Архитектура обеспечения качества обслуживания в сетях 5G на основе обучения с учителем

Сети 5G в целом характеризуются тремя уникальными особенностями: повсеместным подключением, чрезвычайно низкой задержкой и исключительно высокой скоростью передачи данных. Задача сетей 5G заключается в обеспечении производительности сети и различных требований к качеству обслуживания (QoS) для разных сервисов, таких как связь машинного типа (MTC), усовершенствованная мобильная широкополосная связь (eMBB) и сверхнадежная связь с низкой задержкой (URLLC). В отличие от прежней системы, основанной на принципе «один размер подходит всем», программная реализация сетевых функций, сетевая нарезка и предоставление возможностей сети в 5G обеспечивают динамические возможности программирования для гарантирования QoS. По мере усложнения и повышения динамичности поведения сети разработка традиционного программного кода для планирования сетевых ресурсов на основе экспертных знаний становится нетривиальной задачей, особенно при отсутствии количественной связи между сетевыми событиями и аномалиями QoS. Машинное обучение — это компьютерная технология, позволяющая компьютерным системам обучаться на данных и повышать производительность и точность принятия решений при выполнении конкретной задачи без явного программирования. Области машинного обучения и коммуникационных технологий постепенно сближаются. В статье предложена архитектура обеспечения QoS в сетях 5G на основе обучения с учителем. Механизмы обучения с учителем способны интеллектуально изучать сетевое окружение и реагировать на динамические ситуации. Они могут обучаться на основе ранее полученной информации, связанной с QoS, и аномалий, а затем автоматически и точно восстанавливать взаимосвязь между данными из прошлого и текущими аномалиями QoS. После этого они могут инициировать автоматические действия по устранению проблем или предоставлять рекомендации. Механизмы обучения с учителем также способны с высокой степенью уверенности прогнозировать будущие аномалии QoS. Для подтверждения предложенной архитектуры в статье представлен пример отслеживания первопричин аномалий QoS на основе дерева решений.