ПРЕДСКАЗАНИЕ КАЧЕСТВА ОБСЛУЖИВАНИЯ (QOS) В СЕТИ 5G: МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ И ГЛУБОКИХ НЕЙРОННЫХ СЕТЕЙ

АННОТАЦИЯ

Статья посвящена задаче предсказания качества обслуживания (QoS) в сетях 5G. Рассматриваются ключевые параметры QoS и методы их прогнозирования — от классических алгоритмов машинного обучения (Random Forest, Ridge Regression) до архитектур глубокого обучения (LSTM, MLP, Transformer). Обсуждаются актуальные проблемы: дефицит размеченных датасетов, интерпретируемость моделей и адаптация к динамическим условиям сети.

Ключевые слова: 5G, QoS, машинное обучение, глубокое обучение, LSTM, сетевая нарезка, задержка, пропускная способность.

Введение

Развёртывание сетей пятого поколения (5G) кардинально меняет требования к управлению телекоммуникационной инфраструктурой. Архитектурные особенности 5G (eMBB, URLLC и mMTC) создают принципиально разные профили качества обслуживания (QoS), которые необходимо гарантировать одновременно в одной физической сети. Традиционные реактивные механизмы не справляются с этой задачей, поэтому актуальны проактивные системы, способные предсказывать деградацию QoS и перераспределять ресурсы до нарушения соглашения об уровне обслуживания (SLA).

Особую роль прогностические системы играют в контексте сетевой нарезки (network slicing): каждый виртуальный срез требует индивидуальных гарантий — автономный транспорт не допускает задержку выше 1 мс, видеопотоковые сервисы нуждаются в стабильной пропускной способности, промышленный IoT — в высокой надёжности. Машинное и глубокое обучение предлагают универсальный инструментарий для моделирования этих зависимостей [3]. Цель работы — систематизировать подходы к предсказанию QoS-параметров в 5G и обозначить нерешённые проблемы.

Параметры QoS в сетях 5G

Качество обслуживания характеризуется задержкой (мс), пропускной способностью (Мбит/с), коэффициентом потери пакетов (%), джиттером (мс) и уровнем сигнала (дБм). Для URLLC задержка не должна превышать 1 мс при надёжности 99,999 %, для eMBB допускается до 10 мс при пиковой скорости 10 Гбит/с [1]. Сетевая нарезка усложняет задачу: ресурсы распределяются между срезами динамически, что требует точных прогнозов нагрузки с горизонтом от сотен миллисекунд до нескольких секунд [3].

Таблица 1.

Целевые параметры QoS для ключевых сценариев использования 5G

Методы предсказания QoS

Классические алгоритмы. Ridge и Lasso Regression применяются как базовые решения: быстрое обучение, высокая интерпретируемость, устойчивость на малых выборках. Однако линейное приближение не улавливает нелинейные эффекты нагруженных гетерогенных сетей [2]. Ансамблевые методы (Random Forest, XGBoost) эффективнее работают с нелинейными зависимостями: в работе [3] модель Random Forest достигла точности 100 % при предсказании типа сетевого среза, обеспечивая при этом оценку важности признаков.

Рекуррентные сети (LSTM). Метрики QoS — временные ряды, поэтому архитектуры LSTM стали одними из наиболее исследуемых. Barmpounakis et al. [4] предложили LSTM-механизм для приложений автоматизированной мобильности, позволяющий предсказывать пропускную способность с горизонтом до 5 с для превентивного управления стратегией вождения. Архитектура LSTM-Encoder-Decoder достигла точности 91,21 % при прогнозировании пропускной способности реальной сети 5G [5].

MLP и многоцелевое обучение. Dual-head архитектура (общее тело + две выходные головки) позволяет одновременно предсказывать задержку и пропускную способность, снижая ошибку по сравнению с двумя независимыми моделями [2].

Трансформеры. Модели на основе механизма внимания перспективны для долгосрочного предсказания QoS. Вероятностный подход [1] позволяет оценивать не только ожидаемое значение задержки, но и доверительный интервал — критически важно для URLLC-сценариев с жёсткими SLA-гарантиями.

Таблица 2.

Сравнение методов предсказания QoS в сетях 5G

Практические применения

Подключённый транспорт (V2X). Kousaridas et al. [6] описывают архитектуру 5G, формирующую прогноз QoS и доставляющую его транспортному средству для адаптации стратегии вождения. Palaios et al. [7] показали, что Random Forest, градиентный бустинг и LSTM дают сопоставимое качество, а определяющим фактором точности служит горизонт предсказания.

Управление срезами сети. В работе [3] ML-система обрабатывает признаки (тип среза, мобильность, приоритет, джиттер, нагрузка CPU) и заблаговременно обнаруживает деградацию без ручного мониторинга. LSTM-модели применяются также для масштабирования виртуальных сетевых функций (VNF): прогноз трафика позволяет быстрее реагировать на изменение нагрузки по сравнению с пороговыми решениями [4].

Актуальные проблемы

Дефицит датасетов. Большинство исследований используют синтетические или узкоспециализированные данные. Стандартизированный публичный датасет, охватывающий разных операторов и сценарии, отсутствует, что затрудняет объективное сравнение моделей [7].

Интерпретируемость. Операторы нуждаются в понятных выводах моделей. Методы XAI (SHAP, LIME) только начинают применяться в задачах предсказания QoS, и их интеграция в системы управления реального времени остаётся открытой задачей [7].

Адаптация и вероятностные гарантии. Статически обученные модели подвержены концептуальному дрейфу при смене паттернов трафика. Онлайн-обучение и few-shot learning перспективны для повышения адаптивности [4]. Для URLLC критичны не точечные прогнозы, а доверительные интервалы — байесовские и конформные подходы пока мало изучены применительно к сетевым метрикам в реальном времени [1].

Заключение

В работе систематизированы методы предсказания QoS в сетях 5G. LSTM и BiLSTM наиболее эффективны для временных рядов сетевых метрик (точность до 91,21 %) [5]; Random Forest превосходит другие методы на табличных данных с разнородными признаками; Transformer-архитектуры перспективны для вероятностных SLA-гарантий. Ключевые направления дальнейших исследований: открытые стандартизированные датасеты, вероятностные методы предсказания для URLLC и интеграция объяснимого ИИ в оперативное управление сетью.

Список литературы:

1. Probabilistic Delay Forecasting in 5G Using Recurrent and Attention-Based Architectures / arXiv. 2025. URL: https://arxiv.org/abs/2503.15297 (дата обращения: 06.06.2026).
2. Wireless Network Slicing Dataset / Kaggle. 2024. URL: https://www.kaggle.com/datasets/ziya07/wireless-network-slicing-dataset (дата обращения: 10.05.2026).
3. Research on 5G Network Slicing Type Prediction Based on Random Forest and Deep Neural Network // IEEE Conference Publication. 2023. URL: https://ieeexplore.ieee.org/document/10104899/ (дата обращения: 06.06.2026).
4. Barmpounakis S., Magoula L., Koursioumpas N. et al. LSTM-based QoS prediction for 5G-enabled Connected and Automated Mobility applications // IEEE 4th 5G World Forum (5GWF). 2021. PP. 436–440. URL: https://ieeexplore.ieee.org/document/9604941/ (дата обращения: 07.06.2026).
5. Santoso L. et al. A Framework for QoS Data Collection and Throughput Prediction in 5G Networks Using Deep Learning Models // International Journal on Communications Antenna and Propagation (IRECAP). 2024. URL: https://www.praiseworthyprize.org/jsm/index.php?journal=irecap&page=article&op=view&path%5B%5D=28311 (дата обращения: 10.06.2026).
6. Kousaridas A., Manjunath R. P., Perdomo J. et al. QoS Prediction for 5G Connected and Automated Driving / arXiv. 2021. URL: https://arxiv.org/abs/2107.05000 (дата обращения: 08.06.2026).
7. Palaios A., Vielhaus C. L., Külzer D. F. et al. Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches // IEEE Access. 2023. Vol. 11. PP. 92459–92477. DOI: 10.1109/ACCESS.2023.3303528. URL: https://arxiv.org/abs/2302.11966 (дата обращения: 08.06.2026).