Makine öğrenmesi yöntemleri kullanılarak radyo erişim ağları için dinamik radyo kaynak yönetimi

Yeni nesil ağlar ile beraber, haberleşme altyapısı, sadece telefon, bigisayar, televizyon gibi alışılagelmiş cihazlara değil ev aletleri, kitlesel endüstriyel makineler, uzak cerrahi robotlar, kendi sürüş kabiliyetine sahip arabalar gibi çevresiyle bağlantı kurmak isteyen her türlü cihaza hizmet verecektir. Bu durumda halihazırda kulanılan raDyo spektrumunun daha da kalabalıklaşması ve yetersiz kalması kaçınılmaz olacaktır. LTE teknolojisi spektrumda 700 MHz - 2.7 GHz aralığını kullanırken 5G ağların 450 MHz - 6 GHz ve 24.25 GHz - 52.6 GHz frekans aralıklarını kullanması planlanmaktadır. Bu tez kapsamında, yeni nesil ağlardaki kullanıcıların radyoya kabulü ve kaynak tahsisi problemi ele alınmıştır. Yeni nesil ağlarda, dikey sektörlerin de oyuna dahil olmasıyla beraber haberleşme altyapısından beklentiler farklılaşmış ve birbirinden ayrıklaşmıştır. Bu ayrık haberleşme ihtiyaçlarının aynı altyapı üzerinde karşılanabilmesi amacıyla, var olan ağı, farklı özelliklere sahip dilimlere ayırmak bir çözüm yolu olarak sunulmuştur. Ağ dilimleme konsepti, benzer ihtiyaçlara sahip kullanıcıları aynı ağ diliminde gruplayarak ağdaki sınırlı kaynağın dilimlerdeki kullanımını eniyilenmiş bir şekilde yönetmeyi sağlar. Ağdan beklenilen davranış düşük gecikme ihtiyacına sahip kullanıcı isteklerine yüksek öncelikle servis verirken aynı zamanda spektral verimi enbüyütmesidir. Bu tez kapsamında, yeni nesil karmaşık ağlardaki tek hücreli bir radyo kaynak tahsisi problemine derin Q-öğrenmesi (deep Q-learning, DQL) kullanılarak çözüm aranmıştır.