一、 有線寬帶運(yùn)維面臨的問題

中國移動(dòng)用戶規(guī)模巨大但仍在持續(xù)增長，截至到2023年6月份，中國移動(dòng)有線寬帶用戶累計(jì)達(dá)到2.86億戶。伴隨用戶快速增長，有線寬帶的光纖公里數(shù)、網(wǎng)元數(shù)量、網(wǎng)絡(luò)拓?fù)浼斑B接復(fù)雜度大幅增加，同時(shí)隨著互聯(lián)網(wǎng)新業(yè)務(wù)的不斷出現(xiàn)，網(wǎng)絡(luò)運(yùn)維面臨諸多重大挑戰(zhàn)。

第一，有線寬帶網(wǎng)元層級(jí)多、無源光線路長、最后1公里不可控因素多；有線寬帶跨多個(gè)網(wǎng)絡(luò)域（涉及家庭網(wǎng)絡(luò)、接入網(wǎng)、城域網(wǎng)、骨干網(wǎng)、省網(wǎng)、傳輸網(wǎng)、業(yè)務(wù)平臺(tái)/內(nèi)容分發(fā)網(wǎng)等。如圖1所示）、管理線條多，流程有時(shí)依靠人工流轉(zhuǎn)；網(wǎng)元廠家多，未開放標(biāo)準(zhǔn)化的操作接口，很多管理配置還依賴于手工操作。以上導(dǎo)致出現(xiàn)網(wǎng)絡(luò)質(zhì)差時(shí)，難以自動(dòng)提前或及時(shí)發(fā)現(xiàn)問題；發(fā)生故障時(shí)，缺乏端到端整體分析，需要較多人工處理，排查定位和修復(fù)故障的效率低耗費(fèi)時(shí)間長；被動(dòng)等待投訴后處理，仍存在大量潛在質(zhì)差用戶未得到處理。另外，有線寬帶還較易受到天氣環(huán)境、施工、人為等突發(fā)因素影響，以上導(dǎo)致運(yùn)維工作量極大。

第二，新業(yè)務(wù)層出不窮，對(duì)網(wǎng)絡(luò)質(zhì)量要求也越來越高。除上網(wǎng)瀏覽、網(wǎng)絡(luò)電視、網(wǎng)上購物、網(wǎng)絡(luò)社交、長短視頻播放、在線游戲外，視頻直播、AR/VR、元宇宙等新業(yè)務(wù)不斷涌現(xiàn)。受疫情影響，用戶的工作和學(xué)習(xí)越來越多的依靠在家里或公司通過網(wǎng)絡(luò)會(huì)議和網(wǎng)上課堂的方式進(jìn)行。這些業(yè)務(wù)對(duì)有線寬帶網(wǎng)絡(luò)質(zhì)量要求極高（有的帶寬甚至?xí)_(dá)到Gbps、時(shí)延ms級(jí)），對(duì)網(wǎng)絡(luò)質(zhì)差容忍度低，一旦發(fā)生網(wǎng)絡(luò)質(zhì)量劣化或故障、修復(fù)不及時(shí)，極易造成用戶投訴和滿意度下降。

但是，由于單段線路網(wǎng)絡(luò)質(zhì)量QoS指標(biāo)難以完全反映業(yè)務(wù)端到端的質(zhì)量情況，QoS與業(yè)務(wù)質(zhì)量/用戶體驗(yàn)之間并非線性對(duì)應(yīng)關(guān)系；不同業(yè)務(wù)在QoS對(duì)用戶體驗(yàn)影響敏感性和程度上存在差異；另外業(yè)務(wù)技術(shù)也在基于網(wǎng)絡(luò)質(zhì)量情況進(jìn)行適配演進(jìn)。因此，面對(duì)用戶提出的用戶體驗(yàn)上的投訴問題，缺乏對(duì)用戶感知數(shù)據(jù)的采集，僅基于網(wǎng)絡(luò)側(cè)QoS指標(biāo)往往很難追查，用戶問題往往被大量的QoS重復(fù)告警所湮沒。

第三，對(duì)于家庭網(wǎng)絡(luò)和有線接入的企業(yè)寬帶網(wǎng)絡(luò)，存在大量非運(yùn)營商管控的用戶終端設(shè)備，處于監(jiān)管盲區(qū)。用戶滿意度受這些用戶自有終端的使用情況，以及用戶主觀行為和習(xí)慣的影響。因此，當(dāng)出現(xiàn)用戶粒度質(zhì)差和投訴時(shí)，一大部分問題難以通過網(wǎng)絡(luò)側(cè)來發(fā)現(xiàn)和定位問題，經(jīng)常需要人工上門處理。

圖1有線寬帶網(wǎng)絡(luò)架構(gòu)

綜上，有線寬帶網(wǎng)絡(luò)亟需采集與用戶感知相關(guān)的質(zhì)量數(shù)據(jù)，打開用戶內(nèi)網(wǎng)監(jiān)管盲區(qū)，以更準(zhǔn)確更全面地進(jìn)行用戶網(wǎng)絡(luò)質(zhì)量問題的發(fā)現(xiàn)和診斷；同時(shí)，亟需引入智能運(yùn)維技術(shù)，在關(guān)鍵運(yùn)維環(huán)節(jié)進(jìn)行必要的人工替代，以提高運(yùn)維效率和運(yùn)維質(zhì)量。通過對(duì)用戶業(yè)務(wù)質(zhì)量感知的全面掌握和智能手段的充分利用，才能緩解目前有線寬帶運(yùn)維面臨的巨大壓力，切實(shí)提高網(wǎng)絡(luò)質(zhì)量，降低被動(dòng)投訴，提升有線寬帶用戶滿意度。

二、 有線寬帶運(yùn)維的典型需求場(chǎng)景

1、網(wǎng)絡(luò)故障（質(zhì)差）的異常發(fā)現(xiàn)

（1）上網(wǎng)業(yè)務(wù)量升降異常發(fā)現(xiàn)

當(dāng)有線寬帶某個(gè)網(wǎng)元或線路發(fā)生故障時(shí)，一般都伴隨相關(guān)業(yè)務(wù)的用戶數(shù)或業(yè)務(wù)訪問量發(fā)生驟降或波動(dòng)，如用戶上網(wǎng)用戶數(shù)、上網(wǎng)流量、訪問次數(shù)等指標(biāo)（圖2），此類異常往往預(yù)示著網(wǎng)絡(luò)發(fā)生問題并影響了用戶業(yè)務(wù)正常訪問，需被及時(shí)發(fā)現(xiàn)告警并被核查修復(fù)。如果發(fā)生故障的業(yè)務(wù)量指標(biāo)的時(shí)序本身就有一定的周期波動(dòng)性，則較難通過簡單靜態(tài)閾值方式進(jìn)行檢測(cè)。

圖2 網(wǎng)絡(luò)發(fā)生問題時(shí)導(dǎo)致業(yè)務(wù)量指標(biāo)異常

（2）互聯(lián)網(wǎng)電視質(zhì)差告警故障發(fā)現(xiàn)

基于有線寬帶網(wǎng)絡(luò)的互聯(lián)網(wǎng)電視業(yè)務(wù)，如IPTV，其體驗(yàn)質(zhì)差告警，正常情況下一般由個(gè)別用戶原因造成，時(shí)序一般呈隨機(jī)分布；而若由某一網(wǎng)元或線路群障造成，則時(shí)序呈現(xiàn)出聚集突增情況（圖3）。使用靜態(tài)閾值方法，對(duì)不同告警時(shí)序模式需設(shè)置較多靜態(tài)閾值，耗費(fèi)人力且難以管理；業(yè)務(wù)發(fā)生變動(dòng)時(shí)還需重新調(diào)整；另外單一靜態(tài)閾值還容易造成漏警或誤警。

圖3 網(wǎng)絡(luò)電視故障時(shí)產(chǎn)生質(zhì)差告警激增

2、網(wǎng)絡(luò)故障（質(zhì)差）的根因定位

（1）互聯(lián)網(wǎng)電視故障根因定位

互聯(lián)網(wǎng)電視業(yè)務(wù)質(zhì)量出現(xiàn)問題，原因涉及通信網(wǎng)絡(luò)、內(nèi)容服務(wù)器、以及CDN等，或其相互交叉影響造成。由于以上各原因的子維度和節(jié)點(diǎn)眾多，發(fā)生電視卡頓故障時(shí)進(jìn)行根因定位時(shí)，面臨巨大和復(fù)雜的維度搜索空間（圖4），僅靠人工逐級(jí)定位分析，定位慢耗時(shí)長。

圖4 互聯(lián)網(wǎng)電視發(fā)生故障時(shí)根因定位面臨的維度搜索空間

（2）家庭內(nèi)網(wǎng)質(zhì)差定位

家庭內(nèi)網(wǎng)是有線寬帶網(wǎng)絡(luò)的用戶側(cè)末梢，運(yùn)營商不完全管控，是網(wǎng)絡(luò)運(yùn)維的難點(diǎn)和痛點(diǎn)。家庭內(nèi)網(wǎng)質(zhì)量易受到家庭網(wǎng)關(guān)、帶寬、用戶終端、組網(wǎng)部署方式、第三方路由器、Wi-Fi覆蓋和同頻干擾、網(wǎng)口/網(wǎng)線連接等多因素的影響，也和用戶使用位置和習(xí)慣有關(guān)。用戶常見感知的質(zhì)差問題現(xiàn)象是“上網(wǎng)慢”“網(wǎng)速不穩(wěn)定”等。出現(xiàn)以上投訴，由于排障規(guī)則復(fù)雜和用戶差異大，往往依賴裝維人員上門，根據(jù)專家經(jīng)驗(yàn)現(xiàn)場(chǎng)分步逐項(xiàng)嘗試排查，耗時(shí)長效率低成本高。同時(shí)裝維人員的經(jīng)驗(yàn)積累慢，相互之間較難得到復(fù)用，導(dǎo)致排障技術(shù)門檻高。

3、用戶上網(wǎng)滿意度預(yù)測(cè)

隨著帶寬步入千兆，有線寬帶用戶的上網(wǎng)滿意度成為運(yùn)營商的重要競(jìng)爭(zhēng)點(diǎn)。若能有效預(yù)測(cè)用戶的不滿程度，可以幫助運(yùn)營商提前發(fā)現(xiàn)潛在質(zhì)差用戶，及時(shí)采取措施，以避免用戶投訴和用戶流失。但用戶滿意度影響因素多，不僅包括各類質(zhì)量問題，還涉及用戶資費(fèi)、業(yè)務(wù)差異、感受差異等因素，通過個(gè)別指標(biāo)和閾值進(jìn)行推斷用戶滿意度，難度較大，還有較多技術(shù)問題有待突破。

三、 自智網(wǎng)絡(luò)技術(shù)發(fā)展現(xiàn)狀

伴隨數(shù)字經(jīng)濟(jì)高速增長，人們生活日益依賴網(wǎng)絡(luò)，基于網(wǎng)絡(luò)的各類業(yè)務(wù)不斷涌現(xiàn)，沉浸式用戶體驗(yàn)對(duì)網(wǎng)絡(luò)質(zhì)量的要求也不斷提高。運(yùn)營商的網(wǎng)絡(luò)覆蓋范圍、網(wǎng)元數(shù)量成倍增加，網(wǎng)絡(luò)管理復(fù)雜度呈指數(shù)性增加，以“人工為主”的網(wǎng)絡(luò)運(yùn)維體系應(yīng)對(duì)越來越力不從心，亟需在一些關(guān)鍵運(yùn)維場(chǎng)景引入“智能”手段來實(shí)現(xiàn)運(yùn)營商網(wǎng)絡(luò)運(yùn)維的 “提質(zhì)、增效、降本”。

2019年電信管理論壇TMF成立“自智網(wǎng)絡(luò)項(xiàng)目”，旨在構(gòu)建業(yè)界領(lǐng)先、端到端網(wǎng)絡(luò)自動(dòng)化、智能化的方法，幫助運(yùn)營商簡化業(yè)務(wù)部署，推動(dòng)網(wǎng)絡(luò)Self-X能力（自服務(wù)、自發(fā)放、自保障）全面提升，為用戶提供Zero-X（零等待、零接觸、零故障）體驗(yàn)。這為運(yùn)營商網(wǎng)絡(luò)運(yùn)維的智能化轉(zhuǎn)型明晰了目標(biāo)和實(shí)現(xiàn)路徑，成為通信行業(yè)的發(fā)展共識(shí)。

中國移動(dòng)參考TMF自智網(wǎng)絡(luò)理念，基于自身實(shí)際，規(guī)劃網(wǎng)絡(luò)運(yùn)維的數(shù)智化轉(zhuǎn)型，加大自動(dòng)化、智能化能力建設(shè)，面向流程定義場(chǎng)景化分級(jí)標(biāo)準(zhǔn)，分步迭代提升網(wǎng)絡(luò)運(yùn)維自治水平，設(shè)定了2025年網(wǎng)絡(luò)運(yùn)維自治水平達(dá)到L4的整體目標(biāo)（運(yùn)維分級(jí)見表1）。同時(shí)提出“2+5+N”的網(wǎng)管系統(tǒng)總體規(guī)劃，體系化指導(dǎo)網(wǎng)管系統(tǒng)能力建設(shè)，以拉通運(yùn)維流程，補(bǔ)齊自動(dòng)化業(yè)務(wù)配置激活，夯實(shí)數(shù)據(jù)底座，強(qiáng)化端到端業(yè)務(wù)保障，實(shí)現(xiàn)能力復(fù)用共享，針對(duì)性完善能力短板。

四、 基于用戶業(yè)務(wù)感知的有線寬帶智能運(yùn)維系統(tǒng)

以上章節(jié)對(duì)有線寬帶網(wǎng)絡(luò)運(yùn)維當(dāng)前面臨問題，自智網(wǎng)絡(luò)發(fā)展?fàn)顩r等進(jìn)行介紹。本章基于中國移動(dòng)“極目云智”系統(tǒng)的實(shí)踐，提出構(gòu)建基于用戶業(yè)務(wù)感知的有線寬帶智能運(yùn)維系統(tǒng)的技術(shù)方案，希望能為有線寬帶網(wǎng)絡(luò)發(fā)展和自智網(wǎng)絡(luò)水平提升，提供參考。

1、有線寬帶智能運(yùn)維系統(tǒng)技術(shù)架構(gòu)及關(guān)鍵技術(shù)

基于用戶業(yè)務(wù)感知的有線寬帶智能運(yùn)維系統(tǒng)，涉及海量的用戶業(yè)務(wù)感知數(shù)據(jù)的處理，且面向有線寬帶智能運(yùn)維主題，因此具有典型大數(shù)據(jù)采集、處理和存儲(chǔ)流程，以及AI模型學(xué)習(xí)過程的技術(shù)特征。

基于用戶業(yè)務(wù)感知的有線寬帶智能運(yùn)維系統(tǒng)，從架構(gòu)上可分為四層（圖5）：業(yè)務(wù)感知采集層、運(yùn)維數(shù)據(jù)服務(wù)層、智能運(yùn)維應(yīng)用層、智能運(yùn)維策略層，下面逐層介紹其功能和關(guān)鍵技術(shù)。

圖5 基于用戶業(yè)務(wù)感知的有線寬帶智能運(yùn)維系統(tǒng)架構(gòu)

（1）業(yè)務(wù)感知采集層

業(yè)務(wù)感知采集層，由相關(guān)網(wǎng)元和終端上的業(yè)務(wù)感知模塊組成。這些模塊采集網(wǎng)絡(luò)質(zhì)量、業(yè)務(wù)質(zhì)量和用戶體驗(yàn)指標(biāo)；同時(shí)也接受平臺(tái)管控和配置，可按需按策略進(jìn)行業(yè)務(wù)、網(wǎng)絡(luò)性能監(jiān)測(cè)和撥測(cè)。業(yè)務(wù)感知采集層可周期性或根據(jù)條件觸發(fā)，上報(bào)采集加工過的各類指標(biāo)數(shù)據(jù)。

（2）運(yùn)維數(shù)據(jù)服務(wù)層

運(yùn)維數(shù)據(jù)服務(wù)層，對(duì)業(yè)務(wù)感知采集層上報(bào)的大數(shù)據(jù)，進(jìn)行計(jì)算處理，以數(shù)據(jù)倉庫方式對(duì)運(yùn)維數(shù)據(jù)進(jìn)行分層處理、加工和存儲(chǔ)，并向智能運(yùn)維應(yīng)用層提供面向具體應(yīng)用場(chǎng)景的主題數(shù)據(jù)服務(wù)。

運(yùn)維數(shù)據(jù)倉庫主要使用Hive及SQL技術(shù)。大數(shù)據(jù)計(jì)算引擎，負(fù)責(zé)數(shù)據(jù)倉庫的分層加工處理，根據(jù)數(shù)據(jù)處理要求可進(jìn)行離線計(jì)算和實(shí)時(shí)計(jì)算，主要技術(shù)有Spark/Spark Streaming和Flink等。

為支持知識(shí)圖譜技術(shù)，還提供以Neo4j為主的圖數(shù)據(jù)庫，用于面向運(yùn)維特定領(lǐng)域知識(shí)圖譜的知識(shí)表示、知識(shí)儲(chǔ)存和知識(shí)查詢。

（3）智能運(yùn)維應(yīng)用層

在智能運(yùn)維應(yīng)用層，運(yùn)行有各種典型運(yùn)維場(chǎng)景的智能應(yīng)用模塊，根據(jù)具體運(yùn)維場(chǎng)景需求，從運(yùn)維數(shù)據(jù)服務(wù)層提取對(duì)應(yīng)主題數(shù)據(jù)，通過AI算法模型，開展異常檢測(cè)、根因定位、質(zhì)差預(yù)測(cè)等典型運(yùn)維任務(wù)，并將結(jié)果上報(bào)智能運(yùn)維策略層。同時(shí)在此層，建設(shè)有智能算法庫（Scikit-Learn、TenforFlow、PyTorch等）、數(shù)據(jù)特征工程、模型訓(xùn)練環(huán)境、樣本標(biāo)記、算法效果評(píng)估等模塊，以支撐以上具體應(yīng)用模塊的全生命周期運(yùn)行。

（4）智能運(yùn)維策略層

智能運(yùn)維策略層，接收智能運(yùn)維應(yīng)用層的運(yùn)行結(jié)果，按運(yùn)維流程，運(yùn)行告警派單、策略執(zhí)行；面向管理人員支持策略編輯、流程編排；同時(shí)對(duì)派單結(jié)果進(jìn)行回單確認(rèn)，運(yùn)維案例積累，并反饋智能運(yùn)維應(yīng)用層，形成迭代優(yōu)化閉環(huán)。

3、有線寬帶智能運(yùn)維系統(tǒng)的應(yīng)用探索

（1）異常檢測(cè)

異常檢測(cè)是在時(shí)間序列中查找出與預(yù)期行為不符的模式。在有線寬帶運(yùn)維場(chǎng)景中，在網(wǎng)絡(luò)環(huán)境穩(wěn)定、設(shè)備運(yùn)行正常的情況下，網(wǎng)絡(luò)性能指標(biāo)應(yīng)保持穩(wěn)定，而在發(fā)生異常（如突增、突降、抖動(dòng)）時(shí)則往往伴隨著網(wǎng)絡(luò)故障或潛在質(zhì)差。通過異常檢測(cè)算法可在網(wǎng)絡(luò)質(zhì)量、業(yè)務(wù)質(zhì)量或用戶感知指標(biāo)時(shí)序中高效快速發(fā)現(xiàn)異常問題，減少繁多指標(biāo)曲線的人工處理成本，以便運(yùn)維人員或系統(tǒng)做出及時(shí)反應(yīng)，減少甚至不對(duì)用戶造成影響。

異常檢測(cè)算法的思路是找出與“正常值”不一樣的“異常點(diǎn)”或“異常區(qū)段”，主要方法包括：根據(jù)統(tǒng)計(jì)學(xué)原理的算法，如3-Sigma、ARIMA、EWMA、Holt-Winters、Prophet等；為減少大量的手動(dòng)算法和參數(shù)選擇，可使用KNN、K-means、LOF、OCSVM、iForest等傳統(tǒng)機(jī)器學(xué)習(xí)算法；針對(duì)多維指標(biāo)時(shí)序，可嘗試?yán)肰AE、GAN、LSTM、CNN技術(shù)的Donut、Buzz、Informer等深度學(xué)習(xí)算法。

對(duì)上網(wǎng)業(yè)務(wù)量升降異常發(fā)現(xiàn)問題，可借助能對(duì)周期性指標(biāo)時(shí)序序列進(jìn)行智能檢測(cè)的算法，如ARIMA、Donut等，通過對(duì)指標(biāo)的歷史時(shí)序規(guī)律的分析，排除周期（如星期、時(shí)段）波動(dòng)性的影響，以更全面更準(zhǔn)確地檢測(cè)出異常，尤其是篩查出隱蔽異常。

對(duì)互聯(lián)網(wǎng)電視質(zhì)差告警故障發(fā)現(xiàn)問題，可基于業(yè)務(wù)質(zhì)差告警信息，利用大數(shù)據(jù)處理技術(shù)，形成多維度的時(shí)序序列，通過異常檢測(cè)智能算法，如OCSVM、iForest、Informer等，挖掘歷史數(shù)據(jù)分布規(guī)律和模式，區(qū)分重要異常與普通告警，自動(dòng)檢測(cè)告警異常突增聚集事件，降低調(diào)校靜態(tài)閾值工作量，提升異常發(fā)現(xiàn)的查全率和及時(shí)性，減少漏警或誤警。

（2）根因定位

根因定位在被檢測(cè)出網(wǎng)絡(luò)質(zhì)量、業(yè)務(wù)質(zhì)量或用戶感知指標(biāo)異常之后被觸發(fā)，在指標(biāo)的多維屬性空間中快速定位找出導(dǎo)致異常的屬性組合。當(dāng)發(fā)生異常或故障時(shí)，根因定位算法能自動(dòng)準(zhǔn)確地推薦出故障根因，從而能指導(dǎo)運(yùn)維人員去修復(fù)或者自動(dòng)調(diào)度系統(tǒng)采取修復(fù)措施。目前有線寬帶故障排查定位多需要人工經(jīng)驗(yàn)逐級(jí)查找，效率低有效性差。通過根因定位算法替代人工，從而大幅減少修復(fù)時(shí)間和運(yùn)維成本，降低用戶業(yè)務(wù)質(zhì)量下降或業(yè)務(wù)中斷時(shí)間，補(bǔ)救提升用戶滿意度。

根因定位算法的思路是使用高效搜索算法，在眾多維度屬性組合集中找出對(duì)指標(biāo)異常影響最大、解釋性最強(qiáng)、或關(guān)聯(lián)性最強(qiáng)的屬性組合。常見的根因定位算法有兩類：針對(duì)多維指標(biāo)下鉆的HotSpot、iDice、Squeeze等；基于關(guān)聯(lián)規(guī)則挖掘機(jī)制的有InfoCom、Sigmetrics等算法。

對(duì)互聯(lián)網(wǎng)電視質(zhì)差故障根因定位問題，可使用大數(shù)據(jù)對(duì)故障時(shí)間段內(nèi)的質(zhì)差指標(biāo)進(jìn)行統(tǒng)計(jì)形成多維組合因素的時(shí)間序列，測(cè)度包括質(zhì)差維度、測(cè)度、時(shí)間等信息，然后采取相應(yīng)根因定位算法，如等，對(duì)各因素維度組合的影響度/貢獻(xiàn)度進(jìn)行快速搜索和排序，得出最有可能的根因結(jié)果建議。

對(duì)于家庭內(nèi)網(wǎng)的質(zhì)差定位，知識(shí)圖譜（Knowledge Graph）是較為有效的一種技術(shù)。它以結(jié)構(gòu)化的形式描述客觀世界中概念、實(shí)體及其關(guān)系，提供了一種更好地組織、管理和理解海量信息的能力，是推動(dòng)機(jī)器具有認(rèn)知智能的關(guān)鍵技術(shù)。知識(shí)圖譜可以分為通用知識(shí)圖譜（領(lǐng)域無關(guān)）和特定領(lǐng)域知識(shí)圖譜。

網(wǎng)絡(luò)運(yùn)維是網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)與專家經(jīng)驗(yàn)高度結(jié)合的領(lǐng)域，只有將故障處理知識(shí)與網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)有效結(jié)合，通過知識(shí)圖譜技術(shù)，構(gòu)建一個(gè)有知識(shí)能推理的“在線運(yùn)維專家系統(tǒng)”，能更有效輔助故障定位、推理根因，提高一線裝維人員效率。

對(duì)家庭內(nèi)網(wǎng)質(zhì)差分析問題，可基于多類業(yè)務(wù)感知和網(wǎng)管系統(tǒng)數(shù)據(jù)，以家庭用戶粒度進(jìn)行數(shù)據(jù)聚類模式分析，通過人工智能，如概率圖、神經(jīng)網(wǎng)絡(luò)等算法，對(duì)不同家庭網(wǎng)絡(luò)拓?fù)洌ㄈ缬袩o第三方路由器、智能組網(wǎng)）、家庭設(shè)備類型及Wi-Fi性能等多種因素與業(yè)務(wù)質(zhì)量影響的關(guān)聯(lián)性及因果關(guān)系進(jìn)行建模，形成家庭內(nèi)網(wǎng)質(zhì)差定位模型；導(dǎo)入專家經(jīng)驗(yàn)和排障實(shí)例，運(yùn)用知識(shí)圖譜等技術(shù)，形成裝維專家規(guī)則庫；基于采集的家庭網(wǎng)絡(luò)用戶畫像數(shù)據(jù)，利用裝維專家規(guī)則庫推理家庭內(nèi)網(wǎng)質(zhì)差的可能原因和改善建議，逐步積累和提升家庭網(wǎng)絡(luò)質(zhì)差智能分析能力，降低一線裝維技術(shù)門檻。

（3）質(zhì)差預(yù)測(cè)

質(zhì)差預(yù)測(cè)是根據(jù)歷史數(shù)據(jù)情況，預(yù)測(cè)未來某一時(shí)間或區(qū)間的質(zhì)差劣化情況或故障事件。針對(duì)重點(diǎn)業(yè)務(wù)的質(zhì)差預(yù)測(cè)，可讓運(yùn)維人員能提前發(fā)現(xiàn)用戶潛在質(zhì)差或故障，從而進(jìn)行提前采取優(yōu)化或應(yīng)對(duì)措施，把問題消滅在發(fā)生之前或減輕影響。主動(dòng)的異常管理已成為一種提高網(wǎng)絡(luò)服務(wù)穩(wěn)定性的有效方法。

質(zhì)差預(yù)測(cè)的思路是基于歷史標(biāo)記數(shù)據(jù)，利用分類和回歸，對(duì)當(dāng)前時(shí)刻的指標(biāo)值或質(zhì)差概率進(jìn)行預(yù)測(cè)，主要方法有：基于統(tǒng)計(jì)學(xué)理論的SVR、ARIMA、Holt-Winters、Prophet等算法；基于傳統(tǒng)機(jī)器學(xué)習(xí)的LR、SVM、Random Forest、XGBoost、LightGBM等算法；以及基于深度學(xué)習(xí)的RNN、LSTM、DeepAR、Transformer、Informer、TabNet等。

對(duì)用戶上網(wǎng)滿意度問題，結(jié)合網(wǎng)絡(luò)質(zhì)量、業(yè)務(wù)質(zhì)量、用戶感知、用戶訂購和歷史投訴等數(shù)據(jù)，通過用戶畫像技術(shù)構(gòu)建與滿意度相關(guān)的各類用戶特征。用戶特征作為輸入，用戶滿意度調(diào)研結(jié)果作為標(biāo)簽，應(yīng)用機(jī)器學(xué)習(xí)的分類算法模型對(duì)用戶寬帶滿意度級(jí)別進(jìn)行預(yù)測(cè)，以發(fā)現(xiàn)潛在不滿或質(zhì)差用戶。

五、 總結(jié)與展望

中國移動(dòng)有線寬帶運(yùn)維亟需智能技術(shù)來緩解來自用戶和業(yè)務(wù)發(fā)展的巨大壓力，以實(shí)現(xiàn)網(wǎng)絡(luò)的“提質(zhì)、增效、降本”，同時(shí)提升用戶滿意度。基于用戶業(yè)務(wù)感知數(shù)據(jù)，構(gòu)建有線寬帶智能運(yùn)維系統(tǒng)解決方案，對(duì)典型運(yùn)維場(chǎng)景基于AI算法模型的應(yīng)用探索，可由點(diǎn)成線再到面，為有線寬帶智能運(yùn)維體系的建設(shè)發(fā)展提供技術(shù)參考和應(yīng)用指引。

上述解決方案已在異常發(fā)現(xiàn)、故障根因定位等典型運(yùn)維場(chǎng)景進(jìn)行應(yīng)用，在部分省公司進(jìn)行了試點(diǎn)和落地，并初見成效。但全面來看，系統(tǒng)在邊緣智能感知增強(qiáng)、新型網(wǎng)管系統(tǒng)建設(shè)優(yōu)化、端到端網(wǎng)管數(shù)據(jù)分析協(xié)同、智能運(yùn)維場(chǎng)景拓展等方面需要進(jìn)一步優(yōu)化完善。愿與業(yè)界一起就以上問題加強(qiáng)研究溝通，共同推動(dòng)技術(shù)演進(jìn)和應(yīng)用創(chuàng)新，加快有線寬帶智能運(yùn)維技術(shù)在中國移動(dòng)的成熟落地和成效提升。