Come farà il 7G a viaggiare su più strade contemporaneamente?

Il 7G è la prossima generazione di rete mobile, pronta a unire satelliti, dirigibili e stazioni a terra. Immagina di poter inviare un video dal tuo smartphone a un amico dall’altra parte del mondo, usando non una ma tante strade diverse allo stesso tempo. Questo è il concetto di "multi‑path transmission": più percorsi simultanei aumentano la velocità e la sicurezza dei dati.

Le tecnologie tradizionali, come MPTCP o MPQUIC, faticano a gestire le nuove esigenze del 7G, dove la latenza deve essere ultra‑bassa e la scelta del percorso deve essere intelligente. Qui entra in gioco l'Information‑Centric Network (ICN), una rete che pensa ai contenuti, non solo agli indirizzi. L'ICN è molto mobile e usa la banda in modo efficiente, perfetto per un ambiente così vario.

Il progetto AIICN combina l'ICN con l'intelligenza artificiale per decidere in tempo reale quale percorso è il migliore. Gli esperti hanno modellato il problema con una programmazione lineare intera mista, risolvendo i conflitti tra i percorsi. I test mostrano che AIICN aumenta il throughput di circa il 21% rispetto ai metodi tradizionali, mantenendo bassa la complessità e convergendo rapidamente.

In pratica, il 7G potrà offrire streaming ultra‑fluido, giochi online senza lag e connessioni affidabili anche in zone remote, grazie a questa nuova strategia di trasmissione multi‑path basata su ICN e AI.

Il modello AIICN è stato formulato come un problema di programmazione lineare intera mista (MILP). In questa formulazione, le variabili binarie rappresentano l’attivazione o meno di un determinato percorso tra nodo sorgente e destinazione, mentre le variabili continue descrivono la quantità di flusso dati assegnata a ciascun percorso. L’obiettivo è massimizzare il throughput totale, soggetto a vincoli di capacità di banda, latenza massima ammissibile e compatibilità dei protocolli.

Le limitazioni di MPTCP e MPQUIC derivano dal loro design basato su connessioni end‑to‑end tradizionali, che non considerano la natura dinamica dei nodi 7G, come i satelliti in orbita o i dirigibili in movimento. Queste tecnologie richiedono negoziazioni di handshake complesse e mantengono stati di connessione che aumentano la latenza.

L'ICN, invece, utilizza un modello di naming dei contenuti (Content‑Name) che permette di indirizzare i dati indipendentemente dalla posizione fisica del nodo. Questo facilita la mobilità e la replica dei contenuti lungo più percorsi. L'intelligenza artificiale è impiegata per predire la qualità dei percorsi in tempo reale, sfruttando metriche di rete come jitter, perdita di pacchetti e variazioni di throughput. Un algoritmo di reinforcement learning (RL) valuta le ricompense associate a ciascuna decisione di routing, aggiornando la politica di selezione dei percorsi.

Durante la fase di simulazione, sono stati creati scenari con 100 nodi distribuiti su tre livelli: satelliti LEO, dirigibili a bassa quota e stazioni base terrestri. Il modello MILP è stato risolto con un solver commerciale (Gurobi) e confrontato con soluzioni euristiche basate su MPTCP. I risultati mostrano una convergenza in meno di 50 iterazioni, con un miglioramento medio del 21% nel throughput e una riduzione del 15% nella latenza rispetto ai metodi tradizionali. L'analisi della complessità computazionale indica che, grazie all'uso di tecniche di decomposizione Benders, il tempo di calcolo rimane accettabile anche per reti di grandi dimensioni.

In sintesi, AIICN combina la flessibilità dell'ICN con la capacità predittiva dell'AI, risolvendo il problema di routing multi‑path in ambienti 7G altamente dinamici, garantendo al contempo efficienza di banda e bassa latenza.