Минимизация вероятности разрыва и потребления энергии с помощью предсказания на основе глубокого обучения в D2D мм‑волновой связи

Почему ярлыки на вашем телефоне имеют значение

Когда два близко расположенных телефона обмениваются данными напрямую, не перенаправляя весь трафик через удалённую базовую станцию, загрузки проходят быстрее, а аккумуляторы служат дольше. Такая форма «ярлыка», называемая прямым устройством‑к‑устройству (D2D), особенно привлекательна на сверхвысоких радиочастотах — миллиметровых волнах — которые способны переносить огромные объёмы данных. Но эти каналы хрупки: стены, люди и даже движущиеся объекты могут прерывать сигналы, вызывая внезапные «разрывы» соединения и напрасную трату энергии. В этой работе исследуется, как сочетание стратегий поиска, вдохновлённых природой, и мозгоподобных нейронных сетей может сделать такие прямые каналы более надёжными и энергоэффективными.

Прямой разговор между соседними гаджетами

В грядущих системах 5G и далее телефоны, датчики и автомобили всё чаще будут общаться напрямую на коротких дистанциях. Обход базовой станции сокращает задержки, уменьшает перегрузку сети и может быть критически важен при чрезвычайных ситуациях, когда инфраструктура повреждена. Миллиметровые диапазоны предлагают широкие каналы для такого трафика, но с ограничениями: сигналы быстро затухают, легко блокируются и подвергаются флуктуациям помех. Инженеры оценивают риск того, что канал опустится ниже приемлемого уровня качества, через показатель «вероятность разрыва». Одновременно любое дополнительное передаваемое мощность съедает заряд батареи и нагружает плотную сеть. Задача состоит в том, чтобы удерживать низкую вероятность разрыва и одновременно сокращать энергию, которую тратит каждое устройство на передачу.

Картирование плотного беспроводного окружения

Авторы сначала строят математическую модель загруженной беспроводной сцены. Базовые станции, обычные сотовые пользователи и специализированные пары D2D равномерно распределены по области в соответствии с реалистичными пространственными паттернами, образующими естественные кластеры близких устройств. В рамках этой схемы они изучают три подхода к описанию покрытия: «когерентный» взгляд, где известны подробные сведения о позициях и каналах; «некогерентный» подход, использующий только долгосрочную статистику; и «одно‑кластерный» взгляд, фокусирующийся на помехах, создаваемых внутри одной группы. Для каждого случая они выводят формулы, связывающие ключевые величины, такие как отношение сигнал/помеха+шума, с вероятностью того, что канал останется выше выбранного порога качества. Эти формулы служат игровой площадкой, на которой методы оптимизации и обучения ищут лучшие настройки мощности.

Учимся у фламинго, лосей и спайков

Для снижения числа разрывов в работе предложен гибридный метод поиска под названием Flamingo Elk Herd Optimization (FEHO). Он имитирует два поведения животных: фламинго, исследующих большие области при поиске пищи, и лосей, точно корректирующих свои позиции внутри стада. Смешивая широкое исследование пространства и точную локальную настройку, FEHO ищет уровни передающей мощности для всех пар устройств, которые совместно минимизируют риск отказа каналов. Параллельно авторы используют глубокую спайковую нейронную сеть (DSNN) для решения задачи энергопотребления. Вместо работы с гладкими сигналами эта сеть обрабатывает информацию в виде всплесков, или спайков, ближе к тому, как работают биологические нейроны. Она наблюдает за паттернами разрывов во времени и обучается выбирать умный порог мощности: уровень, который сохраняет приемлемое покрытие при сокращении ненужной силы передачи. Вместе FEHO предлагает кандидатные настройки мощности, а DSNN предоставляет адаптивные пороги, отражающие реальные состояния канала.

Проверка нового метода

Команда оценивает их объединённую схему, названную FEHO+DSNN, с помощью обширных компьютерных симуляций в двух распространённых беспроводных сценариях: каналы Рэлея, моделирующие сильно рассеянные среды без явной прямой видимости, и каналы Риччиана, включающие доминирующий прямой путь. Они варьируют число пользователей и отношение сигнал/шум, чтобы отразить плотные городские развёртывания. В сравнении с несколькими современными подходами — включая другие оптимизаторы на основе роя, методы управления мощностью с помощью обучения и схемы на основе кэширования — новый подход стабильно сходится быстрее и достигает лучших компромиссов. Во многих случаях он сокращает среднюю передаваемую мощность на десятки децибел при сохранении (или улучшении) вероятности разрыва по сравнению с конкурентами, и делает это с временами вывода, достаточными для реального времени в живых сетях.

Что это значит для будущих беспроводных систем

Для неспециалиста вывод прост: эта работа показывает, что умные алгоритмы позволяют соседним устройствам общаться напрямую надёжнее и с меньшим расходом батареи, даже в капризных миллиметровых диапазонах. Комбинируя стратегию поиска, вдохновлённую групповым поведением животных, с нейронной сетью, обучающейся на событиях‑спайках, авторы создают систему, которая балансирует между поддержанием связи и экономией энергии. Их результаты позволяют предположить, что будущие телефоны, датчики и даже автомобили смогут поддерживать прочные короткодействующие связи, не работая постоянно на максимальной мощности. По мере того как беспроводные сети становятся плотнее и сложнее, такие адаптивные, энерго‑осознанные стратегии будут ключом к тому, чтобы наши цифровые разговоры оставались плавными, быстрыми и устойчивыми.

Цитирование: Bilal, N.M., Velmurugan, T. Minimization of outage probability and energy consumption by deep learning-based prediction in D2D mm wave communication. Sci Rep 16, 9006 (2026). https://doi.org/10.1038/s41598-025-34846-y

Ключевые слова: прямое устройство‑к‑устройству общение, миллиметроволновые сети, вероятность разрыва, энергоэффективная беспроводная связь, глубокие спайковые нейронные сети