Vorhaben im Rahmen des Eureka Clusters AI Call-Projektes CANOPY - Cognitive and automated network operations for present and beyond

Abstract

Im Projekt CANOPY wurden innovative, KI-basierte Methoden zur Zustandsanalyse, Anomalieerkennung und Vorhersage von Netzwerkzuständen in 5G-Mobilfunknetzen entwickelt und prototypisch umgesetzt. Ziel des Vorhabens war es, den Übergang von einem reaktiven zu einem proaktiven und vorausschauenden Netzbetrieb zu unterstützen, insbesondere im Kontext von Network Operation Centers (NOC). Hierzu wurden datengetriebene Verfahren zur Analyse von Zeitreihendaten aus realen Mobilfunknetzen entwickelt. Im Fokus standen insbesondere Methoden zur Clusteranalyse von Verkehrs- und Lastmustern, zur Erkennung von Anomalien in Netzwerkdaten sowie zur Vorhersage zukünftiger Netzlasten mittels statistischer und maschineller Lernverfahren. Ergänzend wurden Verfahren zur Datenaugmentierung entwickelt, um die Trainingsbasis für KI-Modelle zu verbessern. Die entwickelten Algorithmen wurden in eine modulare, containerbasierte Plattformarchitektur integriert, die sowohl Offline-Analysen für Netzplanungsanwendungen als auch Online-Analysen im Kontext von Network Operations ermöglicht. Zur Validierung der Ansätze wurde ein 5G-Testbed aufgebaut, in dem reale und synthetische Netzlastszenarien verarbeitet und analysiert werden konnten. Die Projektergebnisse zeigen, dass KI-basierte Verfahren grundsätzlich geeignet sind, komplexe Muster im Netzverhalten zu erkennen, zukünftige Entwicklungen zu prognostizieren und damit eine Grundlage für automatisierte Optimierungsmaßnahmen zu schaffen. Die entwickelten Lösungen befinden sich auf einem prototypischen Stand und bieten Potenzial für eine weiterführende Entwicklung und Integration in operative Netzumgebungen. für eine automatisierte und proaktive Netzoptimierung. The CANOPY project developed and prototypically implemented innovative AI-based methods for state analysis, anomaly detection, and prediction of network conditions in 5G mobile networks. The objective was to support the transition from reactive to proactive and predictive network operations, particularly in the context of Network Operation Centers (NOC). Data-driven approaches were developed for the analysis of time series data from real mobile network environments. The focus was on clustering of traffic and load patterns, detection of anomalies in network data, and forecasting of future network states using statistical and machine learning methods. In addition, data augmentation techniques were developed to enhance training datasets for AI models. The developed algorithms were integrated into a modular, container-based platform architecture supporting both offline analysis for network planning and online analysis for network operations. A 5G testbed was established to validate the approaches using real and synthetic traffic scenarios. The results demonstrate that AI-based methods are suitable for identifying complex patterns in network behavior, predicting future developments, and enabling automated optimization processes. The solutions are currently at a prototypical stage and provide a foundation for further development and integration into operational network environments.