IA : rendre les réseaux mobiles intelligents

20/10/2018
Publication REE REE 2018-4 Dossier L’IA et l’industrie
OAI : oai:www.see.asso.fr:1301:2018-4:23842
DOI :
contenu protégé  Document accessible sous conditions - vous devez vous connecter ou vous enregistrer pour accéder à ou acquérir ce document.
Prix : 10,00 € TVA 20,0% comprise (8,33 € hors TVA) - Accès libre pour les ayants-droit
se connecter (si vous disposez déjà d'un compte sur notre site) ou créer un compte pour commander ou s'inscrire.
 

Résumé

IA : rendre les réseaux mobiles intelligents

Métriques

1
0
443.1 Ko
 application/pdf
bitcache://a9937dac34af1b8947859638f8adbbccdfddca87

Licence

Creative Commons Aucune (Tous droits réservés)
<resource  xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
                xmlns="http://datacite.org/schema/kernel-4"
                xsi:schemaLocation="http://datacite.org/schema/kernel-4 http://schema.datacite.org/meta/kernel-4/metadata.xsd">
        <identifier identifierType="DOI">10.23723/1301:2018-4/23842</identifier><creators><creator><creatorName>Mérouane Debbah</creatorName></creator><creator><creatorName>Jean-Paul Pallois</creatorName></creator></creators><titles>
            <title>IA : rendre les réseaux mobiles intelligents</title></titles>
        <publisher>SEE</publisher>
        <publicationYear>2018</publicationYear>
        <resourceType resourceTypeGeneral="Text">Text</resourceType><dates>
	    <date dateType="Created">Sat 20 Oct 2018</date>
	    <date dateType="Updated">Sat 20 Oct 2018</date>
            <date dateType="Submitted">Tue 13 Nov 2018</date>
	</dates>
        <alternateIdentifiers>
	    <alternateIdentifier alternateIdentifierType="bitstream">a9937dac34af1b8947859638f8adbbccdfddca87</alternateIdentifier>
	</alternateIdentifiers>
        <formats>
	    <format>application/pdf</format>
	</formats>
	<version>39615</version>
        <descriptions>
            <description descriptionType="Abstract"></description>
        </descriptions>
    </resource>
.

REE N°4/2018 Z 101 L’IA ET L’INDUSTRIE DOSSIER 2 Introduction L’intelligence artificielle (IA) per- met de traiter et de gérer l’information de manière intelligente et efficace. Les quatre dimensions décrivant un niveau donné d’intelligence sont les capacités suivantes : s i PERCEVOIR w COLLECTER DES DONNÏES potentiellement riches, complexes ou même subtiles) ; s iAPPRENDREwDANSUNENVIRONNEMENT déterminé) ; s iEXTRAIREETRÏSUMERwPERMETTRELACRÏA- tion de nouveaux sens et contenus) ; s iRAISONNERwPERMETTREDEPRÏVOIRET décider). Pour simplifier le propos, dans le domaine des réseaux, un administra- teur réseau peut espérer obtenir des prévisions intelligentes, prendre des décisions et exécuter des actions fon- dées sur l’expérience humaine via des règles prédéfinies mais aussi rehausser d’un cran son expertise en utilisant les possibilités d’apprentissage du Machine Learning (ML) grâce à des données net- toyées et propres. Beaucoup d’algorithmes d’IA et de ML sont disponibles. Ces algorithmes peuvent utiliser des techniques d’ap- prentissage supervisées ou non super- visées. Les dernières techniques ayant récemment fait les unes de journaux sont le Deep Learning (DL ou appren- tissage profond) et le Reinforcement Learning (RL ou apprentissage par ren- forcement). Ces techniques ont été découvertes par le public lors de la vic- toire de DeepMind AlphaGo (Google) sur Lee Sedol en 2015. L’IA et les réseaux L’IA est un thème hautement d’ac- tualité dans le domaine des réseaux. Divers organismes de normalisation télécom se sont emparés du sujet. Par exemple, l’ETSI1 a lancé au moins deux projets liés à l’automatisation et à l’in- telligence artificielle. L’un est l’Expe- riential Networked Intelligence (ENI ou intelligence en réseau expérimental), l’autre est le Zero touch network and Service Management (ZSM ou gestion de réseau et de service sans contact). Animés respectivement par Huawei et Deutsche Telekom, ces deux projets ont l’ambition de définir et de décrire les besoins des opérateurs en matière d’automatisation et d’intelligence des réseaux, et aussi l’architecture néces- saire pour des systèmes de gestion de réseaux de nouvelle génération ainsi que les avantages de la standardisation 1 ETSI : European Telecommunications Standard Institute. dans ces domaines. Ces deux groupes considèrent que l’IA sera déterminante dans la prochaine génération des outils de gestion de réseau (OSS2 ). Ceci est bien illustré par une phrase du livre blanc ETSI ZSM : Pour atteindre l’objec- tif d’une automatisation totale, les outils et les méthodes fondés sur l’intelligence artificielle (IA), l’apprentissage auto- matique (ML) et l’analyse de données massives devraient être considérés. Le TM Forum3 travaille aussi sur le sujet. Une étude sur l’IA a été publiée lNSOUSLETITREi)!#ESTMAIN- TENANT  w #E PAPIER IDENTIlE TROIS CAS d’utilisation de l’IA : l’expérience client, l’automatisation des réseaux et la gestion de services. Quoique l’expérience client soit le cas d’IA le plus mature, l’automati- sation des réseaux est un bon sujet pour l’IA en raison de son très grand impact potentiel sur les revenus des opérateurs. L’IETF4 a aussi placé la gestion de réseau automatisée et l’intelligence arti- ficielle au cœur de son agenda. Grâce au travail effectué par l’Internet Research Task Force, l’IETF a publié deux RFC5 2 OSS : Operations Support System – Système d’aide à l’exploitation des réseaux. 3 TM Forum : TeleManagement Forum. 4 IETF : Internet Engineering Task Force. 5 RFC : Request For Comments : nom donné aux spécifications de l’IETF. IA : rendre les réseaux mobiles intelligents Jean-Paul Pallois, Merouane Debbah Huawei Paris 5G will be delivering superior user experience, greater capacity, unleash new business oppor- tunities and will connect everything. 5G will combine cloud computing, big data and artificial intelligence (AI). AI will be embedded in each link of the overall telecom system. We envision to see AI almost everywhere: in connected devices, machines, motor vehicles but also in all systems composing the network. This paper provides an overview on AI activities in telecoms and why and how AI which is transformative will be used in the network and OSS (Operations Support System). ABSTRACT La 5G offrira une expérience utilisateur supé- rieure, une capacité accrue, de nouvelles op- portunités commerciales et connectera tout. La 5G com- binera l’informatique en nuage, le big data et l’intelligence artificielle (IA). L’IA sera intégrée dans chaque composante du système de télécommunication. Nous envisageons de voir l’IA presque partout : dans les appareils connectés, les machines, les automobiles, mais aussi dans tous les sys- tèmes qui composent le réseau. Cet article fournit une vue synthétique des activités de l’IA dans les télécommunica- tions et explique pourquoi et comment l’IA qui est transfor- mative sera utilisée dans le réseau et dans l’OSS (système de support d’opérations). RÉSUMÉ 102 ZREE N°4/2018 L’IA ET L’INDUSTRIE DOSSIER 2 sur le sujet (RFC 7575 et 7576) et a créé deux groupes de travail l’un inti- tulé ANIMA6 présidé par Huawei, l’autre appelé IETF Intelligent-Defined Network (IDNET). Pour conclure cette rapide revue de l’IA dans les télécoms, l’UIT7 vient tout juste de lancer un nouveau groupe de travail sur ce sujet : l’ITU-T &'
-,'#ELUI
CIESTFOCALISÏSURiLAP- 6 ANIMA : Autonomic Networking Integrated Model and Approach. 7 UIT : Union Internationale des Télécommuni- cations prentissage automatique pour les futurs RÏSEAUXCOMPRENANTLA' wETDOITRÏALI- ser une analyse de l’apport de l’IA et du ML aux réseaux du futur. Tout ceci conduit à penser que l’IA sera indispensable et mis à profit dans la chaîne de valeur des télécoms, dans les terminaux, les stations de base ou les systèmes composant le réseau de bout en bout. L’OSS quant à lui, positionné comme l’équipement central du réseau, jouera un rôle clé dans cette nouvelle architecture basée sur l’IA. C’est pour cette raison qu’il est intéressant de bien comprendre les tendances et les forces en jeu autour des OSS. IA et 5G : du système de supervision classique à l’OSS basé sur l’IA Avant d’aborder les évolutions néces- saires de l’OSS, l’encadré ci-dessous rappelle ce qu’est l’OSS dans un réseau. Avec l’arrivée de la 5G, un change- ment drastique de la gestion du réseau est à faire. Les caractéristiques du futur Figure 1 : Corrélation entre transformation numérique et usage de l’IA – Source : McKinsey. L’OSS des réseaux Sous l’acronyme OSS, on désigne l’ensemble des systèmes d’exploitation du réseau. L’OSS regroupe donc toute sorte de systèmes, qu’ils soient positionnés au plus près des éléments de réseau ou fassent partie des systèmes de gestion du réseau. Traditionnellement les systèmes de la première famille sont dénommés gestionnaires d’éléments de réseau (EMS). EMS Un gestionnaire EMS permet de gérer un ou plusieurs types spécifiques d’éléments de réseau (par exemple des sta- tions de base ou des éléments de cœur de réseau). Un gestionnaire EMS peut participer aux cinq catégories de fonc- tions de gestion de réseau définies par l’UIT, connues sous le nom de FCAPS, c’est à dire gestion des anomalies, de la configuration, du comptage, des performances et de la sécurité. Les EMS sont connectés directement aux éléments du réseau via leur interface sud et connectés avec des systèmes de gestion de réseau ou de gestion de service dépendant du scénario de déploiement via leur interface nord. REE N°4/2018 Z 103 IA : rendre les réseaux mobiles intelligents système de gestion de réseau sont exposées ci-après. Un système extensible Une des caractéristiques princi- pales de la 5G est la multiplicité des cas d’usage auquel le réseau va pouvoir répondre. En effet, la 5G doit couvrir des marchés et besoins commerciaux très variés comme ceux du transport, de la santé ou de l’énergie qui devraient être gérés à partir d’un même réseau et d’un même système de gestion du réseau. Les documents décrivant l’architecture de la gestion et de l’orchestration (MANO) de la virtualisation des fonctions réseaux (NFV) définie par l’ETSI, montrent bien la flexibilité et l’évolutivité exigée de la 5G. Par contre, cette nouvelle architecture ne fonctionnera que si les systèmes de gestion d’éléments de réseaux existants évoluent en même temps dans la bonne direction. Pour transformer efficacement les réseaux et les systèmes de gestion de réseau, il est indispensable de rendre les EMS/NMS existants plus flexibles, fortement extensibles – les EMS et les NMS devraient permettre de déclen- cher des reconfigurations dynamiques – inter-fonctionnant facilement et sans problème avec des systèmes de gestion de fonctions réseau virtuelles (VNFM) et des orchestrateurs de fonctions réseau virtualisées (NFVO). Un système virtualisé Le temps où les fournisseurs d’équipe- ments de réseau offraient des systèmes de gestion de réseau intégrés basés sur UNE SOLUTION i TOUT
EN
UN w INCLUANT LE matériel et le logiciel fortement couplé à ce dernier, sera bientôt derrière nous. Après le progrès rapide de la virtualisa- tion dans les entreprises, celle-ci s’est propagée dans l’industrie des télécoms. Elle offre aux opérateurs de réels avan- tages architecturaux tels que l’élasticité, l’agilité et l’ouverture. Cependant, cela ne signifie pas que les opérateurs sont PRÐTSPOURi LEGRANDSOIR w)LSESPÒRENT plutôt une transformation progressive de leurs réseaux suivie par celle, inévitable, de leurs centres d’exploitation et de leurs systèmes de gestion de réseaux. Cette transformation devra être réalisée de manière graduelle au travers de multiples étapes avec, tout d’abord l’introduction de solutions virtualisées et verticales, toujours proposées par les mêmes ven- deurs d’EMS et NMS, puis finalement par de pures solutions logicielles déployables dans le cloud des opérateurs. Cette der- r r nière phase permettra aux opérateurs de tirer parti des serveurs informatiques, des intergiciels (middleware ( ( ) commer- r r ciaux et des hyperviseurs de leur choix. Cette transformation planifiée, avec l’aide des vendeurs de réseau, sera importante pour maintenir et améliorer la latence des systèmes OSS/BSS actuels, celle- ci étant aussi définie et basée sur des accords de niveau de service (SLA8 ). Un système adaptable, capable de créer et de gérer différentes instances de réseau La 5G a été conçue pour utiliser l’ar- r r chitecture SDN/NFV. Cette architecture se compose de trois couches : s LACOUCHEDERESSOURCESDINFRASTRUCTURE sLACOUCHEDACTIVATIONMÏTIER s LACOUCHEDESAPPLICATIONSMÏTIER 8 SLA : Service Level Agreement. NMS Un gestionnaire de réseau NMS gère un réseau dans la globalité, quels que soient les domaines gérés (2G, 3G, 4G, 5G, Core Network). De plus, une de ses caractéristiques est d’être en général multi-vendeurs. Il s’interface via son inter- face sud à plusieurs EMS, ceux-ci pouvant être fournis par différents vendeurs d’équipements et aussi à des systèmes de gestion de service via son interface nord. A titre d’exemple le gestionnaire de réseau élabore à partir des données fournies par les gestionnaires d’éléments de réseau, des alarmes en cas d’anomalies confirmées, identifie les éléments de réseau cause de dysfonctionnement. Il reçoit du système d’information commercial les données qui permettent de configurer les données des clients dans les éléments de réseau, Figure 2 : Architecture du réseau 5G – Source : NGMN. 104 ZREE N°4/2018 L’IA ET L’INDUSTRIE DOSSIER 2 Ces trois couches sont complétées par une fonction, verticale et de bout en bout, de gestion de réseaux et d’or- chestration (MANO). Une des nou- velles fonctionnalités fondamentales de la 5G est la définition et la gestion du concept des différentes instances de réseau 5G. L’orchestration et la gestion de bout en bout jouent un rôle central dans cette architecture. Plusieurs scénarios de déploiement sont possibles pour MANO. Cependant, quel que soit le scénario choisi, une nouvelle généra- tion d’EMS et NMS doit être conçue et déployée pour permettre aux orches- trateurs NFV et aux gestionnaires de fonctions de réseau virtuel (VNFM) de fonctionner efficacement ensemble. En plus de ces avantages, les EMS et NMS doivent offrir une plus grande flexibi- lité du réseau, comme des fonctions dynamiques de dimensionnement et la possibilité de créer et de gérer dyna- miquement des instances de réseau (network slicing). Un système totalement ouvert La gestion de la 5G doit offrir la pos- sibilité d’exposer des APIs ouvertes pour permettre aux opérateurs, aux applica- tions ou à des prestataires de service d’échanger des informations et aussi de créer différents niveaux de relation entre ces différentes entités. Les APIs ouvertes ne sont pas seu- lement nécessaires pour interagir intel- ligemment avec les EMS, mais elles doivent également accéder à SON9 . Après AVOIRCRÏÏDESiBOÔTESNOIRESwINTÏGRANT de multiples fonctionnalités SON non pro- grammables pour les réseaux 2G, 3G et 4G, les vendeurs offrant SON doivent améliorer leur solution 5G pour permettre aux opérateurs de bénéficier d’une ouver- ture sans entrave et obtenir un meilleur contrôle, une plus grande transparence et une plus grande confiance dans le fonc- tionnement de SON et de l’optimisation du réseau. Ceci permettra de fournir une meilleure qualité de service. 9 SON : Self Organizing Networks Fournir des APIs sur le réseau per- mettant de connaître le nombre et la densité d’abonnés dans une zone don- née, peut permettre l’éclosion de nou- velles activités et capter de nouvelles sources de revenus. On peut citer l’exemple du test au Japon par NTT DoCoMo de sa technologie IA, pour des demandes de taxis : une application métier proposée sur tablette qui accède via des APIs à des données de géolo- calisation précises, de densité d’usagers dans une zone donnée qui sont com- plétées par des données météo permet à NTT DoCoMo de prédire où se situera la prochaine prise en charge dans une zone de 500 m2 dans les 30 prochaines minutes. Ce test a démontré un accrois- sement notoire de l’activité des taxis de la ville. Un système « autonome » Après la révolution des technolo- gies de l’information de 1985 à 2015, iAutomation of Everything (AoE)wEST la nouvelle révolution à venir. En réalité, Figure 3 : Taxis au Japon : l’utilisation de l’IA permet de prévoir les demandes de prise en charge. REE N°4/2018 Z 105 IA : rendre les réseaux mobiles intelligents LAUTOMATISATIONETLAPRÏDICTIONiCRÏE- RONT DU TEMPS w POUR LES UTILISATEURS finaux. Du côté du réseau, les adminis- trateurs pourront ainsi libérer du temps pour gérer des réseaux plus complexes, en raison de l’introduction de nouvelles technologies, de nouvelles bandes radio et de nouveaux services, et pourront aussi se concentrer sur d’autres tâches plus importantes. Les fonctions telles que la gestion automatisée des logiciels offrant une vérification automatique de l’état des éléments de réseau (NE), le télécharge- ment automatisé des logiciels, la restau- ration automatique en cas de problème et l’inventaire automatisé seront des fonctions de base. Une des étapes clés de cette évolution est la poursuite du déploiement de SON dans les réseaux RAN10 et vRAN11 . Avec SON, RAN et 10 RAN : Radio Access Network – Réseau d’accès radio 11 vRAN : Réseau d’accès radio virtuel vRAN peuvent automatiquement se configurer, se superviser et s’optimiser. Des capacités de la plus haute impor- tance alors que les petites cellules et les centaines, les milliers d’objets connec- tés vont proliférer dans les réseaux. Un système prédictif et proactif Les opérateurs de réseau disposent de données critiques et de grande valeur qu’ils n’ont longtemps pas exploitées. Les choses ont maintenant changé : ils ont pris conscience de leur importance, non seulement pour fournir des services à valeur ajoutée mais aussi pour se différencier grâce à la qualité DELEURSSERVICES1O3 ETDEiLEXPÏ- RIENCEw1O% FOURNIEAUXUTILISATEURS L’ancienne méthode de gestion des réseaux, dans laquelle les administra- teurs appliquaient des modifications de configuration, contrôlaient les résultats et reconfiguraient le réseau, fonctionne toujours dans les centres opérationnels. Cependant, ce processus d’optimisa- tion en boucle plus ou moins fermée ne sera pas suffisant pour faire face à la prochaine révolution du réseau où la consommation vidéo sera immense et où des centaines, des milliers d’objets seront connectés au réseau. En effet, une différenciation, en termes de QoE12 , délivrée aux abonnés ou aux partenaires, sera obtenue sim- plement si des problèmes réseau ne surviennent pas. La meilleure approche opérationnelle n’est pas de corriger, ni même de s’autocorriger, mais de préve- nir et donc de prédire. Un moyen d’évi- ter les pannes consiste à anticiper la dégradation ou les pannes potentielles du réseau. L’analyse prédictive des per- formances des systèmes et des réseaux, l’allocation dynamique et proactive des ressources sont des composantes cri- tiques pour la prochaine génération de 12 QoE : Quality of Experience Figure 4 : Vision de l’automatisation et de l’IA – Source : Huawei. 106 ZREE N°4/2018 L’IA ET L’INDUSTRIE DOSSIER 2 gestionnaires d’éléments de réseau et de réseaux (EMS et NMS). La capacité à superviser et à afficher en temps réel les performances du réseau et de ses res- sources, est très importante pour réus- sir à l’ère de la 5G. Pour atteindre cet objectif, les opérateurs devront sélec- tionner des systèmes possédant des possibilités puissantes de création de rapports, d’analyse et de décision utili- sant le plus possible les données collec- tées sur le réseau. L’omniprésence de l’IA dans les systèmes Où sera positionnée l’IA dans le système global de bout en bout ? L’IA est un facteur de transformation et sera intégrée dans chaque maillon de la chaîne globale du système de télé- communications. L’IA sera presque par- tout : dans les appareils connectés, dans les machines, dans les automobiles et dans de nombreux objets connectés, mais aussi dans tous les systèmes com- posant le réseau comme les stations de base, les contrôleurs ou les équipe- ments du cœur de réseau. L’IA sera éga- lement disponible dans le cloud et le BSS13 . Dans le cloud, l’IA sera utilisée uni- quement si le réseau est fiable, rapide et sans latence. Cependant, nous devons être conscients que la prolifération et l’omniprésence de l’IA engendrera un enchevêtrement de décisions d’IA com- plexe à résoudre. Néanmoins, on peut s’attendre à ce que l’IA de chaque ter- minal traite les données au plus près du besoin et soit également utile lorsque l’appareil est déconnecté du réseau et du cloud. Des architectures nouvelles et innovantes doivent être proposées pour éviter de saturer le réseau et d’ou- vrir des brèches de sécurité avec, par exemple, les données d’apprentissage stockées sur une machine centralisée 13 BSS : Business Support System. pour les modèles formés à partir de l’in- teraction utilisateur. L’industrie a com- mencé à répondre à cette question : Google, un acteur clé dans l’IA, propose une réponse à ce type de défi en com- plétant son cloud based ML avec une architecture d’apprentissage fédérée en entraînant ses algorithmes d’IA directe- ment sur les mobiles et en utilisant une version légère de TensorFlow, un outil d’apprentissage automatique développé par Google, dans l’application Gboard, une application de clavier virtuel. Focus sur l’IA dans l’OSS Le travail pour offrir des systèmes OSS autonomes, complets, efficaces et dynamiques sera long, chaotique et dif- ficile. Au cours des dernières années, les opérateurs et l’industrie se sont concen- trés sur l’évolution des réseaux vers des réseaux SON proposant des logiciels d’auto-configuration, d’auto-optimisa- tion et d’autoréparation tout automati- sés et intégrés dans SON. Pourquoi les opérateurs ont-ils fait cela ? Principalement pour contenir ou réduire leurs dépenses d’exploitation (OPEX) tout en gérant leurs dépenses d’investissement plus intelligemment ETENMODEiJUSTEÌTEMPSw#EPEN- dant, la combinaison des algorithmes SON et des modèles d’automatisation classiques qui étaient excellents ne suf- fit plus à gérer des grands réseaux com- plexes. L’industrie et les fournisseurs doivent changer de vitesse pour faire FACEiÌLAPROBLÏMATIQUEDELADIMEN- SIONNALITÏwETÌLOPTIMISATIONDESRES- sources, ceci dans plusieurs dimensions telles que l’optimisation de la couver- ture ou de la capacité du réseau. Pour être vraiment efficaces, les nouveaux systèmes doivent tirer parti de l’intel- ligence artificielle (IA) et de l’appren- tissage automatique (ML) pour aller au-delà de leurs limites actuelles. Ils devront comporter les caractéristiques suivantes : s CAPACITÏÌGÏREREFlCACEMENTLANATURE dynamique des systèmes virtualisés. Ils peuvent être en effet composés de dizaines ou de centaines de compo- sants virtualisés ou de machines vir- tuelles (VM) créées et supprimées dynamiquement ; s CAPACITÏÌGÏRERLACOMPLEXITÏACCRUE du réseau qui comporte plus de spectre, plus de types de stations de base radio et plus de technologies radio ; s CAPACITÏÌTIRERPARTIDELEXTENSIONDU spectre alloué et à proposer des por- teuses radio les plus appropriées en fonction de la demande client ; s PERMETTREUNEINGÏNIERIERÏSEAUPLUS simple et plus légère ; s AMÏLIORER LEFlCACITÏ DE LEXPLOITATION du réseau, de son optimisation mais aussi de sa conception ; s CAPACITÏ Ì TRANSFORMER LEXPLOITATION du réseau en passant successivement DUNMODERÏACTIFiJe sais ce qui est arrivéw ÌUNMODEPRÏDICTIFiJe sais ce qui se passeraw PUISÌUNMODE PRESCRIPTIFiJe sais comment les pro- blèmes à venir seront résolusw  s PERMETTRE DEXPLORER i DE NOUVEAUX TERRITOIRESwÏCONOMIQUESTELSQUELES applications tactiles nécessitant des latences très faibles de l’ordre de la milliseconde. L’IA et le ML sont les bases fondamentales pour les futurs OSS et MBB L’IA et l’apprentissage automatique (ML) font partie des principales ten- dances, si ne ce sont les principales, à suivre dans toutes les industries en 2018 et au-delà. L’IA est transformation- nelle et s’adressera à une multitude d’in- dustries. L’IA jouera également un rôle important dans les télécoms et le haut débit mobile. En effet, l’association de la reconnaissance de modèles à l’ana- lyse prédictive et aux techniques géné- riques de modélisation statistique et de REE N°4/2018 Z 107 IA : rendre les réseaux mobiles intelligents surcroît à l’automatisation de la configu- ration, de l’optimisation du réseau et de la résolution de problèmes transformera les réseaux mobiles. Les réseaux pas- seront de l’état de réseaux descriptifs à celui de réseaux prédictifs et finalement de réseaux prescriptifs. Les opérateurs mobiles adopteront l’IA et le ML dans les prochains mois prin- cipalement pour les raisons suivantes : s TRANSFORMER LES RÏSEAUX RADIO EN réseaux radio prédictifs ; s AMÏLIORERLES1O3ET1O%POURLESUTI- lisateurs finaux ainsi que pour les par- tenaires permettant de développer de nouveaux modèles commerciaux ; s INVESTIR DE FA¥ON AVISÏE ET EN MODE juste à temps : avoir une visibilité pré- cise, fondée sur une planification effi- cace des capacités pour savoir où et quand investir, sera de la plus haute importance pour être agile, compétitif et innovant. Le RAN sera perceptif, prédictif et la qualité sera améliorée par l’IA Certains professionnels de l’indus- trie doutent encore des avantages que peut apporter l’IA dans l’exploitation des réseaux. Ils ont tous de bonnes raisons : s« Pourquoi devrions-nous changer nos méthodes actuelles ? Si quelque chose ne va pas, alors ne devrions-nous pas l’identifier et le réparer, pas besoin d’utiliser l’IA pour ça ! » s i1UELLEESTLAVÏRITABLEVALEURAPPOR- tée par l’IA ? » ou bien… s i ,)! FONCTIONNERA EN MODE BOÔTE noire, donc si le réseau est défec- tueux, il pourrait être très rapide- ment incontrôlable, alors pourquoi devrais-je déployer quelque chose qui pourrait endommager mon réseau sans les moyens de le stabili- ser facilement ? » D’autres pensent que les systèmes d’optimisation basés sur des règles (dans ce cas, pas de capacités d’apprentissage) suffiront à faire face aux défis de la 5G. L’automatisation des tâches de configu- ration, de maintenance et d’optimisation fonctionne bien et constitue une étape- clé pour réduire les dépenses d’exploita- tion et faire face à la complexité accrue du réseau. Le mode opératoire pour automatiser ces tâches repose générale- ment sur des ensembles de règles pré- définies et créées manuellement lors des phases de déploiement du réseau ou de son ingénierie. Cependant, ce mode présente un inconvénient majeur : il est trop figé. C’est une sorte d’intelli- gence statique, basée sur une approche iEMPIRIQUEETARTISANALEw ALORSQUELA 5G requiert de l’agilité, de la flexibilité et un comportement dynamique. C’est là que l’IA entre en scène car elle apporte le pouvoir de transformer la gestion des réseaux. Les fonctionnalités RAN rendues plus performantes grâce à l’IA La première catégorie d’applica- tions utilisant l’IA est celle regrou- pant les applications visant à garantir la continuité du service. Les fonction- nalités permettant aux administrateurs réseau de localiser efficacement les causes de panne sont essentielles. Mais prédire le comportement du réseau et ses performances aidera les opéra- teurs à passer à la vitesse supérieure, en devançant les problèmes de qualité de service et en maintenant le taux d’attri- tion de la clientèle au plus bas niveau. Quelques cas d’utilisation dans ce domaine sont déjà prévus dans les pro- grammes produits, comme la détection des anomalies cachées, car la seule uti- lisation de seuils n’est pas suffisante ; ou bien la gestion prédictive du trafic ou Figure 5 : L’IA permettra des processus plus efficaces et plus précis – Source : Analysys Mason. Figure 6 : Impacts de la prédiction et de l’automatisation sur l’exploitation des réseaux – Source : Huawei. 108 ZREE N°4/2018 L’IA ET L’INDUSTRIE DOSSIER 2 de la charge réseau, ou encore l’amé- lioration de l’expérience de la voix sur LTE (VoLTE). Les algorithmes d’appren- tissage automatique (ML) tels que la régression linéaire (LR), l’arbre de déci- sion (DT), les machines à vecteurs de support (SVM), les K-plus proches voi- sins (K-NN), les forêts aléatoires (RF) ou les réseaux neuronaux à convolu- tion (CNN) peuvent être utilisés pour rendre le système de communication plus efficace, fiable et sécurisé. À titre d’exemple, l’un des besoins cruciaux à l’heure actuelle est la capacité de pré- dire la charge des cellules – pour adap- ter la puissance, gérer l’interférence sur le canal montant ou les ressources de signalisation – ou bien le trafic de don- nées en temps quasi réel. La capa- cité d’anticiper et de corriger en quasi temps-réel une surcharge potentielle est ce à quoi le marché aspire. La prédic- tion de telles anomalies permettra de prendre les décisions appropriées, et ceci de façon proactive, comme le bas- culement sur d’autres cellules de ses- sions de données ou vidéo en cours et de continuer à faire fonctionner le réseau avec une bonne qualité de ser- vice et une bonne qualité d’expérience. La deuxième catégorie de services utilisant l’IA est celle permettant de faire des économies budgétaires. Les fonctionnalités permettant aux adminis- trateurs de réseau de concevoir et para- métrer rapidement et précisément le réseau, avec des paramètres limités et essentiels, et non pas avec des dizaines ou des centaines de paramètres incom- préhensibles, auront un effet important sur le marché. Les fonctions d’économie d’énergie ou de planification de capacité dans le réseau peuvent également être améliorées et optimisées par l’IA ou le ML. Pour revenir à la première catégo- rie d’IA dans les réseaux radio, l’une des caractéristiques clés est la fonction précise et fiable de localisation. Il y a quelques mois, lors d’une réunion avec la direction technique d’un opérateur majeur d’Europe centrale, il fut demandé à l’équipe Huawei EU Wireless OSS si des avancées majeures avaient eu lieu dans les techniques de localisation. Cette requête concernait l’offre poten- tielle de services basés sur une géo- localisation, bornée ou pas, d’une très grande précision et fut illustrée par cette question : « Est-ce possible de savoir avec mon réseau radio macro actuel, si quelqu’un situé dans la rue principale va entrer dans la banque « A » et non la banque « B » ? En effet, je voudrais offrir des services personnalisés basés sur des informations contextuelles pré- cises ». Une discussion intéressante débuta sur l’état de l’art en matière de localisation. Il fallut admettre que les meilleures techniques industrialisées de localisation, comme les mesures d’em- preinte radio (RFPM) utilisées en même temps que la technologie de localisa- AI algorithm Wireless algorithm Value Data Link Scenario Automatic Manual Target Global profitability optimization Local determined optimization Scope E2E network Locally modelling Method Big data, learning Formula, optimization Usage Set the target goal Tune parameters manually Figure 7 : Algorithmes d’optimisation classiques et basés sur l’IA – Source : Huawei. Figure 8 : Feuille de route Huawei IA – Source : Huawei. REE N°4/2018 Z 109 IA : rendre les réseaux mobiles intelligents tion AGPS14 permettent de localiser un système ou terminal au mieux dans un secteur de 50 m par 50 m et ceci dans des conditions optimales. Cette réponse ne répondait évidemment pas à la demande de nos clients. Il est donc clair que l’industrie a un défi à relever afin d’offrir une meilleure granularité de précision de localisation. Huawei est impliqué dans beaucoup d’organismes de normalisation (SDO) et initiatives d’industrie (par exemple le TMF), qui ont pour but de spécifier et concevoir des produits plus simples et plus efficients pour le marché et ses clients. Voici quelques exemples d’appli- cations importantes d’IA pour les OSS pour réseaux mobiles. Localisation améliorée et prévision de la mobilité La technique de localisation basée sur l’IA est exactement un cas où l’IA joue un rôle important et fournit des services géolocalisés et bornés en uti- lisant des informations contextuelles, mais est également un catalyseur pour des prédictions précises de mobilité. Exploiter une véritable intelligence pour différencier dynamiquement et avec précision si un mobile est à l’intérieur ou à l’extérieur d’un bâtiment, ou pré- voir des trajectoires de mobilité, serait une réelle avancée pour l’industrie et le marché. Dans ce cas par exemple, l’utilisation de l’IA aide à identifier avec une plus grande précision les appareils connectés à l’extérieur ou à l’intérieur des bâtiments. La prévision de la mobilité outil d’amélioration de la qualité Une technique de localisation très précise permet de créer des fonctionnali- tés plus intéressantes telles que la prédic- tion de la mobilité. Pour y parvenir, il est nécessaire de combiner plusieurs prédic- teurs, prédicteurs locaux ou spécifiques à 14 AGPS : Assisted Global Positionning System l’utilisateur, afin de prévoir la destination possible. La connaissance du profil de l’utilisateur final, du jour de la semaine, de l’heure du jour et du lieu sera l’un des éléments clés pour y parvenir. Cette prédiction de mobilité peut être utilisée COMME UNE i FONCTIONNALITÏ DE BASE w pour de nombreuses optimisations dans les réseaux sans fil. Le transfert inter- cellulaire (handover), la puissance du signal reçu (RSS) ou la qualité de service dans un système mobile, par exemple, peuvent être anticipés grâce la trajectoire prévue du terminal. MIMO massif – L’IA permet une sélection rapide du motif de faisceau Le MIMO massif est une technolo- gie clé des nouveaux réseaux qui leur fournit une capacité accrue. Cepen- dant, il existe des barrières tech- niques pour régler efficacement les paramètres du MIMO massif. L’un des défis réside dans une sélection et une optimisation suffisamment rapides du motif approprié de faisceau. Les indi- cateurs de performance (KPI) tels que le ratio signal sur interférence plus bruit (SINR), la puissance du signal reçu (RSS) et la puissance reçue du signal de référence (RSRP) doivent être surveillés et analysés. Pour sélec- tionner le meilleur motif de faisceau, l’IA permet au MIMO d’être pleine- ment efficace. En effet, l’IA permet une approche d’apprentissage ité- rative, afin de sélectionner le meil- leur motif. C’est un sujet sur lequel le Centre de recherche Huawei Paris tra- vaille en adoptant un algorithme d’ap- prentissage par renforcement (RL). Figure 9 : MIMO massif : recherche du meilleur motif - Source : Huawei. 110 ZREE N°4/2018 L’IA ET L’INDUSTRIE DOSSIER 2 En effet, le RL permet, lors de la phase d’exploration – l’exploration SIGNIlE ICI i DÏCOUVRONS MON LIVRE DE codes, testons la meilleure réponse ETSÏLECTIONNONSLEMEILLEURMOTIFwn d’utiliser une méthode de découverte très efficace. Le RL peut être considéré comme une sorte d’algorithme d’ap- prentissage non supervisé lorsque la phase d’apprentissage est effectuée in situ. Le RL comprend deux phases distinctes : l’exploration et, lorsque la convergence est atteinte, l’exploitation. L’algorithme utilise une méthode intel- ligente, basée sur une technique appe- LÏE i FORÐT ALÏATOIRE w POUR TROUVER LE plus rapidement le meilleur motif de faisceau (figure 9). ML pour le découpage de la 5G en différentes instances La possibilité de créer différentes instances de réseau sur une même infrastructure est une nouveauté fon- damentale introduite par la 5G. Les dif- férentes instances de réseau utiliseront des paramètres spécifiques et dédiés (par exemple, des exigences de débit) pour différents services, clients, mar- chés et entreprises. Mais ces différentes instances peuvent se concurrencer pour accéder aux mêmes ressources phy- siques. C’est un domaine dans lequel l’IA sera utile, car elle permettra de répondre à des exigences de service très strictes en détectant ou en prévoyant certains changements des besoins et en prenant des décisions in situ appro- priées. Avec cette intelligence intégrée, la priorité d’une instance réseau donnée sera modifiée par rapport aux autres ins- tances de réseau. Conclusion L’IA est et sera transformative et omniprésente. Elle sera dans tous les systèmes, dans les terminaux, les machines, les voitures ou les objets connectés au réseau, dans les serveurs, dans les OSS et BSS, dans les serveurs d’applications et même dans le cloud. L’un des défis sera la cohabitation de toutes les IA dans le système complet et DÏVITERLEiTRAUMATISMEDELENCHEVÐ- TREMENTDES)!Sw,)!ESTVUPARLEMAR- ché comme la technologie ne réduisant pas uniquement les dépenses d’OPEX mais aussi celle permettant d’accroître la QoS/QoE dans un environnement techniquement complexe et commer- cialement compétitif. La 5G nécessi- tera de l’agilité, de la souplesse et de la dynamique. L’intelligence sera omnipré- sente et jouera un rôle-clé et donc un système de gestion 5G flexible, évolutif et puissant sera crucial pour son succès. Comparable au réseau, où les systèmes se virtualisent, les OSS doivent aussi se transformer pour faire face à ce change- ment à venir radical. Mais il faudra plus que cela. L’IA est puissante et transfor- mationnelle et sera sans aucun doute intégrée efficacement dans les OSS pour changer les données en analyses et les analyses en actions et décisions automatisées. LES AUTEURS Jean-Paul Pallois a plus de 25 ans d’expérience dans l’industrie des com- munications. Avant de re- joindre Huawei, il a travaillé à Goupil (un fabricant français de PC), à Nortel et à Alcatel-Lucent. Jean-Paul Pallois fait partie de l’équipe Produits Europe Gestion réseaux mobiles et est localisé à Paris. Ses activités actuelles sont focalisées sur l’OSS, SON, l’automa- tisation des réseaux et l’analyse de données massives. Il dirige l’activité IA et apprentissage automatique (ML) sur les réseaux mobiles pour le marché européen. Merouane Debbah dirige le Centre de recherche de Huawei à Paris depuis 2014 et est professeur à CentraleSupélec. Il est spécialiste des réseaux de télécommunications ayant reçu de nombreux prix pour ses contribu- tions dans le domaine de la 5G, en particulier pour le développement de la technologie du MIMO massif. IA – Intelligence artificielle API – Interface de programmation d'application BSS – Systèmes de support d’affaires CAPEX – Dépense d’investissement CNN – Réseau neuronal convolutif CQI – Indicateur de qualité CSP – Communications Service Provider DARPA – Defense Advanced Research Projects Agency ENI – Intelligence liée au réseau EMS – Système de gestion d’élément de réseau L’ETSI – Institut européen des normes de télécommunications Glossaire REE N°4/2018 Z 111 IA : rendre les réseaux mobiles intelligents UIT – Union internationale des télécom- munications K-NN – Les K plus proches voisins RL – Régression linéaire LTE – Évolution long terme MANO – Gestion et orchestration du ré-seau MDT – Minimisation tests routiers MDP – Processus de décision de Markov MIMO – Multiple-Input, Multiple Output ML – Machine Learning/Apprentissage automatique NEL – Couche gestion des Eléments de réseau NEP – Fournisseur d’équipement réseau NML – Couche gestion de réseau NMS – Système de gestion de réseau OPEX – Dépense opérationnelle OSS – Systèmes de support d’opérations PD – Délai du chemin radio PRB – Bloc physique de ressource QoE – Qualité d’expérience QoS – Qualité de service UMTS – Système de télécommunication mobile universel RAN – Réseau accès radio RL – Apprentissage par renforcement RSRP – Signal de référence puissance reçue RSRQ – Signal de référence qualité reçue SON – Réseaux auto-organisés SVM – Machine de vecteur de support Tput – Débit ZSM – Gestion sans contact de réseau & services