مدیریت طیف 5G به کمک هوش مصنوعی

5G به‌ عنوان آخرین نسل شبکه ­های سلولی متشکل از حجم عظیمی از سلول­ های بسیار کوچک در کنار 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 باریک‌­تر­ شدن 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 شبکه­‌هایی 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.

کلمات­ کلیدی:هوش مصنوعی، یادگیری ماشین، تخصیص دینامیک منابع فرکانسی

5G به عنوان 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 تخیصیص 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 که 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 ارائه 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 واقعی 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 مقدار 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^[1]، 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 MB^[2]ها و SC^[3]ها به‌صورت 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. 1-لینک­های 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 ارائه 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 تغییرات دینامی 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 بیشتر از استخر منابع فرکانسی محدود موجود داشته باشند. سپس برای تخصیص فرکانس به هر آنتن دو شرط چک می‌­شود که اولا آیا ظرفیت C_ij قابل دسترسی توسط آن کمتر از ظرفیت درخواستی r_ij 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 به‌روزرسانی 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 استفاده کوشیده­ تا 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. ™OmniPHY-5G 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 مدل­

های ساده­ شده 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 نسل­ جدید 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 و بدون نیاز به تیم مهندسان خواهند بود.

سنسور™OmniSIG  

OmniSIG با استفاده از تکنولوژی پیشگام DeepSig از هوش مصنوعی (AI) در سیستم‌های رادیویی، کلاس جدیدی از سنجش و آگاهی RF ارائه می­‌دهد. این ابزار با استفاده از مدل­‌های بسیار دقیق یادگیری عمیق برای خصوصیات سیگنال­‌های بی­‌سیم، اولین نرم‌­افزار مبتنی بر هوش‌­مصنوعی دسته­‌بندی RF در جهان می‌­باشد. این نرم‌­افزار قادر است که حجم عظیمی از داده­‌های خام RF را به کمک شبکه­‌های عصبی آموزش دیده پردازش کرده و همه 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 می‌­باشد. می­‌توان نرم­‌افزار را بر روی بستر ابری یا به‌صورت 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 به صورت بی­‌درنگ گزارش کند. علاوه بر این، داده­‌های ساختاریافته به صورت خودکار تحلیل و رویه‌­ها و الگوهای استخراجی از آنها آگاهی موقعیتی^[4] سطح ­بالاتری ایجاد کرده و قابلیت شناخت تغییرات یا رفتارهای غیرعادی در تحرکات رادیویی را فراهم می‌­آورد.

شکل 1: ساختار عملکردی OmniSig

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 هوش­ مصنوعی برای استفاده از این سیستم حضور داشته باشد. SDK به کاربر نهایی امکان خلق یک سیستم کلاس‌­بندی و شناسایی RF مبتنی بر هوش ­مصنوعی 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^[5]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^[6] 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 برچسب‌دار؛
• ارزیابی عملکرد سیستم طراحی شده و
• استقرار مدل یادگیری عمیق آموزش دیده در زمان اجرای OmniSIG.

شکل 2: ساختار عملکردی OmniSig SDK

نتیجه‌گیری

شبکه­‌های 5G، شبکه­‌های با تعداد بسیار کاربران و نیازمندی‌­های اختصاصی هستند که برخی از این نیازمندی‌­ها بسیار حیاتی و نیازمند سرویس با کیفیت تضمین‌شده 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 می‌­باشد. 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 هوش­ مصنوعی آموزش‌دیده 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 Learning-Based Traffic Predictions in 5G,” IEEE Access , Issue 9, pp. 143458-143473, October 2021.

[2] S. Gopi, S. Kalyani و L. H. a. et., “Cooperative 3D Beamforming for Small-Cell and Cell-Free 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. 239-246, Oct. 2018.

[4] iGR, “AI-based 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.

---

پی‌نوشت

[1] access-aware spectrum allocation

[2] Macro Base Station

[3] Small Cell

[4] situational awareness

[5] snapshot

[6] Training Data