AI có thể định hình hoạt động của mạng di động không?

Các nhà khai thác mạng di động (MNO) đang trong quá trình phủ các mạng di động vĩ mô thông thường của họ bằng các ô có phạm vi ngắn hơn như  ô pico ngoài trời . Điều này làm tăng đáng kể độ phức tạp của mạng, khiến việc lập kế hoạch và quản lý OPEX trở nên khó khăn. Trí tuệ nhân tạo (AI) mang lại tiềm năng cho các MNO vận hành mạng của họ theo cách tiết kiệm chi phí hơn. Mặc dù việc triển khai AI có những thách thức nhưng hầu hết đều đồng ý rằng việc triển khai như vậy sẽ làm giảm bớt độ phức tạp của mạng, mô hình và thuật toán mới nổi.

Những tiến bộ trong mã hóa lỗi và thiết kế truyền thông đã dẫn đến hiệu suất của liên kết điểm-điểm gần với giới hạn Shannon. Điều này đã được chứng minh là có hiệu quả trong việc thiết kế giao diện vô tuyến tiên tiến (LTE) thế hệ thứ tư (4G), có nhiều liên kết điểm-điểm song song. Tuy nhiên, giao diện vô tuyến 5G phức tạp hơn do sơ đồ phối hợp và cấu trúc liên kết mạng phức tạp cũng như các ứng dụng người dùng cuối rất đa dạng. Việc đạt được bất kỳ hiệu suất tối ưu nào đều không khả thi về mặt tính toán. Tuy nhiên, AI có thể chế ngự sự phức tạp của mạng bằng cách mang lại hiệu suất cạnh tranh.

Mạng di động đã được thiết kế với mục tiêu xấp xỉ hành vi của hệ thống từ đầu đến cuối bằng cách sử dụng các phương pháp mô hình hóa đơn giản có thể tuân theo phân tích toán học rõ ràng. Ví dụ, các hệ thống thực tế sử dụng kỹ thuật tiền biến dạng kỹ thuật số để tuyến tính hóa mô hình đầu cuối, trong đó lý thuyết thông tin cung cấp một biểu thức năng lực dạng đóng đơn giản. Tuy nhiên, với tính chất phi tuyến tính trong kênh không dây (ví dụ: mm-Wave) hoặc các thành phần thiết bị (ví dụ: bộ khuếch đại công suất), rất khó để mô hình hóa các hành vi đó một cách phân tích.

Ngược lại, các chiến lược phát hiện dựa trên AI có thể dễ dàng mô hình hóa các tính chất phi tuyến tính như vậy. Có những ví dụ trong mạng di động trong đó các thuật toán tối ưu được mô tả rõ ràng nhưng lại phức tạp khi triển khai trong thực tế. Ví dụ: đối với liên kết nhiều đầu vào-nhiều đầu ra (MIMO) điểm-điểm hoạt động với chòm sao điều chế biên độ cầu phương M-ary (QAM) và  luồng không gian K hoặc tái tạo trong cảm biến phổ nén, các giải pháp tối ưu là cực kỳ phức tạp . Trong thực tế, hầu hết các hệ thống MIMO đều sử dụng các bộ thu tuyến tính, ví dụ, các bộ thu có lỗi bình phương trung bình tối thiểu tuyến tính (MMSE), được biết đến là chưa tối ưu nhưng lại dễ thực hiện. AI có thể mang lại sự cân bằng hấp dẫn giữa hiệu suất và độ phức tạp. Ví dụ: bộ thu MIMO dựa trên deep learning có thể cung cấp hiệu suất tốt hơn bộ thu tuyến tính trong nhiều tình huống khác nhau trong khi vẫn giữ được độ phức tạp thấp. 

Học sâu có thể được sử dụng để đưa ra các phương pháp tính toán hiệu quả cho các máy thu truyền thông lớp vật lý (PHY). Học có giám sát có thể được sử dụng để phát hiện ký hiệu MIMO và giải mã kênh, mang lại hiệu suất vượt trội; phát hiện dựa trên mạng thần kinh tái phát (RNN) có thể được sử dụng cho các hệ thống ghép kênh phân chia tần số trực giao (OFDM) MIMO; các kỹ thuật học tập có giám sát dựa trên mạng thần kinh tích chập (CNN) có thể đưa ra ước tính kênh; các phương pháp học tập không giám sát có thể được sử dụng để phát hiện lỗi tự động và phân tích nguyên nhân gốc rễ bằng cách tận dụng các bản đồ tự tổ chức; học tăng cường sâu (DRL) có thể được sử dụng để thiết kế truy cập phổ tần, lập kế hoạch tài nguyên vô tuyến và phân vùng tế bào. Một biên hoặc trung tâm dữ liệu do AI quản lý có thể xem xét các thông số mạng và KPI khác nhau để tối ưu hóa hoạt động bật tắt của máy chủ đồng thời đảm bảo các dịch vụ không bị gián đoạn cho khách hàng. Tận dụng dữ liệu lịch sử được thu thập bởi các máy chủ của trung tâm dữ liệu, có thể tìm hiểu các mô hình sử dụng dịch vụ mới nổi. 

Các cơ quan tiêu chuẩn như Dự án Đối tác Thế hệ Thứ ba (3GPP) đã xác định các thông số kỹ thuật của Chức năng Phân tích Dữ liệu Mạng (NWDAF) để thu thập và phân tích dữ liệu trong các mạng di động tự động (thông số kỹ thuật 3GPP TR 23.791). Bằng cách để việc triển khai mô hình AI phát triển, 3GPP cung cấp đủ sự linh hoạt cho các nhà cung cấp mạng để triển khai các trường hợp sử dụng hỗ trợ AI. Các giao diện gửi đến lấy dữ liệu từ nhiều nguồn khác nhau như vận hành, quản trị và bảo trì (OAM), chức năng mạng (NF), chức năng ứng dụng (AF) và kho lưu trữ dữ liệu; các giao diện bên ngoài chuyển tiếp các quyết định thuật toán tới các khối NF và AF tương ứng. 

Ngoài 3GPP, các MNO (AT&T, China Mobile, Deutsche Telekom, NTT DOCOMO và Orange) đã thành lập Liên minh O-RAN (https://www.o-ran.org/) với mục đích tự động hóa các chức năng mạng và giảm thiểu chi phí hoạt động. Kiến trúc O-RAN, được hiển thị trong hình dưới đây, bao gồm bộ điều khiển thông minh RAN (RIC) hỗ trợ AI cho cả thời gian không thực (không phải RT) và thời gian gần thực (gần RT), đa đài truy cập ngăn xếp giao thức công nghệ. 

Hình : Kiến trúc O-RAN ( nguồn : Liên minh O-RAN)

Các chức năng không phải RT bao gồm quản lý chính sách và dịch vụ, tối ưu hóa thủ tục lớp cao hơn và đào tạo mô hình cho chức năng gần RT RAN. RIC gần RT tương thích với quản lý tài nguyên vô tuyến truyền thống và tăng cường các chức năng vận hành đầy thách thức như kiểm soát chuyển giao liền mạch, quản lý Chất lượng dịch vụ (QoS) và quản lý kết nối với AI. Liên minh O-RAN đã thành lập hai nhóm làm việc tiêu chuẩn hóa giao diện A1 (giữa RIC không RT và RIC gần RT) và giao diện E2 (giữa RIC gần RT và ngăn xếp đơn vị kỹ thuật số [DU]). 

Mặc dù AI cho thấy nhiều hứa hẹn cho mạng di động nhưng vẫn còn những thách thức đáng kể:

• Từ góc độ lớp PHY và MAC, việc đào tạo mô hình AI di động bằng cách sử dụng phản hồi không dây để cập nhật trọng số lớp dựa trên thuật toán lan truyền ngược là tốn kém về mặt chi phí kiểm soát đường lên. 
• Việc tách thông tin giữa các lớp giao thức mạng gây khó khăn cho việc thu được dữ liệu huấn luyện được dán nhãn. Ví dụ: việc đào tạo một mô hình AI nằm trong bộ lập lịch trạm gốc có thể gặp khó khăn nếu nó yêu cầu quyền truy cập vào thông tin lớp ứng dụng.
• Điều quan trọng là mạng di động có thể dự đoán hành vi trong trường hợp xấu nhất. Điều này không phải lúc nào cũng dễ dàng đối với các khối xây dựng AI phi tuyến tính. 
• Mạng di động và tiêu chuẩn không dây đã được thiết kế dựa trên phân tích lý thuyết, đo lường kênh và trực giác của con người. Cách tiếp cận này cho phép các chuyên gia miền chạy mô phỏng máy tính để xác thực các khối xây dựng hệ thống truyền thông. Các công cụ AI vẫn là hộp đen. Việc phát triển các mô hình phân tích để kiểm tra tính đúng đắn và giải thích các hành vi một cách đơn giản vẫn còn là một thách thức.  
• Nếu một nhiệm vụ giao tiếp được thực hiện bằng mô hình AI, thì thường không rõ liệu tập dữ liệu được sử dụng để huấn luyện mô hình đó có đủ tổng quát để nắm bắt được sự phân bổ đầu vào như gặp phải trong thực tế hay không. Ví dụ: nếu bộ phát hiện ký hiệu dựa trên mạng thần kinh được huấn luyện theo một sơ đồ điều chế và mã hóa (MCS), thì không rõ hệ thống sẽ hoạt động như thế nào đối với cấp MCS khác. Điều này quan trọng vì nếu MCS thay đổi thích ứng do tính di động và pha đinh kênh thì phải có cách dự đoán hành vi của hệ thống.
• Khả năng tương tác là rất quan trọng trong phần mềm xác định mọi thứ (SDE) ngày nay. Sự không nhất quán giữa các mô-đun dựa trên AI từ các nhà cung cấp khác nhau có thể làm giảm hiệu suất mạng tổng thể. Ví dụ: một số hành động (ví dụ: đặt ngưỡng chuyển giao) do mô-đun dựa trên AI thực hiện từ một nhà cung cấp có thể chống lại các hành động do mô-đun mạng khác thực hiện (có thể dựa trên AI hoặc không) từ nhà cung cấp thứ hai. Điều này có thể dẫn đến sự xuất hiện chuyển giao không mong muốn giữa BS gốc và BS lân cận, làm tăng chi phí báo hiệu.

 Tóm lại, MNO đồng ý rằng:

• Đào tạo cần phải được phân phối khi các tình huống phức tạp hơn phát sinh.
• Cần có thêm nhiều công cụ giải thích việc ra quyết định của AI.
• Cần nhiều công cụ hơn để so sánh đầu ra của mô hình AI với giới hạn hiệu suất lý thuyết.
• Các mô hình AI cần thích ứng dựa trên thông tin theo ngữ cảnh xung quanh.
• Việc triển khai AI trước tiên nên tập trung vào các mô hình có quy mô thời gian rộng hơn cho đến khi đạt được điểm mà việc ra quyết định về mô hình không thể phân biệt được với các chuyên gia.
• Các trình bao bọc không an toàn xung quanh các mô hình sẽ hạn chế tác động của các lỗi xếp tầng.

AI có thể hồi sinh truyền thông không dây Có những thách thức cần vượt qua, nhưng nếu thực hiện đúng cách, sẽ có cơ hội cung cấp khả năng tự động hóa quy mô lớn trong các mạng di động hỗ trợ liên lạc có độ trễ thấp cực kỳ đáng tin cậy, băng thông rộng di động nâng cao và liên lạc giữa máy với máy trên quy mô lớn.