Scaling Telco Autonomy: Leveraging GNNs with Distributed GraphFlow

轻松大规模运行GNN：介绍分布式GraphFlow | Google Cloud Blog

数据库

扩展电信自主性：利用分布式GraphFlow进行图神经网络（GNN）处理

2026年9月16日

##### Brian Naughton

电信领域高级首席架构师

##### Mathieu Guillame-Bert

软件工程师

##### 今天试用Gemini Enterprise

职场AI的入口

立即试用

电信行业目前正在经历范式转变，从传统的以人工驱动操作方式转向完全自主的网络运营。现代网络日益复杂、异构且规模庞大，使得手工制定的基于规则的方法和传统机器学习（ML）方法已不足以实现网络运营的自动化。虽然ML方法能够从大量结构化数据中识别细微模式并进行精确预测，但它们缺乏理解数据、推理数据与所代表系统之间关系以及最终做出人类操作员类型决策的能力。

AI代理及其推理能力的增长为这一缺陷提供了有前景的解决方案。然而，就像人类操作员无法直接处理大型网络中数十亿数据点所产生的统计信息一样，AI代理同样缺乏在这一规模上运行的能力。为解决这一挑战，电信公司正在采用图神经网络（GNNs）——一种专为在大规模时间序列和关系数据上原生运行的现代机器学习形式。通过将GNNs与AI代理结合，运营商可以将根因分析、容量规划、流量预测、假设模拟和实时异常检测等高级诊断功能，与解读这些洞察并执行合理操作所需的推理能力相结合。这种强大组合使网络能够安全地向TM Forum定义的5级自主性迈进，系统可实现完全自主运行。

在本文中，我们将介绍推动Google Cloud自主网络运营框架的三个核心组件（数据、机器学习和AI）。

Google自主网络运营框架架构

基础：基于Spanner图的数字孪生

Google Cloud自主网络运营框架的核心是网络数字孪生：一个高度详细的虚拟副本，能够实时持续映射其对应的电信网络。它不是静态模型，而是表现为动态的时序网络图，能够捕捉其组件随时间演变的状态和关系。这种架构方法使运营商能够"回溯"时间，在历史数据上训练和评估机器学习模型，同时为AI代理提供实现5级自主性所需的基础运营知识。通过在数字环境中模拟拟议网络变更的影响，数字孪生建立了关键的信任层，使AI代理能够自信地设计未来状态并自动解决网络问题。

Google Cloud的Spanner图非常适合托管这种数字孪生：

• 可扩展性和可用性：Spanner图为现代应用提供了无妥协的基础，提供几乎无限的扩展能力（随着网络增长而扩展），并实现0-RPO/0-RTO以及五个9的可用性。

• 多模型支持：平台支持多种数据模型（关系型、图模型、向量和全文搜索），使开发者能够构建复杂的组合，例如结合图遍历和最近邻向量搜索。

• 全局一致性：Spanner 提供网络的全局一致视图，简化了系统开发。

下图展示了一个包含四种节点类型的网络拓扑：路由器、接口（物理端口）、VPN（L3VPN 服务实例）和流量（活动会话）。这些节点通过有向边类型连接，完整呈现网络堆栈：物理包含关系（路由器-接口）、物理链路（接口-接口）、控制平面对等连接（通过 OSPF/iBGP 的路由器-路由器）、服务成员关系（路由器-VPN）以及流量锚定（流量-接口、流量-VPN）。

高级网络拓扑

机器学习层：分布式图流（DGF）

为了预测网络的行为和反应方式，数字孪生系统利用由分布式图流（DGF）驱动的机器学习层。通过在 Spanner Graph 中训练海量结构化历史数据，该层能够发现关键的预测性洞察，使人工操作员和 AI 代理能够主动管理网络，而非被动响应。

DGF 是 Google CoreML 和 Google Research 开发的最近开源 Python 库，旨在管理图神经网络（GNN）建模的完整端到端生命周期。该库将 Google 内部十年来的规模化工具和专业知识直接带给 Google Cloud 企业客户。为满足不同的工程需求，库中既提供高性能、可组合的底层原语供高级团队使用，也提供简单 API 以实现无需任何 GNN 专业知识的快速开发。

例如，使用高级 API 在 GraphFlow 中训练和评估 GNN 模型只需编写 5 行代码即可：

加载中...

import dgf # 从 Spanner Graph 加载数据 graph, schema = dgf.io.read_spanner_graph(...) # 训练节点属性预测模型 model = dgf.learning.train_node_model(graph, schema, target_column="risk_score") # 评估模型 model.evaluate() # 进行预测 model.predict(graph, seed_node_idxs=[0, 1, 2]) # 保存模型以备后续使用 model.save("/tmp/model")

（详见入门教程获取完整示例）

DGF 提供与自主网络运营需求直接对应的高层概念：

应用场景

通过结合 DGF 和 GNN，电信运营商可以通过多个高级用例从被动维护转向主动预防：

• 异常检测：GNN 生成包含历史模式和当前健康状态的节点和边嵌入。任何异常嵌入都会在导致服务退化前被标记以供审查。

• 根因分析（RCA）：DGF 可输出仅包含与事件相关的网络实例的特定子图，例如特定邮政编码区域的“附着失败”。这使故障排除代理能够快速分析而无需扫描整个全球网络。

• 预测性维护：系统可预测设备故障或边缘中断的可能性，例如快速移动设备的“切换失败”，从而实现主动负载均衡或重新路由。此外，通过结合代理，可采用“人环”/“人在回路”机制实现补救措施的自动化。

• 假设分析：GNN使运营商能够模拟光纤中断、流量激增或设备配置变更等场景。通过建模拓扑依赖关系，GNN可以预测这些局部变更如何在整个网络中传播，使工程师能够在无风险的数字环境中测试网络韧性并评估缓解策略。

场景：使用GNN和DGF进行根本原因分析

创建数字孪生（示例代码）后，可以通过一个简单的5步流程使用GNN和DGF实现根本原因分析（RCA）检测。

• 连接到数字孪生：使用DGF Spanner Graph连接器（dgf.io.read_spanner_graph）直接从Spanner Graph的数字孪生加载网络拓扑到DGF环境。

• 训练监督节点（或边）预测模型：根据训练数据和目标，您将训练一个监督节点预测模型来预测目标节点特征，或训练一个边预测模型来预测根因实体节点与受影响实体节点之间的边。对于给定的示例数据，您将使用高级API dgf.learning.train_node_model 来训练监督节点预测模型。

• 使用节点预测模型预测根因节点：该节点预测模型可以直接用于预测存在异常的节点的影响评分。受异常影响且预测影响评分最高的实体节点将是根因分析的首选候选对象。

• 部署到Gemini Enterprise Agent平台（原Vertex AI）：导出模型并在Gemini Enterprise端点上托管，以实现可扩展的低延迟预测。

• 实时推理：将异常日期作为输入，向推理端点发起预测请求。端点将返回预测的根因实体节点。

今天立即开始

将分布式图流（DGF）集成到网络运营中不仅仅是技术升级，更是电信行业的重要进化。通过转向基于GNN的自主框架，运营商可以显著缩短故障时间，实时优化容量，并最终通过提升运营效率为客户提供更优质的体验。

要开始构建自己的智能网络应用，请查看Distributed GraphFlow（DGF）库，该库为可扩展的GNN训练和推理提供了基本构建模块。如需动手实践，请参考我们的逐步代码示例。您还可以探索我们最近获奖的Moonshot项目（面向业务的GNN自愈网络），并通过阅读这篇白皮书深入了解我们在自优化自主网络方面的技术方案。

Posted in

• 数据库

• BigQuery

• 数据分析