اتوماسیون سیستم‌های پشتیبانی شبکه و عملیات با کمک هوش مصنوعی مولد

چکیده: سیستم‌های پشتیبان عملیات^[1] عضوی اساسی در شبکه‌های مخابرات سیار هستند که وظیفه آن‌ها پایش و هماهنگی مشتریان، خدمات، منابع، فرآیندها و فعالیت‌های شبکه است. با توجه به رشد روزافزون شبکه‌ها و فرآیندهای فناوری اطلاعات و از طرف دیگر، افزایش پیچیدگی و بالا رفتن مقیاس شبکه‌های مخابراتی، نیاز به یک انقلاب در سیستم‌های عملیات شبکه و هوشمندسازی و اتوماسیون آن امری اجتناب ناپذیر است. در این میان، می‌توان با تکیه بر توانمندی‌های فناوری نوظهور هوش مصنوعی مانند مقیاس‌پذیریِ آن به تقویت و اتوماسیون سیستم‌های پشتیبان عملیات پرداخت. در حال حاضر، هوش مصنوعی و اتوماسیون در سیستم‌های پشتیبان شبکه به عنوان دو بال کاملاً هماهنگ برای تقویت و بهبود فرآیندهای شبکه‌های مخابراتی عمل کرده و عملیات مخابراتی را به کمک فرآیندهای فناوری اطلاعات نوین به اکوسیستم‌های کارآمد، انعطاف‌پذیر و هوشمند تبدیل می‌سازند. در این مقاله به بررسی نقش هوش مصنوعی در اتوماسیون سیستم‌های پشتیبانی عملیات و مزایای آن پرداخته می‌شود.

کلمات کلیدی: سیستم‌های پشتیبانی عملیات، هوش مصنوعی مولد، OSS، اتوماسیون

1. مقدمه

سیستم‌های پشتیبان عملیات (OSS) اصطلاحی است که اپراتورهای موبایل برای توصیف سیستم‌های پردازش اطلاعات و مدیریت شبکه‌های ارتباطی خود از آن استفاده می کنند. این راه حل ها که ابتدا به عنوان ابزارهای مدیریت شبکه مخابراتی شناخته می شدند، اکنون بسیار پیچیده تر شده اند. آن‌ها به سازمان اجازه می دهند تا مشتریان، خدمات، منابع، فرآیندها و فعالیت ها را هماهنگ کند. آن‌ها همچنین به اپراتورها در طراحی، ساخت، راه اندازی و نگهداری شبکه های ارتباطی کمک می کنند. به طور سنتی، OSS تمایل به ارائه عملکرد یا عملیات شبکه را داشت که خود شامل مدیریت خطا و عملکرد (اطمینان)، فعال‌سازی مشتری (تامین)، مدیریت (دارایی / موجودی / پیکربندی) و امنیت شبکه بود [1] و [2].

1-1. سیستم‌های پشتیبان شبکه و عملیات

از روزهای اولیه ی فعالیت اپراتورهای مخابراتی  این فرایندها به صورت دستی انجام می شد. با ظهور رایانه ها در میانه ی قرن بیستم، اپراتورها شروع به استفاده از قدرت پردازش خود با توسعه برنامه هایی کردند که به آن‌ها کمک می کند تا شبکه های گسترده و لیست مشترکین خود را اداره کنند.

این نرم افزارهای ابتدایی در واقع عملکرد آنچنان قابل توجهی نداشتند و مأمور انجام عملیات های ساده و غیرپیچیده بودند. در نتیجه واحدهای تجاری مختلف در اپراتورها به سرعت به دنبال بهبود عملکرد و کارایی آن‌ها از طریق به اشتراک گذاری داده ها و یکپارچه سازی آن‌ها با یکدیگر رفتند. به عنوان مثال، هرگاه که یک مشتری اقدام به ثبت سفارشی می کرد، این سفارش در یک سیستم ذخیره می شد، سپس طراحانِ سیستم، راه حل مورد نظر برای رفع نیاز مورد نیاز این مشتری را در سیستمی مجزا از سیستم اول ذخیره و ثبت می کردند و در نهایت این طرح در جایی دیگر به نام مرکز تلفن پیاده سازی می شد. در این مثال، در واقع می توان با به اشتراک گذاری داده ها و همچنین یکپارچه سازی این سه سیستم مجزا سرعت و کیفیت عملکرد را بالا برد که این امر به نوبه خود نیازمند تلاش قابل توجهی بود [1].

برای پاسخگویی به این نیاز اپراتورها، مجموعه ای از استانداردها مانند ^[2]TMN که برای رعایت اختصار در این مقاله توضیح داده نخواهد شد، شروع به شکل گیری کردند تا هماهنگی بین برنامه‌ها وجود داشته باشد.

    1-1-1. مدل FCAPS

توسعه بیشتر مدل TMN زمانی رخ داد که ITU-T مدل FCAPS مربوط به ISO یعنی خطا^[3]، پیکربندی^[4]، حساب کاربری^[5]، عملکرد^[6] و امنیت^[7] را در توصیه خود در مورد عملکردهای مدیریتی (M.3400) گنجاند [3]. در ادامه هر یک از بخش‌های مدل FCAPS به اختصار توضیح داده شده است.

• مدیریت خطا: شناسایی، جداسازی، اصلاح و ثبت رویدادهای دارای خطا که در شبکه رخ می‌دهد. ثبت خطا^[8] می تواند به گونه‌ای توسعه یابد تا بتواند تجزیه و تحلیل روند را به عنوان ابزاری برای پیش‌بینی خطاها یا رفتار غیرعادی در شبکه در بر گیرد. دستگاه‌های موجود در شبکه می‌توانند خطاها را به لایه‌های مدیریت شبکه بالاتر ارجاع دهند که به نوبه خود عملکردهای پیشرفته‌‌تری مانند تجزیه و تحلیل علت وقوع خطا را ارائه می‌کنند. تجزیه و تحلیل شدت خطا می‌تواند برای اولویت‌بندی فعالیت‌های اصلاح خطا استفاده شود [1] و [2].
• مدیریت پیکربندی: دستگاه‌های موجود در شبکه امکان ردیابی منابع شبکه و تغییرات در شبکه را با هدف ذخیره ویژگی‌ها (یا پیکربندی) فراهم می‌کنند. اعمال تغییرات در شبکه، که به عنوان تامین^[9] نیز شناخته می‌شود، در واقع ابزاری برای تسهیل امکان به‌روزرسانی‌های پیکربندی شبکه از جمله ایجاد مدارها یا مسیرهاست که این کار را به واسطه‌ی به کار بردن دستگاه‌های مختلفی در شبکه امکان‌پذیر می‌کند. ردیابی وضعیت تأمین به اپراتور اجازه می‌دهد تا برای طراحی‌های آینده و ساخت شبکه برنامه‌ریزی کند [1] و [2].
• مدیریت حساب کاربری: هدف آن جمع آوری آمار کاربران است تا بتوان ویژگی‌های صورتحساب و سهمیه‌ی استفاده آن‌ها را مدیریت کرد. رادیوس^[10] و تَک‌اَکس^[11] پروتکل‌هایی هستند که از آن‌ها برای مدیریت حساب استفاده می‌شود. در برخی موارد، A در عبارت FCAPS نشان دهنده مدیریت^[12]، مدیریت کاربران مجاز شبکه، مجوزها و فعالیت‌های عملیاتی است [1] و [2].
• مدیریت عملکرد: هدف آن جمع‌آوری آماری است که سطح کارایی شبکه را تعیین می‌کند. آمار واقعی یا شمارنده‌های^[13] ثبت شده می‌تواند به طور گسترده‌ای بین انواع دستگاه‌های شبکه متفاوت باشد که بر اساس نیازهای تجزیه و تحلیل عملکرد خاص دستگاه تعیین می‌شود. شمارنده‌ها می‌توانند شامل توان عملیاتی^[14]، قدرت سیگنال^[15]، استفاده از منابع^[16]، نرخ خطا^[17]، تأخیر^[18] و غیره باشند. این آمار عملکرد همچنین می‌تواند برای تحلیل ظرفیت یا روند قابلیت اطمینان استفاده شود. با تجزیه و تحلیل مقدار آستانه شمارنده‌هایی نظیر نرخ خرابی، اپراتورها می‌توانند قبل از اینکه شبکه تحت تأثیر قرار گیرد از شرایط خطای قریب الوقوع آگاه شوند و دست به ایجاد اقدامات متعادل‌کننده بار برای کاهش عملکرد ضعیف شبکه بزنند [1] و [2].

• مدیریت امنیت:  هدف آن کنترل دسترسی به دارایی‌های شبکه و ایمن‌سازی در برابر دسترسی غیرمجاز است [2].

 1-2. مزایا و کاربردهای هوش مصنوعی مولد چیست؟

هوش مصنوعی مولد می‌تواند با بهره گیری از محتواهای^[19] موجود محتواهای جدید و واقعی (در مقیاس) تولید کند. این محتواها ویژگی‌های داده‌های آموزشی را منعکس کرده اما آن را تکرار نمی‌کند. در واقع هوش مصنوعی مولد می‌تواند انواع محتوای جدید مانند تصاویر، ویدئو، موسیقی، گفتار و متن، کد نرم‌افزار و طرح‌های محصول را تولید کند. مزایای هوش مصنوعی مولد شامل توسعه سریع‌تر محصول، افزایش تجربه مشتری و بهبود بهره‌وری کارکنان است، اما ویژگی‌های اختصاصی آن به شکل بهره‌گیری از آن بستگی دارد. کاربران باید در مورد محتوایی که به دنبال دستیابی به آن هستند واقع بین باشند، به خصوص زمانی که سرویس مورد استفاده محدودیت‌های عمده‌ای دارد. هوش مصنوعی مولد محتواهایی را ایجاد می‌کند که می‌توانند نادرست یا مغرضانه باشند که این موضوع اعتبارسنجی انسانی را درخصوص خروجی‌های آن ضروری می‌سازد. در نتیجه، به طور بالقوه، عنصر صرفه جویی در زمان که یکی از اساسی ترین مزایای استفاده از هوش مصنوعی است در این موارد محدود می شوند [4]. در نظرسنجی اخیر گارتنر از بیش از 2500 مدیر، 38 درصد نشان دادند که تجربه و حفظ مشتری هدف اصلی سرمایه گذاری های آن‌ها در هوش مصنوعی مولد است. به دنبال آن رشد درآمد (26%)، بهینه سازی هزینه ها (17%) و تداوم کسب و کار (7%) موارد بعدی مورد انتظار مدیران بود (شکل 1) [5].

2. نقش هوش مصنوعی در اتوماسیون OSS

با توجه به تعاریفی که تاکنون ارائه شد، هماهنگ‌سازی^[20] فرآیندهای OSS و درخواست خدمات سفارشی در مقیاس بزرگ یک چالش رو به رشد در بخش مخابرات و فناوری اطلاعات است. به طور سنتی، اتوماسیون فرآیندهای OSS متکی بر سیستم‌های مبتنی بر قوانین^[21] بود، که در آن‌ها جریان‌های کاریِ^[22] ایجادشده توسط حالت‌های خاص، وظایف و امور نسبتاً یکنواخت و روتین را ساده می‌کردند. با این حال، از آنجایی که صنعت مخابرات پس از اضافه شدن سیستم‌های مخابرات سیار شاهد افزایش پیچیدگی^[23] بی‌سابقه‌ای بود، محدودیت‌های اتوماسیون‌هایی که با سیستم‌های سنتی کار می‌کردند بیش از پیش آشکار شد. اینجاست که قدرت دگرگون‌کننده هوش مصنوعی و یادگیری ماشین به‌عنوان چراغ راهی برای بهبود کارایی ظاهر می‌شود. هوش مصنوعی به عنوان یک فناوری نوظهور دگرگون‌کننده می‌تواند اتوماسیون سیستم‌های پشتیبات عملیات و بالتبع چشم‌انداز عملیات مخابراتی را کاملا تغییر دهد [6] و [7]. در ادامه نقش چندجانبه‌ای را که هوش مصنوعی در ایجاد نوآوری، کارایی و سازگاری در اتوماسیون OSS ایفا می‌کند، بررسی می‌کنیم:

 2-1. اتوماسیون شناختی و تصمیم‌گیری

هسته اصلی نقش هوش مصنوعی در اتوماسیون OSS، توانایی آن در معرفی اتوماسیون شناختی^[24] است. برخلاف سیستم‌های سنتی OSS، Rule Based مجهز به هوش مصنوعی می‌تواند بر اساس فرآیندهای فکری انسانی تصمیم‌گیری^[25] کند. این موضوع بدان معناست که سیستم‌ها می‌توانند از الگوهای داده‌ها یاد بگیرند، با شرایط متغیر سازگار شوند و تصمیمات هوشمندانه بگیرند، اتکا به قوانین ثابت را کاهش دهند و امکان تنظیمات پویا و بلادرنگ^[26] را فراهم کنند. به عنوان مثال، اگر خطایی در سیستم رخ دهد که مشابه آن قبلاً در این سیستم رخ داده بوده اما درصد تکرار آن کمتر بوده، هوش مصنوعی می‌تواند مانند یک انسان در این مورد تصمیم‌گیری کند که آیا این خطا را می‌توان با همان روش آموخته‌ی قبلی رفع کرد یا نیازمند بررسی مجدد و به کارگیری روشی جدید است [6] و [7].

شکل 1: اولویت‌های مدیران در به‌کارگیری هوش مصنوعی مولد [5]

  2-2. تجزیه‌وتحلیل پیش‌بینی‌کننده برای مدیریت فعال

یکی از ویژگی‌های برجسته هوش مصنوعی در اتوماسیون OSS قابلیت آن برای تجزیه‌وتحلیل و پیش‌بینی است^[27]. الگوریتم‌های یادگیری ماشین، داده‌های تاریخی را برای شناسایی الگوها و روندها تجزیه‌وتحلیل می‌کنند و سیستم‌ها را قادر می‌سازند تا مسائل بالقوه را قبل از وقوع پیش‌بینی کنند. این رویکرد پیشگیرانه برای مدیریت شبکه، قابلیت اطمینان را افزایش داده، زمان خرابی را کاهش می‌دهد و به تجربه یکپارچه‌تر کاربر کمک می‌کند^[28]. به عنوان مثال اگر هر بار قبل از وقوع یک خطای خاص، مقدار آستانه یک پارامتر به حد اشباع می‌رسد، هوش مصنوعی می‌تواند از این ارتباط یک الگو ساخته و در هنگامی که مقدار آستانه آن پارامتر خاص به نزدیکی اشباع می‌رسد، خود را برای وقوع خطای مورد نظر آماده کرده یا وقوع آن را پیش‌بینی کرده و هشدار دهد [6] و [7].

2-3. تخصیص پویای منابع

اتوماسیون OSS مبتنی بر هوش مصنوعی در بهینه‌سازی تخصیص منابع در شبکه‌های مخابراتی برتری دارد. با تجزیه‌وتحلیل مداوم ترافیک شبکه، الگوهای استفاده و معیارهای عملکرد، هوش مصنوعی می‌تواند منابع را به صورت پویا تخصیص دهد^[29] و از استفاده کارآمد از ظرفیت شبکه اطمینان حاصل کند. این سازگاری به ویژه در مواجهه با تقاضاهای نوسانی^[30] و معرفی خدمات جدید بسیار مهم است. مثلاً اگر در یک نقطه از شهر آتش سوزی یا تجمعی رخ دهد که نیازمند تخصیص منابع با استفاده از همان زیرساخت‌های قبلی باشد شبکه مبتنی بر هوش مصنوعی می‌تواند این وظیفه را با خوبی انجام دهد [6] و [7].

2-4. مدیریت خودمختار شبکه

هوش مصنوعی عنصری از استقلال را در مدیریت شبکه معرفی می‌کند^[31]. از طریق مدل‌های یادگیری ماشین، سیستم‌های اتوماسیون OSS می‌توانند از رفتارهای شبکه گذشته بیاموزند، با تغییرات سازگار شوند و وظایفی مانند تغییرات پیکربندی، روال‌های بهینه‌سازی و حتی فرآیندهای خوددرمانی^[32] را به‌طور مستقل اجرا کنند. این امر نیاز به مداخلات دستی، ساده‌سازی عملیات و به حداقل رساندن خطای انسانی را کاهش می‌دهد. مثلاً فرض کنید که یک اتفاق غیرمنتظره در یک منطقه خاص و دور از دسترس رخ دهد. در این مواقع، به دلیل عدم دسترسی مناسب، ممکن است عملکرد شبکه ساعت‌ها مختل شده باشد، اما با کمک هوش مصنوعی می‌توان این موارد را به صورت اتوماتیک و بدون نیاز به دخالت انسان حل کرد [8].

2-5. تشخیص و رفع خطای پیشرفته

تشخیص سنتی خطا اغلب بر آستانه‌ها^[33] و قوانین از پیش تعیین شده متکی است. هوش مصنوعی این فرآیند را با یادگیری رفتار عادی شبکه و شناسایی ناهنجاری ها^[34] بهبود می بخشد. از طرفی هوش مصنوعی در تشخیص الگوهای ظریفی که ممکن است هر بار قبل از وقوع هر خطایی تکرار شوند برتری دارد و با این کار در واقع امکان تشخیص سریع‌تر و دقیق‌تر خطا و حتی پیش بینی آن را فراهم می‌کند. علاوه بر این، سیستم‌های مبتنی بر هوش مصنوعی می‌توانند راه حل هایی را پیشنهاد یا پیاده‌سازی کنند و میانگین زمان تصحیح^[35] را کاهش دهند. برای درک بهتر این موضوع، به همان مثالی که در بخش 4-2 توضیح داده شد فکر کنید. در این مواقع، به دلیل عدم نیاز به دخالت نیروی انسانی هم در فاز تشخیص و هم در فاز اصلاح خطا، سرعت بالاتر رفته و در زمان صرفه جویی می شود [9] و [10].^[36]

2-6. پردازش زبان طبیعی برای تعامل انسانی

پردازش زبان طبیعی^[37] یکی از سرفصل‌های مهم و بسیار مورد توجه هوش مصنوعی است و تعاملات انسانی با سیستم اتوماسیون OSS را امکان‌پذیر می‌کند. این امر ورودی‌های فرمان را تسهیل کرده و ارتباط و همکاری اپراتورها با سیستم را آسان‌تر می‌کند. قابلیت‌های NLP تجربه کاربر را ارتقاء داده و رابط اتوماسیونOSS  را در دسترس‌تر و کاربرپسندتر می‌کند. به عبارت بهتر، کافیست مقایسه‌ای با زمان قبل از هوش مصنوعی انجام دهیم. تا قبل از ورود و وقوع هوش مصنوعی، برای انجام هر تغییر یا تولید هر ارزشی نیازمند کدنویسی با زبان ماشین بود در حالی که با استفاده از هوش مصنوعی می‌توانیم بدون نیاز به کدنویسی بسیاری از فرامین را اجرا کرده و با سیستم‌ها تعامل برقرارکنیم [7] و [8].

2-7. اقدامات امنیتی تطبیقی

امنیت در عملیات مخابراتی بسیار مهم است. هوش مصنوعی با بهبود پروتکل‌های امنیتی به اتوماسیون و روان‌سازی OSS کمک می‌کند. هوش مصنوعی می‌تواند الگوهای ترافیک شبکه را برای شناسایی تهدیدات امنیتی بالقوه تجزیه و تحلیل کرده، پروتکل‌های امنیتی را به‌طور تطبیقی ​​پیاده‌سازی کند^[38] و حتی تهدیدات سایبری جدید را البته در دایره یادگیری‌های مبتنی بر الگوهای قبلی پیش‌بینی کرده و از دفاع قوی و پیشگیرانه در برابر نقض‌های امنیتی اطمینان حاصل کند [7].

3. هوش مصنوعی و اتوماسیون OSS چگونه با هم کار می‌کنند؟

هم‌افزایی بین هوش مصنوعی و اتوماسیون سیستم‌های پشتیبانی عملیات می‌تواند نحوه مدیریت عملیات مخابراتی را بازتعریف کند. در ابتدا باید بررسی کرد که چگونه این فناوری قدرتمند در هماهنگی برای بهینه‌سازی کارایی و افزایش تصمیم‌گیری، کار کرده و راه را برای یک چشم‌انداز عملیاتی سازگارتر و هوشمندتر هموار می‌کنند [7].

در این بخش به همکاری میان هوش مصنوعی و OSS می پردازیم و در هر بخش مشخص می‌کنیم که سهم هر کدام از این دو مبحث از بهبود کارایی در بخش مربوطه چه خواهد بود.

3-1. بینش داده‌محور

در بینش داده‌محور^[39] این عوامل سهم دارند:

• سهم هوش مصنوعی: هوش مصنوعی بر اساس داده‌ها رشد می کند. الگوریتم‌های یادگیری ماشین مقادیر زیادی از داده‌های تاریخی و بلادرنگ تولیدشده توسط شبکه‌های مخابراتی را تجزیه‌وتحلیل می‌کنند. این الگوریتم‌ها الگوها، روندها و ناهنجاری‌ها را در داده‌ها شناسایی می‌کنند.
• سهم اتوماسیون OSS :OSS از بینش‌های^[40] ایجاد شده توسط هوش مصنوعی برای اطلاع رسانی به فرآیندهای تصمیم‌گیری استفاده می‌کند. به عنوان مثال، تجزیه‌وتحلیل مبتنی بر هوش مصنوعی می‌تواند مناطق ازدحام شبکه را برجسته یا خطاهای احتمالی را پیش‌بینی کند و اتوماسیون OSS را در اولویت‌بندی و اجرای وظایف بر اساس بینش‌های مبتنی بر داده راهنمایی کند [7] و [4].

3-2. بهینه‌سازی پویای شبکه

• مشارکت هوش مصنوعی: هوش مصنوعی به طور مداوم از معیارهای عملکرد شبکه، رفتار کاربر و عوامل محیطی یاد می‌گیرد. با شرایط متغیر سازگار می‌شود و فرصت‌هایی را برای بهینه‌سازی شناسایی می‌کند.
• سهم اتوماسیون OSS :OSS  از توصیه‌های مبتنی بر هوش مصنوعی برای بهینه‌سازی پویای پیکربندی‌های شبکه^[41] استفاده می‌کند و این امر می‌تواند شامل تنظیم تخصیص پهنای باند، مسیریابی مجدد ترافیک، یا بهینه سازی استفاده از منابع و حصول اطمینان از اینکه شبکه در اوج بازدهی کار می‌کند باشد [7] و [4].

3-3. حل مسئله پیش‌گیرانه

• مشارکت هوش مصنوعی: مدل‌های یادگیری ماشین در هوش مصنوعی می‌توانند با شناسایی الگوهایی که قبل از شکست شبکه رخ داده، مشکلات احتمالی را پیش‌بینی کنند. سیستم‌های هوش مصنوعی می‌توانند ناهنجاری‌ها، بی‌نظمی‌ها یا کاهش عملکرد را شناسایی کنند.
• سهم اتوماسیون OSS :OSS با پیش‌بینی‌های هوش مصنوعی، یک رویکرد پیشگیرانه برای حل مشکلات^[42] اتخاذ می‌کند. اتوماسیون می‌تواند به‌جای واکنش به مشکلات در هنگام بروز مشکلات پیشگیرانه، مشکلات احتمالی را برطرف کند، زمان خرابی را کاهش دهد و قابلیت اطمینان کلی شبکه را بهبود بخشد [7] و [4].

3-4. اتوماسیون وظایف معمول

در اتوماسیون وظایف معمول^[43] این عوامل سهم دارند:

• سهم هوش مصنوعی: هوش مصنوعی وظایف معمول را با خودکارسازی فرآیندهای تصمیم‌گیری ساده می‌کند. این مساله می‌تواند شامل وظایفی مانند شناسایی و طبقه‌بندی رویدادهای شبکه، تجزیه‌وتحلیل گزارش‌ها و توصیه تنظیمات بهینه باشد. به عنوان مثال، فرض کنید قرار باشد یک سیستم یا بخش جدید توسعه‌ای به شبکه اضافه شود که مشخصات و تنظیمات آن مانند دیگر اجزای شبکه در همان منطقه باشد. در این مواقع هوش مصنوعی می‌تواند بدون دخالت کاربر، خود پیکربندی این بخش از شبکه را انجام داده و سرعت و راندمان را افزایش دهد.
• سهم اتوماسیون OSS :OSS  از الگوریتم‌های مبتنی بر هوش مصنوعی برای خودکارسازی وظایف عملیاتی معمول استفاده می‌کند. به عنوان مثال، در ارائه خدمات یا تغییرات پیکربندی، هوش مصنوعی فرآیند تصمیم‌گیری را اطلاع می‌دهد و به سیستم‌های اتوماسیون اجازه می‌دهد تا وظایف را با درجه بالاتری از هوش و سازگاری اجرا کنند [7] و [4].

4. شبکه‌های خودمختار و هوش مصنوعی

شبکه‌های خودمختار با قابلیت‌های خود مدیریتی، خود بهینه‌سازی و خود درمانی، آینده ارتباطات راه دور را نشان می‌دهند. این شبکه‌ها که زیربنای سیستم‌های هوشمند هستند، می‌توانند تصمیم‌گیری کنند و اقدامات را به طور مستقل اجرا کنند و نیاز به مداخله انسانی را به شدت کاهش دهند. این تکامل به سمت شبکه‌های هوشمندتر و خودمختار فقط یک جهش فناورانه نیست، بلکه یک ضرورت استراتژیک برای ارائه‌دهندگان خدمات ارتباطی^[44] برای ماندن در رقابت است. در قلب شبکه خودمختار، هوش مصنوعی نهفته است. سیستم‌عامل‌های مبتنی بر هوش مصنوعی در تبدیل مدیریت شبکه سنتی و دستی به یک مدل خودکار، پیش‌گیرانه و پیش‌بینی‌کننده نقش مهمی دارند. با استفاده از این نسل جدید از سیستم‌های پشتیبانی عملیاتی، اپراتورها می‌توانند حجم وسیعی از داده‌ها را پردازش کنند، الگوها را شناسایی کرده و به آن‌ها واکنش نشان دهند، مسائل بالقوه را پیش‌بینی کنند و عملکرد را به طور خودکار بهینه کنند. این یادگیری و انطباق مداوم، شبکه‌ها را قادر می‌سازد تا عملکرد و پاسخ‌دهی خود را بهبود بخشیده و به طور مؤثری به محیط‌های شبکه پویا کمک کنند [8] و [9].

برای CSPها، انتقال به یک OSS مبتنی بر هوش مصنوعی بسیار ضروری است تا با خودکارسازی کامل عملیات معمول و فرآیند تصمیم‌گیری، کارایی و صرفه جویی اقتصادی-عملیاتی افزایش یابد. این تغییر نه تنها تجربیات مشتری را از طریق ارائه خدمات قابل اعتمادتر و سازگارتر افزایش می‌دهد، بلکه چابکی^[45] و مقیاس پذیری^[46] را در عملیات شبکه تقویت می‌کند [8] و [9].

شکل 2: مدل بلوغ شش سطحی TM Forum در اتوماسیون شبکه [11]

4-1. پیشرفت CSPها به سمت شبکه‌های خودمختار

در شکل 2 مسیر دستیابی به شبکه‌های کاملاً خودمختار از طریق مدل بلوغ شش سطحی TM Forum در اتوماسیون شبکه ترسیم شده است. از ابتدای سال 2024، اکثر CSPها عمدتاً در سطوح 1 یا 2 یعنی عملیات و نگهداری توسط انسان به کمک هوش مصنوعی (سطح 1) و شبکه‌های خودمختار جزئی (سطح 2) در دامنه‌های مختلف شبکه کار می‌کنند. با این حال، تغییری در حال انجام است و برخی از پیشتازان به سطح 3 صعود کرده‌اند. صنعت به طور کلی به دنبال یک جهش قابل توجه به سمت سطح 4 است. پیش‌بینی‌ها برای سال 2025 نشان می‌دهد که نزدیک به 60٪ از CSPها قصد دارند در سطح 3 یا بالاتر فعالیت کنند و حدود یک چهارم برای رسیدن به سطح 4 تلاش می‌کنند (شکل 3) [11].

چندین CSP پیشرو، از جمله رهبران صنعت مانند Orange، MTN، AIS، تلفونیکا و اپراتورهای برجسته چینی، اهداف بلندپروازانه‌ای را برای رسیدن به سطح 4 تا انتهای سال 2025 تعیین کرده‌اند. این حرکت جمعی به سمت استقلال شبکه، اولویت‌های استراتژیک این بازیگران اصلی را منعکس می‌کند که بر دستیابی به چابکی و استقلال طولانی مدت در عملیات آن‌ها تمرکز دارد [11].

اپراتورهای متوسط نیز ​در این رقابت جهش به سمت اتوماسیون آن‌چنان عقب نیستند. دیدگاه‌های نظرسنجی اخیر Heavy Reading نشان می‌دهد که اتوماسیون شبکه نه تنها به‌عنوان یک ارتقای فناوری، بلکه به‌عنوان یک عامل حیاتی برای رقابتی ماندن و افزایش تجربه مشتری تلقی می‌شود [11].

طبق تحقیقات CSP ،TM Forum ها با اتوماسیون در زمینه‌های خاص شروع می‌کنند و به تدریج به اتوماسیون شبکه‌های متقابل گسترش می‌یابند که می‌تواند یک CSP را به سطح 2 رسانده و آن‌ها را به سطح 3 نزدیک‌تر کند. رسیدن به سطح 4 مستلزم بازنگری استراتژیک در کل چارچوب‌های عملیاتی و سرمایه‌گذاری قابل توجه در عناصر شبکه هوشمند جدید، OSS ابر بومی^[47] و ابزارها و فرآیندهای اتوماسیون است [11].

نظرسنجی TM Forum نشان داد که CSPها حتی برای دستیابی به سطح 3، در حال حاضر با شکاف‌های چالش برانگیز مهارت نیروی کار، به ویژه در اتوماسیون و هوش مصنوعی مواجه هستند. در حالی که تلاش برای کاهش این کمبود حیاتی نیروی کار از طریق استخدام استراتژیک، مهارت‌سازی مجدد و طرح‌های ارتقای مهارت، شروع خوبی است، راه حل کارآمدتر – که با موفقیت AWS SageMaker و OpenAI ChatGPT نشان داده شده است – کاهش شدید پیچیدگی از طریق چارچوب های بدون کد^[48] و رابط‌های کاربری بصری‌تر است [11].

در سطوح 4 و 5، شبکه‌های خودمختار با عملیات مبتنی بر مقصود^[49] معرفی می‌شوند که هدف آن هماهنگ کردن عملیات شبکه با اهداف استراتژیک اپراتور و انتظارات مشتریان و کاربران است. در واقع در این سطح، هوش مصنوعی نتایج دلخواه را هدایت کرده و طراحی و عملیات شبکه را به ویژگی‌های مستقل پلتفرم واگذار می‌کند.

شکل 3: برنامه‌ریزی صنعت برای دستیابی به شبکه‌های کاملاً خودمختار [11]

دستیابی به حداکثر مزایای هوش مصنوعی در این سطح مستلزم آن است که مدل هوش مصنوعی شبکه هوشمند به طور مداوم با داده‌های بلادرنگ از جمله در طول پردازش سفارش و هنگام شناسایی روندهای خاص یا رویدادهای استثنایی به روز شود. در نهایت، CSPهای آینده نگر با این چالش روبرو می‌شوند و تشخیص می‌دهند که انتقال موفقیت آمیز به نسل بعدی
 OSSها برای تحقق عملیات شبکه مستقل بسیار ضروری است [11].

5. نتیجه‌گیری

به طور خلاصه، OSS اتوماسیون شده با هوش مصنوعی، هم CSPهای جدید و هم گذشته را قادر می‌سازد تا به سرعت اتوماسیون را اجرایی و عملیاتی کنند. این امر دسترسی یکپارچه به پلتفرم‌های یادگیری ماشینی مقیاس‌پذیر و طراحی ارکستراسیون چابک با قابلیت هوش مصنوعی را تسهیل می‌کند، که برای پیشرفت در سفر به سمت شبکه‌های کاملاً خودمختار بسیار مهم است. در اصل، همکاری بین AI و اتوماسیون OSS یک همزیستی قدرتمند ایجاد می‌کند. هوش مصنوعی قابلیت‌های هوشمندی، سازگاری و پیش‌بینی را ارائه می‌کند، در حالی که اتوماسیون OSS این بینش‌ها را به فرآیندهای عملی تبدیل می‌کند. این دو با هم یک جفت پویا را تشکیل می‌دهند که نه تنها وظایف روتین را خودکار می‌کند، بلکه تصمیم‌گیری را نیز افزایش می‌دهد، به طور فعالانه به مسائل رسیدگی می‌کند و درنهایت عملیات مخابراتی را به کمک فرآیندهای فناوری اطلاعات نوین به اکوسیستم‌های کارآمد، انعطاف‌پذیر و هوشمند تبدیل می‌کند.

هوش مصنوعی می‌تواند در هفت محور مختلف از جمله اتوماسیون شناختی و تصمیم‌گیری، تجزیه‌وتحلیل پیش‌بینی‌کننده  برای مدیریت فعال، تخصیص پویای منابع، مدیریت خودمختار شبکه، تشخیص و رفع خطای پیشرفته، پردازش زبان طبیعی  برای تعامل انسانی و اقدامات امنیتی تطبیقی به کمک سیستم‌های پشتیبان شبکه و عملیات بپردازد. هرچند به‌کارگیری هوش مصنوعی در هر کدام از این بخش‌ها نیازمند تحقیق و توسعه‌ی بیشتر و همچنین بررسی‌ها و بازخوردهای متناسب با کاربرد است. به طور کلی سیستم‌های پشتیبان شبکه و عملیات هرچه به سمت خودمختاری کامل‌تر بروند، دخالت و خطای انسانی در آن‌ها کاهش پیدا کرده و درنتیجه سرعت بهبود و تصحیح خطا در آن افزایش می‌یابد. بر همین اساس، بسیاری از شرکت‌های مخابراتی در حال حرکت به سمت به کارگیری هوش مصنوعی در OSS خود هستند تا جایی که 93 درصد آن‌ها تاکنون حداقل بخش کوچکی از سیستم‌های OSS خود را مجهز به هوش مصنوعی کرده‌اند.

 منابع

[1] Wallin, S., & Leijon, V. (2009, October). Telecom network and service management: an operator survey. In IFIP/IEEE International Conference on Management of Multimedia Networks and Services (pp. 15-26). Berlin, Heidelberg: Springer Berlin Heidelberg.

[2] https://passionateaboutoss.com/free-tools-stuff/

[3] Series M: TMN and network maintenance: international transmission systems, telephone circuits, telegraphy, facsimile and leased circuits, TMN Management Functions, ITU-T, M.3400.

[4] Karapantelakis, A., Alizadeh, P., Alabassi, A., Dey, K., & Nikou, A. (2024). Generative AI in mobile networks: a survey. Annals of Telecommunications, 79(1), 15-33.

[5] Gartner Experts Answer the Top Generative AI Questions for Your Enterprise, [https://www.gartner.com]

[6] Ouyang, Y., Wang, L., Yang, A., Shah, M., Belanger, D., Gao, T., … & Zhang, Y. (2021). The next decade of telecommunications artificial intelligence. arXiv preprint arXiv:2101.09163.

[7] Pereira, S., & Karia, D. (2018, October). AI Use Cases in Operational Support System and Business Support System. In 2018 3rd International Conference on Communication and Electronics Systems (ICCES) (pp. 15-20), IEEE.

[8] Zhu, X., & Liu, Y. (2023, January). Research on the Intelligent Orchestration System of Cloud Network Based on ONAP. In 2023 2nd International Conference on Big Data, Information and Computer Network (BDICN) (pp. 280-283), IEEE.

[9] Panchal, D., Verma, P., Baran, I., Musgrove, D., & Lu, D. (2024, January). Simplifying Network Orchestration using Conversational AI. In 2024 International Conference on Information Networking (ICOIN) (pp. 84-89), IEEE.

[10] Xu, M., Du, H., Niyato, D., Kang, J., Xiong, Z., Mao, S., … & Poor, H. V. (2024). Unleashing the power of edge-cloud generative ai in mobile networks: A survey of aigc services. IEEE Communications Surveys & Tutorials.

[11] https://www.tmforum.org/topics/autonomous-networks/.

---

پی‌نوشت

[1] Operation Support Systems

[2] Telecommunication Management Network

[3] Fault

[4] Configuration

[5] Accounting

[6] Performance

[7] Security

[8] Fault Logging

[9] Provisioning

[10] RADIUS

[11] TACACS

[12] Administration

[13] Counters

[14] Throughput

[15] Signal Strength

[16] Resource Utilization

[17] Error Rate

[18] Latency

[19] Artificials

[20] Orchestration

[21] Rule-based Systems

[22] Workflows

[23] Complexity

[24] Cognitive Automation

[25] Decision-Making

[26] Real-time

[27] Predictive Analysis

[28] Proactive Management

[29] Dynamic Resource Allocation

[30] Fluctuating Demands

[31] Autonomous Network Management

[32] Self-healing Processes

[33] Threshold

[34] Anomaly

[35] Mean Time to Repair

[36] Enhanced Fault Detection and Resolution

[37] Natural Language Processing

[38] Adaptive Security Measures

[39] Data-driven Insights

[40] Insights

[41] Dynamic Network Optimization

[42] Proactive Issue Resolution

[43] Routine Tasks Automation

[44] Communication Service Providers (CSPs)

[45] Agility

[46] Scalability

[47] Cloud-native OSS

[48] No-code Framework

[49] Intent-based Operations