网络人工智能关键技术与应用研究.docx

网络人工智能关键技术与应用研究 徐晓青;武娟;刘晓军 【摘 要】网络人工智能是下一步网络技术发展的一个重要方向,在网络规划、运维和管理等方面将发挥巨大作用.研究了网络人工智能的相关标准进展,分析了关键的机器学习技术,介绍一些主要的应用场景,同时讨论存在的问题和机遇,为科技人员了解网络人工智能技术进展和选取研究方向提供参考和借鉴. 【期刊名称】《广东通信技术》 【年(卷),期】2019(039)004 【总页数】5页(P2-6) 【关键词】网络;人工智能;机器学习 【作 者】徐晓青;武娟;刘晓军 【作者单位】中国电信股份有限公司广州研究院;中国电信股份有限公司广州研究院;中国电信股份有限公司广州研究院 【正文语种】中 文 1 引言机器学习、深度学习等人工智能（Artificial Intelligence,AI）技术的兴起和发展，不仅在游戏、图像、语音等领域取得了重大突破，对其他领域也起到了巨大的助力作用。总体来说，机器学习属于人工智能中的分支技术，而深度学习是机器学习中的一类神经网络算法。相关传统行业进一步结合人工智能技术，有望提升运营效率和降低成本，是下一步“互联网+”的目标之一。在网络领域，存在网络类型复杂，网络设备多样、网络业务繁多等难题，并且随着5G、物联网的发展，问题进一步突出，迫切需要有效地利用机器学习等AI技术来进行网络规划、诊断、优化和预测等，尽量降低人工参与程度，提高网络的自治能力[1-6]。除了提升网络运维和管理方面的效率，网络人工智能另外一个有价值的方向是从网络数据中挖掘分析网络用户的相关行为信息，为运营决策机构提供参考依据，有利于发展新业务和精准营销，提升用户体验和增加网络运营商的收入。2 网络人工智能相关标准研究现状机器学习技术已经发展了近三十年，很早就在网络领域的一些简单场景，如流量预测、分类和路由等得到应用，但仍有很大的局限性。要真正产生广泛的影响，实现网络智能化，需要制定出完善的标准。目前制约机器学习在网络领域广泛应用的一个重要原因就是，网络本身并没有一套统一的理论支撑，背后是众多的网络种类、网络协议和不同厂家的网络设备组成。网络的多厂家设备组成、多层协议分布和多领域结构，使得AI技术目前只限制在一些特定场景，相关数据和算法不能像在图像和语音领域一样通用。因此，只有制定相关标准，确立数据的采集、特征提取和算法架构等规范，才能进一步促进网络人工智能的发展。近年来，国内外运营商、技术联盟等组织等对网络人工智能开展了相关研究，制定了一些规范标准和白皮书。2017年2月，欧洲电信标准化协会ETSI 成立ISG-ENI标准组(Experiential Networked Intelligence)，在2018年发布了多个技术规范，包括了用户案例、要求、差距分析和技术术语等[7]。2017年11月国际电联ITU-T 成立了FG-ML5G (Focus Group on Machine Learning, 面向未来网络及5G的机器学习焦点组)，研究机器学习用于5G及未来网络的三大方面的问题，包括：用例、服务和需求；数据格式和机器学习技术; 机器学习感知网络架构，在2019年3月出版了《5G及未来网络中机器学习的统一架构》[8]。2018年4月，中国SDN/NFV产业联盟发布《网络人工智能应用白皮书》，对电信网智能化指出应用方向、架构蓝图和关键技术布局[9]。2018年9月，中国人工智能产业发展联盟发布《电信网络人工智能应用白皮书》[10]，比较全面地介绍了人工智能技术在电信领域的应用，对电信网络人工智能应用领域进行梳理。2019年3月，中国联通发布了《全球电信运营商人工智能应用白皮书》[11]，总结了国内外运营商在网络人工智能方面的工作成果，对未来发展方向做了建议。相信随着相关标准的完善，在数据采集、处理、算法等方面取得进展，网络的智能化程度能够进一步提高。3 网络人工智能的关键技术机器学习是一种新的编程范式，与传统的计算机显式编程不同的是，不依赖预先订好的规则，而是从输入的数据中提取到相关的模式和发现规律。分类上，机器学习可分为监督、无监督和强化学习。监督学习中，输入数据集中的样本是有明确标签的。监督学习根据已知标签，学习如何关联输入和输出，推出输入到输出的映射关系。同理，无监督学习意味数据没有标签，对输入数据找到一种表示，能够区分出数据中的不同模式。此外，同时利用有标签和无标签的数据的，则称为半监督学习。强化学习中，智能体（Agent）在以最大化得到的累积奖赏为目标，通过与环境的交互，学习到一种行为策略。机器学习功能上能够实现分类、聚类、回归和规则提取。下面介绍一些经常用到的算法，包括支持向量机（SVM）、随机森林、深度学习和强化学习，这些算法在网络AI中已经有一定应用。3.1 SVM分类