شبکه‌های دسترسی رادیویی ابری نسل پنجم

نیاز به پیاده‌سازی شبکه‌های دسترسی رادیویی ابری (C-RAN)^[1] که انعطاف‌پذیر و مقیاس‌پذیر هستند، با محبوبیت و گسترش اینترنت اشیاء (IoT)^[2] بیش از گذشته پُررنگ‌ شده است. شبکه‌ دسترسی رادیویی ابری راه‌حلی است برای مسئله‌ی افزایش بار که منجر به عدم تعادل ترافیک شبکه‌های بی‌سیم به واسطه استفاده از فناوری اینترنت اشیاء می‌شود. عدم تعادل در ترافیک شبکه‌های اینترنت اشیاء باعث می‌شود تا اتصال تعداد زیادی از دستگاه‌ها مسدود شده و کیفیت خدمات (QoS)^[3] کاهش یابد. همچنین مدیریت کارآمد منابع از یک‌سو و نیاز به ارتباطات با تاخیر کم از سوی دیگر چالش‌های شبکه‌های دسترسی رادیویی در اینترنت اشیاء محسوب می‌شوند. از این‌رو شبکه‌های دسترسی رادیویی ابری اخیراً برای ارتباطات بی‌سیم نسل پنجم (5G)^[4] پیشنهاد شده است تا الزامات ارتباطات با تأخیر کم و مدیریت بهینه منابع را تضمین کند. شبکه‌های دسترسی رادیویی ابری چارچوبی قابل اعتماد برای دستگاه‌های اینترنت اشیاء فراهم می‌کنند. در این گزارش روشی جهت پیکربندی شبکه‌های دسترسی رادیویی ابری جهت متعادل شدن ترافیک شبکه‌های بی‌سیم اینترنت اشیاء و بهبود کیفیت خدمات ارائه می‌گردد. در این پیکربندی،  بار ترافیک با استفاده از مدل مارکوف بر اساس مکان کاربران پیش‌بینی می‌شود و با استفاده از روش بهینه‌سازی کلونی مورچگان (ACO)^[5] اتصالات منطقی واحدهای باند پایه (BBU)^[6] و کُلاهک منبع رادیویی (RRH)^[7] مجددا پیکربندی می‌شود. نتایج حاصل شده نشان می‌دهد که با استفاده از این روش ترافیک شبکه متعادل‌تر شده و در نتیجه کیفیت خدمات بیشینه شده و تعداد اتصالات مسدود شده به حداقل رسیده است.

کلیدواژه: شبکه‌های دسترسی رادیویی ابری (C-RAN)، اینترنت اشیاء (IoT)، ارتباطات بی‌سیم نسل پنجم (5G)، متعادل‌سازی بار ترافیک شبکه‌های دسترسی رادیویی.

شبکه‌های دسترسی رادیویی ابری با داشتن ویژگی‌هایی نظیر‌ پردازش متمرکز توسط محاسبات ابری و تخصیص پویای منابع رادیویی، یک راه‌حل امیدوارکننده جهت رفع مشکلات سازمان‌دهی ترافیک شبکه‌های پُربار هستند [1]. در این میان، سازمان‌دهی بار شبکه یکی از چالش‌های مهم در شبکه‌های بی‌سیم اینترنت اشیاء است. تنوع زیاد در ترافیک شبکه‌های اینترنت اشیاء منجر به اضافه بار برخی از سلول‌های رادیویی می شود، در حالی که برخی از سلول‌ها ممکن است کم بار باقی بمانند. همچنین استفاده ناکارآمد از منابع شبکه باعث افت و تخریب کیفیت خدمات می‌شود. اگر ترافیک بار در شبکه‌های دسترسی رادیویی و استفاده از منابع به صورت خودکار و به شکل بهینه تنظیم شوند، آن‌گاه کیفیت ارائه خدمات  تا سطح مطلوبی بالا خواهد رفت. طبق آمار منتشر شده، تا سال 2025 حدود 75.44 میلیارد اداوات متصل در اینترنت اشیاء خواهیم داشت [2]. لذا متعادل‌سازی بار در شبکه‌های دسترسی رادیویی با وجود اینترنت اشیاء یکی از مهم‌ترین چالش‌های روز خواهد بود. در حوزه علم و تحقیقات، تلاش‌هایی برای جبران کیفیت خدماتی که به خاطر ترافیک بار کاهش یافته‌اند، به ویژه در شبکه‌های تلفن همراه انجام شده است. در مرجع [3] واحدهای BBU و RRH  مربوط بهC-RAN  به‌گونه‌ای تخصیص داده شده‌اند که بار شبکه  به صورت پویا متعادل گردد. این تخصیص از طریق حل یک مسئله‌ی برنامه‌نویسی بهینه‌سازی خطی مبتنی بر عدد صحیح با هدف بیشینه کردن کیفیت خدمات انجام شده و نتیجه مطلوب حاصل گشته است. شاخص عدالت در تخصیص بار نیز در این الگوریتم بیشینه شده است.

در مرجع [4] از توانایی C-RAN برای پیکربندی مجدد پویا در نگاشت BBU و RRH برای دستیابی به حداقل تماس‌های مسدود شده در شبکه و همچنین به حداکثر رساندن کیفیت خدمات با استفاده از الگوریتم ژنتیک استفاده شده است.  

در مرجع [5]، از آن‌جا که ادوات اینترنت اشیاء باتری و توان محاسباتی بسیار محدودی دارند، پیشنهاد شده است که محاسبات مربوط به برنامه‌های اینترنت اشیاء در شبکه دسترسی رادیویی ابری مجهز به فناوری چند ورودی-چند خروجی (MIMO)^[8] بارگذاری شوند. در شبکه دسترسی رادیویی ابری مجهز به MIMO، یک کلاهک منبع رادیویی (RRH) که در آن از فناوری MIMO استفاده شده است، از طریق پیوند نمایان^[9] با ظرفیت محدود به واحد باند پایه (BBU) متصل می‌شود. امور محاسباتی ادوات اینترنت اشیاء  به گونه‌ای روی شبکه بارگذاری می‌شود که توان ارسالی ادوات به حداقل مصرف برسد. در این مقاله از روش یادگیری عمیق نظارت شده استفاده شده است. نتایج عددی حاصل شده اثربخشی الگوریتم بهینه‌سازی پیشنهادی و روش‌های مبتنی بر یادگیری را تأیید می‌کند.

در مرجع [6]، شبکه دسترسی رادیویی ابری ناهمگن (H-CRAN)^[10] که از رایانش ابری پشتیبانی می‌کند، به عنوان یکی از راه‌حل‌های امیدوارکننده برای پشتیبانی از دستگاه‌های اینترنت اشیاء سلولی با سیستم‌های سلولی قدیمی مطرح شده است. در این مقاله، کاربران سلول‌های بزرگ به عنوان کاربران قدیمی در نظر گرفته می شوند، در حالی که دستگاه های اینترنت اشیاء سلولی و کاربران سلول‌های کوچک، کاربران جدید در نظر گرفته می‌شوند. در نتیجه یک روش دو مرحله‌ای کارآمد انرژی با پشتیبانی از H-CRAN پیشنهاد و مورد ارزیابی قرار گرفته است. روش پیشنهادی از نظر بازده انرژی و شاخص عدالت «جِین»^[11] با در نظر گرفتن تأثیر تعداد چگالی اینترنت اشیاء سلولی در هر سلول کوچک H-CRAN ارزیابی شده و بسیار اثربخش بوده است.

در این گزارش، جهت متعادل شدن ترافیک بار شبکه‌های دسترسی رادیویی ابری در حالتی که میلیاردها ادوات مختلف اینترنت اشیاء به شبکه متصل می‌شوند، پیکربندی جدیدی بررسی می‌شود. در این پیکربندی ابتدا بار شبکه با مدل مارکوف تخمین زده می‌شود و سپس پیکربندی اتصالات منطقی BBU و RRH از روش بهینه‌سازی کلونی مورچگان به دست می‌آید.

در ادامه‌ی این گزارش، ابتدا اهمیت مسئله‌ی متعادل‌سازی بار در شبکه‌های دسترسی رادیویی ابری زمانی که پای اینترنت اشیاء به میان می‌آید و شبکه پر ترافیک می‌شود، شرح داده می‌شود. سپس روش پیکربندی شبکه‌های دسترسی رادیویی ابری با استفاده از مدل مارکوف و کلونی مورچگان بررسی می‌شود. در نهایت نتیجه‌گیری از روش بررسی شده ارائه می‌گردد.

الزام متعادل‌سازی در شبکه‌های دسترسی رادیویی ابری که از  اینترنت اشیاء پشتیبانی می‌کنند

 از آن‌جا که اینترنت اشیاء یک چارچوب جهانی است که اتصال تریلیون‌ها ادوات و اشیاء اطلاعاتی را برای رسیدن به رویای جهان هوشمند پیش بینی می‌کند، این افزایش شگفت‌انگیز در تعداد کاربران متصل، حجم عظیمی از ترافیک در شبکه‌های دسترسی رادیویی ایجاد می‌کند. ترافیک تولید شده متغیر زمان خواهد بود و ماهیت یکنواختی نخواهد داشت که این امر منجر به عدم تعادل ترافیک شبکه اینترنت اشیاء، کاهش کیفیت خدمات و افزایش تعداد انسداد یا شکست اتصال بین دستگاه‌های متصل در اینترنت اشیاء می شود [1]. لذا شبکه‌های دسترسی رادیویی ابری به دلیل انعطاف‌پذیری و مقیاس‌پذیری بالا یکی از بهترین گزینه‌ها برای پشتیبانی اینترنت اشیاء محسوب می‌شوند. در شکل 1، مثالی از معماری شبکه‌های دسترسی رادیویی ابری که از اینترنت اشیاء پشتیبانی می‌کنند، نمایش داده شده است. مسئله‌ی مهم در این مقوله، پیکربندی معماری شبکه‌های دسترسی رادیویی ابری است، به گونه‌ای که ترافیک ناشی از حجم بالای ادوات متصل به اینترنت اشیاء متعادل‌سازی شود. در این راستا، به بررسی الگوریتم پیشنهادی در [1] در ادامه پرداخته می‌شود.

روش پیشنهادی  پیکربندی شبکه‌های دسترسی رادیویی ابری جهت متعادل‌سازی بار

همان‌طور که قبلا هم ذکر شد، در روش پیشنهادی متعادل‌سازی بار در شبکه‌های دسترسی رادیویی ابری، ابتدا با استفاده از مدل مارکوف تعداد کاربران پیش‌بینی می‌شود و سپس با استفاده از الگوریتم بهینه‌سازی کلونی مورچگان بهترین اتصال منطقی بین واحدهای باند پایه BBU و کلاهک‌های منابع رادیویی RRH به دست می‌آید.

شکل 1:  نمونه‌ای از معماری شبکه‌های دسترسی رادیویی ابری که از اینترنت اشیاء پشتیبانی می‌کنند [1]

مدل مارکوف برای اولین بار در مرجع [7] معرفی شد. در این مدل، وضعیت مارکوف برای هر کاربر موبایل تعریف شده است و موقعیت بعدی کاربر در هر لحظه پیش‌بینی می‌گردد. این امر با نشان دادن تمام سلول‌های همسایه برای یک سلول خاص به عنوان یک حالت مارکوف جدا شده، محقق می‌شود. با توجه به شکل 2 در نظر بگیرید که کاربری در موقعیتی به نام S قرار دارد، در لحظات بعدی این کاربر می‌تواند به یکی از شش سلول مجاور خود نقل مکان نماید که در شکل 2، شش سلول‌ مجاور با نماد M_n1 تا M_n6 نمایش داده شده است. همچنین V_i,jنمایش‌دهنده‌ی بردار احتمال این است که کاربر از سلول i به سلول j برود. q_i نیز نمایش‌دهنده احتمال این است که کاربر در همان سلول باقی بماند. فرض بر این است که کاربران در زمان شروع t در سلول i قرار دارند. همچنین اپراتورها گزارشی از محل ادوات و کاربران اینترنت اشیاء دارند که با استفاده از آن می‌توان تعداد اولیه کاربران و ادوات اینترنت اشیاء را در هر سلول به دست آورد. لذا تعداد کاربران در سلول i در لحظه t+1 را با نماد N_i (t+1) نشان می‌دهیم که می‌توان از طریق احتمالات مارکوف و رابطه‌ی N_i (t+1)= N_i (t)×P_sⁱ+∑jesⁱ_adjN_j (t)×P(_Mi ) (j) آن را به دست آورد. در این رابطه Sⁱ_adj نشان دهنده مجموعه‌ی سلول‌های همجوار سلول i است و P_Mi(j) احتمال حرکت از سلول i به سلول j است. Pⁱ_s نیز احتمال ماندن در همان سلول i یا حالت S است.

شکل 2: مدل مارکوف جهت پیش‌بینی حضور کاربر در یکی از سلول‌های مجاور خود در زمان بعدی [1]

 حال که تعداد کاربران در هر سلول از طریق مدل مارکوف برای لحظات آینده پیش‌بینی شد، با استفاده از الگوریتم کلونی مورچگان اتصال منطقی بهینه بین واحدهای BBU و RRH به دست خواهد آمد. برای نگاشت BBU  به RRH از پارامتر کیفیت خدمات یا (QoS) استفاده می‌شود. در هر مرحله از الگوریتم، نگاشت و اتصال واحدهای BBU و RRH با پارامتر QoS اندازه‌گیری می‌شود و در صورتی که تعداد کاربران در بازه زمانی بعدی در فرمول ذکر شده، تغییر کرده باشد، نگاشت جدید بین واحدهای BBU و RRH به‌گونه‌ای تغییر می‌کند که پارامتر QoS بهینه شود.  روند این الگوریتم در شکل 3 نشان داده شده است.

شکل 3: الگوریتم پیکربندی C-RAN بر اساس مدل مارکوف و کلونی مورچگان [1]

همان‌طور که در شکل 4 مشخص است، به عنوان نمونه در  شش سلول  همجوار روش فوق امتحان شده است و در بسیاری از سلول‌ها تعداد کاربران مسدود شده کمتر شده و کاربران بیشتری می‌توانند از خدمات با کیفیت مطلوب استفاده کنند. در این شکل، محور افقی نمایش‌دهنده‌ی شماره‌های شش سلول همجوار است و محور عمودی تعداد کاربران اینترنت اشیاء در آن سلول را نشان می‌دهد. تعداد کاربران نباید در هر سلول از 200 کاربر بیشتر شود که این میزان با خط قرمز رنگ به نام hard cap در شکل مشخص است. ستون بنفش رنگ نمایش‌دهنده‌ی تعداد کاربران در حالت اصلی و قبل از اجرای الگوریتم است. ستون زرد رنگ نیز  تعداد کاربران اینترنت اشیاء در هر سلول بعد از اجرای الگوریتم ذکر شده با نام ACO ^[12] را نمایش می‌دهد. همان‌طور که در این شکل مشخص است قبل از اجرای الگوریتم (یعنی ستون‌های بنفش رنگ) کاربران در برخی سلول‌ها  تجمع بیشتری داشتند و در برخی سلول‌ها تجمع کمتری داشتند. مثلا تعداد کاربران سلول شماره 3  حتی از میزان ظرفیت تعداد کاربران یک سلول نیز عبور کرده است. همچنین تعداد کاربران در سلول‌های شماره 4 و 5 نزدیک میزان ظرفیت است. در حالی‌که سلول‌های شماره 1، 2 و 6 تعداد کاربران کمتری دارند. پس از اجرای الگوریتم (یعنی ستون‌های زرد رنگ) مشاهده می‌شود که پیکربندی اتصالات BBU-ها و RRHها به‌گونه‌ای نگاشته شده است که سربار سلول‌های پر ترافیک روی سلول‌های کم ترافیک ریخته شده است. در نتیجه ترافیک شبکه متعادل‌تر گردیده است. 

شکل 4: نمایش تعداد کاربران در هر سلول قبل و بعد از اجرای الگوریتم و مشاهده‌ی متعادل‌تر شدن ترافیک شبکه [1]

نتیجه‌گیری

با توجه به این‌که با رشد سریع تعداد دستگاه‌های اینترنت اشیاء مواجه هستیم، نیاز است تا شبکه‌های دسترسی رادیویی ابری که مقیا‌س‌پذیری و قابلیت اطمینان بالایی دارند به کار گرفته شوند. نکته حائز اهمیت اتصال واحدهای باند پایه و کلاهک‌های رادیویی به نحوی است که بار ترافیک شبکه متعادل گردد. لذا در این گزارش، روشی جهت پیکربندی و نگاشت پویای واحدهای باند پایه و کلاهک‌های رادیویی در شبکه دسترسی رادیویی ابری که از اینترنت اشیاء پشتیبانی می‌کند، پیشنهاد شده است. همچنین در این گزارش، در یک شبکه اینترنت اشیاء با اجرای الگوریتم پیشنهادی جهت متعادل‌سازی بار در شبکه‌های دسترسی رادیویی ابری شاهد به حداقل رساندن تعداد کاربران مسدود شده و کاهش نرخ خطا که منجر به حداکثر شدن کیفیت خدمات می‌شود هستیم.  در این الگوریتم، تعداد تخمینی کاربران در هر سلول بر اساس یک مدل مارکوف پیدا می‌شود و سپس نگاشت بهینه بین واحدهای باند پایه و کلاهک‌های رادیویی بر اساس بار تخمین زده شده با استفاده از الگوریتم کلونی مورچگان به دست می‌آید تا از قبل پیکربندی مناسب را پیش‌بینی کند که باعث صرفه‌جویی در زمان اجرا و افزایش کیفیت خدمات شود. از این رو، عملکرد سیستم افزایش می یابد و یک شبکه اینترنت اشیاء متعادل به دست می‌آید.

منابع

[1] M. Mouawad, Z. Dziong, and A. El-Ashmawy, “Load-balancing in 5G C-RAN based on dynamic BBU-RRH mapping supporting IoT communications,” in Proceeding of IEEE Global Conference on Internet of Things, 2018.

[2] T. Alam, “A reliable communication framework and its use in Internet of Things,” International Journal of Scientific Research in Computer Science, Engineering and Information Technology, vol. 3, no. 5, 2018.

[3] M. Khan, F. A. Sabir, and H. S. Al-Raweshidy, “Load balancing by dynamic BBU-RRH mapping in a self-optimised Cloud Radio Access Network,” in proceeding of 24th International Conference on Telecommunications (ICT), 2017.

[4] M. Khan, R. S. Alhumaima, and H. S. Al-Raweshidy, “Quality of Service aware dynamic BBU-RRH mapping in Cloud Radio Access Network,” in proceeding of International Conference on Emerging Technologies (ICET), 2015.

[5] C. Pradhan, et al., “Computation offloading for IoT in C-RAN: optimization and deep learning,” IEEE Transactions on Communications, vol. 68, no. 7, pp. 4565-4579, Jul. 2020.

[6] L. Ferdouse, et al., “Energy efficient downlink resource allocation in cellular IoT supported H-CRANS,” IEEE Transactions on Vehicular Technology, vol. 70, no. 6, pp. 5803-5816, Jun. 2021.

[7] T. Szalka, et al., “Markov model-based location prediction in wireless cellular networks,” Infocommunications Journal, 2009.

---

پی‌نوشت

[1] Cloud Radio Access Networks

[2] Internet of Things

[3] Quality of Service

[4] 5th generation mobile network

[5] Ant Colony Optimization

[6] Base Band Units

[7] Radio Resource Heads

[8] Multiple Input Multiple Output

[9] Fronthaul

[10] Heterogeneous Cloud Radio Access Network

[11] Jain’s Fairness Index

[12] Ant Colony Optimization