Intelligenza Artificiale e Machine Learning per il monitoraggio delle reti Telco

Dal 2G al 5G, nel corso di pochi anni le infrastrutture per le reti mobili si sono popolate di strati di dispositivi con caratteristiche tecnologiche e prestazionali molto diverse tra di loro. Così, i servizi di network infrastructure management oggi devono operare su infrastrutture complesse, tecnologicamente eterogenee, geograficamente estese, con una presenza capillare sul territorio e decine di migliaia di nodi di rete.

Ma, allo stesso tempo, le revenue per bit trasmesso da una rete mobile assumono un valore sempre più alto rispetto a quelle relative agli apparati di rete fissa. Nell’ambito mobile, infatti, l’utenza è disposta a pagare dei premium price per servizi di qualità e con elevata user experience. In uno scenario così altamente competitivo, poi, la riduzione del “customer churn” diviene componente distintiva fondamentale. È comprensibile, dunque, quanto siano strategicamente fondamentali le prestazioni della rete di accesso e il mantenimento di elevati standard per l’esperienza complessiva del cliente mobile.

Un fermo di rete o anche un semplice degrado delle prestazioni dell’infrastruttura mobile costituisce un danno alla reputazione dell’operatore, se non una perdita economica. Per questo, già da tempo tutti i sistemi di Core Networks delle reti mobili dei carrier sono accuratamente ridondati, protetti e opportunamente sovradimensionati.

L’idea è di fare fronte a picchi anomali di traffico a fronte sia di eventi straordinari che pianificabili, come una partita di calcio o un concerto. In tutti i casi di particolare concentrazione delle istanze, la rete mobile deve essere pronta a rispondere adeguatamente, esattamente come nel caso di ordinaria amministrazione.

Finora l’attività viene gestita in diverse modalità. In primo luogo, entrano in gioco i sofisticati sistemi di supervisione degli apparati di Core Networks. Tali sistemi sono presidiati da personale specializzato, in grado di interpretare la massa di indicatori di performances, insieme alle metriche relative ai parametri di traffico e segnalazione dei nodi di controllo e dei gateway che costituiscono la Core Network.

I guasti o il superamento di soglie considerate critiche si manifestano generalmente attraverso alert predefiniti che segnalano lo stato critico del sistema. La modulazione degli alert, inoltre, prevede specifici stadi intermedi con cui si verifica l’andamento dei parametri al fine di intervenire tempestivamente, prima dell’insorgere di un’eventuale anomalia. 

Si tratta di un compito di analisi che gli operatori svolgono utilizzando anche dashboard di sintesi realizzate ad hoc, non previste dai tool di supervisione del vendor. I cruscotti permettono di tenere sotto un controllo unificato i parametri di alto livello della rete, valori che indicano lo stato di salute generale dell’infrastruttura e che provengono da apparati di vendor diversi.

Sulla base dei valori rilevati si tracciano i grafici che riassumono l’andamento temporale dei fenomeni. La storicizzazione di questi grafici su base giornaliera, settimanale e mensile, permette infine agli operatori di disporre di una griglia di benchmark per l’individuazione immediata delle derive dei valori osservati rispetto a quelli attesi e plausibili su base storica.

Un sistema di Network Infrastructure Management tradizionale, per come è stato concepito, permette agli operatori di reagire ai guasti ma – salvo rare eccezioni -, mai di prevenirli. Inoltre, i tanti allarmi generati da tali sistemi rischiano di essere ignorati dagli addetti, o più semplicemente non risulta possibile controllarli tutti contemporaneamente in tempo reale. In questo scenario di crescente complessità, l’obiettivo degli operatori mobili diventa di prevenire in maniera più funzionale l’insorgere delle anomalie di rete.

Le Core Networks, così, si dotano di sistemi di monitoraggio e analisi del traffico basati su sonde passive che raccolgono il traffico intercettato da specifici dispositivi (packet brokers o taps) e lo inviano a sistemi centralizzati.

Alcuni sistemi di monitoraggio, poi, si estendono fino ad applicare processi di Business Intelligence con lo scopo di estrarre dati di valore sulle performance di rete a uso dei CTO tramite console di facile consultazione. L’ultima frontiera nell’aspirazione di un monitoraggio predittivo riguarda l’inserimento di motori di Artificial Intelligence, che riguardano, in particolare, l’ambito del machine learning.

Se la direzione è quella giusta, c’è da sottolineare che questi moderni sistemi di Network Infrastructure Management richiedono un team esperto in grado di condurre la fase di training iniziale dei moduli di AI.

È in questo contesto che si profila l’opportunità per il carrier di affidarsi a un partner competente e già pronto a rispondere a queste esigenze. Lutech dispone del know-how e dell’esperienza necessaria per l’installazione e la messa a punto di questi sistemi di analisi del traffico a fini della conduzione di una “predictive maintenance”. Ma, non solo.

Questi sistemi standard, come detto, presentano funzionalità poco versatili e, spesso, ancora allo stato embrionale. Una buona alternativa può arrivare dalle competenze maturate dai system integrator nella declinazione delle tecnologie di Machine Learning. Per superare i limiti umani nella supervisione contemporanea di centinaia di indicatori e allarmi che provengono dai gateway e dai nodi di controllo, si può ricorrere a strumenti di automazione in grado di monitorare e correlare tra loro queste variabili per creare pattern che anticipino l’occorrenza di guasti o anomalie di rete.

In questo ambito, Lutech ha raccolto la sfida proposta da un importante operatore italiano di rete convergente, con cui aveva già collaborato su alcuni progetti di automazione intelligente per l’ottimizzazione delle operazioni di rete.

Grazie alle capacità risolutive del team Cognitive di Lutech si sono realizzati dei meccanismi automatici di “anomaly detection” per i nodi della Core Network e sono stati affrontate con successo la gestione della grossa mole di dati da analizzare per l’impostazione dei meccanismi di “predictive maintenance”.

Lo sviluppo di questi tool e la loro implementazione sono stati possibili grazie a un’opportuna collaborazione tra il team di sviluppo Lutech e quello dell’operatore. Una sinergia necessaria sia per interpretare correttamente le variabili osservate e per indirizzare Lutech verso le soluzioni corrette di analisi e predizione.