Per supportare un massiccio scambio di dati a diverse frequenze servono telecomunicazioni wireless più efficaci. Al 6G si domanda quindi di fornire una connettività a banda larga, quasi istantanea e affidabile senza cui una grande varietà di tecnologie non avrebbero futuro. Dalla telepresenza olografica alle nuove applicazioni di eHealth e wellness, dagli ambienti intelligenti alla robotica di massa e ai servizi AR/VR avanzati.
Se la rete di nuova generazione vuole soppiantare il 5G anche in ambito IoT, deve saper assicurare una connettività più affidabile, efficiente, resiliente e sicura. La gestione di endpoint sempre più numerosi, vari e intelligenti, diventerà così complessa da non poter essere affidata alle attuali reti statiche e rigide. Anche servizi “tradizionali” come le telefonate o lo streaming video presenteranno simili necessità, iniziando a scambiare non solo dati, ma anche esperienze.
Per non deludere, per garantire efficienza e abilitare applicazioni e servizi a valore aggiunto, il 6G ha fortemente bisogno dell’AI. I modelli matematici in uso hanno scarse performance di calcolo ed elevati consumi energetici: solo con il machine learning si può andare oltre alle loro equazioni e ai loro algoritmi euristici per ottenere analisi in real time e un funzionamento zero-touch automatico.
Fattore chiave per le performance della rete, l’AI quindi non sarà solo un upgrade su dispositivi mobili per renderli parte integrante delle risorse infrastrutturali. Diventerà elemento nativo della nuova architettura di rete, distribuendosi sui suoi diversi livelli.
Nel PHY level il ML colma le lacune della matematica
Finché il livello fisico delle comunicazioni wireless resta basato su modelli matematici ottimizzati in moduli separati, alcuni fattori non lineari restano esclusi. Ciò non accade più introducendo il machine learning e facendo evolvere la rete in 4 step:
- sostituendo funzioni non ancora ben rappresentate
- aggiornando i moduli discreti esistenti
- ottimizzando in modo congiunto i moduli PHY
- integrando il ML con i metodi tradizionali per superare criticità come l’underfitting o l’overfitting, e la lentezza della convergenza.
Alcune delle principali aree di sviluppo di un livello fisico ML-driven sono inerenti alla codifica, alla sincronizzazione, al posizionamento e alla stima dei canali. I vantaggi previsti riguarderebbero la massimizzazione del throughput, il miglioramento del beamforming e l’ottimizzazione sia dello spettro multiutente sia di quello per le cognitive radio.
Con l’AI rete pronta ad adattarsi a contesti mutevoli
Introducendo il ML nel livello MAC (Medium Access Control) si aprono ulteriori opportunità di ottimizzazione del 6G. Si spazia dalla selezione degli utenti al loro accoppiamento per i sistemi MIMO, dall’allocazione delle risorse alla selezione degli schemi di modulazione e codifica, fino al controllo della potenza in uplink, dell’accesso casuale e dell’handover. Lo scopo è quello di migliorare in modo significativo lo scheduler MAC insegnando alla rete le strategie ottimali per adattarsi alle condizioni variabili dell’utente e del canale.
Facendo leva sul federated learning si possono, per esempio, minimizzare le interruzioni di presenza degli utenti VR nel loro mondo virtuale, migliorandone la qualità dell’esperienza. Poter prevedere con esattezza posizioni e orientamenti di ciascun utente sarebbe un passo avanti significativo anche in ottica metaverso.
Altri casi d’uso nel livello MAC riguardano la riduzione della latenza e dei consumi energetici nell’IoT. Vantaggi preziosi, ottenibili con l’allocazione predittiva delle risorse e la segregazione dei pacchetti in base alla priorità.
Il machine learning raggiunge l’edge, next step l’as a service
Il terzo livello a cui il 6G può integrare l’AI e distinguersi dal 5G è quello dei nodi e delle applicazioni dove può migliorare la consapevolezza del contesto e le prestazioni finali grazie all’apprendimento rinforzato multi-agente. I vantaggi si misurano in termini di velocità di trasmissione, velocità di picco, latenza, efficienza dello spettro e risparmio energetico. Vengono percepiti anche dai consumer, essendo direttamente legati alla qualità della loro esperienza, finalmente senza soluzione di continuità.
Gli step successivi sono l’edge intelligence e l’AI “as a service” sui nodi per migliorare flessibilità e potenza, ma altri casi d’uso concreti emergeranno prima. Tra i più significativi il trasferimento dati nelle reti veicolari per migliorare la sicurezza e l’efficienza del traffico introducendo connettività e automazione. Utilizzando i veicoli come nodi-sensori in movimento, si possono poi ottenere mappe ambientali ad alta definizione per migliorare la consapevolezza della situazione (crowdsensing).
Per i veicoli a guida autonoma invece, e per tutta la categoria UAV, si guarda a come la comunicazione ultra-affidabile a bassa latenza (URLLC) possa migliorarne il controllo. Sarebbe la chiave per poterli utilizzare anche in scenari mission-critical, nel caso dei droni, per la fornitura di reti wireless di emergenza in zone disastrate e per la consegna di kit di pronto soccorso in spedizioni di salvataggio.
Al 6G serve una sicurezza intelligente, in attacco e in difesa
Con il 6G la velocità aumenta, la latenza crolla a livelli minimi, la connettività è ubiqua e le infrastrutture critiche diventano tutte automatizzate: chi si occupa di sicurezza non può restare a guardare il suo arrivo. Il tradizionale approccio statico e rigido risulterà infatti inadeguato, servono soluzioni estremamente agili, dinamiche e autonome. Serve il contributo dell’intelligenza artificiale.
Nel nuovo scenario sarà infatti complesso anche solo distinguere un attacco hacker dal traffico legittimo senza usare tecniche proattive e autoadattive basate sul ML. Questa tecnologia permetterebbe anche di espandere la sicurezza sui nuovi perimetri di rete e gestire le risorse necessarie scalandole dal pool di quelle virtuali disponibili.
Un ambito open come il wireless è fortemente suscettibile di interferenze, l’AI aiuta anche a individuare quelle intenzionali, limitando i falsi allarmi. Ma non solo, anche a minare la capacità degli attaccanti agendo sia “in difesa”, con la crittografia, sia “in attacco”, con simulazioni di minacce hacker per identificare le vulnerabilità.
Le opportunità che l’intelligenza artificiale può e deve aprire in ambito sicurezza per il 6G sono però ancora largamente da esplorare. Esperti e aziende lo faranno con l’evolversi di tale tecnologia, presumibilmente dando priorità al settore difesa da cui ci si aspetta casi d’uso estendibili a verticali meno urgenti e, soprattutto, meno finanziati.
