OFC2025 | 生成式人工智能在网络运营中的综合应用

hdy

引言

生成式人工智能(GAI)正在革新电信行业的网络运营方式。本文探讨AT&T实验室如何在网络生命周期的各个阶段实施GAI解决方案，从初始规划到设备退役。通过理解这些应用，网络工程师和运营团队可以更好地利用人工智能提高效率、降低成本并提升服务质量[1]。

理解网络技术生命周期

网络技术遵循可预测的生命周期，跨越数十年。AT&T实验室将此生命周期分为四个关键阶段，称为"Day 0"到"Day 3"，每个阶段都有不同的活动和挑战。Day 0阶段(预测和规划)持续1-6年，这一初始阶段涉及预测网络需求并相应规划资源。Day 1阶段(设计、建设、配置)持续1-5年，此阶段专注于实施规划的网络设计、构建基础设施和配置系统。Day 2阶段(运营和维护)持续10-20年，这是最长的阶段，涵盖持续的网络管理、故障排除和优化。Day 3阶段(日落和迁移)持续5-10年，这一最终阶段管理从传统技术向更新的解决方案的过渡。

每个阶段都存在独特的挑战，可以从生成式人工智能应用中受益。这些阶段的时间线通常重叠，形成技术演进的连续循环。这种周期性使网络规划者能够同时处理多代技术，使旧技术平稳退役的同时部署新技术，确保服务连续性和资源优化。

图1：网络技术生命周期的四个关键阶段，展示了各自的活动和持续时间。

一个现实世界的例子有助于说明这个生命周期。考虑AT&T的基于IP的DSL技术，它遵循了这种模式：规划始于2005年左右，设计和建设发生在2007-2011年，运营和维护在2015年左右达到了超过1000万用户的高峰，之后开始日落阶段，并迅速升级到xPON技术。这个案例清晰展示了技术如何从概念到退役的完整周期，以及各个阶段如何重叠和过渡。特别是在高峰期后，随着新技术引入，用户数量逐渐下降，显示了技术演进的自然规律。

图2：2003年至2023年基于IP的DSL用户增长，突出显示该技术如何经历规划、部署、高峰使用和最终日落阶段。

网络生命周期中的GAI应用

AT&T实验室已经确定了网络生命周期每个阶段的特定生成式人工智能用例。这些应用利用大型语言模型(LLM)、生成对抗网络(GAN)和其他人工智能技术来解决关键的运营挑战。每个应用都针对特定阶段的独特需求，提供了有针对性的解决方案。

Day 0：流量需求预测

网络流量预测基本依赖于历史流量数据，但由于收集间隙、中断和配置错误，这些数据常常存在质量问题。这为规划团队带来了重大挑战。流量数据质量问题会导致预测偏差，进而影响网络容量规划和资源分配决策的准确性。传统方法通常使用简单的统计填充或插值技术来处理缺失数据，但这些方法难以捕捉复杂的网络流量模式。

AT&T实验室使用生成式人工智能模型来推断缺失和异常的流量数据，确保连续性并提高流量需求预测的质量。具体而言，他们实施了一个GAN(生成对抗网络)模型，通过纠正异常、填补缺失值和生成逼真的合成数据来改善数据质量。该模型利用深度学习架构，包括基于变换器或LSTM的生成器和判别器，处理复杂的时间序列数据。

技术实现上，系统首先将输入时间序列传入潜在空间表示，然后通过生成器和判别器网络进行处理。生成器创建重构数据，而判别器评估其真实性。通过重构损失和判别损失的组合，系统计算异常分数，用于识别需要修复的数据点。一旦确定了异常，多尺度U-Net架构用于精确推断缺失值，考虑到不同时间尺度上的模式。这种方法特别适用于网络流量数据，因为它可以捕捉日常、每周和季节性模式。

图3：基于GAN的流量数据异常检测和推断方法，特点是潜在空间、生成器/判别器架构和用于最终推断的多尺度U-Net。

该系统的实际应用展示了显著的运营效益。它能够识别并修复大范围的缺失数据，保持数据的连续性和一致性。此外，系统还能有效检测异常模式，防止异常值扭曲预测结果。最重要的是，该方法还可以用于模拟新服务或设备引入网络时的流量影响，为规划决策提供宝贵的见解。

图4：显示了大间隙的推断时间序列值和检测到异常的重构时间序列的例子。

Day 0：询问规划

传统的网络规划工具存在显著的可用性障碍，限制了其有效性。这些工具通常设计用于专业用途，界面复杂，需要用户具备深入的领域知识才能有效操作。这种高门槛限制了非专业人员参与规划过程的能力，导致决策孤岛和沟通障碍。

AT&T开发了一种聊天机器人式工具，解决这一挑战。该工具可回答关于光纤和无线投资策略的问题，帮助决策者评估财务回报和性能标准。它使用自然语言界面，允许用户以对话方式探索复杂的规划场景，而不需要深入了解底层系统的技术细节。

技术上，该解决方案利用大型语言模型(LLM)，将孤立的数据源和单独的分析工具整合到端到端的解决方案中。系统架构分为三个主要部分：GAI语义处理、GAI代理/规划和GAI推理。语义处理组件负责理解用户问题和提取关键信息，代理/规划组件协调适当的数据源和工具，而推理组件则生成定制结果并提供业务解决方案。

工作流程包括首先理解规划问题(通过GAI语义分析)，然后执行数据/工具协调，处理网络数据和规划工具之间的交互，最后生成定制结果并提供业务解决方案。这种方法使非专家也能提出复杂的规划问题，如"如何在达拉斯地区投资5000万美元来改善光纤服务？"，并获得全面的分析和建议。

图5：询问规划架构，具有用于语义、代理规划和推理能力的GAI组件。

与传统规划工具相比，Ask Planning系统显著简化了用户体验。传统工具需要用户选择DMA/线路中心、县、多边形等复杂参数，并手动输入各种技术阈值。相比之下，Ask Planning允许用户通过自然对话表达意图，系统自动处理复杂参数设置。用户可以轻松地提出追问、调整假设条件，或请求进一步说明，创造一种动态的、迭代的规划体验。

图6：询问规划界面截图，显示用户关于达拉斯光纤投资的查询和系统的结构化财务指标响应。

Day 1：无线接入网(RAN)射频设计

无线网络的射频(RF)规划传统上是一个耗时且依赖昂贵、经测量调整的模型的过程。准确预测射频信号传播对于优化小区覆盖和最小化干扰至关重要，但现有方法通常需要大量现场测量和手动调整，这在大规模部署中既不高效也不经济。

AT&T实验室开发了一种创新方法，使用3D地理空间射线追踪技术，由生成式人工智能和强化学习模型加速，来预测和优化网络射频覆盖和干扰。该方法应用射线追踪物理原理到3D地理空间数据，利用生成式人工智能技术加速推理过程，能在几分之一秒内计算详细的射频传播数据。

技术上，该系统包括数据模型组件和网络状态预测组件。数据模型整合了地理空间数据、网络状态信息和用户设备状态，而网络状态预测部分则包含AI加速的射线追踪器和覆盖与干扰计算模块。射线追踪器考虑建筑物、地形和其他物理障碍物对射频信号的影响，而覆盖与干扰计算则评估网络性能指标。

该系统的一个关键创新是将生成式AI用于加速射线追踪计算。传统射线追踪是计算密集型的，尤其在复杂的城市环境中。通过训练生成模型来模拟射线传播路径，系统可以在10毫秒内完成推理，显著加快了计算速度。此外，强化学习技术用于优化天线参数和其他网络配置，最大化覆盖并最小化干扰。

图7：RAN射频设计的AI加速射线追踪架构，结合地理空间数据与网络和UE状态信息。

在实际应用中，该系统展示了显著的运营效益。单个1x1公里的区域计算仅需6秒，与地面实况相比精度达到7 dB，这对于射频预测来说是相当准确的。更令人印象深刻的是，通过并行计算，整个曼哈顿岛的射频覆盖可以在30秒内完成模拟，这在传统方法中可能需要数天时间。这种速度使工程师能够快速执行假设分析，测试不同的网络配置，并在部署前识别潜在问题。

图8：RF设计可视化，在城市环境中以颜色编码的信号覆盖区域和干扰分析。

Day 1：小区站点自动配置

现代蜂窝网络面临前所未有的配置复杂性。网络由数百万个小区组成，每个小区有数百个配置参数，涉及硬件、软件、环境和工作负载等多种因素。层管理、移动性管理和跨层交互进一步增加了复杂性，使手动优化几乎不可能。

AT&T实施了数据驱动、基于GAI的RAN配置参数调整来解决这一挑战。该解决方案使用神经网络基础模型，通过大量数据预训练，然后针对特定站点进行微调。这种方法类似于大型语言模型的发展，但专注于网络配置领域。

技术实现上，该系统处理多种输入数据类型：表格形式的带宽、功率和天线配置数据；数值时间序列形式的KPI数据；事件时间序列形式的网络呼叫跟踪；以及驱动测试数据。这些不同形式的数据通过预处理和特征提取进行标准化，然后用于训练网络基础模型。

训练过程分为两个关键阶段：预训练和微调。在预训练阶段，模型学习网络配置、性能和环境条件之间的广泛关系。这创建了对无线网络行为的通用理解。在微调阶段，模型针对特定目标站点或场景进行优化，考虑其独特的特征和要求。

完成训练后，系统能够自动生成最佳配置建议，预测不同配置变更的影响，并持续适应网络条件变化。这种方法特别有效，因为它不仅从历史数据中学习，而且能够通过强化学习技术不断改进，根据实际性能反馈调整其建议。

图9：小区站点自动配置方法，显示用于预训练网络基础模型的数据类型和目标站点的微调过程。

Day 2：RAN工程师协作工具进行根本原因分析

当网络问题出现时，RAN工程师面临快速诊断和解决客户投诉的挑战。传统上，这需要手动搜索多个数据源、解释复杂日志，并应用专业知识来识别根本原因。这个过程既耗时又依赖专家可用性，往往导致延长的解决时间和客户不满。

AT&T开发的RAN工程师协作工具通过使工程师能够更快地排除故障和解决问题，改善了这一情况。该工具利用代理人工智能、对话人工智能和大型语言模型，结合深度领域知识，为无线网络客户投诉进行故障排除和根本原因分析。

从技术角度看，该系统采用五步处理流程：首先，工程师通过用户友好的界面提出问题，如"IMSI=123的用户在9月1日信号最强的5个小区是什么？"。然后，GAI LLM分析问题，理解意图和需要的数据。第三步，系统生成API URL来从相关工具检索数据。第四步，通过工具API检索数据。最后，LLM分析数据并生成全面的答案，以易于理解的格式呈现给工程师。

该系统的强大之处在于能够理解自然语言查询，并将其转换为适当的技术操作。例如，当工程师询问特定用户体验的信号问题时，系统可以自动确定需要查询哪些KPI，从哪些系统获取数据，以及如何解释结果。此外，系统不仅提供答案，还提供上下文信息和建议的后续步骤，帮助指导故障排除过程。

图10：RAN工程师协作工具架构，显示从用户问题通过LLM分析到数据检索和答案生成的流程。

在实际部署中，该工具已展示出显著的运营效益。移动网络问题的平均解决时间(MTTR)提高了50%，这直接转化为成本节约和改善的客户体验。工程师能够更快速地进行复杂分析，减少对专家的依赖，并更有效地解决复杂问题。系统还支持知识保留和分享，使新工程师能够更快地学习和提高效率。

图11：RAN工程师协作工具界面截图，显示工程师关于小区信号强度的查询和系统的详细技术响应。

Day 2：网络故障单分析

网络故障单包含有价值的运营信息，但由于数量、种类、不一致的报告和人为错误，这些数据通常是"嘈杂"的，难以与结构化的网络仪器数据关联。这使得系统性分析和趋势识别变得困难，限制了服务提供商从这些丰富数据源中获取见解的能力。

AT&T采用了GAI模型来解决这一挑战，对故障单数据进行分类，并将非结构化图像数据转换为结构化数据。这种方法处理两种主要类型的非结构化数据：文本和图像。对于文本数据，系统使用生成式语言模型分析故障单说明、技术员注释和客户反馈，提取关键信息如问题类别、受影响的服务和故障症状。对于图像数据，系统使用生成式图像模型分析现场技术人员拍摄的照片，识别设备标识符、连接状态和物理损坏的迹象。

技术上，这种双模态方法结合了大型语言模型(LLM)的文本理解能力和计算机视觉模型的图像分析能力。语言模型经过网络领域专有语言、技术术语和常见问题类型的微调，能够理解技术上下文，并识别可能被歧义术语掩盖的潜在问题描述。

图像模型则训练用于识别各种网络设备、连接类型和基础设施组件。例如，当技术人员上传光纤连接照片时，系统可以识别并提取光纤标签上的设备标识符，即使这些标签部分被遮挡或以不同角度拍摄。这种自动化减少了手动数据输入错误，并确保关键识别信息被准确捕获。

图12：展示GenAI语言和图像模型如何处理故障单文本和技术照片，以提取结构化信息，如问题类别和设备标识符。

通过将这些非结构化数据转换为结构化格式，系统创建了可机器处理的、标准化的数据集，可用于高级分析。这带来了显著的运营效益，包括改进的故障分类准确性、增强的趋势分析能力，以及更精确的根本原因确定。最重要的是，结构化数据促进了与其他网络监控系统的集成，创建全面的网络健康视图，支持更主动的维护策略和资源优化。

Day 3：接入设备升级

在长期网络设备生命周期中，从一个供应商迁移到另一个供应商是一个特别具有挑战性的过程。随着时间推移，工程师专注于特定供应商的生态系统，创造了"供应商锁定"效应，使得过渡变得困难和风险高。不同供应商使用不同的命名约定、参数和配置方法，需要重新培训和适应期，可能导致服务中断和性能下降。

AT&T开发了"接入设备更新协作工具"来解决这一挑战，该工具通过提供实时专题专家支持，使供应商转换更加平滑。该系统整合来自多个源的知识，包括供应商A和B的设备说明、标准说明(如无线的3GPP)、AT&T内部操作程序以及网络配置和KPI数据。

从技术角度看，该系统使用LLM计划和执行推理框架。当工程师提出查询时，如"供应商B参数XXX与供应商A参数YYY最相似的是什么？"，LLM首先生成回答查询的计划，将其分解为多个步骤。然后，对每个步骤，系统选择适当的工具，包括SQL查询、CSV处理、RAG代理等。系统执行这些步骤，如果需要，可以重新规划更多步骤，直到能够完全回答查询为止。

该系统的关键创新在于能够将供应商特定的术语、参数和配置映射到标准化的功能理解。例如，不同供应商可能使用完全不同的参数名称来指代基本相同的网络功能，如"xxxyyyzz"和"xxyyzz"可能控制相同的邻区小区信号偏移。协作工具不仅提供参数映射，还解释参数的功能、单位、范围和受影响的标准，帮助工程师理解不同系统之间的等效关系。

图13：设备升级的基于LLM的推理方法，具有查询分析、计划生成、工具选择和执行能力。

对网络运营而言，该工具的效益显著。工程师花在寻找设备过渡信息上的时间减少，更快地适应新特性和方法来优化网络。此外，系统记录知识并创建映射，随着时间的推移变得更加智能，不断改进其建议和解释。这减少了对供应商专家的依赖，加快了迁移过程，并降低了操作风险。

图14：截图演示系统如何帮助工程师映射供应商之间的参数，并提供新参数的详细技术解释。

结论

生成式人工智能应用覆盖整个网络生命周期，为每个阶段的独特挑战提供专门的解决方案。从预测网络需求到促进设备转换，这些人工智能系统帮助电信运营商提高效率、降低成本并提升服务质量。

AT&T实验室的工作表明，GAI可以超越简单自动化，改变网络运营，实现更智能、更适应性强、更响应迅速的网络管理。这些技术不仅解决了现有的操作挑战，还创造了新的能力，使运营商能够以前所未有的方式管理其网络。

随着这些技术的成熟，生成式人工智能与电信运营的更深层次整合将继续发展。未来应用可能包括端到端网络优化、自主网络维护和预测性服务保障。通过拥抱这些创新，电信提供商可以保持竞争优势，同时提供更可靠、高效和适应性强的服务给客户。