随着 5G 的大规模商用部署，以及 O-RAN/OpenRAN 的进一步发展，网络规模越来越大，复杂度越来越高，在可预见的未来，已经很难单靠人力完成网络的建设和运维，因此越来越多的企业和组织将目光投向 AI，希望能够借助 AI 的力量减轻网络运维的负担，提升网络整体效能，交付更高质量的网络服务。在这篇文章里，凯捷咨询的副总裁 Shamik Mishra 简要介绍了 AI 在 5G 领域的应用场景，原文链接：https://www.rcrwireless.com/20210601/open_ran/the-rise-and-rise-of-the-intelligent-ran。
所有人都认为 5G 将在 2021 年有一个良好的开端。与之前的 4G LTE 相比，5G 的商用速度快了 4 倍，截至 2020 年 12 月，全球共有 2.29 亿用户使用 5G。然而，尽管用户接受了 5G 的前景，但部署下一代无线接入网(RAN)所涉及的复杂性和维护成本正困扰着网络运营商。
在今天的移动网络中，RAN 约占全部基础设施投资的 70%，这是一个相当大的数目。网络功能虚拟化被认为是降低运营商 TCO（total cost of ownership, 总拥有成本）的关键战略。然而这个策略一开始并不是针对 RAN 的。为了最大化 5G 投资回报，运营商必须优化 RAN 的 TCO。虚拟化的、开放的无线接入网(O-RAN)体系架构为解决这一困境提供了一个很有前途的解决方案，但向 O-RAN 的演化本身就是一个重大挑战。
O-RAN 引入了一个解耦的、虚拟化的云原生系统。一方面 O-RAN 试图解耦无线基带处理软件和底层专用硬件的绑定，从而促进多厂商生态系统的发展。另一方面 O-RAN 尝试利用云原生技术的经验，从而通过规模经济降低成本。
因此，需要对无线网络软件(或基带)进行虚拟化，并开放和标准化各种接口。这种体系架构有望随着时间的推移改善整体 TCO，但它给接口验证和系统集成带来了复杂性。自动化是 O-RAN 网络设计的重中之重，但是被动的自动化不足以完全优化这种复杂的、多供应商基础设施的管理。未来取决于自治网络（Autonomous Networks）。
智能设计
利用机器学习(ML)和人工智能(AI)的能力，自治网络可以自动修复网络问题以及自动进行网络运维。但是，这需要从整个架构的不同层级模块收集数据用来训练模型，而这对于 RAN 来说是非常麻烦的事情。不过现在可以通过在解耦的 O-RAN 网络中引入开放接口促进这一过程。
网络智能化成熟度模型
从网络运营智能化的发展趋势中，我们可以看到自动化已经成为网络智能化的主要驱动力。展望未来，现代主动式自动化将成为主流，自动控制将为真正的智能网络提供可预测性。
智能控制
在 O-RAN 体系架构中，RIC（RAN 智能控制器，RAN Intelligent Controller）促进了智能自动化。这为网络管理员提供了更多可利用的接口，实现接近用户侧的功能优化。更重要的是，可以在 RAN 的不同层次上实现需要的接口，并且可以近乎实时地做出诸如边缘优化之类的决策。
RIC 使机器学习(ML)驱动的智能应用程序的开发和运行成为可能，它可以以云原生应用的方式实现特定的网络管理操作，包括移动性管理、QoE、切片和接入控制等。
这些应用程序利用分析和数据驱动的方法(如高级 ML/AI 工具)来提高资源管理能力，实时和非实时的业务功能都可以利用这些应用和方法。
为了达到目的，需要一个全面的框架。该框架需要:
- 能够从网络收集数据
- 训练和评估不同的 ML 和 AI 模型
- 创建容器化应用程序
- 为应用程序提供部署和执行推断所需要的实时数据
此外，整个过程必须依靠不断学习来提高训练模型的准确性，这是我们下一步必须关注的。
持续改进
O-RAN 的 RIC 功能是 RAN 自动化发展的基础，可以提高生产率和性能。为了达到这个目标，需要基于 RAN CU(Centralized Unit)/DU(Distributed Unit)解耦的参考体系架构实现新的可编程接口，然后可以将这些接口集成到 SDK 中，并提供给 RIC 应用程序供应商或 RAN 供应商，以增强生态系统。因此，通过简单的 API 和消费模型，可以从不同层次的接口收集数据，这些数据可用于构建和打包 RIC 应用程序，也称为 xApps。
O-RAN RIC 是 RAN 自动化的关键
xApps 可以被部署和货币化——无论是为了客户利益（比如改善 QoE），还是为了提高网络运维的生产力和性能，但这个过程并没有就此结束。
任何机器学习应用都不应该是静态的，我们需要不断学习、提高性能。理想情况下，应该建立一个应用市场来推动 RIC xApps 的业务模式。
智能 RAN 可以推动新的创新用例的开发。例如，RIC 功能的一个关键用例是优化体验质量(QoE)的能力，为此它需要收集不同的无线接口数据（流量模型、吞吐量、信道质量指标(CQI)和混合自动重复请求(HARQ)等），这些数据可能来自于很多不同的用户设备。
遥测适配器（Telemetry adaptors）可以从 RAN 层收集数据，智能应用程序可以利用这些数据来提高无线电性能。
更进一步，同样的模型可以用来完成的不仅仅是改善用户体验。也可以通过更好的 QoE 预测模型、策略模型和可用带宽预测来改进网络运营。
另一个重要的 5G 用例是实现和优化网络切片，其核心是隔离各种资源和延迟参数。另一个类似的应用程序可以用来为依赖网络性能的应用程序提供“可控 QoS”。
自动驾驶网络
当我们展望一个崭新的“自动化优先”的世界时，O-RAN 架构的发展将使这个重大转变成为可能。智能的、虚拟化的 RAN 应用程序为网络运营商提供了新的 5G 服务、网络优化和更高效的运营，同时可以减少 TCO。但首先，运营商需要营造一个可以让机器学习、人工智能能够繁荣发展的环境。
