许思宁，唐雯敏，周 圣，郭 熠，朱明星

（中国联通广州市分公司，广东 广州 510000）

1 项目背景

互联网专线DIA 为运营商重要的盈利业务。互联网专线作为专业性较强的公网专线业务，带宽、公网地址数量、ICP 服务开放均为影响收入的重要参数。在传统的工作流程中，并无针对这些重要参数的智能化管控手段，重复性、繁杂的工作量占较大比重，存在优化和提升效率的空间。

（1）各种设备台帐、电路台账、客户台帐等工作台账分属不同负责人维护和更新，各自成表，没有实现线上维护更新，无法保证一致性，也无法互相关联，在需要快速查询时无法准确查询出所有所需的信息。

（2）针对同一个客户，前端业务部门和后端维护部门关注不同的参数，且各自维护的台帐格式不统一、参数名称不统一，给数据的实时性和一致性同步工作带来困难。

（3）目前，业务开通主要为维护人员手工在设备上输入配置指令，在日常工作中存在重复性工作多、容易出错等问题，一旦出错，难以快速发现、纠错，目前亦无有效的实时监控手段，留下网业不一致的隐患，影响公司收入，甚至带来廉洁从业风险。

（4）面对日益严峻的国家网络安全形势，公安网警对ICP 服务开放的管控日益严格，作为基础通信运营商，必须从源头上协助公安机关对客户业务的ICP服务开放进行管理，否则可能引发网络安全问题。

针对现状，着眼于满足迫切的现实需求，立项开发本项目，引入人工智能和运维IT 等多项创新技术，着力实现数据网络业务稽核和监控工作的智能化，提升工作效率，提升网络质量维护能力，提升网络安全保障和响应能力，改善客户感知，保障公司收入，提升公司业务口碑，助力市场营销。

2 项目目标

为了实现“转型增效”目标，结合运维工作的实际情况，提出强力支撑网业一致性的创新需求，形成业务与网络互帮互赢的局面。基于这个目标，决定开发出基于AI人工智能的网络业务一致性稽核保障系统。

2.1 保障网络资源台帐的准确性和可用性

传统的台账管理模式各成体系、互无关联，业务部门和网络部门根据部门特点构建的数据不同步，查询信息需要手动切换若干个表的复杂情况，甚至因为信息不对等影响业务的发展，降低了客户的满意度。为了改善这一情况，应当对台账进行信息化的统一管理，结合IT 技术，在信息化系统上实现台账一键导入，一键下载以及一键查询的功能，成功打造数据在网业保持一致性的局面，起到快速而精确地响应信息查询的作用，减少了易发的后台人工错误和资源倾斜的低效投入。

2.2 人工智能和DevOps 相结合的智慧化稽核手段

传统的业务稽核手段，需要维护人员按网络层级逐个登录设备，同时打开台帐表格，进行网络设备配置与业务台账的人工比对。不同的客户有不同的接入设备和网络结构，目前在网DIA 客户业务高达数千条，在稽核过程中，大量的重复操作带来的是效率低下，容易出错，且时效性无法保证。若能实现全自动、智慧化、且具备自主学习能力的人工智能业务稽核，全量稽核和实时稽核都能做到准确无误，快速响应，实现运维工作的效率提速，运维对业务线的保障能力进一步提升[1]。

2.3 网业一致性实时监控

传统的运维工作流程中，虽然有24 h 监控人员，但网业一致性这样关乎公司收入的重要项目却难以落地在监控工作中。因此，本项目也把提供效果优秀、具有高度可读性的网业一致性监控能力作为重要的项目目标；同时为网管监控人员提供针对指定客户的网业一致性实时稽核接口，提升业务报障的响应速度。

3 项目实施方案

3.1 网络业务自动稽核算法

整个算法由两部分组成：训练算法和稽核阶段。

（1）训练算法：深度学习模块根据通过现有的人工确认无误的网络业务台帐生成训练集对业务关键参数进行训练，形成能够识别业务配置中各类稽核所需参数的模型。

（2）稽核阶段：业务稽核模块根据已经学习好的参数模型对新增业务进行稽核，审核业务配置中存在的各类参数，标识出差异并且得出结论。业务自动审核算法流程如图1 所示。

从现有业务台账中选取不同类别的业务，构成业务集，组织多位专业人员对业务集进行审核，主要对业务VLAN 配置、IP 配置、限速配置、80 端口配置进行标注，并将设备上相关配置记录形成信息集，分成训练集和测试集，利用相关技术对标注信息进行预处理，构成一个完整的业务ING；然后调用Skip-gram 实现词向量表示分析，再将深度学习方法和Softmax 回归设计落实到项目中，把业务分析模型进行进一步分析和归类，一步步完善后，最终使用测试集来测试模型，并根据测试结果对模型进行优化，当模型效果达到预期时，则可以发布并进行使用。

当系统接收到新的稽核请求，获取到前端传送过来的业务明细后，则开始自动稽核，对业务的设备配置进行标注，实现业务的自动稽核[2]。

3.2 基于深度学习的语句表示及分类

通常使用向量空间模型对语句进行表示。为实现对语句的表示，实现业务的自动稽核，本文首先利用Word2vector 中的Skip-gram 模型训练得到词向量，再利用RNN 中的长短记忆模型（LSTM）对输入进行逐级抽象表示，得到语句的高层次抽象表示，其原理如图2 所示。

将经过深度学习网络获取的语句高层次抽象表示输入到基于Softmax 的多类分类器中，最终获取对当前语句是哪种业务类型以及是否存在相关稽核差异进行标注，完成业务的自动稽核，负责稽核的同事可根据标注信息实现对业务稽核的评价。

图1 业务自动审核算法框架

图2 基于深度学习的业务语句表示及稽核模型

3.3 DevOps 实现采集设备数据

应用系统的开发和运维对于基础设施和中间件的选择都存在大量不同的可选方案。随着数据业务的兴起和发展，丰富的设备种类及其配置命令以非结构化和半结构化数据的形式分散在广州城域网上，具有不同的数据结构。DevOps 作为一种新兴范型能够实现开发和IT 运维之间的高度协同，从而在完成高频率部署的同时，提高生产环境的可靠性、稳定性、弹性和安全性。非结构化数据的自动发现和获取较为困难，而诸多设备的配置命令存在特异性的问题，因此在本项目中，对非结构化数据进行整理、评价、抽取的方案是人工操作。DevOps 能够以多个分布式存储的方式组织和管理不同层面的资源，如图3 所示。

图3 DevOps 对于不同结构数据的处理

4 结论

本研究旨在提升网络维护智能化水平，提升网业一致性保障能力，提升网络业务监控能力，科学规范地管理业务台账，及时准确地查找工作中所需的相关信息。本研究成功后，将实现专线业务精确定位，网络资源一致性精确核查，全量业务定时稽核，稽核结果实时输出，输出结果动态展示的全套管控效果，提升网业一致性的实时监控、及时反馈能力，保障了公司收入。