Makine öğrenimiyle kümelenme: 5G ağ yükleme hızının siluetini çıkarmak

Telefonunuzdaki daha hızlı yüklemeler neden önemli

Canlı bir etkinliği yayınlamak, bir video görüşmesine katılmak veya telefondan büyük dosyalar göndermek, verinin cihazınızdan ağın geri kalanına ne kadar hızlı gidebildiğine—yani uplink'e—bağlıdır. Beşinci nesil (5G) mobil ağlar yüksek hız vaat etse de, kalabalık bir alandaki her kullanıcının gerçekten sorunsuz ve güvenilir bir deneyim yaşamasını sağlamak kolay değildir. Bu makale, basit makine öğrenimi yöntemlerinin bir 5G hücresinin aynı anda çok sayıda talepkar kullanıcıyı daha iyi yönetmesine, yükleme hızlarını artırmasına ve adil dağıtım sağlamasına nasıl yardımcı olabileceğini inceliyor.

Gerçek dünyada kalabalık bir küçük hücre

Çalışma, yarıçapı 250 metreye kadar olan bir alandaki on beş yakın kullanıcıya hizmet veren küçük bir 5G baz istasyonu olan “pikohücre”ye odaklanıyor—yoğun bir kafe, ofis katı veya stadyum köşesi gibi. Mükemmel koşullar varsaymak yerine, yazarlar sinyal zayıflaması ve yol kaybı gibi radyo dalgalarının engellerle etkileşiminden kaynaklanan yaygın etkileri içeren dört gerçekçi kablosuz ortamı simüle ediyor. Her kullanıcıya, deneyimin akıcı hissetmesi için karşılanması gereken minimum veri hızına sahip olan ses akışı, video görüşmeleri veya yüksek çözünürlüklü video gibi belirli bir servis türü atanıyor. Sistem, her kullanıcı için sinyal güçlerini, maruz kaldıkları paraziti ve baz istasyonuna geri bağlantılarının ortaya çıkan veri kapasitesini hesaplıyor.

5G vaatleri neden eksik kalıyor

Makine öğrenimi devreye girmeden önce araştırmacılar, bu küçük ağın daha geleneksel bir şekilde ele alındığında kullanıcılarına nasıl hizmet verdiğini inceliyor. Sadece 15 kullanıcıdan 9'unun (%60) servislerinin minimum gereksinimini karşılayacak kapasite aldığı görülüyor. Bazı kullanıcılar birkaç megabit/saniye düzeyinde verim elde ederken, diğerleri birkaç onlarca kilobit ile zar zor yetiniyor; bu da kesik kesik görüşmelere veya takılan videolara yol açıyor. Bu dengesizlik, kullanıcıların farklı mesafelerde ve açılarda baz istasyonuyla rekabet ettiği, sınırlı bant genişliğini paylaşan karmaşık ve sürekli değişen bir radyo kaynakları ortamından kaynaklanıyor.

Verinin kendisini gruplara ayırmasına izin vermek

Bunu çözmek için yazarlar, kümelenme adı verilen klasik bir denetimsiz makine öğrenimi yöntemine başvuruyor. Her kullanıcıyı izole olarak ele almak yerine, ağ benzer kanal koşullarına ve servis gereksinimlerine sahip kullanıcıları gruplayıyor. Çalışma K‑means, DBSCAN ve Gauss karışım modelleri olmak üzere üç kümelenme yöntemini karşılaştırıyor; ancak bu görev için K‑means'in en iyi sonucu verdiğini buluyor. K‑means hem basit hem de hızlıdır ve kullanıcı sayısıyla doğrusal ölçeklenmesi yoğun 5G hücrelerinde gerçek zamanlı kararlar için kritik öneme sahiptir. Algoritma her kullanıcı için üç temel bilgiyi kullanıyor: kanalın ne kadar iyi olduğu, mevcut veri hızı ve minimum gerekli servis hızı. Bu özellikler, hiçbirinin diğerlerini baskın hale getirmemesi için dikkatle ölçeklendirildikten sonra, K‑means hem radyo koşullarını hem de servis taleplerini yansıtan üç kullanıcı kümesi oluşturuyor.

Akıllı gruplaşmayı gerçek hız kazanımlarına dönüştürmek

Kullanıcılar kümelendiğinde, baz istasyonu her gruba bant genişliğini daha akıllıca tahsis edebiliyor; ihtiyaçları ve koşulları uyumlu olan kullanıcılar için kaynakları etkili şekilde “paketleyebiliyor.” Bu yeniden düzenleme hücrenin taşıdığı toplam veri miktarını önemli ölçüde artırıyor. Girdi özelliklerinin normalizasyonu ile toplam verim 19.39'dan 21.54 megabit/saniyeye yükseliyor—yaklaşık %11'lik bir iyileşme. En iyi performans gösteren küme içinde kullanıcılar birlikte 9.52 Mbps'lik kümülatif bir hız ve kullanıcı başına yüksek ortalama hız elde ediyor. Aynı derecede önemli olarak, artık her kullanıcı atandığı servisin minimum gereksinimini karşılıyor: video görüşmeleri, ses akışları ve HD video hedeflenen hızlarda veya üzerinde çalışıyor. Çalışma ayrıca, bu yaklaşımın daha fazla kullanıcı katıldıkça da verimli kaldığını; oysa hesaplama süresi çok hızlı artan daha ağır kümelenme tekniklerinin bunu başaramadığını gösteriyor.

Gelecekteki 5G deneyiminiz için anlamı

Basit bir ifadeyle, çalışma gösteriyor ki, nispeten basit makine öğrenimi bile 5G uplink bağlantıları için bir trafik yöneticisi gibi davranabilir; telefonları mantıklı gruplara ayırıp toplam kapasiteyi artırırken kullanıcıların geride kalmasını önleyecek şekilde bant dağılımı yapabilir. Ağ, tek tip, katı kurallara dayanmak yerine gözlemlediği gerçek sinyal koşullarına ve uygulama ihtiyaçlarına uyum sağlıyor. Yazarlar, gelecekteki sistemlerin kümeleri gerçek zamanlı güncelleyebileceğini, daha ileri öğrenme yöntemleri ekleyebileceğini ve bunu odaklanmış sinyal yönlendirme (beamforming) ile birleştirebileceğini öne sürüyor. Bu fikirler birlikte, telefonlara en çok güvendiğimiz kalabalık yerlerde hızlı ve adil 5G yüklemelerinin vaatlerini gerçeğe dönüştürebilir.

Atıf: 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

Anahtar kelimeler: 5G uplink, mobil genişbant, makine öğrenimi, kullanıcı kümelenmesi, ağ verimi