如何处理网络服务劣化问题（并让CTO满意）
“网络出什么问题了？”这不是移动运营商的首席技术官（CTO）打来电话时，运营团队想听到的问题。这位CTO当时正在参加一项大型体育活动，他打电话说自己和妻子有几分钟都无法接入移动网络。他告诉运营团队：“我们必须解决这个问题。”
最近，当我看到一家知名移动运营商出现网络服务问题的新闻时，便想起了这个故事1。有意思的是，当一切正常时，移动网络随时可用且性能出色会被认为是理所当然的事情。但是，每当出现问题时，服务质量从轻微劣化到全面劣化（即停机），移动运营商就会招致客户的不满和愤怒。那么，移动运营商如何才能尽可能好地处理服务劣化问题呢2？
发现网络服务劣化问题
在我们的故事中，反映服务劣化问题的是一位“客户”，而他恰好又是这家移动运营商的运营团队负责人。尽管这种询问对移动运营商很重要，但客户发现网络/服务出现问题可能会造成不利的影响，包括社交媒体负面宣传。不出意料的是，移动运营商经常强调需要尽早发现，最好是实时地发现问题。
大多数移动运营商还知道在预计会出现或已经出现服务劣化时为用户发出告警，以及根据业务标准确定解决问题优先顺序有多么重要。网络/服务问题性质不同，需要进行服务和客户影响分析。在实践中，一些网络故障可能很难被注意到，而其它问题会影响参加体育活动的关键（如企业）客户或CTO ……
解决网络服务劣化问题
发现网络/服务问题并确定解决它们的优先顺序是一回事。要解决一个问题（并尽可能避免将来再次出现这个问题），移动运营商必须找出它的根本原因。在我们的故事中，造成服务劣化的原因是网络容量不足。后来的详细分析显示，参加体育活动的观众（包括许多国内/国际漫游用户）出人意料地大量使用社交媒体应用，造成了网络拥堵。
不幸的是，问题的解决可能远不是那么简单。网络/服务的复杂性和可见性缺陷通常会导致需要花费数小时甚至数天进行调查，涉及移动运营商的不同员工、“作战室”等。有些问题甚至无法完全解决，成为CTO经常遇到的头疼问题。对运营团队也同样如此。
预测和预防网络服务劣化
实际上，移动运营商多年来一直在采取某些预防措施。尽管如此，这些措施的效果往往并不理想。例如，在我们的故事中，移动运营商的团队根据体育赛事的预期需求扩大网络容量，但结果证明这么做还不足以满足要求。因此，移动运营商一直在寻找更准确、高效和动态的方法3来预测和预防网络/服务问题。
对于与卫生/生命相关的5G用例和工业自动化来说，每毫秒都很重要，劣化可能会造成致命的影响，因此这种预防劣化的能力就变得必不可少。同时，包括CTO在内的“传统”移动用户的体验也不容忽视。
使用人工智能和自动化来解决网络服务劣化问题
我们如何才能更好地发现、排除、预测和预防服务劣化问题？答案是使用人工智能（AI）和自动化4。撇开确切的定义不谈，AI是实现智能化运营的关键技术。AI承有望能够帮助移动运营商解决日益增加的多层网络/服务复杂性问题，揭示看似不相关事件之间隐藏的关系，从过去发生的事件中吸取教训，及早发现问题（例如，我们故事中的网络拥塞）等等。
AI也是自动化运营的重要基础，包括实时/近实时或离线的诊断和分析。总之，移动运营商期望AI和自动化能够支持他们提升用户体验，并在大规模关键物联网（IoT）的5G时代，提升设备体验和满足严格的服务等级协议（SLA）。最终目标：客户应该几乎注意不到服务劣化问题。换句话说，运营团队不再会意外地接到CTO打来的电话。
需要说明的是，故事中的问题在活动结束后才得到解决，促使移动运营商寻找新的解决方案来帮助发现和分析服务劣化问题。这种劣化问题和这样的故事什么时候才会成为回忆，让我们告别充满挑战的移动网络?这很难说。而且，就目前而言，即使是在拥挤的体育场内参加活动也不可取5。但是我们可以让故事中的那位CTO以及担心服务劣化问题的每个移动网络运营商都放心：我们会解决掉这个问题。
如欲了解详情，敬请查阅EXFO的自适应服务保障（A|SA）相关文章、观看EXFO的最新网络研讨会，或联系EXFO。
1 一位同事告诉我这个故事，说的是两支国家队在拥挤的体育场里进行足球比赛。
2 劣化的参考标准包括停机。尽管停机会带来不利影响，但我们不应忽视服务劣化情况，如下载速度降低，它们会在5G中会变得更加重要。
3 根据从被动诊断变成预测-规范性运营模式的相关讨论。实际上，移动运营商的运营模式演变是一个多方面的过程（例如，它必须包括更快地对网络/服务问题的做出反应）。
4 AI是一个“热门”术语，包含机器学习（ML）。基于AI/ML的网络/服务运营保障解决方案利用接收到的各种数据，例如，来自主动/被动探针（或虚拟探针）的数据。智能自动化可以改进问题的优先排序和排障过程，例如，可以通过更好地了解拓扑结构（网元、服务和客户之间的关系），实现上述改进。
5 因为新冠肺炎（COVID-19），大型体育活动纷纷被取消或推迟，而观众不允许参加体育活动（如足球赛），只有少数例外。
