Искусственный интеллект в сетях связи пятого и последующих поколений

• А.С. Бородин, представитель ПАО «Ростелеком» в МСЭ, к.т.н., к.п.н.; aleksey.borodin@rt.ru
• А.Н. Волков, аспирант кафедры сетей связи и передачи данных СПбГУТ им. проф. М.А. Бонч-Бруевича; artemanv.work@gmail.com
• А.С. Мутханна, доцент кафедры сетей связи и передачи данных СПбГУТ им. проф. М.А. Бонч-Бруевича, к.т.н.; ammarexpress@gmail.com
• А.Е. Кучерявый, заведующий кафедрой сетей связи и передачи данных СПбГУТ им. проф. М.А. Бонч-Бруевича, научный руководитель лаборатории инновационных инфокоммуникаций ПАО «Ростелеком» в СПбГУТ, проф., д.т.н.; akouch@mail.ru

ВВЕДЕНИЕ

Прошло менее двух лет со дня открытия лаборатории искусственного интеллекта в сетях связи [1] на базе кафедры cетей связи и передачи данных СПбГУТ. В настоящее время лаборатория ИИ функционирует совместно с созданной в СПбГУТ лабораторией инновационных инфокоммуникаций ПАО «Ростелеком», что в будущем должно дать определенный синергетический эффект.

За время работы лаборатории ИИ ее сотрудниками были достигнуты конкретные результаты по ряду направлений:

• идентификация и прогнозирование трафика в сети [2, 3];
• интеграция V2X в сети 5G/IMT-2020 [4, 5];
• интеллектуальные сети автономного транспорта [6, 7];
• интеллектуальные летающие сети [8];
• системы вычислительных структур в сетях связи 5G/IMT-2020 с поддержкой ИИ [9];
• модели и методы применения ИИ технологий для разрешения задач системного мониторинга и управления инфраструктурой SDN/NFV [10].

В 2020 г. был организован региональный хост конкурса МСЭ AI/ML in 5G Challenge (искусственный интеллект и машинное обучение для развития сетей 5G), который проходил в рамках МСЭ (главного организатора конкурса) и глобального саммита AI for Good под эгидой ООН. Для конкурса со стороны лаборатории ИИ была предложена задача распознавания и прогнозирования трафика на основе анализа метаданных потоков в программно-конфигурируемых сетях SDN (Software-Defined Networks).

Тематика ИИ в сетях связи в мире научных исследований появилась сравнительно недавно и вызывает все больше интереса со стороны как научных работ и проектов [11], так и бизнеса и производства. В МСЭ-Т достаточно активно ведутся работы по разработке рекомендаций в области ИИ в сетях связи. В базовой рекомендации МСЭ-Т Y.3172 «Архитектурные основы для машинного обучения в будущих сетях, включая сети IMT-2020» для стандартизации ИИ в сетях связи рекомендованы основные требования к их применению [12], а также ряд основополагающих терминов и определений.

Причиной большого интереса использования технологий ИИ в сетях связи стала надежда на решение множества трудноразрешимых задач перед сетями связи 5G и последующих поколений. В глобальном плане сети должны реализовывать требования сверхнадежных сетей с ультрамалыми задержками (URLLC) [13], не говоря уже о все возрастающем количестве трафика межмашинных коммуникаций в сети. Кроме того, они должны иметь возможность контроля и управления множеством современных и вновь появляющихся услуг с высокими требованиями по качеству обслуживания и восприятия, например, для услуг тактильного интернета или телеприсутствия [14].

СТАНДАРТИЗАЦИЯ В МСЭ-Т В ОБЛАСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ СЕТЕЙ СВЯЗИ 5G И ПОСЛЕДУЮЩИХ ПОКОЛЕНИЙ

В настоящее время МСЭ-Т уже выпустило ряд рекомендаций в области машинного обучения, но основополагающей считается Рек.Y.3172. Функционально одним из основных элементов Рек. Y.3172 является конвейер машинного обучения, т. е. набор логических узлов, каждый из которых имеет определенные функции. Их можно комбинировать для формирования приложения машинного обучения в телекоммуникационной сети. В рекомендации также представлена высокоуровневая архитектура конвейера с определением всех основных функциональных блоков и их взаимодействия между собой.

Высокоуровневая архитектура конвейера машинного обучения и его реализация в сети IMT-2020 показаны на рис. 1. Здесь приняты следующие обозначения: SRC (Source) — источник запроса на обслуживание; C (Collector in ML pipeline) — коллектор сбора запросов для системы машинного обучения на уровне 1 для сети доступа и на уровне 2 для ядра сети; SMF (Session Management Function) — функция управления сессией; AF (Application Function) — функция приложения; MLFO (Machine Learning Function Orchestrator) — оркестратор функций машинного обучения; ML (Machine Learning) — машинное обучение.

^{Рисунок 1. Высокоуровневая архитектура конвейера машинного обучения (ITU-T Y.3172) и его реализация в сети IMT-2020}

Из рис. 1 видно, что предложенный конвейер машинного обучения охватывает все уровни сети IMT-2020, внедряется в основные модули управления сетью и тем самым обеспечивает прозрачный мониторинг и контроль функционирования сети. Стоит также отметить, что в рамках данной рекомендации определены функции такого важного элемента сети как оркестратор функций машинного обучения MLFO. Этот модуль реализует функции управления и оркестрации других модулей, относящихся к конвейеру машинного обучения, и учитывает в принятии решений динамику функционирования сети и ее характеристики.

К настоящему времени в МСЭ-Т уже утверждены следующие рекомендации в области машинного обучения:

• 3170. Требования к обеспечению качества обслуживания на основе машинного обучения для сети IMT-2020 [15];
• 3174. Структура обработки данных для обеспечения машинного обучения в будущих сетях связи, включая IMT-2020 [16];
• 3175. Функциональная архитектура обеспечения качества обслуживания на основе машинного обучения для сети IMT-2020 [17];
• 3176. Естественная интеграция машинного обучения в будущие сети, включая сети IMT-2020 [18].

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ КАК НЕОБХОДИМОСТЬ ДЛЯ СЕТЕЙ СВЯЗИ ПЯТОГО И ПОСЛЕДУЮЩИХ ПОКОЛЕНИЙ

Одной из причин появления нового поколения сетей связи 5G/IMT-2020 являются возросшие требования к качеству предоставления услуг. Большинство услуг, требовательных к длительности задержки и другим параметрам, появились на основе концепции интернета вещей. Стоит при этом отметить, что не все выдвинутые требования удалось реализовать к началу развития сетей связи 5G. Например, такой достаточно критичный параметр как круговая задержка, равная 1мс, до сих пор трудно достижима даже в ограниченном географическом пространстве. Тому есть ряд причин как от вносимых задержек на сетевом (обслуживание на каждом из сетевых устройств), серверном (централизованные серверные вычислительные мощности), так и на физическом уровне (ограничение дальности распространения световой волны в оптическом волокне). Таким образом, с учетом ограничения физической среды передачи, в ряде научных работ [19−21] было предложено пойти путем децентрализации сетей. Это было поддержано не только производителями, но и стандартизующими органами, в том числе международными.

Для обеспечения новых требований к качеству обслуживания, а также необходимости поддержки множества новых типов услуг, специалистами и сотрудниками Стэнфордского и Калифорнийского университетов в Беркли еще в 2006 г. [22] была предложена новая концепция построения и управления сетями связи — SDN. За прошедшее десятилетие SDN технология от лабораторных экспериментов доросла до коммерческого внедрения на уровне не только ЦОД (Центр обработки данных), виртуальных коммерческих сетей распределенных офисов (SD-WAN), но и операторов, занимающих доминирующее положение на рынке. Параллельно технологии программно-конфигурируемых сетей в мировом сообществе получила свое одобрение технология виртуализации сетевых функций (NFV) [23].

Стоит также отметить, что связка технологий SDN/NFV рекомендована МСЭ для сетей 5G/IMT-2020 в основополагающей Рек. МСЭ-Р M.2083−0 [24] в пункте 2.3.2. Сетевые технологии: «Для IMT-систем будущего потребуются более гибкие сетевые узлы, построенные на основе организации сетей SDN, а также архитектуры и виртуализации сетевых функций NFV в целях эффективной обработки функции узлов и повышения эксплуатационной эффективности сетей».

В соответствии с Рек. ITU-T Y.3300 [25] SDN обеспечивает управление сетью с помощью сетевого контроллера с установленной на нем сетевой операционной системой. Контроллер управляет узлами сети, обрабатывающими пакеты с помощью определенных механизмов, например, протокола OpenFlow. SDN разделяет сетевой уровень и уровень передачи данных (ПД), что позволяет абстрагироваться от оборудования и управлять всеми устройствами на логическом уровне, централизованном на контроллере или контроллерах. Также SDN дает возможность упростить процесс развертывания новых протоколов и сервисов на сети, что, несомненно, позволяет уменьшить такие параметры как CAPEX и OPEX.

Однако, кроме новых решений на всех уровнях сетей, а также решений в области облачных технологий, позволяющих отчасти приблизиться к тем требованиям, которые предъявляют услуги для сети, возникают не менее важные задачи по модернизации логики обработки трафика. В решении задач мониторинга и управления трафиком в сетях связи предполагается использование технологий ИИ. Потребность во внедрении столь ресурсоемких технологий обработки данных появилась в результате требования к динамичности сетевой инфраструктуры и ее способности адаптироваться к изменениям условий.

Кроме того, интенсивный рост услуг интернета вещей вызвал потребность в обеспечении качества обслуживания для каждой из таких услуг. Стоит отметить, что существующие инструменты так называемого трафик-инжиниринга в этом направлении ограниченны. В настоящее время генерируется множество служебных данных, которые необходимо эффективно обрабатывать, а это становится под силу только технологиям ИИ.

В решении подобных задач проявляется одно из положительных фундаментальных преимуществ сетей связи, построенных на технологиях SDN/NFV — программируемость. Программируемость сети означает качественное изменение модели управления сетью: сетевой администратор — сеть. Благодаря «прозрачности», которая предоставляется с помощью ряда технологий и протоколов SDN, сетью может управлять программное обеспечение, которое может реализовывать как раз те самые алгоритмы обработки больших данных и машинного обучения. Благодаря заложенным функциональным возможностям протокола OpenFlow, OFConfig, программируемым северным интерфейсам контроллера (например REST, SOAP и др.), программное обеспечение верхнего уровня, представленное в виде служебных сервисов, может в режиме онлайн получать всю необходимую информацию о передаваемых потоках данных на уровне ПД.

При этом большинство задач относительно внедрения ИИ в сети можно подразделить на два типа: распознавание и прогнозирование, например, распознавание типа трафика, либо распознавание атаки на контроллер сети и так далее. В качестве задач прогнозирования, кроме прогнозирования изменения того или иного контролируемого потока ПД, возможно прогнозирование нагрузки на инфраструктуру оператора в целом с учетом множества критериев.

Таким образом, технологии построения сетевой инфраструктуры SDN/NFV позволяют решить множество задач, поставленных перед сетями нового поколения. При этом их решение лежит через интеллектуализацию сети путем разработки служебных сервисов с применением технологий ИИ. На рис. 2 приведена концептуальная схема сети с ИИ, построенная на технологиях SDN/NFV с имплементацией структуры граничных вычислений (MEC) и принципа слайсинга в сетях.

_{Рисунок 2. Концептуальная схема сети с искусственным интеллектом}

ПЕРСПЕКТИВЫ ИССЛЕДОВАНИЙ В ОБЛАСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ СЕТЕЙ СВЯЗИ

Благодаря быстрой эволюции беспроводных сетей и ядра сети, считается, что ИИ в целом и машинное обучение, в частности, будут играть значительную роль в сетях связи 5G и последующих поколений. В последнее время машинное обучение применяется во множестве приложений, например, в виртуальных персональных помощниках, видеонаблюдении в социальных сетях, фильтрации спама и вредоносных программ по электронной почте, поисковых системах и т. д. Сегодня в качестве исследований в области использования ИИ для сетей связи можно выделить ряд глобальных задач.

1. Однозначная идентификация трафика в сети связи, не вносящая дополнительных задержек в поток и обеспечивающая требования сетей связи с ультрамалыми задержками.
2. Системный онлайн мониторинг сети связи от потока данных (в том числе виртуального) до многопараметрических моделей сегмента сети с множеством устройств и систем.
3. Кратковременное и долговременное прогнозирование нагрузки как на элементы сети, так и на целые сегменты.
4. Кратковременное и долговременное прогнозирование поведения потоков ПД на уровне ПД и служебных потоков на уровне управления.
5. Долговременное прогнозирование нагрузки на сетевую и вычислительную инфраструктуру с учетом трендов изменения профилей трафика и типов сервисов с целью определения и автоматического формирования предложения по сокращению или расширению сети, а также ее пороговых характеристиках.
6. Эффективное распределение радиоресурсов покрытия 5G с прогнозированием нагрузки на соты.
7. Повышение качества сигнала с помощью прогнозных кодеков физического уровня.
8. Кратковременное и долговременное прогнозирование потребностей пользователей в тех или иных услугах.
9. Прогнозирование передвижения пользователя географически, а также формирование модели его предпочтений в контенте.
10. Распознавание и прогнозирование атак злоумышленников на систему с формированием опережающей реакции на возможную атаку.
11. Применение технологий ИИ для согласованного распределения сервисов по сети на структурах пограничных вычислений (MEC) и туманных вычислений (FoG).

Этот перечень задач в области ИИ для сетей связи, естественно, не может представлять собой все задачи в области исследований ИИ. Однако его вполне достаточно и это посильно для решения объединенному коллективу лаборатории инновационных инфокоммуникаций ПАО «Ростелеком», созданной в СПбГУТ, и лаборатории ИИ в сетях связи кафедры сетей связи и передачи данных СПбГУТ.

На базе проведенного анализа существующих наработок на уровне как исследований, так и стандартизации, предлагается вести исследования использования ИИ в сетях, в первую очередь, как распределенной, независимой структуры с учетом децентрализации сети. Децентрализованный и распределенный ИИ в виде систем и подсистем, взаимодействующих между собой, представляет собой новую устойчивую структуру, которая также имеет возможность автоматического восстановления, а при необходимости — и расширения. Суть децентрализации отражена на рис. 3.

Как уже отмечалось выше, в сети должен существовать оркестратор функций (модулей) машинного обучения, выполняющий функции мониторинга, контроля и передачи соответствующих функций машинного обучения системам управления сетью. Учитывая сложность и многокомпонентность сети, данный оркестратор не является централизованным и определен на соответствующей сети, подсети, услуге (например, умный город или тактильный интернет). Такие оркестраторы должны иметь возможность взаимодействия между собой с целью получения большего синергетического эффекта от внедрения технологий ИИ в сети связи. При этом, как это показано на рис. 3, при оркестраторе существуют соответствующие хранилища функций и модулей машинного обучения, которые при необходимости мигрируют в качестве служебных микросервисов в соответствующую систему управления сети. Это сопровождается непрерывным обменом данными между оркестратором и всеми ему подконтрольными модулями функций машинного обучения, участвующих в конвейерах.

_{Рисунок 3. Концептуальная архитектура распределенного искусственного интеллекта в сети связи и перспективные направления исследований}

В предложенной концепции применения ИИ в сетях связи особенно важен принцип микросервисного подхода, который позволит выделять соответствующие функции машинного обучения в независимые модули, взаимодействующие как между собой, так и с вышестоящим (управляющим) модулем. Появляется гибкость в управлении системой, ее обновлении (при необходимости), а также в легком и независимым масштабировании. Например, если нужно увеличить производительность или обеспечить новые системы интеллектуальным модулем управления, достаточно размножить соответствующие микросервисы и произвести их миграцию в соответствующий сегмент сети.

ЗАКЛЮЧЕНИЕ

На основе анализа рекомендаций Сектора стандартизации телекоммуникаций МСЭ-Т, а также научно-исследовательских достижений, отраженных в ряде публикаций в журналах и на конференциях высокого уровня, определен перечень глобальных задач для исследований в области использования искусственного интеллекта для сетей связи и предложена концепция создания распределенного искусственного интеллекта на основе микросервисного подхода.

Исследования по применению технологий искусственного интеллекта в сетях связи особенно актуальны сегодня, и актуальность эта будет сохраняться как минимум на протяжении 10 лет, до появления сетей связи 2030. Авторы статьи не сомневаются, что подобные исследования продолжатся и после 2030 г., поскольку за это время научное сообщество придет к новым технологиям в области сетей связи и осознанному использованию для них искусственного интеллекта.

СПИСОК ЛИТЕРАТУРЫ

1. В центре внимания — искусственный интеллект // Электросвязь. — 2019. — № 6. — С. 3.
2. Volkov, A. A novel AI-based scheme for traffic detection and recognition in 5G based networks / A. Volkov, A.A. Ateya, A. Muthanna, А. Koucheryavy // In Internet of Things, Smart Spaces, and Next Generation Networks and Systems. — 2019. — С. 243−255
3. Volkov, A. SDN Load Prediction Algorithm Based on Artificial Intelligence / A. Volkov, K. Proshutinskiy, A.B. Adam et al. // In Communications in Computer and Information Science. Springer. — 2019. — Vol. 1141, — Р. 27{40). https://doi.org/10.1007/978−3-030−36 625−4
4. Abdellah, A.R. Robust estimation of vanet performance-based robust neural networks learning / A.R. Abdellah, A. Muthanna, A. Koucheryavy // In Internet of Things, Smart Spaces, and Next Generation Networks and Systems. — 2019. — С. 402−414.
5. Владыко, А.Г. Метод выгрузки трафика в V2X/5G сетях на основе системы граничных вычислений / А.Г. Владыко, А.С. Мутханна, А.Е. Кучерявый // Электросвязь. — № 8. — С. 24−30.
6. Khayyat, M. Advanced deep learning-based computational offloading for multilevel vehicular edge-cloud computing networks / M. Khayyat, I.A. Elgendy, A. Muthanna et al. // IEEE Access. — 2020. — Т. 8. — С. 137 052−137 062.
7. Мутханна, А.С. Интеллектуальная распределенная архитектура сети связи для поддержки беспилотных автомобилей / А.С. Мутханна // Электросвязь. — 2020. — № 7. - С. 29−34
8. Kovalenko, V. Clustering algorithms for UAV placement in 5G and Beyond Networks / V. Kovalenko, Alzaghir, A. Volkov et al. // 12^th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT). — 2020. — P. 301−307.
9. Атея, А.А. Интеллектуальное ядро для сетей связи 5G и тактильного интернета на базе программно-конфигурируемых сетей / А.А. Атея, А.С. Мутханна, А.Е. Кучерявый // Электросвязь. 2019. — № 3. — С. 34−40.
10. Volkov, A. SDN Load Prediction Algorithm Based on Artificial Intelligence / Volkov, K. Proshutinskiy, A.B. Adam et al. // In Communications in Computer and Information Science (CCIS). Springer. — 2019. — Vol. 1141 — Р. 27{40). doi.org/10.1007/978- 3−030−36 625−4
11. Волков, А.Н. Идентификация трафика сервисов в сетях связи IMT-2020 и последующего поколения на основе метаданных потоков и алгоритмов машинного обучения / А.Н. Волков, А.Е. Кучерявый // Электросвязь. — 2020. — № 11. — С. 21−28.
12. Recommendation Y.3172. Architectural framework for machine learning in future networks including IMT-2020. ITU-T, Geneva. — June 2019.
13. Кучерявый, А.Е. Сети связи с ультрамалыми задержками / А.Е. Кучерявый // Труды НИИР. — 2019. — № 1. — С. 69−74.
14. Кучерявый, А.Е. Тактильный Интернет. Сети связи со сверхмалыми задержками / А.Е. Кучерявый, М.А. Маколкина, Р.В. Киричек // Электросвязь. — 2016. — № 1. — С. 44−46.
15. Recommendation Y.3170. Requirements for machine learning-based quality of service assurance for the IMT-2020 network. ITU-T, Geneva. — September 2018.
16. Recommendation Y.3174. Framework for data handling to enable machine learning in future networks including IMT-2020. ITU-T, Geneva. — February 2020.
17. Recommendation Y.3175. Functional architecture of machine learning-based quality of service assurance for the IMT-2020 network. ITU-T, Geneva. — April 2020.
18. Recommendation Y.3176. Machine learning marketplace integration in future networks including IMT-2020. ITU-T, Geneva. — September 2020.
19. Бородин, А.С. Сети связи пятого поколения как основа цифровой экономики / А.С. Бородин, А.Е. Кучерявый // Электросвязь. — 2017. — № 5. — С. 45−49.
20. Ateya, A.A. 5G framework based on multi-level edge computing with D2D enabled communication / A.A. Ateya, A. Muthanna, A. Koucheryavy // In 20^th international conference on advanced communication technology (ICACT). — 2018. — P. 507−512.
21. Vladyko, Distributed edge computing to assist ultra-low-latency VANET applications. / A. Vladyko, A. Khakimov, A. Muthanna et al. // Future Internet. — 2019. — P. 128.
22. Casado, Sane: a protection architecture for enterprise networks / M. Casado, T. Garfinkel, A. Akella et al. // In Proceedings of the 15^th Conference on USENIX Security Symposium. — 2006. -Vol. 15. — P. 137−151.
23. Specification ETSI GS NFV 001 v1.1.1. Network Functions Virtualization (NFV). Use Cases. ETS. — October 2013.
24. Recommendation M.2083−0. Framework and overall objectives of the future development of IMT for 2020 and beyond. ITU-R, Geneva. — September 2015.
25. Recommendation Y.3300. Framework of software-defined networking. ITU-T, Geneva. — June 2014.