هوش مصنوعی همکاری باحال برای صرفه‌جویی تو انرژی شبکه‌های 5G و 6G!

Fall Back

میخوام یه موضوع جذاب درباره آینده شبکه‌های موبایل (یعنی همین 5G و حتی بعدش، 6G) رو برات باز کنم. اگه پای شبکه‌های 5G وسط باشه، یکی از خورنده‌ترین بخش‌ها، همین Radio Access Network یا به اختصار RAN هست؛ یعنی اون قسمت‌هایی از شبکه که ارتباط موبایل‌ها با خود شبکه رو می‌سازن. جالب اینجاست که این بخش بیش از ۵۰ درصد کل مصرف برق شبکه رو به خودش اختصاص داده! یعنی عملاً نصف قبض برق اپراتورها پای RAN نوشته شده.

حالا فرض کن کلی پیشرفت کردیم اما هنوز RANها خیلی بهینه کار نمی‌کنن و در استفاده از داده‌ها هم خیلی هوشمند نیستن. همین باعث شده هزینه‌های عملیاتی‌شون (OpEx) هم بالا بمونه. تو این مقاله که داشتم می‌خوندم، نویسنده‌ها دو تا راهکار جدید و ناب پیشنهاد دادن تا هم مصرف برق کم بشه هم خرج اپراتورها کمتر دربیاد.

اولین ایده‌شون اینه که بیان پیش‌بینی ترافیک شبکه و رفتار کاربرا رو خیلی دقیق انجام بدن. واسه این کار، یه سیستمی ساختن به اسم Curated Collaborative Learning یا همون CCL. یعنی یادگیری همکاری که هوشمندانه و البته دست‌چین شده است. این چیه؟ دوست داره فقط با داده‌هایی همکاری کنه که واقعاً بهش مربوطن و به بهتر شدن پیش‌بینی کمک می‌کنن، نه اینکه الکی با همه چی تعامل داشته باشه. مثلاً اگه یه دیتای خاص به رفتار مصرف‌کننده‌های یه منطقه مربوطه، فقط همون‌ها رو در نظر می‌گیره.

CCL قشنگ بلده که «چه موقع»، با «کی» و «چه چیزی» رو دقیقاً بهش همکاری کنه تا خروجی درست و خفن‌تر بشه. نتیجه‌ش؟ این روش تونسته بهتر از همه مدل روش‌های قبلی مثل Global Learning (یعنی یه مدل سراسری)، Federated Learning (همکاری با حفظ حریم خصوصی)، Personalized Federated Learning (نسخه شخصی‌سازی شده فدریتد) و حتی Cyclic Institutional Incremental Learning (آموزش تدریجی و دورهای بین سازمانی) عمل کنه. اختلافش هم زیاد بوده: بین ۳۱ تا ۴۴ درصد بهتر و دقیق‌تر!

بحث بعدی اینه که حالا این پیش‌بینی‌های حرفه‌ای رو چه جوری استفاده کنیم برای صرفه‌جویی تو خود سرورها؟ اینجا یه سیستمی دارن به اسم Distributed Unit Pooling Scheme یا همون DUPS. یعنی راهکاری که بین سرورهای فعال شبکه، اونایی که کار زیادی ندارن رو موقتاً خاموش یا کم کار می‌کنه و ترافیک رو هدایت می‌کنه سمت سرورهایی که بهتر استفاده می‌شن. این حرکت رو با Deep Reinforcement Learning (یه نوع یادگیری پیشرفته با جایزه و تنبیه) و همین پیش‌بینی‌های CCL انجام می‌ده. نتیجه: به راحتی تا ۸۹ درصد مصرف برق کمتر، نسبت به روش‌های معمولی! حالا این یعنی چی؟ یعنی پول هنگفتی تو جیب اپراتورها باقی می‌مونه.

در نهایت، اگه این دو تا سیستم با هم ترکیب بشن — یعنی هم پیش‌بینی هوشمند رو با همکاری دیتا داشته باشی و هم مدیریت فعال و خودکار سرورها با یادگیری عمیق و هدایت ترافیک — خروجی این میشه که هم مصرف انرژی شبکه‌های ۵جی (و حتی شش‌جی آینده) حسابی پایین میاد هم هزینه‌ها کاسته میشه. خلاصه این مقاله نشون می‌ده که با یه رویکرد خلاقانه و مدرن (یعنی ترکیب CCL و DUPS)، می‌تونیم کلی انرژی ذخیره کنیم و پول بیشتری هم نصیب اپراتورها بشه. دیگه چی بهتر از این؟!

خلاصه اگه علاقه‌مند به دنیای موبایل و شبکه هستی یا حتی برات مهمه این سیستما چطور آینده رو بهینه‌تر می‌کنن، حتماً این ایده رو تو ذهنت داشته باش؛ چون به قول معروف، تازه اول راهیم و این داستانا قراره تو نسل‌های بعدی شبکه‌ها خیلی بیشتر موج بزنه.
منبع: +