• MBA論文代寫| MPA論文代寫| 工程碩士論文代寫| 經濟管理論文代寫| 國際貿易論文代寫| 醫學護理論文代寫| 文學論文代寫| 項目管理論文代寫| 建筑工程論文代寫| 教育教學論文代寫| 農業推廣論文代寫| 代寫法學論文| 體育論文范文| 工商管理論文代寫| 公共管理論文代寫| 藝術論文代寫| 會計論文代寫| 環境論文代寫| 計算機論文代寫| 財務管理論文代寫| 物流管理論文代寫| 新聞傳播論文代寫| 金融學論文代寫| 人力資源論文| 心理學論文代寫| 化工論文| 機械論文| 石油工程論文| 水利論文| 哲學論文| 代寫英語論文| 電氣論文| 對外漢語論文| 通信論文| 市場營銷論文| 應用文寫作| 思政論文|

    天天論文代寫網可提供代寫畢業論文,代寫職稱論文,代寫碩士論文,代寫代發表等服務

    在線客服

    于老師 點擊這里給我發送消息 177872917
    電 話:13838208225
    王老師 點擊這里給我發送消息 996588827
    電 話:13503820014
    當前位置:首頁>論文資源>計算機論文代寫
    論文資源
    在運營商核心網中應用人工智能
    作者:admin 日期:2020-10-15 15:56:05 點擊:770

    摘要:根據OMDIA的ICT企業洞察調查,近80%的運營商(CSP)計劃在2020年解決日益增長的運營復雜性和成本問題。核心網、資源控制中心和用戶會話對實現這一目標十分重要。然而,這個環境變得越來越復雜且難以管理,影響了客戶體驗和網絡的整體效率。伴隨業界等待獨立組網的5G核心網規范正式發布,我們預計本已很復雜的網絡基礎設施還將迎來這個新標準帶來的變化?,F在,是業界如何應用人工智能(AI)等技術來解決核心網當前和未來挑戰的時候了。本報告評估了CSP在管理當前4G核心網和未來5G核心網所面臨的挑戰。報告強調了AI可以在核心網中發揮的關鍵作用,并關注了廠商市場的一些發展動態。 

    4G和5G網絡的綜合變化將推動CSP集中精力提高效率

    管理4G核心網的挑戰越來越大

    大多數CSP網絡都基于4G標準運行,而且更多4G網絡仍在部署中。OMDIA的《2019RAN廠商更新報告》指出,LTE RAN投資將繼續增多,因為許多市場仍處于從2G/3G4G網絡過渡的階段。伴隨LTE RAN環境的發展勢頭,4G核心網市場上的活動也將呈現類似的趨勢。

    隨著越來越多的用戶使用LTE服務,4G核心網將需要應對不斷增長的流量。管理虛擬化4G演進分組核心網(v EPC)也存在復雜性。

    用戶數量不斷增長

    移動用戶數量一直在飆升。OMDIA的報告《移動用戶及收入預測:2019-2024年》顯示,2016-2019年期間,移動用戶數量從74億增至78億,增長了6.6%。我們預計,到2024年,用戶數量將進一步增長10.2%,達到87億。

    這種持續增長將嚴重影響核心網處理激增流量(由大量用戶產生)的能力。根據OMDIA的報告《網絡流量預測:2019-2024年》,2019年的蜂窩網絡流量比2017年增長70%。僅4G網絡流量就占到CSP網絡流量的60%以上,并且它還在繼續增長。

    CSP面臨諸多挑戰,既要滿足不斷增長的用戶需求,又要管理網絡的日常作業來確保良好的網絡性能。

    網絡功能虛擬化自身也帶來了挑戰

    引入網絡功能虛擬化(NFV)是為了解決成本和效率方面的挑戰。但是,硬件與網絡功能(NF)軟件組件分離,以及對動態網絡編排和NF自適應網絡變化的需求,給4G核心網的運營和管理帶來了挑戰。廠商生態已經擴展,但也帶來了運行具有專有接口的系統方面的挑戰。

    NFV引入了更多的網絡層來監控和評估何時發生網絡故障或告警。這些網絡層包括網絡功能虛擬化基礎設施(NFVI)、虛擬基礎設施機(VIM)和虛擬網絡功能(VNF)。因此,在根源分析期間要評估的節點數量和要跟蹤的告警數量都增加了。相應地,解決問題所需的時間、工作和成本都增加了。

    我們認為,隨著CSP部署5GC網絡,這種新核心網環境的先進功能和優勢將推動CSP的服務從4G EPC4G v EPC轉移到5GC。然而,這一變化預計不會在短期內實現,尤其是考慮到5GC部署速度將受到新冠疫情的影響。

    5GC帶來了諸多好處,同時也帶來了挑戰

    CSP已經開始部署5GC,大多數采用的是5G標準的非獨立組網(NSA)模式。然而,5G獨立組網才是目標,因為它將提供在通信行業展開有效競爭所需的智能、靈活的網絡能力。

    5GC網絡將迫使CSP改變核心網內的運營實踐。部署5GCCSP的核心網環境帶來了一些變化。更多NF將被添加到核心網。相應地,支持5GC SA環境所需的運營工作也隨之增加。

    5G SA核心網正在引入新技術和創新。OMDIA的報告《5G推動核心網架構轉變》概述了5GC帶來的這些新核心網能力。它們包括基于服務的架構(SBA)、云原生虛擬網絡功能(CNF)和網絡切片。此外,一些CSP和廠商正在運行概念驗證(Po C),利用CNF、網絡切片和分布式云基礎設施的概念來實現邊緣計算,從而滿足特定的服務要求。

    這些創新既帶來了好處,也帶來了挑戰,特別是在管理新的5GC網絡環境方面。

    除了這些挑戰,CSP還需要部署可在4G5GC網絡之間實現更多互聯互通的功能,比如動態流量控制,從而確保每個客戶會話都由恰當的網絡技術提供支持。這一點很關鍵。雖說5GC可以處理4G流量,但是我們預計在將4G流量完全切換到5GC之前,CSP在一段時間內將并行運行4G5GC網絡。

    在應對這些挑戰時,CSP需要改變他們管理核心網的方法,這是因為傳統的手動方法遠遠不夠。用戶和信令流量水平將增加,從而影響運營效率和網絡安全。CSP需要自動化的工作流程來充分利用和實現5G技術,如網絡切片。

    雖然重點放在如何部署新的5G SA核心網上,但CSP必須開始考慮哪些技術將支持新網絡基礎設施的運作,這一點很重要??紤]到這些因素,CSP將能夠快速獲得5G投資回報,并實現降低成本和網絡復雜性的目標。

    AI能夠幫助CSP解決核心網領域的挑戰

    AI將在CSP核心網運營轉型過程中發揮重要作用

    自動化和智能(實時、預測和規范性分析)對核心網的管理至關重要,因為伴隨4G EPC5GC的演進,核心網將變得更加多樣化。這些能力可以由基于AI的解決方案提供,其主要好處是降低復雜性,提高運營和管理功能效率,同時將人工參與程度降到最低。

    正如我們以前報告(研究AI及其在CSP網絡中扮演的角色)所探究的那樣,AI適用于CSP網絡中的一些場景。

    由于流量增加,CSP的核心網(4G EPC5GC)將看到越來越多的數據。它們由新服務以及網絡中更多NF產生的信令流量生成。要監控的變量和KPI數量也將增加。為了滿足某些5G服務的低延遲和高速度需求,CSP需要對這些數據集進行快速處理、關聯和分析,從而實現實時、預測性分析能力。這些趨勢使AI非常適合管理和運營不斷發展的核心網環境。這些系統可以通過網絡內創建的數據了解網絡行為,并利用收集到的信息來告知如何運營網絡。

    傳統NEP廠商和Mavenir等新進入者針對核心網AI解決方案進行的試驗和商業部署,顯示了AI技術在幫助CSP高效提升核心網性能方面所能發揮的關鍵作用。

    面向核心網的AI用例

    AI用例將跨越3個關鍵領域,重點關注利用AI實現自動化和為核心網運營生成智能。這3個用例分別是優化應用性能、實現5GC技術以及改善和促進高效的網絡運營和管理。

    5GC應用

    利用機器學習驅動網絡數據分析功能(NWDAF)

    如前所述,核心網變得日益復雜,這要求CSP實現更大程度的自動化。因此,在網絡中運行基于AI的自動化控制和管理功能對5G滿足CSP服務在速度、延遲和容量方面的要求,實現網絡高效運行以及改善客戶體驗就顯得非常重要。但是,用于驅動這種內部網絡AI功能的數據穩定性對實現這種功能更為重要。

    NWDAF是一個基于機器學習的NF,由3GPP5GC定義,使5G運營商能夠監控切片內網絡資源的狀態和第三方應用程序的性能。在3GPP特定文檔(TS23.503)中定義的NWDAF將向在5GC中訂閱此信息的NF提供集中的數據收集和分析功能。網絡切片選擇功能(NSSF)和策略控制功能(PCF)是NWDAF提供分析信息的核心使用者。PCF可以在其決策策略中使用這些數據,NSSF則可以使用NWDAF提供的負載水平信息進行切片選擇。3GPP定義了使用NWDAF可以實現的用例和關鍵問題,包括所有網絡切片的負載管理、移動終端和應用程序性能。

    CSP已經在開發和探索NWDAF。舉例來說,Orange Labs已經探索了NWDAF如何在5GC中生成移動性模式(3GPP定義的標準功能之一),該模式可被AMF用于執行其移動性管理功能。NWDAF使用機器學習技術來了解用戶設備在移動性方面的歷史并發現與用戶設備移動性相關的規則和模式,從而對用戶設備移動性進行預測。繼而,AMF基于用戶設備訂閱信息、用戶設備移動性統計數據、網絡本地策略和用戶設備輔助信息或它們的任意組合來確定和更新用戶設備的移動性模式。這些信息可用于優化和實現無縫切換,同時確保更好的服務質量,從而對提升Qo E產生直接影響。在推出考慮用戶習慣和偏好的定制服務時,與UE行為相關的洞察也很有用。

    為了實現NWDAF支持的用例,3GPP沒有計劃對算法進行標準化,而是對用于實現這些用例的原始信息進行標準化。這是為了確保數據訪問和質量方面的障礙不會影響NWDAF功能在網絡內實現的速度。這種方法將受到CSP及其廠商的歡迎。CSP將能夠挑選最佳NWDAF解決方案,該解決方案可以在任何5G環境下無縫運行,從而加快機器學習功能提供洞察的時間。另一方面,廠商可以提出更多創新性NWDAF用例,從而讓自己的解決方案和能力在競爭中脫穎而出。

    一些廠商已經在開發符合NWDAF要求的機器學習解決方案,包括大型NEP和其他廠商,比如Mavenir。甲骨文和Radcom、Mavenir和中興等廠商的NWDAF解決方案功能已經超出了3GPP定義的功能。舉例來說,Mavenir利用自身在安全和反欺詐領域的機器學習進展,推動其NWDAF解決方案功能超越3GPP規定的功能。另一方面,中興正在開發自己的NWDAF解決方案,利用3個閉環來執行其智能網絡分析。

    在開發NWDAF解決方案的時候,廠商必須確保在開發核心網絡功能時采用開放和標準的接口。這將確保NWDAFAI模型提取的數據易于獲取。

    5GC技術的實施與實現

    網絡切片的端到端生命周期管理

    為了滿足為所有網絡切片定義的SLA要求,CSP需要實現自動化的端到端網絡切片生命周期管理。網絡切片將經歷切片設計、切片部署、運營管理和終止等階段。實現這些階段的自動化需要關鍵決策。做出這些決策是一個復雜的過程,需要大量的計算,包括需要實時考慮多個變量。

    AI技術有助于做出這些決策以及自動協調和執行完成每個階段所需的相關工作流程。

    AI為網絡切片生命周期管理提供的關鍵用例包括如下。

    (1)封閉自動化和編排:包括切片生命周期各個階段所涉及的所有工作流。

    (2)策略定義:在切片設計、供應、激活以及服務保證等方面進行定義。

    (3)智能運營和管理:AI系統定義的策略控制之下。

    廠商正在積極開發網絡切片生命周期管理功能,并在某些情況下已經在進行銷售。諸如Amdocs等廠商表示,其Network Slice Manager產品利用AI來自動執行切片生命周期中整個流程(從請求到部署和管理)的編排和管理。諾基亞在最近推出的數字運營中心內利用AI功能支持網絡切片管理。另一方面,愛立信正在開發利用機器學習和機器推理來自動化切片生命周期管理的主張。華為和中興也不例外,他們也在開發和銷售基于AI的切片管理解決方案。

    對廠商來說,能夠突顯差異化的關鍵一點是,考慮到創建和管理這些切片所需設備和網絡域之間的互操作性問題,可以支持CSP輕松地部署這些解決方案。

    部署AI來管理分布式云

    借助分布式云,預測用戶的意圖和網絡中的位置(中心或邊緣位置使用多接入邊緣計算)將可以很好地滿足他們的需求,是AI在核心網中的一個用例。為了做出這些決策,需要在核心網上執行涉及多個變量的若干計算,還需要觸發自動工作流來設置服務并確保服務質量不受影響。AI可用來支持分布式云環境的控制、運營和管理。通過利用其學習、預測和規范功能,網絡可以主動檢測網絡內的最佳位置(中心、區域或邊緣)來完成服務請求,從而確保SLA水平和效率。

    運營和管理CSP核心網

    異常檢測與預測

    AI技術的模式識別能力有助于CSP在運行核心網時識別、預測和排除異常情況。核心網環境中不斷增加的網絡功能將導致網絡數據增多,從而給檢測網絡中的異?;顒訋硖魬?。借助使用歷史KPI創建的機器學習模型,可以將實時收集的KPI與模型進行比較,從而檢測接收到的KPI數據是否為異常數據。

    基于當前的容量利用率,機器學習模型也可以用來預測預期流量?;陬A測的流量可以決定需要多少網絡資源容量。這個用例適用于流量行為中出現不尋常高峰的情況。有了這些預測數據,CSP可以在數據中心自動分配資源來支持可能增多的流量,并在流量恢復到正常水平后釋放資源。

    基于AI的告警處理

    考慮到NFV5G將導致潛在故障位置增加,產生的告警數量也將會增加。盡管告警數量增加,CSP仍必須達到體驗質量指標,并且維持高質量的服務和網絡基礎設施。因此,CSP需要主動檢測并解決網絡上對服務影響最大的告警,從而降低成本并提高運營效率。

    考慮到NFV中各層之間相互關聯的功能,這些告警中只有一小部分比較重要。例如CPU故障可能是網絡功能故障的根本原因。但是,在檢測到這一點之前,需要快速分析來自多個網絡層的數據。為了實現這個用例,需要通過大數據平臺收集和處理告警,并利用機器學習提取規則來對告警進行根源分析。一旦這些規則被提取出來,它們就會被部署到網絡中。這些規則有助于識別在NFV環境中不同層發生的告警之間的關聯關系。CSP也將監視這些規則產生的影響,并將其反饋給機器學習系統進行優化。通過應用這個用例,CSP可以確保網絡不斷演進,適應客戶和網絡行為的變化。

    基于AI的自修復機制

    使用AI技術可以激活基于策略的自修復機制,從而降低與修復網絡故障相關的成本。針對網絡功能的策略可以被定義,這樣一旦確定并驗證了根本原因,就會立即觸發自修復工作流流程,并快速恢復正常功能。愛立信就表示機器推理可以實現這個過程。

    實現此用例的挑戰在于理解核心網其中一層的故障如何對核心網其余部分的故障產生影響。這就是為什么像中興這樣的廠商提供多層快速自修復解決方案來在網絡核心內不同層(如物理資源層、虛擬資源層和NF層)創建和實施自修復策略的原因。

    此用例的一個關鍵好處在于CSP能夠處理在其復雜網絡環境中可能出現的異常場景。

    基于AI的安全管理

    CSP必須敏捷地識別安全漏洞,并采取預防措施防止他們影響核心網的性能和創收機會。核心網對CSP來說是一個非常重要的部分,因此,無論使用何種接入網絡技術,與核心網相關的任何風險都將對網絡產生重大影響。伴隨向基于微服務的架構過渡,對核心網采取嚴密安全措施的需求也在增加。根據美國國家標準與技術研究所的說法,使用這類系統實現的每一筆交易都涉及到在網絡上傳輸信息,而且多個微服務的存在暴露了一個巨大的攻擊面。

    因此,CSP應當能夠實時分析和關聯不同的信息來源,預測網絡內任何即將發生的安全漏洞或異?;顒?,并采取預防措施立即解決這些問題。對性能和設備日志、網絡流量和網絡KPI進行綜合分析至關重要。然而,隨著網絡上運行的終端和服務數量不斷增加,跨多個層對這些日志進行人工分析變得越來越難,且十分耗時。

    機器學習算法可以處理這些復雜問題并實時提供分析。它們可以分析和學習與日志和其它相關數據集(實時跨核心網內所有層級收集)相關的模式。創建的模型可用于發現網絡中已知和未知的模式,并將它們與以前的安全漏洞關聯起來。系統可以在沒有定義閾值的情況下運行,這意味著可以檢測到由于這些硬編碼閾值而錯過的攻擊。Mavenir的安全即服務產品便采用這種方法在4G網絡上檢測安全和欺詐事件。他現在正在利用這些功能為5GC網絡開發安全和欺詐解決方案。

    智能擴展VNF

    使用基于AI的解決方案可以實現VNF的智能擴展,從而幫助CSP管理成本并確保最大限度地利用數據中心資源。請務必牢記,這個用例與部署在虛擬機(而不是云原生功能)上的核心網環境相關。在云原生環境中,主要由Kubernetes負責此功能。

    根據定義CPU利用率的策略(可以預定義,也可以使用機器學習定義),VNF實例可以實現伸縮。當CPU利用率達到預定義水平時(影響VNF所承載流量的性能),新的VM就會啟動。如果利用率低于某個水平,VM就會收縮,從而達到節省能源和降低成本的效果。

    虛擬化核心網內的VM自動遷移

    通過對核心網使用基于AI的管理和控制解決方案,可以將VM從一個主機硬件遷移到另一個主機硬件,然后調低VM來降低能耗和運營成本。但是,這個過程依賴控制每個VM(在主機硬件上運行)的CPU利用率的策略。與智能伸縮用例一樣,基于AI的系統可以連續跟蹤每個VM和主機上的CPU利用率水平。在支持網絡功能的VMCPU利用率低于預定義閾值(使用機器學習算法確定)的情況下,VM功能被遷移到另一個主機,該主機有能力在不被過度使用的前提下運行額外的工作負載。

    利用AI技術定義閾值的好處在于可以考慮CPU利用率以外的多個因素,從而確保伸縮或在主機之間遷移資源的決策是當時的最優決策。此外,由于多個廠商定義了不同的CPU利用率閾值,因此預定義閾值很難界定。

    廠商解決方案

    廠商已經在開發和提供利用AI提高4G5GC網絡運營效率的解決方案。我們對這些解決方案的分析表明,大多數開發活動側重于支持網絡切片生命周期的端到端編排和管理。大多數廠商活動,特別是那些針對5GC網絡環境的活動,屬于早期開發、試驗或概念驗證。然而,這些活動突顯出CSP通過投資AI改善核心網所能獲得的潛在好處,并展示出對基于AI的核心網解決方案和CSP應考慮的一些關鍵組件。

    愛立信

    愛立信是一家領先的網絡設備供應商,他不僅在演進CSP核心網能力方面進行了巨額投資,而且利用AI來幫助CSP5GC環境下充分利用投資。愛立信在使用AI提升其5GC功能方面做出的一些戰略投資帶來了新的勝利。然而,鑒于5G SA部署還沒有開始,可參考的資料有限,現在說該廠商表現得多好還為時過早。

    愛立信在其核心網絡功能以及網絡核心的管理和控制功能中利用了AI功能。目前部署的用例包括使用ML功能進行深度分組檢查、移動性預測和視頻優化(感知擁塞程度)。通過移動性預測用例,愛立信看到信令流量最多減少了80%。這使得同時連接的用戶最多增加了17%,從而使網絡能夠處理更多用戶,提高資源利用率,也優化了無線和核心資本支出投資。在中國、美國和歐洲的一線CSP成功進行試用之后,該用例通過愛立信的雙核產品實現商用。愛立信表示,CSP也將這一功能視為他們從網絡角度及時推動ML融入5G的舉措之一。

    愛立信雙模5GCEPC5GC架構的3GPP網絡功能結合成一個通用的云原生軟件平臺,支持5G SA/NSA、4G、3G2G接入技術,其互聯互通能力由AI技術驅動。

    愛立信目前正在研究利用AI保證與客戶在SLA中約定的KPI。該解決方案利用了機器學習、知識庫和機器推理技術。它通過SLA捕獲客戶意圖,并定義、監控和預測與這些SLA匹配的KPI,從而識別潛在的KPI惡化。獲得的洞察被反饋給機器推理模塊,然后機器推理模塊基于其網絡狀態背景知識以及與這些網絡狀態匹配的作業程序提出補救行動。

    愛立信也著眼于在CSP核心網內實現AI技術來驅動閉環自動化功能。這種閉環自動化將被部署在具有不同延遲要求并且需要訪問節點/域數據和歷史數據的多個環路中。在該廠商的架構下,節點附近使用的ML模型在核心網內進行訓練和管理。因此,在整個網絡內使用的模型實現工業化和標準化很重要。為了支持這一點,愛立信的ML執行環境(MXE)至關重要。愛立信表示,MXE將顯著加快模型開發的工業化進程,并改善ML模型的生命周期管理。

    華為

    華為是另一家在演進CSP核心網能力方面讓AI發揮關鍵作用的網絡設備供應商。他對核心網AI的投資涵蓋設備層、管理和運營以及管理服務能力,重點關注利用自動化簡化核心網。

    華為的自動駕駛網絡(ADN)團隊最近推出了i Master MAE-CN,利用AI技術解決可能出現的5GC網絡運營和管理問題。該產品遵循其ADN解決方案架構,即多層網絡架構。這些層被稱為Cloud AI、Network AISite AI。

    (1)Cloud AI:位于網絡外部,吸收并開發電信AI模型和其它服務,如數據湖服務和推理服務。

    (2)Network AI:包括一個運行在網絡內部的AI引擎,根據從Cloud AI接收到的AI模型和策略來控制網絡行為。收集并分析在AI模型實施后生成的網絡數據,以進行本地模型再訓練、模型優化和策略更新,以及在核心網內實施閉環控制。AI推理框架將業務意圖轉換為特定場景的解決方案并加以執行。

    (3)Site AI:將AI推理單元的功能與核心網絡功能結合在一起,該核心網絡功能根據Network AI提供的模型或策略實施閉環網絡控制。Site AI包括內置的AI芯片和內置在網絡設備中的傳感器(從云到邊緣)。

    目前,華為解決方案支持的用例如下。

    (1)網絡切片:華為的產品包括一個智能動態切片解決方案,它對每個切片的SLA進行監控和閉環優化,從而確保維持高質量的體驗。該解決方案利用與NWDAF配合的i MAster MAE-CN,實時監控每項服務的平均意見得分(MOS)。它還可以根據KPI分析(使用多變量回歸擬合分析等AI技術進行分析)所獲得的洞察對切片資源進行調整。此解決方案確保切片在整個生命周期內均滿足自定義SLA要求。

    (2)移動邊緣計算:華為基于AI的核心網解決方案提供邊緣智能服務,使網絡能夠了解服務的運行狀況及其對客戶體驗的影響。例如該廠商提供基于AI的深度分組分析,實現加密視頻Qo E估計、IP智能流量控制、網絡優化和網絡邊緣安全漏洞預測等功能。這些用例與改善用戶體驗和保護CSP網絡投資有關。

    (3)網絡編排:華為的解決方案目前提供無人值守的核心網更改。這涉及在核心網發生網絡更改之前對網絡進行在線運行狀況檢查。借助AI,可以在變更過程中使用多維事件聚合和根本原因分析來進行異常檢測,從而實現更快的故障檢測和預防。

    華為在內蒙古與中國聯通等客戶合作進行的試驗凸顯了在核心網環境中使用AI的一些好處,包括提前5 h預測網絡問題。其它好處包括自動異常檢測。中國聯通表示,該工具能夠使用AI算法定義的動態閾值同時監控逾10萬個KPI。它還支持自動異常檢測,準確率達85%。有了這個功能,CSP可以減少對人類定義閾值的依賴,從而實現高效的操作。

    預測和自動檢測異常是很重要的用例,但并不能夠完全解決CSP需要變得更加主動的問題。它們還需要加速根本原因檢測和補救的功能。這解釋了華為為什么希望在2020年開發下一組用例,包括創建一個知識圖譜來加速根本原因分析。鑒于人工分析網絡日志變得越來越復雜,華為還計劃開發智能日志分析用例,以便快速分析網絡日志。

    華為在基于AI的核心網解決方案上投入了大量資金,但在某些領域卻出現了滯后。舉例來說,愛立信已經在開發使用基于知識管理和機器推理的根本原因分析用例,中興也已經開始開發使用AI技術的智能日志分析。為了實現支持CSP交付自主網絡的愿景,華為需要在所支持的用例方面遠遠領先競爭對手。

    Mavenir

    Mavenir專注于為CSP提供基于軟件的網絡基礎設施。Mavenir的產品組合包括基于軟件的RAN和核心網基礎設施。該廠商的4G v EPC解決方案利用ML模型為CSP提供安全和防欺詐解決方案。NWDAF解決方案是Mavenir 5GC產品的組成部分,它利用該廠商在安全和反欺詐領域的ML進展將NWDAF解決方案的功能擴展到3GPP定義的范圍之外。例如基于ML的安全即解決方案功能支持5GC中的信令平面安全、DDo S檢測和物聯網服務異常檢測。

    該廠商還在開發一種預測能力解決方案,利用基于回歸的ML功能預測網絡資源利用率,并生成更具成本效益的計劃,從而避免與過度供應網絡相關的開銷。這個用例將同時適用于4G EPC5GC。Mavenir目前正在與CSP商討使用真實網絡數據對該解決方案進行試驗。

    其它正在試驗的用例包括基于AI的邊緣視頻分析(在邊緣檢測對象),以及面向每用戶每切片的自動體驗質量評分生成器。這個用例對網絡切片的生命周期管理至關重要。然而,它將在應用范圍方面受到限制,而這正是Mavenir選擇與第三方(如路由和交換公司)合作(如在使用AI定義策略等領域)的原因。

    為了解決CSP在將AI部署到核心網時面臨的互操作性挑戰,MavenirAI/ML開發中遵循開放和基于標準的實施原則,包括廣泛使用的Web-Scale框架、開源代碼庫和平臺無關型模型部署。采取這種開放和基于標準的方法至關重要,因為這有助于加速AI在核心網內的實現。

    與前3大網絡設備供應商相比,Mavenir的安裝用戶基數可能相對較小,但他在AI領域的投入(為確保和改善CSP核心網絡功能)使其產品值得關注。該廠商還對能力和伙伴關系進行投資,以便簡化和擴展AI技術在CSP核心網內的實施。我們認為這一步非常重要,能夠讓Mavenir與網絡設備供應商展開角逐。

    諾基亞

    諾基亞利用AI支持其面向4G5GC部署的核心網解決方案。他正在解決的關鍵問題包括核心網運營、管理自動化、網絡切片生命周期管理和分布式云的管理。為解決這些問題而開發和銷售的關鍵資產包括諾基亞AVA AI Ecosystem和最近推出的數字運營中心。

    諾基亞AVA AI Ecosystem提供云原生網絡分析和自動化,它們目前在Microsoft Azure Cloud平臺上運行,但也可以在運營商目前可以訪問的其它公共或私有云環境中托管。

    諾基亞AVA支持的基于AI的核心網用例包括提高體驗質量的視頻服務優化、預測MME KPI惡化以及端到端管理網絡切片生命周期。最近與一線運營商的合作涉及使用諾基亞AVA中的ML算法來監控和分析核心網內加密視頻的體驗質量指標。通過自動根源分析,諾基亞能夠檢測傳輸、核心、接入域或內容分發網絡中的根源,并提出解決這些問題的建議。CSP發現Netflix的緩沖減少了59%,You Tube的重播延遲問題減少了15%。實施這些用例將幫助CSP實現以客戶為中心的網絡運營,并保證客戶獲得更好的體驗。

    預測KPI MME惡化涉及使用ML算法(不依賴人工)定義閾值。正如前面所討論的那樣,隨著核心網變得越來越復雜,對CSP來說,在定義用于監控KPI性能的閾值方面減少對人工的依賴變得非常重要。中國和日本的CSP客戶已經部署了諾基亞MME KPI惡化預測用例。該用例適用于4G5G網絡。

    網絡切片生命周期管理是諾基亞投資的另一個用例,由最近推出的數字運營中心賦能。

    諾基亞的用例和開發速度反映出他完全了解CSP的需求,并不斷改進功能來滿足這些需求。盡管最近諾基亞領導層發生了變化,他仍然需要保持開發速度。

    中興

    鑒于中興解決方案所具備的廣泛功能,我們認為中興提供了十分全面的產品。該廠商為核心網運營和管理用例提供基于AI的解決方案,適用于CSP基于VM4G核心網環境和5G網絡切片。作為一家網絡設備供應商,中興還在開發NWDAF解決方案。

    中興針對基于4G VM EPC環境的AI用例組合,反映出AI技術能夠處理處于4G部署早期階段或在一段時間內還將運行4G核心網的CSP所面臨的挑戰。

    中興在以下領域推出的基于AI的核心網產品。

    (1)運營和管理:中興為虛擬化的4G EPC和未來的5GC環境提供運營與管理產品。針對4G核心網環境,產品包括優化資源編排、基于AI的告警管理和網絡功能自動伸縮。為了解決虛擬化4G EPC5GC中需要監控的KPI數量增加所帶來的復雜性,該廠商提供異常KPI預測功能來執行自動異常檢測。中興推出的商用4G核心網解決方案示例包括為中國移動通信集團吉林有限公司部署的基于ML的電信云故障排除解決方案。

    (2) 5GC:中興提供本文所述的網絡切片優化和智能保障解決方案。

    (3)NWDAF解決方案:中興的NWDAF解決方案提供智能網絡分析,包括3個閉環網絡分析和控制。第一個閉環負責核心NF的管理,第二個閉環管理NF和控制這些NF功能的管理工具,最后一個控制回路則負責端到端管理應用程序生命周期(超越核心網,涵蓋RAN和傳輸網)以及覆蓋這些網絡域的管理系統。中興的NWDAF解決方案彰顯了廠商在使自己的產品有別于3GPP規范方面可以實現的創新水平。

    中興將Vmax Big Data解決方案作為核心AI產品的附加產品。借助預先集成的大數據解決方案進入市場有助于加速中興基于AI的核心網解決方案的部署。然而,它可能增加CSP網絡數據環境的復雜性。因此,中興為客戶提供將其解決方案與現有大數據湖集成的可能性,從而避免核心網環境內出現孤立的數據基礎架構。

     

     



    論文資源 | 期刊資源 | 論文模板資源 | 論文代寫技巧 | 站內資訊 | 代寫論文交易流程 | 代寫論文業務范圍 | 聯系我們 |
    收縮
    • 電話咨詢

    • 13838208225
    • 13503820014
    特_级毛片,女高中生的呻吟的呻吟,把自己精子偷偷给女同桌喝