通信網絡項目背景問題網絡優化的主要作用是提升網絡質量、保證用戶體驗，因此運營商在網絡優化工作中投入了大量人力物力。傳統網優工作依靠路測、系統統計數據分析、投訴信息等手段采集相關信息,再結合專家經驗進行問題診斷和優化調整。在網絡復雜化和業務多樣化的趨勢下，傳統優化工作模式顯得被動、低效，在網絡動態變化的情況下無法滿足網絡調整的實時性需求。.網絡動態變化，但優化目標仍是“平均”最優5G網絡為客戶提供了更多的業務類型，網絡大數據拓展了更多的網絡服務領域，但與5G業務的多樣性以及大數據技術發展所不匹配的——是目前網絡優化目標的評價標準，仍是以小區歷史性能最優為目標的“平均”最優網絡。現網數據采集和主要參數的控制粒度均為小區級，受限于此，網絡質量評價和網絡優化目標指標仍以小區級KPI的歷史統計為主也是就說,優化工作的目標是尋找小區級網絡性能平均最優。無論用戶在何種時間、何種位置進行何種業務網絡優化只能為用戶提供“無差別”的網絡保障。基于PCF(PolicyControlFunction)的策略控制等技術,能為簽約用戶和業務提供專載保障，但尚不能實現全網能力的動態調整，網絡性能在時間和空間維度仍存在很大的優化空間。.跨域多元數據采集、融合，但硬件和運維成本高由于移動網絡存在多個網絡域，當前數據采集機制以分域全量采集、再跨域融合分析為主。運營商網絡產生海量數據，但目前真正發揮價值的數據并不多。然而，為了建設與數據量所匹配的運算和存儲能力,運營商進行了大量的軟硬件投入。在現有技術架構下，隨著網絡規模及數據量的不斷增大系統處理速度無法支撐網絡數據的快速分析，只能不斷進行軟、硬件擴容，推高運營成本。長期以來，各個網絡領域設備分別研發、管理，例如無線網、核心、網、傳輸網、OSS域等。在數據層面，一般由EMS/NMS提供北向接口，OSS系統進行集成。這種煙囪式的研發機制造成了跨域數據采集和建模標準化程度不足，網絡端到端的運行數據拉通困難，數據即使集中存儲也是一個個信息孤島。而多廠商設備實現、接口協議等差異性問題更加劇了這一情況。例如，為實現用戶級的端到端網絡體驗分析，現網全量采集無線MR、核心網XDR、傳輸及承載網KPI指標，并建設專用支撐系統以實現從跨域的海量數據中搜索并關聯出單用戶、單業務的網絡體驗信息，這需要投入大量硬件資源和軟件研發費用。.業務實時性增強，但業務體驗難以實時分析當前網絡數據的采集周期長、業務體驗統計粒度粗,難以實現對用戶、業務體驗的實時感知和分析。很多網絡問題在發生后，需要通過客戶投訴驅動，再進行人工分析、決策和優化實施。現狀無線側主要基于設備軟采實現counter、KPI、MR、Trace等運行數據的采集，數據在基站生成，層層匯聚至OMC,最終通過北向接口匯聚至OSS。采集接口以文件接口為主，時間最小粒度為15分鐘，網元統計最小粒度通常為小區；核心網側以專用硬件采集為主，采集設備以分光等方式全量采集用戶面和業務面數據，數據采集量極大，數據解析、處理和存儲均需要高性能硬件支持，處理時延一般為小時或天級。分域數據的全量采集處理時延、網絡跨域層層匯聚時延和跨域數據關聯分析時延造成了網絡業務體驗分析的時間粒度以天/月/周為周期，難以滿足更細粒度、更實時的業務體驗洞察和優化調整需求,更無法提前預判網絡瓶頸和潛在的問題。.網絡復雜度攀升，但人工優化仍占比大5G網絡規模大幅度增長新特性不斷引入業務場景更加多樣。隨著基礎設施的虛擬化、云化，網絡配置、資源調度更靈活，但也引入了更多的廠商設備組合和網絡管理層次。與此同時，四網并存、共建共享、多頻段、多廠商、多版本已成為網絡運營的常態，造成網絡復雜度空前提高，給5G網絡的優化工作帶來了前所未有的挑戰。時至今日，日常運維優化的人力成本占比仍高達70%左右［10］。大量問題需要人工路測、分析性能數據進行診斷，?定位問題后，優化人員操作NMS或EMS平臺來進行配置調整；優化實施后，優化效果的后評價也經常依賴人工對比分析。另外，這一過程需要優化工程師理解大量設備信息并面對海量數據僅憑人力已無法充分利用這種高維度、大體量的數據，分析效率較低。因此,在網絡運維成本居高不下的情況下，如何使運營商從復雜的網絡參數設置與海量的網絡數據中解脫出來，如何平衡資產利用率和提高能源效率成為重要關注點。.AI優化研究眾多，但現網落地應用不暢目前業內在智能優化上已開展了大量的研究和試驗，但由于機器學習等技術的模型訓練過程可能導致網絡質量回退，因此該類新技術在現網落地中仍存在一定困難。現階段的智能優化新技術，特別是機器學習、強化學習等技術，往往需要從現網中采集足夠的訓練數據，以完成AI模型的學習，并通過不斷的參數調整使模型性能收斂拉一過程可能造成一定時間內的網絡質量和業務體驗下降。這與電信運營商一直以來致力于提供的高可靠性網絡服務存在一定矛盾。由于擔憂這類技術帶來性能回退或造成用戶投訴，現網往往難以進行落地應用。然而，采用實驗網進行技術試驗，又不能真實地模擬現網用戶、業務的動態分布等特征，造成機器學習模型過擬合、泛化能力差。.T0B業務的優化需求顯現，但優化標準和方法尚不成熟ToB方面,行業應用業務類別及指標需求差異化更加明顯。網絡切片等技術能實現網絡差異化的配置。專網國