研报总结
引言
未来十年，电信行业将受数据规模化、高速化和智能化释放全部潜力的能力所塑造。作为合作伙伴，我们观察到传统 Hadoop 架构的局限性，以及数据量扩张、跨域平台和模式碎片化带来的挑战。数据管理层面临整合异构数据源、治理数据流动和转换的难题，因此需要战略性地增强 CSP 数据管理架构，通过设计原生支持域碎片化、无缝安全集成和弹性扩展的方案，构建真正面向未来的数据管理架构。
背景
行业趋势
- 数据量持续增长，电信运营商现有数据管理架构成本高昂。
- 数据管理面临两大问题：管理海量数据是工程挑战，而满足 AI 对数据质量和数量的需求是更关键的问题。
技术趋势
- AI（包括代理式 AI、机器人和自动化）是主要驱动力，对数据质量和数量提出更高要求，推动数据治理、集成和关系表达。
- AI 进一步强化了数据可用性和时效性的重要性。
商业趋势
- 企业大量投资自动化和自主网络，到 2026 年约 80% 的企业将加速自动化以简化运营和最大化收入。
- 这将加剧对数据时效性、可用性和 AI 处理准备性的需求。
数据管理
现代数据管理系统负责从各种来源处理数据，包括目录化、去识别化和精炼数据，并与数据湖无缝集成。系统采用联邦架构，支持批量和流数据，遵循数据一次收集、多消费者使用、洞察共享、透明合规使用等原则。数据岛作为数据落地区，处理近实时用例，并存储长期用例数据。
目标业务
自主网络 Level 5 状态下，数据管理未来架构需从批处理存储转变为实时、富含上下文、AI 原生的数据网络。主要挑战包括：
- 数据碎片化和联邦化
- 实时低延迟处理
- 上下文管理
- 治理、合规和安全
- 可观测性和代理操作复杂性
- 模型集成和生命周期管理
- 数据管理和产品化
北极星愿景
数据管理的北极星愿景是构建一个包含安全组件、基于基础数据的 AI 就绪数据管理套件，实现数据统一消费、高效治理和 AI 支持。
数据统一和联邦
联邦系统通过分布式计算资源优化处理时间，支持创建和集成数据岛。数据联邦包括统一数据目录、跨岛管道编排、远程数据访问、智能数据移动和数据治理原则。
数据赋能和 AI 准备
在代理式 AI 和数字孪生生态中，数据赋能成为战略能力。AI 应用需要可靠、及时、可信赖的数据支持近实时决策。特征工程和特征存储需语义化，确保代理正确理解数据上下文。AI 驱动的自动化数据准备循环，支持新特征发现和 MLOps 平台集成。
数据集成和管道效率
数据集成需智能、自适应，支持北向（AI/ML、分析、数字应用）和南向（网络、OSS/BSS、边缘）系统。AI 增强的可组合管道通过声明式元数据和策略实现快速集成。语义互操作性利用本体和知识图谱确保跨域推理。自主集成服务具备自愈、自优能力。边缘到云集成支持边缘设备高效数据共享。
数据管道效率通过可观测性实现，收集指标、日志和追踪数据，利用 OpenTelemetry 等框架实现标准化。自动化管道管理和效率监控与代理架构结合，实现 AI 从管道遥测中生成洞察并映射到行动。
数据治理
电信运营商通过数据变现、提升客户体验和合规监管，需要有效的数据治理。治理需涵盖数据采集、存储、使用和销毁，确保数据质量和安全。
数据安全
隐私保护数据去识别化和统一，采用匿名化、假名化等技术。数据安全从边界防御转向语义化、动态化、嵌入式，与数据网络和语义模型深度集成。分类和 AI 驱动的访问控制和去识别化，利用 AI 代理根据安全标准（如 GDPR）分类数据，并标记配置访问控制。合规即代码将策略编码到运行时引擎，实现持续访问控制验证。
数据产品和价值
数据产品是数据管理系统提供的可追溯、可信的数据集或洞察。通过数据市场变现，并用于自主网络、网络规划和趋势报告等解决方案。
参考
未来状态参考架构包含数据源、数据采集、数据存储和数据使用四个领域，支持弹性扩展、无缝数据集成和部署。
标准化活动
Ericsson 致力于避免碎片化，推动行业对 3GPP、OpenRAN 和 Apache 数据湖屋等标准的应用。
结论
数据基础是 AI、分析和自动化的关键推动者，需多域适应不同消费者需求。建立数据基础是数字化转型成功的关键，AI 将发挥重要作用。
