Altıncı nesile karşı yarış (6G) kablosuz ağ sadece daha yüksek veri oranları veya daha düşük gecikmeler hakkında değil; bu, akıllı, uyarlanabilir ve kendi kendini optimize eden bir iletişim malzemesi oluşturmakla ilgilidir.Bu makale, AI'nın gelişmiş 6G ağı protokollerini tanıttı, mimari yenilikleri kapsayan bir paradigmayı talep eder, araştırmacıların bugün öğrendiklerini ve yeniden çözdüğü zorlukları araştırır.

6G Networks'te AI için Imperative

Geleceğin ağları aşırı heterojenlik ile karakterize edilecek: insan merkezli mobil genişbant, büyük makine tipi iletişim, operasyonel verilerden soyutlama ve hizmet kalitesi için optimize edilen düşük seviyeli bağlantılar, enerji verimliliği ve güvenlik gibi yeni hizmetler için tam zamanlı olarak yapılandırılabilir.

Dinamik Kaynak Allocation ve Latency Azımı

AI'nın en acil katkılarından biri radyo kaynak yönetimidir. Derin takviye öğrenme (DRL) ajanları ağ durumunu sürekli olarak onarabilir - kanal koşulları, trafik yükleri, kullanıcı hareketliliği modelleri - ve gerçek zamanlı olarak, kirişler ve güç kontrolü, DRL tabanlı protokollerin aksine, özellikle de sabit bir aralıksız algoritma ile en az altı mil uzunluğundaki en az sayıdaki çarpışmalar için en kısa sürede en kısa sürede destekleyebilir.

Proaktif Trafik Mühendisliği

Fiziksel-katılım düzenlemeleri ötesinde, AI, temel ağ protokollerinin, bu tahminlerle birlikte kongestasyon tahminlerini tahmin etmesini sağlar. Zaman serisi tahmin modelleri, uzun kısa süreli bellek (LSTM) ağları veya dönüştürücü-yaralı mimariler, trafik akışları gibi olaylardan kaynaklanan artışları tahmin edebilir.Bu tahminlerle silahlı, ancak sonuçlar tespit edilen bir ağ geçidi veya uç noktaların etrafındaki aşırı yükleme ve akışlar gibi, bu proaktif mimarileri önlemek.Bu proaktif yaklaşım, daha önce kullanılan reaktif protokollerin işaret ettiği gibi, ancak daha sonra yanıt verebilir.

AI-Enhanced Security and Privacy protokolleri

6G, saldırı yüzeyi milyarlarca bağlantılı cihaz ve ultra-dense dağıtımları ile genişletiyor, geleneksel imza tabanlı güvenlik protokolleri yetersiz hale gelir. AI-güçlü güvenlik protokolleri normal davranışsal temelleri ve bayrak anomalileri gerçek zamanlı olarak öğrenerek yeni tehditlere adapte edilebilir.Ayrıca, bir veri odaklı ağdaki gizlilik koruması, ham kullanıcı verilerini açığa çıkarmadan AI'yı kullanan yeni protokol düzeyinde mekanizmaları gerektirir.

Gerçek Zaman Anomaly Tespiti

Adaptif güvenlik protokolleri, ağ kenarlarında çalışan denetimsiz makine öğrenme modellerini içerir. Bu modeller, agresif telemetri, erişim kalıpları ve sıfır günlük saldırıları veya kötü amaçlı yazılımlar yönlendirmesini tanımlamak için davranışları analiz edebilir.Finansal olmayan trafik veya izole edilmiş cihazlarla otomatik olarak sınırlayabilir. Örneğin, otoencoderseye dayanan bir protokol, uyku IoT sensöründen kaynaklanan bir güvenlik önlemlerinin belirlenmesi için gerekli olan bir protokoldür - bir statik kural çok öz-yeleyici bir şekilde bir sistemli bir şekilde kontrol edilebilir.

Gizlilik-Muhtemelen Öğrenme ile AI'yı Koruma

Hassas kullanıcı verilerini merkezileştirmeksizin akıllı protokolleri eğitmek için, beslenmek (FL) anahtar bir teknik olarak ortaya çıktı.Bir FL tabanlı protokolde, her ağ node (örneğin, bir temel istasyon veya kullanıcı cihazı) trenleri kendi verileri üzerinde yerel bir model ve sadece bir koordinasyonu olmadan (FLT) ile birlikte yapılan abonelikler, cihazın hiçbir zaman erişilebilirliğini düzeltemez.

Makine Öğrenme ile Adaptif Protokoller

Geleneksel ağ protokolü yığını bağımsız olarak tasarlanmış ve modülerdir. AI, protokollerin geleneksel sınırlarının ötesinde işbirliği yaptığını ortaya koyar. Örneğin, tek bir takviye öğrenme ajanı hem MAC programcı hem de ulaşım katmanının tıkanıklığını kontrol edebilir, izole optimizasyonlardan daha iyi son performans elde eder.

Protokolü Optimizasyonu İçin Zorlama Öğrenme

Dondurma öğrenme (RL) özellikle protokol tasarımı için uygundur, çünkü birçok ağ kontrol sorunu Markov karar süreçleri olarak çerçevelenebilir: bir ajan, devletteki en iyi politikaları takip eder (örneğin, bir DRL tabanlı TCP, bir kodlama planı ayarlar), ve bir ödül alır (örneğin, kablosuz kanal dalgalanmalarına dayanan, daha yüksek bir kesintiye yol açan) Deep RL, 5 milimetrede en iyi politikalara sahip olmak için bir adım daha ileri gider.

Kendi kendini optimize eden ağ Slicing

Network slicing, 6G için daha kritik olan 5G'nin bir temel taşıdır, ki dilimler her dilimde performans ve dinamik olarak ayarlandığında, yüksek teknolojiden 1 Gbps'ye kadar garantilidir. Graph micro ağları (GNNs) fabrika otomasyonu için 0.1 ms gecikmeli bir dilimleme işlemine olanak sağlar.

AI-Driven 6G protokolleri tarafından enabled

Adaptif protokollerin gerçek dünya etkisini takdir etmek için, belirli 6G kullanım vakalarını viability için AI'ya bağlı olarak incelemek yararlıdır. Bu senaryolar, hangi ağların hangi ağların yapabileceği ve protokol için uygun fiyatlılıklara hizmet edebilir.

Özerk Araçlar

Bağlantılı ve otonom araçlar (CAV) ultra-reliable düşük seviyeli iletişim (URLLC) kolektif algı ve işbirliği manevrası için güvenilir bir protokol, tahmin edilen kanal kalitesini artıran, hava koşullarını ve yol kenarındaki müdahaleleri kullanarak, mikrosaniyeye uyarabilir: Doğrudan araç-to-vehicle (V2V) bağlantıları ve ağ destekli rotalar arasında geçiş yapabilirler.

Immersive Augmented ve Sanal Gerçeklik

Genişletilmiş gerçeklik (XR) hizmetleri - özellikle 8K kararı, haptik geri bildirim ve çok kullanıcı etkileşimini içerenler - düşük jitter ile yüksek talep edilen 6G protokolleri, kullanıcının başı hareket ve ağ koşullarını en aza indirmek için değişkenleri desteklemeli. AI, kullanıcının son davranış alanını ve önceden boş bir şekilde ifade edebilir.

Kitlesel IoT ve Industrial Automation

6G'deki IoT cihazlarının sayısı muhtemelen kare kilometrelik bir süre boyunca 10 milyonu aşacaktır. Bu cihazlardan birçoğu batarya üzerinde çalışır ve minimum enerji tüketimi gerektirir. Adaptif protokoller, cihazı aktivite modellerini tahmin etmek için AI'yı kullanır - sadece sıcaklık bir eşiği aştığında rapor eder - ve radyoyu boş zaman zaman zaman zaman zaman zamanlayıcı süreler boyunca derin bir uykuya sokabilir. AI öğrenme modelleri, doğrusal bir yedekleme süresini azaltmak için eklenebilir ve tekrarlanabilir bir şekilde tekrarlanabilir.

Meydanlar ve Açık Araştırma Sorunları

Umut verici ilerlemelere rağmen, AI'yı büyük bir ölçek üzerinde ağ protokollerine entegre etmek zorluklarla doludur. Bu, 6G'den önce ele alınması gereken bir kolaylıktır, AI-native protokolleri tamamen kullanabilir.

C ⁇ Eklenmeler ve Enerji Verimliliği

Ağ düğümleri üzerinde derin öğrenme modelleri yürütmek - özellikle radyo kenarında - gerçek zamanlı operasyon için yeterince AI protokolleri oluşturmak için güç bütçesine sahip olmayabilir.Bu tür bir verimlilik artışıyla tasarruf edilen enerjiye karşı her milisaniye. Yeşil AI - eğitim modelinin karbon ayak izi en aza indirmek için özel donanım hızlandırıcıları (örneğin, sinir işleme birimleri) en aza indirmek için, akıllı protokollerin hayal edilmesi gereken akıllı protokollerin hayal gücü, eğitim modellerinin optimize edilmesi gerekir.

AI Modellerinde Açıklanabilirlik ve Güven

Network operatörleri, AI-güdümlü bir protokolin neden belirli bir karar verdiğini anlamak gerekir, özellikle de bu karar binlerce kullanıcıyı veya bir güvenlik duruşunu tehlikeye atarak tehditler.Seks modelleri, AI modellerinin güven puanlarını ve uygun olmayan açıklamaları sağlamasını gerektirir.Intelif güvenlik önlemlerinin, dijital ikizler ve kum kutularının tahmin edilmesi nedeniyle, dijital dağıtım için hassas testler de içerir.

Standartlaştırma ve Interoperability

Farklı satıcılar AI çözümlerini kendi şekillerde uygularlar, O-RAN Alliance gibi girişimler AI/ML arayüzünü çok sayıda kez çalıştırmaya yönelik olarak tanımlarlar, ancak bu çerçevede 6G protokolüne standart olarak hizmet eder. Ayrıca, protokollerin birden fazla zaman ölçeklerde çalışması gerekir - mikro saniyeler boyunca mikro-gerçek zamanlı RAN akıllı kontrolörler için de bu ölçekler boyunca hızlanır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

5G'den 6G'ye geçiş sadece daha hızlı radyolar hakkında değil; dinamik kaynak tahsisi ve mahremiyetten korunmaya yönelik ağ protokollerinin elde edilebilmesini sağlar. Ancak, bu AI odaklı protokollerin gerçek zamanlı olarak verimli hale getirilmesi ve optimize edilmesine yardımcı olan protokollerin gerçek zamanlı olarak öğrenilmesine olanak sağlar. Dinamik kaynak tahsis edilmesi ve proaktif trafik mühendisliğinden, öğrenme ve güvenlik ve mahremiyetten yararlanarak, AI, ağ protokollerinin elde edebileceğine dair 6 gerçek zamanlı olarak, doğrulanabilir ve optimize edilmiş bir şekilde bilgi için, dijital olarak, dijital iletişim kurmaca yönelik 6 gerçek zamanlı olarak, dijital iletişim kurmaca yönelik bir destek sağlar.