بهبود به اشتراکگذاری شبکههای ارتباطی 5G با یادگیری ماشینی
به گزارش کارگروه فناوری اطلاعات سایبربان؛ پژوهشگران موسسه ملی فناوری و استاندارد آمریکا (NIST) به تازگی یک فرمول و الگوریتم ریاضی توسعه دادهاند. این الگوریتم به بستر 5G و دیگر شبکههای بیسیم کمک میکند تا فرکانسهای ارتباطی در حدود 5 هزار مرتبه کارآمدتر به اشتراک گذاشته شوند.
الگوریتم جدید نوعی فناوری یادگیری ماشینی است که بر اساس تجربیان قبلی خود در یک محیط خاص شبکه، محدوده فرکانسی بیسیم مورد نظر را انتخاب میکند. این الگوریتم را میتوان در انواع بسیاری از شبکههای واقعی در نرمافزار فرستندهها به کار گرفت.
الگوریتم یاد شده روشی برای پاسخ به افزایش تقاضای روزافزون سیستمهای بیسیم مانند 5G از طریق تقسیم دامنههای فرکانسی مختلف است. برای نمونه میتوان به شبکههای وای فای اشاره که از پهناهای باند بدون مجوز بهره میگیرند. تحقیقات محققان روی سناریویی متمرکز است که بسترهای وای فای و برجهای سلولی را در برمیگیرند. یکی از مشکلات این سناریو این است که برجهای سلولی از روشی به نام « License Assisted Access » استفاده کرده و هر دو طیف فرکانسی با مجوز و بدون مجوز را به منظور افزایش سرعت انتقال دادهها در اختیار کاربر قرار میدهند.
جیسون کدر (Jason Code)، یکی از مهندسان موسسه ملی فناوری و استاندارد آمریکا گفت:
الگوریتم یاد شده با استفاده از یادگیری ماشینی در رابطه با طیف فرکانسی مورد نیاز تصمیمگیری میکند. این ویژگی میتواند به برقراری ارتباط در باندهای فرکانسی بدون مجوز را کارآمدتر کند.
الگوریتم مذکور به فرستندهها امکان میدهد تا به سرعت بهترین زیر کانالها را انتخاب کند تا عملکردی موفقیتآمیز را به صورت همزمان در شبکههای LAA و وای فای به وجود آورد. در این روش فرستندهها یاد میگیرند بدون برقراری ارتباط با یکدیگر، حجم دادههای موجود در شبکهها را به حداکثر برسانند. تحقیقات یاد شده با مطالعات گذشته در زمینه برقراری ارتباطات با یادگیری ماشینی و تقسیمبندی شبکهها به لایههای فیزیکی مختلف میان فرستنده و گیرنده متفاوت است.
الگوریتم یاد شده یک «کیو لرنینگ» (Q-learning) است. به این معنی که از شرایط محیطی مانند شبکهها، تعداد فرستنده و کانالهای موجود نقشهبرداری کرده و سعی میکند با به حداکثر رساندن پارامتری به نام Q بیشترین بازدهی را دریافت کند. این الگوریتم به واسطه تعامل با محیطی و انجام کارهای مختلف آموزش میبیند که کدام کانالهای بهترین نتیجه را ارائه میدهند. همچنین هر فرستنده یاد میگیرند که کانالی را برگزیند که بیشترین نرخ داده را با توجه به شرایط تعیین شده ارائه میدهد.
اگر هر دو شبکه مبدأ و مقصد به درستی کانال ارتباطی را انتخاب کنند، بازده کلی در ترکیب هر دو بستر بهبود خواهد یافت. این روش نرخ ارسال و دریافت دادهها را تقویت میکند. به ویژه اگر فرستنده کانالی را انتخاب کند که اشغال نشده باشد، نرخ انتقال موفقیتآمیز داده بالاتر رفته و سرعت نیز افزایش مییابد. به علاوه اگر کانال به گونهای انتخاب گردد که تداخل به حداقل میزان ممکن برسد، سیگنال قویتری به دست میآید که در نهایت پهنای باند را نیز افزایش خواهد داد.
پژوهشگران توضیح دادن برای شناسایی بهترین کانال ارتباطی در شبیهسازهای فعلی باید حدود 45600 آزمایش انجام شود؛ اما به کمک الگوریتم آنها تنها با 10 آزمایش میتوان به بهترین پاسخ دست یافت. یعنی تنها به 0.02 درصد از توان گذشته نیاز پیدا میشود.
محققان شرح دادند از الگوریتم آنها میتوان برای توسعه نقاط دسترسی وای فای داخل ساختمانها و انجام عملیات در باندهای بدون مجوز بهره گرفت. با وجود این محققان سعی دارند روش خود را بهگونهای بهینهسازی کنند که امکان بهکارگیری آن در محیطهای بیرونی نیز به وجود آید.
