MMU-STCNN-BDQ: إطار تعلم معزَّز عميق لتشكيل الحزم الآمن وفعَّال الطاقة في شبكات mMIMO للجيل السادس

لماذا يحتاج إشارة هاتفك المستقبلية إلى حزم أكثر ذكاءً

مع تسارع الشبكات اللاسلكية نحو الجيل السادس، عليها موازنة ثلاثة أهداف صعبة في آنٍ واحد: بيانات فائقة السرعة، استهلاك طاقة منخفض، وحماية قوية من التنصت. يستكشف هذا المقال كيف يمكن للخوارزميات المتقدمة أن توجه موجات الراديو بذكاء أكبر، بحيث تصل الإشارات إلى الأجهزة الصحيحة، تهدر طاقة أقل، ويصعب على المهاجمين استغلالها.

تحدي حشر المزيد من البيانات في الهواء

شبكات الهاتف الحالية تقترب من نفاد الطرق السهلة لزيادة سعة الطيف المحدود. أحد الحلول هو الانتقال إلى نطاقات المليمتر ودرجة التيراهيرتز، حيث توجد نطاقات واسعة غير مستغلة. في هذه النطاقات العالية، يمكن لمحطات القاعدة استخدام مصفوفات كبيرة من الهوائيات لتشكيل حزم ضيقة توجه مباشرة إلى كل مستخدم. يعزّز نهج "MIMO الضخم" قوة الإشارة ويسمح لعدد كبير من المستخدمين بمشاركة نفس القناة. لكنه يطرح أيضًا مشكلات جديدة: تصبح الأجهزة أكثر تعقيدًا وتستهلك طاقة أكبر، ويجب أن تتكيف الحزم باستمرار مع تحرك المستخدمين ووجود مسارات محجوبة، ونظم التعلم نفسها التي تقرّر اتجاه الحزم قد تتحول إلى نقطة ضعف أمنية.

لماذا يجب أن تكون الحزم الأذكى أكثر أمانًا أيضًا

في الجيل السادس، من المتوقع أن تعتمد قرارات تشكيل الحزم بدرجة كبيرة على نماذج التعلم الآلي التي تهضم قياسات القناة اللاسلكية وتتنبأ بكيفية توجيه وشكل كل حزمة. هذا يجعل النظام مرنًا لكنه معرض للهجمات. يمكن للمهاجمين محاولة خداع النماذج، حقن بيانات خاطئة، أو التنصت سرًا على الإشارات الضيقة. يستعرض المؤلفون هذه المخاطر، من هجمات عدائية على خوارزميات التعلم إلى تسريبات خصوصية تكشف موقع أو هوية المستخدم. يبيّنون أن الطرق الحالية إما تركّز على الدقة والسرعة أو على الأمان، ونادرًا ما تغطي الأهداف الثلاثة معًا، خاصة في شبكات مزدحمة بعدد كبير من المستخدمين وظروف متغيرة بسرعة.

محرك تعلُّم هجيني لمحطات قاعدة الجيل السادس

لمعالجة هذه القضايا، يقترح المقال إطار تعلم مركب يُسمى MMU‑STCNN‑BDQ. أولاً، تنظر شبكة عصبية مكانية‑زمانية في قياسات القناة الخام عبر الفضاء والوقت وتتعلم أنماطًا تصف كيف تنعكس الإشارات وتضعف وتتغير مع تحرك المستخدمين. ينتج هذا الجزء الأمامي تخمينًا أوليًا لكيفية تشكيل وتوجيه الحزم لعدة مستخدمين في آن واحد. ثم يتعامل مكوّن ثانٍ، محرك تعلم معزَّز، مع كل قرار تشكيل حزمة كإجراء في لعبة: يجرب استراتيجيات مختلفة، يلاحظ معدّل البيانات الناتج، واستهلاك الطاقة، ومعدل الخطأ، ويتعلم تدريجيًا أي الخيارات تعطي أفضل مساومة طويلة الأمد بين السرعة والموثوقية والسرية.

كيف يؤدّي الأسلوب الجديد في موجات الهواء المزدحمة

يختبر المؤلفون نهجهم باستخدام مجموعة بيانات محاكاة واقعية حيث تخدم محطة قاعدة مزودة بـ256 هوائيًا ما يصل إلى 50 مستخدمًا عند ترددات مليمترية. يقارنون إطارهم بثلاثة أساليب أساسية قوية: شبكة عصبية عميقة قياسية، متعلم تعزيز عميق تقليدي، وطريقة تشكيل حزم مؤمَّنة مدرّبة ضد الهجمات. عبر سيناريوهات ومستويات إشارة‑إلى‑ضوضاء متعددة، يتنبأ نظامهم باستمرار بحزم أفضل، بخفض التفاوت بين الحزم المطلوبة والفعلية، وتقليل معدلات خطأ البت، وزيادة الإنتاجية. كما يستخدم الطاقة بكفاءة أكبر، موفّرًا بيانات أكثر لكل وحدة طاقة. والأهم أنه عند تعرّضه لمجموعة من الهجمات المحاكاة التي تحاول إزعاج عملية التعلم أو بيانات القناة، يهبط أداء الإطار المقترح تدريجيًا ويحافظ على معظم فعاليته.

ما معنى ذلك لمستخدمي الاتصالات اليوميين

لغير المتخصصين، الخلاصة الرئيسة أن محطات قاعدة الجيل السادس المستقبلية قد تستخدم محرك تعلم متعدد الطبقات "يرصد" تطور بيئة الراديو و"يتصرّف" بطريقة مدفوعة بالأهداف للحفاظ على اتصالات سريعة وموفّرة وخاصة. بدمج التعرف على الأنماط مع التعلم القائم على التجربة والخطأ، يساعد هذا النهج الحزم على الاستقرار على المستخدمين بدقّة أكبر مع هدر طاقة أقل وجعل حياة المتنصتين أصعب. ينوّه المؤلفون إلى أن النشر الحقيقي سيتطلّب إصدارات أخف من الخوارزميات واختبارات في ظروف عريضة النطاق وغير مثالية، لكن نتائجهم تشير إلى مسار واعد نحو شبكات الجيل السادس التي لا تكون أسرع فحسب، بل أذكى وأكثر أمانًا أيضًا.

الاستشهاد: Ramudu, K., Medasani, S., Addepalli, T. et al. MMU-STCNN-BDQ: a deep reinforcement learning framework for secure and energy-efficient beamforming in 6G mMIMO networks. Sci Rep 16, 15684 (2026). https://doi.org/10.1038/s41598-025-26572-2

الكلمات المفتاحية: تشكيل حزم الجيل السادس, MIMO الضخم, أمن الاتصالات اللاسلكية, شبكات موفرة للطاقة, التعلم المعزَّز العميق