کاربرد یادگیری تقویتی عمیق در هوشمندسازی زیرساخت های ارتباطی در تحول دیجیتال

تحول دیجیتال در صنایع و خدمات عمومی، زیرساخت های ارتباطی را به سمت شبکه های نرم افزارمحور، مجازی سازی شده و داده محور سوق داده است؛ در این بستر، تصمیم گیری های لحظه ای و چندهدفه برای مدیریت منابع رادیویی و محاسباتی، تضمین کیفیت خدمت (QoS)، بهره وری انرژی و پایداری شبکه به یکی از چالش های کلیدی تبدیل شده است. یادگیری تقویتی عمیق (DRL) با تکیه بر تقریب زن های عمیق و یادگیری سیاست های کنترلی در محیط های پویا، گزینه ای امیدبخش برای پیاده سازی حلقه های کنترل بسته و خودکارسازی شبکه ها محسوب می شود. این مقاله با رویکرد مروری-کاربردی و بر مبنای مرور نظام مند منابع، مهم ترین حوزه های کاربرد DRL در هوشمندسازی زیرساخت های ارتباطی (از جمله مدیریت منابع رادیویی، کنترل پذیرش و تضمین SLA در شبکه بری، بهینه سازی انرژی، هدایت ترافیک و بهینه سازی نزدیک به بلادرنگ در معماری O-RAN) را جمع بندی می کند و سپس یک چارچوب اجرایی برای استقرار DRL در شبکه های ۵G/۵G-Advanced بر پایه معماری «غیر-RT RIC/نزدیک-RT RIC»، مدل سازی MDP، طراحی پاداش چندمعیاره، و راهکارهای کاهش ریسک عملیاتی (ایمنی، پایش، و قابل توضیح بودن) ارائه می دهد. یافته های این مطالعه نشان می دهد که DRL، در مقایسه با سیاست های ثابت و روش های بهینه سازی کلاسیک، می تواند سازگاری و کارایی تصمیم گیری را در سناریوهای غیرایستان بهبود دهد، اما برای بهره برداری صنعتی نیازمند داده تعاملی استاندارد، محدودیت های ایمنی، و هم ترازی با استانداردهای مدیریت شبکه است. در پایان، مسیرهای پژوهشی آینده شامل یادگیری چندعاملی، ترکیب با مدل های پیش بینی، و انتقال ایمن سیاست ها از شبیه ساز به شبکه واقعی پیشنهاد می شود.

کلیدواژه ها:

یادگیری تقویتی عمیق ، هوشمندسازی شبکه ، زیرساخت های ارتباطی ، تخصیص پویای منابع ، مدیریت هوشمند شبکه