קיבוץ מונע למידת מכונה להצללת קצב העברת נתונים ב‑5G בגזרת העלאה

מדוע מהירות ההעלאה בטלפון שלך חשובה

שידור אירוע חי, הצטרפות לשיחת וידאו או שליחת קבצים גדולים מהטלפון — כל אלה תלויות עד כמה במהירות הנתונים יכולים לעבור מהמכשיר בחזרה לרשת — ההעלאה. למרות שרשתות הדור החמישי (5G) מבטיחות מהירויות גבוהות, להבטיח שכל משתמש באזור צפוף ייהנה משירות חלק ואמין הוא לא מובן מאליו. מאמר זה חוקר כיצד למידת מכונה פשוטה יכולה לסייע לתא 5G לנהל בו זמנית משתמשים רבים תובעניים, לשפר את מהירות ההעלאה ולטפל בהם בהגינות רבה יותר.

תא קטן צפוף בעולם האמיתי

המחקר מתמקד ב"פיקוצ'ל" — תחנת בסיס 5G קטנה המשרתת רק חמש־עשרה משתמשים בקרבת מקום בטווח של עד 250 מטר — תארו קפה עמוס, קומה במשרד או פינה באצטדיון. במקום להניח תנאים אידיאליים, המחברים מדמים ארבעה סביבות אלחוטיות מציאותיות, כולל השפעות נפוצות כמו דעיכת אות והיחלשות מסלול כאשר גל הרדיו מתפזר ומתנגש במכשולים. לכל משתמש מוקצה סוג שירות מסוים — שידור שמע, שיחות וידאו או וידאו בהגדרה גבוהה — כל אחד עם קצב מינימלי שיש להשיג כדי שהחווייה תרגיש חלקה. המערכת מחשבת, עבור כל משתמש, עד כמה חזק האות שלו, כמה התערבות (אינטרפרנס) הוא חווה ואת קיבולת הנתונים הנובעת מקישורו חזרה לתחנת הבסיס.

מתי ההבטחות של 5G לא עומדות בציפיות

לפני כניסת למידת המכונה לפתרון, החוקרים בוחנים כמה טוב הרשת הקטנה משרתת את המשתמשים כאשר מתייחסים אליה בשיטות מסורתיות יותר. הם מגלים שרק 9 מתוך 15 משתמשים (60%) מקבלים בפועל קיבולת מספקת כדי לעמוד בדרישה המינימלית של השירות שלהם. חלק מהמשתמשים נהנים ממספר מגהביטים לשנייה של קצב, בעוד שאחרים בקושי מרוויחים כמה עשרות קילוביטים, מה שמוביל לשיחות מקוטעות או לוידאו תקוע. חוסר האיזון הזה נובע מהעובדה שמשתמשים חולקים משאבי רדיו בסביבה מורכבת שמשתנה כל הזמן, כאשר מכשירים במרחקים וזוויות שונות מתחנת הבסיס מתחרים על רוחב פס מוגבל.

לאפשר לנתונים למיין את עצמם לקבוצות

כדי להתמודד עם הבעיה, המחברים פונים לשיטת למידת מכונה בלתי מפוקחת קלאסית הנקראת קיבוץ (clustering). במקום לטפל בכל משתמש בנפרד, הרשת מקבצת משתמשים שיש להם תנאי ערוץ דומים וצרכי שירות דומים. המחקר משווה בין שלוש שיטות קיבוץ — K‑means, DBSCAN ומודלים של תערובת גאוסיאנית — אך מגלה כי K‑means היא הטובה ביותר למשימה זו. היא גם פשוטה ומהירה, עם סיבוכיות קויתית ביחס למספר המשתמשים, מה שקריטי לקבלת החלטות בזמן אמת בתאי 5G עמוסים. האלגוריתם משתמש בשלוש תכונות עיקריות עבור כל משתמש: איכות הערוץ, קצב הנתונים הנוכחי וקצב השירות המינימלי הנדרש. לאחר שקילה מדויקת של התכונות כך שאף אחת מהן לא תדומיננטית, K‑means יוצרת שלוש קבוצות משתמשים המשקפות הן את תנאי הרדיו והן את דרישות השירות.

הפיכת קיבוץ חכם לרווחי מהירות ממשיים

לאחר שהמשתמשים מקובצו, תחנת הבסיס יכולה להקצות רוחב פס לכל קבוצה באופן חכם יותר, בצורה של "חבילה" של משאבים למשתמשים שצרכיהם ותנאיהם תואמים. ארגון מחדש זה מעלה באופן משמעותי את סך הנתונים שמועבר על ידי התא. עם נרמול התכונות הקלט, הקיבולת המצטברת עולה מ‑19.39 ל‑21.54 מגהביט לשנייה — שיפור של כ‑11%. בתוך הקבוצה בעלת הביצועים הטובים ביותר, המשתמשים יחד משיגים קצב מצטבר של 9.52 Mbps וקצב ממוצע לשימוש גבוה. לא פחות חשוב, כל משתמש כעת עומד בדרישה המינימלית של השירות המוקצה לו: שיחות וידאו, שידורי שמע ווידאו HD כולם פועלים בקצב המטרה או מעליו. המחקר מראה גם כי גישה זו נשארת יעילה ככל שמצטרפים יותר משתמשים, בניגוד לטכניקות קיבוץ כבדות יותר שזמן החישוב שלהן גדל מהר מדי.

מה זה אומר לחוויית 5G שלך בעתיד

באופן פשוט, המחקר מראה שגם למידת מכונה בסיסית יכולה לשמש כמנהל תנועה עבור קישורי העלאה ב‑5G, למיין טלפונים לקבוצות הגיוניות ולחלק רוחב פס באופן שמגביר את הקיבולת הכוללת ומונע שמשתמשים יוותרו מאחור. במקום להסתמך על חוקים נוקשים של פתרון אחד לכל המצבים, הרשת מתאימה את עצמה לתנאי האות ולצרכי האפליקציות שהיא רואה בפועל. המחברים מציעים שמערכות עתידיות יכולות ללכת רחוק יותר על‑ידי עדכון הקבוצות בזמן אמת, הוספת שיטות למידה מתקדמות יותר ושילוב זאת עם יישור אות ממוקד (beamforming). יחד, רעיונות אלה יכולים להפוך את הבטחת ההעלאות המהירות וההוגנות ב‑5G למציאות במקומות הצפופים שבהם אנו תלויים בטלפונים שלנו ביותר.

ציטוט: 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

מילות מפתח: העלאה ב‑5G, ברודבנד נייד, למידת מכונה, קיבוץ משתמשים, קצב רשת