APPROFONDIMENTO

Evoluzione degli algoritmi SON verso il Machine Learning

Evoluzione degli algoritmi SON verso il Machine Learning
 

L’approccio all’automazione di parte di processi di configurazione e ottimizzazione dell’accesso radiomobile (il paradigma SON descritto nell’articolo riferimento) segue, nelle sue prime realizzazioni, un approccio “reattivo”, basato sull’adeguamento della rete alle condizioni variabili di traffico o di interferenza.
Negli ultimi anni TIM ha sviluppato anche algoritmi di tipo “predittivo”, in grado di stimare le variazioni di traffico su periodi futuri e di abilitare la messa in campo di contromisure atte a prevenire degradi nella Customer Experience. Attraverso metodi di regressione (tra i quali può essere annoverato il metodo elaborato da TIM e denominato “Rappresentazione dei Residui”, oggetto anche di domanda di brevetto) sono state definite metodologie di previsione dei parametri di traffico dei singoli nodi o di singole celle su intervalli di tempo non brevi (diverse settimane o mesi): i test eseguiti su dati reali hanno rivelato una buona affidabilità nelle proiezioni su periodi futuri di 1-2 mesi ed oltre, consentendo di individuare i singoli settori/nodi che – nell’arco di tempo oggetto di previsione – hanno una elevata probabilità di superare le soglie di traffico; il superamento di queste soglie, infatti, rappresenta un degrado della Customer Experience, in quanto all’aumentare del traffico, e quindi del numero di connessioni contemporaneamente attive, diminuisce il throughput medio associato alla singola connessione. Tale informazione può essere utilizzata per progettare interventi di ampliamento preventivi e mirati oppure per alimentare algoritmi di MLB in grado di re-indirizzare parte del traffico di un nodo carico su nodi adiacenti ritenuti idonei (ovvero per i quali non si prevede un degrado della Customer Experience legato all’aumento del traffico).
Sono state inoltre sperimentate tecniche di previsione di variazioni di traffico a breve termine. Queste previsioni possono essere utilizzate in contesti in cui si deve riconfigurare una porzione di rete a causa di eventi che provocano una concentrazione di utenza in una zona geografica limitata per un periodo di tempo limitato, come  concerti, eventi sportivi, fiere, etc. Dalle sperimentazioni realizzate  è emerso che tali algoritmi sono in grado di prevedere le variazioni di traffico con un anticipo che varia, in funzione dello scenario di applicazione, da alcune decine minuti fino ad alcune ore (Figura A). 

 

Figura A - Esempio di previsione di traffico (in termini di flussi di clienti) in occasione di un concerto musicale organizzato a Torino nel 2017 (i dati di previsione possono essere rese disponibili con un anticipo di alcune ore rispetto alle variazioni effettive del traffico)

Tali previsioni possono essere utilizzate per stimolare funzionalità di riconfigurazione automatica di rete, quali ad esempio MLB (Mobility Load Balancing) o CCO (Coverage and capacity Optimization), oppure per attivare funzionalità di “Massive Events Handling (MEH)” che permettono una riconfigurazione della rete a breve termine per adattarla alle condizioni di traffico (in ambito ACM: Automatic Configuration Management).
Più recentemente, l’evoluzione degli algoritmi SON si sta sviluppando verso approcci basati sull’Intelligenza Artificiale, le cui metodologie, unitamente alle capacità computazionali oggi disponibili, consentono di trarre valore dell’enorme quantità di dati presenti e generati dalla rete. La convergenza di tecniche di data mining efficienti associata alla disponibilità di risorse di calcolo adeguate, rendono le metodologie di analisi basate su tecniche di Intelligenza Artificiale applicabili anche in un orizzonte temporale di breve termine e con un elevato grado di affidabilità (v. articolo Notiziario Tecnico: Deep learning per le Telco - n. 1 2018).
Le tipologie di dati prodotte dai nodi di rete, quali ad esempio contatori prestazionali, CDR, MDT, Tracelog, sono adatte ad essere elaborate e processate al fine di estrarre tendenze, classificazioni di comportamenti e dinamiche di evoluzione e quindi, successivamente, descrivere e governare in maniera efficiente la gestione della rete nel suo insieme. L’applicazione del machine learning a questi set di dati permette anche di identificare schemi e fenomeni che sfuggono all’attenzione umana, perché “sommersi” dal rumore di fondo o perché complessi da evidenziare con metodologie di analisi più deterministiche.
Tale approccio trova applicazione nel campo della pianificazione radio, dove i contatori di traffico possono essere analizzati al fine di raggruppare (“clusterizzare”) le celle in funzione del loro tipo di comportamento e su diverse scale temporali, con l’obiettivo di identificare con sufficiente anticipo situazioni di traffico “anomalo” non predicibili con tecniche di analisi tradizionali. L’applicazione di tali concetti è attualmente oggetto di una collaborazione con il Dipartimento di Elettronica e Telecomunicazioni del Politecnico di Torino: La Figura B, in particolare, mostra l’analisi di dati di Traffico in una area della città di Torino, dai quali sono stati estratti ed analizzati i comportamenti della rete in concomitanza di spettacoli ed eventi sportivi, arrivando –attraverso l’applicazione di tecniche di Machine Learning – a classificare le celle della rete radiomobile in funzione delle caratteristiche del traffico.

 

Figura B- Classificazione delle celle LTE in funzione degli andamenti di traffico giornalieri (numero di utenti nelle diverse ore della giornata)

In stretta analogia con le metodologie di analisi delle evoluzioni della rete descritte precedentemente sulla base di analisi eseguite con tecniche di Intelligenza artificiale sui dati prodotti da una rete, è possibile salire ad un grado di astrazione superiore, con l'obiettivo di descrivere delle metodologie e strategie decisionali per la gestione della rete stessa e individuare le leve migliori ed i parametri chiave, nel contesto temporale di interesse, su cui agire per ottenere una gestione ottimizzata e efficiente della rete. La capacità di mettere in campo algoritmi evoluti come quelli descritti assume un’importanza strategica nell’ambito della futura rete 5G che vedrà un “salto di livello” in termini di densità di terminali connessi e di prestazioni. L’intelligenza potrà operare a diversi livelli nel dominio di rete, anche grazie all’evoluzione delle architetture di rete e di management e alle tecnologie di trasmissione radio.
Un primo esempio consiste nell’allocazione ottimizzata delle risorse di rete, possibile grazie alla concentrazione di una parte delle funzionalità di elaborazione dell’accesso radio (caratteristica dei dispiegamenti in architettura centralizzata vRAN - v. articolo Notiziario Tecnico "DIGIRAN: il valore dell'automazione nell'accesso radio" n. 1 2018) e gestibile attraverso un’architettura di management basata sul concetto di orchestrazione (v. approfondimento "L’evoluzione delle architetture di automation").
Un altro esempio riguarda la possibilità di sfruttare l’intelligenza a livello più locale nell’ottimizzazione dei parametri che influenzano la copertura e la capacità delle celle. Grazie all’adozione dei sistemi di antenna adattativi caratteristici del 5G, sarà possibile influenzare la formazione e l’orientamento dei diagrammi d’irradiazione (beamforming) per adattare la copertura e la capacità di cella in modo predittivo.
In questo ambito TIM  ha sviluppato recentemente un modello di gestione del nodo di rete di accesso (denominato “nodo consapevole”) che si basa sull’acquisizione di informazioni sull’ambiente in cui il nodo opera e di correlare modelli di propagazione con le stime di posizione dei terminali mobili e di profilo di traffico.

 

Simone Bizzarri
Giorgio Ghinamo
Salvatore Scarpina
Andrea Schiavoni
 

Torna all'articolo