Gelecek nesil kablosuz ağlarda cihazdan cihaza haberleşme için yapay zeka destekli röle tespiti
Artificial intelligence assisted relay dedection for device-to-device communication in future generation wireless networks
- Tez No: 934542
- Danışmanlar: PROF. DR. ADNAN KAVAK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kablosuz haberleşme sistemlerinde cihazdan-cihaza (D2D) iletişim, mobil cihazların doğrudan haberleşmesini sağlayarak hücresel altyapının üzerindeki yükü azaltan ve enerji ile spektral verimliliği artıran kritik bir teknoloji olarak öne çıkmaktadır. D2D iletişimde, kaynak ve hedef cihaz arasındaki mesafenin uzun olması, kanal koşullarının bozulması veya doğrudan iletişimin sağlanamaması gibi durumlarda, röle destekli iletişim etkin bir çözüm sunmaktadır. Ayrıca, yeni nesil uygulamaların uzun mesafeli haberleşme gereksinimleri, röle destekli kablosuz ağların önemini daha da artırmaktadır. D2D iletişiminin yalnızca röle cihazları aracılığıyla gerçekleştirilebildiği senaryolarda, kaynakların yönetimi, girişim etkisinin düşürülmesi, güvenilir iletişimin sağlanması, gecikme süresinin azaltılması ve veri iletim hızının eniyilenmesi gibi performans kriterlerini karşılayan rölenin seçilmesi, D2D iletişiminde ele alınması gereken zorluklar arasında yer almaktadır. Cihazların hareketli, ortamın değişken ve yoğun olduğu durumlarda, etkin bir röle seçimini gerçekleştirmek, bu zorlukları daha karmaşık bir probleme dönüştürmektedir. Bu tez çalışmasında, D2D iletişimindeki zorlukları ele almak amacıyla, çok ajanlı pekiştirmeli öğrenmeye dayalı röle seçimi (MARS) yöntemi önerilmektedir. MARS, çevre ile etkileşime giren ve görev paylaşımı yapan pekiştirmeli öğrenme ajanları aracılığıyla, en uygun röle düğümünü belirlemekte ve veri aktarım hızını uçtan-uca eniyilemektedir. Geleneksel yöntemle karşılaştırıldığında, MARS, düşük cihaz yoğunluklu ortam benzetimlerinin %81'inde üstün performans sergileyerek 150 Mbps'nin üzerinde veri aktarım hızı sağladığı gözlemlenmiştir. Bu durum, orta-yoğunluklu ortam için %91 olup verimliliği 150 Mbps seviyesindeyken, yüksek-yoğunluklu ortamda %80 başarı oranı ile 100 Mbps verimlilik elde edilmiştir. Ayrıca MARS, bant genişliğinde 70 Mbps'ye varan bir artış sağlamıştır. MARS'ın yapay zeka ajanları, gelecekteki çalışmalar kapsamında öz-farkındalık ve otonom karar alma yetkinlikleriyle geliştirilerek, 6G ve ötesindeki yeni nesil kablosuz ağlarda uygulanma potansiyeline sahip olacaktır.
Özet (Çeviri)
In wireless communication systems, device-to-device (D2D) communication is a critical technology that enables mobile devices to communicate directly, thereby reducing the load on cellular infrastructure and increasing energy and spectral efficiency. In scenarios where the distance between the source and target device is considerable, or where channel conditions are suboptimal or direct communication is infeasible, relay-assisted communication can serve as an effective solution. The long-distance communication requirements of next-generation applications further underscore the importance of relay-assisted wireless networks. In scenarios where D2D communication can only be realised through relay devices, the selection of a relay that meets performance criteria such as managing resources, reducing interference, ensuring reliable communication, reducing latency and optimising throughput are among the challenges to be addressed in D2D communication. In scenarios where devices are mobile and the environment is variable and dense, the selection of an efficient relay serves to compound these challenges. This thesis proposes a multi-agent reinforcement learning based relay selection (MARS) method to address the challenges in D2D communication. The MARS method determines the optimal relay node and optimises the end-to-end throughput through reinforcement learning agents that interact with the environment and share tasks. In comparison with the conventional method, the MARS system demonstrated superior performance in 81% of the low device density environment simulations, achieving a throughput of over 150 Mbps. In the medium-density environment, the success rate was 91%, with a throughput of 150 Mbps; in the high-density environment, the success rate was 80%, with a throughput of 100 Mbps. Furthermore, an augmentation in bandwidth of up to 70 Mbps was achieved. In subsequent studies, the MARS AI agents are to be enhanced with self-awareness and autonomous decision-making capabilities, with the potential to be applied in next-generation wireless networks in 6G and beyond.
Benzer Tezler
- New edge computing offloading methods for next generation wireless networks
Yeni nesil haberleşme sistemleri için geliştirilen kenar ağlarda bilgi işlem yük boşaltma yöntemleri
BESTE ATAN
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA
- Nar konsantresinin dondurularak ve kimyasal yöntemlerle saklanması sırasında meydana gelen değişmeler üzerine bir araştırma
Başlık çevirisi yok
İLHAN BODUR
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiTarım Ürünleri Teknolojisi Ana Bilim Dalı
DOÇ. DR. YURDAGEL ÜNAL
- Regresyon analizi ve Türkiye üzerine bir deneme buğday üretiminin tahmini
Başlık çevirisi yok
MACİT MESUT ÖZMEN
- Çekirdeksiz kuru üzümde uygulanan politikanın Ege Bölgesinde üretim ve üretici açısından sonuçlarının değerlendirilmesi
Başlık çevirisi yok
GÜVEN ÖZERİN
- Acil yardım ve tedavi hastanelerinin idari mali ve teknik yönden planlaması
Başlık çevirisi yok
SERVET OKUYUCU
Yüksek Lisans
Türkçe
1985
HastanelerGazi ÜniversitesiKazalarda Acil Yardım ve Rehabilitasyon Ana Bilim Dalı
DOÇ. DR. HİKMET PEKCAN