AI導入時に解決すべき無線ネットワークの運用・保守における4つの大きな課題

無線通信ネットワークの発展に伴い、今後のネットワークは周波数帯域やネットワーク構成の面でより複雑化します。サービスの多様化や端末の多様化と相まって、無線通信システムの規模と複雑さはますます増大していきます。

将来の大規模通信システムでは、無線ネットワークの運用と保守は多くの課題に直面するでしょう。たとえば、仮想化とネットワークの進化により、運用と保守の複雑さが増します。1つの問題が複数のネットワーク領域でアラームをトリガーする可能性があります。ユーザーの要求により、ネットワークの運用と保守の品質が向上し、ユーザーは遅延許容度が300ミリ秒から10ミリ秒に短縮されることを期待しています。ネットワークで分析に使用できる大量のデータは処理が難しく、リアルタイム分析データの量は1,000倍以上に増加します。

その結果、無線ネットワークの運用と保守では、障害の分析と場所の特定および障害の追跡が困難、予測不可能な障害、運用と保守のディスパッチが不正確、既存の応答性の高い運用と保守モデルの効率が低い、顧客エクスペリエンスが悪いなどの問題が発生しています。ネットワークの運用と保守のプレッシャーと課題に直面し、分析、フィッティング、エクスペリエンスフローなどの従来の処理方法では、無線ネットワークの運用と保守の問題を解決することがますます困難になっています。

[[248894]]

人工知能がネットワーク運用と保守に希望をもたらす

人工知能の台頭は、無線ネットワークの運用保守システムに希望の光をもたらしました。AIを「武器」として導入し、人工知能の自己学習機能とディープラーニング機能に頼ることで、膨大な運用保守データから暗黙の相関関係の特徴とルールを抽出し、イベントの根本原因を追跡し、障害の分析と場所を導くことができます。同時に、共通する特徴を抽出して要約することで、将来のイベントを予測することもできます。

たとえば、提供されたアラーム、リソース、ネットワーク トポロジ データに基づいて、関連する人工知能手法を使用して、障害アラームと障害の原因を特定する要因との相関関係を検出し、障害特定システムとネットワーク保守管理システムを形成して、障害解決の効率を向上させます。ワイヤレス ネットワーク データに基づいて、関連する人工知能手法を使用して、ユーザーの認識に影響を与える問題の根本原因を分析および特定し、運用保守部門に体系的な最適化ソリューション メカニズムを提供するようにガイドします。人工知能アルゴリズムを使用して、ユーザー側データとネットワーク側データに基づいて、ユーザー グループの特性を分析し、ユーザーのネットワーク認識スコアに影響を与える主要な要因を特定し、通信ネットワークに対するユーザーの満足度を予測し、ユーザーのネットワーク劣化の実際の問題点を迅速に発見して、オペレーターのネットワーク運用および保守戦略の基礎を提供し、ユーザー エクスペリエンスを向上させます。

人工知能は無線ネットワークの運用と保守において非常に優れた応用見通しを持っており、多くの通信事業者や機器メーカーが模索と試みを行っているものの、業界にはまだベンチマークケースや大規模な応用例が不足しています。その理由は、AIと通信ネットワークの間にはいくつかの重要な問題があり、両者の融合を妨げているためです。

問題 1: ワイヤレス ネットワーク データの可用性が低い

AIはデータによって「供給」されます。無線ネットワークには膨大な量のデータがあり、それがインテリジェントな運用と保守の最大の利点です。しかし、現在の無線ネットワークデータは、高次元、複数のデータタイプ、膨大なデータ量、多くの欠落データ、および異なる機器メーカーによる一貫性のないデータ形式を備えています。これらすべての要因により、無線データの使用は、ネットワーク運用と保守におけるAIの最初のハードルとなっています。主な問題点は以下のとおりです。

• まず、無線データは、スペクトル測定器、ユーザー端末、基地局やコアネットワーク機器、アプリケーションサービスなどから取得できます。元データには、物理​​層、アクセス層、ネットワーク層、アプリケーション層などのデータが含まれます。これらのデータの量は膨大であり、AI運用保守設計者は、どのデータを抽出するかを明確かつ正確に判断し、それらをどのように組み合わせて使用​​するかを検討する必要があります。不注意は逆の結果につながります。
• 第二に、データの入手と承認が難しいことです。無線ネットワークデータはユーザーの個人情報に関わるため、情報セキュリティやプライバシー保護を考慮すると、無線ネットワークデータの取得にはさまざまな承認が必要になることが多く、時間がかかり、手続きも煩雑になります。
• 3つ目に、機器メーカーによってデータ抽出時のデータ形式、機能名、データ計算方法が異なり、抽出できるデータの時間粒度も異なるため、統一が難しいという点です。
• 4 番目に、データ量が多く、保存される履歴データの量には制限があり、多くの場合、過去 6 か月または 1 年間のデータしか保存できません。ただし、AI における時系列の分析では、パターンをトレーニングするために長期間の履歴データが必要になることがよくあります。そのため、長期データの保存と取得も解決すべき問題です。
• 第五に、データ処理は難しく、ワイヤレス ネットワークでは毎日数百 TB のデータが生成されます。膨大な量のデータをどのようにクリーンアップし、標準化し、特徴エンジニアリングを実装するかは、大きな課題です。
• 6 番目に、欠落データやエラーには多くの種類があります。ワイヤレス ネットワーク データには複数の次元があり、データ量も大きいため、データ抽出プロセス中にさまざまな種類の欠落やエラーが発生する可能性があります。データ型によって適正な値が異なります。エラーのあるデータを扱う場合、多くのデータの例外処理を考慮する必要があり、困難です。

データ問題を解決するには、業界が協力して統一データ標準を形成する必要があります。無線ネットワークデータについては、権威ある協会、同盟、または国家部門が、データ形式、パラメータ定義、計算方法などの側面を含む統一データ標準を策定し、データ処理の複雑さを軽減する必要があります。データの非感作化も必要であり、主にユーザーのプライバシーを含むデータや情報セキュリティに関わるデータを暗号化およびエンコードします。これにより、個人のプライバシーが効果的に保護され、AIアルゴリズムによるデータ分析に影響を与えません。さらに、分散並列処理の強化も必要です。大規模な無線データセットについては、分散システムを構築してデータを並列処理し、効率を向上させる必要があります。

問題2: 無線ネットワークAIアルゴリズムの適用の難しさ

ワイヤレス ネットワークのシナリオは複雑かつ多様であり、ランダム性と変動性が特徴です。シナリオによっては、AI アルゴリズムを直接使用すると収束に失敗したり、結果が悪くなる可能性があります。このため、無線ネットワークの運用と保守における AI の応用には多くの課題が伴います。

• まず、無線ネットワークのモデリングは困難です。ワイヤレス ネットワークには、さまざまなシナリオ、複数のデータ次元、および大きな時間変動性があります。パイロット電力調整、エッジスループットの向上、M-MIMO ビーム調整、D-MIMO インテリジェント クラスター割り当て、マルチアンテナ特性ゲインなど、無線運用および保守のさまざまなシナリオでは、チャネルの変更は非常にランダムです。たとえば、突然の天候や緊急事態はネットワーク パラメータに影響を与え、正確なモデル化が困難になります。
• 第二に、ソリューションの複雑さが高くなります。たとえば、ユーザー知覚レートに関連するネットワーク指標を解決するには、RRC確立要求の数、UEセッション期間、ダウンリンクTTIスケジューリング時間、ダウンリンクで64QAMを使用するPRBの数など、数百のパラメータに加えて、時間次元のパラメータが関係します。ソリューションは非常に複雑で、多くの場合、最適なソリューションを見つけるのは困難です。
• 第三に、正確に分類することは不可能です。ワイヤレス ネットワークにはさまざまな種類があり、違いも非常に多いため、正確に説明するための共通点を見つけるのは困難です。たとえば、障害運用保守の分類問題では、ネットワーク障害は通常、アラーム、KPI 異常、業務中断など、多様性を示します。障害アラームは障害情報を正確に反映できないことが多く、運用保守担当者でさえ区別が困難です。人工知能アルゴリズムを使用すると、多くの障害ラベル付け作業が必要になる場合があります。多くの障害には多くの特徴が関係しており、正確に分類することが困難です。

AIアルゴリズムに関する質問:

• まず、予期しない問題に対処するための動的学習と継続学習アルゴリズムを確立できます。現在、主流の AI アルゴリズム アプリケーションは、動的データに基づく継続的な学習ではなく、主に静的データの学習に基づいています。そのため、突然発生し、予測不可能で、再現不可能な無線ネットワークの運用および保守の問題を解決することが困難になっています。そのため、動的な環境でAI学習アルゴリズムを確立し、過去の緊急事態を収集し、ルールをまとめる必要があります。運用保守システムが異常な動作（悪意のある攻撃など）や外部環境の変化による突然の変化（悪天候によるチャネルの突然変異など）を経験した場合、人工知能システムは関連する処理経験がなくても、対応する処理能力を持つことができます。
• 第二に、学習を強化し、ルールベースを確立することができます。長期的な利益を最大化するためのポリシー関数を学習し、観察から出力動作へのマッピング関係を確立します。無線ネットワークの運用と保守における問題に対応するために、システム内のネットワークとサービスの上流と下流の関係に基づいて、包括的な多次元履歴データ分析を実施し、潜在的な機能とルールをマイニングして、イベントと機能の一致するルール ライブラリを出力します。実際のネットワーク運用・保守においては、特徴に応じた自動マッチングルールに基づいて判断や処理提案が行われます。運用保守完了後は、運用保守結果の有効性に基づいて既存のルール体系を反転・強化し、自己学習・自己最適化を実施します。
• 3 つ目は、ビジネス知識に基づいて機能エンジニアリングを実行することです。コミュニケーションの専門知識と人工知能の特徴エンジニアリング手法を組み合わせて、特徴の追加、特徴のフィルタリング、およびデータ モデリングへの時間ディメンションの追加を行うことで、結果に重要な特徴を解決します。

質問3: 無線ネットワークAIシステム開発における課題

無線ネットワーク AI プラットフォーム システムの開発における課題は、主に以下の点にあります。

• 1 つ目はデータ前処理段階で、無線ネットワーク データ ファイルの大量のランダム読み取りおよび書き込みの問題が含まれます。データ アクセス効率をどのように向上させるかが、データ前処理段階で直面する最大の課題です。
• 2 つ目はデータ処理段階です。データの次元が複数あり、データ量が多く、データ形式が統一されていないため、普遍的に適用できるデータ処理モジュールを設計することは困難です。
• 3 番目はトレーニング フェーズです。このフェーズでは多くのモデル調整が行われ、最適なモデルをトレーニングするには膨大なコンピューティング リソースが必要になります。
• 4 番目は結果推論応答段階です。数千のデータがバッチで入ってくるときに、システム全体のスループットを向上させ、タイムリーに応答する方法が、結果推論段階が直面する課題です。
• 5 番目に、継続的に学習して適応し、タイムリーで安定した安全な意思決定を行える人工知能システムを設計します。
• 6 番目に、ユーザーのプライバシーを保護し、ユーザーの安全を確保しながら、パーソナライズされたサービスをサポートするシステムを設計します。

上記の課題に対応するため、ワイヤレス AI システムを開発する際には、以下の機能的特徴を考慮する必要があります。一方で、オフラインデータ分析とリアルタイムオンラインデータ分析を効率的に実行できる、CPU + GPU + FPGA ハイブリッド異種調達モデルを備えた効率的なユニットの使用を検討する必要があります。ワイヤレス AI プラットフォームには、複数の異なる規格や異なる構造タイプを統一的に処理する機能が必要であり、ワイヤレス サービスによって生成される大量の構造化、半構造化、非構造化データ情報を迅速かつ安定的に処理できる必要があります。

ワイヤレスビジネスシナリオでは、多くのアプリケーションがプラットフォームのオンラインコンピューティングに基づいてリアルタイムの意思決定を行う必要があります。ワイヤレス AI システムは、リアルタイムサービスを必要とする多くのワイヤレスビジネスシナリオに対応するリアルタイムのオンライン分析機能を提供する必要があります。提供されるリアルタイム分析は、さまざまなビジネス ニーズに応じて、時間、分、秒、さらにはミリ秒のレベルに設定できます。

一方、高性能な分散ストレージ機能も必要です。データ形式は非常に多様であるため、アプリケーションシナリオと組み合わせてデータクリーニングや特徴抽出などの前処理を実行し、異なる構造タイプのデータに基づいて統一された表現形式を定義する必要があります。その後、その後のビジネス ニーズに基づいて、データは分散され、他のモジュールで使用するために異なるサーバーに保存されます。

ワイヤレスネットワークに AI を適用する際の包括的な課題

技術レベルでのいくつかの重要な問題に加えて、ワイヤレス ネットワークへの AI の適用には、ハードウェアの展開、ソフトウェアの開発、人材、コストに関する問題も伴います。 AI処理に用いられるGPUデバイスのサイズは従来のコンピュータ室のラックの寸法に適合せず、放熱機構を備えるために特別なファンが必要であり、電源供給と展開は通信業界にとって解決が難しい問題です。

無線ネットワークの専門家は主に通信システムの知識を持ち、ソフトウェア開発やデータアルゴリズムモデリングに精通していないため、人材不足とソフトウェア開発の困難が生じています。コンピュータ室の改修、AI処理装置の購入、専門の開発者やAIアルゴリズムエンジニアの雇用には莫大なコストがかかり、事業者にとって大きなプレッシャーとなります。

これらの問題に直面して、通信事業者と機器メーカーは、大胆に革新し、「困難な問題」に果敢に取り組み、データの標準化と業界の統一に向けて行動し、共通の問題を解決するために協力する必要があります。同時に、私たちは落ち着いて宿題をこなし、AIを「完全に理解」し、技術的な困難に投資することを恐れず、挑戦に立ち向かう必要があります。そうすれば、最終的には報酬を得ることができるでしょう。各関係者も心を開き、AI業界の強みを結集し、AI企業やインターネット業界と協力し、共同でプラットフォームを開発し、相互に利益のあるビジネスモデルを見つけ、互いの強みを補完し、最終的には社会全体のためのインテリジェントで業界横断的、人道的なモバイルインターネットネットワークを構築する必要があります。