Решения и опыт Ericsson для оптимизации работы мобильных сетей (Network Performance) с использованием искусственного интеллекта AI

Когнитивное программное обеспечение - Cognitive Software

Алек­сей Га­ницев, директор по развитию бизнеса Ericsson в России, к.т.н.Алек­сей Га­ницев, директор по развитию бизнеса Ericsson в России, к.т.н.Решения Ericsson разработаны на основе полезной информации (инсайтов), получаемой от сетей связи по всему миру. Эти решения не зависят от поставщиков оборудования и используемых ими технологий, поэтому они являются унифицированными и применимыми на различных сетях связи. Цель таких решений – сделать программное обеспечение с AI гибким и лёгким в использовании, но в то же время, способным интегрироваться со многими системами оператора.

Ericsson начал разрабатывать такие решения для собственных проектов, но затем понял, что многие операторы захотят использовать их для цифровой трансформации бизнеса. Поэтому сейчас эти решения доступны в виде программного продукта.

Ведущие операторы Европы и Северной Америки уже давно используют режим DevOps для объединения коллективов по планированию, проектированию и оптимизации сети в единую команду, работающую над проектом. Это помогает исключить дублирование задач в соседних подразделениях, а также позволяет использовать общие инструменты для повышения эффективности и внедрения инноваций при движении к общей цели, которая состоит в обеспечении наилучшего качества услуг при оптимальных затратах. Для этого используется модульный подход, общий принцип использования искусственного интеллекта и больших данных для трансформации сети в направлении 5G.

Например, один из проектов по оптимизации сети в Японии был направлен на решение ситуации, когда на анализ одной соты уходило около 20 минут ручного труда, причем, за один цикл можно было проанализировать лишь 10-15 показателей KPI. Применение AI позволило анализировать более 100 показателей KPI на соту и обрабатывать около 1 миллиона сот за 30 минут. Такие же показатели были достигнуты у многих операторов Северной Америки и Китая.

Это даёт возможность достижения трёх основных приоритетов: максимизации окупаемости ROI, трансформации для повышения операционной эффективности и наивысшего воспринимаемого пользователем качества сервиса (user experience).

Решение AI в действии

Ведущие решения с когнитивными технологиями для планирования, проектирования, настройки и оптимизации сети с использованием AI нацеливают операторов на максимизацию эффективности и повышение качества услуг для пользователя, а также на создание новых источников дохода.

Традиционные формы автоматизации сети уже не удовлетворяют требований сегодняшних динамично развивающихся сетей. Когнитивные технологии меняют саму природу сетевых операций, решая сложные задачи, где средств традиционной автоматизации не хватает.

Эти программные технологии используют скорость, объём и разнообразие больших данных для того, чтобы с помощью искусственного интеллекта найти оптимальное соотношение между скоростью, стоимостью и качеством сервиса в сети. Они трансформируют операционную деятельность операторов, приближая их к сетям, не требующим ручного обслуживания (zero-touch networks).

Среди основных составляющих когнитивных технологий можно подчеркнуть три ключевые:

• Трансформация операций. Скорость, масштаб и точность искусственного интеллекта расширяет границы возможного для средств традиционной автоматизации. В них были возможны только ручные операции, либо некоторая автоматизация по набору правил (rule-based). Когнитивные технологии используют программные решения на базе AI, снижающие операционные расходы и сложность управления;
• Дополнения процессов. Когнитивные технологии дополняют и развивают традиционные бизнес-стратегии. Более глубокий анализ и лучшее понимание требований конечных пользователей, операционных затрат и действий конкурентов, позволяют бизнес-аналитикам операторов сосредотачиваться на насущных задачах, сохраняя в центре внимания нужды пользователей;
• Масштабирование и расширение. Телекоммуникационные сети при работе генерируют огромные количества многомерных данных с нелинейными зависимостями, которые могут быть эффективно проанализированы искусственным интеллектом AI. Использование результатов анализа, инсайтов, повышает разнообразие деятельности оператора и открывает новые возможности для поиска новых источников дохода.

Выделим основные преимущества когнитивных технологий:

• Операционная эффективность. Возможность сканирования всей сети за минуты, проактивное обнаружение на 50% больше проблем с точностью идентификации местоположения до 98%, рост операционной эффективности на 40%;
• Рационализация капитальных затрат. Возможность оценки сценариев "Что-Если" в масштабе всей сети, хирургически точное предсказание возможных мест возникновения проблем, сокращение инвестиций на величину до 20% и предотвращение возможного ухудшения воспринимаемого пользователями качества обслуживания (user experience) после ввода новых сайтов;
• Ускорение выхода на рынок. Ускорение запуска сайтов сети с сокращением времени приёмо-сдаточных испытаний на 50%;
• Наилучшее качество услуг сети. Предоставление наилучшего воспринимаемого пользователем качества сервиса и снижение количества зон с плохим качеством сервиса на 40%, благодаря своевременному расширению покрытия сети, своевременному запуску новых сайтов и проактивной оптимизации сети.

Примеры использования когнитивных технологий

Планирование капитальных затрат CAPEX. Когнитивный подход позволяет принимать стратегические решения об инвестициях в развитие сети на основе прогноза требований к ёмкости сети вместо того, чтобы лишь реагировать на возникающие "узкие места".

Сетевой краудсорсинг при приёмосдаточных испытаниях. Для удалённой верификации при приёмо-сдаточных испытаниях используются данные, полученные с использованием когнитивных технологий. Это даёт возможность проводить испытания новых сайтов, не посылая инженеров на драйв-тест, а использовать данные от оборудования сайтов.

Проактивная оптимизация сети. Сетевые аномалии можно обнаруживать и устранять до того, как произойдёт деградация качества обслуживания, вместо отложенного реагирования на появляющиеся жалобы пользователей, или оптимизации наихудших сот (worst cell optimization) по ограниченному числу метрик этих сот.

Решения для операторов с использованием когнитивных технологий

Ericsson предоставляет передовой в отрасли набор решений на основе когнитивного программного обеспечения с поддержкой оборудования сетей радиодоступа различных поставщиков сетей на всём протяжении срока службы сети.

• Когнитивное планирование. Искусственный интеллект и автоматизация управления сетью дают возможность прогнозировать рост трафика с высокой точностью, предсказывать изменения KPI, обнаруживать "узкие места" и находить возможность балансировки нагрузки. AI-анализ воздействия различных сценариев даёт возможность проактивного планирования сети на основе предиктивного интеллекта, а не реактивного реагирования, что приводит к снижению капитальных затрат и оптимизации сети.
• Когнитивное проектирование. При помощи радиоизмерений на всей сети, операторы могут определять, где и когда развёртывать и расширять сетевые функции, точно настраивать параметры сот, быстро обеспечивая наилучшую возможную конфигурацию для каждого сайта.
• Когнитивная настройка. Технологии Big Data обрабатывают данные от множества сайтов радиодоступа, анализируя параметры их работы. При таком подходе каждый пользователь представляет собой "сенсор" виртуального тестирования.
• Когнитивная оптимизация. AI-диагностика анализирует каждую соту сети и классифицирует возможные проблемы. Затем могут быть рекомендованы определённые настройки параметров с тем, чтобы устранить эти проблемы. Таким образом, обеспечивается постоянная оптимизация сети.

Компоненты Ericsson Cognitive Software

Программный пакет для классификации проблем в сотах "Cell Issue Classifier" содержит нейросеть глубокого обучения, которая автоматически наблюдает за работой сети и распознаёт её параметры на основе патентованной методологии, используемой для лёгкой генерации наборов данных для направляемого обучения (supervised learning) при помощи автокодировщиков.

Основные сценарии "Cell Issue Classifier":

• Автоматическое распознавание различных образцов (pattern) проявления проблем, в таких аспектах как нагрузка соты, доступность, мобильность, высокий трафик и пр.;
• Применение технологий глубокого обучения по показателям KPI и мониторинга сот, а также запись предупреждающих сообщений от каждой соты.

Программный пакет для классификации взаимовлияния каналов подключения к сети "Uplink Interference Issue Classifier" автоматически распознаёт и классифицирует образцы взаимовлияния восходящих каналов (uplink interference patterns) на основе модели глубокого обучения, которая совмещает распознавание образцов взаимовлияния каналов подключения к сети с подсчётом трафика, а также с данными предупреждающих сообщений сети.

Основные сценарии "Uplink Interference Issue Classifier":

• Считывание доступных параметров KPI и применение технологий глубокого обучения для распознавания образов взаимовлияния каналов (interference patterns);
• Классификация типа взаимовлияния: связанного с трафиком, взаимовлияния внешних узкополосных и широкополосных каналов, PUCH narrowband, отказавшего радиооборудования, и пр.;
• Оценка уровней деградации параметров работы в каждой ячейке (no impact, severe impact, и пр.).

Анализ исходных причин RCA (Root Cause Analysis) – дополнительная функция модуля "Performance Diagnostics". Она обеспечивает систематический и полностью автоматизированный анализ возможных исходных причин (root cause), определённых на этапе диагностики производительности. Большинство правил и проверок контролируется набором параметров, порогов и опций, установленном системным администратором при развёртывании решения.

Модуль планирования ёмкости "Capacity Planning" даёт возможность оценивать влияние ввода новых сетевых функций на капитальных затраты и операционные расходы (CAPEX и OPEX), а также улучшать процесс определения размеров сети (network dimensioning). При упрощении процесса network dimensioning (обычно сложного и дорогого), модуль "Capacity Planning" позволяет эффективно конфигурировать каждый сетевой узел для обеспечения оптимального качества услуг. Он прогнозирует полный набор параметров работы сети и использование ресурсов в процессе network dimensioning на базе использования ресурсов сети и/или воспринимаемого качества услуг для конечного пользователя (user experience), а также минимизации капитальных и операционных затрат.

Основные сценарии модуля "Capacity Planning":

• Прогноз изменения трафика и определение "узких мест";
• Re-dimension: переопределение размеров сети для обеспечения нужного уровня обслуживания;
• Re-farming: симуляция состояния сети после отключения несущих частот (carriers);
• Оценка числа и параметров требуемых новых сайтов для разрешения узких мест, определённых пользователем (customer defined bottlenecks).

Модуль виртуализованного драйв-теста ("Virtualized Drive Test") использует данные геолокации перемещения абонентов при вызове (geolocation of call traces) для составления полной цифровой карты для анализа, отчётности и изменения предложений.

Основные сценарии модуля "Virtualized Drive Test":

• Парсинг трассировки вызовов (call trace parsing), сборка и геолокация;
• Отчёт KPI без проведения драйв-теста (drive-less KPI report) и растровый анализ для посайтовой верификации и настройки;
• Поддержка RDT/MDT для точности позиционирования GPS;
• Поддержка полигонального позиционирования (polygon support);
• Классификация мобильности внутри и вне помещений;
• Отображение потоков сигнализации.

Модуль "Virtualized Drive Test" предназначен для показа ценных данных, передаваемых от устройства пользователя UE (user equipment), относящихся к качеству канала, уровню сигнала, трафику или состоянию завершённых вызовов за определённый отрезок времени, а также информации о топологии сети. Модуль даёт возможность подробного анализа уровней вызовов, позволяющих подробный разбор сообщений уровня 3 с полным видением процесса вызова (call flow).

Сетевой интеллект Ericsson Network Intelligence ENI

Сетевой интеллект Ericsson Network Intelligence упрощает сложность сетей 5G, как виртуализованной и открытой цифровой экосистемы, за счёт аналитики данных, которая помогает прогнозировать и предотвращать сбои, вместо реагирования на них впоследствии.

Сценарии использования Ericsson Network Intelligence:

• Прогнозирование и предотвращение сложных проблем;
• Обнаружение и предотвращение аномалий;
• Автоматизация управления сетью;
• Аналитика на границе сети (edge), управляемая человеком и оснащённая Искусственным Интеллектом AI;
• Сети, развивающиеся на основе запросов пользователей (customer-driven networks).

Ericsson Network Intelligence анализирует получаемые данные для предотвращения возможных проблем работы сети в будущем. Модели, работающие на основе данных (Data-driven models), используют технологии машинного интеллекта, а также деятельность работников на основе данных (data-driven activities). Эти модели постепенно заменяют простое реагирование на события вручную (event-driven tasks). Растущая автоматизация на базе AI создаёт большие объёмы инсайтов (полезных данных, полученных от аналитики) и даёт возможность распознавать полезные данные среди потока несущественных данных и использовать их для предотвращения нежелательных ситуаций (preemptive actionable intelligence).

Преимущества Ericsson Network Intelligence:

• Устранение до 60% будущих проблем в работе сети;
• Снижение до 35% числа критических инцидентов;
• Получение инсайтов за 1-2 часа до возникновения проблем;
• Снижение с нескольких часов до нескольких минут времени поиска причин проблем.

Управление трафиком в сети 5G

При помощи Искусственного Интеллекта AI в виртуальном оборудовании BBU RAN пользовательские устройства 5G могут быть перенаправлены в соты с лучшим сервисом 5G. Соты ранжируются при помощи AI-моделей и функции двойной коннективности (dual connectivity). При этом покрытие сети 5G улучшается на 25%.

Функция MIMO sleep позволяет обеспечивать экономию энергии. В радиосистеме Ericsson алгоритмы AI работают на уровне BBU, прогнозируя изменения трафика, и автономно отключая антенны, снижая тем самым энергопотребление в часы с низким трафиком. Эту функцию можно также комбинировать с функцией "засыпания соты" Cell sleep и решениями по диспетчеризации энергопотребления Low Energy Scheduler для ещё большей экономии. Для модельных кластеров (proof-of-concept) средняя экономия электроэнергии составила 14%.

Оптимизация потоков трафика с помощью AI для масштабной оптимизации кластеров сот используется для обнаружения сетевой топологии при помощи технологии ненаправляемой кластеризации на базе машинного обучения. Это даёт улучшение распределения нагрузки в сети на 18%.

Машинное обучение (Machine learning) совершенствует существующие запатентованные функции MME для адаптивного пейджинга устройств так, что становится возможным распознавать топологию сети и снижать трафик сигнализации до 80%, что в свою очередь, высвобождает полосу пропускания.

AI и данные аналитики повышают энергоэффективность сетей радиодоступа на 15%.