Proyecto
Gestión de recursos virtualizados en O-RAN
Crear una infraestructura de red cohesionada y adaptativa que permita aprovechar todo el potencial de la arquitectura O-RAN para los sistemas de comunicaciones de nueva generación.
Enfoque inicial
Este proyecto aborda los desafíos derivados de la virtualización tanto de la RAN (Radio Access Network) como de componentes clave del núcleo de red dentro del ecosistema O-RAN. A medida que estos elementos virtualizados coexisten cada vez más sobre los mismos servidores COTS (Commercial Off-The-Shelf), surgen nuevas complejidades relacionadas con la gestión de recursos, la optimización de la latencia, la detección de fallos y la configuración dinámica.
Al abordar estos retos, buscamos crear una infraestructura de red cohesionada y adaptativa que permita aprovechar todo el potencial de la arquitectura abierta y flexible de O-RAN para los sistemas de comunicaciones de nueva generación. Para conseguirlo, utilizamos soluciones avanzadas basadas en IA/ML con el objetivo de:
- Garantizar una integración fluida.
- Optimizar el rendimiento.
- Mejorar la fiabilidad de estos componentes.
Caso de uso
La predicción de indicadores clave de rendimiento (KPI) constituye un caso de uso con gran potencial dentro del ecosistema Open RAN (O-RAN), utilizando analítica basada en IA para monitorizar, predecir y optimizar de forma proactiva el rendimiento de la red.
Ante la creciente complejidad de los entornos RAN desagregados y virtualizados, los enfoques tradicionales y reactivos de gestión del rendimiento ya no son suficientes. El análisis predictivo de KPI permite abordar esta limitación y ayuda a los operadores a mejorar la calidad del servicio, reducir los tiempos de inactividad y optimizar la utilización de los recursos.
La predicción de KPI en O-RAN plantea varios desafíos importantes, entre otros:
- El enorme volumen y variedad de datos generados por componentes RAN desagregados y de múltiples proveedores. Su gestión puede resultar compleja y requiere sistemas robustos para la recopilación, integración y procesamiento de los datos.
- La inmediatez, ya que las predicciones deben generarse con suficiente rapidez para permitir acciones correctivas en tiempo real y minimizar cualquier impacto sobre el rendimiento de la red.
- La alta capacidad de adaptación y generalización de los modelos de IA/ML utilizados para la predicción. Estos deben ser capaces de mantener su precisión ante diferentes condiciones de red, configuraciones e implementaciones de distintos proveedores.
Superar estos retos es esencial para aprovechar plenamente el potencial de la analítica predictiva dentro del ecosistema O-RAN y avanzar hacia una gestión de red más inteligente y proactiva.
Línea de innovación
Nuestra línea de innovación en predicción de KPI se centra en el desarrollo de xApps avanzadas que utilizan modelos Long Short-Term Memory (LSTM) de última generación para predecir métricas críticas de rendimiento de la red.
Los modelos LSTM, caracterizados por su capacidad para capturar dependencias temporales, resultan especialmente adecuados para analizar los datos de series temporales generados por los sistemas Open RAN (O-RAN). Mediante estos modelos, nuestras xApps pueden predecir métricas clave —como latencia, throughput, pérdida de paquetes o consumo de recursos— con un alto nivel de precisión.
Esta capacidad predictiva permite una gestión proactiva de la red, ayudando a los operadores a abordar posibles incidencias antes de que afecten a su rendimiento. Este enfoque no solo mejora la eficiencia y fiabilidad de los sistemas O-RAN, sino que también facilita el despliegue de redes inteligentes, adaptativas y dinámicas, capaces de responder a las exigencias de los servicios de nueva generación.
Hablemos
Analizamos cada necesidad desde su contexto real para determinar qué tiene sentido construir y cómo hacerlo.