منصة الرسائل والاطاريح: تصنيف محسّن لشرائح شبكات الجيل الخامس بالاعتماد على طرق تعليم الآلة

الخلاصة

ان الانتشار السريع لتكنولوجيا الجيل الخامس (5G) قد أدخلنا في عصر من الاتصال الاستثنائي، حيث تستوعب مجموعة واسعة من المستخدمين وتنقل كميات هائلة من البيانات. وسط هذا النمو، ظهر مفهوم شرائح الشبكة في بنية 5G كحل محوري. تتيح تقنية شرائح الشبكة إنشاء شبكات منطقية معزولة مصممة لتلبية متطلبات خدمة محددة، مما يحدث ثورة في مجال الاتصالات. ومع ذلك، يواجه هذا التقدم تحدياته الخاصة، حيث تتمثل إحدى أكبر العقبات في محدودية توفر مجموعات البيانات المناسبة لبناء نموذج قادر على تصنيف شرائح الشبكة التي تلبي متطلبات المستخدمين. بالإضافة إلى ذلك، تبرز الحاجة إلى اختيار شرائح الشبكة بطريقة تضمن أداءً مثاليًا للشبكة، بما في ذلك زمن استجابة منخفض وموثوقية عالية لكل شريحة. تقدم هذة الاطروحة منهجًا للتعامل مع تصنيف شرائح شبكة .5G يشمل البحث حالتين مقترحتين: الحالة ١ والتي تتضمن نموذجين: النموذج الاول وهو نموذج ذو مستويين يجمع بين decision tree, random forest و TabNet، والمصنف الهجينPSO-ANN ، صُمّم هذا النموذج من أجل تصنيف شرائح الشبكة مع القدرة على التعامل مع عدم توازن مصادر البيانات. حيث يتمثل الإسهام الرئيسي لهذا النموذج في استخدام نموذج هجين لتقليل وقت التدريب. و اعطى هذا النموذج اعلى معايير الأداء الحالية في جميع مقاييس الأداء. اما النموذج الثاني فهو نموذج محسّن ذو مستويين يجمع بين decision tree, random forest) (ANN، ونوع محسّن منTabNet ، صُمّم هذا النموذج لتصنيف شرائح الشبكة من خلال التعامل مع مصادر البيانات المجدولة. وقد أعطي نتائج جيدة مقارنة مع المعايير الحالية في جميع مقاييس الأداء. بالاضافة الى ما سبق يوفر كلا النموذجين إمكانية تقليل زمن الاستجابة وزيادة الموثوقية لتطبيقات 5G في الوقت الفعلي. اما بالنسبة للحالة ۲ فانها تتضمن نموذج يتعامل مع حالات ندرة البيانات؛ يعتمد النموذج على مبدأ التعلم بالتحويل باستخدام TabNet ومصنف.decision tree حيث يتم تدريب TabNet على مجموعة بيانات ضخمة من المجال المصدر لاستخراج الميزات والأنماط، بينما تتكيف عملية ضبط النموذج الدقيق مع المجال المستهدف، مما يعزز قدرته على تحديد أنماط خاصة بالمجال وتحسين دقة التصنيف. قد حقق النموذج الأول في الحالة الاولى دقةً تبلغ ٩۷٪، مقارنةً بنموذج المقارنة الذي سجل٩٦٫٦٪. بينما أظهر النموذج الثاني أداءً مشابهاً مع دقةٍ تبلغ ٩٨٪، مقارنةً بنموذج المقارنة الذي سجل ٩٦٫٦٪، علاوة على ذلك، أظهر نموذج الحالة الثانية وهو التعلم بالتحويل باستخدام (TabNet) تحسينات ملحوظة في الدقة، حيث تم استخدام ثلاث حالات من مجموعات البيانات المحدودة (١٠٠ و ۲٠٠ و ٣٠٠ عينة) تمثل سيناريوهات شبكة 5G، حيث وضحت نتائج التجارب أن منهج التعلم بالتحويل يحقق دقة تصنيف جيدة (۷٥٪ و ۷۷٪ و ۷٨٪) على التوالي لثلاث حالات من مجموعات البيانات مقارنة بحالات قبل استخدام التعلم بالتحويل حيث تكون الدقة (۷٠٪ و ۷٥٪ و ۷٣٪). أخيرًا، تشير الدقة العالية للنماذج المقترحة إلى إمكانية تقليل زمن الاستجابة وتحسين الموثوقية، وهو أمر حيوي للتطبيقات والخدمات في الوقت الفعلي