自主网络是一种设计并运营通信网络的范式，其灵感来源于人体自主神经系统。核心理念是网络应能够自我配置、自我优化、自我修复和自我保护，由高层业务或运营目标驱动，而非需要逐步的人工干预。这种方法旨在应对现代网络基础设施日益增长的复杂性，在这种环境下，手动配置和故障排除已变得越来越困难且容易出错。该概念将自主的、策略驱动的控制作为核心设计原则，使网络能够在无需操作员直接监督的情况下，动态适应不断变化的条件、故障和用户需求。
自主网络代表了从传统网络管理的转变，传统网络管理依赖于集中式、基于规则的工具和大量人工专业知识。自主网络不是对单个事件做出反应或发出特定命令，而是解释抽象目标（例如“最大化吞吐量”或“确保服务可用性”），并将其转化为跨设备和服务的具体行动。这需要监控、分析、决策和执行的能力，这些能力通常分布在整个网络中。该领域与自管理系统、基于策略的管理和人工智能等领域有重叠，但其对端到端网络行为的强调及其早期IT自主性研究的根源使其独具特色。
历史起源与影响
“自主”一词在计算领域由IBM推广，该公司于2001年启动了自主计算计划，设想系统根据“自*”属性进行自我管理。这一比喻借鉴了人体神经系统，该系统调节心跳和呼吸等无意识功能。该计划影响了后来的网络工作，特别是在研究社区内，促成了自主网络论坛及相关标准工作的创建。到2000年代中期，Carnegie Mellon University和Xerox PARC等机构的项目探索了策略驱动控制如何减少大规模网络中的手动开销。
自主网络的发展与Machine learning和Artificial intelligence的进步密切相关。早期系统使用简单的规则引擎和反馈循环，但现代数据中心和云服务的规模要求更复杂、更具预测性的方法。2010年代Deep learning的兴起，特别是神经网络等架构，为异常检测、流量预测和自动决策开辟了新的可能性。与早期符号方法不同，这些模型可以从历史网络数据中学习以预测故障或拥塞，将自主网络从被动管理转变为主动管理。
核心原则与自我管理属性
典型的自主网络通过控制循环运行，该循环持续监控自身状态，对照目标分析该状态，规划调整并执行调整。这通常被描述为MAPE-K循环（监控、分析、规划、执行并共享知识）。四个基础的自*属性提供了一个有用的框架：自我配置实现服务的自动设置和部署；自我优化调整参数以改善性能，例如路由路径或带宽分配；自我修复检测故障并在无需人工干预的情况下恢复，例如通过将流量重新路由到故障链路周围；自我保护通过实时识别和缓解威胁来防御恶意攻击。
这些属性通过网络设备上的本地智能与集中式或分布式控制器的结合来实现。例如，路由器可能使用Reinforcement learning根据延迟测量选择路由，而云编排器使用基于Large language model的副驾驶来解释操作员命令作为意图。Generative AI工具的集成最近实现了更自然的人机交互，工程师可以用自然语言陈述目标，系统将其转化为可执行策略。然而，完全自主的行为仍然是一个理想目标；大多数已部署的系统是混合的，高风险决策中有人类参与。
使能技术与实现
现代自主网络依赖于一系列技术，包括软件定义网络（SDN）、网络功能虚拟化（NFV）和基于遥测的监控。SDN将控制平面与数据平面解耦，允许集中式Machine learning模型动态操作流表。NFV支持按需实例化防火墙或负载均衡器等服务，这些服务可以根据策略自动扩展。遥测系统收集高分辨率指标，馈送到检测模式的模型中。例如，Amazon Web Services和Microsoft Azure已在其云控制台中采用基于意图的网络，用户指定高层需求，平台将其转化为具体配置。
在实践中，自主网络正在多个领域得到应用。数据中心运营商使用它来平衡工作负载和功耗，根据实时条件调整冷却和流量流。电信提供商使用它来管理5G核心网络，自动化切片供应和切换优化。工业物联网部署受益于自修复网状网络，即使设备移动或故障也能保持连接。MIT CSAIL和Stanford AI Lab的研究工作已展示了使用transformers建模网络流量序列的原型系统，在预测拥塞和主动重新分配资源方面实现了最先进的准确性。
挑战与局限性
尽管前景广阔，自主网络仍面临重大障碍。安全性和信任至关重要；一个错误配置路由器的自主行动可能导致大范围中断，且难以逆转。验证AI驱动决策的正确性很困难，特别是对于充当黑盒的神经网络。这推动了可解释AI的研究，例如Aleksander Madry等人关于鲁棒和可解释模型的工作。还有一个问题是如何处理异构环境，其中来自多个供应商的设备可能不支持标准接口。传统设备通常缺乏细粒度控制所需的遥测能力，需要网关或适配器层。
另一个主要挑战是“引导”问题：自主网络必须从一开始就自我管理，但可能缺乏用于学习的历史数据。这导致了模拟和合成数据生成的使用，但训练环境与生产现实之间仍存在差距。此外，在对抗条件下（如协调网络攻击）保证行为是复杂的，因为攻击者可能利用网络自身的自主响应。Data Augmentation和Curriculum Learning的研究正在帮助强化模型以应对此类边缘情况，但完全鲁棒性仍然难以实现。
与AI的关系及未来方向
自主网络正日益与通用Artificial intelligence研究融合。驱动对话代理的相同Large language model架构正被重新用于网络诊断和修复。例如，系统可以解析错误日志并建议纠正措施，或在应用更改前模拟“假设”场景。Nokia Bell Labs和Fujitsu等公司已宣布集成AI助手的自主运营平台，供规划人员和工程师使用。类似于Reinforcement Learning from AI Feedback (RLAIF)的从人类反馈中Reinforcement learning正被探索，以将网络策略与操作员偏好对齐。
展望未来，该领域旨在实现完全闭环自主性，即网络本身可以根据成本或用户体验等业务指标设定目标。这可能涉及多代理系统，其中单个设备自主协商服务级别协议。Multi-Head Attention和Cross-Attention机制的研究使模型能够捕获网络状态中的长距离依赖，提高预测准确性。然而，实际采用将取决于监管和伦理框架，因为自主系统可能对故障承担责任。“人在环上”（而非“人在环中”）的概念正获得关注，即人类在任务层面进行监督，但将操作决策委托给系统。截至2025年，大多数商业实现仍是半自主的，但随着对AI信任的增长，趋势表明自动化程度将不断提高。
参见
- Deep learning
- Reinforcement learning
- 基于策略的管理
- 基于意图的网络