基于AI的配置稽核系統(tǒng)在5G回傳網(wǎng)中的應(yīng)用

劉惜吾，馬丹丹，葉曉斌，李亞夢（.中國聯(lián)通廣東分公司，廣東 廣州 5067；.中國聯(lián)通研究院，北京 0076）

1 概述

5G網(wǎng)絡(luò)運(yùn)營商面臨網(wǎng)絡(luò)新建和升級(jí)改造，網(wǎng)絡(luò)規(guī)模和業(yè)務(wù)容量極速增長，網(wǎng)絡(luò)結(jié)構(gòu)呈現(xiàn)多維度復(fù)雜性，行業(yè)應(yīng)用需求呈現(xiàn)多樣化個(gè)性化，與此同時(shí)，用戶對(duì)服務(wù)交付的質(zhì)量和高效性的期許值也逐年提升。新舊網(wǎng)絡(luò)的交織、客戶市場需求的變化對(duì)基礎(chǔ)維護(hù)工作提出更細(xì)致的要求和更高的挑戰(zhàn)。

另一方面，從經(jīng)驗(yàn)看網(wǎng)絡(luò)配置引發(fā)的問題尤為突出，在配置下發(fā)過程中可能由于各種原因，如業(yè)務(wù)人員的技術(shù)水平、操作規(guī)范性等導(dǎo)致漏配、錯(cuò)配等問題。2020 年廣東省某地（市）一起故障，4 個(gè)接入環(huán)和匯聚ASG 設(shè)備間互聯(lián)鏈路同時(shí)發(fā)生中斷，經(jīng)核實(shí)故障原因是由于備用平面相關(guān)環(huán)路中斷站點(diǎn)二三層聯(lián)動(dòng)漏配，主用平面中斷后網(wǎng)絡(luò)切換不成功導(dǎo)致業(yè)務(wù)中斷。為解決上述問題及挑戰(zhàn)，廣東聯(lián)通積極探索5G時(shí)代網(wǎng)絡(luò)發(fā)展的新模式，積極推進(jìn)網(wǎng)絡(luò)運(yùn)維智能化進(jìn)程，將大數(shù)據(jù)分析和AI技術(shù)引用到網(wǎng)絡(luò)設(shè)備配置稽核領(lǐng)域，創(chuàng)新性提出基于AI的關(guān)聯(lián)分析異常檢查方法，學(xué)習(xí)建立異常配置模型，對(duì)全網(wǎng)設(shè)備配置進(jìn)行全面高效的核查，充分發(fā)揮AI 算法分析與決策能力，將運(yùn)維人員從繁瑣的重復(fù)性工作中解放出來，規(guī)避人為誤操作，提升網(wǎng)絡(luò)運(yùn)維效率和網(wǎng)絡(luò)質(zhì)量可用性等級(jí)，在用戶感知之前解決故障，降低網(wǎng)絡(luò)故障率，提升用戶滿意度。

2 網(wǎng)絡(luò)配置稽核現(xiàn)狀

傳統(tǒng)的運(yùn)營商網(wǎng)絡(luò)多采用OEM 廠家提供的軟硬件一體整體解決方案，如廣東聯(lián)通169城域網(wǎng)、IP承載網(wǎng)以華為、思科2 個(gè)廠家為主，IPRAN 承載網(wǎng)以華為、中興、烽火3 個(gè)廠家為主，這些OEM 廠家以其專有的軟硬件和私有協(xié)議、封閉的系統(tǒng)等控制行業(yè)生態(tài)。

以IPRAN 承載網(wǎng)為例，CSG、ASG、RSG 等設(shè)備的上線和業(yè)務(wù)開通過程通常需要完成大量的配置，包括一些基礎(chǔ)配置（用戶信息、AAA 設(shè)置等）、端口配置（物理端口、VLAN 端口等）、協(xié)議配置（ISIS、MPLS、BGP等）以及各類的業(yè)務(wù)配置（Tunnel、PW、L2VPN、L3VPN等）?，F(xiàn)有的網(wǎng)絡(luò)配置核查方案由廠家“分而治之”，依賴大量的人工，對(duì)不同廠家設(shè)備、同一廠家不同型號(hào)、同一型號(hào)不同版本定制化處理，維護(hù)效率低下，運(yùn)營成本高，存在較多弊端。

首先，廠家配置巡檢工具算法邏輯簡單、稽核效率低。廣東現(xiàn)網(wǎng)3 個(gè)廠家雖已經(jīng)配置稽核工具，但巡檢邏輯單一，稽核效果不理想。如現(xiàn)網(wǎng)中興設(shè)備使用的巡檢工具ZXSEM/TIM400，通過編輯腳本定制巡檢任務(wù)，通過網(wǎng)管對(duì)設(shè)備下發(fā)show 命令，查詢對(duì)應(yīng)配置信息，不僅稽核時(shí)間長，還容易因?yàn)榇罅康娜蝿?wù)處理導(dǎo)致死機(jī)，單地（市）均有上千臺(tái)承載設(shè)備，配置命令總數(shù)達(dá)到200萬行，例如某地（市）超過2 000臺(tái)設(shè)備稽核40多小時(shí)之后死機(jī)。

其次，現(xiàn)有工具通?；跈z測規(guī)則或者專家系統(tǒng)，無法適應(yīng)網(wǎng)絡(luò)設(shè)備版本的更新迭代。專家系統(tǒng)做配置巡檢有其固有的優(yōu)勢，但是缺乏通用性和靈活性，如中興的TIM400 系統(tǒng)、華為的NCE 系統(tǒng)均存在這樣的問題，使用于某個(gè)地區(qū)或某個(gè)運(yùn)營商網(wǎng)絡(luò)的巡檢工具在其他地區(qū)或其他運(yùn)營商的網(wǎng)絡(luò)上就不適用了，更無法應(yīng)對(duì)5G 時(shí)代大量網(wǎng)絡(luò)新建和網(wǎng)絡(luò)改造帶來的爆發(fā)式增長的工作量，無法適配網(wǎng)絡(luò)技術(shù)更新迭代的需求。

此外，現(xiàn)有工具的巡檢對(duì)象往往是單臺(tái)設(shè)備，沒有學(xué)習(xí)能力，無法實(shí)現(xiàn)網(wǎng)絡(luò)級(jí)沖突檢測、隱患核查，存在較大的盲區(qū)，對(duì)于未知的配置錯(cuò)誤大概率會(huì)出現(xiàn)漏檢。5G新網(wǎng)絡(luò)的運(yùn)維也面臨著設(shè)備種類繁多、數(shù)量龐大，客戶業(yè)務(wù)多樣等挑戰(zhàn)，專業(yè)運(yùn)維知識(shí)不可避免存在缺失，一些隱性的配置隱患，用傳統(tǒng)的單臺(tái)設(shè)備級(jí)視角或?qū)＜医?jīng)驗(yàn)是很難發(fā)現(xiàn)的。

3 基于AI關(guān)聯(lián)分析的配置稽核

配置稽核的目的是發(fā)現(xiàn)配置數(shù)據(jù)中的錯(cuò)誤、隱患，從數(shù)據(jù)的角度看，就是要找到配置數(shù)據(jù)中的異常項(xiàng)。異常檢測是機(jī)器學(xué)習(xí)應(yīng)用的一個(gè)研究熱點(diǎn)，神經(jīng)網(wǎng)絡(luò)、SVM、孤立森林、聚類等機(jī)器學(xué)習(xí)算法在網(wǎng)絡(luò)流量、性能異常方面有大量應(yīng)用。

基于AI的關(guān)聯(lián)分析是傳統(tǒng)的機(jī)器學(xué)習(xí)方法，也是強(qiáng)有力的數(shù)據(jù)挖掘工具，可以在海量數(shù)據(jù)中快速發(fā)現(xiàn)數(shù)據(jù)、事件之間的依賴關(guān)系或者因果關(guān)系，例如apriori（入選數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法）、FpGrowth 等，能夠從大量的數(shù)據(jù)中自動(dòng)搜索隱藏于其中的有著特殊關(guān)系性的信息。因此本文通過數(shù)據(jù)挖掘方法將配置文件中的關(guān)聯(lián)關(guān)系挖掘出來，從而代替人工實(shí)現(xiàn)配置規(guī)則自挖掘、自學(xué)習(xí)。

通過上述現(xiàn)網(wǎng)配置稽核痛點(diǎn)分析及AI 算法的研究，本文提出將AI 關(guān)聯(lián)分析用于網(wǎng)絡(luò)設(shè)備配置稽核，融合了大數(shù)據(jù)分析、AI 關(guān)聯(lián)挖掘，借助統(tǒng)計(jì)分析對(duì)設(shè)備進(jìn)行配置基線識(shí)別，對(duì)設(shè)備在網(wǎng)絡(luò)中承擔(dān)的角色功能進(jìn)行層次化關(guān)聯(lián)分析，如圖1所示，按不同粒度分層檢測，發(fā)現(xiàn)配置中的漏配、錯(cuò)配、沖突、冗余等配置異常，結(jié)束異廠家分而治之的局面，實(shí)現(xiàn)統(tǒng)一運(yùn)維及配置稽核規(guī)則自挖掘、自學(xué)習(xí)，適應(yīng)網(wǎng)絡(luò)動(dòng)態(tài)發(fā)展。

圖1 基于AI的配置稽核系統(tǒng)邏輯架構(gòu)圖

基于AI關(guān)聯(lián)分析的配置稽核系統(tǒng)分為數(shù)據(jù)采集、關(guān)聯(lián)分析、人工標(biāo)注、自動(dòng)標(biāo)注、告警通知5個(gè)模塊：數(shù)據(jù)采集部分負(fù)責(zé)制定定期任務(wù)，收集基礎(chǔ)網(wǎng)絡(luò)設(shè)備配置文件；關(guān)聯(lián)分析模塊利用AI數(shù)據(jù)統(tǒng)計(jì)技術(shù)對(duì)配置文件進(jìn)行異常檢測；人工標(biāo)注模塊提供專業(yè)技術(shù)人員對(duì)異常列表進(jìn)行標(biāo)注的接口；自動(dòng)標(biāo)注模塊收集人工標(biāo)注數(shù)據(jù)集進(jìn)行自動(dòng)標(biāo)注模型訓(xùn)練，標(biāo)注之后的結(jié)果通過消息推送方式通知專業(yè)維護(hù)人員。系統(tǒng)架構(gòu)圖如圖2所示。

圖2 基于AI的配置稽核系統(tǒng)架構(gòu)圖

4 配置稽核系統(tǒng)在現(xiàn)網(wǎng)的部署及驗(yàn)證

AI關(guān)聯(lián)分析配置稽核系統(tǒng)部署方案如圖3所示，由網(wǎng)絡(luò)數(shù)據(jù)中臺(tái)統(tǒng)一完成數(shù)據(jù)采集、處理，依托廣東聯(lián)通AI 孵化平臺(tái)AI 框架及算力，部署AI 關(guān)聯(lián)分析算法，完成配置基線學(xué)習(xí)、數(shù)據(jù)挖掘關(guān)聯(lián)分析、系統(tǒng)流程控制、用戶管理、權(quán)限控制等功能，訓(xùn)練異常配置稽核模型。

圖3 配置異常檢查系統(tǒng)部署方案

4.1 AI數(shù)據(jù)挖掘關(guān)聯(lián)分析

常見的配置錯(cuò)誤包括多配、少配、錯(cuò)配和沖突等，其中多配是指在某個(gè)場景或者業(yè)務(wù)的配置中出現(xiàn)了多余的命令或者參數(shù)，而少配則是缺少了必須的配置命令或者參數(shù)，錯(cuò)配通常表現(xiàn)為將一條配置命令配置成了和它相似的另一條命令，沖突則是配置數(shù)據(jù)中出現(xiàn)了2條或者多條不能同時(shí)配置的命令或者參數(shù)。對(duì)于每一種類型的設(shè)備，配置特征具備一定的共性，通過統(tǒng)計(jì)分析可以發(fā)現(xiàn)一些大致的規(guī)律，形成配置文件的基線。

如表1 所示，某地（市）500 臺(tái)網(wǎng)絡(luò)設(shè)備配置文件，約75 萬行的統(tǒng)計(jì)分析中間結(jié)果，從表1 中可以看出某些配置出現(xiàn)機(jī)率非常大，說明這些配置是普遍存在的高頻配置。同樣從表1中也可以分析出某些配置命令只出現(xiàn)在某些設(shè)備中，說明某些配置具有個(gè)性化的統(tǒng)計(jì)特征，某些配置命令只出現(xiàn)在或更多地出現(xiàn)在某一類設(shè)備中。

表1 數(shù)據(jù)挖掘中間數(shù)據(jù)

本方案利用大數(shù)據(jù)統(tǒng)計(jì)分析進(jìn)行配置腳本的基線學(xué)習(xí)，在海量配置數(shù)據(jù)中進(jìn)行數(shù)據(jù)預(yù)處理，去除干擾項(xiàng)，完成數(shù)據(jù)清洗從而得出分類項(xiàng)集，進(jìn)一步用于關(guān)聯(lián)分析所需的訓(xùn)練集。

4.2 基于關(guān)聯(lián)規(guī)則的設(shè)備配置異常檢查

在基線學(xué)習(xí)完成的分類項(xiàng)集中，本文認(rèn)為配置錯(cuò)誤應(yīng)該是稀少的、偶現(xiàn)的，否則現(xiàn)網(wǎng)設(shè)備就不可能正常運(yùn)行了。基于AI 的配置稽核系統(tǒng)采用AI 關(guān)聯(lián)分析挖掘數(shù)據(jù)集中的關(guān)聯(lián)規(guī)則，用絕對(duì)出現(xiàn)次數(shù)的占比作為配置正確的支持度參數(shù)，配置腳本中出現(xiàn)的配置命令頻次越大，即表示其上下文呈強(qiáng)關(guān)聯(lián)性，配置越接近標(biāo)準(zhǔn)，配置異常的可能性越?。怀霈F(xiàn)頻次越低的配置與上下文呈弱關(guān)聯(lián)性，異常的機(jī)率越大。

如圖4 所示，配置數(shù)據(jù)由一系列CLI 命令構(gòu)成，每條CLI命令包含一定數(shù)量的參數(shù)，CLI命令之間可能存在一些特定的標(biāo)識(shí)符和分隔符，用于指示特定場景或者業(yè)務(wù)配置的起始和終結(jié)。其中左側(cè)配置樣式中的L11 出現(xiàn)次數(shù)是1 次，右側(cè)配置樣式中的L10 和L11 出現(xiàn)次數(shù)是1 731 次，則配置稽核系統(tǒng)認(rèn)為左側(cè)配置樣式中的L11 是錯(cuò)誤的，并且可以根據(jù)右側(cè)的配置樣式進(jìn)行修改調(diào)整。

圖4 關(guān)聯(lián)規(guī)則檢測異常配置

基于上述規(guī)則對(duì)采集到的海量設(shè)備配置數(shù)據(jù)進(jìn)行關(guān)聯(lián)性分析學(xué)習(xí)，從中挖掘弱關(guān)聯(lián)規(guī)則構(gòu)建異常配置模型，基于訓(xùn)練得出的異常配置模型對(duì)設(shè)備配置數(shù)據(jù)進(jìn)行掃描，發(fā)現(xiàn)其中的可疑配置并上報(bào)運(yùn)維人員進(jìn)行處理。

4.3 異常標(biāo)注

通過AI關(guān)聯(lián)關(guān)系分析檢測出的異常配置項(xiàng)，需要經(jīng)過標(biāo)注進(jìn)行異常分類，系統(tǒng)最初是采用人工標(biāo)注，人工標(biāo)注的內(nèi)容包括異常類型、嚴(yán)重程度、異常說明、標(biāo)注者。

經(jīng)過標(biāo)注之后的檢查結(jié)果就可以用于配置異常的修改，但是每次掃描問題列表都要經(jīng)過人工分析是不現(xiàn)實(shí)的，會(huì)給專業(yè)人員造成更多的工作負(fù)擔(dān)，因此系統(tǒng)設(shè)計(jì)了自動(dòng)標(biāo)注方式，將人工標(biāo)注的歷史數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，按照異常情況進(jìn)行聚類分析并且一一映射對(duì)應(yīng)處理方案，使自動(dòng)標(biāo)注模型學(xué)會(huì)自動(dòng)識(shí)別異常問題類型。

配置稽核系統(tǒng)對(duì)廣東某地（市）數(shù)據(jù)進(jìn)行掃描之后，檢測到異常192項(xiàng)，經(jīng)過自動(dòng)標(biāo)注，一共標(biāo)注了170項(xiàng)，其中高中風(fēng)險(xiǎn)有4 項(xiàng)，沒有被標(biāo)注的22 項(xiàng)異常是因?yàn)樽詣?dòng)標(biāo)注模型中沒有學(xué)習(xí)到對(duì)應(yīng)的異常情況，經(jīng)過不斷的數(shù)據(jù)積累，無法自動(dòng)標(biāo)注的情況會(huì)越來越少。圖5是自動(dòng)標(biāo)注的結(jié)果。

圖5 配置稽核系統(tǒng)的自動(dòng)標(biāo)注結(jié)果

4.4 結(jié)果驗(yàn)證

查準(zhǔn)率和查全率是評(píng)價(jià)機(jī)器學(xué)習(xí)模型有效性最常用的2 個(gè)指標(biāo)。從整個(gè)AI 配置稽核系統(tǒng)來看，查準(zhǔn)率是算法找出的錯(cuò)誤配置中到底有多少是錯(cuò)的，而查全率就是在所有的錯(cuò)誤中，算法找到了多少錯(cuò)誤。

首先考慮查準(zhǔn)率的評(píng)估。對(duì)于配置異常模型掃描得到的配置異常，由運(yùn)維人員進(jìn)行標(biāo)注確認(rèn)，本文采集了廣東省內(nèi)3 個(gè)地（市）的設(shè)備配置數(shù)據(jù)，各地（市）的配置數(shù)據(jù)量大小如表2 所示。表2 中第4 列的數(shù)值是AI配置異常模型掃描出來的可疑問題數(shù)量，第5 列是人工標(biāo)注確認(rèn)后的問題數(shù)量，可以發(fā)現(xiàn)，3 個(gè)地（市）的查準(zhǔn)率都超過了80%，其中A 市的查準(zhǔn)率接近90%。另外，3 個(gè)地（市）的掃描耗時(shí)都在分鐘級(jí)，檢查效率非常高。

表2 3個(gè)地（市）的配置數(shù)據(jù)量和掃描結(jié)果

要準(zhǔn)確評(píng)估查全率就需要提前知道數(shù)據(jù)集中到底有多少錯(cuò)誤配置，本文采用一種基于抽樣的近似檢測方法。首先由運(yùn)維專業(yè)人員挑選11個(gè)常見的、不同類型的錯(cuò)誤配置，然后將這些人為制造的錯(cuò)誤配置隨機(jī)加入到A 市的配置數(shù)據(jù)集中，再由配置異常模型進(jìn)行掃描，最后統(tǒng)計(jì)掃描結(jié)果中識(shí)別出人為制造的錯(cuò)誤配置，由此得出算法的查全率。表3 列出了挑選的11個(gè)錯(cuò)誤內(nèi)容，可見錯(cuò)誤類型即包含常見的CLI 命令漏配、錯(cuò)配，也有命令參數(shù)的漏配錯(cuò)配等，比較有代表性。掃描結(jié)果顯示，本文的算法可以發(fā)現(xiàn)其中的9 個(gè)錯(cuò)誤，查全率達(dá)到81.8%。

表3 人為制造的配置錯(cuò)誤

進(jìn)一步分析發(fā)現(xiàn)，第7 個(gè)錯(cuò)誤配置未找到的主要原因是在A 市數(shù)據(jù)集中這種錯(cuò)誤非常多，導(dǎo)致異常配置模型未包含其特征，因此未能在掃描中識(shí)別出來。

本文通過分析大量現(xiàn)網(wǎng)驗(yàn)證數(shù)據(jù)發(fā)現(xiàn)，基于AI的配置稽核算法是基于配置錯(cuò)誤是稀少的、偶現(xiàn)的這個(gè)假設(shè)，當(dāng)某類錯(cuò)誤配置頻繁出現(xiàn)時(shí)，該算法可能不能準(zhǔn)確獲得這個(gè)錯(cuò)誤特征導(dǎo)致未能檢查出此類錯(cuò)誤。后續(xù)需要結(jié)合更多的機(jī)器學(xué)習(xí)算法，進(jìn)一步提高配置異常檢查的查準(zhǔn)率和查全率。

5 結(jié)束語

本文提出了一種基于AI 關(guān)聯(lián)分析的設(shè)備配置異常檢測方法，該方案結(jié)合最前沿的AI技術(shù)與網(wǎng)絡(luò)運(yùn)維技術(shù)，創(chuàng)造性地改變了傳統(tǒng)人工配置稽核方式，同時(shí)有別于以往的研究，創(chuàng)新性地采用逆向思維，將AI 關(guān)聯(lián)分析中的弱關(guān)聯(lián)規(guī)則作為配置異常的特征，在此基礎(chǔ)上從海量訓(xùn)練集中學(xué)習(xí)配置異常模型，進(jìn)而利用配置異常模型完成配置異常稽核。從現(xiàn)網(wǎng)運(yùn)行結(jié)果顯示，此算法的查準(zhǔn)率和查全率都大于80%，部分場景準(zhǔn)確率達(dá)到90%，系統(tǒng)檢測時(shí)間低至分鐘級(jí)，有效提升了配置稽核效率與配置風(fēng)險(xiǎn)識(shí)別率。

此外，該創(chuàng)新方案采用的AI算法具備強(qiáng)大的自學(xué)習(xí)、自挖掘能力，可以無縫移植到設(shè)備配置巡檢核查中，如城域網(wǎng)、承載網(wǎng)、分組網(wǎng)等，適配5G 時(shí)代海量設(shè)備運(yùn)維需求，具備良好的泛化能力，能有效應(yīng)對(duì)網(wǎng)絡(luò)的動(dòng)態(tài)發(fā)展，具備廣泛的實(shí)用性以及可推廣性，實(shí)現(xiàn)傳統(tǒng)運(yùn)維的智能化變革。