》数字化转型的驱动力

业务数据化。企业数字化转型意味着进行业务、流程和组织再造，把企业的核心资产、流程和管理等全部上网，即进行业务数据化。而网络是业务运行和数据承载的基础，因此网络平均故障发生间隔（MTTF）面临更高的要求；同时，要求具备一定的网络故障预判预测能力，故障后业务恢复更加迅速。

数据业务化。企业的数据是企业的重要资产，借助数据综合分析，更好地发挥价值为企业业务目标服务，即数据业务化。数据业务化要求信息系统能够更好地理解和承载业务目标。

业务需求和信息系统之间的缝隙需要弥合。意图网络（IBN，Intent-Based Network）的出现提供了一种很好的方式，把业务意图转变为系统策略，并下发给网络等基础设施执行。 

》传统网络管理的挑战

传统网络管理系统的挑战来自于多个方面，主要表现在：

对于业务意图（Intent）的解析和转化存在不足。传统网络管理系统多是基于网元的管理操作系统，对于意图的转化和自动化处理在最初的系统设计上欠考虑。

其次，囿于数据采集和计算处理手段有限，传统网络管理系统的快速反应能力和大数据分析处理能力受限，基本上属于被动反应式（Reactive）处理系统。存在救火式维护、问题定位难、恢复难以闭环等诸多明显弊端。

》基于AI的先知网络管理框架

新华三在网络领域对解决方案、技术创新和运维管理等有近三十年的经验和积累。正是基于对网络行业的深厚理解，结合AI和大数据等技术，创新性地提出了先知网络管理框架。该框架总体上包括三个大的组成部分，即云端先知服务中心（SeerService Center）、局端（企业本地）先知网络中心（SeerNetwork Architecture Center，简称SNA Center）和移动端先知精灵App（SeerGenie）。

移动端先知精灵App主要功能包括园区无线接入诊断、设备版本分析和关键信息推送等。其出发点是基于移动优先策略，给最终用户或者运维人员提供一个便携工具，提升使用体验。

局端先知网络架构中心，通常安装在客户本地，包括SNA Center、SeerEngine（先知控制器）和SeerAnalyzer（先知分析器）三个组件。主体功能划分上Center负责意图翻译，控制器负责自动化，分析器负责智能化。

客户业务意图通过控制器转译为策略，并最终转换成设备能理解的配置指令。

从系统论的角度，网络可当作一个动态系统来考虑。动态系统过程包括健康度判断、问题故障定位、修复措施计算和配置动作关联等，其后面的关键之处在于基于数据的AI/ML学习和分析。一个完整的流程包括：数据感知、存储计算、智能分析、可视化展示和优化闭环；优化后的数据进行新一轮的感知，并依此循环，如图3所示。对于SNA架构来说，先知分析器实现从数据的感知到分析洞察，先知控制器实现优化闭环动作。

新一代智能网络分析+动作系统，从面向业务的数据感知到主动智能分析，以及仿真预测和动作闭环，提供基于意图的智能管理能力。

》面向业务的数据感知

数据是新时代的石油。于网络而言，数据是网络新时代—网络智能化时代的石油。一方面，数据驱动业务的发展，数据的重要性不言而喻；另一方面，业务拉动数据的开采，对于网络业务智能化系统而言，需要兼顾成本和效益，数据采集并非来者不拒。因此，应更加重视面向业务进行数据采集，数据服务于业务，从而更好地服务于用户。结合先知网络架构，从深度、广度和精度三个方面进行阐述。

深度数据感知服务于业务。Zoom-In方向，从Underlay物理管道，到Overlay逻辑管道，到会话应用，再到报文队列。Zoom-Out方向，从链路，到设备，到区域网络，到企业全局网络。例如对于队列报文的丢包和时空信息，综合分析丢包对客户具体应用的影响，并将影响在对应的应用层、逻辑层和物理层上呈现出来。

广度数据感知服务于业务。时间维度从历史旅程到现在，范围维度从网络本身到周边上下文，过程维度从单一系统到综合联动。通过采集5W1H数据，多维度关联分析后，对于SeerAnalyzer-Campus场景，实现数据感知。

精度数据感知服务于业务。精度可从时间精度和空间精度两方面来看。通过流式Telemetry/GRPC进行高速数据采集，例如以毫秒级的速度感知芯片buffer的变化，来分析网路的流量拥堵/畅通程度，真正明察秋“毫”。Telemetry/GRPC是先知分析器支持的标配技术（需芯片支持），而传统的SNMP做不到。通过INT（In-Band-Telemetry）方式，对应用路径沿途的时空（时间戳和链路/端口）信息进行精准测量和分析后，可以呈现全路径，消除路径盲区，实现沿途时延的可视化，有效帮助故障根因分析。

》先知分析器的主动分析

主动（Proactive）智能分析是指SeerAnalyzer对感知和采集到的数据，基于智能模型和逻辑算法在后台不间断地进行多维综合计算，及时发现网络当前故障和隐患，并基于时序数据的动态学习，进行异常检测和趋势预测。

设备健康度是一个典型的主动分析计算的例子，通过对交换机系统平面、控制平面和数据平面关键指标的综合计算，以打分形式展现单台设备健康度；综合计算可得到整个网络健康度。系统平面包括常见的CPU、内存、电源、风扇和温度等子项指标；数据平面包括链路状态、转发表、ACL资源、芯片Buffer等子项指标；控制平面，包括BGP到RR连通状态等。这些指标，根据新华三的多年网络经验赋予不同的算子权重。同时，这是一个可扩充的指标体系，针对网络场景可以增加或更新指标项。

主动分析追求故障发现的及时性和准实时性，有别于传统意义上的被动式事后处理，一方面降低MTTK（MeanTime-To-Know），另一方面增强在线检测和预测水平，提升网络管理智能化水平。

》预测仿真以及先知先觉

对网络中不同网元设备的时序数据进行周期性采集，基于模型主动计算，可以建立客户场景环境相关的动态基线，并对异常进行检测；或实现趋势预测，如光学器件寿命预测，流量趋势预测，系统容量预测等。

网络仿真，可在新业务上线前仿真对当前在网业务的影响，分析出设备和链路故障对现有业务的影响、网络变更的影响范围等，从而分析制定必要的应对措施，保证业务的可靠运行。其原理基础是whatif分析，作为一种统计分析工具，在网络中结合控制平面和数据平面变化因素分析，有利于提前做好网络变更的模拟并制定预案。

》融合分析器+控制器的网络优化机制

WAN链路的带宽是一种宝贵的资源，同时对可靠性也提出非常高的要求， WAN链路优化是一个历久弥新的关键问题。在SD-WAN中，可以借助于SNA架构的分析器SeerAnalyzer和控制器SeerEngine组合提供一种新的解决方案。

形象地说，分析器实现大脑思考过程，控制器实现手眼配合等执行过程。

借助于分析器，对WAN链路状态进行主动计算，同时根据时序数据建立链路的动态AI基线，综合判断给出链路优化和切换依据。控制器基于分析器提供的 “依据”自动化的下发和调整相关设备 配置；新的链路状态依然会重复这个过程，从而实现了一种负反馈的闭环机制，园区的WiFi优化场景等也是如此。

总结起来看，借助于SNA架构，可以从数据采集开始，到事前、事中和事后不同时间，到网络、用户和应用不同角度，进行多维度分析和洞察，并通过可视化展示和优化联动，促进网络智能化管理水平提升。

网络智能化的发展是一个循序渐进的过程，目前仍然处在比较初级的阶段。面向未来，一方面，网络智能运维将借助于相关技术的发展继续提升；另一方面，自动驾驶网络是一个更加激动人心和更具业务价值的方向。这里面包括业务场景的丰富和技术的进步，也包括行业标准的建立和客户价值提升等。

就智能运维来说，当前更多地是基于数据为主的感知智能的作用，这里的数据主要是指网络设备轨迹数据以及相关的周边上下文数据。从网络系统的复杂度、管理效率和人机友好等角度看，专家知识和业务经验将是一个有待深挖的宝藏，也预示着认知智能将在这一过程中发挥更大的作用。

就自动驾驶网络来说将会分阶段演进，从辅助驾驶、部分自动化、有条件自动化到高度自动化和最终的全自动。就像车辆的自动驾驶，一辆传统的车，由于机制原理从一开始不具备智能部件，即使全方位运维保养做得再到位，也实现不了自动驾驶。网络的智能运维和网络自动驾驶也是类似的情况。

“智能+”的浪潮席卷全球，也在革新网络行业的发展。新华三希望借助SNA架构，通过网络智能驱动客户业务智能化的发展，大力推动智慧城市建设和工业4.0等方向的数字化转型。