NexGen Comms
Sammanfattning
Kunden är en amerikansk mobilnätsoperatör i Tier 1-segmentet och ett av världens största telekombolag. LTTS genomförde två projekt åt dem, som båda syftade till samma sak: att ersätta mänskliga reaktioner med tekniskt utvecklad förutsägbarhet.
I nätverket byggde LTTS ett AI-baserat rådgivande beslutsstödssystem för att omvandla supporten för radioåtkomst från reaktiv till proaktiv: modeller för avvikelsedetektering som bearbetar över 20 TB live-, historiska, kontextuella och expertdata, utformade med målet att flaggar fel som påverkar tjänsten mer än 24 timmar i förväg. På den kommersiella sidan automatiserade LTTS testningen av nätverkstjänsterna som är en förutsättning för varje lansering av ett grossistvarumärke, vilket minskade regressionscyklerna från timmar och dagar till minuter.
Läs hela fallstudien. När som helst, var som helst
Ladda ner fallstudienUtmaningen
Ett nationellt radionätverk drabbas ständigt av mindre störningar, och operatören får reda på detta via sina kunder. Felhanteringen är larmstyrd, och ett larm är ett kvitto: det bekräftar att något redan har gått sönder. Därefter följer utryckningar och ärenden.
Samma reaktiva inställning präglade grossistverksamheten. Att lansera ett nytt MVNO-varumärke på operatörens nätverk innebar manuella tester i alla miljöer med flera leverantörsteam i kedjan. Långa ledtider, ingen rapportering av drifttid och ärenden om kundupplevelsen som det första tecknet på försämrad kvalitet.
Operatören ville ha samma sak på båda områdena: att vara först med att få reda på det
Teknisk komplexitet
Båda problemen är svåra av skäl som inte framgår i en demonstration.
Ett larm är en bekräftelse, inte en varning.
Larmkanalen är dessutom full av störningar. En publicerad analys av en operatörs datamängd från sju dagar, omfattande över 5,5 miljoner larm, visade att ungefär 49 % var falska larm som filtrerades bort helt och hållet. Prognoser måste baseras på prestandadata, inte på larmflödet.
De värsta misslyckandena väcker inte minsta oro.
Branschen kallar det för en ”sovande cell”. I ett beviljat patent definieras det som ett cellavbrott som gör att mobiltjänsterna inte är tillgängliga för abonnenterna, samtidigt som nätverket ur nätverkets perspektiv fortfarande framstår som funktionsdugligt; ingen larmsignal når driftcentralen. För att upptäcka detta måste man analysera trafikmönster, inte fel.
Nästan ingenting går fel, och det är just det som är problemet.
Detta är ett allvarligt problem med obalans mellan klasserna. En vetenskapligt granskad studie av ett verkligt operatörsnätverk med cirka 10 000 basstationer, var och en med ungefär ett dussin utbytbara komponenter, visade att endast några hundra felaktiga komponenter byttes ut per år. Det finns ingen omfattande uppsättning märkta fel att lära sig av, och nätverket förändras ständigt i modellen.
En grossistlansering är ett kombinatoriskt testproblem.
Varje nytt varumärke innebär att man måste ompröva röst-, SMS-, MMS- och datatjänster, samt policyregler såsom hastighetsbegränsning när datakvoten har förbrukats. Detta gäller för olika miljöer, enheter och operativsystemversioner, med tredjepartsaktörer i kedjan, där varje gränssnitt utvärderas mot TM Forums Open API- och GSMA-specifikationer.
Prediktivt RAN: ett rådgivande beslutsstödssystem baserat på AI
Systemet utvärderar nätverksdata i realtid kontinuerligt, tillsammans med historiska data, kontextuella uppgifter och information från experter, istället för att analysera dem i efterhand. Hårdvarufel, försämrad backhaul-kvalitet och mjukvarufel modelleras separat, eftersom varje typ lämnar olika spår i olika data, och eftersom dokumenterade fel är alltför sällsynta för att en enda metod ska kunna täcka alla tre. Systemet skickar varningar om avvikelser och fel till driftsteamet. Beslutet att ändra nätverket ligger hos de personer som är ansvariga för det.
Leveranssäkerhet vid grossistlansering: automatiserad testning av nätverkstjänster
LTTS IntelliAgent-plattformen validerar röstsamtal, SMS, MMS och data på riktiga enheter, helt automatiskt, i alla miljöer, och täcker både webb- och mobilapplikationer för grossistmarknaden i samma programpaket. Tjänsternas tillgänglighet kontrolleras kontinuerligt, vilket innebär att frågan ”fungerar tjänsterna?” blir en fråga som får ett svar istället för att förbli obesvarad. Testningen omfattar även policybaserade tillstånd som manuell regression sällan täcker, till exempel hastighetsbegränsning efter att en datakvot har förbrukats.
Affärsresultat
Vad har förändrats?
Timmar och dagar till minuter
Varför det är trovärdigt
Enhetsbaserade tjänstetester och arbetsflöden i användargränssnittet körs automatiskt i olika miljöer, istället för att utföras manuellt av flera leverantörsteam.
Vad har förändrats?
45–50 % mindre arbete med testutformning; 75 % effektivitetsvinst
Varför det är trovärdigt
Ett återanvändbart ramverk som är utformat enligt TM Forums och GSMA:s specifikationer innebär att varje nytt varumärke får tillgång till en validerad lösning istället för att behöva skapa fall från grunden. Automatiseringen eliminerar de väntetider som präglar en manuell process: miljöer, överlämningar mellan team och manuell registrering av resultat.
Vad har förändrats?
Fel i hastighetsbegränsningen efter giltighetstidens utgång har upptäckts
Varför det är trovärdigt
Ett fel i kundupplevelsen i realtid, som upptäcktes av en testserie snarare än av en abonnent.
Vad har förändrats?
Från reaktiv till proaktiv upptäckt
Varför det är trovärdigt
En kontinuerlig automatiserad övervakning upptäcker avbrott i tillgängligheten innan kunderna lämnar in supportärenden. Tidigare fanns det ingen rapportering alls om tjänstens drifttid.
Vad har förändrats?
Konstruktionsmål: över 24 timmar med 95 % konfidensnivå
Varför det är trovärdigt
Systemet specificerades och byggdes med hänsyn till den ledtiden, vilket gör att underhållet går från att vara en arbetskö till att bli en schemalagd aktivitet.
Vad har förändrats?
20 TB under ett år, strömning
Varför det är trovärdigt
Kafka-data importeras till elastiska containrar, där realtidsdata utvärderas tillsammans med historiska data, kontextuella uppgifter och expertbedömningar.
Vad har förändrats?
10–15 % mindre driftstopp; 5–8 % högre produktivitet
Varför det är trovärdigt
Modellbaserade riktvärden från jämförbara program för förebyggande underhåll av roterande och äldre utrustning. Principen bygger på ledtid: planerat arbete kostar mindre än akuta ingrepp.
Teknisk intelligens i praktiken
Djupgående kunskaper inom området, inte bara datavetenskap.
Enbart datavetenskap skulle ha resulterat i modeller som ingen kunde agera utifrån. En leverantör av testautomatisering skulle på egen hand ha automatiserat en bristfällig process snabbare. Skillnaden låg i kunskapen om radionätverk i kombination med AI och automatiseringsteknik.
Modeller som bygger på verklig felmekanik.
Tre felkategorier, tre signaturer, tre uppsättningar variabler. Det är därför resultatet framstår som trovärdigt för den ingenjör som ansvarar för anläggningen, och varför det presenteras som rangordnade rekommendationer snarare än ett oförklarat betyg.
Testad enligt branschens egna specifikationer.
TM Forums öppna API:er och GSMA:s specifikationer, inte en enskild operatörs lokala tolkning. Det är just det som gör att lösningen kan återanvändas av nästa grossistvarumärke istället för att behöva skrivas om från grunden.
Framgångshistorier
Att utnyttja privata nätverk för C-V2X-lösningar av den nya generationen
V2X-teknik (Vehicle-to-Everything) bidrar till den globala utbyggnaden av nästa generation av självkörande bilar.
Läs mer