الذكاء الاصطناعي للمشاركة الديناميكية للطيف (DSS)

هل يمكن للذكاء الاصطناعي أن يغير بشكل كبير طريقة عمل نظام دعم القرار (DSS)؟

الطيف الراديوي باهظ الثمن. يقوم المشغلون بإسقاط المليارات في المزاد لتأمين نطاقات التردد المرخصة، وكل تردد له أهميته. تم تصميم تقنية المشاركة الديناميكية للطيف (DSS) لمعالجة هذه المشكلة بالضبط، مما يتيح إمكانية إطلاق التحسينات التكنولوجية الجديدة على نفس نطاقات التردد التي تستخدمها التكنولوجيا القديمة. لكن تقسيم تلك المساحة المشتركة بقواعد ثابتة لا يوصلك إلا إلى ما هو أبعد. قد يكون هذا هو المكان الذي يمكن أن تساعد فيه الأساليب المعتمدة على الذكاء الاصطناعي.

كيف يعمل DSS

يتيح DSS تشغيل 4G LTE و5G NR في وقت واحد ضمن نفس نطاق التردد. وهو يقوم بذلك عن طريق التوزيع الديناميكي لكتل ​​الموارد (RBs)، وهي الوحدات الأساسية لتخصيص الطيف، بين التقنيتين في الوقت الفعلي. والسبب وراء نجاح التعايش هو أن كلاً من 4G و5G يعتمدان على تعدد الإرسال بتقسيم التردد المتعامد (OFDM)، مما يمنحهما بنية تعديل مشتركة وإطار جدولة. هذا التوافق الأساسي هو ما يمنع التدخل من أن يصبح بمثابة كسر للصفقات.

هناك استراتيجيتان رئيسيتان تحكمان كيفية حدوث المشاركة فعليًا. يقسم تعدد إرسال مجال التردد (FDM) الترددات المتاحة داخل النطاق ويوزعها على LTE وNR في نفس الوقت، مما يؤدي بشكل أساسي إلى تقسيم الممرات على الطريق السريع. يتخذ تعدد الإرسال في المجال الزمني (TDM) نهجًا مختلفًا – حيث يتناوب LTE وNR عمليات الإرسال الخاصة بهما داخل نفس النطاق، ويتناوب كل منهما باستخدام العرض الكامل. ويعتمد أيهما أكثر منطقية على سيناريو النشر وخصائص حركة المرور وبنية الشبكة المعنية.

تجدر الإشارة إلى أن DSS ليس مفهومًا نظريًا يتداول في الأوراق البحثية. تم توحيده بواسطة 3GPP في الإصدار 15، وتم الانتهاء منه في عام 2018، وقام بائعو المعدات الرئيسيون بشحنه عبر الشبكات التجارية. يمنح المعيار الجميع إطارًا مشتركًا للعمل من خلاله. لكن هذا لا يعني بالضرورة أن الأساليب كيفيتم تخصيص الطيف لحظة بلحظة بنفس الطريقة في جميع أنحاء الصناعة.

التحسين التنبؤي والتكيفي

هناك مشكلة أساسية في DSS، وهي أن حركة المرور لا تتصرف وفق جداول زمنية منظمة ويمكن التنبؤ بها. بالتأكيد، هناك حدود واسعة النطاق، مثل الاستخدام المكثف خلال ساعات العمل، وامتدادات أكثر هدوءًا في وقت متأخر من الليل. ولكنك ستجد ارتفاعات وانخفاضات ثابتة عند الحبيبات المقاسة بالمللي ثانية. إن القاعدة الثابتة التي تنص على “منح LTE 60٪ من RBs خلال يوم العمل” ستؤدي إلى إهدار الطيف أثناء فترات الهدوء اللحظية 4G وتجويع مستخدمي 5G عندما تحدث زيادات غير متوقعة في الطلب.

هذا هو بالضبط المكان الذي يغير فيه التنبؤ بحركة المرور المعتمد على الذكاء الاصطناعي المعادلة. يمكن لنماذج التعلم الآلي المدربة على بيانات الشبكة التاريخية تحليل أنماط حركة المرور عبر نطاقات زمنية متعددة – بدءًا من التحولات الموسمية وصولاً إلى التقلبات دون الثانية – والتنبؤ بالطلب بدقة كافية لإعادة تخصيص الطيف بشكل استباقي قبل يتحقق الازدحام. الهدف العملي هو اكتشاف نوافذ من ميكروثانية إلى ميلي ثانية من سعة 4G غير المستخدمة وإدخال حزم 5G في تلك الفجوات الزمنية، ولعب Tetris بشكل أساسي بسرعة الآلة مع المسافات بين عمليات نقل 4G.

تقوم خوارزميات الجدولة الذكية بعد ذلك بترجمة هذه التنبؤات إلى عمل، وضبط تخصيص الموارد ديناميكيًا لموازنة الحمل وإعطاء الأولوية لأنواع حركة المرور المهمة. علاوة على الجدولة، يتعامل الذكاء الاصطناعي مع التعديل التكيفي والتشفير أيضًا – حيث يقوم بضبط أنظمة التعديل والتشفير (MCS) بسرعة بناءً على ظروف القناة في الوقت الفعلي لانتزاع الحد الأقصى من الإنتاجية من أي نوافذ طيف تكون متاحة في أي لحظة معينة.

والنتيجة، على الأقل من الناحية النظرية، هي نظام يستبق تحولات حركة المرور بدلاً من الاستجابة لها، ويعيد تخصيص الطيف بشكل استباقي بدلاً من التدافع للحاق بالركب بعد أن سارت الأمور بشكل جانبي بالفعل.

أمثلة التنفيذ في العالم الحقيقي

توفر عمليات نشر DSS في العالم الحقيقي نافذة على كيفية أداء هذه الأساليب المعتمدة على الذكاء الاصطناعي عبر بيئات مختلفة.

في البيئات الحضرية الكثيفة باستخدام FDM، تم نشر خوارزميات الذكاء الاصطناعي لتحقيق التوازن بين الانقسام بين LTE وNR مع إعطاء الأولوية لفئات حركة المرور المميزة – فكر في الاتصالات ذات زمن الاستجابة المنخفض فائقة الموثوقية (URLLC) لشبكات 5G والصوت عبر LTE (VoLTE) لشبكات 4G. وتتمثل المهمة الأساسية لطبقة الذكاء الاصطناعي هنا في التأكد من عدم تدهور الخدمات الحيوية للتكنولوجيا، حتى مع تقسيم الطيف الإجمالي بشكل مستمر.

عمليات النشر في المناطق الريفية مختلفة قليلاً. اعتمدت السيناريوهات المستندة إلى TDM على بيانات حركة المرور التاريخية للتنبؤ بأنماط الاستخدام، مما يتيح إجراء تعديلات وقائية على الفترات الزمنية. تتميز الشبكات الريفية عادةً بأودية مرورية أكثر وضوحًا، مما يعني أنه من المحتمل أن يكون هناك الكثير من الطيف “المجاني” المتاح لـ 5G خلال النوافذ خارج أوقات الذروة – ولكن فقط إذا تمكن النظام من تحديد توقيت ظهور تلك الأودية ومدة استمرارها.

والخلاصة من هذه الأمثلة هي أن نظام دعم القرار (DSS) بعيد كل البعد عن كونه اقتراحًا بمقاس واحد يناسب الجميع. تحتاج نماذج الذكاء الاصطناعي واستراتيجيات المشاركة إلى معايرة للمراوغات المحددة لكل بيئة شبكة، مما يضيف المرونة وطبقة من التعقيد.

فوائد الأعمال

إن الحجة الاقتصادية لأنظمة دعم القرار المعتمدة على الذكاء الاصطناعي واضحة جدًا، حيث يستخرج المشغلون قيمة أكبر من الطيف الذي دفعوا مقابله بالفعل. بدلاً من السعي إلى شراء طيف جديد تماماً أو الشروع في تمارين إعادة التشغيل الكاملة، فإن DSS يجعل التحول التدريجي ممكناً باستخدام الهوائي الموجود وأجهزة الترددات اللاسلكية. يعد هذا بمثابة ضربة مباشرة للنتيجة النهائية، نظرًا لأن المشغلين يتجنبون النفقات الرأسمالية للحصول على طيف مخصص وكابوس التشغيل المتمثل في نسخ البنية التحتية واستبدالها.

لا يتعين على المشغلين أيضًا الجلوس في انتظار مزاد الطيف التالي أو إنهاء عملية إصلاح شاملة للشبكة قبل أن يتمكنوا من تقديم 5G. يمكنهم تشغيل 5G عبر النطاقات الموجودة على الفور تقريبًا، ثم توسيع نطاق التغطية والسعة حسب ما يمليه الطلب.

ولعل الأمر الأكثر أهمية هو أن نظام DSS يتيح التعايش السلس بين الجيلين، بالإضافة إلى الأجيال القادمة. يحافظ مشتركو Legacy 4G على جودة خدمتهم كما هي بينما يحصل مستخدمو 5G على إمكانية الوصول إلى إمكانات الجيل الحالي.

القيود

على الرغم من كل جوانبه الإيجابية، فإن أنظمة دعم القرار المبنية على الذكاء الاصطناعي تأتي مع تحديات عملية حقيقية تستحق التعامل الصادق.

التعقيد هو واحد كبير. يتطلب تشغيل البنية التحتية المتطورة لتعلم الآلة لإدارة الطيف في الوقت الفعلي خطوط أنابيب قوية لجمع البيانات وأنظمة تدريب واستدلال وموهبة فنية جادة. قد لا يكون لدى المشغلين الصغار أو العاملين في أسواق الاتصالات الأقل نضجًا الموارد اللازمة لدعم هذه الأنظمة والحفاظ على تشغيلها. في بعض الحالات، يمكن أن تفوق النفقات العامة لنشر وضبط ومراقبة الجدولة المعتمدة على الذكاء الاصطناعي مكاسب الكفاءة – خاصة في المناطق التي لا يزال فيها الطيف متوفرًا نسبيًا. بالنسبة لهؤلاء المشغلين، قد يكون التخصيص الثابت جيد التكوين أمرًا جيدًا تمامًا.

إدارة التدخل هو صداع مستمر آخر. تم تصميم DSS لتقليل التداخل بين 4G و5G، ولكن التوزيع الديناميكي لتخصيصات الموارد داخل نفس النطاق يخلق تحديات تنسيق تتفاقم مع توسع الشبكة. يعتمد الأداء المتسق في العالم الحقيقي على تكوين الحزم المتقدم، والتحكم الدقيق في الطاقة، وتخفيف التداخل المتطور – ولا يتم قياس أي منها بشكل موحد عبر كل سيناريو نشر. من الممكن تحقيق التعايش السلس، ولكن تحقيقه بشكل موثوق عبر ظروف الشبكة المتنوعة أصعب مما يبدو على الورق.

ثم هناك دقة التنبؤ. قد تعمل نماذج تعلم الآلة المدربة على البيانات التاريخية بشكل جيد في ظل الظروف العادية، ولكنها يمكن أن تتعثر أثناء الأحداث الشاذة، مثل انقطاع الشبكة، أو الأحداث الرياضية الكبرى، أو الكوارث الطبيعية – أو في المناطق التي تم نشرها حديثًا والتي تحتوي على بيانات تدريب محدودة. يعمل النظام بأكمله من خلال التنبؤات، وعندما تفشل هذه التنبؤات، قد ينتهي بك الأمر في الواقع إلى استخدام طيف أسوأ مما كان يمكن أن يقدمه نظام ثابت تم ضبطه بكفاءة.

تضيف العقبات التنظيمية والتوحيدية مشكلة أخرى. تم توحيد نظام DSS نفسه بموجب 3GPP، لكن الأطر التنظيمية الأوسع التي تحكم تقاسم الطيف تختلف من بلد إلى آخر. ويتعين على الهيئات التنظيمية التوقيع على ترتيبات المشاركة، وقد تكون عملية الموافقة بطيئة ولا يمكن التنبؤ بها. خلصت دراسة أجرتها وزارة الدفاع إلى أن مشاركة 350 ميجاهرتز من طيف 3 جيجاهرتز لن تكون ممكنة بدون إثبات نظام دعم القرار (DSS) على نطاق واسع، مما يضعه كعامل تمكين حاسم ولكنه يؤكد أيضًا على أن إثباته على نطاق واسع بثقة عالية لا يزال عملاً قيد التقدم.

ومن الجدير بالذكر أن DSS المحدد بواسطة 3GPP يمثل نكهة واحدة فقط من المشاركة الديناميكية للطيف. يتضمن المشهد الأوسع الراديو المعرفي، والوصول الانتهازي للطيف، وغيرها من التقنيات المتقدمة التي ليست جميعها موحدة أو جاهزة للنشر في العالم الحقيقي. ليست كل أساليب المشاركة الديناميكية جاهزة للاستخدام في أوقات الذروة.

التكنولوجيا الناشئة لنظام DSS المعتمد على الذكاء الاصطناعي

تجتمع مجموعة من التقنيات المتجاورة معًا لجعل أنظمة دعم القرار المستندة إلى الذكاء الاصطناعي أكثر عملية وأكثر قوة.

تبرز هنا بنيات RAN المفتوحة (O-RAN). توفر معايير O-RAN واجهات مفتوحة لا تعتمد على البائعين، مما يسمح لتطبيقات استشعار الطيف وإدارته بالعمل عبر منصات المعدات المختلفة. وهذا أمر مهم للغاية بالنسبة لنظام دعم القرار المعتمد على الذكاء الاصطناعي لأنه يعني أن خوارزميات تحسين الطيف ليست محاصرة داخل مجموعة مملوكة لمورد واحد – بل يمكنها استيعاب البيانات من شبكة غير متجانسة ودفع القرارات إليها. كما يتيح التصميم الموزع لـ O-RAN إمكانية استشعار الطيف على نطاق واسع، مما يغذي خطوط البيانات التي تحتاجها نماذج الذكاء الاصطناعي لتعمل.

تتلاءم تقنية الراديو الإدراكي بشكل طبيعي مع هذا. تستشعر أجهزة الراديو الإدراكية بيئة الطيف في الوقت الفعلي وتسمح للمستخدمين ذوي الأولوية المنخفضة بالاستفادة ديناميكيًا من الطيف المرخص عندما لا يستخدمه المستخدمون الأساسيون بشكل كامل. ويتوافق ذلك بشكل مباشر مع DSS المبني على الذكاء الاصطناعي – مما يتيح الوصول الذكي والمدرك للطيف إلى ما هو أبعد من تعدد الإرسال البسيط للوقت أو التردد.