Lidiando con la tormenta de la incertidumbre, a través de los ojos de un profesional de redes

El mundo de las telecomunicaciones está lleno de incertidumbre. Es durante estas situaciones de incertidumbre cuando el aumento de la demanda de los clientes y la carga en la red aumenta exponencialmente, el verdadero papel de un profesional de la red entra en juego. Durante estos momentos, cuando la red está bajo tensión, los profesionales de la red deben hacer un gran esfuerzo para garantizar la continuidad del servicio 24 × 7.

Pero, ¿qué pasa con la “incertidumbre” que podría surgir de una calamidad natural, o interrupciones masivas del sitio, causa estrés en la red?

En general, una red móvil sufre numerosos cambios. Estos podrían ser cambios planificados como ajuste de parámetros, optimización física, prueba / implementación de nuevas funciones, actualizaciones de software, etc., la mayoría de los cuales están dirigidos a mejorar el rendimiento de la red y la experiencia del usuario final.

Sin embargo, por otro lado, son los cambios “no planificados” los que tienden a arrojar una llave inglesa al sistema. Estos cambios podrían ser estacionales o debidos a fluctuaciones a nivel del sistema en los elementos de la red que provocan una degradación severa en términos de rendimiento. Si tal incidente ocurriera en la hora más ocupada del día, entonces el impacto también se sentirá en el negocio.

En ambos casos, planificados o no planificados, la acción para resolver un problema podría estar dirigida a cualquier dominio de una red, por ejemplo, radio, transporte, núcleo, etc. También requeriría la resolución de problemas de extremo a extremo y el análisis de la causa raíz.

Tradicionalmente, los profesionales de la red manejan el impacto de tales cambios de manera reactiva, lo que a menudo resulta en casos en los que el “tiempo medio para reconocer” (MTTA) y el “tiempo medio para responder” (MTTR) potencialmente toman horas o, en algunos casos, días. De hecho, algunos casos complejos entre dominios pueden incluso quedar sin resolver.

Sin embargo, a lo largo de los años, gracias a los avances en la automatización, los profesionales de la red han podido evolucionar hacia el manejo proactivo de dichos problemas. Al aprovechar las herramientas integradas con la experiencia en la materia, junto con los métodos estadísticos, los profesionales de la red pueden lograr una reducción significativa en MTTA y MTTR. Sin embargo, este enfoque está lejos de ser perfecto, ya que las acciones necesarias solo se pueden tomar después de que el impacto en la red ya haya ocurrido.

Para comprender el enfoque correcto que debe adoptarse, demos un paso atrás y profundicemos en la vida de un experto en planificación y optimización de redes involucrado en la gestión del rendimiento diario de la red.

Convencionalmente, un profesional de la red realiza un análisis del impacto de la red en un conjunto de KPI críticos y toma las medidas necesarias para mejorar el rendimiento de la red. Se invierte mucho esfuerzo en otra ronda de análisis para concluir si la acción tuvo un impacto en cascada en cualquier otro KPI importante o no. Una vez que el impacto de la acción tomada se considera exitoso, el análisis pasa al siguiente conjunto de acciones. Muy a menudo, tales acciones son tomadas por múltiples partes interesadas para mejorar el desempeño de sus respectivas regiones / grupos / sitios.

En una red 4G, podría haber miles de contadores / KPI y cientos de parámetros, lo que hace que sea casi imposible para un ser humano analizar el impacto de un cambio de un conjunto de parámetros en todos los contadores / KPI relevantes, de extremo a extremo, diariamente. Los servicios como la transmisión de video y VoLTE a menudo requieren un análisis entre dominios para garantizar la continuidad del servicio.

Es en tales escenarios donde Machine Learning (ML) comienza a surgir como la respuesta para manejar estas complicaciones desde una perspectiva de extremo a extremo.

Sin embargo, el término “Aprendizaje automático” tiene una forma de introducirse en tales debates. Es, de hecho, casi en su propio detrimento a veces, ya que el aprendizaje automático casi se ve como un trabajo de magia, en el mejor de los casos, o simplemente un truco de marketing, en el peor de los casos. Casi todos lo mencionan en algún momento.

Entonces, permítame tomarme un momento para defender por qué lo menciono ahora y por qué creo que el análisis avanzado basado en el aprendizaje automático puede resolver significativamente algunos de los problemas críticos que enfrentan los profesionales de la red.

La respuesta corta de dos palabras sería “Agilidad” y “Precisión”. Permítanme dar más detalles.

Un CSP puede aprovechar los modelos de ML que capturarán todos los tipos de impactos de red de manera consistente a partir de los datos de red generados en forma de contadores / KPI y parámetros a diario y ayudará a proporcionar información procesable a los profesionales de la red, que de lo contrario pasarían desapercibidos.

Además, estos conocimientos son especialmente útiles cuando se utilizan en la planificación y gestión de eventos especiales, como la proyección de un evento deportivo mundial. En tal caso, donde se espera que aumente el aumento del tráfico, el modelo aprenderá del desempeño del evento anterior y proporcionará aportes críticos para la planificación del evento.

Según la misma lógica, los modelos de ML generarán ideas procesables cuando se produzca una crisis y equiparán a los profesionales de la red para hacer frente a cualquier evento anormal que ocurra en tiempos de incertidumbre. Además, al aprovechar los modelos ML, los profesionales de la red pueden estar equipados para ejecutar simulaciones múltiples para realizar con precisión el análisis de impacto de la red para cualquier acción que tengan la intención de realizar en el futuro. Algunos escenarios clave que podrían gestionarse con mayor agilidad en cualquier momento, pero que adquieren una dimensión adicional de importancia durante una situación de “red bajo tensión”, serían:

  • Pronosticar con precisión el tráfico peak, la utilización de recursos y el uso de aplicaciones para planificar con anticipación
  • Optimización y ajuste de los parámetros de red para la expansión de la capacidad y la mejora de la calidad en tiempos de tendencias anormales de la red.
  • Mejora de la experiencia del cliente al realizar una correlación de calidad de experiencia (QoE) con QoS de extremo a extremo para servicios de transmisión como video Full HD.
  • Mantener la continuidad continua del servicio VoLTE de extremo a extremo.

Como dicen, las situaciones únicas requieren medidas únicas, y durante los momentos en que la red está bajo estrés, los profesionales de la red deben hacer un gran esfuerzo solo para mantener la red a flote. Es un esfuerzo que a menudo pasa desapercibido, pero ayuda a mantener a los clientes conectados y a mantener intacta la reputación de la empresa. Machine Learning puede asumir un papel esencial en la transformación de estos “héroes de la red” en “superhéroes de la red” al equiparlos con poderes de agilidad y precisión mejoradas.

La verdad es que la industria de las telecomunicaciones se encuentra en un punto de inflexión en el que los responsables de la toma de decisiones deben tomar una decisión sobre las capacidades que deben aportar a la red y cómo pueden equipar a sus héroes de red hoy en día. Estas decisiones críticas tomadas ahora proporcionarán beneficios en los próximos años.

Para comprender los desafíos que enfrentan los CSP para ofrecer contenido de video de calidad a través de dispositivos móviles

LEER BLOG

Get started with Subex
Request Demo Contact Us