AI不是无所不能 改造无线网络“很头疼”

连接是构建万物智能的基础，业务环境的复杂性使得网络在5G时代开始朝向智能化趋势发展，单链路的物理性能距离香农极限越来越近，无线通信需要寻找新的突破口，此时就有了利用机器学习算法来帮忙的可能性，比如IDN就是一个例子。当然，用AI解决无线网络难题也不局限于此。

长期来看，人工智能在网络环境的应用已经成为共识，但短期看在低时延、虚拟化等层面仍有瓶颈，包括在物理层传输过程中的问题，毕竟传统意义上对WiFi的部署、运营、管理难以满足当今的需求。一个原因是，不同类型的移动设备、操作系统、APP，以及接入站点让网络故障的排查难度更高。相对应的，用户对网络体验的要求也严格了，一项数据显示他们对延迟的忍受程度从以前的300毫秒压缩到了10毫秒。

另一个原因是移动设备的用户希望获得个性化服务，而这些服务对用户的行为数据、地址位置、使用习惯是有针对性分析的，此时就需要AI对网络的渗透不能只是在物理层面，而是要与软件结合去挖掘数据。背后的考验在于，当前网络中可供分析的数据量实时处理起来是有难度的，这部分数据量较以往增加了1000倍以上。

此外，随着企业逐渐将业务迁移到云端，无论是公有云还是托管服务商帮助客户构建的私有环境，网络都是必不可少的元素，这也是为何一些CSP会砸重金去打造骨干网的原因。同样，类似的情况也发生在无线网络中。要知道，80%-90%的无线局域网市场仍然要由本地的控制器来接管。

还有一个难点是，数据之于AI的重要性就是燃料，而且这个燃料是越纯净越好。但事实情况是，无线网络数据的类型、规模、维度都是动态且量级较大的，而且各家设备厂商的数据格式也有所区别，无形之中为AI落地到网络运维环境埋下了隐患。举个例子，无线设备要从原始数据中提取信息，介质可以是接入层、网络层、应用层等等，而技术人员则要从中挑选出哪些数据是可用的，AI自身是不容易做到的。

另外，并不是所有数据都是有效且可用的，即使在终端源头采集的数据能够确保高可用，在提取过程中可能导致的数据选型和缺失难以避免，直接影响了后续的处理环节。通常，无线网络每天产生的数据级别都会达到数百TB，对存储设备有着较大压力，这也造成了很多数据并不会存在较长时间，例如会在一年左右就会被替换。这对于AI可不是什么好消息，或者的模型训练正是建立在对数据长期的学习上的。

如果从网络硬件的角度观察，不同频段、组网，再算上各类终端对无线网络运维的挑战是无法避免的，像虚拟化、软件定义这种新技术对已有架构亦有升级的需求。但从软件层面来说，这种问题似乎更加显著。除了硬件环境的差异，软件算法层面受到边缘吞吐率、边缘吞吐率、信道变化、应用环境等因素的影响同样不小。常规的故障告警并不能反映某些具体问题，对运维人员的困扰体现在也需要借助AI算法对故障进行标注。

对此，除了在无线系统开发之初就利用CPU+GPU或FPGA这样的混合运算架构，还要建立动态学习或强化学习的函数库，将与业务相关联的数据模型都纳入其中，结合历史数据和特征事件做出分析，这也是实现自动化的前提。不止是在线数据，对离线数据的分析同样重要。其背后，分布式的存储能力是基础。

复杂的无线网络环境对AI的考验是基础设施建设、软件开发、算法优化多个层面的，期间少不了管道商和设备商的帮忙，更少不了软件商的加入。尽管当前看AI在网络运维时人过局限性，但长期看已是必然趋势。