بهبود فرآیند انتقال بین سلول‌ها با استفاده از الگوریتم‌های یادگیری ماشین و پارامترهای قدرت سیگنال دریافتی
الموضوعات : فناوری های نوین در سیستم های توزیع شده و محاسبات الگوریتمی
بابک لطفی
1
,
یاسر علمی سولا
2
1 - گروه مهندسی کامپیوتر و فناوری اطلاعات،دانشگاه آزاد سبزوار، سبزوار، ایران
2 - گروه مهندسی کامپیوتر و فناوری اطلاعات،دانشگاه آزاد سبزوار، سبزوار، ایران
الکلمات المفتاحية: الگوریتم‌های یادگیری ماشین, انتقال بین سلولی, خوشه‌بندی, شبکه‌های نسل پنجم, قدرت سیگنال دریافتی, کیفیت خدمات,
ملخص المقالة :
در شبکه‌های نسل پنجم (5G)، کاهش اندازه سلول‌ها منجر به افزایش چشمگیر تعداد فرآیندهای انتقال بین سلولی (Handover) شده است. با توجه به تأثیر مستقیم این فرآیند بر کیفیت خدمات (QoS) و تجربه کاربران، مدیریت کارآمد آن از اهمیت ویژه‌ای برخوردار است. در این راستا، پژوهش حاضر با استفاده از الگوریتم‌های یادگیری ماشین و ترکیب سه روش خوشه‌بندی K-means، DBSCAN وGMM، به بهبود فرآیند انتقال پرداخته است. در روش پیشنهادی، با اصلاح ویژگی‌های مورداستفاده در تحقیقات پیشین، تلاش شده است تا کارایی شبکه بهینه‌سازی شده و تعداد انتقال‌های غیرضروری کاهش یابد. الگوریتم K-Means به دلیل سادگی و کارایی بالا، جهت کاهش واریانس درون‌خوشه‌ای استفاده شده، اما چالش‌هایی مانند حساسیت به نویز و نیاز به تعیین تعداد خوشه‌ها دارد. در مقابل، DBSCAN بدون وابستگی به تعداد خوشه‌ها، بر اساس چگالی نقاط عمل کرده و قابلیت حذف داده‌های نویزی را دارد. همچنین، الگوریتم GMM با مدل‌سازی آماری پیچیده، خوشه‌بندی دقیق‌تری را فراهم می‌کند. در این پژوهش، پس از پیش‌پردازش ویژگی‌های موقعیت کاربران، قدرت سیگنال دریافتی و وضعیت سلول‌ها، ترکیب این سه الگوریتم در سه روش موازی، سری و ترکیبی جهت تصمیم‌گیری بهینه در فرآیند انتقال بررسی شده است. به‌کارگیری این رویکرد تطبیقی نه‌تنها موجب کاهش تعداد انتقال‌ها و اثرات منفی ناشی از آن شده، بلکه کیفیت ارتباطات و توان عملیاتی شبکه را نیز بهبود داده است. نتایج پیاده‌سازی نشان می‌دهد که روش پیشنهادی می‌تواند تجربه کاربری بهتری را در شبکه‌های متراکم نسل پنجم، فراهم کند.
N. Javaid, A. Sher, H. Nasir, and N. Guizani, "Intelligence in IoT-based 5G networks: Opportunities and challenges," IEEE Communications Magazine, vol. 56, no. 10, pp. 94-100, 2018
A. Biswas and H.-C. Wang, "Autonomous vehicles enabled by the integration of IoT, edge intelligence, 5G, and blockchain," Sensors, vol. 23, no. 4, p. 1963, 2023
J. Orlosky, K. Kiyokawa, and H. Takemura, "Virtual and augmented reality on the 5G highway," Journal of Information Processing, vol. 25, pp. 133-141, 2017.
F. M. García, R. Moraleda, S. Schez-Sobrino, D. N. Monekosso, D. Vallejo, and C. Glez-Morcillo, "Health-5g: A mixed reality-based system for remote medical assistance in emergency situations," IEEE Access, vol. 11, pp. 59016-59032, 2023
R. Arshad, H. ElSawy, S. Sorour, T. Y. Al-Naffouri, and M.-S. Alouini, "Handover management in 5G and beyond: A topology aware skipping approach," IEEE Access, vol. 4, pp. 9073-9081, 2016.
A. Gupta and R. K. Jha, "A survey of 5G network: Architecture and emerging technologies," IEEE access, vol. 3, pp. 1206-1232, 2015.
K. Maruta et al., "Millimeter-wave fast beam tracking enabled by RAN/V2X cooperation," in 2024 International Conference on Artificial Intelligence in Information and Communication (ICAIIC), 2024: IEEE, pp. 388-392
M. De Ree, G. Mantas, A. Radwan, S. Mumtaz, J. Rodriguez, and I. E. Otung, "Key management for beyond 5G mobile small cells: A survey," IEEE Access, vol. 7, pp. 59200-59236, 2019.
T. S. Rappaport et al., "Millimeter wave mobile communications for 5G cellular: It will work!," IEEE access, vol. 1, pp. 335-349, 2013
H. Nishimoto et al., "Linear cellularization enabling millimeter-wave train radio communication systems in 5G Era," in 2018 Progress in Electromagnetics Research Symposium (PIERS-Toyama), 2018: IEEE, pp. 99-106
O. Idowu-Bismark, O. Oyeleke, A. A. Atayero, and F. Idachaba, "5G small cell backhaul: A solution based on GSM-aided hybrid beamforming," International Journal of Computer Network and Information Security, vol. 11, no. 8, p. 24, 2019
A. Priyanka, P. Gauthamarayathirumal, and C. Chandrasekar, "Machine learning algorithms in proactive decision making for handover management from 5G & beyond 5G," Egyptian Informatics Journal, vol. 24, no. 3, p. 100389, 2023.
M. S. Alam, G. K. Kurt, H. Yanikomeroglu, P. Zhu, and N. D. Đào, "High altitude platform station based super macro base station constellations," IEEE Communications Magazine, vol. 59, no. 1, pp. 103-109, 2021
A. Stamou, N. Dimitriou, K. Kontovasilis, and S. Papavassiliou, "Context-aware handover management for HetNets: Performance evaluation models and comparative assessment of alternative context acquisition strategies," Computer Networks, vol. 176, p. 107272, 2020.
V. Yajnanarayana, H. Rydén, and L. Hévizi, "5G handover using reinforcement learning," in 2020 IEEE 3rd 5G World Forum (5GWF), 2020: IEEE, pp. 349-354
M. R. Mahmood, M. A. Matin, P. Sarigiannidis, and S. K. Goudos, "A comprehensive review on artificial intelligence/machine learning algorithms for empowering the future IoT toward 6G era," IEEE Access, vol. 10, pp. 87535-87562, 2022.
A. Habbal, S. I. Goudar, and S. Hassan, "Context-aware radio access technology selection in 5G ultra dense networks," IEEE access, vol. 5, pp. 6636-6648, 2017.
Y. Li and H. Wu, "A clustering method based on K-means algorithm," Physics Procedia, vol. 25, pp. 1104-1109, 2012.
D. Deng, "DBSCAN clustering algorithm based on density," in 2020 7th international forum on electrical engineering and automation (IFEEA), 2020: IEEE, pp. 949-953
J. Wang and J. Jiang, "Unsupervised deep clustering via adaptive GMM modeling and optimization," Neurocomputing, vol. 433, pp. 199-211, 2021
R. M. Abdullah, I. Al-Surmi, G. R. Qaid, and A. A. Alwan, "Energy-Efficient Handover Algorithm for Sustainable Mobile Networks: Balancing Connectivity and Power Consumption," Journal of Sensor and Actuator Networks, vol. 13, no. 5, p. 51, 2024.
R. A. Paropkari, A. Thantharate, and C. Beard, "Deep-mobility: A deep learning approach for an efficient and reliable 5g handover," in 2022 international conference on wireless communications signal processing and networking (WiSPNET), 2022: IEEE, pp. 244-250.
H. Wang and B. Li, "Double‐deep Q‐learning‐based handover management in mmWave heterogeneous networks with dual connectivity," Transactions on Emerging Telecommunications Technologies, vol. 35, no. 1, p. e4907, 2024
W. Ren, J. Xu, D. Li, Q. Cui, and X. Tao, "A robust inter beam handover scheme for 5G mmWave mobile communication system in HSR scenario," in 2019 IEEE Wireless Communications and Networking Conference (WCNC), 2019: IEEE, pp. 1-6
S. Alraih, R. Nordin, A. Abu-Samah, I. Shayea, and N. F. Abdullah, "A survey on handover optimization in beyond 5G mobile networks: Challenges and solutions," IEEE Access, vol. 11, pp. 59317-59345, 2023.
L. Yan et al., "Machine learning-based handovers for sub-6 GHz and mmWave integrated vehicular networks," IEEE Transactions on Wireless Communications, vol. 18, no. 10, pp. 4873-4885, 2019
R. Rafailov, K. B. Hatch, V. Kolev, J. D. Martin, M. Phielipp, and C. Finn, "Moto: Offline pre-training to online fine-tuning for model-based robot learning," in Conference on Robot Learning, 2023: PMLR, pp. 3654-3671
S. Sinha, J. W. Lambrechts, A. Bimana, and A. Ashipala, "Augmented Artificial Intelligence in 5G, 6G, and Beyond: A Quantum Leap," Computer, vol. 58, no. 1, pp. 24-32, 2025.
S. K. Thillaigovindhan, M. Roslee, S. M. I. Mitani, A. F. Osman, and F. Z. Ali, "A comprehensive survey on machine learning methods for handover optimization in 5g networks," Electronics, vol. 13, no. 16, p. 3223, 2024
A. Al-Thaedan et al., "A machine learning framework for predicting downlink throughput in 4G-LTE/5G cellular networks," International Journal of Information Technology, vol. 16, no. 2, pp. 651-657, 2024.
M. S. Mollel et al., "A survey of machine learning applications to handover management in 5G and beyond," IEEE Access, vol. 9, pp. 45770-45802, 2021
J. P. Lima et al., "Deep learning-based handover prediction for 5G and beyond networks," in ICC 2023-IEEE International Conference on Communications, 2023: IEEE, pp. 3468-3473
W.-S. Hwang, T.-Y. Cheng, Y.-J. Wu, and M.-H. Cheng, "Adaptive handover decision using fuzzy logic for 5G ultra-dense networks," Electronics, vol. 11, no. 20, p. 3278, 2022.
M. Alhabo, L. Zhang, N. Nawaz, and H. Al‐Kashoash, "Game theoretic handover optimisation for dense small cells heterogeneous networks," IET Communications, vol. 13, no. 15, pp. 2395-2402, 2019
L.-P. Tung and B.-S. P. Lin, "Big data and machine learning driven handover management and forecasting," in 2017 IEEE Conference on Standards for Communications and Networking (CSCN), 2017: IEEE, pp. 214-219
J. Tanveer, A. Haider, R. Ali, and A. Kim, "An overview of reinforcement learning algorithms for handover management in 5G ultra-dense small cell networks," Applied Sciences, vol. 12, no. 1, p. 426, 2022
M. B. Patil and L. Math, "A novel approach for optimization of handover mechanism using metaheuristics algorithms," Measurement: Sensors, vol. 24, p. 100467, 2022.
