دانلود ترجمه مقاله تحلیل کلان داده، یادگیری ماشین، و هوش مصنوعی در شبکه بی سیم

1. مقدمه 2. محرک ها و تکامل آنالیز در سیستم های بی سیم نسل بعد و هوش محاسباتی 3. یادگیری ماشین و هوش مصنوعی برای مدیریت پیچیدگی 4. پوشش داده محور و بهینه سازی ظرفیت شبکه های بی سیم سلولار نسل بعد 5. چالش ها و مزایا 6. نتیجه گیری

چکیده – نسل بعدی شبکه های بی سیم به دلیل نیازهای بسیار متنوع خدمات ، ناهماهنگی در برنامه ها ، دستگاه ها و شبکه ها ، به سیستم های بسیار پیچیده ای تبدیل می شوند. اپراتورهای شبکه باید از منابع موجود ، به عنوان مثال ، توان ، طیف و همچنین زیرساخت ها ، بهترین استفاده را ببرند. رویکردهای سنتی شبکه ، یعنی رویکردهای واکنشی ، مدیریت مرکزی ، یکسان برای همه و ابزارهای تجزیه و تحلیل متعارف داده ها که دارای قابلیت محدود (مکان و زمان) هستند، دیگر مناسب نبوده و نمی توانند به طور موثر شبکه های پیچیده آینده را در زمینه بهینه سازی هزینه و عملکرد تامین کنند. الگوی جدیدی از شبکه سازی کنش گرا ، خودآگاه ، خود انطباق پذیر و پیشگویانه مورد نیاز است. اپراتورهای شبکه به مقادیر زیادی از داده ها ، به ویژه از شبکه و مشترکان دسترسی دارند. بهره برداری سیستماتیک از ابرداده به طور چشمگیری به هوشمند سازی سیستم کمک کرده و عملکرد و بهینه سازی کارآمد و همچنین مقرون به صرفه را تسهیل می کند. ما شبکه های نسل بعدی بی سیم و داده محور را پیش بینی می کنیم که در آن اپراتورهای شبکه از تجزیه و تحلیل داده پیشرفته ، یادگیری ماشین (ML) و هوش مصنوعی استفاده می کنند. همچنین در مورد منابع داده ها و محرک های قوی برای استفاده از تجزیه و تحلیل داده ها ، و نقش ML ، هوش مصنوعی در هوشمند سازی سیستم با توجه به خودآگاهی ، خود انطباق پذیری ، پیش بینی و تجویز ، بحث می کنیم. مجموعه ای از الگوهای های طراحی و بهینه سازی شبکه در مورد تجزیه و تحلیل داده ها ارائه شده است. این مقاله با بحث در مورد چالش ها و مزایای استفاده از تجزیه و تحلیل ابرداده ها ، ML و هوش مصنوعی در سیستم های ارتباطی نسل بعدی نتیجه گیری می کند. مقدمه: در شبکه خدمات محور نسل بعدی ، یک زیرساخت واحد باید به طور کارآمد و انعطاف پذیر خدمات متنوعی مانند پهن باند سیار ارتقاء یافته ، ارتباطات بسیار قابل اتکاء و با تأخیر پایین و ارتباطات عظیم از نوع ماشین را ارائه دهد. همچنین باید از دسترسی های همزمان چندین استاندارد مانند نسل پنجم (5G) ، تکامل طولانی مدت (LTE) و Wi-Fi پشتیبانی کند. همچنین ، باید یک شبکه ناهمگن را با انواع مختلف ایستگاه های پایه (BS) ، به عنوان مثال ، ماکرو ، میکرو ، فمتو ، پیکو BS و دستگاه های مختلف کاربر و همچنین برنامه ها هماهنگ کند [1]. چالش برای عملکرد کارآمد شبکه ای که بتواند چنین انعطاف پذیری را تسهیل کند و در عین حال تقاضا های خدمات مختلف را تامین کند ، برای یک اپراتور شبکه بسیار گسترده است. علاوه بر این ، اپراتورهای شبکه در گسترش پوشش های خود و همراهی با تقاضاهای های روزافزون ظرفیت با سرمایه محدود و کمبود منابع مانند طیف با چالش های قابل توجهی روبرو هستند. پیکربندی دستی برای برنامه ریزی ، کنترل و بهینه سازی شبکه کارها را پیچیده تر می کند. علاوه بر این ، تعامل انسان و ماشین می تواند گاهی وقت گیر ، مستعد خطا و هزینه بر باشد. در نتیجه ، اتوماسیون نهادهای مختلف و عملکردهای شبکه های سلولی یکی از اصلی ترین نگرانی های اپراتورهای شبکه در خصوص کاهش هزینه های عملیاتی بوده است.

The next-generation wireless networks are evolving into very complex systems because of the very diversified service requirements, heterogeneity in applications, devices, and networks. The network operators need to make the best use of the available resources, for example, power, spectrum, as well as infrastructures. Traditional networking approaches, i.e., reactive, centrally-managed, one-size-fits-all approaches, and conventional data analysis tools that have limited capability (space and time) are not competent anymore and cannot satisfy and serve that future complex networks regarding operation and optimization cost effectively. A novel paradigm of proactive, self-aware, self-adaptive, and predictive networking is much needed. The network operators have access to large amounts of data, especially from the network and the subscribers. Systematic exploitation of the big data dramatically helps in making the system smart, intelligent, and facilitates efficient as well as cost-effective operation and optimization. We envision data-driven next-generation wireless networks, where the network operators employ advanced data analytics, machine learning (ML), and artificial intelligence. We discuss the data sources and strong drivers for the adoption of the data analytics, and the role of ML, artificial intelligence in making the system intelligent regarding being self-aware, self-adaptive, proactive and prescriptive. A set of network design and optimization schemes are presented concerning data analytics. This paper concludes with a discussion of challenges and the benefits of adopting big data analytics, ML, and artificial intelligence in the next-generation communication systems. Introduction: In a service-driven next-generation network, a single infrastructure needs to efficiently and flexibly provide diversified services such as enhanced mobile broadband, ultra-reliable and low-latency communications and massive machine type communications. It should also support coexistent accesses of multiple standards such the fifth generation (5G), long-term evolution (LTE) and Wi-Fi. Also, it should coordinate a heterogeneous network with different types of base stations (BSs), for example, macro, micro, femto, pico BSs and diverse user devices as well as applications [1]. The challenge to efficiently operate a network capable of facilitating such flexibility while satisfying the demands from diversified services is enormous for a network operator. On top of this, the network operators face considerable challenges in extending their coverages and keeping up with the ever-increasing capacity demands with a limited pool of capital and scarcity of resources such as spectrum. Manual configuration for network planning, control, and optimization will make things even more complicated. Moreover, the human-machine interaction can, sometimes, be time-consuming, susceptible to error and expensive. Consequently, automation of various entities and functions of the cellular networks has been one of the principal concerns of the network operators in consideration of reducing the operational expenses.

ترجمه این مقاله در 18 صفحه آماده شده و در ادامه نیز صفحه 12 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.