УДК 004.77

Основы применения технологий машинного обучения в самоорганизующихся беспроводных сетях

Комашинский В. И., Иванов А. Ю., Ткачев Д. Ф., Татаринов В. И., Жирнов А. И., Аванесов М. Ю.

Читать статью полностью

  Основы применения технологий машинного обучения в самоорганизующихся беспроводных сетях(1,07 MB)

Ссылка для цитирования:

Основы применения технологий машинного обучения в самоорганизующихся беспроводных сетях / В.И. Комашинский, А.Ю. Иванов, Д.Ф. Ткачев [и др.] // Информация и Космос. – 2025. – № 4. – С. 45–53.


Аннотация

В данной статье проведен анализ особенностей использования технологий искусственного интеллекта и алгоритмов машинного обучения в самоорганизующихся беспроводных сетях. Для того чтобы перспективные беспроводные сети могли преодолевать имеющиеся ограничения и решать проблемы постоянного усложнения существующих сотовых систем, необходимо внедрять больше интеллектуальных функций в интересах создания полностью автономных и гибких сетей. Данная статья направлена на формирование новой парадигмы на беспроводные технологии, в которых будут применяться более надежные интеллектуальные сетевые алгоритмы, основанные на использовании больших сетевых данных.

Ключевые слова:

искусственный интеллект – artificial intelligence; машинное обучение – machine learning; самоорганизация – self-organization; самонастройка – self-tuning; самооптимизация – self-optimization; самовосстановление – self-healing.

Список литературы

1. Гибридная наземно-воздушная самоорганизующаяся беспроводная сеть связи / В.И. Комашинский, В.И. Татаринов, О.А. Михалев, А.Ю. Иванов // Информация и Космос. – 2022. – № 3. – С. 36–41.
2. Комашинский, В. И. Нечёткое управление гибридными самоорганизующимися беспроводными сетями связи / В.И. Комашинский, В.И. Татаринов, М.Ю. Аванесов // Информация и Космос. – 2022. – № 4. – С. 6–14.
3. Imran, A. Challenges in 5G: how to empower SON with big data for enabling 5G / A. Imran, A. Zoha, A. Abu-Dayya // IEEE Network. – 2014. – Vol. 28. – P. 27–33.
4. A survey of self organisation in future cellular networks / G. Aliu, A. Imran, M.A. Imran, B. Evans // IEEE Communications Surveys Tutorials. – 2013. – Vol. 15, No. 1. – P. 336–361.
5. Machine learning in wireless sensor networks: Algorithms, strategies, and applications / M.A. Alsheikh, S. Lin, D. Niyato, H.-P. Tan // IEEE Communications Surveys & Tutorials. – 2014. – Vol. 16, No. 4. – P. 1996–2018.
6. Kotsiantis, S. B. Supervised machine learning: A review of classification techniques / S.B. Kotsiantis // Proceedings of the 2007 conference on Emerging Artificial Intelligence Applications in Computer Engineering: Real Word AI Systems with Applications in eHealth, HCI, Information Retrieval and Pervasive Technologies. – 2007. – P. 3–24.
7. Hastie, T. The elements of statistical learning / T. Hastie, R. Tibshirani, J. Friedman. – Berlin : Springer series in statistics Springer, 2001. – 552 p.
8. Franco, C. A. S. Load balancing in self-organized heterogeneous LTE networks: A statistical learning approach / C.A.S. Franco, J.R.B. de Marca // 7th IEEE Latin-American Conference on Communications (LATINCOM). – 2015. – P. 1–5.
9. Vapnik, V. N. Statistical learning theory / V.N. Vapnik. – New York : Wiley, 1998. – 768 p.
10. Akoush, S. The use of Bayesian learning of neural networks for mobile user position prediction / S. Akoush, A. Sameh // Seventh International Conference on Intelligent Systems Design and Applications (ISDA 2007). – 2007. – P. 441–446.
11. Coluccia, A. Bayesian estimation of network-wide mean failure probability in 3G cellular networks / A. Coluccia, F. Ricciato, P. Romirer-Maierhofer // Performance Evaluation of Computer and Communication Systems. Milestones and Future Challenges. – 2011. – Vol. 6821. – P. 167–178.
12 Dey, A. Machine Learning Algorithms: A Review / A. Dey // InternationalJournal of Computer Science and Information Technologies. – 2016 – Vol. 7 – P. 1174–1179.
13. Haykin, S. Neural Networks : A comprehensive foundation / S. Haykin. – London : Pearson Education, 2004. – 864 p.
14. Комашинский, В. И. Нейронные сети и их применение в системах управления и связи / В.И. Комашинский, Д.А. Смирнов. – Москва : Горячая линия – Телеком, 2003. – 93 с.
15. Ekpenyong, M. Handoffs decision optimization of mobile celular networks / M. Ekpenyong, J. Isabona, E. Isong // 2015 International Conference on Computational Science and Computational Intelligence (CSCI). – 2015. – P. 697–702.
16. Machine learning based handover management for improved QoE in LTE / Z. Ali, N. Baldo, J. Mangues-Bafalluy, L. Giupponi // NOMS 2016 – 2016 IEEE/IFIP Network Operations and Management Symposium. – 2016. – P. 794–798.
17. Feng, V. S. Determination of wireless networks parameters through parallel hierarchical support vector machines / V.S. Feng, S.Y. Chang // IEEE Transactions on Parallel and Distributed Systems. – 2012. – Vol. 23. – P. 505–512.
18. Detecting anomalies in cellular networks using an ensemble method / G.F. Ciocarlie, U. Lindqvist, S. Novczki, H. Sanneck // Proceedings of the 9th International Conference on Network and Service Management (CNSM 2013). – 2013. – P. 171–174.
19. Datadriven analytics for automated cell outage detection in self-organizing networks / A. Zoha, A. Saeed, A. Imran [et al.] // Design of Reliable Communication Networks (DRCN). –
2015. – Vol. 11. – P. 203–210.
20. A learning-based approach for autonomous outage detection and coverage optimization / A. Zoha, A. Saeed, A. Imran [et al.] // Transactions on Emerging Telecommunications Technologies. – 2016. – Vol. 27, No. 3. – P. 439–450.
21. Lateef, H. Y. A framework for classification of selforganising network conflicts and coordination algorithms / H.Y. Lateef, A. Imran, A. Abu-dayya // Personal Indoor and Mobile Radio Communications (PIMRC). – 2013. – P. 2898–2903.
22. Coverage optimization for minimization of drive tests in LTE with extended RLF reporting / J. Puttonen, J. Turkka, O. Alanen, J. Kurjenniemi // 21st Annual IEEE International Symposium on Personal, Indoor and Mobile Radio Communications. – 2010. – P. 1764–1768.
23. Using collaborative filtering to weave an information tapestry / D. Goldberg, D. Nichols, B.M. Oki, D. Terry // Communications of the ACM. – 1992. – Vol. 35, No. 12. – P. 61–70.
24. Resnick, P. Recommender systems / P. Resnick, H.R. Varian // Communication of the ACM. – 1997. – Vol. 40. – P. 56–58.
25. Ricci, F. Introduction to Recommender Systems Handbook / F. Ricci, L. Rokach, B. Shapira // Recommender Systems Handbook / F. Ricci, L. Rokach, B. Shapira, P. Kantor (eds). – Boston, MA : Springer US, 2011. – P. 1–35.