רשתות אלחוטיות הפכו לתשתיות בלתי נראות אך חיוניות של החיים המודרניים.מעבור וידאו מפלט גבוה ומאפשרות עבודה מרחוק כדי לחזק כלי רכב אוטונומיים ומילוליים של חיי IoT, הביקוש מהיר, אמין, ותמיד על קישוריות ממשיך לרקיע את קבוצות ניהול הרשת המסורתית - בעיקר על ידי פיתוח ידני, הפעלה מחדש של מערכות הפעלה אלחוטית, ובסיסיות - נאבקים לשמור על קצב עם צמיחה אקספונמית זו ואת האופי של סביבות אלחוטיות (AI)

הבנה של אופטימיזציה של רשת AI-Driven

בליבתו, אופטימיזציה רשתית מבוססת בינה מלאכותית מתייחסת ליישום של למידת מכונה (ML), למידה עמוקה (DL), וטכניקות בינה מלאכותית אחרות לפקח באופן רציף ולשפר את הביצועים של רשתות אלחוטיות.בניגוד לאופטימיזציה סטטית מסורתית, אשר מסתמכת על כוונון ידני זמני המבוסס על ממוצעים היסטוריים, מערכות בינה מלאכותית מעבדות טלמט גבוה מתחנות בסיס, אנטנה, מכשירים משתמשים ואפילו חיישנים סביבתיים.

טכנולוגיות מפתח יעילות AI Optimization

כמה תת-תחומים של בינה מלאכותית רלוונטיים במיוחד לאופטימיזציה אלחוטית:

  • (FLT:0) , Supervised Learningeur:FLT:1 מודלים מאומנים על נתונים היסטוריים מתוייגים (למשל, אירועים של עומס העבר, רשומות שיחות למטה) כדי לחזות מדינות רשת עתידיות.לדוגמה, מודל עשוי ללמוד כי עלייה בניסיונות יד במגזר תא מסוים לעתים קרובות לפני קיבולת.
  • (FLT:0) Reinforcement Learning (RL): סוכני RL 1 , אינטראקציה עם הסביבה הרשת, ביצוע פעולות (למשל, שינוי הטיה אנטנה) וקבלת תגמולים (למשל, התערבות מופחתת או גבוהה יותר באמצעות לוח) לאורך זמן, הסוכן לומד מדיניות אופטימלית באמצעות ניסוי וטעייה, מה שהופך אותו אידיאלי לסביבות דינמיות, קבלת החלטות בזמן אמתיות מורכבות כמו 5G ו-Wi-Fi- 6/6E רשתות.
  • (FLT:0)Deep Neural Networks (DNNs): DNNs מצטיינים בעיבוד נתוני עתירי זמן גולמיים מתדירות רדיו (RF) הם יכולים לחלץ תכונות המציינות קידוד, הפרעה או ניידות משתמשים, המאפשרות תחזיות מדויקות מאוד של איכות ערוץ וביקוש תנועה.
  • (FLT:0) למידה משופרת: 1.FLT:1 גישה זו שמירה על פרטיות רכבות מודלים על פני מספר רב של צמתים ללא ריכוז נתונים רגישים של משתמשים. מפעילי יכול לשפר אופטימיזציה ברחבי הרשת תוך שמירה על תקנות הריבונות של נתונים.

יחד, טכנולוגיות אלה מהוות את הבסיס של מה שמכונה לעתים קרובות FLT:0Self-Organizing Networks (SON)FLT:1 בתקני 3GPP (ראו:2SON סטנדרטיזציה על ידי 3GPPFLT 3), אך AI לוקח SON עד רמה הרבה יותר הסתגלות וחיזוי.

יתרונות קריטיים של AI ב-WiFire Networks

היתרונות של הטמעת AI לתוך הלולאה של בקרת הרשת הם עמוקים.בעוד במאמר המקורי המפורט כמה, אנו חוקרים כל אחד לעומק גדול יותר כאן.

המונחים: Coverage

ברשת heterogeneous (HetNet) הכוללת תאים מקרו, תאים קטנים, וחוזרים, פערי כיסוי יכולים להתעורר מבניין צללים, שטח, או מכשולים זמניים. אלגוריתמים AI לנתח נתונים ניסיוניים, מדדים של משתמשים, ומדידות רשת פסיבית כדי ליצור מפת כיסוי גבוהה של פתרונות, אז הם ממליצים או ליישם ישירות התאמות כגון חיזוק כוח בתוך מגזרים מקודמים, נטייה גבוהה או מנקה אזורים של מיקום, על בסיס אנטנות, או אנקמות, על בסיס אנטנות, או אלקטרוניקה, כדי למלא אלקטרוניקה גבוהה.

יכולת מוגברת

יכולת רשת - היכולת להתמודד עם משתמשים בו-זמנית יותר ושיעורי נתונים גבוהים יותר - היא אתגר מתמשך בשעות השיא, אירועים או קהלי פלאש. מודלים של תעבורה המונעת על ידי AI, באמצעות דפוסים היסטוריים וגורמים בזמן אמת (למשל, אירוע אצטדיון סמוך), לחזות מתי והיכן הביקוש ישפר את התרחישים ניהול המערכת לאחר מכן מראש של תאים טעון אור, להפעיל קיבולת נוספת של AIFiscods (ראו טכניקות מתקדמות) על ידי Cspectcciscod) או ניהול CRED) אשר יכול לשפר את יעילות ניהול מתקדם של 30.

עלויות תפעול (OPEX)

כוונון רשת ידני הוא עבודה אינטנסיבית וטעייה-פרון-עצמית של משימות אופטימיזציה שגרתיות, שחרור מהנדסים להתמקד ביוזמות אסטרטגיות.יתר על כן, תחזוקה חיזויית המותרת על ידי AI - לדוגמה, זיהוי של אימפטור קרוב דרך שינויים קלים במגירה כוח ועיוותים אותות - מחנכים משאיות רולס ו unplanned downtime.

שיפור חווית המשתמש

בסופו של דבר, כל מאמצי אופטימיזציה להתכנסות למשתמש הקצה.AI ממזערים שיחות שנופלות, מבוללות ושפלות לב.זה יכול גם לאשר את התנועה ליישומים קריטיים, כגון שירותי חירום או ניתוח מרוחק בזמן אמת. על ידי הקצאת משאבים - למשל, להבטיח למשתמש בשיחת וידאו מקבל קשר יציב בעוד משתמש אחר מוריד קובץ גדול הוא זמני מכובש - AI מספק חוויה חלקה של יכולות אלגוריתמיות בלבד.

אנרגיה מתחדשת

תועלת לעתים קרובות נתפסת היא חיסכון כוח. AI יכול באופן דינמי לשים טרמפיסטים תחת מצב שינה, להתאים את התדרים התפעוליים המבוססים על עומס, וייעל דפוסי מעבר.בתחנות בסיס 5G, אשר לצרוך באופן משמעותי יותר כוח מאשר 4G עמיתים, ניהול אנרגיה המונעת על ידי AI יכול להפחית את חשבונות החשמל על ידי 20-30% במהלך תקופות נמוכות של אנרגיה.

כיצד בינה מלאכותית מייעלת רשתות אלחוטיות: טכניקות ומכניזם

ערכת הכלים התפעולית של אופטימיזציה ברשת AI שואבת על מגוון רחב של שיטות מתוחכמות.כאן אנו בודקים את ההתנהגויות המשפיעות ביותר.

Analytics חיזוי ו-Proactive Resource Allocation

באמצעות רשתות עצביות חוזרות ונשנות (RNN) ומודלים לטווח קצר (LSTM), מערכות בינה מלאכותית שנתוני התנועה ההיסטוריים התואמים עם הזמן, יום, מזג האוויר ואירועים מקומיים.הם צופים בדפוסי תנועה עתידיים עם דיוק גבוה.לדוגמה, מודל עשוי לנבא כי תא מסוים ינסה עלייה חדה של 200% תעבורה ב-15 דקות בשל הפסקת צהריים במשרד.

דינמי ספקטרו ניהול לטעון Balancing

ברשתות אלחוטיות מודרניות, ספקטרום הוא משאב יקר וסופי. אלגוריתמי AI לפקח על השימוש ספקטרלי בזמן אמת על פני להקות מרובות (בעל נמוך לכיסוי, אמצע פס לקיבולת, אלגוריתמים פס גבוה עבור תפוקה קיצונית) כאשר תא באמצע פס הופך לעומס, AI יכול לשנות משאבים נמוכים כדי למנוע את התנועה הטובה ביותר, אלגוריתמים באמצע מילואים עבור גבוה, אפילו זרימת תאים גמישים, אפילו מול לחץ על פני תאים גמישים, פועל באופן אופטימלי על פני תאים.

זיהוי ומוטיבציה

Interference, הן ערוץ ובינלאומי, הוא הגורם העיקרי של degraded דרךput ואיכות אות ירודה. AI מצטיין בהפרדה ממקור עיוור וזיהוי דפוס. על ידי ניתוח דפוסי התערבות ברחבי הרשת, מנוע AI יכול לזהות להפריע - כגון ריבמר לא מורשה, מכשיר LTE מוגן עני, או תא מפלט מקרו-X - ולהתאים אוטומטית את רמות הכוח או להיות דפוסים כדי להפחית את ההשפעה העירונית של 5MP-ה-הכולה-המרכזי היה שיפור ב- 4-40 אחוזים) ו-Avd באינטראקציה עם יותר משוחררת (מחדש) ו- 4MP- 4C היה יותר ויותר משוחררת תאים מאוגדילה (מחדש) ו- 4MP- 44% יותר משוחררת) ב- 4.

החלמה עצמית ו Fault Recovery

כאשר אלמנט רשת נכשל - תחנת בסיס יורד, קישור אחורי נחתך, או באג תוכנה גורם לסוגיה מטוס שליטה - מערכות AI יכולות לזהות את האשמה בתוך שניות, לבודד את האזור הנגוע, וליזום פעולות כפייה.לדוגמה, AI עשוי להגדיל את הכוח של תאים שכנים לכסות את הפער, לנתב תנועה באמצעות תאים קטנים חלופיים, או ליישר פונקציה וירטואלית (N) בזמינות עצמית גבוהה יותר (MT) כדי להבטיח את הזמן לתקן את היכולת העצמית של המערכת.

אופטימיזציה אוטומטית של Beamforming (5G ומעבר)

מאסיבי MIMO (Multiple Input Multiple Output) אנאנטנות ב-5G משתמשות ב- ®amforming כדי לכוון אנרגיה ישירה כלפי משתמשים בודדים.עם זאת, באופן ידני תצורת מאות דבורים למגזר אינה אפשרית. אלגוריתמי AI - במיוחד למידה עמוקה חיזוק - יכול ללמוד אופטימלית אופטימיזציה של וקטורות זיהוי למשתמש על בסיס המיקום שלהם, הניידות, מידע מצב ערוצים (CSI) להתאים את AI להיות אמיתי, ובכך ל- 5 תכונות של לחץ גבוה, ובכך מאפשר לחסומי תיבות של לחץ גבוה של לחץ על ידי הפרעה של אינטראקציה של המשתמש.

יישומים אמיתיים ומקריות

אופטימיזציה המונעת על ידי בינה מלאכותית אינה מושג תיאורטי; היא מופקת כיום על ידי מפעילי ומוכרים גדולים ברחבי העולם.

אתר האינטרנט של Vodafone's AI Network Optimizer

ווידפמן שיתף פעולה עם Google Cloud כדי ליישם מנוע אופטימיזציה של בינה מלאכותית ברחבי הרשת הפאן-אירופית שלה.תהליכי המערכת מטבוליטים של נתונים מדי יום כדי לחזות עומסים ולהתאים באופן אוטומטי פרמטרים כגון נטייה אנטנה וכוח.בטייס בבריטניה, הוא הפחית שיחות על ידי 30% והגביר נתונים באמצעות חישוב של 20% תוך חיתוך צריכת האנרגיה ב- 35% (ראו:0Vodafone AIFalation מחדש של AIFLT).

מחקר: AISON

חבילת ה- Self-Organizing Networks (SON) של אריקסון, המוגברת עם למידת מכונה, אומץ על ידי מספר מפעילי tier-1.בפריסה באסיה, AI SON הפחיתה את זרימת העבודה ידנית ב-80% ושיפור שיעורי ההצלחה מ-99 ל-99.5%.המערכת גם סיירה מחדש באופן אוטונומי 4G ו-5G בשכבות במהלך אירועי ספורט, טיפול פתאומי ב-flux ללא השפלה.

Wi-Fi 6E ו- Enterprise AI Optimization

בסביבות ארגוניות, ספקי תשתיות Wi-Fi כמו סיסקו וארובה שילבו את AI לתוך הבקר שלהם.לדוגמה, AI Network Analytics של סיסקו משתמשות בלמידה מבוקרת כדי לזהות התערבות Wi-Fi מתנורות מיקרוגל, מכשירים Bluetooth או נקודות גישה שכנות, ולאחר מכן באופן אוטומטי להתאים את משימות ערוץ ואת רמות הכוח.בפריסת משרדים, זה הוביל לירידה של 60% בכרטיסים הקשורים לכיסוי Wi-Fi גרוע.

אתגרים ושיקולים

בעוד היתרונות משכנעים, אופטימיזציה המונעת על ידי AI אינה ללא מכשולים. המפעילים חייבים לנווט מספר אתגרים טכניים ותפעוליים.

איכות נתונים ועוצמה

מודלים של בינה מלאכותית הם רק טובים כמו הנתונים שהם מזינים. Noisy, לא שלם או מעיכוב טלמטורי יכול להוביל תחזיות שגויות ופעולות תת-אופטימיות. באופטימיזציה בזמן אמת, אפילו כמה שניות של עצלות יכול להפוך החלטה יעילה ללא תועלת. מפעילי צריך צינורות נתונים חזקים המבטיחים הפחתה נמוכה של עומס נמוך ו preprocessing באיכות גבוהה.

הסבר ואמון

מהנדסים ברשת עשויים להיות חסרי מוטיבציה להאמין למערכת בינה מלאכותית שמקבלת החלטות ⁇ , במיוחד כאשר החלטות אלה יכולות להשפיע על שירותי חירום או תשתיות קריטיות.טכניקות AI (XAI) מוסברות על מנת לספק הצדקה אנושית לפעולות AI, כגון "כוח גובר על תאים 27 עד 15%, כי חזה יתר על תאים 28 בשל אירוע מתקרב".

אבטחה ותקיפת וקטורים

מערכות בינה מלאכותית עצמן יכולות להיות מטרות.יועצים עשויים לנסות להעלים מידע על אימון, קלטות כלי רכב שגורמות לתחזיות שגויות (התקפות חריגות), או לנצל פרצות במנוע ההחלטה של AI כדי לגרום לאמצעי אבטחה ברשת.

שילוב עם Legacy Systems

רשתות רבות עדיין מסתמכות על תשתיות 3G/4G המורשתיות חסרות API עבור שליטה בבינה מלאכותית בזמן אמת. integrating AI אופטימיזציה על פני ריבוי של מובנים, סביבות מרובות-טכנולוגיה דורשות סטנדרטיזציה ולעתים קרובות שכבת ביניים המתורגמת פקודות בינה מלאכותית לתצורה ספציפית של הספק.התקדמות מתבצעת עם רשתות פתוחות של גישה רדיו (O-RAN), אשר מפשטות את האינטגרציה זו.

עתידה של AI בתקשורת אלחוטית

המסלול ברור: AI תהפוך למערכת העצבים המרכזית של רשתות אלחוטיות.להסתכל קדימה, כמה מגמות יזרזו את האבולוציה.

רשתות אוטונומיות מלאות

המטרה הסופית היא רשת אפס-מגע – אחת שהגדרות עצמיות, משל עצמי, זכויות עצמיות, ועצמיות עם התערבות אנושית מינימלית. מסגרת "רשת רשת" של 3GPP ו"רשת Zero-touch וניהול שירות" של ETSI הן הנחת התשתית.AI תהיה המנוע שסגור את מערכות האוטומציה, המאפשרות להתאמה של כל רשתות חומרה אנושית ללא תקלות.

AI-Native 6G Networks

מחקר 6G כבר מניח ש-AI יוטבע מהקרקע, לא ירעו מאוחר יותר.העיצוב של ממשק הרדיו, ערימה הפרוטוקול, והאדריכלות הרשת תהיה משותפת עם AI.מושגים כמו FLT:0AI-as-a-ServiceFLT:1 בתוך הרשת, שבו מודלים AI הם מסודרים באופן דינמי בקצה כדי לשרת מקרים ספציפיים (למשל, תקשורת דיגיטלית), אבל לא רק מותאמים אישית, אלא גם כן, זה יהיה נפוץ AI.

שילוב עם Cloud and Edge Computing

אופטימיזציה של בינה מלאכותית תמנף יותר ויותר ארכיטקטורות ענן היברידית ושורה התחתונה.אימון אינטנסיבי בנתונים היסטוריים פועל במרכזי נתונים בענן מרכזיים, בעוד זמן אמת בהקצאה וקבלת החלטות להתרחש בקצה הרשת - לצד יחידות בסיס או אפילו באתר האנטנה.זה מקטין את הגמישות ומאפשר התאמות מפוצלות של שניות. Edge-native AIets (למשל, NVIDs Jets, דרישות רדיו כבר משולבות של Intel)

AI-Driven Spectrum Sharing

עם הלחץ הגובר על זמינות ספקטרום, AI צפוי להקל על שיתוף ספקטרום דינמי בין מפעילי סלולרי, מערכות Wi-Fi ורשתות לוויין.שימוש ב- AI כדי לחוש את הסביבה האלקטרומגנטית ולנהל משא ומתן על השימוש בספקטרום בזמן אמת, יחשפו יעילות חדשה ויאפשרו לדו-קיום מורשה/לא מורשה.

מסקנה

אופטימיזציה רשתית מבוססת בינה מלאכותית הופכת את הנוף האלחוטי ממערכת סטטית, אנושית, לתוך מערכת דינמית, אינטליגנטית ואוטונומית.על ידי שיפור הכיסוי, הגדלת יכולת, צמצום עלויות ושיפור יעילות האנרגיה, AI אינה רק כלי עבור מפעילי רשת - זה הכרחי אסטרטגי עבור עמידה בדרישות של ביצועים אלחוטיים בעשור הבא של קישוריות.למרות אתגרים באיכות נתונים, אמון, אבטחה, התבגרות מהירה של אלגוריתמים AI ו-ORANG, כמו גם לא יהיה לחץ על ידי קידום מכירות של מערכות AI.