Portare le basi cellulari da Smart a Genius

5G sta inaugurando una nuova generazione di reti “geniali” per far fronte ai maggiori livelli di complessità, previsione e processo decisionale in tempo reale necessari per fornire i miglioramenti delle prestazioni promessi non solo nelle applicazioni avanzate a banda larga mobile, ma anche in IoT e mission-critical casi d’uso. Al centro di questo passaggio evolutivo è l’uso di algoritmi di apprendimento automatico.

La capacità di essere più dinamici con funzionalità di ottimizzazione della rete in tempo reale come il caricamento delle risorse, il bilanciamento del budget energetico e il rilevamento delle interferenze è ciò che ha reso le reti “intelligenti” nell’era del 4G. 5G aggiunge il supporto per nuove funzionalità di antenna, topologie di rete eterogenee e ad alta densità e allocazione e configurazione dei canali uplink e downlink in base al tipo di carico utile e all’applicazione. Mentre ci sono molti usi dell’apprendimento automatico su tutti i livelli di una rete 5G dal livello fisico fino al livello applicazione, la stazione base sta emergendo come un’applicazione chiave per l’apprendimento automatico.

Più risorse significa solo migliori prestazioni se coordinate

Uno dei tratti distintivi di una stazione base 5G di prossima generazione è l’uso di funzionalità avanzate dell’antenna Queste funzionalità includono, ma non sono limitate a, enormi array di antenne a più uscite multiple (MIMO), beamforming e beam beam.

Il massiccio MIMO è l’uso di array di antenne con un gran numero di elementi attivi. A seconda della banda di frequenza in cui è implementato, enormi progetti MIMO possono impiegare da 24 elementi di antenna attivi fino a diverse centinaia. Uno degli usi di MIMO in generale è quello di essere in grado di trasmettere e ricevere flussi di informazioni parallele e ridondanti per affrontare gli errori introdotti dalle interferenze. Tuttavia, un altro uso specifico del massiccio MIMO è il beamforming e, in sistemi più avanzati, il governo del fascio. Beamforming è la capacità di utilizzare una serie di array graduali per creare un raggio di energia che può essere utilizzato per focalizzare ed estendere la trasmissione e la ricezione del segnale da e verso la stazione base a un particolare dispositivo mobile. Il governo del raggio è la capacità di controllare quel raggio per seguire il dispositivo in un ambiente completamente mobile all’interno dell’impronta di copertura di quell’array di antenne. Quando l’enorme MIMO viene sfruttato appieno e il beamforming e il governo del fascio vengono impiegati in modo ottimale, sia gli operatori di rete che i consumatori traggono vantaggio da una maggiore capacità di rete e da una maggiore copertura attraverso flussi di dati maggiori, minori interferenze, portata estesa e maggiore efficienza energetica.

Ma in che modo l’apprendimento automatico aiuta in questo? Immagina se farai una gara tra una barca con 10 remi contro una barca con 20 remi. La barca con 10 remi è coordinata da un timoniere non solo per il ritmo, ma sta anche apportando correzioni in tempo reale alla rotta e alla cadenza basate non solo su ciò che sta accadendo attualmente, ma anche su ciò che si prevede accada più avanti nel corso della rotta. Al contrario, la barca con 20 remi ha un timoniere che non è in grado di coordinare il ritmo e sta solo apportando correzioni sulla base di informazioni generali già avvenute. Chiaramente il primo vincerà la gara mentre i remi del secondo non solo stanno facendo progressi minimi ma in alcuni casi si stanno effettivamente interferendo tra loro. Lo stesso vale con l’enorme MIMO. Al fine di realizzare appieno i vantaggi dell’enorme capacità MIMO, del beamforming e del fascio di luce, l’apprendimento automatico viene utilizzato nella stazione base per fornire analisi e modelli predittivi in ​​tempo reale per pianificare, coordinare, configurare e selezionare meglio gli array da utilizzare e quando .

Posizione, posizione, posizione

Il nuovo standard di rete 5G richiede implementazioni a densità più elevata di celle più piccole che funzionano con macro celle più grandi e protocolli di interfaccia aerea multipli. La visione è di progettare celle più piccole per ambienti interni o ambienti urbani densi in cui il posizionamento GPS non è sempre affidabile e l’ambiente a radiofrequenza (RF) è tutt’altro che prevedibile. Comprendere la posizione dei dispositivi che interagiscono con la rete è essenziale non solo per i casi d’uso a livello di applicazione, ma anche per il funzionamento e l’ottimizzazione della rete in tempo reale. È quindi fondamentale trovare modi non solo per essere in grado di localizzare con precisione dove si trova l’apparecchiatura dell’utente, ma anche per rintracciarli mentre si muovono all’interno dell’impronta della copertura.

A tal fine, l’apprendimento automatico viene applicato per stimare la posizione delle apparecchiature dell’utente utilizzando i dati RF e le tecniche di triangolazione. Sebbene questo non sia un nuovo concetto, l’uso di algoritmi di apprendimento automatico sta producendo miglioramenti materiali in termini di accuratezza, precisione e fattibilità dell’uso diffuso rispetto ai mezzi precedenti. Ciò è ancora più significativo in quanto questi miglioramenti vengono raggiunti in un ambiente che è ordini di grandezza più complessi e dinamicamente variabili che mai.

Una rete per dominarli tutti – Non è così facile come sembra

Una delle considerazioni alla base dello sviluppo del 5G è quella di disporre di un framework per soddisfare i requisiti vari e spesso contrastanti di 3 casi d’uso, tra cui Enhanced Mobile Broadband (eMBB), IoT massiccio e applicazioni mission-critical.

Precedentemente serviti da reti diverse e appositamente costruite, questi casi d’uso ora saranno supportati con l’architettura di rete 5G pur continuando a richiedere capacità in contrasto tra loro. Le reti progettate per supportare i casi d’uso EMBB devono essere ottimizzate per alta velocità, latenza medio-bassa e capacità redditizia. D’altra parte, le reti IoT massicce devono essere a basso costo, larghezza di banda ridotta, con sovraccarico del piano di controllo e alta affidabilità. Mentre le reti mission-critical richiedono alta velocità, bassa latenza e alta affidabilità.

Per rendere realtà questa visione, il 5G è stato progettato per un’elevata variabilità e flessibilità sia nel piano di controllo che nella configurazione del canale. Pertanto, è essenziale che le reti 5G abbiano la capacità di prevedere il tipo di payload e utilizzare il caso in base a condizioni mutevoli, come dati di caricamento storici, condizioni RF, posizione e una vasta gamma di altri fattori, al fine di configurare in modo efficiente e dinamico e utilizzare le risorse del canale 5G.

Di conseguenza, l’apprendimento automatico viene utilizzato non solo per prevedere le caratteristiche e le capacità delle apparecchiature dell’utente, i probabili requisiti del caso d’uso e le condizioni RF, ma anche potenzialmente il tipo di contenuto che molto probabilmente verrà richiesto e utilizzando tecniche di caching edge per avvicinare il contenuto al utente finale. Ad esempio, in base ai dati storici sulle tendenze, potrebbe essere noto che a causa della vicinanza di una stazione base all’università e degli attuali titoli di tendenza su Netflix o Disney + che in determinate ore del giorno, dovrebbero essere realizzati film specifici disponibile più vicino alla stazione base per ridurre la congestione della rete, il buffering e la latenza. Allo stesso modo, una determinata stazione base situata vicino a un incrocio che viene congestionato in determinate ore del giorno potrebbe richiedere più traffico e dati del sensore V2X per aiutare ADAS o applicazioni di guida autonoma.

Il prossimo passo nell’evoluzione

Come industria, siamo ad un punto evolutivo critico poiché la combinazione di 5G e apprendimento automatico si combinano per farci intraprendere un percorso verso salti generazionali in termini di capacità di rete ed efficienza causati da funzionalità e adattabilità sempre più complesse. Ma è un’evoluzione non una rivoluzione e questi sono i primissimi giorni. Queste applicazioni di apprendimento automatico 5G sono solo l’inizio del potenziale che può essere liberato non solo a livello fisico abilitato dalla stazione base, ma anche a livello applicativo quando queste due tecnologie di base si uniscono e entriamo nell’era delle reti geniali.