Kuratiert, nicht gesammelt CSPs brauchen intelligente Daten – und nicht einfach mehr davon

Anbieter zum Thema

Netscout Systems Germany GmbH

cidaas by Widas ID GmbH

FAST LTA GmbH

FTAPI Software GmbH

Neun Petabyte Rohdaten täglich machen ein 5G-Netz nicht automatisch intelligenter. Warum Kommunikationsdienstleister Daten schon bei der Erfassung strukturieren müssen, damit KI tatsächlich Störungen vor­hersagen kann.

Der größte Wettbewerbsvorteil von Kommunikationsdienstleistern (Communication Service Provider, CSPs) sind Daten. Erfahrungen aus der Praxis und Gespräche mit Kunden zeigen: Ein 5G-Standalone-Netzwerk mit zehn Millionen Teilnehmern erzeugt täglich rund neun Petabyte an Rohdaten aus der User Plane, was nahezu einer Million Transaktionen pro Sekunde entspricht. Dieser Strom, der gleichermaßen aus Mobilfunk-, Festnetz- und LEO-Netzwerken fließt, ist das Rohmaterial, auf dem Artificial Intelligence for IT Operations (AIOps) laufen sollte.

Doch das Sammeln der Daten war nie die Herausforderung. Sie in etwas zu verwandeln, mit dem ein KI-Modell arbeiten kann, um bessere Geschäftsergebnisse zu erzielen, ist es. Insbesondere hier scheitern die meisten KI-Strategien von CSPs still und leise. Wer Rohdaten direkt in ein Modell einspeist, gewinnt keine Erkenntnisse. Stattdessen entstehen ineffiziente Prozesse, ausufernde Rechenkosten, steigende Token-Kosten und ein Modell, das aufgrund fehlenden Kontexts halluziniert. Der Weg zu echter Netzwerkautomatisierung ist nicht abhängig von mehr Daten. Er führt über kuratierte, intelligente Daten, die bereits im Moment der Erfassung mit Kontext angereichert und nicht erst nachträglich aufgesetzt werden.

Weshalb vertrauenswürdige Betriebsdaten entscheidend sind

Fehlender Kontext – das unterschätzte Cyberrisiko

Das Problem der Rohdaten: Umfang vs. Signal

Rohdaten aus 3GPP-Paketen sind schlicht nicht für die direkte Verarbeitung durch KI geeignet. Das schiere Volumen überfordert das Modell, und die wirklich relevanten Warnmeldungen gehen in einer Flut irrelevanter Ereignisse unter. Reaktionszeiten verlängern sich und die Auswirkungen auf Teilnehmer steigen. Das Modell verarbeitet zwar, aber es verarbeitet Rauschen.

IDC schätzt, dass 78 Prozent der gespeicherten Daten unstrukturiert sind – ohne vordefiniertes Format oder Schema, mit dem eine Engine sofort etwas anfangen kann. Speist man das direkt in eine AIOps-Engine ein, verbrauchen Plattformen bis zur Hälfte ihrer Rechenleistung allein für die Datenaufbereitung, bevor überhaupt eine Analyse beginnt. Die Folgekosten dieser schlechten Datenqualität sind überraschend hoch: Im Durchschnitt betragen sie über 11 Millionen Euro pro Jahr und Unternehmen. Das ist kein KI-Problem, sondern ein Datenproblem im KI-Kostüm.

Business Continuity für Unternehmensnetze

Mit AIOps und Observability die Netzwerkresilienz stärken

Was Datenkuratierung tatsächlich bedeutet

Kuratierung ist kein Filtern und kein Komprimieren. Es ist die Aufgabe, rohen Datenverkehr auf Paketebene in strukturierte, kontextreiche Informationen zu verwandeln, die ein KI-System effizient auswerten kann. Dies beginnt damit, jeden Teilnehmer über den gesamten Lebenszyklus seiner Sitzung hinweg zu verfolgen.

Zu den erfassten Daten gehören Standort, Zeitpunkt, Sitzungsverlauf, Netzwerkdomäne (RAN, Kernnetz, Transport) sowie die relevanten KPIs. All das wird miteinander korreliert, damit die Plattform normales von abnormalem Verhalten zuverlässig unterscheiden kann, statt zu raten.

Was diese Anreicherung erzeugt, ist eine Ontologie: eine strukturierte Abbildung der Netzwerkrealität, die dem Modell das Situationsbewusstsein vermittelt, das ihm sonst fehlt. Entscheidend ist dabei das Wo, nämlich die Kuratierung direkt an der Quelle mittels Deep Packet Inspection. So entsteht ein kompakter, hochpräziser Datensatz, ohne dass Rohdaten je in einem Data Lake landen und später aufwendig sortiert werden müssen.

Übergibt man das an eine AIOps-Plattform, erkennt sie nicht mehr nur das Offensichtliche – wie eine Netzwerküberlastung im Stadion am Spielabend – sondern prognostiziert Latenzspitzen und Durchsatzverluste, bevor Teilnehmer sie spüren. Mehr noch: Sie kann die passende Gegenmaßnahme ableiten, beispielsweise das horizontale Skalieren von 5G-SA-User-Plane-Function-Instanzen zur Aufnahme der Lastspitze. Zudem kann sie diese Maßnahme automatisiert auslösen, was die Leistung ganz ohne manuellen Eingriff verbessert.

Die zentrale Erkenntnis lautet: Ein KI-Modell muss nicht alles sehen. Entscheidend ist, in welchem Kontext es dies versteht.

Ipoque – State of Open-Source DPI Report 2024

DPI-Lösungen 2024: Open-Source vs. Kommerziell

MCP: Die Integrationsschicht für Netzwerk-KI

Hat man die Daten kuratiert, ist die halbe Arbeit getan. Die andere Hälfte besteht darin, sie KI-Agenten konsistent, skalierbar und wartungsfreundlich bereitzustellen. Genau diese Lücke schließt das Model Context Protocol (MCP).

Innerhalb einer Mobilfunknetzarchitektur fungiert ein MCP-Server als strukturiertes Gateway zwischen der Kuratierungsschicht und den KI-Agenten, die auf große Sprachmodelle zugreifen, um den Netzwerkstatus zu analysieren. Anstatt dass jede KI-Anwendung eigene Konnektoren zu proprietären Datenspeichern entwickeln muss, gibt MCP allen kompatiblen Agenten eine standardisierte Schnittstelle. Integrationskosten sinken, die Zuverlässigkeit steigt und Betreiber können kuratierte Intelligenz kontrolliert sowie mit geringer Latenz für Drittanbieteranwendungen bereitstellen.

Kommentar von Mathias Widler, Netskope

Agentic AI – warum Netzwerksicherheit neu gedacht werden muss

Drei Bereiche, in denen kuratierte Daten den Unterschied machen

Kuratierte Daten, über MCP bereitgestellt, bringen einen CSP vom reaktiven Management zur proaktiven Intelligenz. Störungen werden behoben, bevor Teilnehmer überhaupt etwas bemerken. Drei Anwendungsfälle machen das greifbar:

• Vorausschauende Wartung: Wer wartet, bis Hardware ausfällt, zahlt gleich dreifach, für Notfallreparaturen, Ausfallzeiten und Teilnehmerabwanderung. Kuratierte Daten machen die Mikromuster sichtbar, die einem Ausfall vorausgehen, darunter ungewöhnliche Zustandsübergänge, Registrierungsfehler, Verkehrsverschlechterungen oder Abweichungen bei der Dienstqualität. Mit diesem Kontext kann ein KI-Agent das Frühwarnsignal erkennen und die passende Maßnahme empfehlen. Dazu zählt etwa das rechtzeitige Skalieren von 5G-SA-UPFs vor einem erwarteten Traffic-Anstieg. So wird aus dem Betrieb ein wirklich vorausschauendes Modell statt eines reaktiven.

• Kapazitätsplanung: Präzise Prognosen brauchen eine korrelierte Sicht auf historische Signalisierungstrends und Verkehrsvolumina, differenziert nach Markt, Zeitfenster und Ereignistyp. Genau das liefern kuratierte Datensätze. AIOps-Modelle können dann vorhersagen, wann und wo Ressourcen knapp werden, sodass Betreiber Infrastruktur gezielt skalieren, die Leistung optimieren und Investitionsausgaben exakt an die erwartete Nachfrage anpassen, anstatt vorsorglich überzudimensionieren.

• Smart Banking und Drittanbieteranwendungen: Mobile-Banking-Apps, die internationale Echtzeitüberweisungen unterstützen, müssen bei jeder Transaktion Standort und Sitzungsintegrität des Teilnehmers überprüfen. Die alten Ansätze über direkte Abfragen des Home Location Register oder die Verarbeitung von Anrufdetailaufzeichnungen lieferten das nicht in Echtzeit. Die Datenbanken erstickten am Abfragevolumen, während rohe Paketströme der Anwendung nur zusätzliche Last aufbürdeten. Die Lösung war eine Kuratierungsschicht, bereitgestellt über einen MCP-Server. Der Banking-KI-Agent rief den Sitzungsstatus eines Teilnehmers (Standort, Sitzungskontinuität, Netzwerkdomäne) über eine latenzarme MCP-Schnittstelle ab und erhielt ausschließlich das, was tatsächlich benötigt wurde: strukturiert und abfragbar. Das Ergebnis sind Transaktionsverarbeitungen auf Sekundenniveau, eine deutlich bessere Benutzererfahrung und minimaler Verwaltungsaufwand.

Diese Architektur liefert kontinuierlich Mehrwert für Digitale Zwillinge, energieeffizienten Netzwerkbetrieb, dynamisches Slice-Management, Closed-Loop-Automatisierung sowie Sicherheits- und Betrugserkennung. Sie schafft die Grundlage für agentenbasierte KI, bei der kuratierte Datenpipelines bereitstehen, um jeden Agenten zu bedienen, der sie braucht. Die Konstante über all dem bleibt dieselbe: die Qualität kontextualisierter, beziehungsorientierter Daten und nicht die schiere Menge an Rohdaten.

Der Weg zu einem KI-gesteuerten Mobilfunknetzbetrieb ist nicht mit immer größeren Datenmengen gepflastert, sondern mit einem besseren Verständnis der Daten, die man ohnehin schon hat. Kuratierung, Korrelation und kontextuelle Anreicherung sind keine optionalen Vorverarbeitungsschritte, sondern das Fundament, auf dem jede funktionierende KI-Strategie steht. MCP ergänzt dieses Fundament um die standardisierte Schnittstelle, die kuratierte Intelligenz mit KI-Agenten in Service Assurance, Sicherheit und Drittanbieteranwendungen verbindet.

Für CSPs ist die Konsequenz unmissverständlich: Die Datenflut muss transformiert werden, bevor sie das intelligente Netzwerk antreiben kann. Überspringt man diesen Schritt, bleibt KI ein kostspieliges Szenario aus verschwendeter Rechenleistung und unpräzisen Modellen.

Am Ende geht es im Mobilfunknetz nicht darum, wie viele Daten man sammeln kann. Es geht darum, wie gut die KI sie tatsächlich verstehen und nutzen kann, um bessere Geschäftsergebnisse zu erzielen.

Über den Autor: Jürgen Morgenstern ist Sales Engineering Manager DACH bei NETSCOUT.

Sicherheit von 5G-Netzwerken

So hängen 5G, KI und DDoS-Angriffe zusammen

(ID:50993279)