Google Cloud ra mắt Distributed GraphFlow: Đơn giản hóa vận hành mạng viễn thông bằng GNN

Ngành viễn thông hiện đang trải qua một sự thay đổi mô hình, chuyển từ các hoạt động vận hành thủ công truyền thống do con người điều khiển sang Vận hành Mạng Tự động (Autonomous Network Operations). Các mạng lưới hiện đại ngày càng trở nên phức tạp, không đồng nhất và có quy mô lớn, khiến cho các phương pháp dựa trên quy tắc thủ công và các phương pháp Học máy (ML) truyền thống đơn thuần không còn đủ để tự động hóa vận hành mạng. Mặc dù các phương pháp ML có thể xác định các mô hình tinh vi và đưa ra những dự đoán chính xác từ lượng lớn dữ liệu có cấu trúc, chúng lại thiếu khả năng hiểu, suy luận về dữ liệu và hệ thống mà dữ liệu đó đại diện, cũng như không thể đưa ra các quyết định giống như một người vận hành là con người.

Sự phát triển của các tác nhân AI (AI agents) và khả năng suy luận của chúng là một giải pháp đầy hứa hẹn cho thiếu sót này. Tuy nhiên, cũng giống như việc một người vận hành không thể trực tiếp tiếp nhận thông tin thống kê trải rộng trên hàng tỷ điểm dữ liệu được tạo ra trong một mạng lưới lớn, các tác nhân AI cũng thiếu khả năng hoạt động ở quy mô này. Để giải quyết thách thức đó, các công ty viễn thông đang áp dụng Graph Neural Networks (GNNs) - một dạng học máy hiện đại được thiết kế để hoạt động nguyên bản trên khối lượng lớn dữ liệu theo thời gian và dữ liệu quan hệ. Bằng cách tích hợp GNNs với các tác nhân AI, người vận hành có thể kết hợp các chẩn đoán nâng cao như phân tích nguyên nhân gốc rễ, lập kế hoạch năng lực, dự báo lưu lượng, mô phỏng "điều gì xảy ra nếu" (what-if simulations) và phát hiện bất thường theo thời gian thực với khả năng suy luận cần thiết để diễn giải các thông tin chi tiết này và thực hiện các hành động có căn cứ. Sự kết hợp mạnh mẽ này cho phép các mạng lưới tiến tới Mức độ Tự chủ 5 (Level 5 Autonomy) theo định nghĩa của TM Forum, nơi hệ thống vận hành hoàn toàn tự động.

Trong bài viết này, chúng tôi trình bày ba thành phần (Dữ liệu, ML và AI) sẽ cung cấp sức mạnh cho khung Vận hành Mạng Tự động của Google Cloud.

Kiến trúc khung Vận hành Mạng Tự động của Google

Nền tảng: Bản sao kỹ thuật số (Digital Twin) trên Spanner Graph

Trọng tâm của khung Vận hành Mạng Tự động của Google Cloud là bản sao kỹ thuật số của mạng (network digital twin): một bản sao ảo cực kỳ chi tiết, liên tục phản chiếu mạng viễn thông thực tế trong thời gian thực. Thay vì là một mô hình tĩnh, nó được thể hiện dưới dạng một đồ thị mạng động, theo thời gian, nắm bắt trạng thái và mối quan hệ thay đổi của các thành phần theo thời gian. Cách tiếp cận kiến trúc này cho phép người vận hành "quay ngược" thời gian để huấn luyện và đánh giá các mô hình ML trên dữ liệu lịch sử, đồng thời cung cấp cho các tác nhân AI kiến thức vận hành nền tảng cần thiết để đạt được Mức độ Tự chủ 5. Bằng cách mô phỏng tác động của các thay đổi mạng được đề xuất trong môi trường kỹ thuật số này, Digital Twin thiết lập một lớp tin cậy quan trọng, cho phép các tác nhân AI tự tin thiết kế các trạng thái tương lai và tự động giải quyết các vấn đề mạng.

Spanner Graph của Google Cloud rất phù hợp để lưu trữ bản sao kỹ thuật số này:

Khả năng mở rộng và tính sẵn sàng: Spanner Graph cung cấp một nền tảng không thỏa hiệp cho các ứng dụng hiện đại, mang lại khả năng mở rộng gần như không giới hạn cùng với sự phát triển của mạng, đi kèm với 0-RPO/0-RTO và tính sẵn sàng đạt mức "năm số 9" (99,999%).

Hỗ trợ đa mô hình: Hỗ trợ nhiều mô hình dữ liệu (Quan hệ, Đồ thị, Vector và Tìm kiếm toàn văn) trên một nền tảng duy nhất, cho phép các nhà phát triển xây dựng các cấu trúc phức tạp như duyệt đồ thị kết hợp với tìm kiếm vector láng giềng gần nhất.

Tính nhất quán toàn cầu: Spanner cung cấp cái nhìn nhất quán trên toàn cầu về mạng, giúp đơn giản hóa việc phát triển hệ thống.

Hình ảnh tiếp theo minh họa cấu trúc liên kết mạng với bốn loại nút: bộ định tuyến (routers), giao diện (các cổng vật lý), VPN (các phiên bản dịch vụ L3VPN) và luồng (các phiên họp lưu lượng truy cập đang hoạt động). Chúng được kết nối bởi các loại cạnh có hướng nắm bắt toàn bộ ngăn xếp mạng: bao hàm vật lý (router-interface), liên kết vật lý (interface-interface), ngang hàng mặt phẳng điều khiển (router-router qua OSPF/iBGP), thành viên dịch vụ (router-VPN) và neo lưu lượng (flow-interface, flow-VPN).

Cấu trúc liên kết mạng cấp cao

Lớp ML: Distributed Graph Flow (DGF)

Để dự đoán cách mạng sẽ hoạt động và phản ứng, bản sao kỹ thuật số tận dụng một lớp ML được cung cấp bởi Distributed Graph Flow (DGF). Bằng cách huấn luyện trên khối lượng lớn dữ liệu lịch sử có cấu trúc được lưu trữ trong Spanner Graph, lớp này khám phá ra những thông tin dự đoán quan trọng, cho phép người vận hành và các tác nhân AI quản lý mạng một cách chủ động thay vì phản ứng thụ động.

DGF là một thư viện Python mã nguồn mở gần đây được thiết kế để quản lý toàn bộ vòng đời end-to-end của việc mô hình hóa GNN. Được phát triển bởi Google CoreML và Google Research, nó mang một thập kỷ các công cụ và chuyên môn nội bộ ở quy mô Google đến trực tiếp với các khách hàng doanh nghiệp của Google Cloud. Để đáp ứng các nhu cầu kỹ thuật khác nhau, thư viện cung cấp các nguyên hàm cấp thấp, có thể kết hợp và hiệu suất cao cho các đội ngũ chuyên sâu, bên cạnh một API đơn giản cho việc phát triển nhanh mà không yêu cầu kiến thức chuyên môn về GNN trước đó.

Ví dụ, việc huấn luyện và đánh giá một mô hình GNN trong GraphFlow với API cấp cao có thể đơn giản như viết 5 dòng mã:

(Xem hướng dẫn bắt đầu để biết ví dụ đầy đủ)

DGF cung cấp các khái niệm cấp cao ánh xạ trực tiếp đến các yêu cầu của Vận hành Mạng Tự động:

Các trường hợp sử dụng

Bằng cách tận dụng DGF và GNNs, các công ty viễn thông có thể chuyển từ bảo trì phản ứng sang phòng ngừa chủ động thông qua một số trường hợp sử dụng nâng cao:

Phát hiện bất thường: GNNs tạo ra các nhúng (embeddings) nút và cạnh gói gọn các mô hình lịch sử và tình trạng hiện tại. Bất kỳ nhúng bất thường nào cũng được gắn cờ để xem xét trước khi chúng dẫn đến suy giảm dịch vụ.

Phân tích nguyên nhân gốc rễ (RCA): DGF có thể xuất ra các đồ thị con cụ thể chỉ chứa các thực thể mạng liên quan đến một sự cố, chẳng hạn như "Lỗi kết nối" (Attach Failures) tại một mã bưu chính cụ thể. Điều này cho phép các tác nhân xử lý sự cố thực hiện phân tích tốc độ cao mà không cần quét toàn bộ mạng lưới toàn cầu.

Bảo trì dự đoán: Hệ thống có thể dự đoán khả năng xảy ra lỗi thiết bị hoặc đứt gãy cạnh, chẳng hạn như "lỗi chuyển giao" (handover failures) đối với thiết bị di chuyển nhanh, cho phép cân bằng tải hoặc định tuyến lại chủ động. Hơn nữa, bằng cách kết hợp các tác nhân, các hành động khắc phục có thể được tự động hóa bằng cách áp dụng mô hình ‘human-on-the-loop’/’human-in-the-loop’.

Phân tích "điều gì xảy ra nếu": GNNs cho phép các công ty viễn thông mô phỏng các kịch bản như đứt cáp quang, lưu lượng tăng đột biến hoặc thay đổi cấu hình thiết bị. Bằng cách mô hình hóa các phụ thuộc cấu trúc liên kết, GNNs có thể dự đoán cách các thay đổi cục bộ này lan truyền trên toàn bộ mạng, cho phép các kỹ sư kiểm tra khả năng phục hồi và đánh giá các chiến lược giảm thiểu rủi ro trong một môi trường kỹ thuật số an toàn.

Kịch bản: Phân tích nguyên nhân gốc rễ với GNNs và DGF

Sau khi bạn đã tạo một bản sao kỹ thuật số (mã ví dụ), một quy trình 5 bước đơn giản có thể được sử dụng để triển khai phát hiện Phân tích Nguyên nhân Gốc rễ (RCA) bằng cách sử dụng GNNs và DGF.

Kết nối với Digital Twin: Sử dụng trình kết nối DGF Spanner Graph (dgf.io.read_spanner_graph) để tải cấu trúc liên kết mạng trực tiếp từ Digital Twin của Spanner Graph vào môi trường DGF.

Huấn luyện mô hình Dự đoán Nút (hoặc Cạnh) có giám sát: Tùy thuộc vào dữ liệu huấn luyện và mục tiêu, bạn sẽ huấn luyện một mô hình dự đoán nút có giám sát để dự đoán đặc trưng nút mục tiêu hoặc mô hình dự đoán cạnh để dự đoán một cạnh giữa nút thực thể nguyên nhân gốc rễ và nút thực thể bị ảnh hưởng. Đối với dữ liệu mẫu đã cho, bạn sẽ sử dụng API cấp cao dgf.learning.train_node_model để huấn luyện mô hình dự đoán nút có giám sát.

Sử dụng mô hình dự đoán nút để dự đoán nút nguyên nhân gốc rễ: Mô hình dự đoán nút có thể được sử dụng trực tiếp để dự đoán điểm tác động trên nút có bất thường. Các nút thực thể bị ảnh hưởng bởi bất thường với điểm tác động dự đoán cao nhất sẽ là những ứng cử viên hàng đầu cho nguyên nhân gốc rễ.

Triển khai lên Gemini Enterprise Agent Platform (trước đây là Vertex AI): Xuất mô hình và lưu trữ nó trên một điểm cuối (endpoint) Gemini Enterprise để cho phép dự đoán có thể mở rộng với độ trễ thấp.

Suy luận thời gian thực: Thực hiện các lệnh gọi dự đoán đến điểm cuối suy luận với ngày xảy ra bất thường làm đầu vào. Điểm cuối sẽ trả về các nút Thực thể nguyên nhân gốc rễ được dự đoán.

Bắt đầu ngay hôm nay

Việc tích hợp GNN sử dụng Distributed Graph Flow vào vận hành mạng không chỉ là một nâng cấp kỹ thuật; đó là một bước tiến quan trọng cho ngành viễn thông. Bằng cách chuyển sang khung tự động dựa trên GNN, người vận hành có thể rút ngắn đáng kể thời gian ngừng hoạt động, tối ưu hóa năng lực trong thời gian thực và cuối cùng là mang lại trải nghiệm khách hàng vượt trội thông qua việc cải thiện hiệu quả vận hành.

Để bắt đầu xây dựng các ứng dụng mạng thông minh của riêng bạn, hãy xem thư viện Distributed GraphFlow (DGF), cung cấp các nguyên hàm thiết yếu cho việc huấn luyện và suy luận GNN có khả năng mở rộng. Để có trải nghiệm thực tế, hãy làm theo mẫu mã từng bước của chúng tôi. Bạn cũng có thể khám phá dự án Moonshot từng đoạt giải thưởng gần đây của chúng tôi về mạng tự chữa lành bằng GNN nhận thức kinh doanh, và tìm hiểu sâu hơn về cách tiếp cận của chúng tôi đối với các mạng tự động tự tối ưu hóa bằng cách xem xét tài liệu kỹ thuật (whitepaper) này.