اطلاعیه جلسه دفاعیه برای دریافت درجه دکتری (PhD) در رشته مهندسی کامپیوتر
عنوان رساله: ارائه‌ی روشی پویا برای تخصیص منابع در برش‌های شبکه‌ی 5G-RAN
نگارش: یاسر عظیمی
استاد راهنما: جناب آقای دکتر صالح یوسفی
اساتید مشاور: جناب آقای دکتر هاشم کلبخانی، جناب آقای دکتر توماس کانز
هیئت داوران داخلی: جناب آقای دکتر اصغر اصغریان، سرکار خانم دکتر لیلا شریفی
داور خارجی: جناب آقای دکتر وحید سلوک
زمان: روز یکشنبه، 13 شهریور ماه 1401، ساعت 15:30
مکان: دانشکده برق و کامپیوتر
لینک گروه اسکایپ جهت حضور آنلاین: https://join.skype.com/zSfV3pTdEDLv
چکیده: یکی از ارکان معماری 5G برش شبکه است که در آن منابع سخت افزاری، رادیویی و توان به عنوان یک شبکه منطقی با در نظر گرفتن الزامات برنامه‌های کاربردی مختلف مجازی‌سازی می‌شوند. در حالی که اطمینان از جداسازی عملکرد در میان بخش‌های مختلف تخصیص منابع در شبکه‌های دسترسی رادیویی (RAN)در 5G با چالش‌های مختلفی به دلیل پویایی شبکه و نیازهای مختلف برنامه‌ها همراه است. در این رساله تخصیص توان و منابع رادیویی به کاربران مبتنی بر نرخ و منبع را در نظر گرفته‌ایم. ابتدا، ما یک روش تخصیص منابع به کمک یادگیری تقویتی عمیق با در نظر گرفتن بهره‌وری انرژی (EE-DRL-RA) برای برش RAN در شبکه‌های 5G پیشنهاد می‌کنیم. ایده اصلی روش پیشنهادی، بهره‌برداری از چارچوب یادگیری مشارکتی است که شامل یادگیری تقویتی عمیق (DRL) و یادگیری عمیق (DL) برای تصمیم‌گیری در مورد تخصیص منابع در یک RAN است. برای کاربران مبتنی بر نرخ، ما مسئله‌ی تخصیص توان را با در نظر گرفتن بهره‌وری انرژی (EE-PA) به عنوان یک مسئله بهینه‌سازی غیر محدب فرمول‌بندی نموده و با استفاده از یک الگوریتم تکراری کارآمد آن را حل نموده‌ایم. رویکرد پیشنهادی ما از این جهت منحصر به فرد است که به طور همزمان توان و بلوک‌های رادیویی را با پیچیدگی محاسباتی و زمانی کم تخصیص می‌دهد در حالی که جداسازی برش‌ها را تضمین می‌کند. علاوه بر این، با توجه به عدم در نظر گرفتن ملاحظات مربوط به جابجایی کاربران در تخصیص منابع به برش‌های RAN، ما یک روش توزیع شده‌ی تخصیص منابع و آگاه از تحرک به کمک یادگیری تقویتی عمیق فدرال و با در نظر گرفتن بهره‌وری انرژی (ME-DFRL-RA) را برای برش RAN در یک محیط بزرگ با چندین RAN پیشنهاد کرده‌ایم. ME-DFRL-RA یک چارچوب مشارکتی است که از DL و یادگیری تقویتی عمیق فدرال (DFRL) برای تخصیص منابع در RANها استفاده می‌کند. همچنین، برای حل مشکل بهینه‌سازی برای تعیین منابع مورد نیاز برای کاربران برش‌های مبتنی بر نرخ، یک الگوریتم تکراری کارآمد به نام روش آگاه از تداخل با در نظر گرفتن بهره‌وری انرژی (IA-EPA) پیشنهاد کرده‌ایم. نتایج شبیه‌سازی برای هر دو روش نشان می‌دهد که روش‌های ارائه‌شده از نظر جداسازی میان برش‌ها، بهره‌وری انرژی، تعداد کاربران پذیرفته‌شده، بهره‌وری منابع، سرعت همگرایی و مقیاس‌پذیری، در مقایسه با روش‌های مورد مقایسه عملکرد قابل قبولی داشته است.