Сложность управления сетями мобильной беспроводной связи и ШПД растет от года к году. И если раньше с управлением сетями справлялись и весьма успешно квалифицированные специалисты, то чем дальше, тем более приходится доверять автоматике, точнее, AI - искусственному интеллекту. Уже сегодня, без этого просто невозможно добиться оптимальной работы сотовых сетей (в терминах Network Performance).

Почему трансформация сетей от человеческого управления к управлению AI стала необходимой?

Причина вполне очевидна - быстрый и постоянный рост сложности сетей мобильной связи и процессов управления ими. Каждое следующее поколение мобильной сотовой связи несет с собой расширение функциональности сетевого оборудования, кроме того сети прирастают числом сайтов, секторов и задействованных частотных диапазонов.

Когда-то даже в таком городе как Москва число сайтов могло измеряться единицами десятков, сейчас оно измеряется десятками тысяч. Хотя каждый раз говорится, что переход к новому поколению связи не требует особого “уплотнения” сети (денсификации), на деле число сайтов постоянно возрастает. Очередной скачок количества базовых станций происходит в сетях, где приступили к развертыванию 5G New Radio из-за активного применения малых сот (small cells) миллиметрового диапазона частот.

Дополнительные сложности связаны также с непрерывным расширением набора услуг, здесь также ожидается качественный скачок в связи с приходом 5G - массовый IoT, AR/VR, видеосервисы, беспилотный транспорт,

Эти изменения постоянно усложняет как первичное планирование и дизайн сети, так и управление запущенной сетью. Традиционные методы и подходы все чаще не дают необходимого результата, усложняются поиск и исправление неполадок, растет время реакции на инциденты.

Выход из сложившейся ситуации - все более активная автоматизация мобильной сети на всех этапах ее жизненного цикла - от проектирования до управления и оптимизации. Основой такой автоматизации на сегодня является искусственный интеллект и алгоритмы ML. В зависимости от настроек AI может, например, прогнозировать, как, где и когда нужно расширять сетевые ресурсы. Это позволяет не только двигаться к оптимизации сети, но и повышать эффективность инвестиций в сеть.

Соответствующие решения уже внедрены на ряде сетей.

Таиланд

Один из примеров, где было внедрено решение Ericsson с использованием AI - сеть одного из операторов в Таиланде. Сложность сценарию придавало то, что сеть - мультивендорная. Внедрение AI позволило оператору не только сэкономить на капитальных затратах, но также выиграть много времени за счет масштабной автоматизации низкоуровневых задач, переключив инженеров на более важные, такие как поиск сценариев развития сети с вычислением оценок TCO (Total Cost of Ownership - полной стоимости владения) для каждого из сценариев.

Индонезия

Яркий пример экономии - возможность отказаться от драйв-тестов. Действительно, достаточно анализировать качество работы сети с абонентским устройством в “привязке” к геолокации абонента, чтобы составить картину качества работы сети вместо того, чтобы выполнять трудозатратные и недостаточно представительные драйв-тесты. Отличная возможность ускорить приемосдаточные испытания (acceptance test) для новых сайтов сети, снизив выбросы вредных веществ от многочасового использования автомобиля при проведении драйв-тестов. В Джакарте, Индонезия, из-за роста трафика в среднем на 50% в год, приходится разворачивать по 20 тысяч новых сайтов ежегодно. При этом средняя скорость автотранспорта составляет 5 км/ч. Отказ от драйв-тестов позволил заметно ускорить ввод в строй новой сетевой емкости.

Решение Network Performance позволяет выявлять скрытые проблемы в масштабе всей сети, быстрее проводить их анализ и своевременно находить решение.

Можно прогнозировать, что сети сотовой связи движутся к автономности и самоуправлению на базе AI, но и сегодня, еще до достижения полной автономности, внедрение решений на базе AI облегчает работу с сетью для оператора.

От ML к MR

Интересно, что и AI не стоит на месте. Еще недавно для управления сетями сотовой связи хватало решений на базе ML (machine learning) - машинного обучения. Эта технология успешно справляется с анализом известных ситуаций на сети на основе того опыта, который AI получил при обучении. Но она зачастую пасует в ситуациях, когда возникает проблема нового вида, которая ранее не встречалась, что для современных сетей связи вполне обычно.

Сейчас намечается дрейф от решений ML к решениям MR (machine reasoning) - эта технология куда больше подходит под определение AI, так как предназначена для поиска оптимальных решений также в незнакомых ситуациях. MR - то символический метод, использующий логические техники, например, интерференцию и дедукцию применительно к нечисловым данным, таким как факты, соотношения и правила.

Подробнее о теме AI в сетях сотовой связи можно читать на сайте Ericsson.

--

теги: телеком решения инфраструктуры Ericsson AI искусственный интеллект тренды