参考中国报告网发布《2016-2022年中国集群通信系统市场竞争态势及十三五发展趋势前瞻报告》
无线通信系统设计所面临的一个基本挑战就是在困难的条件下管理并且分配资源，以满足流量需求。传统的解决办法是基于领域知识和经验对系统进行分析和模拟，从而制定出具有针对性的规则。此方法的效果主要取决于设计阶段，一旦设计完成，系统就会根据事先设定的规则运作。
在当今的网络环境下，流量呈现出多样化和动态化的发展趋势，并且网络和资源的架构都变得更加复杂，因此该方法面临着越来越大的挑战。而机器学习能够提供广泛的应用程序帮助提高无线通信网络的设计、运营和优化。具备自学习和自适应能力的网络通过对过去的行为模式、输出成果以及统一网络或者其它网络上的类似实体的行为进行学习，能满足用户设备、无线条件和各种应用生成的流量特征所提出的需求，网络的运营质量将会持续提高。
智能化网络监测与维护：网络监测和维护是后期网络运营中的主要任务。当前，直到4G网络阶段，运营商还是通过区域性的警告提示对网络进行监测，但是落到各个基站层面，由于各个基站的环境是动态的，事先设定的静态数据门限会导致很多情况无法被控制中心发现，而使得网络实时的运行质量不能准确的反应出来。
在维护方面，运营商依赖基于设备商提供的工程故障排除手册来进行网络故障排查，大师这一方式有着诸多的局限性，如一个通用的故障排除指导并不能适应众多的变异故障，其中的规则可能是不完全匹配的，需要针对特定的场景进行合理的修正。
此外，现有故障排除手册的有效性只针对已知的故障，而对于新的或者未能预期的故障，完全需要经验丰富的工程师花费长时间进行调查分析，以给出解决办法，其效果不一定好。即使故障在某个点被排除，但是不能更新到故障排除手册上需要一个漫长的周期，这就导致新的网络问题可能会在多个其他地点持续很长时间存在而不能及时的解决，从而引起客户的不满，并且增加网络的运营成本。
在当今这个客户希望任何问题都能够即时解决的时代，这一方法显然是不适用的。利用人工智能技术，运用自我诊断型分析技术，网络自身可以快速、准确地进行故障原因分析，发现并解决网络问题，甚至在问题发生之前就将其化解。
人工智能可以实现网络自动化管理和闭环优化。目前通信网络的优化主要依靠依赖于人工进行现场处理和事后分析。但是，随着4G网络的布设以及后续5G网络技术的实现，通信网络特别是无线通信网络中小基站数目爆发式增长，使得整个网络变得更加复杂，单纯的人工已经无法满足应用需求以及降低成本的压力。
此时运营商需要更加自动化以及自主学习的解决平台来实现闭环优化，其关键技术包括事件场景触发的优化引擎、故障分析以及自动故障排除。这类自主优化平台整合了通信领域全方位知识以及以往的数据驱动储备，并配有全功能的检索能力。
新型的网络规划流程。部署任何一个网络，首选确立的是网络规划，网络规划的效果决定后续网络的整体性能。当前的网络规划主要是一些具体的参数来指导进行，涉及的业务还是以语音和数据业务并举的。
但随着数量流量的暴增，现在数据业务已成为网络流量的绝对主体，这类业务的用户体验虽然没有语音的敏感度高，但是作为大数据流量用户还是高度依赖于网络参数的良好配置的基础，特别是宽带移动互联网需要不同的天线对其进行数据传输，各个天线的数据吞吐量和时延设置需要动态调整。这些都是事先静态配置所不能解决的关键，而引入人工智能的机器学习和预测型建模就可以在网络中实时的配置具体参数，增强网络动态规划的性能，从而使网络更有可能不仅能满足覆盖目标，而且还能利用现有的设备满足各种差异性的客户体验要求。
网络自主安全防护。随着通信网络日益密集的布设，行业目前正面临不断增长的网络安全事件，包括但不限于突发断网、节点攻击以及黑客入侵等，给客户带来经济损失和信誉受损。如果是采取事后防范机制，完全处于被动地位，不能有效的遏制这种事件的爆发。只有采用人工智能的自主学习机制进行自动分析数据和网络行为分析，检测和识别孤立行为攻击行为，在网络各层建立强大的安全防护盾，才能显著地提高网络安全性。
当前一些大型设备商已经开展了一系列项目来开发机器学习技术，并且研究如何在管道设计与运营中运用机器学习技术。比如，已经在现网上进行了小区层面的异常检测和根因分析试验，并且得到了运营商的高度评价；针对网络覆盖和容量优化的自学习/自调整技术也已经成为华为自组织网络（SON）解决方案的一部分。
后续设备商将继续研究人工智能和机器学习，尤其是深度学习和增强学习领域的最新进展，相信这将会增强抓取并抽象化底层数据结构的能力，从而发掘网络生产的海量数据所蕴含的价值。无线通信系统发展迅速要求底层技术必须演进，以支撑更大的需求。人工智能技术可以帮助人们在系统设计、自动化运营和优化等各个核心环节做出更明智的决策。
无线通信系统设计所面临的一个基本挑战就是在困难的条件下管理并且分配资源，以满足流量需求。传统的解决办法是基于领域知识和经验对系统进行分析和模拟，从而制定出具有针对性的规则。此方法的效果主要取决于设计阶段，一旦设计完成，系统就会根据事先设定的规则运作。
在当今的网络环境下，流量呈现出多样化和动态化的发展趋势，并且网络和资源的架构都变得更加复杂，因此该方法面临着越来越大的挑战。而机器学习能够提供广泛的应用程序帮助提高无线通信网络的设计、运营和优化。具备自学习和自适应能力的网络通过对过去的行为模式、输出成果以及统一网络或者其它网络上的类似实体的行为进行学习，能满足用户设备、无线条件和各种应用生成的流量特征所提出的需求，网络的运营质量将会持续提高。
智能化网络监测与维护：网络监测和维护是后期网络运营中的主要任务。当前，直到4G网络阶段，运营商还是通过区域性的警告提示对网络进行监测，但是落到各个基站层面，由于各个基站的环境是动态的，事先设定的静态数据门限会导致很多情况无法被控制中心发现，而使得网络实时的运行质量不能准确的反应出来。
智能化网络监测与维护
资料来源：中国报告网整理
在维护方面，运营商依赖基于设备商提供的工程故障排除手册来进行网络故障排查，大师这一方式有着诸多的局限性，如一个通用的故障排除指导并不能适应众多的变异故障，其中的规则可能是不完全匹配的，需要针对特定的场景进行合理的修正。
此外，现有故障排除手册的有效性只针对已知的故障，而对于新的或者未能预期的故障，完全需要经验丰富的工程师花费长时间进行调查分析，以给出解决办法，其效果不一定好。即使故障在某个点被排除，但是不能更新到故障排除手册上需要一个漫长的周期，这就导致新的网络问题可能会在多个其他地点持续很长时间存在而不能及时的解决，从而引起客户的不满，并且增加网络的运营成本。
在当今这个客户希望任何问题都能够即时解决的时代，这一方法显然是不适用的。利用人工智能技术，运用自我诊断型分析技术，网络自身可以快速、准确地进行故障原因分析，发现并解决网络问题，甚至在问题发生之前就将其化解。
人工智能可以实现网络自动化管理和闭环优化。目前通信网络的优化主要依靠依赖于人工进行现场处理和事后分析。但是，随着4G网络的布设以及后续5G网络技术的实现，通信网络特别是无线通信网络中小基站数目爆发式增长，使得整个网络变得更加复杂，单纯的人工已经无法满足应用需求以及降低成本的压力。
此时运营商需要更加自动化以及自主学习的解决平台来实现闭环优化，其关键技术包括事件场景触发的优化引擎、故障分析以及自动故障排除。这类自主优化平台整合了通信领域全方位知识以及以往的数据驱动储备，并配有全功能的检索能力。
新型的网络规划流程。部署任何一个网络，首选确立的是网络规划，网络规划的效果决定后续网络的整体性能。当前的网络规划主要是一些具体的参数来指导进行，涉及的业务还是以语音和数据业务并举的。
但随着数量流量的暴增，现在数据业务已成为网络流量的绝对主体，这类业务的用户体验虽然没有语音的敏感度高，但是作为大数据流量用户还是高度依赖于网络参数的良好配置的基础，特别是宽带移动互联网需要不同的天线对其进行数据传输，各个天线的数据吞吐量和时延设置需要动态调整。这些都是事先静态配置所不能解决的关键，而引入人工智能的机器学习和预测型建模就可以在网络中实时的配置具体参数，增强网络动态规划的性能，从而使网络更有可能不仅能满足覆盖目标，而且还能利用现有的设备满足各种差异性的客户体验要求。
网络自主安全防护。随着通信网络日益密集的布设，行业目前正面临不断增长的网络安全事件，包括但不限于突发断网、节点攻击以及黑客入侵等，给客户带来经济损失和信誉受损。如果是采取事后防范机制，完全处于被动地位，不能有效的遏制这种事件的爆发。只有采用人工智能的自主学习机制进行自动分析数据和网络行为分析，检测和识别孤立行为攻击行为，在网络各层建立强大的安全防护盾，才能显著地提高网络安全性。
当前一些大型设备商已经开展了一系列项目来开发机器学习技术，并且研究如何在管道设计与运营中运用机器学习技术。比如，已经在现网上进行了小区层面的异常检测和根因分析试验，并且得到了运营商的高度评价；针对网络覆盖和容量优化的自学习/自调整技术也已经成为华为自组织网络（SON）解决方案的一部分。
华为自组织网络（SON）解决方案
资料来源：中国报告网整理
后续设备商将继续研究人工智能和机器学习，尤其是深度学习和增强学习领域的最新进展，相信这将会增强抓取并抽象化底层数据结构的能力，从而发掘网络生产的海量数据所蕴含的价值。无线通信系统发展迅速要求底层技术必须演进，以支撑更大的需求。人工智能技术可以帮助人们在系统设计、自动化运营和优化等各个核心环节做出更明智的决策。
资料来源：中国报告网整理，转载请注明出处（ZQ）
更多好文每日分享，欢迎关注公众号
【版权提示】观研报告网倡导尊重与保护知识产权。未经许可，任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题，烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至kf@chinabaogao.com，我们将及时沟通与处理。
