<!-- title: AI驱动5G核心网信令智能诊断四强实战 -->

# AI驱动5G核心网信令智能诊断四强实战拆解

## 一、为什么5G核心网信令需要AI诊断

5G核心网（5GC）的信令复杂度相比4G EPC呈指数级增长。一次用户注册流程可能涉及AMF、AUSF、UDM、PCF、SMF、UPF等6-8个网络功能（NF）之间的NAS、NGAP、PFCP、SBI、Diameter等多协议交互，单次Call Trace平均产生500-2000条信令消息。当用户投诉"无法上网"或"通话掉线"时，传统排查方式需要运维工程师手动在多个网元间关联追踪日志、逐条比对协议字段，平均故障定位时间（MTTR）长达4-8小时。

| 对比维度 | 4G EPC信令 | 5GC信令 |
|----------|-----------|---------|
| 涉及NF数量 | 3-5个（MME/HSS/SGW/PGW/PCRF） | 6-8个（AMF/SMF/UPF/UDM/AUSF/PCF/NSSF/BSF） |
| 协议类型 | NAS/S1AP/GTP-C/Diameter/Gx | NAS/NGAP/PFCP/SBI(HTTP/2)/Diameter/GTP-C |
| 单次Call Trace消息量 | 100-500条 | 500-2000条 |
| SBI服务化接口 | 无 | 占比超60%（HTTP/2 JSON） |
| 切片场景信令组合 | 1种 | N种（per-slice策略差异化） |
| 传统MTTR | 2-4小时 | 4-8小时 |

这种复杂度催生了AI驱动的信令智能诊断需求。2024-2025年间，爱立信、华为、诺基亚、中兴四大设备商相继推出基于大模型和深度学习的5G核心网信令分析产品，并在中国移动、中国电信、Telefónica、T-Mobile等运营商完成商用部署。

## 二、系统架构：AI信令诊断的核心技术栈

```mermaid
flowchart TB
    subgraph 数据采集层
        A1[5GC信令采集探针] --> A2[NGAP/NAS/PFCP/SBI全量镜像]
        A3[DPI深度包检测] --> A4[协议解码与字段提取]
        A2 --> B1
        A4 --> B1
    end
    subgraph 数据处理层
        B1[Call Trace关联引擎] --> B2[跨NF信令拼接与时序对齐]
        B2 --> B3[信令流程图谱化]
        B3 --> B4[异常模式特征库]
    end
    subgraph AI分析层
        B4 --> C1[时序异常检测 Transformer]
        B4 --> C2[协议语义理解 LLM]
        B4 --> C3[根因推理 知识图谱+RAG]
        C1 --> C4[融合诊断决策引擎]
        C2 --> C4
        C3 --> C4
    end
    subgraph 应用层
        C4 --> D1[故障根因自动定位]
        C4 --> D2[信令异常预警]
        C4 --> D3[协议合规性检查]
        C4 --> D4[一键诊断报告生成]
    end
    D1 --> E1[运维大屏/工单系统]
    D2 --> E2[告警平台联动]
    D3 --> E3[合规报告]
    D4 --> E4[运维人员]
```

核心技术栈包含四个关键层级：

**1. 信令采集与协议解码**：通过TAP/分光器在N2（AMF-RAN）、N4（SMF-UPF）、N11（AMF-SMF）、N8（AMF-UDM）等关键参考点进行全量信令镜像，经DPI引擎完成NGAP、NAS、PFCP、HTTP/2等协议的实时解码与字段提取。

**2. Call Trace关联引擎**：这是整个系统的基础难点。5GC中信令分布在多个NF上，需要通过SUPI（Subscriber Permanent Identifier）、TEID（Tunnel Endpoint Identifier）、PDU Session ID等多维度关联键将分散的信令片段拼接为完整流程。四大厂商均采用基于时间窗口+多维键的流式关联算法。

**3. AI分析层**：包含三个并行的AI模块——时序异常检测（Transformer模型识别信令时序偏差）、协议语义理解（LLM解读SBI JSON字段含义和错误码语义）、根因推理（知识图谱+RAG实现从症状到根因的推理链）。

**4. 应用层**：将AI分析结果转化为运维可操作的诊断报告、预警和自动化工单。

## 三、四强产品实战拆解

### 3.1 爱立信：Network Intelligence + Service Continuity Manager

**产品定位**：爱立信的Network Intelligence（NI）平台集成在其Service Continuity Manager（SCM）产品线中，专门面向5GC信令级的智能分析与故障预防。

**核心技术方案**：

- **Ericsson Unboxing AI Engine**：基于Transformer架构的信令时序分析引擎，针对5GC的NGAP/NAS/PFCP协议训练专用模型，可识别正常信令流程的时间分布模式，在流程偏差超过阈值时触发预警
- **Call Trace Correlation Engine**：跨AMF/SMF/UPF/UDM的全链路Call Trace关联，支持N2/N4/N11/N8等关键接口的自动拼接
- **Root Cause Analyzer**：结合爱立信30年全球网络部署积累的故障知识库（超50万条故障案例），通过RAG技术实现根因推荐

**部署案例：Telefónica Spain 5GC智能诊断**

Telefónica于2024年Q3在西班牙5GC商用网络部署爱立信NI平台，覆盖约1200万5G用户。

| 指标 | 部署前 | 部署后 | 提升幅度 |
|------|--------|--------|----------|
| 注册故障平均定位时间 | 6.2小时 | 0.8小时 | **↓87%** |
| PDU会话建立失败根因识别准确率 | 42% | 89% | **↑112%** |
| 每日可自动诊断的信令异常数 | 15件 | 380件 | **↑24倍** |
| VoNR通话质量投诉处理时长 | 48小时 | 4小时 | **↓92%** |
| 误报率 | 35% | 8% | **↓77%** |

关键突破在于爱立信NI平台对SBI接口HTTP/2信令的深度理解能力。5GC中超过60%的信令交互基于SBI（Service-Based Interface），消息体为JSON格式，传统规则引擎难以有效解析。NI平台内置的LLM模块可自动解读JSON中的cause code（如"5GSM：27 - missing or unknown DNN"）并结合上下文推理出根因链：SMF→UPF的PFCP Session Establishment失败←UPF资源不足←该切片配额已满。

### 3.2 华为：iMaster NCE-CN + 5GC智能运维引擎

**产品定位**：华为iMaster NCE（Network Cloud Engine）-CN（Core Network）版本，是面向5GC的智能运维管理平台，内含"核心网信令智能分析"模块。

**核心技术方案**：

- **KnowledgeGraph-based Signaling Analyzer（KGSA）**：华为自研的5GC信令知识图谱，涵盖3GPP TS 24.501/29.500/29.502等30+规范中的信令流程定义、错误码语义、因果关系，知识节点超12万个
- **Pangu Telecom Large Model**：华为盘古通信大模型（Telecom版本）专门针对通信协议信令微调，支持NAS/MM/SM/GMM/5GMM等协议层的语义理解
- **Intent-driven Diagnosis**：运维人员可用自然语言描述故障现象（如"XX区域的5G用户注册成功率低于90%"），系统自动关联相关信令数据并生成诊断报告

**部署案例：中国移动浙江5GC信令智能诊断**

中国移动浙江公司于2024年Q4在杭州、宁波5GC商用网络部署iMaster NCE-CN信令分析模块，覆盖约2800万5G用户，日处理信令消息量超80亿条。

| 指标 | 部署前 | 部署后 | 提升幅度 |
|------|--------|--------|----------|
| 信令异常检出率 | 18% | 94% | **↑422%** |
| 根因定位TOP-3准确率 | 38% | 91% | **↑139%** |
| 跨NF全链路追踪成功率 | 62% | 97% | **↑56%** |
| 日均处理信令消息量 | 5亿条 | 80亿条 | **↑15倍** |
| 运维人力投入 | 32人/天 | 5人/天 | **↓84%** |

杭州亚运会期间，该系统成功预警并自动定位了一起因AMF负载均衡策略缺陷导致的大面积注册失败事件。系统通过分析NGAP信令中AMF Region重定向模式的异常变化，在用户投诉到达前15分钟即发出预警，自动关联到AMF#3的CPU利用率突增至92%的根因，避免了约8万用户的注册中断。

华为方案的核心优势在于盘古通信大模型对3GPP规范的深度理解。该模型在3GPP Release 17/18规范文档上进行专项训练，可准确解读NAS信令中的5GMM cause value（如cause 22-"NAS congestion"）和5GSM cause value（如cause 31-"request rejected, unspecified"）的语义，并映射到具体的网元配置或资源问题。

### 3.3 诺基亚：AVA Cognitive Analytics for Core Network

**产品定位**：诺基亚AVA（Automation, Virtualization and Analytics）平台中的Cognitive Analytics for Core Network模块，采用认知计算架构实现5GC信令的智能分析。

**核心技术方案**：

- **Cognitive Digital Twin（认知数字孪生）**：为5GC每个NF实例建立行为数字孪生模型，实时学习正常信令行为基线，偏差检测精度达到信令字段级别
- **Anomaly Detection Ensemble**：集成Isolation Forest、LSTM-Autoencoder、Transformer三种异常检测算法的投票融合机制，降低单一模型的误报率
- **Explainable AI（XAI）诊断报告**：每个根因推理结果都附带可解释性证据链，展示从异常信令→协议解码→根因推断的完整推理路径

**部署案例：T-Mobile US 5GC信令认知分析**

T-Mobile US于2025年Q1在其全国性5G SA核心网部署AVA Cognitive Analytics，覆盖超4000万5G用户，这是北美首个大规模5GC信令AI诊断商用部署。

| 指标 | 部署前 | 部署后 | 提升幅度 |
|------|--------|--------|----------|
| 信令异常平均发现时间 | 45分钟 | 2.3分钟 | **↓95%** |
| PDU Session建立失败分析自动化率 | 12% | 85% | **↑608%** |
| 切换失败根因定位准确率 | 35% | 82% | **↑134%** |
| 误报率（经XAI过滤后） | 40% | 5% | **↓88%** |
| 年节省运维成本 | - | $320万 | - |

T-Mobile案例的亮点在于诺基亚的XAI（可解释AI）能力。传统AI诊断系统的"黑盒"问题一直困扰运营商——AI告诉你"SMF#7配置异常"，但无法解释为什么。AVA的XAI模块会展示完整的推理证据链：

```
异常检测触发 → PFCP Session Est. Response中cause=69("No resources available")
              ↓
协议解码 → UPF#3返回PFCP拒绝，原因码指向资源不足
              ↓
上下文关联 → 同时间段UPF#3的N4接口PFCP Session创建请求量激增300%
              ↓
根因推断 → UPF#3所载Slice#2的配额策略配置与实际流量不匹配
              ↓
建议 → 调整Slice#2在UPF#3上的session quota上限（当前：50000，建议：80000）
```

这种可解释性使运维团队能够信任AI的诊断结果，实际采纳率从传统方案的30%提升至78%。

### 3.4 中兴通讯：uSmartNet核心网智能信令分析引擎

**产品定位**：中兴uSmartNet平台中的"5GC信令智能分析引擎"，聚焦5GC信令全流程的智能关联、异常检测和根因诊断。

**核心技术方案**：

- **全栈信令关联算法（Full-Stack Signaling Correlation）**：中兴自研的跨N1/N2/N3/N4/N11/N8全接口信令关联引擎，支持SUPI/GUAMI/TEID/PDU Session ID/Transaction ID等多维度联合关联，关联成功率达97.5%
- **信令流程图谱（Signaling Flow Graph, SFG）**：将3GPP定义的注册、PDU会话建立、切换、去注册等标准流程建模为有向图，AI实时将采集到的信令消息与标准SFG进行比对
- **轻量化端侧推理**：将AI模型压缩至200MB以下，可在边缘5GC（如企业专网UPF+SMF）本地部署，实现毫秒级信令异常检测

**部署案例：中国联通广东5GC信令智能运维**

中国联通广东分公司于2025年Q2在深圳、广州5GC商用网络部署uSmartNet信令分析引擎，覆盖约1500万5G用户。

| 指标 | 部署前 | 部署后 | 提升幅度 |
|------|--------|--------|----------|
| Call Trace全链路关联成功率 | 58% | 97.5% | **↑68%** |
| 注册类故障根因自动定位率 | 15% | 88% | **↑487%** |
| 信令异常检测延迟 | 30分钟 | 15秒 | **↓99%** |
| 单次诊断报告生成时间 | 120分钟 | 3分钟 | **↓98%** |
| 月度运维工单减少量 | - | 1200件 | **↓65%** |

深圳某大型园区5G专网场景中，中兴方案展示了其边缘部署优势。在企业自建的轻量化5GC（UPF+SMF+AMF）中，信令分析引擎以容器化方式与5GC共部署，当园区内发生PDU会话建立失败时，15秒内即可完成从NGAP→NAS→PFCP的全链路关联和根因定位，而传统方案需要将信令数据回传至省级运维中心分析，耗时2-4小时。

## 四、四强能力对比分析

| 能力维度 | 爱立信 NI+SCM | 华为 iMaster NCE-CN | 诺基亚 AVA Cognitive | 中兴 uSmartNet |
|----------|-------------|-------------------|-------------------|---------------|
| 信令采集接口覆盖 | N2/N4/N11/N8/N7 | N1/N2/N3/N4/N11/N8/N7/N28 | N2/N4/N11/N8/N7/N15 | N1/N2/N3/N4/N11/N8/N28 |
| 支持协议类型 | NGAP/NAS/PFCP/SBI/Diameter | NGAP/NAS/PFCP/SBI/GTP-C/Diameter/SIP | NGAP/NAS/PFCP/SBI/GTP-C | NGAP/NAS/PFCP/SBI/GTP-C/Diameter |
| AI模型架构 | Transformer+规则引擎 | 盘古大模型+知识图谱 | LSTM+Transformer+Isolation Forest | SFG图谱+轻量CNN |
| 根因定位准确率 | 89% | 91% | 82% | 88% |
| 可解释性 | 中 | 高 | 高（XAI证据链） | 中 |
| 边缘部署能力 | 不支持 | 支持（需独立服务器） | 不支持 | 支持（容器化，200MB） |
| 自然语言交互 | 有限支持 | 支持（盘古对话） | 支持 | 有限支持 |
| 3GPP规范覆盖 | R15-R18 | R15-R18 | R15-R18 | R15-R18 |
| 典型客户 | Telefónica/Vodafone | 中国移动/中国电信 | T-Mobile/A1 Telekom | 中国联通/MTN |

**各厂商差异化优势**：

- **爱立信**：全球部署经验最丰富，故障知识库规模最大，在SBI接口的JSON语义理解上有独特优势
- **华为**：盘古通信大模型的3GPP规范理解能力最强，知识图谱节点数最多，自然语言交互体验最佳
- **诺基亚**：XAI可解释性是核心竞争力，投票融合异常检测机制误报率最低，适合对AI可信度要求高的场景
- **中兴**：边缘部署能力突出，轻量化模型适合5G专网/企业园区场景，性价比最高

## 五、性能数据横向对比

基于已公开的商用网络部署数据，四强方案在关键性能指标上的对比：

| 性能指标 | 爱立信 | 华为 | 诺基亚 | 中兴 |
|----------|--------|------|--------|------|
| 日处理信令量 | 50亿条 | 80亿条 | 60亿条 | 40亿条 |
| 异常检出率 | 91% | 94% | 85% | 89% |
| 根因定位TOP-3准确率 | 87% | 91% | 80% | 86% |
| 故障定位时间缩短 | ↓87% | ↓90% | ↓95% | ↓92% |
| Call Trace关联成功率 | 93% | 97% | 90% | 97.5% |
| 误报率 | 8% | 6% | 5% | 9% |
| 诊断报告生成时间 | 5分钟 | 3分钟 | 8分钟 | 3分钟 |
| 运维人力节省 | ↓75% | ↓84% | ↓70% | ↓65% |
| 信令异常检测延迟 | 45秒 | 30秒 | 2.3分钟 | 15秒 |

## 六、关键技术挑战与解决方案

### 6.1 Call Trace跨NF关联难题

5GC信令分散在多个NF上，一次完整的注册流程涉及UE→gNB→AMF→AUSF→UDM→PCF→SMF→UPF之间的多条N2/N11/N8/N7/N4接口交互。四大厂商均采用**多维联合关联**策略：

```
关联维度：
├── 主键：SUPI（用户永久标识）
├── 辅键：GUAMI（Globally Unique AMF Identifier）→ 定位AMF实例
├── 链路键：TEID（GTP-U Tunnel Endpoint ID）→ 关联N3接口数据面
├── 会话键：PDU Session ID → 关联SMF-UPF的PFCP会话
└── 时间窗口：[T-5min, T+5min] 动态调整
```

华为和中兴在关联成功率上领先（97%/97.5%），主要得益于更精细的时间窗口动态调整算法——当检测到信令密集期（如早晚高峰），自动缩窄时间窗口减少误关联；在信令稀疏期则放宽窗口提高捕获率。

### 6.2 SBI接口JSON信令的语义理解

5GC的SBI接口使用HTTP/2+JSON传输，与4G EPC的二进制编码（如GTP-C TLV）有本质差异。一个典型的PDU Session Create SM Context Request消息包含超过30个JSON字段，嵌套层级达5层。四大厂商均采用LLM来解决这一挑战，但技术路径不同：

- **华为**：直接在盘古大模型上微调，训练数据包含3GPP规范中的ASN.1/OpenAPI定义
- **爱立信**：采用通用LLM+RAG架构，3GPP规范作为检索增强的外部知识库
- **诺基亚**：采用Domain-Specific Small Language Model（SLM），参数量约7B，专门针对通信协议训练
- **中兴**：采用规则引擎+LLM混合架构，标准流程用规则匹配，非标准异常用LLM推理

### 6.3 实时性挑战

信令分析需要满足准实时要求——对于VoNR通话中断等影响用户体验的场景，检测延迟应控制在秒级。各厂商的解决方案：

- **中兴**：轻量化模型+边缘部署，信令异常检测延迟仅15秒，表现最佳
- **诺基亚**：LSTM-Autoencoder用于实时流处理（延迟低），Transformer用于离线深度分析（精度高），形成两级检测架构

## 七、发展趋势与建议

### 7.1 技术演进方向

1. **Agentic AI信令诊断**：从"辅助诊断"走向"自主诊断+自愈"。当AI识别到UPF资源不足导致PDU Session建立失败时，不仅给出诊断结果，还自动触发UPF弹性扩缩容
2. **多模态信令分析**：融合信令数据+网元KPI+用户投诉文本+路测数据的多模态联合分析
3. **联邦学习保护隐私**：多个区域/运营商共享信令分析模型训练成果，但不共享原始信令数据

### 7.2 运营商选型建议

| 场景 | 推荐方案 | 理由 |
|------|----------|------|
| 大规模5GC（用户>2000万） | 华为iMaster NCE-CN | 日处理量最大，知识图谱最完善 |
| 多厂商混合组网 | 爱立信NI+SCM | 厂商中立性，跨域适配能力强 |
| 对AI可信度要求高（监管合规） | 诺基亚AVA | XAI可解释性唯一满足审计要求 |
| 5G专网/企业园区 | 中兴uSmartNet | 轻量化边缘部署，性价比最优 |
| 漫游场景信令分析 | 爱立信NI+SCM | Diameter/SIP漫游信令分析成熟度最高 |

## 八、结语

5G核心网信令智能诊断是AI在通信行业落地的典型高价值场景。四强方案各有千秋：爱立信胜在全球经验和SBI理解，华为胜在盘古大模型的规范理解深度，诺基亚胜在可解释AI的可信度，中兴胜在边缘轻量化部署。运营商在选型时应结合自身网络规模、组网复杂度、合规要求和预算综合考量。

值得关注的是，随着3GPP Release 18/19引入的Network Data Analytics Function（NWDAF）增强和Management Data Analytics（MDA）标准化，信令智能分析正从厂商私有方案向标准化接口演进，未来将形成NWDAF提供标准化分析数据+厂商AI引擎提供智能推理的分层架构。

---

## 参考来源

1. [Ericsson Network Intelligence Product Overview](https://www.ericsson.com/en/portfolio/networks/ericsson-network-manage/ericsson-network-intelligence) — 爱立信网络智能平台产品介绍
2. [Huawei iMaster NCE Intelligent O&M White Paper](https://carrier.huawei.com/en/products/network-management/imaster-nce) — 华为iMaster NCE智能运维白皮书
3. [Nokia AVA Cognitive Analytics for Telecom](https://www.nokia.com/products/network-operations-center/ava-cognitive-analytics/) — 诺基亚AVA认知分析平台
4. [3GPP TS 28.554: Management Data Analytics](https://www.3gpp.org/DynaReport/28554.htm) — 3GPP管理数据分析标准规范
5. [ZTE uSmartNet Intelligent Network Platform](https://www.zte.com.cn/china/products/202003201058/202003201106/202003201108.html) — 中兴uSmartNet智能网络平台

---
> 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。
> 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。

> [!tip] 51学通信知识星球
> **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。
> **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。
> **当前规模**：5200 篇主题 / 990 个回答，198 元/年。
> **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。
> **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。

![51学通信知识星球海报-扫码加入](https://wiki.500nian.com/images/zhixingqiu_qrcode.png)