Radio Access Networks mit selbstheilender KI optimieren

# Radio Access Networks mit selbstheilender KI optimieren

Achtzigtausend Fans strömen am Samstag zum Finale ins Stadion. Alle ziehen gleichzeitig das Handy heraus: Livestreams, Fotos, Nachrichten. Früher war das der Moment, in dem Anrufe abbrechen und Videos ruckeln. In immer mehr Stadien sitzt dabei aber kein Techniker mehr vor einem Dashboard und versucht hektisch zu retten, was zu retten ist. Das Netz justiert sich selbst.

Diese Lektion zeigt, wie Mobilfunkbetreiber KI, konkret Reinforcement Learning, einsetzen, um das Radio Access Network genau in diesen Stresssituationen stabil zu halten.

Was ist das Radio Access Network?

Das Radio Access Network (RAN) ist der Teil eines Mobilfunknetzes, der Ihr Telefon mit dem Core des Betreibers verbindet. Dazu gehören die Funkmasten, die Antennen und die Funkmodule, die Signale über die Luft senden und empfangen.

Jeder Funkmast strahlt eine oder mehrere Cells aus: Versorgungszonen mit einer Reihe einstellbarer Parameter. Zwei sind hier relevant:

• Tilt: der vertikale Winkel der Antenne. Nach unten neigen, um eine dichte Menschenmenge in der Nähe zu versorgen; nach oben neigen, um weiter zu reichen.
• Leistung und Handover-Schwellen: Einstellungen, die festlegen, wann Ihr Telefon bei Bewegung von einer Cell zu einer Nachbarcell wechseln soll.

Stimmen diese Werte nicht, gibt es Dropped Calls (ein Gespräch, das mitten im Satz abbricht) und Congestion (zu viele Nutzer kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ämpfen um denselben Spektrumsanteil).

Traditionell haben Techniker diese Parameter manuell gesetzt und langsam über Wochen angepasst. Für ein Stadionevent geht das viel zu langsam.

Die Idee des selbstoptimierenden Netzes

Die Branche treibt das Self-Organizing Network (SON) seit über einem Jahrzehnt voran. SON ist eine Reihe von Funktionen, mit denen sich das Netz mit weniger menschlichem Zutun selbst konfiguriert, optimiert und heilt.

Klassisches SON arbeitete mit festen Regeln: „Wenn Congestion über X liegt, tue Y.“ Das funktioniert bei vorhersehbaren Mustern. Bei neuen, schnell wechselnden Situationen wie einem plötzlichen Besucheransturm stößt es an Grenzen.

Genau hier verändert KI, und insbesondere Reinforcement Learning, das Spiel.

Reinforcement Learning in einem Absatz

Reinforcement Learning (RL) ist eine Form des Machine Learning, bei der ein Agent durch Versuch und Irrtum lernt. ErErDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → führt eine Aktion aus, beobachtet das Ergebnis und erhält einen Reward (einen numerischen Wert dafür, wie gut das Ergebnis war). Über viele Zyklen lernt ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → eine Policy: eine Strategie, die Situationen auf jene Aktionen abbildet, die den Reward am wahrscheinlichsten maximieren. Denken Sie an ein Thermostat, das nicht nur auf die Temperatur reagiert, sondern Ihre Gewohnheiten und die Eigenheiten des Gebäudes lernt, um Ihnen bei möglichst geringem Energieverbrauch Komfort zu bieten.

Im RAN ist die „Aktion“ das Anpassen eines Parameters. Der „Reward“ ist etwa weniger Dropped Calls und höherer Throughput.

Durchgang: das Stadionevent

So bewältigt ein selbstheilendes RAN das Samstagsfinale. Das ist eine Zusammenstellung von Techniken, wie sie in Hersteller- und Standardisierungsdokumenten beschrieben werden, keine Aussage über einen bestimmten Betreiber.

1. Die Baseline

Vor dem Event versorgen drei Cells das Stadion und seine Zugänge. An einem normalen Tag tragen sie wenig Traffic. Ihre Parameter sind auf eine ruhige Wohngegend abgestimmt.

2. Die Nachfrage schießt hoch

Die Fans kommen. Die Zahl verbundener Geräte im Versorgungsbereich steigt stark. Video-Uploads gehen steil nach oben. Die Cells, die den Zuschauerbereich versorgen, geraten in Congestion.

Ein altes regelbasiertes System würde einfach die Datenraten begrenzen. Das schützt die Gesprächsqualität, frustriert aber die Nutzer.

3. Der RL-Agent handelt

Der RL-Agent läuft im RAN Intelligent Controller (RIC), einer Softwarekomponente, die von der O-RAN Alliance definiert wird, einem Branchenverbund zur Standardisierung offener, programmierbarer RANs. Die Architektur ist auf der Website der O-RAN Alliance beschrieben.

Der Agent beobachtet den Zustand alle paar Sekunden: Last pro Cell, Dropped-Call-Rate, Signalqualität, fehlgeschlagene Handover. Dann handelt ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen →:

• Passt den Antennen-Tilt einer nahen Macro Cell an, um die Versorgung in Richtung der Umgänge zu lenken und die überfüllten Cells im Zuschauerbereich zu entlasten.
• Verschiebt Handover-Schwellen, damit Telefone am Rand einer überlasteten Cell früher zu einem weniger belasteten Nachbarn wechseln.
• Leitet Traffic um, indem ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → Geräte auf andere Frequenzbänder oder nahe Cells mit freier Kapazität schiebt.

Jede Anpassung liefert ein messbares Ergebnis. Der Agent behält die Änderungen, die den Reward verbessern, und nimmt die anderen zurück.

4. Self-Healing

Mitten im Event verschlechtert sich eine Funkeinheit. Ihr Throughput bricht zusammen. Das System erkennt die Anomalie, und die Nachbarcells erhöhen die Leistung und passen den Tilt an, um die Lücke zu schließen. Nutzer in diesem Sektor bemerken einen kurzen Einbruch, keinen Ausfall. Das ist das Healing in Self-Healing: automatische Kompensation einer ausgefallenen oder beeinträchtigten Komponente.

Zum Abpfiff ist das Event ohne einen einzigen Eingriff aus der Leitstelle vorbei. Der Agent stellt die normalen Parameter wieder her, während sich die Menge verteilt.

🎬 [VIDEO: "What is Open RAN?" - youtube.com - Eine kurze, klare Erklärung der Open-RAN-Architektur und warum programmierbare Controller wichtig sind]

Warum RL und nicht einfache Regeln?

Drei Gründe, warum Betreiber lernbasierte Ansätze statischen Regeln vorziehen:

Der State Space ist riesig. Dutzende Parameter über Hunderte Cells wirken zusammen. Eine Änderung in einer Cell betrifft deren Nachbarn. Regeln für jede Kombination von Hand zu schreiben, ist nicht praktikabel.

Die Bedingungen ändern sich ständig. Ein Stadion, eine Autobahn im Berufsverkehr und ein Geschäftsviertel zur Mittagszeit verhalten sich völlig unterschiedlich. Eine RL-Policy passt sich dem Kontext an, statt überall dasselbe Regelwerk zu erzwingen.

Geschwindigkeit. Maschinenzyklen sind schneller als menschliche Reaktionszeit. Der Agent kann innerhalb von Sekunden testen und nachjustieren.

Eine vereinfachte Sicht auf den Reward

Um das konkret zu machen, hier eine Reward-Funktion als Pseudocode. Das ist illustrativ, kein Produktionscode.

def compute_reward(metrics):
    # Höher ist besser
    throughput_gain = metrics.avg_throughput_mbps * 1.0
    # Dropped Calls und Congestion werden stark bestraft
    drop_penalty = metrics.dropped_call_rate * 50.0
    congestion_penalty = metrics.congested_cells * 10.0

    return throughput_gain - drop_penalty - congestion_penalty

Die Gewichte (1.0, 50.0, 10.0) codieren geschäftliche Prioritäten. Ein Betreiber, der Dropped Calls als schlimmstes Ergebnis für die Kundenzufriedenheit ansieht, gewichtet diese Strafe hoch. Diese Gewichte zu justieren ist eine strategische Entscheidung, nicht nur eine technische.

Der Business Case

Warum investieren Betreiber darin?

Kundenbindung. Dropped Calls und schlechte Datenverbindungen sind Haupttreiber von Churn (Kunden, die zu einem Wettbewerber wechseln). Sie in den Spitzenmomenten zu beheben, schützt Umsatz.

Betriebskosten. Manuelle RAN-Optimierung ist arbeitsintensiv. Automatisierung setzt knappe Funktechniker für höherwertige Arbeit frei.

Energie. RL kann ungenutzte Technik in ruhigen Zeiten herunterfahren oder in den Idle-Modus schicken und für Events wieder hochfahren. Energie ist einer der größten laufenden Kostenblöcke eines Betreibers, das zählt also finanziell und für Nachhaltigkeitsziele.

Kapitaleffizienz. Mehr Kapazität aus bestehenden Masten zu holen, kann den Bau neuer Masten hinausschieben.

Risiken und Guardrails

Selbstheilende KI ist mächtig, und sie ist kein „einrichten und vergessen“. Fachleute sollten die Fehlermodi kennen.

Reward Hacking

Ist die Reward-Funktion schlecht entworfen, findet der Agent möglicherweise Abkürzungen, die den Score erhöhen, aber dem eigentlichen Ziel schaden. Ein Agent, der nur für Throughput belohnt wird, kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnte etwa Nutzer am Zellrand aushungern, um einige Vielnutzer zu versorgen. Sorgfältiges Reward-Design und Monitoring sind unverzichtbar.

Sicheres Training

Einen rohen, untrainierten Agenten kann man nicht in einem Livenetz experimentieren lassen, über das Notrufe laufen. Betreiber trainieren Agenten in Digital Twins: hochgenauen Simulationen des Netzes. Der Agent macht seine frühen Fehler in der Simulation, nicht bei echten Kunden.

Menschliche Aufsicht

Regulierer und Betreiber verlangen in der Regel Guardrails: harte Grenzen, die der Agent nicht überschreiten darf (zum Beispiel eine Mindestversorgung für Notdienste), plus die Möglichkeit, dass ein Mensch pausiert oder übersteuert. KI unterstützt hier die Techniker, sie ersetzt nicht die Verantwortung.

Explainability

Wenn das Netz eine Entscheidung trifft, müssen Techniker verstehen, warum, besonders nach einem Vorfall. Viele Teams kombinieren den RL-Agenten mit Logging und Monitoring, damit jede Aktion und ihre Begründung überprüfbar sind. Für eine solide Grundlage zu verantwortungsvoller KI ist das NIST AI Risk Management Framework eine nützliche kostenlose Referenz.

Wohin das führt

Der Trend für 2026 und danach ist eine engere Verzahnung von KI und offenen, programmierbaren Netzen. Mit wachsender O-RAN-Verbreitung kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen mehr Betreiber KI-Anwendungen von Dritten (genannt rApps und xApps) in den RIC einbinden und so einen Marktplatz für Optimierungswerkzeuge schaffen, statt an einen geschlossenen Herstellerstack gebunden zu sein.

Das Stadionbeispiel ist ein Vorgeschmack. Dieselbe Self-Healing-Logik gilt für Katastrophenbewältigung, saisonale Touristenspitzen und das tägliche Geschäft, Millionen Verbindungen stabil zu halten.

Key Takeaways

• Das RAN ist einstellbar, und KI stellt es schneller ein als Menschen. Reinforcement Learning passt Antennen-Tilt, Handover-Schwellen und Traffic-Routing innerhalb von Sekunden an, auf Basis laufender Rewards.
• Self-Healing bedeutet automatische Kompensation. Fällt ein Funkmodul aus, passen sich Nachbarcells an, um die Lücke zu schließen, aus einem möglichen Ausfall wird ein kurzer Einbruch.
• Die Reward-Funktion codiert geschäftliche Prioritäten. Die Gewichtung von Dropped Calls, Throughput und Energie ist eine strategische Wahl, nicht nur eine technische.
• Guardrails sind nicht verhandelbar. Digital Twins für sicheres Training, harte Grenzen für Notrufversorgung und menschliches Übersteuern halten die Automatisierung verantwortbar.
• Offene, programmierbare RANs (O-RAN) beschleunigen die Verbreitung, weil Betreiber KI-Optimierungs-Apps mischen und kombinieren kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen, statt sich auf einen einzigen Hersteller zu verlassen.