随着5G网络建设的不断推进，2G、3G、4G、5G多张网络多个频点共存的网络结构日益复杂，给传统的多频网络优化带来了极大的挑战：传统的多频网优化方案基于地图、工参及仿真数据，存在参数配置固定，无法应对复杂多变的业务场景；针对网络级多频优化项目，人工往往只能聚焦典型问题，容易陷入局部优化，而忽略了整体增益；处理庞大的通信数据集时，人工方式无法满足效率和质量的双重需求。
针对以上挑战，中信科移动开展了针对多频多层网互操作、负荷均衡等性能优化方向的高阶自智网络算法研究，并基于HiNet智能运维引擎，创新性的自主研发实现了综合解决方案模块-MFAC（Multi frequency AI Core）。通过四大创新手段，MFAC可高质量、高效的解决网络级多频优化问题。
1、面向数据的算法设计
MFAC可改变传统以地图、工参、仿真的算法设计思路，同时不再完全依赖传统的专家经验，而是根据历史参数优化带来数据的变化统计进行算法设计，结合专家经验进行TOP问题调整。这种方式可以更加客观地反映参数优化与网络实际变化的关联情况，从数据层面挖掘参数和现象的联系，避免主观人为判断导致的偏差。
2、多点多小区联动
MFAC通过UE测量报告（MR）建立多对象特征工程能力，考虑不同制式、不同频点小区之间的区域性能联动变化情况。通过区域优化单元的划分和评估可以更加全面地评估网络性能，既考虑到单小区调整对周边的影响，又减少模型对象数量。
3、使用现网商用数据进行建模和迭代
MFAC利用现网商用数据进行建模和迭代，在商用网络稳定性要求下，要在有限调整次数内获取数据用于建模，就需要使用合适的算法优化，例如岭回归方法，结合数据增强算法，可有效提高预测准确性。
4、虚拟规则建模
MFAC通过对多维优化目标联合设定，针对虚拟规则建模，借助BP神经网络算法，通过算法对模型和数据的仿真和模拟，离线高效的迭代计算出高增益互操作优化方案。
经过不断的调优和模拟运算，MFAC算法性能逐步得到提升和完善，并于2023年7月首次在商用网络下进行了小规模试点。试点区域KPI正常波动，5G系统内、4/5G系统间切换成功率有所改善，5G分流比、驻留比得到显著提升，有效提高了5G网络商业化价值，优化过程不仅降低了人力成本，提升了优化效率，还为网络级多频多层网优化提供了新的思路和方法。
该项目的成功为中信科移动的高阶自智网络探索奠定了坚实基础，中信科移动将继续深化机器学习、AI大模型、意图驱动在自智网络发展中的研究和探索，持续加强和完善HiNet智能运维体系打造，大步迈向高阶自智网络的通信新时代。
