Асимметричный прогноз
Машинное обучение для беспроводной связи нового поколения
В Московском физико-техническом институте создан алгоритм на основе методов машинного обучения, который позволяет сделать беспроводную связь нового поколения более надежной, в том числе при быстро меняющихся условиях передачи сигнала. Алгоритм повышает емкость системы на 30–40%, что позволяет увеличить количество пользователей надежной связи.
Результаты работы могут найти применение в сетях пятого и последующих поколений, где критически важны минимальные задержки и точная передача данных.
Первый автор исследования, научный сотрудник лаборатории интеллектуальных систем связи МФТИ и лаборатории беспроводных сетей Института проблем передачи информации им. А. А. Харкевича Российской академии наук Кирилл Глинский
Фото: Пресс-служба МФТИ
Первый автор исследования, научный сотрудник лаборатории интеллектуальных систем связи МФТИ и лаборатории беспроводных сетей Института проблем передачи информации им. А. А. Харкевича Российской академии наук Кирилл Глинский
Фото: Пресс-служба МФТИ
Результаты исследований опубликованы в научном журнале первого квартиля IEEE Access, а также были представлены на престижной конференции IEEE INFOCOM, имеющей уровень CORE A*. В 2025 году ученый стал победителем всероссийского молодежного научного форума «Наука будущего — наука молодых». Результаты исследования легли в основу кандидатской диссертации основного автора, представление которой к защите запланировано на 2026 год.
Разработка сетей пятого и последующих поколений открывает возможности не только для более эффективной связи, но и для создания систем, где цена ошибки или задержки передачи данных критически высока: удаленная хирургия, управление беспилотным транспортом, «умные» энергосети и промышленная автоматика. При этом повышаются требования к надежности: задержка не должна превышать нескольких миллисекунд, а вероятность потери пакета — одной стотысячной доли процента.
Обеспечить такие жесткие параметры в реальных условиях эксплуатации крайне сложно. Качество беспроводного канала постоянно меняется из-за движения абонентов, помех и переотражений сигнала, решение о выборе параметров передачи необходимо принимать заранее, до момента фактической передачи. Существующие подходы, включая эвристические алгоритмы и классические нейросетевые модели, либо недостаточно точно прогнозируют изменения канала, либо игнорируют асимметрию последствий ошибок: завышенный прогноз грозит потерей пакета и срывом передачи, заниженный приводит к нерациональному расходу ресурсов. Именно эту проблему — поиск баланса между надежностью и эффективностью в быстро меняющейся среде — разрешил ученый МФТИ.
«В основе исследования лежит применение нейросетевых моделей для решения ключевой проблемы сетей URLLC — выбора оптимального режима передачи данных в быстро меняющихся условиях канала связи. Традиционные методы не всегда позволяют обеспечить строгие требования по задержке (миллисекунды) и надежности (вероятность потери пакета менее 10-5), особенно в сценариях с высокой мобильностью пользователей, поэтому я решил изучить возможность применения нейросетевых алгоритмов»,— рассказал Кирилл Глинский, первый автор исследования, научный сотрудник лаборатории интеллектуальных систем связи МФТИ и лаборатории беспроводных сетей Института проблем передачи информации им. А. А. Харкевича Российской академии наук.
В результате разработан алгоритм ALPACA (Asymmetric Loss Prediction Algorithm for Channel Adaptation). В отличие от существующих подходов, он учитывает асимметрию последствий ошибок прогноза и позволяет поддерживать требуемое качество связи даже в сложных мобильных сценариях. Алгоритм предсказывает изменение качества канала на основе так называемой сверточно-рекуррентной нейронной сети.
Ключевое новшество заключается в использовании асимметричной функции потерь: ALPACA специально «штрафуется» за слишком оптимистичные прогнозы, которые могут привести к сбоям, что критично для URLLC. Такой подход позволяет снизить расход ресурсов канала до 40% по сравнению с существующими решениями и увеличить пропускную способность сети для обслуживания URLLC-приложений.
«Алгоритм протестирован на данных, полученных в ходе натурных экспериментов в условиях городской среды, а также на стандартизованных моделях каналов связи. Результаты показали стабильный прирост эффективности в различных сценариях, снизив потребление ресурсов канала более чем на 30 процентов без снижения надежности. Помимо алгоритма выбора сигнально-кодовой конструкции, в диссертации предложены метод выбора прекодера и способ определения момента для дообучения моделей, что позволяет системе адаптироваться к изменяющейся обстановке, повышая качество связи»,— добавил Евгений Хоров, соавтор работы и заведующий лабораторией интеллектуальных систем связи МФТИ и лабораторией беспроводных сетей Института проблем передачи информации им. А. А. Харкевича Российской академии наук.