Introduction : Rappel sur le TAC (Tracking Area Code) :  Le Code Postal de l’Espace

Sur un réseau mobile terrestre classique (4G/5G), le **TAC (Tracking Area Code)** est un identifiant crucial. Imaginez-le comme un **code postal pour votre smartphone**. Le réseau regroupe plusieurs cellules (antennes) dans une même « zone de tracking » identifiée par un TAC. Votre terminal n’a pas besoin de signaliser sa position (« je suis là ! ») à chaque changement de cellule, seulement quand il passe d’un TAC à un autre. Cela permet d’économiser énormément la batterie du terminal et les ressources du réseau.

La question centrale pour les NTN (Non-Terrestrial Networks) est : comment gérer ce concept de « zone géographique fixe » lorsque l’antenne (le satellite) se déplace à plus de 27 000 km/h ? La réponse est aussi élégante que complexe.

Le Défi du Satellite Mobile

Sur un réseau satellitaire en orbite basse (LEO), la cellule (ou le faisceau) projetée au sol par le satellite se déplace très rapidement. Si on utilisait un TAC statique pour un faisceau, sa « zone de couverture » au sol défilerait à plusieurs centaines de km/h. Votre téléphone, immobile, verrait le TAC changer toutes les minutes, voire toutes les secondes ! Il déclencherait des procédures de mise à jour de localisation en permanence, rendant le réseau totalement inefficace et le terminal incapable de rester connecté.

La solution, définie par le 3GPP dès la Release 17, est de découpler le faisceau physique du satellite de la zone de tracking logique au sol.

La Solution : Le « TAC Géofixe ou Earth-fixed tracking areas » (zones de suivi fixes par rapport à la Terre) et le Network Orchestrator

Contrairement au réseau terrestre où un TAC est lié à une antenne physique fixe, en NTN, le TAC est associé à une zone géographique fixe au sol. On parle de TAI (Tracking Area Identity) géofixe.

Comment cela fonctionne-t-il ?

1. Le Réseau est Omniscient : Le segment spatial (les satellites) et le segment terrestre (les stations de gateway et le cœur de réseau 5G – 5GC) connaissent en temps réel la position précise de chaque satellite et l’orientation de chacun de ses faisceaux.

2. La Table de Mapping Dynamique : Il existe bien une table de correspondance, mais elle n’est pas stockée dans le satellite. Elle est gérée de manière centralisée par une entité d’orchestration du réseau (souvent appelée Network Orchestrator ou NTN Management Function). Cette table dynamique fait le lien entre :

• L’identifiant du faisceau satellite (ex: Beam ID #15 du Satellite « A »)
• La position géographique actuelle de ce faisceau sur Terre (sa « footprint »)
• Le **TAC géofixe** qui correspond à cette zone géographique.

3. La Diffusion en Temps Réel : Le satellite, ou plus précisément la station de gateway qui le contrôle, modifie le contenu du message système SIB (System Information Block). Conformément à la spécification 3GPP TS 38.331, le SIB contient entre autres le TAC. Grâce à la table de mapping, le réseau injecte dans le SIB le TAC géofixe correspondant à la zone survolée à cet instant précis par le faisceau

Exemple Concret

Imaginons que le TAC `0x5A01` soit attribué à la région de Paris.
À l’instant T1 : Le faisceau du Satellite A survole Paris. Le Network Orchestrator lui dit : Diffuse le TAC `0x5A01` dans ton SIB.

À l’instant T2 (10 min plus tard) : Le Satellite A a avancé et son faisceau survole maintenant la Bourgogne, attribuée au TAC `0x5B02`. L’Orchestrator met à jour l’info : Maintenant, diffuse le TAC `0x5B02`.

Pendant ce temps, à l’instant T2 : Le Satellite B arrive au-dessus de Paris. L’Orchestrator lui ordonne : « Toi, diffuse le TAC `0x5A01` ».

Résultat : Un terminal immobile à Paris verra toujours le même TAC `0x5A01`,
peu importe le satellite ou le faisceau qui le sert. Il ne déclenchera une mise à jour de localisation que s’il se déplace hors de la zone de Paris, vers un autre TAC.

La spécification et les choix de l’opérateur

Question 1 : Est-ce la même valeur de TAC que celle diffusée par les cellules sur terre ?

Ca dépend de l’opérateur et de l’intégration, mais c’est techniquement possible et même probable. Rien n’empêche un opérateur comme Orange ou SpaceX (via des partenariats) d’attribuer le même TAC à une zone géographique, qu’elle soit couverte par une antenne terrestre ou par un satellite. Cette approche d’intégration transparente (Transparent NTN ») est un objectif clé de la 5G avancée.

Avantages :

Pour le terminal : Il est incapable de faire la différence. Il voit un TAC, point final. Cela garantit une compatibilité maximale avec les terminaux existants (avec les firmwares appropriés).
Pour le réseau cœur (5GC) : La gestion de la mobilité entre la Terre et l’Espace devient beaucoup plus simple. Le 5GC voit un terminal qui passe d’une cellule TAC `0x5A01` (terrestre) à une autre cellule TAC `0x5A01` (satellite). Cela peut être traité comme un simple handover intra-cellule, sans déclencher de procédure de « Tracking Area Update ».

Cependant, un opérateur purement satellitaire pourrait aussi choisir une plage de TACs distincte pour son réseau NTN pour des raisons de gestion interne.

Conclusion : Une Danse Orchestrée depuis le Sol

La politique de diffusion des TAC en 5G NTN n’est donc pas une table statique embarquée dans le satellite, mais bien **un mapping dynamique et centralisé, piloté en temps réel par l’intelligence du réseau.

Le satellite devient un « exécutant » qui projette une identité logique (le TAC) sur une zone géographique prédéfinie. Cette abstraction est la clé de voûte qui permet de faire cohabiter des réseaux cellulaires fixes et des constellations de satellites mobiles dans un écosystème 5G unifié et efficace.

Pour Aller Plus Loin :

Source 3GPP TS 38.413 : Cette spécification décrit les procédures du NG-RAN et mentionne comment le système peut gérer la mobilité et les associations entre cellules NTN et zones de tracking.

3GPP TR 38.821 : « Solutions for NR to support non-terrestrial networks (NTN) » – Le document fondateur.

3GPP TS 23.122 :** « Non-Access-Stratum (NAS) functions related to Mobile Station (MS) in idle mode » – Décrit les procédures de Tracking Area.

Introduction : L’Europe dans la course spatiale

Après les succès de Galileo (navigation) et Copernicus (observation de la Terre), l’Europe franchit une nouvelle étape avec IRIS² (Infrastructure de résilience, d’interconnectivité et de sécurité par satellite). Cette constellation de satellites de télécommunications, qui sera déployée en 2030, représente bien plus qu’un simple projet technologique : elle incarne la volonté européenne d’autonomie stratégique face à la domination actuelle des acteurs extra-européens.

Qu’est-ce qu’IRIS² ?

IRIS² est la réponse européenne aux méga-constellations de satellites qui révolutionnent actuellement le marché des télécommunications spatiales. Le projet se compose de :

• 264 satellites en orbite basse (LEO – 1 200 km d’altitude)
• 18 satellites en orbite moyenne (MEO – 8 000 km d’altitude)
• Un budget de 10,6 milliards d’euros (60% de fonds publics, 40% privés)
• Un consortium SpaceRISE formé par Eutelsat, SES et Hispasat

Contrairement à Starlink qui compte déjà 7 000 satellites et vise les 42 000, IRIS² n’est pas une méga-constellation pure mais privilégie une approche équilibrée entre besoins gouvernementaux et services commerciaux.

Les défis technologiques d’IRIS² : la révolution 5G NTN

La 5G NTN (Non-Terrestrial Networks) représente l’intégration des réseaux satellitaires dans l’écosystème 5G standard. Concrètement, cela signifie que votre smartphone pourra se connecter directement aux satellites comme il le fait actuellement avec les antennes terrestres, sans modification ni équipement spécial.

Cette technologie, déjà expliquée dans ce blog, permet :

• Une couverture universelle : Internet haut débit même dans les zones les plus isolées
• Une continuité de service : Basculement automatique entre réseaux terrestres et satellitaires
• Des communications d’urgence : Connectivité maintenue lors de catastrophes naturelles
• Support IoT global : Objets connectés fonctionnant partout sur la planète

Les innovations techniques d’IRIS²

IRIS² intègre plusieurs technologies de pointe :

Communication inter-satellite par laser : Les données transitent entre satellites via des liens optiques à très haut débit, réduisant la dépendance aux infrastructures terrestres.

Miniaturisation électronique avancée : Utilisation de puces gravées en 7 nm, une première en Europe, permettant des satellites entièrement reprogrammables.

Compatibilité 5G native : Transition fluide vers la 6G prévue grâce à la reprogrammabilité des satellites.

Sécurisation renforcée : Seulement 5 points de présence au sol, tous en territoire européen, pour un contrôle total des communications.

Le paysage concurrentiel : qui sont les autres acteurs ?

Les géants américains

SpaceX Starlink : Le leader incontesté avec plus de 7 000 satellites opérationnels et 5 millions d’utilisateurs dans 125 pays. Starlink vise 42 000 satellites et développe des services Direct-to-Cell avec T-Mobile, permettant aux smartphones de communiquer directement avec les satellites.

Amazon Project Kuiper : 3 236 satellites planifiés, premiers lancements opérationnels en avril 2025. Amazon mise sur l’intégration avec AWS et ses partenariats avec Verizon et Vodafone. Service commercial prévu vers 2026.

OneWeb (Eutelsat) : 648 satellites actifs en orbite polaire, focus sur les marchés B2B, gouvernementaux et maritimes. Racheté par Eutelsat en 2023, OneWeb privilégie la qualité de service sur des marchés de niche.

Les constellations chinoises : la montée en puissance

La Chine développe trois projets majeurs qui pourraient bouleverser le marché :

Qianfan (G60) : 12 000 satellites planifiés par Shanghai Spacecom Satellite Technology, avec un financement de 943 millions de dollars. Premier lancement de 18 satellites en août 2024, objectif de 600 satellites d’ici fin 2025 et service global d’ici 2030.

Guowang : Le projet gouvernemental le plus ambitieux avec 13 000 satellites prévus, directement contrôlé par l’État chinois via China Satellite Network Group.

Honghu-3 : 10 000 satellites développés par Landspace, une entreprise privée chinoise qui développe aussi des fusées réutilisables comparables au Falcon 9 de SpaceX.

Autres acteurs significatifs

Telesat Lightspeed (Canada) : 300 satellites en orbite polaire haute (1 325 km), focus sur les entreprises et gouvernements avec des garanties de performance contractuelles.

Viasat : Spécialiste des satellites géostationnaires haute capacité, 600 000 abonnés actuels.

SES O3b mPOWER : Constellation en orbite moyenne (8 000 km) intégrée à IRIS².

Les enjeux géopolitiques et stratégiques

Autonomie européenne

IRIS² répond à un impératif de souveraineté numérique. La guerre en Ukraine a démontré l’importance stratégique des communications satellitaires, Starlink étant devenu un outil géopolitique majeur. L’Europe ne peut dépendre d’acteurs extra-européens pour ses besoins critiques.

La bataille des fréquences

L’Europe possède un avantage considérable : IRIS² hériteront des droits fréquentiels d’OneWeb (prioritaire sur Starlink en orbite basse) et d’O3b mPOWER. La bande Ka militaire européenne bénéficie également d’excellents droits de priorité.

Concurrence et coopération paradoxale

Paradoxalement, les concurrents collaborent parfois : OneWeb a utilisé les fusées SpaceX après l’arrêt des lancements russes Soyuz suite aux sanctions. Cette interdépendance révèle la complexité du marché spatial actuel.

L’écosystème technologique de la 5G NTN

Les standards 3GPP

La 5G NTN s’appuie sur les standards 3GPP (3rd Generation Partnership Project) :

• Release 17-18 : Architecture « transparente » où les satellites agissent comme répéteurs
• Release 19 : Introduction des charges utiles « régénératives » avec stations de base complètes embarquées
• Release 20-21 : Optimisations et nouvelles capacités avancées

Types d’orbites et applications

LEO (Low Earth Orbit – 300-2000 km) :

• Latence faible (20-40 ms)
• Couverture mobile nécessitant de nombreux satellites
• Idéal pour Internet haut débit et communications temps réel

MEO (Medium Earth Orbit – 8000-20000 km) :

• Compromis latence/couverture
• Moins de satellites nécessaires
• Applications spécialisées

GEO (Geostationary Orbit – 35 786 km) :

• Couverture fixe continue
• Latence élevée (600+ ms)
• Broadcasting et services IoT

Défis et perspectives d’avenir

Débris spatiaux et durabilité

Avec potentiellement plus de 100 000 satellites en orbite d’ici 2030, la gestion des débris spatiaux devient critique. IRIS² mise sur la durabilité avec seulement 282 satellites sur 10 ans, contrastant avec les méga-constellations concurrentes.

Impact astronomique

Les constellations affectent l’observation astronomique. IRIS² développe des satellites « non-émissifs » pour préserver l’astronomie, un engagement que tous les concurrents ne prennent pas.

Intégration terrestrial-spatial

L’avenir appartient aux réseaux hybrides combinant infrastructures terrestres et spatiales. La 5G NTN permettra un basculement transparent entre les deux, ouvrant la voie aux applications 6G futures.

Chronologie et déploiement

2024-2025 : Phase de développement, premiers tests 2026-2027 : Début des lancements IRIS² 2028-2030 : Déploiement opérationnel complet 2030+ : Services commerciaux pleinement opérationnels

Parallèlement, la concurrence s’intensifie :

• Kuiper : Service commercial dès 2026
• Qianfan : 600 satellites d’ici fin 2025
• Starlink : Expansion continue vers 42 000 satellites

Conclusion : vers un internet spatial multipolaire

IRIS² représente plus qu’une constellation satellitaire : c’est un pari sur l’avenir d’un internet spatial européen souverain. Face à la domination américaine de Starlink et à l’émergence des constellations chinoises, l’Europe trace sa propre voie, privilégiant la durabilité et la sécurité.

La révolution 5G NTN transformera fondamentalement nos communications, rendant l’internet spatial accessible à tous via nos équipements actuels. Dans ce nouveau monde connecté, la maîtrise des technologies spatiales devient un enjeu de souveraineté nationale.

Cet article reprend une partie des fonctionnalités déjà détaillées pour le NWDAF

Intégration de l’IA/ML dans le cœur 5G

La nouveauté majeure introduite dans la Release 15 du 3GPP est le Network Data Analytics Function (NWDAF), qui fournit divers résultats d’analyse pour soutenir un ensemble de cas d’utilisation.

Le NWDAF héberge différents algorithmes d’IA/ML alimentés par des données provenant de diverses fonctions réseau NF (Network Function). Il produit des résultats d’analyse spécifiques qui peuvent être consommés (en référence à l’architecture SBA ou les fonctions sont productrives ou consommatrices) par différentes fonctions réseau. Les exemples d’applications incluent:

• La prédiction des modèles de trafic pour optimiser le nombre d’instances UPF déployées
• La prévision de la mobilité des utilisateurs
• L’optimisation dynamique des ressources réseau

Les capacités IA/ML du NWDAF incluent des algorithmes de prédiction, des capacités d’IA générative, et des techniques de clustering.

Approches d’apprentissage pour les modèles IA/ML

Avec la disponibilité de volumes importants de données provenant de différentes sources à différents endroits, l’entraînement des modèles IA/ML peut adopter diverses approches:

1. Apprentissage centralisé: Les modèles sont entraînés dans un emplacement centralisé avec des données agrégées.
2. Apprentissage fédéré: L’entraînement se produit en continu dans différentes parties du réseau. Les modèles sont entraînés sur des nœuds locaux avec des sources de données locales et mis à jour par un modèle global entraîné dans un emplacement centralisé avec des sources de données agrégées. On distingue l’apprentissage fédéré horizontal et verticale (R.19)
3. Approches alternatives: D’autres méthodes d’apprentissage distribuées peuvent être employées selon les cas d’utilisation spécifiques.

L’apprentissage fédéré améliore l’évolutivité, la sécurité et la précision en adaptant le modèle IA/ML aux données uniques spécifiques à chaque emplacement.

On distingue l’apprentissage fédéré horizontal (gauche Figure 1) et l’apprentissage fédérée verticale (droite Figure 1)

Figure 1 : Horizontal Federated Learning HFL (gauche) et Vertical Federated Learning  VFL (droite)

Dans le cas du HFL, on alimente deux ML qui ont les mêmes caractéristiques avec des données complémentaires. Par exemple, deux opérateurs peuvent apporter un profil de leurs clients pour augmenter les données;

Dans le cas du VFL, on alimente deux ML avec des données complémentaires. Par exemple, on peut s’intéresser pour un client donnée de ses états MM et on complète par les états CM

Gestion de réseau assistée par IA pour le cœur du réseau

Orchestration et provisionnement automatisés

• Orchestration: L’IA/ML peut aider à automatiser les processus de provisionnement et à optimiser l’allocation des ressources pour diverses fonctions réseau.
• Détection d’erreurs de provisionnement: Les algorithmes d’IA/ML peuvent détecter les erreurs de provisionnement de manière automatisée, permettant des corrections proactives.
• Analyse des journaux de trafic: L’analyse GenAI des journaux de trafic, qui comprend un mélange de données non structurées et structurées, peut indiquer des défaillances potentielles, y compris la prédiction des défaillances et aider à identifier les causes profondes.
• Détection des failles de sécurité: Les violations de sécurité potentielles peuvent être détectées via des algorithmes d’IA/ML, aidant à décider de manière proactive de l’atténuation appropriée.

Amélioration de l’efficacité opérationnelle

Dans l’OSS/BSS, l’IA/ML et l’IA générative peuvent améliorer considérablement l’efficacité opérationnelle et l’expérience client:

• Gestion de l’expérience client: Les chatbots pilotés par l’IA peuvent gérer les requêtes courantes des clients.
• Facturation et assurance des revenus: La prédiction du taux d’abandon (churn predicting) basée sur l’IA/ML peut grandement bénéficier à ces domaines pour estimer à quel moment un client arrête le service demandé..
• Planification réseau: La planification réseau peut être soutenue par des techniques de prévision de trafic basées sur l’IA/ML.

En cas de défaillance, la gestion centralisée de plusieurs agents permet d’analyser différentes pistes afin de trouver la cause réelle de la panne. Par exemple, un appel VoNR qui s’arrête peut provenir de plusieurs causes : coupure radio, restauration du P-CSCF, TAS en erreur, routage erroné, … Les outils comme Agentic.ia va explorer les différents log et si un prestataire doit être contacté, l’outil peut générer le ticket client.

Network Data Analytics Function (NWDAF)

Introduction et évolution du NWDAF

Le NWDAF a été introduit à l’origine dans la Release 15 du 3GPP comme mécanisme pour rapporter des insights sur le fonctionnement du réseau. Ces insights peuvent ensuite être utilisés par d’autres fonctions pour réaliser une automatisation en boucle fermée afin d’améliorer le fonctionnement du réseau.

On appelle insight des connaissances exploitables ou des résultats d’analyse dérivés des données du réseau. Ces insights peuvent concerner par exemple les modèles de trafic, le comportement des utilisateurs, ou les performances du réseau, et sont utilisés par d’autres fonctions du réseau pour optimiser leur fonctionnement.

Le NWDAF réalise cela en:

• Collectant et agrégeant des données de différentes parties du réseau cœur
• Analysant ces données pour identifier des modèles et générer des prédictions via des algorithmes statistiques et basés sur le ML (y compris le DL)
• Respectant la confidentialité lors de la collecte de données, permettant aux utilisateurs de choisir de participer ou non à la collecte de données

Intégration avec d’autres fonctions réseau

Le NWDAF s’intègre avec d’autres fonctions réseau via une interface basée sur les services (SBI). Cette intégration permet à d’autres fonctions réseau de devenir des abonnés aux événements générés par le NWDAF et d’influencer le fonctionnement du réseau cœur en consommant ces événements.

Toute fonction réseau conforme au 3GPP, fonction d’application (AF) ou opération, administration et maintenance (OAM) devrait pouvoir utiliser les services d’analyse activés par le NWDAF en tant que consommateur pour prendre des décisions basées sur l’analyse dans le cadre de leurs procédures réseau.

Cas d’utilisation et services d’analyse

Différents cas d’utilisation ont été implémentés et pris en charge dans le NWDAF dans un environnement multi-fournisseurs. Le NWDAF de la version 16 de la spécification technique 29.520 [2] du 3GPP prend en charge les services d’analyse définis dans la TS 23.288 [1]:

1. Analytique de charge de tranche réseau
2. Analytique d’expérience de service
3. Analytique de charge de fonction réseau
4. Analytique de performance réseau
5. Analytique de comportement anormal/attendu de l’UE
6. Analytique de mobilité de l’UE
7. Analytique de communication de l’UE
8. Analytique de congestion des données utilisateur
9. Analytique de durabilité de la QoS

Apprentissage fédéré dans le NWDAF

Le document détaille comment le NWDAF a évolué pour inclure des capacités d’apprentissage fédéré:

• Release 17: Le NWDAF a acquis la capacité d’effectuer un apprentissage fédéré horizontal (HFL), souvent simplement appelé apprentissage fédéré. Le HFL est une technique de ML préservant la confidentialité qui permet un entraînement de modèle collaboratif entre différentes zones d’intérêt.
• Fonctionnement du HFL: Chaque zone d’intérêt entraîne son modèle localement en utilisant le NWDAF le plus proche, et l’apprentissage collectif de plusieurs zones est ensuite agrégé via une fonction centrale sur le serveur NWDAF. Le processus est qualifié d' »horizontal » car chaque participant a le même espace de caractéristiques mais des échantillons différents.
• Avantages du HFL: Cette approche réduit le volume de données transférées sur le SBI, car seuls les paramètres neuronaux—améliorés par des protocoles préservant la confidentialité comme l’agrégation sécurisée—sont transmis, plutôt que les données brutes. La réduction du volume de données peut être encore améliorée via l’utilisation de techniques comme la distillation de connaissances, la quantification et l’élagage des paramètres neuronaux.
• Release 18: La Release 18 a introduit l’apprentissage fédéré et le transfert de modèle de machine learning entre différents domaines administratifs, comme les réseaux mobiles connectés par des accords d’itinérance, étendant davantage le cycle de vie des modèles initialement déployés dans le NWDAF.
• Release 19: La Release 19 introduit l’apprentissage fédéré vertical (VFL) dans le NWDAF entre les NWDAF et les fonctions d’application. Le VFL offre plusieurs améliorations par rapport au HFL:
  • Chaque participant peut avoir sa propre architecture de réseau neuronal
  • Chaque participant peut avoir son propre espace de caractéristiques
  • Les nouvelles données, comme celles collectées dans les fonctions d’application, peuvent être utilisées en combinaison avec le réseau cœur pour entraîner de meilleurs modèles ML
• Applications du VFL: Des cas d’utilisation comme la prédiction de QoS utilisant l’entrée des fonctions d’application sont en cours de développement et bénéficient du VFL. Notamment, le VFL est introduit comme une extension de l’apprentissage fédéré, ce qui signifie que les cas d’utilisation existants peuvent également bénéficier de cette nouvelle fonctionnalité.

Fonctionnement du VFL vs HFL

Dans le VFL, le modèle ML est divisé en modèle de tête et modèle de queue. Le processus d’entraînement VFL implique:

1. La propagation vers l’avant commence sur les modèles des Clients A et B
2. Leurs activations sont communiquées au modèle de queue où elles sont concaténées
3. Le modèle de queue effectue une propagation vers l’avant et calcule la perte en utilisant des étiquettes locales
4. La rétropropagation commence et les dérivées partielles sont envoyées aux modèles de tête correspondants
5. Chaque client effectue sa propre rétropropagation
6. Le processus se poursuit avec plusieurs itérations jusqu’à ce que toutes les données aient été traitées

Du point de vue du 3GPP, HFL et VFL sont deux approches pour apprendre un modèle collaborativement sans partager de données. Ils sont spécifiés de manière agnostique au processus de HFL ou VFL, considérant plutôt une architecture client-serveur et la capacité de chaque nœud à prendre en charge HFL ou VFL et potentiellement d’autres techniques qui pourraient être introduites à l’avenir.

Gestion du cycle de vie et flux de travail dans le NWDAF

Les procédures introduites dans le NWDAF pour prendre en charge l’apprentissage automatique permettent la gestion du cycle de vie des modèles IA/ML dans le réseau cœur. La gestion du cycle de vie des modèles IA/ML est le processus ou l’ensemble de tâches nécessaires pour entraîner, mettre à jour et maintenir un modèle d’apprentissage automatique.

En raison de la nature basée sur les données des modèles d’apprentissage automatique, la gestion du cycle de vie des modèles IA/ML est essentielle car elle assure la reproductibilité de l’apprentissage automatique lorsqu’ils quittent l’environnement de science des données et passent en production.

La gestion du cycle de vie des modèles aborde des problèmes tels que:

• Comment entraîner et déployer un modèle à grande échelle
• La gouvernance, la qualité et la conformité des données
• La supervision du processus d’entraînement via des pipelines de traitement de données
• Les mécanismes pour se connecter aux sources de données et prétraiter les données

Le rôle de l’IA générative dans le cœur du paquet et les systèmes BSS/OSS

Amélioration du traitement des données

Le document explique que l’IA générative peut améliorer significativement le traitement et l’analyse des données dans les réseaux cœur et le NWDAF, ainsi que les systèmes OSS/BSS:

• Génération de données synthétiques: L’IA générative peut générer des données synthétiques pour compenser les lacunes ou enrichir les ensembles de données avec des informations limitées. Cela réduit le besoin de collecte extensive de données, ce qui diminue les coûts de communication et améliore la confidentialité lors du traitement de données sensibles.
• Jumeaux numériques: Dans le contexte du NWDAF, l’IA générative peut aider à créer des jumeaux numériques de fonctions réseau NF, permettant la simulation de divers scénarios. Par exemple, elle peut modéliser des conditions futures potentielles comme l’augmentation du trafic réseau et prédire leur impact sur des KPI comme la latence, le débit et la consommation d’énergie, tout en tenant compte de la durabilité.

Transformation des systèmes BSS/OSS

Les systèmes BSS/OSS, cruciaux pour soutenir les opérations et les fonctions commerciales d’un opérateur de télécommunications, peuvent grandement bénéficier de l’IA générative:

• Évolution des systèmes: Traditionnellement, les systèmes BSS/OSS s’appuyaient sur des requêtes SQL pour récupérer des données des bases de données. Cependant, avec l’avènement du big data, ces systèmes ont évolué pour incorporer l’IA et l’analytique avancée pour des insights plus profonds dans les opérations réseau.
• Capacités des LLM: L’IA générative, particulièrement les grands modèles de langage (LLM), offre de nouvelles capacités. Par exemple, les LLM peuvent traduire le langage naturel en requêtes SQL, rendant l’accès à l’information plus intuitif et éliminant le besoin d’une connaissance intriquée des schémas de base de données.
• Analyse de données améliorée: Les LLM peuvent améliorer l’analyse de données au sein des systèmes BSS/OSS grâce à des techniques comme la génération augmentée par récupération ou le fine-tuning, leur permettant d’intégrer les résultats avec des connaissances supplémentaires et de fournir des insights plus complets.

Applications pratiques

L’intégration des LLM dans les systèmes BSS/OSS promet des avantages significatifs pour les réseaux mobiles:

• Automatisation du dépannage: Les LLM peuvent être utilisés pour automatiser les processus de dépannage en exploitant les informations des tickets précédemment résolus pour la gestion du réseau.
• Service client: Les LLM peuvent agir comme un assistant virtuel infatigable fournissant une aide directe aux abonnés, améliorant l’expérience utilisateur et réduisant la charge sur le support client humain.
• Cybersécurité: Les LLM peuvent être utilisés pour générer de nouvelles attaques dans les réseaux mobiles, qui peuvent ensuite être utilisées pour développer des mécanismes de défense qui préviennent de telles attaques, renforçant la posture de sécurité globale.

Ces applications démontrent le potentiel transformateur de l’IA générative dans les opérations de réseau cœur et les systèmes BSS/OSS, conduisant à une efficacité opérationnelle accrue, une meilleure expérience client et une sécurité renforcée.

Processus de bout en bout pour le déploiement de l’IA dans les réseaux

Le document souligne que l’IA/ML peut être utilisée pour optimiser le fonctionnement de divers segments des réseaux cellulaires. Pour y parvenir, les processus d’entraînement de l’IA/ML et les moteurs d’inférence doivent être intégrés dans les différents segments des réseaux cellulaires et pris en charge pour la gestion de leur cycle de vie.

Réseaux pilotés par l’intention et IA

L’IA joue un rôle crucial dans les réseaux pilotés par l’intention, où elle et l’approche basée sur l’intention se renforcent mutuellement:

• L’IA aide à éliminer les goulets d’étranglement dans l’implémentation des intentions, tandis que les réseaux basés sur l’intention simplifient l’exécution des politiques d’IA, réduisant le besoin d’API traditionnelles.
• Les réseaux pilotés par l’intention représentent un changement de paradigme vers une approche de gestion de réseau plus dynamique et adaptative. Ils se concentrent sur la traduction d’objectifs commerciaux de haut niveau en politiques et configurations réseau exploitables.

L’IA améliore les réseaux pilotés par l’intention de plusieurs façons:

1. Décisions contextuelles: L’IA améliore les réseaux pilotés par l’intention en permettant une prise de décision contextuelle. Elle aide à traduire les intentions commerciales en actions réseau en analysant les données en temps réel et en adaptant les politiques réseau pour s’aligner avec des objectifs spécifiques.
2. Automatisation et optimisation: L’automatisation pilotée par l’IA facilite l’implémentation de politiques basées sur l’intention à travers le réseau. Elle optimise les ressources et la performance réseau basées sur des intentions commerciales prédéfinies, réduisant l’intervention manuelle et améliorant l’efficacité opérationnelle.
3. Évolutivité et flexibilité: L’évolutivité de l’IA lui permet de s’adapter à divers environnements et intentions réseau. Que ce soit dans le Cloud RAN, l’Open RAN ou le RAN traditionnel, l’IA peut être exploitée pour interpréter et exécuter les intentions réseau, assurant que le réseau évolue en réponse aux besoins commerciaux et conditions opérationnelles changeants.

Gestion du cycle de vie (LCM) des modèles d’IA

Une gestion efficace du cycle de vie des modèles d’IA est cruciale pour assurer la performance optimale des modèles d’IA/ML afin d’apporter plus d’adaptabilité dans les architectures réseau modernes. Cela implique plusieurs processus et méthodologies clés.

Collecte et préparation des données

Les modèles d’IA sont fondamentalement pilotés par les données, faisant de la collecte de données une première étape critique dans leur développement:

• Pour créer des modèles d’IA efficaces, il est essentiel de recueillir des données extensives de divers éléments réseau, y compris RAN, le coeur du réseaux et les applications.
• Ces données englobent le comportement utilisateur, les modèles de trafic et les métriques de performance réseau.
• La qualité et l’efficacité des résultats de l’IA dépendent de l’accès à des données amples, à jour et anonymisées pour l’entraînement.
• Les données brutes contiennent souvent des erreurs ou des valeurs manquantes qui doivent être nettoyées et formatées pour permettre aux modèles d’IA d’apprendre avec précision et efficacité.

Sélection et entraînement des modèles

Après la phase de préparation des données, la sélection d’un modèle d’IA approprié est cruciale:

• Le choix du modèle influence significativement la performance dans la reconnaissance de modèles et la précision de prédiction.
• Le modèle doit s’aligner avec le problème spécifique à adresser.
• Une fois le modèle et les données préparés, le processus d’entraînement peut commencer en utilisant les données traitées.
• Les algorithmes d’IA/ML doivent être entraînés pour comprendre les comportements sous-jacents du réseau ou d’environnements similaires.
• Des barrières de protection et des mécanismes de surveillance adéquats assurent que le réseau opère dans les paramètres attendus, maintenant la stabilité et la performance.

Évaluation, validation et déploiement

Après l’entraînement, le modèle subit une évaluation et une validation:

• Cette étape détermine si un développement supplémentaire est nécessaire, pouvant impliquer l’ajustement fin du modèle, l’optimisation des paramètres et le réentraînement pour améliorer la précision.
• Ce processus itératif est essentiel pour affiner le modèle et améliorer sa performance.
• Les modèles d’IA sont développés en utilisant à la fois des données historiques et en temps réel pour aborder des tâches spécifiques comme la gestion du trafic, l’équilibrage de charge ou la maintenance prédictive.
• Les ressources basées sur le cloud sont communément utilisées pour l’entraînement en raison de leur évolutivité et puissance de calcul, cruciales pour gérer de larges ensembles de données et des modèles complexes.
• Une fois le développement du modèle terminé, il est déployé et utilisé pour l’inférence, où le modèle est appliqué aux données réseau actuelles pour effectuer des tâches comme la détection d’anomalies ou l’optimisation du trafic.
• Une allocation efficace des ressources est vitale pour les tâches d’inférence, exploitant les ressources distribuées dans le Cloud RAN ou l’architecture modulaire de l’Open RAN pour assurer un traitement efficace des tâches d’inférence, réduisant la latence et améliorant la performance globale.

Conclusion et perspectives futures

La section 3 conclut en soulignant l’importance croissante de l’IA dans les réseaux cœur, OSS/BSS et la gestion réseau. Elle suggère que l’avenir verra une intégration encore plus profonde de l’IA, particulièrement de l’IA générative, dans ces systèmes.

Références

[1] TS 23.288 : Architecture enhancements for 5G System (5GS) to support network data analytics services : https://www.3gpp.org/ftp/Specs/archive/23_series/23.288/23288-j10.zip

[2] TS 29.520 : 5G System; Network Data Analytics Service, https://www.3gpp.org/ftp/Specs/archive/29_series/29.520/29520-j10.zips; Stage 3

Les uses-case IA en 5G

A partir du document 3GPP TR 28.908 version 18.0.0 Release 18 « Study on Artificial Intelligence/Machine Learning (AI/ ML) management », cet article résume les cas d’usages.

Données d’événements pour l’entraînement ML (5.1.1)

Ce cas d’usage concerne la préparation de données prétraitées pour l’entraînement des modèles ML. Plutôt que d’utiliser toutes les données brutes (qui peuvent contenir des informations redondantes ou biaisées), le système identifie et stocke des événements réseau riches en information. Cela permet de réduire les coûts de stockage et de traitement tout en maintenant des données historiques pertinentes pour l’entraînement des modèles ML.

Validation de modèle ML (5.1.2)

Durant le processus d’entraînement ML, le modèle généré doit être validé. L’objectif est d’évaluer la performance du modèle sur des données de validation et d’identifier les écarts de performance entre les données d’entraînement et de validation. Si l’écart n’est pas acceptable, le modèle doit être réajusté avant d’être mis à disposition du consommateur pour l’inférence.

Test de modèle ML (5.1.3)

Après l’entraînement et la validation d’un modèle, il est nécessaire de le tester pour vérifier son fonctionnement correct dans certains contextes d’exécution ou avec des jeux de données spécifiques. Les tests peuvent impliquer des interactions avec des tiers. Le cas d’usage permet au consommateur d’évaluer la performance du modèle via un processus de test avec des données fournies par le consommateur avant de l’appliquer à la fonction d’inférence cible.

Ré-entraînement de modèle ML (5.1.4)

Un modèle ML entraîné peut nécessiter un ré-entraînement lorsque sa performance se dégrade ou lorsque le contexte d’exécution change. Ce cas d’usage décrit le processus de ré-entraînement du modèle avec de nouvelles données sans changer le type d’inférence (entrées/sorties). Le producteur peut initier le ré-entraînement basé sur des seuils de performance ou extraire les échantillons de données les plus pertinents pour optimiser le processus.

Entraînement conjoint de modèles ML (5.1.5)

Une fonction d’inférence AI/ML peut utiliser plusieurs entités ML pour effectuer des inférences. Ces entités peuvent opérer de manière coordonnée (en séquence ou structure plus complexe). Ce cas d’usage permet d’entraîner ou ré-entraîner conjointement ces entités ML coordonnées, afin que l’ensemble puisse accomplir une tâche plus complexe avec une meilleure performance.

Rapports et analyses sur l’efficacité des données d’entraînement (5.1.6)

Pour l’entraînement des modèles ML, une grande quantité de données n’ajoute pas nécessairement de valeur. Ce cas d’usage permet d’évaluer la contribution de chaque instance de données ou type de données d’entrée au processus d’entraînement, d’analyser les modèles de données les plus efficaces, et de corréler les données de mesure pour optimiser l’entraînement ML.

Contexte ML (5.1.7)

Le cas d’usage 5.1.7 traite du contexte ML (MLContext), qui représente l’ensemble des statuts et conditions liés à un modèle ML. Ce contexte peut inclure les caractéristiques du réseau telles que définies dans 3GPP TS 28.104, mais aussi d’autres conditions applicables au modèle ML qui ne font pas partie des caractéristiques réseau, comme l’heure de la journée ou la saison de l’année.

Les différences dans le contexte réseau, c’est-à-dire l’état du réseau sous lequel les données sont collectées pour produire des analyses, affectent significativement les analyses produites. De même, les changements dans le contexte ML, comme les caractéristiques des données liées à l’état du réseau et aux conditions utilisées pour l’entraînement, les tests et le déploiement du modèle ML, peuvent affecter les performances du modèle. Ces changements peuvent représenter un problème pour le modèle ML et nécessitent donc des capacités de gestion spécifiques.

Le cas d’usage comporte trois sous-cas principaux:

1. Surveillance et signalement du contexte ML: Le contexte ML doit être identifié en caractérisant les données d’entrée pour lesquelles le modèle ML est conçu. La surveillance de ce contexte permet de détecter les changements et anomalies qui pourraient dégrader les performances du modèle. Le consommateur du service AI/ML doit être informé de ces changements de contexte observés.
2. Mobilité du contexte ML: Dans de nombreux cas d’automatisation réseau, une fonction d’inférence AI/ML ne peut pas couvrir l’ensemble du réseau avec une seule instance de modèle ML. Un modèle ML peut être entraîné pour un contexte local spécifique, et de même, un contexte différent peut s’appliquer pour l’inférence. Le contexte des entités ML doit donc distinguer entre le contexte de génération de décisions, le contexte de collecte de mesures ou de données, et le contexte de préparation avant activation pour l’inférence.
3. Mode veille pour le modèle ML: Lorsque plusieurs instances d’entités ML sont nécessaires pour couvrir différentes parties du réseau, des transferts de contexte d’apprentissage automatique, ou « transferts », entre les entités ML couvrant différentes zones de validité sont nécessaires. Un exemple concret est celui d’un modèle ML prédictif pour le transfert intercellulaire, où le modèle doit être déployé dans l’équipement utilisateur (UE) et mis à jour lorsque l’UE change de cellule. Pour minimiser les délais de déploiement et d’initialisation du nouveau modèle, un « champ de préparation » peut être défini pour chaque modèle ML, indiquant la zone dans laquelle le modèle est déployé et initialisé mais pas encore activé pour l’inférence.

Ce cas d’usage met en évidence l’importance de la gestion du contexte ML pour assurer des performances optimales des modèles ML dans des environnements réseau dynamiques et complexes. Il souligne également la nécessité de définir et gérer différents types de contextes (surveillance, validité, préparation) pour faciliter les transitions fluides entre modèles ML dans des scénarios de mobilité.

Découverte et cartographie des capacités du modèle ML (5.1.8)

Une fonction réseau ou de gestion qui applique l’IA/ML peut avoir une ou plusieurs entités ML, chacune avec des capacités spécifiques. Ce cas d’usage permet d’identifier les capacités des entités ML existantes (capacités de prise de décision ou d’analyse) et de les associer à des logiques d’exécution spécifiques, facilitant leur utilisation pour répondre aux besoins d’automatisation.

Gestion des mises à jour AI/ML (5.1.9)

En raison de la complexité et de la nature changeante du réseau, les entités ML déployées peuvent ne plus être applicables après une période de fonctionnement. Ce cas d’usage permet au producteur de mettre à jour les entités ML et d’informer le consommateur autorisé du statut de mise à jour, assurant ainsi une performance d’inférence optimale dans le réseau ou système.

Évaluation de performance pour l’entraînement ML (5.1.10)

Ce cas d’usage concerne l’évaluation de la performance durant l’entraînement ML, permettant au consommateur de sélectionner les indicateurs de performance appropriés, de comprendre et configurer le comportement du modèle ML, et d’appliquer des politiques basées sur la performance pour l’entraînement et les tests ML.

Gestion de configuration pour la phase d’entraînement ML (5.1.11)

L’entraînement ML peut être initié par le consommateur ou le producteur, et peut consommer des ressources significatives. Ce cas d’usage permet au consommateur de contrôler l’entraînement ML initié par le producteur via des configurations, notamment des politiques pour déclencher l’entraînement et des mécanismes d’activation/désactivation de la fonction d’entraînement ML.

Transfert de connaissances ML (5.1.12)

Ce cas d’usage permet d’utiliser les connaissances contenues dans un ou plusieurs modèles ML existants pour produire ou améliorer une nouvelle capacité ML. Il comprend la découverte des connaissances partageables et le partage de connaissances pour le transfert d’apprentissage, sans nécessairement transférer le modèle ML lui-même.

Historique d’inférence AI/ML (5.2.1)

Pour différents besoins d’automatisation, les fonctions réseau et de gestion peuvent appliquer des fonctionnalités ML pour faire des inférences dans différents contextes. Ce cas d’usage permet de suivre l’historique des décisions d’inférence et du contexte dans lequel elles sont prises, permettant d’évaluer la pertinence des décisions ou de détecter des dégradations dans la capacité de prise de décision du modèle.

Orchestration de l’inférence AI/ML (5.2.2)

Un système d’automatisation réseau peut impliquer plusieurs fonctions d’inférence AI/ML, chacune ayant une vue limitée du réseau. Ce cas d’usage facilite l’orchestration de leur fonctionnement et de l’exécution des actions recommandées, incluant le partage de connaissances sur les actions exécutées et leurs impacts, ainsi que le déclenchement et la coordination des fonctions d’inférence AI/ML.

Coordination entre les capacités ML (5.2.3)

Pour le ML dans le 5GC ou RAN, les capacités ML peuvent nécessiter une coordination avec les analyses de gestion 3GPP pour améliorer la performance globale. Ce cas d’usage permet l’alignement des capacités ML entre 5GC/RAN et le système de gestion 3GPP, combinant leurs résultats d’analyse pour améliorer la précision des prédictions globales.

Chargement de modèle ML (5.2.4)

Ce cas d’usage concerne le processus de mise à disposition d’un modèle ML dans les environnements opérationnels. Après qu’un modèle ML répond aux critères de performance, il peut être chargé dans une fonction d’inférence cible, que ce soit à la demande du consommateur ou sur initiative du producteur selon une politique de chargement prédéfinie.

Émulation d’inférence ML (5.2.5)

Après la validation d’un modèle ML durant son développement, l’émulation d’inférence est nécessaire pour vérifier son fonctionnement correct dans des contextes d’exécution spécifiques. Ce cas d’usage permet au consommateur de demander l’exécution d’une capacité AI/ML dans un environnement d’émulation et de gérer le processus d’émulation, y compris dans différents environnements selon le niveau de confiance.

Évaluation de performance pour l’inférence AI/ML (5.2.6)

En phase d’inférence, la performance de la fonction d’inférence et du modèle ML doit être évaluée par rapport aux attentes du consommateur. Ce cas d’usage permet la sélection et l’application d’indicateurs de performance basés sur les politiques du consommateur, ainsi que l’abstraction des métriques de performance pour faciliter leur interprétation.

Gestion de configuration pour la phase d’inférence AI/ML (5.2.7)

La fonction d’inférence AI/ML doit être configurée pour conduire l’inférence conformément aux attentes du consommateur. Ce cas d’usage permet la configuration de la fonction d’inférence et l’activation/désactivation des modèles ML, y compris l’activation partielle ou progressive des capacités d’inférence AI/ML selon des politiques prédéfinies.

Contrôle de mise à jour AI/ML (5.2.8)

Lorsque les capacités d’un modèle ML se dégradent, le consommateur doit pouvoir déclencher des mises à jour. Ce cas d’usage permet au producteur d’informer le consommateur de la disponibilité de nouvelles capacités et au consommateur de demander la mise à jour des modèles ML avec des exigences de performance spécifiques.

Apprentissage machine fiable (5.3.1)

Ce cas d’usage concerne la gestion de la fiabilité AI/ML pendant l’entraînement, les tests et l’inférence. Il vise à garantir que le modèle est explicable, équitable et robuste à travers la définition d’indicateurs de fiabilité, le prétraitement des données selon des mesures de fiabilité, et l’application de techniques de fiabilité pendant l’entraînement, l’inférence et l’évaluation.

Tableau Comparatif des Caractéristiques Principales

La table ci-dessous donne une synthèse des différents cas d’usage du TS 22.837 et les performances attendues.