5g

В наше время каждый слышал о сотовых сетях нового поколения 5G. Неотъемлемой частью 5G является поддержка сценариев Интернета Вещей. А что вообще такое Интернет Вещей? Если говорить простыми словами, то это набор устройств, которые должны взаимодействовать друг с другом при минимальном вмешательстве человека. Исследователи считают, что сети 5G могут быть использованы для большого количества различных сценариев Интернета Вещей, таких как медицина, умные города, регулирование транспортных заторов, обеспечение работы аварийных служб, обеспечение работы промышленных предприятий и т.д. Для реализации таких сценариев сети 5G предусматривают новые сетевые архитектуры, сервисы, приложения и прочие механизмы.

При этом важнейшей задачей при проектировании таких сетей является обеспечение безопасности при передаче и хранении данных. Особенно важное внимание нужно обратить на проблему безопасности мультимедийного контента, который предполагается для передачи в большом количестве сценариев. Современные классические (не квантовые) методы криптографии всё ещё являются достаточно надежными для использования в современных технологиях. Однако, стремительное развитие квантовых вычислений ставит под сомнение надежность классических методов, основанных на математических вычислениях, в недалеком будущем. Поэтому уже сейчас необходимо создавать и развивать квантовые методы шифрования для будущих приложений. В данной статье мы рассмотрим шифрование на основе квантовых блужданий для видео-трафика и файлов, предлагаемые для использований в сценариях Интернета Вещей в сетях 5G.

Квантовые блуждания

Думаю, что многие слышали про случайные блуждания из математики, физики или другой дисциплины. Не вдаваясь в строгие математические термины скажем, что случайное блуждание это процесс, в котором некий объект периодически совершает шаги в произвольном направлении. Типичным примером подобного процесса является задача про пьяного матроса, который каждую условную секунду совершает шаг влево или вправо с одинаковой вероятностью. Интересной особенностью тут является то, что в среднем ходок удаляется от стартового положения на некоторое расстояние, причем это расстояние растет как квадратный корень из числа шагов. Данная модель имеет огромное количество приложений в различных дисциплинах, например она используется для моделирования диффузии.

По аналогии с классическими случайными блужданиями существуют квантовые блуждания. Если вы имеете какое-то представление о квантовой механике, то знаете, что здесь не имеет смысла говорить о каких-либо положениях частицы, а можно говорить только о вероятностях оказаться в тех или иных положениях. Мы будем рассматривать блуждание частицы в кольце, состоящем из N вершин. Состояние частицы при этом состоит из двух частей: монетка (это может быть спин электрона) и ходок (отвечает за положение в кольце). При этом шаг заключается в применении операторов подбрасывания монеты и сдвига. Сложные формулы из квантовой механики можно посмотреть в спойлере, здесь заметим лишь, что в результате после произвольного числа шагов вычисляются вероятности нахождения в каждом из положений кольца. Эти вероятности и являются интересующим нас результатом квантовых блужданий.

Функция состояния состоит из монетки |c и ходокa |x:

Опрератор шага блуждания состоит из двух частей:

параметрического опрератора подбрасывания монеты:

и оператора сдвига:

Фунция состояния после w шагов:

При этом получается следующее распределение вероятностей:

Формулы для двумерного случая аналогичны, при этом там используется два оператора подбрасывания монеты с разными параметрами и два оператора шага блуждания. Последовательность применения этих операторов определяется заданной битовой строкой S. Подробнее можно почитать здесь.

Для предложенных ниже алгоритмов используется два вида блужданий: одномерные и двумерные. Примеры распределений вероятности в этих случаях можно видеть на рисунках ниже. Квантовые блуждания могу быть реализованы на квантовых компьютерах, как например здесь.

S-блок

Фундаментальным элементом блочных шифров является -блок или блок подстановок. Этот блок осуществляет нелинейное преобразование одной группы битов в другую. Рассмотрим реализацию такого блока на основе одномерного квантового блуждания.

Конструирование S-блока, состоящего из B элементов включает следующие шаги:

1. Выбираем секретный ключ, то есть параметры одномерного квантового блуждания: размер кольца N, количество шагов, начальное состояние монеты и параметр оператора подбрасывания монеты. В результате блуждания получаем вектор вероятностей размера N.

2. Изменяем размер вектора в соответствии с длиной B S-блока, получаем вектор R.

3. Упорядочиваем элементы вектора R по возрастанию, получаем вектор S.

4. В качестве последовательности для S-блока выбираем последовательность индексов элементов вектора R в векторе S.

Пример такого конструирования представлен на схеме:

Шифрование видео

Как уже было отмечено выше, шифрование видео трафика является важной задачей в применении к Интернету Вещей в сетях 5G. Рассмотрим алгоритм шифрования видео, состоящего из f кадров размера m x n и 3 каналов:

1. Выбираем секретный ключ, то есть параметры двумерного квантового блуждания: размер кольца N, битовая строка, описывающая шаги блуждания, начальное состояние монетки и параметры двух операторов подбрасывания монетки. В результате блуждания получаем матрицу вероятностей размера N N.

2. Изменяем размер матрицы в соответствии с размером последовательности кадров.

3. Переводим получившуюся матрицу в матрицу K целых чисел в диапазоне от 0 до 255.

4. Выполняем побитовую операцию xor (исключающее или) между кадрами и матрицей K.

5. Конструируем два S-блока размерами n и m соответственно по алгоритму из предыдущего пункта.

6. Применяем S-блоки для перестановки битов в каждом кадре и получаем закодированные кадры

Дешифрование видео происходит путем выполнения данных действий в обратном порядке. Схема шифрования и расшифрования представлена на рисунке ниже.

Далее на рисунке приведен пример шифрования и расшифрования кадра. Ниже располагаются графики корреляции в соседних пикселях красного канала по разным направлениям для оригинального (сверху) и зашифрованного (снизу) кадров. Как видно, после шифрования пиксели перестали коррелировать, а значит потенциальный злоумышленник не сможет извлечь информацию из зашифрованных кадров.

Шифрование файлов

В данном разделе рассмотрим алгоритм шифрования файлов для хранения в облачном хранилище сетей 5G. Это могут быть файлы любого типа: изображение, аудио, видео, текст и т.д., так как алгоритм работает с ними как с битовыми наборами. Для шифрования битового набора BF выполняются следующие действия:

1. Вычисляем матрицу вероятностей P размера N N (аналогично пункту 1 алгоритма шифрования видео).

2. Переводим матрицу P в вектор PK размера length(BF) / 8.

3. Переводим вектор PK в битовый вектор K.

4. Выполняем операцию побитовое xor (исключающее или) между BF и K.

5. Конструируем S-блок размером 256 алгоритму из соответствующего пункта

6. Применяем S-блок к каждому элементу полученной последовательности и получаем закодированный файл.

Расшифрование происходит путем выполнения данных действий в обратном порядке. Схема шифрования и расшифрования представлена ниже.

Основным преимуществом данных алгоритмов по сравнению с классическими является то, что генерация ключевого потока в них основана не на математических вычислениях, а на физических свойствах квантовых систем. Выше было показана эффективность алгоритма с точки зрения коэффициента корреляции между соседними пикселями. Алгоритмы являются эффективными и с точки зрения других криптографических метрик, подробнее об этом можно почитать здесь.

Сценарий использования в сетях 5G

Наконец, попробуем представить как будет выглядеть сеть 5G, в которой будут использоваться предложенные алгоритмы. Различные приложения обмениваются информацией через базовые станции 5G, которые в том числе взаимодействуют с облачными хранилищами. Пользователи используют параметры ключей для шифрования данных по рассмотренным выше алгоритмам. Зашифрованные данные передаются через сеть другим пользователям или в облачное хранилище. При этом пользователи обмениваются параметрами ключей через защищенные квантовые каналы или иным защищенным методом. При несанкционированном запросе на чтение данных из облачного хранилища удастся получить лишь зашифрованные данные, не несущие никакой информации.

В заключение стоит отметить, что несмотря на то, что в оригинальной работе данные алгоритмы предлагаются к использованию в сетях 5G, ничто не запрещает использовать их в любух других сетях и системах. Так что не удивляйтесь, если уже в ближайшем будущем подобные алгоритмы станут частью нашей обыденной жизни.

Одна из самых популярных тем в последнее время: безопасен ли 5G для здоровья людей. Однако, в этой статье речь пойдет совсем не об этом, а об архитектуре безопасности этой сети. Насколько надежные технологии скрываются внутри?

Новые стандарты беспроводной связи неизбежно ведут к цифровой трансформации. Помимо того, что сети и системы 5G значительно превосходят предыдущие поколения с точки зрения емкости и пропускной способности, они будут обеспечивать инфраструктуру для поддержки самых разных сервисов: промышленный Интернет вещей и интеллектуальные системы управления, автономные транспортные средства и дроны, жизненно важное электронное здравоохранение и удаленная хирургия, виртуальная и дополненная реальности, удаленная диагностика и профилактическое обслуживание и т.д. Число интернет-устройств стремительно растет, поэтому старые стандарты неизбежно приходится модернизировать. Чтобы нормально работать, многим устройствам необходима более высокая пропускная способность сети. 5G работает на других частотах, дает доступ в интернет большему количеству устройств, имеет сверхбыструю скорость и минимизирует задержки при передаче данных. Такие улучшения сети требуют радикально новый подход в модели безопасности, не похожий на используемый в сотовых системах до последнего четвертого поколения.

1. Безопасность в системах, предшествующих 5G

Проблема безопасности в сотовых системах возникла изначально для решения очень конкретной проблемы: как аутентифицировать пользователей, подключающихся к сети, и защищать соответствующие данные в пути от способных подслушивать радиоканал злоумышленников. Это всё должным образом было рассмотрено в предыдущих поколениях сотовых систем. Были созданы технологии, которые постепенно достигли такого уровеня защиты, что трудно найти какие-либо прорывные улучшения в этой области за последние годы.

(Не)безопасность систем 1G и 2G

В то время как системы первого поколения не предоставляли какое-либо решение для защиты связи, GSM (то есть второе поколение) были реализованы аутентификация пользователя и шифрование на уровне радиоинтерфейса. Тем не менее, модель безопасности GSM оказалась крайне ненадежной. Криптографический алгоритм, принятый в аутентификации GSM (позже названный COMP-128) не был подтвержден криптографическим сообществом. Идея, которая впоследствии оказалась катастрофической, заключалась в том, что безопасность может быть обеспечена секретностью самого алгоритма (безопасность через неясность). К сожалению, этого не произошло. Как только, примерно в 1998 году, просочились подробности алгоритма COMP-128, криптографическому сообществу понадобилось несколько недель, чтобы полностью взломать его и доказать его полную несостоятельность.

Хотя криптографический алгоритм является наиболее заметной слабостью систем второго поколения, недостатки безопасности GSM этим не ограничиваются. В частности, GSM не обеспечивает взаимную аутентификацию. Фактически, в системах GSM пользователю необходимо было пройти аутентификацию прежде чем ему будет разрешен доступ к сети; обратное неверно пользователю не предоставляется возможность проверки подлинности радиостанции. Технологическая революция, произошедшая в конце 90-х с появлением программно-определяемой радиосистемы (Software-defined radio - SDR), сделала не только возможными, но даже довольно дешевыми атаки, основанные на мошеннических базовых станциях, то есть фиктивных радиостанциях, контролируемых злоумышленником, который, таким образом, получал возможность перехватывать и вмешиваться в сообщения конечных пользователей.

Наконец, ни одно решение безопасности в части базовой сети не было стандартизировано в GSM. Шифрование радиоинтерфейса завершалось в сети доступа - информация передавалась в открытом виде по фиксированной сети, в результате чего любой злоумышленник, имеющий доступ к транспортной инфраструктуре, мог нарушить конфиденциальность и целостность передаваемых данных.

3G: поколение безопасности

Следующее третье поколение, UMTS, было поколением, в котором был достигнут наибольший прогресс в области безопасности. Во-первых, системы 3G полностью отказались от безопасности через неясность, приняв публично проверенные криптографические алгоритмы семейства AES (Advanced Encryption Standard), которые намного безопаснее, чем предыдущие. Применение криптографических методов также было значительно улучшено, как за счет явного разделения шифров и соответствующих ключей от целостности данных, так и за счет введения функций конфиденциальности и защиты пользователей от атак, отслеживающих положение конечного пользователя (конфиденциальность местоположения). Системы 3G также устранили проблему несанкционированных базовых станций, предоставив чрезвычайно эффективный метод взаимной аутентификации.

Систематизация безопасности и 4G

В соответствии с достигнутым в системах 3G прогрессом, четвертое поколение внесло несколько улучшений. Прежде всего это security by design (SBD), то есть решение вопросов безопасности с самого начала этапа стандартизации архитектуры LTE. Общая архитектура безопасности 4G была разделена на пять областей:

I Безопасность доступа к сети: защита на уровне радиоинтерфейса и безопасный доступ пользователя к сервису;

II Безопасность сетевого домена: защита сетевых элементов и соответствующего обмена трафиком данных и сигнальными сообщениями;

III Безопасность домена пользователя: защита мобильного устройства и его взаимодействия с USIM;

IV Безопасность домена приложений: безопасная связь на уровне приложений;

V Видимость безопасности: средство, позволяющее проверить, работают ли (и какие) функции безопасности, а также как они настроены.

Кроме того, системы 4G претерпели множество улучшений (или исправлений) в используемых алгоритмах и методах: улучшенная аутентификация и управление ключами, улучшенные криптографические алгоритмы (включая поддержку нового потокового шифра под названием ZUC), сквозная безопасность, интеграция с технологиями IP-безопасности и т.д.;

2. Безопасность 5G

Безопасность неавтономных сетей (NR)

Первым шагом, 3GPP на пути к полному охвату 5G, стал неавтономный стандарт NR (Non-Standalone), также известный как EN-DC (E-UTRA-NR Dual Connectivity).Ключевой особенностью неавтономного стандарта является возможность использовать уже существующую инфраструктуру LTE, что делает новую радиотехнологию доступной без замены сети.EN-DC использует LTE в качестве основной технологии радиодоступа, в то время как новая технология радиодоступа (т.е. NR) служит вторичной технологией радиодоступа с пользовательским оборудованием (secondary radio access technology with User Equipments - UE), подключенным к обеим радиостанциям.Процедуры безопасности для EN-DC в основном соответствуют стандартам безопасности двойного подключения для 4G.

Главная базовая станция сети стандарта LTE eNB (MeNB) проверяет, имеет ли UE возможности 5G NR для доступа к вторичному gNB (SgNB), то есть базовой станции 5G, и права доступа к SgNB.

MeNB создает и отправляет ключ, который будет использоваться SgNB для безопасной связи через NR;UE также получает тот же ключ.В отличие от двойного подключения в сетях 4G, сообщениями управления радиоресурсами (Radio Resource Control - RRC) можно обмениваться между UE и SgNB, таким образом получаются ключи, используемые для защиты целостности и конфиденциальности сообщений RRC, а также данные плоскости пользователя (User Plane - UP).Хотя защита целостности для данных UP поддерживается в сети 5G, она не будет использоваться в случае EN-DC.Использование защиты конфиденциальности необязательно как для UP, так и для RRC.

Эволюция модели доверия

Модель доверия меняется при переходе от неавтономной к автономной системе 5G.Считается, что доверие в сети уменьшается по мере удаления от ядра.Это влияет на решения, принимаемые при разработке системы безопасности 5G.

Модель доверия в UE достаточно проста: есть два домена доверия - универсальная встроенная карта с защитой от несанкционированного доступа UICC (Universal Integrated Circuit Card), на которой находится USIM-карта (Universal Subscriber Identity Module) и мобильное оборудование (Mobile Equipment - ME).ME и USIM вместе образуют UE.

Модель доверия на стороне сети в случаях роуминга и отсутствия роуминга показана на рисунках 1 и 2 соответственно, которые демонстрируют доверие на нескольких уровнях, подобно луковице.

Сеть радиодоступа (Radio Access Network - RAN) разделена на распределенные блоки (distributed units - DU) и центральные блоки (central units - CU) - DU и CU вместе образуют gNB, базовую станцию 5G.У DU нет доступа к коммуникации с клиентами, так как он может быть развернут на неконтролируемых сайтах.Функция взаимодействия CU и Non-3GPP (N3IWF - не показана на рисунках), которая завершает обеспечение безопасности слоя доступа (Access Stratum - AS), будет развернута на сайтах с более ограниченным доступом.

Функция управления доступом (Access Management Function - AMF) завершает безопасность слоя недоступа (Non-Access Stratum NAS) в базовой сети.В стандарте 3GPP 5G Phase 1, AMF совмещен с функцией привязки безопасности (Security Anchor Function - SEAF), которая содержит корневой ключ (якорный ключ) для посещаемой сети.

Функция сервера аутентификации (Authentication Server Function - AUSF) сохраняет полученный после аутентификации ключ для повторного использования в случае одновременной регистрации UE в различных сетевых технологиях доступа, то есть сетях доступа 3GPP и сетях доступа Non-3GPP, таких как беспроводная локальная сеть IEEE 802.11 (WLAN).Функция хранилища и обработки учетных данных аутентификации (Authentication credential Repository and Processing Function - ARPF) сохраняет учетные данные аутентификации.Это отражается с помощью USIM на стороне клиента, то есть на стороне UE.Информация о подписчике хранится в хранилище унифицированных данных (Unified Data Repository - UDR).Унифицированная база данных (Unified Data Management - UDM) использует данные, хранящиеся в UDR, и реализует логику приложения для выполнения различных функций, таких как создание учетных данных для аутентификации, идентификация пользователя, непрерывность сеанса и т.д. Активные и пассивные атаки через облачный сервис рассматриваются как на уровне управления, так и на уровне пользователя.В роуминговой архитектуре домашняя и гостевая сеть соединяются через пограничную сетевую функцию (Security Edge Protection Proxy - SEPP) для управления плоскостью межсетевого соединения.Это усовершенствование сделано в 5G из-за количества обнаруженных атак, таких как кража ключей и атаки с измененной маршрутизацией в SS7,а также имитация сетевого узла и подмена адреса источника в сигнальных сообщениях в DIAMETER,которые использовали доверительный характер межсетевого взаимодействия.

5G Phase 1 Security (Release 15)

Фаза 1 5G вносит несколько улучшений в безопасность 4G LTE.

Первичная аутентификация

Аутентификация устройства в сети в 5G основана на первичной аутентификации.Это похоже на то, что было реализовано в 4G, но с некоторыми отличиями.Механизм аутентификации имеет встроенный домашний контроль, позволяющий домашнему оператору узнать, аутентифицировано ли устройство в данной сети, и принять окончательный вызов аутентификации.На этапе 1 5G существует два обязательных варианта аутентификации: аутентификация и согласование ключей 5G (5G-AKA) и протокол расширенной аутентификации EAP-AKA.По желанию, в 5G также разрешены другие механизмы аутентификации на основе EAP. Кроме того, первичная аутентификация не зависит от технологии радиодоступа, поэтому она может работать с технологиями, отличными от 3GPP, такими как WLAN IEEE 802.11.

Вторичная аутентификация

Вторичная аутентификация в 5G предназначена для аутентификации в сетях передачи данных за пределами домена оператора мобильной связи.Для этой цели могут использоваться различные методы аутентификации на основе EAP и соответствующие учетные данные.Аналогичная услуга была возможна и в 4G, но теперь она интегрирована в архитектуру 5G.

Безопасность между операторами

В межоператорском интерфейсе существует несколько проблем безопасности, возникающих из протоколов SS7 или Diameter в более ранних поколениях систем мобильной связи. 5G Phase 1 с самого начала обеспечивает безопасность между операторами.

Конфиденциальность

Связанные с идентификацией абонента проблемы известны со времен 4G и более ранних поколений мобильных систем.В 5G разработано решение для обеспечения конфиденциальности, которое защищает постоянный идентификатор пользователя от активных атак.Открытый ключ домашней сети используется для обеспечения конфиденциальности идентификации абонента.

Сервис-ориентированная архитектура (Service based architecture - SBA)

Базовая сеть 5G основана на сервис-ориентированная архитектуре, которой не было в 4G и более ранних поколениях.

Центральные (CU) и распределенные единицы сети (DU)

В 5G сеть радиодоступа логически разделена на CU и DU. Безопасность обеспечивается для интерфейса CU-DU.Такое разделение также было возможно в 4G, но в 5G это часть архитектуры, которая может поддерживать различные варианты развертывания.DU, которые развернуты на самом краю сети, не имеют доступа к каким-либо пользовательским данным, когда включена защита конфиденциальности.Даже при разделении CU-DU точка безопасности радиоинтерфейса в 5G остается такой же, как в 4G, а именно в сети радиодоступа.

Иерархия ключей

Иерархия5G отражает изменения в общей архитектуре и модели доверия с использованием принципа безопасности разделения ключей.Одним из основных отличий 5G от 4G является возможность защиты целостности плоскости пользователя.

Мобильность

Мобильность в 5G похожа на мобильность в 4G с разницей в том, что в 5G привязка мобильности в базовой сети может быть отделена от привязки безопасности.

3. Что дальше?

Основным вариантом использования 5G Phase 1 была мобильная широкополосная связь.Фаза 2 5G предоставит решения для Интернета вещей (IoT), массивных межмашинных коммуникаций mMTC (massive Machine Type Communication) и высоконадежного соединения с очень низкой задержкой передачи данных URLLC (Ultra-Reliable and Low-Latency Communication).mMTC относится к очень большому количеству устройств, передающих относительно небольшой объем данных и не чувствительных к задержкам, а URLLC относится к службам с жесткими требованиями к пропускной способности, задержки и доступности.

Для mMTC очень низких скоростей передачи данных, снижающихся до нескольких бит в день, нам придется учитывать степень безопасности (аутентификация, конфиденциальность, целостность и т.д.), которую можно обеспечить.Примерами являются датчики температуры, дающие ежечасные обновления, датчики сельскохозяйственных животных, дающие информацию о жизненном статусе пару раз в день и т.д. Такие устройства также будут иметь ограниченные ресурсы батареи, вычислений и памяти.Требование для обеспечения безопасности будет заключаться в уменьшении накладных расходов связанных с безопасностью битов.

С другой стороны, устройства URLLC будут требовать высоких скоростей передачи данных с потенциально более емкими батареями и вычислительными ресурсами. Примерами таких устройств являются автомобили, устройства промышленного Интернета вещей (IIoT), такие как заводское оборудование, устройства виртуальной или дополненной реальности (VR или AR), используемые для игр или услуг в реальном времени.Обеспечение более высоких скоростей передачи данных также означает, что необходимо учитывать пропускную способность функций безопасности, чтобы избежать задержки обработки.

Ссылки:

1) 3GPP Specification series

2) 5G security architecture

3) 5G security overview

4) 3GPP 5G security

5) 5G Wiki

В этой статье мы проанализируем, как построить частную 5G сеть. Частная 5G сеть может быть создана двумя способами. Первый - развернуть физически изолированную частную 5G сеть (остров 5G), которая не зависит от общедоступной 5G сети оператора мобильной связи (как если бы на предприятии была построена проводная локальная или Wi-Fi сеть). В этом случае частную 5G сеть могут строить предприятия или операторы мобильной связи[1]. Второй - создание частных сетей 5G путем совместного использования общедоступных сетевых ресурсов 5G оператора мобильной связи. В этом случае частные 5G сети для предприятий будет строить оператор мобильной связи.

Варианты построения частных 5G сетей:

1. Изолированная локальная сеть 5G, построенная на предприятии (локальная частота 5G, полностью закрытая, без совместного использования).

2. Изолированная локальная сеть 5G, созданная оператором мобильной связи (лицензированная частота, полностью частная, без совместного использования).

3. Совместное использование RAN между частной сетью и публичной сетью.

4. RAN иControlPlaneSharingмежду частной и публичной сетями.

5. RANиCore Sharing(End-to-End Network Slicing)междучастнойиобщедоступнойсетями.

6. N3 LBO (Local Breakout).

7. F1 LBO (Local Breakout).

1. Изолированная локальная сеть 5G, построенная на предприятии (локальная частота 5G, полностью частная, без совместного использования)

Предприятие разворачивает полный набор элементов сетей 5G (gNB, UPF, 5GC CP, UDM, MEC) всвоем помещении (сайт/здание). 5Gчастоты на предприятии этолокальная (не лицензируемая)частота 5G, а нелицензированныечастоты операторов мобильной связи.Этот вариант архитектуры 5Gприменим в ряде стран, где государство выделяет такие диапазоны частот для частных сетей (в настоящее время это такие развитые страны как Япония, Германия и США).

Кто строит:В этом случае, как правило, предприятия строят свои собственные частные сети 5G, но в зависимости от политики правительства каждой страны, строить частные сети 5G для предприятий могут как интеграторы, так и операторы мобильной связи. Предприятия могут построить свою собственную локальную сеть 5G, используя не лицензируемую частоту 5G[2], что избавит их от традиционных проводных локальных сетей и неудобств, связанных с беспроводной локальной сетью (работа с кабельной проводкой, небольшие расстояния, проблемы безопасности и стабильность беспроводной локальной сети). Кроме того, сверхнизкая задержка и сверхвысокие возможности подключения технологии 5G позволяют создавать новые корпоративные приложения или оптимизировать существующие.

Плюсы(для случая с полноценно развернутой инфраструктурой 5G):

• Конфиденциальность и безопасность: частная сеть физически отделена от общедоступной сети, обеспечивает полную безопасность данных (трафик данных, генерируемый с частных сетевых устройств, информация о подписке и информация о работе частных сетевых устройств все они хранятся и управляются только внутри предприятия; данные передаются внутри предприятия и не просачиваются наружу).

• Сверхнизкая задержка: поскольку сетевая задержка между устройством и сервером приложений составляет несколькоms, можно реализовать службы приложений URLLC.

• Нет волоконно-оптических связей по зданию: нет необходимости в транспортной сети (коммутаторы/маршрутизаторы), чтобы обеспечивать работу локальной сети связи (LAN). 5G доступ может быть быстро предоставлен предприятиям, у которых нет оптических магистралей, например, в сельской местности.

• Полная независимость от сети мобильного оператора: даже если произойдет сбой в сети 5G оператора мобильной связи, или оборудование оператора мобильной связи выйдет из строя, частная сеть 5G компании будет работать.

Минусы:

• Стоимость развертывания: небольшому предприятию непросто купить и развернуть полный комплект сети 5G за свой счет.

• Предприятиям потребуются инженеры соответствующей компетенции:на предприятии имеется персонал с компетенцией для работы ссуществующей частной локальной сетью (проводной Ethernet и беспроводной Wi-Fi), а нужен с навыками по строительству и эксплуатации сети 5G.

2. Изолированная локальная сеть 5G, созданная оператором мобильной связи (лицензированная частота, полностью частная, без совместного использования).

Архитектура частной сети 5G такая же, как и в варианте 1.Единственное отличие заключается в том, что операторы мобильной связи создают и эксплуатируют локальную сеть 5G на предприятии с собственной лицензированной 5G частотой.

3. Совместное использование RANмежду частной сетью и публичной.

UPF, 5GC CP, UDMи MECразвернуты на предприятии и физически отделены от сети общего пользования. Только базовые станции 5G (gNB), расположенные в пределах предприятия, используются совместно частной и общедоступной сетями (RAN Sharing).

Трафик данных (черные линии с ) устройств, принадлежащих частному слайсу (частной сети), доставляется в частный UPF на предприятии, трафик данных (синие линии с ) устройств, принадлежащих общедоступному слайсу (публичная сеть), доставляется в UPF в пограничное облако (edge cloud) мобильного оператора. Другими словами, трафик частной сети (например, данные управления устройствами, внутренние видеоданные и т. д.) остается только в периметре предприятия, а трафик общедоступной сети (голос и Интернет) передается в сеть оператора мобильной связи. Хотя базовые станции разделены не физически, а логически, на практике сложно перехватить информацию о данных в частной сети на уровне RAN, поэтому передача данных частной сети на предприятии относительно безопасна. Частные и выделенные 5GC CP и UDM размещены на предприятии, поэтому информация о подписке и информация о работе частных сетевых устройств на предприятии хранится и управляется внутри компании, чтобы они не попадали за пределы предприятия.

4. RAN иControlPlaneSharingмежду частной и публичной сетями.

Частные UPF и MEC установлены на предприятии. Базовые станции 5G (gNB), установленные на предприятии, 5GC CP и UDM, установленные в облаке оператора мобильной связи, совместно используются частными и общедоступными сетями (RAN и Control Plane Sharing).gNB, 5GC CP и UDM логически разделены между частной сетью и общедоступной сетью, а UPF и MEC физически разделены и используются только предприятием.

Трафик данных (черные линии с ) устройств, принадлежащих частному слайсу (частной сети), доставляется вчастный UPF на предприятии, трафик данных (синие линии с ) устройств, принадлежащих общедоступному слайсу (публичная сеть), доставляется в UPF в пограничное облако (edge cloud) мобильного оператора. Другими словами, трафик частной сети (данные управления внутренними устройствами, внутренние видеоданные и т. д.) остается только в периметре предприятия, а трафик услуг общедоступной сети (голос и Интернет) передается в сеть оператора мобильной связи. Как и в варианте 3 (RAN Sharing), безопасность трафика данных внутри предприятия очевидна.

ControlPlaneфункции (аутентификация, мобильность и т. д.) для устройств частной сети и устройств общедоступной сети выполняются 5GC CP и UDM в сети оператора мобильной связи.То есть устройства частной сети, gNB и UPF на предприятии взаимодействуют с сетью оператора мобильной связи и управляются ею (через интерфейсы N2, N4). Сотрудники предприятия имеют обоснованную обеспокоенность по поводу того, что данные о подписке частных сетевых устройств хранятся на сервере оператора мобильной связи, а не в периметре компании, а также тем, что и управление производится оператором сотовой связи.

Поскольку UPF и MEC расположены на самом предприятии, обеспечивается связь со сверхнизкой задержкой междуUE<-> gNB <-> UPF <-> MEC и подходит для компаний, использующих приложения URLLC, такие, как беспилотное вождение и управление роботами/дронами в реальном времени.

5. RANиCore Sharing(End-to-End Network Slicing)междучастнойиобщедоступнойсетями

Это тот случай, когда внутри предприятия развернут только gNB, а UPF и MEC существуют только в граничном облаке (выносной сегмент) мобильного оператора. Частная сеть и общедоступная сеть совместно используют 5G RAN иCore (gNB, UPF, 5GC, MEC, UDM) (End-to-End Network Slicing).

В отличие от вариантов 3, 4, гдеUPFиMECрасположены на предприятии, в этом случае на предприятии есть толькоgNB. Следовательно, нет локального стыка для пропуска трафика между частными устройствами 5Gи устройствами сети предприятия (LAN), такими, как ПК или локальным серверам интрасети, соответственно трафик должен идти доUPFв граничном облаке оператора, а затем возвращаться внутрь предприятия через выделенный канал связи к устройствамLAN.

Кроме того, MEC, который предоставляет сервисы приложений 5G для устройств 5G на предприятии, расположен в граничном облаке оператора мобильной связи вдали от устройств.

В этой архитектуре сетевая задержка (RTT) может стать серьезной проблемой, если расстояние между предприятием (устройства 5G) и граничным облаком оператора (UPF, MEC) достаточно велико.

Поскольку трафик устройств частной сети передается от предприятия к сети оператора мобильной связи, возникает проблема безопасности трафика данных.В то время, как оператор мобильной связи будет выделять ресурсы на UPF и MEC в своем пограничном облаке, чтобы отделить трафик частной сети от трафика общедоступных и других частных сетей, руководители предприятия обеспокоены тем, что, например, данные внутренних систем видеонаблюдения (CCTV) передаются за пределы их предприятия.

Как и в варианте 4, сотрудников предприятия беспокоит и то,что данные о подписке частных сетевых устройств хранятся на сервере оператора мобильной связи, а не в периметре компании, а также тем, что управление производится оператором сотовой связи.

Эта архитектура самая бюджетная для создания частной сети 5G для операторов мобильной связи по сравнению с вариантами 2, 3 и 4, которые требуют развертывания UPF и/или 5GC CP внутри предприятия. Однако у предприятия есть проблемы с аспектами безопасности (трафик данных, генерируемых терминалами частной сети, информация о подписке и эксплуатационная информация устройств частной сети не в периметре предприятия). Еще есть проблема с сетевой задержкой между частными устройствами 5G и серверами приложений MEC, а также с частными устройствами 5G и интрасетью / устройствами LAN.

6.N3 LBO (Local Breakout): Пример оператораSKTelecomв Южной Корее

На схеме (а), gNB развернут на предприятии, как и в варианте 5. GTP туннель по интерфейсу N3 создается между gNB и UPF при подключении устройства, будь то камера видеонаблюдения или смартфон. Оба эти устройства являются общедоступными сетевыми устройствами.

На схеме (b), на предприятии установлен MEC Data Plane (оборудование, не поддерживающее 3GPP, ETSI MEC) и MECApplications.Платформа Mobile Edge Platform (MEP) и Orchestrator оператора мобильной связи управляют потоком трафика в MEC DP. ЕслиDestinationIP-адрес является локальной сетью предприятия, то частные устройства 5G, устройства локальной проводной сети и локальные сервера приложений MEC обмениваются трафиком через локальный стык (Local Breakout!).

MEC DP просматриваетDestinationIP-адреса пакетов, принадлежащих всем GTP туннелям, исходящим от gNB (GTP Decap), и направляет IP-пакет пользователя во внутреннюю частную сеть, если это локальный трафик с предварительной декапсуляцией из протокола GTP.

Хотя этот метод не стандартизирован 3GPP, можно будет отделить трафик частной сети от трафика общего пользования.

По сравнению с вариантом 5, трафик частной сети не передается в сеть оператора мобильной связи, поэтому безопасность трафика данных частной сети такая же, как и в вариантах 3 и 4.

Кроме того, поскольку MEC также развернут на предприятии и обрабатывает трафик, который проходит через MEC DP, он сможет обеспечивать связь устройств с приложением со сверхмалой задержкой.

Из-за того, что MEC DP не является 3GPP UPF устройством, MEC DP не может осуществлять управление мобильностью (mobility management) и функции тарификации (charging) для частных сетевых устройств.

Конечно, MEC DP может реализовать некоторые из этих функций, так как оператор может создать частное решение, реализующее эти возможности.

Как и в варианте 4 и 5, сотрудникам предприятий не нравится то,что данные о подписке частных сетевых устройств хранятся на сервере оператора мобильной связи, а не в периметре компании, а также то, что управление производится оператором сотовой связи.

7.F1 LBO (Local Breakout): Пример оператораKTв Южной Корее

То же, что и в варианте 6, но на предприятии развертывается только RU/DU, а CUразмещается в граничном облаке мобильной сети, трафик частной сети локально выделяется из интерфейса F1, а не из интерфейса N3.

Заключение

В любой ситуации и в любой области может быть множество идей. Сначала мы хотим получить самый красивый и самый желанный вариант. Но в финале все сводится к ответам на два вопроса: Что мне нужно? и Сколько у меня денег?.

Точно так же варианты архитектур частной сети 5G, описанные выше, имеют свои преимущества и недостатки, и одна архитектура не является оптимальной для всех ситуаций. Каждое предприятие может выбрать оптимальный вариант, исходя из своих требований и бюджета на внедрение и эксплуатацию.

[1]Требуется согласование с регуляторными органами.

[2]Данный вопрос по состоянию на март 2021 в России не решен.

Последний год характеризуется беспрецедентным ростом всех рынков. Так, за год с декабря 2019 по декабрь 2020 акции крупнейших компании технологического сектора, так называемые FAAMG ( Facebook, Amazon, Apple, Microsoft, Google) выросли на 48%. Акции остальных 500 крупнейших компаний рынка США выросли за тот же период на 12%. Не так много крупных компаний уменьшили капитализацию. Один из таких примеров - компания AT&T, крупнейшая в мире телекоммуникационная компания, основание которой связано с изобретателем телефона Александром Белом. Что же происходит с бывшим монополистом и есть ли у нее перспективы?

Неудачи последних лет

Нужно сказать, что проблемы с бизнесом у телекоммуникационного гиганта начались до пандемии. За 4 года акции упали примерно на 30% при том, что индекс S&P 500, в который входит AT&T за тот же период вырос примерно на 60%. Разберемся, почему это произошло

Несмотря на то, что AT&T - это прежде всего провайдер связи (подразделения фиксированной и сотовой связи дают 53% выручки) корпорация также - крупнейший провайдер спутникового вещания в США. Это направление как раз и является проблемным.

В США происходит планомерное падение количества абонентов кабельного и спутникового ТВ за счет их перехода к интернет - сервисам. Это явление даже имеет собственное название - Cord-cutting (буквально перерезание кабеля).

Так, только за второй квартал 2020 года от сервиса AT&T, который включающего в себя спутниковое и цифровое ТВ отписалось 886 000 абонентов. Вообще же за 2 года потери этого сервиса составили более 6 млн. пользователей. В компании не то что не смогли предвидеть подобного положения вещей, а скорее наоборот. В 2015 AT&T приобрел оператора спутникового телевидения Direct TV за $49 млрд., который с 2017 года также теряет подписчиков. Долг же негативно влиял все эти годы на финансы компании.

Пока не помогло и приобретение Time Warner (WarnerMedia) - конгломерата новостного и развлекательного профиля, включающего более 30 медиаактивов. Подразделению пока не удается монетизировать услуги и продукты, хотя специалисты и видят в нем потенциал. Time Warner был куплен в 2018 году за $85 млрд., увеличив чистый долг компании до $180млрд. в моменте, что сделало его крупнейшим среди нефинансовых компаний в США.

В планы руководства компании было отдать существенную часть долгов в 2020 году, но пандемия коронавируса не позволила этого сделать и, более того, долг был даже увеличен.

Компания пытается бороться с этим положением. В планах у руководства избавиться от непрофильных и не приносящих прибыль активов, в том числе - Direct TV, напомним, купленный недавно.

Запущенный в мае 2020 собственный потоковый сервис HBO Max, тоже столкнулся с проблемами. В этом секторе много конкурентов, уже сделавших себе имя:: Netflix, Disney+, Apple TV, Peacock, а стоимость подписки от HBO оказалась одной из самых высоких - $14,99 в месяц.

Стабильность - признак мастерства

До этого момента мы рассмотрели проблемы, которые не позволили акциям компании вырасти во время беспрецедентного ралли. Теперь посмотрим на ее сильные стороны, которые могут привести к росту капитализации.

Как уже отмечалось выше, телекоммуникационный бизнес AT&T генерирует постоянную выручку и с ним особых проблем нет. Стабильность бизнеса поддерживается сложностью входа новых игроков на рынок в силу значительных капитальных вложений.

AT&T является одним из лидеров на зарождающемся рынке 5G в США. И хотя у компании есть конкуренты в лице T-Mobile и Verizon можно с уверенностью сказать, что в такой стране, как США, в данной отрасли место хватит всем троим конкурентам. Не зря же американские правительственные структуры устроили войну с Huawei.

Несмотря на колоссальный долг, финансы компании продолжают оставаться стабильными. На сегодняшний момент соотношение чистого долга к прибыли до вычета процентов, налога на прибыль и амортизации активов Net debt/EBITDA составляет 3,17. Считается, что этот показатель не должен быть больше 3. Но 3,17 также не критично, особенно с учетом стоимости фондирования на данный момент. Например, в конце 2020 года компания смогла рефинансировать долг и уменьшить среднюю ставку по кредитам с 4,3% до 4,1%

Кроме того, AT&T активно пытается понизить долговые обязательства путем продажи непрофильных активов. В прессе фигурируют не только уже упомянутый Direct TV (его продажа сможет уменьшить долг на 15%), но так же CNN, игровое подразделение Warner, Xandr - рекламно-аналитическое подразделение WarnerMedia. Если хотя бы одну сделку удастся закрыть, то, во-первых, сократиться долг и, во-вторых, AT&T сможет гораздо более активно развиваться, например, продвигать свой стриминговый сервис.

За компанию говорят и исторически высокие дивиденды, благодаря которым AT&T относят к дивидендным аристократам. Так, средневзвешенная дивидендная доходность за последние 5 лет составила 5,6%, а текущая - 7,22%. Это при том, что средняя дивидендная доходность на американском рынке - 2%. При этом, эти выплаты для компании не критичны. Коэффициент P/FCF = 7,6, что совсем не много.

Компания на данный момент не перекуплена. Мультипликатор EV/EBITDA составляет всего 6,7. Цены акций соответствуют этому, находясь близко к минимумам марта 2020 года, компания по сути недооценена. Соответственно есть потенциал роста.

Из недооценки компании следует еще один плюс. Рано или поздно случится коррекция. А ее всегда лучше встречать в таких бумагах, даунсайд по которым может быть сравнительно небольшой, то есть в недооцененных.

Вывод

AT&T - компания со стабильным основным бизнесом. Ее проблемы давно известны и уже входят в цену акций. При этом она явно недооценена и даже отстает от рынка, а значит скорее всего при возможной коррекции стоимость акций не пострадает. При этом любой положительный сдвиг (продажа непрофильных и генерирующих убыток активов и снижение долга; развитие сегмента 5G; развитие сервиса HBO Max и даже успех фильма Warner Bros, который, например, повторит кассовые сборы Джокера) скорее всего вызовет рост цены акций. Все это в сочетании с высокими дивидендами делает покупки акций компании потенциально очень хорошей инвестицией.

Экспоненциальный рост мобильного трафика заставляет операторов искать новый радиочастотный ресурс. Игроки рынка видят возможность быстрого вывода сервисов 5G при использовании участков 3,43,8, 4,84,99, 6,47,1 гигагерц. Представители глобальной мобильной индустрии приняли декларацию по особо перспективному диапазону 6 гигагерц. Они рекомендуют регуляторам оценить возможности для создания крупномасштабной технологической экосистемы в этой полосе частот. Потенциал 6 ГГц в 2021 году будет исследовать и российский НИИ Радио.

Технейтральность путь России

В марте 2021 года несколько российских операторов вывели на рынок решений 5G. ЭР-Телеком начал тестироватьстандарт связи для оказания услуг беспроводного ШПД корпоративным и другим клиентам. МТС запустил первую пользовательскую сеть пятого поколения.

Отечественные игроки реализовали восемь пилотных проектов на сетях 5G, все участники использовали ресурс в диапазоне 4,84,99 гигагерц. Эта полоса является основной для развития технологий связи пятого поколения в России, констатировалзаместитель директора НТЦ Анализа ЭМС ФГУП НИИР Евгений Девяткин.

Эксперт напомнил, почему, в отличие от других стран СНГ, так называемый золотой диапазон 3,43,8 ГГц для пятого поколения в РФ не используется.

Евгений Девяткин, ФГУП НИИР:

Установлено, что электромагнитная совместимость между радиоэлектронными средствами (РЭС) действующих радиослужб и РЭС 5G в полосе 3,43,8 ГГц не обеспечивается. Это подтверждено решением Государственной комиссии по радиочастотам (ГКРЧ) в апреле 2019 года.

Представитель НИИР добавил, что,если бы этот диапазон пришлось высвобождать для строительства сетей 5G, понадобилось бы не менее 10 лет и порядка 300 млрд рублей.

Между тем для расчистки менее загруженных РЭС участков 4,84,99 ГГц потребуется всего один-два года и около 200 млн рублей.

Е.Девяткин уточнил, что Концепция создания и развития сетей 5G/IMT*-2020 в РФ в ходе мероприятий по конверсии предполагает высвобождение не менее 400 МГц радиочастотного спектра в диапазоне до 6 гигагерц.

Развитию 5G будет способствовать и установление в ее отношении режима технологической нейтральности (ТН). Е.Девяткин отметил, что в III квартале 2021 года после завершения соответствующего исследования НИИР планируется принятие решения ГКРЧ о введении ТН для сетей 5G в нескольких диапазонах от 900 до 2600 мегагерц. В этих участках спектра ТН уже давно разрешена для LTE.

Развертывание сетей 5G за счет ТН даст возможность ускорить глобальный запуск новых сервисов и впоследствии расширить 5G-покрытие, используя действующую сетевую инфраструктуру.

Новое поколение наступает

Средний диапазон привлекателен, так как обеспечивает баланс в покрытии и пропускной способности для 5G, объяснил начальник отдела наземных служб бюро радиосвязи Международного союза электросвязи (МСЭ) Николай Васильев.

Эксперт МСЭ уточнил, что частоты ниже 1 ГГц и миллиметровый диапазон (от 24 ГГц) для IMT были распределены странам на Всемирной конференции радиосвязи (ВКР) в 2019 году, тогда как рассмотрение средних полос частот ожидается на ВКР в 2023-м.

105 операторов уже запустили сети 5G либо работают над их развертыванием в диапазоне 3,5 ГГц, сообщил менеджер Ericsson в Европе и Латинской Америке Илья Крючков. 264 оператора из 70 стран обладают такими лицензиями, добавил эксперт.

24,4% пользователей в Европе в третьем квартале 2020 года имели в распоряжении хотя бы одну сеть 5G.

Этот факт отметила директор по вопросам регулирования Европейской ассоциации операторов телекоммуникационных сетей (ETNO) Маарит Паловирта.

5G должна обеспечивать пользовательскую скорость передачи данных 100 Мбит/с в канале вниз (downlink) и 50 Мбит/с в канале вверх (uplink) в любое время, где угодно, в том числе и в движении, напомнил генеральный директор Coleago Consulting Штефан Зеле.

Штефан Зеле, Coleago Consulting:

Смартфоны сегодня уже поддерживают видео со скоростью 59 мегабит в секунду. Через пять лет появятся приложения, требующие 100 мегабит в секунду. Только 5G сможет обеспечить надежный трафик с низкой задержкой для большого числа устройств.

Активность пользователей повышает потребность в спектре, констатировал глава Coleago Consulting. Аналитики компании рассчитали, сколько дополнительного частотного ресурса будет нужно столицам стран СНГ до 2025 года. Эксперты использовали в качестве индикатора активности плотность населения. Выяснилось, что Москве в среднем понадобится 2,3 ГГц, Ташкенту 1,4 ГГц, Баку и Минску по 0,8 ГГц, Алма-Ате 0,3 гигагерц. Точные данные будут зависеть от роста трафика.

Кому достанется 6 ГГц?

Важнейшим условием развития экосистемы 5G является идентификация 6 ГГц для IMT. Этот верхний участок среднего диапазона даст экономию на масштабе, отметил И.Крючков. По словам эксперта, параметры покрытия 6 ГГц сравнимы с 3,5 гигагерц.

Рассмотрение данных полос частот также ожидается на ВКР-23 после проведения научных исследований.

В российском НИИР разработан план по анализу электромагнитной совместимости и натурным испытаниям на экспериментальном сегменте 5G-NR в 6 ГГц.

Об этом сообщил заместитель председателя рабочей группы при ГКРЧ по вопросам регулирования использования радиочастотного спектра Сергей Пастух. Согласно документу, работы в сотрудничестве с ведущими производителями оборудования IMT будут проведены в 2021 году.

90% операторов в мире говорят, что полоса 64257125 МГц приоритет для ВКР-23, констатировала старший директор направления Global System for Mobile Communications (Future Spectrum GSMA) Лусиана Камаргос.

Александр Гуляев, Huawei:

Игроки глобального рынка приняли декларацию по 6 ГГц для IMT, в которой рекомендуют политикам оценить возможности диапазона для технологического развития и создания крупномасштабных экосистем в этой полосе частот.

Россия поддерживает эту инициативу, отметил Е.Девяткин. По словам эксперта, наиболее эффективно применение сетей пятого поколения, работающих в 6 ГГц, для следующих задач:

• развертывание технологических сетей 5G в интересах локализованных предприятий;

• предоставление разнообразных сервисов и приложений типа URLLC;

• обеспечения покрытия в помещениях с большим объемом трафика/высоким спросом на сервисы и приложения;

• требующие очень высоких скоростей передачи данных (hot spots) (стадионы, бизнес-центры, торговые центры, аэропорты и др.).

Е.Девяткин подчеркнул, чтов соответствии с планом работы ГКРЧ на 2021 год намечено проведение пилотных проектов сетей 5G, работающих в диапазоне 6 ГГц.

Также ГКРЧ в скором времени рассмотрит меры, направленные на ограничение новых частотных присвоений в этом диапазоне РЭС гражданского назначения.

Н.Васильев напомнил, что за 6 ГГц сегодня борется и Wi-Fi Alliance, стремящийся за счет диапазона решить проблему нехватки спектра для масштабного внедрения технологии Wi-Fi 6. Под воздействием убеждений этого консорциума ряд стран, в частности, США и Канада, приняли программы по развитию безлицензионного 6 гигагерц. Такие решения поддерживает Европейская конференция почтовых и телекоммуникационных администраций (CEPT), они не будут рассматриваться на ВКР, но могут оказать влияние на итог конференции радиосвязи, считает представитель МСЭ.

Всем привет! На связи Павел Красовский, заместитель директора Центра стратегических инноваций в Ростелекоме. О важности собственной методологии для оценки перспективных технологий я писалв предыдущем посте, вкратце нам нужно понимать, по каким именно критериям оценивается важность и актуальность того или иного тренда. Сторонние исследования базируются на непрозрачных методах, поэтому Хочешь сделать хорошо сделай сам.

Методология

Краеугольным камнем нашей методологии является тот очевидный факт, что на пути развития человечества, особенно в цифровую эпоху, уже аккумулировано огромное количество информации. Всё это, от знаний о технологиях промышленных революций прошлого века до самых свежих идей, уже оцифровано и где-то заботливо хранится.

Причем намбыло важно, чтобы для каждого этапа развития тренда существовал источник, которому мы можем доверять, иначе это ставит крест на всей методологии. Мы выявили несколько источников, которые являются самоорганизующимися и самообновляемыми системами, куда авторам выгодно размещать информацию:

Научная среда.
Ученые, исследующие ту или иную область, сами заинтересованы активно писать научные статьи. Тут тебе и прокачка собственного рейтинга, и индекс цитируемости, и позиции значимых журналов, и многие другие плюшки.

Изобретения и патенты.
С патентами вообще всё просто: первым запатентовал что-то стоящее до пенсии обеспечен. И вся информация о патентах публична, т.к. все хотят застолбить поляну.

Создание стартапов.
Стартапы, за редким исключением, сами заинтересованы раскрывать информацию об объёме привлеченных средств, т.к. это показывает капитализацию другим инвесторам и помогает стартапу поднять ещё раунды.

Позиции крупных игроков отрасли.
Компании заинтересованы в распространении горячих вакансий, чтобы скорее их закрыть. Со СМИ все понятно при выпуске нового продукта любая компания всеми правдами и неправдами пытается залезть в СМИ.

А ещё кто-то из китов может взять и купить тот или иной стартап. Или пойти и начать делать свой стартап в этой же отрасли и по такой же теме. Это мы тоже отслеживаем как по профильным ресурсам, так и по новостям и ресурсам для HR. Причем тут HR? Когда крупная компания не покупает стартап, а решает делать свой по нужной теме, она начинает наращивать компетенции, читай нанимать спецов из нужной отрасли. И тут уже имеет смысл оценивать базы вакансий и резюме, совокупность вакансий = спрос на технологию и тренд, совокупность резюме = предложение. Это всё можно собрать, посчитать, посмотреть на пересечения и перегибы и найти причинно-следственные связи. Так работают эти источники много лет, значит, им можно доверять.

Вообще, в идеале бы глубоко изучитьна эту тему социальные сети, но они пока не дают необходимого уровня доступа для сбора подобной информации. Особенно Facebook, после событий с Cambridge Analytica.

Пока, за три года, мы прогнали через систему 4,8млн. научных публикаций, 2,4 млн. патентов, информации об инвестициях на сумму$2,3 трлн, 2 млн. вакансий и 7 млн. резюме, около 1 млн. публикаций в СМИ и столько же поисковых запросов.

Как оцениваем

Понятное дело, что как бы сильно ни был натаскан ИИ, какие бы подробные модели мы ни строили, работа системы это первый этап фильтрации. Всё, что мы получаем с помощью наших роботов и апишек, потом направляется на лингвистическую оценку, а затем машинное обучение всё это кластеризует и считает.

Технологический стек исследования трендов:

Сначала из массива вычленяются наиболее частотные и релевантные данные, которые уже можно начинать считать трендами. По хэштегам научных статей строится подробный список трендов, который расширяется по инвестициям и патентам, там тоже довольно много слов для анализа, в итоге получается порядка 2-3 тысяч трендов. На основе кластерного анализа соединяем вершины, и машина начинает подсказывать, что вот тут и вот там вполне себе возможен тренд. На выходе уже список примерно из 200 штук вместо 3 тысяч.

Эти 200 трендов мы уже отсматриваем вручную и отбрасываем какие-то откровенно общие. Допустим, выдала нам машина интернет или software, такой уровень абстракции нам ни к чему. После просмотра всего списка остаются уже 100-120 трендов.

Процесс выявления трендов

Да, кстати, о лингвистическом анализе. Всё было бы сильно проще, если бы каждый термин использовался только в своем значении, без синонимов и аббревиатур. Но, как вы знаете, ситуация выглядит иначе. Где-то интернет вещей будет назван интернетом вещей, в других источниках IoT, в патентах sensor network, machine type communication и так далее. В общем, кто во что горазд, поэтому мы адаптируем терминологию под конкретный вид источника: под каждый составляется уникальное именно для него семантическое ядро, и тренд привязывается к определенному лексикону.

Потом берём полученные семантические ядра и прогоняем все данные через систему, получая количественные оценки не только по разным трендам, но и отраслям, странам, организациям.

Пока мы хорошо изучили отрасль телекома (мы же из телекома), но подобное возможно для любой отрасли. К слову, мы потихоньку начинаем предоставлять различным компаниям доступ к нашему продукту.

Где всё это можно использовать

Во-первых, это точно пригодится любому аналитику и стратегу в его текущей работе. Во-вторых, такое любят лица, принимающие решения. На основе всех наших данных можно строить большое количество разных графиков.

Например, высокоуровневый список вида Топ-100 чего-нибудь, который топы любят смотреть, чтобы понимать во что инвестировать. Практический смысл у таких рейтингов следующий. Есть у компании некий бюджет который она готова потратить на инновации. И ей нужно определить во что вкладывать. Искусственный интеллект? Блокчейн? Беспилотные автомобили? Или может квантовые компьютеры? Подобные списки помогают сравнивать перспективность разных технологий между собой. Конечно, после построения таких списков необходима их верификация и аналитическая интерпретация, но опираться на них вполне можно.

По итогам 2019 года список Топ-15 трендов выглядит так:

Искусственный интеллект второй год подряд занимает 1-е место в общем рейтинге (за последний год отрыв от мобильных сетей только увеличился). В 2019 году неплохой рост показали облачные технологии, поднявшись с 10-го на 4-е место, и технологии дополненной реальности, поднявшись с 24-го на 14-е место.

По каждой технологии мы готовим такие карточки:

Анализируя полученную информацию можно получить много инсайдов. Например, анализируя данные по искуcственному интеллекту и квантовым технологиям, мы обнаружили интересную закономерность: начиная с 2015 года в научных публикациях появляется термин quantum machine learning (использование квантовых компьютеров для анализа данных с помощью машинного обучения). А в 2019 году каждая 15-я научная статья по квантовым технологиям содержала отсылки к искусственному интеллекту. Это говорит о том, что ученые озабочены проблемой нехватки текущих вычислительных мощностей для дальнейшего развития ИИ и, судя по всему, квантовый компьютер станет решением этой проблемы.

5G за год из инновации превратилась в зрелую технологию, которая оказывает достаточно сильное влияние на другие технологии: в странах с первыми коммерческими сетями 5G увеличилась патентная и инвестиционная активность в сфере VR.

В этом году мы заметили, что за все пять лет наблюдений больше всего вырос тренд на беспилотные автомобили. Инвестиции в беспилотники держатся на высоком уровне два года подряд значит технология достаточно созрела для массового использования. Осталось решить вопросы отсутствия необходимой инфраструктуры и нормативных ограничений.

Ещё одним открытием для нас стали технологии убеждения (persuasive techniques) смесь из привычных ИТ-сервисов и психологических приемов. В 2019 году было сразу несколько крупных инвестиций и рост вакансий в этой области. Основное применение приложения, посвящённые здоровому образу жизни и образовательные сервисы. Другим применением является использование этих технологий в избирательных кампаниях, яркий пример: небезызвестная Cambridge Analytica в 2018 году. Похоже, что среди технологий двойного назначения прибыло.

Мониторинг трендов отличный инструмент для наблюдения за технологическим развитием стран. Вот как, например, выглядит борьба США и Китая за мировое лидерство, которое последние пять лет планомерно захватывал Китай:

Китай абсолютный мировой лидер по патентам и научным публикациям: каждый второй патент и каждая четвертая научная статья в сфере ИКТ китайские. Лидерство США сохраняется только в области инвестиций.

Отслеживать тренды важно ещё вот почему: вы помните, как быстро на рынок ворвались Apple Watch, став первой в мире маркой по узнаваемости часов чуть ли не за два года, обогнав классические цифровые бренды? Вроде как случилось это довольно быстро и внезапно. На самом деле Apple начала активно патентовать технологии для них за десять лет до выхода первой модели часов.

Поэтому нужноотслеживать технологии на ранних этапах, когда они только зарождаются. Такие технологии мы тоже научились выявлять, мы называем их слабыми сигналами. Обычно такие технологии растут очень быстро (на десятки и сотни процентов в год), но это происходит за счётэффекта низкой базы, и нужно перебрать очень много мусора, чтобы найти действительно стоящий тренд. Потому что на этапе наращивания научной базы ещё не понятно будет ли обсуждаемая технология таким же прорывом, как ИИ, или это очередной МММ. Но со слабыми сигналами сложнее потому, что они очень незаметны на общем фоне, у них слишком низкие показатели.

Вот, что мы выявили по итогам 2019 года:

Но вот будем ли мы с вами в скором времени пользоваться благами точной медицины или эластокалорического эффекта вопрос остаётся открытым.

Больше аналитики по итогам Мониторинга трендов цифровизации можно получить из наших ежегодных отчётов, доступных по ссылкездесь.

Про планы

Мы продолжим делать количественные оценки трендов на ежегодной основе. К тому же этот процесс уже внедрен в стратегическое планирование Ростелекома, на основе мониторинга трендов мы получаем список технологий, которые компания планирует в ближайшее время развивать.

Каждый год стараемся увеличить количество анализируемой информации, добавляем новые характеристики, влияющие на веса в источнике, и расширяем список источников (например, думаем включить капитализацию компаний, количество просмотров статей и подобное). А также работаем над улучшением качества наших моделей и алгоритмов, чтобы минимизировать ошибки классификации и кластеризации.

Рассказывая про проект на разных конференциях, мы поняли, что он востребован у наших партнёров и коллег. Поэтому сделали из него продукт для внешнего пользования, который называетсяTeqViser. Так что, если для ваших задач подобные аналитические инструменты представляют интерес, уверен, что совместно мы сможем сделать что-то крутое, чего до нас никто не делал.

Вряд ли стоит лишний раз напоминать, что появление беспилотных автомобилей неразрывно связано с прогрессом в сфере искусственного интеллекта. Но для автономного вождения необходим не только ИИ. Беспилотный автомобиль получает данные с различных сенсоров: камеры, сонар, радар, лидар, GPS, что позволяет вести машину в любом окружении. Конечно, информацию с датчиков необходимо своевременно обрабатывать, и объемы здесь весьма немаленькие.

Данные обрабатываются не только компьютером автомобиля в реальном времени, часть информации поступает в периферийные дата-центры для дальнейшего анализа. И затем по иерархии в облако. Поэтому важен не только искусственный интеллект, которым наделен автомобиль, но и возможности обработки данных бортовым компьютером, на периферийных серверах и в облаке, а также скорость отправки данных за пределы автомобиля вместе с низкими задержками.

В нашей статье мы рассмотрим беспилотные автомобили в разрезе данных, которые необходимо собрать и обработать. Мы расскажем, какие этапы проходят данные, какие требования при этом существуют, какие решения предлагают производители. Сети 5G мы тоже упомянули не зря. Но позвольте обо всем по порядку.

Беспилотный автомобиль: базовые требования

Что же необходимо для автономного вождения? Ответ на этот вопрос зависит от того, что мы подразумеваем под автономностью. Системы автономного вождения не стоят на месте и постоянно совершенствуются, и сегодня различают несколько уровней беспилотного автомобиля.

Конечно, большинство автомобилей на дорогах не оснащены системами автономного вождения. У некоторых есть базовые системы помощи водителю, например, контроль устойчивости. Другие предлагают многоуровневые системы, справляющиеся с более сложными задачами. Здесь можно отметить удержание полосы движения вместе с круиз-контролем, что весьма полезно при движении по магистралям. Беспилотные автомобили, которые начинают появляться на дорогах, берут на себя все функции вождения и безопасности при некоторых условиях (например, в пробках), но водитель должен быть готов взять управление на себя. На улицах пока еще нет полностью беспилотных автомобилей, где водитель отсутствует. Но когда они появятся, компьютеру достаточно будет сообщить место назначения и предпочтения по навигации.

Система глобального позиционирования (GPS) позволяет автомобилю узнать, где он находится. Сегодня приемники GPS встроены во многие SoC, благодаря вычислительным ядрам они обеспечивают быстрый и точный поиск положения автомобиля. Для вычислений используются данные, как минимум, четырех спутников. Некоторые чипы GPS, такие как Linx Technologies F4 Series GPS Receiver Module, могут одновременно принимать сигналы до 48 спутников. Данные о перемещении автомобиля передаются на периферийные серверы, где они используются для дальнейшего анализа.

Беспилотный автомобиль в любой момент времени должен знать свое точное местоположение, а также оценивать ситуацию вокруг. Несколько камер обеспечивают обзор окружения на все 360 градусов. Каждая камера дает двумерные кадры, то есть массив пикселей, где к каждому пикселю привязана информация цвета и яркости. И здесь как раз стоит упомянуть весьма интересные инновации.

MIT ShadowCam способна заглянуть за угол

Развитие технологий искусственного интеллекта и глубокого обучения, позволяет выполнить исчерпывающий анализ изображений, в том числе отслеживать объекты по информации нескольких камер и анализировать положение пешеходов и велосипедистов. Исследователи MIT анонсировали систему ShadowCam, которая использует технологии компьютерного видения: анализируются малейшие изменения яркости, позволяющие определить тени на поверхности земли, едва различимые человеческому глазу. Технология позволяет беспилотным автомобилям буквально заглянуть за угол, определяя приближающиеся объекты, которые потенциально могут вызывать столкновение.

Загрязнение камер, слабое освещение и плохая видимость снижают качество данных с камер, здесь на помощь приходит лидар (LIDAR, Light Detection and Ranging), собирающий информацию о ближайшем окружении автомобиля. Лидар применяет лазерные импульсы для измерения расстояний до объектов, в итоге создается трехмерная карта, позволяющая анализировать окружение автомобиля. Все эти вычисления должны выполняться бортовым компьютером, чтобы мгновенно принимать необходимые решения. Для захвата и хранения данных трехмерной карты объектов и потоков с нескольких камер требуется достаточная емкость на периферии.

Проблема объема данных

Даже обычные автомобили, с водителем за рулем, генерируют все больше данных. Новые модели оснащаются бортовым компьютером с 25-50 вычислительными ядрами, обеспечивающими круиз-контроль, устранение слепого пятна, предупреждение о наезде на препятствие и автоматическое торможение. Узлы автомобиля обмениваются данными между собой через внутреннюю сеть.

В своей речи бывший CEO Intel Брайан Кржанич назвал данные новой нефтью. Он упомянул, что типичный беспилотный автомобиль может генерировать в день около 4 Тбайт данных. Но прогноз уже превышен роботакси AutoX, которые генерируют 1 Тбайт в час. О них мы расскажем чуть ниже.

Эвангелос Симудис, управляющий директор венчурного инвестиционного фонда Synapse Partners, упомянул при обсуждении будущих беспилотных автомобилей, что объемы данных просто гигантские. И они представляют одно из препятствий, мешающих массовому распространению автономного вождения.

Задержки смерти подобны

К сожалению, все данные беспилотного автомобиля не получится обработать в облаке или периферийных дата-центрах. Все это вносит слишком большую задержку. Даже 100-мс задержка, которая меньше, чем моргнуть не успеешь, может провести грань между жизнью или смертью пассажира или пешехода. Автомобиль должен реагировать на возникающие обстоятельства как можно быстрее.

Чтобы сократить задержку между получением информации и реакцией на нее, часть информации анализируется на бортовом компьютере. Что тоже вписывается в концепцию периферийных вычислений, если считать бортовой компьютер периферийным узлом сети. В итоге беспилотные автомобили составляют сложную гибридную сеть, которая сочетает централизованные дата-центры, облако и множество периферийных серверов. Последние распложены не только в автомобилях, но и в светофорах, постах контроля, станциях зарядки и так далее.

Подобные серверы и дата-центры за пределами автомобиля оказывают посильную помощь при автономном вождении. Они позволяют автомобилю видеть дальше радиуса действия своих сенсоров, координируют загрузку дорожной сети, помогают принимать оптимальные решения. По сути, мы получаем альтернативу навигаторам с искусственным интеллектом.

Взаимодействие друг с другом и с периферийной инфраструктурой

GPS и системы компьютерного видения обеспечивают беспилотные автомобили информацией о локации и ближайшем окружении. Но при повышении дальности просчитываемого окружения один автомобиль может собрать лишь ограниченное количество информации, поэтому необходим обмен данными. В результате каждый автомобиль сможет лучше проанализировать условия вождения, опираясь на более обширный массив данных, собранный парком беспилотных автомобилей. Системы коммуникации Vehicle-to-vehicle (V2V) опираются на mesh-сети, создаваемые автомобилями в одной географической области. V2V используются для обмена информацией и подачи сигналов другим автомобилям, например, предупреждения об опасной дистанции.

Сети V2V можно расширить для обмена информацией с инфраструктурой дорожного движения, например, светофорами. Здесь уже уместно говорить о коммуникации V2I (vehicle-to-infrastructure). Стандарты V2I продолжают развиваться. В США Федеральная дорожная администрация (FHWA) выпустила руководство по V2I, которое должно помочь внедрению технологии. Как сказал администратор FHWA Григорий Надю, преимущества V2I простираются намного дальше безопасности: Кроме улучшения безопасности, технология автомобиль-инфраструктура дает преимущества по мобильности и взаимодействию с окружением.

Водители, которые ездят одним и тем же маршрутом каждый день, запоминают все ямки на дороге. Беспилотные автомобили тоже постоянно учатся на своем опыте. Как указывает Data Center Knowledge, в будущем беспилотные автомобили будут сгружать имеющуюся полезную информацию в периферийные дата-центры, например, интегрированные в станции зарядки.Станции зарядки будут опираться на алгоритмы искусственного интеллекта, которые помогут анализировать полученные от автомобиля данные и предложат возможные решения. Через облако эти данные будут переданы и другим беспилотным автомобилям в общей сети.

Если подобная модель обмена данными между всеми беспилотными автомобилями действительно воплотится через несколько лет, то можно ожидать экзабайты (миллионы терабайт) данных в день. На дорогах к этому времени должны появиться, по разным оценкам, от сотен тысяч до десятков миллионов беспилотных автомобилей. Действительно впечатляет!

Сегодня беспилотные автомобили уже собирают огромные массивы данных, причем не только в публичном пространстве и на частных тестовых полигонах, но и в виртуальных мирах.

Виртуальные пешеходы и симуляция облегчают задачу

В реальных условиях беспилотные автомобили тестировать слишком опасно, и производители очень осторожно подходят к испытаниям в обычной городской среде после наезда беспилотного автомобиля, повлекшего смерть пешехода в марте 2018. Чтобы искусственный интеллект умнел как можно быстрее, не рискуя при этом жизнью и здоровьем пешеходов и пассажиров, тестовые площадки были выведены за пределы городской среды.

В материале Reuters указано, что Volvo - один из многих производителей, тестирующий автономное вождение с помощью манекенов и других искусственно созданных объектов, симулирующих условия городской среды без каких-либо рисков. Производители грузовиков, такие как Scania, экспериментируют с тягачами на закрытых полигонах.

Автономное вождение все чаще переносится в виртуальный мир, как упоминается в MIT Technology Review. В одной симуляции Waymo, например, участвуют 25 тысяч автомобилей, которые в общей сложности проезжают больше 16 млн. километров в день. Подобный массовый сценарий слишком опасен, чтобы переносить его в современный мир.

Огромные массивы данных, которые удается собрать по результатам тестов в виртуальном окружении, дают очень ценную информацию для тренировки искусственного интеллекта. Но, как отмечают исследователи MIT, беспилотным автомобилям предстоит проехать еще многие миллиарды километров в виртуальном и реальном окружениях, чтобы они стали действительно безопасными в любых ситуациях.

Объемы данных, которые при этом предстоит обработать, просто огромны. Но без их анализа нельзя запускать технологию автономного вождения в массы.

Для передачи данных на сравнительно большие расстояния уже требуются современные технологии сотовой связи, а именно 5G, которые способны обеспечить пропускную способность до 300 Мбит/с с задержками 1 мс. Huawei ранее как раз анонсировала компоненты 5G, ориентированные на беспилотные автомобили. Настало время поговорить о 5G.

5G как ключ к успеху беспилотных автомобилей

Наш беспилотный автомобиль может получать информацию о пешеходах и велосипедистах не только опираясь на свои сенсоры, но и благодаря обмену данными с другими машинами, светофорами и прочими объектами городской инфраструктуры. Звучит нереально, но именно такую демонстрацию могли увидеть посетители муниципалитета Оспиталет (провинция Барселона) в рамках проекта автомобиля, подключенного по 5G.

Автомобили Ateca и Arona, изготовленные Seat, использовали сеть оператора Telefonica 5G и технологию Ficosa C-V2X (Cellular Vehicle-to-Everything) для обмена информацией с другими машинами, велосипедистами и даже светофорами. Последние оснащены тепловизорами, которые определяют пешеходов, приближающихся к переходу, в результате на приборной панели автомобиля появляется соответствующее предупреждение. Велосипедисты, подключенные к сети, информируют о своем местоположении, что предотвращает опасные ситуации. В случае плохой видимости у припаркованных автомобилей автоматически включится аварийка, они будут оповещать все приближающиеся автомобили о своем положении.

Как ускорить внедрение автономного вождения?

Беспилотные автомобили, тестируемые на улицах Оспиталета, это интересно, но чтобы автономное вождение стало реальностью, требуется намного больше. Здесь как нельзя кстати подходят возможности новых мобильных сетей 5G, а именно огромные скорости, очень низкие задержки и способность поддерживать большое число подключений одновременно.

Мультигигабитные скорости 5G, распределенные периферийные сети и сервисы с низкими задержками позволят автономному вождению стать реальностью в ближайшие годы, сказал Крис Пенроуз, президент подразделения IoT в AT&T. 5G даст необходимые возможности по распределению обрабатываемых данных, чтобы соответствовать и превышать потребности беспилотных автомобилей.

Пенроуз совершенно прав. Беспилотные автомобили без подобных возможностей обработки данных не смогут выполнять многие задачи быстрее человека. Например, определять появление пешехода на ближайшем переходе. Причем задержки должны быть минимальные, поскольку опоздание даже на долю секунды может привести к аварии.

Интеграция 5G идет полным ходом

Неудивительно, что крупные производители автомобилей, такие как Audi, BMW, Daimler, Ford, Hyundai и Toyota, интегрируют технологии 5G в свои продукты.

Возьмем для примера Ford. Компания к 2022 году планирует оснащать все выпускаемые в США автомобили технологией связи CV2X на основе 5G. Миллиарды долларов уже потрачены сотовыми операторами на создание сетей 5G, поэтому нам кажется, что настал подходящий момент, чтобы наши транспортные средства получили ряд умений, которые будут полезны в повседневной эксплуатации, сказал Дон Батлер, исполнительный директор Ford Connected Vehicle Platform and Product.

Компания Daimler, производитель люкс-авто Mercedes-Benz, вместе с крупнейшим своим акционером Zhejiang Geely Holding Group планирует собирать полностью электрические автомобили Smart компактного класса в Китае на экспорт. Они тоже будут оснащаться поддержкой 5G. Первые автомобили планируется выпустить в 2022 году. А Hyundai Mobis, производитель запчастей в составе Hyundai Motor Group, объявил о партнерстве с телекоммуникационной компанией KT по совместной разработке технологий подключенных к 5G автомобилей.

Телекоммуникационные компании не стоят в стороне. Audi является одним из основателей ассоциации 5G Automotive Association (5GAA), созданной для взаимодействия представителей телекоммуникационной индустрии и автопроизводителей. Audi планирует выпустить подключенные к 5G автомобили в ближайшем будущем, чему способствует сотрудничество с такими телекоммуникационными компаниями, как Huawei, которая ранее объявила о том, что стала первым производителем компонентов 5G для беспилотных автомобилей. Huawei надеется на большие продажи фирменного модуля 5G.

Но это еще не все. Несколько телекоммуникационных компаний создали бутафорские города для тестов беспилотных автомобилей. Samsung, например, совместно с Korea Transportation Safety Authority строит K-city В Корее с декорациями для проверки беспилотных автомобилей и подключения 5G в условиях, близких к реальным дорогам, перекресткам и туннелям.

Необходима инфраструктура 5G

Все эксперименты с подключенными к 5G беспилотными автомобилями зайдут в тупик, если не будет создана инфраструктура 5G. Каждый день беспилотный автомобиль может генерировать от 5 до 20 Тбайт данных, поэтому для их передачи должна быть готова мобильная сеть.

Большая часть данных, генерируемых многочисленными сенсорами автомобиля, должна обрабатываться непосредственно бортовым компьютером и расположенными рядом дата-центрами, что вписывается в концепцию периферийных вычислений. Данные поступают не только от автомобилей, но также от других источников, таких как светофоры. В конечном итоге совокупность технологий позволяет беспилотным автомобилям определять объекты вокруг и вовремя реагировать на меняющуюся обстановку.

Ценность собираемых данных

Конечно, не все типы данных требуют немедленной обработки, да и у бортового компьютера все же производительность ограниченная, как и накопители. Поэтому данные, которые могут потерпеть, следует накапливать и анализировать в периферийных дата-центрах, часть данных при этом будут мигрировать в облако и обрабатываться там.

Сфера ответственности городских властей и автопроизводителей заключается в захвате, обработке, передаче, защите и анализе данных о каждом автомобиле, пробке, пешеходе, бордюре или ямке. Некоторые архитекторы умных городов уже экспериментируют с алгоритмами машинного обучения, которые более эффективно анализируют данные движения, чтобы быстро определять ямки и выбоины на дороге, регулировать дорожное движение, мгновенно реагировать на аварии. В глобальном ракурсе алгоритмы машинного обучения дают рекомендации по улучшению городской инфраструктуры.

Как считает Брукс Райнвотер, директор Center for City Solutions в National League of Cities, данные, генерируемые беспилотными автомобилями, предоставят городу более скрупулезный обзор всего, от износа инфраструктуры до подобной информации о дорожном движении и самых нагруженных участках.

Как обрабатывать данные на периферии в тысячи экзабайт?

Для развития полностью автономного вождения необходимо решить проблему обработки и хранения огромных массивов данных. Каждый день беспилотный автомобиль может генерировать от 5 до 20 Тбайт данных. Всего один автомобиль! Только в США сегодня насчитывается больше 270 млн. автомобилей, что в будущем может привести к гипотетическому объему 5.449.600.000 Тбайт (или 5.449 экзабайт) и это только в один день и только в США! Для хранения таких данных необходима высокопроизводительная, гибкая, защищенная и надежная периферийная инфраструктура. Затем возникает проблема эффективной обработки данных, что тоже весьма непросто.

Чтобы бортовой компьютер мог принимать решения в реальном времени, ему требуется самая свежая информация по окружающей обстановке. Старые данные, такие как информация о расположении автомобиля и скорости час назад, обычно уже не нужны. Однако эти данные полезны для дальнейшего улучшения алгоритмов автономного вождения. Разработчики систем на основе искусственного интеллекта должны получать большие массивы данных, чтобы тренировать сети глубокого обучения: определять объекты и их движение по камерам, информации лидара, оптимально сочетать информацию об окружении и инфраструктуре, чтобы принимать решения. Специалистам по безопасности дорожного движения очень важны данные, собранные автомобилями непосредственно до аварий или опасных ситуаций на дороге, например. Здесь вновь встает вопрос обработки данных на периферии, который остается очень важным звеном для совершенствования автономного вождения.

По мере того, как данные собираются беспилотными автомобилями и передаются от них на периферийные дата-центры, после чего мигрируют в облачные хранилища, все более актуальным становится вопрос использования оптимизированной и многоуровневой архитектуры хранения данных. Только она позволит максимально эффективно использовать огромные объемы данных. Свежие данные должны сразу же анализироваться для улучшения моделей машинного обучения, здесь требуется высокая пропускная способность и низкие задержки, для этой цели лучше всего подходят SSD и высокоемкие накопители HAMR с поддержкой технологий нескольких приводов головок.

После того, как данные пройдут этап анализа, они должны быть сохранены, но уже более эффективно: на высокоемких и недорогих традиционных хранилищах nearline. Подобные серверы хранения хорошо подходят в том случае, если данные могут потребоваться в будущем, но частого доступа к ним не планируется. Старые данные, которые вряд ли потребуются, но должны храниться по каким-либо причинам, можно переводить на уровень архивации.

Данные все чаще будут обрабатываться и анализироваться на периферии, что знаменует наступление эпохи IT 4.0, в которой меняется подход к использованию данных. Периферийные вычисления позволят обрабатывать данные рядом с местом их сбора, а не в облачном сервере, что позволит анализировать их намного быстрее, немедленно реагируя на изменения ситуации. Терабайты данных, обрабатывающиеся каждый день, скоростная сеть обмена информацией между автомобилями и периферийными дата-центрами помогут сделать автономное вождение более безопасным и надежным.

Seagate объединяет усилия с AutoX

Наконец, позвольте рассказать об одном практическом примере из сферы беспилотных автомобилей. Seagate решила объединить усилия с компанией AutoX, занимающейся системами автономного вождения. Цель заключается в создании частного облака для быстрой обработки больших объемов данных, генерируемых во время тестирования беспилотных автомобилей.

Как мы уже неоднократно отмечали, беспилотные автомобили создают значительные объемы данных, получаемых со своих сенсоров. Seagate предоставила AutoX полное решение по созданию частного облака на основе систем Seagate Exos E 5U84. В результате повысилась скорость и эффективность обработки данных.

В июле 2020 года AutoX получила разрешение от калифорнийского Департамента транспортных средств, позволившее начать тесты беспилотных автомобилей на обычных дорогах в выделенном районе Сан-Хосе (Калифорния, США). Кроме того, компания управляет парком роботакси в Шэньчжэне и Шанхае. В апреле 2020 компания открыла операционный центр роботакси в Шанхае площадью 7400 м, ставший самым большим хабом беспилотных автомобилей в Азии.

Петабайты в день: данные новая нефть

Для беспилотных автомобилей данные имеют такое же значение, как бензин с электричеством, не зря их называют новой нефтью. Каждое роботакси генерирует порядка 1 Тбайт данных в час, что даже превышает прогнозы аналитиков. Сто роботакси AutoX дают уже петабайты данных ежедневно. И все эти данные следует анализировать и обрабатывать при получении как можно быстрее.

Передача и хранение всех данных в публичных облаках приводит к задержкам, что замедляет обработку и анализ данных, увеличивает расходы. Как можно видеть в отчете Seagate Rethink Data, компании все чаще решают хранить данные в частных облаках.

Для обработки огромных объемов информации AutoX требуется надежная архитектура данных, сказал доктор Джан Вей Пан, вице-президент подразделения Technology and Partnerships в AutoX. Мы должны учитывать не только такие факторы, как цену, производительность и емкость, но и обрабатывать и хранить ценные данные с максимальной скоростью.

Периферийное частное облако: быстрая обработка, низкая стоимость владения

Чтобы удовлетворить потребности AutoX по хранению и обработке данных, Seagate разработала и построила периферийное частное облако, успешно вписавшееся в инфраструктуру хранения данных AutoX; многие задачи, которые ранее выполнялись в окружении публичного облака, теперь перешли на периферию. Данные с испытаний и тестов, например, теперь можно быстро загрузить в периферийное частное облако, которое отличное справляется с обработкой частых запросов к крупным массивам информации.

Решение Seagate соответствует потребностям AutoX по быстрой обработке данных и вместе с тем уменьшает совокупную стоимость владения (TCO). Но данные, которые обрабатываются на периферии, рано или поздно мигрируют в публичное облако для архивации и резервирования.

Для построения дата-центра с частным облаком Seagate использовала решение на основе Exos E 5U84, серверов и распределенной системы хранения данных Ceph. Seagate Exos E 5U84 может хранить до 1,1 петабайт данных, при этом обеспечиваются мощные возможности интеграции, повышающие эффективность использования частного облака. Благодаря высокой плотности хранения данных и производительности, система позволяет уменьшить совокупную стоимость владения. Масштабируемая архитектура обеспечивает рост вместе с бизнесом до 336 накопителей. Что поможет AutoX справиться с растущими объемами собираемых данных в будущем. Причем данное решение можно быстро реплицировать, что соответствует планам AutoX по расширению парков роботакси в Шанхае, Шэньчжэне, Ухани и многих других городах.

AutoX - отличный пример лидера индустрии IT 4.0, который вдохновил нас поставить более мощные системы хранения данных, способные быстрее справиться с анализом информации и выдачей вариантов действий, что позволяет как можно быстрее принимать решения и выходить из критических ситуаций, сказала Санди Сан, вице-президент Seagate и старший менеджер по Китаю. Мы рады партнерству с AutoX, поскольку компания продолжает внедрять инновации, будущее беспилотных автомобилей становится все ближе к реальности.

Renovo и Seagate объявили о сотрудничестве

Второй практический пример касается начала сотрудничества Renovo и Seagate по эффективной обработке огромных массивов данных, которые генерируют беспилотные автомобили. Компания Renovo уже давно занимается разработкой масштабируемой платформы автономного вождения. Будучи лидером в своей сфере, она выбрала в партнеры компанию Seagate, специалиста систем хранения данных.

Быстрая идентификация ценных данных и передача их в руки тех, кому они необходимы, является серьезной проблемой, стоящей перед индустрией беспилотных автомобилей, сказал Кен Клэффи, вице-президент Seagate, старший управляющий направления решений корпоративного класса для хранения данных. Компетенция Renovo в автомобильной сфере и системах обработки данных обеспечивает уникальную конвергенцию, позволяющую приблизиться к решению данной проблемы для флотов беспилотных автомобилей.

Как мы отмечали выше, беспилотные автомобили генерируют очень большие объемы данных, которые не получится перекачивать в реальном времени в облако. Поэтому ключ кроется в обработке данных бортовым компьютером, что вписывается в концепцию периферийных вычислений.

Renovo уже давно разрабатывает платформу Aware, сотрудничество позволит Renovo использовать системы хранения данных Seagate во всех сферах, касающихся автономного вождения.

Seagate предлагает широкий набор решений для хранения данных, генерируемых беспилотными автомобилями, сказал Крис Хейзер, главный исполнительный директор Renovo. Мы рады работать с лидером индустрии Seagate, чтобы интегрировать лучшие технологии хранения данных в критические важные сферы автономного возждения.

Платформа Renovo используется во многих беспилотных автомобилях, в том числе Voyage.auto. Seagate присоединилась к экосистеме Renovo вместе с растущим числом других технологических партнеров, в том числе Samsung, Verizon, HERE, Velodyne LiDAR, Parsons, INRIX, Argus Cyber Security, Seoul Robotics, Affectiva, Phantom Auto, Metamoto, Understand.ai, NIRA Dynamics, Bestmile и т.д. Посмотрим, какие плоды принесет сотрудничество двух лидеров в будущем.

Заключение

Мы надеемся, что наша статья пролила свет на то, насколько важными являются данные в сфере автономного вождения. Когда мы дождемся массового распространения беспилотных автомобилей, они продолжат собирать ценные массивы данных, которые будут обрабатываться не только бортовым компьютером, но и периферийными серверами и облаком. И к этому времени инфраструктура обработки данных должна быть полностью готова.

По мере того, как поддержка 5G будет распространяться, беспилотные автомобили начнут генерировать все большие объемы данных, которые затем будут анализироваться и использоваться, чтобы умные города стали реальностью. Достичь этой цели будет весьма непросто, но в итоге мы откроем новую главу в истории такого популярного средства передвижения, как автомобиль.

Беспилотные автомобили находятся на передовой технологий искусственного интеллекта, коммуникаций, хранения данных. Все три упомянутых столпа важны, чтобы автономное вождение стало возможным в обозримом будущем. Поэтому чтобы выйти на уровень частично и полностью автономного вождения, необходимо продолжить разработку и совершенствование технологий.