Значението на мобилните мрежи от ново поколение, включително 5G, нараства в света. Мултимедийните приложения, незабавните плащания, цифровото здравеопазване, интелигентните градове и фабрики и автономният транспорт ще се възползват от увеличения капацитет на мрежата.

Но операторите не могат да отговорят на нуждите на всички потребители наведнъж. Те са принудени да избират между качеството на комуникацията и маржовете. Как изкуственият интелект помага на операторите да оптимизират трафика и да намалят разходите, каза Антон Давидовски, архитект на решения в Broadcom Inc.

Как работят мобилните мрежи

Днес мобилните оператори предоставят на своите клиенти различни нива на обслужване (Quality of Service или QoS). 

Качеството на комуникацията зависи от комбинация от няколко параметъра: 

  • честотна лента – допустимата скорост на пренос на данни между устройствата в мрежата;
  • забавяне – времето, необходимо за предаване на пакет от изпращача до получателя;
  • Загубата на пакети е индикатор за това какъв процент не достига местоназначението си;
  • трептене – вариация във времето на забавяне. 

Типично споразумение за ниво на услугата (SLA) определя тези параметри, например, че забавянето на доставката на 95% от пакетите не трябва да надвишава 1 ms. Ако условията на договора са нарушени, операторът изплаща обезщетение на клиента. 

Има алтернативен подход към QoS – на потребителите се предоставят най-широките и продуктивни канали, които са достатъчни за всяко приложение. На практика това става неизгодно за доставчиците: разходите за оборудване и комуникационни канали са твърде високи. 

Освен това операторите са уморени от ролята на „тръба“ за предаване на мрежов трафик. Те търсят нови източници на доходи, които са по-малко зависими от инфраструктурни инвестиции.

Ето защо те стартират решения за интелигентни градове, платформи за анализ на данни, облачни услуги, стрийминг приложения и т.н. Проучване на GSMA показва , че през 2022 г. спомагателните продукти и услуги представляват 26% от приходите на 16 основни оператора (18% през 2017 г.).

В наши дни телекомуникационните компании регулират качеството на услугата, използвайки различни технологии в зависимост от средата за предаване на данни и протоколите от по-високо ниво.

В контекста на 5G се прилага концепцията за нарязване на мрежата. С този подход се създават виртуални изолирани мрежи, които работят върху съществуващата комуникационна основна мрежа. Просто казано, операторите разполагат множество мрежови слоеве с различни характеристики – отделно за всяка услуга. Например за интернет на нещата, стрийминг и онлайн игри.

Изкуственият интелект може да допълни и подобри тези технологии. Съвременните AI системи анализират огромни количества данни, включително видео потоци, в реално време. Това отваря нови възможности за динамично и интелигентно управление на трафика в мобилните мрежи.

Juniper Research изчислява , че до 2028 г. телекомуникационните компании ще увеличат разходите си за AI в областта на автоматизацията на мрежовото управление до $20 милиарда – увеличение от 240% в сравнение с 2024 г. 

Каква роля играят алгоритмите в управлението на трафика?

Както в много други системи, в мобилните мрежи компонентите са разделени според вида на обработваните и предавани данни: 

  • Потребителски план (потребителско ниво). На това ниво се предават потребителски данни, например гласово повикване, SMS или интернет трафик. 
  • Контролна равнина (контролно ниво). Това е мястото, където се обменя сигнален трафик. По същество това е частта от системата, която управлява мрежата за данни. На това ниво се изпълняват функции като удостоверяване на потребителски устройства, управление на сесии и мрежови политики, като QoS. 
  • Равнина на управление. На това ниво се създава, поддържа и променя набор от правила, управляващи работата на системата. Това ниво е предназначено за обща мрежова администрация и конфигурация. 

Как работят слоевете може да се обясни с прост пример, който не се отнася за мобилните мрежи. Нека си представим, че всички светофари в града са обединени в една система. Контролна равнина – централен контролер, който въз основа на набор от правила казва кои светофари да се превключват и кога. Самите сигнали на светофара лежат в потребителската равнина. Равнината на управление включва софтуер, който ви позволява да програмирате контролера въз основа на определени сценарии (например промяна на режимите на работа на светофарите по време на пиковите часове).

AI е полезен за анализ на данни и прогнозиране, но невронните мрежи отнемат твърде много време, за да работят при предаване на трафик. За оптимизиране на процесите на потребителско ниво и контрол, алгоритмите все още не са достатъчно бързи. Следователно най-добрият вариант за използване на технологията е на ниво управление. 

Динамично нарязване на 5G мрежа

Алгоритмите за машинно обучение могат да предвидят модели на трафик и да конфигурират сегменти, така че да не консумират ненужни ресурси и да осигурят производителността, необходима за конкретни приложения.

AI системите могат да наблюдават секции от мрежата в реално време, за да направят корекции за поддържане на QoS. 

Ако критично за мисията приложение претърпи увеличена латентност, AI може автоматично да преразпредели ресурси от по-малко критични виртуални региони. Например, невронните мрежи могат да прехвърлят честотна лента от стрийминг приложение към система за автономно шофиране. 

Мрежово планиране

AI може да помогне с поставянето на нови кули. С помощта на невронни мрежи можете да анализирате 3D карти на терена, гъстота на населението, производителност на мобилната мрежа и други данни, за да идентифицирате области, където търсенето на висококачествени комуникации нараства. 

Конкретните местоположения за нови кули също могат да бъдат определени въз основа на терена, инфраструктурата, потенциалните смущения и близостта до потребителите. Дори преди действителното разгръщане, симулирайте различни сценарии, за да изчислите как новите кули ще повлияят на покритието. 

Управление на енергията 

GSMA изчислява, че телекомуникационните оператори харчат приблизително 20-40% от оперативните разходи за електроенергия, главно за мобилни и фиксирани мрежи. В същото време през последните няколко години ръстът на разходите за електроенергия сред основните играчи изпреварва ръста на продажбите с около 50%. 

Доставчиците трябва да оптимизират потреблението на енергия – не само заради цената, но и поради прехода към въглеродна неутралност по екологични причини. 

AI може динамично да регулира консумацията на енергия на базовите станции. Невронните мрежи анализират моделите на трафика и предвиждат моменти на ниско търсене и след това временно изключват някои мрежови компоненти, без да навредят на качеството на услугата.  

Прогнозна поддръжка

Използвайки сензори, алгоритмите могат да анализират огромни количества данни за мрежово оборудване, за да идентифицират аномалии (като температура, вибрации и качество на сигнала). Това ви позволява да предвидите повреди, преди машината да се повреди и да предприемете действия – насрочете посещение на техник или подмяна на оборудването. 

Друга възможност е да се обучат AI модели на исторически данни, така че те да предвидят въз основа на опита кои компоненти е вероятно да се повредят. Въз основа на тези данни може да се създаде график за поддръжка. 

AI може потенциално да намали времето за престой с приблизително 5-15%, изчислява IBM, и да намали разходите за ремонт. 

Как AI се използва за наблюдение на пожари и намиране на престъпници

Ще дам два примера за внедряване на AI в мобилните комуникации от моята собствена практика. Решенията бяха внедрени като демонстрационни щандове за европейски оператори. Благодарение на тях беше възможно да се спестят мрежови ресурси и да се осигури високо ниво на обслужване, когато е необходимо. 

Пример № 1: мониторинг на околната среда. Националните паркове и резервати обикновено имат инсталирани камери, които помагат за навременно откриване на пожари и други извънредни ситуации. За да спестят ресурси, те работят в режим на ниска честотна лента. Това означава, че изображението от тях се предава с лошо качество. Когато AI открие дим, той може автоматично да увеличи честотната лента и да предаде ясни кадри. Това ще позволи да се вземат решения въз основа на пълна информация. 

Пример № 2: наблюдение от DVR за полицаи. При нормални условия тези камери предават видео поток със средно качество. Въпреки това, когато полицай спре потенциален нарушител, системата AI позволява разделителната способност да се увеличи автоматично. Това може да улови критични малки детайли, които потенциално могат да помогнат на разследванията на правоприлагащите органи. 

Технически, подобни проекти могат да бъдат реализирани чрез поставяне на машини за изводи близо до камерите. Това е името, дадено на компонентите на AI, които са отговорни за извеждането на решение въз основа на входни данни. Това ще осигури минимално забавяне. 

В случая с националните паркове, компонентите на ИИ бяха разпространени в Европа и Северна Америка. Машините за изводи са предварително обучени да разпознават извънредни ситуации. Веднага щом AI “вижда” признаци на пожар във видеопотока, се изпраща сигнал до равнината за управление в главния център за данни в Европа.

След това контролното ниво преконфигурира параметрите, за да осигури отлично качество на предаване. Също така дежурният персонал получава автоматично известие. 

Бъдещето на технологиите в телекомуникациите 

AI има голямо обещание в телекомуникационната индустрия. Процесът на внедряване се забавя от факта, че не всички оператори са запознати с предимствата му. Друго предизвикателство е събирането на данни за обучение и прилагане на AI. Мобилните мрежи генерират огромни количества информация, но тя често е зле структурирана и разпределена в множество наследени системи. 

И накрая, телекомуникационните оператори често нямат компетенции, което обаче важи и за внедряването на 5G като цяло. Традиционно те разчитат на един или двама доставчици, за да предоставят вертикално интегрирани решения до ключ и да ги поддържат сами. Новата парадигма изисква по-широки местни компетенции: от класически операторски задачи до програмиране и DevOps.

Победителите ще бъдат онези оператори, които се научат да управляват данните мъдро, да запълват пропуските в уменията и да разберат как точно да осигурят приходи от обещаващи AI технологии.