Roman GłogulskiA 5G hálózatok bonyolultsága folyamatosan növekszik, és lehetetlenné válik, hogy az emberi hálózatmérnökök automatizáció nélkül kezeljék őket. Az automatizáció fejlődése során az AI (mesterséges intelligencia) és a gépi tanulás használata új kategóriát teremtett a hálózatkezelési megoldások terén, amelyek valós időben képesek megjósolni és megoldani a hálózati problémákat.
A digitális ikrek használata lehetővé teszi a modellezést és a szimulációt a mobilhálózatokban, lehetővé téve az AI alapú hálózatkezelő rendszerek képzését.
Digitális ikrek és RAN kontrollerek együttműködése
Az O-RAN ALLIANCE kidolgozott szabványokat a nem valós idejű (non-RT) és a közel valós idejű (near-RT) intelligens rádiós hálózatvezérlő (RIC) számára, hogy új kezelési funkciókat és irányítást adjon az Open RAN-hoz.
A RIC-k központi vezérlőként szolgálnak a hálózati műveletekhez, ideértve a rádióerőforrás-kezeléssel kapcsolatos feladatokat is. Az operatív feladatokat a releváns alkalmazások alkalmazása optimalizálja a RIC-kben, ahol az AI és a gépi tanulás olyan erőteljes eszközökké válnak, amelyek potenciálisan sok bonyolult problémát képesek megoldani, amelyek jelenleg nehézek vagy lehetetlenek megoldani.
Az AI és a gépi tanulás modellezésének kalibrálása nagy mennyiségű adatot igényel, amely lehet, hogy nem áll rendelkezésre a hálózat telepítésének kezdeti szakaszában. A képzőadatok hiányát a digitális ikrek használatával lehet leküzdeni, amelyek modelljeik segítségével képesek saját adatokat generálni.
A digitális ikrek pedig fejlődnek az aktuális hálózat fejlesztésével párhuzamosan, létrehozva egy adatcserét: 1) a digitális ikrek releváns adatokat szolgáltatnak a RIC-nek az AI és a gépi tanulási modellek képzéséhez, amelyeket optimális hálózati konfigurációk becslésére használnak; 2) a RIC frissített hálózati konfigurációkat küld az aktuális hálózatnak a hálózati műveletek fenntartása érdekében; és 3) a valós hálózat állapotát és teljesítményét tükröző adatokat gyűjtenek a modellek újra-kalibrálásához a digitális ikrekben.
Három alapvető tervezési elem van az Open RAN digitális ikrek létrehozásához:
– Az entitások modellezése, amelyek pontos digitális mását hozzák létre a RAN hálózat különböző szempontjainak. Az O1, O2, E2 és A1 standardizált Open RAN interfészekből (O1, O2, E2, és A1) rögzített adatokat használják a modellek szinkronizálásához az élő fizikai hálózattal.
– A RAN forgatókönyv generátor, amelyet az AI és a gépi tanulás technológiája hajt, automatikusan paraméterizálja a modelleket, hogy milliárdokkal több képzési forgatókönyvet generáljon az AI és a gépi tanulási modellek számára. A RAN forgatókönyv generátor automatikusan fejlődhet, a RAN elemzés modul teljesítményének visszacsatolására alapozva, egyre igényesebb képzési adatkészletet készítve az AI-intelligencia és a teljesítmény számára.
– Az előrehaladott vizualizáció leegyszerűsíti az adatokat, és bemutatja azokat a hálózati mérnököknek, amikor részt kell venniük.
A modellezések példái:
– A fizikai RF terjedés modellezése: A sugarú követési módszer egyre inkább használatos a rádiófrekvencia terjedés jellemzőinek valósághű modellezésére a hálózat által használt mobilitási / RF modellben. Ez a technika becsüli a RF terjedés jellemzőit és az épületek és más akadályok hatását a geometriailag változó sebességterületeken, felszívódási jellemzőken és többszöri visszaverődő felületeken keresztül számítva.
Mind a sugarú követési algoritmus, mind a behatolási veszteségek, a visszaverődési jellemzők és a szórási felületek kalibrálásához szükséges mérési adatok hatással vannak a számítások pontosságára. A digitális ikrek használata nagy mennyiségű folyamatosan frissített információt biztosít, lehetővé téve pontosabb számításokat.
– A RAN és a felhő modellezése: A RAN és a felhő elemek modellezése kihívást jelent a különböző rendszerek és erőforrások dinamikus viselkedése miatt. A modellnek figyelembe kell vennie mind a változó infrastruktúrát, mind a fizikai hálózat aktuális állapotát, és valós időben szinkronban kell maradnia. Ez olyan modellt igényel, amely ellazítja a digitális ikrek időbeli korlátait a közel valós idő javára, csökkentve a számítási bonyolultságot. Az alternatíva az lehet, hogy a digitális ikrek felhasználják a GPU-alapú felhőszolgáltatásokat, további számítási kapacitást biztosítva ehhez a bonyolultsághoz. Mindenesetre a digitális ikrek lehetővé teszik a hálózat számára, hogy modellezze az UE állapotát, a kapcsolat lefolyását és a modellezéshez szükséges kulcsfontosságú mutatókat.
Három új felmerült felhasználási eset
Hogyan alkalmazhatók jelenleg a digitális ikrek? Itt van néhány olyan felhasználási eset, ahol a digitális ikrek és az AI és gépi tanulási modellek közötti interakció jelentős:
Energia megtakarítás a hálózatokban: Érdekes új lehetőségek vannak a hálózati elemek energiaszintjének beállítására a forgalom alacsony szintjeinek időszakaiban, hogy energia takarítsanak meg. Mindezek a módszerek történeti információkat használnak az energiakulcsok egyensúlyban tartásához a teljesítmény fenntartása mellett – egy jó alkalmazás a digitális ikrek számára.
A Massive Multiple-Input Multiple-Output (mMIMO) antennák és a hálózati sűrűsödés például a ultra-alacsony késleltetésű kommunikációs teljesítmény, valamint a szélessávú és gép-típusú kommunikáció javítása érdekében lett bevezetve. Azonban a mMIMO implementálása több számítási teljesítményt igényel, növelve a hálózati üzemeltető szénlábnyomát.
A további szükséges energia minimalizálása érdekében a mMIMO antennákat le lehet csökkenteni a forgalom alacsony szintjeinek időszakaiban a felesleges RF áramkörök kikapcsolásával. Hasonlóképpen, alacsony forgalmú órákban bizonyos sejteket vagy hordozókat ki lehet kapcsolni. Az Intel processzorok beépített energiakezelési funkcióinak felhasználásával tovább csökkenthető az energiafogyasztás, a CPU ciklusok kikapcsolásával vagy csökkentésével például a Distributed Units (DUs) és a Central Units (CUs) más RAN elemek esetében. A digitális ikrek történeti információkat biztosítva a RIC a forgalom alacsony szintjeinek időszakában csökkentheti az antenna teljesítményét, ezáltal energiát takarítva meg.
mMIMO gerinchálózat optimalizálása: Az egészen digitális mMIMO túl költséges lehet bizonyos helyeken, különösen a magas frekvenciás rádió használata esetén. Egy alternatív megoldás az, hogy hibrid antenna rendszereket használunk, amelyek továbbra is kihasználják a mMIMO rendszer kínálta szabadsági fokot.
Azonban a teljes digitális irányítás hiányában ezeket az antennákat csoportokban vezérlik. Így a mobil terminálok egy sejtben egy rácsnyi sugárral szolgálnak – ezek a különböző irányokkal és szélességekkel rendelkező sugarak félig statikusak és arra vannak tervezve, hogy lefedjék a sejt geometriai területét.
Azonban a mobil terminálok soha nem egyenletesen vannak elosztva a területen belül. A sugárrács optimalizálható annak érdekében, hogy jobb élményt nyújtson a felhasználóknak. Az optimalizálást az AI és a gépi tanulási modellek iteratív módon végezhetik. Bármely felhasználó eloszlásának változása megváltoztatja a sugárrács optimalizálását, mivel az AI és a gépi tanulási modell tükrözheti az optimalizált konfiguráció eredményeit.
Zero Touch
Gyakran feltett kérdések (GYIK):
1. Mi az a digitális ikrek?
– A digitális ikrek digitális modellek vagy másolatok a mobilhálózat különböző szempontjairól. Az élő fizikai hálózatból gyűjtött adatok és információk alapján készülnek.
2. Hogyan működnek az intelligens rádióhálózati vezérlők (RIC)?
– A RIC-k központi vezérlőként szolgálnak a hálózati műveletekhez. Ide tartoznak a rádióerőforrás-kezeléssel kapcsolatos feladatok is. A releváns alkalmazások alkalmazása a RIC-kben optimalizálja az operatív feladatokat, ahol az AI és a gépi tanulás hatékony eszközök a bonyolult problémák megoldásához.
Forrás: [link a forráscikktől]
The source of the article is from the blog anexartiti.gr
