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

आधुनिक संचार के अदृश्य राजमार्गों में, डेटा रेडियो तरंगों के रूप में यात्रा करता है जिसे उपयोगकर्ता के चलते रहने पर लगातार एक टावर से दूसरे टावर पर कूदना पड़ता है। यह प्रक्रिया, जिसे हैंडओवर (handover) कहा जाता है, वह क्षण है जब एक फोन स्पष्ट सिग्नल बनाए रखने के लिए अपने कनेक्शन को एक सेल साइट से दूसरे पर बदलता है। वायरलेस नेटवर्क की नवीनतम पीढ़ी में, जो बिजली जैसी गति प्रदान करने के लिए अत्यंत उच्च-आवृत्ति वाली तरंगों का उपयोग करती है, ये छलांग बहुत अधिक बार और बहुत अधिक कठिनाई के साथ होती हैं। तरंगें इतनी छोटी हैं कि वे कोनों के चारों ओर नहीं मुड़ सकतीं या दीवारों, पत्तों, या यहाँ तक कि मानव शरीर के माध्यम से भी नहीं गुजर सकतीं। फलस्वरूप, यदि कोई चीज़ पथ को बाधित करती है, तो कनेक्शन एक पल में गायब हो सकता है, जिससे नेटवर्क को तुरंत एक नया टावर खोजने के लिए मजबूर होना पड़ता है। यदि नेटवर्क स्विच करने में बहुत अधिक समय लेता है, तो कॉल कट जाती है; यदि यह बहुत बार या गलत टावर पर स्विच करता है, तो कनेक्शन लड़खड़ाने लगता है और ऊर्जा बर्बाद करता है। वर्षों से, इंजीनियरों ने ऐसे सिस्टम बनाए हैं जो इन समस्याओं के होने के बाद उन पर प्रतिक्रिया देते हैं, एक टूटे हुए लिंक को ठीक करने या उपयोगकर्ता को दो टावरों के बीच उछलने-कूदने से रोकने की कोशिश करते हैं। चुनौती एक प्रतिक्रियाशील (reactive) अवस्था से एक सक्रिय (proactive) अवस्था की ओर बढ़ने की रही है, जहाँ नेटवर्क समस्या को होने से पहले ही देख सके और उपयोगकर्ता को ग्लिच का पता चलने से पहले ही उसे ठीक कर सके।

नाइजीरिया के फेडरल यूनिवर्सिटी ऑफ टेक्नोलॉजी, अकारे के शोधकर्ताओं ने PACPT-LB नामक एक नया सिस्टम विकसित करके इस लक्ष्य की ओर एक महत्वपूर्ण कदम उठाया है। यह फ्रेमवर्क मौजूदा विधि ACPT-LB पर आधारित है, जिसने पहले से ही टावरों को उपयोगकर्ताओं की संख्या को संतुलित करने के लिए सहयोग करने में मदद की थी। नया जुड़ाव उस आधार के ऊपर एक मशीन लर्निंग पाइपलाइन की परत जोड़ता है, जिससे नेटवर्क तीन विशिष्ट प्रकार की समस्याओं की भविष्यवाणी करने में सक्षम होता है: एक विफल हैंडओवर, एक रेडियो लिंक विफलता जहाँ कनेक्शन पूरी तरह से टूट जाता है, और एक "पिंग-पोंग" घटना जहाँ एक उपयोगकर्ता को बार-बार दो टावरों के बीच स्विच करने के लिए मजबूर किया जाता है। इस सिस्टम को सिखाने के लिए, शोधकर्ताओं ने वास्तविक दुनिया के फोन डेटा पर भरोसा नहीं किया, जो अव्यवस्थित और अधूरा हो सकता है। इसके बजाय, उन्होंने विशेष सॉफ्टवेयर का उपयोग करके 5G नेटवर्क का एक विशाल, अत्यधिक विस्तृत सिमुलेशन बनाया। उन्होंने इस आभासी शहर को 183 सेल टावरों के साथ बसाया और 500 उपयोगकर्ताओं तक के संचलन का अनुकरण किया जो धीमी पैदल चाल से लेकर 160 किलोमीटर प्रति घंटा की गति तक यात्रा कर रहे थे। अपने प्रयोगों के दौरान, उन्होंने लगभग 2.7 करोड़ रिकॉर्ड्स वाला एक डेटासेट तैयार किया, जिसमें नेटवर्क व्यवहार के हर उतार-चढ़ाव, हर रुकावट और नेटवर्क द्वारा लिए गए हर निर्णय को दर्ज किया गया।

उनके कार्य के मुख्य भाग में कंप्यूटर मॉडल को डेटा के इस विशाल सागर के भीतर पैटर्न पहचानने के लिए प्रशिक्षित करना शामिल था। उन्होंने सरल निर्णय वृक्षों (decision trees) से लेकर संभाव्यता मॉडल (probabilistic models) और रैखिक मॉडल (linear models) तक कई अलग-अलग प्रकार के एल्गोरिदम का परीक्षण किया। उन्होंने इन एल्गोरिदम को हाइब्रिड टीमों में भी संयोजित किया ताकि यह देखा जा सके कि क्या मिलकर काम करने से उनकी सटीकता में सुधार होता है। शोधकर्ताओं ने पाया कि नेटवर्क का व्यवहार एक समान नहीं था; सबसे अच्छा दृष्टिकोण पूरी तरह से इस बात पर निर्भर था कि किस विशिष्ट समस्या की भविष्यवाणी की जा रही है। विफल हैंडओवर की भविष्यवाणी करने के लिए, एक निर्णय वृक्ष और एक संभाव्यता मॉडल का संयोजन सबसे विश्वसनीय साबित हुआ, जिसने लगभग 98.5 प्रतिशत मामलों में समस्या को सही ढंग से पहचाना। जब कनेक्शन के पूर्ण नुकसान की भविष्यवाणी करने की बात आई, तो अकेले एक निर्णय वृक्ष ने सबसे अच्छा प्रदर्शन किया, जिसने 98 प्रतिशत से अधिक की सफलता दर हासिल की। शायद सबसे आश्चर्यजनक रूप से, "पिंग-पोंग" समस्या के लिए, एक साधारण संभाव्यता मॉडल अकेले ही कई परिदृश्यों में पूर्ण सटीकता के साथ भविष्यवाणी करने में सक्षम था, क्योंकि जो स्थितियाँ उपयोगकर्ता को टावरों के बीच उछालने के लिए मजबूर करती हैं, वे विशिष्ट और पहचानने में आसान होती हैं।

अध्ययन ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि जटिल मॉडल हमेशा बेहतर होते हैं। जबकि शोधकर्ताओं ने तीन अलग-अलग एल्गोरिदम के हाइब्रिड संयोजन का परीक्षण किया, उन्होंने पाया कि टीम में अधिक मॉडल जोड़ने से परिणामों में आवश्यक रूप से सुधार नहीं हुआ। वास्तव में, रेडियो लिंक विफलताओं की भविष्यवाणी करने के लिए, मॉडलों को मिलाने से कभी-कभी अकेले सबसे अच्छे मॉडल का उपयोग करने की तुलना में परिणाम थोड़े खराब हो गए। यह सुझाव देता है कि व्यक्तिगत एल्गोरिदम की गुणवत्ता टीम के आकार से अधिक महत्वपूर्ण है। शोधकर्ताओं ने यह भी खोजा कि उपयोगकर्ता की गति इस बात में महत्वपूर्ण भूमिका निभाती है कि सिस्टम कितनी अच्छी तरह सीख सकता है। मॉडल इस आधार पर अलग-अलग प्रदर्शन करते थे कि उपयोगकर्ता पैदल चल रहे थे, शहर की गति से गाड़ी चला रहे थे, या हाईवे की गति से चल रहे थे, जो यह दर्शाता है कि एक एकल स्थिर नियम इन सभी स्थितियों को प्रबंधित नहीं कर सकता है। सिस्टम ने सीखा कि उच्च गति पर, नेटवर्क को तेजी से कार्य करने की आवश्यकता होती है, जबकि कम गति पर, यह प्रतीक्षा कर सकता है, और मशीन लर्निंग मॉडल इन बदलती गतिशीलता के अनुकूल होने में सफल रहे।

इस शोध के सबसे महत्वपूर्ण निष्कर्षों में से एक सिमुलेशन का सत्यापन है। मशीन लर्निंग शुरू करने से पहले, शोधकर्ताओं को यह साबित करना था कि उनका आभासी विश्व एक वास्तविक नेटवर्क की तरह व्यवहार करता है। उन्होंने मापा कि कनेक्शन कितनी बार सफल हुए, उपयोगकर्ता कितनी बार टावरों के बीच उछले, और लिंक कितने स्थिर रहे। परिणाम दर्शाते हैं कि हालांकि सिस्टम पूर्ण नहीं था, फिर भी इसने यथार्थवादी पैटर्न उत्पन्न किए जो उपयोगकर्ताओं की संख्या और उनकी गति के साथ तार्किक रूप से भिन्न थे। यह यथार्थवाद महत्वपूर्ण था; यदि सिमुलेशन बहुत अधिक आदर्श होता, तो मशीन लर्निंग मॉडल के पास सीखने के लिए कठिन मामले नहीं होते। जानबूझकर सिमुलेशन को विभिन्न परिणामों को उत्पन्न करने की अनुमति देकर, शोधकर्ताओं ने सुनिश्चित किया कि उनके मॉडल को ऐसे डेटा पर प्रशिक्षित किया गया जो वायरलेस संचार की अव्यवस्थित वास्तविकता को दर्शाता है। अंतिम आउटपुट एक ऐसा फ्रेमवर्क है जो अब वर्तमान नेटवर्क स्थितियों को देख सकता है और उच्च विश्वास के साथ भविष्यवाणी कर सकता है कि क्या कोई कनेक्शन विफल होने वाला है, क्या कोई उपयोगकर्ता एक लूप में फंसने वाला है, या क्या हैंडओवर के गलत होने की संभावना है।

यह कार्य यह दावा नहीं करता है कि इसने वायरलेस नेटवर्किंग की हर समस्या को हल कर लिया है, न ही यह दावा करता है कि ये मॉडल अभी वास्तविक हार्डवेयर पर काम करते हैं। परिणाम पूरी तरह से सिमुलेशन पर आधारित हैं, और शोधकर्ता स्वीकार करते हैं कि अप्रत्याशित ट्रैफ़िक पैटर्न और हार्डवेयर विलंब जैसे वास्तविक दुनिया के कारक परिणाम को बदल सकते हैं। उन्होंने यह भी नोट किया कि उन्होंने केवल तीन विशिष्ट प्रकार के एल्गोरिदम का परीक्षण किया है, जिससे यह संभावना बनी हुई है कि अन्य, अधिक जटिल मॉडल और भी बेहतर प्रदर्शन कर सकते हैं। हालाँकि, अध्ययन एक स्पष्ट रोडमैप प्रदान करता है कि प्रतिक्रियाशील नेटवर्क प्रबंधन से सक्रिय भविष्यवाणी की ओर कैसे बढ़ा जाए। यह प्रदर्शित करके कि एक हाइब्रिड दृष्टिकोण विभिन्न गति और उपयोगकर्ता घनत्वों में उच्च सटीकता के साथ विफलताओं का पूर्वानुमान लगा सकता है, शोधकर्ताओं ने दिखाया है कि नेटवर्क जल्द ही खुद को ठीक करना सीख सकता है इससे पहले कि उपयोगकर्ता की कॉल कटे। आगे का रास्ता इन भविष्यवाणियों को भौतिक टेस्टबेड पर परीक्षण करने और मॉडलों को और भी जटिल वास्तविक दुनिया के परिदृश्यों को संभालने के लिए परिष्कृत करने की ओर जाता है, लेकिन एक स्मार्ट, अधिक अग्रिम 5G नेटवर्क के लिए नींव मजबूती से रखी जा चुकी है।