Testing

Category: Capacity Planning

  • How to enhance accuracy and efficiency of Network Analytics for 5G

    How to enhance accuracy and efficiency of Network Analytics for 5G

    As 5G gains traction, CSPs will look to unearth its potential benefits. However, what 5G will also bring in is a compound effect of the challenges that CSPs face already.

    The Three Challenges CSPs face

    The first of these challenges pertains to the increasing capex intensity which is plaguing the telecom industry, which currently stands at 16%, the highest among any other sector in the world. The second challenge comes from the growing network complexity which is quickly as CSPs continue to pursue network-wide densification and virtualization. The final challenge comes from the fact that customer expectations, as it historically has, is rising in multiples, and with the number of connected devices and subscribers being added to the mix increasing, and leading to the an increase in data volumes, the expectations of customers is rising manifold.

    The above challenges are ones CSPs need to deal with in a 4G environment, and the 5G landscape is only set to accelerate these trends further.

    How will 5G change things

    One of the better-known advantages that come with 5G is the fact that it opens up CSPs to operator in a new arena beyond the usual consumer space: Enterprises. With 5G CSPs will play an integral instrument for driving newer use cases around IoT, industrial automation, smart cities, autonomous vehicles, robotic surgery and a lot more. What this means is that, for CSPs, 5G use cases will now bring in 3 larger use cases:

    1. eMBB (Enhanced Mobile Broadband) – which is designed for better user experiences on consumer devices, providing extreme network speeds and capacity

    2. mMTC (Massive Machine-type Communication) – which aims to provide connectivity to a huge number of devices whose traffic profile is typically a small amount of data (spread) sporadically.

    3. URLLC (Ultra-Reliable Low Latency Services) – which focusses on low latency, high reliability and high availability aspects

    With a focus around these three overarching use cases, 5G promises to deliver superior experience to not just subscribers but enterprises also. From a consumer angle, for close to 60% of smartphone users, the highest expectation for 5G is to deliver speeds faster than current mobile networks. Across the globe, data consumption is increasing by more than 40 percent every year. Video in particular will account for 75 percent of network traffic by 2024, up from 55 percent today. Networks will need to adapt from Standard and High Definition video resolution to 2K and 4K, placing higher requirements on speed and quality. Further into the future, services like AR/VR applications will put even higher requirements on network performance. This demand for better customer experience means that operators must continuously adapt and expand network capacity.

    From an Enterprise standpoint, with 5G having the capability to reduce latency to sub-milliseconds, businesses can start to consider the nexus between cloud, mobile and enterprise applications. More features and functionality can be extended to the mobile fleet and frontline employees. The use cases for ultralow latency apps can be vertical specific. This can include the financial services for high-frequency trading, as well as mining and energy companies rolling out autonomous fleets that are highly responsive to their environments. Moreover, 5G complements other emerging technologies such as AI/ML, robotics and IoT to further drive enterprise digital transformation both internally within an organization as well as externally in customer engagements.  Of course, at the end of the day, 5G is a telecom technology, and hence CSPs will be at the heart of driving 5G within the enterprise. However, this will also mean a new area where CSPs will need to direct capacity.

    What all the above add to is the need to build Superior experiences, which will be the main driver to generate new revenue stream in 5G era.

    The Need for Intelligent Capacity Management

    The main enabler to provide a superior experience will be an   approach based on Artificial Intelligence and Machine Learning. With capacity as the main enabler for raising speed to the 10x Gbps mark an Intelligent Capacity Management approach will in-turn help to meet the future growth requirements of massive device volumes.

    In line with this, an accurate capacity management process will help CSPs to differentiate themselves from the competition. Why Accuracy? Accuracy is key in any capacity management process as it directly impacts the Capex and ROI. An Intelligent Capacity Management solution built on Intelligent Data Management, Advanced Automation, and Domain-Driven Data Science, can help network planners achieve accuracy in each phase of capacity management process of Assessing, Planning and Optimizing capacity augmentations.

    Intelligent Capacity Management for Better Network Planning

    To succeed in the 5G journey, CSPs will need to make the right investments to gain competitive advantage and enhance end-user experience. However, such investments are highly cost intensive, both in terms of Capex and Opex. Any inaccuracies in the overall network investment planning can lead to unintended impacts on company financials and can create significant network inefficiencies. Hence, an Intelligent Capacity Management can help ensure accuracy to make the right Network Investment Plans.

    Intelligent Capacity Management for Better Customer Experience

    5G will also enable CSPs to increase revenues due to its potential of not only transforming mobile communications, but also completely replacing broadband internet. Considering most 5G deployments are focusing on FWA (Fixed Wireless Access) as the first use case, this is clearly the intent among most telecom operators. However, this will demand a dramatically broader capacity than CSPs are generally used to providing. This can only be achieved through an Intelligent approach to Capacity Management.

    Business Benefits of Intelligent Capacity Management

    An Intelligent Capacity Management Approach can bring about a:

    • 70%+ Increase in Accuracy
    • 80%+ Increase in Operational Efficiency
    • 7%+ Increase in Capex Efficiency
    • 10%+ Increase in ROI

    Read a case study on how we helped a Tier-I telcos increase their revenues by over 12% through intelligent network investment planning.

    Download Now

  • Creación de un caso de Advance Analytics en el proceso de Planificación de la capacidad

    Creación de un caso de Advance Analytics en el proceso de Planificación de la capacidad

    Ha habido un crecimiento significativo de datos en el mundo de las telecomunicaciones durante la era moderna de las tecnologías móviles, es decir, 4G y 5G. Si bien el crecimiento de los datos a menudo se ha comercializado como una enorme ventana de oportunidad, en realidad, los volúmenes de datos en constante expansión son abrumadores para los sistemas existentes, lo que indirectamente genera problemas relacionados con la eficiencia operativa y el rendimiento de la red. Para utilizar el vasto volumen de datos estructurados y no estructurados, las organizaciones deben tener las soluciones adecuadas impulsadas por la innovación para maximizar su potencial de ingresos.

    Como parte del equipo de gestión de la capacidad de la red, me gustaría profundizar en lo anterior desde la perspectiva de la planificación de la capacidad. En la planificación de la capacidad de la red, es esencial identificar las posibles deficiencias o, en otras palabras, los factores que pueden afectar la eficiencia y el rendimiento de la red. Algunos de estos factores incluyen la necesidad de expansión de capacidad debido a la falta de disponibilidad de recursos de red adecuados para manejar la demanda de tráfico, o un requisito de optimización en el plan de inversión de la red para una mejor utilización de los recursos existentes. Tradicionalmente, la mayoría de estas decisiones se toman manualmente, lo que todos estamos de acuerdo, no es práctico, eficiente o incluso a prueba de errores. Un sistema de gestión de capacidad basado en IA es la necesidad actual para aprovechar todo el potencial de los recursos y los datos de la red.

    Cómo la IA (Inteligencia Artificial) puede mejorar la Gestión de capacidad

    La inteligencia artificial y la analítica avanzada son términos que se utilizan mucho en todas las industrias, especialmente en los equipos de marketing. Sin embargo, más allá de la “palabra de moda”, estas tecnologías tienen un papel esencial que desempeñar para permitir mejoras de los procesos tradicionales actuales. Las soluciones de gestión de capacidad impulsadas por Advanced Analytics o Análisis Avanzados pueden ayudar a los usuarios a descifrar información relevante para obtener información útil mediante la aplicación de análisis de datos, análisis predictivo, predicciones y modelos de optimización. Estos conocimientos, respaldados por datos y ajustados a través del aprendizaje automático, pueden ayudar a las organizaciones a tomar las mejores decisiones posibles al anticipar e implementar los cambios de red necesarios antes de la curva de demanda.

    Un componente importante para proporcionar recomendaciones confiables de planificación de inversiones en red (NIP en adelante) hacia la mejora / optimización de la capacidad es a través de la previsión precisa de los KPI de capacidad. La previsión es la base sobre la que se basan las recomendaciones de NIP.

    Se puede utilizar un conjunto de modelos de pronóstico para predecir el rendimiento de la red. Estos modelos pueden clasificarse ampliamente como métodos cualitativos y métodos cuantitativos. Los métodos cualitativos se utilizan cuando los datos históricos no están disponibles o cuando los datos son ruidosos. Los métodos cuantitativos, por otro lado, hacen pronósticos basados ​​en modelos matemáticos en lugar de juicios subjetivos. La elección del modelo de pronóstico adecuado depende de muchos factores, como el contexto del pronóstico, la relevancia, la disponibilidad de datos históricos y el nivel deseado de precisión.

    ¿Cuál es el modelo de pronóstico adecuado para adoptar en su negocio?

    Los diferentes métodos de pronóstico tienen distintas ventajas y desventajas. Por lo tanto, seleccionar el método de pronóstico correcto es de vital importancia para todos los tomadores de decisiones.

    Mi equipo de ciencia de datos en Subex y yo hemos creado un modelo de aprendizaje automático patentado para el forecast  llamado CapMan4C. Durante esta experiencia, también colaboramos con un equipo de expertos en el dominio para tener claridad sobre el problema que las empresas están tratando de resolver y para comprender los datos específicos del dominio de la red.

    Traigo esta experiencia para resaltar que los pensamientos involucrados detrás de la construcción de un marco propietario para la previsión se basan en dos criterios:

    • ¿Qué nos dice nuestra experiencia en el ámbito de las telecomunicaciones?
    • ¿Qué dicen nuestros clientes?

    Con base en estos conocimientos, es evidente que se observa que los modelos tradicionales de series de tiempo de pronóstico no funcionan bien en los datos de la red. Utilizando mi experiencia previa en ciencia de datos en la industria de la salud, apliqué diferentes modelos de aprendizaje automático como árbol de decisiones, bosque aleatorio, etc., para pronosticar datos de redes de telecomunicaciones. Observé que conectar estos modelos existentes no proporciona el nivel deseado de precisión. El enfoque de aprovechar un modelo impulsado por dominios elimina los problemas mencionados anteriormente. Su marco está diseñado para que la selección de un modelo base para el pronóstico no dependa únicamente de los modelos tradicionales de series de tiempo.

    Para mejorar aún más la precisión del modelo, este tipo de marco también debe incluir tres componentes clave:

    1. Factor de actualidad: el supuesto general al trabajar con datos de series de tiempo es que todos los puntos de datos históricos tienen el mismo peso. Sin embargo, cuando se tiene en cuenta el evento “actualidad”, esta noción no siempre es válida. En teoría, un evento que ha tenido lugar más recientemente es más indicativo de la situación actual que un pasado lejano.

    2. Ingeniería de características: la ingeniería de características es un proceso creativo en el que experimentamos y extraemos características que pueden ser útiles para mejorar el modelo. Varias características, si se extraen a nivel granular de los datos (incluidos los datos de fuentes externas), pueden ayudar a identificar tendencias ocultas y estacionalidad en los datos y hacer pronósticos más profundos a partir del modelo de aprendizaje automático.

    3. Ajuste automático de hiperparámetros: los hiperparámetros son parámetros de modelos de machine learning (ML) especificados “manualmente” en función de la experiencia y la experiencia del dominio. Estos parámetros se pueden utilizar para controlar el proceso de aprendizaje, lo que puede tener un impacto significativo en el rendimiento del modelo entrenado. Cuanto más flexible y potente sea un algoritmo, más decisiones de diseño e hiperparámetros ajustables tendrá. Tradicionalmente, la búsqueda en cuadrícula o la búsqueda aleatoria se utiliza para realizar la optimización de hiperparámetros. Grid Search funciona buscando exhaustivamente a través de un subconjunto específico de hiperparámetros. Esto puede llevar mucho tiempo y resultar computacionalmente costoso. La búsqueda aleatoria es un poco mejor, pero es similar a la búsqueda en cuadrícula porque no presta atención a evaluaciones anteriores. Como resultado, los equipos de red suelen dedicar una cantidad significativa de tiempo a evaluar hiperparámetros “malos”.

    En resumen, operar una red es una tarea complicada y, independientemente de cuánta planificación se lleve a cabo, se producen problemas. Identificar el tipo correcto de enfoque impulsado por IA para la gestión de la capacidad proporciona a los planificadores de red la capacidad de analizar “escenarios hipotéticos” basados ​​en pronósticos de modelos ML. Les ayuda a tomar decisiones calculadas sobre la planificación de inversiones en redes basadas en recomendaciones basadas en inteligencia artificial (IA). Esto les ayudará a mitigar los riesgos de forma proactiva y maximizar su potencial de ingresos.

    Una manera inteligente de gestionar contratos de red

    Descarga este punto de vista

  • 2021: el año de la transformación acelerada de la red

    2021: el año de la transformación acelerada de la red

    “El secreto del cambio es concentrar toda tu energía, no en luchar contra lo viejo, sino en construir lo nuevo”.

    – Sócrates

    El 2020, fue un año que redefinió muchos aspectos de nuestras vidas y desafió a cada individuo, industria y nación a repensar, replantear estrategias, re-innovar y revivir el impacto brutal de una de las pandemias más espantosas en la historia de la humanidad. Por un lado, la pandemia provocó pérdidas en diversas formas. Por otro lado, nos llevó a cambiar el enfoque hacia la construcción de algo nuevo, que nos equiparía mejor en tiempos desafiantes.

    Mientras miramos hacia el 2021, es esencial tener en cuenta que, si bien COVID-19 aceleró las iniciativas de transformación digital, la pandemia también reiteró que la verdadera transformación digital en la industria de las comunicaciones móviles solo podría suceder a través de una ejecución integral de la estrategia de transformación de la red.

    A medida que avancemos, las redes de todo el mundo serán testigos de una aceleración en la transición de implementaciones LTE a LTE-advanced / pro, 5G-NSA (no autónomo) a 5G-SA (autónomo). La etapa puede variar de un CSP a otro, pero una cosa es evidente: la adopción de 5G está ganando impulso y está dando forma a las perspectivas del sector de las telecomunicaciones como nunca.

    En muchos sentidos, el 2021 verá algunos hitos importantes de 5G que redefinirán la búsqueda de un CSP para alterar la economía digital. No importa dónde se encuentre o estará en su viaje de transformación de red; Las siguientes tendencias críticas impulsarán innovaciones para ayudar a los CSP a darse cuenta del verdadero valor digital derivado de la red. Redefinirá el viaje de un CSP para las décadas, no solo los años venideros.

    Tendencias clave hacia la transformación de la red de LTE a 5G SA

    1. Adopción de la nube: una inversión centrada en la nube en dominios de negocios y tecnología donde las plataformas en la nube pueden permitir mayores ingresos y mejores márgenes será un paso obligatorio hacia el viaje 5G. Una empresa de telecomunicaciones puede adoptar una nube pública o una nube privada o una nube híbrida para transitar desde su infraestructura local existente. Las empresas que adopten bien la nube traerán nuevas capacidades al mercado más rápidamente, innovarán más fácilmente, reducirán los riesgos de manera efectiva y escalarán de manera más eficiente.

    Uno no puede darse cuenta del verdadero potencial de 5G sin pasar a la nube. Algunos de los significados y relevancia de la nube en el 5G son:

    • Computación de borde 5G: la tecnología 5G abre un nuevo segmento comercial para CSP, es decir, empresas. La informática de borde 5G será esencial para aprovechar estas oportunidades, ya que proporcionará recursos de infraestructura de nube distribuidos más cerca de una ubicación donde se requiera y ayudará a los CSP a aprovechar nuevas oportunidades comerciales al respaldar una variedad de casos de uso en un entorno de nube distribuida.
    • Núcleo 5G: según los nuevos estándares 3GPP para el núcleo 5G, la mayoría de las funciones serán nativas de la nube y basadas en contenedores. Nativo de la nube, un enfoque moderno para la creación y ejecución de aplicaciones que aprovechan al máximo las ventajas del modelo de computación en la nube, requerirá una infraestructura de nube robusta para una implementación independiente 5G exitosa. El enfoque nativo de la nube del desarrollo de aplicaciones para admitir funciones 5G se establecerá en contenedores, microservicios y orquestación dinámica y aprovechará las características de escalabilidad y alta disponibilidad de la nube.
    • Experiencia 5G: para ofrecer una experiencia 5G superior a consumidores y empresas, los CSP deben considerar el crecimiento exponencial de la red, los dispositivos y el volumen de datos, lo que resultará en enormes complejidades que pueden simplificarse y administrarse significativamente mediante la adopción de la nube. Esto ayudará a los CSP a implementar nuevos servicios rápidamente, innovar y escalar más rápido para satisfacer las demandas de los clientes en el menor tiempo posible.

    A continuación, se muestra un recorrido de adopción de la nube recomendado:

    “Para ser nativo de la nube, primero debe sumergirse completamente en la nube”

    2. Evolución del Open RAN: “Open RAN”, que se considera una revolución en la industria de las comunicaciones móviles, desagrega hardware y software y crea interfaces abiertas entre ellos, creando nuevas vías para la innovación, lo que eventualmente resulta en eficiencias de Capex y Opex. Antes de entrar en “por qué” la RAN abierta es una tendencia crucial para la transformación de la red, analicemos las siguientes predicciones clave de algunas de las empresas establecidas:

    GSMA:

    • A nivel mundial, se prevé que los CSP gasten el 80% del Capex del sector ($ 890 mil millones) en redes 5G durante los próximos cinco años.
    • El 57% de los CSP tienen la intención de introducir nuevos proveedores en su lista de proveedores de red.

    Omdia:

    • En 2021, las inversiones de 5G RAN superarán a las de LTE RAN, y predice que 5G representará más de la mitad de todas las inversiones de RAN durante el año.

    Deloitte:

    • Actualmente hay 35 implementaciones de RAN abiertas activas en todo el mundo.
    • Muchos de estos involucran a operadores de redes móviles que prueban el RAN abierto en mercados nuevos, rurales y emergentes.
    • Las implementaciones de Open RAN podrían duplicarse fácilmente en 2021.

    RAN (Radio Access Network) siempre ha sido un dominio de inversión intensiva, que consume más del 70% de las inversiones totales de la red. Para garantizar la rentabilidad, ha llegado el momento de que los CSP busquen una opción alternativa e innovadora. Los CSP ven abierta como una forma de acelerar la introducción de servicios y potencialmente impulsar nuevas combinaciones de servicios. Open RAN podría, a su vez, desbloquear nuevas oportunidades comerciales al permitir nuevas formas de construir redes.

    Según la encuesta de operadores Open RAN 2020 de Heavy Reading, el 20% de los operadores con ingresos superiores a $ 5 mil millones tendrán más de 1000 sitios macro al aire libre Open RAN para fines de 2023.

    De cara al futuro, Open RAN ya no es simplemente un concepto; ahora es una realidad. A partir de 2021, la mayoría de las implementaciones comerciales de Open RAN se centrarán en RU (Unidades de radio) y DU (Unidades distribuidas). A partir de 2022, se espera que comiencen las implementaciones comerciales de RIC (RAN Intelligent Controller).

     “Revolucionemos la parte más compleja y costosa de la red: la RAN”.

    3. Automatización de circuito cerrado impulsada por AI / ML: a medida que los CSP planean pasar de 5G NSA a 5G SA, la gestión de segmentos de red de extremo a extremo (e2e) será obligatoria. La complejidad del segmento de red será extremadamente alta, ya que consta de subredes de segmento de red central, transporte y RAN. Cada una de estas subredes posiblemente consta de más subredes. Por ejemplo, la subred RAN se puede descomponer aún más en funciones de red fronthaul, midhaul y RAN. La gestión manual de un entorno de segmento de red tan complejo no será una opción viable; requerirá un gran nivel de automatización.

     La automatización de la red ha evolucionado significativamente en las últimas décadas. A continuación, se muestra una vista simplificada de esta evolución:

    “Es hora de llevar inteligencia en automatización en cada parte de la red”.

    La automatización de circuito cerrado impulsada por máquinas y modelos de aprendizaje profundo es una etapa emergente y prometedora de la automatización. Redefinirá el ecosistema general de gestión y orquestación de redes.

    El proyecto Open Network Automation Platform (ONAP), un proyecto de código abierto, proporciona una plataforma para diseñar, implementar y administrar diferentes servicios de red. La última versión de ONAP (versión de Guilin) ​​ha dado un paso significativo al implementar los aspectos fundamentales de la NSSMF (función de administración de subred de segmento de red) especificada por 3GPP para las subredes de RAN, transporte y núcleo, y también se conecta a una NSSMF de RAN externa para la subred RAN. También se realizaron mejoras en la funcionalidad NSMF (función de administración de cortes de red) al unir un corte de extremo a extremo.

    Se han implementado un par de escenarios básicos de circuito cerrado (uno con aprendizaje automático realizado fuera de línea) que involucran la subred RAN y los pasos iniciales para monitorear los KPI por parte del operador / inquilino del segmento.

    Veremos mejoras significativas en los próximos lanzamientos, y ONAP, al ser un proyecto de código abierto, será un campo abierto para la innovación, no solo para los titulares sino también para las empresas emergentes.

    La pandemia de COVID-19 ha cambiado tanto la trayectoria como el ritmo de la transformación digital y probablemente continuará haciéndolo en 2021. Las tendencias clave asociadas con la transformación de la red son una invitación abierta a innovar e interrumpir. Verá a muchas organizaciones tratando de resolver algunos de los desafíos comerciales críticos y ayudando a los CSP a darse cuenta del verdadero potencial de 5G. Ofrece una oportunidad única de traer un nuevo cambio en la industria de las telecomunicaciones mediante la construcción de algo nuevo, algo nunca antes probado, algo radical y revolucionario.

    Para comprender los pilares clave y desbloquear todo el potencial de su red

    Leer el documento técnico

  • 2021: The Year of accelerated network transformation

    2021: The Year of accelerated network transformation

    “The secret of change is to focus all of your energy, not on fighting the old, but on building the new.”
    – Socrates

    2020, a year that redefined many aspects of our lives and challenged every individual, industry, and nation to rethink, re-strategize, re-innovate, and revive the brutal impact of one of the most gruesome pandemics in the history of humanity. On the one side, the pandemic led to loss in various forms. On the other, it led us to shift focus towards building something new, which would better equip us in challenging times.

    As we look forward to 2021, it is essential to note that while COVID-19 accelerated digital transformation initiatives, the pandemic also reiterated that true digital transformation in the mobile communication industry could only happen through a holistic network transformation strategy execution.

    As we move forward, networks across the globe will witness an acceleration in the transition from LTE to LTE-advanced/pro to 5G-NSA (Non-Standalone) to 5G-SA (Standalone) deployments. The stage may vary from one CSP to another, but one thing is evident: the adoption of 5G is gaining momentum and shaping the telecom sector outlook like never.

    In many ways, 2021 will see some significant 5G milestones that will redefine a CSP’s quest to disrupt the digital economy. It does not matter where you are or will be in your network transformation journey; the below critical trends will drive innovations to help CSPs realize the true digital value derived from the network. It will redefine a CSP’s journey for the decades, not merely years, to come.

    Key trends towards the network transformation from LTE to 5G SA

    1. Cloud adoption: A focused cloud-led investment in business and technology domains where cloud platforms can enable increased revenues and improved margins will be a mandatory step towards the 5G journey. A telco can either adopt a public cloud or a private cloud or hybrid cloud to transit from their existing on-premise infrastructure. Companies that adopt the cloud well will bring new capabilities to the market more quickly, innovate more easily, reduce risks effectively, and scale more efficiently.

    One cannot realize the true potential of 5G without moving to the cloud. Some of the significance and relevance of the cloud in the 5G are:

    • 5G edge computing: 5G technology opens a new business segment for CSPs, i.e., enterprises. 5G edge computing will be quintessential to realize these opportunities as it will provide distributed cloud infrastructure resources closer to a location where it is required and will help CSPs tap into new business opportunities by supporting a variety of use cases in a distributed cloud environment.
    • 5G core: As per the new 3GPP standards for 5G core, most of the functions will be cloud-native and container-based. Cloud-native, a modern approach to building and running applications that fully exploit the advantages of the cloud computing model, will require a robust cloud infrastructure for successful 5G standalone deployment. The cloud-native approach of application development to support 5G functions will be established in containers, microservices, and dynamic orchestration and will leverage the scalability and high-availability characteristics of the cloud.
    • 5G experience: To offer a superior 5G experience to consumers and enterprises, CSPs need to consider the exponential growth in network, devices, and data volume, which will result in enormous complexities that can be significantly simplified and managed through cloud adoption. This will help CSPs roll out new services quickly, innovate, and scale faster to meet the customer demands in the shortest time.

    A recommended cloud adoption journey is shown below:

     

    “In order to be cloud-native, you need to first immerse yourself completely into the cloud”

    2. Open RAN Evolution: “Open RAN,” which is seen as a revolution in the mobile communication industry, disaggregates hardware and software and creates open interfaces between them, creating new avenues for innovation, eventually resulting in Capex as well as Opex efficiencies. Before I get into “why” open RAN is a crucial trend for network transformation, let’s look into below key predictions by some of the established firms:

    GSMA:

    • Globally, it is forecasted that CSPs will spend 80% of the sector’s Capex ($890 billion) on 5G networks over the next five years
    • 57% of CSPs intend to introduce new vendors into their network supplier roster

    Omdia:

    • 2021 will see 5G RAN investments will exceed those in LTE RAN, and it predicts that 5G will account for more than half of all RAN investments during the year

    Deloitte:

    • There are currently 35 active open RAN deployments across the globe
    • Many of these involve MNOs testing open RAN in greenfield, rural, and emerging markets.
    • Open RAN deployments could easily double in 2021.

    RAN (Radio Access Network) has always been an investment-intensive domain, consuming more than 70% of overall network investments. To ensure profitability, it is now time for CSPs to look for an alternative and innovative option. CSPs see open as a way to accelerate service introductions and potentially drive new service combinations. Open RAN could, in turn, unlock new business opportunities by enabling new ways of building networks.

    As per Heavy Reading’s 2020 Open RAN operator survey, 20% of operators with revenues greater than $5 billion will have 1000+ Open RAN macro-outdoor sites by the end of 2023.

    As we look ahead, Open RAN is not merely a concept anymore; it is now a reality. From 2021 onwards, most of the Open RAN commercial deployments will be centered around RUs (Radio Units) and DUs (Distributed Units). From 2022 onwards, RIC (RAN Intelligent Controller) commercial deployments will be expected to start.

    “Let’s revolutionize the most complex and cost intensive part of the network: the RAN.”

    3. AI/ML-driven Closed-Loop Automation: As CSPs plan to transit from 5G NSA to 5G SA, end-to-end (e2e) network slice management will become mandatory. Network slice complexity will be extremely high as it consists of RAN, transport, and core network slice subnets. Each of these subnets possibly consists of further subnets. For example, the RAN subnet can be decomposed further into fronthaul, midhaul, and RAN network functions. Managing such a complex network slice environment manually will not be a feasible option; it will require a hyper-level of automation.

     Network automation has evolved significantly over the last few decades. A simplified view of this evolution is shown below:

    “It is time to bring intelligence in automation across every part of the network.”

    Closed-loop automation powered by machine and deep learning models is an emerging and promising stage of automation. It will redefine the overall network management and orchestration ecosystem.

    The Open Network Automation Platform (ONAP) project, an open-source project, provides a platform for designing, implementing, and managing different network services. The latest ONAP release (Guilin release) has taken a significant step by implementing the fundamental aspects of the 3GPP-specified NSSMF (Network Slice Subnet Management Function) for the RAN, transport, and core subnets, and also connecting to an external RAN NSSMF for the RAN subnet. Enhancements were also made to NSMF (Network Slice Management Function) functionality in stitching together an end-to-end slice.

    A couple of basic closed-loop scenarios (one with Machine Learning done offline) involving the RAN subnet and initial steps to monitor KPIs by the operator/slice tenant have been implemented.

    We will see significant enhancements in upcoming releases, and ONAP, being an open-source project, will be an open ground for innovation, not just for incumbents but for start-ups as well.

    The COVID-19 pandemic has changed both the trajectory and the pace of digital transformation and will likely continue to do so into 2021. The key trends associated with network transformation are an open invitation to innovate and disrupt. It will see many organizations trying to solve some of the critical business challenges and helping CSPs realize the true potential of 5G. It offers a unique opportunity to bring a fresh change in the telecom industry by building something new, something never tried before, something radical and revolutionary.

    To understand the key pillars, and unlock the full potential of your network

    Read The Whitepaper

  • Building a Case for Advanced Analytics in the Capacity Planning process

    Building a Case for Advanced Analytics in the Capacity Planning process

    There has been significant data growth in the world of telecommunications during the modern era of mobile technologies, i.e., 4G and 5G. While data growth has often been marketed as a massive window of opportunity, in reality, the ever-expanding volumes of data are overwhelming for existing systems, thereby indirectly leading to issues concerning operational efficiency and network performance. To utilize the vast volume of structured and unstructured data, organizations must have the right innovation-driven solutions to maximize their revenue potential.

    As a part of the network capacity management team, I would like to elaborate on the above from the perspective of capacity planning. In network capacity planning, it is essential to identify potential shortcomings or, in other words, factors that can impact network efficiency and performance. Some of these factors include the need for capacity expansion due to the unavailability of adequate network resources for handling the traffic demand, or an optimization requirement in the network investment plan for better utilization of existing resources. Traditionally, most of these decisions are made manually, which we all can agree, is not practical, efficient, or even error-proof. An AI-based capacity management system is the need of the hour to exploit the full potential of resources and network data.

    How AI can enhance Capacity Management

    AI and advanced analytics are terms that get used a lot, across industries, especially by marketing teams. However, beyond the ‘buzzword,’ these technologies have an essential role to play in enabling improvements from current, traditional processes. Advanced analytics-driven capacity management solutions can help users decrypt relevant information to derive useful insights by applying data analysis, predictive analytics, forecasting, and optimization models. These insights, backed by data, and fine-tuned through Machine Learning, can help organizations make the best possible decisions by anticipating and implementing necessary network changes ahead of the demand curve.

    A significant component for providing reliable Network Investment Planning (NIP henceforth) recommendations towards Capacity Enhancement/Optimization is through the accurate forecasting of capacity KPIs. Forecasting is the foundation on which NIP recommendations are based.

    A pool of forecasting models can be used to predict network performance. These models can be broadly classified as qualitative methods and quantitative methods. Qualitative methods are used when historical data is not available or when data is noisy. Quantitative methods, on the other hand, make forecasts based on mathematical models rather than subjective judgement. Choosing the right forecasting model depends on many factors like the context of forecast, relevance, availability of historical data and the desired level of accuracy.

    Which is the right forecasting model to adopt for your business?

    Different forecasting methods have distinct advantages and disadvantages. Therefore, selecting the right forecasting method is of critical importance to all decision-makers.

    My data science team at Subex and I have built a proprietary machine-learning model for forecasting called CapMan4C. During this experience, we also collaborated with a team of domain experts to have clarity on the problem which businesses are trying to resolve and to understand data specific to the network domain.

    I bring up this experience to highlight that the thoughts involved behind building a proprietary framework for forecasting are based on two criteria:

    • What does our expertise in the telecom domain tell us?
    • What do our customers say?

    Based on these insights, it is evident that traditional forecasting time series models are observed to not perform well on network data. Using my prior data science experience in the healthcare industry, I applied different machine learning models like decision tree, random forest, etc., for forecasting on telecom network data. I observed that plugging in these existing models do not provide the desired level of accuracy. The approach of leveraging a domain-driven model eliminates the problems mentioned above. Its framework is designed so that the selection of a base model for forecasting does not solely depend on traditional time series models.

    To further enhance the accuracy of the model, this kind of framework also needs to include three key components:

    1. Recency factor – The general assumption while working with time series data is that all the historical data points have equal weightage. However, when the event ‘recency’ is accounted for, this notion does not always hold. In theory, an event that has taken place more recently is more indicative of the current situation than a distant past.
    2. Feature engineering –Feature engineering is a creative process in which we experiment and extract features that can be useful for enhancing the model. Several features, if extracted at a granular level from the data (including data from external sources), can help identify hidden trends and seasonality in data and make more insightful forecasts from the machine learning model.
    3. Auto-hyperparameter tuning– Hyperparameters are parameters of ML-models specified by “hand” based on expertise and domain experience. These parameters can be used to control the learning process, which can significantly impact the performance of the trained model. The more flexible and powerful an algorithm is, the more design decisions and adjustable hyper-parameters it will have. Traditionally, Grid Search or Random search is used to perform hyperparameter optimization. Grid Search works by searching exhaustively through a specified subset of hyperparameters. This can be very time consuming and computationally expensive. Random search is slightly better but is similar to Grid Search because it pays no attention to past evaluation. As a result, network teams often spend a significant amount of time evaluating “bad” hyperparameters.

    In summary, operating a network is a complicated endeavor, and regardless of how much planning takes place, problems do occur. Identifying the right kind of AI-driven approach toward capacity management provides network planners the ability to analyze “what-if scenarios” based on forecasts from ML models. It helps them take calculated decisions on Network Investment Planning based on AI-based recommendations. This will help them to mitigate risks proactively and maximize their revenue potential.

    To understand these key pillars, and unlock the full potential of your network

    Read This Whitepaper