Широкое внедрение виртуальных машин (VM) в начале 2000-х привело к сокращению расходов и улучшению использования ресурсов в ЦОД. Благодаря тому, что 5G становится реальностью, операторы мобильных сетей еще раз обратились к визуализации, они обратили свое внимание на «сегментирование сети». Эта техника разделяет физическую сеть на отдельные логические сети, каждая из которых может использоваться для решения отдельной категории трафика. Например, один сегмент предлагает пропускную способность для видео-приложений, другой предоставляет низкую задержку для автоматизации процессов, а еще один может использоваться для интеллектуальной связи для умных городов.
Рынок сегментирования глобальной сети спроектирован для обеспечения ежегодного роста на 23,7 процента до 2027 года.1
Успех сегментирования сети зависит от программно-определяемых сетей (SDN) и визуализации сетевых функций (NFV). В частности, для сегментирования сети требуется интеллектуальная автоматизация. Без нее, MNO остаются в динамическом режиме передачи данных без сегментирования сети, это может потенциально привести к потере некоторых сегментов даже если сеть не работает на полную мощность. Другая проблема может возникнуть, если предприятию необходимы изменения, требующие соответствующей настройки конфигурации ресурсов сегментов. В результате трудоемкая работа, в случае возникновения таких ситуаций, может привести к длительному снижению качества услуги (QoS).
Чтобы избежать появления такой проблемы, Tata Consultancy Services (TCS) разработала рамку, применяющую искусственный интеллект (ИИ) и машинное обучение (ML) для выполнения «когнитивного сегментирования сети». Рамка использует периферийные серверы на базе процессоров Intel® Xeon® для более эффективного развертывания сегментов сети. Результатом является максимально эффективное использование ресурсов сервера и максимальная пропускная способность сети.
Архитектура решения
Когнитивная рамка TCS представляет полностью контролируемую мобильную сетевую платформу следующего поколения. Она включает уровень взаимодействия, который позволяет развертывать услуги по запросу, и уровень управления для контроля жизненного цикла услуги. В ней применяются облачные технологии с открытым кодом и SDN-принципы, рамка основана на платформе TCS Microservices Development and Deployment Platform (MDDP). Ключевые функциональные компоненты включают следующее:
- Сочетание стратегических услуг, способное облегчить развитие сетевых сегментов 5G. К примерам услуг относятся машинное ведение журнала (создание журналов, считываемых машинами/приложениями для ведения журналов), межрегиональное реплицирование контекста и кэша.
- Динамичное распределение ресурсов при помощи расширенного алгоритма планирования среднего доступа (MAC).
- Гибкость и адаптивность при помощи облачной архитектуре, построенной на услугах для мобильного ядра.
- Динамическое распределение используя Open vSwitch.
- Модульная рамка позволяет пользователям внедрять ИИ/ML.
Рамка получает данные в реальном времени с радиосети. Эти данные анализируются в соответствии с правилами работы и политиками для понимания намерения потоков данных. Далее данные обрабатывает алгоритм машинного обучения для обучения и обратной связи. что можно вернуть в сеть или отправить сетевым менеджерам для вмешательства, что, в свою очередь, повысит эффективность решений.
Рамка состоит из четырех модулей:
- Модуль восприятия. Получает радиопараметры с мобильных узлов доступа, из инфраструктуры и хранилищ данных, например, с оборудования пользователя (UE) и радиопараметры, данные телеметрии из инфраструктуры NFVI и политики, определяемых пользователем.
- Модуль анализа. Извлекает значимые статистические данные и другие характеристики из данных модуля восприятия и направляет их в модуль принятия решения.
- Модуль принятия решения. Использует расширенную модель обучения для прогнозирования будущих полезных данных на основании ранее наблюдаемых радиопараметров и параметров инфраструктуры за определенный период времени.
- Модуль отклика. Основываясь на данных модуля принятия решения, отправлять отклик в управляющий слой, узел, средство оркестрации для последующего изменения конфигурации и оптимизации сети и ее параметров. Этот модуль также использует набор данных для обучения модели и изучений на основании предыдущего опыта.
TCS Cognitive Framework рекомендует использовать масштабируемые процессоры Intel® Xeon® для отклика ИИ/ML в реальном времени на высокопроизводительных периферийных серверах, а также использовать рамку Intel® Optimization для TensorFlow ML. Масштабируемые процессоры Intel® Xeon® имеют необходимые возможности для вычислений, хранения данных, использования памяти и обеспечения безопасности, требуемые для когнитивной рамки TCS. Масштабируемая платформа Intel® Xeon® разработана для работы приложений для высокопроизводительных вычислений, позволяет снизить совокупную стоимость владения и одновременно увеличить продуктивность.2
Проверенное увеличение точности и эффективности
Сегодня когнитивная рамка обеспечивает точность 93 процента.3 TCS провела тесты, используя два сетевых сегмента с различными параметрами производительности:
- Сегмент для кампуса колледжа с максимальной скоростью передачи данных 1 Мб/с и минимальной скоростью передачи данных 100 Кб/с.
- Сегмент для интеллектуального производства с максимальной скоростью передачи данных 500 Кб/с и минимальной скоростью передачи данных 100 Кб/с.
В ходе тестирования когнитивная рамка TCS перераспределила неиспользуемую пропускную способность с сегмента кампуса в сегмент производства тогда, когда пропускная способность кампуса почти не использовалась, а производственным мощностям требовалась дополнительная пропускная способность. Однако на основе исторических и текущих моделей использования, когнитивная рамка не перераспределила неиспользуемую пропускную способность от интеллектуального сегмента кампуса в дневные часы, т. к. она могла требоваться студентам учреждения. Хотя это моделирование направлено на пропускную способность, когнитивная рамка также может использоваться для обслуживания циклов ЦП и памяти (DRAM).
Благодаря когнитивной рамке TCS MNOS может создавать и оптимизировать отдельные сегменты сети для конкретных примеров использования при различных потребностях в ресурсах.
См. официальный документ › для получения дополнительной информации.