Machine Learning in Kommunikationsnetzen: MAKI Scientific Workshop 2018

Der intelligente Einsatz von Machine Learning für flexible und adaptive Netze wurde bei MAKI erkannt. Prof. Wolfgang Kellerer lehrt und forscht seit 2012 am Lehrstuhl für Kommunikationsnetze an der Technischen Universität München. Er ist zum zweiten Mal beim MAKI Scientific Workshop 2018 dabei und erklärt, welche Veränderungen Machine Learning in Kommunikationsnetzen und für die Forschung bei MAKI hat. 

Dieser Beitrag ist im Übrigen der zweite auf unserem Blog, der sich mit dem Thema Machine Learning bei MAKI beschäftigt und thematisch anschließt – hier der Link zum Beitrag über Lernende Mensch-Maschinen.

Herr Kellerer, wie kamen Sie zu MAKI?

Seit 2017 bin ich Mitglied des wissenschaftlichen Beirats von MAKI. Nach einem Vortrag zum Thema Software Defined Networking und In-Network Processing in 2017, bin ich heute zum zweiten Mal für einen Vortrag im Scientific Workshop von MAKI eingeladen.

Machine Learning wird in vielen Bereichen eingesetzt: graphische Datenverarbeitung, Sprachanalyse, Suchmaschinen etc. Welcher Aspekt der Technologie ist für Kommunikationsnetze besonders interessant und warum?

W. Kellerer und T. Lenz beim Interview. Foto: Z. Tuncer

Machine Learning bedeutet allgemein, dass Computer Muster oder Gesetzmäßigkeiten aus der Analyse von Daten lernen. In Netzen gibt es eine Fülle an Daten, die den Einsatz von Machine Learning interessant machen. Die Schwierigkeit bei Netzen besteht darin, dass sich die Daten oft sehr dynamisch ändern und eine Mustererkennung erschweren. Ich denke bei den dynamischen Änderungen zum Beispiel an ganz neue Apps mit völlig neuem Nutzerverhalten oder plötzliche gesellschaftliche Ereignisse. Interessant ist die Anwendung von Machine Learning natürlich bei der Analyse von Verkehrsdaten für die Vorhersage, Fehlererkennung und auch Erkennung von Angriffen auf ein Netz. Der Betrieb von Netzen beinhaltet viele Optimierungsprobleme, die auf sehr vielen Netzdaten basieren. Diese lassen sich mit geeigneten Machine Learning Verfahren beschleunigen. In unseren Arbeiten extrahieren wir Wissen aus den Daten die die Netzalgorithmen selbst generieren, um damit die Ergebnisse von Netzalgorithmen zu verbessern.

Wenn Sie an den MAKI Scientific Workshop denken: Welche Ansätze halten Sie – gerade in Bezug auf die Forschung von MAKI – für besonders innovativ und zielführend?

MAKI ist breit angelegt, um die Adaptivität in Kommunikationsnetzen möglichst umfassend zu untersuchen. Daher kann Machine Learning in vielfacher Hinsicht eingesetzt werden. Dass das bereits gemacht wird, wurde auch in den Posterpräsentationen am Donnerstag deutlich. Vielversprechende Anwendungen liegen in der Beschleunigung von Optimierungsproblemen, wie zum Beispiel der Rekonfiguration oder der Platzierung von Netzfunktionen oder der Analyse von Nutzerverhalten oder im Monitoring, d.h. der Analyse des Netzverhaltens, um nur einige Beispiele zu nennen. Machine Learning ist eine Methode, aus Daten neue Erkenntnisse zu generieren. Welche Machine Learning Methode also zum Beispiel Supervised oder Unsupervised Learning und welcher Algorithmus konkret angewandt werden kann, häng ganz stark vom Use Case und vom Vorhandensein von Daten ab. Machine Learning ist keine Methode, die generell auf alle Probleme passt.

Wie steht die Technologie in Verbindung mit dem Konzept der Transition?

Ich denke, dass zunächst einmal aufgrund von Ereignissen, d.h. also Daten, zu erkennen und zu entscheiden ist, ob eine Transition durchgeführt wird. Hier kann Machine Learning ansetzen und entsprechende Muster erkennen. Wie das funktioniert hängt sehr stark vom betrachteten Kommunikationssystem ab. Wenn eine Transition durchgeführt wird, sind die geeigneten möglichst optimalen Parameter für den neuen Mechanismus zu finden. Auch hier kann ein geeigneter Machine Learning Ansatz helfen das beste Setting schnell zu finden.

Wenn Sie MAKI, Transition und Machine Learning in Kommunikationsnetzen zusammendenken: Welche Möglichkeiten und Veränderungen ergeben sich für Industrieanwendungen und Nutzerinnen und Nutzer?

Flexibilität und Adaptivität sind meiner Meinung nach Schlüsseleigenschaften für zukünftige Kommunikationsnetze, um sie an zunehmend dynamischer werdende Änderungen anzupassen und damit zukunftssicher zu machen. Um für neue Anwendungen und neuartige Nutzerbedürfnisse stets die geforderte Vernetzung bei hoher Qualität sicherstellen zu können, haben flexible Kommunikationsnetze, die sich in kurzer Zeit zum Beispiel mittels Transition anpassen können, daher einen entscheidenden Vorteil.