EN
Moduláris BBU hardvertervezés függőleges és vízszintes skálázáshoz
A modern távközlési berendezések a Baseband Unit (BBU) architektúrákra támaszkodnak, amelyek két egymást kiegészítő skálázási stratégiát támogatnak: a függőleges skálázást – amely során egyes egységek feldolgozó teljesítményét növelik – és a vízszintes skálázást – amely során további BBU csomópontokat telepítenek a hálózatban a terhelés elosztására és a kapacitás növelésére.
Gyorscsere-modulok és tokrugalmasság a fokozatos kapacitásnövekedés érdekében
A működtetők mostantól kicserélhetik vagy telepíthetik a hardverkomponenseket – például processzorkártyákat és rádióinterfész egységeket – anélkül, hogy leállítanák a szolgáltatásokat, mivel a mezőben cserélhető modulok támogatják a meleg cserét (hot swapping). Mi az előny? A kapacitás gyors bővítése szükség esetén. Csak csatlakoztasson egy új processzorkártyát, és a teljesítmény majdnem azonnal kb. 40%-kal növekszik. A modern toktervek standard foglalatokkal és rugalmas háttérpanel-rendszerekkel kerülnek forgalomba, amelyek kompatibilisek különféle modulokkal, például titkosítás-gyorsítókkal és fronthaul interfészekkel. Ez a rugalmasság lehetővé teszi a vállalatok számára, hogy pontosan azt az infrastruktúrát építsék fel, amire szükségük van, anélkül, hogy egyetlen gyártó berendezéseire lennének kötve, emellett értékes rackszabad helyet is megtakarítanak. Ipari tesztek kimutatták, hogy ezek a meleg cserére alkalmas funkciók a karbantartási leállás idejét kb. 90%-kal csökkentik a régi, rögzített szerkezetű rendszerekhez képest, amelyeknél minden elem az első nap óta helyben volt rögzítve.
CPU/FPGA/GPU-bővítés és memóriasávszélesség-optimalizálás számításigényes feladatokhoz
A modern alapsáv-egységek (BBU) kezelniük kell a 5G-Advanced követelményeket és az Open RAN-specifikációkat is, ezért különböző típusú számítási teljesítményt hoznak egy helyre. Például a mezőprogramozható kapuvezérlők (FPGA) végzik azokat az ultra-gyors jelelfeldolgozási feladatokat, ahol minden mikroszekundum számít. A grafikus feldolgozóegységek (GPU) akkor lépnek be, amikor mesterséges intelligenciát (MI) kell alkalmazni például a sugárirányításra (beamforming) vagy az interferenciaproblémák kezelésére. Emellett többfoglalatos központi feldolgozóegységek (CPU) kezelik az összes vezérlősík-műveletet és koordinálják a háttérben zajló folyamatokat. A memória területén a gyártók a DDR5 és az HBM3 technológiákra támaszkodnak, amelyek adatátviteli sebessége meghaladja az 1 terabájt/másodpercet. Ez a sávszélesség elengedhetetlen a nagy méretű többszörös bemenetű–többszörös kimenetű (MIMO) rendszerek támogatásához, valamint a valós idejű fronthaul-feldolgozási igények kielégítéséhez. Ezt a teljesítményt további okos optimalizációk is lehetővé teszik – például a gyorsítótár-terület felosztása úgy, hogy a kritikus alapsáv-funkciók ne lassuljanak le, a memória intelligens lefoglalása különböző foglalatok között a NUMA-elv (Non-Uniform Memory Access) alapján, valamint beépített hardveres tömörítés, amely körülbelül 35%-kal csökkenti a fronthaul-forgalmat. Mindezen komponensek együttműködése biztosítja a késleltetés 5 milliszekundumnál kisebb tartását, miközben stabil, kiemelkedő minőségű 5G New Radio-teljesítményt nyújt, még akkor is, ha a cellahelyek folyamatosan 200 gigabájt/másodperc adatforgalmat kezelnek.
BBU integráció felhőalapú és programozható hálózatkezeléssel (SDN/NFV)
Vezérlősík-feloldás és dinamikus orchestráció SDN-képes BBU-kezelés segítségével
A szoftvervezérelt hálózatkezelés (Software Defined Networking vagy SDN) megváltoztatja a bázisállomás-egységek (BBU) kezelését úgy, hogy elkülöníti a vezérlési funkciókat az adatfeldolgozástól. Ez egy olyan rendszert hoz létre, amelyben intelligens vezérlők központilag végzik a legtöbb döntéshozatalt, ugyanakkor a BBUs egységek maguk is helyileg döntenek az adatforgalom továbbításáról és a rádióerőforrások kezeléséről. Nyitott alkalmazásprogramozási felületek (API-k) elérhetősége révén a hálózatüzemeltetők most már valós időben módosíthatják a spektrum-elosztást, szükség szerint váltogathatnak különböző modulációs módszerek között, és áthelyezhetik a terheléselosztást a cellaszektorok között a valós idejű forgalmi helyzetnek megfelelően. Amikor a csúcsidőszakokban megnő a forgalom, ezek az SDN-rendszerek majdnem azonnal aktivizálódnak, és a hálózati kapacitást automatikusan átirányítják a túlterhelt területekről anélkül, hogy manuális beállításra lenne szükség. Az eredmény? Kevesebb leállás és kevesebb fejfájás a technikusok számára. Egy 2024-es iparági jelentés szerint a vállalatok, amelyek ezt a módszert alkalmazzák, általában mintegy egyharmadnyi csökkenést érnek el a hálózatkezelési költségeikben összehasonlítva a régebbi, főként egyedi eszközökre támaszkodó megközelítésekkel.
Virtualizált alapsáv-funkciók és automatizált életciklus-kezelés NFV-vel
A hálózati funkciók virtualizálása, röviden NFV, megváltoztatja a távközlési vállalatok infrastruktúrájának működtetési módját. A drága, saját fejlesztésű BBU-hardverek helyett az üzemeltetők mostantól a baseband-funkciókat szokásos, kereskedelmi forgalomban kapható szervereken futtatják. Ilyen funkciók például a jelfeldolgozás, a csatornakódolás és azok a 2. rétegbeli protokollok, amelyek mindegyike könnyűsúlyú virtuális hálózati funkcióként vagy felhőalapú natív alternatíváként működik. Az egész rendszert automatikusan kezelik olyan platformok – például a Kubernetes és az ONAP –, amelyek minden tevékenységet lefednek: a rendszer beállításától kezdve a szükség szerinti skálázást, a problémák elhárítását és a frissítések alkalmazását egységes, központi irányítópultokról. Amikor a forgalom hirtelen megugrik, ezek az NFV-rendszerek gyorsan létrehoznak virtuális BBU-k másolatait, és elosztják őket különböző szervercsoportok között. Ha pedig a kereslet csökken, egyszerűen leállítják a nem használt erőforrásokat az energia megtakarítása érdekében. Az elmúlt év Cloud RAN Benchmark tanulmányának eredményei szerint ez a rugalmas megközelítés körülbelül 50%-kal csökkenti a tőkeköltségeket, miközben közel tökéletes rendelkezésre állást biztosít (99,999%). Az NFV-t azonban valójában az teszi kiemelkedővé, hogy milyen gyorsan lehet frissítéseket telepíteni. A vállalatok új funkciókat percek alatt tudnak telepíteni ezrekben számított helyszínen, nem heteket kell várniuk, így gyorsabb innovációs ciklusok valósíthatók meg szolgáltatási megszakítás nélkül az ügyfelek számára.
Üzembe helyezés-tudatos BBU-formátumok és infrastruktúra-illeszkedés
Sidecar vs. állványra szerelhető BBU-konfigurációk elosztott és központosított vRAN esetén
A megfelelő BBU (Baseband Unit) formátum kiválasztása nagy jelentőséggel bír, amikor a hardvertervet a telepítési körülményekhez és az infrastruktúra meglévő korlátozásaihoz igazítjuk. Az oldalkocsis (sidecar) BBUs kis méretű, energiahatékony egységek, amelyek közvetlenül az antennák mellett helyezkednek el a telephelyen. Ez csökkenti a jel késleltetését, így kiválóan alkalmasak olyan alkalmazásokhoz, amelyek rendkívül megbízható kapcsolatot és minimális késleltetést igényelnek – például az URLLC-szolgáltatásokhoz vagy az elosztott vRAN-rendszerekben végzett perem-számítási (edge computing) feladatokhoz. Másrészről a szekrénybe szerelhető BBUs az összes alapsáv-feldolgozást központi csomópontokban egyesítik. Ez az elrendezés néha akár 40%-kal is csökkentheti a szükséges helyigényt, és egyszerűbbé teszi a hőkezelést, a tartalék tápegységek kezelését, valamint a rutinellenőrzéseket. A legtöbb hálózati szolgáltató a szekrénybe szerelhető változatot részesíti előnyben, mivel ez jobban skálázódik, és lehetővé teszi az erőforrások megosztását különböző területek között. Ne feledkezzünk meg azonban az oldalkocsis BBUs-ról sem! Ezek továbbra is kulcsszerepet játszanak ott, ahol korlátozott a rendelkezésre álló hely, illetve olyan nehezen elérhető helyeken. Mindkét megoldás jól integrálható az SDN- és NFV-technológiákkal, így minden elem zavartalanul kapcsolódik a modern, felhőalapú hálózatokba.
Mesterséges intelligencián alapuló erőforrás-optimalizálás skálázható BBU-fürtökön
A mesterséges intelligencia megváltoztatta a BBU-fürtök kezelését: a problémákra való reagálásról áttértünk a proaktív és rugalmas működésre. A valós idejű kulcsfontosságú teljesítménymutatók – például a forgalom szintje, az egyszerre csatlakozó felhasználók száma, a spektrum hatékonysága, valamint a hardverfigyelési adatok – gépi tanulási rendszerekbe táplálódnak. Ezek a rendszerek akár 48 órával előre is képesek megjósolni a szükséges kapacitást, amely alapján automatikusan skálázódik a virtuális alapsáv-funkciók kapacitása felfelé vagy lefelé. Speciális megerősítéses tanulási technikák folyamatosan javítják a számítási teljesítmény elosztását a hálózat különböző részei között, valamint a sávszélesség- és energiaellátási beállítások kezelését. Ez az eljárás körülbelül 22%-kal csökkenti az energiapazarlást, mivel intelligensen kikapcsolja az alig használt berendezéseket. A szerverek közötti terheléselosztás automatizálása körülbelül 30%-kal növeli az általános kihasználtsági arányt. Ez lényegesen egyszerűbbé teszi a BBU-készletek bővítését, ahogy a 5G-forgalom tovább növekszik. Az eredmény egy olyan infrastruktúra, amely gyakorlatilag önmagát javítja. Megakadályozza, hogy a vállalatok túl sok eszközt vásároljanak előre, fenntartja a késleltetést 5 milliszekundum alatt a kritikus alkalmazások számára, és kezeli a váratlan forgalomcsúcsokat anélkül, hogy emberi beavatkozásra lenne szükség.
