Geri Dön

AI-enhanced dynamic preemptive resource allocation in next generation cellular networks

Yeni nesil hücresel ağlarda yapay zeka destekli dinamik öncelikli kaynak tahsisi

  1. Tez No: 947596
  2. Yazar: EGE ENGİN
  3. Danışmanlar: PROF. DR. HAKAN ALİ ÇIRPAN
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 107

Özet

5G ve ötesi (5GB) haberleşme sistemlerinde çeşitlenen dilimlerin ve uygulamaların hızla yaygınlaşması, daha yüksek veri hızları, düşük gecikme, geliştirilmiş spektral verimlilik, artırılmış enerji verimliliği ve genişletilmiş ağ kapasitesi gibi zorlu temel performans göstergelerinin (KPI'lar) sağlanmasını zorunlu kılmıştır. Her hizmet kategorisi, bir veya daha fazla KPI'ı karşılayacak şekilde tanımlanmıştır. Bu özel gereksinimler, ağ kaynaklarının özel dilimlere bölünmesiyle sağlanan ağ dilimleriyle karşılanmaktadır. Benzer şekilde, Radyo Erişim Ağı (RAN) dilimleme, radyo erişim seviyesindeki kaynakların yönetilmesinde kilit rol oynar; birden fazla dilimin aynı anda var olmasına ve kaynakların verimli şekilde paylaşılmasına olanak tanır. Geliştirilmiş Mobil Genişbant (eMBB) ve Ultra-Güvenilir Düşük Gecikmeli Haberleşme (URLLC) olmak üzere iki ana dilimin farklı ihtiyaçları, geleneksel zamanlayıcıların her iki trafik türü için aynı anda tatmin edici performans sağlayamadığı karmaşık bir optimizasyon problemi ortaya çıkarır. Bu zorluğa yanıt olarak, bu tez zamanlayıcı performansını kademeli olarak iyileştirmeyi amaçlayan sistematik ve çok aşamalı bir yaklaşım benimsemektedir. İlk olarak, mevcut sistemlerle kolay entegrasyonu sağlamak ve bir karşılaştırma temeli oluşturmak amacıyla sezgisel (heuristic) bir zamanlama yöntemi önerilmektedir. Bu yöntem, URLLC dilimlerinin izin verilen gecikmesini kullanarak eşzamanlı zamanlamayı optimize eder ve eMBB dilimlerinin algılanan kalitesi üzerindeki önceliklendirme (preemption) etkisini azaltır.“Sabırlı ve Akıllı Önceliklendirme”(PIPE) algoritması, URLLC zamanlama kararlarının stratejik olarak ertelenmesinin, eMBB kaynaklarının gereksiz önceliklendirmesini en aza indirirken URLLC gecikme gerekliliklerini de karşılayabileceğini göstermektedir. Algoritma, bir eMBB kod bloğunun yeniden iletim gerektirmeden kaç kez önceliklendirilebileceğini tanımlayan yenilikçi bir“önceliklendirme toleransı oranı”sunar ve bu sayede veri aktarım oranındaki düşüşlere karşı bir tampon oluşturur. Bağlantı seviyesi simülasyonları, PIPE algoritmasının eMBB aktarım hızında yalnızca \%5'ten az bir kayıpla URLLC gecikme kısıtlarını tam olarak karşılayabildiğini ve agresif ya da eşik oranlı geleneksel zamanlama yöntemlerinden daha iyi performans gösterdiğini ortaya koymaktadır. Sezgisel temelin üzerine inşa edilen araştırma, radyo erişim ağının tüm bileşenlerini kapsayan 3GPP uyumlu bir önceliklendirme mekanizması geliştirmeye doğru ilerlemektedir. Bu gelişmiş yaklaşım, düşük modülasyon derecelerine sahip veya yüksek hata düzeltme yedekliliği içeren düşük öncelikli eMBB kaynaklarına odaklanan seçici önceliklendirmeyi tanıtır. Mekanizma, kullanıcı ekipmanında (UE) zamanında bilgi sağlanarak tampon yönetimini kolaylaştıran önceliklendirme gösterimi sinyalleşmesinin kapsamlı modellenmesini içermektedir. Sistem düzeyinde uygulama, fiziksel katman işleminden MAC zamanlamasına ve HARQ işlemlerine kadar tüm protokol yığını boyunca gerçekleştirilir ve çeşitli ağ koşulları altında gerçekçi bir performans değerlendirmesi yapılmasını sağlar. Simülasyon sonuçları, yüksek URLLC trafik yüklerinde bile URLLC gecikmesinin 1 ms altında tutulduğunu ve eMBB aktarım hızındaki kaybın en aza indirildiğini göstermektedir. Bu çözüm, düşük hesaplama karmaşıklığına ve minimum kontrol kanalı yüküne sahiptir; bu da onu yoğun ağ senaryolarında gerçek dünya uygulamaları için pratik kılar. Araştırmanın son aşaması, önceliklendirme kararlarını daha da optimize etmek amacıyla Yapay Zeka tabanlı bir yaklaşımı, Derin Pekiştirmeli Öğrenme (Deep Reinforcement Learning – DRL) kullanarak sunar. Bağlam Farkındalıklı Çoklu DQN Zamanlayıcı (CA-M-DQN) çerçevesi, her biri farklı Kanal Kalite Göstergesi (CQI) seviyeleri ve URLLC paket boyutları için uzmanlaşmış birden fazla Derin Q-Ağ modelini kullanarak, statik zamanlayıcılara kıyasla önemli bir ilerleme sağlar. Bu modüler tasarım, sistemin değişken ağ koşulları ve trafik desenlerine dinamik olarak uyum sağlamasına olanak tanır. Çerçeve, 3GPP mini-yuvalı yapılandırmalarına uygun 28 ayrık önceliklendirme stratejisini içeren dikkatle tasarlanmış hibrit bir eylem uzayı ve URLLC gecikme uygunluğu ile eMBB veri hızı koruması arasında denge kuran çok amaçlı bir ödül fonksiyonu içermektedir. Sistem düzeyinde yapılan doğrulamalar, CA-M-DQN'in sezgisel yaklaşımlara kıyasla daha yüksek eMBB veri hızı sağladığını ve aynı zamanda \%1'in altında blok hata oranları ile URLLC güvenilirliğini koruduğunu göstermektedir; bu da 3GPP'nin en katı gereksinimlerini karşılamaktadır. Bu yaklaşımın başarısı, sistemin matematiksel modellerine ihtiyaç duymadan ağ ortamıyla etkileşimler yoluyla en iyi politika kararlarını öğrenme yeteneğinde yatmaktadır. Bu araştırmanın pratik etkileri, 5GB ağlarında çeşitli kurulum senaryoları boyunca uzanmaktadır. Önerilen çözümler, yüksek yoğunluklu kentsel ortamlar ve farklı trafik türlerinin bir arada bulunduğu endüstriyel IoT uygulamaları için ölçeklenebilirlik sunmaktadır. Daha az yeniden iletim ve optimize edilmiş kaynak tahsisi sayesinde enerji verimliliğinde iyileşmeler sağlanmakta ve bu da daha sürdürülebilir ağ operasyonlarına katkıda bulunmaktadır. 3GPP standartlarına sıkı sıkıya bağlı kalınması, mevcut altyapıyla uyumluluğu garanti ederek ağ operatörleri için benimseme engellerini azaltmaktadır. Ayrıca, çerçevelerin modüler tasarımları, eMBB ve URLLC ötesindeki yeni hizmet kategorileri – örneğin büyük ölçekli Makine Türü Haberleşme (mMTC) ve aşırı güvenilir düşük gecikmeli iletişim (xURLLC) – için esneklik sağlamaktadır. Geleceğe yönelik olarak, bu araştırmanın genişletilebileceği birkaç umut verici yön ortaya çıkmaktadır. Çok Etmenli Pekiştirmeli Öğrenme (Multi-Agent Reinforcement Learning – MARL), çok hücreli yerleşimlerde hücreler arası girişim sorunlarını çözmek için kullanılabilir ve birden fazla baz istasyonu arasında koordine kaynak tahsisine olanak tanıyabilir. Yazılım tanımlı radyo (SDR) test yatakları aracılığıyla yapılacak donanım doğrulamaları, gerçek dünya performansı ve uygulama zorlukları hakkında değerli bilgiler sunacaktır. Gelişmiş makine öğrenimi teknikleriyle öngörü yeteneklerinin entegrasyonu, sistemin trafik desenlerini önceden tahmin ederek kaynak tahsisini proaktif olarak optimize etmesini daha da geliştirebilir. Ek olarak, çerçeve, holografik iletişim ve dijital ikizler gibi daha zorlu gecikme ve güvenilirlik gereksinimlerinin beklendiği 6G ağlarındaki yeni kullanım senaryolarını destekleyecek şekilde genişletilebilir. Bu tez, heterojen 5GB ağlarında kaynak tahsisi gibi karmaşık bir probleme pratik çözümler geliştirerek kablosuz iletişim alanına önemli katkılarda bulunmaktadır. Sezgisel yöntemlerden yapay zeka destekli yaklaşımlara doğru sistematik ilerleme, kademeli iyileştirmelerin nasıl önemli performans artışlarına yol açabileceğini göstermektedir. Teorik titizlik ile pratik uygulama ihtiyaçlarının birleşimi, akademik kavramlar ile gerçek dünya kurulum gereksinimleri arasındaki boşluğu kapatmaktadır. Önerilen çerçeveler, akıllı radyo kaynak yönetiminde gelecekteki yenilikler için sağlam bir temel oluşturmakta ve kendini optimize edebilen, gelecek nesil kablosuz uygulama ve hizmetlerin sürekli değişen taleplerine uyum sağlayabilen ağların önünü açmaktadır. Çok katmanlı önceliklendirme mekanizmalarının gelişmiş pekiştirmeli öğrenme teknikleriyle entegrasyonu, ağ dilimlemenin yönetilme biçiminde bir paradigma değişimini temsil etmekte ve kaynak kullanımında benzeri görülmemiş bir esneklik ve verimlilik sunarken farklı trafik türleri için katı hizmet kalitesi garantilerinin korunmasını sağlamaktadır.

Özet (Çeviri)

The rapid expansion of diverse slices and applications in 5G and beyond (5GB) communication systems has necessitated the fulfillment of stringent key performance indicators (KPIs), including higher data rates, reduced latency, improved spectral efficiency, enhanced energy efficiency, and expanded network capacity. Each service category is defined to satisfy one or more different KPIs. These specific needs are addressed with network slices, which divide network resources into dedicated slices. Likewise, Radio Access Network (RAN) slicing plays a crucial role in managing resources at the radio access level, enabling the coexistence and efficient sharing of resources across multiple slices. The individual needs and demands of the two primary slices, namely, Enhanced Mobile Broadband (eMBB) and Ultra-Reliable Low-Latency Communication (URLLC), create a complex optimization problem where traditional scheduling approaches often fail to achieve satisfactory performance for both traffic types simultaneously. In response to this challenge, this thesis adopts a systematic, multi-phase approach to enhance scheduling performance incrementally. Initially, a heuristic scheduling approach is proposed to establish a baseline and facilitate easy integration with existing systems. This approach utilizes the allowed latency of URLLC slices to optimize concurrent scheduling by mitigating the adverse impact of preemption on the perceived quality of the eMBB slices. The Patient and Intelligent Preemption (PIPE) algorithm demonstrates how strategic delaying of URLLC scheduling decisions can minimize unnecessary preemption of eMBB resources while still meeting strict URLLC deadlines. The algorithm introduces a novel preemption allowance rate that defines how many times an eMBB codeblock can be preempted before requiring retransmission, effectively creating a buffer against throughput degradation. Evaluation through link-level simulations shows PIPE's ability to maintain eMBB throughput within 5\% degradation while fully satisfying URLLC latency constraints, outperforming traditional scheduling methods like aggressive and threshold-proportional approaches. Building upon the heuristic foundation, the research progresses to develop a 3GPP-compliant preemption mechanism that incorporates all aspects of the radio access network. This enhanced approach introduces selective preemption targeting low-priority eMBB resources, such as those using lower modulation orders or having higher error-correction redundancy. The mechanism includes comprehensive modeling of preemption indication signaling, which enables efficient buffer management at user equipment by providing timely notifications about punctured resources. The system-level implementation spans the entire protocol stack from physical layer processing to MAC scheduling and HARQ operations, ensuring realistic performance evaluation under diverse network conditions. Simulation results demonstrate the mechanism's ability to maintain URLLC latency below 1ms while minimizing eMBB throughput degradation, even under high URLLC traffic loads. The solution maintains low computational complexity and requires minimal control channel overhead, making it practical for real-world deployments in dense network scenarios. The final phase of the research introduces an artificial intelligence-driven approach using Deep Reinforcement Learning (DRL) to further optimize the preemption decisions. The Context-Aware Multi-DQN Scheduling (CA-M-DQN) framework represents a significant advancement over static scheduling algorithms by employing multiple Deep Q-Network models, each specialized for different Channel Quality Indicator (CQI) levels and URLLC packet sizes. This modular design allows the system to adapt dynamically to varying network conditions and traffic patterns. The framework incorporates a carefully designed hybrid action space with 28 discrete preemption strategies that comply with 3GPP mini-slot configurations, along with a multi-objective reward function that balances URLLC latency compliance against eMBB throughput preservation. System-level validation shows that CA-M-DQN achieves superior eMBB throughput compared to heuristic baselines while maintaining URLLC reliability with block error rates below 1\%, meeting the most stringent 3GPP requirements. The success of this approach lies in its ability to learn optimal policies through interactions with the network environment, continuously improving its decision-making capabilities without requiring explicit mathematical models of the underlying system dynamics. The practical implications of this research extend across various deployment scenarios in 5GB networks. The proposed solutions demonstrate scalability for high-density urban environments and industrial IoT applications where diverse traffic types must coexist. Energy efficiency improvements are achieved through reduced retransmissions and optimized resource allocation, contributing to more sustainable network operations. The strict adherence to 3GPP standards ensures compatibility with existing infrastructure, lowering barriers to adoption for network operators. Furthermore, the frameworks' modular designs provide flexibility to accommodate future network enhancements and new service categories beyond eMBB and URLLC, such as massive Machine-Type Communications (mMTC) and extreme URLLC (xURLLC). Looking ahead, several promising directions emerge for extending this research. Multi-Agent Reinforcement Learning (MARL) could address the challenges of inter-cell interference in multi-cell deployments by enabling coordinated resource allocation across multiple base stations. Hardware validation through software-defined radio (SDR) testbeds would provide valuable insights into real-world performance characteristics and implementation challenges. The integration of predictive capabilities using advanced machine learning techniques could further enhance the system's ability to anticipate traffic patterns and optimize resource allocation proactively. Additionally, the framework could be extended to support emerging use cases in 6G networks, such as holographic communications and digital twins, where even more demanding latency and reliability requirements are expected. This thesis makes significant contributions to the field of wireless communications by developing practical solutions to the complex problem of resource allocation in heterogeneous 5GB networks. The systematic progression from heuristic methods to AI-driven approaches demonstrates how incremental enhancements can lead to substantial performance improvements. By combining theoretical rigor with practical implementation considerations, the research bridges the gap between academic concepts and real-world deployment requirements. The proposed frameworks establish a solid foundation for future innovations in intelligent radio resource management, paving the way for self-optimizing networks that can adapt to the ever-evolving demands of next-generation wireless applications and services. The integration of multi-layer preemption mechanisms with advanced reinforcement learning techniques represents a paradigm shift in how network slicing can be managed, offering unprecedented flexibility and efficiency in resource utilization while maintaining strict quality-of-service guarantees for diverse traffic types.

Benzer Tezler

  1. Tez No

    823388

    Yapay zekâ ve demokrasi

    Artificial intelligence and democracy

    AYŞE NUR YAZICILAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    HukukGalatasaray Üniversitesi

    Kamu Hukuku Ana Bilim Dalı

    PROF. DR. ŞULE ÖZSOY BOYUNSUZ

  2. Tez No

    948050

    Güç transformatörleri sfra tarama frekans cevabı analizi sonuçlarının yapay zeka uygulamaları ile karşılaştırılması

    Comparison of power transformer sfra sweep frequency response analysis results with artificial intelligence applications

    HAKAN ÇUHADAROĞLU

    Doktora

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. YILMAZ UYAROĞLU

  3. Tez No

    888785

    Yapay zekanın iş süreçleri yönetim araçları üzerindeki etkisinin araştırılması

    Investigating the impact of artificial intelligence on business process management tools

    RADWAN KHABBAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SELÇUK ŞENER

  4. Tez No

    854987

    Detection and measurement of multilevel COVID-19 infection using gamma correction and features extracted by CNN enhanced with xgboost from CT scan images

    BT tarama görüntülerinden gama düzeltme ve xgboost ilegeliştirilmiş CNN kullanılarak çok düzeyli covıd-19enfeksiyonunun ölçümü ve tespiti

    RANA SABRY ABBAS AL-BAYATI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırşehir Ahi Evran Üniversitesi

    İleri Teknolojiler Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA AKSU

  5. Tez No

    956426

    Dijital karbon ayak izinin optimizasyonu için uç cihazlarda yapay zeka ve makine öğrenmesi uygulamaları

    Artificial intelligence and machine learning applications on edge devices for digital carbon footprint optimization

    ÇAĞLAR ŞİMŞEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FATİH ÇALLI

Geri Dön