[发明专利]用于防护基于人工智能的网络控制和主动网络操作的系统和方法

说明书

一种基于人工智能AI的网络控制系统(100)包括：AI系统(20)，其被配置为从具有多个网元(14)的网络(12)中获取数据并通过一个或更多个机器学习ML算法来确定用于网络控制的动作；控制器(22)，其被配置为引起网络(12)中的动作；以及防护模块(102)，其处于AI系统(20)与控制器(22)之间，其中，该防护模块(102)被配置为对来自AI系统(20)的动作进行允许、阻止和修改之一。

技术领域

本公开大体上涉及联网系统和方法。更特别地，本公开涉及用于主动网络操作的系统和方法。

背景技术

在操作流程中，尽可能快地对网络操作进行故障排除并解决以确保服务可靠性是至关重要的。网络故障排除的现有方法是针对具有静态服务的物理网络来开发的，并且围绕基于事件和警报的反应流程。随着网络变得越来越复杂且更加动态，这样的常规方法根本就无效或无法扩展。由于网络运营商通常缺乏对众多警报中哪些是真正关键的警报的可见性和解读，因此他们面临着各种挑战。首先，在损害已经蔓延到网络的重要部分之后，会反应性地检测问题。其次，由于与确定问题的根本原因相关的流程冗长，因此在服务能够完全恢复之前有一段不确定的时间长度。第三，备件库存的维护会造成时间和资源的浪费，这些库存通常不符合实际需求以及紧急上门服务。由于需要在不同的技术、不同的供应商设备等中应用不同的故障排除技能集和流程，因此整体问题更加严重。

需要利用人工智能(AI)/机器学习(ML)能力来自动化并优化网络操作以确定可能的根本原因以及实现高效操作的用户界面。

此外，网络经由各种方法来控制，包括控制平面、软件定义网络(SDN)控制器、网络管理系统(NMS)等。如本文所描述的，网络能够包括第0层(光子，诸如密集波分复用(DWDM))、第1层(时分复用(TDM)，诸如光传输网络)、第2层(数据包、多协议标签交换(MPLS))、第3层(互联网协议(IP))等，以及包括它们的组合。这种常规管理平面方法严重依赖于运营商的输入和控制。存在朝向自主控制(即基于AI的网络控制)的迁移。然而，不存在与AI安全问题相关的普遍认可的解决方案，尤其是利用闭环强化学习(RL)系统的解决方案。与解决方案相关的一些想法包括AI系统本身的设计以并入一些防护措施来防止负面动作、使用相互检查他们的动作(例如，对采取正确动作的多数决策)的多个AI系统、或者在小规模域上测试AI系统直到它表明在一段长测试时间内不采取消极动作。

这些当前的解决方案存在如下局限性。首先，AI系统设计避免消极动作的能力取决于奖励系统在多大程度上鼓励/劝阻基于过去结果的结果选定。其次，每个域级别的AI系统实例，尽管具有相同的训练模型，但可能会以不同的方式学习，从而导致相对于服务/网络/切片行为的混乱。第三，随着AI系统学习了扩展可能的动作和/或结果集，奖励功能可能变为中性，即被绕过或在影响结果方面无效。第四，使用多个AI系统并不能消除多个系统就负面动作达成一致或单独学习不当行为的可能性。第五，在小规模环境中测试AI系统并不能避免AI系统的行为在更大的环境中不起作用或者AI系统在学习时会修改其行为并最终并入负面行为的可能性。

附图说明

本公开在此参考各种附图示出和描述，其中，相同的附图标记酌情用于表示相同的系统部件/方法步骤，并且其中：

图1是用于网络的自适应控制的AI驱动反馈回路的框图；

图2是强化学习(RL)系统的框图；

图3是主动网络操作(PNO)软件应用程序中软件模块的框图；

图4-16是与图3的PNO软件应用程序相关联的用户界面的屏幕截图；

图17是主动网络操作流程的流程图；

图18是每跨距的光学非线性系数(ONLC)预测误差的分布图；

图19是用于网络的自适应控制并具有防护模块的扩展AI驱动系统的框图；