至顶网CIO与应用频道 09月27日 北京消息(文/王聪彬):今天,IBM(纽交所:IBM)宣布,IBM为中国移动四川分公司开发和部署了网优大数据解决方案,该方案通过对移动通信网络设备产生的海量测量、性能以及测试等数据分析和处理,能够普及时发现移动通信基站的信号质量并提出网络优化方案,便于四川移动为用户提供更加稳定的移动通信与网络服务,同时对网速的提升也有一定的帮助。
中国移动集团四川分公司(简称:四川移动)1999年在成都成立,提供移动通信网络、互联网协议(IP)电话服务及无线互联网访问服务。作为中国移动有限公司的子公司,四川移动为超过5,000万客户提供服务,其计费支撑系统、10086服务热线、营业厅服务、集团信息化、网络质量等位居全集团前列。
随着国家对网速提升的明确要求,“4G精品网”网络建设快速推进,四川移动的LTE网络规模不断扩大,4G用户已经达到3000+万用户,用户使用4G网络的流量越来越大,对4G网络质量的要求越来越高,同时热点地区的LTE基站布点越来越密集,路测随着自动化数据采集导致数据量激增,仅成都一地一天的数据量达到10TB,传统的文本处理和关系型数据库数据处理效率瓶颈严重,需要数天的时间对这些数据进行处理,四川移动急需引入大数据技术并建立专业模型,以全面优化LTE的网络覆盖质量。
针对四川移动对网优的需求,IBM为客户构建了包含数据采集、处理、应用算法三层架构的网优数据大平台:采集层实现数据导入的过程管理和MR数据管理,处理层提供Hadoop/Spark集群调度、性能调优、任务加载等功能,应用层则提供算法落地以及网优自动化五个场景的实现,此外,IBM为网优大数据平台开发了仪表盘界面,可以对采集层、处理层、应用层的资源管理、任务调度、运行状态等提供直观的展示界面。
在实际场景中,小区基站和手机通过无线信号传播,基站有非常多的参数,每个基站只能辐射一小块区域,其他区域会由其他基站覆盖,各基站频率不能一样,功率强度也不能过大,过大会干扰,过小则容易掉线。过去,四川移动有专人用专用设备不停的移动以采集周围信号的强度,但实际上这也只是抽样的处理方式,做不到全覆盖,更无法处理来自手机向网络设备发送信号强弱的信息所产生的海量数据。
而网优大数据平台改变了这一切。大数据和网络设备能够对每部手机每时每刻的数据做分析和处理,并自动判断基站的参数配置是否合理,然后给予优化建议,网优人员可以针对大数据平台的优化建议对基站参数予以调整,从而保障基站信号的稳定性。
基于IBM的网优大数据平台解决方案,四川移动通过网络测试或信令等数据的大数据处理提升了网络优化的效率与精准度:数据处理速度显著加快,处理时间由3天缩减至数小时,大幅提升效率;覆盖度也大大提高——传统方法通过路测进行抽样测试或者进行分区片的优化,大数据的利用实现了全时空、全覆盖。另外,四川移动的网优专家能够借助大数据平台,方便灵活地进行数据分析,数据处理便捷性大大提高,为业务处理提供了更大的空间。
在四川移动项目组负责人看来,网优大数据平台产生了可量化的真实成效,在显著加快数据处理速度,实现对基站全时空覆盖的同时,也更加方便网优人员进行数据分析,为四川移动的4G用户能够享受到更加稳定、流畅的通信与网络服务提供了技术保障。
IBM项目负责人表示,帮助电信等行业客户利用大数据解决业务问题是IBM最为擅长的领域之一,IBM在这方面积累了丰厚经验,预计随着四川移动4G用户的持续增加,网优大数据平台在帮助四川移动即时发现和解决基站信号问题上还将发挥更大的价值。
当然,网优大数据平台解决方案的应用,绝不仅仅意味着四川移动针对路测数据的处理能力、效率有了大幅提升,还意味着四川移动的用户能够享受到更有保障的通信和网络服务。特别是当有大型活动,或者是突发灾难发生时,时刻保障现场通信信号的稳定不仅关系到生产生活的正常运行,甚至还关系到人民的生命与财产安全,从这个层面上讲,网优大数据平台承担的角色将显得尤为重要。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。