Roman GłogulskiAz 5G hálózatok komplexitása folyamatosan növekszik, így emberi hálózatmérnökök számára lehetetlenné válik a hálózatok kezelése automatizáció nélkül. Az előrejelző és hibajavító funkciókban az AI és a gépi tanulás alkalmazása olyan új kategóriájú megoldásokat teremt, amelyek valós időben képesek előre jelezni és megoldani a hálózati problémákat.
A digitális ikrek használata a mobilhálózatokban lehetővé teszi a modellezést és a szimulációt, így az AI alapú hálózatkezelő rendszerek képzését.
Digitális ikrek és az RAN vezérlők együttműködése
Az O-RAN ALLIANCE nem valós időben működő (nem-RT) és közel valós időben működő (közel-RT) intelligens rádióhálózati vezérlők (RIC) nem-real-time (non-RT) és közel valós idejű (near-RT) intelligens rádióhálózati vezérlők (RIC) szabványokat dolgoztak ki az Open RAN-hoz, hogy új kezelőfeladatokat és ellenőrzési funkciókat lehessen hozzáadni.
Az RIC-k központi vezérlőként szolgálnak a hálózati műveletekhez, ideértve a rádióforrás-kezeléssel kapcsolatos feladatokat is. Az operatív feladatokat optimalizálják az RIC-kben alkalmazott releváns alkalmazások alkalmazásával, ahol az AI és a gépi tanulás erőteljes eszközök, amelyek sok bonyolult problémát képesek megoldani vagy megoldani, amelyek jelenleg nehéz vagy lehetetlen megoldani.
Az AI és gépi tanulás modellek kalibrálása nagy mennyiségű adatot igényel, amely a hálózat első üzembe helyezési szakaszában nem áll rendelkezésre. A képzési adatok hiányában a digitális ikret használva saját adatokat generálhat azok modelljei alapján.
A digitális ikrek azonban együtt fejlődnek a tényleges hálózat fejlődésével, így adatcsere ciklust hozva létre: 1) a digitális ikrek releváns adatokat szolgáltatnak az RIC-nek az AI és a gépi tanulás modellek képzéséhez, amelyek optimális hálózatbeállításokat inferálnak; 2) az RIC frissített hálózatbeállításokat küld az aktuális hálózatnak a hálózati műveletek fenntartásához; és 3) a tényleges hálózat állapotát és teljesítményét tükröző adatokat gyűjtik össze a modellek újra kalibrálására a digitális ikrekben.
Három alapvető tervezési elem van egy Open RAN digitális ikert létrehozásához:
– Entitások modellezése, amelyek pontos digitális másolatokat hoznak létre a RAN hálózat különböző aspektusaiból. Az O1, O2, E2 és A1 szabványosított Open RAN interfészekből nyert adatokat a modellek szinkronban tartására használják a tényleges fizikai hálózattal.
– Egy AI és gépi tanulás technológiával meghajtott RAN forgatókönyv generátor automatikusan paraméterezheti a modelleket, hogy milliárd egyedi képzési forgatókönyvet generáljon az AI és gépi tanulás modellek számára. A RAN forgatókönyv generátor képes automatikusan fejlődni a RAN elemző modul teljesítményének visszajelzései alapján, így egyre komplexebb adatkészleteket generál az AI intelligencia és a teljesítmény számára.
– Az előrehaladott vizualizáció egyszerűsíti az adatokat, és a hálózati mérnökök rendelkezésére áll, amikor részt kell venniük.
A modellezési entitások példái:
– Fizikai RF terjedés modellezése: Az RF terjedés jellemzőinek valósághű modellezésére egyre több helyen alkalmazzák a sugarú követési módszert, amelyet a hálózat által használt mobilitási/RF modell során alkalmaznak. Ez a technika becsüli az RF terjedés jellemzőit és a házak és más akadályok hatását a geometriailag változó sebességterületen, a szívóssági jellegzetességeken és a több reflektáló felületen keresztül történő útterjedési nyereség kiszámításával.
A sugarú követési algoritmus és a behatolásvesztéseket, a tükröződési jellemzőket és a szóró felületeket beállító mérési adatok hatással vannak a számítások pontosságára. A digitális ikrek használata nagy mennyiségű folyamatosan frissített információt nyújt, így pontosabb számításokat tesz lehetővé.
– RAN és felhő modellezése: A RAN és felhő elemek modellezése kihívást jelent a különböző rendszerek és erőforrások dinamikus viselkedése miatt. A modellnek figyelembe kell vennie a változó infrastruktúrát, és lépést kell tartania a fizikai hálózat valós állapotával valós időben. Ehhez egy olyan modellre van szükség, amely időzetesen ellazítja a digitális ikrek idejének kötöttségét a közel valós idő érdekében, csökkentve a számítási komplexitást. Alternatívaként a digitális ikrek kihasználhatják a GPU alapú felhőszolgáltatásokat, amelyek kiegészítő számítási teljesítményt nyújtanak ennek a komplexitásnak szükséges számítási teljesítményhez. Minden esetben a digitális ikrek lehetővé teszik a hálózat számára az UE állapotának modelljét, a kapcsolatáramot és a modellezéshez szükséges kulcsfontosságú mutatók előrejelzését.
Három új felhasználási eset
Hogyan alkalmazhatók jelenleg a digitális ikrek? Íme néhány felhasználási eset, ahol a digitális ikrek és az AI és gépi tanulás modelljei közötti kommunikáció jelentős:
– Energia megtakarítás hálózatokban: Érdekes új lehetőségek vannak a hálózati elemek energiaszintjeinek beállítására alacsony forgalmi időszakokban. Mindezek a módszerek történeti információkat használnak az energiafogyasztás egyensúlyban tartásához a teljesítmény fenntartása mellett – egy jó alkalmazás digitális ikrek számára.
– Tömeges több-bemeneti több-kimeneti (mMIMO) antennák és hálózat sűrítés például az ultra-alacsony késleltetésű kommunikációs teljesítmény, valamint a szélessávú és gépi típusú kommunikáció javítására történő bevezetés céljából történik. Azonban az mMIMO bevezetése több számítási teljesítményt igényel, ami növeli a hálózat üzemeltetőjének ökolábnyomát.
– Az adicionalizáló energiaigény minimalizálása érdekében az mMIMO antennákat csökkenthetik az RF áramkörök kikapcsolásával alacsony forgalmi időszakokban. Hasonlóképpen, néhány cellát vagy hordozót is kikapcsolhatnak alacsony forgalmi órákban. Az Intel beépített energiakezelési funkcióinak felhasználásával tovább csökkenthető az energiafogyasztás, például a processzorokban lévő CPU ciklusok kikapcsolásával vagy csökkentésével, mint például az elosztott egységek (DUs) és központi egységek (CUs). A digitális ikrek történeti információkat nyújtva az RIC képes csökkenteni az antennateljesítményt alacsony forgalmi időszakokban, ezáltal energia megtakarítást érve el.
– mMIMO gerjesztés optimalizálása: Egész digitális mMIMO rendszer túl költséges lehet bizonyos helyeken, különösen a magas frekvenciájú rádió használata esetén. Az alternatív megoldás a hibrid antenna tömbök használata, amelyek továbbra is kihasználhatják a mMIMO antennarendszer által kínált fokszabadságot.
– Azonban minden antenna elem teljes digitális vezérlése nélkül ezek az antennák csoportokban vannak vezérelve. Így a cella mobilterminálok a cella területére tervezett különböző irányú és szélességű rácssal szolgálnak.
– Az új felhasználók eloszlásának bármely változása változást hoz az optimális célrács optimalizálásában, mivel az AI és gépi tanulás modell képes a optimalizált konfiguráció eredményeit visszatükrözni.
Zero Touch
Gyakran Ismételt Kérdések (GyIK):
1. Mi az a digitális ikrek?
– A digitális ikrek digitális modellek vagy másolatok a mobilhálózat különböző aspektusairól. Ezek a tényleges 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, ideértve a rádióforrás-kezeléssel kapcsolatos feladatokat is.
The source of the article is from the blog girabetim.com.br
