banner.jpg)
隨著5G網(wǎng)絡(luò)建設(shè)的不斷推進，2G、3G、4G、5G多張網(wǎng)絡(luò)多個頻點共存的網(wǎng)絡(luò)結(jié)構(gòu)日益復(fù)雜，給傳統(tǒng)的多頻網(wǎng)絡(luò)優(yōu)化帶來了極大的挑戰(zhàn)：傳統(tǒng)的多頻網(wǎng)優(yōu)化方案基于地圖、工參及仿真數(shù)據(jù)，存在參數(shù)配置固定，無法應(yīng)對復(fù)雜多變的業(yè)務(wù)場景；針對網(wǎng)絡(luò)級多頻優(yōu)化項目，人工往往只能聚焦典型問題，容易陷入局部優(yōu)化，而忽略了整體增益；處理龐大的通信數(shù)據(jù)集時，人工方式無法滿足效率和質(zhì)量的雙重需求。
針對以上挑戰(zhàn)，中信科移動開展了針對多頻多層網(wǎng)互操作、負(fù)荷均衡等性能優(yōu)化方向的高階自智網(wǎng)絡(luò)算法研究，并基于HiNet智能運維引擎，創(chuàng)新性的自主研發(fā)實現(xiàn)了綜合解決方案模塊-MFAC（Multi frequency AI Core）。通過四大創(chuàng)新手段，MFAC可高質(zhì)量、高效的解決網(wǎng)絡(luò)級多頻優(yōu)化問題。
1、面向數(shù)據(jù)的算法設(shè)計
MFAC可改變傳統(tǒng)以地圖、工參、仿真的算法設(shè)計思路，同時不再完全依賴傳統(tǒng)的專家經(jīng)驗，而是根據(jù)歷史參數(shù)優(yōu)化帶來數(shù)據(jù)的變化統(tǒng)計進行算法設(shè)計，結(jié)合專家經(jīng)驗進行TOP問題調(diào)整。這種方式可以更加客觀地反映參數(shù)優(yōu)化與網(wǎng)絡(luò)實際變化的關(guān)聯(lián)情況，從數(shù)據(jù)層面挖掘參數(shù)和現(xiàn)象的聯(lián)系，避免主觀人為判斷導(dǎo)致的偏差。
2、多點多小區(qū)聯(lián)動
MFAC通過UE測量報告（MR）建立多對象特征工程能力，考慮不同制式、不同頻點小區(qū)之間的區(qū)域性能聯(lián)動變化情況。通過區(qū)域優(yōu)化單元的劃分和評估可以更加全面地評估網(wǎng)絡(luò)性能，既考慮到單小區(qū)調(diào)整對周邊的影響，又減少模型對象數(shù)量。
3、使用現(xiàn)網(wǎng)商用數(shù)據(jù)進行建模和迭代
MFAC利用現(xiàn)網(wǎng)商用數(shù)據(jù)進行建模和迭代，在商用網(wǎng)絡(luò)穩(wěn)定性要求下，要在有限調(diào)整次數(shù)內(nèi)獲取數(shù)據(jù)用于建模，就需要使用合適的算法優(yōu)化，例如嶺回歸方法，結(jié)合數(shù)據(jù)增強算法，可有效提高預(yù)測準(zhǔn)確性。
4、虛擬規(guī)則建模
MFAC通過對多維優(yōu)化目標(biāo)聯(lián)合設(shè)定，針對虛擬規(guī)則建模，借助BP神經(jīng)網(wǎng)絡(luò)算法，通過算法對模型和數(shù)據(jù)的仿真和模擬，離線高效的迭代計算出高增益互操作優(yōu)化方案。
經(jīng)過不斷的調(diào)優(yōu)和模擬運算，MFAC算法性能逐步得到提升和完善，并于2023年7月首次在商用網(wǎng)絡(luò)下進行了小規(guī)模試點。試點區(qū)域KPI正常波動，5G系統(tǒng)內(nèi)、4/5G系統(tǒng)間切換成功率有所改善，5G分流比、駐留比得到顯著提升，有效提高了5G網(wǎng)絡(luò)商業(yè)化價值，優(yōu)化過程不僅降低了人力成本，提升了優(yōu)化效率，還為網(wǎng)絡(luò)級多頻多層網(wǎng)優(yōu)化提供了新的思路和方法。
該項目的成功為中信科移動的高階自智網(wǎng)絡(luò)探索奠定了堅實基礎(chǔ)，中信科移動將繼續(xù)深化機器學(xué)習(xí)、AI大模型、意圖驅(qū)動在自智網(wǎng)絡(luò)發(fā)展中的研究和探索，持續(xù)加強和完善HiNet智能運維體系打造，大步邁向高階自智網(wǎng)絡(luò)的通信新時代。
