Roman GłogulskiHogy a 5G hálózatok bonyolultsága továbbra is növekszik, lehetetlenné válik az emberi hálózati mérnökök számára az automizálás nélküli kezelésük. A szabályalapú automatizálásról az mesterséges intelligencia és a gépi tanulás alkalmazásáig terjedő fejlődés létrehoz egy új kategóriát az olyan menedzsment megoldásoknak, amelyek képesek a hálózati problémákat valós időben előre jelezni és megoldani.
A mobilhálózatokban a digitális ikrek használatának lehetőségei a modellezést és szimulációt teszik lehetővé, lehetővé téve az AI-alapú hálózatkezelő rendszerek edukálását.
A digitális ikrek és a RAN vezérlők együttműködése
Az O-RAN ALLIANCE új rendszereket fejlesztett ki a nem valós időben (non-RT) és a közel valós idejű (közel-RT) intelligens rádióhálózati vezérlőknek (RIC). Ezek a vezérlők központi vezérlőként szolgálnak a hálózati műveletek során, ideértve a rádióforrásmenedzsmenthez kapcsolódó feladatokat. Az operatív feladatokat optimalizálják az RIC-kben alkalmazott releváns alkalmazásokkal, ahol a mesterséges intelligencia és a gépi tanulás olyan erőteljes eszközökké válnak, amelyek sok bonyolult problémát potentálisan megoldhatnak, és amelyek jelenleg nehézkessé vagy lehetetlenné válnak.
Az AI és gépi tanulás modellek beállítása nagy mennyiségű adatot igényel, amely az hálózat telepítésének kezdeti szakaszában nem rendelkezésre állhat. Az edukálási adatok hiányát a digitális ikrek használatával lehet áthidalni, melyek modellezéseik alapján képesek adatokat generálni maguknak.
A digitális ikrek ezután követik az aktuális hálózat fejlődését, adataik folyamatosan frissülnek, létrehozva egy adatcsere ciklust: 1) a digitális ikrek releváns adatokat nyújtanak az RIC-nek az AI és gépi tanulás modellek edukálásához, amelyek optimális hálózati konfigurációk következtetésére használhatók; 2) az RIC frissített hálózati konfigurációkat küld az aktuális hálózatnak a hálózati műveletek fenntartása érdekében; és 3) az aktuális hálózat állapotát és teljesítményét tükröző adatokat összegyűjtik az AI és gépi tanulás modellek újraedukálásához a digitális ikrekben.
Három alapkoncepció az Open RAN digitális ikrek létrehozásához:
– Modellezési entitások, amelyek pontos digitális replikákat hoznak létre a RAN hálózat különböző aspektusairól. Az Open RAN interfészek (O1, O2, E2 és A1) alapján rögzített adatokat használják a modellek szinkronizálására a valós fizikai hálózattal.
– RAN forgatókönyv generátor, amelyet AI és gépi tanulás technológia hajt, automatikusan paraméterezve a modelleket az AI és gépi tanulás modellek milliárdos edukációs forgatókönyvének generálásához. A RAN forgatókönyv generátor továbbá automatikusan fejlődhet az RAN elemzés modul teljesítményének visszajelzései alapján, fokozatosan növelve az AI intelligencia és a teljesítmény számára szükséges edukációs adathalmazt.
– Haladó vizualizáció egyszerűsíti az adatokat és bemutatja azokat a hálózati mérnökök számára, amikor részt kell venniük.
Példák modellezési entitásokra:
– Fizikai RF terjedési modellezése: A sugarozási módszer egyre inkább elterjed a RF terjedési jellemzők valósághű modellezésére a hálózatban használt mobilitási / RF modellben. Ez a technika becsli a RF terjedési jellemzőket és a gyömbérfalaktól, valamint más akadályoktól származó hatásokat, amelyeket különböző sebességű terület, abszorpció jellemzők és több visszaverődő felületen keresztül a utak terjedési nyereségének kiszámításával szimulál..
Mind a sugarozási algoritmus, mind a kalibrációs veszteségek, visszaverődési tulajdonságok és szóró felületek mérési adatai hatással vannak a kiszámítás pontosságára. A digitális ikrek használata nagy mennyiségű folyamatosan frissülő információt biztosít, lehetővé téve a pontosabb számításokat.
– RAN és 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 pedig valós időben szinkronban kell maradnia a fizikai hálózat valós állapotával. Ez olyan modellt igényel, amely lazítja a digitális ikrek idői korlátait a közel valós-idő jelzés javára, csökkentve a számítási bonyolultságot. Az alternatívaként a digitális ikrek kihasználhatják a GPU-alapú felhőszolgáltatásokat, amelyek biztosítják a szükséges többlet számítási teljesítményt. Mindenesetre a digitális ikrek lehetővé teszik a hálózat számára, hogy modellezze a végű állapotot, a kapcsolódási folyamatot és előrejelzést nyújtson az ehhez a modellezéshez szükséges kulcsfontosságú mutatókról.
Három feltörekvő felhasználási eset
Hogyan alkalmazhatjuk jelenleg a digitális ikreket? Itt van néhány felhasználási eset, ahol a digitális ikrek és az AI és gépi tanulás modellek közötti interakció jelentős:
Energia megtakarítása a hálózatokban: Érdekes új lehetőségek vannak a hálózati elemek teljesítményszintjeinek beállítására az alacsony forgalmi időszakokban, hogy energiát takarítsanak meg. Ezek a módszerek mind a történelmi információkat használják az energiafogyasztás egyensúlyának fenntartása érdekében – egy jó alkalmazás a digitális ikrek számára.
A tömeges többszóródású (mMIMO) antennák és a hálózat sűrítése például olyan területeken történik, ahol az ultra-alacsony késleltetésű kommunikáció teljesítményét, valamint a sávszélességet és a gépi típusú kommunikációt is javítani kell. Azonban az mMIMO bevezetése több számítási teljesítményt igényel, növelve a hálózati üzemeltető szénlábnyomát.
Az additional power required csökkentése érdekében az mMIMO antennák ki vannak kapcsolva az alacsony forgalmú időszakokban. Hasonlóképpen, néhány cella vagy hordozó lezárható az alacsony forgalmú órákban. Az Intel beépített energiagazdálkodási funkcióinak kihasználásával tovább csökkenthető az energiaveszteség, például a többi RAN elem (Distributed Units (DUs) és Central Units (CUs)) CPU-ciklusainak ki-/becsomagolásával. A digitális ikrek révén történelmi információkat nyújtva az RIC képes az antenna teljesítményét csökkenteni az alacsony forgalmi időszakokban, ezzel energiát megtakarítva.
mMIMO sugarazás optimalizálása: Egy digitális mMIMO rendszer teljesen digitális irányítása túl költséges lehet bizonyos helyeken, különösen a magas frekvenciájú rádió használatakor. Az alternatív megoldás a hibrid antennarendszerek használata, amelyek így is ki tudják használni a mMIMO antennarendszer nyújtotta szabadságfokot.
Azonban a minden antennaelem teljesen digitális irányítása nélkül ezek az antennák csoportok szerint vannak vezérelve. Így egy sejten belüli mobil terminálok egy sugár rács által vannak kiszolgálva – ezek a sugár rácsok különböző irányokkal és szélességekkel rendelkeznek, alapterületük a sejt geometriai területét szolgálja le.
De a mobil terminálok soha nem vannak egyenletes elosztva az adott területen. A sugár rácsot optimalizálni lehet a felhasználók számára jobb élmények biztosítása érdekében. Az optimalizáció AI és gépi tanulás segítségével iteratívan végezhető el. A felhasználók eloszlásának bármilyen változása az optimalizált konfiguráció eredményeit is megváltoztatja, mivel az AI és gépi tanulás modell képes tükrözni az optimalizált konfiguráció eredményeit.
Zero Touch
Gyakran Ismételt Kérdések (GYIK):
1. Mi az a digitális ikrek?
– A digitális ikrek digitális modellek vagy replikák különböző aspektusokról a mobilhálózatban. Ezek a modellek az élő fizikai hálózatból gyűjtött adatok és információk alapján készülnek.
2. Hogyan működnek az intelligens rádióhálózati vezérlők (RIC)?
– Az RIC-k központi vezérlőként szolgálnak a hálózati műveletek során.
The source of the article is from the blog newyorkpostgazette.com
