عنوان
زمان‌بندي بسته‌ها براي ترافيك URLLC در حضور طول بلوك پويا با استفاده از الگوريتم هاي هوش مصنوعي براي شبكه هاي 6G
نويسنده اصلي
ابراهيمي, عرفان
محل تحصيل
اصفهان : دانشگاه صنعتي اصفهان
رشته تحصيلي
مهندسي برق
مقطع تحصيلي
كارشناسي ارشد
چكيده
با گسترش شبكه‌هاي نسل ششم، نياز به مديريت هوشمند و كارآمد منابع در حضور ترافيك‌هاي ناهمگن، بيش از پيش اهميت يافته است. دو نوع ترافيك اصلي در اين شبكه‌ها يعني ارتباطات فوق‌ايمن و كم‌تأخير (URLLC ) و باند پهن بهبود يافته (eMBB)، داراي الزامات متفاوت و گاه متضادي در زمينه نرخ داده، تأخير و قابليت اطمينان هستند. چالش اصلي، طراحي سامانه‌اي براي زمان‌بندي بسته‌ها است كه بتواند اين دو نوع سرويس را به‌طور هم‌زمان و در محيطي پويا و پيچيده پشتيباني كند.
يكي از عوامل كليدي در اين فرآيند، طول بلوك پويا است كه نقشي مهم در كيفيت انتقال، تأخير و نرخ خطا دارد. با توجه به اينكه مدل‌هاي كلاسيك مبتني بر طول بلوك نامحدود، قادر به پاسخ‌گويي به نيازهاي سختگيرانه URLLC نيستند، تحليل و بهينه‌سازي زمان‌بندي در چارچوب طول بلوك محدود به ضرورتي اساسي تبديل شده است.
در اين پژوهش، يك چارچوب هوشمند زمان‌بندي ارائه شده است كه با بهره‌گيري از تكنيك‌هاي يادگيري ماشين به‌ويژه يادگيري تقويتي عميق و Q-Learning قادر است در شرايط پويا، تصميمات بهينه‌اي براي تخصيص منابع اتخاذ كند. پس از تعريف مدل رياضي مدل پيشنهادي، تحليل روابط ميان طول بلوك، تأخير و نرخ داده، و طراحي الگوريتم زمان‌بندي آن در محيط شبيه‌سازي ارزيابي شده است.
نتايج نشان مي‌دهد كه استفاده از الگوريتم‌هاي يادگيري ماشين در كنار طول بلوك پويا مي‌تواند بهبود قابل‌توجهي در كاهش تأخير ترافيك URLLC، افزايش نرخ داده ترافيك eMBB، بهبود بهره‌وري طيفي و افزايش پايداري سيستم ايجاد كند.
بنابراين، اين پژوهش نشان مي‌دهد كه تركيب زمان‌بندي هوشمند و طول بلوك پويا مي‌تواند بستري مناسب براي مديريت يكپارچه ترافيك در شبكه‌هاي6G فراهم كند و راهكاري مؤثر براي دستيابي به كيفيت سرويس مطلوب در اين نسل از شبكه‌ها ارائه دهد.
شماره ركورد
237460
گرايش رشته تحصيلي
شبكه هاي مخابراتي
دانشكده
مهندسي برق و كامپيوتر
دانشگاه
دانشگاه صنعتي اصفهان