Scalable machine learning-based approaches for energy saving in densely deployed Open RAN
تقترح هذه الورقة حلولاً قابلة للتوسع للتعلم التعزيزي العميق (DRL)، بما في ذلك نهج اتحادي، لشبكات الوصول الراديوي المفتوح (Open RAN) تحقق وفورات كبيرة في الطاقة وتقارباً أسرع مع الحفاظ على جودة الخدمة في سيناريوهات المحطات القاعدية ذات الانتشار الكثيف.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل مدينة صاخبة في الليل. مصابيح الشوارع هي المحطات الأساسية (أو الوحدات الراديوية) التي تبقي هواتفنا متصلة. خلال النهار، عندما يهرع الجميع في كل مكان، تحتاج إلى تشغيل كل مصباح لتضمن عدم تعثر أحد في الظلام. ولكن في الساعة 3:00 صباحًا، عندما تكون الشوارع خالية، فإن إبقاء كل تلك الأضواء ساطعة يعد هدرًا هائلاً للكهرباء.
هذا هو بالضبط المشكن الذي تواجهه الشبكات المتنقلة. فمع إضافة المزيد والمزيد من الأبراج لتلبية احتياجاتنا من البيانات، تستهلك هذه الأبراج كميات هائلة من الطاقة. الهدف من هذه الورقة البحثية هو معرفة كيفية إطفاء "الأضواء" (وضع السكون) عندما لا تكون هناك حاجة إليها، دون ترك أي شخص في الظلام.
إليك قصة كيف حل الباحثون هذه المشكلة، مشروحة ببساطة:
1. الطريقة القديمة مقابل الطريقة الجديدة
الطريقة القديمة (الشبكات التقليدية):
فكر في الشبكة التقليدية كمبنى قديم وصلب. لا يمكنك بسهولة إطفاء المصابيح في الممر فقط دون إغلاق الطابق بأكه. التحكم في الأجزاء الفردية أمر معقد للغاية.
الطريقة الجديدة (Open RAN):
يستخدم الباحثون بنية جديدة تسمى Open RAN. تخيل هذا كـ "مبنى ذكي" بمركز تحكم (الدماغ المركزي) والعديد من المستشعرات الذكية (الوحدات الراديوية). يمكن لهذا الدماغ التحدث إلى المستشعرات وقول: "مهلاً، لا يوجد أحد في الغرفة 4، أطفئ الأضواء هناك، لكن أبقِها تعمل في الغرفة 1".
2. التحدي: خيارات كثيرة جداً
الجزء الصعب هو أن "الدماغ" يجب أن يتخذ هذه القرارات فوراً، آلاف المرات يومياً.
- إذا كان لديك 6 أضواء، فهناك 64 تركيبة ممكنة للتشغيل/الإيقاف.
- إذا كان لديك 24 ضوءاً، فهناك 16 مليون تركيبة!
محاولة حساب الإجابة المثالية لـ 16 مليون خيار كل ثانية يشبه محاولة حل لغز "سودوكو" أثناء ركض ماراثون. الأمر بطيء جداً وثقيل للغاية بحيث لا يمكن لحاسوب واحد التعامل معه.
3. الحل: تعليم روبوت كيف يفكر (تعلم الآلة)
بدلاً من إجراء الحسابات يدوياً، علم الباحثون روبوتاً (ذكاء اصطناعي) كيف يتعلم من خلال التجربة والخطأ. وهذا ما يسمى التعلم التعزيزي العميق (DRL).
- وظيفة الروبوت: ينظر إلى المدينة (الشبكة)، ويرى أين يسير الناس، ويقرر أي الأضواء يشغلها أو يطفئها.
- المكافأة: إذا وفر الكهرباء و حافظ على اتصال الجميع، يحصل على "نجمة ذهبية" (مكافأة إيجابية). وإذا أطفأ ضوءاً بينما يحاول شخص ما إجراء مكالمة، يحصل على "وجه عابس" (عقوبة).
لقد جربوا ثلاث طرق مختلفة لتدريب هذا الروبوت:
- "صانع القوائم" (DQNMA): يحاول الروبوت حفظ كل تركيبة ممكنة للأضواء. المشكلة: عندما تصبح المدينة كبيرة، تصبح القائمة طويلة جداً بحيث يصعب حفظها.
- "واحد تلو الآخر" (DQNSA): يغير الروبوت ضوءاً واحداً فقط في كل مرة. المشكلة: إنه بطيء جداً في الاستجابة لتجمع مفاجئ للناس.
- "المنظم السلس" (TD3): وهو الفائز. بدلاً من التفكير في مفاتيح "تشغيل/إيقاف" جامدة، يفكر هذا الروبوت في "أدوات التحكم في شدة الإضاءة" (قيم مستمرة) ثم يحولها إلى تشغيل/إيقاف. إنه أسرع وأذكى بكثير في التعامل مع المدن الكبيرة.
4. الاختراق الكبير: "فريق المعلمين" (التعلم الاتحادي)
حتى روبوت "المنظم السلس" يواجه صعوبة عندما تصبح المدينة ضخمة (مثل دولة كاملة). الأمر يشبه محاولة تعليم طالب واحد ليعرف كل شيء عن كل شارع في العالم. يستغرق الأمر وقتاً طويلاً، وتتعب الحاسبات (تكلفة طاقة عالية).
لذلك، ابتكر الباحثون نهج التعلم الاتحادي (Federated Learning). تخيل مدرسة بها العديد من الفصول الدراسية:
- المعلمون المحليون (xApps): لكل فصل دراسي (حي سكني معين) معلمه الخاص. هم يعلمون طلابهم بناءً فقط على ما يحدث في حيهم. ليسوا بحاجة لمعرفة حركة المرور في مدينة أخرى.
- المدير (Aggregator/rApp): مرة في الأسبوع، يجتمع المعلمون مع المدير. هم لا يشاركون دفاتر ملاحظات طلابهم (البيانات الخاصة)؛ بل يشاركون فقط خطط الدروس (ما تعلموه).
- الحكمة العالمية: يقوم المدير بدمج أفضل الأجزاء من جميع خطط الدروس لإنشاء "خطة درس فائقة" ويرسلها مرة أخرى إلى جميع المعلمين.
لماذا هذا مذهل؟
- السرعة: يتعلم المعلمون بشكل أسرع لأنهم لا ينتظرون البيانات من العالم بأكره.
- الخصوصية: لا أحد يرى البيانات الخام للأحياء الأخرى.
- الطاقة: إنه يوفر كمية هائلة من الكهرباء لأن الحواسيب لا تعمل بجهد كبير.
5. النتائج: مستقبل أكثر إشراقاً وخضرة
اختبر الباحثون هذا في مدينة افتراضية. وإليك ما حدث:
- تعلم أسرع: "فريق المعلمين" (الاتحادي) تعلم بسرعة أكبر بنسبة 43% من "المعلم الخارق" الواحد (المركزي).
- توفير هائل: وفرت الشبكة أكثر من 50% من طاقتها من خلال إطفاء الأضواء غير المستخدمة بذكاء.
- هدر أقل: عملية التدريب نفسها استهلكت كهرباء أقل بنسبة 37% مقارنة بالطريقة القديمة.
- لا انقطاع في الخدمة: والأهم من ذلك، حتى مع إطفاء الأضواء، ظلت "جودة الخدمة" (القدرة على إجراء المكالمات وبث الفيديو) مثالية.
الخلاصة
تظهر هذه الورقة البحثية أنه باستخدام الذكاء الاصطناك الذكي ونهج "العمل الجماعي" (التعلم الاتحادي)، يمكننا جعل شبكاتنا المتنقلة أكثر رفقاً بالبيئة. يمكننا إطفاء "الأضواء" عندما لا تكون هناك حاجة إليها، مما يوفر المال ويساعد الكوكب، كل ذلك مع ضمان بقاء هاتفك متصلاً. إنه يشبه امتلاك مدينة ذكية تعرف تماماً متى تخفض الأضواء، دون أن يضطر أحد لقلب المفاتات يدوياً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.