通信世界网消息(CWW) 随着移动互联网和智能终端的兴起，网络、用户、终端和业务产生的数据呈现爆炸式增长。与此同时，电信消费需求呈现出多样化和个性化的特征，客户体验好坏、业务提供灵活度和丰富度逐步替代网络指标成为运营实力的首要衡量指标。电信运营正在经历以网络为中心的运营模式向着以业务和客户为中心的运营模式的深刻变化。

智能运营就是以提高客户体验为中心，通过对网络和业务的端到端实时监控、对用户行为的细致洞察、对网络-业务-终端-用户的综合关联形成智能监控、智能预测以及智能保障，从而实现完整的智能运营体系，实现高效运营，提升运营收益。运用大数据技术对运营过程中涉及到的大量、复杂、快速生成的数据进行收集、分析、共享和应用成为智能运营各环节所需的核心技术。

图1. 大数据分析支撑智能运营核心环节

在智能运营的闭环系统中，智能监控是智能运营的基本和支撑环节，其所涉及的数据来源广泛、即时性要求高、处理逻辑复杂，合理选用大数据方案可以有效提升该环节的处理能力。

复杂并行计算助力智能监控

智能监控强调主动观察和洞悉网络、用户、业务所处的状态及表现，向运营中心进行反馈并有目的地分析处理数据背后所隐含的因果或影响关系，以便业务保障环节定位问题和实施保障。

以移动业务体验监控这一典型场景为例，系统需要从移动终端、移动网内部和移动网到英特网的网关同时收集与业务使用有关的控制面与用户面的信息，包括无线和核心网的信令数据、无线环境测量报告、移动到英特网网关的流量和应用统计等多源数据。这些数据经过必要的清洗、聚合和关联后可以计算出反映业务体验质量的KPI（ServiceKPI）。同时对于导致业务质量下降的原因做匹配分析，实现故障原因定位。

这里涉及到三个技术难点：数据的即时性、多样性以及复杂关联分析。

数据的即时性意味着大量数据同时生成于一个或多个地方，这需要强大的并行数据处理能力。大数据的典型技术Hadoop通过提供HDFS和MapReduce实现分布式存储和计算，这种集群式处理可以很好地解决大量实时数据的处理难题。数据的多样性意味着数据没有统一的结构，甚至是非结构化，这种数据的特点使传统的数据仓库和关系型数据库难以发挥作用。Hadoop由于具备极大的可扩展性，能够很好地应对结构化和非结构化数据并存的处理需求。

图2. 复杂并行计算辅助端到端业务监控

尽管Hadoop提供了基本的大数据平台来满足数据处理效率和兼容性的要求，但对于需要复杂处理逻辑的分析应用，比如业务体验监控中的用户会话状态的关联分析和指标计算，需要引入规则引擎技术。爱立信基于对所处理数据及处理需求的深刻理解，设计出适合业务及网络监控的优化的规则引擎组件，可以将处理规则与数据模型进行匹配，在一定的状态机的范围内进行具备复杂逻辑的关联分析和计算。这是单纯IT厂商所欠缺的技术能力。

机器学习助力智能预测

智能预测是对历史数据做大量的统计学意义上的规律发现，通过大数据的机器学习（machinelearning）技术从数据中梳理出具有规律性的事件发生模型，并用于未来某些事件发生与否的预判和防范。具体来说，对于某些体育赛事或者文艺活动，我们可以利用所积累的历史数据及目前掌握的场地和售票基本信息对即将发生的此类活动做出可能的网络故障和业务质量的预测。并据此推算哪些网络和业务的配置低于需求并会造成资源投放不足和客户体验方面的风险。这种预测的能力如果和NFV以及SDN等技术相结合，可以提高网络资源的动态分配和调度水平，使得网络面对业务和用户的变化变得更加具有弹性和适应性。