بهینه‌سازی شبکه با استفاده از هوش مصنوعی در صنعت تلکام

در بخش‌های قبلی، کاربردهای مختلف هوش مصنوعی در زمینه‌ی خدمات و تعامل هوشمند با مشتریان ارائه شد.

در ادامه مباحث کاربردهای هوش مصنوعی در صنعت تلکام، در این بخش به بهینه‌سازی شبکه‌های مخابراتی با استفاده از هوش مصنوعی می‌پردازیم.

بهینه ‎سازی شبکه به فرآیند بهبود عملکرد و کارایی شبکه‌های مخابراتی اشاره دارد تا اطمینان حاصل شود که آن‌ها در بهترین حالت خود عمل کرده و بهترین خدمات ممکن را به مشتریان ارائه می‌دهند. این موضوع می‌تواند شامل طیف وسیعی از روش‌ها از جمله نظارت و مدیریت عملکرد شبکه، بهینه‌سازی پیکربندی شبکه، خودکارسازی و بهبود عملیات شبکه باشد.

بهینه‌سازی شبکه در دنیای دیجیتال امروزی که مشاغل و افراد برای برقراری ارتباط و دسترسی به اطلاعات به شدت به اینترنت متکی هستند، بسیار مهم است. شرکت‌های مخابراتی با بهینه‌سازی شبکه‌های خود می‌توانند، بازدهی و عملکرد شبکه را بهبود دهند، قابلیت اطمینان و امنیت شبکه را افزایش دهند، از منابع موجود شبکه بهتر استفاده کنند، مدت زمان خرابی شبکه را کاهش دهند، ظرفیت و مقیاس‌پذیری شبکه را افزایش دهند و تجربه و رضایت کاربر را بهبود دهند. علاوه بر این، بهینه‌سازی شبکه می‌تواند هزینه‌های عملیاتی را کاهش داده و نرخ بازگشت سرمایه‌گذاری(ROI) را برای زیرساخت شبکه بهبود بخشد و در عین حال رقابت‌پذیری و سهم بازار را در صنعت تلکام افزایش دهد.

با افزایش پیچیدگی و مقیاس تقاضا برای شبکه‌ها، نیاز به راه حل‌های مدیریت و بهینه‌سازی هوشمندانه شبکه مهم‌تر شده است. آنچه که در سال‌های اخیر برای بهینه‌سازی و خودکارسازی شبکه مورد توجه شرکت‌های مخابراتی قرار گرفته، استفاده از هوش مصنوعی است. هوش مصنوعی نقش مهمی در بهینه‌سازی شبکه در صنعت تلکام دارد. با گسترش IoT و 5G در سراسر جهان، شبکه‌ها پیچیده‌تر می‌شوند و این یکی از دلایل مهمی است که شرکت‌های مخابراتی بزرگ در حال تغییر رویکرد خود از حالت دستی، واکنشی و حادثه‌محور به عملیات فعال و مبتنی بر داده با استفاده از هوش مصنوعی و خودکارسازی هستند.

راه‌حل‌های بهینه‌سازی مبتنی بر هوش مصنوعی، شرکت‌های مخابراتی را قادر می‌سازد تا شبکه‌های خود را به صورت پویا و بلادرنگ بر اساس تقاضا و شرایط متغیر بهبود بخشند و کارایی را افزایش دهند. این راه‌حل‌ها از الگوریتم‌های یادگیری ماشین برای تجزیه و تحلیل داده‌های شبکه و پیش‌بینی عملکرد شبکه در آینده استفاده می‌کنند و به اپراتورها اجازه می‌دهند تا تصمیم‌های آگاهانه‌تری در مورد بهینه‌سازی شبکه بگیرند. این موضوع با جمع‌آوری حجم عظیمی از داده‌های تولید شده توسط شبکه و توانایی الگوریتم‌های هوش مصنوعی در استخراج الگوهای پیچیده و بینش از این داده‌ها محقق می‌شود.

انواع تجزیه و تحلیل‌ داده که شرکت‌های مخابراتی می‌توانند از آن‌ها در زمینه‌های مختلف ازجمله بهینه‌سازی شبکه استفاده کنند، عبارتند از:

توجه به این نکته مهم است که این تجزیه و تحلیل‌ها متقابلاً منحصر به فرد نیستند و اغلب بر اساس یکدیگر ساخته می‌شوند. شرکت‌ها ممکن است ترکیبی از این رویکردهای تحلیلی را برای به دست آوردن درک جامعی از داده‌های خود و تصمیم‌گیری‌های مبتنی بر داده استفاده کنند. حرکت از تجزیه و تحلیل توصیفی به سمت تجزیه و تحلیل تجویزی و شناختی به داده و توانایی فنی بسیار بیشتری نیاز دارد، اما ارزش و بینش‌های بیشتری را برای شرکت‌های مخابراتی در زمینه بهینه‌سازی شبکه فراهم می‌کند. در ادامه، تجزیه و تحلیل پیشبینانه و تجویزی برای بهینه‌سازی شبکه ارائه می‌شود.

–         تجزیه و تحلیل پیشبینانه(Predictive Analytics)

تجزیه و تحلیل پیشبینانه از داده‌های گذشته برای پیش‌بینی نتایج آینده استفاده می‌کند. درک این نکته مهم است که پیش‌بینی فقط یک تخمین است. دقت پیش‌بینی‌ها به کیفیت داده‌ها بستگی دارد. این نوع از تجزیه و تحلیل در بهینه‌سازی شبکه شامل استفاده از تجزیه و تحلیل پیشرفته و الگوریتم‌های یادگیری ماشین برای پیش‌بینی مشخصه‌های مختلفی از شبکه در جهت بهبود عملکرد و کارایی شبکه است. شبکه‌های مخابراتی پیچیده و پویا هستند و تعداد زیادی اجزای متصل به هم دارند. تجزیه و تحلیل پیشبینانه می‌تواند پاسخ مناسبی به این نوع از چالش‌ها بدهد. این نوع از تجزیه و تحلیل می‌تواند به بهینه‌سازی عملکرد شبکه، برنامه‌ریزی ظرفیت و تخصیص منابع کمک کند. با تجزیه و تحلیل داده‌های گذشته(Historical Data) و داده‌های بلادرنگ(Real-Time)، مدل‌های پیش‌بینی‌کننده به اپراتورهای مخابراتی کمک می‌کنند که به عنوان مثال گلوگاه‌های(Bottlenecks) بالقوّه شبکه را شناسایی کنند، تراکم شبکه(network congestion)، تقاضا برای خدمات، ظرفیت شبکه و خرابی تجهیزات شبکه را پیش‌بینی کنند و شبکه‌های خود را بر این اساس برنامه‌ریزی و بهینه کنند.

–         تجزیه و تحلیل تجویزی(Prescriptive analytics)

تجزیه و تحلیل تجویزی در بهینه‌سازی شبکه شامل استفاده از تجزیه و تحلیل پیشرفته و الگوریتم‌های یادگیری ماشین برای ارائه توصیه‌های عملی در جهت بهبود عملکرد و کارایی شبکه است. این نوع از تجزیه و تحلیل با ارائه راهنمایی‌های خاص در مورد چگونگی حل مسائل شبکه و تصمیم‌گیری آگاهانه، فراتر از تجزیه و تحلیل‌های توصیفی، تشخیصی و پیشبینانه است. برای مثال، یک مدل تجویزی می‌تواند پیکربندی شبکه بهینه را برای به حداکثر رساندن عملکرد شبکه توصیه کند، یا بهترین راه را برای تخصیص منابع شبکه در پاسخگویی به تقاضای در حال تغییر پیشنهاد دهد. ذکر این نکته ضروری است که پیاده‌سازی تجزیه و تحلیل تجویزی در بهینه‌سازی شبکه‌ها در مخابرات فرآیند پیچیده‌ای است که به حجم قابل توجهی داده، توان محاسباتی و تخصص نیاز دارد. همچنین، مهم است که مقیاس پذیری و انعطاف پذیری راه‌حل و توانایی یکپارچه‌سازی با سیستم‌ها و فرآیندهای موجود را نیز در نظر بگیریم.

بعضی از مواردی که الگوریتم‌های هوش مصنوعی و تجزیه و تحلیل‌های بالا می‌توانند برای بهینه‌سازی شبکه استفاده شوند، عبارتند از:

–         مدیریت ترافیک: الگوریتم‌های هوش مصنوعی می‌توانند الگوهای ترافیک شبکه را برای بهینه‌سازی جریان ترافیک و کاهش ازدحام تجزیه و تحلیل کنند و اطمینان حاصل کنند که داده‌ها به طور کارآمد و مؤثر منتقل می‌شوند.

–         برنامه‌ریزی شبکه(Network Planning): الگوریتم‌های هوش مصنوعی می‌توانند به اپراتورهای مخابراتی کمک کنند تا زیرساخت شبکه خود را با در نظر گرفتن عواملی مانند تراکم جمعیت، الگوهای ترافیک و عوامل محیطی برنامه‌ریزی و بهینه کنند.

–         کیفیت خدمات (QoS): الگوریتم‌های هوش مصنوعی می‌توانند پارامترهای QoS مانند: Latency، Jitter و packet Loss را نظارت و بهینه‌سازی کنند و اطمینان حاصل کنند که خدمات شبکه استانداردهای کیفی مورد نیاز را برآورده می‌کند.

–         تخصیص منابع شبکه: الگوریتم‌های هوش مصنوعی می‌توانند تخصیص منابع را با تنظیم پارامترهای شبکه )مانند: پهنای باند، قدرت پردازش و ظرفیت ذخیره‌سازی) به صورت پویا بر اساس شرایط بلادرنگ شبکه بهینه کنند. این موضوع تضمین می‌کند که منابع به طور موثر برای برآورده کردن خواسته‌های کاربر تخصیص داده می‌شوند.

–         برش شبکه(Network Slicing): الگوریتم‌های هوش مصنوعی می‌توانند به بهینه‌سازی برش شبکه کمک کنند. هرچند، این موضوع چالش‌هایی را نیز به همراه دارد. برش شبکه فرآیند تقسیم یک شبکه فیزیکی به چندین شبکه مجازی است که هر کدام ویژگی‌ها و پارامترهای عملکردی خاص خود را دارند. برخلاف شبکه‌های 4G، شبکه‌های 5G از برش شبکه به طور گسترده استفاده می‌کنند.

–         شبکه‌های خودمختار(Autonomous Networks): الگوریتم‌های هوش مصنوعی می‌توانند شبکه‌های مستقلی را ایجاد کنند که می‌توانند به طور خودکار بدون دخالت انسان، مشکلات خود را شناسایی و حل کنند، خود را بهینه کرده و بهبود بخشند و قابلیت اطمینان شبکه را بهبود دهند.

–         بهینه‌سازی فرکانس رادیویی(RF): الگوریتم‌های هوش مصنوعی می‌توانند پارامترهای RF مانند توان انتقال، طرح‌های مدولاسیون و تخصیص فرکانس را برای بهبود پوشش، کاهش تداخل و افزایش ظرفیت شبکه بهینه‌سازی کنند.

–         بهره‌وری انرژی: الگوریتم‌های هوش مصنوعی می‌توانند مصرف انرژی در شبکه‌های مخابراتی را با تجزیه و تحلیل داده‌های تجهیزات و زیرساخت شبکه، مراکز‌داده، شرایط محیطی و مصرف برق بهینه کنند. با شناسایی فرصت‌های صرفه جویی در انرژی، اپراتورها می‌توانند هزینه‌های خود را کاهش داده و تأثیرات منفی زیست محیطی خود را نیز کم‌تر کنند.

–          بهینه‌سازی 5G: الگوریتم‌های هوش مصنوعی می‌توانند به شبکه‌های 5G که نسبت به نسل‌های قبلی شبکه‌های بی‌سیم پیچیده‌تر و پویاتر هستند، کمک کنند. این موضوع شامل بهینه‌سازی Radio Access Network (RAN)،Backhaul Network ، Core Network و Network Slicing می‌شود. به گفته شرکت Ericsson، هوش مصنوعی نقش کلیدی در بهینه‌سازی شبکه دسترسی رادیویی(RAN) نسل 5 دارد. این شرکت مجموعه‌ای از برنامه‌های کاربردی مبتنی بر هوش مصنوعی به نام Ericsson Performance Optimizers را ارائه می‌دهد که می‌تواند RAN یک CSP را تجزیه و تحلیل کند تا به طور فعال توصیه‌های بهینه‌سازی شبکه تلفن همراه را ارائه دهد و مشکلات عملکرد شبکه را حل کند.

–          تعمیر و نگهداری پیشبینانه(Predictive Maintenance): تعمیر و نگهداری پیشبینانه یکی دیگر از جنبه‌های مهم بهینه‌سازی شبکه است. هوش مصنوعی می‌تواند برای خودکارسازی وظایف تعمیر و نگهداری و کاهش خطر خرابی تجهیزات شبکه استفاده شود. به عنوان مثال، الگوریتم‌های یادگیری ماشین می‌توانند با تحلیل داده‌های تجهیزات و سنسورهای شبکه، مشکلات شبکه را قبل از وقوع پیش‌بینی کنند؛ این موضوع به اپراتورها اجازه می‌دهد تا قبل از بحرانی شدن وضعیت، مشکلات مربوطه را برطرف کنند. در بخش بعدی، تعمیر و نگهداری پیشبینانه با جزئیات بیشتری بررسی خواهد شد.

اگر بخواهیم از هوش مصنوعی برای بهینه‌سازی شبکه استفاده کنیم، یکی از موضوعات مهمی که باید آن را در نظر بگیریم Artificial Intelligence for IT & Network Operations(AIOps) است. AIOps یا هوش مصنوعی(AI) برای عملیات فناوری اطلاعات (IT Operations)، به کاربرد فناوری‌های هوش مصنوعی، مانند یادگیری ماشین و تجزیه و تحلیل داده‌های بزرگ(Big Data)، در خودکارسازی و بهینه‌سازی فرآیندهای عملیات فناوری اطلاعات اشاره دارد. عملیات فناوری اطلاعات که اغلب به اختصار ITOps نامیده می‌شود، به مدیریت و نگهداری زیرساخت‌ها و سیستم‌های فناوری اطلاعات سازمان اشاره دارد که شامل نظارت بر راه اندازی، طراحی، پیکربندی، استقرار و نگهداری مداوم زیرساختی است که از خدمات فناوری اطلاعات پشتیبانی می‌کند. AIOps قدرت هوش مصنوعی را با عملیات فناوری اطلاعات ترکیب می‌کند تا کارایی را افزایش دهد، عملکرد را بهبود بخشد و مدیریت فعال سیستم‌ها و شبکه‌های فناوری اطلاعات را امکان‌پذیر کند. هدف AIOps خودکارسازی وظایف معمول، شناسایی و حل سریعتر مسائل، پیش‌بینی و جلوگیری از مشکلات احتمالی و بهینه‌سازی تخصیص منابع است.

سیستم AIOps باید بتواند تضمین خدمات و استفاده از زیرساخت را به حداکثر برساند و نتایج مطلوبی از KPI ها را  برای اپراتور شبکه به همراه داشته باشد. شکل زیر یک نمای end-to-end از سیستم AIOps را نشان می‌دهد که توسط شرکت Intel ارائه شده است.

UE: User Equipment   eNB: evolved Node B

gNB: gNodeB              GW: Gateway

KPI: Key Performance Indicator

OSS: Operations Support Systems

MANO: Management and Orchestration

برای دستیابی به سیستم AIOps اپراتورها باید به سوالات مهمی جواب بدهند که بعضی از این سوالات عبارتند از:

• ورودی‌های سیستم AI چه چیزی باید باشد؟
• خروجی‌ها چیست؟
• چگونه می‌توان از هوش مصنوعی برای عملکرد عملیات شبکه اطمینان حاصل کرد؟
• کدام مدل یادگیری ماشین بهترین عملکرد را دارد؟
• سیستم یادگیری ماشین چگونه آموزش داده خواهد شد؟
• پیاده‌سازی چگونه خواهد بود؟

References

[1] www.intel.com/content/dam/www/public/us/en/documents/white-papers/ai-in-the-5g-network-white-paper.pdf

[2] analyticslearn.com/what-are-the-types-of-data-analytics

[3] www.ericsson.com/en/ai/operations

[4] www.ericsson.com/en/network-automation/network-optimization

[5] www.ericsson.com/en/press-releases/2022/4/ai-powered-ericsson-performance-optimizers-for-top-network-performance-and-automation

[6] plat.ai/blog/ai-powered-network-optimization-in-telecommunication

[7] nexocode.com/blog/posts/predictive-analytics-in-telecom-how-deep-learning-is-bringing-a-new-competitive-edge

[8] rtinsights.com/data-is-queen-4-network-analysis-methods-to-enable-digital-transformation