NFV服务保障需要大数据、小数据或兼而有之？

运营基于NFV的服务和网络是渐进式通信服务提供商（CSP）的下一个服务重心，然而要实现这个目标并不容易。事实上，CSP表示在构建VNF并且在NFV环境下实际运行VNF都耗费了大量的时间和精力。

NFV正在从技术转向运行，从如何实现NFV向如何运营NFV演变。其中一个关键的挑战是如何将NFV网络和服务管理整合到现有的运营中，以便CSP能够有效地运行当前网络和NFV云网络。

我们如何在线以后的网络和服务上运行NFV？如何确保按需服务？如何提供动态SLA？如果这些问题无法解决，服务提供商就无法将这些服务作为商业服务提供，并且也无法实现向NFV和云网络的商业案例的转型。

一个比较大的风险是，NFV将成为一个技术孤岛，一个不错的实验室项目，但是最终被排除在运营商的服务体系之外。尴尬的是，SDN和NFV的主要驱动因素是服务提供商的关键业务导向，即需要快速启动个性化服务，并能够运行标准化、可扩展的网络。

全球超过100家网络运营商和服务提供商参加了Heavy Reading在2017年第四季度完成的NFV服务保证和分析研究。CSP表示他们正在努力实施NFV，且正在努力脱离组织内部的影响，包括内部知识和软件技能差距；网络和IT团队之间对新需求的意见分歧；如何填补现有IT系统的空白；以及对NFV服务保证所需要的行业方向缺乏明确的指导。

几乎每个围绕服务保证的问题都被至少40％的CSP评为巨大/重大挑战。CSP在运营NFV中评级为“大规模”或“重要”的前五大挑战包括：

对于已经在网络中部署NFV的CSP来说，关键挑战包括管理多个VNF厂商之间的互操作性和性能。传统的接口如移动信令、管理系统和元件管理器（EMS）/配置等都比较落后，而在云端只需要一个VIM管理器就能处理单个VNF的性能。但是，当CSP结合不同厂商的VNF来提供面向用户的服务时，在实施上存在差距，这些服务需要进行配置、保障和监控，以提供端到端的服务质量。CSP需要具有实时可操作数据的集中平台来主动管理多个网络和服务层。

通用CPE平台逐渐成为真正的服务保障方面的问题，运营商需要超越单一厂商的SD-WAN VNF，从不同的厂商部署多个轻量级VNF（如防火墙、IP PBX、负载均衡器和应用加速）。在这种情况下，CSP将主动测试和监控看做是管理服务质量，解决用户问题和确保服务在配置或重新配置后准确工作并满足动态SLA。

服务提供商还希望虚拟探测器或测试代理具有轻量级的小型CPU和内存占用空间，可以实现容器化，因此可以在不中断实时流量的情况下以非侵入方式进行主动测试。CSP表示一旦部署了VNF，就需要一个高度自动化的涵盖了订单管理到重新执行的虚拟圈或生命周期。这必须以一种非常有序的自动化方式进行，并且是一个非常好的引擎，对最终用户没有任何明显的干扰。

62%的CSP认为主动测试非常有价值，特别是在由VNF编排器自动化和驱动的情况下，有很多提供商（如Netrounds）通过API提供编排和闭环保证。

这反应了业界渴望提高网络的可编程性和自动化，服务提供商也希望通过尽可能少的人工干预来实现服务编排，从而推动自动化和流程改进，进而提供服务。

Netrounds公司产品战略总监Stefan Vallin博士表示，来自主动测试和监控的数据产生了详细的实时服务KPI被称为“小数据”。这些数据本身提供了很大的价值，但是也是大数据和AI成功应用的推动因素。从主动测试和监控中获得的小数据直接回答了很多重要的服务保障问题。

Stefan Vallin表示：“如果能够直接衡量服务质量，为什么要从资源层中用不完整的数据来对其进行逆向工程？”

对于以客户为中心的服务保障，服务提供商需要可视化他们的端到端服务，能够优先考虑问题并避免影响用户的错误，并减少毫无意义的数据过载。专注于销售企业服务的CSP担心之处在于，他们可能会因为用户或服务影响而无法正确确定优先级的数据，他们希望在将来，他们应该停止实时关注设备警报，而只需要关心服务警报和服务监控，因为MANO将处理策略/重新路由决策。他们将使用大数据分析来进行各层之间的关联，以进行故障排除和取证，以及根本原因分析。

这能够实现以更有效的方式管理故障，摆脱人工故障和非时间敏感警报，并专注于使网络域得到补救并解决问题，同时提高需要的服务级故障阻止或修复，从而自动修复影响用户的问题。

亚太地区某一级运营商表示：“NFV环境需要恢复用户服务本身、服务意识、管理用户的服务，并对这些服务负责。”

总之，服务提供商急需要大数据又需要小数据来有效地运营NFV网络。在大数据分析、机器学习和人工智能的服务保障中，最显著的一个功能就是基于相关的高质量数据输入，而不是来自资源层的大量低级数据。为此，服务提供商开始于VNF厂商合作，实时管理来自VNF的数据量，并对设备提出更强的要求，以提供更少的高质量的数据，从而更好地回答上述问题。

高质量的数据将有助于训练算法在预测将要发生的事情以防止停机或服务退化。第二个重点是采用新的数据源，可以实时测量实际交付的服务质量，从客户的角度来看，上述的小数据可以直接为用户服务提供商提供相关的服务关键指标。这是理解用户眼中的服务质量和体验的最佳方式，而不是试图使用资源数据来根据较低层的信息在较高层生成服务KPI。在配置服务、快速回滚服务、以及在关键时刻或持续的基础上实时地体验用户需求，这一点非常重要。