14872

كاربرد پردازش داده و يادگيري ماشين در كاهش مصرف انرژي در شبكه‌هاي مخابرات سيار

1403

دكتر سيد محمد رضوي زاده

افزايش روزافزون تقاضاي كاربران براي ارتباطات پرسرعت، پايدار و فراگير در شبكه‌هاي مخابرات سيار، موجب رشد فزاينده در ترافيك داده، تراكم سلولي و نياز به پردازش بلادرنگ شده است. اين روند، در كنار گذار به نسل‌هاي جديد مانند نسل پنجم و نسل ششم، مصرف انرژي شبكه را به چالشي جدي براي اپراتورها و طراحان زيرساخت تبديل كرده است. در حالي كه بخش عمده‌اي از تمركز پژوهش‌ها و استانداردها در گذشته معطوف به افزايش ظرفيت و نرخ داده بوده، اكنون كارايي انرژي يا بازده انرژي به يكي از شاخص‌هاي كليدي عملكرد در معماري‌هاي جديد شبكه‌هاي سلولي تبديل شده است. مطالعات متعدد نشان داده‌اند كه در يك شبكه تلفن همراه، بيش از 70٪ مصرف انرژي مربوط به بخش راديويي است. با حركت به سمت ساختارهاي مجازي مانند O-RAN ، vRAN ، NFV و ساير ابزار و مفاهيمي كه به مجازي سازي شبكه كمك ميكنند، مصرف انرژي در لايه‌هاي ديگر از جملهCore ، زيرساخت ابري، مسير انتقال ديتا مانند لينك هاي ارتباطي بك هال و ... نيز به‌طور قابل توجهي افزايش يافته است. مديريت انرژي در چنين ساختارهاي پيچيده، نيازمند بهره‌گيري از راهكارهاي هوشمند است. راهكارهايي به مراتب قوي‌تر و كارا تر از تنظيمات ايستا و روش‌هاي سنتي است. در اين ميان، هوش مصنوعي به ‌عنوان ابزاري توانمند براي بهينه‌سازي منابع، شناسايي الگوهاي پيچيده و تصميم‌گيري بلادرنگ ، مورد توجه قرار گرفته است. الگوريتم‌هاي يادگيري ماشين، به ‌ويژه يادگيري تقويتي ، امكان كنترل پويا و خودآموز عملكردهاي مختلف شبكه را فراهم مي‌سازد، به‌گونه‌اي كه شبكه بتواند با تحليل داده‌هاي واقعي، خود را با شرايط زماني، مكاني و بار متغير تطبيق دهد. در اين گزارش، كاربردهاي عملي يادگيري ماشين در كاهش مصرف انرژي در بخش‌هاي مختلف شبكه موردبررسي قرار گرفته است. در بخش راديويي، خاموش‌سازي سلول‌ها، تنظيم توان فرستنده‌ها، كنترل از طريق كنترلر هوشمند در معماري O-RAN، از مهم‌ترين كاربردهاي هوش مصنوعي بوده‌اند. مطالعات موردي نشان داده‌اند كه الگوريتم‌هاي هوش مصنوعي توانسته‌اند تا 80% در مصرف انرژي ايستگاه‌هاي پايه در ساعات كم‌بار صرفه‌جويي ايجاد كنند، بدون آنكه كيفيت تجربه كاربران كاهش يابد. در هسته شبكه ، تمركز اصلي بر روي تخصيص منابع محاسباتي ، زمان‌بندي اجراي توابع مجازي شبكه، پيش‌بيني بار ترافيكي و خاموش‌سازي ماژول‌هاي كم كار بوده است. با استفاده از مدل‌هايي مانند LSTM ، يادگيري تقويتي و .... توانسته‌اند منابع را به ‌صورت انعطاف پذير تخصيص دهند و با كاهش تعداد ماشين‌هاي مجازي كه بدون استفاده بوده‌اند، مصرف توان ديتاسنتر مركزي را در حدود 20 تا 30 درصد كاهش دهند. علاوه بر آن، استفاده از فريم‌ورك‌هاي هماهنگ‌سازي مبتني برهوش مصنوعي امكان مديريت هماهنگ انرژي را در سطح شبكه فراهم كرده است. در زيرساخت‌هاي ابري ، الگوريتم‌هاي هوش مصنوعي در زمينه‌هايي چون مديريت خواب عميق سرورها، پيش‌بيني تقاضا يا ترافيك شبكه و استفاده از انرژي‌هاي تجديدپذير به كار رفته‌اند. در قسمت انتقال داده‌ها بر بستر مسير Backhaul و Midhaul، الگوريتم‌هاي يادگيري ماشين براي خاموش‌سازي انعطاف‌پذير مسيرها ، انتخاب مسير كم‌مصرف، و مديريت منابع اشتراكي در سناريوهاي تقسيم‌بندي شبكه مورداستفاده قرار گرفته‌اند. به‌ويژه در ساختارهاي جداشده O-RAN، انتخاب بهينه مسير بين DU و CU با درنظرگرفتن كيفيت كانال و بار پيش‌بيني ‌شده، بهبود قابل‌توجهي در مصرف انرژي ايجاد كرده است. در انتهاي گزارش، مجموعه‌اي از مطالعات تجربي و نتايج شبيه‌سازي مرور شده‌اند كه نشان مي‌دهند يادگيري ماشين توانسته است بهره‌وري انرژي شبكه را بهبود داده و درعين‌حال، كيفيت خدمات و پايداري شبكه را حفظ كند. اين مطالعات نشان مي‌دهند كه تركيب هوش مصنوعي با معماري‌هاي باز و مجازي‌سازي‌ شده مانند O-RAN و... مسير تحقق شبكه‌هاي سبز و را هموار كرده است. اين گزارش نشان مي‌دهد كه آيندة شبكه‌هاي مخابراتي، بدون بهره‌گيري از پردازش داده و يادگيري ماشين، نه از منظر مصرف انرژي و نه از منظر بهره‌وري عملياتي، قابل‌مديريت نخواهد بود.

5/28/2025 12:00:00 AM

87004

1404/05/11