Makine öğrenmesi yöntemleri kullanılarak radyo erişim ağları için dinamik radyo kaynak yönetimi
Dynamic radio resource management for radio access networks by using machine learning techniques
- Tez No: 694804
- Danışmanlar: PROF. DR. CENK TOKER
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yeni nesil ağlar ile beraber, haberleşme altyapısı, sadece telefon, bigisayar, televizyon gibi alışılagelmiş cihazlara değil ev aletleri, kitlesel endüstriyel makineler, uzak cerrahi robotlar, kendi sürüş kabiliyetine sahip arabalar gibi çevresiyle bağlantı kurmak isteyen her türlü cihaza hizmet verecektir. Bu durumda halihazırda kulanılan raDyo spektrumunun daha da kalabalıklaşması ve yetersiz kalması kaçınılmaz olacaktır. LTE teknolojisi spektrumda 700 MHz - 2.7 GHz aralığını kullanırken 5G ağların 450 MHz - 6 GHz ve 24.25 GHz - 52.6 GHz frekans aralıklarını kullanması planlanmaktadır. Bu tez kapsamında, yeni nesil ağlardaki kullanıcıların radyoya kabulü ve kaynak tahsisi problemi ele alınmıştır. Yeni nesil ağlarda, dikey sektörlerin de oyuna dahil olmasıyla beraber haberleşme altyapısından beklentiler farklılaşmış ve birbirinden ayrıklaşmıştır. Bu ayrık haberleşme ihtiyaçlarının aynı altyapı üzerinde karşılanabilmesi amacıyla, var olan ağı, farklı özelliklere sahip dilimlere ayırmak bir çözüm yolu olarak sunulmuştur. Ağ dilimleme konsepti, benzer ihtiyaçlara sahip kullanıcıları aynı ağ diliminde gruplayarak ağdaki sınırlı kaynağın dilimlerdeki kullanımını eniyilenmiş bir şekilde yönetmeyi sağlar. Ağdan beklenilen davranış düşük gecikme ihtiyacına sahip kullanıcı isteklerine yüksek öncelikle servis verirken aynı zamanda spektral verimi enbüyütmesidir. Bu tez kapsamında, yeni nesil karmaşık ağlardaki tek hücreli bir radyo kaynak tahsisi problemine derin Q-öğrenmesi (deep Q-learning, DQL) kullanılarak çözüm aranmıştır.
Özet (Çeviri)
In the next generation networks era, telecommunication area will serve any device that would leverage from being connected to environment such as household appliances, massive industrial machines, remote surgery robot, automated vehicles, etc.. Hence, the spectrum that has been used up until now, gets more crowded and not suficient to serve all these requests. In LTE which is current communication technology uses the 700 MHz - 2.7 GHz range of the spectrum where in 5G networks, 450 MHz - 6 GHz domain and 24.25 GHz - 52.6 GHz range frequencies is planned to use. In this thesis, radio admission and resource allocation process in the downlink channel of a next generation network is discussed. With the vertical industries' needs from the 5G networks, supporting all mobile service users who have different Quality of Service (QoS) requirements becomes the main challenge. To manage and satisfy the heterogeneous requirements, splitting the network into slices which have different properties (e.g., bandwidth requirements, delay tolerance, user density, etc.) can be a solution over a common physical infrastructure. Network slicing concept allows to manage and schedule the requests under the constraint of limited resources in an optimal way. The expected behavior from the admission mechanism to learn to serve the user requests which have low latency requirement with high priority. While the network is admitting these high priority users and allocate them required resources, it must provide the maximum spectrum efficiency. The problem is set on a single-cell scenario. Deep Q-learning algorithm is used as a solver to tackle this highly complex radio resource management problem instead of traditional convolutional optimization algorithms.
Benzer Tezler
- A federated learning approach for inter-cell handover optimisation in open 6G ran
Açık 6G radyo erişim ağında federasyon tabanlı öğrenme yaklaşımı ile hücre arası handover optimizasyonu
BATUHAN AKDOĞAN
Yüksek Lisans
İngilizce
2026
İstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Deep reinforcement learning based uplink resource allocation in open ran systems
Open ran sistemlerinde derin pekiştirmeli öğrenme tabanlı yukarı yönlü kaynak ataması
ALİ YILDIRIM
Yüksek Lisans
İngilizce
2025
İstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Bilişsel radyo ağlarında üst sezgiseller ile kanal atama probleminin çözülmesi
Solving channel assignment problem with hyper-heuristics in cognitive radio networks
EMRULLAH GAZİOĞLU
Yüksek Lisans
Türkçe
2015
İstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Machine learning-based traffic steering in an ns-3-based o-ran environment
Ns-3 tabanlı o-ran ortamında makine öğrenmesi tabanlı trafik yönlendirme
GÖKÇE ALPARSLAN ALTUN
Yüksek Lisans
İngilizce
2026
İstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Resource allocation mechanisms for end-to-end delay optimization of 5G URLLC services
5G URLLC hizmetlerinin uçtan uca gecikme optimizasyonu için kaynak aktarım mekanizmaları
HASAN ANIL AKYILDIZ
Doktora
İngilizce
2024
İstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
Yükleniyor...