АНАЛІЗ СУЧАСНИХ ПІДХОДІВ ДО УПРАВЛІННЯ РЕСУРСАМИ В ТЕЛЕКОМУНІКАЦІЙНИХ СИСТЕМАХ ІЗ ВИКОРИСТАННЯМ МЕТОДІВ ШТУЧНОГО ІНТЕЛЕКТУ
DOI:
https://doi.org/10.36994/2788-5518-2025-02-10-01Ключові слова:
телекомунікаційні системи, управління ресурсами, штучний інтелект, машинне навчання, QoS, 5G.Анотація
Анотація. Швидка еволюція телекомунікаційних технологій призвела до збільшення складності мережі, її неоднорідності та динаміки трафіку даних. Традиційні підходи до управління ресурсами, засновані на статичних або евристичних методах, більше не можуть забезпечити адаптивність, масштабованість та якість обслуговування (QoS), необхідні сучасним додаткам. Тому штучний інтелект (ШІ) та машинне навчання (МН) стали ключовими факторами інтелектуальної автоматизації в телекомунікаційних системах, дозволяючи приймати рішення в режимі реального часу та самооптимізувати ресурси. У цій статті аналізуються сучасні підходи до управління ресурсами в телекомунікаційних системах на основі ШІ та систематизуються дослідження щодо використання контрольованого, неконтрольованого, підкріплюваного та федеративного навчання для оптимізації радіо-, обчислювальних та енергетичних ресурсів у мережах наступного покоління. Аналіз зосереджений на таких фреймворках, як відкриті мережі радіодоступу (O-RAN), багатоканальні периферійні обчислення (MEC) та інтегровані мережі «супутник-повітря-земля» (SAGIN), де інтелектуальна оркестрація забезпечує продуктивність, енергоефективність та безперервність обслуговування. Навчання з підкріпленням (RL) та глибоке навчання з підкріпленням (DRL) визначені як найперспективніші парадигми для динамічного розподілу ресурсів та мережевого сегментування, тоді як федеративне навчання (FL) дозволяє проводити децентралізоване навчання моделей зі збереженням конфіденційності. Механізми прогнозного керування на основі штучного інтелекту, інтегровані в самоорганізовані мережі (SON), дозволяють проактивно адаптуватися до змін навантаження та мобільності. Ключові проблеми масштабного розгортання ШІ включають обмежені набори даних, обчислювальні витрати, інтерпретованість моделі та обмеження в режимі реального часу. Майбутні дослідження повинні зосередитися на гібридних моделях ШІ, які поєд нують аналітичну оптимізацію з адаптацією на основі навчання, та на розробці стандартизованих контрольних показників для систем управління на основі ШІ. Інтеграція ШІ в управління телекомунікаційними ресурсами підвищує гнучкість, операційну ефективність та оптимізацію енергоспоживання, формуючи основу для інтелектуальних мережевих архітектур 5G/6G.
Посилання
Dritsas Elias, Trigka Maria. Machine Learning in Information and Communications Technology: A Survey. Information 2025. 16 (1). P. 8. DOI: https://doi.org/10.3390/info16010008.
Alhashimi Hayder Faeq, Hindia Mhd Nour, Dimyati Kaharudin, Hanafi Effariza Binti, Alden Feras Zen, Qamar Faizan, Nguyen Quang Ngoc. Survey on AI-Enabled Resource Management for 6G Heterogeneous Networks: Recent Research, Challenges, and Future Trends. Computers, Materials and Continua. Volume 83. Issue 3. 19 May 2025. Pages 3585–3622. DOI: https://doi.org/10.32604/cmc.2025.062867.
Pivoto D. G. S., de Figueiredo F. A. P., Cavdar C., d. L. Tejerina G. R. and Mendes L. L. A Comprehensive Survey of Machine Learning Applied to Resource Allocation in Wireless Communications. IEEE Communications Surveys & Tutorials. DOI: 10.1109/COMST.2025.3552370.
Galdino Caio P., Souza Couto Rodrigo, de Medeiros Dianne Scherly Varel. Reinforcement Learning for Radio Resource Management in O-RAN : 2024 IEEE 13th International Conference on Cloud Networking (CloudNet). DOI: 10.1109/ CloudNet62863.2024.10815702.
Alwarafy A., Abdallah M., Ciftler B. S., Al-Fuqaha A., Hamdi M. Deep Reinforcement Learning for Radio Resource Allocation and Management in Next Generation Heterogeneous Wireless Networks: A Survey // arXiv preprint arXiv:2106.00574. – 2021.
Chen Qian, Guo Zheng, Meng Weixiao, Han Shuai, Li Cheng, Quek Tony Q. S. A Survey on Resource Management in Joint Communication and Computing-Embedded SAGIN. DOI: https://doi.org/10.48550/arXiv.2403.17400.
Nong X., Liang X. Scheduling allocation in 5G slicing networks utilizing weighted exponential and logarithmic functions to improve QoS. Sci Rep 15, 32204 (2025). DOI: https://doi.org/10.1038/s41598-025-17385-4.
Zang L., Zhang X. and Guo B. Federated Deep Reinforcement Learning for Online Task Offloading and Resource Allocation in WPC-MEC Networks. IEEE Access. 2022 Vol. 10. Pp. 9856–9867. DOI: 10.1109/ACCESS.2022.3144415.
Alhussien N. and Aaron Gulliver T. Toward AI-Enabled Green 6G Networks: A Resource Management Perspective. IEEE Access. 2024. Vol. 12. Pp. 132972–132995. DOI: 10.1109/ACCESS.2024.3460656.
Bega D., Gramaglia M., Garcia-Saavedra A., Fiore M., Banchs A. and Costa-Perez X. Network Slicing Meets Artificial Intelligence: An AI-Based Framework for Slice Management. IEEE Communications Magazine. June 2020. Vol. 58. No. 6. Pp. 32–38. DOI: 10.1109/MCOM.001.1900653.
ГНАТЮК В., ГОРБАЧОВ І. (2025). МЕТОД ДИНАМІЧНОГО УПРАВЛІННЯ SLICE-МЕРЕЖАМИ У 5G ДЛЯ ПОКРА- ЩЕННЯ QOS У VOIP. Herald of Khmelnytskyi National University. Technical Sciences. 353 (3.2). 104–109. DOI: https://doi.org/ 10.31891/2307-5732-2025-353-12.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
