PRLGB: Progressive Residual LightGBM for 5G Quality-of-Service Resource Allocation Prediction
تقدم هذه الدراسة نموذج Progressive Residual LightGBM (PRLGB)، وهو نموذج تجميعي ثلاثي المراحل يتفوق بشكل كبير على الخوارزميات القياسية القائمة على الأشجار في التنبؤ بتخصيص موارد جودة الخدمة لشبكات الجيل الخامس، وذلك من خلال التعلم الفعال للأخطاء المتبقية ودمج الميزات المدركة لعدم اليقين لتحقيق مقاييس دقة فائقة.
تخيل أنك تحاول إدارة طريق سريع هائل وفوضوي حيث تنطلق آلاف السيارات (البيانات) في اتجاهات مختلفة، بعضها يحتاج للوصول إلى المستشفى في ثوانٍ معدودة (مكالمات الطوارئ)، والبعض الآخر يتجول ببساطة للذهاب إلى السينما (بث الفيديو). هذا هو عالم شبكات الجيل الخامس (5G). وللحفاظ على تدفق حركة المرور بسلاسة، تحتاج الشبكة إلى تحديد مقدار "مساحة الطريق" (الموارد) التي يجب منحها لكل سيارة بدقة. فإذا منحت مساحة قليلة جداً، سيتوقف الفيديو مؤقتاً؛ وإذا منحت مساحة كبيرة جداً، سيزدحم الطريق. تقليدياً، استخدم مديرو الشبكات خرائط جامدة قائمة على القواعد لاتخاذ هذه القرارات، لكن حركة المرور أسرع وأكثر تقلباً من أن تستوعبها الخرائط القديمة. وهنا يأتي دور تعلم الآلة: عقل رقمي يتعلم من أنماط حركة المرور ليتنبأ بأفضل التحركات. ولكن تماماً مثل طالب يؤدي اختباراً، قد لا تكون التخمينة الأولى مثالية دائماً. السؤال الكبير الذي يطرحه الباحثون هو: هل يمكننا بناء نظام أكثر ذكاءً لا يكتفي بالتخمين مرة واحدة فقط، بل يتعلم من أخطائه ليصيب الهدف في المرة التالية؟
هذه الورقة البحثية، التي تحمل عنوان "PRLGB: Progressive Residual LightGBM for 5G Quality-of-Service Resource Allocation Prediction"، تغوص في هذا التحدي تحديداً. فقد وضع المؤلفون، من خلال العمل على مجموعة بيانات تضم 400 لقطة لنشاط شبكة الجيل الخامس، نصب أعينهم معرفة ما إذا كان بإمكانهم التنبؤ بمقدار موارد الشبكة التي يحتاجها المستخدم بدقة أكبر من الأساليب الحالية. لم يكتفوا ببناء نموذج ذكي واحد، بل بنوا "فريقاً" من ثلاثة نماذج تسمى (Progressive Residual LightGBM - PRLGB). فكر في الأمر كأنه سباق تتابع للمسائل الرياضية. العداء الأول (المرحلة الأولى) يضع تخميناً سريعاً وتقريبياً للإجابة. أما العداء الثاني (المرحلة الثانية) فلا ينظر إلى المسألة الأصلية مرة أخرى، بل ينظر فقط إلى الأخطاء التي ارتكبها العداء الأول ويحاول إصلاحها. وأخيراً، يعمل العداء الثالث (المرحلة الثالثة) كمدرب، حيث ينظر إلى التخمين الأول، والتصحيح، ومقياس لمدى "عدم اليقين" في ذلك التصحيح، ليمزج كل ذلك في تنبؤ نهائي فائق الدقة.
وعندما اختبروا هذا الفريق مقابل نماذج "ذكية" أخرى شائعة مثل Random Forest وXGBoost وCatBoost، فاز فريق PRLGB. ففي مجموعة الاختبار الخاصة بهم، قلل هذا الأسلوب الجديد متوسط الخطأ (RMSE) بنسبة 4.52% ومتوسط الخطأ المطلق (MAE) بنسبة 17.8% مقارنة بنموذج LightGBM القياسي. وبينما تشير الورقة البحثية إلى أن هذا النهج يعد اتجاهاً واعداً لجعل شبكات الجيل الخامس أكثر ذكاءً وكفاءة، إلا أن المؤلفين حذرون في ملاحظتهم بأن هذه النتائج استندت إلى مجموعة بيانات محددة وصغيرة مكونة من 400 سجل. إنهم لا يدعون أنهم حلوا مشكلة إدارة الجيل الخامس بالكامل وإلى الأبد، بل يوضحون أن استراتيجية "التعلم من الأخطاء" هذه تعمل بشكل أفضل من أساليب التخمين الواحد التقليدية على هذا النوع المحدد من البيانات. إنه تلميح قوي بأن تكديس النماذج في طبقات قد يكون المفتاح لإبقاء طرقنا الرقمية المستقبلية تسير بسلاسة.
ملخص تقني: نموذج PRLGB للتنبؤ بتخصيص موارد جودة الخدمة (QoS) في شبكات الجيل الخامس (5G)
بيان المشكلة تتطلب الجيل الخامس (5G) من الشبكات المحمولة إدارة فعالة للموارد المحدودة (الطيف الترددي، الطاقة، القدرة الحسابية) لدعم تطبيقات متنوعة مثل الاتصالات فائقة الموثوقية وزمن الوصول المنخفض للغاية (URLLC)، والنطاق العريض المتنقل المعزز (eMBB)، والاتصالات الكثيفة لآلاف الأجهزة (mMTC). غالبًا ما تعاني الطرق التقليدية القائمة على القواعد أو التحسين الرياضي من الطبيعة الديناميكية واسعة النطاق لشبكات الجيل الخامس. وبينما تقدم تعلم الآلة (ML) حلولاً تكيفية، فإن النهج الحالية لتخصيص الموارد غالبًا ما تعتمد على نماذج تجميع أحادية المرحلة أو بنيات تعلم عميق معقدة قد لا تكون مثالية لمجموعات البيانات الجدولية الصغيرة والثابتة النموذجية للقطات شبكية محددة. تعالج هذه الدراسة الحاجة إلى نموذج انحدار قوي وعالي الدقة للتنبؤ بتخصيص موارد جودة الخدمة (QoS) على مثل هذه المجموعات من البيانات، مستهدفةً بشكل خاص قيود وحدات التحكم في شبكة الوصول الراديوي المفتوحة (O-RAN) التي تتطلب زمن استدلال منخفضًا.
المنهجية تستخدم الدراسة مجموعة بيانات تخصيص موارد الجيل الخامس المتاحة للعموم على Kaggle، والتي تحتوي على 400 سجل مستقل بـ 8 سمات (مثل قوة الإشارة، زمن الوصول، متطلبات عرض النطاق الترددي) ومتغير هدف يمثل نسبة تخصيص الموارد. يبرر المؤلفون نمذجة هذه المشكلة كمسألة انحدار جدولية ثابتة بدلاً من كونها مسألة سلاسل زمنية، وذلك بسبب غياب الاستمرارية التسلسلية عبر المستخدمين ومتطلبات زمن الاستدلال الصارمة (أقل من 50 مللي ثانية) لوحدات تحكم O-RAN.
الحل المقترح هو LightGBM المتبقي التصاعدي (PRLGB)، وهو بنية تجميعية ثلاثية المراحل مصممة لتفكيك تعقيد التنبؤ:
المرحلة الأولى (التنبؤ التقريبي): يتم تدريب نموذج LightGBM أساسي باستخدام 250 مُقدِّرًا ومعدل تعلم قدره 0.06 لالتقاط الأنماط الأولية في البيانات.
المرحلة الثانية (تخصص البواقي): يتم تدريب نموذج LightGBM ثانٍ على البواقي (r1=y−y^1) للمرحلة الأولى. تستخدم هذه المرحلة معاملات فائقة متحفظة (200 مُقدِّر، معدل تعلم 0.04، وتنظيم L1) لتعلم الأخطاء المنهجية دون الوقوع في فخ الإفراط في التخصيص (Overfitting).
المرحلة الثالثة (الدمج الميتاوي المعتمد على عدم اليقين): يقوم نموذج LightGBM "الميتا" النهائي بدمج السمات الهندسية: تنبؤات المرحلة الأولى (f1(X))، وتنبؤات المرحلة الثانية (f2(X))، والمقدار المطلق لتنبؤات المرحلة الثانية (∣y^2(X)∣) كوكيل لعدم اليقين. تستخدم هذه المرحلة 150 مُقدِّرًا مع تنعيم المسار لتنقية المخرجات النهائية.
تتضمن العملية بأكملها خطوة معالجة مسبقة تشمل التعويض بالوسيط للقيم المفقودة، وتوسيع الميزات (RobustScaler) للتعامل مع القيم المتطرفة، وقص متغير الهدف ليكون ضمن النطاق المادي المعقول [40، 100].
المساهمات الرئيسية
بنية مبتكرة: تقدم الورقة نموذج PRLGB، وهو إطار عمل متبقي تصاعدي ثلاثي المراحل مصمم خصيصًا للتنبؤ بجودة الخدمة (QoS) الجدولية، مع دمج مرحلة دمج ميتاوي تعتمد على عدم اليقين باستخدام السمات الهندسية.
تقييم منهجي: تجري الدراسة مقارنة صارمة لنموذج PRLGB مقابل أربعة نماذج تجميعية شجرية قوية: Base LightGBM، وRandom Forest، وXGBoost، وCatBoost.
خط معالجة البيانات المسبقة: تم وصف سير عمل معالجة مسبقة قوي يجمع بين التعويض بالوسيط، وتوسيع الميزات القائم على المدى الربيعي (IQR)، وقص الهدف، مما يضمن مقارنة عادلة وصلاحية فيزيائية للتنبؤات. الورقة تقدم مبررات لاعتبار البيانات كبيانات جدولية ثابتة بدلاً من السلاسل الزمنية، مستشهدة باستقلالية المستخدم وقيود زمن الوصول في O-RAN.
النتائج التجريبية تم تقييم النماذج باستخدام متوسط مربع الخطأ (MSE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومعامل التحديد (R2).
أداء PRLGB: حقق PRLGB أفضل أداء عبر جميع المقاييس بـ MSE قدره 4.8317، وRMSE قدره 2.1981، وMAE قدره 0.8357، وR2 قدره 0.9449.
المقارنة: مقارنة بـ Base LightGBM (أقوى نموذج أساسي)، حسن PRLGB قيمة RMSE بنسبة 4.52% (بخفضها من 2.3010 إلى 2.1981) وقيمة MAE بنسبة 17.8%.
أداء النماذج الأساسية: أظهرت النماذج الأساسية الأخرى أداءً أقل مقارنة بـ Base LightGBM؛ حيث أظهرت نماذج Random Forest وXGBoost تدهورًا في RMSE بنسبة 19.7% و25.5% على التوالي، بينما أظهر CatBoost تدهورًا بنسبة 4.7%.
التحليل البصري: أكدت مخططات التشتت وتحليل البواقي (مخططات الكمان، تقديرات الكثافة، والمخططات الصندوقية) أن PRLGB أنتج أكثر التجمعات إحكامًا حول خط التنبؤ المثالي وأكثر توزيع للأخطاء تركيزًا بالقرب من الصفر.
الأهمية والادعاءات تدعي الورقة أن التراكم المتبقي التصاعدي لنماذج LightGBM يوفر مكاسب عملية للتنبؤ بتخصيص موارد جودة الخدمة (QoS) في شبكات الجيل الخامس على مجموعات البيانات الجدولية الصغيرة. تشير النتائج إلى أن تفكيك مهمة التعلم إلى تنبؤ تقريبي، وتصحيح متبقي، ودمج ميتاوي يمكن أن يحقق تحسينات ثابتة مقارنة بالنماذج التجميعية أحادية المرحلة. يضع المؤلفون PRLGB كتوجه واعد لوحدات تحكم جودة الخدمة من طراز O-RAN التي تتطلب اتخاذ قرار عالي الدقة ومنخفض زمن الوصول.
تحافظ الدراسة على نطاق متواضع، مع الإقرار بأن التجارب تقتصر على مجموعة بيانات واحدة ونمذجة ثابتة. ويُقترح في العمل المستقبلي توسيع الإطار ليشمل مجموعات بيانات أكبر ومتنوعة، وسيناريوهات تعدد الشرائح (multi-slice)، وإعدادات ذات نمذجة زمنية صريحة، بالإضافة إلى استقصاء المتانة تحت ظروف تغير التوزيع.