江苏龙网

  1. 首页 > 资讯 > 科技 > >

云计算|华为云地协同解决方案加速网络AI规模应用( 二 )


本地样本少、模型精度不够：部分场景单局点样本量少 ， 不足以支撑模型训练 ， 如核心网KPI异常检测 ， 单局点发生异常频率很少 ， 训练需要的样本量不够 。因此 ， 需要能够汇聚所有局点的全量样本信息 ， 可能还需辅以联邦学习等技术 ， 才能训练得到满足业务精度要求的AI模型 。
云地协同实现架构
针对以上问题 ， 华为提出云地协同创新方案 ， 通过云地协同 ， 可以加速AI特性的规模部署 。
云地协同 ， 是指云端和地端一起协作完成数据样本上云 ， 模型状态管理 ， 模型重训练 ， 模型/知识下发、择优更新等一系列的闭环任务 ， 同时把云端汇集的全局网络知识经验、全量数据训练得到的高精度模型 ， 持续注入地端 ， 让电信网络能够进行智能的迭代升级 ， 变得越来越聪明 。
云地协同有三个主要的特征：一是云端和地端要有通道；二是地端到云端 ， 信息可以从运营商上传到云端 ， 包括数据样本、模型状态、以及重训练请求等信息 ， 三是云端到地端可以下发新的模型 ， 同时网络知识库里的知识也可以注入到地端 。
云地协同机制参见下图：
云计算|华为云地协同解决方案加速网络AI规模应用
文章图片

文章图片

云地协同三个阶段
据介绍 ， 云地协同在实际应用部署时有三个阶段 ， 针对不同场景可以选择适合的阶段 ， 最终大幅提高网络的资源效率 。
阶段1：云端进行初始模型的训练 ， 运行态由地端根据新增的样本进行在线学习 ， 持续保持模型的精度 。这种模式主要是适用于模型相对简单 ， 算法结构比较稳定的场景 ， 这种场景一般不需要对模型结构和算法本身进行更改 ， 只需要根据本地数据进行在线学习 ， 优化调整模型参数 。比如像核心网变更在线机器值守等 。
阶段2：云端进行模型的分发 ， 然后在地端根据新增样本进行在线学习 。具体讲 ， 就是云端会持续对模型进行优化 ， 包括模型算法结构上的 ， 优化后的模型会进行推送到地端 ， 地端根据评估结果进行模型择优更新 。同时 ， 地端也会根据本地数据样本的学习进行模型参数的优化 。这种一般适合于模型相对复杂 ， 华为会持续进行模型算法结构优化的场景 ， 比如无线KPI 异常检测等 。
阶段3：云地实时协同 ， 模型可以自动化演进 ， 具体讲就是本地样本会实时上传到云端 ， 云端进行训练和优化后的模型会自动推送到地端 ， 地端进行模型评估择优进行升级 。这种主要是适用于模型复杂、需要用到华为云端高质量标注数据 ， 知识图谱以及仿真等知识能力进行模型优化的场景 ， 比如IP RAN/PTN智能告警 ， DC PUE优化等 。
云地协同关键价值
联邦学习 ， 即通过汇聚各个地端模型的参数 ， 在云端采用汇聚算法 ， 形成效果更好的共享模型 ， 再下发给各个地端进行使用 ， 其最大的特点 ， 就是在地端数据不用出局的情况下 ， 提升模型的精度 。借助联邦学习可以更好的实现云地协同 ， 从而提升模型泛化能力和训练效率 。
借助知识图谱 ， 通过沉淀专家经验和产品知识转化形成故障传播关系等 ， 形成“网络知识库” ， 可用于故障运维辅助、知识问答等 。
在云端仿真方面 ， 通过在云端构建虚拟仿真环境 ， 高效安全地进行模型或业务验证 ， 在避免现网性能或KPI受到影响的同时 ， 支撑网络问题的快速闭环 。
模型因为需要进行更新 ， 更新的方式如果采用传统网管集成的这种模式 ， 需要经过多层多次的人工动作 ， 首先模型版本发布后 ， 需要产品研发把模型通过代码工作集成到网管软件版本里 ， 然后发布到华为Support网站 。
如果采用自动升级模式 ， 通过云地协同 ， 让AI模型市场跟地端网络AI对接 ， 模型发布后进行推送 ， 让地端局点启动自动化的模型升级 ， 当然升级前也会完成模型的评估 ， 整个过程在1个小时即可完成 。


推荐阅读


上一篇：云计算|阿里云2.0意欲何为？推进云产业变革！

下一篇：新机发布|疑似华为Mate40系列再次现身地铁，瀑布屏+双打孔