GSM-gründer vil gjøre wifi raskere med maskinlæring

– Allerede i dag sørger vår programvare for at wifi-nettene blir mye raskere. Det er uten maskinlæring. Når vi tar i bruk maskinlæring skal vi sørge for å demonstrere noe som gjør at operatører og produsenter blir skikkelig imponert, noe de ikke har sett før og som vil bli opplevd som en skikkelig forbedring av wifi-nettene, sier Torleiv Maseng.

For folk som har vært en stund i telebransjen er 76 år gamle Torleiv Maseng et kjent navn. Han bidro til utviklingen av GSM (2G) og var første tekniske direktør i NetCom, som nå heter Telia.

Det er Simula og Universitetet i Oslo som i prosjektet DISCO, sammen med Maseng AS, skal utvikle teknologi som professor emeritus Torleiv Maseng har vært med og utviklet på Forsvarets forskningsinstitutt (FFI). Maseng AS, som kommersialiserer programvaren, skifter navn til Maseng Skjegstad AS etter at mangeårig samarbeidspartner Magnus Skjegstad blir med i selskapet.

Unngår interferens

Og hva handler så teknologien til selskapet Maseng AS om? Selskapet ble startet på Forsvarets forskningsinstitutt i 2015, før Maseng ble pensjonert, og har i flere år testet, patentert ideer og samarbeidet med miljøene på FFI, Simula og Universitetet i Oslo. Det hele hjulpet fram av studenter og doktorander.

Maseng forklarer at problemet med wifi er at det er få frekvenser som deles av mange brukere. Naboer forstyrrer hverandre. Interferens tar livet av kapasiteten, altså at de ulike wifi-enhetene prater i munnen på hverandre. Han kaller sitt system for «empatisk radio».

– Ett av våre mål er å sørge for at wi-fi-ruterne ikke prater i munnen på hverandre. Dette er et vanskelig matematisk problem som vi har funnet en lur, praktisk løsning på, sier Maseng.

Lokalt samarbeid mellom wifi-nett

Og løsningen er å få nettverkene til å samarbeide lokalt. Nettverkene oppdager hverandre, danner et cluster og samarbeider via bredbåndsforbindelsene – gjerne kalt backhaul på stammespråket. Et slikt cluster av nettverk kan være ei gate, ei boligblokk, eller et kvartal, der minst en av nettene forstyrrer et annet. Dette er en løsning som passer til byer, men ikke der husene er så langt fra hverandre at wifi-nettene ikke forstyrrer hverandre.

De 12 millioner kronene til DISCO-prosjektet skal brukes til å utvikle algoritmer for maskinlæring for wifi-systemer. Maskinlæring er det de fleste litt forenklet kaller «kunstig intelligens» for tiden.

Det er altså programvare som er produktet fra arbeidet som nå gjøres. Denne programvaren må inn på aksesspunkter/rutere for wifi, og Maseng forteller om stor interesse fra både bredbåndsoperatører og produsenter av selve wifi-ruterne.

Kortere vei for dataene

– Hittil har standardiseringen innen mobilteknologi fått mest oppmerksomhet, eksempelvis 5G. Siden wifi-nett bærer mer trafikk enn mobilsystemene, har Wi-Fi 6, 7 og 8 fått mye oppmerksomhet i det siste og lure ting har i skjedd i wifi-nettene, eksempelvis synkronisering av tidsluker mellom nabonett. Dette er lettere å gjøre i et cluster i vårt nett som benytter et lokalt backhaul, mens mobilsystemer har et sentralisert backhaul nett og mer forsinkelse.

For at wifi-ruterne skal kunne benytte systemet til å samarbeide om å velge best mulig kanaler mens trafikken endres, må alle våre nett ha vår programvare. Selv om ikke alle i et område har programvaren, vil likevel systemet gi merkbare forbedringer av ytelsen etter hvert som flere benytter det.

Nettene finner hverandre, rapporterer til hverandre, måler interferens og tildeler kanaler basert på nabo-rapporter som genereres og spres hele tiden.

Vil bygge referansesystem

Det som mangler før Maseng Skjegstad AS kan kommersialisere teknologien, er å demonstrere sin teknologi ved å bygge et referansesystem der de tar i bruk maskinlæring og sammenligner resultatene med andre løsninger. Dette arbeidet vil skje i samarbeid med DISCO-prosjektet.

Maseng forteller at programvaren enkelt kan tilpasses de ulike operatørenes valg av ruterprodusent. For å forenkle dette benyttes container-teknologi. Han legger til at siden ytelsen til nettverkene er avhengig av naboene, oppnås den beste ytelsen kun hvis de styres i fellesskap. Systemet skal også gjøre det mulig å tilby forskjellige tjenesteklasser.