Riassunto Tecnico: Metodi di Predizione dei KPI Basati su IA nelle Future Reti 6G: Un Survey

1. Definizione del Problema e Motivazione

L'evoluzione dal 5G al 5G-Advanced e la visione del 6G richiedono prestazioni di rete senza precedenti, necessitando del supporto di applicazioni emergenti come la guida autonoma, l'automazione industriale e le comunicazioni immersive. La gestione tradizionale della rete di tipo reattivo è insufficiente per questi requisiti stringenti. Di conseguenza, si sta verificando un passaggio critico verso architetture AI-native, dove l'intelligenza è incorporata intrinsecamente in tutti gli strati della rete (RAN, core e orchestrazione).

Il problema centrale affrontato è la necessità di approcci predittivi e basati sui dati per prevedere i Key Performance Indicators (KPI). A differenza del troubleshooting reattivo, le reti AI-native richiedono un "layer di sensing predittivo" per percepire lo stato, anticipare le condizioni future e adattare proattivamente il comportamento. Questo survey si concentra sulla predizione dei KPI basata sui dati, definita come l'inferenza di un valore KPI sconosciuto ($y_{t+\tau}$) da un insieme di informazioni disponibili ($I_t^k$) composto da misurazioni storiche, contatori e variabili contestuali. Il problema comprende sia la stima (inferire lo stato attuale, $\tau=0$) che la previsione (predire stati futuri, $\tau>0$).

La motivazione di questo survey deriva dalla frammentazione della letteratura esistente. I lavori precedenti sono spesso a scope limitato (focalizzati su un singolo KPI come throughput o copertura) o orientati all'architettura (trattando la predizione come un sottocomponente di discussioni di sistema più ampie), mancando di una tassonomia unificata per confrontare le metodologie attraverso diverse famiglie di KPI, fonti di dati e orizzonti di predizione.

2. Metodologia e Tassonomia

Gli autori hanno condotto una revisione sistematica di 151 studi sulla predizione dei KPI basati sui dati pubblicati tra gennaio 2000 e l'inizio di gennaio 2026. La metodologia si basa su una tassonomia multidimensionale introdotta per classificare e confrontare questi approcci lungo quattro dimensioni ortogonali:

1. Tipo di KPI: Il survey categorizza i target in quattro famiglie:

   • Capacità: Throughput, goodput e efficienza spettrale a livello di utente, cella o slice.
   • Latenza: Ritardo end-to-end, round-trip time (RTT) e jitter, decomposti in componenti RAN, transport e core.
   • Copertura/Qualità del Link: Metriche di forza e qualità del segnale (Path Loss, RSRP, RSSI, SIN_R, CQI) e mappe di copertura spaziale.
   • Affidabilità: Tassi di errore (BER, BLER, PER) e perdita di pacchetti, spesso definiti come consegna avvenuta con successo entro un vincolo di latenza.

2. Fonte dei Dati: Classifica gli input come tracce di misurazione reali, dati simulati/emulati, dati sintetici o combinazioni ibride.

3. Attributi di Predizione:

   • Protocol Stack: Lo strato al quale viene predetto il KPI (PHY, MAC, RLC, PDCP, IP, Application).
   • Orizzonte (Horizon): Breve termine (sotto il minuto) vs Lungo termine/Statico (ore o settimane).
   • Formulazione dell'Output: Stime puntuali vs output probabilistici (distribuzioni, intervalli).

4. Famiglia di Modelli: Dai modelli statistici classici (ARIMA, Regressione Lineare) e apprendimento non supervisionato (clustering, rilevamento anomalie) all'apprendimento supervisionato (SVM, Random Forests), metodi ensemble (XGBoost, LightGBM) e architetture di deep learning (CNN per dati spaziali, RNN/LSTM/Transformer per sequenze temporali, GNN per topologia).

Il survey analizza lo stato dell'arte mappando questi studi sulla tassonomia, fornendo un panorama quantitativo del campo e identificando bias metodologici e lacune.

3. Contributi Principali

Il documento apporta cinque contributi primari:

• Tassonomia Multidimensionale Unificata: Introduce un framework strutturato che consente un confronto coerente tra gli studi, rivelando che i survey precedenti spesso mancano di una visione olistica delle dipendenze dei KPI e dei trade-off metodologici.
• Analisi Quantitativa del Panorama: Annotando 151 studi, gli autori forniscono la prima distribuzione empirica del campo attraverso famiglie di KPI, tipi di modelli, fonti di dati e orizzonti di predizione.
• Analisi Comparativa Centrata sui KPI: Il survey offre una revisione sistematica degli approcci di predizione per ciascuna delle quattro famiglie di KPI, dettagliando l'evoluzione dai modelli statistici classici al deep learning e al reinforcement learning, e mappando i metodi su specifici domini di rete (RAN, Core, Edge).
• Analisi del Sistema e del Deployment: Esamina l'integrazione pratica dei predittori all'interno dei framework 3GPP (MnS, NWDAF) e O-RAN (RIC, xApps), affrontando la raccolta dati, le pipeline di training e i vincoli operativi come la granularità della telemetria e i limiti delle risorse edge.
• Identificazione di Sfide Aperte e Roadmap: Gli autori delineano criticità fondamentali inclusi la riproducibilità, l'inconsistenza delle metriche di valutazione, i gap di integrazione "offline-to-live", i trade-off di latenza di inferenza e la necessità di predittori spiegabili e che preservino la privacy.

4. Risultati e Conclusioni

Il survey rivela diverse tendenze chiave e scoperte attraverso le famiglie di KPI:

• Predizione della Capacità: Mentre i modelli classici (ARIMA, Regressione Lineare) fungono da baseline, i metodi ensemble (Random Forests, XGBoost) sono lo standard industriale per la previsione operativa grazie a robustezza e scalabilità. Il deep learning (LSTM, GRU, Transformer) è sempre più utilizzato per catturare dinamiche spazio-temporali complesse, sebbene la generalizzazione tra bande di spettro e configurazioni hardware rimanga una sfida.
• Predizione della Latenza: Si osserva uno spostamento verso la modellazione distributiva e "tail-aware" (es. mixture density networks, quantile regression) per gestire picchi di latenza rari ma critici, particolarmente per l'URLLC. I modelli di sequenza (LSTM, Transformer) sono dominanti per catturare le dipendenze temporali, mentre le Graph Neural Networks (GNN) stanno emergendo per l'inferenza su scala di rete che coinvolge routing e topologia.
• Predizione della Copertura: Il campo si è evoluto dai modelli statistici di path-loss a un deep learning multi-modale. CNN e reti di segmentazione semantica (es. U-Net) sono utilizzate per ricostruire Radio Environment Maps (REM) direttamente da immagini satellitari e mappe 3D. I framework bayesiani sono sempre più adottati per decomporre l'incertezza (aleatoria vs epistemica) per una pianificazione consapevole del rischio.
• Predizione dell'Affidabilità: I predittori per i tassi di errore (BLER, PER) si stanno spostando dalle formule analitiche ad approcci basati sull'apprendimento che combinano i priori fisici con il riconoscimento di pattern basato sui dati. I modelli di sequenza sono efficaci nel rilevare dinamiche di perdita intermittenti (bursty), e il Reinforcement Learning (RL) viene integrato per l'allocazione proattiva delle risorse al fine di mantenere i target di affidabilità.

Osservazioni Sistemiche:

• Disponibilità dei Dati: Gli studi basati sulle misurazioni dominano la ricerca su capacità e latenza, mentre gli studi sull'affidabilità si affidano pesantemente alla simulazione a causa della scarsità di dati di guasto etichettati.
• Riproducibilità: Solo circa l'8% degli studi fornisce codice pubblico e circa il 20% fornisce i dati, ostacolando il confronto diretto e il progresso cumulativo.
• Metriche di Valutazione: Vi è una mancanza di standardizzazione; gli studi su copertura/capacità utilizzano spesso metriche di errore puntuale (RMSE, MAE), mentre gli studi su latenza/affidabilità richiedono metriche sensibili alla coda (p95/p99, NLL) che non vengono sempre riportate.

5. Significato e Rivendicazioni

Il paper si posiziona come la prima revisione completa e sistematica dei metodi di predizione dei KPI basati sui dati specificamente progettati per le future reti 6G. Il suo significato risiede in:

1. Colmare il Gap: Collega gli algoritmi di predizione teorica con le realtà pratiche di deployment negli ecosistemi 3GPP e O-RAN, evidenziando il gap di integrazione "offline-to-live".
2. Roadmap per l'Automazione AI-Native: Argomenta che la predizione accurata dei KPI è l'abilitatore fondamentale per le operazioni di rete intent-driven e zero-touch. Senza una predizione affidabile, i loop di controllo autonomi non possono funzionare in modo sicuro o efficiente.
3. Definire le Direzioni Future: Il survey chiama esplicitamente a un passaggio dai miglioramenti isolati dell'accuratezza verso sistemi robusti, consapevoli dell'incertezza e manutenibili. Enfatizza la necessità di:
   • Benchmark standardizzati e dataset aperti per migliorare la riproducibilità.
   • Predizioni probabilistiche e spiegabili per supportare il decision-making consapevole del rischio.
   • Gestione sostenibile del ciclo di vita dei dati per gestire il concept drift e l'invecchiamento dei modelli in ambienti 6G dinamici.

Gli autori concludono che, sebbene la predizione dei KPI si sia evoluta significativamente, la prossima frontiera non risiede in incrementi di accuratezza, ma nel garantire la robustezza del deployment, la generalizzazione tra i domini e l'integrazione sicura nei sistemi di controllo a loop chiuso.