När komplexiteten hos 5G-nätverk fortsätter att växa blir det omöjligt för mänskliga nätverksingenjörer att hantera dem utan automatisering. Utvecklingen från regelbaserad automatisering till användning av artificiell intelligens och maskininlärning skapar en ny kategori av hanteringslösningar som kan förutsäga och fixera nätverksproblem i realtid.
Inom cellulära nätverk ger användningen av digitala tvillingar möjlighet att modellera och simulera, vilket gör det möjligt för AI-baserade nätverkshanteringssystem att utbildas.
Digitala tvillingar och RAN-kontrollenheter som arbetar tillsammans
För att lägga till nya hanteringsfunktioner och kontroll till Open RAN har O-RAN ALLIANCE utvecklat standarder för icke-realtid (non-RT) och nära-realtid (near-RT) intelligenta radiotransportkontrollsystem (RIC).
RIC används som centrala kontrollenheter för nätverksoperationer, inklusive uppgifter relaterade till hantering av radioresurser. Driftsuppgifter optimeras genom att tillämpa relevanta applikationer i RIC, där artificiell intelligens och maskininlärning blir kraftfulla verktyg som potentiellt kan lösa många komplexa problem som för närvarande är svåra eller omöjliga att lösa.
Kalibrering av AI- och maskininlärningsmodeller kräver en stor mängd data, som kan vara otillgänglig vid den initiala nätverksutbyggnadsfasen. Bristen på träningsdata kan övervinnas genom att använda en digital tvilling, vars modeller kan generera data på egen hand.
Den digitala tvillingen utvecklas sedan i takt med utvecklingen av det faktiska nätverket, vilket skapar en cykel av datautbyte: 1) den digitala tvillingen tillhandahåller relevant data till RIC för att träna AI- och maskininlärningsmodeller, som används för att dra slutsatser om optimala nätverkskonfigurationer; 2) RIC skickar uppdaterade nätverkskonfigurationer till det faktiska nätverket för att upprätthålla nätverksoperationer; och 3) data som återspeglar det faktiska nätverkets status och prestanda samlas in för att återkalibrera modeller i den digitala tvillingen.
Det finns tre grundläggande designelement för att skapa en digital tvilling för Open RAN:
– Modellering av enheter, som skapar exakta digitala repliker av olika aspekter av RAN-nätverket. Data som fångas via standardiserade Open RAN-gränssnitt (O1, O2, E2 och A1) används för att synkronisera modellerna med det fysiska nätverket.
– RAN-scenariogenerator, som drivs av AI- och maskininlärningsteknik, parametriserar automatiskt modellerna för att generera miljarder träningscenarier för AI- och maskininlärningsmodeller. RAN-scenariogeneratorn kan även automatiskt utvecklas baserat på återkoppling om prestandan hos RAN-analysmodulen, vilket ger alltmer krävande uppsättningar träningsdata för AI-intelligens och prestanda.
– Avancerad visualisering förenklar datan och presenterar den för nätverksingenjörer när de behöver delta.
Exempel på modelleringsenheter inkluderar:
– Modellering av fysisk RF-spridning: Ray tracing-metoden används alltmer för realistisk modellering av RF-spridningsegenskaper i rörlighets-/RF-modellen som används av nätverket. Denna teknik uppskattar RF-spridningsegenskaper och påverkan av byggnader och andra hinder genom att beräkna spridningsförluster genom en geometriskt varierande hastighetsregion, absorberande egenskaper och flera reflekterande ytor.
Både ray tracing-algoritmen och mätdata som kalibrerar penetrationsförluster, reflektionsegenskaper och spridningsytor påverkar noggrannheten i beräkningarna. Användningen av en digital tvilling ger en stor mängd kontinuerligt uppdaterad information, vilket möjliggör mer precisa beräkningar.
– Modellering av RAN och moln: Modellering av RAN- och molnelement är utmanande på grund av de dynamiska beteenden hos olika system och resurser. Modellen måste beakta den föränderliga infrastrukturen och förbli synkroniserad med de faktiska tillstånden i det fysiska nätverket i realtid. Detta kräver en modell som slappar på de tidsliga begränsningarna hos den digitala tvillingen till förmån för nära-realtid, vilket minskar beräkningskomplexiteten. Alternativt kan den digitala tvillingen dra nytta av GPU-baserade molntjänster, vilket ger extra beräkningskraft som behövs för denna komplexitet. I vilket fall som helst gör den digitala tvillingen det möjligt för nätverket att modellera UE-tillstånd, anslutningsflöde och prognostisera nyckeltal som behövs för denna modellering.
Tre framväxande användningsfall
Hur kan digitala tvillingar för närvarande tillämpas? Här är några användningsfall där interaktionen mellan den digitala tvillingen och AI- och maskininlärningsmodeller i RIC har stor betydelse:
Energibesparing i nätverk: Det finns intressanta nya möjligheter att justera effektnivåerna för nätverkselement under perioder med låg trafik för att spara energi. Alla dessa metoder utnyttjar historisk information för att balansera energiförbrukning med bibehållen prestanda – en bra applikation för digitala tvillingar.
Massiva multiple-input multiple-output (mMIMO) -antenner och nätverksförtätning används till exempel för att förbättra prestandan för ultra-låg latenskommunikation, samt bredbands- och maskintypskommunikation. Men implementering av mMIMO kräver mer beräkningskraft, vilket ökar nätverksoperatörens koldioxidavtryck.
För att minimera den extra ström som krävs kan mMIMO-antenner sänkas genom att stänga av onödiga RF-kretsar under perioder med låg trafik. På liknande sätt kan vissa celler eller bärare inaktiveras under timmarna med låg trafik. Genom att utnyttja Intels inbyggda funktioner för energihantering i processorer kan energiförbrukningen ytterligare minskas genom att stänga av eller minska CPU-cyklerna för andra RAN-element som distribuerade enheter (DUs) och centrala enheter (CUs). Med en digital tvilling som tillhandahåller historisk information kan RIC sänka antennprestandan under perioder med låg trafik och spara energi.
mMIMO-stråligoptimering: Fullständig digital mMIMO kan vara för kostsamt för vissa platser, speciellt de som använder högfrekvent radio. En alternativ lösning är att använda hybridantennarrayer som fortfarande kan dra nytta av de frihetsgrader som ett mMIMO-antennsystem kan erbjuda.
Men utan fullständig digital kontroll över varje antennelement styrs dessa antenner i grupper. På detta sätt betjänas mobila terminaler i en cell av ett strålningsnät – dessa strålar med olika riktningar och bredder är halvstatiska och utformade för att täcka det geometriska området i cellen.
Men mobila terminaler fördelas aldrig jämnt inom området. Strålningsnätet kan optimeras för att ge bättre användarupplevelser. Optimeringen kan göras iterativt med hjälp av AI och maskininlärning. En förändring i fördelningen av användare kommer att resultera i en ändring i optimeringen av strålningsnätet, då AI- och maskininlärningsmodellen kan återspegla resultaten av den optimerade konfigurationen.
Zero Touch
Vanliga frågor (FAQ):
1. Vad är digitala tvillingar?
– Digitala tvillingar är digitala modeller eller repliker av olika aspekter av ett cellulärt nätverk. De skapas baserat på data och information som samlas in från det fysiska nätverket.
2. Hur fungerar intelligenta radiotransportkontrollsystem (RIC)?
– RIC fungerar som centrala kontrollenheter för nätverksoperationer och hantering av radioresurser.
The source of the article is from the blog maltemoney.com.br