Τεχνικές εποτευόμενης μηχανικής μάθησης για τη βελτίωση της τεχνολογίας DUDe σε δίκτυα 5G and beyond
Loading...
Date
2026-06-19
Authors
Χουσελάς, Νικόλαος-Δημήτριος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η αρχιτεκτονική DUDe (Downlink/Uplink Decoupling - DUDe) προτείνει τηνανεξάρτητη επιλογή σταθμού βάσης για το uplink και το downlink σε κυψελοειδή δίκτυα, με στόχο τη βελτιστοποίηση της απόδοσης και την καλύτερη αξιοποίηση των πόρων. Στην παρούσα εργασία διερευνάται η δυνατότητα πρόβλεψης της ανάγκης για decoupling, με χρήση μοντέλων εποπτευόμενης μηχανικής μάθησης και βασιζόμενη αποκλειστικά σε γεωμετρικά χαρακτηριστικά του χρήστη, όπως η απόσταση από τους σταθμούς βάσης.Αναπτύχθηκε ένα περιβάλλον προσομοίωσης σε Python, στο οποίο δημιουργήθηκαν δεδομένα από ένα απλοποιημένο δίκτυο macro και pico κυψελών. Υπολογίστηκαν τα SNR για κάθε σύνδεση, με path loss και shadowing, και παρήχθη ένα σύνολο δεδομένων 25.000 παραδειγμάτων. Το πρόβλημα διατυπώθηκε ως δυαδική ταξινόμηση, με στόχο την εκτίμηση του κατά πόσο η αλλαγή σταθμού βάσης στο uplink προσφέρει καλύτερη απόδοση από τη συμβατική coupled σύνδεση.Εφαρμόστηκαν και συγκρίθηκαν πέντε αλγόριθμοι μηχανικής μάθησης (ΛογιστικήΠαλινδρόμηση, Δένδρο Αποφάσεων, Τυχαίο Δάσος, k-NN, Μηχανές Υποστήριξης),χρησιμοποιώντας αποκλειστικά τις αποστάσεις ως είσοδο. Τα αποτελέσματα έδειξαν ότι μοντέλα όπως το Τυχαίο Δάσος και το k-NN πέτυχαν ακρίβεια άνω του 84%, ενώ η προσέγγιση μέσω μηχανικής μάθησης (Machine Learning – ML) επιλογή σταθμού βάσης προσέγγισε την ιδανική απόδοση του πλήρως decoupled συστήματος, υπερέχοντας της συμβατικής επιλογής downlink βάσης.Η μελέτη δείχνει τη δυνατότητα χρήσης μοντέλων πρόβλεψης για τη λήψη έξυπνων αποφάσεων decoupling σε δίκτυα επόμενης γενιάς, χωρίς την απαίτηση σύνθετων μετρήσεων ή υψηλού υπολογιστικού κόστους, και αναδεικνύει τις προοπτικές αξιοποίησης τεχνικών επιστήμης δεδομένων στη διαχείριση του δικτύου.
Description
Keywords
Μηχανική μάθηση