Sažetak | Radijske mreže sljedeće generacije (tj. 5G i dalje), koje će biti iznimno dinamične i složene zbog ultra guste implementacije heterogenih mreža, predstavljaju mnoge kritične izazove za planiranje mreže, rad, upravljanje i rješavanje problema. Istodobno, generiranje i potrošnja radijskih podataka postaju sve više distribuirani uz stalnu promjenu paradigme od komunikacija usmjerenih na ljude, prema strojno orijentiranim komunikacijama, čineći rad budućih radijskih mreža još složenijim. U ublažavanju složenosti budućeg mrežnog rada, novi pristupi inteligentnog korištenja distribuiranih računalnih resursa s poboljšanom svjesnošću konteksta postaju iznimno važni. Zbog toga, novonastala arhitektura, kojoj je cilj distribuciju računalstva, pohrane, kontrole komunikacija i mrežnih funkcija približiti što bliže krajnjim korisnicima, ima veliki potencijal za omogućavanje učinkovitog rada budućih radijskih mreža. Ove obećavajuće vrste arhitektura čine usvajanje principa umjetne inteligencije (engl. Artificial Intelligence), koji uključuju učenje, rasuđivanje i mehanizme donošenja odluka, prirodnim izborom za projektiranje čvrsto integrirane mreže. U tu svrhu, ovaj rad pruža opsežnu analizu korištenja AI koji integrira tehnike strojnog učenja, analize podataka i obrade prirodnog jezika (engl. Natural language processing) za poboljšanje učinkovitosti rada radijske mreže. Opisano sam korištenje ovih tehnika za učinkovito prikupljanje podataka, otkrivanje znanja, planiranje mreže, rad i upravljanje radijskim mrežama sljedeće generacije. Priložena je i kratka studija slučaja koja koristi AI tehnike za ovu mrežu. |
Sažetak (engleski) | Next-generation wireless networks (i.e., 5G and beyond), which will be extremely dynamic and complex due to the ultra-dense deployment of heterogeneous networks, pose many critical challenges for network planning, operation, management, and troubleshooting. At the same time, the generation and consumption of wireless data are becoming increasingly distributed with an ongoing paradigm shift from people-centric to machine-oriented communications, making the operation of future wireless networks even more complex. In mitigating the complexity of future network operations, new approaches to intelligently utilizing distributed computational resources with improved context awareness become extremely important. In this regard, the emerging fog (edge) computing architecture aiming to distribute computing, storage, control, communication, and networking functions closer to end users, has great potential for enabling the efficient operation of future wireless networks. These promising architectures make the adoption of artificial intelligence (AI) principles, which incorporate learning, reasoning, and decision-making mechanisms, natural choices for designing a tightly integrated network. To this end, this article provides a comprehensive survey on the utilization of AI integrating machine learning, data analytics, and natural language processing (NLP) techniques for enhancing the efficiency of wireless network operation. The utilization of these techniques is described for efficient data acquisition, knowledge discovery, network planning, operation, and management of next-generation wireless networks. A brief case study utilizing the AI techniques for this network has also been provided.
Keywords: Artificial (machine) intelligence, context |