С флуоресцентното видео, което се очаква да представлява 82% от интернет трафика до 2027 г., хостингът на събития на живо с окуражаващо качество е по-важен от всякога - всяка секунда от забавянето може да намали ангажимента с 20%, а потребителите все още изоставят услугата за малко буфер. С разпространението на 5G-Advanced и 6G на хоризонта, потребителите се нуждаят от ултра-ниска латентност с висок пропуск - вече не е „приятно да имаш“, а „трябва да имаш“ и се очакваме особено в 8K, XR и много от игрите, които се предават чрез облака. Постигането на тези очаквания за качество ще изисква не само екстремни скорости, но и отзивчиви мрежи, програмирани да Интелигентен контрол, който предсказва и решава проблеми, преди потребителите дори да забележат. 1️. Edge-Centric Predictive QoE Modeling Edge-Centric Predictive QoE Моделиране Крайните възли се развиват от малки центрове за данни в двигатели за вземане на решения в реално време. С AI на ръба можем да предвидим и смекчим прекъсванията в потока, като използваме локални показатели като нива на буфер, прехвърляния и движение на потребителите. Федерираното обучение позволява на тези модели да продължат да се развиват регионално, без да имат вредно въздействие върху неприкосновеността на личния живот. 2️. Closed-Loop Network Slicing with QoE Feedback Closed-Loop Network Slicing с QoE обратна връзка Мрежовото рязане позволява на няколко виртуални мрежи да споделят инфраструктура, но повечето все още дават приоритет на техническите показатели пред реалния потребителски опит. AI-native автоматизацията води това до следващото ниво, като взема данни за QoE в реално време и адаптира частите в реално време.Ако потребителят на човешки способности или AR/VR потокът падне, той може да насочва трафика, да променя честотната лента или да променя приоритетите на RAN без участието на хора. 3️. Cross-Layer Root Cause Analysis with Explainable AI Cross-Layer Root Cause Analysis с обяснителен AI Никога не е лесно да се идентифицира коренната причина за проблеми със стрийминг в сложни мултидоменни мрежи – дали това е сървър, пропускане на CDN, претоварване на RAN или буфериране на устройства? Обяснимият AI (XAI) променя това, като корелира данните в транспорта, приложението и радио слоевете, за да открива и обяснява аномалии. 4️. Intent-Based Streaming Policy Management 4️. Управление на политиката за стрийминг въз основа на намерения Операторите трябва да се развиват от статични, базирани на прагове правила и към базирани на намерения двигатели на политиката. Пример за бизнес намерение може да бъде: "Доставяне на живите спортове в ултра-ниска закъснение на премиум абонати в метрото райони." AI ще вземе такова високо ниво на намерение и го преведе в конфигурации на ниско ниво: управление на кеши, модулиране на профили за транскодиране, приоритети на трафика на връзки, приоритети на трафика на връзки надолу и т.н. Ако двигателят открие отклонение, като например повишено отблъскване по време на живите спортни излъчвания, той може да се коригира чрез промяна на политиките в реално време. Conclusion: Toward Autonomous Streaming Networks Заключение: Към автономни стрийминг мрежи AI-native автоматизация вече не е опция, тя е от жизненоважно значение за създаването на интелигентни, устойчиви мрежи, които могат да следват начина, по който тече днес (и утре). Тъй като ние преминаваме от 5G-Advanced към 6G, победителите ще бъдат тези, които са в състояние да се съберат на ръба на базата на интелигентност, контрол, базиран на намерение, плюс някои обяснимост. Правете го правилно, и вие не сте само намаляване на скоростта - вие сте задаване на темпото в стрийминг.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

Това аудио е създадено на оригиналния език на историята!

AI-Native автоматизация в 5G-Advanced и 6G

About Author

КОМЕНТАРИ

ЗАКАЧВАЙТЕ ЕТИКЕТИ

ТАЗИ СТАТИЯ Е ПРЕДСТАВЕНА В

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps