نقش یادگیری ماشین در بهینه‌سازی شبکه‌های مخابراتی

این شاید غیرمنتظره‌ترین تصمیم در کل ماجرای ورود یادگیری ماشین به شبکه‌های مخابراتی باشد. ۳GPP صراحتاً اعلام کرده که قرار نیست مدل‌های مشخص هوش مصنوعی را در مشخصات فنی تعریف کند و انتخاب مدل به پیاده‌ساز واگذار می‌شود. آنچه استاندارد می‌شود چیز دیگری است: زیر ساخت های زیرین مدل

یادگیری ماشین در بهینه‌سازی شبکه، به زبان ساده، یعنی سپردن تصمیم‌های عملیاتی شبکه — اینکه کدام پرتو ( (Beam به کدام کاربر تخصیص یابد، کدام سلول خاموش شود، بار میان سلول‌ها چطور توزیع شود — به مدل‌هایی که این الگوها را از داده یاد گرفته‌اند، به‌جای قواعد ثابتی که مهندس از پیش نوشته است. تفاوت آن با اتوماسیون کلاسیک شبکه در همین نکته است: قاعده نوشته نمی‌شود، یاد گرفته می‌شود.

دو نهاد استانداردساز سال‌هاست روی این موضوع کار می‌کنند و هر کدام از زاویه متفاوتی وارد شده‌اند. ۳GPP از سمت رادیو و شبکه دسترسی آمده و ITU از سمت معماری و چرخه داده. در ادامه می‌بینیم هر کدام دقیقاً چه چیزی را تعریف کرده‌اند، کدام کاربردها زودتر از بقیه به مرحله عملی رسیده‌اند، و سازمانی که می‌خواهد امروز از این ظرفیت استفاده کند با چه چالش‌هایی روبه‌روست.

نقش یادگیری ماشین در بهینه‌سازی و هوشمندسازی شبکه

یادگیری ماشین در بهینه‌سازی شبکه به کارگیری مدل‌هایی گفته می‌شود که با تحلیل داده‌های عملیاتی شبکه، پارامترهای آن را به‌صورت پیش‌بینانه تنظیم می‌کنند — از تخصیص منابع رادیویی و مدیریت پرتو گرفته تا توزیع بار و کاهش مصرف انرژی. نقش استانداردها در این میان تعیین الگوریتم نیست؛ تعریف داده‌ای است که مدل باید ببیند، سیگنالینگی که نتیجه را منتقل می‌کند، و چارچوبی که عملکرد مدل را می‌سنجد.

این تفکیک، عمدی و مهم است. اگر نهاد استانداردساز مدل را تعیین کند، نوآوری در همان لحظه متوقف می‌شود و هر بهبود الگوریتمی نیازمند بازنگری استاندارد خواهد بود. در عوض، وقتی رابط‌ها و داده‌ها استاندارد باشند و مدل آزاد، سازندگان مختلف می‌توانند راهکارهای متفاوتی ارائه کنند و شبکه همچنان قابلیت هم‌کارکردی خود را حفظ کند.

مسیری که ۳GPP طی کرد؛ از جمع‌آوری داده تا هوشمندی شبکه

پیش از Release 18، پروژه‌های هوش مصنوعی در ۳GPP عمدتاً حول دو محور می‌چرخید: خودکارسازی شبکه و جمع‌آوری داده. این ترتیب تصادفی نیست — بدون داده استاندارد و در دسترس، هیچ مدلی قابل آموزش نیست.

نقطه شروع، معرفی تابع تحلیل داده شبکه (NWDAF) در Release 15 بود که قابلیت تحلیل برش شبکه (Network Slice) را فراهم می‌کرد. در Release 16 دامنه آن به جمع‌آوری و در دسترس گذاشتن داده در هسته ۵G گسترش یافت و در Release 17 جمع‌آوری داده اپلیکیشن از سمت تجهیز کاربر هم به آن اضافه شد.

به‌موازات آن، پروژه‌های شبکه خودسازمان‌ده (SON) و کمینه‌سازی آزمون‌های میدانی (MDT) از Release 16 به بعد رویه‌های جمع‌آوری داده را برای قابلیت‌های مختلف NR تعریف کردند. اما نکته کلیدی اینجاست: اینکه شبکه با آن داده چه کند، همواره به پیاده‌سازی واگذار شده بود. استاندارد لوله را می‌ساخت، نه موتور را.

تغییر جدی در Release 17 رخ داد، با مطالعه‌ای به رهبری گروه RAN3 درباره جمع‌آوری داده پیشرفته‌تر. این مطالعه اصول سطح‌بالای هوشمندی در شبکه دسترسی را تدوین کرد و چارچوب کارکردی آن را در گزارش فنی TR 37.817 نشاند. خروجی همین مطالعه بود که به تصویب یک پروژه استانداردسازی (Normative Project) در Release 18 انجامید.

سه محور بهینه‌سازی در شبکه دسترسی رادیویی

پروژه Release 18 برای AI/ML در NG-RAN روی بهبود جمع‌آوری داده و سیگنالینگ متمرکز شد تا از سه کاربرد مشخص پشتیبانی کند. این سه، دقیقاً همان چیزی هستند که یک اپراتور از عبارت «بهینه‌سازی شبکه» انتظار دارد:

• ‏ صرفه‌جویی انرژی شبکه (Network Energy Savings) — تصمیم‌گیری هوشمند درباره اینکه چه زمانی و کدام منابع رادیویی می‌توانند کم‌مصرف یا خاموش شوند
• ‏توازن بار (Load Balancing) — توزیع ترافیک میان سلول‌ها بر پایه پیش‌بینی، نه واکنش پس از وقوع ازدحام
• بهینه‌سازی تحرک (Mobility Optimization) — بهبود تصمیم‌های واگذاری و جابه‌جایی کاربر میان سلول‌ها

هر سه ویژگی مشترکی دارند: مسئله‌ای که تا امروز با قواعد آستانه‌ای حل می‌شد، حالا به مسئله پیش‌بینی تبدیل شده است.

بیشتر بخوانید: تکنولوژی SD-WAN؛ پاسخ به چالش‌های امنیتی و کندی ارتباط در سازمان‌های چندشعبه‌ای

سه کاربرد پیشتاز یادگیری ماشین در رابط رادیویی

موازی با کار روی شبکه دسترسی، مطالعه‌ای به رهبری گروه RAN1 در Release 18 سراغ خودِ رابط رادیویی (Air Interface) رفت؛ اولین پروژه از این نوع در تاریخ ۳GPP. هدف، سنجیدن این بود که افزودن قابلیت‌های پشتیبان یادگیری ماشین به رابط رادیویی چه بهبودی در عملکرد، یا چه کاهشی در پیچیدگی و سربار، به همراه دارد.

سه حوزه به‌عنوان پایلوت انتخاب شدند:

• ‏ اطلاعات وضعیت کانال (CSI): فشرده‌سازی در حوزه فرکانس که پیش‌تر توافق شده بود، و پیش‌بینی در حوزه زمان که همچنان در دست بررسی است
• ‏  مدیریت پرتو (Beam Management:( پیش‌بینی مکانی و زمانی پرتو، به‌عنوان امیدوارکننده‌ترین جهت‌ها
• ‏ مکان‌یابی (Positioning): هم مکان‌یابی مستقیم مبتنی بر یادگیری ماشین مانند اثرانگشت‌نگاری، و هم مکان‌یابی کمکی که خروجی مدل یک اندازه‌گیری تازه یا بهبود یک اندازه‌گیری موجود است

انتخاب این سه تصادفی نیست. هر سه مسئله‌هایی هستند که راه‌حل کلاسیکشان یا سربار سیگنالینگ زیادی تحمیل می‌کند یا در محیط‌های پیچیده دقت کافی ندارد؛  دقیقاً همان‌جایی که مدل آموزش‌دیده می‌تواند تفاوت بسازد.

چارچوب ITU؛ وقتی معماری پیش از الگوریتم می‌آید

اگر ۳GPP از منظر رابط رادیویی به موضوع یادگیری ماشین پرداخت، ITU از منظر معماری شبکه وارد شد. گروه تمرکز «یادگیری ماشین برای شبکه‌های آینده شامل ۵G» (FG-ML5G) در نشست نوامبر ۲۰۱۷ کمیته مطالعاتی ۱۳ در ژنو تشکیل شد و فعالیت آن از ژانویه ۲۰۱۸ تا ژوئیه ۲۰۲۰ ادامه داشت. حاصل این فعالیت، تدوین ۱۰ مشخصات فنی بود که موضوعاتی از جمله رابط‌ها، معماری شبکه، پروتکل‌ها، الگوریتم‌ها و قالب‌های داده را پوشش می‌داد..

سند از خروجی‌های FG-ML5G به توصیه‌نامه‌ها و مکمل‌های رسمی کمیته مطالعاتی ۱۳ تبدیل شد: چارچوب معماری، فهرست موارد کاربرد، چارچوب سنجش سطح هوشمندی شبکه، چارچوب مدیریت داده، و یکپارچه‌سازی بازارگاه مدل‌ها. پنج مشخصات دیگر هم در ژوئیه ۲۰۲۰ به کمیته ارائه شد، از جمله ارکستراتور کارکرد یادگیری ماشین (MLFO)، چارچوب سرویس‌دهی مدل‌ها، جعبه‌شنی (Sandbox) یادگیری ماشین، و مدیریت و ارکستراسیون سرتاسری برش شبکه مبتنی بر یادگیری ماشین.

جمع‌بندی این فهرست یک نکته را روشن می‌کند: ITU پیش از آنکه سراغ الگوریتم برود، سراغ این رفته که مدل کجا زندگی می‌کند، داده‌اش از کجا می‌آید، چطور به‌روز می‌شود و با چه معیاری سنجیده می‌شود.

استانداردها و مشخصات کلیدی در یک نگاه

آنچه در این جدول دیده نمی‌شود اما اهمیت دارد، تاریخ‌هاست: بخش عمده این چارچوب‌ها میان ۲۰۱۹ و ۲۰۲۳ تثبیت شده‌اند. یعنی سازمانی که امروز وارد این حوزه می‌شود، روی زمین آماده قدم می‌گذارد، نه روی مفهومی آزمایشی.

چالش‌های واقعی پیاده‌سازی؛ داده، پیچیدگی و چرخه عمر مدل

مطالعه ۳GPP علاوه بر فهرست کاربردها، فهرست چالش ها را هم تولید کرده است. چهار مورد از بقیه برجسته‌ترند.

نخست، مسئله محل اجرای مدل. در بیشتر کاربردها فرض بر این است که مدل روی یکی از دو سر ارتباط اجرا می‌شود، یعنی ایستگاه پایه (gNB) یا تجهیز کاربر. اما کاربرد CSI امکان مدل دوطرفه را بررسی می‌کند؛ حالتی که در آن بخشی از مدل روی تجهیز کاربر و بخشی روی شبکه اجرا می‌شود و این دو باید تعامل تنگاتنگی داشته باشند. اینکه چنین تعاملی اصلاً باید در استاندارد تعریف شود یا نه، خودش موضوع بحث بوده است.

دوم، پیچیدگی. ارزیابی عملکرد در این پروژه‌ها همیشه در مقایسه با یک مبنای غیر هوش‌مصنوعی معنادار انجام می‌شود، و پیچیدگی فقط به بار محاسباتی خلاصه نمی‌شود؛ مصرف توان و میزان حافظه هم بخشی از هزینه‌اند. مدلی که دقت را دو درصد بهتر می‌کند اما مصرف باتری تجهیز کاربر را محسوس بالا می‌برد، در عمل پذیرفته نمی‌شود.

سوم، چرخه عمر مدل (LCM). آنچه باید در مشخصات فنی دیده شود شامل ساخت مجموعه‌داده برای آموزش و اعتبارسنجی و آزمون، سیگنالینگ تازه برای هر کاربرد، اطلاعات کمکی، اندازه‌گیری و بازخورد است. در لایه پروتکل هم اعلام قابلیت، رویه‌های پیکربندی و کنترل آموزش و استنتاج، و مدیریت داده و مدل باید تعریف شود.

چهارم، دو بحث بازِ باقی‌مانده: آموزش برخط در برابر آفلاین، و انتقال مدل (Model Transfer). دومی به‌ویژه موضوعی مناقشه‌برانگیز بوده و هنوز نیاز به درک هم‌راستا از پیامدهایش وجود دارد.

زیرساخت امن و ایزوله برای آموزش و اجرای مدل‌های هوش مصنوعی

آموزش و اجرای مدل به منابع پردازشی پایدار و محیطی ایزوله نیاز دارد. زیرساخت ابری ایرانسل (IaaS) با شبکه خصوصی ابری، فایروال اختصاصی و پشتیبان‌گیری خودکار، بستری فراهم می‌کند که می‌شود بارهای کاری حساس را رویش برد.

الگوی پیشنهادی ساده است: مجموعه‌داده و مدل روی ماشین مجازی ایزوله در شبکه خصوصی ابری بنشیند، و دسترسی به API مدل تنها از مسیرهای تعریف‌شده ممکن باشد. با توجه به اینکه داده عملیاتی شبکه یا داده تولید سازمان معمولاً حساس‌ترین دارایی اطلاعاتی است، جدا نگه داشتن محیط آموزش از اینترنت عمومی یک انتخاب سلیقه‌ای نیست.

بیشتر بخوانید: رایانش چند ابری؛ فرمول زیرساخت‌های منعطف و همیشه در دسترس

شبکه امن همراه (APN)؛ مسیر امن جمع‌آوری داده

خط لوله داده، خودش یک سطح حمله است. اگر تله‌متری تجهیزات، حسگرها یا پایانه‌های میدانی از اینترنت عمومی عبور کند، هم در معرض شنود است و هم در معرض دستکاری — و مدلی که با داده دستکاری‌شده آموزش ببیند، بدتر از نبودنش است.

شبکه امن همراه (APN) ایرانسل یک شبکه خصوصی روی بستر موبایل می‌سازد و سیم‌کارت‌های سازمانی را بدون واسطه اینترنت عمومی به هم وصل می‌کند. سه ویژگی آن در این سناریو کاربرد مستقیم دارد:

‏•  ترافیک میان دستگاه‌ها و سرورهای سازمانی از اینترنت عمومی عبور نمی‌کند

‏•  سیم‌کارت‌های خارج از شبکه اختصاصی دسترسی محدودی به منابع دارند

‏•  امکان تخصیص IP ثابت و ساب‌نت اختصاصی وجود دارد تا سیاست دسترسی دقیق‌تر اعمال شود

در عمل یعنی می‌توانید مسیر رسیدن داده از لبه تا محیط آموزش مدل را کاملاً از دسترس عمومی خارج کنید.

بیشتر بخوانید: شبکه امن همراه (APN) چیست؟ راهنمای جامع شبکه امن و مدیریت‌شده همراه (APN) برای سازمان‌ها

پرسش‌های متداول

یادگیری ماشین در بهینه‌سازی شبکه یعنی چه؟

 یعنی سپردن تنظیم پارامترهای شبکه به مدل‌هایی که الگوها را از داده عملیاتی یاد گرفته‌اند، به‌جای قواعد ثابتی که مهندس از پیش نوشته است. کاربردهای شاخص آن تخصیص منابع رادیویی، مدیریت پرتو، توازن بار و کاهش مصرف انرژی است.

آیا استانداردها الگوریتم یادگیری ماشین را تعیین می‌کنند؟

 نه. ۳GPP صراحتاً اعلام کرده که تعریف مدل‌های مشخص در دستور کارش نیست و این انتخاب به پیاده‌ساز واگذار می‌شود. آنچه استاندارد می‌شود، داده و سیگنالینگ و رویه‌های مدیریت مدل است، نه خود مدل.

۳GPP روی کدام کاربردها متمرکز شده است؟

در شبکه دسترسی، سه محور صرفه‌جویی انرژی، توازن بار و بهینه‌سازی تحرک. در رابط رادیویی، سه کاربرد اطلاعات وضعیت کانال (CSI)، مدیریت پرتو و مکان‌یابی به‌عنوان پایلوت انتخاب شده‌اند.

نقش ITU در این حوزه چیست؟

 ITU از زاویه معماری وارد شده است. گروه تمرکز FG-ML5G ده مشخصه فنی تولید کرد که پنج مورد از خروجی‌های آن به توصیه‌نامه رسمی تبدیل شد، از جمله Y.3172 برای چارچوب معماری و Y.3174 برای مدیریت داده.

مدل روی دستگاه اجرا می‌شود یا روی شبکه؟

در بیشتر کاربردها روی یکی از دو سر ارتباط، یعنی ایستگاه پایه یا تجهیز کاربر. کاربرد CSI استثناست و امکان مدل دوطرفه با تعامل تنگاتنگ میان این دو در حال بررسی است.

پیچیدگی یک مدل چطور سنجیده می‌شود؟

عملکرد همیشه در مقایسه با یک مبنای غیرهوشمند معنادار سنجیده می‌شود، و هزینه فقط بار محاسباتی نیست؛ مصرف توان و میزان حافظه هم بخشی از پیچیدگی به شمار می‌آید.

برای شروع، سازمان به چه چیزی نیاز دارد؟

 پیش از هر چیز به یک خط لوله منظم جمع‌آوری داده، سپس به محیطی ایزوله برای آموزش و اجرای مدل، و به مسیری امن برای انتقال داده از لبه تا آن محیط. انتخاب الگوریتم آخرین مرحله است، نه اولین.

کلام آخر

آنچه ۳GPP و ITU در این سال‌ها ساخته‌اند، مجموعه‌ای از الگوریتم نیست؛ زیرساخت مفهومی است. داده استاندارد، سیگنالینگ تعریف‌شده، چرخه عمر مدل و معیار سنجش — این چهار چیز است که ورود یادگیری ماشین به شبکه را از یک آزمایش داخلی به یک قابلیت قابل اتکا تبدیل می‌کند. انتخاب مدل عمداً باز گذاشته شده تا نوآوری متوقف نشود.

پیام عملی برای سازمان روشن است: قبل از بحث درباره اینکه کدام مدل بهتر است، باید مطمئن شوید داده‌تان منظم جمع می‌شود، امن منتقل می‌شود و در محیطی پایدار پردازش می‌شود. راهکارهای سازمانی ایرانسل برای همین لایه زیرین طراحی شده‌اند: زیرساخت ابری (IaaS) برای اجرای ایزوله و مقیاس‌پذیر بارهای کاری سنگین، شبکه امن همراه (APN) و سرویس شبکه امن همراه + VPN برای انتقال امن داده از لبه و شعب، و یلونام برای احراز هویت و کنترل دسترسی به محیط‌های داده و مدل.

اگر به آشنایی بیشتر با محصولات راهکارهای سازمانی ایرانسل علاقه‌مند هستید، کد دستوری ستاره سه مربع (*3#) را با خطوط ایرانسلی خود شماره‌گیری کنید یا از طریق ایمیل EB@mtnirancell.ir از کارشناسان ما مشاوره بگیرید.

منابع:

https://www.3gpp.org/technologies/ai-ml-nr

https://www.itu.int/en/ITU-T/focusgroups/ml5g/pages/default.aspx