Інтелектуальні технології коригування фізичного рівня мобільних мереж
Анотація
Досліджено інтелектуальні технології коригування фізичного рівня мобільних мереж, які використовуються для оптимізації та покращення роботи бездротових комунікаційних систем. Такі технології дозволяють вдосконалювати ефективність передачі даних, збільшувати пропускну здатність та знижувати помилки передачі. Зокрема розглянуто структуру наскрізного фізичного рівня на основі навчання з підкріпленням, яке вивчає, як агент повинен приймати рішення в певному середовищі, щоб максимізувати деяку винагороду або очікувану користь. У контексті фізичного рівня мережі, навчання з підкріпленням може бути використане для оптимізації поведінки агента, який впливає на передачу даних та керування параметрами каналу.
Запропоновано модель блоку фізичного рівня мережі з генеративним штучним інтелектом, яка може використовуватися для покращення ефективності та надійності передачі даних у бездротових комунікаційних системах. Основною метою такої моделі є генерація оптимальних сигналів або налаштування параметрів передачі даних з метою максимізації пропускної здатності, мінімізації помилок передачі та забезпечення якісного зв'язку.
Досліджено взаємодію між блоком фізичного рівня мережі і алгоритмом штучного інтелекту через кілька способів, залежно від конкретної ситуації і контексту використання. Алгоритм штучного інтелекту може отримувати дані з фізичного рівня мережі, наприклад, інформацію про стан мережевих пристроїв, пропускну здатність, шум, затримки. Ці дані можуть бути передані через спеціальний інтерфейс або протокол з фізичного рівня до алгоритму штучного інтелекту для подальшого аналізу та обробки. Алгоритм штучного інтелекту може надавати команди мережевим пристроям на фізичному рівні, наприклад, для налаштування параметрів, оптимізації роботи мережі, виявлення аномальної поведінки. Ці команди можуть бути передані через певний протокол або інтерфейс з алгоритму штучного інтелекту до мережевих пристроїв. Алгоритм штучного інтелекту може аналізувати дані з фізичного рівня мережі для виявлення відхилень, помилок або збоїв у роботі мережі. При виявленні таких ситуацій алгоритм може відправляти повідомлення адміністратору мережі або виконувати автоматичні дії для відновлення роботи мережі. Досліджено оптимізацію ресурсів в контексті взаємодії блоку фізичного рівня мережі з алгоритмом штучного інтелекту. Алгоритм штучного інтелекту може аналізувати навантаження на мережеві ресурси на фізичному рівні і розподіляти пропускну здатність між різними пристроями або каналами з метою досягнення оптимального використання доступних ресурсів. Алгоритм штучного інтелекту може аналізувати історичні дані трафіку на фізичному рівні мережі і прогнозувати майбутні трафікові потоки. Це дозволяє забезпечити ефективне планування ресурсів і адаптувати мережеві налаштування для задоволення передбачуваних потреб.
Запропоновано модель блоку фізичного рівня з вбудованим алгоритмом штучного інтелекту у форматі комбінації апаратного та програмного забезпечення, яка поєднує функціональні можливості фізичного рівня мережі з інтелектуальними алгоритмами. Визначено методи підвищення продуктивності фізичного рівня бездротових систем за допомогою технології генеративного штучного інтелекту (ГШІ): оптимізація параметрів системи, виявлення шаблонів, аналіз даних та оптимальне планування тренувань і автоматичне регулювання параметрів мереж
Посилання
2. S. Rajendran, W. Meert, D. Giustiniano, V. Lenders, S. Pollin, Deep learning models for wireless signal classification with distributed lowcost spectrum sensors. IEEE Trans. Cognitive Commun. Netw. 4(3), 433–445 (2018)
3. T.J. O’Shea, T. Roy, T.C. Clancy, Over-the-air deep learning based radio signal classification. IEEE J. Sel. Topics Signal Process. 12(1), 168–179 (2018)
4. O. Shental, J. Hoydis, Machine LLRning: Learning to softly demodulate, in IEEE Globecom Workshops 2019, HI, USA (2019), pp. 1–7
5. Y. Wang, S. Member, M. Liu, Data-driven deep learning for automatic modulation. IEEE Trans. Veh. Technol. 68(4), 4074–4077 (2019)
