30196

تخصيص هوشمند منابع در برش بندي شبكه هاي نسل پنجم با هدف بهينه سازي انرژي

كارشناسي ارشد

مهندسي برق

1399

1402/6/28

هادي شهريار شاه حسيني

مهندسي برق

هدف اين تحقيق، توسعه يك مدل پيش‌بيني براي درخواست‌ها در شبكه‌هاي نسل پنجم برش‌بندي شده و تقسيم وظايف به صورت انرژي بهينه در هر برش شبكه است. با پيش‌بيني دقيق تعداد و نوع درخواست‌هاي هر برش شبكه، اپراتور شبكه مي‌تواند منابع مورد نياز هر برش را براي زمان پيش‌بيني شده بعدي محاسبه كند و به كمك آن، منابع را بين برش‌ها تقسيم كند تا هر برش، منبع اختصاصي خود را داشته باشد. اين اقدام منجر به بهبود عملكرد شبكه، افزايش رضايت كاربر و كاهش انرژي استفاده شده در كل شبكه مي‌شود. براي دستيابي به اهداف تحقيق، اين مطالعه در بخش اول، يك چارچوب يادگيري فدرال تقسيم شده تركيبي پيشنهاد مي‌دهد. پس از پيش‌بيني درخواست‌هاي هر برش شبكه، اپراتور شبكه ميزان كل منابع مورد نياز هر برش براي مرحله بعد را محاسبه كرده و منابع را به طور مناسب بين برش‌ها تقسيم مي‌كند. نتايج بررسي¬هاي اين بخش نشان مي¬دهد كه ساختار فدرال تقسيم شده با ميانگين¬گيري سمت مشتري توانسته با امتياز R2 91% ترافيك شبكه را پيش¬بيني كند و خطاي پيش بيني آن در حدود 6% محاسبه شده است. اين نتايج نشان مي‌دهند كه چارچوب SFL با ميانگين‌گيري مشتري مي‌تواند با يك روش يادگيري همكارانه توزيع‌شده به شبكه امروزي ارائه دهد كه مشكلات FL و SL را حل كند و هزينه و بار محاسباتي را تا درصد خوبي كاهي دهد، در حالي كه دقت پيش‌بيني همانند FL و SL داشته باشد. هدف مرحله بعد اين تحقيق، برنامه‌ريزي درخواست‌هاي رسيده به هر برش به صورت كارآمد از نظر انرژي به منابع اختصاصي همان برش است. براي بخش دوم اين تحقيق از يك الگوريتم نوين فراابتكاري به نام الگوريتم سگ گله استفاده كرديم و در مقايسه نتايج، مشاهده كرديم كه اين الگوريتم اين قابليت را دارد كه مصرف انرژي را به طور ميانگين تا 60% و زمان انجام وظايف را تا 25% در مقايسه با باقي روش¬هاي مورد بررسي كاهش دهد و در عين حال، معيارهاي تعريف شده براي هر برش شبكه از نظر تاخير و نرخ از دست رفتن بسته ها را نيز حفظ كند.

1402/09/21

AI-based Energy efficient resource allocation in 5G network slicing

9/18/2024 12:00:00 AM

The aim of this research is to develop a predictive model for requests in fifth-generation networks and optimize the allocation of resources for tasks in an energy-efficient manner in each network slice. By accurately predicting the number and type of requests in each network slice, the network operator can calculate the required resources for the next time step and allocate resources among slices so that each slice has its own dedicated resources. This action leads to network performance improvement, increased user satisfaction, and reduced energy consumption across the network. To achieve the research objectives, this study proposes, in the first section, a split federated learning framework combined with a deep learning model (CNN-LSTM). By utilizing this framework, the research achieves the goal of accurate prediction of slice requests with high precision while reducing communication costs and preserving data privacy. After predicting the requests in each network slice, the network operator calculates the total resources required for each slice for the next phase and appropriately allocates resources among slices. The objective of the next step in this research is efficient scheduling of incoming requests to each slice in terms of energy to their respective dedicated resources. Through intelligent task scheduling, network operators can reduce resource wastage and improve overall network efficiency. The goal of designing an energy-efficient scheduling in fifth-generation sliced networks is to reduce energy consumption, enhance network performance, and mitigate environmental impacts. By optimizing task scheduling, the research aims to reduce energy consumption in network operations, leading to lower operational costs and a more sustainable network infrastructure. In the second part of this research, we utilized a novel metaheuristic algorithm called the " Border Collie Optimization Algorithm" and observed that this algorithm has the capability to minimize energy consumption and task execution time while preserving defined criteria for each network slice.

شبكه هاي نسل پنجم , پيش بيني ترافيك شبكه , يادگيري ماشين توزيع شده , الگوريتم فراابتكاري

5G networks , network traffic prediction , distributed machine learning , metaheuristics algorithm

Ghazal Rahmanian

Hadi Shahriar Shahhoseini