A Hybrid Machine Learning Approach for Predictive Handover Management in 5G mmWave Networks Using the ACPT-LB Framework

في الطرق السريعة غير المرئية للاتصالات الحديثة، تنتقل البيانات كأمواج راديوية يجب أن تقفز باستمرار من برج إلى آخر مع تحرك المستخدم. هذه العملية، المعروفة باسم "التسليم" (handover)، هي اللحظة التي يغير فيها الهاتف اتصاله من موقع خلوي إلى التالي للحفاظ على إشارة واضحة. وفي الجيل الأحدث من الشبكات اللاسلكية، والتي تستخدم موجات ذات تردد عالٍ للغاية لتقديم سرعات هائلة، تحدث هذه القفزات بشكل متكرر أكثر وبصعوبة أكبر بكثير. فهذه الموجات قصيرة لدرجة أنها لا تستطيع الانحناء حول الزوايا أو المرور عبر الجدران، أو أوراق الشجر، أو حتى جسم الإنسان. ونتيجة لذلك، يمكن أن يختفي الاتصال في جزء من الثانية إذا حجب شيء ما المسار، مما يجبر الشبكة على إيجاد برج جديد فوراً. وإذا انتظرت الشبكة طويلاً للتبديل، ينقطع الاتصال؛ وإذا بدلت بشكل متكرر جداً أو إلى البرج الخطأ، يضطرب الاتصال ويهدر الطاقة. لسنوات، بنى المهندسون أنظمة تتفاعل مع هذه المشكلات فقط بعد حدوثها، محاولةً إصلاح رابط مكسور أو منع المستخدم من التنقل ذهاباً وإياباً بين برجين. لقد كان التحدي يكمس في الانتقال من هذه الحالة التفاعلية إلى حالة استباقية، حيث يمكن للشبكة أن تتوقع مشكلة ما وتصلحها قبل أن يلاحظ المستخدم حتى وجود أي خلل.

لقد اتخذ باحثون في الجامعة الفيدرالية للتكنولوجيا في أكوري، نيجيريا، خطوة كبيرة نحو هذا الهدف من خلال تطوير نظام جديد يسمى PACPT-LB. يبني هذا الإطار على طريقة موجودة تُعرف باسم ACPT-LB، والتي ساعدت بالفعل الأبراج على التعاون لموازنة عدد المستخدمين الذين تخدمهم. الإضافة الجديدة تضع طبقة من "خط معالجة تعلم الآلة" (machine learning pipeline) فوق ذلك الأساس، مما يسمح للشبكة بالتنبؤ بثلاثة أنواع محددة من المشكلات قبل وقوعها: فشل عملية التسليم، وفشل الرابط اللاسلكي حيث ينقطع الاتصال تماماً، وحالة "البينج بونج" (ping-pong) حيث يُجبر المستخدم على التبديل ذهاباً وإياباً بين برجين بشكل متكرر. ولتعليم هذا النظام، لم يعتمد الباحثون على بيانات الهواتف الحقيقية، التي قد تكون فوضوية أو غير مكتملة، بل أنشأوا محاكاة ضخمة وتفصيلية للغاية لشبكة الجيل الخامس (5G) باستخدام برمجيات متخصة. لقد ملأوا هذه المدينة الافتراضية بـ 183 برجاً خلوياً وحاكوا حركة ما يصل إلى 500 مستخدم يسافرون بسرعات تتراوح من المشي البطيء إلى 160 كيلومتراً في الساعة. وعلى مدار تجاربهم، أنتجوا مجموعة بيانات تحتوي على ما يقرب من 27 مليون سجل لسلوك الشبكة، تلتقط كل تقلب في الإشارة، وكل عائق، وكل قرار اتخذته الشبكة.

تضمن جوهر عملهم تدريب نماذج حاسوبية للتعرف على الأنماط داخل هذا المحيط الهائل من البيانات. لقد اختبروا عدة أنواع مختلفة من الخوارزميات، بما في ذلك أشجار القرار البسيطة التي تتبع مجموعة من القواعد، والنماذج الاحتمالية التي تحسب الاحتمالات، والنماذج الخطية التي تبحث عن علاقات الخط المستقيم. كما دمجوا هذه الخوارزميات في فرق هجينة لمعرفة ما إذا كان العمل معاً سيحسن دقتها. وجد الباحثون أن سلوك الشبكة لم يكن موحداً؛ إذ اعتمد النهج الأفضل تماماً على نوع المشكلة المراد التنبؤ بها. فبالنسبة للتنبؤ بفشل عملية التسليم، أثبت الجمع بين شجرة قرار ونموذج احتمالي أنه الأكثر موثوقية، حيث حدد المشكلة بدقة تقتر-ب 98.5 بالمائة من الحالات. وعندما تعلق الأمر بالتنبؤ بفقدان كامل للاتصال، كان أداء شجرة القرار وهي تعمل بمفردها هو الأفضل، محققاً معدل نجاح يتجاوز 98 بالمائة. ولعل الأمر الأكثر إثارة للدهشة هو أنه بالنسبة لمشكلة "البينج بونج"، تمكن نموذج احتمالي بسيط وحده من التنبؤ بالحدث بدقة تامة في العديد من السيناريوهات، لأن الظروف التي تسبب تنقل المستخدم بين الأبراج متميزة وسهلة الرصد.

استبعدت الدراسة صراحةً فكرة أن النماذج الأكثر تعقيداً هي دائماً الأفضل. فبينما اختبر الباحثون تركيبات هجينة من ثلاث خوارزميات مختلفة، وجدوا أن إضافة المزيد من النماذج إلى الفريق لم يؤدِ بالضرورة إلى تحسين النتائج. في الواقع، بالنسبة للتنبؤ بإخفاقات الرابط اللاسلكي، جعل دمج النماذج التنبؤات أسوأ قليلاً في بعض الأحيان مقارنة باستخدام أفضل نموذج بمفرده. وهذا يشير إلى أن جودة الخوارزمية الفردية أهم من حجم الفريق. كما اكتشف الباحثون أن سرعة المستخدم لعبت دوراً حاسماً في مدى جودة تعلم النظام. فقد أدت النماذج أداءً مختلفاً اعتماداً على ما إذا كان المستخدمون يمشون، أو يقودون بسرعة المدن، أو يتحركون بسرعات الطرق السريعة، مما يشير إلى أن قاعدة ثابتة واحدة لا يمكنها إدارة كل هذه الظروف. تعلم النظام أنه عند السرعات العالية، تحتاج الشبكة إلى التصرف بشكل أسرع، بينما في السرعات المنخفضة، يمكنها الانتظار لفترة أطول، وقد نجحت نماذج تعلم الآلة في التكيف مع هذه الديناميكيات المتغيرة.

أحد أهم نتائج هذا البحث هو التحقق من صحة المحاكاة نفسها. فقبل أن يبدأ تعلم الآلة، كان على الباحثين إثبات أن عالمهم الافتراضي يتصرف مثل شبكة حقيقية. لقد قاموا بقياس عدد مرات نجاح الاتصالات، وعدد مرات تنقل المستخدمين بين الأبراج، ومدى استقرار الروابط. وأظهرت النتائج أنه بينما لم يكن النظام مثالياً، إلا أنه أنتج أنماطاً واقعية من الفشل والنجاح تختلف منطقياً مع عدد المستخدمين وسرعتهم. كانت هذه الواقعية حاسمة؛ فلو كانت المحاكاة مثالية للغاية، لما وجدت نماذج تعلم الآلة حالات صعبة للتعلم منها. ومن خلال السماح للمحاكاة عمداً بإنتاج مجموعة من النتائج، ضمن الباحثون أن نماذجه تم تدريبها على بيانات تعكس الواقع الفوضوي للاتصالات اللاسلكية. المخرج النهائي هو إطار عمل يمكنه الآن النظر في ظروف الشبكة الحالية والتنبؤ بثقة عالية بما إذا كان الاتصال على وشك الفشل، أو ما إذا كان المستخدم على وشك الوقوع في حلقة مفرغة، أو ما إذا كان من المرجح أن تسوء عملية التسليم.

لا يدعي هذا العمل أنه حل كل مشكلات الشبكات اللاسلكية، كما لا يدعي أن هذه النماذج تعمل على أجهزة حقيقية بعد. النتائج مبنية بالكامل على المحاكاة، ويقر الباحثون بأن عوامل العالم الحقيقي مثل أنماط حركة المرور غير المتوقعة وتأخيرات الأجهزة قد تغير النتيجة. كما أشاروا إلى أنهم اختبروا ثلاثة أنواع محددة فقط من الخوارهازميات، مما يترك الباب مفتوحاً أمام احتمال أن تؤدي نماذج أخرى أكثر تعقيداً إلى أداء أفضل. ومع ذلك، توفر الدراسة خارطة طريق واضحة لكيفية الانتقال من إدارة الشبكة التفاعلية إلى التنبؤ الاستباقي. ومن خلال إثبات أن النهج الهجين يمكنه توقع الإخفاقات بدقة عالية عبر مجموعة واسعة من السرعات وكثافة المستخدمين، أظهر الباحثون أن الشبكة يمكنها قريباً أن تتعلم كيف تصلح نفسها قبل أن يقطع المستخدم مكالمته. يتضمن المسار المستقبلي اختبار هذه التنبؤات على منصات اختبار فيزيائية وتحسين النماذج للتعامل مع سيناريوهات العالم الحقيقي الأكثر تعقيداً، ولكن حجر الأساس لشبكة جيل خامس أكثر ذكاءً واستباقية قد وُضع بقوة.