JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 16, issue 01, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
Каландаров И.И.
д.т.н., профессор кафедры «Автоматизация и управление» Навоийского государственного
горно-технологического университета.
Ботиров Б.В.
магистрант Навоийского государственного горно-технологического университета.
Нуриддинов Ж.Х.
магистрант Навоийского государственного горно-технологического университета.
МОНИТОРИНГ И УПРАВЛЕНИЯ КАЧЕСТВОМ СИГНАЛА В СЕТЯХ 5G
Аннотация.
В статье рассмотрена проблема обеспечения качества передачи сигналов в
сетях 5G. Предложена модель автоматизированной системы мониторинга и управления
качеством сигнала, включающая алгоритмы оценки канала, обнаружения замедления и
динамического управления параметрами передачи. Приведены графики, схемы и
результаты тестирования.
Ключевые слова:
5G, качество сигнала, автоматизированный мониторинг, управление
каналом, QoS.
MONITORING AND MANAGEMENT OF SIGNAL QUALITY IN 5G NETWORKS
Annotation.
The article discusses the problem of ensuring the quality of signal transmission in
5G networks. A model of an automated signal quality monitoring and management system is
proposed, including algorithms for channel estimation, deceleration detection, and dynamic
control of transmission parameters. Graphs, diagrams, and test results are provided.
Key words:
5G, signal quality, automated monitoring, channel management, QoS.
5G TARMOQLARIDA SIGNAL SIFATINI NAZORAT QILISH VA BOSHQARISH
Annotatsiya.
Maqolada 5G tarmoqlarida signal uzatish sifatini ta'minlash muammosi muhokama
qilinadi. Avtomatlashtirilgan signal sifatini nazorat qilish va boshqarish tizimining modeli, shu
jumladan kanallarni baholash algoritmlari, sekinlashuvni aniqlash va uzatish parametrlarini
dinamik boshqarish taklif etiladi. Grafiklar, diagrammalar va test natijalari keltirilgan.
Kalit so’zlar:
5G, signal sifati, avtomatlashtirilgan monitoring, kanal boshqaruvi, QoS
Введение
Переход к сетям пятого поколения (5G) открыл новые горизонты в области
телекоммуникаций, обеспечив значительно более высокие скорости передачи данных,
минимальные задержки и возможность массового подключения устройств. Однако
высокая плотность сети, динамически меняющаяся нагрузка и различные характеристики
окружающей среды предъявляют новые требования к контролю и управлению качеством
сигнала.
Качество обслуживания (QoS — Quality of Service) и качество восприятия (QoE — Quality
of Experience) стали ключевыми показателями эффективности сетей 5G. Для их
обеспечения необходимо внедрение интеллектуальных систем мониторинга, способных в
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 16, issue 01, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
режиме реального времени выявлять ухудшения качества сигнала и автоматически
адаптировать параметры передачи.
В данной статье предлагается архитектура автоматизированной системы мониторинга и
управления качеством сигнала в сетях 5G. Внедрение такой системы позволяет не только
повысить устойчивость и производительность сети, но и оптимизировать использование
радио ресурсов.
Методы и модель
Система включает три ключевых уровня:
Сбор
данных
Используются датчики и сетевые агенты, встроенные в базовые
станции и пользовательские устройства
Анализ
Производится с использованием алгоритмов машинного обучения и
обработки сигналов
Управление
Динамическое изменение параметров сети через SDN-контроллеры и
модули самооптимизации
Модель использует входные параметры: уровень сигнала (RSSI); отношение сигнал/шум
(SINR); скорость передачи; нагрузка на ячейку; количество активных подключений.
На их основе производится динамическая оптимизация:
выбор модуляции (QPSK, 16-QAM, 64-QAM);
регулировка мощности передачи;
переключение между несущими частотами;
управление приоритетом трафика (QoS-классы).
Алгоритм адаптивного управления реализован с помощью метода Q-обучения:
� �, � = � �, � + �[� + γ ∗ ���� �
'
, �
'
− � �, � ]
где
Q(s,a)
— значение
Q
-функции (оценка полезности) для действия a в состоянии
s
,
�
—
коэффициент обучения, 0<α≤1,
r
— полученная награда за переход из состояния s в новое
состояние
s'
после выполнения действия
a
, γ — коэффициент дисконтирования, 0≤γ ≤1,
maxQ(s',a')
— наилучшее (максимальное) значение Q-функции для следующего состояния
s'
по всем возможным действиям
a'.
Результаты и анализ
Тестирование проводилось в лабораторной среде с использованием NS-3 и эмулятора
базовой станции Amarisoft. В таблице представлены сравнения работы стандартной и
интеллектуальной системы.
Параметр
Стандартная сеть
Предложенная система
Средний MOS
3.1
4.2
Задержка (мс)
28
14
Устойчивость
соединения (%)
87
98
Энергопотребление
18.5
12.3
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 16, issue 01, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
(мВт/сессия)
Потери пакетов (%)
4.5
1.2
Обсуждение
Предложенная система продемонстрировала высокую адаптивность и устойчивость к
различным сценариям нагрузки и помех. Автоматическое управление обеспечивало более
равномерное распределение ресурсов и минимальные значения джиттер и задержек.
Расчет джиттера осуществляется по формуле:
� =
1
� − 1
�=1
�−1
�
�+1
− �
�
− ∆�
где
�
�
— задержка
i
-го пакета,
∆�
— среднее значение межпакетной задержки.
Особое внимание следует уделить:
масштабированию в больших сетях;
надежности обработки Big Data в условиях ограниченных вычислительных ресурсов
на краю сети;
интеграции с существующими решениями NFV/SDN.
Заключение
Система автоматизированного мониторинга и управления качеством сигнала в сетях 5G
показала свою эффективность в лабораторных условиях. Применение алгоритмов
машинного обучения и динамической настройки параметров передачи позволяет
существенно улучшить показатели QoS и QoE.
Дальнейшие исследования будут направлены на внедрение нейросетей (CNN, RNN) для
прогнозирования состояния канала и развитие распределённой архитектуры с
использованием передовые вычисления.
Список использованной литературы:
1. ITU-R M.2083-0. IMT Vision - Framework and overall objectives of the future
development of IMT for 2020 and beyond.
2. 3GPP TS 38.300 V16.2.0: NR; Overall description; Stage-2 (Release 16)
3. Wang, C. X., Haider, F., Gao, X., You, X. H., Yang, Y., Yuan, D., ... & Aggoune, H. M.
(2014). Cellular architecture and key technologies for 5G wireless communication networks.
IEEE Communications Magazine.
4. Zhang, J., & Wang, L. (2020). Signal Quality Control in 5G Networks. Springer.
5. Li, G. Y., & Liu, Z. (2021). AI for 5G: Research directions and challenges. IEEE Network.
6. Bega, D., Gramaglia, M., Banchs, A., & Fiore, M. (2020). DeepCog: Cognitive Control for
5G Mobile Networks via Deep Reinforcement Learning. IEEE Journal on Selected Areas in
Communications.
7. Cisco Visual Networking Index. Forecast and Trends, 2020–2025.
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 16, issue 01, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
8. ETSI GS NFV-MAN 001 V1.1.1 (2014-12): Network Functions Virtualisation (NFV);
Management and Orchestration.
9. ITU-T Recommendation Y.3113 (2020): Framework for intelligent network management
based on machine learning techniques.
10. Raza, S., Wallgren, L., & Voigt, T. (2021). Edge Intelligence in 5G. ACM Computing
Surveys.
