From：OPENET
编译：Lin
机器学习和5G密不可分。在管理5G庞大的数据量和复杂性时，机器学习和执行独立智能决策的能力是十分必要的。如果没有机器学习，网络无法预测流量需求、安全风险和用户行为的变化。5G愿景的基础是网络具有预测性和主动性以实现低延迟和高可靠性的能力，而这是现今的4G网络无法实现的。机器学习允许网络进行自我优化，确保前所未有的性能和服务连续性，从而可以主动减少潜在故障。
本文探讨了在5G领域使用机器学习的一些实例，为基于机器学习在5G 领域的高级应用和分析方法指出了潜在的可能方向。随着5G应用对网络性能的要求日益增加，更加强大和优化的网络将会为大幅度提高网络性能，随之而来也为用户带来更好的体验。
机器学习在网络服务中的应用
1、性能管理
挑战：在网络功能虚拟化带来的超动态网络环境和向软件定义网络的转变中，在任何给定的时间了解所有系统和虚拟网络功能以及PNFs 等性能状态，将变得更加困难。如果没有正确的工具，我们无法有效监控不断变化网络环境的关键业务指标，从而无法保证提供稳定的服务。解决此问题的传统方法带来了资源的大量浪费，通常过度配置服务以确保稳定性，但也有可能在服务资源不足的情况下导致系统故障。
解决方案：基于机器学习主动监控和预测所有网络组件的状态、性能和利用率的能力，使得运营商可以通过动态扩展网络资源以实时满足可变需求来实现高效的资源利用率。这使运营商能够运行更高效的网络。
2、主动排查故障
挑战：当与网络相关的问题出现时，可能会导致网络中出现大量级联故障，所有故障都源于根本性问题。这会触发多个系统警报，但使用隔离和修复的任务既费时又费力。
解决方案：利用机器学习预测何时发生故障及其可能性，并在故障发生之前采取预防措施。如果问题已经出现，则可以快速隔离引发问题的根本因素，从而使运营商能够减少网络中的故障数量并缩短解决每个问题所需的时间。
3、自动解决问题
挑战:由于当今网络的复杂性，在网络的正常运行中出现的故障数量不断增加。这些故障对服务的稳定性构成巨大威胁，并明显增加了对运营商运营支持的需求。这既消耗了宝贵的资源来进行故障排除，同时又使网络和服务的连续性仍然存在风险——直到根本问题被确定、隔离和解决。
解决方案：如果网络拥有了通过机器学习和自动化及时解决网络问题的能力，运营商能大大缩短在出现问题时响应问题所花费的时间，并能够释放运营团队的人力以处理更复杂的任务。
4、最佳的自动服务组合
挑战：当服务组合在SON环境中自动化运行或被手动完成时，主要考虑的因素是服务的功能交付。但缺少适当的工具意味着在许多情况下无法考虑成本优化。反过来，这导致服务的总成本居高不下。如何通过算法优化服务组合的成本一直以来是运营商关心的话题。
解决方案：引入监控交付服务总成本的能力，以及预测不同配置和交付选项的成本影响的能力至关重要。在编写和进行服务时考虑到这些指标，运营商才可以真正优化其网络运营成本。这样可以提高最大化运营利润的能力，同时也获得了对每项服务营利能力的详细信息。
5、服务质量监管
挑战：由于运营商提供的众多复杂服务所涉及的系统数量庞大，有效监控服务质量的能力变得尤为重要。但传统的方法对于如此庞大的信息系统，处理起来已经变得力不从心。
解决方案：机器学习及相关算法，可以通过监控服务质量，通过数据分析和预测客户的体验质量，来帮助运营商识别并解决客户可能遇到的问题。
6、收入流失
挑战：由于当前“不断变化的”网络中存在越来越多的疏漏点，系统或过程故障可能导致收入损失的情况不断增加。
解决方案：通过快速识别漏洞发生的位置并隔离网络中断的根本原因，运营商能够显著减少收入损失。 而且，运营商能够设置预防措施，以防止之前的问题再度发生。
7、小基站理念
挑战：如果运营商以与主要小基站相同的方式管理小型的小基站区域部署，那么需要维护的区域绝对数量将难以管理。
解决方案：允许运营商主动监控和预测服务降级、小区中断、睡眠小区、体验质量降级和小区异常等实时信息对于优化网络性能至关重要。此功能与本地化小型单元中任何潜在问题的能力相结合，使运营商能够防止整个网络出现故障级联。这是通过动态生成自主动作来实现的，这大大降低了与小型小区管理相关的运营和维护成本。
机器学习在用户中的应用
1、客户流失分析
挑战：客户流失仍然是所有运营商面临的障碍，这会带来高昂的代价。目前用于应当对客户流失的策略关注的是如何在事发后进行修复。这是一种耗费资源、成本高昂且通常无效的保留手段，在用户去意已决的情况下，运营商试图说服客户留下的做法可能无法解决根本性问题。
解决方案：通过主动识别可能流失的客户及导致其离开的特定用户体验问题，运营商可以主动采取措施以最大限度地减少客户流失。这不仅可以保护当前和未来的运营收入，还可以改善整体客户体验。
2、欺诈检测
挑战：各种诈骗手段层出不穷，这是持续面临的挑战。CFCA行业调查确定的前5大外部欺诈活动带来的损失估计超过260亿美元，此外包括外部欺诈、欠费、内部欺诈等问题造成的硬收入损失占到了全球电信业务收入的6.9%，达到了1550亿美元。
解决方案：通过实时识别曾发生过的网络欺诈行为或是通过识别新出现的欺诈行为，工作人员员能够明显减少处理问题所花费的时间。这可以保护客户不会成为欺诈的受害者，也能保护运营商的声誉和品牌。
3、基于目标和情境的活动管理
挑战：营销活动通常是基于大众的普遍喜好，很少反映客户的个人偏好。传统的广告也未考虑营销内容的购买环境，也没有能力衡量广告在推动购买决策方面的成功程度。
解决方案：通过机器学习分析用户数据，获取客户偏好的策略以及给出针对某一群体客户需求的适宜报价，以及基于推荐系统的套餐推荐、营销活动等，运营商能有效提升其市场占有率并吸引新的客户。
4、用户使用分析
挑战：运营商无法通过全球统一的方法跟踪和分析客户如何与所有服务接触点互动。这些用户接触点可能包括数字频道，例如网站、客户服务应用程序或传统的呼叫中心。这导致操作员无法全面了解客户如何使用其服务，并限制了操作员优化此过程的能力。
解决方案：通过研发客户参与情况的端到端视图能力，运营商能够通过识别各流程中存在的障碍以优化所有渠道。
5、全渠道环境中的个性化客户体验
挑战：客户接触旨在促进与所有客户的互动，但由于个体差异，对某一用户而言的完美体验可能会让另一用户倍感不适。这可能会在特定时间中给大部分客户群带来欠佳的用户体验。
解决方案：机器学习能够识别并向客户展示为其量身定制的全渠道体验，能够最好地反映和回应其个人喜好，这对于保留目前的高价值客户至关重要。
在5G基础设施建设和运营过程中，机器学习和人工智能技术扮演了越来越重要的作用。当人们还在争论和定义新的5G服务时，运营商们已经在努力面对这场前所未有的数据飓风。为了克服管理5G服务交付的能力，将机器学习嵌入网络的基础结构和运营管理已经成为这个行业的必由之路。
ref：
https://person.zju.edu.cn/honggangzhang/708483.html
https://www.open5gcore.org/41fe383c1476dcbc
https://www.is-wireless.com/small-cells/
http://www.iot-online.com/5G/2018101480064.html
https://www.engineering.com/IOT/ArticleID/16876/Design-Tools-Provide-5G-...
https://www.cisco.com/c/m/en_us/network-intelligence/service-provider/di...
https://www2.deloitte.com/insights/us/en/topics/emerging-technologies/5g...
本文转自：微信号 - 将门创投，转载此文目的在于传递更多信息，版权归原作者所有。
