🤖 machine learning

ML-based Predictive Models for Power Consumption in Virtualised O-RANs

تقترح هذه الورقة البحثية وتقيم نماذج تعلم آلي للتنبؤ باستهلاك الطاقة في شبكات (O-RAN) الافتراضية، مظهرةً أن نهجاً هجيناً يجمع بين الشبكات العصبية العميقة (DNN) وخوارزمية (XGBoost) يحقق دقة فائقة (بنسبة خطأ أقل من 0.5%) مقارنة بالشبكات العصبية العميقة القياسية والمنتظمة، مما يتيح تنسيقاً أكثر كفاءة في استهلاك الطاقة للشبكة.

المؤلفون الأصليون: Rishu Raj, Genevieve Akude, Urooj Tariq, Daniel Kilper

نُشر 2026-07-28

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Rishu Raj, Genevieve Akude, Urooj Tariq, Daniel Kilper

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 الإنترنت كمدينة ضخمة وصاخبة حيث البيانات هي حركة المرور، وأبراج الاتصالات هي إشارات المرور. لعقود من الزمن، أصبحت إشارات المرور هذه أكثر ذكاءً، لكنها أصبحت أيضاً أكثر نهمًا. فمع مطالبة هواتفنا بسرعات أعلى وبث المزيد من الفيديو، تستهلك الشبكات التي تشغلها الكهرباء بشراهة مثل عداء ماراثون في نوبة من الاندفاع بالسكر. هذا ليس سيئًا فقط لمناخ الكوكب، بل هو أيضًا فاتورة ضخمة للشركات التي تدير هذه الشبكات. ولإصلاح ذلك، يحاول المهندسون إعادة بناء هذه الشبكات من الصرة، وتحويلها إلى أنظمة مرنة مدفوعة بالبرمجيات تسمى "شبكات الوصول الراديوي المفتوحة" (أو O-RAN اختصارًا). فكر في O-RAN كعملية تحويل منزل صلب ومبني مسبقًا إلى مجموعة من قطع "الليغو" التي يمكن إعادة ترتيبها فورًا لتناسب حالة الطقس. ولكن إليك الجزء الصعب: نظرًا لأن قطع الليغو هذه يمكن أن تغير شكلها بسرعة كبيرة، فمن الصعب للغاية التنبؤ بمقدار الطاقة التي ستستهلكها في أي لحظة معينة. الطرق القديمة لتخمين استهلاك الطاقة تشبه محاولة التنبؤ بالطقس من خلال النظر إلى خريطة ثابتة؛ فهي ببساض لا تستطيع التعامل مع العواصف المفاجئة وفترات الشمس المشرقة في شبكة رقمية حديثة.

هنا يأتي دور الباحثين من كلية ترينيتي في دبلن بفكرة جديدة: دعونا نعلم الكمبيوتر تعلم عادات الطاقة في الشبكة بدلاً من محاولة كتابة دليل استخدام لها. لقد أنشأوا منصة اختبار واقعية — نسخة مصغرة وعاملة من هذه الشبكة المرنة — وقاسوا بدقة مقدار الطاقة التي استهلكتها تحت ظروف مختلفة. ثم قاموا بتدريب ثلاثة أنواع مختلفة من "الأدمغة الرقمية" (نماذج تعلم الآلة) لتنظر إلى إعدادات الشبكة وتخمن فاتورة الطاقة. كان الدماغ الأول عبارة عن شبكة عصبية عميقة قياسية (DNN)، وهي نوع من الذكاء الاصطناعي الجيد في رصد الأنماط. وكان الثاني نسخة "منظمة" من ذلك الدماغ نفسه، تم تعديلها لمنعه من أحلام اليقظة المفرطة (مشكلة تسمى الإفراط في التخصيص أو overfitting). أما الثالث فكان فريقًا هجينًا: حيث عملت الـ DNN ككشاف للعثور على أهم الأدلة، ثم تمرر تلك الأدلة إلى صانع قرار مختلف وحاد للغاية يسمى XGBoost لإجراء التخمين النهائي.

كانت النتائج واضحة: الفريق الهجين كان نجم العرض. فبينما قدمت الأدمغة القياسية والمنظمة تخمينات جيدة نوعًا ما، إلا أنها تعثرت عندما أصبحت ظروف الشبكة صعبة، حيث أخطأت الهدف أحيانًا بنسبة تصل إلى 5%. ومع ذلك، كان النموذج الهجين دقيقًا للغاية، حيث خمن استهلاك الطاقة باستمرار بمعدل خطأ يقل عن 0.5%. في الواقع، في أصعب السيناريوهات، كان هامش الخطأ فيه حوالي 0.1% فقط. تشير الورقة البحثية إلى أن هذا النهج الهجين هو الطريقة الأكثر موثوقية للتنبؤ باستهلاك الطاقة في هذه الشبكات الافتراضية المعقدة. ومن خلال استخدام هذا النوع من التنبؤ الذكي، يمكن لمديري الشبكات تقنيًا إيقاف تشغيل الأجزاء غير المستخدمة من النظام أو تعديل مستويات الطاقة في الوقت الفعلي، مما يوفر الطاقة دون إبطاء الإنترنت لدينا. ويشير المؤلفون إلى أنه على الرغم من أن هذه بداية قوية، فإن العمل المستقبلي يمكن أن يتضمن تعليم هذه النماذج كيفية فهم كيفية تغير حركة المرور بمرور الوقت، تمامًا مثل تعلم أنماط التنقل اليومية في المدينة، لجعل توفير الطاقة حتى أفضل.

أبحاث مشابهة