|
4G走向5G，电信设备从传统设备演进到虚拟化、云化时代，软硬件架构都发生了翻天覆地的变化。电信业引入了很多IT的软件架构、思维、方法等；开源、APP和基础设施解耦等给电信应用带来了很多好处、便利，同时也带来了新的问题，其中对电信运维方式产生了较大的影响。 2G/3G/4G时代，业务一旦出现问题，运维人员一般不需要分析是硬件故障还是软件故障，对设备本身先进行软硬件一体的主备倒换，先恢复业务，再进行故障定位。 在当前云时代，基础设施集中化，中心DC物理设备规模庞大（>1000），网络功能打散分布在不同的物理节点上，一旦出现故障，原有的软硬件一体化主备倒换方式不再有效，需要更有效性自动化识别能力，识别故障根源是硬件原因、云平台原因，还是上层VNF的原因，快速区别出故障的根本原因，才能及时对故障进行有效隔离和恢复。 实现自动化和智能化的网络运维，是5G关键技术，而智能监控、故障分析是自动化运维的关键技术。 智能监控 智能监控的目标是，软件自动化发现系统运行异常，自动触发下一步对异常的分析，从而定位出系统异常根源，快速修复故障。 实现智能监控有直接方式和间接方式。 直接方式是指对环境、硬件（计算、存储、网络）、Cloud OS等关键设施进行指标监控，一旦出现异常数据，进行直接的故障告警、定位。 间接方式对5G业务关键KPI进行监控和多维度的对比分析，通过分析发现KPI异常判断故障是否发生，从而触发故障进一步关联分析定位。 多维度的对比分析可以从几个方面进行：
－历史数据对比方式。历史总是相似相近，历史数据对比分析按天、周、月、年、节假日历史数据综合进行，通过AI算法预先给出下一阶段（小时、天）KPI预测数据，再根据实时采集得到的数据，对比判断系统是否异常；
－同类对比方式。同类型的5G NF的同类KPI变化应该趋于一致，一旦出现较大（超过域值）波动，可以判断系统异常；单一的NF内部，不同微服务的处理KPI同样也应该趋同，如果不一致同样也可以判断系统异常。 故障分析 故障根源分析可以从告警和日志两个方面入手。在监控系统发现系统异常后，触发纵向分层告警、分层日志关联分析；横向关联NF内微服务间、NF-NF间进行关联分析，定位故障根源。 纵向关联 纵向关联体现在垂直架构上，网络架构包括物理层、虚拟层、业务层三个层次，当底层出现故障时，将影响上层业务（见图1）。
自动化运维关键技术：智能监控和故障分析
纵向关联解决的关键问题是：一旦发生底层硬件、虚拟层故障，上层业务KPI等指标会出现异常，垂直关联把上层业务的异常和底层故障关联起来，识别出根故障根源是在哪个层次：PIM层、VIM层还是VNF业务本身。 横向关联 横向关联能够解决的关键问题在于，把一个网元的故障和另一个业务相关网元的故障关联起来，把一个微服的故障和真正出问题的微服务关联，在应用层这同一层次识别出真正出问题的微服务或组件。 －在同一个VNF内，一个完整的业务流程需要不同的微服务协同完成，这些协同的微服务相互影响和干扰，一旦其中一个出现问题，故障的表现扩散到其他微服务，通过微服务间的横向关联，识别出故障根源微服务，快速定位真正出故障的微服务或组件。 －在VNF-VNF间业务流程在不同节点间流转时，如果某个节点发生故障，也将影响到与其相关的其他节点。比如：AMF、SMF、PCF、UDM等相互之间的关联影响，是业务流程的不同节点，通过VNF间的横向关联，在故障时，能快速识别出故障根源VNF，再协同VNF内微服务的横向关联功能，结合纵向关联，对故障进行最终定位。 常用技术 故障根源分析的常用技术有数据采集、数据分类（清洗）、数据监控、数据关联、定层定位等。
－数据采集：采集的数据包括业务告警、业务KPI、业务配置操作日志、网络设备操作日志、存储设备操作日志、虚拟设备操作日志、虚拟层平台操作日志、虚拟层系统运行日志等；
－数据分类：数据在清洗分类时主要有几个标签，如时间、位置、我影响谁（分类标签）、谁影响我（分类标签）；分类标签包括网络、主机、存储、配置；
－数据监控：一般对上层KPI进行监控，KPI数据是统计数据，可以引入AI算法，对异常KPI进行判断，一旦出现异常数据，判断系统出现故障，触发故障根源分析系统；
－数据关联：主要根据预置的模板进行，模板以标签的形式进行关联，其中位置、时间、我影响谁、谁影响我，是数据关联主要依据；
－定层定位：通过数据关联，从上往下（业务、虚层、物理层）确定最终的关联节点，水平关联通过“分类标签”最终找到故障起因的网元、微服务或组件。 智能化运维的核心在于利用AI进行故障预测和自愈。通过收集系统日志、性能指标、网络流量等数据，AI能够学习系统的正常运行模式，从而在异常行为发生之前预测潜在的故障点。这种预测能力使得运维团队能够在问题发生前采取措施，而不是被动地等待故障发生后再进行修复。故障预测
故障预测的实现依赖于复杂的数据分析和机器学习算法。例如，使用时间序列分析来识别性能下降的趋势，或者应用聚类算法来检测异常行为模式。一旦AI模型被训练出来，它就可以实时监控生产环境，及时发现偏离正常行为的微小信号。
除了故障预测，智能化运维的另一个关键组成部分是自愈系统。自愈系统能够在检测到潜在故障时自动执行修复操作，无需人工干预。这可能包括重启服务、重新分配资源、甚至在某些情况下自动部署更新或补丁。自愈系统的有效性取决于其设计的准确性和反应速度，以及对不同故障场景的适应能力。
智能化运维的实施为企业带来了显著的好处。首先，它大幅减少了系统的停机时间，因为许多故障可以在影响用户之前就被预测并修复。其次，它提高了运维效率，减少了对专业运维人员的依赖，从而降低了人力成本。最后，智能化运维增强了业务的可扩展性和灵活性，使企业能够更快地适应市场变化和业务需求的增长。
然而，实施智能化运维也面临着挑战。数据的质量和量是AI模型准确性的关键，因此需要投入资源确保数据采集的全面性和准确性。此外，AI模型需要持续的维护和更新，以适应不断变化的技术环境和业务需求。
总之，智能化运维代表了运维领域的未来趋势，它将人工智能的强大能力应用于故障预测和自愈，极大地提升了运维的效率和效果。随着技术的不断进步，我们可以预见，智能化运维将成为企业IT基础设施不可或缺的一部分，为企业的稳定发展和创新提供坚实的技术支持。
智能监控、故障分析技术，解决了传统设备走向云化带来的设备故障定位复杂性，降低5G云原生及服务化软件架构带来的系统维护复杂性，使得运营商可以聚焦5G业务本身，创造更大价值！ | 
