KI-gesteuertes Übergangsmanagement und Lastverteilungsoptimierung in ultra-dichten 5G/6G Mobilfunknetzen

Dieses Papier präsentiert eine umfassende Übersicht über das Übergangsmanagement und die Lastverteilungsoptimierung (LBO) in ultra-dichten 5G- und aufstrebenden 6G-Mobilfunknetzen. Mit dem zunehmenden Einsatz von Kleinzellen und dem raschen Anstieg des Datenverkehrs stehen diese Netzwerke vor erheblichen Herausforderungen, um nahtlose Mobilität und effiziente Ressourcenzuweisung zu gewährleisten. Traditionelle Übergangs- und Lastverteilungstechniken, die hauptsächlich für 4G-Systeme entwickelt wurden, sind nicht mehr ausreichend, um die Komplexität heterogener Netzwerkumgebungen zu bewältigen, die Millimeterwellenkommunikation, Internet der Dinge (IoT)-Geräte und unbemannte Luftfahrzeuge (UAVs) einbeziehen. Die Übersicht konzentriert sich darauf, wie aktuelle Fortschritte in der künstlichen Intelligenz (KI), insbesondere maschinelles Lernen (ML) und tiefes Lernen (DL), angewendet werden, um vorhersehbare Übergangsentscheidungen zu verbessern und eine Echtzeit- und adaptive Lastverteilung zu ermöglichen. KI-gesteuerte Lösungen können Übergangsfehler, Latenz und Netzwerküberlastung erheblich reduzieren, während sie gleichzeitig das Gesamterlebnis der Nutzer und die Dienstgüte (QoS) verbessern. Dieses Papier untersucht den neuesten Stand der Forschung zu diesen Techniken, kategorisiert sie nach ihren Anwendungsbereichen und bewertet ihre Leistungsgewinne und -beschränkungen. Darüber hinaus diskutiert das Papier die Integration intelligenter Übergangs- und Lastverteilungsmethoden in Szenarien smarter Städte, in denen ultra-dichte Netzwerke eine Vielzahl von Diensten mit hoher Zuverlässigkeit und niedriger Latenz unterstützen müssen. Wichtige Forschungslücken werden ebenfalls identifiziert, einschließlich des Bedarfs an standardisierten Datensätzen, energieeffizienten KI-Modellen und kontextbewussten Mobilitätsstrategien. Insgesamt zielt diese Übersicht darauf ab, zukünftige Forschung und Entwicklung bei der Gestaltung robuster, KI-unterstützter Mobilitäts- und Ressourcenmanagement-Frameworks für zukünftige drahtlose Systeme zu leiten.