Σύμφωνα με την Gartner , μέχρι το 2020 αναμένονται περίπου 21 δις. IoT διασυνδεμένες συσκευές σε λειτουργία,
κάτι που θα έχει σαν άμεσο αποτέλεσμα την αύξηση της κίνησης που θα κληθούν να καλύψουν οι πάροχοι κινητών δικτύων (mobile network operators - MNO).
H βιομηχανία ήδη αναπτύσσει την 5η Γενιά Κινητών Επικοινωνιών (5G), έτσι ώστε να μπορέσει να αντιμετωπίσει την αναμενόμενη αυτή ζήτηση. Τα δίκτυα επεκτείνονται
δίνοντας μέγιστη σημασία στην ανάπτυξη του ραδιοδικτύου τους για την παροχή ραδιοκάλυψης και χωρητικότητας στους συνδρομητές τους και μικρότερη σημασία στην βελτιστοποίηση
της λειτουργίας τους. Επιπλέον, οι τεχνολογίες της πληροφορικής και τηλεπικοινωνιών είναι υπεύθυνες για πάνω από το 10% της
παγκόσμιας κατανάλωσης ενέργειας, με το 60%-80% αυτής να καταναλώνεται στους σταθμούς βάσης.
Οι MNO καλούνται να μειώσουν την ενεργειακή κατανάλωση αφενός για να μειώσουν τα λειτουργικά τους κόστη και να παραμείνουν ανταγωνιστικοί, και αφετέρου για να είναι συμβατοί
και σύννομοι με ρυθμιστικές αρχές που δημιουργήθηκαν για την μείωση του ενεργειακού αποτυπώματος σε εκπομπές CO2, όπως τα 3GP και ITU .
Η ίδια η λειτουργία του δικτύου παράγει μεγάλο όγκο δεδομένων σε μεγάλη ταχύτητα. Δεδομένα τηλεμετρίας που παράγονται από ενεργειακές συσκευές των σταθμών, εάν συγκεντρωθούν, αναλυθούν και συνδυαστούν κατάλληλα (πιθανά και με εξωτερικές πηγές δεδομένων) μπορούν να αξιοποιηθούν στην βελτιστοποίηση της λειτουργίας του δικτύου. Για να γίνει η σωστή αξιοποίηση τέτοιου είδους δεδομένων παραδοσιακές τεχνικές διαχείρισης και ανάλυσης δεδομένων που βασίζονται σε κεντρικοποιημένες λύσεις δεν μπορούν να χρησιμοποιηθούν, καθώς δεν μπορούν να κλιμακωθούν για να ανταπεξέλθουν στον όγκο και την ταχύτητα των παραγόμενων δεδομένων και στην απαιτούμενη υπολογιστική ταχύτητα για διαχείριση του δικτύου σε πραγματικό χρόνο. Επιπλέον είναι αναγκαία η ελαστική ανταπόκριση σε αυξανόμενο φορτίο που δημιουργείται για παράδειγμα από την προσθήκη επιπλέον σταθμών βάσεων ή από την αύξηση των συνδρομητών, με την απλή προσθήκη επιπλέον υπολογιστικών μονάδων. Οι MNO έχουν αρχίσει να αναγνωρίζουν τα οφέλη των τεχνολογιών αυτών και να τις εξετάζουν σε πιλοτικά συστήματα : μέχρι το 2021 οι τηλεπικοινωνιακοί πάροχοι αναμένεται να επενδύσουν πάνω από 7δις για υπολογιστική υποδομή για επιχειρησιακή χρήση .
Στόχος 1: Βελτιστοποίηση της ενεργειακής κατανάλωσης των Σταθμών Βάσης με παράλληλη διατήρηση της ποιότητας υπηρεσίας: Ένας προσομοιωτής της λειτουργίας του δικτύου με χρήση δεδομένων κίνησης από έναν ελληνικό MNO θα αναπτυχθεί για τον σκοπό αυτό.
Τρόπος αξιολόγησης: Αποτίμηση της απόδοσης των τεχνικών κάτω από διάφορα σενάρια τόσο σε επίπεδο προσομοίωσης όσο και σε μια πιλοτική εγκατάσταση (field trial) σε πραγματικούς σταθμούς βάσης.
Στόχος 2: Κλιμακώσιμες τεχνικές διαχείρισης μεγάλου όγκου δεδομένων: Σχεδιασμός, υλοποίηση και εφαρμογή αλγορίθμων (μηχανική μάθηση, αναλυτική επεξεργασία, κλπ.), τεχνολογιών και συστημάτων διαχείρισης μεγάλου όγκου δεδομένων πάνω από υπολογιστικά νέφη σαν προγνωστικό και εποπτικό εργαλείο για την ενεργειακή κατανάλωση των σταθμών βάσης.
Τρόπος αξιολόγησης: Αποτίμηση της κλιμακωσιμότητας με την δημιουργία φορτίου κίνησης από δεδομένα χρήσης μέσα από τον προσομοιωτή. Μελέτη επίδοσης κατανεμημένων αλγορίθμων μηχανικής μάθησης με την χρήση των ιστορικών δεδομένων συλλεγμένων από πραγματικά στοιχεία χρήσης και από προσομοιωμένα στοιχεία κίνησης.
Στόχος 3: Δημιουργία Ολοκληρωμένου Συστήματος Συλλογής, Οπτικοποίησης και Διαχείρισης:
Τρόπος αξιολόγησης: Υλοποίηση πληροφοριακού συστήματος που θα συγκεντρώνει τα δεδομένα από τους σταθμούς βάσης και θα επιτρέπει στον χρήστη να οπτικοποιεί σε πραγματικό χρόνο τις πληροφορίες που συλλέγονται από τους σταθμούς, τις πληροφορίες που εξάγονται από την εκτέλεση των αλγορίθμων μηχανικής μάθησης καθώς και να ρυθμίζει τις πολιτικές μείωσης της ενέργειας που θέλει να εφαρμόσει.