Vernetzte Intelligenz

Ziel ist es, 6G Systeme zur Infrastruktur einer neuen Generation mobiler, intelligenter und kontextsensitiver Dienste zu machen, die mit hoher Vertrauenswürdigkeit und Performanz überall verfügbar sind und auf netzseitige (z.B. JC&S) wie netzexterne Kontextquellen wie Sensoren zurückgreifen können. Zusätzlich sollen die Netze selbst intelligenter und damit effizienter und Ressourcen-schonender werden, was einen hohen Grad an automatisierter Nutzung von KI erfordert. Betrachtet werden auch die benötigten zusätzlichen Ressourcen im Netz, um netzseitige oder Dienste Dritter effizient ausführen zu können (optimierte HW Ressourcen für KI, Computing Ressourcen für Communication-Control Codesign, …). Methodische Aspekte wie Modellierung und Datensynthese werden ebenfalls betrachtet.

Ziele des APs sind die Entwicklung eines Gesamtkonzepts für die Vernetzung, Verarbeitung und Bereitstellung von Location-/Sensing- und anderer netzseitiger Kontextinformation in 6G mit offenen APIs für Dritte, die Entwicklung eines Gesamtkonzepts für die optimierte Zurverfügungstellung / Instanziierung von KI-Funktionen (Sensor, Datenfilterung und -fusion, Rating, Learning, Interferenz, …) für interne und externe Dienste unter Berücksichtigung spezifischer HW-Ressourcen im Netz, Netzeigenschaften und der Ressourcen- und Energieeffizienz sowie Performanz, Integration von Funktionalitäten zur Unterstützung besonderer Anforderungen an Datenzugriffsrechte in KI basierten Mehrparteien-Ecosystemen (Federated Learning, Transfer Learning, …) an Rechte an Daten offener Ecosysteme mit unabhängigen Parteien und die Entwicklung eines Konzepts zur Unterstützung von Beweisbarkeit und Vertrauenswürdigkeit von Informationen und Kontextquellen (Distributed Ledger Technologien im Netz, Trust-Modules als Ressource, …).

Ziele im Projekt

  • Vernetzung von Funktionalitäten
    • Verfügbarkeitsmachung von Daten
    • Modellierung und Datensynthese mit Daten aus allen verknüpften Arbeitspaketen
  • Kontextmanagement in 6G Netzen
    • Beweisbarkeit und Vertrauenswürdigkeit von Daten und Kontextquellen mit Trustankern und Blockchain
    • Flexibilität & Erweiterbarkeit von 6G Campusnetzen
    • Performanz-Monitoring von netzinternen Kontextmanagement
  • KI Management
    • Management von KI Funktionen
    • Ressourcenabhängige Optimierung
  • Verteilte KI
    • Mehrparteien-KI-Konzepte inkl. Rechtemanagement
    • Federated Learning, Transfer Learning

Rolle im Projekt

  • Definition von Verfahren und Algorithmen, die die Weiterverarbeitung durch KI-Verfahren ermöglicht​
  • Zentrale Schnittstelle, um die Daten von RAN, Core und Security/Resilienz zueinander in Relation zu setzen​
  • Wird durch die Architektur ins Gesamtsystem integriert und in einer Spezialform auch für Campusnetze verwendet​

Bisherige Ergebnisse und Erfolge

  • Entwicklung einer allgemeinen Service-orientierten Kommunikations-Plattform inklusive Kontext-Management System
  • Design einer Abstraktions-Schicht, um besagte Kommunikations-Plattform zum Aufbau Organischer Infrastrukturen zu verwenden

Veröffentlichungen:

  • Paul Zheng, Yao Zhu, Yulin Hu, Zhengming Zhang, Anke Schmeink, Federated Learning in Heterogeneous Networks with Unreliable Communication, IEEE Globecom Workshops (GC Wkshps): 2nd Workshop on Edge Learning over 5G Mobile Networks and Beyond, Dec. 2021.

Technik und Ressourcen

  • NVIDIA DGX A100 (exklusive Nutzung)
  • ML/KI High Performance Rechenzentrum (7 weitere NVIDIA DGX A100 als Cluster)

Kontakte

Dennis Krummacker

Leitung

Anke Schmeink 

Stellvertreterin

Prof. Norbert Wehn

Fachexperte