Daha Akıllı Ağlar Oluşturmak: Open RAN'da Anomali Tespiti için AI / ML
Telekomünikasyon sektörü 5G'nin ötesine geçerek (B5G) 6G çağını başlatacak teknolojilere hazırlanırken, Açık Radyo Erişim Ağı (Open RAN) daha akıllı ve esnek kablosuz iletişimlerin mümkün olmasında kritik bir rol oynamaya hazırlanıyor. Geleneksel RAN sistemlerinin katı, tedarikçiye bağlı mimarilerinden uzaklaşan Open RAN, modülerliği benimsiyor ve farklı tedarikçilerin çeşitli donanım ve yazılım bileşenlerinin standartlaştırılmış açık arayüzler aracılığıyla sorunsuz bir şekilde çalışmasını sağlıyor. Bu açık, bulut tabanlı mimari, inovasyonu hızlandırmanın yanı sıra, yeni nesil bağlantı taleplerini karşılayabilecek çevik, yapay zeka odaklı ağların temelini de oluşturuyor.
O-RAN ALLIANCE'ın Open RAN uygulaması, operatörlerin farklı tedarikçilerin çözümlerini bir araya getirmelerine olanak tanıyarak esneklik sağlar ve ayrıştırılmış, sanallaştırılmış altyapı sayesinde maliyetleri düşürür. Açık arayüzleri, yapay zeka (AI) ve makine öğrenimi (ML) ile gerçek zamanlı ağ optimizasyonu için inovasyonu hızlandırır ve otomasyonu destekler.
Ancak, ağlar B5G ve 6G'ye doğru gelişirken, Open RAN artan karmaşıklığı yönetmek zorundadır:
- Büyük hacimli temel performans göstergeleri (KPI): RAN genelinde binlerce parametre ve olay olduğundan, sorunları manuel olarak tespit etmek ölçeklenebilir değildir.
- Dinamik topolojiler (sabit bir bağlantı düzeni) : Sanallaştırılmış ve çok satıcılı ağlar tutarsızlıklar ve yapılandırma uyumsuzlukları yaratır.
- Gerçek zamanlı kısıtlamalar: Fiziksel hücre kimliği (PCI) çakışmaları gibi anormallikleri tespit etmek ve bunlara yanıt vermek, hizmet kalitesinin düşmesini önlemek için hızlı bir şekilde yapılmalıdır.
- Birlikte çalışabilirlik riskleri: Open RAN'ın esnekliği, izlenmesi zor olan ince yapılandırma hataları veya arızaların ortaya çıkma olasılığını da artırır.
Bu karmaşık zorluklar, ağ davranışlarını belirlemek ve gerçek dünya sorunları haline gelmeden önce anomalileri tespit etmek için araştırma aşamasında kapsamlı bir şekilde incelenmelidir. Keysight'ın uygulama notunda – Anomali Tespitinde AI / ML'yi eğitmek için bir O-RAN Dijital İkizi, bu makale AI ve ML'nin bu görev için nasıl güçlü araçlar sunduğunu ele almaktadır. AI ve ML, büyük hacimli ağ verilerinden öğrenerek gizli kalıpları ortaya çıkarabilir, karmaşık bağımlılıkları modelleyebilir ve geleneksel kural tabanlı yaklaşımların gözden kaçırabileceği anomalileri tespit edebilir.
RIC nedir?
AI destekli Open RAN'ın merkezinde, RAN'ı izlemek ve optimize etmek için AI / ML kullanımını mümkün kılan bir yazılım platformu olan RAN Akıllı Denetleyici (RIC) yer almaktadır.
İki tür RIC vardır:
- Neredeyse gerçek zamanlı RIC: xApps kullanarak bir saniyeden kısa sürede kontrol işlevlerini (ör. devirler, güç kontrolü) yürütür.
- Gerçek zamanlı olmayan RIC: rApps aracılığıyla anomali tespiti, politika güncellemeleri ve model eğitimi gibi uzun vadeli stratejileri destekler.
Anormalliklerin Tespiti
Open RAN'da en umut verici AI / ML kullanım örneklerinden biri, otomatik kodlayıcılar gibi modellerin etiketli verilere ihtiyaç duymadan ağ davranışındaki olağandışı kalıpları tanımayı öğrendiği, denetimsiz anormallik tespiti.
Bir RIC test çözümü — örneğin RAN'ı taklit eden bir dijital ikiz — bu AI modellerinin geliştirilmesinde hayati bir rol oynar. Şunları sağlar:
- Kontrollü KPI akışları: Sentetik ancak gerçekçi trafik oluşturarak, modeli çok çeşitli normal ve anormal koşullara maruz bırakır.
- Tekrarlanabilir hata enjeksiyonu: Mühendisler, örneğin PCI çakışmalarını veya komşu yapılandırma hatalarını kontrollü bir şekilde simüle edebilir.
- Veri etiketleme temel gerçeği: Denetimsiz ortamlarda bile, anomalilerin ne zaman ve nerede enjekte edildiğini bilmek model değerlendirmesine olanak tanır.
- Model eğitim boru hattı: Otomatik kodlayıcılar, ağ KPI'larını sıkıştırmak ve yeniden oluşturmak için eğitilir. Yeniden oluşturma hatası arttığında, model bir anomaliyi işaretler.
E2, A1 ve O1 gibi standart Açık RAN arayüzleri, RIC'yi test etmek ve optimize etmek için kullanılan AI / ML modellerinin gerçekçi, uçtan uca eğitimi ve doğrulanmasında kritik bir rol oynar:
İleriye Dönük Olarak;
Keysight'ın “Anomali Tespitinde AI/ML'yi Eğitmek için O-RAN Dijital İkizi” başlıklı makalesinde tartışıldığı gibi, dijital ikizleri otomatik kodlayıcı tabanlı AI/ML ile birleştirmek, ölçeklenebilir, gerçek dünyaya hazır anomali tespit boru hatları sağlar. Bu, araştırmacıların ve mühendislerin geleneksel kural tabanlı sistemlerin ötesine geçmelerine ve gelecekteki 6G otonom ağlar için gerekli olan uyarlanabilir, akıllı RAN'lar oluşturmalarına olanak tanır.
O-RAN, AI / ML'nin gelişmesi için gerekli esnekliği ve açıklığı sağlar. RIC testi ve dijital ikizler gibi araçlar, gelecekteki ağların sağlam ve kendi kendini optimize eden yapısını korumasını sağlayan güvenilir ve verimli anomali tespiti için temel oluşturur.
Anomali tespiti, Open - RAN dijital ikizinin gelecekteki 6G ağları için AI/ML algoritmalarını eğitmek amacıyla nasıl kullanılabileceğinin ortaya çıkan örneklerinden sadece biridir. Bu tür dijital ikizler, enerji ve spektrum paylaşımı, radyo kaynak yönetimi ve planlama, ağ optimizasyonu gibi diğer alanlara uygulanabilir AI/ML algoritmalarını eğitmede açıkça daha geniş bir kapsama sahip olabilir. Dijital ikizler ve bunların AI/ML algoritmalarının eğitimi, testi, doğrulaması ve karşılaştırmalı değerlendirmesinde kullanımı, 6G'nin gerçekleştirilmesinde temel bir dayanak noktasıdır.
