ارائه کننده: جواد باقری وند
استاد راهنما: دکتر پاییز عزمی
استاد مشاور: دکتر نادر مکاری
استاد ناظر داخلی: دکتر مریم ایمانی آرانی
استاد ناظر خارج از دانشگاه: دکتر امیرمسعود ربیعی
تاریخ: 1403/06/26
ساعت: 14
مکان: دانشکده مهندسی برق و کامپیوتر – اتاق شورا دانشکده

چکیده:
شبکه‌های دسترسی رادیویی متن بازO-RAN  به دلیل قابلیت‌های پیشرفته در بهینه‌سازی و مدیریت منابع رادیویی، نقش مهمی در کاهش هزینه‌ها و افزایش کارایی شبکه‌های نسل پنجم و فراتر از آن ایفا می‌کنند. این شبکه‌ها با استفاده از هوش مصنوعی و الگوریتم‌های یادگیری ماشین، امکان مدیریت هوشمند منابع را در زمان‌های بلادرنگ و غیر بلادرنگ فراهم می‌آورند و با این روش می‌توانند نیازهای پیچیده کاربران را به‌صورت پویا و بهینه برآورده سازند.
در این پژوهش، مسئله بهینه‌سازی نحوه تخصیص منابع پردازشی بین ابر منطقه‌ای و ابر لبه در چارچوب O-RAN  مورد بررسی قرار گرفته است. از جمله چالش‌های اصلی، تصمیم‌گیری درباره نحوه توزیع پردازش‌ها میان این دو بستر ابری به‌گونه‌ای است که هم کیفیت خدمات کاربران تضمین شود و هم تأخیر و مصرف انرژی در شبکه به حداقل برسد. در این راستا، از الگوریتم‌های یادگیری تقویتی برای تخصیص بهینه منابع استفاده شده است.
هدف اصلی این تحقیق، به حداقل رساندن توان پردازشی و تأخیر کاربران در شبکه‌های ابری و رادیویی است. نتایج شبیه‌سازی نشان می‌دهد که استفاده از این روش‌ها می‌تواند به بهبود عملکرد شبکه، کاهش هزینه‌های عملیاتی و افزایش انعطاف‌پذیری در ارائه خدمات منجر شود. در نهایت، این تحقیق به اپراتورها کمک می‌کند تا با تخصیص بهینه منابع، به نیازهای کاربران به‌طور هوشمندانه پاسخ دهند.
این پژوهش همچنین به بررسی روش‌های ترکیبی برای استفاده از یادگیری تقویتی در تخصیص منابع می‌پردازد. در این روش، الگوریتم‌ها قادرند با در نظر گرفتن نیازهای مختلف کاربران و تغییرات زمانی در شبکه، تصمیمات بهینه‌ای برای جای‌گذاری واحدهای پردازشی در ابر منطقه‌ای یا ابر لبه اتخاذ کنند. استفاده از این روش‌ها نه تنها باعث کاهش سربار ارتباطات کنترلی و بهبود کارایی کلی شبکه می‌شود، بلکه امکان سازگاری بهتر با شرایط متغیر و ناهمگون شبکه را نیز فراهم می‌آورد. این رویکرد تطبیقی، عملکرد شبکه را در مواجهه با نیازهای پیچیده کاربران و افزایش بار ترافیکی به‌طور چشمگیری بهبود می‌بخشد.