Недавно мы говорили о том, как идет миграция на IPv6, а также разбирались, что происходит с протоколом QUIC. Сегодня погрузимся в тему машинного обучения и систем ИИ, которые помогают операторам связи решать самые различные задачи: от классификации трафика до повышения энергоэффективности сетей.

Что предлагают нейросети

Не так давно Комиссия по широкополосной связи, основанная ITU и UNESCO, выпустила отчёт, посвящённый оценке влияния ML-технологий на бизнес-процессы самых разных организаций (интернет-провайдеров в том числе). Авторы исследования — среди которых числятся представители регуляторов, ученые и бизнесмены — отметили, что системы ИИ способны повысить доступность широкополосной связи и снизить число сбоев.

Провайдеры уже используют такие системы в сфере технического обслуживания, в том числе вместе с устройствами интернета вещей и даже дронами. Например, американская телеком-компания US Cellular создает цифровых двойников вышек связи. Специалисты фотографируют их с воздуха, а затем изображения анализирует марковская модель и определяет, в каком состоянии находится оборудование, требует ли оно ремонта. По словам представителей компании, подобных цифровых двойников можно будет применять для моделирования ЦОД и оценки состояния серверного оборудования.

Другой пример внедрения систем ИИ: крупнейший оператор в Индии — Bharti Airtel — использует модели машинного обучения для построения самооптимизирующихся сетей. Такие системы в автоматическом режиме анализируют нагрузку на сеть, выявляют аномалии и восстанавливают параметры до нормальных значений.

Еще телекомы применяют системы ИИ и для повышения энергоэффективности сетей. Например, иорданская компания Umniah уже внедрила решение, которое отключает неиспользуемые сетевые компоненты, тем самым сокращая энергопотребление инфраструктуры 5G на 20%. Похожее решение запустил филиппинский Globe Telecom, снизив потребление радиосетей (RAN) и затраты на электроэнергию на 3–6% в год.

Также операторы связи переходят на нейросетевые методы анализа трафика, поскольку многие приложения предъявляют уникальные требования к сетевым характеристикам, а выполнение этих требований повышает пользовательский опыт. Однако внедрение систем ИИ в телекоме имеет свои нюансы, обусловленные различными техническими факторами.

Какие есть сложности

Согласно исследованию, проведённому консалтинговой компанией Ernst & Young, примерно половина телекомов сталкивается с трудностями при подборе подходящих ML-моделей для решения специализированных задач в своей сфере деятельности. Потому что количество профильных решений и методов исчисляется сотнями.

Для оптимизации производительности и балансировки трафика компании могут использовать методы Deep Q-Networks или Proximal Policy Optimization. А прогнозирование временных рядов, например, с помощью Prophet, ARIMA или LSTM, поможет предсказать перегрузку сети или отказ оборудования. При этом каждое решение имеет свои особенности и требует учета специфики сетей, объёмов данных и прочих нюансов. Все эти факторы усложняют выбор и развертывание систем ИИ в телекоме.

Трудности также вызывает интеграция интеллектуальных технологий с legacy-платформами, которые могут быть несовместимы с современными инструментами. Дефицит квалифицированных специалистов по внедрению и поддержке систем ИИ — ещё одна серьёзная проблема, с которой сталкиваются провайдеры. Чуть меньше половины руководителей телеком-компаний называет отсутствие экспертизы в разработке систем ИИ одним из главных барьеров для внедрения подобных инструментов.

Кроме того, несмотря на достижения в области, современные системы ИИ всё ещё не лишены недостатков. Так, группа инженеров из Неаполитанского университета отмечает, что несмотря на высокую точность в условиях эксперимента, ML-модели допускают ошибки «в полевых условиях». И текущий уровень развития систем ИИ до сих пор не позволяет полностью передать им управление сетевыми процессами. Они могут допускать ошибки при принятии решений и требуют надзора со стороны оператора. Ошибки возникают в том числе и из-за качества обучающих данных. Также ML-модели теряют эффективность, если существенным образом меняются условия сетевой среды.

Что почитать по теме

Это — компактный дайджест материалов, посвящённых развитию систем ИИ в индустрии. Как компании используют их для классификации трафика и автоматизации процессов.

• От классики к нейросетям — исследуем потенциал глубокого обучения в распознавании маскируемого трафика. Обсуждаем традиционные методы анализа трафика. В частности, говорим про Server Name Indication (SNI), Payload Inspection и методы статистического машинного обучения. Как правило, традиционные методы показывают высокую точность классификации, но имеют ограничения, затрудняющие их применение в контексте современных типов трафика. Существуют альтернативный подход для распознавания трафика — например, на базе архитектур ResNet и CNN. Мы провели тестирование этих подходов и делимся результатами.

• Статья от членов Linux Foundation, которые проанализировали текущий статус внедрения систем ИИ в телекоме. Документ содержит компактный обзор профильных открытых проектов (например, Anuket, который занимается развитием и стандартизацией инструментов виртуализации сетевых функций) и рекомендации для операторов по внедрению интеллектуальных решений в свои бизнес-процессы.

• Исследование, посвященное методам глубокого обучения для классификации сетевого трафика в интернете вещей. Авторы подготовили обзор технологий, которые нашли применение в телекоме за последние пять лет. Например, RNN + BiLSTM, Global-Local Attention Data Selection (GLADS), LSTM DNN или ResNet-50.

• Статья, подготовленная китайскими учёными и сотрудниками крупнейших телекомов, рассказывает об истории внедрения систем ИИ в индустрии. Внутри обзор ключевых трендов, а также прогнозы специалистов касательно дальнейших путей развития инструментов на базе машинного обучения. Объемный материал с большим количеством схем для специалистов, ориентирующихся в вопросе.