围绕焦点场景以AI重构电信网络：华为SoftCOM AI场景分享一

智能社会脚步渐近，在你看得到或看不到的地方，变革正在发生。

作为数字化底层平台的电信行业正身处变革的中心。未来的数字孪生将无处不在，各个垂直行业拥抱数字化的进程带来了万亿美元级的市场想象空间，为人口红利渐逝下的运营商们实现新的商业增长提供了绝佳机会；而硬币的另一面则是，用户需求的持续提升、传统业务的每况愈下、行业整体现状的相对不健康、来自跨界竞争的压力乃至今后业务发展市场环境的种种不确定性，都挑战着运营商所主导的整个价值链。

无论机会还是挑战，都驱使着运营商必须作出改变。面向智能化、“以客户为中心”的网络架构层面的重构与转型，将是一切的前提。今年4月，华为创造性地在全云化网络构架基础上引入AI技术，提出SoftCOM AI战略及架构，以此来推动电信网络的自动、自优、自愈、自治，从而实现运维效率倍增、能源效率倍增、资源效率倍增以及用户体验的大幅提升。

如今，随着将运营商网络诉求和难点不断收敛与提炼，华为SoftCOM AI团队已经识别出部分转型焦点场景，并针对这些场景形成了相应的可操作可执行的解决方案与用例，并且已经和运营商展开试点——考虑到以往一项技术由概念到落地往往需要数年时间，这个速度不可谓不快。在近期的一场采访中，华为专家就此向C114作了充分的展示与分享，涉及的场景种类包括通过预测性分析实现主动优化（如基站智能节能）、解决重复低效工作问题以提升效率（如PON故障定位）、解决海量数据下无法做到人工全量处理的问题（如MassiveMIMO寻优）等。

基站智能节能

有统计显示，基站站点能耗费用（电费）占到网络运营成本的16%之多，为优化成本结构和促进社会效益，针对基站站点的节能减排已成运营商的一大努力目标。

分解开来看，传统宏基站能耗构成中基站主设备占50%、射频单元能耗占主设备能耗的80%、功放（PA）能耗又占到射频单元能耗的79%——随着分布式基站成为主流建站方式，基站主设备能耗占比将继续提高。与此同时，网络话务量往往存在明显的潮汐效应，忙时与闲时能达到4倍的差距，但大部分基站设备却始终保持持续运行状态（所有资源24小时一直开），能耗并没有随话务量动态调整，造成了相当大的浪费。因此对于主设备而言，如何通过基站载波睡眠的方式降低能耗就成为了基站节能的主要考虑方向。

通俗地讲，基站智能节能就是降低或关闭搭载载波的功放模块，功放模块是个硬件实体，用于将调制好的载波信号加大功率发送出去。载波睡眠所针对的是一个扇区有2个载波（2个小区）及以上覆盖的场景，将容量小区的功放模块关闭，仅保留覆盖小区以满足基本覆盖。基站载波关断特性不是新鲜事，但目前这个特性的使用率却不高，原因是传统的一刀切方式严重依赖于定时关断等人工设置的统一默认值，经常会影响到用户的通话和上网体验。

如何让这么好的特性真正能够用起来？如果可以预测基站小区的无线资源利用率，就可以用来对每个小区睡眠时间做出个性化的精准设置，解决基站节能特性“不敢用”的问题。但做到预测并非易事，首先需要得到成千上万个小区的历史数据，比如时间、邻区关系、事件、无线资源利用率等特征值，再把这些特征值与无线资源利用率的映射关系找出来；同时，还要监控KPI/KQI的变化，根据调整策略部署后KPI/KQI的变化动态调整关断参数。显然，靠人工将影响预测的不确定因素与无线资源利用率关联起来非常困难，在实践中基本无法实施。

SoftCOM AI的出现完美地解决了这个问题。通过AI训练平台时空计算模块中的神经网络算法，将各种影响因素的历史时空特征数据和无线资源利用率之间的映射关系找出来，确定权重矩阵和偏置矩阵，从而得到无线资源利用率预测模型。在预测模型建设完成之后就可部署到系统中，根据无线资源利用率预测结果设置睡眠门限参数，计算满足小区睡眠门限的时间段。

据华为专家介绍，从当前在某实验局的效果来看，基于AI的基站智能关断可帮助运营商在覆盖范围不变、KPI/KQI不受影响的情况下，节省15%-25%的基站电力消耗。

PON光模块和光链路故障定位及预测

作为用于解决“最后一公里”的宽带解决方案，PON技术在此前“光进铜退”的风潮下已经在全球广泛部署。但在享受到技术带来的助益的同时，PON无源器件的故障定位困难并缺乏远程定位的有效手段，导致了相当大的运维成本压力。

根据某运营商的统计，2016年7月-12月共收到用户2.5万条投诉，光链路和OLT/ONT光模块（光电转换模块）故障占比34%。这其中皮纤设备因为城镇改造、鼠类咬断、雨雪天气等原因造成的故障占比超过20%，户外各种接头（冷结子、水晶头等）故障超过6%。由于无源器件无法发出任何信息，这一段设备如果发生故障将很难准确定位。

由于光纤线路都埋在管道中无法检测，按照现有流程，一旦家庭宽带用户投诉故障就只能带着专业测试仪器（OTDR）上门到ONT上检测整个链路来判断故障原因。而运营商上门成本高昂，欧洲平均为175欧元，在中国亦达50人民币，某运营商2017年一年上门费用的费用就达到了1亿人民币之多。

SoftCOM AI借助于网管系统（U2000、uTraffic等）从ONT/OLT光模块获取历史数据，包括模块类型、模块电压、模块电流、模块温度、光层告警、光层统计、发送功率、接收功率、光距等，从这些数据中抽取出特征、打上标签进行AI训练。AI训练出来的模型可以用于实时数据的推理，得出故障种类和故障定界两方面信息，以此来实现故障的精准定位及预测。通过SoftCOM AI方案提供远程定位手段，可将远程定位率从30%提升到80%。

Massive MIMO自优化配置

5G是电信行业的下一个重大机会点，在价值链各方的共同推动下，它离我们已不再遥远。在5G到来前在网络领域做好准备，正当其时。

在城市环境中可用无线频谱已经饱和，为满足业务需求的急速增长，4G和5G时代增加天线的数目不可避免。大规模天线技术（Massive MIMO）正是5G时代的核心技术之一，想要充分发挥其优势，就必须对Massive MIMO基站的各项参数进行灵活的适应性调整以应对业务的变化。

然而，不同地点、不同场景、不同用户分布，天线组合的参数不一。3G时代天线一共只有13种参数组合（水平波宽+垂直波宽），很容易通过专家的经验判断来选择；到了4G时代，天线的参数组合（水平波宽+垂直波宽+下倾角）数量增加到数百种，已经很难凭借过去的经验来判断；而5G时代的几千种参数组合（水平波宽+垂直波宽+下倾角+水平角）更是人工经验判断所不能实现的。面对大量的参数组合和快速的业务变化，加上人工操作效率低、风险大、难以实施，Massive MIMO基站迫切需要更加智能、可优化的机制。

SoftCOM AI通过引入AI来分析处理各种复杂场景特征和波束参数组合的对应关系。极大缩短漫长的调试阶段，快速得到某个地点某种场景下的波束的最优配置参数。

在某运营商的实际使用中，通过AI技术已实现了短短数天得到一个站点的最优初始值，效率比传统方式有了巨大提升。