Machine Learning for PRACH Interference Detection in 5G NR Networks
تقوم هذه الورقة البحثية بقياس أداء نماذج متعددة من تعلم الآلة للكشف عن تداخل قناة الوصول العشوائي (PRACH) في شبكات الجيل الخامس (5G NR)، كاشفةً أنه في حين توفر مشفرات المحولات (Transformer Encoders) دقة عالية، فإن الشبكات العصبية الالتفافية (CNN) ونموذج (XGBoost) يقدمان التوازن الأمثل بين الدقة العالية والكفاءة الحسابية، مما يجعلهما المرشحين الأكثر ملاءمة للإدارة الفورية للتداخل.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في المشهد غير المرئي للاتصالات اللاسلكية الحديثة، تسعى مليارات الأجهزة باستمرار للاتصال بالإنترنت من خلال شبكة معقدة من أبراج الاتصالات. ولكي يبدأ الهاتف الذكي هذا الحوار، يجب عليه أولاً إرسال إشارة قصيرة ومحددة إلى البرج للإعلان عن وجوده وطلب الاتصال. تحدث هذه المصافحة الأولية عبر مسار مخصص يُعرف باسم قناة الوصول العشوائي الفيزيائية (physical random access channel). ومع ذلك، في المناطق المزدحمة حيث تحاول العديد من الأجهزة التحدث في وقت واحد، يمكن أن تتصادم هذه الإشارات، مما يخلق مزيجاً فوضوياً من التداخل الذي يغرق الرسالة الأصلية. وعندما يحدث هذا، يفشل الاتصال، مما يؤدي إلى انقطاع المكالمات أو بطء البيانات. وللحفاظ على سلاسة عمل الشبكات، يحتاج المهندسون إلى وسيلة للتعرف فوراً على هذه الإشارات حتى عندما تكون مدفونة تحت الضجيج والارسالات المتنافسة.
لقد تصدى باحثون في جامعات في بوركينا فاسو لهذا التحدي من خلال اختبار مجموعة متنوعة من أدوات الذكاء الاصطناعي لمعرفة أي منها هو الأفضل في رصد هذه الإشارات الخفية. وقد ركزوا على معيار الجيل الخامس الجديد (5G New Radio)، وهو أحدث جيل من تكنولوجيا الهاتف المحمول، وقاموا بمحاكاة بيئة واقعية حيث تتعرض الإشارات للتشوه بسبب الضوضاء والتداخل من الخلايا المجاورة. وبدلاً من الاعتماد على الصيغ الرياضية التقليدية التي تعاني في مثل هذه الظروف الفوضوية، قام الفريق بتدريب عدة أنواع مختلفة من نماذج تعلم الآلة لتعمل كـ "مستمعين رقميين". وقد تم تغذية هذه النماذج بآلاف العينات المحاكية للإشارات، والتي تراوحت بين عمليات الإرسال الواضحة وتلك المتضررة بشدة من التداخل، وطُلب منها تحديد ما إذا كانت هناك إشارة صالحة موجودة، وإذا كان الأمر كذلك، ما نوعها.
قارنت الدراسة خمسة نهج متميزة لهذه المشكلة. اعتمد نموذجان منها على التعلم العميق، وهي طريقة يتعلم فيها الكمبيوتر من خلال معالجة البيانات عبر طبقات من الخلايا العصبية الاصطناعية. أحد هذين النموذجين، وهو الشبكة العصبية الالتفافية (convolutional neural network)، مصمم لرصد الأنماط في البيانات تماماً كما يتعرف الإنسان على الأشكال في الصورة. والنموذج الآخر، المسمى بشبكة الذاكرة الطويلة قصيرة المدى (long short-term memory network)، مبني لفهم تسلسل الأحداث عبر الزمن. أما نموذج التعلم العميق الثالث، المعروف باسم مشفر المحول (transformer encoder)، فيستخدم آلية تسمة له بوزن أجزاء مختلفة من الإشارة في وقت واحد لإيجاد الروابط التي قد تكون متباعدة. كما اختبر الباحثون نموذجاً التفافياً أحادي الأبعاد، وهو نسخة مبسطة من شبكة رصد الأنماط، وخوارزمية مختلفة تماماً تسمى XGBoost، والتي تتخذ القرارات عن طريق بناء سلسلة من القواعد البسيطة، تماماً كما قد يقوم شخص بفرز العناصر في فئات بناءً على قائمة ميزات.
وبعد تشغيل هذه النماذج عبر اختبارات صارمة، كشفت النتائج عن مقايضة واضحة بين مدى أداء النموذج وكمية القدرة الحوسبية التي يتطلبها. فقد أثبتت نماذج التعلم العميق التي تعالج التسلسلات عبر الزمن، وتحديداً شبكة الذاكرة الطويلة قصيرة المدى ومشفر المحول، أنها دقيقة جداً في تجنب الإنذارات الكاذبة. ومع ذلك، فقد جاءت بتكلفة باهظة: فقد استغرقت وقتاً طويلاً للغاية للتعلم من البيانات، حيث تطلبت أكثر من 1,900 ثانية من وقت التدريب، وكانت بطيئة في اتخاذ القرارات عند الاستخدام الفعلي. وفي المقابل، حققت الشبكة العصبية الالتفافية ونموذج XGBoost القائم على القواعد أفضل توازن إجمالي؛ حيث نجح كلا النموذجين في تحديد الإشارات بنسبة تقارب 89.6 بالمائة، وهي درجة تمثل أعلى معدل نجاح في الدراسة.
وقد ظهر الفرق الأكثر بروزاً في سرعة التشغيل؛ إذ كان نموذج XGBoost هو الأكثر كفاءة على الإطلاق، حيث أتم تدريبه في 19.53 ثانية فقط واتخذ قراراً بشأن إشارة جديدة في 0.06 ثانية فقط. وهذه السرعة تجعل منه مرشحاً مثالياً للتطبيقات في الوقت الفعلي حيث لا يمكن قبول التأخير. كما كانت الشبكة العصبية الالتفافية منافساً قوياً أيضاً، حيث استغرقت 282.73 ثانية للتدريب و2.60 ثانية لاتخاذ تنبؤ، وهو ما يعد سريعاً بما يكفي للعديد من مهام إدارة الشبكات العملية. وبينما أظهر نموذج المحول أعلى دقة، بمعنى أنه نادراً ما يرتكب أخطاء عندما يتحدث، إلا أنه أغفل عدداً كبيراً من الإشارات الفعلية، مما جعله متحفظاً للغاية بالنسبة لنظام يحتاج إلى التقاط كل محاولة اتصال ممكنة.
وخلص الباحثون إلى أنه بالنسبة للمستقبل القريب لشبكات الجيل الخامس، فإن الاستراتيجية الأكثر فعالية تتضمن استخدام إما الشبكة العصبية الالتفافية أو نموذج XGBoost. يوفر هذان النهجان أفضل مزيج من الدقة العالية وتكاليف الحوسبة المعقولة، مما يضمن قدرة الشبكات على اكتشاف التداخل بسرعة دون إثقال كاهل الأجهزة. وبينما أظهرت نماذج التعلم العميق الأكثر تعقيداً وعوداً في مجالات محددة، فإن طلبها العالي على الوقت وقدرة المعالجة يحد حالياً من استخدامها في الأنظمة التي يجب أن تستجيب فوراً. وتشير الدراسة، التي اعتمدت على محاكاة حاسوبية لـ 35,000 عينة إشارة، إلى أنه من خلال اختيار الأداة المناسبة للمهمة، يمكن لمشغلي الشبكات تحسين موثوقية الاتصالات المتنقلة بشكل كبير في البيئات المزدحمة. وسيتعين على العمل المستقبلي تأكيد هذه النتائج في اختبارات العالم الحقيقي، لكن النتائج الحالية توفر خارطة طريق واضحة لبناء شبكات لاسلكية أكثر ذكاءً ومرونة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.