2025年6月的哥本哈根，TM Forum的DTW Ignite大会创下了一项纪录——这是该大会历史上参与通信运营商（CSP）数量最多、覆盖国家最广的一届。在这次盛会上，一个叫"NeuroNOC"的项目把NETSCOUT、AWS、埃森哲和六家横跨四大洲的运营商聚到了一起，目标只有一个：给电信网络装上一个能自己看病、自己开药、自己复诊的"大脑"。本文拆解这个被称为"自愈网络大脑"（The Self-Healing Network Brain）的Catalyst项目，看NETSCOUT如何用DPI数据喂养大模型，在5G独立组网（SA）场景下实现告警到修复的闭环自愈。
要理解NeuroNOC为什么重要，先得看清运营商NOC（网络运营中心）眼下面临的两难。
第一难，是告警洪水。 行业数据显示，一个大型电信运营商往往要管理15万个以上的网元，而这些网元每天喷涌而出的告警里，70%到90%都是噪声——同一条光路闪断会被沿途十几个设备重复上报，一次割接能触发上千条级联告警。一线工程师在"告警风暴"里做根因分析，犹如在台风天找一片特定的树叶。告警压缩、关联、定位，每一环都靠人肉经验，平均故障恢复时间（MTTR）长期居高不下。
第二难，是"大模型悖论"。 2024年以来，几乎每家厂商都在把大语言模型（LLM）塞进运维流程。但实践很快暴露一个尴尬的事实：直接把原始遥测数据丢给LLM，效果并不好。原因有二——其一，原始数据噪声多、冗余高，模型被无效信息干扰，根因判断跑偏；其二，海量原始数据的token消耗极其惊人，调用一次AWS Bedrock这类托管大模型的成本可能让CFO直接叫停试点。结果就是：不喂数据，模型是空壳；喂全量数据，账单爆炸且结论不准。
NETSCOUT产品管理高级总监Richard Fulwiler在项目总结里一句话点破了症结："精准、实时的精选数据（curated data）是智能网络运营的地基。如果没有跨网络的高质量报文采集，几乎不可能在多条数据流之间做关联、定位根因、并验证自动修复是否真的生效。"
NeuroNOC要解决的，正是"拿什么数据喂大模型"这个最底层、也最关键的问题。
NeuroNOC是TM Forum的Catalyst创新项目（TM Forum Catalyst是电信行业特有的"运营商出题、厂商组队解题"的协作机制），在DTW Ignite 2025上对外亮相。
项目阵容横跨云、集成、运营商三条线： - 技术与方案方： NETSCOUT（主导）、AWS（提供Bedrock大模型算力）、Accenture（系统集成）、Symphonica（编排）、Sand Technologies（AI/数据工程） - 运营商"出题人"（Champion）： BT Group（英国）、Telecom Argentina（阿根廷）、Omantel（阿曼）、Turknet（土耳其）、Axian Telecom（马达加斯加等非洲多国）、Safaricom（肯尼亚）
六家运营商覆盖欧洲、拉美、中东、非洲，诉求各异却指向同一个痛点——这就是为什么这个项目能创下DTW Ignite参与CSP数量纪录。
NETSCOUT在这个项目里部署的不是一个大模型，而是一套"数据精选—分析—决策"的链路，其核心是Omnis AI Insight解决方案，由两个组件构成：
| 组件 | 角色 | 技术内核 |
|---|---|---|
| Omnis AI Sensor | 数据采集 | NETSCOUT看家本领——基于深度报文检测（DPI）的端到端网络可视，能"看懂"5G SA RAN和Packet Core里每个报文属于什么信令流程 |
| Omnis AI Streamer | 源端过滤 | 在数据产生的源头就做分析与筛选，通过开放API输出"高保真、精选"的数据集给下游 |
关键在于Streamer这一层——它不是把DPI抓到的所有报文一股脑倒给大模型，而是在源头就把无关流量、重复告警、低价值日志剔除，只保留对故障诊断真正有用的"营养"。这步"精选"，是后面token能砍80%的根源。
在TM Forum的Open APIs和开放数字架构（ODA）框架下，NeuroNOC把分散的数据流——告警（alarms）、日志（logs）、性能指标（performance metrics）、拓扑（topology）——统一汇聚到一个中央平台，供AI分析。整个自愈闭环如下：
flowchart TD
A[5G SA RAN<br/>+ Packet Core] -->|原始报文| B[Omnis AI Sensor<br/>DPI深度检测]
B --> C[Omnis AI Streamer<br/>源端精选过滤]
C -->|curated高保真数据| D[ODA统一平台<br/>告警/日志/性能/拓扑]
D --> E[curated LLM<br/>AWS Bedrock<br/>根因分析]
E -->|定位注册失败根因| F[AI Agent<br/>执行修复动作]
F --> G[DPI回采验证<br/>故障是否消除]
G -->|未消除| C
G -->|已消除| H[(闭环自愈完成)]
style B fill:#1f6feb,color:#fff
style C fill:#117733,color:#fff
style E fill:#9333ea,color:#fff
style F fill:#b45309,color:#fff
注意两个细节：第一，修复完成后并非就此打住，而是回到DPI层做回采验证，确认故障真的消除；第二，整个回路是闭环——如果修复没生效，数据重新进入精选通道，继续迭代。这正是"自愈"区别于"自动告警"的本质：它要完成"检测—分析—决策—执行—验证"的全链条，且能自我纠偏。
NeuroNOC在DTW Ignite现场演示的是一段5G SA的真实故障剧本。
故障注入： 在模拟的5G SA RAN与Packet Core环境中，人为制造一个"业务影响级"问题——用户注册失败（subscriber registration failure）。在真实网络里，这类故障往往表现为大面积用户"有信号却打不出电话、连不上数据"，是NOC最头疼的高压场景之一。
自愈过程： 1. Omnis AI Sensor通过DPI捕捉到注册流程信令异常； 2. Streamer在源端过滤掉无关流量，把与注册失败强相关的信令报文精选出来； 3. 这些curated数据汇入ODA平台，curated LLM（运行在AWS Bedrock上的精选大模型）据此识别出"这是注册失败"，并跨多数据流关联，精准定位根因； 4. AI Agent据此执行修复动作（如重置异常网元、调整配置），人工介入被压缩到最低（minimal manual effort）； 5. DPI回采确认注册流程恢复正常，闭环结束。
整个过程最值得关注的是"minimal human effort"——工程师从"满头大汗翻日志定位"的角色，变成了"监督AI干活"的角色。这正是自智网络（Autonomous Network）向L4高阶自治迈进时，人机协作的真实形态。
NeuroNOC给出的实测/预期结果，是目前公开资料里少有的"自愈"量化收益：
| 指标 | 改善幅度 | 对运营商的实际意义 |
|---|---|---|
| 手工排障工作量 | 降低最高 80% | NOC工程师从告警风暴中解放，人力转向高价值优化 |
| 运营成本（OPEX） | 降低最高 50% | 直接影响EBITDA，是CFO最关心的硬指标 |
| 大模型token消耗（AWS Bedrock） | 降低最高 80% | 让大模型运维从"烧钱试点"走向"可规模化部署" |
前两项（手工排障、成本）好理解，真正有技术含量的是第三项token下降80%。
这背后是一笔"数据经济学"的账：如果走传统路线，把全网DPI原始报文都喂给LLM，一个中等规模运营商一天的流量数据可能产生数以亿计的token，按Bedrock的计费，一周就能烧掉一个中台团队全年的预算，而且噪声数据会让模型根因判断准确率下降。
NETSCOUT的解法是把"喂什么"的决策前置到数据采集端——Omnis AI Streamer在源头就完成降噪和精选，只把"高营养"数据送给大模型。一箭双雕：token省了80%，模型因为吃的是干净数据，根因判断反而更准。Fulwiler那句"没有数据质量，AI模型就是空壳"，指的就是这件事。
这也回答了一个行业普遍困惑：为什么有的运营商大模型运维试点雷声大雨点小？ 答案往往是它们把精力全花在"调大模型"上，却忽视了"喂数据"这一步。NeuroNOC用80%的token降幅证明——AI运维的护城河，可能不在模型本身，而在数据精选管线。
为了说清NeuroNOC的差异化，把它和几条主流路线放在一起看。
| 维度 | 传统人工NOC | 纯LLM（无数据精选） | NETSCOUT NeuroNOC | 厂商数字孪生路线（如KDDI） |
|---|---|---|---|---|
| 数据基础 | 人工看告警/日志 | 原始telemetry全量喂入 | DPI精选curated数据 | 实时数字孪生镜像 |
| 根因定位 | 依赖专家经验，小时级 | 易被噪声干扰，准确率波动 | 多数据流关联，分钟级 | 孪生体即时反演根因 |
| 闭环程度 | 人工执行修复 | 多为建议，少自动执行 | 检测→修复→验证全自动 | 根因即时自现后转人工 |
| 成本特征 | 人力成本高 | token成本爆炸 | token省80%、OPEX省50% | 孪生建模投入大 |
| 成熟度 | 成熟但低效 | 概念验证多 | 模拟环境验证，迈向商用 | 局部商用 |
可以看出，NeuroNOC的独特定位是"数据精选优先"的自愈路线——它不追求一次性堆出最强模型，也不依赖重资产的数字孪生，而是用NETSCOUT几十年积累的DPI能力，在数据源头就把活儿做扎实。这条路对已有DPI/被动监测基础设施的运营商（恰恰是NETSCOUT的传统客户群）特别友好——存量资产直接复用，改造成本低。
一个Catalyst项目能拉到六家跨洲运营商当"出题人"，本身就说明痛点之普遍。
| 运营商 | 所在区域 | 代表性网络特征 |
|---|---|---|
| BT Group | 英国/欧洲 | 大型综合运营商，承载网+移动网复杂度高 |
| Telecom Argentina | 阿根廷/拉美 | 新兴市场，运维人力成本敏感 |
| Omantel | 阿曼/中东 | 国际枢纽，跨境流量故障定位难 |
| Turknet | 土耳其 | 宽带主导，用户体验诉求强 |
| Axian Telecom | 马达加斯加等/非洲 | 多国分散网络，远程运维压力大 |
| Safaricom | 肯尼亚/非洲 | 移动支付M-Pesa高度依赖网络可用性 |
六家运营商的共性是：网络规模在扩张、运维人力跟不上、又都对大模型运维跃跃欲试却被token成本劝退。 NeuroNOC"精选数据+降本80%"的卖点，恰好打在它们的命门上。这也是TM Forum Catalyst机制的价值——它用"运营商真实需求"给厂商方案做背书，比任何单家厂商的自卖自夸都有说服力。
客观地看，NeuroNOC目前仍有边界：
演示环境是"模拟的5G SA"而非现网商用部署。 80%和50%的数据带有"预期/演示验证"性质，进入真实现网大规模商用后，面对更复杂的异构厂商、历史遗留网元时，指标会打多少折扣，尚需追踪。Fulwiler自己也是坦诚的："完全自治的网络仍处于早期阶段。"
"精选"的规则本身需要持续运营。 Streamer的过滤策略不会一劳永逸，新型故障的信令特征一旦不在精选规则里，就可能被当噪声滤掉。这要求NETSCOUT和运营商持续维护数据精选策略库，本质上是用"数据工程"的持续投入换取"模型调用"的成本下降。
依赖DPI基础设施。 对那些没有NETSCOUT式被动监测体系的运营商，复制这条路需要先补齐数据采集层，前期投入并不为零。
NETSCOUT NeuroNOC给通信行业最大的启示，不是"大模型能自愈网络"这个已经被说烂的结论，而是它用80%的token降幅清晰地划出了一条实现路径：
在AI运维这场仗里，谁掌握了"喂数据"的精选管线，谁就掌握了规模化落地的钥匙。 模型可以是AWS Bedrock，也可以是别的；agent可以由Accenture集成，也可以自研。但如果没有NETSCOUT这套从DPI采集到源端过滤的"数据提纯"能力，再强的大模型也只能在噪声里打转，或在账单面前铩羽而归。
对于BT Group、Safaricom这些参与其中的运营商而言，NeuroNOC是一次低风险的"集体试水"——借Catalyst机制分摊成本、共享经验，把自愈网络从PPT推进到了可演示、可量化、可对比的阶段。下一步值得观察的是：这六家运营商里，谁会第一个把NeuroNOC的成果搬进真实现网，并交出第一份商用账单。 那一天，"自愈网络大脑"才算真正长大。
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。