Bwtech e a Predição de Demanda para Redes 5G: Solução para Open RAN

A adoção do 5G continua avançando em todo o mundo, impulsionada pela demanda por redes mais rápidas e eficientes. No entanto, os modelos tradicionais de implementação ainda enfrentam desafios significativos, especialmente em custo e flexibilidade. Diante desse cenário, a arquitetura Open RAN / RIC ganha espaço como uma alternativa promissora, proporcionando um ecossistema mais aberto e interoperável. 

Apesar dos benefícios, a tecnologia Open RAN ainda enfrenta desafios, como segurança, desempenho e investimentos em infraestrutura. No Brasil, a ANATEL tem demonstrado apoio ao desenvolvimento dessa abordagem, incentivando estudos e iniciativas para sua adoção. Com um crescimento estimado de 70,5% no mercado global de Open RAN nos próximos cinco anos, espera-se um aumento na implementação em larga escala, na automação de processos e na inovação de serviços. 

Fonte: https://www.marketsandmarkets.com/Market-Reports/open-ran-market  

Objetivo do projeto 
O projeto financiado pela FAPEMIG visa desenvolver uma solução baseada em aprendizado de máquina para predição da demanda por redes 5G. O objetivo é permitir um planejamento antecipado da expansão da capacidade e cobertura do 5G, garantindo acesso e qualidade para a população e setores industriais, como a Indústria 4.0.  

A solução foi desenvolvida pela Bwtech e será implementada como um xApp dentro da arquitetura RIC (Open RAN Intelligent Controller), seguindo as especificações da O-RAN Alliance. Dessa forma, contribuirá para a evolução e adoção da tecnologia Open RAN no mercado brasileiro. 

Importância da predição de demanda 
Atualmente, a expansão do 5G ocorre de forma gradual, inicialmente restrita a áreas urbanas e capitais. Para otimizar essa expansão, é essencial prever o crescimento da demanda em cada região, evitando desperdícios de recursos e garantindo um processo eficiente. O reaproveitamento de parte da infraestrutura 4G é uma estratégia viável, mas requer planejamento para evitar impactos negativos nos usuários que ainda dependem dessa tecnologia. 

A solução proposta também auxilia no planejamento do refarming de espectro, permitindo que operadoras tomem decisões baseadas em dados concretos sobre a migração de usuários do 3G/4G para o 5G. 

Desenvolvimento da solução 
Para viabilizar o projeto, foi criada uma rede OpenRAN em conformidade com a arquitetura RIC da O-RAN Alliance. Como não existia uma rede comercial compatível com essa tecnologia, a Bwtech optou por simular o ambiente utilizando a solução SD-RAN da Open Networking Foundation (ONF), que inclui um simulador de redes móveis RAN. O ambiente foi implantado na Google Cloud Platform (GCP). 

Módulo coletor de métricas: 
O primeiro passo foi o desenvolvimento de um módulo para coleta de métricas (KPIs) da rede OpenRAN RIC. Para isso, utilizamos: 

• SDK em GO para o ONOS RIC 
• API de Topologia (github.com/onosproject/onos-api/go/onos/topo) 
• Pacote R-NIB do kpimon (github.com/onosproject/onos-kpimon/pkg/rnib) 

O módulo coleta diversas KPIs, sendo a principal para este projeto a RRC.Conn.Avg, que representa o número médio de usuários conectados simultaneamente na rede ao longo do tempo. Essa métrica é amplamente utilizada para monitorar o crescimento da demanda por serviços de redes móveis, incluindo o 5G. 

Módulo de predição:
A solução de predição foi desenvolvida utilizando técnicas de machine learning e treinada com os dados coletados pelo módulo de monitoramento. Para avaliar a precisão das previsões, utilizamos a métrica Erro Percentual Absoluto Mediano (MdAPE), que fornece uma estimativa robusta da qualidade do modelo, sendo menos sensível a outliers do que o Erro Percentual Absoluto Médio (MAPE). Essa característica permite uma avaliação mais confiável do desempenho do preditor.

A validação do modelo foi feita comparando-se os resultados obtidos com os dados reais (ground truth), e os testes foram aplicados em dois cenários distintos:

Cenário típico: baseado em uma região sem grandes influências de eventos atípicos, apresentando um padrão mais estável de demanda.
Cenário atípico: baseado em uma região com alta demanda em dias específicos, como feriados e eventos que concentram grande densidade populacional.

Os modelos foram treinados com 180 dias de dados e realizaram projeções para um período de 360 dias. Para uma análise detalhada da precisão, aplicamos o MdAPE em três horizontes de predição:

• MdAPE-360: erro considerando todo o período de 360 dias.
• MdAPE-90: erro nos primeiros 90 dias de predição.
• MdAPE-180: erro nos primeiros 180 dias de predição.

A Tabela 1 apresenta os resultados obtidos nos dois cenários:

Tabela 1: Erro da predição nos dois cenários analisados.

Os resultados mostram que, no cenário atípico, o modelo conseguiu capturar corretamente os padrões de eventos sazonais, mantendo um erro abaixo de 5% nos primeiros 180 dias e próximo a 6% nos 360 dias. Já no cenário típico, onde há menos variações abruptas, o erro permaneceu inferior a 3% ao longo de toda a predição, evidenciando a estabilidade do modelo.

Figura 1 – Comparação entre a série e sua predição no cenário atípico

Além disso, observamos que, no cenário típico, um outlier próximo a agosto de 2024 não impactou significativamente a métrica de qualidade do modelo. Isso reforça a robustez do MdAPE, que minimiza a influência de valores extremos e permite uma avaliação mais confiável da tendência geral da série preditiva.

Figura 2 – Comparação entre a série e sua predição no cenário típico

Conclusão
O desenvolvimento de um preditor de demanda para redes 5G dentro da arquitetura Open RAN/RIC pela Bwtech representa um avanço significativo para o setor de telecomunicações. Com essa solução, operadoras poderão planejar de maneira mais eficiente a expansão do 5G, garantindo melhor alocação de recursos e melhoria na experiência do usuário.

Além de contribuir para a adoção do Open RAN no Brasil, o projeto também reforça a importância do uso de aprendizado de máquina para a gestão inteligente de redes móveis. “Com a evolução contínua do aprendizado de máquina, estamos mais próximos de alcançar um gerenciamento de rede 5G mais inteligente e eficaz. A validação em redes reais será o próximo grande passo para comprovar o potencial dessa inovação.” — Pedro Dias, Head de tecnologia e inovação na Bwtech.

Os próximos passos incluem aprimoramentos na precisão do modelo e sua validação em redes reais, tornando a solução ainda mais robusta e aplicável ao mercado.