NYHET Utvecklarna av det mobila 5G-nätet kan nu få hjälp av artificiell intelligens, AI. En avhandling från Umeå universitet visar på nya maskininlärningsmetoder som ger snabbare felsökning och bättre förståelse av mobilnätet.
Tobias Sundqvist, doktorand vid Institutionen för datavetenskap.
BildErik SandinTobias Sundqvist, industridoktorand vid Institutionen för datavetenskap, har i sin forskning utvecklat nya maskininlärningsmetoder som lär sig hur det mobila nätet beter sig utifrån felsökningsinformation som mjukvaruutvecklarna dagligen analyserar. De nya metoderna kan snabbt hitta fel och hjälpa till att förstå vad som händer i stora distribuerade system.
Tobias Sundqvist har själv jobbat som utvecklare i över 20 år inom telekom och tyckte inte att utvecklarna fått det stöd de behöver för att felsöka de enorma datamängder som produceras av radioaccessnätverket, RAN. Han beslöt då att själv ta tag i saken, och tillsammans med Umeå universitet och företaget Tietoevry fick han medel från WASP forskarskola för att ta fram nya metoder som kan analysera beteendet av RAN.
– Användandet av mobiltelefoner har ökat explosionsartat de senaste tio åren och det mobila nätet har utvecklats i samma takt. Förr var mjukvaran i RAN koncentrerad till enstaka applikationer och hade mycket färre funktioner. Idag används en distribuerad mikrotjänstarkitektur och tusentals ingenjörer uppdaterar mjukvaran med nya funktioner varje dag. Trots det analyserar utvecklarna systemet på nästan samma sätt som när mobiltelefonen först lanserades, säger Tobias Sundqvist.
Det vi som utvecklare förr behövde timmar eller veckor på oss för att analysera, kan nu AI göra inom ett par sekunder.
När något går fel i RAN, kan utvecklarna behöva spendera veckor med att analysera loggar för att identifiera eventuella fel. Tobias Sundqvist menar att det nu äntligen finns ett ljus i slutet av den långa felsökningstunneln.
– Det vi som utvecklare förr behövde timmar eller veckor på oss för att analysera, kan nu AI göra inom ett par sekunder. De metoder jag utvecklat kan snabbt hitta avvikelser i de enorma loggarna men också hjälpa till att förstå vad som händer i RAN, säger Tobias Sundqvist.
Idag väljer utvecklarna själva ut vilken information som kan användas vid felsökning och den är endast avsedd att läsas av människor. Då tusentals ingenjörer är delaktiga i mjukvaruutvecklingen, kommer informationen att ha olika format i de olika delarna av RAN.
– Detta försvårar möjligheten att analysera informationen. Vi har visat på de stora vinsterna man skulle kunna få inom felsökningen om man följde en mer generell struktur. Utvecklarna kan då få hjälp av maskininlärningsmetoder att följa vad som händer i systemet och få hjälp att identifiera vad som är ett avvikande beteende.
Tidigare forskning har i huvudsak fokuserat på hur maskininlärning kan hjälpa till att optimera RAN eller hitta avvikelser i de mätvärden som samlas in. Tobias Sundqvist tar det nu ett steg längre genom att analysera RAN-beteendet i de systemloggar som hitintills varit avsedda för människan. På så vis kan nu utvecklarna snabbare hitta de många fel som döljer sig i RAN och skynda på utvecklingen av framtidens mobila nät.
Tobias Sundqvist, Institutionen för datavetenskap, Umeå universitet
Telefon: 070-323 64 15
E-post: tobias.sundqvist@tietoevry.com
Fredagen den 21 april försvarar Tobias Sundqvist sin avhandling med titeln Maskininlärningsbaserad Diagnostik och Observerbarhet i Mobila Nätverk. Disputationen äger rum klockan 9.15 i hörsal Aula Biologica (BIO.E.203) i Biologihuset.
Umeå universitet har en central roll inom WASP, som står för Wallenberg AI, Autonomous Systems and Software Program. Syftet är att stärka svensk forskning och utbildning inom artificiell intelligens, autonoma system och mjukvara.
WASP är det största individuella forskningsprogrammet i Sverige i modern tid och har hittills investerat över sex miljarder i forskning vid de fem partneruniversiteten. Grundstommen inom WASP är en stark samverkan mellan akademi och näringsliv, bland annat genom forskarskolan.
