5G E Machine Learning: l’Assunzione di Stazioni Base Cellulari Da Smart, GeniusAI & Dintorni

5G sta inaugurando una nuova razza di “genio” reti per affrontare l’aumento dei livelli di complessità, per la stima in tempo reale il processo decisionale che si è tenuto a consegnare il guadagno in termini di prestazioni promesso non solo in una maggiore banda larga mobile applicazioni, ma anche nell’IoT critici e casi d’uso. Al centro di questo passo evolutivo è l’uso di algoritmi di machine learning.

La capacità di essere più dinamica e in tempo reale ottimizzazione della rete, per esempio la capacità di carico di risorse, il bilancio di potenza di bilanciamento e di rilevamento delle interferenze è ciò che ha reso le reti “intelligenti” in 4G epoca. 5G aggiunge il supporto per la nuova antenna capacità, alta densità ed eterogeneo, topologie di rete e di uplink e downlink allocazione del canale e configurazione basata sul tipo di payload e applicazione. Mentre ci sono molti usi di machine learning attraverso tutti gli strati di una rete 5G dal livello fisico attraverso l’applicazione di strato, la stazione di base sta emergendo come una delle applicazioni chiave per l’apprendimento automatico.

Più Risorse Solo Significa Migliorare Le Prestazioni Coordinate

Uno dei tratti distintivi di una nuova generazione 5G stazione base è l’utilizzo di avanzate antenna capacità di Queste funzionalità includono ma non sono limitati a massive multiple-input multiple-output (MIMO) array di antenne, beamforming, e il raggio di sterzo.

Più Popolari: AI

Massiccia MIMO è l’uso di array di antenne con un gran numero di elementi attivi. A seconda della banda di frequenza in cui è distribuito, massiccia MIMO disegni possono impiegare 24 antenna attiva elementi a diverse centinaia. Uno degli usi di MIMO, in generale, è quello di essere in grado di trasmettere e ricevere in parallelo e ridondante flussi di informazioni all’indirizzo errori introdotti da interferenze. Tuttavia, un altro uso, specifico per la massiccia MIMO è beamforming e più avanzati sistemi di orientamento del fascio. Beamforming, che è la capacità di utilizzare un set di phased array per creare un fascio di energia che può essere utilizzato per mettere a fuoco e di estendere il segnale di trasmissione e ricezione da e per la stazione base a un particolare dispositivo mobile. Raggio di sterzo è la capacità di controllare che il fascio di seguire il dispositivo completamente in ambiente mobile all’interno della copertura di tale array di antenne. Quando massiccia MIMO è pienamente esercitata e beamforming e di orientamento del fascio impiegati in maniera ottimale, gli operatori di rete e dei consumatori a beneficio di una maggiore capacità di rete e una copertura estesa attraverso l’aumento di flussi di dati, è diminuito di interferenza, gamma estesa e più efficienza energetica ottimizzata.

Ma come si fa a macchina di apprendimento aiutare con questo? Immaginate una gara tra una barca con a 10 remi contro un barca con 20 remi. L’imbarcazione con a 10 remi è coordinato da un timoniere non solo per il ritmo, ma è anche tempo reale le correzioni per voce e cadenza, basato non solo su ciò che sta accadendo, ma anche ciò che è previsto per accadere più in basso il corso. In contrasto, la barca con 20 remi ha un timoniere che non è in grado di coordinare il ritmo ed è solo fare le correzioni in base ad informazioni di carattere generale che si è già verificato. Chiaramente il primo vincerà la gara, mentre quest’ultimo remi non sono solo facendo il minimo progresso, ma in alcuni casi sono effettivamente interferire con gli altri. Lo stesso vale per la massiccia MIMO. Per sfruttare appieno i vantaggi della massiccia MIMO capacità di beamforming e di orientamento del fascio, macchina di apprendimento è utilizzata presso la stazione di base per fornire in tempo reale e analisi predittiva e di modellazione per meglio pianificare, coordinare, configurare e selezionare le matrici da utilizzare e quando.

Location, Location, Location

Il nuovo 5G standard di rete richiede una maggiore densità di distribuzione di cellule più piccole, lavorando con i più grandi macro celle e aria più protocolli. È questa la visione di celle più piccole per essere progettato per ambienti interni o ambienti urbani affollati dove il posizionamento GPS non è sempre affidabile e la radio frequenza (RF), l’ambiente è tutt’altro che prevedibile. Comprendere la posizione dei dispositivi che interagiscono con la rete è fondamentale, non solo a livello di applicazione i casi di utilizzo, ma anche in tempo reale il funzionamento della rete e ottimizzazione. È quindi fondamentale trovare il modo non solo di essere in grado di individuare con precisione dove si trova l’utente delle apparecchiature, ma anche per tenere traccia di loro come si muovono all’interno della copertura.

A tal fine, la macchina di apprendimento è stata applicata per la stima di apparecchiature posizione utilizzando i dati RF e tecniche di triangolazione. Mentre questo non è un concetto nuovo, l’uso di algoritmi di machine learning sta dando materiale miglioramenti in termini di accuratezza, la precisione e la vitalità di un uso diffuso di quello precedente significa che. Questo è ancor più importante che questi miglioramenti sono stati raggiunti in un ambiente che è ordini di grandezza più complesso e dinamico, variabile che mai prima.

Una Rete per domarli Tutti – Non È così Facile come sembra

Uno dei principali considerazioni per lo sviluppo del 5G è quello di avere un quadro di affrontare le diverse e spesso in conflitto requisiti di 3 casi di utilizzo, compresi maggiore banda larga Mobile (eMBB), massiccia IoT, e per applicazioni mission critical.

In precedenza servito da costruzione, disparati reti, questi casi di utilizzo ora sarà supportato con il 5G architettura di rete, pur continuando a richiedere capacità che sono in contrasto tra di loro. Reti progettato per supportare EMBB casi d’uso devono essere ottimizzato per l’alta velocità, bassa latenza media e redditizio capacità. Massiccia IoT reti d’altra parte, hanno bisogno di essere a basso costo, a banda stretta, con un basso livello di controllo aereo di sovraccarico e di alta affidabilità. Mentre mission critical, reti ad alta velocità, bassa latenza e alta affidabilità.

Per rendere questa visione una realtà, 5G è stato progettato per l’alta variabilità e flessibilità sia nel piano di controllo e di configurazione del canale. Come tale, è essenziale che il 5G reti sono in grado di prevedere il tipo di payload e casi d’uso in base alle mutate condizioni, come le storiche caricamento dei dati, RF condizioni, posizione e un’ampia gamma di altri fattori, in modo da essere efficiente e dinamico, configurare e utilizzare 5G risorse di canale.

Di conseguenza, l’apprendimento automatico è utilizzato non solo di prevedere apparecchiature dell’utente caratteristiche e funzionalità, probabile caso di utilizzo di requisiti, di RF e condizioni, ma anche, potenzialmente, il tipo di contenuto più probabile essere richiesto e usando bordo tecniche di memorizzazione nella cache per portare il contenuto più vicino all’utente finale. Per esempio, basate sulle serie storiche di dati di tendenza, potrebbe diventare noto che, a causa della vicinanza di una stazione di base per l’università, come anche l’attuale trend titoli su Netflix o Disney + che in certi momenti della giornata, specifica film dovrebbe essere reso disponibile più vicina a quella della stazione di base per ridurre la congestione della rete, buffering, e la latenza. Allo stesso modo, una certa base la stazione è situata in prossimità di un’intersezione che si congestiona in certi momenti della giornata potrebbe aver bisogno di più traffico e V2X dati del sensore per aiutare ADAS o autonoma applicazioni di controllo.

Il Passo Successivo nell’Evoluzione

Come industria, siamo in un periodo critico evolutivo punto come la combinazione di 5G e machine learning si combinano per metterci su un percorso verso generazionale salti in rete capacità e l’efficienza è portato da un sempre più complesse funzionalità e adattabilità. Ma è un’evoluzione, non una rivoluzione, e questi sono i primi giorni di vita. Questi 5G di machine learning applicazioni sono solo l’inizio di un potenziale che può essere scatenato, non solo a livello fisico attivato dalla stazione base, ma attraverso l’applicazione di strato di come queste due tecnologie di base sono riuniti ed entriamo nell’era del genio reti.

social experiment by Livio Acerbo #greengroundit #live https://www.forbes.com/sites/tiriasresearch/2020/07/21/5g-and-machine-learning-taking-cellular-base-stations-from-smart-to-genius/