Instytut
Telekomunikacji

Sieci bezprzewodowe stały się ważną częścią naszego codziennego życia, ale rzadko zastanawiamy się jakie zasoby radiowe wymagane są do zapewnienia poprawnego działania tych sieci. Podczas gdy niektóre systemy radiowe, takie jak LTE, używają dedykowanego pasma radiowego (zakupionego od organów regulacyjnych), istnieją też techniki, które działają w nielicencjonowanych pasmach częstotliwości, np. Wi-Fi. Popularność sieci Wi-Fi jest bardzo duża. W samym 2020 r. sprzedano ponad 4 miliardy urządzeń Wi-Fi. Istnieją prognozy, że do 2022 r. ponad połowa całego ruchu internetowego będzie korzystała z tej techniki, a na świecie będzie ponad pół miliarda hotspotów Wi-Fi. W związku z nieustannie gwałtownym wzrostem ruchu i liczby urządzeń użytkowników, niezwykle ważne staje się znalezienie metod poprawy wydajności lokalnych sieci bezprzewodowych działających w pasmach nielicencjonowanych. Ze względu na dużą złożoność tego problemu, optymalizacja wydajności staje się coraz trudniejsza do wykonania przy użyciu dostępnych metod inżynierskich. Sposobem na rozwiązanie tego problemu jest skorzystanie z możliwości, jakie daje sztuczna inteligencja. W ramach projektu chcemy zastosować uczenie maszynowe (ang. machine learning, ML), które stanowi podzbiór sztucznej inteligencji, do optymalizacji pracy sieci bezprzewodowych. Dzięki uczeniu maszynowemu, algorytmy mogą podejmować decyzje na podstawie zebranych danych bez konieczności wcześniejszego ich zaprogramowania (jak ma to miejsce w przypadku klasycznych algorytmów komputerowych). Wśród różnych metod uczenia maszynowego wyróżniają się rozwiązania polegające na tzw. uczeniu się przez wzmocnienie (ang. reinforcement learning) ponieważ obejmuje ono pojęcie inteligentnych agentów (np. urządzenia sieciowe) podejmujących działania (np. dobór parametrów) w określonym środowisku (np. łączność bezprzewodowa) w celu maksymalizacji nagrody (np. przepustowość użytkownika). Ponieważ obecne urządzenia sieciowe mają duże możliwości obliczeniowe, optymalizacja pracy sieci bezprzewodowej może być w najbliższym czasie przeprowadzana za pomocą ML. Gdy przyjrzymy się najnowszym osiągnięciom w tym obszarze, to potencjał wykorzystania ML do poprawy wydajności sieci bezprzewodowych staje się oczywisty. Zauważyliśmy jednak, że istnieje obiecujący obszar badań związanych z poprawą wydajności sieci bezprzewodowych poprzez odpowiednie zarządzanie zasobami radiowymi. Wstępne badania obydwu zespołów (AGH oraz TUB) potwierdziły możliwość zastosowania ML do takich problemów. W projekcie planujemy stosować metody ML w celu poprawy wydajności przyszłych sieci bezprzewodowych. Naszą pracę chcemy oprzeć na przyszłych standardach, takich jak Wi-Fi 7 (IEEE 802.11be). W projekcie chcemy rozwiązać problemy związane z alokacją zasobów i wyborem parametrów. Planujemy dostarczyć znaczące wyniki dla społeczności naukowej, a w przyszłości współpracować z firmami w celu poprawy działania opracowywanych przez nich urządzeń. Uważamy, że proponowany projekt jest pierwszym krokiem do wprowadzenia innowacyjnych rozwiązań na rynek, które będą korzystne zarówno dla użytkowników końcowych jak i operatorów.