پروتکل‌های یادگیری ماشین سبز برای شبکه‌های ارتباطی آینده ۲۰۲۳
Green Machine Learning Protocols for Future Communication Networks 2023

یادگیری ماشین مزایای چشمگیری در حل مسائل پیچیده شبکه‌ای و ارائه پیش‌بینی موقعیت و پارامترها نشان داده است. با این حال، پردازش و تحلیل داده‌ها نیازمند منابع سنگینی است که می‌تواند به صورت آفلاین یا با استفاده از محاسبات لبه انجام شود، اما باز هم به منابع انتقال سنگینی برای ارائه پاسخی به موقع نیاز دارد. نیاز اصلی در اینجا ارائه پروتکل‌های یادگیری ماشین سبک‌وزن است که بتوانند داده‌ها را در زمان اجرا پردازش و تحلیل کرده و پاسخی به موقع و کارآمد ارائه دهند. این الگوریتم‌ها به دلیل در دسترس بودن مجموعه‌های داده بزرگ، از نظر محاسباتی و نیاز به حافظه رشد کرده‌اند. این مدل‌ها/الگوریتم‌ها همچنین به سطوح بالایی از منابع مانند محاسبات، حافظه، ارتباطات و ذخیره‌سازی نیاز دارند. تمرکز تا کنون بر تولید مدل‌های بسیار دقیق برای این شبکه‌های ارتباطی بوده است، بدون در نظر گرفتن مصرف انرژی این الگوریتم‌های یادگیری ماشین.

برای کاربردهای شبکه‌ای مقیاس‌پذیر و پایدار آینده، تلاش‌هایی در جهت طراحی پروتکل‌های یادگیری ماشین جدید و اصلاح پروتکل‌های موجود مورد نیاز است که انرژی کمتری مصرف کنند، یعنی پروتکل‌های یادگیری ماشین سبز. به عبارت دیگر، الگوریتم‌ها/پروتکل‌های یادگیری ماشین سبز جدید و سبک‌وزن برای کاهش مصرف انرژی مورد نیاز است که می‌تواند ردپای کربن را نیز کاهش دهد. برای تحقق پروتکل‌های یادگیری ماشین سبز، این کتاب جنبه‌های مختلف یادگیری ماشین سبز را برای شبکه‌های ارتباطی آینده ارائه می‌دهد. این کتاب به طور عمده پروتکل‌های یادگیری ماشین سبز را برای ارتباطات سلولی، مدل‌های مبتنی بر یادگیری فدرال و پروتکل‌ها برای شبکه‌های فراتر از نسل پنجم، رویکردهای ارتباطات مبتنی بر ابر و اینترنت اشیا برجسته می‌کند. این کتاب همچنین ملاحظات طراحی و چالش‌های پروتکل‌های یادگیری ماشین سبز را برای کاربردهای مختلف آینده برجسته می‌کند.

Machine learning has shown tremendous benefits in solving complex network problems and providing situation and parameter prediction. However, heavy resources are required to process and analyze the data, which can be done either offline or using edge computing but also requires heavy transmission resources to provide a timely response. The need here is to provide lightweight machine learning protocols that can process and analyze the data at run time and provide a timely and efficient response. These algorithms have grown in terms of computation and memory requirements due to the availability of large data sets. These models/algorithms also require high levels of resources such as computing, memory, communication, and storage. The focus so far was on producing highly accurate models for these communication networks without considering the energy consumption of these machine learning algorithms.

For future scalable and sustainable network applications, efforts are required toward designing new machine learning protocols and modifying the existing ones, which consume less energy, i.e., green machine learning protocols. In other words, novel and lightweight green machine learning algorithms/protocols are required to reduce energy consumption which can also reduce the carbon footprint. To realize the green machine learning protocols, this book presents different aspects of green machine learning for future communication networks. This book highlights mainly the green machine learning protocols for cellular communication, federated learning-based models, and protocols for Beyond Fifth Generation networks, approaches for cloud-based communications, and Internet-of-Things. This book also highlights the design considerations and challenges for green machine learning protocols for different future applications.