- 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,
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
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
- Однозначная идентификация трафика в сети связи, не вносящая дополнительных задержек в поток и обеспечивающая требования сетей связи с ультрамалыми задержками.
- Системный онлайн мониторинг сети связи от потока данных (в том числе виртуального) до многопараметрических моделей сегмента сети с множеством устройств и систем.
- Кратковременное и долговременное прогнозирование нагрузки как на элементы сети, так и на целые сегменты.
- Кратковременное и долговременное прогнозирование поведения потоков ПД на уровне ПД и служебных потоков на уровне управления.
- 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.
- Эффективное распределение радиоресурсов покрытия 5G с прогнозированием нагрузки на соты.
- Повышение качества сигнала с помощью прогнозных кодеков физического уровня.
- Кратковременное и долговременное прогнозирование потребностей пользователей в тех или иных услугах.
- Прогнозирование передвижения пользователя географически, а также формирование модели его предпочтений в контенте.
- Распознавание и прогнозирование атак злоумышленников на систему с формированием опережающей реакции на возможную атаку.
- 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
- В центре внимания — искусственный интеллект // Электросвязь. — 2019. — № 6. — С. 3.
- 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
- 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
- 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.
- 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.
- 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.
- Мутханна, А.С. Интеллектуальная распределенная архитектура сети связи для поддержки беспилотных автомобилей / А.С. Мутханна // Электросвязь. — 2020. — № 7. - С. 29−34
- Kovalenko, V. Clustering algorithms for UAV placement in 5G and Beyond Networks / V. Kovalenko, Alzaghir, A. Volkov et al. // 12th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT). — 2020. — P. 301−307.
- 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.
- 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
- 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.
- Recommendation Y.3172. Architectural framework for machine learning in future networks including IMT-2020. ITU-T, Geneva. — June 2019.
- Кучерявый, А.Е. Сети связи с ультрамалыми задержками / А.Е. Кучерявый // Труды НИИР. — 2019. — № 1. — С. 69−74.
- 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.
- Recommendation Y.3170. Requirements for machine learning-based quality of service assurance for the IMT-2020 network. ITU-T, Geneva. — September 2018.
- Recommendation Y.3174. Framework for data handling to enable machine learning in future networks including IMT-2020. ITU-T, Geneva. — February 2020.
- Recommendation Y.3175. Functional architecture of machine learning-based quality of service assurance for the IMT-2020 network. ITU-T, Geneva. — April 2020.
- Recommendation Y.3176. Machine learning marketplace integration in future networks including IMT-2020. ITU-T, Geneva. — September 2020.
- Бородин, А.С. Сети связи пятого поколения как основа цифровой экономики / А.С. Бородин, А.Е. Кучерявый // Электросвязь. — 2017. — № 5. — С. 45−49.
- Ateya, A.A. 5G framework based on multi-level edge computing with D2D enabled communication / A.A. Ateya, A. Muthanna, A. Koucheryavy // In 20th international conference on advanced communication technology (ICACT). — 2018. — P. 507−512.
- Vladyko, Distributed edge computing to assist ultra-low-latency VANET applications. / A. Vladyko, A. Khakimov, A. Muthanna et al. // Future Internet. — 2019. — P. 128.
- Casado, Sane: a protection architecture for enterprise networks / M. Casado, T. Garfinkel, A. Akella et al. // In Proceedings of the 15th Conference on USENIX Security Symposium. — 2006. -Vol. 15. — P. 137−151.
- Specification ETSI GS NFV 001 v1.1.1. Network Functions Virtualization (NFV). Use Cases. ETS. — October 2013.
- Recommendation M.2083−0. Framework and overall objectives of the future development of IMT for 2020 and beyond. ITU-R, Geneva. — September 2015.
- Recommendation Y.3300. Framework of software-defined networking. ITU-T, Geneva. — June 2014.