Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu çalışmada, 5G ağlarında Gelişmiş Mobil Genişbant (eMBB) ve Ultra Güvenilir Düşük Gecikmeli İletişim (URLLC) trafik türleri arasında adil kaynak zamanlamasını sağlamak amacıyla pekiştirmeli öğrenme (RL) destekli yeni bir uyarlanabilir zamanlama mekanizması önerilmektedir.
📌 3 Maddede Bu Makale
Özet
Bu çalışmada, 5G ağlarında Gelişmiş Mobil Genişbant (eMBB) ve Ultra Güvenilir Düşük Gecikmeli İletişim (URLLC) trafik türleri arasında adil kaynak zamanlamasını sağlamak amacıyla pekiştirmeli öğrenme (RL) destekli yeni bir uyarlanabilir zamanlama mekanizması önerilmektedir. Bu amaç doğrultusunda, uyarlanabilir eşik değerleri ve geri besleme temelli performans döngülerine dayalı, akıllı hizmet kalitesi (QoS) yönetimini görsel olarak simüle etmeye olanak tanıyan bütüncül bir Simulink simülasyon aracı geliştirilmiştir. Önerilen yaklaşım, hazır Simulink bloklarıyla RL benzeri öğrenme mantığı tasarlanarak dinamik kaynak tahsisini mümkün kılmakta ve hizmet kalitesi farklılaştırması yoluyla trafik koşullarındaki değişimlere gerçek zamanlı uyum sağlamaktadır. Gerçekleştirilen deneyler, önerilen yöntemin geleneksel yaklaşımlara kıyasla sistem verimliliğini %67 oranında artırdığını ve QoS ihlallerini %45 oranında azalttığını ortaya koymaktadır. Ayrıca, her bir zamanlama kararında O(1) seviyesinde hesaplama karmaşıklığı ile etkili öğrenme dinamikleri ve gelişmiş kaynak kullanımı sağlandığı görülmüştür.
Abstract
In this paper, we propose a novel reinforcement learning (RL)-aided adaptive scheduling mechanism for fair resource scheduling of enhanced Mobile Broadband (eMBB) and Ultra-Reliable Low Latency Communication (URLLC) traffic in 5G networks. To this end, we introduce a comprehensive Simulink simulation tool that visually facilitates intelligent QoS management based on adaptive thresholds and feedback performance loops. The suggested approach dynamically allocates resources by designing RL-like adaptive learning logic using off-the- shelf Simulink blocks. It also adapts in real-time to evolving traffic conditions by providing quality-of-service (QoS) differentiation. Experimental results demonstrate that our method achieves a 67% improvement in system efficiency and a 45% reduction in QoS violations compared to conventional baselines. This reflects effective learning dynamics and improved resource utilization, with O(1) computational complexity per scheduling decision.