Lo studio congiunto di tre Atenei ha portato alla messa a punto di un sistema di intelligenza artificiale in grado di effettuare un’analisi minuziosa delle informazioni sullo stato del canale in un contesto di comunicazione senza fili, affrontando, al contempo, lo spinoso tema della riservatezza dei dati condivisi attraverso i dispositivi connessi alla rete.
Da qui ai prossimi decenni, si calcola che sempre più dispositivi saranno connessi tra loro e alla rete Internet, complice l’inarrestabile evoluzione delle tecnologie di comunicazione senza fili. Tra queste, basti solo pensare al Wi-Fi e alle funzionalità che oggi vanta, talmente avanzate da spingere la connettività in contesti quali aziende, industrie e abitazioni, segnandone il futuro. Proprio l’8 gennaio 2024, la Wi-Fi Alliance ha annunciato la certificazione del Wi-Fi 7, nuovo standard wireless ora divenuto ufficiale.
Gli analisti ipotizzano che i dispositivi connessi, entro il 2050, saranno 24 miliardi in tutto il mondo. [fonte: “Connected tech: smart or sinister?” – UK Paliament]. Tale “connettività pervasiva” – alla quale già assistiamo – renderà possibile tutta una serie di applicazioni che consentiranno lo scambio di una mole di dati assai più voluminosa rispetto ad oggi e a una velocità ancora più elevata.
Takeaway
Cosa sono le informazioni sullo stato del canale (Channel State Information)
«Tuttavia, una connettività così ampia presenta alcune incognite, in particolare relative alla stima delle informazioni sullo stato del canale – la cosiddetta Channel State Information – fondamentale, in quanto consente di passare al vaglio le proprietà del canale di comunicazione condiviso tra i dispositivi» si legge in “Federated Generative-Adversarial-Network-Enabled Channel Estimation”, articolo apparso di recente su Intelligent Computing.
Lo scritto illustra il lavoro di un gruppo di ricercatori impegnati nel campo dell’ingegneria elettronica e della computer science – provenienti dalla Queen Mary University di Londra, dalla Tsinghua University di Pechino e dalla Memorial University di Saint John’s, in Canada – i quali, in merito alle informazioni sullo stato del canale (detto anche “Channel State Information” o CSI), puntualizzano:
«… la loro stima diventa particolarmente impegnativa specie nelle reti wireless, a causa delle caratteristiche fluttuanti del canale dei dispositivi partecipanti, generalmente dispersi geograficamente e spesso soggetti a diversi gradi di interferenza, portando a caratteristiche di canale altamente incoerenti e ponendo difficoltà in termini di accuratezza della stima»
Stima della CSI: perché è utile alle reti wireless e quali sono le metodologie
Nell’ambito delle reti wireless, la Channel State Information (CSI) riguarda le modalità attraverso le quali «il segnale si propaga dal trasmettitore al ricevitore, tenendo conto di quegli effetti come diffusione, sbiadimento e attenuazione di potenza sulla distanza». La sua stima consente alla trasmissione di adattarsi alle «condizioni attuali del canale». Il che, nel contesto di una comunicazione wireless affidabile e con velocità dei dati elevata, è basilare. [fonte: “Channel State Information” – ScienceDirect].
Mediante la valutazione puntuale delle informazioni sullo stato del canale – spiega il team di studio – è possibile «identificare e ridurre al minimo le interferenze e ottimizzare le prestazioni della rete wireless, contribuendo ad aumentare la capacità del canale e l’efficienza dello spettro, nonché permettendo una comunicazione più rapida e affidabile tra i dispositivi».
Le metodologie per effettuare la stima della CSI sono essenzialmente due (“Least Squares” – LS e “Minimum Mean Squared Error” – MMSE): la prima è caratterizzata da una bassa complessità computazionale ed è semplice da implementare, ma è anche piuttosto sensibile al rumore (cioè ad altri segnali presenti, insieme a quelli rilevanti per la comunicazione) e potrebbe non risultare efficiente e precisa in ambienti particolarmente rumorosi; la seconda è più complessa dal punto di vista computazionale e sfrutta sia le statistiche di canale che quelle di rumore, con l’obiettivo di agire positivamente sul livello di esattezza della valutazione.
Diciamo che l’optimum – come osservano gli autori – sarebbe un metodo di misurazione in grado di trovare un equilibrio perfetto tra complessità computazionale (bassa nella Least Squares) e livello di precisione (alta nel Minimum Mean Squared Error), tenuto anche conto del fatto che, in molti scenari, acquisire statistiche accurate sui canali è oltremodo impegnativo.
Intelligenza artificiale e reti wireless: le tecniche impiegate per l’analisi della Channel State Information
Quello che ha fatto il gruppo di ricerca è stato focalizzarsi, in particolare, su quegli scenari per i quali non è possibile acquisire le statistiche del canale (ma soltanto le informazioni pilota), rendendo, così, insufficienti i due metodi citati per la stima della CSI.
In passato – ricorda il team – tra le tecniche di intelligenza artificiale, è stato il deep learning ad attirare maggiore attenzione nell’ambito delle comunicazioni wireless, trovando impiego, appunto, nell’analisi dellostato dei canali, in cui ha mostrato un grande potenziale nel riuscire a ottimizzare – rendendola più meticolosa – la valutazione delle loro prestazioni.
Dopo le tecniche AI utilizzate negli anni addietro, gli autori dello studio descritto su Intelligent Computing hanno sviluppato un nuovo algoritmo di deep learning, capace finalmente – rispetto ai precedenti – di coniugare alta precisione nella stima del canale e bassi costi computazionali.
Nello specifico, sono stati messi a punto un modello di deep learning (ovvero un modello di apprendimento ispirato al funzionamento del cervello biologico) – appositamente progettato per passare scrupolosamente al vaglio lo stato del canale – e un framework di federated learning (o “apprendimento federato”) per addestrare il primo mediante le risorse dei dispositivi locali, «che scambiano parametri con il server centrale, anziché dati grezzi».
Ricordiamo che l’apprendimento federato è quella «tecnica di apprendimento automatico che – secondo la definizione che ne dà Wikipedia – permette di addestrare un algoritmo attraverso l’utilizzo di dispositivi decentralizzati, senza la necessità di scambiare i dati stessi». La sua peculiarità, fin dall’esordio, è quella di promuovere la protezione dei dati in ambito AI, consentendo – in fase di allenamento di un modello di apprendimento automatico – di attingere a più dataset senza comprometterne la riservatezza.
Intelligenza artificiale e reti wireless: reti GAN per la rappresentazione dello stato del canale
In tema di intelligenza artificiale per le reti wireless, i ricercatori hanno, quindi, sviluppato una rete generativa avversaria (o Generative Adversarial Networks – GAN), per acquisire una rappresentazione dello stato del canale e analizzarlo.
«Le GAN sono costituite da due reti neurali, una con funzione di generatore e l’altra con funzione di discriminatore, addestrate a raggiungere un equilibrio attraverso la competizione» specificano. E aggiungono che, in passato, sono state impiegate in vari modi per la stima del canale delle reti wireless.
La peculiarità dell’architettura GAN da loro proposta sta in una rete neurale a doppia U, così concepita per evitare la perdita di informazioni durante il campionamento dei dati.
Il gruppo di lavoro ha testato l’algoritmo di deep learning avvalendosi di set di dati provenienti da utenti locali e di dati relativi allo stato del canale attinti da un dataset aperto di comunicazione mobile, con due scenari diversi, contenenti – il primo – 10.000 mappe, ciascuna contenente, a sua volta, cinque posizioni della stazione base e 30 posizioni degli utenti e – il secondo – 100 mappe, ciascuna con una posizione della stazione base e 10.000 posizioni degli utenti.
Sia il test sui set di dati degli utenti locali, sia il test ambientale realistico con dati relativi a una rete di comunicazione mobile – fanno sapere gli autori – hanno dimostrato che il metodo è più accurato nella stima delle informazioni sullo stato del canale rispetto ad alcuni algoritmi tradizionali, validandone l’efficacia.
Glimpses of Futures
La connettività pervasiva nella quale siamo, ormai, immersi esige una comunicazione di qualità tra i dispositivi e tra questi e la rete Internet. E la stima accurata dello stato dei canali di comunicazione (specialmente se questa è senza fili) è un fattore chiave per il conseguimento di tale obiettivo.
Quando, però, parliamo di “qualità” in relazione alle reti wireless, non ci riferiamo semplicemente alle loro prestazioni, con l’occhio al controllo e alla riduzione delle interferenze e alla comunicazione più rapida. La qualità di un canale di comunicazione condiviso tra i dispositivi significa anche sicurezza, affidabilità, riservatezza dei dati.
Lo studio illustrato, rispetto al passato, è attento alle questioni inerenti alla privacy e propone un approccio fondato su un nuovo algoritmo di deep learning (addestrato per mezzo di un modello di apprendimento federato) che ha il merito di riuscire a effettuare un’analisi di alto livello del canale, proteggendo i dati e, al contempo, garantendo una bassa complessità computazionale.
Il team fa sapere che il suo algoritmo presenta, tuttavia, alcuni limiti, tra cui numerosi parametri del modello e la dipendenza da dati etichettati. E, riguardo ai lavori futuri, indica, quale possibile direzione, l’esplorazione dell’apprendimento federato «in reti diverse e dinamiche, in cui ciascun dispositivo possiede risorse differenti».
Cercando di anticipare scenari futuri, con l’aiuto della matrice STEPS proviamo ora a immaginare gli impatti, su più fronti, dell’evoluzione della metodologia descritta, finalizzata alla stima dello stato dei canali di comunicazione wireless.
S – SOCIAL: dal punto di vista sociale, della valutazione sempre più puntuale dello stato dei canali di comunicazione wireless, sono principalmente gli aspetti relativi alla sicurezza della connettività, alla protezione dei dati condivisi, quelli che, in uno scenario futuro, avranno maggiori implicazioni, con ricadute positive sia dal lato utente privato che dal lato aziende e organizzazioni.
T – TECHNOLOGICAL: in futuro, l’evoluzione dei modelli di deep learning e di federated learning adottati nel recente studio potrebbe essere supportata da altre tecniche di intelligenza artificiale con, ad esempio, una versione più complessa della rete generativa avversaria finalizzata alla rappresentazione dello stato del canale, non solo per evitare la perdita di informazioni durante il campionamento dei dati, ma anche per analizzare le prestazioni di reti di comunicazione eterogenee, in cui ciascun dispositivo ha diverse risorse computazionali per effettuare la stima dello stato del canale a bordo.
E – ECONOMIC: prestazioni ottimizzate delle reti wireless con, in prospettiva futura, interferenze quasi nulle e velocità di trasmissione sempre più spinta – grazie a una stima via via più accurata dello stato del canale di comunicazione – si traducono, per quanto concerne gli impatti di natura economica, in una maggiore produttività nel lungo periodo, con riferimento, in particolare, al business delle aziende, di qualsiasi dimensione e comparto di appartenenza.
P – POLITICAL: la connettività pervasiva deve poter coincidere con la “sicurezza pervasiva”, soprattutto se al centro ci sono settori – come quello finanziario e bancario – ritenuti critici sotto il profilo della security. Ecco allora che, nell’ottica di un’evoluzione futura delle tecniche a supporto della stima dello stato dei canali di comunicazione, a livello globale, si dovranno mettere in atto politiche volte alla protezione dei dati e strategie che mirano a garantire la resilienza in caso di interruzione del business.
S – SUSTAINABILITY: in uno scenario futuro, l’evoluzione della metodologia che implementa le prestazioni delle reti wireless e il loro livello di sicurezza, per mezzo di una valutazione attenta del canale, andrà verso una protezione dei dati più sostenibile all’interno delle organizzazioni, poiché intesa non solo come “valore” per il business, ma anche come inconfutabile diritto dell’essere umano alla “libertà” di condividere i propri dati, in quanto protetti da una sistema di comunicazione sicuro e affidabile.