CC BY
96
СЕТИ И СИСТЕМЫ СВЯЗИ
ОЦЕНКА ПЕРСПЕКТИВ РАЗВИТИЯ И ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В МОБИЛЬНОЙ СВЯЗИ 5-ГО И 6-ГО
ПОКОЛЕНИЙ
Ш.И. Исобоев, Московский технический университет связи и информатики, sheros95@mail.ru;
Б.М. Халматов, Московский технический университет связи и информатики, bogdanyegorov@gmail. com;
В.А. Коптев, Московский технический университет связи и информатики, yyy. xxx.98@bk. ru.
УДК 004.8:621.391_
Аннотация. В данной статье проведен анализ методов искусственного интеллекта, используемых для повышения производительности мобильной связи. Кратко описываются подходы к искусственному интеллекту в мобильной связи, несколько классических его методов и современные подходы с применением в беспроводной связи. Методы включают нечеткую логику, нейронные сети, обучение с подкреплением и методы искусственного интеллекта, реализованные в мобильной связи. Рассматриваются некоторые ключевые или терминологические проблемы между искусственным интеллектом и будущей мобильной связью, не только проблемы поколения 5G, но и то, как шестое поколение (6G) мобильных сетей будет способствовать обеспечению стабильных сетей и типов услуг на огромных мобильных устройствах и данных.
Ключевые слова: искусственный интеллект; 5G; 6G; MIMO; связь.
ASSESSMENT OF PROSPECTS FOR THE DEVELOPMENT AND APPLICATION OF ARTIFICIAL INTELLIGENCE IN MOBILE COMMUNICATIONS OF THE 5TH AND 6TH GENERATIONS
Sheroz Isoboev, Moscow Technical University of Communications and Informatics; Bogdan Khalmatov, Moscow Technical University of Communications and Informatics; Viktor Koptev, Moscow Technical University of Communications and Informatics.
Annotation. This article analyzes the methods of artificial intelligence used to improve the performance of mobile communications. Approaches to artificial intelligence in mobile communications, several classical methods and modern approaches with application in wireless communications are briefly described. Methods include fuzzy logic, neural networks, reinforcement learning, and artificial intelligence methods implemented in mobile communications. Some key or terminological issues between artificial intelligence and future mobile connectivity, not only the problems of the 5 G generation, but also how the sixth generation (6G) of mobile networks will contribute to providing stable networks and types of services on huge mobile devices and data. Keywords: artificial intelligence; 5G; 6G; MIMO; communication.
Введение
Искусственный интеллект (ИИ) - это один из методов адаптации человеческого мозга или мышления, других действий животных, биологических систем и видов. В частности, ИИ в системе мобильной связи играет важную роль,
являясь перспективным способом оптимизации ее производительности. В общем плане методы искусственного интеллекта вносят значительный вклад в динамическую адаптацию мобильной связи в окружающей среде. В настоящее время сложная сетевая инфраструктура нуждается в переходе от традиционных методов эксплуатации и управления к интеллектуальному подходу для снижения неэффективности и расширения [1, 2].
Следующее поколение беспроводных сетей является более сложным и требует больше ресурсов из-за необходимости улучшения требований к обслуживанию с различными устройствами, сложными сетями и различными приложениями [3]. Кроме того, сетевые программисты должны адаптировать систему таким образом, чтобы предоставлять наилучшие и доступные ресурсы для повышения качества обслуживания. ИИ предназначен для создания адаптивной системы, обеспечивающей лучшую производительность системы и окружающей среды. Эпоха больших данных приводит к появлению все более массивных наборов данных, доступных с мобильных или беспроводных систем. Другими словами, применяемый ИИ в мобильной связи обеспечит повышение эффективности систем связи, повышение производительности и повышение ключевых показателей эффективности (Key Performance Indicator, KPI). Растущая сетевая инфраструктура и аппаратное обеспечение мобильных устройств и их приложений увеличат потребность в мобильных станциях или увеличат объемы мобильного трафика и объем обрабатываемых данных.
Проблемы искусственного интеллекта в мобильной связи
ИИ будет играть важную роль в управлении большими данными в качестве передовой аналитики данных и организации различных коммуникационных устройств в будущих мобильных или беспроводных сетях [4]. С другой стороны, инфраструктура мобильной связи должна быть адаптивной к разнообразным услугам, эффективной и надежной. А именно, способствовать повышению производительности мобильной широкополосной связи, минимизации отношения пиковой мощности к средней (Peak-to-Average-Power-Ratio, PAPR), улучшению множественного доступа с ортогональным разделением частот (Orthogonal frequency-division multiplexing, OFDM), улучшению качества связи.
Другими проблемами ИИ в системе мобильной связи являются принятие решений, управление сетью и оптимизация ресурсов. Что касается мобильной интеллектуальной связи, то она характеризуется проактивной системой, самосознающей, самоадаптивной, прогнозирующей, эффективной и экономичной эксплуатацией и оптимизацией. Еще одним важным аспектом мобильной связи является то, как ИИ может быть применен к различным сценариям беспроводной связи, таким как управление питанием, управление радиоресурсами, управление мобильной связью и управление помехами [5].
Подход и применение искусственного интеллекта в мобильной связи
Существует несколько классических подходов к ИИ, таких как нечеткая логика и нейронная сеть. Затем нейронная сеть будет расширена, чтобы использовать более эффективные методы, такие как машинное обучение и подходы к глубокому обучению. Основным подходом является нечеткая логика, в которой обрабатываются любые значения и в результате получаются значения true и false. Другой термин в ИИ - это обучение с подкреплением, метод проектирования компьютера или машины для самостоятельного обучения вместо того, чтобы быть точно запрограммированным. Одним из методов являются нейронные сети. Эта
техника может быть выполнена с помощью машины или компьютера, способного к самообучению для решения проблемы. Этот процесс перенимает систему и поведение человеческого мозга. В текущих выпусках также было популярно глубокое обучение как улучшенное машинное обучение. Глубокое машинное обучение является интересным подходом для расширенного сетевого трафика и управления будущей мобильной связью. В мобильной связи используются два типа обучения с использованием искусственного интеллекта: обучение под наблюдением и обучение без присмотра.
Принятие решений в области мобильной связи
При принятии решений ИИ в мобильной связи необходимо не только количество, но и качество опыта для различных типов услуг с использованием подхода нейронной сети, а также нейронная сеть для классификации ключевых показателей эффективности, объединяющих показатели эффективности с качеством опыта в услугах мобильного интернета.
В общем случае в качестве «помощника» ИИ по поиску контента предлагают качество опыта персонализированной службы поиска контента, которая разделена на два раздела:
1) Точный, чтобы уловить интерес и опыт пользователей.
2) Процесс доступа к удобству и подходящим рекомендациям.
Методы анализа данных, машинного обучения и ИИ могут быть использованы в аналоговом, цифровом и гибридном формировании луча для создания оптимальных диаграмм направленности, динамического выбора наиболее подходящего луча и выполнения операции управления лучом.
Оптимизация ресурсов в мобильной связи
При оптимизации ресурсов генетические алгоритмы использовались для оптимизации построения многоадресных деревьев мобильных специальных сетей. К этой оптимизации добавляются дополнительные цели, такие как ограниченная сквозная задержка и энергоэффективность. Также нейронные сети и теоретико-множественный метод применяются для решения задачи сокращения PAPR, которая используется для онлайн-обучения. Ключевой компонент повышения эффективности оценки канала OFDM также может быть решен с помощью методов ИИ.
Рассматривается когнитивная радиосистема с совместным определением спектра, в которой несколько вторичных пользователей сотрудничают для получения надежных результатов определения спектра и обеспечения эффективного и надежного оппортунистического доступа к спектру. Также был предложен метод ИИ для решения проблемы межсотовых помех, которая может оказать негативное влияние на производительность пользователей беспроводной связи в мобильных сетях. Существующие алгоритмы искусственного интеллекта интегрируют графические процессоры (Graphics processing unit, GPU) и центральные процессоры (Central processing unit, CPU) для повышения производительности в периферийных вычислениях [6]. Прикладной ИИ для мобильной связи связан со сложными статистическими методами и должен учитывать устройства, инфраструктуру, конечных пользователей, технологии и другие ресурсы.
Сетевое управление в мобильной связи
Примером приложения для управления сетью в беспроводной связи является маршрутизация, тема в разделе коммуникации. В некоторых исследованиях уже реализован ИИ для этой темы. Например, применяется нейронная сеть для реализации самонастройки и самооптимизации как для радиоресурса, так и для маршрутизации [7]. В других исследованиях методы машинного обучения использовались для решения различных типов проблем маршрутизации в прошлом. Он содержал маршрутизацию по кратчайшему пути, адаптивную маршрутизацию и многоадресную маршрутизацию. Другой способ управления сетями в беспроводной связи заключается в мониторинге различных сетевых действий и обнаружении аномалий, т.е. событий, которые отклоняются от текущего поведения сети. ИИ также использовался для прогнозирования трафика в сети связи [8]. Технологии ИИ могут свести к минимуму традиционные вмешательства в управление сетевым трафиком и обеспечить надежность, более адаптивные системы и более высокую производительность сети.
Другие приложения искусственного интеллекта
В целом, методы искусственного интеллекта, применяемые в мобильной связи, можно увидеть в табл. 1.
Таблица 1._
Технология мобильной связи Приложение ИИ
Автономные транспортные средства и устройства для оказания медицинской помощи • Автоматизация с присущим ей искусственным интеллектом. • Современные и основные алгоритмы в конкретной области искусственного интеллекта для автономных транспортных средств. Такие системы особенно подходят для принятия решений на высоком уровне, поскольку они, по определению, должны быть способны воспринимать окружающую среду и реагировать на нее для достижения поставленных целей.
Интернет умных вещей Методы искусственного интеллекта, используемые для создания такого интеллекта, и сетевые решения для использования преимуществ, приносимых этой возможностью.
Мобильные облачные вычисления Ресурсоемкие приложения, такие как дополненная реальность, искусственный интеллект, искусственное зрение, отслеживание объектов, обработка изображений и обработка естественного языка, становятся популярными для управления мобильными облачными вычисления.
Сети 50 Искусственный интеллект и его подкатегории, такие как машинное обучение и глубокое обучение, развиваются как дисциплина до такой степени, что в настоящее время этот механизм позволяет беспроводным сетям пятого поколения (50) быть прогнозирующими и упреждающими, что имеет важное значение для реализации концепции 50.
Технология мобильной связи Приложение ИИ
Сети беспроводных сенсоров • Для оказания помощи интеллектуальным радиоканалам используются инструменты искусственного интеллекта. Инструмент, называемый машинным обучением, считается важным инструментом в решении вышеуказанной проблемы. • Методы машинного обучения для локализации в WSNS с использованием индикатора уровня принимаемого сигнала.
Мобильные гетерогенные сети (HetNets) Машинное обучение, алгоритмы, вдохновленные биологией, нечеткие нейронные сети и так далее, потому что методы искусственного интеллекта естественным образом могут решать проблемы крупномасштабных сложных систем.
Выявление скрытых коммуникаций мобильных вредоносных программ Для обнаружения вредоносных программ, тайно обменивающихся данными, используются два метода обнаружения, основанных на инструментах искусственного интеллекта, таких как нейронные сети и деревья решений.
Мобильные и беспроводные сети Глубокое обучение.
Автомобильные мобильные сети Кэширование границ на основе искусственного интеллекта.
Беспроводные сети нового поколения Машинное обучение, искусственные нейронные сети. Аналитика больших данных для анализа активности пользователей и обнаружения пользовательских аномалий.
Мобильные мультимедиа Глубокое обучение стало важнейшей технологией для мультимедийных вычислений.
Система определения местоположения в помещении на основе Wi-Fi Искусственные нейронные сети.
Когнитивные радиосети Разработка протоколов когнитивной маршрутизации, предусмотренных как протоколы маршрутизации, которые полностью включают в свою разработку методы, основанные на искусственном интеллекте.
Наука о данных и искусственный интеллект для коммуникаций Инновации в области искусственного интеллекта, машинного обучения и анализа сетевых данных предоставляют огромные возможности для революционизации мировых коммуникационных систем и пользовательского опыта.
Системы сотовой сети Концепция искусственного интеллекта и обзор его применения в проектировании, эксплуатации и оптимизации сотовых сетей.
Заключение
ИИ играет важную роль в повышении производительности системы мобильной связи: упреждающая система, самосознательная, самоадаптивная, прогнозирующая, эффективная и экономичная эксплуатация и оптимизация. Было рассмотрено, а также проанализировано несколько классических методов ИИ и современных подходов к ИИ в беспроводной связи. Методы включают нечеткую логику, нейронные сети, обучение с подкреплением и некоторые методы ИИ, реализованные в мобильной связи. Некоторые ключевые проблемы между ИИ и будущей мобильной связью заключаются в том, как управлять, например, большими данными, аналитикой данных, а также передачей на более высоких частотах, связью между устройствами, надежной архитектурой, сверхплотной сетью, массивным MIMO, 3.0-формированием луча, V2X, mm-wave, Cloud-RAN. Проблемы заключаются в проблемах поколения 5G и в том, как поколение 6G мобильных сетей будет использоваться для обеспечения стабильных сетей и типов услуг на огромных мобильных устройствах и данных.
Литература
1. Клаусманн Л., Ревиллауд М., Глейзер С., Груйер Д. «Исследование подходов на основе искусственного интеллекта для принятия решений на высоком уровне при автономном вождении на шоссе», в 2017 году Международная конференция IEEE по системам, человеку и кибернетике, SMC. 2017.
2. Атов И., Чен К.С. и С.Ю. «Наука о данных и искусственный интеллект для коммуникаций», май, 2019. - Т. 57. - № 5. - С. 56.
3. Болябкин М.В. Интеллектуальная система для преобразования запросов на естественном языке в SQL и их выполнения // Международный журнал гуманитарных и естественных наук, 2021. - № 12-1 (63). - С. 134-138. DOI 10.24412/2500-1000-2021-12-1-134-138.
4. Зюзин В.Д. Инновации на рынке телекоммуникационных услуг // Международный журнал гуманитарных и естественных наук, 2020. - № 8 (47). - С. 143-147. DOI 10.24411/2500-1000-2020-10949.
5. Колесников Р.А., Зюзин В.Д. Проблема электромагнитной совместимости. Электромагнитная обстановка и анализ источников помех для оборудования связи // Инновации и инвестиции, 2020. - № 10. - С. 154-158.
6. Зюзин В.Д. Особенности изучения элементов CPU-логики в рамках курса «сетевые технологии» // Методические вопросы преподавания инфокоммуникаций в высшей школе, 2020. - Т. 9. - № 4. - С. 53-62.
7. Muzata A. R., Pershina V.A. The Modeling of Elastic Traffic Transmisson by the Mobile Network with NB-IoT Functionality // 2021 Systems of Signals Generating and Processing in the Field of on-Board Communications, Conference Proceedings, Moscow, 16-18 марта 2021 года. - Moscow. 2021. - P. 9416132.
8. Артвел Р.М. Анализ принципов функционирования технологии Nb-IOT на основе сетей мобильной связи последних поколений // Телекоммуникационные и вычислительные системы 2020: Труды международной научно-технической конференции, Москва, 14-17 декабря 2020 года / Московский технический университет связи и информатики. - Москва: Научно-техническое издательство «Горячая линия-Телеком», 2020. - С. 183-188.
