Rispetto ai precedenti tipi di reti, Le reti 5G sono sia più bisognose di automazione che più adatte all’automazione.Gli strumenti di automazione sono ancora in evoluzione e il machine learning non è ancora comune nel networking carrier-grade, ma ci si aspetta un rapido cambiamento.
Gli standard emergenti da 3GPP, ETSI, ITU e la comunità del software open source anticipano un uso maggiore di automazione, intelligenza artificiale (AI) e apprendimento automatico (ML). E le attività dei fornitori chiave aggiungono credibilità alla visione e alla promessa di operazioni di rete artificialmente intelligenti.
“La crescente complessità e la necessità di risolvere compiti ripetitivi in 5G e i futuri sistemi radio necessitano di nuove soluzioni di automazione che sfruttino l’intelligenza artificiale all’avanguardia e le tecniche di apprendimento automatico che aumentano l’efficienza del sistema”, ha scritto recentemente il chief technology officer (CTO) di Ericsson, Erik Ekudden.
Nel 2020, gli ingegneri di Ericsson hanno dimostrato un software di apprendimento automatico che ha orchestrato macchine virtuali su un server web. Hanno riferito che durante uno stress test di 12 ore, il loro software ha diminuito i cicli inattivi al 2%, da una linea di base del 20%. Simili guadagni di efficienza potrebbero migliorare le collezioni di computer di bordo e i computer all’interno di infrastruttura cloud-native 5G.
Considerando che le reti core 5G si stanno evolvendo verso una maggiore dipendenza dal software e dalle risorse di calcolo generiche, la dimostrazione di Ericsson suggerisce che l’uso su larga scala di soluzioni AI potrebbe aiutare i vettori a utilizzare l’infrastruttura nel modo più efficiente possibile, mentre gestiscono un mix di tipi di traffico che cambiano dinamicamente e soddisfano diversi accordi sul livello di servizio.
Un whitepaper di Nokia descrive i ruoli potenziali dell’AI e della ML in praticamente tutte le fasi delle operazioni di un service provider. Il mese scorso, Nokia ha annunciato la disponibilità della sua Software Enablement Platform, le cui caratteristiche includono un mezzo per fare uso di AI e ML nei computer edge che eseguono sia reti di accesso radio aperte (O-RAN) e servizi a livello di applicazione. La piattaforma di Nokia fornisce dati importanti per gli sviluppi del machine learning per le radio definite dal software.
Carrier e terze parti possono sviluppare software per la piattaforma di Nokia, che viene fornita con alcuni campioni che sono in prove commerciali in corso. Una “xApp” inclusa si basa su metodi di apprendimento automatico per la gestione del traffico – più o meno, un tipo di bilanciamento del carico consapevole del servizio per i canali radio.
Necessità e punti di ingresso per l’IA di livello carrier
Le esigenze di apprendimento automatico derivano dalle sfide previste nella gestione delle future reti 5G. Le implementazioni future avranno probabilmente ordini di grandezza di capacità di trasporto del traffico maggiori delle infrastrutture esistenti. Molti fornitori, ricercatori e sviluppatori si aspettano di aver bisogno del machine learning per fare un uso efficiente delle tecnologie 5G.
Le opportunità di utilizzare l’apprendimento automatico stanno sorgendo con una maggiore dipendenza dalle risorse cloud-native nelle reti di telecomunicazione. I vettori sperimentano anche le stesse potenti correnti che spingono molte industrie verso la “softwarisation”, l’uso di macchine virtuali, i principi DevOps e altri vettori globali di automazione intelligente.
I fornitori dei carrier di telecomunicazioni e i ricercatori avanzati stanno sviluppando un software di apprendimento automatico che, per esempio, controlla le antenne intelligenti con una tempistica di frazione di secondo, assegna e riassegna la larghezza di banda all’interno di un nucleo di pacchetti e orchestra le assegnazioni per le macchine virtuali di un computer edge.
Essenzialmente, il software gioca un gioco, mirando a prevedere i carichi di traffico e utilizzare il minor numero di risorse per trasportare il traffico in conformità con gli accordi sul livello di servizio. Il risultato voluto è quello di migliorare la disponibilità di risorse per servire ulteriori clienti nei momenti in cui i carichi sono al loro picco. Quando i carichi diminuiscono, il software può far funzionare l’hardware in modalità standby per il risparmio energetico.
Gli script basati su regole e i modelli statistici possono realizzare alcuni di questi obiettivi, ma gli algoritmi fatti a mano devono affrontare delle sfide. Un gran numero di parametri specifica un evento di connessione in una rete 5G – più che nelle generazioni precedenti. Questo è il motivo per cui il machine learning potrebbe essere un requisito, non semplicemente uno strumento di ottimizzazione, per un utilizzo efficiente delle risorse nelle operazioni 5G su larga scala.
Varietà di compiti AI nel networking cellulare
Recenti rapporti hanno esaminato una gamma di applicazioni di comunicazione wireless su cui i ricercatori e gli sviluppatori di apprendimento automatico stanno lavorando, producendo molte tecnologie candidate per le roadmap dei carrier.
Dal punto di vista del ciclo di vita del business, esistono opportunità per gli sviluppi dell’apprendimento automatico per accelerare la pianificazione e la progettazione della rete, le operazioni, il marketing e altri compiti che normalmente richiedono un uomo intelligente. Gli sviluppatori stanno prendendo di mira le funzioni di gestione della rete, compresa l’assicurazione della gestione dei guasti, la configurazione, la contabilità, le prestazioni e la sicurezza (FCAPS).
Dal punto di vista della tecnologia di rete, le applicazioni di apprendimento automatico nelle fasi di ricerca e sviluppo potrebbero influenzare ogni livello dello stack delle comunicazioni, dai livelli fisici e di collegamento dati di basso livello, attraverso l’accesso ai media, il trasporto, la commutazione, la sessione, la presentazione e i livelli di applicazione.
Ai livelli più bassi delle reti di accesso radio, i computer generici elaborano i segnali a banda base, e programmano e formano fasci radio direzionali sincronizzando molti elementi di antenna. I sistemi di apprendimento automatico possono alleviare la congestione assegnando parametri di modulazione ottimali e programmando rapidamente i fasci che sono calcolati per soddisfare le richieste immediate.
Ai livelli più alti degli stack di comunicazione, la softwarisation offre l’opportunità di usare e riutilizzare le funzioni di rete virtuali (VNF) in combinazioni dinamiche per gestire i cambiamenti nei modelli di traffico. Per esempio, i sistemi intelligenti possono ridimensionare (autoscala) combinazioni temporanee di risorse per supportare una grande conferenza video e riassegnare quelle risorse ad altri lavori dopo l’evento.
Nelle reti core a pacchetto, la selezione intelligente è tra il numero astronomico di modi per mescolare e abbinare le funzioni di rete per ridurre l’inattività mantenendo i clienti soddisfatti. Nelle reti di accesso radio, modifiche intelligenti ai livelli di potenza, set di simboli, dimensioni dei frame e altri parametri promettono di spremere la massima capacità dallo spettro disponibile.
Anche le misure di sicurezza informatica e di privacy possono beneficiare dell’apprendimento automatico. In teoria, l’isolamento intelligente del dominio può aprire e chiudere l’accesso automaticamente in accordo con la conoscenza codificata in grandi database come i log degli eventi. I metodi di apprendimento distribuiti possono essere eseguiti su computer periferici e dispositivi utente, mantenendo i dati privati separati dai database centralizzati.
Rete a guida autonoma?
“Così come le auto senza conducente stanno richiedendo più tempo e risorse di sviluppo di quanto alcuni si aspettassero, la visione di reti completamente autonome sembra rimanere lontana”
Michael Gold
Lo slogan di Juniper “the self-driving network” esprime una visione di servizi di comunicazione autonomi, analoghi a veicoli autonomi. Molti altri sviluppatori di tecnologie di rete hanno abbracciato idee simili. Ingegneri e commercianti spesso descrivono la rete basata sulle intenzioni (IBN), one-touch provisioning, e zero-touch network and service management.
La maggior parte dei fornitori probabilmente userà una di queste frasi, o una fase simile. Tutte si riferiscono a un sottoinsieme di operazioni di rete che possono avvenire autonomamente, o quasi. Infatti, molti concetti di tecnologia di rete definiti dal software si basano su sistemi basati su regole, una strategia di programmazione che la comunità dell’intelligenza artificiale ha sviluppato decenni fa.
Immaginabilmente, un futuro gestore di rete potrebbe impiegare il linguaggio naturale per rivedere una politica di limitazione della larghezza di banda. Ma attenzione al clamore che circonda l’automazione della rete. In alcune reti aziendali, i nodi zero-touch si configurano automaticamente quando un tecnico accende un nuovo rack. Al contrario, l’installazione di un nodo di terminazione della fibra di classe carrier rimane complessa.
Così come le auto senza conducente stanno richiedendo più tempo e risorse di sviluppo di quanto alcuni si aspettassero, la visione di reti completamente autonome sembra rimanere lontana. Una delle principali sfide consiste nell’acquisire e analizzare gli abbondanti dati di telemetria all’interno delle reti dei fornitori di servizi.
Molti sistemi non espongono i dati di cui i sistemi di apprendimento automatico affamati di dati hanno bisogno per prevedere e rispondere ai cambiamenti dei carichi di traffico. I sistemi che forniscono la telemetria usano diversi protocolli e strutture di dati, complicando gli sviluppi del software AI. Forse i fornitori vedranno i dati di telemetria come aventi un alto valore di proprietà intellettuale e degni di essere criptati.
Un whitepaper di Nokia del 2020 sostiene una roadmap tecnologica a più fasi per gestire le opportunità e i rischi. Nokia riconosce che l’IA è rara nelle reti di oggi. Più comunemente, esperti manager di rete umani creano, implementano e spesso regolano modelli statistici e basati su regole che governano i sistemi automatizzati nelle reti di telecomunicazione.
A metà strada tra le pratiche odierne guidate dai modelli e la visione futura delle reti autonome, Nokia vede l’emergere di processi di gestione della rete guidati dall’intento, abilitati da sistemi di automazione a ciclo chiuso. L’orchestrazione automatizzata delle risorse libererebbe i manager di rete umani per concentrarsi sulle esigenze di business, la creazione di servizi e DevOps.
Domande aperte
“In un certo senso, un panorama tecnologico in evoluzione sfida i professionisti del networking a stare al passo con i nuovi sviluppi. In un altro senso, gli strumenti di IA in diversi campi tendono ad aumentare la produttività piuttosto che essere generatori di ridondanza”.
Michael Gold
L’IA minaccia il lavoro dei manager di rete? In un certo senso, un panorama tecnologico mutevole spesso sfida i professionisti del networking a stare al passo con i nuovi sviluppi. In un altro senso, gli strumenti dell’IA in diversi campi tendono ad aumentare la produttività piuttosto che generare ridondanza. Allo stesso modo, per medici e avvocati, l’IA è più uno strumento che una minaccia.
L’uno o l’altro giocatore dell’industria sembra essere sempre in fermento per le “reti intelligenti”. AT&T è stata la più a lungo, usando inizialmente la frase negli anni ’80 per descrivere una prima iniziativa di network computing. Le aspettative di intelligenza artificiale nelle reti si sono concentrate e rifocalizzate ripetutamente nel corso degli anni. Questa volta potrebbe essere diverso. Ci siamo già?
Ora che i computer controllano o costituiscono praticamente tutti i nodi della rete, il software sembra essere più agile a tutti i livelli degli stack di comunicazione. L’evoluzione del business determinerà quali sviluppi di AI e ML contribuiscono maggiormente ai risultati di business e alle esperienze dei clienti, e quali nodi in una rete forniscono la massima leva per il software di apprendimento automatico per aggiungere valore.
More Stories
Risultati salutari sull’allentamento del Covid
Ukrtelecom e Iskratel lanciano l’espansione della rete in fibra da 12 milioni di euro in Ucraina
L’acquisizione di tecnologia per le forze dell’ordine richiede un esame più approfondito