第122章 创新方案第一次汇报（2/2）

周峰调出一个曲线图，“这是三号基站过去一小时的掉话率变化，可以看到在上午九点有一个明显峰值。”

李一男身体前倾，盯着屏幕：“数据从哪里来的？”

“基站内部的性能计数器和测量报告，”周峰说，“以前这些数据只用于基站内部算法，不上报。我们改了软件配置，让它们上报到中心服务器。”

“改了哪些配置？”

“主要在基站控制器的omc-r模块上，”周峰调出代码片段，“增加了三十七个测量项的上报功能，优化了上报频率和压缩算法，保证不影响基站正常业务。”

李一男点点头，示意继续。 “接下来是分析层演示，”张涛接过话头，他有点紧张，推了三次眼镜，“我们设计了一个简化的诊断算法，基于规则引擎和统计分析。”

他在键盘上敲入一行命令，屏幕切换，显示出一个诊断报告： 基站gz-th-003诊断结果

· 问题类型：覆盖漏洞导致掉话

· 根因分析：天线倾角过大（当前15度，建议12度）

· 影响范围：低层用户（3-8层）

· 预估改善：掉话率下降12-18%

“这个诊断怎么来的？”李一男问。

“分三步，”张涛调出算法流程图，“第一步，数据预处理，清洗异常值，归一化；第二步，特征提取，从原始数据中提取四十八个关键特征；第三步，规则匹配，用一百二十七条预设规则进行诊断。” “规则从哪里来？”

“部分来自gsm规范，部分来自我们调研中总结的经验，部分来自历史优化案例。”张涛说，“但这只是初级版本，最终我们会引入机器学习，让系统自己从数据中学习规则。”

李一男没评价，只是说：“继续。” “最后是执行层，”刘博走到电脑前——他操作键盘的方式很特别，只用两个手指，但速度极快，“我们已经实现了对测试基站的远程配置管理。”

屏幕上出现一个命令行界面，刘博输入一串指令：

set bts gz-th-003 tilt_angle = 12

回车。屏幕显示：

mand sent. waiting for acknowledgement...

三秒后：

bts gz-th-003 acknowledged.

new tilt angle: 12 degrees.

“这就改完了？”李一男问。

“改完了，”刘博调出基站实时监控页面，“可以看到天线倾角参数已经更新。但实际物理调整需要维护人员去现场——我们目前只改了软件参数，天线马达的远程控制还在开发中。”

“安全机制呢？”

“三重保障，”刘博调出另一个界面，

“第一，所有指令在模拟环境预执行，验证安全；

第二，指令下发需要二级审批——现在是测试模式，只有一级；

第三，系统保留最近十次参数修改记录，支持一键回滚。”

演示结束，办公室里安静下来。投影仪的风扇嗡嗡作响，墙上的时钟指向九点二十。

李一男掐灭烟，又点了一支——这是今天上午的第四支。他靠在椅背上，看着屏幕上的界面，又看看站在面前的五个人，最后目光落在林辰身上。

“演示我看了，”他说，“技术上是可行的。但我要问几个问题。”

李一男站起身，走到白板前，拿起笔。他写了五个数字，每个数字后面画了个问号：

1. 规模问题？ 十个基站能跑，一万个基站呢？

2. 厂商问题？ 华为设备可以，爱立信、诺基亚呢？

3. 算法问题？ 规则引擎太简单，机器学习太遥远，中间的路怎么走？

4. 风险问题？ 自动执行出错怎么办？谁负责？

5. 价值问题？ 投入这么大，产出值得吗？

写完，他转身看着林辰：“一个一个答。”

林辰深吸一口气。这些问题他预想过，但没想到李一男问得这么直接、这么尖锐。

“第一个问题，规模。”他走到白板前，在“1”后面画箭头，“我们的架构设计就是为大规模部署准备的。数据采集用分布式代理，每台基站一个轻量级代理程序，只负责采集和压缩，不处理。数据传回中心后，用服务器集群并行处理。我们估算过，三十台服务器集群可以处理全省一万两千个基站的数据。”

“服务器哪里来？”

“李总您已经批了二十台，”林辰说，“广东办事处协调十台，总共三十台。如果不够，我们可以用夜间闲置的计算资源——基站数据在夜里三点到五点处理压力最小，那时候服务器负载也最低。” 李一男点头，没说话。

“第二个问题，厂商。”林辰在“2”后面写方案，“分两步走。第一步，华为设备全面支持，这是我们能控制的。第二步，通过移动集团协调爱立信和诺基亚，要求他们开放北向接口。如果厂商不配合，我们开发适配层——截获网管系统的操作，转译成厂商接口能识别的指令。效率低一点，但能用。”

“移动会配合吗？”

“会，”林辰很肯定，“因为这套系统最终受益最大的是移动。我们已经和广东移动的张志强工程师达成共识，他会推动这件事。” 李一男在笔记本上记了一笔。

“第三个问题，算法。”林辰在“3”后面画了三个阶段，“短期用规则引擎，解决80%的常见问题；中期引入统计模型和专家系统，解决15%的复杂问题；长期探索机器学习，解决剩下5%的疑难杂症。我们不追求一步到位，而是迭代演进。”

“时间表？” “规则引擎一个月内上线，统计模型三个月，机器学习半年到一年。”林辰说，“但即使只有规则引擎，也能比现有的人工优化提升三倍效率。” 李一男继续记笔记。

“第四个问题，风险。”林辰在“4”后面写了几行字，“第一，所有指令必须模拟验证；第二，所有执行必须人工审核——初期是全审核，后期是抽检；第三，建立安全边界，关键参数不允许自动修改；第四，购买保险，真出事了有兜底。”

“保险？”

“我们测算过，全省推广后，每年能为移动节省运维成本三千万以上。拿出10%买保险，还有两千七百万净收益。”林辰给出具体数字，“而且前期只在小范围试点，风险可控。”

“第五个问题，价值。”林辰在“5”后面画了个表格，列出入和产出：

投入：平台开发（500万）+硬件采购（300万）+ 人力成本（200万）= 1000万

产出：运维成本节约（3000万\/年）+投诉减少（间接收益500万\/年）+ 网络质量提升（品牌价值无法估量）

投资回收期：4个月

五年净收益：1.2亿

数字清晰，逻辑严密。林辰讲完，办公室里再次安静下来。