21、智能网络运维与自动驾驶感知测试中的人工智能应用

智能网络运维与自动驾驶感知测试中的人工智能应用

1. 智能网络运维需求分析与技术选择

传统的网络运维工作存在诸多问题，如依赖大量人力、部分流程效率低下、资源分配不及时等。像故障检测困难、巡检缺乏针对性、根因定位麻烦以及人工分析工单效率低等情况普遍存在，而且长期积累的故障处理、告警分析和巡检经验的价值也未得到充分挖掘。

而人工智能技术在解决这些问题上具有天然优势。借助机器学习和深度学习算法，网络运维的新方法能将被动处理转变为主动预防，实现网络问题的早期发现，从而提高运维资源利用率和效率，降低成本。

人工智能技术在网络运维的多个领域表现出优越性，具体如下：
| 应用领域 | 采用算法 | 功能 |
| ---- | ---- | ---- |
| 故障预测 | LSTM网络 | 利用告警和性能的历史数据进行训练，预测基站在n小时内发生故障的概率 |
| 基站异常检测与智能巡检 | VAE算法 | 基于巡检、告警、性能和故障处理工单的历史数据进行训练，检测基站异常运行情况，结合当前网络数据规划巡检路线、生成巡检工单 |
| 故障根因分类与智能工单分配 | DBN算法 | 通过故障、故障处理工单、性能和电力环境的历史数据进行训练，实现故障根因分类，为智能决策提供信息 |

在深度学习技术选择方面，根据网络运维业务的特点和需求，选择了以下几种技术及对应算法：
- 预测 - 长短期记忆神经网络（LSTM） ：时间序列预测基于事件过去一段时间的特征来预测未来一段时间的统计值。递归神经网络（RNN）是时间序列预测的强大工具，其每个隐藏层的计算结果与当前输入和前一隐藏层的结果相关。L