随着视频的传输量被预测到2027年将占互联网数据流量的82%的流量,传输质量更为重要 - 每秒的延迟都可能降低参与率20%,用户仍然会放弃服务,以持续缓冲。随着5G高级和6G在地平线上发布的数据流量,用户需要超低延迟,高流量 - 不再有“好玩”,但“必须有”和预期,特别是在8K,XR,以及大量的游戏流量通过云。 实现这些质量预期不仅需要极端速度,但响应式网络在地平线上编程,以超越智能添加QOE流量和娱乐。 人工智能本土自动化可以扩展独特的QOE,但我们仍然陷入了固态系统,具有过时的内部业务政策和程序。 修复? 一个人工智能原生控制飞机,在用户注意到之前预测和解决问题。 1️. Edge-Centric Predictive QoE Modeling 1️. Edge-Centric 预测性 QoE 建模 边缘节点正在从小型数据中心发展到实时决策引擎。在边缘的AI,我们可以通过使用缓冲级别,手续和用户运动等本地指标来预测和减轻流中断。联盟式学习允许这些模型在区域范围内继续发展,而不会对隐私产生任何不利影响。想象一辆火车上的流媒体应用程序预测塔堵塞,同时在飞行中调整比特率。 2️. Closed-Loop Network Slicing with QoE Feedback 2️. 与 QoE 反馈的闭环网络剪辑 网络切割允许多个虚拟网络共享基础设施,但大多数仍然优先考虑技术指标而不是实际用户体验。人工智能原生自动化将此提升到下一个水平,通过实时采集QOE数据并实时调整切割。 3️. Cross-Layer Root Cause Analysis with Explainable AI 3️ 跨层根因分析与可解释的AI 在复杂的多域网络中识别流问题的根源原因从来不容易 - 是否是服务器,CDN错误,RAN拥堵或设备缓冲? 可解释的AI(XAI)通过在运输,应用和无线电层之间相关数据来改变这一点,以检测和解释异常。 4️. Intent-Based Streaming Policy Management 4️ 基于意图的流媒体政策管理 运营商需要从静态的,基于门槛的规则发展到基于意图的政策引擎。商业意图的例子可能是,“向地铁地区的高级订阅者提供超低延迟的实时运动”。AI会采取这样的高级别的意图,并将其转化为低级别的配置:管理边缘缓存,调节转码配置,优先考虑上链接流量,优先考虑下链接流量等。 Conclusion: Toward Autonomous Streaming Networks 结论:走向自主流媒体网络 人工智能原生自动化不再是一个选择,它对于创建智能、弹性网络至关重要,可以跟上我们今天(和明天)的流量。随着我们从5G高级到6G的过渡,获胜者将是那些能够组合基于边缘的智能,基于意图的控制,以及一些解释性的人。

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

Read My Stories

該音頻是用故事的原始語言製作的！

人工智能原生自动化在5G先进和6G

About Author

註釋

標籤

这篇文章刊登在

Related Stories

加密货币增长：创建有效的用户角色

如何将您的工作流程提高 10 倍：17 个必备应用程序

State of the Noonion: A New Era For Brands and Writers

从论坛到信息流：社交媒体算法如何塑造数字互动

加密货币增长：创建有效的用户角色

如何将您的工作流程提高 10 倍：17 个必备应用程序

State of the Noonion: A New Era For Brands and Writers

从论坛到信息流：社交媒体算法如何塑造数字互动

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps