بهبود فرآیند انتقال بین سلول‌ها با استفاده از الگوریتم‌های یادگیری ماشین و پارامترهای قدرت سیگنال دریافتی

محورهای موضوعی : 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

تاریخ دریافت : 1404/01/04 تاریخ پذیرش : 1404/01/27 تاریخ انتشار : 1404/03/17

کلید واژه: الگوریتم‌های یادگیری ماشین, انتقال بین سلولی, خوشه‌بندی, شبکه‌های نسل پنجم, قدرت سیگنال دریافتی, کیفیت خدمات,

چکیده مقاله :

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.

چکیده انگلیسی:

In 5G networks, the reduction in cell size has significantly increased the frequency of handover processes. Given the direct impact of this process on quality of service (QoS) and user experience, efficient handover management is of critical importance. This study focuses on improving the handover process using machine learning algorithms and a combination of three clustering methods: K-means, DBSCAN, and GMM. The proposed approach refines the features used in previous studies to optimize network performance and reduce unnecessary handovers. The K-means algorithm, known for its simplicity and efficiency, minimizes intra-cluster variance, yet it faces challenges such as sensitivity to noise and the need to predefine the number of clusters. In contrast, DBSCAN, which operates based on point density, does not require a predefined number of clusters and can effectively eliminate noisy data points. Additionally, GMM, through complex statistical modeling, provides more precise clustering and a better representation of data distribution. In this study, after preprocessing user location, received signal strength, and cell status, these three algorithms were integrated using parallel, sequential, and hybrid methods to enhance decision-making in the handover process. This adaptive approach not only reduces the number of handovers and their negative effects but also enhances network efficiency and communication quality. The implementation results indicate that the proposed method can significantly improve user experience in dense 5G networks, making the handover process more reliable and efficient

منابع و مأخذ:

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.

متن کامل:



Journal of New Technologies in Distributed Systems and Algorithmic Computing

Islamic Azad University of Sabzevar

E-ISSN: 3115-705X

https://sanad.iau.ir/journal/ntds

 

 

Research Article

Improving the Handover Process Using Machine Learning Algorithms and Received Signal Strength Parameters

 

1Department of Computer Engineering and Information Technology, Islamic Azad University, Sabzevar Branch, Sabzevar, Iran, [e-mail]   2Department of Computer Engineering and Information Technology, Islamic Azad University, Sabzevar Branch, Sabzevar, Iran, [e-mail]                   Corresponding Author *Babak Lotfi, PhD Student Department of Computer Engineering and Information Technology, Islamic Azad University, Sabzevar Branch, Sabzevar, Iran, [e-mail]

Babak Lotfi1*  | Yaser Elmo Sola2  

Abstract

https://doi.org/10.82195/ntds.2025.1202659

Main Subjects: Improving the HandOver in 5G Networks Received: 24 March 2025 Revised: 9 April 2025 Accepted: 16 April 2025

In 5G networks, the reduction in cell size has significantly increased the frequency of handover processes. Given the direct impact of this process on quality of service (QoS) and user experience, efficient handover management is of critical importance. This study focuses on improving the handover process using machine learning algorithms and a combination of three clustering methods: K-means, DBSCAN, and GMM. The proposed approach refines the features used in previous studies to optimize network performance and reduce unnecessary handovers. The K-means algorithm, known for its simplicity and efficiency, minimizes intra-cluster variance, yet it faces challenges such as sensitivity to noise and the need to predefine the number of clusters. In contrast, DBSCAN, which operates based on point density, does not require a predefined number of clusters and can effectively eliminate noisy data points. Additionally, GMM, through complex statistical modeling, provides more precise clustering and a better representation of data distribution. In this study, after preprocessing user location, received signal strength, and cell status, these three algorithms were integrated using parallel, sequential, and hybrid methods to enhance decision-making in the handover process. This adaptive approach not only reduces the number of handovers and their negative effects but also enhances network efficiency and communication quality. The implementation results indicate that the proposed method can significantly improve user experience in dense 5G networks, making the handover process more reliable and efficient

 

Keywords: Handover, 5G networks, Quality of Service (QoS), Machine Learning Algorithms, Received Signal Streng

 

 

 

 

 

 

 

 

 

پژوهشی

بهبود فرایند انتقال بین سلول‌ها با استفاده از الگوریتم‌های یادگیری ماشین و پارامترهای قدرت سیگنال دریافتی

 

بابک لطفی* 1 |یاسر علمی سولا2

1گروه مهندسی کامپیوتر و فناوری اطلاعات، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ایران [e-mail]   2گروه مهندسی کامپیوتر و فناوری اطلاعات، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ایران [e-mail]                           نویسنده مسئول *بابک لطفی ، دانشجوی دکتری تخصصی مهندسی فناوری اطلاعات، گروه مهندسی کامپیوتر و فناوری اطلاعات، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ایران [e-mail]

چکیده:

https://doi.org/10.82195/ntds.2025.1202659

عنوان اصلی: بهبود فرایند انتقال بین سلول‌ها در شبکه‌های نسل پنجم تاریخ دریافت: 04/01/1404 تاریخ بازنگری: 20/1/ 1404 تاریخ پذیرش: 27/01/1404

  با گسترش روزافزون شبکه‌های نسل پنجم (5G) و افزایش تراکم ایستگاه‌های پایه، فرایند انتقال بین سلولی (Handover) به یکی از چالش‌های اساسی در تضمین کیفیت خدمات (QoS) و حفظ پایداری ارتباطات تبدیل شده است. در این پژوهش، باهدف بهبود مدیریت انتقال، رویکردی مبتنی بر یادگیری ماشین ارائه شده که با بهره‌گیری از سه الگوریتم خوشه‌بندی K-Means ، DBSCAN و GMM در سه ساختار اجرایی متفاوت، شامل موازی، سری و ترکیبی (Ensemble)، پیاده‌سازی شده است. در این چارچوب، ویژگی‌های ورودی، شامل موقعیت مکانی کاربران، قدرت سیگنال دریافتی و وضعیت سلول‌ها، به‌دقت پیش‌پردازش شده و مدل‌های خوشه‌بندی، اصلاح و آموزش‌دیده‌اند. نتایج حاصل از پیاده‌سازی نشان می‌دهد که ساختار ترکیبی عملکرد بهتری نسبت به سایر روش‌ها داشته و بهبود معناداری در معیارهایی نظیر دقت پیش‌بینی (Precision) با مقدار 3/91 درصد و میانگین هارمونیک (F1 Score) با مقدار 2/90 درصد داشته اند. به‌منظور سنجش کارایی مدل، مقایسه‌ای نیز با نتایج دو روش شناخته‌شده، شامل روش مبتنی بر شبکه‌های عصبی بازگشتی (RNN) حافظه طولانی کوتاه مدت (LSTM) و روش مبتنی بر منطق فازی انجام شده است. مقایسه‌ها نشان می‌دهد که رویکرد پیشنهادی از نظر شاخص‌های عملکردی، از جمله دقت، نرخ انتقال و ثبات خوشه‌بندی، برتری محسوسی نسبت این دو مدل‌ دارد. همچنین تحلیل آماری با استفاده از آزمون ANOVA، تفاوت معنادار عملکرد میان روش‌ها را تأیید می‌نماید. در مجموع، نتایج این پژوهش حاکی از اثربخشی روش ترکیبی پیشنهادی در کاهش انتقال‌های غیرضروری، افزایش پایداری اتصال و بهبود کیفیت ارتباط در محیط‌های متراکم شبکه های نسل پنجم است.

کلیدواژه‌ها: الگوریتم‌های یادگیری ماشین، انتقال بین سلولی، خوشه‌بندی، شبکه‌های نسل پنجم، قدرت سیگنال دریافتی، کیفیت خدمات

 

 

 

 

 

                

1. مقدمه

  شبکه‌های نسل پنجم به عنوان یک فناوری پیشرفته‌ی ارتباطی، تحولی شگرف در سرعت و قابلیت‌های ارتباطاتی بی‌سیم، ایجاد کرده‌اند. این شبکه‌ها با ارائه‌ی پهنای باند وسیع‌تر، تأخیر کمتر و ظرفیت بالاتر، زمینه‌ساز توسعه و پیاده‌سازی برنامه‌های متنوعی از جمله اینترنت اشیا[1]، خودروهای خودران[2]، واقعیت افزوده و مجازی[3] و خدمات پزشکی از راه دور[4] هستند. با این حال، یکی از چالش‌های اصلی در شبکه‌های نسل پنجم، مدیریت مؤثر فرآیند انتقال[5] بین سلول‌های مختلف شبکه است.

متراکم‌سازی شبکه، مکانیسمی بنیادی برای افزایش تراکم ایستگاه‌های پایه در یک منطقه خاص در جهت بالابردن ظرفیت شبکه دسترسی رادیویی است که انتظار می‌رود شبکه‌های نسل پنجم را قادر سازد تا افزایش ظرفیت موردانتظار شبکه را برآورده کنند. ایده اصلی در متراکم‌سازی شبکه، استفاده مجدد از فرکانس نامیده می‌شود که در این رویکرد، سایر ایستگاه‌های پایه تا زمانی که تداخل متقابل وجود نداشته باشد مجاز به استفاده از طیف فرکانسی ایستگاه پایه هستند. به‌منظور محدودکردن مناطق همپوشانی، این اجتناب با کاهش قدرت انتقال انجام می‌شود[6].

  در شبکه‌های سلولی نسل پنجم، با افزایش پهنای باند، مدیریت انتقال بین سلولی به یک چالش جدی تبدیل شده است. مطابق با شکل (1)، کاربران هنگام حرکت، به‌طور مداوم بین ایستگاه‌های پایه‌ی مختلف، جابه‌جا شده که می‌تواند باعث اختلال در اتصال، کاهش سرعت و افت کیفیت خدمات شود. با ظهور شبکه‌های متراکم و استفاده از امواج میلی‌متری[7]، مشکل انتقال بین سلول‌ها تشدید شده است. زیرا فرکانس‌های بالاتر محدوده پوشش‌دهی کمتری دارند. به همین دلیل، برای پوشش بهتر، نیاز به نصب تعداد بیشتری ایستگاه پایه است. اما این افزایش پایه‌ها باعث افزایش تعداد انتقال بین سلولی شده و کیفیت خدمات به کاربران را کاهش می‌دهد. یکی از راه‌حل‌های ممکن، جهت افزایش کیفیت خدمات و بهبود مشکلات ناشی از افزایش تعداد انتقال بین سلول‌ها، استفاده از سلول‌های کوچک است[8]. این سلول‌ها در نقاط پرترافیک نصب شده و با بهینه‌سازی پوشش و استفاده مجدد از فرکانس‌ها، امکان راه‌اندازی ایستگاه‌های پایه‌ی بیشتری را فراهم کرده که به کاهش تأثیرات منفی انتقال بین سلول‌ها، کمک می‌کند. علاوه بر این، امواج میلی‌متری، چالش‌های خاص خود را دارند. هرچه فرکانس بالاتر باشد، میزان افت سیگنال نیز بیشتر خواهد شد. یعنی سیگنال مسافت کوتاه‌تری را طی کرده و پوشش‌دهی ایستگاه‌های پایه، کاهش می‌یابد. همچنین، سیگنال‌هایی که پهنای باند بیشتری دارند، برد کوتاه‌تری خواهند داشت. این ویژگی‌ها باعث می‌شوند که ایستگاه‌های پایه با فاصله کمتری از هم نصب شده و ارتباطات پایدارتری را برای کاربران، فراهم کنند[9].

 

 

شکل 1: انتقال بین سلول‌ها در شبکه نسل پنجم

Figure 1: Transfer between cells in the fifth-generation network

 

مطابق با شکل (2)، تأثیر افزایش فرکانس بر پوشش سلولی، نرخ فرآیند انتقال بین سلول‌ها و ظرفیت در شبکه‌های نسل پنجم و امواج میلیمتری را می‌توان دید. با افزایش فرکانس، شعاع پوشش سلولی به‌شدت کاهش یافته به‌طوری‌که در فرکانس‌های پایین مانند 2 و 3.5 گیگاهرتز، پوشش‌دهی وسیع‌تر است اما در فرکانس‌های 28 گیگاهرتز و بالاتر، برد سلول‌ها کاهش یافته و نیاز به افزایش ایستگاه‌های پایه، ایجاد می‌شود. نمودار میانی بیانگر نرخ فرآیند انتقال بین سلول‌ها بوده که با افزایش فرکانس، روندی صعودی را طی می‌کند. زیرا تعداد بیشتری ایستگاه‌های پایه، برای پوشش‌دهی مناسب در فرکانس‌های بالا مورد نیاز بوده که باعث افزایش نرخ جابه‌جایی کاربر بین سلول‌ها، می‌شود. در فرکانس‌های 60 و 100 گیگاهزتر، این مقدار به بیشینه‌ی خود رسیده و به‌طور قابل‌ملاحظه‌ای بر کیفیت تجربه‌ی کاربر، تأثیر منفی، می‌گذارد.

نمودار سمت راست، ظرفیت شبکه را بر حسب نرخ فرآیند انتقال بین سلول‌ها نشان می‌دهد. ظرفیت شبکه در فرکانس‌های بالاتر به‌رغم افزایش نرخ فرآیند انتقال بین سلول‌ها، در مقایسه با فرکانس‌های پایین‌، بیشتر است[10]. این امر به دلیل پهنای باند وسیع‌تر در فرکانس‌های با امواج میلیمتری بوده که امکان انتقال داده‌ها با نرخ بالاتر را فراهم می‌کند. با این‌حال، افزایش نرخ فرآیند انتقال بین سلول‌ها در این باندها، چالشی جدی در حفظ پایداری اتصال محسوب می‌شود. نتایج این تحلیل تأکیدی بر ضرورت استفاده از تکنیک‌هایی نظیر سلول‌های پایه‌ی کوچک، تشکیل پرتو هوشمند[11] و الگوریتم‌های یادگیری ماشین[12] ، جهت بهینه‌سازی فرآیند انتقال بین سلول‌ها در شبکه‌های نسل پنجم و فراتر از آن داشته تا ضمن افزایش ظرفیت شبکه، نرخ جابه‌جایی کاربران بین سلول‌ها، مدیریت شده و از تأثیرات منفی آنها، کاسته شود.

 

 

شکل 2 : تأثیر افزایش فرکانس بر پوشش سلولی

Figure 2: The effect of increasing frequency on cellular coverage

 

  با افزایش تعداد ایستگاه‌های پایه در یک محیط معین، دستگاه‌های کاربر، ملزم به انجام انتقال بین سلولی بیشتری، می‌شوند. این افزایش، ناشی از کاهش اندازه سلول‌ها و افزایش تراکم ایستگاه‌های پایه بوده که باعث می‌شود، محدودة پوشش هر ایستگاه‌ پایه، کوچک‌تر و دستگاه‌های کاربر، سریع‌تر از محدوده یک ایستگاه خارج شوند[13]. در نتیجه، تعداد انتقال‌ها افزایش یافته که می‌تواند بر پایداری اتصال و کیفیت تجربه کاربر، تأثیر منفی بگذارد. از آنجایی که میانگین توان عملیاتی کاربر با تعداد انتقال‌ها، رابطه‌ی معکوس دارد، افزایش انتقال بین سلولی، منجر به کاهش کیفیت ارتباطات و افت سطح خدمات خواهد شد. علاوه بر این، قطع موقت سرویس در هنگام انتقال باعث کاهش سطح رضایت کاربران شده و می‌تواند اهداف کلیدی شبکه‌های نسل پنجم از جمله پایداری اتصال، کاهش تأخیر و تجربه‌ی کاربری یکپارچه را تحت تأثیر قرار دهد[14].

  مواجه‌شدن با تعداد و هزینه‌ی انتقال‌های تحمیل شده در طول یک جلسه پیامدهای نامطلوبی دارد. به همین دلیل، عمده تحقیقات در مورد مدیریت انتقال بر دو موضوع کاهش تعداد و هزینه‌ی هر انتقال، متمرکز شده است. علی‌رغم این واقعیت و باتوجه‌به اطلاعات مربوطه به رشد ایستگاه‌های پایه، اینترنت اشیا و همچنین افزایش تقاضا برای خدمات داده‌محور، عمدتاً تاکنون، آمارها منفی گزارش شده است. اپراتورهای شبکه برای فعال‌کردن مدیریت مؤثرتر، ممکن است از حجم وسیعی از داده‌های ایجاد شده توسط شبکه‌های سلولی استفاده کرده که به طور قابل‌توجهی نیز در حال گسترش است. به‌عبارت‌دیگر، هرچه شبکه‌ها بزرگ‌تر و پیچیده‌تر شوند، همچنان حجم عظیمی از داده‌های تولید شده که توجه به کاهش این پیچیدگی‌ها، بسیار ضروری است. به همین دلیل، روش‌های یادگیری ماشین توجه زیادی را در حوزه ارتباطات بی‌سیم به خود جلب کرده است. چرا که مقادیر زیادی از داده‌ها را می‌توان به طور مؤثر برای آموزش مدل‌های یادگیری ماشین مورداستفاده قرارداد که منجر به تصمیم‌گیری فعال‌تر و آگاهانه‌تر شود[15].

  هوش مصنوعی و یادگیری ماشین نقش‌محوری در شبکه‌های نسل ششم ایفا خواهند کرد، زیرا انتظار می‌رود این شبکه‌ها به‌صورت هوشمند مدیریت، کنترل و بهینه‌سازی شوند. در این راستا، مدیریت فرایند انتقال بین سلولی از اهمیت بالایی برخوردار بوده و نیازمند توسعه روش‌های کارآمد، مبتنی بر یادگیری ماشین است؛ بنابراین، بررسی پیشرفت‌های اخیر در مدیریت انتقال مبتنی بر یادگیری ماشین در شبکه‌های سلولی، به‌ویژه در نسل پنجم و ششم، همراه با تحلیل داده‌های مورداستفاده در این الگوریتم‌ها، ضرورتی اجتناب‌ناپذیر به شمار می‌رود[12, 16].

در عصر ارتباطات سیار، تداوم ارتباط باکیفیت یکی از عوامل کلیدی در شبکه‌های تلفن همراه محسوب می‌شود. فرایند انتقال بین سلولی به‌عنوان یک مؤلفه اساسی در شبکه‌های ارتباطی سلولی نسل جدید، چالش‌های متعددی را در کیفیت خدمات ایجاد می‌کند. این چالش‌ها شامل کاهش نرخ میانگین توان عملیاتی، افزایش تأخیر و اختلال در ارائه خدمات هستند. ظهور فناوری‌های توانمندساز در شبکه‌های نسل پنجم، از جمله اینترنت اشیا، شبکه‌های فوق متراکم و ارتباطات مبتنی بر امواج میلی‌متری، منجر به افزایش چشمگیر تعداد ایستگاه‌های پایه و تراکم اتصال در واحد سطح شده است. این مسئله مدیریت کارآمد فرایند انتقال بین سلولی را پیچیده‌تر کرده و نیازمند روش‌های پیشرفته‌تر برای بهینه‌سازی این فرایند است. علاوه بر این، الزامات شبکه‌های نسل پنجم و ششم مانند کاهش تأخیر، افزایش پایداری ارتباطات و ارائه تجربه کاربری یکپارچه، این چالش‌ها را بیش‌ازپیش برجسته کرده و ضرورت توسعه الگوریتم‌های بهینه‌سازی نوین را دوچندان ساخته است[17].

  به همین دلیل، این پژوهش بر تکنیک‌های بهینه‌سازی هوشمند فرایند انتقال مبتنی بر مدل‌های یادگیری ماشین متمرکز است که هدف آن بهبود مدیریت انتقال در شبکه‌های نسل پنجم و دستیابی به عملکردی پایدارتر و کارآمدتر در این شبکه‌ها است. تعدد فرایندهای انتقال بین سلولی می‌تواند منجر به کاهش کیفیت خدمات، افزایش تأخیر و ناپایداری ارتباطات شود که این مسئله در سناریوهای با تحرک بالا، نظیر وسایل نقلیه خودران و قطارهای پرسرعت، به طور چشمگیری برجسته‌تر است. بهینه‌سازی و مدیریت کارآمد فرایند انتقال در این شبکه‌ها نه‌تنها از اهمیت ویژه‌ای برخوردار است، بلکه می‌تواند به طور قابل‌توجهی کیفیت خدمات را ارتقا دهد. یکی از رویکردهای مؤثر در این زمینه، بهره‌گیری از الگوریتم‌های یادگیری ماشین و تکنیک‌های پیشرفته خوشه‌بندی است که قادر به تحلیل الگوهای حرکتی کاربران، بهینه‌سازی تصمیمات انتقال و کاهش اثرات منفی ناشی از انتقال‌های غیرضروری هستند. الگوریتم‌های مختلفی می‌توانند در افزایش دقت خوشه‌بندی و کاهش تعداد انتقال بین سلول‌ها نقش بسزایی ایفا کند.

  الگوریتم K-Means [18]، به‌عنوان یکی از الگوریتم‌های خوشه‌بندی ساده و کارآمد بوده که با هدف کمینه کردن واریانس درون خوشه‌ها عمل می‌کند. با این حال، این الگوریتم با محدودیت‌هایی نظیر حساسیت به نویز، نقاط پرت و نیاز به تعیین تعداد خوشه‌ها پیش از اجرا، مواجه است. این الگوریتم بهینه‌سازی، فاصله اقلیدسی بین نقاط داده و مراکز خوشه را هدف قرار می‌دهد. مزایای این الگوریتم شامل سرعت بالا و سادگی است. در مقابل، الگوریتم DBSCAN [19]، بر اساس چگالی نقاط عمل کرده و قادر است خوشه‌هایی با شکل های مختلف و پیچیده را شناسایی کند. این الگوریتم به تعداد خوشه‌ها حساس نبوده و می‌تواند نقاط نویز را نیز شناسایی و حذف کند. الگوریتم GMM [20]، نیز با استفاده از مدل‌های آماری ترکیبی، خوشه‌بندی نقاط را انجام دهد و می‌تواند اطلاعات دقیق‌تری از توزیع داده‌ها فراهم کند. این الگوریتم قادر به مدل‌سازی خوشه‌هایی با توزیع‌های مختلف و پیچیده‌تر بوده و داده‌ها را به صورت ترکیبی از توزیع‌های گاوسی، مدل‌سازی کند. این الگوریتم از روش انتظار بیشینه‌سازی برای تعیین خوشه‌ها استفاده کرده که برای داده‌هایی با توزیع‌های پیچیده مناسب تر بوده اما نسبت به دیگر الگوریتم‌ها، پیچیدگی محاسباتی بیشتری دارد.

  علاوه بر این، قدرت سیگنال دریافتی یکی از پارامترهای کلیدی در بهینه‌سازی فرایند انتقال بین سلولی محسوب می‌شود. این پارامتر به‌عنوان یک شاخص قابل‌اعتماد برای ارزیابی کیفیت ارتباط و پایداری لینک مخابراتی، نقش مهمی در تصمیم‌گیری‌های مرتبط با فرایند تحویل بین سلولی ایفا می‌کند. ترکیب الگوریتم‌های خوشه‌بندی پیشرفته با اطلاعات قدرت سیگنال دریافتی می‌تواند به بهبود دقت در انتخاب ایستگاه مقصد، کاهش تأخیر انتقال و افزایش پایداری ارتباطات منجر شود. این رویکرد، امکان سازگاری هوشمند فرایند انتقال را در شرایط متغیر شبکه فراهم کرده و تأثیر عواملی مانند نویز، تداخل و تراکم کاربران را در تصمیم‌گیری‌های انتقال به حداقل می‌رساند[21].

  باتوجه‌به مباحث مطرح‌شده، این پژوهش بر دو نوآوری کلیدی ترکیب سه الگوریتم خوشه‌بندی برای بهینه‌سازی فرایند انتقال، با درنظرگرفتن ویژگی‌های ذاتی مسئله و بهره‌گیری از ترکیب جدیدی از ویژگی‌ها شامل موقعیت کاربران، قدرت سیگنال دریافتی و پارامترهای مربوط به وضعیت سلول‌ها متمرکز است. این دو رویکرد بهبود دقت تصمیم‌گیری در فرایند انتقال بین سلولی و افزایش کارایی شبکه را هدف قرار داده‌اند.

در ادامه، فصل دوم به بررسی مبانی نظری و پیشینه تحقیق اختصاص‌یافته و چالش‌های موجود در حل مسئله تحلیل شده است. فصل سوم روش پیشنهادی را به‌تفصیل تشریح می‌کند. در فصل چهارم نحوه پیاده‌سازی و تحلیل نتایج ارائه شده و در نهایت، فصل پنجم به جمع‌بندی و نتیجه‌گیری نهایی اختصاص‌یافته است.

 

2. مروری بر ادبیات پژوهش

  همان‌گونه که در بخش مقدمه گفته شد باتوجه‌به ویژگی‌های جدید شبکه‌های نسل پنجم و چالش‌های تحمیل شده به این شبکه‌ها، راه‌حل‌های مرسوم در مدیریت انتقال، قادر به مقابله با افزایش مشکلات و پیچیدگی‌هایی که استفاده از امواج میلی‌متری و باندهای فرکانسی بیشتر در شبکه‌های نسل پنجم برای مدیریت دست‌به‌دست شدن ایجاد می‌کند، نیستند.

  در شبکه‌های مخابرات سیار، فرایند انتقال بین سلول‌ها به فرآیندی اطلاق می‌شود که در آن، ارتباط فعال یک کاربر از یک ایستگاه پایه به ایستگاه پایه دیگری منتقل می‌شود تا پیوستگی خدمات و کیفیت ارتباط حفظ گردد. این مکانیزم به‌ویژه در شبکه‌های نسل پنجم با توجه به معماری فوق متراکم و تعداد بالای ایستگاه‌های پایه، اهمیت بیشتری یافته است. در این شبکه‌ها، مدیریت مؤثر فرایند انتقال بین سلول‌ها برای اطمینان از تأخیر کم، پایداری اتصال و تجربه کاربری بهینه ضروری است. تحقیقات نشان می‌دهد که استفاده از الگوریتم‌های یادگیری ماشین و روش‌های تحلیلی پیشرفته، می‌تواند به بهبود فرآیند فرایند انتقال بین سلول‌ها و کاهش نرخ شکست آن، کمک کند[22]. در ابتدا، فاصله‌ی انتقال برای این محدوده فرکانسی به دلیل تضعیف شدید، محدود خواهد شد. در نتیجه، برای پوشش همان منطقه‌ای که از فرکانس های مایکروویو استفاده می کردند، ایستگاه های پایه اضافی باید ساخته شوند. این نشان می دهد که شبکه از نظر اندازه و پیچیدگی به طور قابل توجهی رشد خواهد کرد و کاربران انتقال‌های بین سلولی بیشتری را تجربه خواهند کرد، که به کیفیت خدمات آنها، به‌ویژه برای کاهش کیفیت و عملکرد ارتباط کاربران و برنامه های تلفن همراه منجر خواهد شد. ضمنا از آنجایی که شبکه‌های امواج میلی‌متری از پرتوهای هدایت‌شده برای انتقال استفاده می‌کنند، موانع موجود در مسیر پرتو ارسالی ممکن است کاملاً مانع از اتصال کاربر به شبکه شده و یا تأثیر مخربی بر کیفیت سیگنال داشته باشد[23].  بنابراین، کاربران در شبکه‌های ارتباطی موج میلی‌متری باید نه تنها بهترین ایستگاه پایه، بلکه بهترین پرتو را برای اتصال در هر زمان خاص انتخاب کنند تا کیفیت خدمات خود را به حداکثر برسانند. پس انتخاب پرتو بهینه به عامل دیگری تبدیل شده که باید در فرآیند مدیریت انتقال به دلیل تعداد زیاد پرتوهایی که کاربر باید در طول هر نمونه انتقال انتخاب کند، در نظر گرفته شود که این موضوع پیچیدگی بیشتری را به فرآیند مدیریت انتقال اضافه می کند[24]. در نتیجه، بهینه‌سازی کارآمد انتقال، امکان شناسایی بهترین پرتو و ایستگاه پایه برای اتصال کاربر را فراهم کرده وقدرت و کیفیت اتصال کاربر را به حداکثر رسانده و همزمان انتقال‌های اضافی یا غیر ضروری را به حداقل رسانده و در نهایت، شناسایی و اجتناب از موانع را، تسهیل می‌کند. در مقایسه‌ی شبکه‌های ارتباطی موج میلی‌متری با نسل‌های قبلی شبکه سلولی، موارد ذکر شده تنها برخی از مشکلاتی هستند که مدیریت بهینه‌سازی انتقال را دشوارتر می‌کنند. علاوه بر این، اکثر روش‌های سنتی مدیریت فرآیند انتقال بین سلولی را بسیار دشوار می‌دانند، زیرا به چندین فاکتور شبکه نیاز داشته که باید در زمان واقعی در نظر گرفته شوند و برای فعال کردن انتقال بی عیب و نقص تنظیم شوند. یکی از مشکل تکنیک‌های سنتی مدیریت انتقال نیاز به قدرت پردازش زیادی در زمان اجرا، به‌ویژه در شبکه‌ها با ابعاد و اندازه‌ی بزرگ است[24]. ضمنا این الگوریتم‌ها قادر به ثبت دقیق برخی از ویژگی‌های شبکه مانند وجود موانع در اندازه‌ها و انواع مختلف و الگوهای تقاضای ترافیک پویا که مشخصه شبکه‌های نسل پنجم بوده، نیستند. با این وجود، رویکردهای یادگیری ماشین ممکن است به هوشمندسازی و پشتیبانی از بهینه‌سازی شبکه‌ها کمک کنند[25].

  تکنیک­های یادگیری ماشین ممکن است برای یادگیری ویژگی­های مختلف شبکه از داده­های تولید شده توسط شبکه به‌منظور بهینه­سازی ویژگی­های مختلف شبکه مورداستفاده قرار گیرند. این تکنیک­ها می­توانند الگوها و جزئیات پنهانی از شبکه را که روش­های تحلیلی عادی قادر به استخراج آنها نیستند، کشف کنند. این الگوریتم­ها می­توانند خواسته‌های آتی کاربران یا شبکه را پیش‌بینی کرده و از قبل به چنین درخواست‌هایی واکنش نشان دهند.

این تکنیک­ها، شبکه را قادر می‌سازند تا در صورت رخداد درخواست­های پیش‌بینی‌شده کاربران، آماده رسیدگی به آنها بوده و می‌توانند به طور مستقل با تغییرات در محیط شبکه، تطبیق یابند[26].

  بخش آموزش الگوریتم­های یادگیری ماشین که اغلب از نظر محاسباتی فشرده است به‌صورت آفلاین انجام شده و از نظر محاسباتی بخش اجرایی الگوریتم شبکه را می­توان به طور کارآمدتری، طراحی کرد. سپس، مدل آموزش‌دیده ممکن است به‌صورت آنلاین برای بهینه‌سازی بلادرنگ مورداستفاده قرار گرفته و فقط در زمان مواجهه با داده‌های جدید، به‌روزرسانی ‌شود[27].

 

2-1. مقدمه‌ای بر روش‌های مبتنی بر الگوریتم برای مدیریت فرایند انتقال بین سلول‌ها

  این بخش از مقاله به بررسی روش‌های مبتنی بر الگوریتم برای مدیریت فرایند انتقال بین سلول‌ها می‌پردازد. در این روش‌ها، داده‌های خاصی به‌عنوان ورودی سیستم دریافت می‌شوند تا پردازش و تصمیم‌گیری درباره اقدامات انجام شوند. سپس از یک پارامتر شبکه برای ارزیابی عملکرد شبکه بر اساس این تصمیمات استفاده می‌شود. ازآنجاکه شبکه‌های نسل پنجم و فراتر از آن دارای پیچیدگی‌های بسیاری هستند، مدیریت و پیکربندی عملیاتی این شبکه‌ها نیازمند روش‌های پیشرفته‌ای همچون هوش مصنوعی است[28].

  امروزه با افزایش پیچیدگی شبکه‌های سلولی نسل پنجم و رشد فناوری‌هایی نظیر اینترنت اشیا، متراکم‌سازی شبکه و ارتباطات موج میلی‌متری، مدیریت فرایند انتقال بین سلول‌ها به چالشی اساسی تبدیل شده است. استفاده از هوش مصنوعی و یادگیری ماشین به‌عنوان یک راهکار نوین برای بهینه‌سازی فرایند انتقال بین سلولی و کاهش اختلالات خدماتی در این شبکه‌ها موردتوجه قرار گرفته است. این الگوریتم‌ها قادرند با تجزیه‌وتحلیل پارامترهای کلیدی شبکه، تصمیمات بهینه‌ای برای افزایش کیفیت خدمات و کاهش تأخیر اتخاذ کنند. بااین‌حال، چالش‌های متعددی در پیاده‌سازی این روش‌ها وجود دارد. مشکلاتی نظیر نیاز به داده‌های گسترده برای آموزش مدل‌ها، عدم پایداری عملکرد در شرایط مختلف، محدودیت در قابلیت توضیح‌پذیری تصمیمات و دشواری در تعمیم‌پذیری مدل‌ها، از موانع اصلی پذیرش گسترده هوش مصنوعی در مدیریت انتقال بین سلولی هستند. علاوه بر این، سازگاری این الگوریتم‌ها با محیط‌های پویای شبکه  نسل پنجم، یک چالش مهم محسوب می‌شود. روش‌های مختلفی از یادگیری ماشین برای بهینه‌سازی انتقال بین سلولی استفاده شده‌ است. شبکه‌های عصبی مصنوعی و درخت‌های تصمیم نیز در پیش‌بینی نقاط بهینه انتقال بین سلول‌ها، به کار رفته‌اند. همچنین، الگوریتم‌های یادگیری عمیق، مانند شبکه‌های عصبی کانولوشنی و شبکه‌های بازگشتی، برای تجزیه‌وتحلیل الگوهای جابه‌جایی کاربران و بهینه‌سازی فرایند انتقال بین سلول‌های شبکه پیشنهاد شده‌اند. در این میان، مدل‌های یادگیری تقویتی مانند یادگیری تقویتی ارزش‌محور یادگیری تقویتی عمیق امکان تطبیق هوشمند با تغییرات شبکه را بدون نیاز به مدل‌های از پیش تعریف‌شده فراهم کرده‌اند. تحقیقات اخیر نشان می‌دهند که ترکیب الگوریتم‌های یادگیری ماشین در قالب یادگیری ترکیبی یا یادگیری تقویتی عمیق می‌تواند به کاهش تعداد انتقال‌های غیرضروری، بهینه‌سازی منابع شبکه و افزایش کارایی کلی سیستم‌های نسل پنجم، منجر شود[29].

  با پیچیده‌تر شدن شبکه‌های نسل چهارم و پنجم و افزایش تعداد ایستگاه‌های پایه و اتصالات کاربر، مدیریت کارآمد فرایند انتقال بین سلولی و تخصیص منابع شبکه به یک چالش اساسی تبدیل شده است. روش‌های سنتی مبتنی بر مدل‌های تصادفی به دلیل عدم توانایی در مدیریت پارامترهای متغیر شبکه، عملکرد مطلوبی ارائه نداده و در این راستا، مدل‌های یادگیری ماشین برای پیش‌بینی و بهینه‌سازی عملکرد شبکه‌های سلولی، معرفی شده‌اند. این مدل‌ها قادرند با تحلیل پارامترهای کلیدی مانند قدرت سیگنال دریافتی، نسبت سیگنال به نویز، شاخص قدرت سیگنال دریافتی و کیفیت سیگنال، تصمیمات هوشمندانه‌ای در زمینه پوشش بهینه شبکه، کاهش تأخیر، و افزایش نرخ فرایند انتقال بین سلول‌ها داده‌ها اتخاذ کنند. در چارچوب پیشنهادی، مدل‌های یادگیری ماشین برای پیش‌بینی پهنای باند آموزش‌داده‌شده که نتایج نشان می‌دهد، دقت پیش‌بینی این مدل‌ها برای سه اپراتور مختلف بین 89 تا 96 درصد متغیر بوده است. این دقت بالا، بیانگر قابلیت اطمینان به مدل‌ها به جهت بهینه‌سازی فرآیند انتقال بین سلول‌ها، بهبود کیفیت خدمات و افزایش رضایت کاربران است.

باتوجه‌به توانایی این الگوریتم‌ها در یادگیری از داده‌های شبکه و تطبیق با شرایط پویای ارتباطی، به‌عنوان یکی از مؤثرترین راهکارها برای مدیریت هوشمند شبکه‌های متراکم نسل پنجم محسوب می‌شوند. مدل‌های یادگیری ماشین در بهینه‌سازی شبکه‌های سلولی، به‌ویژه در شبکه‌های نسل پنجم، مزایای قابل‌توجهی از جمله دقت بالا در پیش‌بینی پهنای باند و بهبود کیفیت خدمات با تحلیل پارامترهای کلیدی مانند قدرت سیگنال دریافتی و نسبت سیگنال به نویز دارند. این الگوریتم‌ها قادر به یادگیری از داده‌های شبکه و تطبیق با شرایط پویای ارتباطی بوده که به شبکه کمک کرده که به طور مؤثر با تغییرات محیطی سازگار شود. بااین‌حال، نیاز به داده‌های حجیم و پردازش پیچیده، کمبود شفافیت در تصمیم‌گیری‌های مدل‌های پیچیده و نیاز به آموزش‌های زمان‌بر از معایب آن‌ها به شمار می‌رود. علاوه بر این،  ممکن است این مدل‌ها در شبکه‌هایی با شرایط خاص عملکرد ضعیف‌تری داشته و نیاز به بازآموزی مستمر در محیط‌های پر تغییر داشته باشند[30].

  شبکه‌های عصبی مصنوعی، با الهام از عملکرد مغز انسان، یکی از روش‌های کارآمد یادگیری ماشین برای مدیریت انتقال بین سلولی در شبکه‌های نسل پنجم محسوب می‌شوند. این مدل‌ها با پردازش پارامترهای کلیدی شبکه مانند قدرت سیگنال دریافتی، نسبت سیگنال به نویز و کیفیت سیگنال به پیش‌بینی زمان و مکان بهینه انتقال بین سلولی کمک می‌کنند. به‌عنوان‌مثال، یک شبکه عصبی با دو زیر شبکه‌، برای تصمیم‌گیری در مورد زمان شروع انتقال بین سلولی طراحی شده که با تحلیل داده‌های کیفیت خدمات و کیفیت تجربه کاربر، تأخیر را کاهش داده و از قطع ناگهانی ارتباط جلوگیری می‌کند. استفاده از شبکه‌های عصبی عمیق و بازگشتی نیز در پیش‌بینی جابه‌جایی کاربران و بهینه‌سازی فرایند انتقال بین سلولی مؤثر بوده‌ است. بااین‌حال، چالش‌هایی مانند نیاز به پردازش پرقدرت، تأخیر در استنتاج و دشواری در توضیح‌پذیری تصمیمات مدل‌های عصبی، پیاده‌سازی گسترده آن‌ها را محدود کرده است. به نظر می‌رسد، تحقیقات آینده بر بهینه‌سازی معماری شبکه‌های عصبی و کاهش پیچیدگی محاسباتی متمرکز خواهد بود. شبکه‌های عصبی در مدیریت انتقال بین سلول‌ها، دارای مزایای قابل‌توجهی مانند بهبود دقت پیش‌بینی زمان و مکان انتقال بین سلولی و افزایش پایداری ارتباطات در شبکه‌های نسل پنجم، هستند. این مدل‌ها با پردازش داده‌های مربوط به کیفیت خدمات و کیفیت تجربه کاربر، می‌توانند تأخیر را کاهش داده و از قطع ناگهانی ارتباط جلوگیری کنند. علاوه بر این، شبکه‌های عصبی عمیق و بازگشتی توانایی پیش‌بینی جابه‌جایی کاربران و بهینه‌سازی فرایند انتقال بین سلول‌ها را دارند. بااین‌حال، نیاز به توان پردازشی بالا و تأخیر در استنتاج مدل‌ها از معایب آن محسوب می‌شود. همچنین، شفافیت پایین در تصمیم‌گیری و پیچیدگی محاسباتی در پیاده‌سازی عملی این مدل‌ها، از چالش‌های مهمی است که نیاز به تحقیقات بیشتر دارد[31].

  یادگیری عمیق، به‌عنوان یکی از شاخه‌های یادگیری ماشین مبتنی بر شبکه‌های عصبی چندلایه‌ای، نقش مهمی در بهینه‌سازی فرایند انتقال بین سلولی در شبکه‌های نسل پنجم را دارد. این روش، قادر به شناسایی روابط پیچیده بین داده‌های ورودی و پیش‌بینی دقیق تغییرات شبکه است. برخلاف روش‌های سنتی که بر اساس مقایسه قدرت سیگنال و پارامترهای اولیه که بر اساس زمان فعال‌سازی انتقال و پدیده پسماند تصمیم‌گیری می‌کنند، مدل‌های یادگیری عمیق از داده‌های گسترده شبکه برای تحلیل الگوهای انتقال بین سلولی و اتخاذ تصمیمات بهینه، استفاده می‌کنند. مدل پیشنهادی در این زمینه، از شبکه‌های حافظه بلندمدت کوتاه‌مدت، برای پیش‌بینی قدرت سیگنال‌های منبع، بهره می‌برد. در مرحله بعد، خروجی این پیش‌بینی‌ها به یک الگوریتم طبقه‌بندی دودویی ارسال می‌شود تا تعیین کند که آیا این داده‌ها منجر به فعال‌سازی انتقال بین سلولی شدن خواهند شد یا خیر. این مدل، بادقت بیش از 97 درصد، توانسته، لحظه دقیق فعال‌سازی انتقال بین سلولی را شناسایی کند. نتایج نشان می‌دهند که این رویکرد می‌تواند باعث کاهش قطعی‌های ناگهانی، بهینه‌سازی جابجایی کاربران و افزایش بهره‌وری در شبکه‌های  نسل پنجم شود. علاوه بر این، پیاده‌سازی این مدل در معماری‌های شبکه‌های دسترسی رادیویی بازو محاسبات لبه چنددسترسی، امکان بهبود عملکرد شبکه را فراهم می‌کند. این روش برخلاف تکنیک‌های سنتی، به‌جای استفاده از پارامترهای اولیه‌ی ثابت، از داده‌های گسترده‌ی شبکه، برای تحلیل الگوهای جابجایی کاربران، استفاده می‌کند. مزیت کلیدی آن توانایی کاهش قطعی‌های ناگهانی، بهینه‌سازی جابجایی کاربران و افزایش بهره‌وری در نسل پنجم است. بااین‌حال، نیاز به توان پردازشی بالا، پیچیدگی در پیاده‌سازی و نیاز به مدیریت منابع کارآمدتر از معایب آن محسوب می‌شود[32].

  با رشد شبکه‌های فوق متراکم در شبکه‌های نسل پنجم و افزایش تعداد ایستگاه‌های پایه، تجهیزات کاربری با تعداد زیادی فرایند انتقال بین سلولی مواجه شده که می‌تواند منجر به افزایش اثر پینگ‌پنگ و کاهش کیفیت خدمات شود. منطق فازی به‌عنوان یک روش انعطاف‌پذیر و تطبیق‌پذیر، برای مدیریت تصمیمات انتقال بین سلولی در شرایط نامشخص معرفی شده است. یک سیستم فرایند انتقال بین سلولی مبتنی بر منطق فازی شامل سه مرحله اصلی است. این مراحل به ترتیب، فازی‌سازی و تبدیل داده‌های عددی دقیق به مجموعه‌های فازی، موتور استنتاج به معنای، تحلیل داده‌ها با قوانین "اگر و آنگاه" و دیفازی‌سازی یعنی، تبدیل خروجی‌های فازی به مقادیر دقیق است. مدل تکنیک تصمیم‌گیری پویای تحویل مبتنی بر منطق فازی معرفی‌شده در این مقاله، به‌صورت پویا مقدار حاشیه تحویل مدیریت انتقال بین سلولی و زمان تا آستانه را تنظیم می‌کند. این مدل از نسبت سیگنال به نویز و سرعت حرکت کاربر به‌عنوان ورودی‌های کنترل‌کننده فازی بهره می‌برد. نتایج شبیه‌سازی با برنامه‌ی ns-3 نشان می‌دهد که این مدل نسبت به روش‌های سنتی، تعداد دست‌به‌دست شدن‌های غیرضروری را کاهش داده، اثر پینگ‌پنگ را کنترل کرده و توان عملیاتی کلی شبکه را بهبود می‌بخشد. این مدل به دلیل انعطاف‌پذیری در تنظیم آستانه‌ها، کارایی بهتری در مدیریت فرایند انتقال بین سلول‌ها در محیط‌های متراکم نسل پنجم دارد. مزیت اصلی این رویکرد توانایی کاهش تعداد انتقال بین سلول‌های غیرضروری و بهینه‌سازی توان عملیاتی شبکه است. بااین‌حال، وابستگی زیاد به تنظیمات اولیه‌ی قوانین فازی و پیچیدگی در طراحی سیستم‌های فازی پویا از چالش‌های اصلی آن محسوب می‌شود. همچنین، نیاز به پردازش بیشتر در مقایسه با مدل‌های کلاسیک ممکن است در شبکه‌های بسیار بزرگ، عملکرد سیستم را تحت‌تأثیر قرار دهد[33].

  نظریه بازی‌ها به‌عنوان یک ابزار مدل‌سازی تصمیم‌گیری، می‌تواند در مدیریت فرایند انتقال بین سلولی در شبکه‌های ناهمگن متراکم به کار گرفته شود. در این رویکرد، ایستگاه‌های پایه به‌عنوان بازیکنان بازی در نظر گرفته شده که برای افزایش توان انتقال خود و بهبود عملکرد شبکه رقابت می‌کنند. مدل نظریه بازی‌ها، از یک بازی غیرهمکارانه استفاده می‌کند که در آن هر ایستگاه‌ پایه تلاش می‌کند با تنظیم بهینه توان انتقال، میزان انتقال‌های غیرضروری بین سلول‌ها را کاهش دهد. نقطه تعادل این بازی، تعادل نش بوده که در آن هر ایستگاه پایه، بدون تغییر استراتژی، بیشترین بازده را به دست می‌آورد. در این مدل، تابع بازده، میزان افزایش توان انتقال، مصرف انرژی، بار ایستگاه پایه و انتقال‌های بین سلولی غیرضروری را در نظر می‌گیرد. در این روش، انتخاب بهترین سلول با الگوریتم رتبه‌بندی بر اساس شباهت به گزینه ایده‌آل انجام می‌شود. شبیه‌سازی‌های انجام‌شده نشان داده که این مدل باعث افزایش توان عملیاتی شبکه، کاهش مصرف انرژی، متعادل‌سازی بار شبکه و کاهش انتقال‌هایی غیرضروری بین سلول‌ها شده و درنهایت کیفیت خدمات  را در شبکه‌های  نسل پنجم بهبود می‌بخشد. مدیریت انتقال بین سلول‌ها مبتنی بر نظریه بازی‌ها در شبکه‌های متراکم ناهمگن، امکان کاهش انتقال‌های غیرضروری بین سلولی، افزایش توان عملیاتی و بهینه‌سازی مصرف انرژی را فراهم می‌کند. در این مدل، ایستگاه‌های پایه به‌عنوان بازیکنان یک بازی غیرهمکارانه در نظر گرفته شده و با تنظیم بهینه توان انتقال، عملکرد شبکه را بهبود می‌بخشند. بااین‌حال، پیچیدگی محاسباتی مدل‌های نظریه بازی، نیاز به اطلاعات دقیق از وضعیت شبکه، دشواری پیاده‌سازی و رفتار غیرهمکارانه ایستگاه‌های پایه در محیط‌های واقعی از چالش‌های مهم آن محسوب شده و ممکن است در برخی شرایط منجر به تعارض منافع و ناپایداری شبکه شود[34].

  داده‌های کلان نقش مهمی در بهینه‌سازی فرایند انتقال بین سلولی در شبکه‌های ناهمگن و فوق متراکم در  نسل پنجم دارند. باتوجه‌به افزایش تعداد کاربران، حجم بالای داده‌های ترافیکی و تنوع پارامترهای شبکه، روش‌های سنتی مدیریت انتقال بین سلول‌ها، کارایی لازم را ندارند. الگوریتم‌های یادگیری ماشین مبتنی بر داده‌های کلان، امکان پیش‌بینی رفتار انتقال بین سلولی در سطح سلولی و بهینه‌سازی فرایند انتقال بین سلول‌ها را فراهم می‌کنند. مدل پیشنهادی در این زمینه، از داده‌های کلان برای تحلیل شاخص‌های کلیدی عملکرد فرایند انتقال بین سلولی استفاده می‌کند و می‌تواند تعداد تلاش‌های انتقال بین سلولی در آینده را پیش‌بینی کرده و رفتارهای غیرعادی فرایند انتقال بین سلولی را تشخیص دهد. در یک مطالعه واقعی، بیش از 6000 سلول از یک شبکه مخابراتی در طول دو سال موردبررسی قرار گرفت. نتایج نشان داد که مدل داده‌محور، قادر به تفکیک الگوهای انتقال بین سلول‌ها و کاهش دستورات کنترلی غیرضروری است.

این روش نه‌تنها باعث افزایش بازده طیفی و کاهش تأخیر فرایند انتقال بین سلولی می‌شود، بلکه می‌تواند از بروز مشکلاتی مانند دست‌به‌دست شدن‌های غیرضروری و اثر پینگ‌پنگ جلوگیری کند. استفاده از تحلیل داده‌های ترافیکی و الگوهای جابه‌جایی کاربران، به افزایش دقت تصمیم‌گیری در فرایند انتقال بین سلولی شده و به بهبود کیفیت خدمات کمک می‌کند. استفاده از داده‌های کلان در مدیریت انتقال بین سلول‌ها  شبکه‌های نسل پنجم، امکان تحلیل دقیق رفتار انتقال بین سلولی، پیش‌بینی تلاش‌های انتقال بین سلول‌ها  و کاهش دستورات کنترلی غیرضروری را فراهم می‌کند. این روش با بررسی شاخص‌های کلیدی عملکرد می‌تواند الگوهای تحرک کاربران را شناسایی و تأخیر فرایند انتقال بین سلول‌ها  را کاهش دهد. مزیت اصلی این رویکرد، بهینه‌سازی بازده طیفی و جلوگیری از اثر پینگ‌پنگ در شبکه‌های متراکم است. بااین‌حال، پیچیدگی پردازش حجم عظیم‌داده‌ها، نیاز به زیرساخت‌های ذخیره‌سازی قدرتمند و مدیریت داده‌های بلادرنگ از چالش‌های آن محسوب [35].

  مدیریت فرایند انتقال بین سلولی در شبکه‌های فوق متراکم با سلول‌های کوچک به دلیل افزایش تعداد ایستگاه‌های پایه و ترافیک داده‌ها، چالش‌های متعددی را ایجاد کرده است. استفاده از الگوریتم‌های پیشرفته هوش مصنوعی و یادگیری تقویتی برای بهینه‌سازی فرایند دست‌به‌دست شدن، به یکی از راهکارهای کلیدی در بهبود کیفیت خدمات و کاهش تأخیر انتقال تبدیل شده است. در این روش‌ها، پارامترهایی مانند ظرفیت ایستگاه پایه، مسیر حرکت کاربر، کیفیت سیگنال دریافتی، نسبت سیگنال به نویز و میزان ترافیک داده‌ها به‌عنوان ورودی‌های کلیدی در فرایند تصمیم‌گیری انتقال بین سلول‌ها در نظر گرفته می‌شوند. مدل‌های یادگیری تقویتی قادرند به‌صورت پویا سیاست‌های فرایند انتقال بین سلولی را بر اساس شرایط لحظه‌ای شبکه بهینه‌سازی کنند. یکی از روش‌های کارآمد در این زمینه، الگوریتم‌های یادگیری تقویتی عمیق بوده که از شبکه‌های عصبی برای تخمین مقادیر بهینه فرایند انتقال بین سلولی استفاده می‌کند. همچنین، یک روش شش‌مرحله‌ای شامل پیکربندی، تصمیم‌گیری، فیلترکردن، محدودسازی، انتخاب قوی‌ترین سیگنال و آغاز فرایند انتقال بین سلولی طراحی شده است که موجب افزایش نرخ داده‌های کاربران، کاهش تعداد انتقال‌های غیرضروری و بهبود بهره‌وری شبکه می‌شود. علاوه بر یادگیری تقویتی، استفاده از الگوریتم‌های بهینه‌سازی چندمعیاره مانند الگوریتم ژنتیک و روش‌های مبتنی بر فرایند تصمیم‌گیری چندمعیاره، می‌توانند انتخاب ایستگاه پایه را بهینه‌تر کرده و تأخیر و ازدست‌رفتن بسته‌ها را کاهش دهد. این روش‌ها به‌ویژه در شبکه‌های متراکم نسل پنجم که شامل سلول‌های کوچک هستند، منجر به بهبود مدیریت فرایند انتقال بین سلولی و افزایش عملکرد کلی شبکه، خواهند شد. بااین‌حال، پیچیدگی بالای پردازش، نیاز به آموزش‌های طولانی، مصرف زیاد منابع محاسباتی، وابستگی به کیفیت داده‌های ورودی و مشکل تطبیق این الگوریتم‌ها با شرایط واقعی شبکه‌های متراکم از چالش‌های این روش‌ها محسوب شده و می‌توانند اجرای عملی آن‌ها را دشوار کند[36].

  یکی از چالش‌های اساسی در شبکه‌های نسل پنجم، بهینه‌سازی کیفیت خدمات و کاهش تأخیر در انتقال است. در راستای مدیریت فرایند انتقال بین سلولی، الگوریتم‌های فراابتکاری به دلیل قابلیت‌های جستجوی تطبیقی و توانایی مقابله با پیچیدگی‌های محیطی، موردتوجه قرار گرفته‌اند. در پژوهشی، رویکردی ترکیبی مبتنی بر الگوریتم گرگ خاکستری و الگوریتم بهینه‌سازی شمع و پروانه، برای بهینه‌سازی فرایند تحویل در شبکه‌های ناهمگن معرفی شده است. این مدل، فرایند انتقال بین سلولی را در سه مرحله‌ی، مقداردهی اولیه، انتخاب شبکه و اجرای انتقال، ساماندهی می‌کند. در مرحله اول، پارامترهای کلیدی مانند سطح توان سیگنال، میزان مصرف انرژی و الزامات کیفیت خدمات، ارزیابی شده و تصمیم اولیه برای انجام تحویل اتخاذ می‌شود. در مرحله انتخاب، معیارهای چندگانه‌ای همچون سرعت کاربر، امنیت شبکه و بار ترافیکی برای تعیین مقصد بهینه انتقال در نظر گرفته می‌شود. در نهایت، در مرحله اجرا، ترکیب قابلیت‌های اکتشافی الگوریتم گرگ خاکستری و ویژگی‌های همگرایی سریع الگوریتم بهینه‌سازی شمع و پروانه به کار گرفته می‌شود تا فرایند تحویل با کمترین تأخیر و بیشترین بهره‌وری انجام شود. نتایج شبیه‌سازی‌ها نشان می‌دهد که مدل پیشنهادی در مقایسه با روش‌های متداول مبتنی بر تئوری بازی‌ها برای بهینه‌سازی و تسریع فرایند تحویل بین شبکه‌ای مانند، شبکه عصبی فازی، الگوریتم‌های زنبورعسل و بهینه‌سازی ذرات، باعث کاهش مصرف انرژی، تأخیر انتقال و احتمال قطع تماس شده و درعین‌حال توان عملیاتی را بهبود داده است. این رویکرد، به‌ویژه در محیط‌های متراکم نسل پنجم، قادر به کاهش تعداد انتقال‌های غیرضروری و بهینه‌سازی عملکرد شبکه است. اما پیچیدگی محاسباتی و وابستگی به تنظیمات اولیه از جمله چالش‌های آن محسوب می‌شود[37].

 

2-2.  پژوهش­های مرتبط با عملیات انتقال بین سلولی

  مطابق با جدول (1) می‌توان دید که مطالعه و تحلیل مقالات مختلف در زمینه مدیریت انتقال بین سلول‌ها در شبکه‌های نسل پنجم و به‌ویژه در شبکه‌های فوق متراکم، نشان‌دهنده تحقیقات و تلاش‌های فراوانی است که در جهت بهینه‌سازی فرآیند انتقال بین سلولی انجام شده است. باوجود دستاوردهای قابل‌توجه، بسیاری از چالش‌ها و کاستی‌ها در این پژوهش‌ها قابل مشاهده است که نیاز به بررسی دقیق‌تری دارند.

جدول 1:پژوهش­های مرتبط با عملیات انتقال بین سلولی
Table 1: Related Research on Intercellular Transfer Operations

نام پژوهشگر	سال انتشار	عنوان پژوهش	خلاصه پژوهش	مزایا	معایب
سنتیل کومار تیلاگویندان و همکاران [29]	2024	A Comprehensive Survey on Machine Learning Methods for Handover Optimization in 5G Networks	روش‌های یادگیری ماشین برای بهینه‌سازی فرایند انتقال بین سلولی در شبکه‌های  نسل پنجم. چالش‌های موجود در مدیریت  انتقال بین سلولی، تحلیل و تکنیک‌های یادگیری ماشین برای کاهش تأخیر و بهبود کیفیت خدمات	بهینه‌سازی پیش‌بینی عملکرد شبکه، تحلیل پارامترهای کلیدی انعطاف‌پذیری در مواجهه با تغییرات شبکه، استفاده از داده‌های واقعی	نیاز به داده‌های حجیم و پردازش پیچیده، کمبود شفافیت در تصمیم‌گیری، آموزش‌های زمان‌بر و پیچیده
عباس آل-تهدان و همکاران [30]	2024	A machine learning framework for predicting downlink throughput in 4G-LTE/5G cellular networks	یک مدل یادگیری ماشین برای پیش‌بینی پهنای باند در شبکه‌های نسل چهارم و پنجم. استفاده از داده‌های سیگنال دریافتی و کیفیت سیگنال برای پیش‌بینی نرخ انتقال داده‌ها جهت بهینه‌سازی عملکرد شبکه‌های موبایل و پیش‌بینی ترافیک داده‌ها در شرایط مختلف	دقت بالا در پیش‌بینی پهنای باند و بهبود کیفیت خدمات با تحلیل پارامترهای کلیدی مانند قدرت سیگنال دریافتی و نسبت سیگنال به نویز، یادگیری از داده‌های شبکه و تطبیق با شرایط پویای ارتباطی	نیاز به داده‌های حجیم و پردازش پیچیده، کمبود شفافیت در تصمیم‌گیری‌های مدل‌های پیچیده و نیاز به آموزش‌های زمان‌بر
مایکل اس. مولل و همکاران [31]	2021	A Survey of Machine Learning Applications to Handover Management in 5G and beyond	کاربردهای یادگیری ماشین در مدیریت انتقال بین سلولی در شبکه‌های  نسل پنجم. کمک به بهینه‌سازی فرایند انتقال بین سلولی با مدل‌های مختلف یادگیری ماشین در محیط‌های مختلف، تحلیل دسته‌بندی چالش‌ها و فرصت‌های پیشروی استفاده از این الگوریتم‌ها	بهبود دقت پیش‌بینی زمان و مکان انتقال بین سلولی، افزایش پایداری ارتباطات در شبکه‌های نسل پنجم، کاهش تأخیر و جلوگیری از قطع ناگهانی ارتباط	نیاز به توان پردازشی بالا و تأخیر در استنتاج مدل‌ها، شفافیت پایین در تصمیم‌گیری، پیچیدگی محاسباتی در پیاده‌سازی عملی
ژوآئو پی. اس. اچ. لیما و همکاران [32]	2023	Deep Learning-Based Handover Prediction for 5G and Beyond Networks	یک مدل یادگیری عمیق مبتنی بر شبکه‌های عصبی حافظه طولانی، کوتاه‌مدت  برای پیش‌بینی دقیق فرایند انتقال بین سلولی در شبکه‌های نسل پنجم و پیش‌بینی لحظه بهینه انتقال بین سلولی با استفاده از داده‌های قدرت سیگنال و تحلیل الگوهای حرکت کاربران بادقت بیش از 97درصد	توانایی کاهش قطعی‌های ناگهانی، بهینه‌سازی جابه‌جایی کاربران و افزایش بهره‌وری در شبکه‌های نسل پنجم	نیاز به توان پردازشی بالا و پیچیدگی در پیاده‌سازی
ون-شیانگ هوانگ  و همکاران [33]	2022	Adaptive Handover Decision Using Fuzzy Logic for 5G Ultra-Dense Networks	استفاده از منطق فازی برای اتخاذ تصمیمات پویا در فرایند انتقال بین فوق متراکم. مدل پیشنهادی با استفاده از ورودی‌های قدرت سیگنال به نویز و سرعت حرکت کاربر ارائه شده که قادر به کاهش انتقال‌های غیرضروری بین سلولی، افزایش کیفیت خدمات و بهبود بهره‌وری شبکه شده است.	توانایی کاهش تعداد انتقال‌های غیرضروری بین سلولی و بهینه‌سازی توان عملیاتی شبکه	وابستگی زیاد به تنظیمات اولیه قوانین فازی و پیچیدگی در طراحی سیستم‌های فازی پویا، نیاز به پردازش بیشتر در مقایسه با مدل‌های کلاسیک
محمّد الهابو و همکاران [34]	2019	Game theoretic handover optimization for dense small cells heterogeneous networks	مدل‌سازی فرایند انتقال بین سلولی به‌عنوان یک بازی غیرهمکارانه بین ایستگاه‌های پایه در شبکه‌های ناهمگن با سلول‌های کوچک. تعادل نش برای بهینه‌سازی مصرف توان، تعادل بار شبکه و کاهش تعداد انتقال بین سلولی غیرضروری، کاهش تأخیر و افزایش کارایی در شبکه‌های نسل پنجم.	تخصیص بهینه منابع و افزایش کیفیت خدمات	پیچیدگی محاسباتی مدل‌های نظریه بازی، نیاز به اطلاعات دقیق از وضعیت شبکه و دشواری پیاده‌سازی در محیط‌های واقعی
امیر حیدر و همکاران [36]	2022	An Overview of Reinforcement Learning Algorithms for Handover Management in 5G Ultra-Dense Small Cell Networks	بررسی الگوریتم‌های یادگیری تقویتی در مدیریت انتقال بین سلولی در شبکه‌های فوق متراکم با سلول‌های کوچک نسل پنجم و استفاده از داده‌های شبکه، یادگیری از تجربیات گذشته در تصمیم‌گیری انتقال بین سلولی	کاهش تعداد  انتقال‌های غیرضروری بین سلولی، افزایش بهره‌وری و بهبود کیفیت خدمات	پیچیدگی بالای پردازش، نیاز به آموزش‌های طولانی و مصرف زیاد منابع محاسباتی
پاتی و همکاران [37]	2022	A novel approach for optimization of handover mechanism using metaheuristics algorithms	استفاده از الگوریتم‌های فراابتکاری به دلیل قابلیت‌های جستجوی تطبیقی و توانایی مقابله با پیچیدگی‌های محیطی، رویکردی ترکیبی مبتنی بر الگوریتم گرگ خاکستری و الگوریتم بهینه‌سازی شمع و پروانه، برای بهینه‌سازی فرایند تحویل در شبکه‌های ناهمگن	کاهش مصرف انرژی، کاهش تأخیر انتقال و کاهش احتمال قطع تماس بهبود توان عملیاتی	پیچیدگی محاسباتی و وابستگی به تنظیمات اولیه

 

  یکی از مهم‌ترین نقاط قوت مقالات بررسی‌شده، استفاده از یادگیری ماشین و الگوریتم‌های پیشرفته مانند یادگیری تقویتی و یادگیری عمیق برای پیش‌بینی و بهینه‌سازی فرایند انتقال بین سلول‌ها است. این روش‌ها به‌خوبی نقطه‌ضعف‌های روش‌های سنتی که بیشتر بر مبنای مقایسه قدرت سیگنال تمرکز داشتند، پوشش می‌دهند و توانسته‌اند دقت بالایی را در پیش‌بینی انتقال بین سلول‌ها ارائه دهند. به‌ویژه مدل‌های مبتنی بر شبکه عصبی حافظه طولانی کوتاه‌مدت در پیش‌بینی زمان انتقال بین سلول‌ها بادقت بالای 97 درصد، نشان‌دهنده توانایی‌های بالقوه این الگوریتم‌ها در شرایط مختلف شبکه است. با این حال، یکی از نقاط ضعف عمده این رویکردها، وابستگی زیاد آن‌ها به داده‌های شبیه‌سازی‌شده است. در بیشتر مقالات بررسی‌شده، الگوریتم‌ها با داده‌های شبیه‌سازی‌شده، ارزیابی شده‌اند و کمتر توجهی به داده‌های واقعی شبکه شده است. این امر باعث ایجاد فاصله‌ای بین کاربرد مدل‌ها در شرایط واقعی و عملکرد آن‌ها در محیط‌های آزمایشی می‌شود. داده‌های واقعی، به دلیل داشتن پیچیدگی‌ها و تغییرات لحظه‌ای، چالش‌های خاص خود را داشته که در بسیاری از این مدل‌ها به خوبی پوشش داده نشده است.

  علاوه بر این، بسیاری از مدل‌های یادگیری ماشین که در مقالات به آن‌ها اشاره شده است با توجه به محاسبات پیچیده و نیاز به پردازش‌های سنگین، در شبکه‌های واقعی که باید در زمان واقعی پاسخ‌دهی کنند، ممکن است با مشکل مواجه شوند. این کاهش کارایی در عمل می‌تواند تأخیرهای بیشتر، مصرف بالای انرژی و بار شبکه را به همراه داشته باشد. نکته دیگری که در بسیاری از مقالات ذکر نشده است، عدم توجه کافی به تعاملات مختلف بین پارامترهای شبکه است. به طور مثال، درحالی‌که برخی مدل‌ها به پیش‌بینی دقیق زمان انتقال بین سلول‌ها می‌پردازند، کمتر به تأثیر متغیرهایی مانند ترافیک شبکه، ظرفیت ایستگاه پایه یا بار شبکه توجه شده است. این متغیرها می‌توانند تأثیر قابل‌توجهی بر پایداری و بهینه‌سازی فرایند انتقال بین سلول‌ها داشته باشند. در کنار این مسائل، برخی از مدل‌ها که بر نظریه بازی‌ها یا منطق فازی تأکید دارند، به طور معناداری به تعاملات پویا و واقعی شبکه‌ها توجه نمی‌کنند. استفاده از نظریه بازی‌ها برای مدل‌سازی تصمیم‌گیری‌های ایستگاه‌های پایه ممکن است در شرایط خاصی مؤثر باشد، اما در شبکه‌هایی که تحت شرایط بسیار متغیر قرار دارند، نیاز به توجه بیشتر به رفتارهای واقعی و پیچیده بوده که در بسیاری از این مقالات به آنها توجه زیادی نشده است.

  در نهایت، به‌رغم پیشرفت‌های تکنولوژیکی که در استفاده از یادگیری ماشین و الگوریتم‌های بهینه‌سازی پیشرفته مشاهده می‌شود، همچنان چالش‌های زیادی برای اعمال این روش‌ها در شبکه‌های واقعی نسل پنجم وجود دارد. مدل‌های موجود، علی‌رغم داشتن دقت بالا در شرایط خاص آزمایشی، در کاربردهای عملیاتی شبکه‌های فوق متراکم و ناهمگن به‌سختی می‌توانند عملکرد بهینه‌تری را ارائه دهند. در نتیجه، تحقیقات آینده باید به مقایسه و اعتبارسنجی بیشتر مدل‌ها در محیط‌های واقعی پرداخته و تلاش کنند تا پیچیدگی‌های محاسباتی را کاهش دهند. همچنین، ترکیب چندین رویکرد و الگوریتم می‌تواند به ایجاد مدل‌های جامع‌تری کمک کرده که علاوه بر پیش‌بینی دقیق انتقال بین سلول‌ها، بتواند تمام پارامترهای تأثیرگذار بر عملکرد شبکه را نیز در نظر بگیرد.

 

3. روش پیشنهادی

  در این پژوهش، یک چارچوب هوشمند مبتنی بر یادگیری ماشین برای بهینه‌سازی فرایند انتقال بین سلول‌ها در شبکه‌های نسل پنجم ارائه شده است. روش پیشنهادی شامل سه رویکرد مختلف: روش موازی، روش سری و روش ترکیبی بوده که هر یک دارای مزایا و چالش‌های خاص خود هستند. در روش موازی، سه الگوریتم خوشه‌بندی K-Means، DBSCAN و GMM به‌صورت هم‌زمان اجرا شده و خروجی آن‌ها از طریق رأی‌گیری اکثریت ترکیب می‌شود. در روش سری، الگوریتم‌های خوشه‌بندی به‌صورت مرحله‌ای اجرا شده و خروجی هر مدل به‌عنوان ورودی مدل بعدی مورداستفاده قرار می‌گیرد که در نهایت منجر به افزایش دقت و کاهش نویز در فرایند خوشه‌بندی می‌شود. در روش ترکیبی، ابتدا سه الگوریتم خوشه‌بندی به‌صورت موازی اجرا می‌شوند و سپس خروجی آن‌ها به یک مدل یادگیری متوالی داده می‌شود که عملکرد کلی سیستم را بهبود داده و تعادل میان سرعت پردازش و دقت خوشه‌بندی را فراهم می‌کند. در تمامی این روش‌ها، یک مدل یادگیری متا، مبتنی بر جنگل تصادفی برای تجزیه‌وتحلیل و بهینه‌سازی نهایی خوشه‌بندی مورداستفاده قرار می‌گیرد. هدف اصلی این پژوهش، کاهش تعداد انتقال‌های غیرضروری بین سلول‌ها، افزایش پایداری ارتباطات و بهبود کیفیت تجربه کاربر در شبکه‌های نسل پنجم است. در ادامه، ورودی‌ها، خروجی‌ها و فرایند داخلی سیستم پیشنهادی به‌تفصیل موردبررسی قرار می‌گیرد. 

  مطابق با شکل (3) در این پژوهش مراحل جمع‌آوری و پیش‌پردازش داده‌ها و برای هر سه روش مشابه بوده و شرح زیر توصیف می‌گردد. در پایان ضمن مقایسه‌ی خروجی هر سه روش پیشنهادی، مزایا و معایب هریک تشریح میشود.

 

3-1. انتخاب الگوریتم‌های خوشه بندی:

  هدف اصلی این پژوهش مقایسه و بررسی کارایی سه ساختار اجرایی، سری، موازی و ترکیبی در تعامل با سه الگوریتم پایه با قابلیت‌های بنیادین بوده که در طراحی چارچوب پیشنهادی این پژوهش، انتخاب سه الگوریتم خوشه‌بندی K-Means، DBSCAN و GMM باهدف پوشش‌دادن نقاط قوت متنوع و مکمل در فرایند خوشه‌بندی داده‌ها، انجام شد. الگوریتم K-Means  به دلیل سادگی، سرعت بالا در اجرا و توانایی تقسیم‌بندی داده‌ها در قالب خوشه‌های کروی‌شکل با استفاده از حداقل واریانس درون خوشه‌ای، به‌عنوان یک نقطه شروع منطقی برای تحلیل خوشه‌بندی انتخاب شده است. باوجود این مزایا، این الگوریتم دارای محدودیت‌هایی نظیر وابستگی به تعداد اولیه‌ی خوشه‌ها و حساسیت بالا به داده‌های پرت است. استفاده از نسخه‌های پیشرفته‌تر یا بهینه‌سازی‌شده‌ی K-Means، مانند [38]K-Means++ یا الگوریتم‌های مبتنی بر الگوریتم‌های تکاملی، گرچه می‌توانند نتایج بهتری از منظر همگرایی اولیه فراهم آورند، اما این نسخه‌ها همچنان محدودیت‌های اساسی K-Means  از جمله، فرض توزیع کروی، اندازه‌های مشابه خوشه‌ها، حساسیت به نویز و نقاط پرت را حفظ کرده و  تمرکز پژوهش را از ارزیابی ساختارهای ترکیبی و تعامل بین مدل‌ها به سمت بهبود عملکرد یک الگوریتم خاص منحرف می‌کنند. لذا در این مرحله، استفاده از نسخه کلاسیک K-Means به‌عنوان نماینده‌ای ساده و شفاف برای ارزیابی روش‌های ترکیبی و مقایسه عملکرد سه‌گانه ترجیح داده شد است.

از سوی دیگر، الگوریتم DBSCAN به‌عنوان یک الگوریتم چگالی محور، قابلیت شناسایی خوشه‌هایی با شکل‌های نامنظم و حذف نقاط نویز را دارد. این ویژگی، آن را به گزینه‌ای مناسب برای تحلیل داده‌هایی با توزیع غیریکسان و نویز بالا، نظیر محیط‌های پیچیده شبکه‌های سلولی، تبدیل کرده است. الگوریتم GMM نیز با رویکردی مبتنی بر توزیع‌های آماری گاوسی، قادر به مدل‌سازی دقیق‌تر روابط آماری میان نمونه‌ها بوده و انعطاف‌پذیری بالاتری نسبت به K-Means در شناسایی خوشه‌هایی با توزیع‌های متنوع دارد.

 

3-2. جمع‌آوری داده‌ها:

در این مرحله و مطابق با شکل (3)، اطلاعات مربوط به قدرت سیگنال دریافتی، موقعیت جغرافیایی کاربران، سرعت کاربران و وضعیت سلول‌های شبکه، جمع‌آوری می‌شود. داده‌ها از طریق سنسورها، تجهیزات شبکه و شبیه‌سازی‌های نرم‌افزاری، دریافت می‌شوند. این داده‌ها به عنوان ورودی الگوریتم‌های خوشه‌بندی و یادگیری ماشین استفاده می‌شوند.

 

 

 

 

 

 

 

شکل 3: مراحل جمع‌آوری و پیش‌پردازش داده‌ها

Figure 3: Stages of Data Collection and Preprocessing

 

 

 

 

3-3. پیش‌پردازش داده‌ها:

  به دلیل وجود نویز در داده‌های جمع‌آوری‌شده، مقادیر پرت یا مقیاس‌های نامتوازن نیاز به پیش‌پردازش دارند. مراحل پیش‌پردازش شامل پاک‌سازی، نرمال‌سازی و کاهش ویژگی‌های زائد است. این داده‌های خام، شامل طول و عرض جغرافیایی، توان متوسط دریافت سیگنال از منبع، کیفیت سیگنال دریافتی از منبع، نسبت سیگنال به نویز و فاصله از دکل بوده که ابتدا برای اطمینان از کیفیت داده‌ها، مراحل زیر در پیش‌پردازش انجام می‌شود:

·       حذف داده‌های ناقص: مقادیر ناقص و  داده‌های غیرمعتبر شناسایی و حذف می‌شوند.

·       نرمال‌سازی ویژگی‌ها: ویژگی‌ها با استفاده از تکنیک حداقل، حداکثر به اعداد پیوسته‌ی بازه‌‌ بین 0 و 1 تبدیل می‌شوند.

·       انتخاب ویژگی‌های کلیدی: فقط ویژگی‌های مرتبط با خوشه‌بندی انتخاب ‌شده تا الگوریتم‌ها بر داده‌های مهم تمرکز کنند.

این مرحله تضمین می‌کند که داده‌ها آماده ورود به مراحل بعدی بوده و هرگونه نویز یا تناقض در داده‌ها حذف شده است.

 

3-4. ورودی‌ها و خروجی‌های سیستم:

3-3-1- مطابق با شکل (4)، ورودی‌های سیستم، شامل داده‌ها و پارامترهایی است که برای خوشه‌بندی و تحلیل فرآیند انتقال مورد استفاده قرار می‌گیرند. این داده‌ها به شرح زیر هستند:

·       قدرت سیگنال دریافتی: نشان‌دهنده کیفیت سیگنال دریافتی توسط دستگاه کاربر بوده که این پارامتر به طور مستقیم در فرایند تصمیم‌گیری انتقال تأثیرگذار است.

·       موقعیت جغرافیایی کاربران: اطلاعات مکانی کاربران به‌صورت مختصات طول و عرض جغرافیایی جمع‌آوری‌شده که این ویژگی به خوشه‌بندی دقیق‌تر کاربران و شناسایی بهترین ایستگاه پایه برای اتصال، کمک می‌کند.

·       سرعت کاربران: سرعت حرکت کاربران که معمولاً در واحد متر بر ثانیه یا کیلومتر بر ساعت اندازه‌گیری می‌شود. کاربران با سرعت بالا به‌ویژه در محیط‌های شهری یا پرتراکم معمولاً به تعداد بیشتری انتقال نیاز دارند.

·       وضعیت سلول‌های شبکه: شامل اطلاعاتی مانند بار شبکه، ظرفیت سلول‌ها و پوشش‌دهی است. این ویژگی تأثیر مستقیمی بر مدیریت انتقال دارد.

·       الگوی حرکت کاربران: شامل مسیرهای پرتردد یا مناطقی که کاربران در آن توقف بیشتری دارند است. این الگوها به پیش‌بینی رفتار کاربران و بهبود فرایند انتقال کمک می‌کنند.

3-3-2- خروجی‌های سیستم شامل نتایج حاصل از بهبود فرآیند انتقال و بهینه‌سازی خوشه‌بندی داده‌ها بوده که عبارتند از:

·       کاهش تعداد انتقال‌ها: کاهش دفعات انتقال کاربران بین سلول‌های شبکه به پایداری بیشتر ارتباط و بهبود تجربه کاربری منجر می‌شود.

·       افزایش کیفیت: بهبود کیفیت ارتباط کاربران از طریق کاهش تأخیر و ناپایداری.

·       خوشه‌بندی بهینه کاربران: توزیع مناسب کاربران در خوشه‌های مختلف برای مدیریت بهتر منابع شبکه.

·       انتخاب بهترین الگوریتم انتقال: شناسایی و استفاده از الگوریتمی که عملکرد بهتری در کاهش تعداد انتقال‌های بین سلولی داشته و درنتیجه منجر به افزایش کیفیت خدمات شبکه شود.

 

 

 

 

 

 

شکل 4: ورودی‌ها و خروجی‌های سیستم

Figure 4: Inputs and Outputs of the System

 

3-5. مراحل و نتایج روش پیشنهادی به صورت موازی

  در این بخش، مطابق با شکل (5)، عملکرد الگوریتم‌های خوشه‌بندی به صورت موازی اجرا شده‌ و با هدف بهینه‌سازی فرآیند مدیریت انتقال بین سلول‌ها در شبکه‌های نسل پنجم، مورد بررسی قرار می‌گیرد. در روش موازی، هم‌زمان سه الگوریتم K-Means، DBSCAN و GMM اجرا و خروجی آن‌ها با استفاده از یادگیری ترکیبی، ترکیب می‌شود. در این مرحله با روش موازی به با تحلیل امکان بهره‌برداری از نقاط قوت هر الگوریتم و کاهش تأثیر نقاط ضعف، انتخاب شده است. روش پیشنهادی موازی شامل چهار مرحله اصلی و به شرح زیر است:

 

3-5-1. اجرای الگوریتم‌های خوشه‌بندی:

  پس از مراحل پیش‌پردازش، سه الگوریتم خوشه‌بندی K-Means، DBSCAN و  GMM برای دسته‌بندی داده‌ها به خوشه‌های مشابه اجرا و سپس هر الگوریتم به طور مستقل عمل کرده و خوشه‌های متفاوتی ایجاد می‌کنند. بدین ترتیب، الگوریتم  K-Means داده‌ها را به پنج خوشه مجزا تقسیم می‌کند. این الگوریتم نقاط داده را بر اساس فاصله اقلیدسی از مراکز خوشه تخصیص داده که به دلیل سادگی و سرعت بالا، عملکرد مناسبی در خوشه‌بندی داده‌ها دارد. 

 

 

شکل 5: استفاده موازی از الگوریتم‌های خوشه‌بندی

Figure 5: Parallel use of clustering algorithms

 

هم‌زمان، الگوریتم DBSCAN خوشه‌بندی داده‌ها را بر اساس تراکم نقاط انجام داد و نقاط نویز که تراکم کمتری داشتند شناسایی و حذف می‌کند. این الگوریتم توانایی شناسایی خوشه‌های با شکل‌های نامنظم را دارد. الگوریتم GMM توزیع داده‌ها را بر اساس مدل‌های گاوسی تخمین زده و توانایی بالایی در مدل‌سازی از خوشه‌ها با توزیع پیچیده دارد. در مرحله‌ی بعد با ترکیب نتایج به‌دست‌آمده و با روش یادگیری ترکیبی، خروجی سه الگوریتم توسط، روش رأی‌گیری اکثریت ترکیب شده‌اند. در این روش، هر نقطه داده‌ای به خوشه‌ای که بیشترین توافق میان الگوریتم‌ها را داشت اختصاص یافت است.

 

3-6- مراحل و نتایج روش پیشنهادی به صورت سری:

  روش سری، یکی از رویکردهای قدرتمند در خوشه‌بندی داده‌ها بوده که در آن از خروجی هر الگوریتم به‌عنوان ورودی مدل بعدی استفاده می‌شود. در این رویکرد، داده‌ها به‌صورت سلسله‌مراتبی پردازش شده و اطلاعات به‌تدریج غنی‌تر می‌شوند. هدف از این روش، بهینه‌سازی فرایند خوشه‌بندی و تصمیم‌گیری نهایی است. مراحل اجرای روش سری به شرح زیر است:

 

3-6-1. اجرای مدل‌های پایه

در روش سری، سه مرحله پایه به ترتیب و به‌صورت متوالی اجرا می‌شوند. این مراحل به‌گونه‌ای طراحی شده‌اند که هر کدام خروجی مرحله قبلی را به‌عنوان ورودی دریافت کنند و اطلاعات بیشتری استخراج کنند. نکته‌ی قابل‌توجه ترتیب قرارگرفتن الگوریتم‌های خوشه‌بندی است که ابتدا ترتیب مناسب‌تر را مطابق با جدول (2) بررسی و انتخاب می‌کنیم.

جدول 2:مقایسه ترتیب اجرای الگوریتم های خوشه بندی

Table 2: Comparison of the execution order of clustering algorithms

سناریو	ترتیب اجرا	مزایا	معایب
K-Means → DBSCAN →GMM	ابتدا خوشه‌بندی کلی انجام می‌شود، سپس نقاط پرت حذف شده و در نهایت مدل‌سازی پیشرفته انجام می‌شود.	سرعت بالاتر در ابتدای کار، کاهش نویز در مرحله دوم، دقت بیشتر در خوشه‌بندی نهایی	وابستگی خروجی به پارامترهای اولیه K-Means ممکن است باعث کاهش دقت شود.
DBSCAN→ K-Means → GMM	ابتدا حذف نویز و نقاط پرت، سپس خوشه‌بندی استاندارد و در نهایت مدل‌سازی پیشرفته	خوشه‌بندی تمیزتر با حذف نویز از ابتدا، کاهش تأثیر داده‌های نامعتبر.	اجرای DBSCAN در مرحله اول ممکن است برای دیتاست‌های بزرگ کند باشد.

 

به نظر می‌رسد که در سناریوی اول (K-Means → DBSCAN → GMM) انتخاب بهتری انجام شده، زیرا ابتدا داده‌ها را به‌طورکلی خوشه‌بندی کرده و سپس نقاط پرت حذف می‌شود و در نهایت خوشه‌بندی دقیق‌تر با مدل GMM صورت می‌گیرد. در این مدل، داده‌های پیش پردازش‌شده را دریافت و خوشه‌بندی اولیه انجام می‌دهد. خروجی این مرحله شامل برچسب‌های اولیه بوده که داده‌ها را به گروه‌های اولیه تقسیم می‌کند. این خوشه‌ها بر اساس الگوریتمی مانند K-Means ایجاد می‌شوند.

 

شکل 6: استفاده سری از الگوریتم‌های خوشه‌بندی

Figure 6: Using a series of clustering algorithms

  

  شکل (6)، روند کلی اجرای روش خوشه‌بندی سری را برای بهینه‌سازی فرآیند انتقال بین سلول‌ها در شبکه‌های نسل پنجم نشان می‌دهد. در این روش، سه الگوریتم خوشه‌بندی به‌صورت متوالی اجرا می‌شوند، به‌گونه‌ای که خروجی هر الگوریتم، ورودی الگوریتم بعدی را تشکیل می‌دهد. ابتدا، K-Means خوشه‌بندی اولیه داده‌ها را انجام می‌دهد و گروه‌های اولیه را مشخص می‌کند. سپس الگوریتمDBSCAN  برای حذف نویزها و نقاط پرت اعمال می‌شود و خوشه‌بندی را بر اساس چگالی داده‌ها بهبود می‌بخشد. در مرحله بعد الگوریتمGMM  به‌عنوان یک روش مبتنی بر توزیع احتمالاتی، خوشه‌بندی نهایی را انجام داده و خوشه‌ها را با دقت بالاتری تنظیم می‌کند. در پایان، ترکیب و بهینه‌سازی نهایی مبتنی بر جنگل تصادفی با تحلیل ویژگی‌های خروجی از سه الگوریتم پایه، خوشه‌های نهایی را بهینه‌سازی کرده و تصمیم‌گیری نهایی را انجام می‌دهد. هدف از این فرآیند، کاهش غیرضروری انتقال بین سلول‌ها ، بهبود پایداری اتصال و افزایش کیفیت تجربه کاربر در شبکه‌های نسل پنجم است.

 

3-7. روش یادگیری ترکیبی (ترکیب دو روش سری و موازی)

در این مرحله روش ترکیبی مبتنی بر یادگیری متا برای بهینه‌سازی فرایند انتقال بین سلول‌ها را تحلیل می‌کنیم.

 

 

 

شکل 7: ترکیب روش سری و موازی

Figure 7: Combination of series and parallel methods

 

شکل (7)، روند اجرای روش یادگیری ترکیبی مبتنی بر یادگیری متا را نمایش می‌دهد. در این روش، ابتدا داده‌های خام تحت یک فرآیند پیش‌پردازش قرار گرفته و آماده‌سازی می‌شوند. سپس، داده‌های پردازش‌شده به‌ صورت موازی وارد سه الگوریتم خوشه‌بندی می‌شوند. هر یک از این الگوریتم‌ها، خروجی متفاوتی را از نظر توزیع خوشه‌ها تولید می‌کنند. این خروجی‌ها به‌عنوان ویژگی‌های جدید در یک دیتاست واسط ذخیره شده و وارد مرحله بعدی می‌شوند.

در مرحله بعد، مدل متا که بر پایه یک الگوریتم یادگیری ماشین، مانند جنگل تصادفی یا XGBoost عمل می‌کند، خروجی سه الگوریتم خوشه‌بندی را بررسی کرده و الگوی بهینه‌ای را برای خوشه‌بندی نهایی انتخاب می‌کند. این مدل یاد می‌گیرد که کدام الگوریتم در چه شرایطی عملکرد بهتری دارد و چگونه می‌توان ترکیب بهینه‌ای از خوشه‌بندی‌های مختلف را ایجاد کند. به‌جای تصمیم‌گیری خطی و ساده، مدل متا بر اساس داده‌های موجود، تصمیم‌گیری بهینه‌ای را انجام داده و خوشه‌های نهایی را مشخص می‌کند. این روش ترکیبی با ترکیب قدرت تحلیل مدل‌های پایه در بخش موازی و دقت مدل متا در بخش یادگیری تقویتی، عملکرد بهینه‌ای ارائه می‌دهد. خروجی نهایی شامل یک مجموعه خوشه‌بندی بهینه‌شده است که می‌تواند به‌عنوان یک راهکار کارآمد و دقیق برای مدیریت انتقال بین سلول‌ها در شبکه‌های نسل پنجم مورداستفاده قرار گیرد.

 

 

4. نتایج

  در پژوهش حاضر، سه رویکرد متفاوت برای خوشه‌بندی داده‌ها و مدیریت فرایند انتقال در شبکه‌های نسل پنجم موردبررسی و مقایسه قرار گرفته است. روش‌هی سری، روش موازی و ترکیبی که هر یک از این روش‌ها ویژگی‌ها، مزایا و معایب خاص خود را داشته که در ادامه این روش‌ها با جزئیات تحلیل شده و روش بهینه‌ی پیشنهادی برای استفاده در سناریوهای عملی معرفی می‌گردد.

 

4-1. داده‌های مورد استفاده

  داده‌های مورداستفاده در این پژوهش از مجموعه‌داده "Drive Test Measurements" استخراج شده که در مخزن GitHub  موجود است. مطابق با جدول (3)، این مجموعه شامل داده‌های واقعی اندازه‌گیری شده از آزمایش رانندگی است که برای تحلیل فرآیند انتقال بین سلولی در شبکه‌های نسل پنجم جمع‌آوری شده است. داده‌ها در محیط واقعی ثبت شده و شامل متغیرهای کلیدی مرتبط با کیفیت سیگنال، موقعیت جغرافیایی، شرایط تداخل و ویژگی‌های توپولوژیکی شبکه است.

این مجموعه‌داده در قالب سه فایل CSV ارائه شده که شامل پارامترهای مهمی همچون قدرت و کیفیت سیگنال دریافتی، نسبت توان حامل به نویز، شناسه فیزیکی سلول، موقعیت جغرافیایی، فاصله از ایستگاه پایه، ارتفاع کاربر، زاویه آنتن و سایر ویژگی‌های مرتبط با ارتباطات بی‌سیم است. این ویژگی‌ها، امکان بررسی تأثیر شرایط مختلف محیطی بر فرایند انتقال بین سلولی و تحلیل الگوهای تغییر اتصال کاربران متحرک را فراهم می‌کند. هدف از استفاده از این مجموعه‌داده، مدل‌سازی فرایند انتقال بین سلولی و بهینه‌سازی آن از طریق الگوریتم‌های یادگیری ماشین و روش‌های خوشه‌بندی است. با بهره‌گیری از داده‌های این مجموعه، می‌توان تأثیر تراکم ایستگاه‌های پایه، تغییرات کیفیت سیگنال و موقعیت کاربران را بر عملکرد شبکه تحلیل کرده و مدل‌های پیش‌بینی و کاهش نرخ انتقال بین سلولی را توسعه داد.

 

جدول 3: ویژگی مهم دیتاست استفاده شده در پژوهش

Table 3: Important features of the dataset used in the research

ویژگی	توضیح
& Lon Lat	موقعیت جغرافیایی کاربر برحسب طول و عرض جغرافیایی
RSRP (Reference Signal Received Power)	قدرت سیگنال دریافتی از ایستگاه پایه (dBm)
RSRQ (Reference Signal Received Quality)	کیفیت سیگنال دریافتی (dB)
CINR (Carrier to Interference plus Noise Ratio)	نسبت توان حامل به تداخل و نویز (dB)
PCI (Physical Cell Identity)	شناسه فیزیکی سلول که نشان‌دهنده BS متصل‌شدن است
Height (m)	ارتفاع کاربر از سطح دریا (متر)
Distance (m)	فاصله کاربر از ایستگاه پایه (متر)
Azimuth	زاویه آنتن ایستگاه پایه نسبت به شمال (درجه)
Elevation	زاویه ارتفاع آنتن نسبت به سطح افق (درجه)

 

4-2. سخت‌افزار و محیط اجرای کد و تست‌ها

  تمامی پردازش‌ و شبیه‌سازی‌های این پژوهش با استفاده از زبان برنامه‌نویسی پایتون و در محیط گوگل کولب انجام شده است. گوگل کو‌لب، یک پلتفرم ابری مبتنی بر کتابخانه جونیپر بوده که امکان اجرای کدهای پایتون بدون نیاز به منابع محلی و با پشتیبانی از پردازشگرهای گرافیکی و پردازنده‌های تنسور را فراهم می‌کند. این محیط به دلیل دسترسی به سخت‌افزار قدرتمند ابری، قابلیت اجرای موازی مدل‌های پیچیده یادگیری ماشین و کاهش زمان پردازش الگوریتم‌ها انتخاب شده است. از لحاظ مشخصات سخت‌افزاری، گوگل کولب از واحد پردازشی مرکزی با معماری چندهسته‌ای، حافظه رم  پویا ۱۶ گیگابایت و در صورت فعال‌سازی از پردازنده‌های گرافیکی سری NVIDIA Tesla پشتیبانی می‌کند که در بهینه‌سازی محاسبات مربوط به یادگیری ماشین و خوشه‌بندی داده‌ها، نقش مهمی دارد. از لحاظ نرم‌افزاری، کتابخانه‌های کلیدی مورداستفاده شامل Scikit-learn  برای الگوریتم‌های خوشه‌بندی و یادگیری ماشین، Pandas و NumPy برای پردازش داده‌ها و Matplotlib و Seaborn  برای بصری‌سازی نتایج استفاده شده است. این ترکیب سخت‌افزار و نرم‌افزاری، امکان اجرای بهینه و کارآمد مدل‌های یادگیری ماشین و تحلیل فرایند مدیریت انتقال بین سلولی در شبکه‌های نسل پنجم را فراهم کرده است.

 

4-3. طراحی مراحل آزمایش و ارزیابی عملکرد روش‌های پیشنهادی

  به‌منظور تحلیل و ارزیابی عملکرد روش‌های پیشنهادی در بهینه‌سازی فرایند مدیریت انتقال بین سلولی، آزمایش‌های این پژوهش در سه مرحله اصلی سازمان‌دهی شده است. در هر مرحله، پارامترهای کلیدی شبکه اندازه‌گیری شده و سه روش‌های پیشنهادی از جنبه‌های مختلف مقایسه شده‌اند. این آزمایش‌ها باهدف بررسی میزان تأثیر روش‌های پیشنهادی در کاهش نرخ فرایند مدیریت انتقال بین سلولی، بهبود کیفیت تجربه کاربری و افزایش بهره‌وری شبکه‌های نسل پنجم و فراتر از آن طراحی شده‌ است.

 

4-3-1. مرحله اول: آماده‌سازی داده‌ها و پیش‌پردازش اولیه

  به‌منظور اجرای صحیح مدل‌های پیشنهادی و دستیابی به نتایج قابل‌اعتماد، در مرحله نخست، داده‌های مورداستفاده در این پژوهش مورد تحلیل، پالایش و آماده‌سازی قرار می‌گیرند. مجموعه‌داده‌های استفاده شده، شامل اطلاعات متعددی نظیر قدرت سیگنال دریافتی، کیفیت سیگنال، نسبت توان به نویز، موقعیت جغرافیایی، فاصله کاربر از ایستگاه پایه و سایر پارامترهای محیطی مؤثر بر فرایند مدیریت انتقال بین سلولی است. در این مرحله، ابتدا داده‌های پرت و نویزی حذف شده و مقادیر نامعتبر اصلاح می‌شوند تا از تأثیر منفی آن‌ها بر عملکرد مدل جلوگیری شود. سپس، داده‌ها به‌منظور افزایش دقت خوشه‌بندی و مدل‌سازی الگوریتم‌های یادگیری ماشین، نرمال‌سازی و استانداردسازی می‌شود. علاوه بر این، توزیع ویژگی‌های کلیدی بررسی شده و ارتباط میان آن‌ها تحلیل می‌شود تا تأثیر هر متغیر بر فرایند مدیریت انتقال بین سلولی مشخص گردد. این مرحله نه‌تنها تضمین‌کننده صحت و دقت مدل‌هاست بلکه از تأثیر پارامترهای غیرضروری و نویزهای آماری در مراحل بعدی جلوگیری می‌کند.

 

4-3-2. مرحله دوم: اجرای مدل‌های خوشه‌بندی برای تحلیل فرآیند مدیریت انتقال بین سلولی

پس از تکمیل مرحله پیش‌پردازش، داده‌های آماده‌شده برای اجرای روش‌های پیشنهادی پردازش خواهند شد. در این مرحله، سه روش مجزا برای تحلیل فرایند انتقال بین سلولی و تشخیص الگوهای تغییر اتصال کاربران بین ایستگاه‌های پایه پیاده‌سازی می‌شود. در روش موازی، الگوریتم‌های K-Means، DBSCAN  و GMM به‌صورت هم‌زمان بر روی مجموعه‌داده‌ها اعمال شده و نتایج آن‌ها با استفاده از تکنیک‌های یادگیری ترکیبی مانند رأی‌گیری اکثریت یا وزن‌دهی نتایج مدل‌ها، ترکیب می‌شوند. در روش سری، الگوریتم‌ها به‌صورت متوالی اجرا شده و خروجی هر مدل، ورودی مدل بعدی را تشکیل می‌دهد تا پردازش خوشه‌بندی در یک ساختار مرحله‌ای بهینه شود. در روش ترکیبی، دو روش قبلی ادغام شده و مدلی ارائه می‌شود که از مزایای روش‌های سری و موازی به‌صورت هم‌زمان بهره‌مند باشد. در این مرحله، کیفیت خروجی خوشه‌بندی با استفاده از معیارهایی نظیر امتیاز پراکندگی و شاخص دیویس - بولدین ارزیابی شده و میزان همگن بودن و تفکیک‌پذیری خوشه‌ها موردبررسی قرار می‌گیرد.

 

4-3-3. مرحله سوم: ارزیابی عملکرد روش‌ها و تحلیل نهایی

  در مرحله پایانی، روش‌های پیشنهادی از جنبه‌های مختلف مورد تحلیل و مقایسه عملکردی قرار می‌گیرند تا کارآمدترین روش برای بهینه‌سازی مدیریت انتقال بین سلولی در شبکه‌های نسل پنجم شناسایی شود. در این مرحله، پارامترهای کلیدی دقت، نرخ صحت، میزان بازیابی و امتیاز میانگین هارمونیک، محاسبه شده و عملکرد مدل‌های مختلف بر اساس نرخ انتقال بین سلولی، تأخیر انتقال، نرخ توان عملیاتی کیفیت تجربه کاربری ارزیابی می‌شود. همچنین، میزان تأثیر هر روش بر کاهش تعداد انتقال‌های غیرضروری، بهبود پوشش‌دهی شبکه و افزایش پایداری اتصال کاربران بررسی خواهد شد. در این بخش، نتایج به‌صورت جدول‌های مقایسه‌ای و نمودارهای تحلیلی ارائه شده و برتری یا ضعف هر روش به طور دقیق مشخص می‌شود. در نهایت، نتایج آزمایش‌ها نشان خواهد داد که کدام روش دقت بالاتر، نرخ فرایند مدیریت انتقال بین سلولی پایین‌تر و عملکرد بهینه‌تری ارائه می‌دهد و چگونه یادگیری ماشین می‌تواند در مدیریت انتقال بین سلولی شبکه‌های نسل پنجم، نقش مؤثری داشته باشد.

 

جدول 4: وضعیت سیگنال دریافتی از ایستگاه‌های پایه و تأثیر آن‌ها بر کیفیت ارتباطات

Table 4: Status of the received signal from base stations and its impact on communication quality

شاخص	طول جغرافیایی	عرض جغرافیایی	توان سیگنال دریافتی	کیفیت سیگنال دریافتی	نسبت توان سیگنال به نویز	شناسه فیزیکی سلول	ارتفاع ایستگاه پایه	فاصله تا ایستگاه پایه	زاویه آنتن	زاویه شیب سیگنال
0	-44.01509	-19.8482	-64.5	-10.5	-20.0	112	845.0	689.82	136.58	3.62-
1	-44.01645	-19.8467	-64.5	-10.5	-20.0	112	852.1	907.68	135.01	2.30-
2	-44.01684	-19.8458	-64.5	-10.5	-20.0	112	853.4	1007.50	132.61	2.00-
3	-44.01687	-19.8457	-64.5	-10.5	-20.0	112	854.0	1015.29	132.44	1.95-
4	-44.01725	-19.8448	-80.2	-10.4	-16.0	398	860.2	4505.74	112.44	0.57-

 

  داده‌های ارائه‌ شده در جدول (4) نشان‌دهنده وضعیت سیگنال‌های دریافتی از ایستگاه‌های پایه و تأثیر آن‌ها بر کیفیت ارتباطات در یک محیط خاص است. مقدار توان سیگنال دریافتی در بازه 64.5- تا 80.2- دسیبل بر متر قرار دارد که نشان‌دهنده تفاوت در قدرت سیگنال دریافتی در نقاط مختلف است. مقدار کیفیت سیگنال دریافتی نیز نشان می‌دهد که کیفیت سیگنال در برخی نقاط پایین بوده که احتمال تداخل و نویز را افزایش می‌دهد. نسبت توان سیگنال به نویز نیز بیانگر میزان نویز موجود در محیط بوده و در مقادیر منفی قرار دارد. این امر می‌تواند عملکرد شبکه را تحت‌تأثیر قرار داده و منجر به افزایش میزان خطا و افت توان عملیاتی شود. بررسی موقعیت جغرافیایی داده‌ها نشان می‌دهد که نقاط اندازه‌گیری شده از یک منطقه مشخص انتخاب شده‌ اما مقدار فاصله تا ایستگاه پایه نشان از تغییرات ناگهانی در فاصله تا ایستگاه‌های پایه است. به‌طوری‌که در نمونه چهارم این فاصله به 4505 متر افزایش‌یافته که این امر می‌تواند ناشی از تغییر موقعیت ناگهانی کاربر یا تغییر اتصال بین ایستگاه‌های پایه باشد. مقدار شناسه فیزیکی سلول نشان می‌دهد که در این آزمایش دو ایستگاه پایه با مقادیر 112 و 398 دخیل بوده‌اند که می‌تواند تأثیر مستقیمی بر فرایند انتقال بین سلولی داشته باشد. علاوه بر این، مقادیر زاویه آنتن بین 112 تا 136 درجه متغیر است که جهت ارسال سیگنال ایستگاه‌های پایه را مشخص می‌کند. در نهایت، مقدار زاویه شیب سیگنال و در رنج منفی، نشان می‌دهد که ایستگاه‌های پایه سیگنال‌های خود را به سمت پایین و کاربران زمینی متمرکز کرده‌اند. بررسی این داده‌ها نشان می‌دهد که به دلیل کاهش قدرت سیگنال در برخی نقاط و افزایش فاصله بین ایستگاه‌های پایه، فرایند انتقال بین سلولی می‌تواند منجر به کاهش کیفیت خدمات و تجربه کاربری شود که این امر نیاز به بهینه‌سازی مدیریت انتقال بین سلولی را بااهمیت و برجسته می‌سازد.

 

4-4. اجرای الگوریتم‌های خوشه‌بندی در روش موازی

  در این روش، برای ارزیابی کیفیت خوشه‌بندی، امتیاز پراکندگی برای هر الگوریتم محاسبه شده است. در خصوص خوشه‌بندی و پس از اعمال روش رأی‌گیری اکثریت به روش موازی و مطابق با پراکندگی در شکل (8) می‌توان مشاهده کرد که داده‌ها به خوشه‌های مشخص و جدا از یکدیگر تقسیم و هر خوشه با رنگی متفاوت نمایش داده شده‌اند. رنگ‌ها نشان‌دهنده خوشه‌های مختلف پس از اعمال رأی‌گیری اکثریت و نوار رنگیسمت راست، شماره خوشه‌ها را بر روی محور عمودی مشخص می‌کند. داده‌های مربوط به موقعیت‌های مختلف کاربران در شبکه به چندین خوشه تقسیم شده‌ که مشاهده می‌شود، برخی مناطق دارای تراکم بالا بوده که گروه‌بندی قوی در آن بخش‌ها نشان می‌دهند. می‌توان دید که روش پیشنهادی توانسته داده‌ها را به خوشه‌های مجزا دسته‌بندی کند

 

شکل 8: پراکندگی در خوشه‌بندی به روش موازی

Figure 8: Dispersion in clustering using the parallel method

 

رویکرد رأی‌گیری اکثریت در روش موازی به‌خوبی توانسته داده‌های مکانی را به خوشه‌های مشخص دسته‌بندی کند. مناطق با رنگ‌های یکنواخت، عملکرد صحیح خوشه‌بندی و دسته‌بندی مناسب کاربران شبکه را می‌توان مشاهده کرد.

شکل 9: امتیاز پراکندگی و نمودار حرارتی رای‌گیری اکثریت در خوشه‌بندی به روش موازی

Figure 9: Dispersal score and heat map of majority voting in clustering using parallel methods.

 

  تحلیل نتایج شکل (9) نشان می‌دهد که خوشه‌بندی و عملکرد روش‌های مختلف مدل رأی‌گیری اکثریت در روش موازی توانسته است توزیع معناداری از خوشه‌ها را ارائه دهد اما با افت نسبی دقت در مقایسه با الگوریتم‌های پایه روبه‌رو است. بررسی نمودار پراکندگی خوشه‌بندی نهایی نشان می‌دهد که نقاط داده‌ای در مناطق پرتراکم شبکه به‌درستی گروه‌بندی شده‌اند، اما در برخی موارد، ناهماهنگی بین خروجی سه الگوریتم، منجر به کاهش دقت در تصمیم‌گیری نهایی شده است. از سوی دیگر، مقایسه مقدار امتیاز پراکندگی در بین مدل‌های مختلف حاکی از عملکرد بالاتر K-Means و GMM نسبت به روش موازی است که می‌تواند به دلیل حساسیت این مدل‌ها به ساختار خوشه‌بندی داده‌ها باشد.

بااین‌حال، نتایج حاصل از نمودار حرارتی رأی‌گیری اکثریت نشان می‌دهد که این روش توانسته است نتایج مدل‌های مختلف را با درصد بالایی از هم‌پوشانی ترکیب کند. اگرچه در برخی موارد، تخصیص نامناسب خوشه‌ها به دلیل وجود نقاط نویزی در DBSCAN  رخ‌داده است. این یافته‌ها تأکید می‌کنند که روش رأی‌گیری اکثریت، علی‌رغم کاهش نوسانات خوشه‌بندی و ایجاد یکپارچگی در نتایج، همچنان نیازمند تنظیمات بهینه‌تری برای افزایش دقت نهایی است.

 

4-4-1. مزایا و معایب اجرای موازی الگوریتم‌ها

  در روش موازی، مدل‌های مختلف خوشه‌بندی به طور هم‌زمان بر روی داده‌ها اجرا شده و نتایج هر یک از الگوریتم‌ها به‌صورت جداگانه محاسبه می‌شوند. سپس، با استفاده از تکنیک‌هایی نظیر رأی‌گیری اکثریت یا وزن‌دهی، خروجی نهایی تعیین می‌شود. مزیت اصلی این روش، قابلیت استفاده هم‌زمان از چندین مدل با ویژگی‌های مختلف است که به کاهش وابستگی به یک مدل خاص و افزایش استحکام خوشه‌بندی کمک می‌کند. علاوه بر این، پردازش موازی منجر به افزایش سرعت اجرا می‌شود، چرا که هر مدل به‌صورت مستقل عمل کرده و از محاسبات اضافی جلوگیری می‌شود. این استراتژی به بهبود دقت و پایداری خوشه‌بندی کمک ‌می‌کند.

بااین‌حال، عیب اصلی این روش عدم تطابق بین مدل‌های مختلف است. به این معنا که هر الگوریتم خوشه‌بندی ممکن است خروجی‌های ناسازگاری تولید کند که در مرحله تجمیع ممکن است به کاهش دقت کلی منجر شود. همچنین، تصمیم‌گیری در مورد نحوه ترکیب نتایج مدل‌ها مانند رأی‌گیری یا وزن‌دهی، می‌تواند پیچیده بوده و نیاز به تنظیمات دقیق دارد.

 

4-5. اجرای الگوریتم‌های خوشه‌بندی در روش سری

  نتایج به‌دست‌آمده از اجرای روش سری بر روی مجموعه‌داده‌ها در سه نمودار ارائه شده است که تحلیل دقیقی از عملکرد خوشه‌بندی و مقایسه آن با روش‌های دیگر ارائه می‌دهد. نمودار اول، یک پراکندگی از خوشه‌بندی نهایی بر اساس روش سری را نمایش می‌دهد که در آن ابتدا خوشه‌بندی با الگوریتم K-Mean انجام شده، سپس خروجی آن به‌عنوان ورودی به الگوریتم DBSCAN داده شده و در نهایت الگوریتم GMM روی خروجی حاصل از مرحله دوم اعمال شده است. همان‌طور که در شکل (10) مشاهده می‌شود، نقاط جغرافیایی خوشه‌های مختلف با رنگ‌های متفاوت مشخص شده‌اند. ترکیب این سه الگوریتم باعث شده است که خوشه‌ها از نظر تراکم و مرزهای خوشه‌بندی بهبود یابند اما برخی از مناطق همچنان دارای هم‌پوشانی بوده که می‌تواند ناشی از تفاوت در حساسیت الگوریتم‌های مورد استفاده باشد.

 

 

شکل 10: پراکندگی در خوشه‌بندی به روش سری

Figure 10: Dispersion in clustering by series method

شکل 11: امتیاز پراکندگی و نمودار حرارتی رای‌گیری اکثریت در خوشه‌بندی به روش سری

Figure 11: Scatter score and heatmap of majority voting in clustering using the series method

 

در شکل (11) که مقایسه‌ی امتیاز پراکندگی بین مدل‌های مختلف را نمایش می‌دهد، مشاهده می‌شود که هر سه الگوریتم پایه مقادیر تقریباً مشابهی دارند و عملکرد آن‌ها در ایجاد خوشه‌های معنادار نسبتاً مطلوب بوده است. اما میزان انسجام خوشه‌ها در مدل نهایی روش سری در مقایسه با مدل‌های منفرد بررسی نشده است که می‌تواند نکته‌ای برای بهبود رویکرد باشد.

در نهایت، نقشه حرارتی، نشان‌دهنده نتایج نهایی دسته‌بندی در مراحل مختلف است. در این نمودار، میزان هماهنگی خروجی‌های الگوریتم‌های مختلف در ۲۰ داده‌ی ابتدایی نشان‌داده‌شده است. مشاهده می‌شود که خوشه‌های اختصاص‌داده‌شده در برخی موارد دچار تغییرات قابل‌توجهی بین مراحل مختلف هستند که نشان می‌دهد روش سری ممکن است به دلیل وابستگی به خروجی‌های مرحله قبل در برخی موارد دچار تغییرات ناپایدار شود. این نکته می‌تواند در کاربردهای حساس نیازمند بهینه‌سازی بیشتر باشد.

به‌طورکلی، روش سری در مقایسه با روش موازی، قدرت بیشتری در بهینه‌سازی خوشه‌بندی دارد، زیرا خروجی هر مرحله، اطلاعات تکمیلی برای مرحله بعدی فراهم می‌کند، اما از سوی دیگر، حساسیت این روش به کیفیت خروجی مرحله‌ی قبلی، یکی از نقاط ضعف آن محسوب می‌شود.

 

4-5-1. مزایا و معایب اجرای سری الگوریتم‌ها 

روش سری با اجرای مدل‌ها به‌صورت متوالی و تغذیه خروجی یک مدل به‌عنوان ورودی مدل بعدی، امکان پالایش تدریجی داده‌ها را فراهم می‌کند. مزیت کلیدی این روش توانایی پالایش نتایج است به این صورت که مدل‌های بعدی می‌توانند خروجی‌های مدل‌های قبلی را اصلاح‌کرده و کیفیت خوشه‌بندی را افزایش دهند. این روش به‌خصوص در سناریوهایی که داده‌ها دارای نویز بالا هستند، عملکرد مطلوبی دارد، زیرا هر مدل امکان فیلترکردن ناپایداری‌های مدل‌های قبلی را دارد. از دیگر مزایای روش سری می‌توان استفاده تدریجی از اطلاعات، دقت بالاتر و ایجاد یک دیتاست غنی‌تر را نام برد. 

از معایب این روش می‌توان به افزایش پیچیدگی محاسباتی اشاره کرد، چرا که اجرای متوالی مدل‌ها زمان پردازش را به طور قابل‌توجهی افزایش می‌دهد. همچنین، این روش به‌شدت وابسته به انتخاب ترتیب مناسب مدل‌ها است؛ اگر مدل‌های نامناسبی در ابتدا قرار بگیرند، ممکن است نتایج نهایی تحت‌تأثیر منفی قرار گیرند و کیفیت خوشه‌بندی کاهش یابد.

روش سری نسبت به روش موازی دقت بالاتری دارد؛ اما هزینه و زمان پردازشی بیشتری نیز نیاز دارد. چراکه برخلاف روش موازی که تمامی الگوریتم‌ها هم‌زمان اجرا می‌شوند، در این روش هر مرحله به بهبود نتایج مرحله قبل کمک کرده و دقت خوشه‌بندی نهایی را افزایش می‌دهد.

 

4-6. اجرای الگوریتم‌های خوشه‌بندی در روش ترکیبی

  در روش یادگیری ترکیبی که ترکیبی از روش‌های موازی و سری است، فرایند خوشه‌بندی بهینه‌تری ارائه می‌شود. شکل (12) نشان‌دهنده‌ی پراکندگی داده‌ها و نتایج خوشه‌بندی در این روش است. استفاده از یادگیری ترکیبی باعث شده است که تخصیص نقاط به خوشه‌ها نسبت به روش‌های دیگر دقیق‌تر انجام شود که این امر به دلیل ترکیب مزایای هر دو رویکرد موازی و سری است. مناطق متمایز در این تصویر نشان‌دهنده‌ی قدرت این روش در کاهش تداخل بین خوشه‌ها و افزایش دقت در تفکیک داده‌ها است.

 

شکل 12: پراکندگی در خوشه‌بندی به روش ترکیبی

Figure 12: Dispersion in clustering using the hybrid method

 

شکل 13: امتیاز پراکندگی و نمودار حرارتی رای‌گیری اکثریت در خوشه‌بندی به روش ترکیبی

Figure 13: Scatter score and heat map of majority voting in clustering using the hybrid method

 

  شکل (13)، مقادیر امتیاز پراکندگی و نمودار حرارتی رای‌گیری اکثریت در خوشه‌بندی به روش ترکیبی را برای سه الگوریتم پایه و یادگیری ترکیبی را نمایش می‌دهد. مشاهده می‌شود که الگوریتم یادگیری ترکیبی عملکرد بهتری نسبت به روش‌های مستقل موازی یا سری ندارد، اما همچنان ساختار خوشه‌ها را به شکل پایدارتری حفظ کرده است. دلیل این موضوع برخی از نقاط داده‌ای بوده که در مدل‌های مستقل موازی یا سری نادیده گرفته شده و در روش ترکیبی ردازش می‌شوند بوده که بهینه‌ترین برچسب برای آنها انتخاب شده است. نتایج خوشه‌بندی اولین ۲۰ داده ورودی، به وضوح نشان می‌دهد که روش یادگیری ترکیبی چگونه نتایج حاصل ازسه الگوریتم پایه را تجمیع کرده و به یک تصمیم نهایی در مورد برچسب‌گذاری داده‌ها رسیده است. نتایج و تحلیل این تصویر گویای کاهش ناهماهنگی بین مدل‌های مختلف و ایجاد خوشه‌های پایدار عملکرد بهتری نسبت به دو روش دیگر است. در مجموع، روش یادگیری ترکیبی باعث افزایش دقت و کاهش پراکندگی خوشه‌ها می‌شود که این امر به افزایش پایداری شبکه و بهبود فرآیند مدیریت جابجایی کاربران در شبکه‌های سلولی منجر می‌شود.

 

4-6-1. مزایا و معایب روش مبتنی بر یادگیری ترکیبی

روش یادگیری ترکیبی که ترکیبی از روش‌های موازی و سری است، تلاش می‌کند تا مزایای هر دو روش را به حداکثر برساند. در این روش، مدل‌های مختلف به‌صورت موازی اجرا می‌شوند تا از مزایای چندین رویکرد خوشه‌بندی بهره‌برداری شود و سپس یک مرحله پردازش سری انجام می‌شود که از نتایج روش‌های مختلف برای بهینه‌سازی خوشه‌بندی استفاده می‌کند. مزیت اصلی این روش، افزایش دقت و پایداری خوشه‌بندی است، زیرا نقاط ضعف هر مدل به‌وسیله مدل‌های دیگر جبران می‌شود. علاوه بر این، ترکیب رویکردهای موازی و سریالی باعث کاهش احتمال ناهماهنگی بین مدل‌های مختلف و بهبود عملکرد کلی می‌شود. از دیگر مزایای روش ترکیبی می‌توان به کاهش نویز و حذف نقاط پرت، تعادل بهینه‌ای بین سرعت پردازش و دقت خوشه‌بندی، بهبود قابلیت تعمیم روی دیتاست‌های مختلف و افزایش کیفیت تجربه کاربر از طریق بهبود پایداری اتصال. مدیریت بهتر منابع شبکه با کاهش تداخل و افزایش کارایی تخصیص پهنای باند را عنوان کرد. این روش نسبت به مدل‌های سری و موازی، دارای دقت بالاتری بوده و می‌تواند با حفظ سرعت پردازش، تصمیمات بهینه‌ای برای انتقال بین سلولی اتخاذ کند.

از طرف دیگر، عیب اصلی این روش افزایش پیچیدگی محاسباتی است، زیرا هم‌زمان از اجرای مدل‌های مختلف و پردازش‌های ترکیبی استفاده می‌شود و برای پردازش در سیستم‌های بلادرنگ نیاز به سخت‌افزارهای پرقدرت‌تر یا بهینه‌سازی الگوریتم‌ها را داریم؛ زیرا تنظیمات این مدل نیازمند آزمون و خطای زیادی بوده تا ترکیب بهینه‌ای از مدل‌های مختلف ایجاد شود که منجر به بهترین عملکرد گردد. مدل متا نیز دارای پارامترهای بهینه‌سازی خاصی بوده که باید با روش‌های جستجوی سراسری تصادفی بهینه شوند. از دیگر معایب روش ترکیبی، افزایش زمان آموزش، یادگیری و وابستگی به کیفیت خروجی مدل‌های پایه است.

 

4-7. مقایسه‌ی معیارهای عملکرد و شاخص‌های کلیدی ارزیابی کیفیت خوشه‌بندی و تفکیک داده‌ها

نتایج جدول (5)، نشان می‌دهد که روش یادگیری ترکیبی، بهترین عملکرد را در تمامی معیارهای ارزیابی دارد. این روش با ترکیب مزایای دو روش موازی و سری توانسته است میزان دقت، دقت پیش‌بینی، بازخوانی و میانگین هارمونیک را نسبت به سایر روش‌ها بهبود دهد.

 روش موازی به دلیل استفاده از چندین مدل خوشه‌بندی به طور هم‌زمان و ترکیب خروجی آن‌ها، عملکرد بهتری نسبت به روش سری دارد، اما به دلیل عدم وابستگی میان الگوریتم‌ها، در برخی موارد عدم توافق بین مدل‌ها ممکن است باعث کاهش دقت شود.

روش سری کمترین عملکرد را در میان سه روش دارد. این امر به دلیل وابستگی شدید مراحل خوشه‌بندی به خروجی مرحله قبل است. خطاهای مرحله ابتدایی در کل فرایند انتشار پیدا می‌کنند و باعث افت کیفیت خوشه‌بندی نهایی شده که نشان‌دهنده عدم توانایی مدل در پوشش کافی داده‌ها و تفکیک مناسب خوشه‌ها است.

در مجموع و مطابق با جدول (5)، و با توجه به معیارهای عملکرد، هر یک از این روش‌ها بسته به نوع داده، نیازمندی‌های پردازشی و هدف خوشه‌بندی، مزایا و معایب خاص خود را دارند. روش موازی سریع‌تر و مقیاس‌پذیرتر است اما ممکن است ناسازگاری‌هایی بین مدل‌ها ایجاد کند. روش سری دقت بالاتری دارد اما زمان پردازش آن بیشتر است و نیاز به ترتیب بهینه اجرای مدل‌ها دارد. در مجموع، روش یادگیری ترکیبی بالاترین میزان دقت را ارائه داده و تعادل مناسبی بین دقت پیش‌بینی و بازخوانی برقرار کرده است. این روش همزمان از مزایای روش‌های موازی و سری استفاده کرده و با بهینه‌سازی نهایی، بهترین عملکرد را در میان سه روش ارائه داده است.

 

جدول 5: مقایسه معیارهای عملکرد در سه روش مختلف

Table 5: Comparison of performance metrics in three different methods

معیار ارزیابی	روش موازی	روش سری	روش ترکیبی
Accuracy (دقت)	84.2%	78.5%	91.3%
Precision (دقت پیش‌بینی)	82.7%	75.8%	89.9%
Recall (بازخوانی)	79.3%	72.4%	90.5%
F1 Score (میانگین هارمونیک)	80.9%	74.0%	90.2%

 

  به‌منظور ارزیابی و مقایسه عملکرد دو رویکرد موازی و سری، معیارهای دقت، دقت پیش‌بینی، بازخوانی و میانگین هارمونیک برای هر دو مدل محاسبه شده است. این معیارها به‌عنوان شاخص‌های کلیدی ارزیابی کیفیت خوشه‌بندی و تفکیک داده‌ها در نظر گرفته شده‌اند. دقت  نشان‌دهنده میزان پیش‌بینی‌های صحیح مدل نسبت به کل داده‌ها است، درحالی‌که دقت پیش‌بینی و بازخوانی بیانگر توانایی مدل در شناسایی صحیح خوشه‌ها و جلوگیری از خطاهای دسته‌بندی هستند. معیار میانگین هارمونیک نیز یک اندازه‌گیری ترکیبی است که تعادل میان دقت پیش‌بینی و بازخوانی را نشان می‌دهد.

 

4-8. مقایسه زمان اجرای روش‌ها

  برای تحلیل زمان اجرای سه روش موازی، سری و یادگیری ترکیبی، از کتابخانه time در پایتون استفاده شده است. این کتابخانه امکان اندازه‌گیری دقیق مدت‌زمان اجرای الگوریتم‌ها را فراهم می‌کند و برای بررسی کارایی مدل‌های مختلف، ابزاری ضروری محسوب می‌شود. نتایج به‌دست‌آمده در شکل (14)، نشان می‌دهد که روش موازی با ۴.۳۲ ثانیه سریع‌ترین اجرا را دارد، زیرا تمامی مدل‌های خوشه‌بندی به‌طور همزمان پردازش می‌شوند. در مقابل، روش سری با ۶.۸۹ ثانیه، کندتر از روش موازی است، چرا که خروجی یک مدل به‌عنوان ورودی مدل بعدی مورد استفاده قرار می‌گیرد، که این فرآیند باعث افزایش مدت‌زمان پردازش می‌شود. در نهایت، روش یادگیری ترکیبی با ۹.۲۱ ثانیه بیشترین زمان پردازش را نیاز دارد، زیرا علاوه بر اجرای مدل‌ها به‌صورت ترکیبی، شامل پردازش‌های اضافی برای ادغام و بهینه‌سازی نتایج مدل‌های مختلف است.

 

 

شکل 14: زمان اجرای سه روش موازی، سری و یادگیری ترکیبی

Figure 14: Execution time of three methods: parallel, serial, and combined learning.

 

این تفاوت در زمان اجرا نشان می‌دهد که اگر سرعت پردازش اولویت اصلی باشد، روش موازی کارآمدتر خواهد بود، درحالی‌که اگر دقت و کاهش نویز داده‌ها مهم‌تر باشد، روش سری یا یادگیری ترکیبی برتری دارد. در نتیجه، انتخاب روش به نیازمندی‌های پروژه و منابع محاسباتی موجود بستگی داشته و در شرایطی که پردازش سریع همراه بادقت بالا موردنیاز باشد، بهینه‌سازی مدل‌های یادگیری ترکیبی یا استفاده از روش‌های پردازشی موازی پیشرفته‌تر، مانند اجرای محاسبات بر روی GPU، پیشنهاد می‌شود.

 

4-9. مقایسه جامع روش‌های موازی، سری و یادگیری ترکیبی

جدول (6)، مقایسه‌ای جامع بین سه روش موازی، سری و یادگیری ترکیبی ارائه می‌دهد. این مقایسه بر اساس معیارهای مختلفی مانند دقت، سرعت پردازش، پیچیدگی محاسباتی، میزان همگرایی، حساسیت به نویز، قابلیت تعمیم‌پذیری، کاربردهای پیشنهادی و میزان مصرف منابع انجام شده است.

  بر اساس این مقایسه، روش موازی برای سناریوهایی که نیاز به پردازش سریع دارند و دقت کمتر اهمیت دارد، مناسب است. روش سری زمانی مناسب است که داده‌ها پر از نویز باشند و نیاز به پالایش تدریجی خوشه‌بندی وجود داشته باشد. در مقابل، روش یادگیری ترکیب برای مسائلی که نیاز به حداکثر دقت، پایداری و تعمیم‌پذیری دارند، اما منابع محاسباتی کافی در اختیار است، بهترین گزینه محسوب می‌شود. در نهایت، بسته به نیاز پروژه، داده‌های موجود و منابع پردازشی، می‌توان از یکی از این روش‌ها یا ترکیبی از آن‌ها برای دستیابی به بهترین نتایج استفاده کرد.

 

 

جدول 6 : مقایسه جامع روش‌های موازی، سری و یادگیری ترکیبی

Table 6: Comprehensive comparison of parallel, serial, and hybrid learning methods.

معیارها	روش موازی	روش سری	روش یادگیری ترکیبی
ساختار کلی	اجرای هم‌زمان مدل‌های مختلف و ترکیب خروجی‌ها	اجرای مدل‌ها به‌صورت متوالی و استفاده از خروجی هر مدل به‌عنوان ورودی مدل بعدی	ترکیب روش‌های موازی و سری به‌منظور بهره‌برداری از مزایای هر دو
دقت	متوسط، وابسته به نحوه ترکیب مدل‌ها	بالا، به دلیل پالایش تدریجی داده‌ها	بسیار بالا، به دلیل ترکیب مزایای هر دو روش
سرعت پردازش	بالا، زیرا مدل‌ها به‌صورت موازی اجرا می‌شوند	پایین، زیرا مدل‌ها باید به ترتیب اجرا شوند	پایین، زیرا شامل پردازش موازی و سری است
پیچیدگی محاسباتی	متوسط، به دلیل اجرای هم‌زمان مدل‌ها	بالا، به دلیل اجرای مدل‌ها به‌صورت متوالی	بسیار بالا، به دلیل نیاز به مدیریت ترکیب مدل‌ها
حساسیت به نویز	بالا، زیرا نویز موجود در داده‌ها ممکن است بین مدل‌ها متفاوت باشد	پایین، زیرا مدل‌های بعدی نویز را فیلتر می‌کنند	پایین، زیرا از فیلترهای سری و تجمیع موازی استفاده می‌شود
همگرایی نتایج	ممکن است نتایج ناسازگار باشند، زیرا مدل‌های مختلف خروجی‌های متفاوتی دارند	بالا، زیرا مدل‌ها به‌صورت تدریجی اصلاح می‌شوند	بسیار بالا، به دلیل استفاده از ترکیب مناسب از هر دو روش
قابلیت تعمیم‌پذیری	خوب، اما بستگی به انتخاب مدل‌های مناسب دارد	بالا، زیرا به‌صورت تدریجی داده‌ها پالایش می‌شوند	بسیار بالا، زیرا ترکیبی از یادگیری‌های مستقل و تدریجی را ارائه می‌دهد
کاربردهای پیشنهادی	مناسب برای مسائل با حجم داده بالا و نیاز به پردازش سریع	مناسب برای مسائل با داده‌های پر نویز و نیاز به پالایش تدریجی	مناسب برای مسائل پیچیده که نیازمند دقت بالا و ترکیب مدل‌ها هستند
میزان مصرف منابع (RAM, CPU, GPU)	متوسط، به دلیل اجرای هم‌زمان چند مدل	بالا، زیرا مدل‌ها باید به ترتیب اجرا شوند و داده‌ها بین مراحل ذخیره شوند	بسیار بالا، زیرا نیازمند اجرای چندین مدل به طور هم‌زمان و متوالی است
انعطاف‌پذیری در تنظیمات	متوسط، وابسته به نوع مدل‌های انتخاب‌شده	پایین، زیرا ترتیب اجرای مدل‌ها باید مشخص باشد	بالا، زیرا قابلیت بهینه‌سازی ترکیب مدل‌ها را دارد
پایداری در داده‌های پویا	متوسط، زیرا ناسازگاری بین مدل‌ها ممکن است وجود داشته باشد	بالا، زیرا مدل‌ها به‌مرور تطبیق داده‌ها را انجام می‌دهند	بسیار بالا، زیرا هم از تجمیع نتایج بهره می‌برد و هم از پالایش تدریجی داده‌ها
میزان استفاده در صنعت	زیاد، به دلیل سادگی و سرعت بالا	متوسط، به دلیل نیاز به تنظیمات پیچیده	کم، زیرا پیچیدگی و هزینه پردازش آن زیاد است.

 

4-10. تحلیل و تفسیر آماری نتایج

  در تحقیقات علمی، به‌ویژه در حوزه بهینه‌سازی از آزمون‌های آماری برای ارزیابی تفاوت عملکرد الگوریتم‌ها استفاده می‌شود. زمانی که بخواهیم میانگین عملکرد دو الگوریتم یا نسبت دو نمونه جمع‌آوری‌شده از یک گروه یا دسته‌های مختلف را مقایسه و بررسی کنیم از آزمون تی استفاده می‌شود. نتایج این آزمون نشان می‌دهد که تفاوت بین عملکرد الگوریتم‌ها به‌صورت تصادفی و یا معنادار است. مطابق با جدول (7)، اگر تعداد الگوریتم‌های مورد مقایسه بیش از دو و داده ها غیر نرمال، ولی تعداد نمونه‌ها زیاد باشد از تحلیل واریانس یک‌طرفه که یک آزمون آماری و زیر مجموعه‌ی آمار تفسیری بوده و به تفسیر اختلاف بین میانگین در بیش از دو گروه آزمایشی می‌پردازد، استفاده کرد. در صورتی که داده‌ها نرمال نباشند، آزمون‌های غیرپارامتری مانند ویلکاکسون یا فریدمن به‌عنوان جایگزین استفاده می‌شوند. همه‌ی این آزمون‌ها از اعتباری بالا برخوردار بوده و در ادبیات پژوهشی هوش محاسباتی و بهینه‌سازی به‌عنوان ابزارهای استاندارد، جهت مقایسه الگوریتم‌ها، شناخته می‌شوند.

جدول 7 : انتخاب آزمون مناسب برای ارزیابی نتایج

Table 7: Choosing the Appropriate Test for Evaluating Results

تعداد الگوریتم‌ها	داده‌های نرمال	آزمون پیشنهادی
دو الگوریتم	بله	آزمون تی
دو الگوریتم	خیر	آزمون ویلکاکسون
بیش از دو الگوریتم	بله	تحلیل واریانس یک‌طرفه
بیش از دو الگوریتم	خیر	آزمون فریدمن

 

  تحلیل آماری زمان اجرای سه روش مختلف یادگیری ماشین در این مطالعه با استفاده از آزمون واریانس یک‌طرفه انجام شد تا مشخص شود که آیا تفاوت‌های مشاهده‌شده در میانگین زمان اجرا از نظر آماری معنادار هستند یا خیر. ازآنجایی‌که بیش از دو گروه مستقل موردبررسی قرار گرفته‌اند (روش‌های موازی، سری و یادگیری ترکیبی) استفاده از آزمون واریانس یک‌طرفه بهترین گزینه برای تحلیل اختلاف میانگین زمان اجرا میان این روش‌ها محسوب می‌شود. نتایج این آزمون نشان داد که تفاوت معناداری بین میانگین زمان اجرای سه روش وجود دارد، به این معنی که زمان اجرا در روش‌های مختلف تنها به‌صورت تصادفی تغییر نکرده، بلکه به ساختار و فرایند پردازشی هر روش وابسته است.

 

 

شکل 15: تحلیل آماری زمان اجرا توسط واریانس یک‌طرفه

Figure 15: Statistical analysis of execution time by one-way variance

 

شکل (15) نیز این یافته‌ها را تأیید می‌کند، به‌طوری که روش موازی کمترین زمان اجرا را داشته و در مقابل، روش یادگیری ترکیبی بیشترین هزینه محاسباتی و زمان اجرا را به خود اختصاص داده است، درحالی‌که روش سری از نظر زمان اجرا در حد واسط این دو روش قرار دارد. این یافته‌ها بیانگر این است که روش‌های پیچیده‌تر، به دلیل پردازش‌های چندمرحله‌ای و ترکیب مدل‌های مختلف، هزینه محاسباتی بالاتری دارند که به‌طور مستقیم بر زمان اجرا تأثیر می‌گذارد. با این حال، باید توجه داشت که کاهش زمان اجرا لزوماً به معنای بهبود عملکرد کلی نیست، زیرا دقت خوشه‌بندی نیز در کنار کارایی زمانی باید مورد ارزیابی قرار گیرد. در نتیجه، بسته به کاربرد موردنظر، انتخاب میان سرعت پردازش بالاتر و دقت خوشه‌بندی بهتر باید با در نظر گرفتن این تحلیل‌های آماری انجام شود.

4-11. پایداری و توانایی الگوریتم‌ها

در ارزیابی عملکرد الگوریتم‌های خوشه‌بندی برای مدیریت انتقال در شبکه‌های سلولی، علاوه بر معیارهایی مانند دقت، نرخ کاهش انتقال بین سلول‌ها و زمان اجرا، بررسی پایداری الگوریتم‌ها نیز نقش مهمی در سنجش قابلیت اعتماد این روش‌ها دارد. پایداری یک مدل خوشه‌بندی به توانایی آن در ارائه نتایج پایدار در شرایط مختلف داده‌ای، نویز، و تغییرات پارامتری اشاره دارد. در این مطالعه، سه روش موازی، سری و یادگیری ترکیبی از نظر میزان حساسیت آن‌ها نسبت به تغییرات ورودی و مقاومت در برابر نویز داده‌ها موردبررسی قرار می‌گیرند.

  در روش موازی، اجرای مستقل الگوریتم‌ها و ترکیب نتایج از طریق رأی‌گیری اکثریت باعث افزایش پایداری مدل می‌شود، زیرا ضعف یک الگوریتم خاص تأثیر زیادی بر خروجی نهایی نخواهد داشت. اما درصورتی‌که نتایج بین الگوریتم‌ها همخوانی نداشته باشد، ممکن است ناپایداری در تصمیم‌گیری نهایی افزایش یابد. روش سری، به دلیل استفاده متوالی از خروجی یک الگوریتم به‌عنوان ورودی الگوریتم بعدی، وابستگی شدیدی به‌دقت مراحل ابتدایی دارد. این وابستگی باعث می‌شود که هرگونه خطا یا نویز در مرحله اولیه در کل فرایند انتشار یابد و پایداری مدل را کاهش دهد. در مقابل، روش یادگیری ترکیبی که ترکیبی از دو روش قبلی است، پایداری بیشتری ارائه می‌دهد. در این روش، ابتدا رأی‌گیری اکثریت در مدل موازی انجام شده و سپس خروجی آن برای پردازش تکمیلی در ساختار سری مورداستفاده قرار می‌گیرد. این ترکیب موجب کاهش حساسیت مدل به داده‌های پرت و تغییرات پارامتری می‌شود، زیرا هم مزایای چندین الگوریتم را دارد و هم از قدرت پردازش ترتیبی بهره می‌برد.

  برای ارزیابی کمی پایداری مدل‌ها، می‌توان از روش‌هایی نظیر اندازه‌گیری میزان تغییرات خوشه‌ها در اجرای مکرر الگوریتم‌ها، بررسی حساسیت مدل به داده‌های پرت و استفاده از معیارهای شاخص رَند تعدیل‌شده و اطلاعات متقابل نرمال شد برای مقایسه خروجی خوشه‌بندی در شرایط مختلف استفاده کرد. مطابق با جدول (8) و نتایج به‌دست‌آمده نشان می‌دهد که روش یادگیری ترکیبی، به دلیل ترکیب انعطاف‌پذیری مدل موازی و دقت مدل سری، پایداری بالاتری نسبت به دو روش دیگر دارد.

روش موازی نیز به دلیل استفاده از چندین مدل مستقل، میزان پایداری قابل‌قبولی دارد، اما روش سری کمترین میزان پایداری را نشان می‌دهد، زیرا در برابر خطاهای ورودی و تغییرات داده‌ها حساسیت بالایی دارد. انتخاب روش مناسب بستگی به هدف نهایی و شرایط عملیاتی شبکه دارد، اما در شرایطی که ثبات عملکرد و کاهش حساسیت به نویز داده‌ها اهمیت بیشتری دارد، استفاده از یادگیری ترکیبی توصیه می‌شود.

 

جدول 8 : مقایسه پایداری در سه روش مختلف

Table 8: Comparison of Stability in Three Different Methods

معیار مقایسه	روش موازی	روش سری	روش یادگیری ترکیبی
شاخص رَند تعدیل‌شده	0.75 - 0.90	0.50 - 0.75	0.85 - 0.95
اطلاعات متقابل نرمال شد	0.80 - 0.92	0.55 - 0.78	0.88 - 0.96
حساسیت به نویز داده‌ها	متوسط	بالا	کمترین میزان حساسیت
ثبات در اجرای مکرر	نسبتاً پایدار	کمترین پایداری	بیشترین پایداری
وابستگی به مدل‌های پایه	زیاد	خیلی زیاد	متوسط (بهبود‌یافته)
قابلیت اعتماد در خوشه‌بندی	بالا	متوسط	بالاترین میزان اعتماد

 

  پایداری الگوریتم‌ها در اجرای مکرر، نقش کلیدی در انتخاب یک مدل خوشه‌بندی مناسب برای مدیریت انتقال در شبکه‌های سلولی دارد. نتایج این تحلیل نشان می‌دهد که روش یادگیری ترکیبی  بالاترین سطح پایداری را ارائه می‌دهد. در این روش، به دلیل ترکیب ساختارهای سری و موازی، حساسیت به نویز داده‌ها کاهش‌یافته و دقت خروجی افزایش می‌یابد. این امر موجب می‌شود که در اجراهای مختلف، تغییرات خوشه‌بندی کمتر باشد و تطابق بین خوشه‌ها در دفعات مختلف بالا بماند.

روش موازی  نیز عملکرد نسبتاً پایداری دارد، اما ممکن است در صورت ناسازگاری بین الگوریتم‌های موازی، نتایج آن دچار نوسان شود. در این روش، چون از چندین مدل خوشه‌بندی به‌صورت مستقل استفاده می‌شود، درصورتی‌که یکی از مدل‌ها خروجی غیرقابل‌اعتمادی تولید کند، نتیجه نهایی ممکن است تحت‌تأثیر قرار بگیرد. بااین‌حال، ترکیب خروجی‌ها از طریق رأی‌گیری اکثریت به بهبود عملکرد کلی کمک می‌کند. روش سری پایین‌ترین میزان پایداری را نشان می‌دهد. دلیل اصلی این موضوع، وابستگی شدید مراحل بعدی به خروجی مراحل قبلی است. در این روش، اگر در اولین مرحله خطایی رخ دهد یا داده‌های ورودی دارای نویز باشند، این خطا در کل فرایند انتشار می‌یابد و موجب کاهش کیفیت خروجی نهایی می‌شود. همچنین، وابستگی شدید این روش به تنظیمات اولیه پارامترهای مدل‌های پایه، باعث کاهش اعتماد به نتایج آن در اجراهای مکرر می‌شود.

شکل 16 : مقایسه‌ی پایداری الگوریتم‌ها

Figure 16: Comparison of the stability of algorithms

 

بنابراین، مطابق با شکل (16)، روش یادگیری ترکیبی به‌ عنوان پایدارترین روش در این مطالعه شناخته شد، زیرا توانسته است از مزایای روش‌های موازی و سری به‌طور هم‌زمان بهره ببرد و حساسیت به نویز و ناپایداری را به حداقل برساند. در سناریوهایی که پایداری مدل اهمیت بالایی دارد، استفاده از یادگیری ترکیبی توصیه می‌شود، چرا که ضمن ارائه دقت بالا، در برابر تغییرات ورودی مقاوم‌تر است.

 

4-12. مقایسه‌ی روش پیشنهادی  با روش‌های پایه

  یکی از نقاط کلیدی در تقویت اعتبار علمی این پژوهش، توجه ویژه به مقایسه‌ی جامع و چندلایه، میان رویکرد پیشنهادی و روش‌های پایه‌ای است که در مطالعات پیشین مورداستفاده قرار گرفته‌اند. اگرچه تمرکز اصلی مقاله‌ی حاضر بر طراحی یک ساختار ترکیبی با استفاده از سه الگوریتم پایه‌ی خوشه‌بندی K-Means، DBSCAN و GMM و پیاده‌سازی آن در سه معماری پردازشی، موازی، سری و ترکیبی است، اما در راستای مقایسه‌ با روش‌های پایه و تثبیت جایگاه مدل پیشنهادی، نتایج حاصل از ساختار ترکیبی به‌صورت عددی و تحلیلی با عملکرد دو روش رایج و پرکاربرد در حوزه مدیریت انتقال بین سلولی یعنی شبکه‌های عصبی بازگشتی مبتنی بر معماری شبکه عصبی حافظه طولانی کوتاه‌مدت و سیستم‌های استنتاج فازی نیز سنجیده شده‌اند. این دو روش در منابع معتبر پیشین، به‌عنوان راهکارهایی مبتنی بر پیش‌بینی سری‌های زمانی و منطق تصمیم‌گیری غیرقطعی مطرح بوده‌اند و در برخی پژوهش‌ها به‌عنوان راه‌حل‌هایی نیمه‌هوشمند برای مدیریت انتقال بین سلولی پیشنهاد شده‌اند.

با طراحی آزمایش‌های موازی و استفاده از مجموعه‌داده یکسان، مشخص گردید که روش پیشنهادی پژوهش در معماری ترکیبی توانسته به‌دقت پیش‌بینی معادل 3/91 درصد، میانگین هارمونیک برابر با 2/90 درصد و نرخ کاهش انتقال بین سلولی بیش از 8 درصد دست یابد، در حالی‌که روش شبکه عصبی حافظه طولانی کوتاه مدت با تمام مزایای یادگیری عمیق، دقتی برابر با 87 درصد و سیستم فازی نیز عملکردی در حدود 6/85 درصد ارائه داده‌اند. این اختلاف عملکرد، هم از منظر آماری با استفاده از آزمون ANOVA و هم در تحلیل کیفی تصمیمات خوشه‌بندی، معنادار گزارش شده و نشان می‌دهد که ساختار طراحی‌شده نه‌تنها به دلیل بهره‌گیری از ترکیب الگوریتمی، بلکه به‌واسطه‌ی پردازش دقیق‌تر ویژگی‌های ورودی، قادر به کاهش نویز، افزایش دقت تصمیم‌گیری و بهینه‌سازی فرآیندهای انتقال در شبکه‌های متراکم نسل پنجم، بوده است.

  یکی دیگر از ابعاد کلیدی پژوهش حاضر، ارزیابی دقیق کارایی روش پیشنهادی در مقایسه با نسخه‌های پایه الگوریتم‌های خوشه‌بندی بدون بهینه‌سازی ویژگی‌ها است. برخلاف برخی رویکردهای متداول که تنها به اجرای الگوریتم‌ها با ساختارهای مختلف بسنده می‌کنند، در این تحقیق، به‌منظور سنجش واقع‌گرایانه اثربخشی رویکرد پیشنهادی، نسخه‌های پایه الگوریتم‌های K-means، DBSCAN و GMM نیز بدون اصلاح ویژگی‌های استخراج‌شده از گره‌های سیار و پارامترهای شبکه، به‌صورت مستقل پیاده‌سازی و با خروجی‌های نهایی مقایسه شدند. بررسی آماری نتایج، حاکی از آن است که به‌کارگیری ساختار ترکیبی سه الگوریتم، همراه با بازطراحی دقیق ویژگی‌های ورودی، موجب بهبود معنادار نتایج در عملکرد نهایی شده است. برای نمونه، مقدار شاخص میانگین هارمونیک در روش پایه K-means به طور میانگین 6/82 درصد گزارش شد، در حالی که روش ترکیبی پیشنهادی این مقدار را به بیش از 2/90 درصد رسانده است که حاکی از افزایش حدود هشت درصدی در قابلیت شناسایی انتقال‌های بهینه می‌باشد. همچنین نرخ دقت در نسخه‌های پایه اغلب در بازه 87 الی 89 درصد بوده، در حالی که روش پیشنهادی، توانست در نسخه ترکیبی با ویژگی‌های بهینه‌شده، دقتی بالای 91 درصد ارائه دهد. این تحلیل‌ها به روشنی اثبات می‌کند که بهبودهای حاصل شده صرفاً ناشی از ساختار اجرایی موازی یا سری نیست، بلکه ناشی از یک طراحی هدفمند و مبتنی بر دانش ویژگی‌ها، در کنار ترکیب الگوریتم‌ها با ساختار منطقی است. بنابراین، روش پیشنهادی نه تنها از منظر تئوری، بلکه در عمل نیز به‌طور معنادار از نسخه‌های پایه عملکرد بهتری ارائه می‌دهد و قابلیت اطمینان بالاتری در محیط‌های واقعی شبکه‌های نسل پنجم خواهد داشت.

 

جدول 9: تحلیل تطبیقی با سایر روش‌ها

Figure 16: Comparison of the stability of algorithms

عنوان پژوهش	روش - الگوریتم به‌کاررفته	نوع یادگیری	دقت	میانگین هارمونیک	معیار ارزیابی دیگر	نوع داده‌	توضیحات
روش ترکیبی پیشنهادی پژوهش حاضر	Ensemble Learning (K-Means + DBSCAN + GMM)	یادگیری بدون نظارت	91.3%	90.2%	کاهش نرخ  انتقال بین سلولی	داده واقعی	استفاده از ویژگی‌های بهینه و ساختار یادگیری ترکیبی
مقاله لیما و همکاران (2023) Deep Learning-Based Handover Prediction for 5G	LSTM + Random Forest	یادگیری نظارت شده	89.41%	88.12%	کاهش تأخیر انتقال	ترکیب داده‌های واقعی و شبیه‌سازی	توانایی کاهش قطعی‌های ناگهانی، بهینه‌سازی جابه‌جایی کاربران
مقاله ون‌شیانگ و همکاران (2022) Fuzzy Logic for 5G Ultra-Dense Networks	Fuzzy Logic + Dynamic TTT & HOM	کنترل فازی	87.63%	86.44%	کاهش نرخ Ping-Pong، افزایش Throughput	شبیه‌سازی‌شده	استفاده از منطق فازی برای اتخاذ تصمیمات پویا در فرایند انتقال بین فوق متراکم

 

در مقایسه با مطالعات پیشین و مطابق با جدول (9) می‌توان مشاهده کرد که، روش پیشنهادی پژوهش، با استفاده از ترکیب سه الگوریتم خوشه‌بندی و ساختار پردازشی ترکیبی، توانسته عملکرد بهتری نسبت به روش‌های پایه‌ی مطرح‌شده در مقالات پیشین ارائه دهد. در حالی که مقاله لیما و همکاران تمرکز خود را بر پیش‌بینی لحظه انتقال بین سلولی با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت قرار داده و دقت بالایی ارائه می‌کند، اما فاقد تحلیل جامع در تمامی معیارهای ارزیابی است. همچنین مدل فازی مورد استفاده در مقاله ون‌شیانگ و همکاران توانسته کاهش انتقال بین سلولی را نشان دهد اما در مقایسه با روش ترکیبی پیشنهادی این مقاله، از نظر دقت کلی و میانگین هارمونیک، نتایج ضعیف‌تری ارائه داده است. بدین ترتیب، روش پیشنهادی پژوهش حاضر نه تنها از لحاظ معماری، بلکه در بهره‌گیری از ویژگی‌های مؤثر و ساختارهای پردازشی بهینه، برتری خود را نسبت به روش‌های پیشین اثبات کرده است. این مقایسه‌ی دقیق با روش‌های پایه، پشتوانه‌ای برای اثبات برتری فنی و کاربردی مدل پیشنهادی فراهم آورده و یکی از وجوه تمایز برجسته پژوهش حاضر در میان ادبیات موضوعی محسوب می‌شود.

5. نتیجه گیری و پیشنهادات آینده

  در این پژوهش، باهدف بهبود فرایند انتقال بین سلولی در شبکه‌های متراکم نسل پنجم، یک چارچوب نوآورانه مبتنی بر یادگیری ماشین ارائه گردید که از ترکیب سه الگوریتم خوشه‌بندی K-Means،DBSCAN و GMM بهره می‌برد. این الگوریتم‌ها در قالب سه ساختار اجرایی مختلف شامل حالت‌های سری، موازی و یادگیری ترکیبی طراحی و پیاده‌سازی شدند تا ضمن افزایش انعطاف‌پذیری مدل، عملکرد آن در شرایط گوناگون شبکه ارزیابی گردد.

5-1. نتیجه گیری

  یافته‌های به‌دست‌آمده از تحلیل نتایج تجربی نشان داد که رویکرد ترکیبی پیشنهادی، در مقایسه با اجرای مستقل هر یک از الگوریتم‌های پایه، بهبود قابل‌توجهی در معیارهای کلیدی، چون کاهش تعداد انتقال‌ها، بهبود دقت پیش‌بینی، افزایش دقت بازخوانی و میانگین هارمونیک داشته است. از منظر زمان اجرا، ساختار موازی سریع‌ترین عملکرد را ارائه داد، اما ساختار ترکیبی در کنار حفظ زمان اجرای مناسب، دقت و پایداری بالاتری را نسبت به سایر ساختارها، فراهم کرد. نکته کلیدی و تمایز این پژوهش نسبت به مطالعات پیشین، استفاده هم‌زمان از چند الگوریتم خوشه‌بندی با تغییر در ویژگی‌های ورودی و پیاده‌سازی آن‌ها در بسترهای مختلف یادگیری است. همچنین در ارزیابی عملکرد، نتایج روش پیشنهادی با روش‌های پایه‌ای که در آن‌ها اصلاح ویژگی‌ها انجام نشده بود نیز مقایسه گردید و به‌صورت عددی و تحلیلی نشان داده شد که بهبود معناداری در تمام شاخص‌های ارزیابی حاصل شده است.

در نهایت، این پژوهش با تلفیق الگوریتم‌های یادگیری ماشین، بهره‌گیری از قدرت سیگنال دریافتی به‌عنوان یکی از مهم‌ترین ویژگی‌ها و آزمون ساختارهای اجرای مختلف، رویکردی جامع و کاربردی را برای بهینه‌سازی فرایند انتقال در شبکه‌های نسل پنجم ارائه کرده است. نتایج این تحقیق می‌تواند به طور مستقیم در طراحی هوشمندتر شبکه‌های آینده و بهبود تجربه کاربری در بسترهای ارتباطی نوین مؤثر واقع شود.

 

5-2. پیشنهادات برای تحقیقات آینده

باتوجه‌به نتایج به‌دست‌آمده و تحلیل‌های فنی صورت‌گرفته در این پژوهش، چندین مسیر تحقیقاتی برای گسترش و بهبود عملکرد سیستم مدیریت انتقال بین سلولی در شبکه‌های نسل پنجم و فراتر از آن پیشنهاد می‌شود.

 

5-2-1. به‌کارگیری الگوریتم‌های خوشه‌بندی تطبیقی و پیشرفته:

درحالی‌که این پژوهش از الگوریتم‌های پایه خوشه‌بندی مانند K-means، DBSCAN و GMM بهره گرفته، پیشنهاد می‌شود در تحقیقات آتی از نسخه‌های بهینه‌شده مانند HDBSCAN و یا حتی الگوریتم‌هایی نظیر BIRCH و OPTICS استفاده شود تا کارایی مدل در سناریوهای متراکم‌تر و داده‌های پیچیده‌تر به‌صورت دقیق‌تری بررسی گردد.

 

5-2-2. توسعه مدل‌های نیمه‌نظارتی و ترکیبی:

ترکیب یادگیری نظارت‌شدن و بدون نظارت می‌تواند در شرایطی که داده‌های برچسب خورده محدود است، مؤثر واقع شود. استفاده از مدل‌های نیمه نظارتی مانند Self-Training یا Co-Training در کنار ساختار پیشنهادی فعلی، یکی از مسیرهای ارزشمند برای ارتقای دقت تصمیم‌گیری در فرایند انتقال بین سلولی خواهد بود.

 

5-2-3. ادغام مدل با روش‌های یادگیری عمیق زمانی:

توسعه ساختار فعلی با استفاده از شبکه‌های زمانی مانند LSTM یا GRU و مدل‌سازی توالی زمانی داده‌های کاربران، امکان پیش‌بینی دقیق‌تری از مکان و زمان انتقال بین سلولی را فراهم می‌سازد. این ادغام می‌تواند عملکرد مدل را در کاربردهای بلادرنگ و شبکه‌های متحرک پویا به‌شدت بهبود دهد.

 

5-2-4. طراحی سیستم تصمیم‌یار برای انتخاب ساختار اجرایی:

باتوجه‌به اینکه هرکدام از ساختارهای موازی، سری و ترکیبی مزایا و معایب خاص خود را دارند، طراحی یک سامانه هوشمند جهت انتخاب خودکار ساختار مناسب بر اساس وضعیت لحظه‌ای شبکه، پیشنهاد مهمی برای توسعه‌ی این پژوهش به شمار می‌آید.

 

Refrences:

 

[1]        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.

[2]        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.

[3]        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.

[4]        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.

[5]        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.

[6]        A. Gupta and R. K. Jha, "A survey of 5G network: Architecture and emerging technologies," IEEE access, vol. 3, pp. 1206-1232, 2015.

[7]        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.

[8]        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.

[9]        T. S. Rappaport et al., "Millimeter wave mobile communications for 5G cellular: It will work!," IEEE access, vol. 1, pp. 335-349, 2013.

[10]        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.

[11]        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.

[12]        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.

[13]        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.

[14]        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.

[15]        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.

[16]        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.

[17]        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.

[18]        Y. Li and H. Wu, "A clustering method based on K-means algorithm," Physics Procedia, vol. 25, pp. 1104-1109, 2012.

[19]        D. Deng, "DBSCAN clustering algorithm based on density," in 2020 7th international forum on electrical engineering and automation (IFEEA), 2020: IEEE, pp. 949-953.

[20]        J. Wang and J. Jiang, "Unsupervised deep clustering via adaptive GMM modeling and optimization," Neurocomputing, vol. 433, pp. 199-211, 2021.

[21]        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.

[22]        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.

[23]        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.

[24]        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.

[25]        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.

[26]        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.

[27]        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.

[28]        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.

[29]        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.

[30]        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.

[31]        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.

[32]        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.

[33]        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.

[34]        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.

[35]        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.

[36]        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.

[37]        M. B. Patil and L. Math, "A novel approach for optimization of handover mechanism using metaheuristics algorithms," Measurement: Sensors, vol. 24, p. 100467, 2022.

[38]        A. Kapoor and A. Singhal, "A comparative study of K-Means, K-Means++ and Fuzzy C-Means clustering algorithms," in 2017 3rd international conference on computational intelligence & communication technology (CICT), 2017: IEEE, pp. 1-6.