صفحه نخست

آموزش و دانشگاه

علم‌وفناوری

ارتباطات و فناوری اطلاعات

سلامت

پژوهش

علم +

سیاست

اقتصاد

فرهنگ‌ و‌ جامعه

ورزش

عکس

فیلم

استانها

بازار

اردبیل

آذربایجان شرقی

آذربایجان غربی

اصفهان

البرز

ایلام

بوشهر

تهران

چهارمحال و بختیاری

خراسان جنوبی

خراسان رضوی

خراسان شمالی

خوزستان

زنجان

سمنان

سیستان و بلوچستان

فارس

قزوین

قم

کردستان

کرمان

کرمانشاه

کهگیلویه و بویراحمد

گلستان

گیلان

لرستان

مازندران

مرکزی

هرمزگان

همدان

یزد

هومیانا

پخش زنده

دیده بان پیشرفت علم، فناوری و نوآوری
۰۹:۳۵ - ۱۶ ارديبهشت ۱۳۹۷

چاپ مقاله عضو هیات علمی واحد اردبیل از سوی انتشارات اشپرینگر

مقاله عضو هیات علمی دانشگاه آزاد اسلامی واحد اردبیل در زمینه استفاده از فناوری داده‌های عظیم در بهینه سازی شبکه‌های نسل جدید موبایل در انتشارات Springer انتشار یافت.
کد خبر : 277907

دکتر عباس میرزایی ثمرین در گفت‌وگو با خبرنگار آنا اظهار کرد: « این مقاله با عنوانBig Data based Self-Optimization Networking in Next Generation Mobile Networks به عنوان کاری مشترک با دکتر مرتضی براری؛ معاون وزیر ارتباطات و فناوری اطلاعات و رئیس سازمان فضایی کشور در انتشارات Springer انتشار یافت.»


وی بیان کرد: « یکی از چالش های پیش رو در ارائه سرویس های با نرخ بیت بالا در شبکه های موبایل نسل جدید، کنترل دسترسی و مدیریت منابع شبکه است.»


میرزایی افزود: « در این مقاله به منظور دست یابی به یک سطح کارایی قابل قبول، مدلی خودبهینه‏ ساز مبتنی بر شاخص های همسایگی ارائه شده است که با به کارگیری این مدل می توان امکان کنترل منابع و شاخص های مرتبط با روابط همسایگی شبکه موبایل را بدون دخالت نیروی انسانی و صرفا با تکیه بر هوشمندی شبکه ایجاد کرد. »


عضو هیات علمی دانشگاه آزاد اسلامی واحد اردبیل ادامه داد: « در راستای هرچه کاراتر کردن مدل مورد نظر و افزایش سطح صحت فرآیند تصمیم سازی از تکنیک داده های عظیم برای آنالیز داده ها استفاده شده است به گونه ای که در سمت فراسو، داده های کاربران از لایه کاربر به هسته شبکه در یک موتور خودبهینه ساز مورد آنالیز قرار گرفته و بر اساس اطلاعات معنایی استخراج شده از این داده ها، مرکز تصمیم گیری شبکه قادر خواهد بود پارامترهای شبکه و توزیع منابع را به صورت هوشمندانه تنظیم کند.»


میرزایی گفت: « نتایج حاصل شده از ارزیابی این مدل نشان می دهد که علیرغم حجم داده چندصد برابری مورد آنالیز، با تخصیص بهینه منابع و همچنین کاهش میزان بار سیگنالینگ شبکه، امکان بهبود شاخص های کارآیی مانند نرخ گذردهی شبکه تا حد 30 درصد نیز وجود دارد. »


وی افزود: « از طرفی وجود واحدهای استخراج ویژگی و انتخاب پارامتر در شرایط وجود تعداد پارامترهای زیاد، تا 25 درصد زمان پاسخگویی مدل خودبهینه ساز را کاهش می دهند. همچنین خروجی های عددی حاکی از ایده آل بودن استفاده از روش های یادگیری مبتنی بر بردارهای پشتیبان و البته افزایش سطح صحت تصمیم سازی مبتنی بر سیستم توصیه گر است.»


میرزایی افزایش سطح کیفیت سرویس در لینک فروسو و افزایش 15 درصدی سطح پوشش شبکه سلولی در شرایط SINR تامین شده با در نظر گرفتن پارامتر هزینه را می توان به عنوان نتایج مثبت این طرح عنوان کرد.



انتهای پیام/

ارسال نظر