Det svenska teknikföretaget Waystream som utvecklingar lösningar för fibernät har startat ett forskningsprojekt om maskininlärning relaterat till drift av bredbandsnät och stadsnät.
Projektets mål är att utvärdera olika metoder för maskininlärning och artificiell intelligens kopplat till drift av fiberbaserade bredbandsnät för att därigenom förbättra tillgänglighet och stabilitet för användare.
Forskningsprojektet har initierats av Waystream och består av deltagare från flera organisationer. Forskningsinstitutet RISE ingår i projektet och bidrar med expertis inom artificiell intelligens och maskininlärning. Även den svenska nätoperatören Lunet som driver stadsnät i Luleå deltar i projektet som leds av Johan Sandell, CTO på Waystream.
”Artificiell intelligens och maskininlärning skapar nya möjligheter för att analysera stora datamängder för att hitta avvikelser från det normala. Om man tillämpar det här på den typ av information som Waystreams switchar tillhandahåller via telemetri så kan man snabbare hitta fel som påverkar trafiken i näten. För en stadsnätoperatör innebär det att man kan få larm om förändringar som man annars inte hade sett förrän det redan påverkar stora kundgrupper. Målet är alltså att undersöka nya verktyg för nätoperatörer att använda för att snabbare lokalisera, eller till och med förutse fel och sätta in åtgärder som minskar störningar för användare”, säger Johan Sandell.
Waystream introducerade tekniken telemetri i sina produkter i slutet av 2019. Med hjälp av telemetri kan tusentals parametrar som berättar hur nätet mår samlas in från varje switch varje minut. I ett stort nät kan det finnas hundratals, till och med tusentals switchar. Genom aktiv kvalitetsmätning och passiv monitorering skapas därmed en unik insikt för hur nätet fungerar.
”Det handlar om enorma datamängder som finns tillgängliga för analys. Fler än vad en människa ensam kan hålla koll på. Samtidigt förmedlar varje parameter viktig information. Därför är maskininlärning, där systemen bland annat lär sig vad som är det normala vid varje tidpunkt varje dag i veckan så användbara. När någon av dessa tusentals parametrar avviker från det normal kan man göra en automatiserad analys och larma driftspersonalen om avvikelsen är allvarlig. Det är målet”, förklarar Johan Sandell.
Stadsnätoperatören Lunet ingår i projeket genom att bland annat tillhandahålla insamlad data som visar på både normaltillstånd och verkliga händelser som påverkar kunderna. Daniel Henriksson på Lunet jobbar dagligen med driften av nätet.
”Vi ser en stor potential i den här typen av teknologi. Vi arbetar dagligen med olika typer av problem som påverkar våra tjänster och kundernas upplevelse. Ibland handlar det om problem ute på Internet som påverkar våra kunder. Där är det värdefullt att snabbt identifiera om orsaken ligger utanför vårt nät så att vi inte lägger tid i onödan på att felsöka. I ett annat fall kan det vara en störning som är väldigt lokal, kanske en specifik stadsdel i nätet är drabbad. Då vill man kunna informera kundtjänst och våra kunder om situationen och hur det påverkar tjänsterna. Därför är det här projektet så relevant för oss”, säger Daniel Henriksson.
Forskningsprojetet stödjs av Vinnova i syfte att sprida tekniken med maskininlärning till svenska företag och möjliggöra korsbefruktning av AI-kunskap mellan olika tillämpningsområden. Den tekniska expertisen inom området kommer från forskningsinstitutet RISE. Dr. Rami Mochaourab är expert inom maskininlärning. Han säger:
”Vi är ett team inom RISE som deltar i projektet. För oss är det här en spännande tillämpning, att se hur olika tekniker för maskininlärning kan användas på telekomnät och inte minst stadsnät som ju är en viktig del av den moderna infrastrukturen för kommunikation. Det finns en dubbelriktad kunskapsöverförsel här som är till gagn även för RISE då det ökar vår föreståelse inom fiberaccess och stadsnät”, säger Rami Mochaourab.
Forskningsprojektet sträcker sig in i 2021, men redan efter sommaren 2020 kommer de första resultaten att kunna presenteras till de deltagande organisationerna.