التجميع المدفوع بالتعلّم الآلي لتحديد吞吞 ‎(throughput) ‎شبكات 5G

لماذا تهم سرعات الرفع الأسرع على هاتفك

يعتمد بث حدث مباشر، الانضمام إلى مكالمة فيديو، أو إرسال ملفات كبيرة من هاتفك على مدى سرعة انتقال البيانات من جهازك إلى الشبكة — أي القناة الصاعدة. بينما تعد شبكات الجيل الخامس (5G) بسرعات فائقة، فإن ضمان تمتع كل مستخدم في مكان مزدحم بخدمة سلسة وموثوقة ليس أمراً بسيطاً. تستكشف هذه الورقة كيف يمكن لتقنيات بسيطة من التعلّم الآلي مساعدة خلية 5G على إدارة العديد من المستخدمين المجهدين في الوقت نفسه، مما يعزز سرعات الرفع ويجعل المعاملة أكثر عدلاً.

خلية صغيرة مزدحمة في العالم الحقيقي

تركّز الدراسة على «بيكوسيل»؛ محطة قاعدة صغيرة لشبكات 5G تخدم خمسة عشر مستخدماً قريباً ضمن نصف قطر يصل إلى 250 متراً — فكر في مقهى مزدحم، طابق مكتب، أو ركن في ملعب. بدلاً من افتراض ظروف مثالية، يحاكي المؤلفون أربعة بيئات لاسلكية واقعية، بما في ذلك تأثيرات شائعة مثل تلاشي الإشارة وفقدان المسار أثناء انتقال الموجات الراديوية وارتدادها حول العوائق. يُخصّص لكل مستخدم نوع خدمة معين — بث صوتي، مكالمات فيديو، أو فيديو عالي الدقة — لكل منها معدل بيانات أدنى يجب تحقيقه ليبدو الأداء سلساً. يحسب النظام، لكل مستخدم، قوة إشارته، وكمية التداخل التي يواجهها، والسعة الناتجة لوصلة الإرسال الخاصة به إلى المحطة الأساسية.

عندما تخفق وعود 5G

قبل تدخل التعلّم الآلي، يفحص الباحثون مدى جودة خدمة هذه الشبكة الصغيرة لمستخدميها إذا عُوملت بطريقة أكثر تقليدية. يجدون أن 9 مستخدمين فقط من أصل 15 (60٪) يحصلون فعلاً على سعة كافية لتلبية الحد الأدنى المطلوب لخدمتهم. يتمتع بعض المستخدمين بعدة ميغابت في الثانية من خلال، بينما يكاد آخرون يكدّون على بضع عشرات من الكيلوبت، مما يؤدي إلى مكالمات متقطعة أو فيديو متوقف. ينشأ هذا التفاوت لأن المستخدمين يتشاركون الموارد الراديوية في بيئة معقدة ومتغيرة باستمرار، حيث تتنافس الأجهزة الموجودة على مسافات وزوايا مختلفة من المحطة الأساسية على عرض نطاق محدود.

ترك البيانات لتصنف نفسها إلى مجموعات

للتصدي لذلك، يلجأ المؤلفون إلى طريقة تقليدية غير خاضعة للرقابة في التعلّم الآلي تُسمى التجميع (clustering). بدلاً من تعامل الشبكة مع كل مستخدم بمعزل عن الآخرين، تُجمّع الشبكة المستخدمين الذين لديهم ظروف قناة واحتياجات خدمة متشابهة. تقارن الدراسة ثلاث طرق للتجميع — K‑means وDBSCAN ونماذج خليط غاوسي — لكنها تجد أن K‑means تعمل الأفضل لهذه المهمة. فهي بسيطة وسريعة، وتزداد خطيتها مع عدد المستخدمين، وهو أمر حاسم لاتخاذ قرارات في الزمن الحقيقي داخل خلايا 5G المزدحمة. يستخدم الخوارزم ثلاث معلومات رئيسية لكل مستخدم: جودة القناة، معدل البيانات الحالي، والمعدل الأدنى المطلوب للخدمة. بعد موازنة هذه السمات بعناية بحيث لا يهيمن أحدها على الآخرين، يشكل K‑means ثلاث مجموعات مستخدمين تعكس كل من ظروف الراديو ومطالب الخدمة.

تحويل التجميع الذكي إلى مكاسب سرعة حقيقية

بمجرد تجميع المستخدمين، يمكن للمحطة الأساسية تخصيص عرض النطاق لكل مجموعة بذكاء أكبر، مجسدة عملية «تجميع» للموارد للمستخدمين الذين تتوافق احتياجاتهم وظروفهم. تؤدي هذه إعادة التنظيم إلى زيادة كبيرة في إجمالي البيانات التي تحملها الخلية. مع تطبيع سمات الإدخال، يرتفع إجمالي معدل النقل من 19.39 إلى 21.54 ميغابت في الثانية — تحسّن بنحو 11٪. داخل المجموعة ذات الأداء الأفضل، يحقق المستخدمون معاً معدل تراكمي يبلغ 9.52 ميغابت في الثانية ومتوسط مرتفع لكل مستخدم. وبقدر أهميته، يفي كل مستخدم الآن بالحد الأدنى المطلوب لخدمته المعيّنة: تعمل مكالمات الفيديو والبث الصوتي وفيديو HD عند أو فوق معدلاتها المستهدفة. تُظهر الدراسة أيضاً أن هذا النهج يظل فعالاً مع انضمام المزيد من المستخدمين، على عكس تقنيات التجميع الأثقل التي يزداد وقت حسابها بسرعة كبيرة.

ماذا يعني هذا لتجربة 5G المستقبلية لديك

بعبارات مبسطة، تُظهر الورقة أن حتى التعلّم الآلي البسيط يمكن أن يعمل كموجّه لحركة القناة الصاعدة في 5G، مصنّفاً الهواتف إلى مجموعات منطقية وموزعاً عرض النطاق بطريقة تزيد السعة الكلية وتمنع تخلف المستخدمين عن الركب. بدلاً من الاعتماد على قواعد جامدة موحدة للجميع، تتكيّف الشبكة مع ظروف الإشارة الفعلية واحتياجات التطبيقات التي تلاحظها. يقترح المؤلفون أن أنظمة المستقبل قد تذهب أبعد من ذلك من خلال تحديث المجموعات في الزمن الحقيقي، وإضافة أساليب تعلم أكثر تقدماً، ودمج ذلك مع توجيه الإشارة المركز (تشكيل الحزم). معاً، يمكن أن تجعل هذه الأفكار وعد رفع 5G السريع والعادل واقعاً في الأماكن المزدحمة التي نعتمد فيها على هواتفنا أكثر.

الاستشهاد: Ramesh, P., Bhuvaneswari, P.T.V. Machine learning driven clustering for silhouetting 5G network throughput. Sci Rep 16, 10583 (2026). https://doi.org/10.1038/s41598-026-45902-6

الكلمات المفتاحية: الرفع في 5G, النطاق العريض المتنقل, التعلّم الآلي, تجميع المستخدمين, معدل نقل الشبكة