Введение

Технологии искусственного интеллекта (AI) на основе методов машинного обучения (AI/ML), а также соответствующие приложения стали важнейшим инновационным драйвером − одним из столпов четвертой промышленной революции, которые все чаще используются в различных отраслях экономики и доказали свою эффективность в телекоммуникациях.

Партнерским проектом 3GPP ведется активная стандартизация решений на основе технологий AI/ML как в сети радиодоступа NG-RAN 5G, так и в опорной сети 5G Core. В рабочих группах технической группы спецификаций RAN 3GPP (Сети радиодоступа) определены следующие направления (сценарии) использования AI/ML в сети 5G:

• энергосбережение (Network Energy Saving);

• балансирование нагрузкой (Load Balancing);

• оптимизация мобильности (Mobility Optimization).

Рабочие группы технической группы спецификаций SA 3GPP (Услуги и сетевые аспекты) исследуют вопросы использования технологий AI/ML для различных функций сети 5G Core, включая управление и оркестрирование виртуальных функций сети.

Термины и определения 3GPP для машинного обучения

В Релизах 15−18 3GPP определены важнейшие термины и определения AI/ML, позволяющие разработчикам оборудования 5G однозначно понимать и использовать множество терминов, разнообразно трактовавших их применение для рассматриваемых технологий.

Методы обучения, рассматриваемые в технических спецификациях 3GPP, включают обучение с учителем (контролируемое обучение), полуконтролируемое обучение с учителем, обучение без учителя (неконтролируемое обучение) и обучение с подкреплением (RL − Reinforcement Learning). Каждый метод обучения подходит для одной или нескольких конкретных категорий логического вывода данных (например, предсказания) и требует определенного типа обучающих данных.

Реализация методов машинного обучения в технических спецификациях 3GPP осуществляется на основе моделей обучения ML и соответствующих объектов (модулей) сети, определенных следующими терминами:

• объект ML: объект, который либо является моделью ML, либо содержит модель ML и метаданные, связанные с моделью ML, и им можно управлять как одним составным объектом. Метаданные могут включать, например, применимый контекст времени выполнения для модели ML;

• объект принятия решений AI: объект, который применяет логику, не основанную на ML, для принятия решений, которыми можно управлять как одним составным объектом;

• модель ML: математический алгоритм, который может быть "обучен" двумя типами данных − данными о событиях, полученных от сетевых модулей в процессе сети 5G, и данными, получаемыми от эксперта-человека на основе результатов моделирования и принятия решений, которое выполняет эксперт, получив ту же сетевую информацию о тех же событиях;

• обучение модели ML: возможности функции обучения машинного обучения для получения данных, их обработки в модели машинного обучения, получения соответствующих потерь и корректировки параметризации этой модели машинного обучения на основе вычисленных потерь;

• обучение машинному обучению: возможности и связанные сквозные процессы, позволяющие функции обучения ML выполнять обучение модели ML (как определено выше).Возможности обучения ML могут включать взаимодействие с другими сторонами для сбора и форматирования данных, необходимых для обучения модели ML;

• функция обучения ML: функция с возможностями обучения ML, которую также называют функцией MLT;

• функция вывода данных AI/ML: функция, которая использует модель ML и/или объект принятия решений AI для проведения вывода полученных данных.

Стандартизация использования технологий AI/ML

Стандартизация технологий AI/ML стартовала в Партнерском проекте 3GPP на этапе начала разработки Релиза 15. В настоящее время в работы по стандартизации технологий искусственного интеллекта AI/ML вовлечены рабочие группы RAN (RAN1, RAN3) и SA (SA1, SA2, SA4, SA5) [2] со своими направлениями работы:

• группа RAN1 "Радиоуровень 1 (Физический уровень)": исследования AI/ML для радиоинтерфейса NR;

• группа RAN3 "UTRAN/E-UTRAN/NG-RAN архитектура и соответствующие сетевые интерфейсы": исследования AI/ML для сети радиодоступа NG-RAN;

• группа SA2 "Системная архитектура и сервисы": системная поддержка для AI/ML-услуг;

• группа SA4 "Мультимедиа кодеки, системы и сервисы": исследование AI/ML для мультимедиа;

• группа SA5 "Управление, оркестрирование и тарификация": исследование и автоматизация: самоконфигурация сетевых элементов NE сети NG-RAN, управление AI/ML, расширение аспектов управления модуля NWDAF.

В Релизе 17 на основе исследований группы RAN3 были стандартизованы высокоуровневые принципы использования технологии AI/ML в сети радиодоступа RAN и возможности дальнейшего расширение объема собираемых сетевых данных для обучения. Результаты данного исследования содержатся в техническом отчете TR 37.817.

Сформулированные рабочей группой RAN3 принципы использования AI/ML в сети радиодоступа NG-RAN включают:

• конкретные алгоритмы и модели AI/ML для разрабатываемых сценариев, которые не входят в зону исследований рабочей группы RAN3;

• рассмотрение функциональности AI/ML по отношению к соответствующим типам входных/выходных данных;

• размещение входных/выходных данных функций обучения модели AI/ML и вывода данных модели применительно к сценарию использования;

• фокусирование на сборе и анализе данных, для случая, когда функция обучения модели использует эти данные и не входит в зону исследований рабочей группы RAN3;

• фокусирование на анализе данных, необходимых для функции вывода данных модели AI/ML;

• возможность запрашивать, при необходимости, конкретную информацию, которая будет использоваться для обучения или выполнения алгоритма AI/ML и избегать повторного приема ненужной информации (характер такой информации зависит от сценария использования и алгоритма AI/ML);

• возможность сигнализировать о выдаче выходных данных модели только тем шлюзам, которые явно их запросили (например, через подписку), или шлюзам, которые выполняют последующие действия на основе выходных данных модели;

• требования к модели AI/ML, используемой в функции вывода данных модели, которая должна быть первоначально обучена, проверена и протестирована функцией обучения модели перед развертыванием;

• требования к автономному режиму NG-RAN SA, который имеет наибольший приоритет для исследований, а режимы MR-DC имеют меньшие приоритеты, однако не исклю­чаются в Релизе 18 3GPP;

• требования к алгоритмам и модели AI/ML по конфиденциальности и анонимности пользовательских данных.

Подпишитесь на журнал, чтобы прочитать полную версию статьи.