ارائه کننده: جواد باقری وند استاد راهنما: دکتر پاییز عزمی استاد مشاور: دکتر نادر مکاری استاد ناظر داخلی: دکتر مریم ایمانی آرانی استاد ناظر خارج از دانشگاه: دکتر امیرمسعود ربیعی تاریخ: ۱۴۰۳/۰۶/۲۶ ساعت: ۱۴ مکان: دانشکده مهندسی برق و کامپیوتر – اتاق شورا دانشکده

چکیده: شبکه‌ های دسترسی رادیویی متن بازO-RAN   به دلیل قابلیت‌ های پیشرفته در بهینه‌ سازی و مدیریت منابع رادیویی، نقش مهمی در کاهش هزینه‌ ها و افزایش کارایی شبکه‌ های نسل پنجم و فراتر از آن ایفا می‌ کنند. این شبکه‌ ها با استفاده از هوش مصنوعی و الگوریتم‌ های یادگیری ماشین، امکان مدیریت هوشمند منابع را در زمان‌ های بلادرنگ و غیر بلادرنگ فراهم می‌ آورند و با این روش می‌ توانند نیازهای پیچیده کاربران را به‌ صورت پویا و بهینه برآورده سازند. در این پژوهش، مسئله بهینه‌ سازی نحوه تخصیص منابع پردازشی بین ابر منطقه‌ ای و ابر لبه در چارچوب O-RAN   مورد بررسی قرار گرفته است. از جمله چالش‌ های اصلی، تصمیم‌ گیری درباره نحوه توزیع پردازش‌ ها میان این دو بستر ابری به‌ گونه‌ ای است که هم کیفیت خدمات کاربران تضمین شود و هم تأخیر و مصرف انرژی در شبکه به حداقل برسد. در این راستا، از الگوریتم‌ های یادگیری تقویتی برای تخصیص بهینه منابع استفاده شده است. هدف اصلی این تحقیق، به حداقل رساندن توان پردازشی و تأخیر کاربران در شبکه‌ های ابری و رادیویی است. نتایج شبیه‌ سازی نشان می‌ دهد که استفاده از این روش‌ ها می‌ تواند به بهبود عملکرد شبکه، کاهش هزینه‌ های عملیاتی و افزایش انعطاف‌ پذیری در ارائه خدمات منجر شود. در نهایت، این تحقیق به اپراتورها کمک می‌ کند تا با تخصیص بهینه منابع، به نیازهای کاربران به‌ طور هوشمندانه پاسخ دهند. این پژوهش همچنین به بررسی روش‌ های ترکیبی برای استفاده از یادگیری تقویتی در تخصیص منابع می‌ پردازد. در این روش، الگوریتم‌ ها قادرند با در نظر گرفتن نیازهای مختلف کاربران و تغییرات زمانی در شبکه، تصمیمات بهینه‌ ای برای جای‌ گذاری واحدهای پردازشی در ابر منطقه‌ ای یا ابر لبه اتخاذ کنند. استفاده از این روش‌ ها نه تنها باعث کاهش سربار ارتباطات کنترلی و بهبود کارایی کلی شبکه می‌ شود، بلکه امکان سازگاری بهتر با شرایط متغیر و ناهمگون شبکه را نیز فراهم می‌ آورد. این رویکرد تطبیقی، عملکرد شبکه را در مواجهه با نیازهای پیچیده کاربران و افزایش بار ترافیکی به‌ طور چشمگیری بهبود می‌ بخشد.