La sostenibilità per TIM

Bilancio di Sostenibilità 2023

Vogliamo contribuire ad accelerare la crescita sostenibile dell’economia e della società portando valore e benessere alle persone, alle aziende, alle istituzioni. Approfondisci

Ultimi Comunicati Stampa

Redazione ufficio stampa

Leggi gli ultimi comunicati stampa e naviga nell'archivio dell'Ufficio Stampa del Gruppo TIM. Leggi i comunicati

L’Intelligenza Artificiale per l’ottimizzazione energetica della rete di accesso radiomobile

TIM sta analizzando algoritmi evoluti, anche basati su Intelligenza Artif iciale, in grado di migliorare l’efficienza energetica minimizzando l’impatto sulle prestazioni in termini di Quality of Experience (QoE). Tali algoritmi possono essere classificati in due categorie, in base all’architettura descritta

in Fig.A:

  • algoritmi, anche basati su soluzioni di Intelligenza Artif iciale, integrati nei nodi radio 4G e 5G e resi disponibili dai fornitori (in particolare Ericsson e Nokia per la rete TIM) attraverso le “features” software dei nodi stessi;
  • soluzioni di Intelligenza Artif iciale “vendor agnostic” che utilizzano i dati raccolti dalla rete ed utilizzano le interfacce di “automatic configuration management” per impostare opportune policies di configurazione, che controllano le features al punto precedente.

Figura A: Architettura algoritmi

Clicca qui per ingrandire l'immagine

In entrambi i casi, le soluzioni di fatto intervengono, anche se in modo diverso, sullo “spegnimento” totale o parziale delle celle. Per la descrizione delle feature RAN disponibili per i RAN vendor per l’efficientamento energetico fare riferimento Notiziario Tecnico TIM 2-2023 “5G ed efficientamento energetico”. L’architettura descritta è coerente con l’impostazione introdotta nel N. 1-2023 del Notiziario Tecnico TIM, che prevede una piattaforma aperta di “service management ed Orchestration” (Open SMO), “Cloud native” e sviluppata a micro-servizi, e in linea con quanto definito negli standard di riferimento O-RAN Alliance e 3GPP. L’attuazione di strategie di risparmio energetico, tramite l’attivazione delle diverse funzionalità del singolo nodo di rete, deve tenere conto di diversi fattori quali il numero e le diverse tipologie di celle che coprono la stessa area geografica, le frequenze utilizzate, nonché il volume di traffico dati e il numero di terminali connessi alla rete nelle diverse ore della giornata. L’elevato numero di variabili in gioco, la relazione con il consumo energetico e la loro variazione nel tempo, rendono piuttosto complessa la scelta ottima di quali componenti disattivare e in quali momenti della giornata, in particolare se si vuole tenere conto sia del criterio di risparmio energetico che sia della qualità del servizio offerto. Attraverso l’adozione di tecniche di AI/ML è possibile creare un modello che apprenda il comportamento del singolo nodo o piccoli cluster di nodi in relazione alle caratteristiche tecniche e di traffico e al consumo energetico nelle diverse condizioni operative e alla posizione geografica delle aree servite. Introducendo nei modelli ML anche la misura istantanea delle prestazioni di rete, si può stimare l’effetto dello spegnimento delle diverse componenti radio congiuntamente sia sul consumo energetico sia sulla qualità del servizio. In questo modo è possibile determinare un buon compromesso tra la riduzione dei consumi e le prestazioni di rete offerte ai clienti.
In Fig.B sono rappresentati i grafici del traffico dati su due layer frequenziali e il consumo energetico del nodo corrispondente. Si può notare come allo spegnimento notturno del layer frequenziale usato per offrire capacità, si osserva una riduzione significativa del consumo energetico.

Figura B: Esempio di traffico dati e risparmio energetico ottenuto dallo spegnimento di celle in un nodo campione

Clicca qui per ingrandire l'immagine

L’adozione di modelli predittivi, opportunamente addestrati sui dati di rete, permette di anticipare le variazioni di traffico in tutte le ore della giornata ed applicare le strategie descritte ai passi precedenti in modo proattivo, evitando cioè di reagire alle variazioni potenzialmente in ritardo e non solo in intervalli prefissati (tipicamente notturni). Gli algoritmi appena descritti sono addestrati e testati negli ambienti di prototipazione (“sandbox”) collegati ai sistemi TIM utilizzati in campo, tipicamente utilizzando dati relativi a porzioni di rete. L’approccio consente un tuning “in campo” ed un’integrazione con le funzionalità di management che agiscono sulle configurazione dei nodi di rete, gestendo in modalità “CI/CD” le diverse fasi del ciclo di vita dei modelli, che vanno sotto il nome di MLOps ( NOtiziario Tecnico TIM 2-2023 “L’Intelligenza Artificiale per il saving energetico delle centrali”).

 

andrea.buldorini@telecomitalia.it
gianluca.francini@telecomitalia.it
giovanna.zarba@telecomitalia.it