基于NLP技術構建AI運維機器人的探索與實踐

翁先正 鄭棉鑫 李才俊 吳濤 張彩萍

摘要：隨著網絡業務的快速發展和網絡技術的快速演進，人們對網絡運維的要求也隨之提高。當下的網絡運維存在技術門檻高、閉環效率低、運維一致性差等問題。AI運維機器人基于NLP（Natural Language Processing，自然語言處理）技術，為運維人員提供極簡的“對話式”運維操作，智能識別運維意圖和操作對象，高效自動化執行任務，有效降低了運維人員的技術門檻，替代煩瑣人工操作，有效提升了運維效率，實現了網絡運維的提質增效。

關鍵詞：NLP；網絡運維；對話式；機器人

doi：10.3969/J.ISSN.1672-7274.2024.03.010

中圖分類號：TP 242? ? ? ? ? ?文獻標志碼：A? ? ? ? ? ?文章編碼：1672-7274（2024）03-00-04

近年來，數字業務迅猛發展，網絡直播、在線教育、遠程會議等網絡數字業務迅速壯大，成為國民經濟的重要推力。在數字經濟發展的新時代，作為數字經濟基礎的網絡質量至關重要。網絡問題的快速閉環是衡量網絡服務質量的重要標準，而隨著網絡日趨復雜，網絡運維壓力日益增大，如何將最新的技術融入生產流程，提升問題處理效率，是一個迫在眉睫的課題。貴州移動聯合華為成立聯合攻關項目組，結合OMC網管維護操作特點，基于NLP技術，智能識別運維意圖和實體，將分散在多個菜單界面的信息進行編排組合并自動化執行任務，構建全新的“對話式”極簡運維[1]。

1? ?網絡運維現狀與問題

1.1 現狀

隨著網絡業務的快速發展和網絡技術的快速演進，基礎設施虛擬化和網絡設備軟件化在實現資源彈性分配、動態調度等新特性的同時，也給分層解耦的轉型網絡帶來了更多的異廠商設備組合和管理層次，網絡協同復雜度陡增，進一步加劇了網絡運維的管理難度。

網管系統是基于微服務框架搭建的Web系統，隨著網絡業務復雜度的提高，網管系統的復雜度也不斷提高，業務模塊與業務功能持續增加。在日常網絡運維工作中，傳輸網絡要負責無線、家寬、政企及新型業務承載的安全運行保障，面向的維護對象龐大且故障較多，大量業務故障協查、資源統計及隱患排查等高頻操作都需要維護人員操作網管系統來完成。在傳統運維模式下，凸顯出維護人員的捉襟見肘和疲于應付[2]。

1.2 問題

1.2.1 技術門檻高

網管系統隨著業務演進帶來的系統復雜性，對維護人員的技術門檻有較高要求，維護人員需要不斷適應業務演進帶來的系統變化與操作變更，在此過程中需要投入大量的培養成本。同時，系統復雜性還給維護人員帶來了較高的記憶負擔，運維人員需要通過日常不斷的操作來慢慢記住每個運維場景對應的頁面、菜單與功能項入口以及對結果信息的甄別。對于復雜的網絡問題處理，運維人員往往會遇到查什么、如何查、在哪里查等問題，每一步都需要花費一定的時間，影響網絡問題處理效率[3]。

1.2.2 閉環效率低

網絡運維除了對運維人員高技術門檻要求，在運維場景的閉環效率上也存在較大的提升空間。網管系統是當下流行的Web實現，運維人員在客戶端的圖形化界面層通過點擊、選擇等動作觸發業務接口調用，服務端響應處理返回數據，再由前端渲染為可視化結果。

在日常網絡運維場景中，往往需要運維人員在多個菜單界面上進行相關操作來完成，在此過程中會觸發運維人員與客戶端的交互以及多次客戶端與服務端的數據交互，運維場景閉環效率強依賴于運維人員的操作效率、操作步驟以及系統的響應效率，這種串行的多步驟人機交互方式無法滿足日益增長的閉環效率要求[4]。

1.2.3 運維一致性差

網絡運維人員的業務知識和技術水平各不相同，對同樣的運維場景有不一樣的業務理解與處理方法，難以保證相同運維場景的全面性與結果一致性，存在信息遺漏或信息甄別的隱患，甚至可能出現某些操作失誤導致的重大網絡隱患或業務故障。

2? ?AI運維機器人方案介紹

通過對網絡業務演進需求和網絡運維現狀進行分析可知，當下網絡運維在自動化執行、流程協同、信息甄別的效率提升和準確性上存在較大的需求與提升空間。

聚焦傳統運維人機交互存在的技術門檻高、閉環效率低和運維一致性差的問題，AI運維機器人基于NLP技術在網絡運維領域提供了一種全新的“對話式”運維方案。運維人員只需要輸入一句話跟運維機器人描述日常運維意圖，機器人便可以從輸入文字中智能識別出運維人員的運維意圖和操作對象，通過預制的專家經驗、業務知識和業務關系，智能識別出需要查詢的信息，自動執行任務，實時查詢分散在網管系統多個界面的信息，并組合匯總成表格，信息全面準確，秒級完成任務。

通過AI運維機器人極簡的對話式運維方式，運維人員不再需要去記憶每個運維場景對應的界面與操作入口，大幅降低了運維人員的技術門檻與記憶負擔。同時，AI運維機器人可自動完成復雜的業務查詢，簡化了運維人員在網管系統上煩瑣的操作，大幅降低了操作成本。AI運維機器人將串行的多步驟人機交互變成一步交互，減少了運維人員與客戶端、客戶端與服務器的交互次數，自動并行執行任務，極大地提升了端到端的業務閉環效率。在運維一致性上，AI運維機器人基于同源一致性的業務知識執行任務，運維人員之間只需要對齊運維意圖，機器人就可以保證相同運維場景下的一致性運維，消除了信息遺漏和信息甄別出錯的隱患[5]。

3? ?AI運維機器人方案實現

3.1 系統架構

（1）前端用戶界面層：提供7×24常駐的統一對話框界面入口。運維人員在對話框輸入問題，AI運維機器人匹配對應的對象和意圖并在對話框內渲染結果。

（2）對話框架層：提供對話處理和用戶交互的整體框架，包括用戶追問（用戶輸入信息不全）、多輪交互（對話確認）、系統上下文（對象或意圖的關聯推薦）等；提供對話編排的整體框架，用于業務邏輯（比如專家經驗、業務知識、業務關系）的組合調用與注入。

（3）AI模型層：基于Bert、TextCNN和Elasticsearch實現模型，實現從運維人員的原始輸入中智能識別運維意圖并模糊匹配到具體的操作對象。

（4）業務邏輯層：網管系統中具體業務模塊的軟件實現層，提供業務知識調用與組合，作為意圖查詢中的原子調用。

（5）日志記錄模塊：記錄運維人員通過AI運維機器人下發的指令，用于管理與統計。

（6）權限控制模塊：用戶和角色分權分域管理，運維人員通過AI運維機器人執行相關運維任務需要具備對應的操作權限，用戶只能操作用戶個人管理范圍內容的網絡對象[6]。

3.2 設計實現

基于系統的架構設計，各個模塊進行分層分塊，系統整體基于微服務架構實現各業務模塊之間的分離和解耦，各個模塊層基于業界主流軟件技術，通過自研開發關鍵設計模式和關鍵算法實現。

（1）前端UI層?；赗eact框架實現運維數據的界面渲染，基于Redux框架實現界面的動態更新，基于Axios實現HTTP接口調用，提供適用網絡運維場景下的可視化組件。

（2）對話框架層?；贏IML（Artificial Intelligence Markup Language）和SAX（Simple API for XML）實現網絡運維領域的業務編排框架，以配置文件的形式自由組合業務邏輯和原子接口調用，提供動態快速更新業務的邏輯能力[7]。

（3）AI模型層?；贐ert預訓練模型和TextCNN模型，將網管領域的運維操作語料進行同義詞泛化、實體泛化、句法分析泛化，訓練得到對應的模型。運維人員輸入句子后，模型將句子轉為句向量，輸入到卷積層做特征提取，池化后再次過濾特征，最后到激活層計算出句子分類的一維向量，獲取用戶原始輸入對應的運維意圖和操作對象部分，再將操作對象部分與網管系統中的網絡對象進行基于Elasticsearch的匹配[8]。

（4）業務邏輯層。網管系統中已存在的原始數據實現層，AI運維機器人只涉及對該模塊的調用。

3.3 關鍵能力描述

3.3.1 網絡運維領域的自然語言處理能力

AI運維機器人基于Bert+TextCNN構建網絡運維領域的AI模型，對網絡運維領域常用的語料進行擴展和泛化，從而具備網絡運維領域的適用性。NLP目標是從運維人員的原始輸入中得到意圖（即運維任務）和實體（即操作對象）兩部分。通過對原始輸入進行分詞和特征提取，與關聯性最高的意圖匹配，再結合Elasticsearch和模糊匹配算法，與得分最高的網絡對象名稱（如業務、網元、端口等）匹配。

3.3.2 網絡運維領域的知識圖譜

AI運維機器人引入知識圖譜技術，將網絡中的業務、網元、端口、接口等對象和日常運維意圖作為圖譜的基本圖節點，構建成一張網絡運維領域的知識圖譜。

在圖譜中的網絡運維對象之間構建對應的網絡關聯關系（例如網元擁有端口、業務使用端口），通過圖查詢算法可以快速由一個已知網絡對象快速查找到關聯的網絡對象。例如，已知業務，可以根據不同關系快速查找到子接口和源宿網元。

圖譜中的運維意圖與網絡對象存在對應的映射關系，例如，業務支持排障意圖，網元對象支持查空閑端口意圖，端口支持查光功率意圖等。根據映射關系可以實現意圖和實體之間的正反向關聯，支撐對話過程中的輸入聯想和追問[9]。

3.3.3 可視化聊天組件

網絡運維領域的業務對象具備一定的特殊性和復雜性，AI運維機器人對查詢結果的可視化也做了算法優化。針對網絡運維關注的內容，開發對應的拓撲圖、趨勢圖、統計圖、折疊表格、嵌套表格、對話卡片等前端組件。通過數據匹配度，自動選取相似度最高的組件，將查詢結果清晰、可視化地渲染在助手的聊天框中，使運維人員能快速聚焦最有效的信息。例如，關注業務結構和斷點的排障意圖，AI運維機器人會呈現拓撲關系圖和診斷報表；關注統計結果的重保巡檢意圖，AI運維機器人會呈現統計圖表。

3.3.4 網絡運維的三查能力

基于專家經驗和網管操作分類統計分析，構建網絡運維領域高頻的報障協查、隱患排查和資源核查等“三查”關鍵能力，系統通過對話編排框架預置近30個運維意圖并將其加入到知識圖譜節點。

在AI運維機器人中，基于網絡構建并將其領域的知識圖譜，結合自然語言處理技術，將用戶原始輸入的文字轉為知識圖譜中的起始節點和目的節點。通過知識圖譜的廣度遍歷查找算法得到最短路徑和相關對象，并調用具體的業務接口和意圖接口，得到實時的業務對象和運維意圖查詢結果，自動地秒級完成相關查詢任務，自動選擇最匹配的組件，呈現直觀的查詢結果，并通過聊天對話框進行推送。

同時，針對節假日及特定重大活動保障，利用AI運維機器人可以做定制化巡檢。用戶通過模板導入區域、重要業務（黨政軍VIP基站、重保專線）、重要網元（承載網核心節點設備），自定義重保期間的巡檢對象。自定義巡檢項目，如設備關鍵告警（鏈路中斷告警、硬件告警、電源告警）、關鍵性能（光功率、誤碼、溫度、CPU利用率）、環網或端口峰值帶寬利用率、核心設備數據配置、重要業務SLA質量（時延、抖動、丟包）等，并自定義巡檢周期（如重復日期、每日巡檢時段、每隔X小時執行一次），AI運維機器人定時執行任務并自動推送重保巡檢報告。

4? ?應用效果

貴州移動推廣運行AI運維機器人近一年來，累計使用達到近3萬次（資源核查73%，故障協查18%，保障巡檢9%），月均使用量超過2 000+，覆蓋省內80%維護人群。已覆蓋運維場景操作效率提升90%以上，其中報障協查從平均20分鐘縮短至10秒以內、資源核查從平均5分鐘縮短至10秒以內，1分鐘完成上千數量級的重保對象關聯與整理動作，2分鐘完成3人協作的隱患排查。推廣使用以來，累計識別近1 000隱患問題（單鏈、未綁環、邏輯同路由），支撐維護人員完成整改，提升網絡運行質量。

同時，AI運維機器人的能力已延伸到手機App端，解決站點維護人員只能依賴網管后臺人員低效提供告警、性能、資源等排障信息的痛點（網管后臺人員往往一對多，站點人員獲得信息等待時間較長），為站點維護人員提供“一站式”自主維護排障能力，高效完成現場維護操作，減少二次上站效率超過30%，并解放網管后臺人員90%的電話支撐。

5? ?結束語

本項目實踐證明了AI“對話式”交互在網絡運維的可行性和價值性。近年來以ChatGPT為代表的生成式AI技術給人類帶來了相當的震撼，從生產內容形式上大致分為文本生成、代碼生成、圖像生成、音頻生成、視頻生成和其他內容六大類，具有大算力、大數據、大模型的典型特點。相比之下，在電信運營商的網絡運維領域屬于較為單一的垂直領域，AI運維機器人未來可結合通信網絡運維的特點進一步探索生成式AI的應用場景，打造屬于網絡運維領域的AutoGPT，替代人完成更復雜更高難度的運維操作，成為高階的數字員工。

參考文獻

[1] 李心玥，徐佳琦，周思靜，等．基于NLP技術在運維自動化領域構建智能問答模型的探索與實踐[J]．中國金融電腦，2021，13（8）：75-80.

[2]蘭祝剛，任然．ChatGPT對運營商影響及發展建議．中國電信業，2023（4）：28-31.

[3] 于丹，閆曉宇，王艷秋，等．任務型對話機器人的設計及其應用[J]．軟件工程，2021，24（2）：55-59.

[4] 陳健鵬，馬建輝，王怡君．基于多輪交互的人機對話系統綜述[J]．南京信息工程大學學報（自然科學版），2019，11（3）：256-268.

[5] 謝騰，楊俊安，劉輝．基于BERT-BiLSTM-CRF模型的中文實體識別[J]．計算機系統應用，2020，29（7）：48-55.

[6] Chat with ChatGPT on Industry 5.0：Learning and Decision-Making for Intelligent Industries. Fei-Yue Wang;Jing Yang;Xingxia Wang;Juanjuan Li;Qing-Long Han.IEEE/CAA Journal of Automatica Sinica，2023，10（4）：831-834.

[7] 貴重，李云翔，江為強．人工智能的發展與挑戰——以ChatGPT為例．電信工程技術與標準化，2023（3）：24-28.

[8] 錢力，劉熠，張智雄，等．ChatGPT的技術基礎分析[J]．數據分析與知識發現，2023（3）：6-15.

[9] 李振華，倪丹成，徐潤．ChatGPT背后的人工智能大模型的技術影響及應用展望[J]．中國外匯，2023（6）：6-11.