مع تزايد اعتماد الشبكات على بنى افتراضية ومفككة، أصبحت كفاءة استهلاك الطاقة ضرورة ملحة لأسباب اقتصادية وبيئية. تواجه الطرق التقليدية نماذج استهلاك الطاقة تحديات عديدة بسبب طبيعتها غير القادرة على التعامل مع العوامل الديناميكية وغير الخطية التي تؤثر على استخدام الطاقة.
في دراسة مثيرة، تم تسليط الضوء على استخدام نظريات استخراج الميزات وطرق التعلم الآلي القائم على الانحدار للتنبؤ باستهلاك الطاقة في الشبكات العامة الافتراضية (Open Radio Access Networks أو O-RANs). استخدمت الدراسة مجموعات بيانات من بيئة اختبارية مزودة بالأجهزة، وتم اختبار ثلاثة أنواع من الشبكات العصبية العميقة (Deep Neural Networks - DNN): الأول هو الشبكة العصبية العميقة العادية، والآخر شبكة متقنة التنظيم، والنموذج الثالث هو نموذج هجين يجمع بين استخراج الميزات المعتمد على DNN مع الانحدار باستخدام XGBoost.
لقد تم تقييم أداء هذه النماذج اعتمادًا على عدد من المعايير النظامية مثل مكاسب النقل، وأنظمة التعديل/الترميز، والزمن الهوائي. وأظهرت النتائج أن النموذج الهجين طور دقة كبيرة، حيث حقق متوسط خطأ نسبي أقل من 0.5%.
تشير النتائج إلى أن النماذج الهجينة مثل DNN-XGBoost تقدم دقة متفوقة، مما يتيح إدماجها في أدوات إدارة O-RAN لتعزيز تنظيم الشبكات بشكل أكثر كفاءة للطاقة في المستقبل. كيف تعتقد أن هذه التكنولوجيا ستؤثر على الشبكات المستقبلية؟ شاركونا آرائكم في التعليقات!