بهبود فرآیند انتقال بین سلول ها با استفاده از الگوریتم های یادگیری ماشین و پارامترهای قدرت سیگنال دریافتی

  • سال انتشار: 1403
  • محل انتشار: فصلنامه فناوری های نوین در سیستم های توزیع شده و محاسبات الگوریتمی، دوره: 1، شماره: 1
  • کد COI اختصاصی: JR_NTDS-1-1_007
  • زبان مقاله: فارسی
  • تعداد مشاهده: 67
دانلود فایل این مقاله

نویسندگان

بابک لطفی

گروه مهندسی کامپیوتر و فناوری اطلاعات،دانشگاه آزاد سبزوار، سبزوار، ایران

یاسر علمی سولا

گروه مهندسی کامپیوتر و فناوری اطلاعات،دانشگاه آزاد سبزوار، سبزوار، ایران

چکیده

< p> در شبکه های نسل پنجم (۵G)، کاهش اندازه سلول ها منجر به افزایش چشمگیر تعداد فرآیندهای انتقال بین سلولی (Handover) شده است. با توجه به تاثیر مستقیم این فرآیند بر کیفیت خدمات (QoS) و تجربه کاربران، مدیریت کارآمد آن از اهمیت ویژه ای برخوردار است. در این راستا، پژوهش حاضر با استفاده از الگوریتم های یادگیری ماشین و ترکیب سه روش خوشه بندی K-means، DBSCAN وGMM، به بهبود فرآیند انتقال پرداخته است. در روش پیشنهادی، با اصلاح ویژگی های مورداستفاده در تحقیقات پیشین، تلاش شده است تا کارایی شبکه بهینه سازی شده و تعداد انتقال های غیرضروری کاهش یابد. الگوریتم K-Means به دلیل سادگی و کارایی بالا، جهت کاهش واریانس درون خوشه ای استفاده شده، اما چالش هایی مانند حساسیت به نویز و نیاز به تعیین تعداد خوشه ها دارد. در مقابل، DBSCAN بدون وابستگی به تعداد خوشه ها، بر اساس چگالی نقاط عمل کرده و قابلیت حذف داده های نویزی را دارد. همچنین، الگوریتم GMM با مدل سازی آماری پیچیده، خوشه بندی دقیق تری را فراهم می کند. در این پژوهش، پس از پیش پردازش ویژگی های موقعیت کاربران، قدرت سیگنال دریافتی و وضعیت سلول ها، ترکیب این سه الگوریتم در سه روش موازی، سری و ترکیبی جهت تصمیم گیری بهینه در فرآیند انتقال بررسی شده است. به کارگیری این رویکرد تطبیقی نه تنها موجب کاهش تعداد انتقال ها و اثرات منفی ناشی از آن شده، بلکه کیفیت ارتباطات و توان عملیاتی شبکه را نیز بهبود داده است. نتایج پیاده سازی نشان می دهد که روش پیشنهادی می تواند تجربه کاربری بهتری را در شبکه های متراکم نسل پنجم، فراهم کند.< /p>

کلیدواژه ها

الگوریتم های یادگیری ماشین، انتقال بین سلولی، خوشه بندی، شبکه های نسل پنجم، قدرت سیگنال دریافتی، کیفیت خدمات

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.