📘 AI時代系列(4)：AI 驅動的電信網路規劃與設計 🌐
28/100 第三週：📌 核心網與數據承載
28. QoS 策略與資源分配 ⚖️ —— 確保不同應用得到合適的服務品質
________________________________________
🎯 單元導讀
在 5G 網路中，應用場景極為多樣：
• 看影片需要高頻寬；
• 遊戲需要低延遲；
• IoT 感測器只需低速率但要求穩定性。
要同時支撐這些需求，必須透過 QoS（Quality of Service）策略與資源分配，確保不同應用得到合適的服務。這是 SMF/UPF + RAN 資源管理 的重要工作。
________________________________________
🧠 一、QoS 的核心概念
• QoS 參數：
o 延遲（Latency）：資料傳輸的時間。
o 頻寬（Throughput）：可用的傳輸容量。
o 抖動（Jitter）：延遲波動大小。
o 可靠性（Reliability）：資料傳輸的穩定程度。
• 目的：不同應用有不同需求，網路必須「差異化對待」。
________________________________________
🧠 二、4G vs 5G 的 QoS 管理
• 4G EPC：以 承載（Bearer） 為單位分配 QoS。
• 5G 5GC：以 QoS Flow 為單位，更細緻、可動態調整，支援網路切片。
________________________________________
🔁 三、ASCII QoS 分配示意
📡 傳統單一服務模式
[所有應用]
│
▼
┌───────────────┐
│ 單一網路資源 │ ← 沒有區分不同需求
└───────────────┘
│
▼
[使用者體驗落差大]
👉 特點：所有流量共用相同資源，影音、遊戲、IoT 混在一起，容易互相干擾。
________________________________________
🚀 5G QoS 策略化分配
[影片流量] ──────────► [ eMBB 切片 ] → 高頻寬
[遊戲流量] ──────────► [ URLLC 切片 ] → 低延遲
[IoT 感測器] ───────► [ mMTC 切片 ] → 高連線數 / 低頻寬
👉 特點：
• eMBB（增強型行動寬頻）：確保影片/串流不卡頓。
• URLLC（超高可靠低延遲）：保證遊戲、自駕車等毫秒級反應。
• mMTC（大規模物聯網）：支援大量 IoT 設備低功耗傳輸。
________________________________________
🧪 四、應用場景
1. 影音串流（eMBB）
o QoS：高頻寬，中等延遲即可。
o 策略：分配較大資源池，確保流暢。
2. 雲端遊戲 / 自駕車（URLLC）
o QoS：毫秒級延遲，高可靠度。
o 策略：優先級最高，資源專用，避免擁塞。
3. IoT 大規模裝置（mMTC）
o QoS：低速率、大連線數。
o 策略：小頻寬切片，省電穩定。
________________________________________
⚙️ 五、AI 在 QoS 與資源分配的角色
• 動態流量分析：AI 實時監測流量類型，調整 QoS Flow。
• 預測性資源分配：AI 預測高峰期（如演唱會、比賽），提前分配資源。
• 異常檢測：AI 偵測 QoS 下降（如遊戲延遲升高），即時調整。
• 自動化 SLA 管理：AI 確保不同用戶 / 企業專網的服務等級協議符合需求。
________________________________________
💭 六、問題與思考
1. 為什麼 IoT 感測器不需要高頻寬，但卻需要 QoS 管理？
• 低頻寬需求：多數 IoT 感測器只傳輸少量資料（例如溫度、濕度、定位訊號），不需要像影音串流那樣的大頻寬。
• QoS 重要性：雖然資料量小，但很多 IoT 應用（智慧電網、醫療監測、工業控制）要求 即時性與可靠性。
👉 結論：IoT 感測器重點在「資料必須準時送達」，因此比起高頻寬，更需要嚴格的 QoS 管理。
________________________________________
2. 如果沒有 QoS 策略，當 eMBB 流量暴增時會發生什麼？
• 資源被搶佔：eMBB（例如 4K 影片、AR/VR）會大量佔用頻寬。
• 關鍵服務受影響：IoT、語音、緊急通訊可能延遲或掉線，造成嚴重後果（如醫療裝置失效）。
👉 結論：沒有 QoS，網路會陷入「高流量應用霸佔資源、關鍵業務無法保證」的狀態。
________________________________________
3. AI 在 QoS 管理中，如何避免「過度分配」造成浪費？
• 動態調度：AI 可即時監測流量需求，按需分配資源，而不是固定劃撥。
• 流量預測：透過歷史數據與行為模式，AI 能預測高峰，提前但精準地調整 QoS 配額。
• 自我學習：AI 會修正「預留過多資源卻閒置」的情況，找到最佳平衡點。
👉 結論：AI 讓 QoS 管理「精準化」，避免過度保留導致資源閒置，又能確保關鍵應用不中斷。
________________________________________
✅ 七、小結與啟示
• QoS 策略：不同應用需要差異化服務，不能一視同仁。
• 4G → 5G 演進：從 Bearer 轉向 QoS Flow，更細緻、更智慧。
• AI 加持：實現動態調度、異常檢測、預測性分配。
• 就像餐廳對待客人：有人需要快速出餐（遊戲）、有人需要大份量（影音）、有人只要一杯水（IoT）。QoS 策略確保每個客人都得到合適的服務。
