Wykrywanie anomalii sieciowych w czasie rzeczywistym w O-RAN z wykorzystaniem głębokiego uczenia się na dużych danych przesyłanych strumieniowo

Rosnące przyjęcie architektury O-RAN (Open Radio Access Network) w systemach bezprzewodowych nowej generacji zapewnia niespotykaną elastyczność i otwartość, umożliwiając kontrolę w czasie rzeczywistym oraz inteligentne funkcje sieciowe. Jednak zdecentralizowany i wielodostawcowy charakter O-RAN zwiększa również podatność na anomalie sieciowe, takie jak pogorszenie jakości usług, błędne konfiguracje, zagrożenia cybernetyczne i zakłócenia radiowe. Tradycyjne narzędzia monitoringu nie posiadają skalowalności i responsywności potrzebnej do przetwarzania zróżnicowanej telemetrii o dużej prędkości z kontrolerów RIC (RAN Intelligent Controllers), jednostek DU (Distributed Units) i urządzeń UE (User Equipment). Niniejsze badania przedstawiają nowatorską strukturę wykrywania anomalii w czasie rzeczywistym, która łączy strumieniowe potoki danych (big data pipelines) z modelami czasowymi opartymi na głębokim uczeniu, aby wykrywać i lokalizować anomalie w ekosystemie O-RAN. Wykorzystując platformy takie jak Apache Kafka i Apache Flink do szybkiego pozyskiwania i przetwarzania danych, system wykorzystuje sieci neuronowe typu Long Short-Term Memory (LSTM) i Temporal Convolutional Networks (TCNs) do uczenia się wzorców czasowych na podstawie kluczowych wskaźników wydajności (KPIs), logów sygnałowych oraz zdarzeń interfejsu E2 w czasie rzeczywistym. Model jest trenowany przy użyciu zarówno rzeczywistych, jak i syntetycznych zbiorów danych, które są generowane z emulatorów O-RAN i walidowane w emulowanym środowisku 5G z aplikacjami xApps typu open-source. Dodatkowo, struktura ta zawiera mechanizm adaptacyjnego sprzężenia zwrotnego między kontrolerami Near-Real-Time RIC i Non-Real-Time RIC za pośrednictwem interfejsów A1 i E2, umożliwiając ciągłe uczenie się i dynamiczne dostosowywanie polityk. Proponowane rozwiązanie wykazuje ponad 95% skuteczności w wykrywaniu anomalii z opóźnieniem poniżej sekundy, przewyższając tradycyjne statystyczne metody bazowe. Praca ta dostarcza skalowalny, niezależny od dostawcy i przyszłościowy system wykrywania anomalii dla inteligentnego zarządzania siecią radiową, co stanowi istotny krok w kierunku samonaprawiających się i samooptymalizujących się sieci w 5G i kolejnych generacjach.