АЛГОРИТМИ ПЛАНУВАННЯ РЕСУРСІВ ТА ПРОГНОЗУВАННЯ НАВАНТАЖЕННЯ В МОБІЛЬНИХ МЕРЕЖАХ 5G/6G
DOI: 10.31673/2412-4338.2025.038718
Анотація
У статті представлено комплексне дослідження алгоритмів планування ресурсів у мобільних мережах нового покоління з урахуванням специфіки обслуговування різнорідних типів трафіку. Проведено детальний аналіз класичних методів, серед яких Round Robin, Maximum C/I, Proportional Fair та їхні модифікації, спрямовані на забезпечення якості обслуговування. Показано, що традиційні алгоритми мають істотні переваги у простоті реалізації та рівномірності розподілу ресурсів, однак не здатні ефективно реагувати на високі вимоги до затримки та пропускної здатності у випадках URLLC та eMBB сервісів. У роботі розглянуто також сучасні підходи, що базуються на машинному та глибинному підкріплювальному навчанні, які демонструють високу гнучкість та адаптивність у сценаріях 5G/6G, але потребують значних обчислювальних ресурсів і масштабних навчальних вибірок.
Окрему увагу приділено методам контролю та прогнозування навантаження, що еволюціонували від реактивних механізмів, таких як Admission Control та Load Balancing, до інтелектуальних систем із використанням Big Data, когнітивного радіо та програмно-визначених мереж. У статті показано, що моделі ARIMA забезпечують базові можливості для короткострокового прогнозування трафіку, тоді як нейронні мережі типу LSTM дозволяють враховувати як часові, так і просторові залежності, підвищуючи точність оцінки навантаження у складних міських сценаріях.
У межах роботи проведено експериментальне дослідження на основі симуляції мобільної мережі з 60 користувачами та 10 ресурсними блоками, що дозволило оцінити ефективність різних алгоритмів у динамічних умовах. За результатами моделювання побудовано графіки пропускної здатності та середньої затримки, які підтвердили очікувану поведінку: Max-C/I забезпечує максимальну продуктивність, але нехтує справедливістю, PF демонструє компроміс між ефективністю та стабільністю, M-LWDF мінімізує затримку, тоді як DRL-подібний планувальник забезпечує збалансовану роботу мережі. Отримані результати доводять доцільність застосування гібридного підходу, що поєднує класичні методи з інтелектуальними алгоритмами, для забезпечення високої якості обслуговування та ефективного використання ресурсів у сучасних мобільних мережах.
Ключові слова: мобільні мережі, планування ресурсів, алгоритми, QoS, прогнозування навантаження, 5G, 6G, машинне навчання, підкріплювальне навчання, URLLC, eMBB, mMTC
