自律型ネットワーク:リアルタイムインベントリーを使って課題を解決

正確なリアルタイムインベントリーが自律化の前提条件である理由

より高いレベルの自律ネットワークへの道のりは、たった一回の飛躍ではなく、TMFが定義したANL（Autonomous Network Levels）フレームワークに記述された漸進的な成熟を要します。

• ANL 1: 基盤 - 断片化されたレガシーのデータベースを統合し、人力および基本的な自動タスク用の単一の正確なベースラインを提供します。
• ANL 2: 半自動化 - 検出と調整によりデータの整合性を95%以上向上させ、ルールベースのクローズドループの自動化をサポートします。
• ANL 3:統合リアルタイムビュー - クロスドメインのオーケストレーションと自動根本原因分析に不可欠な、ほぼリアルタイムで正規化されたネットワークの可視性を提供します。
• ANL 4: インテントベース運用 - インテントドリブンでAI対応の自動化により、予測デジタルツインモデルを提供し、プロアクティブなネットワーク最適化とリスクのないシナリオ分析を実現します。
• ANL 5: 完全な自律化 – 連合され継続的に適応するインベントリーモデルをサポートし、エコシステム全体でゼロタッチの予測ライフサイクル管理を可能にします。

図 1.自律型ネットワークへの進化の基礎となるリアルタイムインベントリー

自律型ネットワークは、その定義上データドリブンのシステムです。人間の介入なしに認識、分析、決定、行動するその能力は、消費するデータの品質に完全に依存します。

この文脈でインベントリーシステムは単なるデータベースを超え、ネットワークの認知基盤として、その上にすべての自律機能が構築される基本的な真実を提供します。いくつかの重要な理由から、正確で動的なリアルタイムのインベントリーがなければ、自律性は原理的に達成できません。

• 自律性には検証可能な真実が必要: 自律システムは仮定に基づいて動作することはできません。サービスのプロビジョニングから障害からの復旧に至るすべての自動化された意思決定は、ネットワークの状態の特定の理解に基づいて計算されたアクションです。
• 「ガベージイン、ガベージアウト」の原則:インベントリーデータが不正確で、存在しないアセット、不適切な構成、または古いトポロジーが含まれている場合、自律システムの決定は本質的に欠陥を伴うものになります。存在しないリソースや構成に誤りがあるリソースをオーケストレーションしようとすると、サービス障害が連鎖的に発生し、自動化されたシステムに不可欠な信頼そのものが損なわれます。
• ロジックの基盤: 自律型ネットワークでは、不一致を解決し、ネットワークの状態の最終的な裁定者として機能するために、単一の信頼できる情報源が必要です。堅牢なインベントリーはこの決定的かつ検証可能なデータを提供し、ネットワーク上で走るすべてのアルゴリズムとポリシーのロジックのベースラインを形成します。
• インテント変換マッピング:「スマートファクトリー用の低遅延スライスを展開する」などの高レベルのコマンドまたは「インテント」を受け取った自律システムは、この抽象的な目標を具体的な一連のアクションに変換する必要があります。これは利用可能なすべての物理リソース、論理リソース、仮想リソースの正確なエンドツーエンドのマップがある場合にのみ可能です。インベントリーはこのマップを提供することで、システムがインテントを満たすための最適なサービスパスとリソース割り当てをモデル化できるようにします。
• 予測知能（AI/ML）には正確なデータが必要: 高度に自律的なネットワーク（ANL4以降）の高度な機能はAI/MLによって強化されています。これらのモデルの有効性は、疑問の余地なくトレーニングデータの品質に完全に依存します。
• デジタルツインはリアルタイムデータに依存: ライブネットワークの仮想レプリカであるデジタルツインを使った「what-if」分析のコンセプトは、高レベルの自律性の核心です。このシミュレーション環境は、ライブネットワークの完璧なリアルタイムミラーである場合に限り、その価値があります。包括的で継続的に更新されるインベントリーは、この忠実度の高いツインを作成し維持するために必要なデータフィードを提供し、CSPがライブ環境を危険にさらすことなく変更を試験し、結果を予測できるようにします。

リアルタイムのインベントリーで動的な課題に対処

動的なネットワークは動的な課題を生み出します。自律型ネットワークへの移行は、これらの課題のすべてではないにしても、その多くに対処できます。

多くの組織には断片化されたOSS/BSSシステムにサイロ化されたデータが存在するため、ネットワーク、IT、クラウド、サービスのインベントリーを管理する上で重大な課題に直面しています。この分離によってデータの品質と一貫性が低下し、不正確、不完全、重複したレコードがサイロ上に散らばっていることで、多くの場合は人手による調整が必要になります。運用プロセスは特にプロビジョニング、アシュアランス、調整のタスクにおいて、スクリプト、スプレッドシート、人間の介在に大きく依存しています。

人手による調整と検証の結果としてサービス提供が遅れ、新しいサービスの開始までに数日、場合によっては数週間かかります。これらの非効率性は、トラブルシューティング、データ調整、古いレガシーシステムの維持に多大なリソースが費やされることで、高いOPEX（OPerational EXpenditures）の一因となっています。

さらに可視性とアジリティに限界があり、リソースの統一されたリアルタイムビューが存在しないことがよくあります。これを欠いていれば、新しいテクノロジーに適応することは困難です。運用は事前の監視ではなくカスタマーの苦情がベースの事後対応型になりやすく、障害の予測と防止は困難になります。物理リソース、仮想リソース、クラウドリソースにまたがるハイブリッド環境の管理の複雑さはこれらの課題をさらに悪化させ、データのサイロ化の影響を深め、全体的な性能向上を妨げています。

ビジネスに大きなメリットをもたらすリアルタイムインベントリー

リアルタイムインベントリーシステムを導入すると、効率を高め、コストを削減し、イノベーションを加速する、さまざまな魅力的なビジネス上の利点が得られます。最も重要な利点の一つはOPEXの削減です。サービスの履行、アシュアランス、調整など、従来は人手に頼っていた時間のかかるプロセスを自動化することで、企業は人間の介入とそれに伴うエラーを最小限に抑えることができます。正確で統合されたネットワークリソースデータによって強化されたこの自動化により、運用が合理化され、コストが直接削減されます。

またリアルタイムインベントリーシステムは、すべてのネットワーク資産を正確に表示することで、CAPEXの削減にも貢献します。この可視性によって既存のリソースの利用を最適化し、不要な購入を回避し、容量計画を改善することができます。結果としてネットワーク構築のための支出が削減され、過剰な開発が防止され、本当に必要な場合に限って新しい容量が追加されるようになります。

リアルタイムインベントリーシステムは、コスト削減だけでなく、新しいサービスの市場投入時間を短縮することで、アジリティを大幅に向上させます。お客様とエコシステムのパートナーは、カタログドリブンの自動化された設計とプロビジョニングにより、数週間どころか数日または数時間で製品を立ち上げることができます。応答性が重要な差別化要因となる競争の激しい市場では、このスピード感が非常に重要です。堅牢なリアルタイムインベントリーはまた、高度な自動化とAIドリブンの運用基盤として機能します。機械学習モデルのトレーニングに必要な高品質のデータを提供し、ネットワークが特定の目的を満たすために自らを自律的に構成し最適化できるインテントベースのネットワーキングをサポートします。リアルタイムインベントリーシステムはこれらの機能により、最先端のデータドリブン型企業に不可欠なツールとして位置付けられています。

リアルタイムインベントリーにより、最終的には手動または部分的に自動化された運用から、私たちが目指している自己修復、自己構成、自己最適化ネットワークに必要な高度な自律性または完全な自律性への移行が可能になるはずです。

Ericsson Adaptive InventoryなどのインベントリープラットフォームはANL 4への移行をサポートし加速する基本的なイネーブラーであり、各レベルで先に進み、販売したものをできる限り迅速に提供するために必要な特定の機能を提供します。

続きを読む

• Service orchestration solutions
• Autonomous networks explained
• Accelerate AI innovation with Ericsson Telco Agentic AI Studio
• AI-enabled service orchestration solutions
• TMF-defined Autonomous Network Levels (ANL) framework