دانلود پاورپوینت مقاله تحلیل کلان داده و یادگیری ماشین در شبکه وایرلس

در این تحقیق، یک مدل شبکه بی سیم نسل بعدی مبتنی بر داده ارائه شده است که در آن اپراتورهای شبکه برای انجام عملیات کارآمد، کنترل و بهینه سازی از تجزیه و تحلیل داده های پیشرفته، ML و AI بهره می گیرند. همچنین در این پاورپوینت، محرک‌های اصلی در تجزیه و تحلیل کلان داده ارائه شده است. همچنین در خصوص اینکه به چه طریقی ML، AI و هوش محاسباتی در تجزیه و تحلیل داده‌ها برای شبکه‌های بی‌سیم نسل بعدی حائز اهمیت هستند، مباحثی نیز مطرح می شود. علاوه بر این در این پاورپوینت، مجموعه ای از الگوهای طراحی و بهینه سازی شبکه نیز با توجه به تجزیه و تحلیل داده ها ارائه شده است. در پایان، در خصوص مزایا و چالش‌هایی که در انجام تجزیه و تحلیل کلان داده، ML و هوش مصنوعی در شبکه‌های بی‌سیم نسل بعدی پیش روی اپراتورهای شبکه قرار دارد، به بحث می پردازیم.

این پاورپوینت در 21 اسلاید آماده شده و در ادامه نیز اسلاید شماره 2 آن قرار داده شده است:

اپراتورها دائما شبکه های خود و حتی شاخص های اصلی عملکرد واحد (KPI) یا یک عنصر در شبکه را نیز به صورت مستقل بهینه سازی کرده و از تعداد کمی از منابع داده استفاده می کنند. همچنین اپراتورهای شبکه برای تصمیم گیری با استفاده از ابزارهای تحلیل داده های مختلف، بیشتر به KPI های انباشته شده در مکان ها و بخش های مختلف شبکه نیازمندند. علاوه بر این، نظارت و بهینه سازی شبکه غالبا بر روی داده های قدیمی و ثبت شده انجام می گیرد، اما این امر به طور قابل ملاحظه ای به محدود شدن ظرفیت آنها منجر می شود. در ضمن اپراتورهای شبکه می توانند به حجم گسترده ای از داده های شبکه ها و مشترکین خود دسترسی داشته و با تحلیل مناسب می توانند الگوها و همبستگی های نامشخص قبلی را نیز کشف کرده و تدابیر جدیدی را نیز در راستای بهبود عملکرد از سطوح مختلف شبکه های بی سیم اتخاذ کنند.

در ادامه، اسلاید شماره 15 این پاورپوینت، قرار داده شده است:

ارزشی که از طریق تحلیل برای بهینه سازی ایجاد می شود، از گسترش دامنه منابع داده و اتخاذ رویکرد مشتری محور و مبتنی بر کیفیت تجربه (QoE) به منظور بهینه سازی عملکرد شبکه انتها به انتها نشات می گیرد. همچنین برای افزایش تنوع منابع داده، تحلیل های بیشتری بایستی در زمینه بهینه سازی سنتی انجام شود، همچنین پلتفرم یکپارچه و همگرایی را نیز برای اهداف متعدد بهینه سازی ارائه می دهد. هم اکنون، در پروژه مشارکت نسل سوم (3GPP) برای تحلیل های خودکار هدایت و تفکیک ترافیک (بین دسترسی 3GPP و غیر 3GPP) تحلیل داده های شبکه (NWDA) مطرح  شده است. موسسه استانداردهای ارتباطات از راه دور اروپا (ETSI) گروه مشخصات صنعتی تحت عنوان هوش شبکه تجربی (ENI) را ایجاد کرده است که بر اساس تکنیک‌های هوش مصنوعی (Al) و سیاست‌های زمینه آگاه، یک معماری مدیریت شبکه شناختی را تبیین می‌کند. همچنین مدل ENI در زمینه خودکارسازی فرآیند پیکربندی و نظارت شبکه به نحو موثری به اپراتورهای شبکه کمک می کند.