NET 3/2025

18 www.net-im-web.de 03/25 Künstliche Intelligenz in TETRA-Netzwerken pengröße, die Empfangsleistung imUp- und Downlink, die Position vonTeilnehmern im Netzwerk, die Position von Zellübergängen (Handovern), aber auch Gesprächsabbrü- che und lokale Überlastsituationen. Hinzu kommt eine Reihe von netzseitigen Parame- tern, die gemessen und protokolliert werden können, wie die Temperatur im Serverraum, die CPUund Speicherauslastung der Rechen- knoten imBackend oder die tatsächlich über die Antenne abgestrahlte Leistung. Die vor- gestellten KI-Konzepte lassen sich nun dafür nutzen, solche Daten zu analysieren und auf Muster hin zu untersuchen. Lange Einsatz-Zeiten TETRA-Systeme werden in der Regel für eine lange Zeit geplant und sind oft jahr- zehntelang im Einsatz. Dabei nutzen sich auf Dauer Vorverstärker und Antennen ab. Dies führt zu einer veränderten Abstrahl- charakteristik und kann die Reichweite von Signalen verringern. Gegenwärtig können solche Probleme nur durch kostenintensive und regelmäßige Prüfungen erkannt werden – oder es wird erst bei einem offensichtli- chen Ausfall reagiert. Neuronale Netzwerke mit Autoencoder können hierbei Abhilfe schaffen. Damit lassen sich schleichende Ver- änderungen in den erfasstenWerten erkennen, bevor diese einem Techniker auffallen oder zu Performanceeinbußen führen. Vorhersagen über zukünftigeHardwareausfälle imBackend sind damit möglich. Dieser Ansatz wird schon heute in anderen Bereichen – wie zumBeispiel bei Personenaufzügen – eingesetzt. Ebenso kann KI dabei helfen, selbstständig Probleme in der TETRA-Netzversorgung zu erkennen. Dafür wird das Feedback von Endgeräten über die Zeit ausgewertet (Verbindungsabbrüche, Empfangsleistung) und, falls möglich, geo- lokalisiert. Die von Endgeräten an einemOrt gemessene Empfangsleistung hängt stark von der Umgebung ab und unterliegt dabei natür- lichen Schwankungen. Problematisch sind korrelierte Schwankungen, das heißt regional zusammenhängende Gebiete, die sich in der Versorgungsqualität über Jahre schleichend verändern. Die Gründe hierfür sind vielfältig und reichen von Hardwareänderungen über Hardwareprobleme bis zu baulichen Verän- derungen in einer städtischen Umgebung. KI-basierte Analysetechniken können solche Muster erkennen und einen Netzbetreiber darüber informieren und warnen. Nutzen von KI für TETRA ist enorm Alltäglicher für einenTETRA-Nutzer sind hingegen Verbindungsabbrüche, beispiels- weise durchÜberlastsituationen oder Über- gabefehler beim Zellwechsel (Handover). Dabei ist die Vorhersage von Überlast- situationen und anstehenden Handovern durch LSTSMs in der Leitstelle ähnlich leicht möglich wie die Vorhersage des Wet- ters – vorausgesetzt, eine KI wurde mit historischen Lastdaten trainiert. So können vorab in der Leitstelle Entscheidungen getroffen werden, um auf die Überlast zu reagieren, bevor sie eintritt. Eine mögli- che Gegenmaßnahme wäre das kurzzeitige Unterbinden von Einzelgesprächen und die Beschränkung auf Gruppengespräche oder die schnellere Freigabe von Funkressourcen nach Gesprächsende eines Teilnehmers. Die größte Herausforderung hier- bei sind die Netzdaten, die für das Training KI-basierter Anwendung bereitgestellt wer- den müssen. Und hierbei unterscheiden sich TETRA-Anwendungen deutlich von anderen Anwendungsbereichen. Jedes TE- TRA-Netzwerk ist einzigartig und versorgt unterschiedlich große Gebiete mit einer unterschiedlichen Zahl von Kanälen und Endgeräten in einer spezifischen Umgebung (Gebäude und Landschaften) und für unter- schiedliche Anwendungen (Industrie, ÖPNV, Rettungsdienst, usw.). Am Ende muss eine KI-basierte Lösung deshalb immer für den individuellen Einsatz angepasst werden. Allen Anwendungen gemein ist, dass eine KI in TETRA-Netzwerken niemals eigenständig Entscheidungen treffen darf. KI-basierte Ansätze sind am Ende ein mächtiges Ana- lysewerkzeug, das Netzplanern, Netzbetrei- bern und Mitarbeitern in der Leitstelle nur Hinweise auf Probleme und ggf. Vorschläge zumUmgang liefern darf. Die anschließende Reaktion auf das erkannte Problemunterliegt am Ende einem Menschen. Und so ist das Potenzial und der Nutzen fürTETRA-Netze enorm. Es wird sich zeigen, wo diese Reise hingeht. Unbestritten ist, dass KI-basierte Ansätze kommen und signifikant zur Leis- tungsfähigkeit des TETRA-Funkstandards beitragen werden. https://hmf-smart-solutions.de/ TETRA-Systeme sind oft jahrzehntelang im Einsatz, was zu Abnutzung und veränderten Abstrahlcharakteristiken führt. Mit neuronalen Netzwerken lassen sich schleichende Veränderungen erkennen (Foto: Ron Lach, Pexels)