Conoscere in modo sempre più preciso le condizioni dell’infrastruttura ottica, individuare tempestivamente eventuali anomalie e utilizzare meglio la capacità disponibile. È il risultato del primo trial mondiale di network tomography condotto sulla rete operativa di un service provider, completato da Nokia insieme a Orange France.
La sperimentazione ha riguardato l’infrastruttura ottica di trasporto dell’operatore francese e ha dimostrato come l’elaborazione dei dati provenienti dalle trasmissioni coerenti possa offrire una rappresentazione quasi in tempo reale delle condizioni dei collegamenti. Un livello di conoscenza destinato ad assumere un peso crescente con l’aumento del traffico e con la diffusione di servizi basati sull’intelligenza artificiale, che richiedono capacità, affidabilità e tempi di risposta sempre più stringenti.
Alla base della soluzione ci sono algoritmi sviluppati dai Nokia Bell Labs, capaci di importare ed elaborare migliaia di informazioni raccolte dagli apparati già presenti nell’infrastruttura. Il principio è quello di ricostruire lo stato dei diversi segmenti ottici senza installare sonde dedicate lungo l’intero percorso.
Il trial ha consentito di rilevare fenomeni come il deterioramento della fibra, problemi agli amplificatori, errori di configurazione e altre condizioni potenzialmente in grado di ridurre le prestazioni. Informazioni che possono permettere all’operatore di intervenire prima che il degrado raggiunga un livello tale da compromettere gli accordi sui livelli di servizio sottoscritti con i clienti.
Indice degli argomenti
Una “diagnostica” più profonda per le infrastrutture ottiche
Nokia descrive la network tomography come una sorta di controllo diagnostico applicato alle infrastrutture ottiche. Il concetto richiama quello della tomografia utilizzata in altri ambiti: a partire da una serie di informazioni disponibili ai margini del sistema, gli algoritmi ricostruiscono ciò che sta avvenendo al suo interno.
Nel caso delle comunicazioni ottiche, il punto di partenza sono i dati prodotti dalle trasmissioni coerenti. I moderni transponder raccolgono infatti numerose informazioni sulle caratteristiche del segnale, sulla qualità della trasmissione e sulle condizioni del percorso attraversato. La network tomography utilizza questi parametri in maniera coordinata per ricostruire lo stato dei singoli collegamenti e individuare eventuali variazioni rispetto alle prestazioni attese.
L’obiettivo è superare una modalità di analisi basata prevalentemente su misurazioni puntuali e verifiche manuali, ottenendo una visione più estesa dell’infrastruttura.
La possibilità di osservare quasi in tempo reale le condizioni dei diversi link consente di individuare con maggiore rapidità dove si sta formando un problema e quale possa esserne l’origine. Un vantaggio particolarmente rilevante nelle infrastrutture di trasporto, dove un deterioramento progressivo della qualità del segnale può avere effetti su più servizi e propagarsi lungo catene complesse di collegamenti.
Secondo Nokia, inoltre, questa modalità di analisi può essere applicata sfruttando gli apparati già installati. L’operatore può quindi ottenere informazioni aggiuntive senza dover distribuire una nuova rete di sensori o effettuare interventi sistematici sul campo.
Dal degrado della fibra agli errori di configurazione
Uno dei principali risultati della sperimentazione riguarda la capacità di individuare condizioni che possono incidere sulle prestazioni prima che abbiano conseguenze percepibili dai clienti.
Durante il trial sono stati identificati fenomeni di degrado della fibra, problemi relativi agli amplificatori ottici ed errori di configurazione, insieme ad altre situazioni in grado di alterare il comportamento dell’infrastruttura.
La disponibilità di queste informazioni modifica il modo in cui può essere affrontata la manutenzione. Anziché attendere che un problema si manifesti attraverso un allarme evidente o una riduzione della qualità del servizio, l’operatore può analizzare segnali più deboli e intervenire in anticipo.
Per un service provider, questo aspetto è direttamente collegato alla gestione degli Sla, i Service Level Agreement che definiscono i livelli di prestazione e affidabilità garantiti ai clienti. Riconoscere un deterioramento prima che incida sugli Sla significa ampliare il margine temporale disponibile per verificare l’origine del problema, programmare l’intervento e ridurre il rischio di disservizi.
La maggiore osservabilità può inoltre semplificare le attività di troubleshooting. In un’infrastruttura composta da numerosi segmenti ottici, apparati e amplificatori, identificare la causa di una variazione delle prestazioni può richiedere verifiche successive e attività manuali. Una ricostruzione più precisa delle condizioni dei link può restringere il campo delle possibili cause e indirizzare più rapidamente gli interventi.
Christian Gacon, Vice President Broadband Networks di Orange France, sottolinea proprio questo passaggio: “Con requisiti di prestazione delle reti sempre più stringenti, gli operatori hanno bisogno di una visibilità più approfondita sulle prestazioni e sulle condizioni delle infrastrutture di trasporto. Con questo trial, Orange compie un passo importante verso il futuro delle operazioni di rete. Grazie a tecnologie di automazione intelligente possiamo ottimizzare meglio l’infrastruttura e offrire ai clienti servizi più resilienti”.
Più capacità senza intervenire subito sull’infrastruttura
La network tomography può avere un impatto anche sull’utilizzo delle risorse già disponibili. Una conoscenza più accurata delle condizioni effettive dei singoli collegamenti permette infatti di calibrare meglio i margini operativi e valutare con maggiore precisione quanta capacità possa essere utilizzata.
Nelle infrastrutture ottiche, la pianificazione deve tenere conto di una serie di variabili, dalle caratteristiche della fibra alle distanze fino alla presenza di amplificatori e alle condizioni dei diversi segmenti. Per garantire affidabilità, gli operatori introducono normalmente margini di sicurezza rispetto ai limiti teorici del sistema.
Una valutazione più dettagliata delle condizioni reali può consentire di gestire questi margini con maggiore precisione. Il risultato è la possibilità di migliorare l’efficienza spettrale e ottenere più valore dagli asset già installati, rimandando o indirizzando meglio gli interventi di potenziamento.
Il tema diventa particolarmente rilevante mentre aumenta la domanda di capacità sulle dorsali e sulle infrastrutture metropolitane. Data center, servizi cloud, applicazioni distribuite e nuovi workload legati all’intelligenza artificiale stanno accrescendo la quantità di dati che deve essere movimentata tra punti diversi dell’infrastruttura digitale.
Per gli operatori, l’espansione della capacità continuerà a richiedere investimenti. Ma una conoscenza più precisa delle prestazioni reali può contribuire a utilizzare in modo più efficiente ciò che è già disponibile e a programmare gli upgrade sulla base delle effettive condizioni della rete.
L’AI aumenta i requisiti delle reti di trasporto
Il riferimento all’intelligenza artificiale riguarda sia l’aumento dei requisiti infrastrutturali sia l’evoluzione dei sistemi utilizzati per gestire le reti.
La crescita dei workload AI sta incrementando la pressione sulle infrastrutture di trasporto. L’addestramento e l’esecuzione dei modelli richiedono il trasferimento di grandi quantità di dati tra data center, cloud, infrastrutture edge e utenti finali. Questo rende larghezza di banda, latenza, affidabilità e continuità operativa elementi sempre più importanti nella progettazione delle reti.
Per sostenere questa evoluzione, gli operatori devono poter comprendere con maggiore precisione come si comportano le proprie infrastrutture e quali elementi possano limitarne le prestazioni.
Il trial condotto da Nokia e Orange France inserisce la network tomography proprio all’interno di questo percorso. Aumentare il livello di osservabilità significa creare una base informativa più ricca sulla quale possono operare sistemi di analytics e strumenti di automazione.
I dati raccolti e interpretati dagli algoritmi possono diventare, progressivamente, l’input di meccanismi capaci di suggerire o applicare modifiche alla configurazione dell’infrastruttura. L’obiettivo di lungo periodo è avvicinarsi a reti nelle quali rilevazione del problema, analisi e risposta possano essere sempre più integrate.
Verso l’automazione closed loop
Uno dei passaggi indicati da Nokia riguarda infatti lo sviluppo di sistemi di closed-loop automation. In questo modello, l’infrastruttura viene osservata continuamente, i dati vengono analizzati e le informazioni ottenute possono attivare automaticamente un intervento correttivo oppure una modifica dei parametri operativi.
Per arrivare a questo livello di automazione è però necessario disporre di dati sufficientemente precisi sullo stato della rete. Un algoritmo può assumere decisioni efficaci soltanto se ha una rappresentazione affidabile delle condizioni dell’infrastruttura sulla quale deve intervenire.
Da qui il ruolo della network tomography come strumento di osservabilità. La capacità di identificare degradi, configurazioni anomale e variazioni delle prestazioni può fornire ai sistemi automatici informazioni utili per decidere dove e come intervenire.
Il passaggio dall’analisi alla closed-loop automation sarà necessariamente graduale. Le infrastrutture degli operatori sono sistemi complessi, con servizi caratterizzati da requisiti differenti e processi operativi nei quali le modifiche devono essere applicate mantenendo elevati livelli di controllo.
L’AI può tuttavia ampliare le capacità di analisi di grandi quantità di dati e favorire l’individuazione di correlazioni che sarebbe più difficile riconoscere attraverso procedure esclusivamente manuali. È in questa convergenza tra osservabilità e automazione che si colloca il concetto di infrastruttura “AI-ready” richiamato nel trial.
Meno misurazioni puntuali e verifiche manuali
Il valore del test emerge anche dal confronto con le modalità tradizionali di gestione delle infrastrutture ottiche. Per comprendere cosa stesse avvenendo lungo un collegamento, gli operatori hanno storicamente fatto affidamento su misurazioni effettuate in punti specifici della rete e su successive attività di indagine.
Questo approccio rimane indispensabile per numerose operazioni, ma può richiedere tempo soprattutto quando l’origine del problema è difficile da localizzare.
La possibilità di ricostruire lo stato di più collegamenti utilizzando i dati generati dalle trasmissioni coerenti introduce un livello aggiuntivo di analisi. L’operatore può disporre di una visione più continua dell’infrastruttura e indirizzare le attività tecniche verso le aree nelle quali gli algoritmi hanno rilevato comportamenti anomali.
Secondo Nokia, il trial dimostra così il potenziale di un approccio nel quale le informazioni già generate dagli apparati diventano una risorsa per migliorare la gestione operativa dell’infrastruttura.
“Per molti anni gli operatori hanno dovuto basarsi su misurazioni puntuali e indagini manuali per capire cosa accadesse all’interno delle proprie reti ottiche”, spiega Nokia. “Questo trial rappresenta un passaggio importante perché offre una visibilità quasi in tempo reale sui collegamenti ottici, aiutando a individuare molto prima degradi, problemi di configurazione e anomalie nelle prestazioni. La network tomography introduce un nuovo livello di osservabilità nell’infrastruttura ottica, aiutando gli operatori a semplificare le attività, utilizzare meglio gli asset esistenti e prepararsi alla transizione verso reti AI-native”.
Anche la sostenibilità passa dall’uso degli apparati installati
Un altro elemento evidenziato nel test riguarda la possibilità di utilizzare le apparecchiature già presenti nell’infrastruttura.
La soluzione raccoglie infatti i dati generati dagli apparati ottici esistenti, limitando la necessità di installare strumenti dedicati lungo il percorso della fibra. Questo può ridurre gli interventi delle squadre sul campo e le attività necessarie per distribuire ulteriori dispositivi di monitoraggio.
Per gli operatori il vantaggio può tradursi sia in una riduzione dei costi operativi sia in un minore impatto ambientale associato agli interventi fisici sull’infrastruttura. Il principio è quello di utilizzare maggiormente le informazioni prodotte dagli asset già installati, trasformando i dati tecnici in uno strumento per pianificare in maniera più mirata manutenzione e aggiornamenti.
Una maggiore accuratezza nella valutazione delle condizioni della fibra può inoltre contribuire a evitare sostituzioni preventive non necessarie e a concentrare gli interventi sui segmenti nei quali emerge un’effettiva criticità.
Anche l’ottimizzazione della capacità esistente rientra in questa logica. Aumentare l’utilizzo effettivo degli asset prima di procedere a nuovi potenziamenti consente di migliorare il rendimento dell’infrastruttura e di indirizzare gli investimenti verso i punti nei quali risultano realmente necessari.
Le reti ottiche diventano sempre più software-driven
La sperimentazione realizzata sulla rete di Orange France si inserisce infine in un’evoluzione più ampia delle infrastrutture di telecomunicazione. Le reti ottiche stanno progressivamente affiancando alla componente fisica sistemi software sempre più avanzati per l’analisi delle prestazioni, la configurazione e l’automazione.
L’aumento della capacità trasmissiva resta centrale, ma è accompagnato dalla necessità di rendere l’infrastruttura più osservabile e programmabile. Conoscere le condizioni effettive dei collegamenti permette di prendere decisioni operative basate su dati aggiornati anziché soltanto su parametri nominali o verifiche successive a un’anomalia.
La combinazione tra telemetria, algoritmi e automazione può diventare uno degli strumenti attraverso cui gli operatori gestiranno infrastrutture più complesse senza aumentare nella stessa proporzione le attività manuali.
Il trial tra Nokia e Orange France rappresenta quindi soprattutto una verifica sul campo della possibilità di utilizzare i dati provenienti dalle trasmissioni ottiche per ricostruire in maniera dettagliata la condizione dell’infrastruttura. Il passaggio successivo riguarda l’integrazione di questa conoscenza nei processi operativi e nei sistemi di automazione.
Con l’aumento della domanda di connettività generata da cloud, data center e applicazioni AI, la capacità di individuare rapidamente le anomalie e sfruttare meglio le risorse disponibili assume un valore crescente. Per le reti di trasporto, essere pronte all’intelligenza artificiale significa anche diventare più capaci di conoscere e gestire in modo dinamico il proprio stato operativo.
Partecipa alla community