Technische Samenvatting: AI-gebaseerde KPI-voorspellingsmethoden in Toekomstige 6G-netwerken: Een Survey

1. Probleemdefinitie en Motivatie

De evolutie van 5G naar 5G-Advanced en de visie op 6G vereisen ongekende netwerkprestaties, wat ondersteuning nodig heeft voor opkomende toepassingen zoals autonoom rijden, industriële automatisering en immersieve communicatie. Traditioneel reactief netwerkbeheer is onvoldoende voor deze strikte vereisten. Bijgevolg is er een cruciale verschuiving naar AI-native architecturen, waarbij intelligentie intrinsiek is ingebed over alle netwerklagen (RAN, core en orchestratie).

Het kernprobleem dat wordt aangepakt, is de noodzaak voor voorspellende, datagestuurde benaderingen om Key Performance Indicators (KPI's) te voorspellen. In tegenstelling tot reactieve probleemoplossing vereisen AI-native netwerken een "voorspellende sensorische laag" om de status waar te nemen, toekomstige condities te anticiperen en gedrag proactief aan te passen. Deze survey richt zich op datagestuurde KPI-voorspelling, gedefinieerd als het afleiden van een onbekende KPI-waarde ($y_{t+\tau}$) uit een beschikbare informatieverzameling ($I_t^k$) bestaande uit historische metingen, counters en contextuele variabelen. Het probleem omvat zowel schatting (het afleiden van de huidige staat, $\tau=0$) als prognose (het voorspellen van toekomstige staten, $\tau>0$).

De motivatie voor deze survey komt voort uit de fragmentatie van de bestaande literatuur. Eerdere werken zijn vaak beperkt van reikwijdte (gericht op een enkele KPI zoals doorvoer of dekking) of architectuurgericht (voorspelling behandelen als een subcomponent van bredere systeemdiscussies), en missen een verenigde taxonomie om methodologieën over verschillende KPI-families, databronnen en voorspellingshorizonten te vergelijken.

2. Methodologie en Taxonomie

De auteurs hebben een systematische review uitgevoerd van 151 datagestuurde KPI-voorspellingsstudies gepubliceerd tussen januari 2000 en begin januari 2026. De methodologie rust op een meerdimensionale taxonomie die is geïntroduceerd om deze benaderingen te classificeren en te vergelijken langs vier orthogonale dimensies:

1. KPI-type: De survey categoriseert doelwitten in vier families:

   • Capaciteit: Doorvoer (throughput), goodput en spectrale efficiëntie op gebruikers-, cel- of slice-niveau.
   • Latentie: End-to-end vertraging, round-trip time (RTT) en jitter, gedecomposed in RAN-, transport- en core-componenten.
   • Dekking/Linkkwaliteit: Signaalsterkte en kwaliteitsmetrieken (Path Loss, RSRP, RSSI, SINN, CQI) en ruimtelijke dekkingskaarten.
   • Betrouwbaarheid: Foutensnelheden (BER, BLER, PER) en pakketverlies, vaak gedefinieerd als succesvolle levering binnen een latentiebeperking.

2. Databron: Classificeert inputs als echte meetsporen, gesimuleerde/geëmuleerde data, synthetische data of hybride combinaties.

3. Voorspellingsattributen:

   • Protocolstack: De laag waarop de KPI wordt voorspeld (PHY, MAC, RLC, PDCP, IP, Applicatie).
   • Horizon: Kortetermijn (sub-minuut) versus langetermijn/statisch (uren tot weken).
   • Outputformulering: Punt-schattingen versus probabilistische outputs (distributies, intervallen).

4. Modelfamilie: Variërend van klassieke statistische modellen (ARIMA, Lineaire Regressie) en ongesuperviseerd leren (clustering, anomaliedetectie) tot gesuperviseerd leren (SVM, Random Forests), ensemble-methoden (XGBoost, LightGBM) en deep learning-architecturen (CNN's voor ruimtelijke data, RNN's/LSTMs/Transformers voor temporele sequenties, GNN's voor topologie).

De survey analyseert de stand van de techniek door deze studies te mappen op de taxonomie, waarbij een kwantitatief landschap van het veld wordt geboden en methodologische biases en hiaten worden geïdentificeerd.

3. Belangrijkste Bijdragen

Het artikel levert vijf primaire bijdragen:

• Verenigde Meerdimensionale Taxonomie: Het introduceert een gestructureerd kader dat een consistente vergelijking tussen studies mogelijk maakt, waarbij wordt vastgesteld dat eerdere surveys vaak een holistisch overzicht missen van KPI-afhankelijkheden en methodologische afwegingen.
• Kwantitatieve Landschapsanalyse: Door 151 studies te annoteren, bieden de auteurs de eerste empirische distributie van het veld over KPI-families, modeltypen, databronnen en voorspellingshorizonten.
• KPI-centrische Vergelijkende Analyse: De survey biedt een systematische review van voorspellingsbenaderingen voor elk van de vier KPI-families, waarbij de evolutie van klassieke statistische modellen naar deep learning en reinforcement learning wordt gedetailleerd, en methoden worden gekoppeld aan specifieke netwerkdomeinen (RAN, Core, Edge).
• Systeemniveau en Implementatieanalyse: Het onderzoekt de praktische integratie van voorspellers binnen 3GPP (MnS, NWDAF) en O-RAN (RIC, xApps) frameworks, waarbij aandacht wordt besteed aan datacollectie, trainingspipelines en operationele beperkingen zoals telemetrie-granulariteit en edge-resourcebeperkingen.
• Identificatie van Open Uitdagingen en Roadmap: De auteurs schetsen kritieke beperkingen, waaronder reproduceerbaarheid, inconsistentie in evaluatiemetrieken, de kloof tussen offline-naar-live integratie, inference-latentie-afwegingen en de behoefte aan uitlegbare en privacy-bewuste voorspellers.

4. Resultaten en Bevindingen

De survey onthult verschillende belangrijke trends en bevindingen over de KPI-families:

• Capaciteitsvoorspelling: Hoewel klassieke modellen (ARIMA, Lineaire Regressie) dienen als baselines, zijn ensemble-methoden (Random Forests, XGBoost) de industriestandaard voor operationele prognoses vanwege hun robuustheid en schaalbaarheid. Deep learning (LSTM, GRU, Transformers) wordt steeds vaker gebruikt om complexe spatio-temporele dynamiek te vangen, hoewel generalisatie over spectrumbanden en hardwareconfiguraties een uitdaging blijft.
• Latentievoorspelling: Er is een verschuiving naar tail-aware en distributionele modellering (bijv. mixture density networks, quantile regression) om zeldzame maar kritieke latentiepieken op te vangen, met name voor URLLC. Sequentiemodellen (LSTM, Transformers) zijn dominant voor het vangen van temporele afhankelijkheden, terwijl Graph Neural Networks (GNN's) opkomen voor netwerkbrede inferentie met betrekking tot routing en topologie.
• Dekvoorspelling: Het veld is geëvolueerd van statistische padverliesmodellen naar multi-modale deep learning. CNN's en semantische segmentatienetwerken (bijv. U-Net) worden gebruikt om Radio Environment Maps (REMs) direct te reconstrueren uit satellietbeelden en 3D-kaarten. Bayesiaanse kaders worden steeds vaker toegepast om onzekerheid te ontleden (aleatorisch vs. epistemisch) voor risico-bewuste planning.
• Betrouwbaarheidsvoorspelling: Voorspellers voor foutensnelheden (BLER, PER) bewegen van analytische formules naar learning-gebaseerde benaderingen die fysica-priors combineren met datagestuurde patroonherkenning. Sequentiemodellen zijn effectief voor het detecteren van bursty loss-dynamiek, en Reinforcement Learning (RL) wordt geïntegreerd voor proactieve resourceallocatie om betrouwbaarheidsdoelstellingen te handhaven.

Systemische Observaties:

• Beschikbaarheid van Data: Metingen-gebaseerde studies domineren het onderzoek naar capaciteit en latentie, terwijl betrouwbaarheidsstudies sterk vertrouwen op simulatie vanwege de schaarste aan gelabelde foutgegevens.
• Reproduceerbaarheid: Slechts ~8% van de studies biedt publieke code aan, en ~20% biedt data aan, wat directe vergelijking en cumulatieve vooruitgang belemmert.
• Evaluatiemetrieken: Er is een gebrek aan standaardisatie; studies naar dekking/capaciteit gebruiken vaak punt-foutmetrieken (RMSE, MAE), terwijl latentie/betrouwbaarheid studies tail-sensitieve metrieken (p95/p99, NLL) vereisen die niet altijd gerapporteerd worden.

5. Betekenis en Claims

Het artikel positioneert zichzelf als de eerste uitgebreide en systematische review van datagestuurde KPI-voorspellingsmethoden specifiek afgestemd op toekomstige 6G-netwerken. De betekenis ligt in:

1. Overbruggen van de Kloof: Het verbindt theoretische voorspellingsalgoritmen met de praktische implementatierelaties in 3GPP- en O-RAN-ecosystemen, waarbij de "offline-naar-live" integratiekloof wordt belicht.
2. Roadmap voor AI-Native Automatisering: Het beargumenteert dat nauwkeurige KPI-voorspelling de fundamentele enabler is voor zero-touch, intent-driven netwerkoperaties. Zonder betrouwbare voorspelling kunnen autonome controlelussen niet veilig of efficiënt functioneren.
3. Definiëren van Toekomstige Richtingen: De survey roept expliciet op tot een verschuiving van geïsoleerde nauwkeurigheidsverbeteringen naar robuuste, onzekerheid-bewuste en onderhoudbare systemen. Het benadrukt de noodzaak van:
   • Gestandaardiseerde benchmarks en open datasets om reproduceerbaarheid te verbeteren.
   • Probabilistische en uitlegbare voorspellingen om risico-bewuste besluitvorming te ondersteunen.
   • Duurzaam datalifecyclusbeheer om concept drift en modelveroudering in dynamische 6G-omgevingen aan te pakken.

De auteurs concluderen dat hoewel KPI-voorspelling aanzienlijk is gematigd, de volgende grens niet ligt in incrementele winst in nauwkeurigheid, maar in het waarborgen van implementatierobustheid, generalisatie over domeinen en veilige integratie in closed-loop controlesystemen.