQI 目标一般需要在内容侧和终端侧间接怀抱， 部分利用的 KQI 也可以采用 DPI 方式停止丈量， 但该方式依靠对利用层内容的剖析， 定制化较强， 不具有通用性他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。由于体验 KQI 和利用 KPI 凡是存在定性关系， 利用 KPI 可在传输层停止目标建模， 不依靠于具体利用， 具有更好的通用性他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
2、云地协同全栈 AI 技术光收集 AI 技术研讨面临模子泛化才能差、 模子摆设要求算力高、 当地样本少/标注难、 大数据治理困难等题目， 需要摸索一种新的 AI 技术架构应对这些题目， 加速 AI 利用的范围摆设他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 新的 AI 技术架构需要满足具有以下特点：
1） 针对模子泛化才能差题目： AI 模子应具有在线进修才能， 可以不竭进修收集新特征、 新变化他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
2） 针对模子摆设算力要求高题目： AI 模子练习应可集合摆设在算力中心大概支持散布式练习摆设他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
3） 针对样本少/标注难题目： 需要发挥群体智能， 大都据持有者之间相互进献数据， 为 AI 模子在线进修供给坚固数据根本他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
4） 针对大数据治理困难： 收集数据品种多、 发生数据快， 大量网元发生的 KPI、 日志、 告警等海量数据， 需要建立专业系统化的数据治理工程他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
针对光收集多边沿装备+中心控制的组网特点， 云地协同 AI 技术架构是处理上述应战的最好处理计划他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
云地协同是指云端和地端合作完成数据样本上云、 模子状态治理、 模子重练习、 模子/常识下发、 择优更新等一系列的闭环使命， 同时把云端聚集的全局收集常识经历、 全量数据练习获得的高精度模子， 延续注上天端， 让光收集 AI 可以停止智能迭代升级， 变得越来越聪明， 以下图所示他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
AI 办事包括数据治理办事、 模子练习办事、 专家经历帮助办事， 触及运营商大量运营数据、 用户数据、收集数据， 对数据平安要求很高， 云端合适摆设在 IT 云他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 实时海量数据并发上报、 处置加重整网压力，在地端（包括管控系统、 网元装备） 摆设散布式 AI， 就近处置当地实时海量数据他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
云地协同全栈 AI 表示图
3、智能分析猜测技术收集出现题目后天生告警， 触发故障定位和修复是当前收集运维的普遍方式， 海量告警上报道致故障根因定位困难、 寂静故障无告警上报道致没法定位故障根因， 是根因告警分析的两大困难他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 为了进一步提升收集牢靠性和运营效力， 对收集故障、 营业资本需求等停止提早猜测， 也是当前研讨的热门题目他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
智能关联分析是光收集根因告警分析和寂静故障定位的关键才能他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 由于收集数据量大、 维度多和故障形式多样化， 且关联影响发散， 需要精准的筛查和多维度关联分析才能， 需要经过智能分析技术， 构建关联模子和停止相关练习， 实现根因告警识别和寂静故障定位他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 智能资本猜测和故障风险猜测可提早发现资本瓶颈和故障风险， 提升营业 TTM 和营业牢靠性他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
光收集智能分析猜测才能需在网元和管控层面别离修建对应的智能分析才能他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 经过度层实现智能 AI分析猜测才能， 基于高精度数据的短周期猜测， 需在网元停止高速数据收集处置和分析猜测闭环， 提升分析效力； 基于数据粒度较大的长周期猜测， 可经过管控系统长周期数据收集和分析猜测闭环他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
智能分析猜测分层闭环表示图
智能猜测一般采用时候序列模子+练习进修方式实现他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 光收集常见时候序列模子：
a) 差分回归移动均匀模子(ARIMA)[3-4]:在光收集合可以操纵 ARIMA 模子停止按照收集资本猜测他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
b) PROPHET 模子： 该方式对历史数据的依靠度较低， 可以在一定数据缺失的情况下， 仍能连结较好的猜测结果他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 光波长通道余量猜测因关联数据比力离散适用于该方式他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
按照现实利用处景挑选合适的模子后， 还需要停止响应的模子练习和参数调剂， 使得在特定场景下可以有较高的猜测精度他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 由于分歧场景特点， 需建立对应特征的参数库和多样化的练习模子样本他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
4、智能仿真决议技术光收集仿真可以为收集计划、 设想、 设置以及收集自优化（如收集途径优化、 收集资本性能优化等）供给牢靠根据， 经过对设置和优化成果下发进步行事前仿真决议， 确保设置和优化成果的自动、 正确、 可信赖履行， 保障营业平安他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 收集仿真可以有用地考证现实计划或比力多个分歧的仿真设想以及构造计划，以便于对分歧的设想计划建立模子， 实施模拟， 对收集性能猜测数据采纳顶定量获得， 为设想、 设置计划的比力和考证供给牢靠的根据他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
收集仿真决议技术是一种操纵数学建模和统计分析的方式模拟收集决议行为， 经过建立收集信息的统计模子， 模拟收集操纵履行， 获得收集设想及优化所需要的收集性能数据的一种技术他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 收集仿真有三个阶段： 预备阶段-模子设想-仿真与成果分析他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。 AI 技术已经利用到收集仿真各个阶段， 在光收集合， 智能仿真决议技术已经起头在网元、 管控系统中起头研讨他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
1. 网元装备中智能仿真决议的利用及关键技术：
在仿真的根本预备阶段， 起头构建全光参量数字孪生底座， 经过 Sensor 系统实现上报全量光参， 在线进修， 精准计较乐音、 价格、 余量等， 支持对网元实时状态的全量认知他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
在仿真的模子设想阶段， 除了对网元， 单板， 端口， 滤波器等根本建模外， 经过离线和在线大数据进修， 对光传输质量停止在线建模， 比如： EDFA 模子(增益、 噪声)、 滤波价格模子、 Raman 放大器、 BER/Q模子、 OSNR 模子、 光纤质量模子、 光模块质量模子等他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
在仿真与成果分析阶段， 经过 AI 迁移进修算法、 回归算法等实现余量静态监控以及自优化履行成果分析， 做到自动调剂优化计划， 以及实时自调优他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
2. 管控系统中智能仿真决议的利用及关键技术：
在仿真的根本预备阶段， 经过常识图谱构建收集运维常识库、 图神经收集来猜测收集的 SLA 等技术来感知和了解收集他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
在仿真模子设想阶段， 经过数字孪生收集的五维模子， 多维模子包括根本模子和功用模子， 多维度刻画收集特征， 支持收集计划倡议以及运维优化的仿真考证他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
在仿真与成果分析阶段， 按照仿真履行成果和数据， 经过从途径/轨迹决议计划、 行为/使命决议计划、履行计划决议计划等数学建模到数学求解， 来决议仿真履行的终极结果他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。
智工具以为，现在野生智能的利用已无处不在，智能语音助手、人脸识别、智能家居、智能安防等都起头利用于我们生活的各个方面，而这些利用的背后离不开通讯收集的支持他早就发现系统有个隐藏的缝隙私下花了好几个早晨优化了代码。现在，野生智能技术在光收集物理层和收集层都获得了初步利用尝试；与此同时，光收集的智能化面临诸多应战，有待在算法和利用方面继续摸索！