Інститут телекомунікацій, радіоелектроніки та електронної техніки
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/62308
Browse
1 results
Search Results
Item Дослідження методів управління мережами 5G з використанням засобів штучного інтелекту(Національний університет "Львівська політехніка", 2020) Осташевський, Андрій Іванович; Ostashevskyi, Andrii Ivanovych; Максимюк, Тарас Андрійович; Національний університет "Львівська політехніка"В результаті збільшення обсягів інформації, її циркуляції та нових амбіцій, пов'язаних з автоматизацією та покращенням різних життєвих сфер, таких як водіння, політ тощо, народилася проблема: як забезпечити якісний обмін інформацією, щоб позбутися затримок та перешкод? Отже, незважаючи на існуючу відносно молоду 4G-мережу мобільного зв'язку, народилося нове покоління мобільних мереж - 5G. Враховуючи той факт, що мережею користуватимуться не лише користувачі мобільних телефонів, а й багато інших сервісів, таких як розумні машини, смарт-камери тощо, навантаження на окремі базові станції 5G мережі у певний момент часу буде величезним, а якість та швидкість обміну інформацією прогнозовано низькою. В результаті ми отримуємо проблему розподілу ширини смуги частот, управління якою із використанням людських ресурсів є надто дорогим. Щоб позбутися або принаймні зменшити вплив цієї проблеми на якість послуг, ми пропонуємо аналіз та прогнозування навантаження на мережу за допомогою штучного інтелекту (ШІ) та машинного навчання (МН), а також обчислення ефективної ширини смуги частот на основі прогнозування ШІ. Логічним є питання: навіщо нам ШІ, якщо ми можемо аналізувати навантаження на комірки і вручну змінювати параметри? Відповідь проста: ШІ дозволяє проаналізувати навантаження для забезпечення автоматизованої зміни ширини смуги частот, вже передбачивши навантаження на комірки. Маючи прогнози навантаження, система повинна передавати прогнозовані параметри алгоритму розрахунку ширини смуги частот і змінювати параметри комірки. Останній по рахунку, але не по значенню аргумент: параметрами для кількох комірок можна керувати вручну, але як щодо сотень чи тисяч комірок? В роботі запропоновано модель машинного навчання для прогнозування навантаження на 5G комірки, алгоритм ефективного розрахунку смуги частот та демонстрацію зміни смуги частот стільникової мережі за допомогою користувальницького інтерфейсу, оскільки автоматизований процес працює в фоновому режимі та невидимий. У главі 2 наведено опис різних типів періодичних нейронних мереж, а також їх спільні та відмінні характеристики. Крім того, у розділі описуються принцип роботи LSTM та GRU моделей, їх переваги та недоліки. Це особливо важливий момент, оскільки на основі цієї інформації вбирається модель нейронної мережі (NN). Крім того, у цій главі пропонується математична модель алгоритму розрахунку ефективної смуги частот, яка використовує прогнозовані результати навантаження як параметри для розрахунку вищезазначеної ефективної ширини смуги частот. Алгоритм може бути реалізований на будь-якій мові програмування, але проблема полягає у великих наборах даних (сотнях та тисячах), що зменшує продуктивність алгоритму, оскільки складність алгоритму не є постійною, а O(?log?_n). Отже, найкращим рішенням буде Python, PHP, Perl тощо. У розділі 3 ми демонструємо навчання нейронної моделі та розрахунок прогнозу навантаження для п'яти клітин 5G протягом 24 годин. Дотримуючись найкращих практик ML, ми розділили набір даних на 80% та 20% відповідно. Результати прогнозу повторюють характеристики реальних даних, хоча і не повністю відповідають їм. Крім того, у цій главі представлено кожен крок обчислення ефективної ширини смуги частоти та представлено кожен із цих кроків відповідним графіком для всіх п’яти комірок. Результат розподілу смуги частот є дійсним і показує значення ширини смуги частот на часових інтервалах, коли навантаження комірки пікове, і мінімальне там, де навантаження низьке. Для спрощення розрахунку, графік швидкості, навантаження та частот, будуються для одного користувача, включаючи значення навантаження в кожну комірку, щоб показати, оптимальну ширину смуги частот для забезпечення якісного обслуговування. Висновком цієї глави є останні п'ять графічних зображень, на яких показано порівняння швидкості користувача без динамічного розподілу ширини смуги частот протягом дня, з параметрами швидкості які включають в себе динамічний розподіл ширини смуги частот. Це ще раз доводить, що динамічний розподіл ширини смуги частот покращує якість послуг, що надаються кінцевому користувачеві. У розділі 4 продемонстровано та порівняно загальні варіанти управління станцією 5G. Тут оглянуто концепції REST API та Event System, їх спільні та відмінні характеристики, а також переваги та недоліки. Для кожного варіанту управління, описано, як можна застосувати ту чи іншу концепцію до мережі 5G із супроводжуючими блок-схемами. В результаті було обрано підхід REST через специфічний зв’язок між ядром та модулями, та простоту впровадження. Для демонстрації управління мережею було обрано платформу ThingsBoard та Python REST аплікацію, яка здатна надсилати дані до інтерфейсу ThingsBoard. Це було зроблено, щоб показати, як буде виглядати автоматизація, якщо штучний інтелект з відповідною моделлю нейронної мережі та алгоритм розрахунку смуги частот буде застосовано до мережі 5G, оскільки автоматизований процес працює в фоновому режимі і є невидимим. Автоматизація повністю виключає втручання людини, окрім апаратного та програмного обслуговування.