Остання редакція: 2026-06-17
Анотація
Розглянуто сучасні тенденції розвитку бездротових комунікаційних систем нового покоління з акцентом на інтеграцію технологій когнітивного радіо (CR), неортогонального множинного доступу (NOMA), штучного інтелекту (AI) та машинного навчання (ML) у багатовимірних багатошарових 6G мережах. Проаналізовано основні виклики сучасних телекомунікаційних систем, зокрема дефіцит радіочастотного спектра, зростання навантаження мереж та необхідність підвищення спектральної й енергоефективності. Досліджено принципи функціонування когнітивних радіомереж та обґрунтовано ефективність їх інтеграції з технологією NOMA, що дозволяє формувати архітектуру CR-NOMA з підвищеною пропускною здатністю, покращеною якістю обслуговування та підтримкою масового підключення пристроїв Інтернету речей (IoT). Розглянуто можливості застосування методів штучного інтелекту та машинного навчання для інтелектуального управління ресурсами, прогнозування навантаження та оптимізації ме-режевих процесів.Проведено аналіз багатовимірних MLMD 6G мереж, визначено ключові проблеми їх розвитку та запропоновано підхід до адаптивного управління ресурсами, орієнтований на підвищення ефективності функціонування мереж і якості обслуговування користувачів.
INTELLIGENT INTEGRATED NETWORKS WITH INCREASED EFFICIENCY
Abstract
The modern trends in the development of next-generation wireless communication systems are considered, with an emphasis on the integration of cognitive radio (CR) technology, non-orthogonal multiple access (NO-MA), artificial intelligence (AI), and machine learning (ML) in multidimensional multi-layer 6G networks. The main challenges of modern telecommunication systems are analyzed, in particular the shortage of radio fre-quency spectrum, the increasing network load, and the need to improve spectral and energy efficiency. The principles of cognitive radio networks are studied, and the effectiveness of their integration with NOMA tech-nology is substantiated, enabling the formation of a CR-NOMA architecture with higher throughput, improved quality of service, and support for massive connectivity of Internet of Things (IoT) devices. The possibilities of applying artificial intelligence and machine learning methods for intelligent resource management, traffic load prediction, and optimization of network processes are considered.An analysis of multidimensional MLMD 6G networks is conducted, key development challenges are identi-fied, and an adaptive resource management approach is proposed, aimed at improving network performance efficiency and user quality of service.
Ключові слова
Посилання
1. Bepari, D., Misra, A., Mondal, S., Bala, I., Partial cooperative NOMA for improving outage performance of edge users. Int. J. Electron. Lett., 12, 1, 69-86, 2024.
2. Abd Elaziz, M., Al-qaness, M.A., Dahou, A., Alsamhi, S.H., Abualigah, L., Ibrahim, R.A., Ewees, A.A., Evolution toward intelligent communications: Impact of deep learning applications on the future of 6G technology. Wiley Interdiscip. Rev.: Data Min. Knowl. Discovery, 14, 1, e1521, 2024.
3. Ahokangas, P. and Aagaard, A., The Changing World of Mobile Communications: 5G, 6G and the Future of Digital Services, Springer Nature, 2024.
4. Chen, Y., Ren, Z., Xu, J., Zeng, Y., Ng, D.W.K., Cui, S., 2024. Integrated Sensing, Communication, and Powering (ISCAP): Towards Multi-functional 6G Wireless Networks, arXiv preprint arXiv:2401.03516.
5. Gao, H. and Li, F., The application of virtual reality technology in the teach ing of clarinet music art under the mobile wireless network learning environ ment. Entertain. Comput., 49, 100619, 2024.
6. Hafi, H., Brik, B., Frangoudis, P.A., Ksentini, A., Bagaa, M., Split Federated Learning for 6G Enabled-Networks: Requirements, Challenges and Future Directions. IEEE Access, 2024.
7. Vercic, A.T., Vercic, D., Coz, S., Spoljaric, A., A systematic review of digital internal communication. Public Relations Rev., 50, 1, 102400, 2024.