Evdeki IoT araçları için 5g'de makine öğrenmesi algoritmalarını kullanarak ağ dilimleme yönetimi

5G, 4G'den sonra sadece hız ve kaliteyi artırmakla kalmadı, getirdiği yepyeni teknolojilerle yeni alanların gelişmesine de olanak sağladı. 5G'nin çığır açan teknolojilerinden biri ağ dilimlemedir. Ağ dilimleme, fiziksel katman üzerinde aynı anda birden çok sanal dilim oluşturarak, tek bir baz istasyonunun bu dilimleri özelleştirmesine ve hizmetini farklı özellik ve gereksinimlere göre iyileştirmesine olanak tanır. Ağ dilimleme sayesinde günümüzün en hızlı gelişen teknolojilerinden biri olan Nesnelerin İnterneti (IoT) veya Ultra Güvenilir Düşük Gecikmeli İletişim (URLLC) için ayrı özelleştirmelere sahip sanal dilimler oluşturulmaktadır. Ağ dilimleme için iyileştirilmesi gereken en büyük alanlardan biri kaynak tahsisidir. Kaynak tahsisi baz istasyonunun dilimlere dağıtması gereken bant genişliğidir. Bu genişliğin doğru ayarlanması oldukça kritiktir. Literatürde kaynak tahsisi problemine farklı çözümler sunulmuştur. Makine öğrenmesi ile kaynak tahsisini tahmin etmeye çalışan çalışmalar olduğu gibi, derin öğrenme ile optimizasyon sağlamaya çalışan çalışmalar da bulunmaktadır. Tezde problem birden fazla algoritma ile çözülmeye çalışılmıştır. Bu sorunu çözmek için öncelikle Karışık Tamsayılı Doğrusal Programlama (MILP) çözücüsü olan Gurobi ile doğru sonuçlar alınmaya çalışılmıştır. Daha sonra Gurobi'yi diğer buluşsal çözümlerle farklı senaryolarda karşılaştırılmıştır.