بررسي روش‌هاي بهبود كيفيت سرويس‌دهي در سرويس‌هاي با قابليت اطمينان بالا و تأخير كم در شبكه‌هاي نسل پنجم و بعد از آن

اصفهان : دانشگاه صنعتي اصفهان

مهندسي برق

كارشناسي ارشد

چكيده ارتباطات فوق ايمن با تأخير كم (URLLC) يك كلاس خدمات كليدي از نسل پنجم و نسل‌هاي بعدي از شبكه‌هاي سلولي را تشكيل مي‌دهد. در اين تحقيق، ابزارهاي آماري و روش‌هاي مفيد براي تجزيه‌وتحليل سيستم‌هاي مبتني بر URLLC بررسي و مقايسه مي‌شوند. موضوعات مورد بررسي شامل نظريه قابليت اطمينان، ارتباطات بسته كوتاه، ابزارهاي ارزيابي ريسك، شبيه‌سازي رويدادهاي نادر، تئوري صف و تازگي اطلاعات و يادگيري ماشين است. كاربردهاي بالقوه URLLC شامل شبكه هوشمند، سيستم‌هاي صوتي، سيستم‌هاي حمل‌ونقل هوشمند، اتوماسيون صنعتي، واقعيت افزوده، صنعت سرگرمي و سلامت الكترونيك است. در URLLC، قابليت اطمينان اغلب به‌عنوان احتمال انتقال موفقيت‌آميز يك واحد داده در يك دوره زماني مشخص تعريف مي‌شود. قابليت اطمينان و تأخير ذاتاً با هم مرتبط هستند و توانمندسازهاي فناوري URLLC اغلب مي‌توانند به‌عنوان كاهش‌دهنده تأخير يا ارتقاي قابليت اطمينان طبقه‌بندي شوند. تأخير را مي‌توان عمدتاً با استفاده از كدهاي كوتاه و فواصل زماني انتقال، محاسبات و برش لبه، پروتكل‌هاي سربار محدود و دسترسي چندگانه غيرمتعامد بهبود بخشيد. در همين حال، سطوح قابليت اطمينان بالا را مي‌توان با بهره‌برداري از تكنيك‌هاي متنوع مانند اتصال چندگانه، تكثير داده‌ها، پروتكل‌هاي درخواست تكرار خودكار و سيستم‌هاي چند ورودي و چند خروجي و همچنين كدگذاري با طول بلوك محدود افزايش داد. نظريه قابليت اطمينان ابزارهاي مختلفي را براي مدل‌سازي و تحليل سيستم‌هاي URLLC فراهم مي‌كند. اين ابزارها شامل توابع ساختاري، مدل‌هاي ماركوف و متغيرهاي كليدي قابليت اطمينان مانند احتمال شكست و ميانگين زمان بين خرابي‌ها هستند. شبيه‌سازي رويدادهاي نادر نيز به‌عنوان يك ابزار مهم براي ارزيابي كمي عملكرد URLLC در شرايط نامساعد در فصل سوم مورد بررسي قرار مي‌گيرد. اين شبيه‌سازي‌ها شامل روش‌هايي مانند مونت‌كارلو معمولي، نمونه‌برداري اهميت و شبيه‌سازي زيرمجموعه هستند. يادگيري ماشين نيز به‌عنوان ابزاري قدرتمند براي طراحي و بهينه‌سازي URLLC در فصل سوم مورد بررسي قرار مي‌گيرد. كاربردهاي آن شامل بهينه‌سازي در مقياس بزرگ، يادگيري با نمونه داده‌هاي محدود و پيش‌بيني سري‌هاي زماني است. همچنين، استراتژي‌هاي تخصيص منابع آگاه به ريسك با استفاده از يادگيري ماشين براي فعال‌سازي URLLC بررسي مي‌شود. ساير روش‌هاي مورد بررسي در اين تحقيق شامل تنوع تكرار، كدگذاري شبكه خطي تصادفي، تئوري صف و تازگي اطلاعات و كدگذاري با طول بلوك محدود است. تنوع تكرار براي افزايش قابليت اطمينان، كدگذاري شبكه خطي تصادفي براي كاهش تأخير مورد بررسي قرار مي‌گيرند. كدگذاري با طول بلوك محدود نيز به‌عنوان رويكردي براي مقابله با تأخير و افزايش قابليت اطمينان در سيستم‌هاي با بسته‌هاي كوتاه مورد بررسي قرار مي‌گيرد. در پايان، مقايسه‌اي بين روش‌هاي مختلف مانند SNC و K-repetition، استفاده از توابع بقا و نظريه طول بلوك محدود ارائه مي‌شود و نتايج حاصل از آنها در بهبود تأخير و قابليت اطمينان سيستم‌هاي URLLC بررسي مي‌شود. اين پژوهش با ارائه يك مرور جامع بر ابزارها و روش‌هاي مختلف براي طراحي و تجزيه‌وتحليل سيستم‌هاي URLLC، چارچوبي را براي درك بهتر اين سيستم‌ها و چگونگي دستيابي به تأخير كم و قابليت اطمينان بالا فراهم مي‌كند. اين اطلاعات مي‌تواند براي محققان و مهندسان در توسعه و بهبود سيستم‌هاي URLLC مفيد باشد. واژه‌هاي كليدي: تأخير كم، قابليت اطمينان بالا، URLLC، يادگيري ماشين، 5G، اينترنت اشيا

232275

شبكه هاي مخابراتي

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان