Создан алгоритм, повышающий емкость сетей связи 5G на 30–40%
Российские исследователи разработали алгоритм для прогнозирования потерь в беспроводных сетях связи пятого поколения. В основе решения лежат методы машинного обучения, сообщает ТАСС со ссылкой на пресс-службу МФТИ.
По оценке разработчиков, применение алгоритма позволит на 30–40 процентов эффективнее использовать каналы связи по сравнению с существующими подходами. Это особенно важно для сценариев, где требуются минимальные задержки и низкий уровень потерь пакетов.
Заведующий лабораторией интеллектуальных систем связи МФТИ Евгений Хоров рассказал, что алгоритм проверяли на данных натурных экспериментов в городской среде и на стандартизованных моделях каналов связи.
По его словам, испытания показали устойчивый прирост эффективности в разных условиях. При этом расход ресурсов канала удалось снизить более чем на 30 процентов без потери надежности.
Ученые отмечают, что сети 5G в теории могут работать в режиме сверхнадежной передачи данных с малыми задержками. Такие возможности нужны, например, для дистанционной хирургии, управления беспилотниками и автоматизированными промышленными системами.
Научный сотрудник МФТИ Кирилл Глинский пояснил, что ключевая задача исследования связана с выбором оптимального режима передачи данных при быстро меняющемся качестве канала. Традиционные методы не всегда справляются с жесткими требованиями по задержке и надежности, особенно при высокой мобильности пользователей.
Разработанный алгоритм прогнозирует изменение качества канала с помощью сверточно-рекуррентной нейронной сети. В отличие от ряда существующих решений, он учитывает, что слишком оптимистичный прогноз может сильнее навредить стабильности связи, чем более осторожная оценка.
По результатам расчетов и экспериментов, учет различий между завышенными и заниженными прогнозами снижает расход ресурсов канала на 30–40 процентов. Это должно повысить пропускную способность сетей 5G и сделать их работу более предсказуемой в задачах, где важны надежность и минимальные задержки.
