Разделение сети на сегменты с помощью цифровых двойников и искусственного интеллекта. скачать в хорошем качестве

Разделение сети на сегменты с помощью цифровых двойников и искусственного интеллекта.

Узнайте, как высокоточный цифровой двойник сети может улучшить развертывание и производительность сетевых сегментов для приложений с низкой задержкой. Наше решение для управления и оркестрации сервисов (SMO) на основе O-RAN сочетает в себе сервис цифрового двойника и ИИ, а также взаимодействует с автоматизацией RAN для оценки, создания и управления сетевыми сегментами в масштабе с прогнозированием KPI на основе данных. ========================= Часто задаваемые вопросы ========================= Вопрос 1) Какова цель беспроводного цифрового двойника? Беспроводной цифровой двойник — это точное представление физической беспроводной сети, которое затем используется для оценки широкого спектра сценариев «что если» заранее, для прогнозирования KPI и улучшения планирования/масштабирования сети, а также повышения ее эффективности. Хотя в этой демонстрации использовалась внутренняя сеть 5G, цифровые двойники являются ключевым элементом нашего видения 6G, ориентированного на ИИ. Q2) Из каких компонентов состоит цифровой двойник? Ключевыми компонентами цифрового двойника в данной работе являются: [a] модель распространения радиоволн, [b] сетевая модель и [c] нейронный предиктор KPI. Радиомодель и сетевая модель являются специфичными для конкретного объекта и для конкретного развертывания соответственно, то есть «двойниками» своих физических аналогов. Нейронный предиктор KPI извлекает интеллектуальные данные из этих высокоточных моделей. Q3) Чем цифровой двойник отличается от симуляции? Используемый здесь цифровой двойник представляет собой точное отображение физической сети с точки зрения распространения радиоволн и сети, в отличие от статистических моделей, которые обычно характеризуют симуляции. Точность цифрового двойника проверяется с помощью наблюдений из данных физической сети. Предиктор KPI также обновляется и дорабатывается с использованием данных физической сети. Q4) Как мы представляем себе архитектуру прогнозирования KPI с помощью цифрового двойника? В этой реализации цифровой двойник находится в SMO. Нейронный предсказатель KPI обучается на наборах данных цифровых двойников в различных сценариях «что если», обновляемых с использованием данных физической сети. Прогнозы цифрового двойника запускаются с помощью разработанного для этой цели приложения rApp. Кроме того, для взаимодействия с прогнозами цифрового двойника в целях автоматизации/человеко-машинного интерфейса используется модуль генеративного ИИ (gen AI). Q5) Как используется прогнозирование KPI с помощью цифрового двойника для сегментирования сети? Цифровой двойник и предсказатель KPI помогают нам оценить KPI, специфичные для сегмента сети, до развертывания сегмента в физической сети. Цифровой двойник моделирует ансамбль возможных физических реализаций, т.е. распределений производительности сегментов сети. Таким образом, оператор сети может точно оценить ресурсы и KPI, избежать неожиданностей и эффективно использовать системные ресурсы. Q6) Как мы построили 3D-модель внутреннего пространства цифрового двойника? В качестве источников данных использовались лидарное сканирование, фотосъемка с дронов и другие методы. Для построения модели использовались общедоступные программные библиотеки. Подробнее смотрите в нашей демонстрации с MWC 2024:    • MWC 2024: Qualcomm brings the digital twin...   Q7) Можете ли вы предоставить некоторые подробности о развертывании внутри помещений, например, о местоположении пользователей, отображении трафика и т. д.? Рассматривается надмножество местоположений пользователей, т. е. 24 фиксированных физических местоположения. Из них для каждого «точки подключения» выбираются несколько случайных подмножеств пользователей с различным отображением трафика для каждой точки подключения, также случайным образом, и статистика объединяется по нескольким точкам подключения. Q8) Используются ли два частотных слоя с агрегацией несущих (CA)? Нет. Две частоты обрабатываются независимыми точками передачи и приема (TRP) или радиомодулями (RU), которые не работают в режиме CA. Q9) Используются ли местоположения устройств для прогнозирования KPI? Нет, предсказатель KPI не использует информацию о местоположении устройств, т. е. местоположение не является входным параметром для вывода. Q10) Почему пропускная способность, по-видимому, увеличивается при меньшем количестве TRP или RU для экономии энергии? В этой демонстрации использование ресурсов радиоинтерфейса было низким, и видимое увеличение пропускной способности статистически незначительно. При более высоком использовании ресурсов ожидается снижение пропускной способности из-за экономии энергии. Q11) Как работают сетевые срезы? Планировщик обслуживает трафик связи с низкой задержкой (LLC) с жестким приоритетом. Сетевые ресурсы физически не разделены.