مدیریت طیف 5G به کمک هوش مصنوعی

5G متشکل از حجم عظیمی از سلول‌‌‌های بسیار کوچک درکنار هم خواهد بود. تمرکز این سلول‌‌ها و فاصله کم آن‌ها سبب می‌شود که مدیریت طیف فرکانسی دشوار باشد. البته استفاده از تکنولوژی‌‌‌هایی مانند Multi-User-MIMO و فرکانس‌‌‌های کاری بالاتر به باریک‌تر‌شدن لُب‌‌‌های فرکانسی و تمرکز دقیق‌تر بر کاربران همزمان متصل به شبکه خواهد شد و میزان تداخل فرکانسی را به شدت کاهش خواهد داد. البته با همه این‌ها، برای شبکه‌ای که قرار است یک میلیون کاربر همزمان را در هر کیلومترمربع پوشش دهد، تمرکز صرف بر جانمایی آنتن‌ها و تخصیص استاتیک باند‌‌های فرکانسی برای بهبود کیفیت تجربه مشتریان کافی نخواهد بود. یکی از پیشنهاد‌ها کنترل پارامتر‌ها و المان‌‌‌های شبکه به‌ صورت انتها به انتها به منظور شناسایی مشکلات احتمالی در طول زنجیره ارائه سرویس به مشتری و تلاش برای بهبود آن‌ها به منظور بهبود کیفیت خدمات و تجربه مشتریان خواهد بود. با توجه به تغییر ترافیک ورودی کاربران در سلول‌‌‌های مختلف در بازه‌‌‌های زمانی مختلف، تخصیص استاتیک فرکانس به سلول‌‌ها منجر به استفاده غیربهینه از منابع موجود در بازه‌‌‌های زمانی مختلف خواهد شد. لذا تخصیص فرکانس دینامیک آگاه از ترافیک می‌تواند راهکار دیگری برای بهبود عملکرد شبکه سلولی باشد.

کلیدواژه: هوش مصنوعی، یادگیری ماشین، تخصیص دینامیک منابع فرکانسی

5G بعنوان موتور محرک توسعه فناوری‌‌‌های نوین و خودکارسازی فرآیند‌‌های صنعتی، توسعه چشم‌گیری در فرآیند‌‌های صنعتی خواهد داشت. با افزایش 100 برابری پهنای باند در دسترس مشتری، کاهش تاخیر انتشار از 200 میلی‌ثانیه به 1 میلی‌ثانیه و افزایش 100 برابری تعداد مشترکین متصل به شبکه در هر کیلومترمربع، به منظور ارایه کیفیت سرویس موردانتظار مشتری می‌بایست از مدل‌‌‌های سنتی کنترل دسترسی مشتریان و تخصیص باند‌‌های فرکانسی به سلول‌‌ها خارج شده و مدل‌‌‌های نوینی را با تمرکز بر یادگیری ماشین و هوش مصنوعی به کار گیریم. در مدل‌‌‌های سنتی تخصیص فرکانسی به صورت استاتیک به سلول‌‌ها انجام می‌‌شد که این امر باعث می‌شد که گاهی تعداد کاربران زیادی در یک سلول فرکانس کافی برای دریافت سرویس نداشته باشند و فرکانس‌‌‌های تخصیص یافته به سلول دیگری بدون وجود کاربر بلا‌استفاده بماند [1]. در چنین شرایطی تحلیل دینامیک ترافیک ورودی به شبکه در زمان‌‌‌‌های مختلف می‌تواند کمک کند تا با یادگیری ماشین، ترافیک درخواستی شبکه در زمان‌‌‌های مختلف را با تقریب خوبی تخمین زده و در زمانهایی که ترافیک ورودی در یک سلول بیش از سلول‌‌‌های مجاور آن باشد فرکانس‌‌‌های بیشتری به آن سلول خوشه تخصیص دهیم. این کار باید به صورت خودکار انجام شود و درعین حال سیستم باید به گونه‌ای برنامه‌ریزی شود که مجموع کیفیت سرویس ارایه شده به کل مشتریان ذیل آن خوشه و بعبارت دیگر QOE کلی در سرتاسر خوشه بهینه و بیشینه شود. تخصیص بهینه فرکانس و استفاده مشترک از منابع فرکانسی در دسترس هر خوشه سبب شده است که نسل بعدی شبکه 6G عملا ساختاری بدون سلول داشته باشد و چندین نقطه دسترسی قادر باشند به منظور تضمین کیفیت خدمات ارائه شده به کاربر به صورت همزمان به یک کاربر سرویس دهند [2].

مقدمه

هم‌زمان با تخصیص بهینه و دینامیک منابع فرکانسی در هر خوشه، تحلیل دقیق نویز و تداخل ورودی و شناسایی منابع مهاجم و مزاحم می‌تواند در بهبود کیفیت سرویس ارایه شده و تخصیص فرکانس نیز موثر باشد. در واقع تخصیص بهینه فرکانس نه تنها نیازمند تخصیص تعداد بیشتر فرکانس به سلول‌‌‌های با ترافیک بیشتر، بلکه مستلزم انتخاب فرکانس‌‌‌هایی با حداقل تداخل جهت اختصاص به سلول‌‌‌های مختلف است. در ادامه ابتدا بحث تخصیص دینامیک فرکانس را بررسی و سپس به معرفی محصولاتی که توسط شرکت DeepSig برای شناسایی موانع تحقق کیفیت سرویس و کیفیت تجربه مشتری به صورت انتها به انتها ممکن است وجود داشته باشند خواهیم پرداخت.

تخصیص دینامیک منابع فرکانسی

در یک ساختار ساده 5G با تخصیص ثابت منابع فرکانسی، منابع فرکانسی بر اساس حداکثر ترافیک پیش‌بینی شده در ساعات اوج ترافیک و با در نظر گرفتن توزیع منصفانه کلیه منابع در دسترس بین سلول‌‌‌های مختلف تخصیص می‌یابد. همان‌طور که در بالا نیز اشاره شد نتیجه این امر تخصیص بیش از حد منابع به برخی سلول‌‌ها در زمان توزیع نامتقارن ترافیک در شبکه و کمبود منابع فرکانسی در برخی سلول‌‌ها خواهد بود. در یک شبکه 5G با چگالی بالای کاربران متمرکز در یک منطقه، چنین مدلی برای تخصیص منابع در  دسترس شبکه غیرمنصفانه خواهد بود. بنابراین تخصیص طیف آگاه از دسترسی ، که طیف فرکانسی در آنتن‌های BS را با در نظر گرفتن میزان ترافیک ورودی در نقطه دسترسی خاص تخصیص می‌دهد، مشابه کاری که در [3] بیان شده، اجتناب‌ناپذیر خواهد بود. در [3] تخصیص طیف فرکانسی آگاه از دسترسی به یک شبکه ناهمگون دوطبقه که در آن MB‌‌ها و SC ‌ها بصورت همزمان حضور دارند صورت گرفته است  که در SC‌ها به واسطه لینک‌‌‌های بی‌سیم به MB‌ها متصل شد‌ه‌اند. در چنین ساختار شبکه پیچید‌‌ه‌ای سه نوع لینک ارتباطی برای دسترسی به منابع فرکانسی با هم در رقابت خواهند بود. 1‌‌لینک‌‌‌های ارتباطی بین MB‌ها و کاربران ذیل آن نقطه دسترسی اصلی، 2‌‌ لینک‌‌‌های ارتباطی بین SC‌ها و کاربران ذیل آن نقطه دسترسی ثانویه و 3‌‌ لینک‌‌‌های ارتباطی بین SC‌ها و MB‌ها. در [3] نویسندگان به مقایسه روش خود با مدل‌‌‌های سنتی تخصیص منابع (تخصیص استاتیک بدون در نظر گرفتن میزان تقاضای ورودی متغیر)  پرداخته و نشان داد‌ه‌اند که روش پیشنهادی آن‌ها روش تخصیص فرکانس آگاه از تقاضای پیشنهادی، بازدهی عملکرد شبکه از دیدگاه میزان گذردهی کاربران، رعایت انصاف در تخصیص طیف فرکانسی و بازدهی کاربری فرکانسی را در پی خواهد داشت. با این حال مدل آگاه از دسترسی ارایه شده در [3] نیز هنوز تا حدی استاتیک به حساب می‌آید، زیرا که میزان تقاضای دسترسی به شبکه در نقاط دسترسی مختلف ممکن است در روز‌‌های مختلف و در ساعات یکسان متغییر و متفاوت باشد. به همین منظور در [1] یک مدل دینامیک تخصیص منابع فرکانسی آگاه از تقاضای دسترسی پیشنهاد شده است که در آن تخصیص پهنای باند در دسترس با در نظر گرفتن تغییرات پویای میزان تقاضای دسترسی به شبکه در گذر زمان اتفاق خواهد افتاد. روش پیشنهادی در [1] بر اساس یک پیاده‌سازی واقعی از شبکه تنظیم شده است و در آن المان‌‌‌‌های اصلی شبکه MB‌ها هستند و تجهیزات موبایل به MB‌ها متصل خواهند شد. در این مدل MB‌ها خود می‌توانند شامل یک یا چندین زیرسلول باشند. در این مدل ابتدا تمام سلول‌‌ها در یک دسته‌بندی افزایشی قرار می‌گیرند، بنحوی که سلول‌‌‌های با ترافیک بالاتر شانس بیشتری برای تخصیص منابع از استخر منابع فرکانسی محدود موجود داشته باشند. سپس برای تخصیص فرکانس به هر آنتن دو شرط چک می‌شود که اولا آیا ظرفیت Cij قابل دسترسی توسط آن کمتر از ظرفیت درخواستی rij است و دیگر آنکه آیا فرکانس دیگری در آن خوشه برای اختصاص به آن سلول باقی مانده است و در عین حال برای جلوگیری از تداخل کانال ‌مشترک با سلول‌‌‌های مجاور از استفاده مجدد یک فرکانس در سلول‌‌‌های کنار هم خودداری خواهد شد. این فرآیند در هر تکرار مجدد انجام می‌شود تا زمانی که تعداد فرکانس تخصیص یافته به یک MB برابر مجموع فرکانس‌‌‌های در دسترس باشد و ظرفیت موردانتظار محقق شده باشد، در غیر این صورت فرآیند تخصیص فرکانس در تکرار بعدی مجدد بازطراحی و انجام می‌شود. تخمین ترافیک موردانتظار نیز به صورت پیوسته در یک بازه زمانی طولانی به کمک داده‌‌‌های ورودی انجام و مرتب به روزرسانی می‌شود.

DeepSig Company

DeepSig شرکتی محصول محور و فناور است که راهکار‌‌های نرم‌افزاری هوش مصنوعی بی‌سیم را توسعه و ارائه می‌دهد. این شرکت برای توسعه این نرم‌افزار‌ها با استفاده از تکنیک‌‌‌های هوش مصنوعی پیشرفته و تجربیات پردازش سیگنال کوشیده‌تا پردازش باندپایه، حسگری بی‌سیم و کاربرد‌‌های دیگر بی‌سیم را ارتقا دهند. راهکار‌‌های یادگیری ماشین Deepsig به طرز شگفت‌انگیزی بازدهی عملکرد شبکه‌های نسل پنجم، ظرفیت، بهره‌وری عملیاتی و تجربه مشتریان را ارتقا می‌دهند. OmniPHY‌‌5G™ و OmniSIG™ محصولات تولیدی این شرکت در این زمینه‌‌ها است. رویکرد این شرکت استفاده از یادگیری ماشین برای یادگیری مدل‌‌‌های بهینه از رویدادهای ورودی به جای طراحی الگوریتم‌‌‌‌های اختصاصی تحت مدل‌‌‌های ساده‌شده است.

آنطور که در تعریف 5G آمده است، یکی از مهم‌ترین کاربرد‌‌های 5G در ارتباط دقیق تجهیزات صنعتی و سنسور‌ها/عملگر‌‌های IOT در کاربرد‌‌های مختلف مانند پزشکی، صنعت، حمل‌ونقل و … بوده و عملکرد مناسب این المان‌‌ها مستلزم ارتباط پایدار و فاقد تداخل شبکه است. علاوه برمنابع ناخواسته تداخل ممکن است که گاهی برای خراب‌کاری و آسیب به زیرساخت‌‌ها، برخی اقدام به ایجاد تداخل عمدی کنند. در گذشته رسیدگی به تداخل معمولا پس از دریافت گزارش تداخل از ساکنان منطقه یا پس از تغییر در شاخص‌‌‌های عملکردی کلیدی شبکه (KPI) و با حضور فیزیکی تیم مانیتورینگ به همراه ابزار‌‌های مانیتورینگ طیف فرکانسی در محل انجام می‌شد. اما انجام این کار اغلب در مدت‌‌‌های طولانی پس از وقوع حادثه و افت کیفیت سرویس دریافتی در گیرنده صورت می‌گرفت. به همین دلیل مدل شناسایی و پاسخ به تداخل فرکانسی قدیم انفعالی، گران‌قیمت و دارای خطا می‌باشند. راهکار‌‌های نسل‌‌جدید OmniSig تولیدی DeepSig با استفاده از یادگیری ماشین به شکلی خودکار قادر به مانیتورینگ بی‌درنگ طیف فرکانسی و شناسایی منابع تداخل غیرمجاز، بادقت و سرعتی به مراتب بیشتر، هزینه کمتر وبدون نیاز به تیم مهندسان خواهند بود.

شکل 1- ساختار عملکردی 4[ O mniSig [

سنسور  OmniSIG™ 

OmniSIG با استفاده از تکنولوژی پیشگام DeepSig از هوش مصنوعی (AI) در سیستم ‌‌های رادیویی، کلاس جدیدی از سنجش و آگاهی RF ارائه می‌دهد. این ابزار با استفاده از مدل‌‌‌های بسیاردقیق یادگیری عمیق برای خصوصیات سیگنال‌‌‌های بی‌سیم، اولین نرم‌افزار مبتنی بر هوش‌مصنوعی دسته‌بندی RF در جهان است. این نرم‌افزار قادر است که حجم عظیمی از داده‌‌‌های خام RF را به کمک شبکه‌های عصبی آموزش دیده پردازش کرده و انواع سیگنال‌‌‌های RF را تحلیل و در کسری از میلی‌ثانیه خروجی مدنظر را تولید کند. OmniSig نرم‌افزاری بسیار چابک است که قادر به همکاری با طیف گسترد‌‌ه‌ای از تجهیزات گیرنده رادیویی است. می‌توان نرم‌افزار را بر روی بستر ابری یا بصورت مجزا در محل نصب و استفاده کرد. [4]

OmniSig قادر است که سیگنال‌‌‌های شناخته‌شده و ناشناس مختلف بی‌سیم را شناسایی و رفتار‌‌های مخرب احتمالی را بصورت بی‌درنگ گزارش کند. علاوه براین، داده‌‌‌های ساختاریافته به صورت خودکار تحلیل و رویه‌‌ها و الگو‌‌های استخراجی از آن‌ها آگاهی موقعیتی  سطح‌بالاتری ایجاد کرده و قابلیت شناخت تغییرات یا رفتار‌‌های غیرعادی در تحرکات رادیویی را فراهم می‌آورد.

OmniSIG™ SDK

OmniSIG™ SDK یک ابزار تکمیلی است که با افزودن آن به حسگر OmniSig، کلاس جدیدی از حسگری RF با استفاده از هوش مصنوعی سیستم‌‌‌های رادیویی OmniSig قابل دست‌یابی خواهد بود. SDK برای کاربران OmniSig قابلیت دست‌یابی به دانشی عمیق‌تر از سیگنال‌‌‌های شناخته‌شده و ناشناس بی‌سیم را فراهم می‌کند، بدون آنکه نیاز باشد یک متخصص هوش‌مصنوعی برای استفاده از این سیستم حضور داشته باشد. SDK به کاربر نهایی امکان خلق یک سیستم کلاس‌بندی و شناسایی RF مبتنی بر هوش‌مصنوعی اختصاصی را که برای کاربرد خاص آن‌ها شخصی‌سازی شده است، خواهد داد. با ترکیب آخرین تکنولوژی‌‌‌های وب و ابزار‌‌های پیشرفته سمت سرور، کاربران قادرند اسنپ‌شات‌ ‌‌هایی از سیگنال دلخواه خود را بارگذاری کرده و با استفاده از Drag/Drop سیگنال دلخواه خود را برچسب‌گذاری کرده و سپس از این داده‌‌‌های آموزشی  برای به‌روزرسانی شبکه عصبی موجود بدون نیاز به نوشتن حتی یک خط کد DSP یا حتی بدون نیاز به ورود هزاران اسنپ‌شات از سیگنال دلخواه استفاده کنند [5].

با مجموعه ابزار OmniSIG™ SDK، مشتریان می‌توانند مجموعه داده‌‌‌های RF را تنظیم کنند، مدل‌‌‌های استنتاج یادگیری عمیق پیشرفته را برای برنامه‌‌‌های سنجش بی‌سیم سفارشی آموزش دهند و آن‌ها را در دستگاه‌‌‌های سنجش لبه مستقر کنند. OmniSIG SDK شامل مجموعه داده‌‌‌های پایه RF برای یادگیری ماشین است. از جمله بسیاری از سیگنال‌‌‌های بی‌سیم مصرف‌کنندگان، مشتریان همچنین می‌توانند داده‌‌ها، سیگنال‌‌ها و امضا‌‌های سفارشی خود را برای آموزش حسگر هوش مصنوعی ترکیب کنند.

OmniSIG SDK حاوی ابزار‌‌هایی برای موارد زیر است:

  مرتب‌سازی، برچسب‌گذاری و تنظیم داده‌‌‌های RF؛

  آموزش مدل سنسور OmniSIG با داده ‌‌های برچسب دار؛

  ارزیابی عملکرد سیستم طراحی شده و

  استقرار مدل یادگیری عمیق آموزش دیده در زمان اجرای OmniSIG.

نتیجه‌گیری

شبکه‌های 5G، شبکه‌های با تعداد بسیار کاربران و نیازمندی‌‌‌های اختصاصی هستند که برخی از این نیازمندی‌‌ها بسیار حیاتی و نیازمند سرویس با کیفیت تضمین شده هستند. تضمین کیفیت سرویس در 5G نیازمند تضمین امنیت، تضمین دسترسی به منابع موردنیاز و تضمین کلیه پارامتر‌‌هایی است که می‌تواند کیفیت سرویس را متاثر کند. در شبکه‌های سنتی، تخصیص منابع فرکانسی به صورت استاتیک و براساس تضمین کیفیت سرویس ساعات پیک ‌مصرف ضمن رعایت انصاف تخصیص می‌یافتند. با پیشرفت شبکه‌ها تخصیص منابع بر اساس نیاز تخمین زده شده در ساعات مختلف صورت می‌گرفته است که با وجود تفاوت تخصیص در ساعات مختلف هم‌چنان به جهت عدم به‌روزرسانی با تغییر شدت ترافیک درساعات مختلف یک روز و روز‌‌های مختلف هفته/ماه به نوعی استاتیک به حساب می‌آید. تخصیص منابع آگاه از ترافیک مبتنی بر یادگیری ماشین راهکاری است که برای رفع این مشکل در مقاله مورد بررسی قرار گرفت. در ادامه دیدیم که تضمین کیفیت سرویس مستلزم مانیتورینگ پیوسته فضای فرکانسی و شناسایی و حذف منابع تداخل‌گر عمد/غیرعمد است. شناسایی منابع تداخل در قدیم بر اساس بررسی تغییر در KPI‌‌های ورودی یا شکایت دریافتی از مشتریان انجام می‌شده است که به کمک ابزار‌‌های مانیتورینگ پیشرفته تولیدی DeepSig این کار با تحلیل بی‌درنگ داده‌‌‌های سیگنال دریافتی از گیرنده رادیویی به کمک هوش‌مصنوعی آموزش دیده قابل انجام خواهد بود. به این ترتیب سرعت پاسخ به تغییرات مخرب شبکه بسیار کاهش یافته و از چند هفته به کمتر از چند دقیقه خواهد رسید.

منابع

[1] E. L.‌‌A. E. G.‌‌V. RAKIBUL ISLAM RONY, “Dynamic Spectrum Allocation Following Machine Learning‌‌Based Traffic Predictions in 5G,” IEEE Access , Issue 9, pp. 143458‌‌143473, October 2021.

[2]    S. Gopi, S. Kalyani و L. H. a. et., “Cooperative 3D Beamforming for Small‌‌Cell and Cell‌‌Free 6G Systems,” IEEE Transactions on Vehicular Technology, Issue 71, No 5, pp. 5023 ‌‌ 5036, 2022.

[3]    E. L.‌‌A. a. E. G.‌‌V. R. I. Rony, “Cooperative spectrum sharing in 5G access and backhaul networks,” در 14th Int. Conf. Wireless Mobile Comput., Netw. Commun. (WiMob), , pp. 239‌‌246, Oct. 2018.

[4]    iGR, “AI‌‌based RF Awareness for Private Wireless Networks A White Paper,” iGillott Research Inc, Austin, 2022.

[5]            HP/DeepSig, “WIRELESS SIGNAL IDENTIFICATION AND ANALYSIS Enabling AI and Analytics at the Edge,” Hewlett Packard Enterprise Development LP, a00107131enw, Oct. 2020.