45

网络告警压缩等）、网络故障根本原因分析和智能恢复（含无线告警根因分析、跨域智能告警根因分析、故障检测和恢复等）。

 网络运营：网络流量分类、网络流量预测、网络优化（QoE优化、上下文感知的 VoLTE 服务体验优化、负载平衡和小区拆分/合并、5G 智能广播参数调整、基于射频指纹的负荷均衡、传输 KPI 和无线 KPI 之间的相关性等）、云服务的自动服务和资源设计等。

 服务编排与管理：弹性资源管理和编排（服务设计、逻辑网络设计和部署、网络资源自适应等）、智能网络切片管理（含网络切片无线资源管理、智能承载网切片管理等）、智能运营管理的 SD-WAN 等。

 客户体验与服务：客户体验智能化感知、智能业务体验评估（含VoLTE 智能 MOS 评估等）、智能客服、智能投诉处理（含批量投诉用户预警等）。

 基础设施管理：策略驱动的 IDC 流量控制（含流量高峰事件处理等）、使用 AI 节能（含无线网络节能等）。（二）智能化算法框架

智能化算法框架包括 AI 算法分类框架、与应用场景的关联关系等。

1.AI 算法分类框架

AI 算法分类框架包括算法框架、主要算法和智能应用等，如下

46

图所示：

图 27 AI 算法分类框架对上图说明如下：

①算法框架

算法框架包括 TensorFlow、Torch、Caffee、Theano 等。②主要算法

主要算法包括经典机器学习、深度学习、强化学习、计算机视觉、自然语言处理、知识图谱等。其中：

经典机器学习：决策树、朴素贝叶斯分类器、逻辑回归、支持向量机、k 最近邻算法、主成分分析、SVD 矩阵分解、集成学习、聚类算法、蚁群算法、萤火虫算法等。

深度学习：图神经网络、深度前馈神经网络、CNN、循环神经网络 RNN/LSTM、GAN，迁移学习等。

强化学习：DQN、DDQN、PDQN、DDPG、A3C、Rainbow、deepmindImpala、google seed RL 等。

47

计算机视觉：RCNN、Fast-RCNN、YOLO、SSD、GAN等。自然语言处理：word2vec、CBOW、BERT、Transformer 等。知识图谱：AMIE、PRA、TransE、R-GCN、ConMask、DeepPath、MINERVA 等。

③智能应用

经典应用：回归、分类、聚类、降维等。语音应用：语音识别（语音转文字）、语音合成（文语转换）等。计算机视觉应用：图片分类、目标检测、图像分割、人体识别（人脸检测、人脸识别、人群计数、行人检测、活体检测、人体姿态估计、动作行为识别）、文字识别(OCR）、数据标注、数据增强、目标跟踪、图像生成与描述（图像生成图像 GAN、图片风格迁移、图片生成文字描述、文字描述生成图片）等。

自然语言处理应用：文本分类（情感分析、情绪分析、主题分类）、信息检索、问答系统、自动生成文本摘要、机器翻译、信息抽取、分词、词性标注、命名实体识别、句法分析、语义分析等。知识图谱应用：关联关系推理、根因分析、故障定位、逻辑决策辅助、搜索引擎+推荐算法、QA 问答、冲突检测（实体对齐）、链接预测、知识补全与质量校验等。

强化学习应用：网络自组织（自我配置、自我优化和自我修复）、智能控制、机器人/无人机等。

2.智能化场景与算法关联

智能化场景与算法关联一般为为多对多模式，如下图所示：

48

图 28 智能化场景与算法关联单个智能化场景一般采用多项 AI 算法，例如：网络规划使用经典机器学习、深度学习、知识图谱等；网络建设使用计算机视觉、知识图谱等；网络自智使用深度学习、强化学习、知识图谱等。（三）AI 模型部署

1.现状及面临问题

目前，云化网络采用三级部署（大区、省、本地），且通过统一采集实现全网数据集中化，如下图所示。

49

图 29 AI 模型部署面临的基础环境如何结合现有云化网络三级部署、数据集中化，以及AI 流程（数据->模型训练/优化->模型部署->模型执行），优化AI 模型的部署模式、管理框架等，实现集中化训练、分布式部署、动态优化，是目前面临的一个较大挑战。

2.AI 模型部署

算法模型部署到生产环境后，需要结合生产实际不断进行优化。为解决算法模型的自优化问题，可采用强化学习模式，借鉴deepmindImpala 算法框架，即总部集中部署智能体（学习者），由其集中学习模型，并将模型参数分发给智能体（行动者）进行模型参数更新；分布式部署智能体（行动者），与区域/本地DC 的管理系统对接，由智能体（行动者）在环境中进行推理决策及执行动作，并将状态和动作数据反馈给智能体（学习者）进行模型优化。AI 模型部署方案如下图所示：

50

图 30 AI 模型部署方案（四）典型应用场景

1.无线网络

（1）Massive MIMO 智能权值优化5G AAU 广泛使用 Massive MIMO 技术，该技术通过大规模阵列天线和三维波束赋形，有效提升复杂场景下立体纵深覆盖和系统容量。相对传统天线，Massive MIMO 大规模阵列天线具有更多参数调整维度，包括水平波瓣宽度、垂直波瓣宽度、方位角、下倾角与波束数量，每个维度都可以进行精细化调整。一个小区组理论上有上万无线参数权值可选，多个小区相互关联，优化工作量指数级上升，实际操作只能根据专家经验，固化权值模型。通过引入AI 算法，多轮迭代后找到天线权值设置的最优解，大幅降低优化搜索时间，同时可以根据不同优化目标和场景进行权值优化和设置，实现流程闭环。2000小区权值优化只需 3 人天，不仅效率提升10 倍以上，覆盖提升也很

51

明显，用户速率亦改善 10%。

（2）质差小区智能分析与 KPI 异动检测随着网络规模和用户的不断增长，网络优化工作量越来越大。根据二八原则，优化工作重点专注主要 KPI 的质差排名落后的TOPN小区。系统根据任务自动周期智能识别出质差小区，无需人工参与，效率高、准确度高。对识别的质差小区，自动进行异常counter 分析，根据排序确定根因给出处理建议，分析周期从近10 个小时缩短到1个小时左右。

质差小区分析可以认为是从宏观层面的网络优化分析，而KPI

异动检测对从子网小区 15 分钟粒度的 KPI 进行学习和预测，通过实时采集的指标和预测指标进行比对，自动找到对指标影响最大的计数器确定根因。

（3）干扰分析

影响网络质量的一个重要原因就是干扰，特别是外部干扰不可预知，人工查找定位耗时耗力。通过专家经验+机器学习建立干扰类型特征库，设置任务后系统自动采集全网数据并识别干扰小区、分析干扰类型并定位干扰源。以 1000 个站的干扰分析为例，传统方式干扰分析需要 15 小时，采用干扰分析功能只需要5 小时即可完成，效率提升近 2/3。

（4）智能节电

双碳战略下，节能是持续长久的目标和要求，需要根据网络业务策略和运营策略，实现多级节能。AI 节能通过对每个小区负荷进行

52

预测，寻求节能时段最大化，基于 KPI 在线迭代，寻求最佳节能门限，实现一站一策个性化节能，使得整网节能效果从5%左右提升到10%左右。在不明显影响用户体验前提下，实现多层无线网络协同节能，进一步促进运营商在运营领域的降本增效。（5）网络故障识别与预测

对于日常占用大量人力的故障处理，引入人工智能的学习，自动学习故障特征属性及相关参数、计数器、信令等关联性，根据故障场景特征智能定界，并进行下钻分析，快速确定故障根因实现工单系统对接流程闭环验证。

另外，基于 AI 对大量历史数据的学习能预测未来趋势，为主动性预测运营提供可能。比如对光模块、光链路主动进行健康度检测，识别硬件老化和失效趋势，在故障未发生时提前预警，指导主动巡检和主动运维，特别适用于重保场景和 VIP 站点应用。2.政企 OTN 专线

OTN 政企专线是运营商面向重要政企客户（金融、互联网、党政军等高价值用户）打造的广覆盖、高品质、低时延、业务随选、快速响应的政企专线承载网络。OTN 专线业务分为跨省专线、省内专线以及地市内专线，涉及到的 OTN 节点包括国干、省干、城域、CPE等节点。典型的国干、省干节点采用网状化组网，波长级采用ROADM进行光层调度，子波长级采用电层 OTN 调度，以实现高效网络调度以及最优时延体验。OTN 政企专线需要满足快速开通，根据时延进行业务调度、带宽随选(BOD)、SLA 管理等特性。通过承载网智能管

53

控实现高价值政企业务的智能化、全生命周期的闭环管理。（1）CPE 自动上线

CPE 上电即插即用，自动创建网元和连纤，自动开通CPE业务，部署开通时间缩短到分钟级。同时，基于标准南向接口，实现对异厂家 CPE 统一管控。

（2）一键式业务开通

基于多策略的集中式算路（如时延、最小跳数等），实现跨域（国干/省干/城域网/CPE）、跨层（光/电/分组）的端到端政企业务一键式开通，业务开通效率提升 80%。支持时延选路和时延矩阵，实现网络时延可视化，客户可指定相应时延服务等级的业务。（3）全生命周期智能化管理

支持 G.HAO 协议实现无损带宽调整，基于客户需求动态调整带宽，实现管道带宽随选，提高资源利用率。支持重保业务、重保日历提醒，从而提供便捷的 SLA 专线质量监测管理。基于AI 平台的业务驱动的故障诊断模型，选取针对 OTN 政企业务的故障诊断策略进行智能故障诊断，实现网络故障快速、准确识别、恢复。3.宽带接入网络

随着“宽带中国”战略的实施和推进，宽带接入市场进入存量千兆经营时代，未来千兆宽带用户的格局将奠定家宽市场的整体格局。存量千兆经营时代，用户对业务质量要求更高，更加关注体验和感知。（1）千兆家宽网络精确规划

PON 网络采用 Telemetry 技术，深度感知宽带接入网络流量数据。

54

基于大数据分析和神经网络 AI 算法，构建宽带接入网络数字孪生图层，实现智能流量分析和预测。通过对 OLT 上联口流量的采集分析，提前精确预测判断，指导千兆家宽网络扩容规划；通过对OLTPON口、ONU 上联口流量的采集分析，精确预测流量增长并识别高价值区域，指导 10G PON 网络升级，实现网随人动，从而实现粗放式的网络规划到千兆价值区域精确规划的转变。注：Telemetry 技术通过设备推模式（Push Mode）周期性主动地向运维管理平台采集器发送设备的接口流量统计数据等信息，提供更实时、更高速的数据采集功能。

（2）千兆家宽网络极速部署

家宽网络的全自动部署需要在当前 ONU 自动开通流程基础上，打通 OLT 自动开通流程。OLT 设备上电后，自动获取管理IP和OLT配置文件，自动完成配置和开通；引入全预端接ODN组网，即插即用，部署效率提升 90%以上；采用智能图像识别，对哑资源进行自动数据采集、验收和录入，减少人工处理环节，确保哑资源数据的100%准确入网，实现 ODN 哑资源的可视可管。（3）千兆家宽网络智能运营

自动高频、全量采集家宽网络 OLT PON 口的几十种光路特征数据，包括光模块型号、接收功率、发送功率、偏置电流、光路丢包、光路错帧等，将这些光路特征数据进行去噪、转换和特征分析，然后进行聚类 AI 算法智能分析，结合后台知识库和光路故障模型库比对学习，最后精准识别出 OLT PON 口光模块失效的风险，主动消除隐

55

患。网络运营由被动投诉处理模式转变为主动故障规避模式。在弱光分析方面，通过自动高频、全量采集光纤宽带接入网上的几十种光链路特征数据，通过数据平台对光链路数据进行特征识别、抽象和挖掘，将采集的原始数据转换为更能代表预测模型的基础问题特征，然后采用 AI 平台中的朴素贝叶斯分类算法、AI 故障特征决策树等算法进行数据训练和建模，进行持续比对、训练，精准定位弱光原因，包括光模块故障、光纤故障、分光器故障等，从而准确定位弱光根因。

（4）千兆用户体验精致保障

基于 OLT 内置探针的部署，自动采集千兆家宽用户体验相关的海量数据，依托大数据分析和家宽用户感知数据分析算法，全面量化、真实准确呈现千兆家宽用户的网页浏览、视频播放、文件上传下载、网络游戏等不同业务的用户体验，全面刻画千兆家宽用户感知真实状况，并且快速、准确识别出千兆家宽质差用户，定界和定位故障根源。（5）千兆家宽用户精准营销

基于家宽用户体验相关数据的采集和分析，对家宽用户进行多维度画像，高效支撑市场精准营销，包括：分析和识别潜在离网用户，提前主动关怀，维系巩固存量用户；分析和发现沉默用户，提前主动发现用户问题，主动开展营销关怀活动，避免沉默用户演变为潜在离网用户；分析和挖掘高价值用户，对高价值用户标签化分类，区分重度游戏用户、重度视频用户、重度阅读用户、重度直播用户、重度SOHO 用户等，细分千兆套餐业务，满足不同高价值用户的差异化诉

56

求，实现千兆家宽业务粗放式推广迈向个性化精准营销，提升千兆家宽用户发展效率。

4.核心网

（1）精准规划：智能话务模型预测与容量预测基于现网负荷和资源评估现网能力，主动预测话务模型变化趋势，及时洞察核心网负荷、资源瓶颈和需求，实现精准规划。通过话务模型模板解析，结合采集到的话务数据，基于合同话务评估，给出配置话务评估并给出目标话务预测，输出话务参数容量和需求资源，助力精准规划。

（2）故障识别和隐患识别

对告警，性能，日志进行全方位监控，并进行健康度，网络质量，重大操作进行场景化分析，智能识别故障和隐患和识别质差问题，降低操作风险。通过多维度监控，快速掌握全网动态，保障网络稳定运行。

5.跨域协同智能场景

（1）感知闭环保障

5G 时代，电信网络愈发复杂，多设备厂家并存，多种业务快速发展，用户需求变化多样，这对端到端用户和业务感知保障带来了诸多挑战，主要包括：用户满意度管理难，如何先于用户发现问题，降低投诉比例；业务体验难以保障，如何端到端评估业务的可靠性/时延/带宽等；网络故障重复工单多，如何进一步智能分析告警，压缩工单，落实闭环事件处理。已有的感知保障方案没有实现多域拉通，

57

不能准确评估用户体验和精准定位问题，导致用户满意度下降。通过智能业务识别、智能根因定位、智能预测等关键能力，拉通跨域与单域系统，重构流程，创新实践“评估-分析-决策-执行”全流程智能化闭环，持续提升用户和业务端到端保障效率。例如：从用户的业务感知角度出发，基于智能 DPI 和 KQI/KPI 相关性分析等技术，构建端到端感知模型；通过集成各域数据，实施智能化的跨域联合监控和主动分析，实现用户体验问题的快速定界，并触发OSS和各单域系统自动精准定位和故障自愈等，支撑从用户到业务到网络的主动闭环运维。

（2）全域语音业务保障

5G 语音涉及 5GC、NR、EPC、LTE 和IMS 5 域30 多个接口，通话场景包括 EPSFB/VoNR/VoLTE 互打、网间、漫游等多种，这使得语音保障非常困难，传统的语音运维方式效率低下，难以为继。为解决这些问题，基于全域全流程数据的采集和关联，构建全流程语音业务感知体系，实现语音感知的可评估和可分析。采用AI 自学习方式，进行语音时延的第一拆线智能分析，实现时延问题的精准定位；通过鱼骨图的方式进行 KQI/KPI 的关联展示，呈现EPSFB语音回落从请求、回落指示、回落、接通、应答和返回全过程关键指标变化情况，使得语音指标问题一目了然。（3）数据业务端到端保障

视频、游戏、AR/VR 等新业务的质量感知非常重要，需要及时发现业务感知问题，并能快速、准确完成问题定界定位，提升用户满

58

意度。

通过 AI 规则自学习和业务类型智能推理实现智能DPI 业务识别，支撑新增业务天级识别和加密业务识别能力；基于业务KQI 和QoE 模型，进行 KPI/KQI 相关性分析，通过企业知识库和AI 自学习方式进行自动问题定界定位。

（4）客户体验智能化感知

构建基于 AI 自主进化规则库的网络智能，通过业务质量劣化监控，利用规则库进行定界与根因定位，通过网络优化调整实现业务感知保障与提升。方案如下：

①通过跨域系统采集与关联 KPI/KQI，并建立业务质量和网元KPI 体系，根据自识别的质差门限设定周期监控业务质差网元或小区。

②通过跨域指标间相关性分析和相关性矩阵分析框架，确定跨域指标间的关联关系。关联关系的强弱代表了两者间的因果指向性，假如 A 提升则 B 提升；反之当 B 劣化时，A 的劣化程度达到了足以使得 B 劣化的置信区间，则 A 有较大概率为B 的根因。③通过探索网元 KPI 与业务 KQI 的相关关系，将标识为重要特征的 KPI 做为输入参与训练，基于感知基线将KQI 进行二值化处理并做为标签参与训练。可以实现基于网元性能数据的拟合，预测业务质差网元或小区。

④通过 AI 学习建立函数模型，应用到现网5G质差网元或小区场景中，输入已知的 KPI 预测 KQI，并通过识别KQI 是否劣化，最

59

终判别 KPI 是否为根因。五、智能化成熟度评价体系（一）评价方法论

智能化成熟度反映的是运营管理智能化水平，也就是网络及其运营管理系统在尽可能少的人工干预下，能满足各类运营管理需求。智能化体系建设是一个不断发展、持续改进的系统工程，需要不断地目标牵引、迭代推进。建立科学的智能化成熟度评价体系是以评促改、不断推进实施的有效抓手。以智能化体系“三层一保障”架构为研究对象，目标导向和问题导向相结合，借鉴主流智能化成熟度模型，结合运营商实际发展情况，基于全专业全业务系统化梳理运营全景，明确从智能决策能力、数字孪生水平、网络智能运营和安全保障能力四个维度构建智能化成熟度评价体系，牵引企业智能化体系前瞻性规划和系统性落地。

图 31 智能化成熟度评价体系（二）分级参考标准

不同企业在智能化体系演进中路径选择可能会不同，但会遵循智能化技术发展的客观规律。建立智能化成熟度分级标准有助于产业上

60

下游合作伙伴对齐智能化体系演进目标和评估阶段成果。参考 TM Forum IG1252 自智网络分级方法，将智能化成熟度划分为 L1 - L5 五个等级，其中 L1 为系统辅助运营、L2 为初级智能运营、L3 为中级智能运营、L4 为高级智能运营、L5 为全智能化运营，如表 2 所示。

企业智能化发展并不完全按照这五个级别线性演进，在实践中会围绕智能决策能力、数字孪生水平、网络智能运营和安全保障能力四个维度在不同阶段进行探索。

表 2 智能化成熟度分级参考标准一级

评价

维度

二级

评价

维度

L1 系统辅

助运营

L2 初级智能

运营

L3 中级智能

运营

L4 高级智能运营L5 全智能化运营智能

决策

能力

模型

应用

1.模型对

物理实体

静态描述

2.人工决

策为主，

部分执行

和感知工

作自动化

辅助

1.模型离线

仿真，提供阶

段性优化方

案

2.执行智能

化，感知和决

策智能化辅

助，实现特定

场景自动化

1.模型参数

根据物理实

体参数实时

更新和仿真，

评估仿真结

果和物理指

标差异

2.执行智能

化，感知和决

策智能化辅

助，实现大部

分场景自动

化

1.模型参数根据物理实体参数实时更新，实时仿真，提供实时优化方案2.部分场景感知、决策、执行全流程智能化1.模型参数根据物理实体参数实时更新，提供实时优化方案，物理实体实时执行优化方案2.多业务多领域全场景智能化闭环知识

构建

1.基于专

家经验，

无知识固

化

1.基于手工

配置的静态

规则辅助运

营

1.外部注入

或 AI 推理动

态生成知识+

人工规则甄

别

1.外部注入或AI 推理动态生成知识1.知识自学习、自演进业务

编排

1.静态编

排

1.单网单域

动态编排

1.单网跨域

静态编排

1.跨网跨域动态编排1.全网按业务意图智能编排

61

数字

孪生

水平

数据

融通

1.以结构

化数据采

集为主

2.孤岛式

数据所有

权

3.聚焦主

数据管理

1.基于单域

多源异构的

高精度数据

2.构建企业

数据湖

3.制定企业

数据治理标

准

1.跨域多源

异构实时数

据感知能力

2.统一数据

服务

3.实施统一

数据治理方

法

1.利用外部数据源，支持对实体网络先进的数据分析和人工智能驱动的数据感知2.数据隐私和安全控制1.通过数字孪生生态系统实现合作伙伴数据交换共享孪生

范围

1.对部分

有源资源

线上化管

理

2.针对特

定业务场

景建立单

网单域网

元、拓扑

等关键要

素的基础

模型

1.全网有源

资源线上管

理和可视化

展示

2.针对部分

场景，部署面

向专业领域

知识和生产

管理经验的

数据驱动型

单网单域业

务模型

1.全网无源

资源纳入管

理和可视化

展示

2.建立全网

关键要素基

础模型，部署

面向专业领

域知识和生

产管理经验

的数据驱动

型单网跨域

业务模型

1.实现全网资源智能化稽核和全生命周期管理2.在跨网跨域业务场景中，实现基础模型与业务模型实时交互、融合统一1.实现全网、全场景资源、数据、流程和事件等要素全生命周期可视化管理和孪生建模虚实

交互

1.实体网

络与数字

孪生层之

间无动态

交互和联

系

2.实现对

实体网络

关键要素

状态可视

化模拟展

示

1.实体网络

到数字孪生

层的单向动

态交互

2.数字孪生

层可对实体

网络离线模

拟仿真，也可

对实体网络

部分网元模

型参数调整、

趋势状态模

拟预览

1.实体网络

到数字孪生

层的单向实

时交互

2.数字孪生

层可对实体

网络在线模

拟仿真、对比

观察

1.实体网络与数字孪生层实现双向实时交互2.数字孪生层可实时监测实体网络要素状态，也可基于仿真结果对实体网络的跨域控制1.实体网络与数字孪生层实现双向智能闭环2.数字孪生层可基于仿真结果实时控制实体网络，也可基于实体网络反馈智能优化数字孪生层模型网络

智能

运营

网络

智能

运营

1.网络规

建维优营

系统根据

预配置辅

助完成部

分执行和

感知类任

务

1.网络规建

维优营系统

自动完成执

行类任务

2.系统根据

预定义规则/

策略完成部

分感知和分

1.网络规建

维优营系统

自动完成执

行和感知类

任务

2.系统根据

人工定义策

略完成部分

1.网络规建维优营决策智能化营系统自动完成执行、感知、分析和决策类任务2.系统根据人工定义意图管1.实现全网面向多业务、多领域、全生命周期的全场景闭环自智

62

六、未来展望

智能化是数字化发展的下一阶段，也是网络发展演进的必然。对智能化体系未来研究方向展望如下：

（1）按照云网数一体、智能敏捷、绿色低碳、安全可控的要求，从网络与数字信息基础设施、运营支撑、跨域协同联动等方面进一步研究智能化体系架构、关键技术方案、重要场景和智能化要素等，实现云网数一体自配置、自优化、自修复。（2）未来网络与 AI、数字孪生技术结合更加紧密，需从网络原生技术的角度研究 AI 与数字孪生技术，大幅度提升网络自智水平，使用户获得“零等待、零接触、零故障”的服务体验。（3）研究通用人工智能技术和基于知识图谱的专家知识库，构建模型管理通用框架，推进通信大模型研发、部署、优化，使智能大脑的自主决策能力更加强大。

需要指出的是，智能化的实践工作是一个逐步的过程，需要从体系（含评价）、标准、组织保障、人才等全方位稳步推进。析类任务

3.面向网络

特性单元使

能自动化运

维

分析和决策

类任务

3.在特定网

络中自优化、

自调整

理策略完成部分意图管理类任务3.实现跨域闭环管理安全

保障

能力

智能

化安

全防

护

1.以传统

静态、被

动式的安

全防护为

主

1.开始关注

智能化应用

安全防护，对

业务安全合

规性评估

1.加强算法

安全、数据安

全防护能力

1.实现动态、自适应的主动安全防御能力1.引入和强化针对智能化恶意攻击的反制进攻能力

63

七、参考文献

1、中国信息通信研究院安全研究所，《人工智能安全框架（2020年）》。附录 A：缩略语

英文简写 英文全称 中文全称AI Artificial Intelligence 人工智能API Application Programming Interface 应用程序编程接口APP Application 应用程序CICD

Continuous Integration and Continuous

Delivery

持续集成和持续交付CT Communication Technology 通信技术CUBE-Net

Customer-oriented Ubiquitous Broadband

Experiencing Network 面向客户体验的泛在超宽带网络EMS Element Management System 网元管理系统KPI Key Performance Indicator 关键性能指标ICT Information and Communication Technology 信息和通信技术IT Information Technology 信息技术DT Data Technology 数据技术MDAF Management Data Analysis Function 管理数据分析功能MR Measurement Report 测量报告NFV Network Function Virtualization 网络功能虚拟化NMS Network Management System 网络管理系统NWDAF Network Data Analytics Function 网络数据分析功能OTT Over The Top 互联网业务OMC Operation and Maintenance Center 操作维护中心OSS Operation Support Systems 运营支撑系统SDN Software Defined Network 软件定义网络SLA Service Level Agreement 服务等级协议TWAMP Two-Way Active Measurement Protocol 双向主动测量协议WLAN Wireless Local Area Network 无线局域网xDR X Data Record x 数据话单PM Performance Management 性能管理

64

中国通信学会

地址：北京市海淀区万寿路 27 号院 8 号楼邮政编码：100840

联系电话：010-68203021

传真：010-68203004

网址：https://www.china-cic.cn/

中国联合网络通信有限公司研究院地址：北京市亦庄经济技术开发区北环东路1 号电话： 010-87926100

邮编： 100176

中兴通讯股份有限公司

地址：深圳市南⼭区⾼新技术产业园科技南路中兴通讯⼤厦邮政编码：518057

联系电话：0755-26770000

⽹址：www.zte.com.cn