Bloga geri dön
Ses, veri ve internet hizmetlerini güvenli ve kesintisiz sunma hizmeti gören mobil iletişim altyapıları, geçmişe kıyasla günümüzde çok daha yüksek bir trafiği yönetmek zorundadır. Bunun yanında, 5G ile birlikte hızla artan bir mimari karmaşıklık söz konusudur. Milyarlarca cihazın bağlandığı, dağıtık bulut mimarilerinin ve gecikmeye duyarlı uygulamaların ortaya çıktığı yeni nesil ağlarda karmaşıklık insan ölçeğini aşmaya başlamıştır. Bu durum, ağ yönetiminde otomasyondan ziyade, kendi kendine karar verebilen otonom sistemlere geçişi zorunlu kılmaktadır. Bu makale, mobil şebekelerde karar mimarisinin dönüşümünü ele alarak Predictive Network yaklaşımının operasyonel verimlilik üzerindeki etkilerini ve AI-RAN, edge bilişim ve dağıtık zekâ yaklaşımlarının otonom ve enerji verimli şebekelerin temelini nasıl oluşturduğunu incelemektedir.
Uzun zamandır geçmeyi heyecanla beklediğimiz ve yakın dönemde geçmiş olduğumuz 5G teknolojisi yalnız hızlı internet, büyük verilerin beklemeden paylaşılması ve yeni bir kablosuz hücresel teknoloji anlamına gelmiyor. 5G ile aşina olmaya başladığımız yoğun küçük hücre mimarileri, teknolojinin ilerlemesiyle artık IoT cihazlarının milyonlarcasıyla ilişkilenmesi, düşük gecikmeli uygulamalar, dağıtık bulut ve uç düğümleri (edge nodes) mobil şebekelerin hem güçlenmiş yönleri hem de güncel sorunlarının temeli. Bu teknolojiler mobil şebekelerde trafik çeşitliliği, spektrum yönetimi, kullanıcı hareketliliği ve dağıtık altyapı gibi unsurlar sebebiyle sorunlar da yaşamaktadır. Bu sorunların sonucunda karşımıza yönetilmesi oldukça zor, çok karışık bir mimari çıkmaktadır. Bu mimariyi insanların yönetmesi hem zaman hem de enerji maliyetine yük bindirdiğinden dolayı, telekom operatörleri çeşitli teknolojiler, ürünler ve anlaşmalar üzerinde çalışmaktadır.Telekom operatörleri artık sadece kapasiteyi artırmaya değil, ağı daha akıllı yönetmeye odaklanmaktadır.
Yoğun baz istasyonu dağılımları, milyarlarca bağlı cihaz ve gecikmeye duyarlı uygulamalar, ağın sorun çıktığında alarm verip insan müdahalesini beklediği geleneksel reaktif ağ
yönetimi yaklaşımlarının yetersiz kalmasına neden olmaktadır. Çünkü reaktif yaklaşımda sistemler olaylara ancak gerçekleştikten sonra müdahale edebilmektedir ve bu da arızaların, trafik yoğunluğunun veya hizmet kalitesinin problemlerinin genellikle kullanıcı deneyimini etkiledikten sonra müdahale demekti. Oysa, yoğun baz istasyonu mimarileri, milyarlarca IoT cihazı ve gecikmeye duyarlı uygulamalar, ağların yalnızca izlenmesini değil, aynı zamanda sürekli optimize edilmesini gerektirmektedir. Bu nedenle klasik reaktif yönetim modeli, hız ve ölçek gereksinimleri karşısında giderek yetersiz hale gelmiştir. Bu bağlamda telekom
operatörleri veri temelli karar mekanizmaları ve öngörü odaklı ağ yönetimi modellerine
yönelmektedir.
Operatörler artık yalnızca kapasiteyi yönetmekle değil, sürekli değişen bir ekosistemi gerçek zamanlı olarak optimize etmekle karşı karşıya olduğundan, yeni bir yaklaşım dikkat çekmektedir. Bunun için öngörülebilir ağ (predictive network) modeline geçilmiştir. Bu modelde ağlardan, operasyon sistemlerinden ve müşteri hizmetlerinden elde edilen büyük veri kümeleri gerçek zamanlı analitik ve yapay zekâ yöntemleriyle işlenir. Böylece operatörler yalnızca mevcut durumu izlemekle kalmaz; trafik yoğunluğunu tahmin edebilir, olası arızaları önceden tespit edebilir ve kaynak tahsisini dinamik olarak optimize edebilir. Bu yaklaşımın temelinde öngörülebilir analitik (Predictive Analytics) ve gelişmiş veri analitiği yer alır.
Geleneksel mobil şebekelerde yapay zekâ, genellikle mevcut yapıya sonradan eklenen bir "yama" veya harici bir analiz aracı olarak konumlandırılıyordu. Ancak 5G ve ötesi için kurgulanan AI-Native (Yapay zekâ yerleşik) mimaride durum tamamen farklıdır. AI-Native şebekeler hem reaktif ağ operasyonlarından veriyle beslenmekte hem de kendi davranışlarını öngörebilmektedir.
Ericsson’un bu alandaki vizyonu, ağların sadece zeki olmasını değil, aynı zamanda "Niyet Tabanlı" (Intent-driven) bir yapıya bürünmesini öngörmektedir. Bu mimaride mühendisler alt seviye parametrelerle uğraşmak yerine ağa bir hedef (niyet) tanımlar. AI karar mimarisi ise bu hedefe ulaşmak için gereken binlerce mikro kararı milisaniyeler içinde alır.
Bu "yerleşik zekâ" yaklaşımının getirdiği somut teknik kazanımlar, teorik vaatlerin çok ötesindedir. Bu mimari dönüşüm, şebekeyi sadece bir veri taşıma kanalı olmaktan çıkarıp, kendi performansını ve enerji tüketimini gerçek zamanlı optimize eden otonom bir "hesaplama platformuna" dönüştürmektedir. AI-native yaklaşımın en kritik uygulama alanlarından biri radyo erişim ağıdır (RAN).
Radyo erişim ağı (RAN), akıllı telefonlar gibi son kullanıcı cihazlarını buluta bağlayan mobil ağın bir parçasıdır. Bu, son kullanıcı cihazlarından RAN'ın alıcı-vericilerine ve son olarak da alıcı-vericilerden küresel internete bağlanan çekirdek ağa radyo dalgaları yoluyla bilgi gönderilmesiyle sağlanır.
Geleceğin şebeke mimarisi sadece veri taşıyan bir bağlantı katmanı (Ayrıştırılmış Bağlanabilirlik / Differentiated Connectivity, Mobil Geniş Bant / Mobile Broadband) olmaktan çıkıp, bulut (Bulut Bilişim / Cloud Computing, Dağıtık Bilişim / Distributed Computing) ve yapay zeka (Generative AI, Makine Öğrenmesi / Machine Learning, Pekiştirmeli Öğrenme / Reinforcement Learning, Yapay Zeka Ajanları / AI Agents) ile iç içe geçmektedir. Bu üç katmanın biraradalığı sadece daha hızlı internet değil, aynı zamanda giyilebilir teknolojilerden dijital sağlık takibine, endüstriyel ve robotik otomasyondan akıllı şehirlere kadar geniş bir yelpazede 'zekâ' sunan bir platform oluşturmaktadır.
Yapay zekânın RAN teknolojisi ile nasıl kullanıldığı bazı küçük farklara işaret etmektedir:
RAN için YZ (AI for RAN): RAN yazılımının dışında (örneğin, orkestrasyon katmanlarında veya rApps'lerde) yürütülen ve operasyonları içgörüler, tahminler veya kontrol girdileriyle destekleyen modeller.
RAN’a Entegre YZ (AI in RAN): Yapay zekâ, ışın demeti oluşturma ve bağlantı uyarlaması gibi işlevler için gerçek zamanlı, düşük gecikmeli karar verme olanağı sağlamak üzere doğrudan RAN yazılım yığınına (L1 (fiziksel katman) - L3 (radyo kaynak kontrolü katmanı)) entegre edilmiştir. AI RAN ile aynı anlamda sayılabilir. Fakat AI RAN daha çok yapay zekâ ile RAN performansını ve kapasitesini geliştirmeye odaklanmış, sektörleri bir araya getiren organizasyonun adıdır. Türkiye’deki öncü olan Turkcell gibi uç zekânı baz istasyonlarına entegre ederek 5G/6G altyapısını birer akıllı işlem merkezine dönüştürmeyi hedefleyen firmalar bu organizasyonun birer üyesidir (kaynak).
RAN Üzerinde YZ (AI on RAN): Deterministik, düşük gecikmeli, yüksek yukarı bağlantı hızına sahip dağıtılmış ve yükten arındırılmış yapay zekâ işlemeyi mümkün kılarak akıllı gözlükler, robotlar ve XR uygulamaları gibi cihazlar için gerçek zamanlı çok modlu hizmetler sağlar.
Dağıtılmış yapay zekâ, operasyonları optimize etmek için neredeyse mikrosaniyeler içinde daha hızlı bir şekilde izleme ve uygulama yapan bu mekanizma, merkezi yapay zekâ, daha yüksek bir zekâ seviyesi ve CSP'lerin operasyonlarını ve yapay zekâ destekli otomatik çözümleri otomatikleştirme ve basitleştirme için daha fazla fırsat sağlayan uzun vadeli içgörüler toplar. Yapay zekâ tabanlı RAN'a geçiş önemli avantajların kilidini açar.
AI RAN teknolojisi uç ağ (edge network) veya uç düğüm (edge node) teknolojilerini kullanır. Geleneksel mimaride verinin işlenmesi için merkezi buluta gitmesi gerekir. Edge ile bu milisaniyelik gecikmeyi (insan işleyişinde önemsiz gibi gözüken bu süre otonom araçlar ve endüstriyel robotlar için hayati bir zamana denk gelebilmekte) mümkün olan en iyi şekilde azaltmak söz konusudur. Uç teknolojisi ile karar merkeze sorulmadan uçta alındığı için YZ modelleri artık sadece merkezde değil, baz istasyonlarının içindeki uç sunucularda (Edge) koşmaktadır. Edge mimarileri veri gecikmesini azaltırken bazı senaryolarda veri güvenliğini artırma potansiyeli de sunar.
Yeşil odaklı çalışmalar hem teknoloji hem diğer alanlarda oldukça önem kazanmış durumdadır. Daha önceki makalelerden (makale 1, makale 2) yeşil bilişimin önemini hatırlayabilirsiniz. Öngörülebilir ağlar ve AI-RAN bu konuda da önemini göstermektedir. Şebekenin en çok enerji tüketen kısmı olan radyo erişim şebekesi (RAN), yapay zekâ ile optimize edilir. Tahminleyici Uyku Modları: AI, trafik yoğunluğunu öngörerek baz istasyonlarını veya belirli frekans bantlarını dinamik olarak "derin uyku" moduna alır. Bu da gereksiz kullanımı önlemesi bakımından oldukça önemli bir miktarda enerji tasarrufu sağlar. Ericsson verileri YZ yerleşik bir RAN mimarisinin enerji tüketimini %14 oranında azaltabileceğini öngörmektedir (Özellikle "MIMO Sleep Mode" ve AI tabanlı uyku modları sayesinde). Ayrıca, YZ yerleşik yapılar, sınırlı olan frekans kaynaklarını çok daha hassas yöneterek spektrum verimliliğinde %10 iyileşme sunar. Dinamik Bağlantı Adaptasyonu (Link Adaptation) ise bir başka verimlilik avantajını bize sunar. YZ, radyo sinyalindeki anlık değişimleri tahmin ederek cihaz ile baz istasyonu arasındaki yolu optimize eder. Bu, veri akış hızında (throughput) %20’ye varan bir artış sağlar (kaynak).
Burada kısa bir gelecek öngörüsü bırakmak istiyorum. Mobil şebekelerde veri analitiği, öngörülebilir yönetim ve yapay zekâ destekli optimizasyon yaklaşımlarının yaygınlaşması, telekom altyapılarının giderek daha otonom sistemlere dönüşmesinin önünü açmaktadır. Verilerin güvenliği, işleyişin akıcılığı, hızı ve verimliliği açısından ağların kendi durumunu algılayabilen, performansını analiz edebilen ve gerektiğinde kendi davranışını uyarlayabilen sistemler haline gelmesini ifade eden self-optimizing ve self-healing ağ kavramları öne çıkmaktadır. Bu tür ağlarda yapay zekâ modelleri trafik yoğunluğu, radyo koşulları ve kullanıcı davranışı gibi değişkenleri sürekli analiz ederek ağ kaynaklarını dinamik biçimde optimize edebilir ve olası arızaları kullanıcı deneyimini etkilemeden önce tespit edebilir.
Ayrıca, yukarıda bahsettiğimiz 6G teknolojisi AI RAN teknolojisinin bir devamı olacağı düşünülmekte ve en geç 2030’lara kadar varlığını göstermesi beklenmektedir. Burada gerçekleşmesi beklenen şey ağ yönetimi, daha üst düzey hedefler üzerinden çalışan niyet tabanlı (intent-based) mimarilere doğru evrimdir. Yukarıda bahsi geçen 6G teknolojisi ile bu aşamalara gelinmesi beklenmekte, gelecekte ağlar sadece iletişim sağlamayıp, kendi kendini onaran ve optimize eden devasa bir dağıtık zekâ platformu olacağı öngörülmektedir. Turkcell (bu vizyonu 6GEN LAB ile takip etmekte) gibi bu gelişmenin içinde olmak isteyen, gerek telekom gerek diğer teknoloji firmaları gerekli çalışmalarla destekleyerek, yapay zekâyı şebekenin "misafiri" değil, "çekirdeği" haline getirme yolunda ilerlemektedir.
Kaynakça
● https://www.turkcell.com.tr/blog/yesil-bilisim-nedir
● https://gelecegiyazanlar.turkcell.com.tr/blog/green-coding-surdurulebilir-kodlama-prati kleri-gelecegi-yazanlar
● https://ai-ran.org/mission-vision
● https://www.ericsson.com/en/ai/ran?
● https://www.ericsson.com/en/oss-bss/data-analytics?
● https://www.nvidia.com/en-us/glossary/ai-ran/
