uSmartInsight人工智能平台，为通信行业智能化赋能

进入21世纪，伴随着大数据中心的形成和基础算力的不断突破，人工智能迎来它生命中的第五波浪潮。众多人工智能算法在数据的滋养和算力的呵护下，逐步达到了可应用水平，在人脸识别、图像分类、围棋竞技等领域甚至超越了人类。Garnter预测，到2025年，利用人工智能助力决策、重塑商业模式与生态系统、重建客户体验的能力将是数字化计划取得成功的关键推动力。在这样的背景下，中兴通讯研发了人工智能平台uSmartInsight，基于云计算提供从模型创建、模型训练到模型部署的整套AI建模工具链，提升研发效率和计算资源利用率。同时，根植于通信领域进行AI算法深耕，构建起面向通信行业的人工智能模板库，希望在为用户提供AI生产线的同时，能够提供生产产品所需的AI模具，让通信专家可以低门槛切入AI领域，通过迁移学习或者模型优化，快速构建出适合自己产品的AI模型。

uSmartInsight平台目前主要在以下五个方面进行行业模板的构建：AI通用算法、移动网络流量预测、光网络健康度检测、场强预测、网络安全智能检测。模板框架如图1所示。

AI通用算法

人工智能从上世纪五十年代发展至今，在算法上形成了符号主义、进化主义、联结主义、贝叶斯主义和Analogizer五大流派，在应用上形成了视觉处理、语音处理、自然语言处理、智能机器人等众多领域，每个流派和应用领域都有自己的发展脉络，提出了众多优秀算法。

AI通用算法模板，集结了AI在各领域的经典算法和近五年的重大突破算法，如高斯限制玻尔兹曼机、胶囊网络、Transformer、Dense Net、SE Net、Retina Net、Deep Lab等。这些算法虽然在网络上都可以找到现成的源码，但散落在四处，不成体系，给学习和应用带来诸多不便。uSmartInsight平台模板库把他们聚集在一起，并支持一键运行，让使用者可以快速学习和迁移，进而降低学习门槛，提升研发转化效率。

移动网络流量预测

进入21世纪，大量的功能园区兴起，由于居住区和功能园区的分离，形成明显的潮汐现象，在无线网络上的表现就是不同时间段网络流量的潮起潮落。如果能够对流量变化做出预测，就可以通过调整基站发射功率实现节能，也可以辅助负载均衡提升均衡效果。

传统的时间序列预测算法（如ARIMA）只考虑单体在时间维度上的变化，而移动网络流量预测问题，除了时间轴外，在地域空间上也有丰富的信息可以挖掘（如流量随着人流从四周汇聚到中间站点）。卷积神经网络对处理空间信息有着独特优势，uSmartInsight平台据此构建了大量移动网络流量预测的AI模型，运用LSTM、3D CNN、ConvLstm等众多深度学习算法，在长时间预测上，取得了明显优于传统时间序列预测算法的结果。

光网络健康度检测

随着网络数据量的爆发，光网络已成信息通道的基石，一旦发生故障，用户将直接面临业务中断、修复周期长等严重问题。如何在光网络故障发生前及时发现网络隐患，实现网络故障的用户“零”感知，成为电信运维领域的重要挑战。

统计数据显示，60%的运营商光业务故障是由光路劣化、光模块劣化及误码类问题引起的。通过研究，光路和光模块在劣化前后有明显不同的表现，劣化过程中也有一定征兆可循，与人的健康状况一样，通过长期测量、统计各项关键指标的变化，可以区分出健康、亚健康、故障等状态，甚至对器件寿命做出预测。uSmartInsight平台通过收集光功率、偏置电流、工作温度、误码率等多维度KPI指标，结合人工智能算法，目前已经能够对光模块的健康度做出准确检测，并应用到实际项目中。

场强预测

无线网络覆盖优化是无线网络运维中重要的一环，直接影响运营商网络服务质量。传统的优化方法主要依赖于运维人员的经验，响应速度慢，成本居高不下。近年来，业界开始不断探索基于算法的自动化优化方案，上层框架主要是依赖模拟退火、遗传算法、博弈算法等来实现多站之间的工参调整，下层是对不同工参下小区场强进行预测，和上层方案相比，场强预测难度要高出很多，是整套解决方案的关键点。

基站下各点场强的大小，除了受到发射功率、站高、天线方向角等工参的影响外，地貌是另一个主要影响因素。传统的场强预测方法，主要是基于电波传输模型联合地貌信息对计算公式进行调整，由于地貌信息比较粗糙(按城市、郊区和乡村等划分)，所以，预测精度上偏差较大。是否可以基于已经积累的历史站点的覆盖信息进行联合预测，充分挖掘地貌信息，成为近期业界研究的重点。

uSmartInsight平台联合无线大数据产品团队，收集了大量小区覆盖信息，并通过AI算法来实施场强预测。通过对已知小区进行相似性筛选，然后结合神经网络算法，已经取得优于传统算法的预测结果，平均偏差从8dB降到5dB。

网络安全智能检测

随着信息化程度的提高，网络安全面临着越来越大的威胁。入侵手段不断演进，且成加速之势，传统基于预先定义规则的检测方法，已越来越无法应对新兴的网络攻击。在近几年的AI浪潮中，最重要的技术突破之一，就是利用神经网络自动完成学习，这种思路的流行，给我们带来了新的end-to-end框架。

传统的数据流分类，需要人为设计特征，然后使用规则或者分类器进行分类。而基于神经网络算法，可以直接提取数据报文的前N个字节作为输入，算法会自己学习到关键特征并完成分类，这种方法的结果在不加密的情况下，准确率比传统方法高出4个百分点，在加密情况下，高出13个百分点。

同样，在入侵检测方面，AI算法也获得了非常好的效果。基于澳大利亚网络安全中心开放的UNSW-NB15数据集，uSmartInsight平台设计的神经网络算法，F1（考虑了准确率和召回率的一个综合指标）得分达到98%，比传统方法提升15%。

行业模板的使用

前面介绍了很多细分方向的行业模板，具体如何使用呢？让我们先看一下行业模板的构成，uSmartInsight平台的行业模板主要包括数据、模型和详情三部分。数据部分由训练数据、验证数据和推理数据构成；模型部分是模板的核心，由数据预处理和AI算法构成；详情部分介绍了该模板要解决的问题、模型的输入和输出定义、数据部分的预处理方式（如图片的旋转、数据的归一化等）以及模型的网络结构。

所以，当你拿到模板后，可以先通过翻看详情介绍、模型代码和数据，对要解决的问题和用到的模型算法有一个清晰的了解；之后，基于uSmartInsight平台，执行模型的训练、推理并建立在线服务，在感官上形成一个真切的认知；最后，可以基于模板创建属于自己的训练任务（一键创建，包括模型代码和参数），并通过迁移学习等方法完成模型的升级改造。

经过前期努力，uSmartInsight平台面向通信领域的行业模板库已初具雏形，接下来，我们将进一步投入研发力量，并对外开放模板构建接口，连接更多通信专家，从智能运维、智能运营到智能设备，构建起全方位的AI应用案例，为通信行业AI化赋能。