中國深圳華強北，晶片禁運會否電子產業倒閉潮？人員失業，空舖潮鋪天蓋地，工廠停工，帶你遊街實拍深圳華強北現況，了解真實情況！實情悲哀，無奈！
今日主題 智慧安控\雲端\物聯網\行業應用
智慧安控應用
|
2020年10月5日 星期一
．前視式紅外線攝影機與技術應用
FLIR Cameras Spot Trespassers and Keep Trains Running Smoothly
- Application Story
通常在軍事和民用飛機上，使用的前視式紅外線攝影機，是採用感測紅外輻射的熱像儀技術（Forward-looking infrared 簡稱為 FLIR，此處非指美國的攝影機廠商）。
安裝在前視式紅外線攝影機，以及其他熱成像攝影機中的感測器，使用紅外線輻射（通常從熱源發出的輻射）（熱輻射）進行檢測，以產生用於影像輸出的圖像。
它們可用於幫助飛行員和駕駛員，在夜間和霧中駕駛車輛，或在較涼的背景下檢測溫暖的物體。熱像儀檢測到的紅外線波長為 3 至 12 μm，與夜視顯著不同，夜視必須在可見光和近紅外線範圍（0.4 至 1.0 μm）中工作。
設計概念
紅外光分為兩個基本範圍：長波和中波。長波紅外（LWIR）攝影機有時稱為「遠紅外線」，其工作波長為 8 至 12 μm，可以看到幾公裡外的熱源，例如發動機部件或人體熱的熱量。使用 LWIR 很難進行遠距離觀察，因為紅外光會被空氣和水蒸氣吸收、散射和折射。
一些長波攝影機要求將其檢測器進行低溫冷卻，通常在使用前先冷卻幾分鐘，儘管某些中敏感度高的紅外線攝影機不需要這樣做。許多熱像儀，包括一些前視式紅外線熱像儀（例如某些 LWIR 增強視覺系統（EVS））也沒有冷卻。
中波（MWIR）前視式的工作範圍為 3 – 5 μm。這些頻率幾乎也可以看到，因為那些頻率受水蒸氣吸收的影響較小，但通常需要更昂貴的感測器陣列，以及低溫冷卻。
許多攝影機系統使用數位圖像處理，來改善圖像品質。由於製造過程的局限性，紅外線成像感測器陣列的像素間，靈敏度常常非常不一致。為瞭解決這個問題，工廠對每個像素的反應進行了測量，通常是線性的變換，將測得的輸入信號映射到輸出電平。
一些公司提供了先進的「融合」技術，該技術將可見光譜圖像，與紅外光譜圖像混合在一起，比單獨的單光譜圖像產生更好的結果。
特性
熱像儀，例如 Raytheon AN / AAQ-26，用於多種應用，包括海軍艦船，固定翼飛機，直升機和裝甲戰車。
在戰爭中，它們比其他成像技術具有三個明顯的優勢：
1.成像器本身幾乎不可能檢測到敵人，因為它會檢測從目標發射的能量，而不是像雷達或聲納那樣發出從目標反射的能量。
2.看到紅外線光譜中的輻射，很難被偽裝。
3.與可見光攝影機相比，這些攝影機系統可以更好地穿透煙霧、霧氣、陰霾和其他大氣遮蓋物。
術語的由來
術語「前視式」用於將固定的前視式熱成像系統，與側向跟蹤紅外線系統（也稱為「Push Broom」成像儀）以及其他熱成像系統（如安裝在雲台上的成像系統、手持式成像系統）區分開來。 等等。 Push Broom 系統通常已用於飛機和衛星上。
側向跟蹤成像器通常包含一維（1D）像素陣列，該像素陣列使用飛機或衛星的運動在整個地面上移動1D陣列的視圖，從而隨時間建立2D圖像。 這種系統不能用於實時成像，必須垂直於行進方向看。
發展歷史
1956 年，德州儀器（Texas Instruments）開始研究紅外線技術，該技術促成了數個行掃描儀合同，並增加了第二個掃描鏡，於 1963 年發明了第一台前視式紅外線熱像儀，並於 1966 年開始生產。1972 年，TI 發明了通用模組的概念，大大降低了成本，並允許通用組件的重複使用。
用途
。對哺乳動物的監視和/或捕獲
– 例如偵查隱藏在卡車/卡車中的非法移民
– 警告駕駛員因鹿引起的突然道路阻塞
– 通過煙霧和/或陰霾定位
。失踪人員的搜救行動，特別是在樹林或水中
。軍用或民用飛機的目標獲取和跟踪
。流域溫度監測和野外棲息地監測
。能量損耗或消耗或絕緣不良的檢測
– 例如 在建築物中以減少 HVAC 能耗
– 搜索毒品實驗室和/或室內大麻生產商（尤其是在夜間）
。低能見度（IMC）條件下的飛機駕駛
。消防作業中的火源
。監測活火山
。檢測電氣接頭，連接件和組件的故障或過熱
。夜間駕駛
成本
在為商業、工業和軍事應用設計和製造了，基於微機電技術的廉價便攜式和固定紅外線探測器和系統之後，總體上，熱成像設備的成本已大幅下降。同樣，較早的攝影機設計使用旋轉鏡，將圖像掃描到小型感測器。越來越多的現代攝影機不再使用這種方法。 簡化有助於降低成本。
許多 EVS 產品中可用的非冷卻技術，將成本降低到性能相似的老式冷卻技術價格的幾分之一。從 Cirrus 和 Cessna 飛機到大型商務飛機，EVS 在許多固定翼和旋轉翼營運商中正迅速成為主流。
許多 EVS 產品中可用的非冷卻技術，將成本降低到性能相似的老式冷卻技術價格的幾分之一。從 Cirrus 和 Cessna 飛機到大型商務飛機，EVS 在許多固定翼和旋轉翼營運商中正迅速成為主流。
警察勤務行動
2001 年，美國最高法院裁定，在沒有執法部門搜查令的情況下，使用熱像儀對私人財產進行監視（表面上是偵查秘密大麻種植中使用的高排放生長燈），違反了第四修正案的保護，免受不合理的搜查和沒收。 Kyllo 訴美國（US 533 U.S. 27，121 S.Ct. 2038，150 L. 2d 94（2001）。
在 2004 年 R. v。Tessling 案的判決中，加拿大最高法院裁定，無需進行搜查令，便允許在警察的監視下使用機載 FLIR。法院認為，FLIR 收集的數據的一般性質並未透露佔用者的個人資訊，因此沒有違反 Tessling 根據《權利與自由憲章》（1982 年）賦予的第 8 條權利。 Binnie，J. 通過同意 Kyllo 少數族裔的意見，在有關 Kyllo 判決方面區別了加拿大法律
公職人員不必在檢測公共領域的排放物時避免其感官或設備，例如過熱、煙霧、可疑氣味、無味氣體、空氣中的微粒或放射性排放物，這些都可以辨識對社區的危害。
2014 年 6 月，加拿大國家空中監視計劃 DHC-8M-100 飛機安裝了紅外線感測器，這有助於搜尋賈斯汀·布爾克（Justin Bourque），他在蒙克頓殺死了三名加拿大皇家騎警成員。飛機機組人員在午夜時分，使用其先進的熱敏攝影機在深草叢中發現了布爾克的熱特徵。
根據聯邦調查局發言人克里斯托弗·艾倫的說法，在 2015 年巴爾的摩抗議期間，聯邦調查局在 4 月 29 日至 5 月 3 日之間進行了 10 次空中監視任務，其中包括「紅外線和白天色彩，全動態 FLIR 影像證據」收集。
一種 FLIR Talon 多感測器攝影機系統，該系統配備了紅外線雷射指示器（對於偶然的觀察者而言是不可見的），用於照明目的，用於在夜間收集數據。美國公民自由聯盟對沒有司法指導和公開討論而實施新監視技術的事實表示關注。
ACLU 律師內森·韋斯勒（Nathan Wessler）表示：「這是動態的，在監控方面，我們一遍又一遍。當細節洩漏出去時，程序已經牢牢紮根，幾乎不可能撤回它們-並且實行限制和監督非常困難。」
ACLU 律師內森·韋斯勒（Nathan Wessler）表示：「這是動態的，在監控方面，我們一遍又一遍。當細節洩漏出去時，程序已經牢牢紮根，幾乎不可能撤回它們-並且實行限制和監督非常困難。」
【任何經過翻譯或轉載之中文資訊，我們為了盡量使用台灣常用相關名詞與慣用語法，將與原中文有所變更，但不改內容意義 – 3S MARKET】
．隨著對中國進行報復，美國將華為與全球晶片供應商切斷聯繫
U.S. moves to cut off Huawei
from chip suppliers
華盛頓（路透社）- 川普政府日前採取行動，阻止向黑名單中的電信設備巨頭華為技術提供全球晶片供應，這引發了人們對中國報復的擔憂，並打擊了美國晶片製造設備生產商的股票。
由美國商務部公佈，並由路透社首先報導的，一項新規定擴大了美國的權力，要求向美國銷售使用美國技術製造的半導體的許可證要向華為出售，從而大大擴大了其影響範圍，以停止向全球第二智慧手機製造商的出口。
美國商務部高級官員在 5/15 的電話簡報中，對記者說：「此舉將美國放在首位，將美國公司放在首位，將美國國家安全放在首位。」
全球最大的電信設備製造商華為未回應置評請求。
反對該公司的舉動打擊了歐洲股市，因交易員拋售了當天的漲幅，而晶片設備製造商如 Lam Research 和 KLA Corp 的股票在美國交易中分別下跌了 6.4％ 和 4.8％。
中國的反應迅速，《環球時報》5/8 在一份報告中表示，北京已準備將美國公司列入「不可靠的實體名單」，作為對華為新限制措施的對策之一。
報導援引消息人士的話說，這些措施包括展開調查並對蘋果公司，思科系統公司和高通公司等美國公司施加限制，以及暫停購買波音公司的飛機。
美國商務部的這一規定於 5/15 生效，但有 120 天的寬限期，這也打擊了最大的合同晶片製造商，和主要的華為供應商台灣積體電路製造有限公司，後者 5/14 宣佈計劃在美國建廠。
台積電 5/15 表示，「正在密切關注美國出口法規的變化」，並與外部法律顧問合作，「進行法律分析並確保對這些法規進行全面審查和解釋。」
該部門表示，該規則旨在防止華為繼續破壞，其列入黑名單的公司的地位，這意味著美國製造的先進技術的供應商，必須先獲得美國政府的許可才能出售給華為。
商務部長威爾伯·羅斯（Wilbur Ross） 5/15 對福克斯商業網絡（Fox Business Network）表示：「實際上存在著一個非常技術性的漏洞，華為得以利用該技術與外國晶圓廠生產商一起使用美國技術。」試圖糾正這一漏洞。」
由於國家安全方面的考慮，該公司去年被列入商務部的「實體清單」。華盛頓方面指控該公司違反了美國對伊朗的製裁併可能監視客戶。華為否認了這一指控。
中國政府內部的鷹派人士感到沮喪的是，華為的實體上市未能充分遏制其獲取供應的機會，這促使路透社在 11 月首次報導了一項努力，以嚴厲打擊該公司。
華盛頓律師，前商務部官員凱文·沃爾夫（Kevin Wolf）表示，該規則似乎是「對美國出口管制進行的新穎，複雜的擴展」，涉及使用美國技術在國外生產並發送給華為的晶片相關產品。但他強調，由華為以外的公司設計並使用美國技術製造的晶片仍可以在沒有許可證要求的情況下出售給該公司。
儘管新規則將適用於晶片，而不管晶片的複雜程度如何，但美國國務院高級官員 5/15 還向記者作了簡報，為該公司提供了一定的靈活性，並呼應了川普政府此前給予華為的緩刑。
「這是許可要求。這位官員說，這並不一定意味著事情被拒絕了。他補充說，該規則賦予美國政府更大的「可見度」。 「這些應用程序要做什麼，我們將不得不看……每個應用程序都將根據其優劣進行判斷。」
廣告
在基本上禁止華為從美國供應商那裡購買產品後，商務部向一些美國最大的美國合作夥伴授予了許可證，以繼續向該公司出售產品，同時還允許較小的農村電信公司繼續購買華為設備，以保持其網路的正常運行。 。
華為的智慧手機和電信設備需要半導體，而美國和中國之間的關係在最近幾個月因致命冠狀病毒的起源而惡化，這已成為處於中美爭奪全球技術主導地位之戰的核心。
雖然規則變更旨在擠壓華為並打擊其依賴的晶片代工廠，但如果晶片製造商開發超出美國規則範圍的新設備來源，美國晶片製造設備製造商可能會面臨長期痛苦。
但就目前而言，大多數晶片製造商都依賴美國公司生產的設備，例如 KLA、Lam Research 和 Applied Materials，它們並未回應置評請求。
雖然製造晶片所需的一些複雜工具，來自美國以外的公司，例如日本的東京電子和日立以及荷蘭的 ASML，但分析人士表示，要整合整個工具鏈來製造先進的半導體，至少要有至少一部分是很困難的。 一些美國設備。
購買該工具的台積電（TSMC）等代工廠，而不是像高通公司（Qualcomm Inc）或英偉達公司（Nvidia Corp）這樣的美國半導體公司，將這些代工廠作為其供應鏈的一部分，最容易感受到處理新規則的負擔。
半導體行業協會首席執行官約翰·諾伊弗（John Neuffer）在一份聲明中說：「我們擔心這一規則可能會給全球半導體供應鏈帶來不確定性和中斷，但與先前考慮的非常廣泛的方法相比，這似乎對美國半導體行業的損害較小。」 。
美國國務卿邁克·龐培（Mike Pompeo）表示，此舉旨在保護「 5G 網路的完整性」。 他補充說，該規則「有助於防止華為破壞美國的出口管制。」
【任何經過翻譯或轉載之中文資訊，我們為了盡量使用台灣常用相關名詞與慣用語法，將與原中文有所變更，但不改內容意義 – 3S MARKET】
．當心駭客竊取你物聯網設備中的數據！
Hacking your Home: How safe is the Internet of Things? | IoT Security
來源：IT168企业级
隨著智慧感測器和其他物聯網設備逐漸普及，所收集的數據品質非常重要。然而，這些數據通常受到環境、人為錯誤和駭客的影響。
智慧設備和感測器的價值，在於其收集的數據，但這些設備通常存在於惡劣的環境中，需要正確配置才能運行，並且經常被駭客利用。
當感測器數據錯誤或者沒有按預期時會發生什麼？
請考慮以下幾點：
研究發現，無線網路和物聯網(IoT)設備的電子噪音「可能導致網路性能不佳甚至應用程式故障」。該研究發現在先進的實驗數位化工廠就有這樣的情況。
很多工業和企業 IoT 設備具有可被駭客利用的大量安全漏洞，包括遠端電源管理器。IoT 醫療設備風險更大，很多被駭客入侵。
美國德克薩斯州一家煉油廠發生爆炸，造成 15 人死亡，180 人受傷，據估計，這部分是由於設備不正確校準，提供錯誤讀取數據導致。
下面我們將探討從 IoT 設備收集準備數據所面臨的挑戰。我們採訪了一些技術專家，不準確的物聯網數據是否是問題，如果是這樣，嚴重程度如何，主要原因是什麼以及如何處理這些問題。我們還詢問了這些專家如何提高數據品質的建議。
問題範圍
環境因素和惡劣環境，可能會使感測收集的數據出現偏差。「從我的經驗來看，任何大型複雜 IoT 系統的數據都不能完全相信，」IoT 整合商 Bright Wolf 公司銷售工程師 Eddie Gotherman 表示，「如果你有成千上萬的設備和感測器，肯定會有一些壞數據和噪音。」
這些設備和感測器的高密度，以及無線網路可能會產生非常大的干擾和噪音，導致難以準確記錄數據。
感測器和 IoT 設備還會隨著時間的推移而老化，這是導致問題 IoT 數據的另一個主要原因。
咨詢公司 Moor Insights&Strategy 網路和伺服器高級分析師 John Fruehe 表示，感測器和設備並不總是主要責備對象。外部因素也可能導致良好的感測器記錄，和傳輸不好的數據。
「讓我們看一個簡單的例子：企業使用 IoT 感測器來控制其空調系統，」他表示，「該感測器測量空氣溫度，然後響應調整空調溫度。如果有人移動書架並覆蓋了感測器，這可能導致會議室太冷，因為感測器比周圍房間溫度更高。如果你只看感測器傳入的數據，你會認為感測器壞了，因為其數據並不符合房間的整體溫度。但當你檢查環境時，你會看到感測器及其數據沒有問題，而是周圍環境導致的問題。」
根據網路安全公司 Indegy 市場策略副總裁 Dana Tamir 表示，人為錯誤是糟糕 IoT 數據的最常見原因。
「在很多情況下，人們對設備進行更改，導致不正確的設置，而產生不好的數據，」Tamir 稱，「通常情況下，這些設備很舊，沒有內置安全設備，沒有辦法限制人們的更改，也沒有辦法跟蹤他們做了什麼。這使得非常難以瞭解數據，什麼時候變壞，以及什麼導致的問題。」
當駭客攻擊時
IoT 設備和數據遭受攻擊的問題幾乎出現在「我參加的所有工業 IoT 會議中，」Aruba 公司策略合作夥伴副總裁 Michael Tennefoss 稱，「人們想要知道，當我的感測器被攻擊會怎麼樣？」
攻擊者經常會利用 IoT 設備和感測器中固有的漏洞。由於設計這些設備的工程師「並不是網路安全專家，也就是為什麼有這麼多 IoT 安全洩露事故的原因，」Tennefoss 指出，基本安全功能缺失，很多舊系統沒有安全功能。
在很多情況下，企業不知道其 IoT 設備被攻擊，因為他們在工作時間正常運行，攻擊者非常聰明地在休息時間滲透網路，並竊取生產數據。
壞數據的後果
工業數據洩露事故，可能會造成嚴重甚至危及生命的後果。「當工業系統的數據或設備受感染時，造成的影響比資訊系統受攻擊大得多，」Tamir 稱，「對於工業系統，我們不是談論數據、數位和金錢，而是可能導致輕微中斷，到重大災難的實體系統。對控制系統的攻擊或未經授權更改，可能會導致有害物質溢出或者爆炸、死亡。」
風險和報酬
企業應該做些什麼來緩解不良 IoT 數據帶來的風險？首先，他們需要知道不良數據的存在，而這並不容易。RTI 公司產品和市場副總裁 David Barnett 以風力渦輪機中，測量震動的加速度計為例。如果加速度計報告振動的突然變化，這可能標誌著以下兩種情況之一：加速度計故障，或者渦輪機損壞或即將故障。工程師如何確定哪種情況？
工程師可盡可能多地關聯單個感測器或感測器組的數據與其他感測器和數據源。在風力發電機的例子中，如果你將單個加速度計的數據，與渦輪機其他加速度計的數據相關聯，以及其他資訊(例如渦輪機的輸出)，你很快可以確定感測器數據是否有問題，以及這是否表明渦輪機即將出現故障。
如果功率輸出沒有變化，加速度計報告的資訊與其他感測器不同，這說明加速度計及其數據有問題。但如果加速度計數據與其他數據一致，功率輸出下降，則問題出在渦輪機，而不是感測器。
Marx 補充說，為了確定數據是好是壞，企業應該為「正常」IoT設備和數據創建基準。這說起來容易做起來難，因為正常的標準通常會隨著環境變化以及一年的時間而變化。
企業應首先建議一般的基準線，然後在其模型中構建正常的變量。
Moor Insights&Strategy 的 Fruehe 補充說，企業應將其感測器及 IoT 數據，與盡可能廣泛的資訊來源相關聯。例如，製造商應密切監控其供電，特別是如果使用機器人。供電情況的波動可能導致一毫秒或更長的延遲，這可能聽起來不多，但足以導致汽車不完美的焊縫。
同樣地，在芯片製造廠或製造醫療設備的工廠，必須密切測量空氣過濾器和空氣品質，因為單粒灰塵可能導致製造故障。
另一個考慮因素是 IoT 數據有各種不同的格式，這意味著數據需要被整理成通用格式，所以需要瞭解 IoT 數據的來源 — 它來自哪裡，如何清理數據以及誰進行清理。這是確定數據好壞的唯一方法。
最後，Tennefoss 建議當企業透過物聯網數據，對潛在問題進行排查時，不要採用一刀切的方法。企業應該區分設備導致的數據問題或感測器故障，以及不可用數據、損壞數據與惡意數據。只有以這種方式明確問題原因，才能解決問題。
為什麼自動化重要
人類不可能手動編譯、對比和分析海量IoT數據，企業越來越多地使用機器學習，來標記異常數據和行為。
「透過機器學習，你可以更容易地瞭解什麼是正常數據，以及什麼是異常數據，」Tennefoss 稱，「當你需要分析上下文數據時，機器學習也非常好用，例如時間或位置。」
IoT 數據可幫助提高品質、效率和生產力。「所有這些新數據改變了人們對運行工廠的看法，」Marx 稱，「在某種程度上，我們現在都變成了數據科學家，無論職位是什麼。但你所做出的決定取決於你擁有的數據，所以最重要的是選擇合適的系統來確保 IoT 數據的可信度。」
IoT 設備及其收集的數據：領導者的經驗教訓
IoT 數據可生成有價值的見解，幫助製造商提高品質、效率和生產率
為了發現有問題的設備和數據，企業必須為「正常」IoT 性能設定基準，但這說起來容易做起來難。
IoT 數據有不同的格式，企業必須瞭解其來源、它如何被整理以及由誰來處理。
【任何經過翻譯或轉載之中文資訊，我們為了盡量使用台灣常用相關名詞與慣用語法，將與原中文有所變更，但不改內容意義 – 3S MARKET】
．人工智慧 + 5G：時代拋棄你，連個招呼都不打？
5G-IoT-Edge-ML/AI: Technologies
That Will Transform
通信網路是人工智慧爆發的基礎，人工智慧將大幅提升通信網路能力。
人工智慧將在 5G 時代發揮關鍵作用，以適應網路高效性和複雜性。
如果不利用好大數據和人工智慧技術，營運商就沒有未來。
…
這是最近電信業內發出的一些聲音。
5G、人工智慧和物聯網，正在時代的路口交匯，注定會攜手同行，開啓一場通信變革。
人工智慧 + 5G：
網路自下而上的天然融合
5G 要從「人的連接」擴展到「萬物互聯」，從網路技術到應用場景都將發生變化，但最大的變化是什麼？
5G 將史無前例地改變網路上行流量。
首先，5G 讓網路上行速率得到空前提升。
傳統網路偏重於下行速率，傳統終端也主要用於下載數據，5G 上行速率的空前提升，將再次改變人類的通信方式，也必將引發一場終端變革。
其次，5G 物聯網時代與網際網路時代的本質，區別在於數據傳送的方向不同。
網際網路是一個內容交付網路，本質上是從中心向大眾傳送內容(比如影像)；而物聯網恰恰相反，它由外而內地從邊緣引入海量數據。
在 5G 時代，無論是「人的連接」，還是「萬物互聯」，都將自下而上地產生海量數據。
人工智慧通過收集海量數據，從數據中自動辨識、學習模式和規則，並代替人工來預測趨勢、執行策略。它本質上是自下而上的數據驅動，靠海量數據不斷「餵食」來產出最大價值。
顯然，5G 和人工智慧在路徑上是一致的，5G 網路及其產生的海量數據是人工智慧的基礎支撐。同時，5G 也迫切需要人工智慧。
人工智慧 + 5G：
解決網路複雜性的必備良藥
未來的電信網路面臨著各種複雜性挑戰，迫切需要引入人工慧。
5G 萬物互聯產生的海量數據是複雜的，其中很多還是無價值的，靠人力完全無法應付，需人工智慧來清洗和分析。
5G 網路本身是一個複雜的系統，需要人工智慧來理清邏輯和秩序，使能網路自動化，降低維運成本。
行動網路正在變得越來越複雜，據統計，2G 基地台參數僅有 500 個，3G 基地台 1500 個，到了 4G 時代，每個基地台的參數接近 3500 個，5G 參數將更多，而這僅是無線接入網部分而已。
5G 是一個大融合時代，多種無線接入技術融合，固移融合， IT 和 CT 融合，傳統網路和新型網路融合，大融合之下帶來的網路複雜性不言而喻。
網路複雜性帶來的是高企的維運成本和風險。隨著網路規模不斷擴大，網路投資居高不下，在量收剪刀差的壓力下，透過自動化網路來降低維運成本，成為營運商的必然選擇。同時，5G 要擁抱垂直領域，垂直領域對網路高可靠、高穩定性有著強需求，一旦人工操作失誤將帶來巨額經濟損失。
有人說，5G 時代營運商將重建護城河，因為網路太複雜，令攻城者只能望而興嘆。
這是一個悲傷的笑話，但 5G 加上人工智慧，也許真能讓營運商重建護城河，重回產業鏈的核心地位。
人工智慧 + 5G：
網路重構的絕佳搭配
營運商正在基於 SDN/NFV 重構未來電信網路。NFV/SDN 解耦了傳統專用電信設備、打通了網路煙囪式的構架，使能網路更加靈活敏捷，這注定了未來網路佈署，將工作於高度動態的環境之下，以至於靠人力來決策和操作，根本無力滿足其動態性和敏捷性，因此，需要加持人工智慧的閉環自治系統，和無縫的互操作性，來即時反應網路事件和服務需求。
NFV 本身也帶來了網路的複雜性，傳統維運方式也是無法適應的。
舉個例子。
眾所皆知，今天的網路無論是告警、性能指標，還是網路參數，都和網路特定的硬體設備相關的。這是因為，傳統電信設備在軟硬體上緊耦合，邏輯網路配置和實體硬體之間，具有固定的映射關係。
得益於傳統電信設備的軟硬體緊耦合關係，維運人員可以透過網路配置拓撲、告警來源、事件報告、性能指標等快速定位故障和分析網路指標。
但對於 5G 虛擬化網路，一切都變了。
在 NFV 的世界裡，邏輯世界和實體世界分離，網路資源透過軟件的方式創建，只要透用伺服器作為硬體準備就緒，就可以隨時透過增加或減少虛擬機的數量來配置「網元」。
換言之，邏輯網路配置與物理硬件沒有固定關係，網路功能服務由多個虛擬化邏輯資源組成，它可能會在不同的硬體上配置相同的服務，也可能在相同的硬體上配置不同的服務。
這就是 NFV 帶來的複雜性，若依靠傳統維運工程師的經驗和技能，難以在鬆散的環境下，進行快速和準確的問題分析和定位。
應運而生的是大數據+人工智慧的服務監控系統，即透過收集海量的、多維的網路數據，透過人工智慧快速地、精準地分析、決策，從此告別被動維運時代，真正實現主動式的、以用戶感知為中心的網路維運，乃至形成閉環系統，進入自動化運維時代。
面向 5G 時代，人工智慧潮頭襲來。在電信領域，從設備商、運營商到終端商，無一不在為人工智慧摩拳擦掌。
有句話講，時代要拋棄我們，連一聲再見都不會說。傳統通信人真的會成為時代的犧牲品嗎？
至少再見總是要說一聲吧。
電信業要應用好人工智慧，至少面臨兩大挑戰。
首先，人工智慧最大的挑戰是文化和人才，並非技術。
人工智慧是一個多學科領域，人才稀缺且昂貴。以營運商的薪酬待遇，恐怕難以吸引這些人才。
營運商要推動人工智慧，涉及組織層面的文化變革，需重新設計流程，制訂 AI 文化計劃，推動員工向創造性勞動發展。對於網路維運應用人工智慧，實施成本並不會便宜，初期難以量化其帶來的直接經濟效益，如果沒有這種自上而下的推動，人工智慧在電信業幾十年來，形成的對傳統人力依戀不捨的阻力下，恐怕難以走出實驗室。
與數位化轉型一樣，最大的敵人就是自己。
其次，是商業模式和生態。
人工智慧不僅要應用於網路本身以降低成本，其更大的夢想是瞄準新市場，增加收入來源。但對於營運商，人工智慧應用還處於構思階段，成功的商業案例少之又少。營運商應該以需求為導向，積極參與標準化和開源組織，展開廣泛的生態合作，比如，早期可開放雲端讓垂直領域夥伴，接入測試圖像/語音辨識等技術，以孵化應用，推動創新。
5G、人工智慧和物聯網，正在時代的路口交匯，注定會攜手同行，開啓一場通信變革。但時代要拋棄你，招呼總是要打一聲的，可通信業準備好了嗎？
【任何經過翻譯或轉載之中文資訊，我們為了盡量使用台灣常用相關名詞與慣用語法，將與原中文有所變更，但不改內容意義 – 3S MARKET】