利用人工智慧打造高能效網路
從成本和永續發展的角度考慮，找到既賦予網路更高效能同時又不會對QoE產生負面影響的方法，對於網路營運商而言至關重要。為了説明實現這一目標，我們正在致力於探索利用人工智慧（AI）技術為網路節點推薦高效能配置安裝的可能性。
從成本和永續發展的角度考慮，找到既賦予網路更高效能同時又不會對QoE產生負面影響的方法，對於網路營運商而言至關重要。為了説明實現這一目標，我們正在致力於探索利用人工智慧（AI）技術為網路節點推薦高效能配置安裝的可能性。
據我們估算，為網路供電相關的能源成本占比達到電信商（CSP）網路營運費用的10-30%，具體取決於當地能源市場的特定情況。總體而言，這項支出每年總計約250億美元[1]。
儘管很多高能源效率解決方案已經在行動網路投入實施，但隨著網路流量和資料量的快速增長，能源消耗仍在持續攀升。根據我們的研究，利用能夠實現更高自動化水準的機器學習（ML）技術可以更進一步提高能源效率。
ML是一種無須明確程式設計即可讓模型從資料中學習模式的人工智慧。基於ML的技術可以為基地台和其他設備推薦能夠降低網路元件耗能的配置安裝，同時不會對QoE造成影響。
在我們嘗試提高網路能源效率的努力中，接入節點居於核心位置。接入節點（通常簡稱節點）是指連網使用者設備與這些設備所連接網路元件之間的關係。接入節點的配置安裝對於節點耗能以及很多可觀察的網路性能QoS指標存在極大的影響。
由於配置設定在特定節點幾乎不會發生變化，因此要想調控節點耗能，就需要一種能夠生成新的配置設定並對其影響進行評估的機制。為避免所生成的配置對現有關鍵績效指標（KPI）造成負面影響，還需要使用限制範圍的不同KPI對新配置進行約束。
由於相比其他配置設定，某些配置設定可能需要更多的時間才能發揮作用，因此需要能夠預測，何時提前應用這類更改的準確預測模型。這樣就可以最大限度避免對網路運行造成潛在的干擾。比較理想的解決方案是盡可能找到更多降低網路元件現有功能相關耗能的潛在方法。
基於上述想法，我們開發了一個涵蓋從電力系統到節點再到網路層面所有方面的端到端（E2E）能源最佳化概念。圖1為我們的概念說明，其中置於核心位置並特別強調的是能源推薦引擎。
Figure 1: End-to-end energy optimization from power system to node to network
能源推薦引擎使用的資料集
我們在能源推薦引擎上使用的所有資料均收集於真實網路。我們主要使用的是在基地台中測量得到的性能管理（PM）和配置管理（CM）資料，其中能源測量資料包含在從PM收集的資料集中。因此，這些資料不需要部署新的硬體即可獲得。無線網路效能計數器資料集包含了有關社區性能的觀測資料，比如，下行鏈路（DL）和上行鏈路（UL）的活動計數、社區和設備的利用率。
為確保不對QoE造成任何負面影響，我們使用KPI對我們的模型進行約束。儘管在技術上可以根據營運商偏好使用其他KPI，但我們根據對能源消耗的影響程度選擇了以下五個：
- 嘗試連接到細胞（cell）的次數
- 細胞內的平均用戶數
- 傳輸量
- 網路時延
- 干擾
安裝電信網路時，通常需要配置諸如細胞數量和硬體設備類型（標識頻段）等參數。如果安裝不同供應商的新部件後出現軟體問題或硬體故障，就可能需要重新配置。隨著時間推移，細微變化以及各種微調可能會造成不同的能源消耗水準，就相同流量而言，有時是積極變化（耗能減少），也有時是消極變化（耗能增加）。
我們所使用的CM資料集涵蓋磁區的數百個配置屬性，其中包括每個無線細胞的設置（例如DL和UL方向上的頻率）以及所安裝的硬體類型。我們利用這些資訊可以一次推薦多個不同配置，而不是一次僅推薦一個。
能源優化引擎的輸出包括相應節點的一組配置屬性變化。該輸出針對的是不同節點與配置之間的相互作用，而並非關心各個節點層面單獨的微調，因為這類微調可能會對其他節點產生影響。
能源優化引擎中使用的方法
基於內容的推薦模型需要在嵌入式空間（也稱潛在空間）中對配置設定進行很好的表示。由於配置屬性數量龐大，這種表示很難透過手動方式完成。
條件變分自編碼器[2]（CVAE）和圖像神經網路[3]（GNN）這兩種技術由於神經網路的成功而受到追捧，其不但契合我們的目標，而且彼此互補。CVAE具有生成性和對抗性，有助於在有限條件下探索大空間，而GNN可以作為批評者（或鑑別器）抑制異常推薦，特別是在推薦模型分歧過大的情況下。
除GNN和CVAE之外，我們還使用條件將新配置設定限定在特定KPI之下，並且在建立新的配置設定時不應打破這些KPI。這類條件可以來自於專家工程師，而其他的可以是通用條件或特定於正在考察的網路。
圖像神經網路
GNN是一種直接從關係資料學習的方法。在這個專案中我們以兩種方式使用它們（特別是圖卷積）：根據歷史資訊生成保守能源效率建議，以及針對不同KPI生成多網站預測模型。多網站預測模型本質上是增強預測模型，可説明營運商根據作為衡量網路運行狀況指標使用的KPI進行性能預測。
長短期記憶等傳統預測技術的弱點之一在於無法解釋節點之間存在的時空關係。由於節點是以戰略性方式設在城市或農村空間不同位置，並相應配置用於服務附近使用者設備發出的請求。它們之間的時空關係資訊與預測存在極大的相關性。
我們對講圖卷積（graph convolution）與常規二維卷積（regular 2D convolution）結合的可能性進行了研究。這種方法整合了兩種輸入，即，表示網路拓撲的鄰接矩陣，以及每個節點針對不同KPI的時間序列。網路拓撲結構使用每個節點的地理資訊建構。然後將該資訊表示為捕捉每個節點時間資訊的鄰接矩陣。
透過對每個節點的時間序列資訊預處理獲得相應的輸入和輸出預測視窗。在本例中，我們選擇使用12小時，並學習預測接下來的12小時。透過圖卷積和常規二維卷積的交織建構兩者的組合。結果表明，這種方法提高了多網站預測中的模型性能。
我們在這個專案中使用GNN的第二種方式是根據歷史資訊生成保守能源效率推薦，也就是我們利用GNN建立一個優化引擎。
為了理解這些變化，我們用圖形表示電信網路中不同節點之間的關係及其組態集。在圖論（graph theory）中，圖是一組物件（或節點）透過連接相互關聯的結構。兩個節點之間的連接代表兩者存在關聯。由於在本例中連接的是不同類型的物件，我們選擇了異構圖（heterogeneous graph）。更具體而言，我們將節點與組態集相關聯，並且用節點之間的連接表示這種關聯。
此外，每個連接均根據從能源角度來看的關聯效率以及所連接使用者的數量進行標記。對於圖中每個元素，我們都以諸如所安裝的硬體或每個組態集的不同類型參數作為驅動，學習其表示方法。
這樣的話，問題就被轉化為連接屬性預測問題，而我們透過訓練模型學習預測該項關聯的能源效率如何。儘管這個系統不能生成新的組態集，但我們發現它能夠用能源影響可能低於當前所用組態集（Configuration sets）的潛在類似組態集匹配類似節點。
條件變分自編碼器（Conditional variational autoencoder）
生成性模型的高級定義推斷出受約束條件限制觀察特徵的廣義分佈。基於CVAE生成性模型的優化引擎由包括編碼器、解碼器、目標KPI預測模型和耗能目標預測模型在內的多個元件組成。
編碼器模型將原始CM資料集的表示壓縮為低維矩陣，也稱潛在空間。潛在空間由點組成，其中二維潛在空間中的每個點代表一個受耗能和KPI值約束的完整CM配置設定。
由於CVAE性質所致，具有相同能源和KPI約束類別的CM配置在潛在空間中彼此靠近。解碼器從潛在空間中的嵌入表示中重建完整的設定檔，該檔可以包含許多CM屬性（配置參數和設置）。代表目標KPI和能源消耗水準的潛在變數透過均勻隨機選擇的方式，從很多代表相同類別目標KPI和能源水準的變數中獲得。然後解碼器使用輸入生成新的配置屬性。
我們在部署中將約束作為受相應KPI和能源值限制CVAE模型解碼器的輸入。我們可以使用多個約束，也可以使用客戶特定約束。由於生成性模型將輸出一個高能源效率合成CM檔，因此可將受約束的能源值設置為略小於預測能源消耗。
同時，我們的目標是維持KPI值。因此，將網路節點處的預測KPI值作為解碼器的輸入。KPI和能源模型有兩種不同的預測模型：
- 基於CM的預測模型，其僅使用表格形式CM屬性作為輸入
- 基於PM的預測模型，其僅使用時間序列形式的PM計數器作為輸入
基於時間序列PM的預測模型提前24小時執行，這樣才能有足夠的時間將所需配置部署到相應的網路元件。CM和PM模型對能源消耗和KPI（所連接用戶）值的預測結果表現不錯。由於基於PM模型的輸出與前面提到的選定潛在變數一起作為CVAE生成性模型的輸入，因此其對於生成性模型輸出的準確性非常重要。
對生成CM組態集與現有計劃組態集相比所節省的能源量進行量化也非常重要。為此，我們使用了僅將CM屬性作為輸入特徵的基於CM的預訓練能源模型，而且該模型使用純CM屬性值組合預測能源消耗。這意味著其可用於估算給定配置的平均基本耗能值。
首先，將推薦模型使用實際預測能源作為約束生成的配置作為輸入基於CM的預訓練能源模型。接下來，將推薦模型使用低於預測能源值作為約束生成的配置輸入同一個基於CM的能源模型。最後，計算兩個能源預測之間的差異，並量化潛在能源節約指標（indicative potential saving is quantified）。
我們透過在基於CM的預訓練KPI模型上重複相同步驟量化KPI影響。這樣就可以獲得如圖2所示的KPI與能源折衷曲線。總體而言，這些曲線往往表明更高的節能源效率果會對KPI產生更大的負面影響。
Figure 2: Energy savings and KPI impact according to the CVAE model (left) and the GNN model (right)
條件變分自編碼器(conditional variational autoencoder)與圖像神經網路的比較
CVAE和GNN的比較表明，CVAE因其生成性性質能夠生成新的配置設定。相比之下，GNN僅可識別由評價函數標記的潛在節能。在本例中，評價函數包含六個不同的類別，每個類別由圖2右側的一個點表示。（儘管我們的研究背景下的GNN為非生成性，但文獻表明其也可以用於生成性背景。）
比較還表明，基於CVAE推薦模型的有效性取決於多個基於CM和PM的KPI和能源預測模型的準確性，這意味著所有預測模型均需要同時準確。作為好的副作用，這種模組化結構可能會讓模型性能維護期間的故障排除變得比較輕鬆。
同時，GNN只有一個基於圖的模型，並且受到可用或已應用於該網路不同配置數量的限制。單一模型的使用簡化了維護過程。
由於CVAE和GNN均為預測性推薦模型，因此可以忽略任何經提前預測可影響網路性能和QoE的推薦。兩種模型均生成預計應用可實現高達10%節能的配置建議。
使用案例
為了進一步提高我們能源優化引擎的效率，我們透過在無線訊號干擾檢測和PSU負載利用率這兩個特定使用案例中應用該建議來增強其提高能源效率的能力，如圖3所示。這兩個使用案例均使用了在圖中凸顯出三個相同步驟：
- 識別（定位）具有改進潛力的節點
- 透過對選定節點建模瞭解其行為並預測其狀態
- 採取提高能源效率的行動（執行）
Figure 3: Two use-case examples – radio signal interference detection and PSU load utilization
使用案例1：無線訊號干擾檢測
干擾是由諸如環境變化或同一細胞中有太多用戶（尤其是用戶靠近細胞邊緣時）等一系列因素造成的。細胞之間也可能在頻率上相互干擾。干擾不僅對QoS有重大影響，而且對功耗也有重大影響。雖然現有無線設備採用可避免非必要發射的方式處理干擾，並且使用各種技術限制網路中的干擾，但事實證明，無線訊號干擾是一種很難完全解決的難題。
透過引入集群並將問題劃分為子問題的辦法，我們的能源優化引擎就可以識別具有高干擾能力和低能源效率的節點。圖3左側顯示將無線訊號干擾分為四類：具有高干擾的非節能節點、具有低干擾的非節能節點、節能節點和其他節點。未來將解決改進被歸為其他類別節點的可能性。
透過對網路流量負載、消耗能源以及干擾相關KPI進行建模，我們可以透過對干擾社區採取的推薦措施（如將其鎖定）節省能源，避免高能源消耗狀態。因此，社區干擾參數是唯一的，並且與網路活動和所消耗的能源有關。
使用案例2：PSU負載利用率
無線基地台由多個為無線單元供電的PSU組成。如圖3右側的圖表所示，無線基地台中的PSU未得到充分利用的情況並不少見。活躍但未充分利用的PSU可能無法在設備的運行範圍內高效工作，並且會因功率耗散消耗很多功率。需要注意的是，PSU效率取決於負載。
為了識別可用於提高PSU負載利用率的節點，我們根據PSU負載、PSU數量、與無線網路活動的關係（如相對無線資源使用情況）、活動使用者數量、PRB利用率以及所連接用戶的數量對其進行集群。我們專注於利用率低於50%的PSU。我們的研究表明，可以建議採用動態電源控制，比如，將未充分利用的PSU置於睡眠模式或將其關閉。
PSU效率在很大程度上取決於施加在PSU輸出上的負載。將系統中多個PSU之一設置為睡眠模式即可節省1%。同時，提高始終活躍PSU的利用率和營運效率還可以額外節省1%。
結論
不斷提高網路能源效率是愛立信的核心目標之一。整體能源最佳化方法可確保在一個層面上實現的改進不會被另一個層面的能源使用增加所抵消，因此成為實現整體節能的最佳方式。我們的端到端（E2E）能源最佳化概念由人工智慧驅動的能源優化引擎所驅動。該解決方案在自動化方面具備很大潛力，借助特定介面可以直接調整節點，不需要人工干預。並且可完全基於軟體，不需要額外的硬體。
能源優化引擎可透過分析相關資料找出如何透過微調節點配置減少能源消耗，同時不會對QoE造成影響。我們的研究表明，我們的方法產生的總E2E效率收益（包括無線配置）對於無線社區最高可達10%，對於PSU最佳化最高可達2%。
除了開發通用能源優化引擎之外，我們還在為不同挑戰開發特定使用案例的建議，這些建議可以在稍後階段添加到通用引擎。在目前研究的兩個使用案例中，我們透過預測模型查找PSU未充分利用的情況，並嘗試檢測可能導致不必要能源使用的干擾。
