คุณสมบัติ BBU ใดบ้างที่รองรับการปรับขนาดเครือข่าย?

การออกแบบฮาร์ดแวร์ BBU แบบโมดูลาร์เพื่อรองรับการปรับขนาดทั้งแบบแนวตั้งและแบบแนวนอน

อุปกรณ์สื่อสารสมัยใหม่พึ่งพาสถาปัตยกรรมหน่วยฐาน (Baseband Unit: BBU) ซึ่งสนับสนุนกลยุทธ์การปรับขนาดสองแบบที่เสริมกัน ได้แก่ การปรับขนาดแบบแนวตั้ง — การเพิ่มพลังการประมวลผลให้กับหน่วยแต่ละหน่วย และการปรับขนาดแบบแนวนอน — การติดตั้งโหนด BBU เพิ่มเติมทั่วทั้งเครือข่ายเพื่อกระจายภาระงานและเพิ่มความจุ

โมดูลที่เปลี่ยนได้ขณะระบบทำงาน (hot-swappable) และความยืดหยุ่นของแชสซีเพื่อการเพิ่มความจุแบบค่อยเป็นค่อยไป

ผู้ปฏิบัติงานสามารถเปลี่ยนหรือติดตั้งส่วนประกอบฮาร์ดแวร์ เช่น แผงวงจรประมวลผล (processor cards) และหน่วยอินเทอร์เฟซวิทยุ (radio interface units) ได้โดยไม่ต้องหยุดให้บริการ เนื่องจากโมดูลที่สามารถเปลี่ยนได้ในสนาม (field replaceable modules) รองรับการเปลี่ยนแบบร้อน (hot swapping) ข้อได้เปรียบคืออะไร? คือการขยายกำลังการประมวลผลได้อย่างรวดเร็วเมื่อมีความจำเป็น เพียงเสียบแผงวงจรประมวลผลใหม่เข้าไป ก็จะเห็นปริมาณข้อมูลผ่านระบบ (throughput) เพิ่มขึ้นประมาณ 40% ทันทีเกือบจะในทันที โครงสร้างแชสซีสมัยใหม่มาพร้อมสล็อตมาตรฐานและระบบแบ็กเพลนที่ปรับเปลี่ยนได้ ซึ่งสามารถใช้งานร่วมกับโมดูลชนิดต่าง ๆ ได้หลากหลาย รวมถึงอุปกรณ์เร่งการเข้ารหัส (encryption accelerators) และอินเทอร์เฟซฟรอนต์โฮล (fronthaul interfaces) ความยืดหยุ่นนี้ทำให้บริษัทสามารถออกแบบและสร้างระบบที่ตอบโจทย์ความต้องการเฉพาะของตนได้อย่างแม่นยำ โดยไม่ต้องผูกมัดกับอุปกรณ์ของผู้ผลิตรายใดรายหนึ่งเพียงรายเดียว ทั้งยังช่วยประหยัดพื้นที่ในแร็ก (rack space) อย่างมีค่า อุตสาหกรรมได้ทดสอบแล้วว่า คุณสมบัติการเปลี่ยนแบบร้อนเหล่านี้ช่วยลดเวลาหยุดให้บริการเพื่อการบำรุงรักษาลงประมาณ 90% เมื่อเทียบกับระบบแบบเก่าที่ทุกส่วนถูกติดตั้งคงที่ตั้งแต่วันแรก

การขยาย CPU/FPGA/GPU และการเพิ่มประสิทธิภาพแบนด์วิดท์หน่วยความจำสำหรับภาระงานที่ต้องใช้การประมวลผลสูง

หน่วยฐานข้อมูลสมัยใหม่ (Baseband Units: BBUs) จำเป็นต้องรองรับทั้งข้อกำหนดของเทคโนโลยี 5G-Advanced และข้อกำหนดของ Open RAN จึงต้องผสานรวมพลังการประมวลผลแบบต่าง ๆ เข้าด้วยกัน ตัวอย่างเช่น วงจรรวมแบบเขียนโปรแกรมได้ (Field Programmable Gate Arrays: FPGAs) ทำหน้าที่ประมวลผลสัญญาณด้วยความเร็วสูงมาก โดยแต่ละไมโครวินาทีมีความสำคัญยิ่ง หน่วยประมวลผลกราฟิก (Graphics Processing Units: GPUs) เข้ามามีบทบาทเมื่อต้องนำปัญญาประดิษฐ์ (AI) มาใช้งาน เช่น ในการควบคุมลำแสง (beamforming) และการจัดการปัญหาการรบกวนสัญญาณ (interference issues) ส่วนหน่วยประมวลผลกลางแบบหลายซอกเก็ต (multi-socket Central Processing Units: CPUs) ทำหน้าที่จัดการการดำเนินงานของระนาบควบคุม (control plane) ทั้งหมด และประสานงานทุกกระบวนการที่อยู่เบื้องหลัง สำหรับหน่วยความจำ ผู้ผลิตหันไปใช้เทคโนโลยี DDR5 และ HBM3 ซึ่งสามารถถ่ายโอนข้อมูลด้วยความเร็วสูงกว่า 1 เทระไบต์ต่อวินาที แบนด์วิดท์ระดับนี้มีความจำเป็นอย่างยิ่งในการสนับสนุนระบบ MIMO (Multiple Input Multiple Output) ขนาดใหญ่ และตอบสนองความต้องการการประมวลผล fronthaul แบบเรียลไทม์อย่างต่อเนื่อง นอกจากนี้ยังมีการปรับแต่งอย่างชาญฉลาดเพื่อให้บรรลุเป้าหมายนี้ด้วย เช่น การแบ่งพื้นที่แคชออกเป็นส่วนย่อย เพื่อไม่ให้ฟังก์ชันฐานข้อมูลที่สำคัญถูกชะลอลง การจัดสรรหน่วยความจำอย่างชาญฉลาดข้ามซอกเก็ตต่าง ๆ ตามหลักการ NUMA (Non-Uniform Memory Access) และการบีบอัดข้อมูลในตัวโดยฮาร์ดแวร์ ซึ่งช่วยลดปริมาณทราฟฟิก fronthaul ลงประมาณ 35% ทั้งหมดนี้ทำงานร่วมกันอย่างกลมกลืน เพื่อรักษาระดับความหน่วง (latency) ให้ต่ำกว่า 5 มิลลิวินาที พร้อมมอบประสิทธิภาพของเครือข่ายวิทยุ 5G ใหม่ (5G New Radio) ที่มีความเสถียรสูงแม้ในสถานการณ์ที่สถานีเซลล์กำลังจัดการกระแสข้อมูลอย่างต่อเนื่องที่ระดับ 200 กิกะบิตต่อวินาที

การผสานรวม BBU กับเครือข่ายแบบคลาวด์เนทีฟและสามารถเขียนโปรแกรมได้ (SDN/NFV)

การแยกชั้นควบคุม (Control-Plane Decoupling) และการจัดการแบบไดนามิกผ่านระบบควบคุมเครือข่าย (Dynamic Orchestration) ที่ใช้การจัดการ BBU บนพื้นฐาน SDN

การจัดการเครือข่ายที่กำหนดด้วยซอฟต์แวร์ หรือ SDN เปลี่ยนวิธีการจัดการหน่วยฐานแบนด์ (BBU) โดยแยกฟังก์ชันการควบคุมออกจากกระบวนการประมวลผลข้อมูลจริง ซึ่งส่งผลให้เกิดระบบหนึ่งที่ตัวควบคุมอัจฉริยะทำหน้าที่ตัดสินใจส่วนใหญ่แบบรวมศูนย์ แต่ยังคงเปิดโอกาสให้ตัว BBUs เองสามารถตัดสินใจในระดับท้องถิ่นได้เกี่ยวกับการส่งผ่านข้อมูลและการจัดการทรัพยากรวิทยุ ด้วยอินเทอร์เฟซการเขียนโปรแกรมประยุกต์ (API) แบบเปิดที่มีอยู่ ผู้ให้บริการเครือข่ายจึงสามารถปรับการจัดสรรสเปกตรัมแบบเรียลไทม์ ปรับเปลี่ยนระหว่างวิธีการมอดูเลตต่าง ๆ ตามความจำเป็น และเปลี่ยนสมดุลภาระงานระหว่างเซกเตอร์ของเซลล์ตามสถานการณ์การจราจรที่เกิดขึ้นจริงได้ เมื่อเกิดภาวะแออัดในช่วงเวลาเร่งด่วน ระบบที่ใช้ SDN เหล่านี้จะเริ่มทำงานเกือบในทันที โดยเปลี่ยนเส้นทางความสามารถของเครือข่ายออกไปจากพื้นที่ที่มีภาระงานเกินขีดจำกัดโดยไม่จำเป็นต้องมีผู้ปฏิบัติงานเข้าไปตั้งค่าด้วยตนเอง ผลลัพธ์ที่ได้คือ ระยะเวลาหยุดให้บริการลดลง และช่างเทคนิคประสบปัญหาลดลงอย่างเห็นได้ชัด รายงานอุตสาหกรรมล่าสุดปี 2024 ระบุว่า บริษัทที่นำวิธีการนี้มาใช้มักจะเห็นการลดลงของค่าใช้จ่ายในการจัดการเครือข่ายโดยรวมประมาณหนึ่งในสาม เมื่อเปรียบเทียบกับแนวทางเดิมที่อาศัยการตั้งค่าและควบคุมอุปกรณ์แต่ละตัวเป็นหลัก

ฟังก์ชันฐานข้อมูลแบบเสมือนจริงและการจัดการวงจรชีวิตโดยอัตโนมัติด้วย NFV

การจำลองฟังก์ชันเครือข่าย (Network Functions Virtualization หรือ NFV) กำลังเปลี่ยนแปลงวิธีที่บริษัทโทรคมนาคมดำเนินงานโครงสร้างพื้นฐานของตน แทนที่จะพึ่งพาฮาร์ดแวร์ BBU แบบเฉพาะเจาะจงที่มีราคาแพง ผู้ให้บริการปัจจุบันใช้เซิร์ฟเวอร์ทั่วไปที่หาซื้อได้ตามท้องตลาดในการรันฟังก์ชันเบสแบนด์ ทั้งกระบวนการประมวลผลสัญญาณ การเข้ารหัสช่องสัญญาณ และโปรโตคอลระดับ Layer 2 ต่างๆ ทำงานเป็นฟังก์ชันเครือข่ายเสมือน (virtual network functions) ที่มีน้ำหนักเบา หรือทางเลือกแบบคลาวด์เนทีฟ (cloud-native alternatives) ทั้งระบบถูกจัดการโดยอัตโนมัติผ่านแพลตฟอร์มต่างๆ เช่น Kubernetes และ ONAP ซึ่งทำหน้าที่ควบคุมทุกอย่าง ตั้งแต่การติดตั้งระบบ การปรับขนาดการให้บริการเมื่อจำเป็น การแก้ไขปัญหา และการอัปเดตแพตช์ ผ่านแดชบอร์ดกลางเพียงจุดเดียว เมื่อปริมาณการรับส่งข้อมูลเพิ่มขึ้นอย่างฉับพลัน ระบบที่ใช้ NFV สามารถสร้างสำเนาของ BBU เสมือนได้อย่างรวดเร็ว และกระจายไปยังกลุ่มเซิร์ฟเวอร์ที่แตกต่างกัน และเมื่อความต้องการลดลง ระบบจะปิดทรัพยากรที่ไม่ได้ใช้งานเพื่อประหยัดพลังงาน ตามผลการศึกษา Cloud RAN Benchmark ปีที่ผ่านมา แนวทางที่ยืดหยุ่นนี้ช่วยลดต้นทุนการลงทุน (capital costs) ลงประมาณครึ่งหนึ่ง ขณะเดียวกันยังคงรักษาระดับเวลาในการให้บริการที่เกือบสมบูรณ์แบบไว้ที่ 99.999% สิ่งที่ทำให้ NFV โดดเด่นจริงๆ คือความเร็วในการอัปเดต บริษัทสามารถปล่อยฟีเจอร์ใหม่ไปยังสถานที่นับพันแห่งภายในไม่กี่นาที แทนที่จะต้องรอหลายสัปดาห์ ซึ่งหมายความว่าสามารถเร่งวงจรนวัตกรรมให้เร็วขึ้นโดยไม่รบกวนการให้บริการแก่ลูกค้า

รูปแบบ BBU ที่คำนึงถึงการปรับใช้งาน และการจัดแนวโครงสร้างพื้นฐาน

การเปรียบเทียบการตั้งค่า BBU แบบไซด์คาร์ กับแบบติดตั้งในแร็ก สำหรับ vRAN แบบกระจายและแบบรวมศูนย์

การเลือกรูปแบบของ BBU ที่เหมาะสมมีความสำคัญอย่างยิ่งต่อการจับคู่การออกแบบฮาร์ดแวร์กับวิธีการติดตั้งจริง และข้อจำกัดที่มีอยู่ในโครงสร้างพื้นฐาน บีบียูแบบไซด์คาร์ (Sidecar BBU) คือหน่วยขนาดเล็กที่มีประสิทธิภาพในการใช้พลังงานสูง ซึ่งติดตั้งอยู่ใกล้กับเสาอากาศโดยตรง ณ สถานที่ติดตั้งจริง วิธีนี้ช่วยลดความล่าช้าของสัญญาณ ทำให้เหมาะอย่างยิ่งสำหรับแอปพลิเคชันที่ต้องการการเชื่อมต่อที่เชื่อถือได้สูงมากและมีเวลาแฝงต่ำสุด เช่น บริการ URLLC หรืองานการประมวลผลขอบ (edge computing) ในระบบ vRAN แบบกระจายตัว ทางกลับกัน บีบียูแบบติดตั้งในแร็ก (rack mounted BBU) จะรวมการประมวลผลฐานแบนด์ทั้งหมดไว้ที่ศูนย์กลาง แนวทางนี้ช่วยลดพื้นที่ที่จำเป็นลงได้ถึงประมาณ 40% และยังทำให้การจัดการความร้อน การจ่ายไฟสำรอง และการตรวจสอบตามรอบทำได้ง่ายขึ้นด้วย ผู้ให้บริการเครือข่ายส่วนใหญ่จึงเลือกใช้บีบียูแบบติดตั้งในแร็ก เนื่องจากสามารถปรับขนาดได้ดีกว่า และยังสามารถแบ่งปันทรัพยากรระหว่างพื้นที่ต่าง ๆ ได้อีกด้วย แต่ก็อย่าลืมบีบียูแบบไซด์คาร์เช่นกัน! มันยังคงมีบทบาทสำคัญในสถานการณ์ที่มีพื้นที่จำกัด หรือในพื้นที่ที่เข้าถึงได้ยาก ไม่ว่าจะเลือกใช้รูปแบบใด ก็สามารถทำงานร่วมกับเทคโนโลยี SDN และ NFV ได้อย่างมีประสิทธิภาพ ทำให้ทุกส่วนเชื่อมต่อกันได้อย่างราบรื่นภายในเครือข่ายสมัยใหม่ที่อาศัยระบบคลาวด์

การปรับปรุงประสิทธิภาพการใช้ทรัพยากรที่ขับเคลื่อนด้วยปัญญาประดิษฐ์ (AI) ทั่วทั้งคลัสเตอร์ BBU ที่สามารถปรับขนาดได้

ปัญญาประดิษฐ์ได้เปลี่ยนวิธีการจัดการคลัสเตอร์ BBU ของเรา โดยย้ายจากการตอบสนองต่อปัญหาเพียงอย่างเดียว ไปสู่การดำเนินการเชิงรุกและปรับตัวได้อย่างยืดหยุ่น ตัวชี้วัดประสิทธิภาพหลักแบบเรียลไทม์ เช่น ระดับปริมาณการรับส่งข้อมูล จำนวนผู้ใช้งานที่เชื่อมต่อพร้อมกัน ประสิทธิภาพในการใช้สเปกตรัม และข้อมูลการตรวจสอบฮาร์ดแวร์ จะถูกป้อนเข้าสู่ระบบการเรียนรู้ของเครื่อง (machine learning) ซึ่งระบบเหล่านี้สามารถทำนายความต้องการกำลังการประมวลผลล่วงหน้าได้สูงสุดถึง 48 ชั่วโมง จากนั้นจึงปรับขนาดฟังก์ชันฐานสถานีเสมือน (virtual baseband functions) ขึ้นหรือลงโดยอัตโนมัติตามความจำเป็น เทคนิคการเรียนรู้แบบเสริมแรง (reinforcement learning) พิเศษยังช่วยปรับปรุงการกระจายพลังการประมวลผลระหว่างส่วนต่าง ๆ ของเครือข่ายอย่างต่อเนื่อง รวมทั้งการจัดการแบนด์วิดท์และการตั้งค่าพลังงานด้วย แนวทางนี้ช่วยลดการสูญเสียพลังงานลงประมาณ 22% เนื่องจากสามารถปิดอุปกรณ์ที่ไม่ได้ใช้งานบ่อยอย่างชาญฉลาด เมื่อพิจารณาการกระจายภาระงาน (workloads) บนเซิร์ฟเวอร์ การทำงานอัตโนมัติช่วยเพิ่มอัตราการใช้งานโดยรวมขึ้นประมาณ 30% ซึ่งทำให้การขยายคลัง BBU เป็นไปได้ง่ายขึ้นอย่างมาก ขณะที่ปริมาณการรับส่งข้อมูลในเครือข่าย 5G ยังคงเติบโตต่อเนื่อง สิ่งที่เราได้รับในที่สุดคือโครงสร้างพื้นฐานที่สามารถซ่อมแซมตนเองได้โดยอัตโนมัติ มันช่วยป้องกันไม่ให้บริษัทต้องลงทุนซื้ออุปกรณ์ล่วงหน้ามากเกินความจำเป็น รักษาระดับความหน่วง (latency) ไว้ต่ำกว่า 5 มิลลิวินาทีสำหรับแอปพลิเคชันที่สำคัญ และรับมือกับภาวะปริมาณการรับส่งข้อมูลพุ่งสูงขึ้นอย่างไม่คาดคิดได้โดยไม่จำเป็นต้องมีบุคลากรเข้ามาจัดการหรือแก้ไขด้วยตนเอง