本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘 要：提出了一种大小模型协同的智能化移动网络优化方法，首先利用大语言模型处理和理解网络日志、外部开源等非结构化数据，从中提取关键数据。其次构建了一个包含网络设备、参数配置、专家优化经验等多维度信息融合的知识图谱，用于分析网络状态和优化需求之间的关系。然后，通过深度学习、图神经网络等专业工具模型进行根因分析，快速定位网络故障点，并基于专业知识图谱库和大模型的问题推理能力，辅助专家给一线员工提供具体的解决方案。最后，通过实际场景的实施和验证，由专家、一线员工对所提解决方案进行评估和反馈，这些评估和反馈信息经收集后不断返回，形成循环优化。
关键词：移动网络优化；大小模型协同；知识图谱；图神经网络模型；大语言模型
doi：10.12045/j.issn.1007-3043.2024.09.002
概述
近年来，随着 4G、5G 技术的快速发展和普及，移动网络已经深深融入了人们的日常生活中，接入移动网络的设备数量持续增长，用户对传输数据的需求也呈爆炸性增长趋势，这对移动网络的稳定性、性能和保障用户体验等方面均提出了更高的要求。网络优化是保障移动网络服务质量、稳定性和效率的关键，直接影响到用户的使用体验和满意度。因此高效的移动网络优化运营已成为运营商的迫切需求。然而，在网络优化运营系统中，现有技术只能做到自动发现问题，无法有效提供具体优化建议。所以在实际场景中，需要将发现问题的工单由上级层层派发至一线人员，根因分析、优化方案的制定等重要职责均落到网格一线人员的身上。但一线人员缺乏用户感知分析和根因定位工具手段，容易造成网络优化的精细化不足、资源效能利用不足等一系列问题。
人工智能作为一种能够使计算机像人一样思考、学习和理解的技术，其通过专业领域的数据学习规律，并根据所学规律进行预测和决策。传统人工智能技术包含机器学习、深度学习、图神经网络、专家系统、知识图谱等多个分支领域，该类模型具有运行高效、专业性强的优点，并在诸多领域取得了突破性进展。在网络优化领域，人工智能技术可以帮助更有效地管理网络，提高网络性能。另一方面，以 ChatGPT为代表的大语言模型技术的兴起，使用户与AI模型可以通过多轮对话的形式不断帮助 AI 模型理解用户的真实意图，并给出流程化的问题解决方案，具有极强的泛化性。在网络优化领域，大语言模型可以作为常识性知识和推理的良好工具。
传统人工智能技术和大语言模型均在移动网络优化领域有着巨大的潜力，并已取得不错的效果。但由于传统人工智能技术存在泛化性能较差、不具备推导能力，而大模型推理资源耗费高、耗时较长等不足，现有智能化的网络优化技术在可扩展性、实时性、负载成本等方面仍存在一定的问题。因此，本文从结合2 类模型的优势、同时弥补其各自模型不足的角度出发，提出一种大小模型协同的智能化移动网络优化方法。该方法结合了大语言模型的理解和问题推理能力、知识图谱的语义关联性以及图模型的根因分析技术，提高移动网络的故障检测精度与优化效率。
