Ny forskning: Så kan ai underlätta felsökning av 5g-nätet

Tobias Sundqvist har jobbat i telekombranschen i 20 år som utvecklare med frågor som systemering och testning. Han har på nära håll sätt hur systemet blir allt större och mer komplext att felsöka och hantera.

– Hela vägen från 2g via 3g till 4g och nu 5g. Det blir större och alltmer funktionalitet i nätet. Det ska finnas fler konfigurationer och det blir större och större datamängder att hantera. Dessutom ska nätet virtualiseras och distribueras. Idag används en distribuerad mikrotjänstarkitektur och tusentals ingenjörer uppdaterar mjukvaran med nya funktioner varje dag. Trots det analyserar utvecklarna systemet på nästan samma sätt som när mobiltelefonen först lanserades, säger Tobias Sundqvist. 

”Väldigt lite har gjorts för att hjälpa utvecklarna som försöker hitta felen i systemen”

Det ville han förändra. Ihop med Umeå universitet och Tietoevry fick han därför medel från WASP, Wallenberg ai, autonomus systems and software program, för att utveckla nya maskininlärningsmetoder som lär sig hur det mobila nätet beter sig utifrån felsökningsinformation. 

– Hittills har arbetet med maskininlärning inom telekom fokuserat mycket på hur man kan hur man kan använda mätdata till att optimera livenätet. Att hitta noder som inte fungerar som de ska och så vidare. Väldigt lite har egentligen gjorts för att hjälpa utvecklarna som försöker hitta felen i systemen, säger industridoktoranden. 

Vad beror det på tror du? 

– De som verkligen sitter och felsöker utbildade sig för mer än tio år sedan och har kanske därför inte kunskapen som krävs för att ta fram nya metoder baserade på ai. Dessutom, även om du hade tänkt på det här frågorna för tio år sedan så hade du kanske tidigast kunnat lägga in någonting för två-tre år sedan eftersom de här processerna tar sådan tid. Utvecklare har förstås insett problemet och velat se lösningar tidigare, men har kanske haft lite svårt att få gehör högre upp för sina idéer. 

 Men det får man nu? 

– Ja i och med utvecklingen av nätet och att datamängderna som ska hanteras bara blir större och större så växer ju också problemet. Vi har testat några av maskinlärningsmetoderna ute hos kunder, bland annat Ericsson och deras 5g-nät i drygt ett och ett halvt år och de fungerar väldigt bra också ute i produktion. Så området känns oerhört lovande. 

När något går snett i radio acess network, krävs en omfattande och tidskrävande felsökning. Med avhandlingen som tagit fyra år att färdigställa vill Tobias Sundqvist genom ai hjälpa utvecklarna i vardagen. 

– Jag har tagit fram fem olika metoder som kan hjälpa till i tre områden. Hur man hittar avvikelser, hur man kommer fram till vad avvikelserna beror på, route course och obeserverbarhet, hur man förstår systemet och förenklar den förståelsen. Alla syftar egentligen till att underlätta för de som jobbar med felsökning.