В Московском физико-техническом институте (МФТИ) создали алгоритм на основе методов машинного обучения, который позволяет сделать беспроводную связь нового поколения более надежной, в том числе при быстро меняющихся условиях передачи сигнала. Алгоритм повышает емкость системы на 30-40%, что позволяет увеличить количество пользователей надежной связи. Результаты работы могут найти применение в сетях пятого и последующих поколений, где критически важны минимальные задержки и точная передача данных. Об этом CNews сообщили представители МФТИ.

Разработка сетей пятого и последующих поколений открывает возможности не только для более эффективной связи, но и для создания систем, где цена ошибки или задержки передачи данных критически высока: удаленная хирургия, управление беспилотным транспортом, «умные» энергосети и промышленная автоматика. При этом повышаются требования к надежности: задержка не должна превышать нескольких миллисекунд, а вероятность потери пакета – одной стотысячной доли процента.

Обеспечить такие жесткие параметры в реальных условиях эксплуатации крайне сложно. Качество беспроводного канала постоянно меняется из-за движения абонентов, помех и переотражений сигнала, решение о выборе параметров передачи необходимо принимать заранее, до момента фактической передачи. Существующие подходы, включая эвристические алгоритмы и классические нейросетевые модели, либо недостаточно точно прогнозируют изменения канала, либо игнорируют асимметрию последствий ошибок: завышенный прогноз грозит потерей пакета и срывом передачи, заниженный – приводит к нерациональному расходу ресурсов. Именно эту проблему – поиск баланса между надежностью и эффективностью в быстро меняющейся среде – разрешил ученый МФТИ.

«В основе исследования лежит применение нейросетевых моделей для решения ключевой проблемы сетей URLLC – выбора оптимального режима передачи данных в быстро меняющихся условиях канала связи. Традиционные методы не всегда позволяют обеспечить строгие требования по задержке (миллисекунды) и надежности (вероятность потери пакета менее 10⁻⁵), особенно в сценариях с высокой мобильностью пользователей, поэтому я решил изучить возможность применения нейросетевых алгоритмов», – сказал Кирилл Глинский, первый автор исследования, научный сотрудник лаборатории интеллектуальных систем связи МФТИ и лаборатории беспроводных сетей Института проблем передачи информации имени А.А.Харкевича Российской академии наук.

В результате разработан алгоритм ALPACA (Asymmetric Loss Prediction Algorithm for Channel Adaptation). В отличие от существующих подходов он учитывает асимметрию последствий ошибок прогноза и позволяет поддерживать требуемое качество связи даже в сложных мобильных сценариях. Алгоритм предсказывает изменение качества канала на основе так называемой сверточно-рекуррентной нейронной сети.

Корпоративная связь как инструмент продаж: почему бизнесу уже недостаточно просто минут и гигабайтов Телеком

Ключевое новшество заключается в использовании асимметричной функции потерь: ALPACA специально «штрафуется» за слишком оптимистичные прогнозы, которые могут привести к сбоям, что критично для URLLC. Такой подход позволяет снизить расход ресурсов канала до 40% по сравнению с существующими решениями и увеличить пропускную способность сети для обслуживания URLLC-приложений.

«Алгоритм протестирован на данных, полученных в ходе натурных экспериментов в условиях городской среды, а также на стандартизованных моделях каналов связи. Результаты показали стабильный прирост эффективности в различных сценариях, снизив потребление ресурсов канала более чем на 30 процентов без снижения надежности. Помимо алгоритма выбора сигнально-кодовой конструкции, в диссертации предложены метод выбора прекодера и способ определения момента для дообучения моделей, что позволяет системе адаптироваться к изменяющейся обстановке, повышая качество связи», – сказал Евгений Хоров, соавтор работы и заведующий лабораторией интеллектуальных систем связи МФТИ и лаборатории беспроводных сетей Института проблем передачи информации имени А.А.Харкевича Российской академии наук.

Результаты исследований опубликованы в научном журнале первого квартиля IEEE Access. Работа легла в основу кандидатской диссертации основного автора исследования 2026 г.

• Школа Роста CNews — короткие онлайн-программы по востребованным ИТ-компетенциям