بهبود کیفیت سرویس مشتری، کاهش هزینههای اپراتور
کاربردهای متنوع مطرحشده برای 5G، نیازمندیهای متفاوتی را در بخش هسته و نیز بخش دسترسی رادیویی شبکه ایجاد کرده؛ نیازمندیهایی که برآورده ساختن آنها در کنار تعدد پارامترهای کنترلی بخش دسترسی رادیویی، یک سیستم پیچیده را پدید آورده است. هوش مصنوعی بهعنوان روشی که در حوزههای مختلف، مورد استفاده و ارزیابی قرار گرفته، یکی از گزینههای جدی برای مدیریت چنین پیچیدگیای به شمار میرود. در بخش دسترسی رادیویی انتظار میرود که هوش مصنوعی بتواند در سه حوزه کلی استفاده شود: طراحی شبکه، بهینهسازی شبکه و الگوریتمها. در بخش طراحی شبکه بهطورکلی، هدف، تعیین پارامترهای مرتبط با استقرار سلولهای جدید در شبکه است. بهینهسازی با حجم انبوهی از ابرپارامترها سروکار دارد که از آن جمله میتوان به پارامترهای مرتبط با میزان پوشش یک سلول، متوازنسازی بار ترافیکی سلولهای مجاور و مدیریت تحرک کاربران اشاره کرد. در بخش الگوریتمها نیز میتوان به روشهای تخصیص منابع به کاربران، کنترل توان و پرتو آنتنها اشاره کرد. بهطورکلی میتوان گفت که مقیاس زمانی تنظیم پارامترها در سه دسته یادشده در دسته اول بسیار کندتر و در دسته آخر بسیار سریعتر است. بهگونهای که نیاز است الگوریتمها در دسته آخر، تغییرات زمانی سریع کانالها را پوشش دهند. استفاده از هوش مصنوعی در زمینههای مذکور به دنبال کاهش هزینهها در سمت اپراتور و بهبود کیفیت در سمت مشتری است.
کلیدواژهها: هوش مصنوعی، شبکه دسترسی رادیویی، 5G، یادگیری ماشین
کاربردهای کلی بیانشده برای نسل پنجم مخابرات سلولی (5G) که شامل ارتباط فرامطمئن و کمتأخیر (URLLC)، ارتباط انبوه ماشینی (MMTC) و دسترسی پهنباند متحرک (eMBB) هستند، نیازمندیهای سنگینی را بر بخش شبکه دسترسی رادیویی (RAN) از دید عملکرد، تأخیر، قابلیت اطمینان و بهرهوری تحمیل کرده است. این نیازمندیها در کنار رشد پارامترهای کنترلی، منجر به ایجاد یک سیستم بسیار پیچیده در بخش دسترسی رادیویی شده که امکان نرمافزارنویسی برای نگهداری، بهرهبرداری و کنترل شبکه را بسیار دشوار ساخته است. سادهسازی این مساله پیچیده از نیازهای بسیار ملموس است. سادهسازی و بهبود عملکرد را میتوان بهطور تقریبی به اهداف تجاری همچون کاهش هزینهها از دید اپراتورها و بهبود کیفیت سرویس از دید کاربران، نظیر کرد. هوش مصنوعی نشان داده که در زمینههایی چون تشخیص خرابی، نگهداری مبتنی بر پیشبینی و کاهش مداخلات ازطریق بازرسی سایتها بهوسیله پهپادها، عملکرد خوبی از خود نشان میدهد. بهبود عملکرد در بخش دسترسی رادیویی اما، چالش بزرگتری است، چراکه نیازمند جایگزینی عملکردهای مبتنی بر قوانین مشخص[1] با عملکردهای مبتنی بر هوش مصنوعی است.
این امر بهنوبه خود، نیازمندیهای متعدد دیگری را به همراه دارد که ازجمله آنها میتوان به مسیرهای داده منعطف و قابلبرنامهریزی برای جمعآوری و ذخیرهسازی داده و چارچوبهایی برای آموزش مدلها، استنتاج (استفاده از مدلها) و بهروزرسانی آنها اشاره کرد. در بخش سختافزار هم استفاده از پردازشگرهای گرافیکی در فرایند آموزش و طراحی تراشههای جدید برای استنتاج، مورد نیاز است. بهعنوان چند کاربرد کلی از هوش مصنوعی در بخش دسترسی رادیویی میتوان به مواردی چون پیشبینی کردن مسیر حرکت کاربر، انگشتنگاری رادیویی[2] و پیشبینی تداخل اشاره کرد.
حوزههای قابلبهبود در شبکه دسترسی توسط AI
بهبود عملکرد بخش دسترسی رادیویی شامل بهروزرسانی پارامترهای کنترلی است برای تطبیق دادن آن بر دو حوزه ایستا شامل هندسه سهبعدی محیط پیرامون و حوزه پویا و تغییرات شبکه در بخشهایی همچون کانال ارتباطی، توزیع کاربران و توزیع ترافیک. برای آن که بتوانیم هوش مصنوعی را بهدرستی در این حوزهها بهکار بگیریم، نیازمند فهم عمیقی از ماهیت و نقش پارامترهای مختلف در عملکرد شبکه و نیز میزان پیچیدگی و امکان بهبود هر دسته از پارامترها هستیم. در اینجا به بررسی نقش AI در سه حوزه در شبکه دسترسی رادیویی میپردازیم: طراحی شبکه، بهینهسازی شبکه و الگوریتمهای بخش دسترسی رادیویی.
سادهسازی و بهبود عملکرد را میتوان بهطور تقریبی به اهداف تجاری همچون کاهش هزینهها از دید اپراتورها و بهبود کیفیت سرویس از دید کاربران، نظیر کرد. هوش مصنوعی نشان داده که در زمینههایی چون تشخیص خرابی، نگهداری مبتنی بر پیشبینی و کاهش مداخلات ازطریق بازرسی سایتها بهوسیله پهپادها، عملکرد خوبی از خود نشان میدهد.
حوزه طراحی شبکه
این حوزه بر بهبود پارامترهایی که مرتبط با استقرار شبکه[3] است تمرکز دارد که شامل مواردی چون، تعیین تعداد و مکان استقرار سلولهای جدید و شیوه اختصاص سلولها به بخشهای باندپایه[4] است. بهطور سنتی، این بخش از طراحی شبکه بر دانش مهندسان استوار بوده و با استفاده از ابزارهای نقشهچینی[5] بهشکل غیرمنظم -تنها هنگام نیاز به افزودن سلولهای جدید به شبکه- انجام میشود.
حوزه بهینهسازی شبکه
بهطور کلی، بهینهسازی شبکه شامل تنظیم اَبَرپارامترها[6] در شبکه است. هدف از بهینهسازی شبکه، تنظیم پارامترها بهگونهای است که عملکرد شبکه برای سناریوی مشخص، بهبود یابد. بهطورکلی، بهینهسازی شبکه منحصر به بخش دسترسی رادیویی نیست و هسته شبکه را نیز دربرمیگیرد. اما در اینجا ما صرفا بر بخش دسترسی رادیویی تمرکز میکنیم. بهعنوان نمونه میتوان به ابرپارمترهای الگوریتمهای مورد استفاده در شبکههای خودسازمانده[7]، الگوریتمهای لایه سه (شامل مدیریت تحرک، متوازنسازی بار)، الگوریتمهای هماهنگسازی نظیر CoMP، انباشتهسازی حاملها[8] و یا باند فراسوی مکمل[9] اشاره کرد.
حوزه الگوریتمهای دسترسی رادیویی
الگوریتمهای دسترسی رادیویی بر بهینهسازی پارامترهای کنترلی لایههای یک تا سه متمرکز هستند که بهشکل مستقیم سیگنال ارسالی/دریافتی کاربر را تحتتأثیر قرار میدهد. بهعنوان نمونه میتوان به تصمیمهای اتصالی یا handover، منابع تخصیصیافته به کاربران، انتخاب مرتبه مدولاسیون و نرخ کدینگ، توان و پرتو آنتن اشاره کرد. الگوریتمهای لایههای یک تا سه این پارامترها را نوعا در یک مقیاس زمانی سریع با توجه به تغییرات سریع کانال، توزیع ترافیک و توزیع کاربران و برای هر عضو شبکه (نظیر کاربر و سلول) تطبیق میدهند.
مثالهای ملموس از کاربردهای هوش مصنوعی در شبکه
کاهش مصرف انرژی
برای مدیریت چالش انرژی ناشی از گسترش شبکههای موبایل، فناوری با نام[10]Multiple RAT MCES توسط china mobile توسعه داده شده است. این فناوری با شبکه دسترسی رادیویی بهشکل زمان حقیقی تعامل میکند و قادر به پشتیبانی از تجهیزات دسترسی رادیویی 2G/3G/4G از سازندههای مختلف است. بهطور مشخص، این فناوری سه قابلیت فنی دارد: ذخیرهسازی انرژی در سطح شبکه، آشکارسازی سلولهای ذخیرهساز انرژی با استفاده از دادههای حجیم و روشن/خاموش کردن سلولها (با مقیاس زمانی کوچکتر). این سامانه در 18 استان چین و در 970 هزار سلول، پیادهسازی و در سال 2019 موفق به کاهش مصرف انرژی به میزان 40 میلیون کیلووات ساعت شده است. در حال حاضر MCES به دنبال توسعه سامانه خود به 5G برای هماهنگی مدیریت انرژی در 4G/5G است.
شکل 1: نمایش بلوکدیاگرام سیستم MCES برای کاهش مصرف انرژی در شبکه موبایل
بهینهسازی کیفیت تجربه (QoE)
مدل تجاری 5G در حال تحول از حجممحور بودن به ارزشمحور شدن است. تجربه کاربر، نقش کلیدی در تجاریسازی 5G دارد. به همین دلیل، اهداف بهینهسازی شبکه که بهشکل سنتی به دنبال بهبود شاخصهای کلیدی عملکرد (KPI) بودند در حال تغییر به شاخصهای کلیدی کیفیت (KQI) هستند. برای تحقق چنین امری به کنترلرهای هوشمند رادیویی مبتنی بر داده نیاز است که قابلیتهای بخش دسترسی رادیویی را برای صنایع عمودی[11] و خدمات[12] OTT فراهم کنند. بهعنوان نمونه برای این خدمات، میتوان به پخش ویدیو با کیفیت بالا، واقعیت مجازی ابری و بازی ابری اشاره کرد. در سال 2019 china mobile آزمایشی را در شانگهای در شبکه 5G انجام داد و در آن، امکان بهرهگیری از هوش مصنوعی بهمنظور پیشبینی کیفیت تجربه و همچنین، پیشبینی پهنای باند مورد نیاز برای واقعیت مجازی را نشان داد.
هدایت ترافیک با استفاده از انگشتنگاری رادیویی
هدایت ترافیک یا بهعبارت دیگر، متوازنسازی بار موبایل، یک راهحل برای توزیع بار ترافیکی میان سلولهای مختلف یا انتقال ترافیک برای بهبود عملکرد شبکه است. روش انگشتنگاری رادیویی، سلول را براساس سیگنال دریافتی
از سلول خدمترسان[13] و سلولهای مجاور، به یک شبکه شطرنجی[14] تقسیم میکند. هدف از این کار، تعیین مکان کاربر و استخراج اطلاعات پوشش کاربر است. این کار میتواند به کاهش اندازهگیریهای کاربر و تسریع هدایت ترافیک، یاری رساند. شرکت china mobile به همراه شرکای خود، آزمایشهایی را برای هدایت ترافیک مبتنی بر انگشتنگاری رادیویی انجام داده است. نتایج بررسیها نشان داده که در مقایسه با روشهای سنتی متوازنسازی بار، این روش قادر به کاهش بازه زمانی پرباری به میزان 13 درصد است. همچنین میزان دستورات بازپیکربندی سنجشهای ارسالی از سمت ایستگاه پایه به کاربر و نیز میزان سربار گزارشهای سنجش ارسالی از سمت کاربر به ترتیب به میزان 54 درصد و 83 درصد کاهش نشان میدهد. همچنین تأخیر IP به میزان 20 درصد در سلولهای مورداندازهگیری کاهش یافته است.
هوش مصنوعی میتواند در طراحی، بهینهسازی و الگوریتمهای شبکه دسترسی رادیویی مورد استفاده قرار گیرد. استفاده از هوش مصنوعی منجر به کاهش مصرف انرژی به میزان 40 میلیون کیلووات ساعت در شبکه china mobile در سال 2019 شده است.
شکل 2: نمایشی از انگشتنگاری رادیویی جهت متوازنسازی بار ترافیکی
نتایج بررسیها نشان داده که در مقایسه با روشهای سنتی متوازنسازی بار، این روش قادر به کاهش بازه زمانی پرباری به میزان 13 درصد است. همچنین میزان دستورات بازپیکربندی سنجشهای ارسالی از سمت ایستگاه پایه به کاربر و نیز میزان سربار گزارشهای سنجش ارسالی از سمت کاربر به ترتیب به میزان 54 درصد و 83 درصد کاهش نشان میدهد
نتیجهگیری
در این گزارش به بررسی عرصههای مختلف بالقوه برای بهرهگیری از هوش مصنوعی در شبکه دسترسی رادیویی سیستمهای مخابرات سلولی پرداختیم. این عرصهها را در سه دسته کلی جای دادیم که شامل طراحی شبکه، بهینهسازی شبکه و الگوریتمهای مورد استفاده در بخش دسترسی رادیویی بود. درنهایت به ذکر مثالهایی کمّی از تأثیر استفاده از هوش مصنوعی در بهبود عملکرد و مدیریت شبکه در بخش دسترسی رادیویی پرداختیم. بهعنوان نمونه به تأثیر سامانه MCES در کاهش مصرف انرژی در شبکه china mobile اشاره کردیم. همچنین به بهرهگیری از هوش مصنوعی برای پیشبینی منابع مورد نیاز کاربران واقعیت افزوده برای بهبود کیفیت سرویس اشاره کردیم. درنهایت به استفاده از هوش مصنوعی در فناوریای موسوم به انگشتنگاری رادیویی پرداختیم که میتواند منجر به بهبود عملکرد متوازنسازی بار ترافیکی سلولها و نیز کاهش سربار گزارشهای اندازهگیری ارسالی از سمت کاربران شود.
منابع
[1] AI and Machine Learning in 5G: Lessons from the ITU Challenge, 2020
[2] Ericsson technology review, artificial intelligence in RAN, 2020
[3] Ericsson technology review, enhancing RAN performance with AI, 2019
پینوشت
[1] rule based functionalities
[2] radio fingerprinting
[3] network deployment
[4] base band units
[5] planning
[6] hyperparameters
[7] self organizing networks
[8] aggregation
[9] supplementary uplink
[10] Multiple Radio Access Technology (Multiple – RAT) Cooperation Energy-Saving System (MCES)
[11] verticals
[12] over the top
[13] serving cell
[14] grid
