راهنمای جامع زمان‌بندی در 5G: از الگوریتم‌های کلاسیک تا هوش مصنوعی

• 20/6/2026
• 12-دقیقه زمان مطالعه

فهرست مطالب

سلام! امروز می‌خوام درباره یکی از جذاب‌ترین، پیچیده‌ترین و در عین حال پنهان‌ترین بخش‌های شبکه‌های مخابراتی صحبت کنم. وقتی صحبت از شبکه‌های موبایل نسل پنجم یا همان 5G می‌شود، معمولاً تیتر اخبار پر است از سرعت‌های گیگابیتی، جراحی‌های از راه دور و ماشین‌های خودران. اما به عنوان یک مهندس شبکه یا محقق، احتمالاً از خودتان پرسیده‌اید: «در پس‌زمینه، چه نیرویی این هرج‌ومرجِ درخواست‌های همزمان را مدیریت می‌کند؟» پاسخ در یک مفهوم زیربنایی به نام زمان‌بندی (5G Scheduling) نهفته است. در این پست، می‌خواهیم کلاه مهندسی‌مان را سرمان بگذاریم و به صورت عمیق و تخصصی (اما با زبانی روان و دوستانه) بررسی کنیم که یک 5G Scheduler چگونه کار می‌کند، الگوریتم‌های کلاسیکی مثل Proportional Fair و Round Robin چه هستند، و چرا برای آینده این شبکه‌ها چاره‌ای جز پناه بردن به هوش مصنوعی نداریم.

۱. مقدمه: چرا زمان‌بندی در 5G تا این حد مهم است؟

تصور کنید در یک استادیوم شلوغ نشسته‌اید. ده‌ها هزار نفر به طور همزمان در حال آپلود ویدیو، برقراری تماس تصویری و پیام دادن هستند. در همین حین، در خیابان مجاور استادیوم، یک خودروی خودران در حال دریافت داده‌های حیاتی برای ترمز اضطراری است.

در اینجا با دو نوع ترافیک کاملاً متفاوت روبرو هستیم: ترافیک حجیم کاربران استادیوم، و ترافیک به شدت حساسِ خودروی خودران. ایستگاه پایه (gNodeB) چگونه باید منابع محدود فرکانسی خود را بین این کاربران تقسیم کند؟ اگر منابع به خودرو نرسد، فاجعه رخ می‌دهد. اگر به کاربران استادیوم نرسد، تجربه کاربری (QoE) نابود می‌شود.

دقیقاً همین‌جاست که الگوریتم‌های تخصیص منابع (Resource Allocation in 5G) و زمان‌بندی وارد عمل می‌شوند. مشکل اصلی این است که هیچ زمان‌بندِ واحدی وجود ندارد که بتواند تمام نیازمندی‌های متناقض شبکه را به طور همزمان و بی‌نقص برآورده کند. پیدا کردن این نقطه تعادل، جام مقدس تحقیقات شبکه‌های بی‌سیم امروزی است.

۲. زمان‌بندی در 5G اصلاً یعنی چه؟

برای درک بهتر، بیایید شبکه را به قطعات کوچک‌تر تقسیم کنیم. در مخابرات مدرن (بر پایه OFDMA)، پهنای باند فرکانسی و زمان به واحدهای بسیار کوچکی به نام Resource Block (RB) یا بلوک‌های منبع تقسیم می‌شوند.

• در محور فرکانس: مجموعه‌ای از زیرحامل‌ها (Subcarriers).

• در محور زمان: شیارهای زمانی (Slots) یا نمادهای OFDM.

وظیفه یک 5G Scheduler در لایه MAC شبکه این است که در بازه‌های زمانی بسیار کوتاه (مثلاً هر یک میلی‌ثانیه یا در 5G حتی در سطح Mini-slots که کسری از میلی‌ثانیه است)، تصمیم بگیرد: ۱. کدام بلوک‌های فرکانسی-زمانی (RBs) به کدام کاربر اختصاص یابد؟ ۲. از چه نوع مدولاسیون و کدگذاری (MCS) استفاده شود تا با کیفیت سیگنال کاربر همخوانی داشته باشد؟

این فرآیند بخشی از یک مفهوم بزرگ‌تر به نام مدیریت منابع رادیویی (Radio Resource Management - RRM) است. تصمیم‌گیری باید در کسری از چشم‌برهم‌زدن انجام شود، وگرنه شبکه دچار اختلال می‌شود.

۳. دسته‌بندی سرویس‌ها در 5G: نبرد نیازها

برخلاف 4G که تمام تمرکزش روی اینترنت پهن‌باند بود، شبکه 5G یک چاقوی سوئیسی است که باید سه دسته سرویس کاملاً متفاوت را مدیریت کند:

• eMBB (Enhanced Mobile Broadband): اینترنت پهن‌باند و پرسرعت. همان چیزی که برای دانلود فیلم 4K یا واقعیت افزوده (AR) نیاز دارید. در اینجا، «ظرفیت کل شبکه» و «سرعت ماکزیمم» حرف اول را می‌زنند.

• URLLC (Ultra-Reliable Low-Latency Communications): ارتباطات فوق‌مطمئن با تاخیر بسیار کم. کاربرد آن در اینترنت اشیای صنعتی، رباتیک و ماشین‌های خودران است. در اینجا، سرعت بالا مهم نیست، بلکه قطعیتی با دقت ۹۹.۹۹۹٪ و تاخیری زیر ۱ میلی‌ثانیه حیاتی است. اینجاست که تضمین QoS in 5G (کیفیت سرویس) به یک چالش نفس‌گیر تبدیل می‌شود.

• mMTC (Massive Machine Type Communications): اتصال میلیون‌ها سنسور و دستگاه اینترنت اشیا (IoT) با مصرف باتری بسیار کم در یک منطقه کوچک.

الگوریتمی که برای eMBB عالی کار می‌کند، ممکن است باعث نقض الزامات تاخیر در URLLC شود. این تضاد منافع، ریشه تمام تحقیقات مدرن در زمینه Scheduling است.

۴. الگوریتم‌های سنتی زمان‌بندی: پیرمردهای کارکشته‌ی شبکه

قبل از اینکه به سراغ هوش مصنوعی برویم، باید بدانیم در دهه‌های گذشته شبکه‌ها چگونه مدیریت می‌شدند. سه الگوریتم زیر، اسکلت‌بندی شبکه‌های 3G تا 5G را تشکیل داده‌اند:

راند رابین (Round Robin Scheduler)

الگوریتم راند رابین ساده‌ترین و شاید احمقانه‌ترین (البته از نظر کارایی رادیویی!) الگوریتم موجود باشد. این الگوریتم دقیقاً شبیه صف نانوایی عمل می‌کند. کاربران به خط می‌شوند و شبکه به هر کدام، فارغ از کیفیت سیگنالشان، به مقدار مساوی بلوک منبع (RB) اختصاص می‌دهد.

• چگونه کار می‌کند: به صورت چرخشی (Cyclic) منابع را بین کاربران فعال تقسیم می‌کند.

• مزایا: عدالت در آن مطلق است (Absolute Fairness). هیچ‌کس از گرفتن سرویس محروم نمی‌شود و پیاده‌سازی آن تقریباً هیچ بار پردازشی سنگینی ندارد.

• معایب: به شدت ناکارآمد است. اگر کاربری در زیرزمین یک ساختمان (با کیفیت کانال بسیار بد) قرار داشته باشد، شبکه زمان و فرکانس زیادی را تلف می‌کند تا به او سرویس بدهد، در حالی که در همان زمان می‌توانست به ده‌ها کاربر با شرایط رادیویی عالی سرویس دهد. در نتیجه، Throughput (گذردهی کل) شبکه به شدت افت می‌کند.

• موارد استفاده: امروزه به ندرت به تنهایی استفاده می‌شود، مگر در شبکه‌هایی که ظرفیت بسیار بالاست و شرایط کانالِ همه کاربران تقریباً مشابه است.

بیشترین نسبت سیگنال به نویز (Max C/I Scheduler)

این الگوریتم قطب مخالف راند رابین است و کاملاً بر اساس منطق «بقای اصلح» کار می‌کند. شبکه در هر لحظه وضعیت کانال کاربران (Channel Quality Indicator - CQI) را چک می‌کند و تمام منابع را به کاربری می‌دهد که در آن لحظه بهترین سیگنال را دارد.

• چگونه کار می‌کند: در هر TTI، کاربری انتخاب می‌شود که مقدار C/I (Carrier-to-Interference Ratio) بالاتری دارد.

• مزایا: حداکثر استفاده از ظرفیت سلول (Maximum Cell Throughput). شبکه مانند یک قطار سریع‌السیر داده‌ها را جابجا می‌کند.

• معایب: بی‌عدالتی مطلق. کاربرانی که در لبه‌های سلول (Cell Edge) هستند یا تداخل زیادی دارند، ممکن است تا ابد در صف بمانند؛ پدیده‌ای که در شبکه‌ها به آن «گرسنگی» (Starvation) می‌گویند.

تسهیم متناسب (Proportional Fair Scheduler - PF)

چون هیچ‌کدام از دو روش بالا در دنیای واقعی جوابگو نبودند، محققان الگوریتم Proportional Fair را خلق کردند؛ الگوریتمی که تبدیل به قلب تپنده شبکه‌های LTE و 5G شد. در الگوریتم PF، سعی می‌شود یک نقطه تعادل ریاضی بین سرعت و عدالت پیدا شود.

• منطق ریاضی: زمان‌بند در هر بازه زمانی ، شاخصی به نام متریک PF را برای هر کاربر محاسبه می‌کند:

  که در آن نرخ داده‌ی در دسترسِ کاربر بر اساس کیفیت فعلی کانال او است (شبیه Max C/I)، و میانگین داده‌هایی است که کاربر تا این لحظه دریافت کرده است (عنصر عدالت).

• چگونه کار می‌کند: اگر کاربری تا الان دیتای کمی گرفته باشد، مخرج کسر او کوچک می‌شود و در نتیجه شانس انتخاب شدنش (حتی با کانال متوسط) بالا می‌رود.

• مزایا: ایجاد یک تعادل طلایی بین افزایش ظرفیت کل سیستم و جلوگیری از گرسنگی کاربران ضعیف‌تر.

• معایب: محاسبات مکرر آن بار پردازشی بالاتری نسبت به روش‌های قبلی دارد. مهم‌تر از همه، PF هیچ درکی از تاخیر (Delay) ندارد و در برابر نیازهای URLLC کاملاً کور است.

سایر رویکردها (WRR, QoS-aware, Delay-aware)

برای رفع محدودیت‌های الگوریتم‌های پایه، مهندسان از نسخه‌های اصلاح‌شده استفاده می‌کنند:

• Weighted Round Robin (WRR): به برخی کاربران بر اساس پلن قیمتی یا نوع سرویس، وزن (اولویت) بیشتری می‌دهد.

• Delay-aware Schedulers: الگوریتم‌هایی (مثل M-LWDF) که علاوه بر کیفیت کانال، به میزان نزدیک شدن بسته‌های داده به سقف تاخیر مجاز (Packet Delay Budget) نیز نگاه می‌کنند تا قبل از منقضی شدن بسته، آن را ارسال کنند.

۵. جدول مقایسه الگوریتم‌های کلاسیک

برای جمع‌بندی، نگاهی به این جدول مینیمال و کاربردی بیندازیم:

۶. چرا الگوریتم‌های سنتی دیگر برای 5G (و بعد از آن) کافی نیستند؟

اگر PF این‌قدر خوب است، چرا امروز ده‌ها هزار مقاله تحقیقاتی جدید درباره 5G Scheduling نوشته می‌شود؟ دلیل آن پیچیدگی‌های بی‌سابقه شبکه‌های جدید است:

1. انفجار تعداد دستگاه‌ها: ما دیگر با چند گوشی هوشمند سروکار نداریم. هزاران سنسور در هر کیلومتر مربع باید مدیریت شوند.

2. برش شبکه (Network Slicing): یک شبکه فیزیکی 5G به چندین شبکه مجازی (Slices) تقسیم می‌شود. زمان‌بند باید در لایه MAC بتواند منابع را بین اسلایس یک بیمارستان (URLLC) و اسلایس یک سرویس VOD (eMBB) طوری تقسیم کند که به هیچ‌کدام آسیبی نرسد (Isolation).

3. ادغام با TSN (Time-Sensitive Networking): در شبکه‌های صنعتی، 5G باید بتواند با پروتکل‌های کابلیِ حساس به زمان سینک شود. اینجا تاخیرِ «متغیر» (Jitter) حکم سم را دارد و الگوریتم‌های کلاسیک نمی‌توانند Jitter را در حد میکروثانیه کنترل کنند.

4. دینامیک بالای محیط: سرعت حرکت بالا (مثل پهپادها یا قطارهای سریع‌السیر) باعث می‌شود وضعیت کانال رادیویی (CSI) در کسری از ثانیه تغییر کند. معادلات ثابتِ PF برای واکنش به این تغییرات به اندازه کافی سریع نیستند.

۷. مسیرهای تحقیقاتی آینده: پیش به سوی شبکه‌های هوشمند

اینجا دقیقاً همان جایی است که مرزهای علم مخابرات با علوم کامپیوتر و هوش مصنوعی تلاقی می‌کند. آینده از آنِ الگوریتم‌هایی است که یاد می‌گیرند و خود را تطبیق می‌دهند.

الف) یادگیری ماشین (Machine Learning) و یادگیری تقویتی

داغ‌ترین موضوع این روزها، استفاده از یادگیری تقویتی عمیق (Deep Reinforcement Learning - DRL) در مدیریت منابع رادیویی است. در این روش، به جای نوشتن فرمول‌های صلب ریاضی، یک «عامل هوشمند» (Agent) در ایستگاه پایه قرار می‌دهیم.

• حالت (State): عامل، وضعیت بافرهای کاربران، کیفیت کانال‌ها و نیازمندی‌های QoS را می‌بیند.

• اقدام (Action): عامل تصمیم می‌گیرد کدام RBs را به کدام کاربران اختصاص دهد.

• پاداش (Reward): اگر تاخیر URLLC حفظ شد و سرعت eMBB بالا بود، عامل پاداش می‌گیرد؛ اگر بسته‌ای منقضی شد، جریمه می‌شود.

مزیت: این مدل‌ها می‌توانند الگوهای پیچیده و غیرخطی ترافیک را یاد بگیرند و بسیار هوشمندانه‌تر از PF عمل کنند.

ب) چالش‌های هوش مصنوعی (AI Challenges) در شبکه‌های موبایل

با وجود جذابیت ML، استفاده از آن در دنیای واقعی چالش‌های عظیمی دارد:

• جعبه سیاه بودن (Black-Box): اپراتورها نمی‌توانند به شبکه‌ای که نمی‌فهمند چگونه تصمیم می‌گیرد، برای سرویس‌های حیاتی (مثل جراحی) اعتماد کنند. نیاز به هوش مصنوعی توضیح‌پذیر (Explainable AI) داریم.

• محدودیت‌های زمان واقعی (Real-time Constraints): زمان‌بندی باید در کمتر از ۱ میلی‌ثانیه انجام شود. اجرای شبکه‌های عصبی عمیق در این زمان کوتاه، نیازمند سخت‌افزارهای بسیار گران‌قیمت یا فشرده‌سازی مدل‌هاست.

• مشکل همگرایی: اگر الگوریتم در یک محیط جدید (مثلاً شرایط جوی جدید) قرار گیرد، ممکن است تا زمان یادگیریِ مجدد، باعث افت شدید کیفیت شبکه شود (مشکل Safety).

ج) تکنیک‌های بهینه‌سازی نوین

علاوه بر هوش مصنوعی، رویکردهای ریاضی پیشرفته‌تری نیز در حال توسعه‌اند. به عنوان مثال بهینه‌سازی لیاپانوف (Lyapunov Optimization) یکی از ابزارهای قدرتمند برای پایدار نگه داشتن صف‌های داده در طولانی‌مدت است. همچنین استفاده از الگوریتم‌های فراابتکاری (Metaheuristics) و ترکیب آن‌ها با الگوریتم‌های قطعی، از زمینه‌های پرطرفدار در تزهای دکتری است.

د) فراتر از 5G: به سوی 6G

در شبکه‌های 6G، ما به سمت معماری‌های مبتنی بر نیت (Intent-based Networking) می‌رویم. یعنی شما به شبکه می‌گویید: “من یک ارتباط امن و بدون تاخیر برای این دسته از ربات‌ها می‌خوام” و خود شبکه با استفاده از همزادهای دیجیتال (Digital Twins) بهترین مدل زمان‌بندی را شبیه‌سازی و روی آنتن پیاده می‌کند. همچنین مفهوم مخابرات معنایی (Semantic Communications) در حال شکل‌گیری است که در آن زمان‌بند به جای ارسال کورکورانه بیت‌ها، فقط “مفاهیم و معانی” ضروری را زمان‌بندی می‌کند!

۸. نظرات شخصی من: در جستجوی الگوریتم بی‌نقص

به عنوان کسی که ساعت‌ها با شبیه‌سازهای شبکه و معادلات بهینه‌سازی سر و کله زده‌ام، شخصاً فکر می‌کنم ما هیچ‌وقت به یک “الگوریتم زمان‌بندی بی‌نقص” نخواهیم رسید. دلیلش واضح است: فیزیک امواج رادیویی و محدودیت‌های تئوری شانون به ما اجازه نمی‌دهند همزمان همه چیز را در بهترین حالت داشته باشیم.

گرایش شدید آکادمیک به سمت هوش مصنوعی بسیار هیجان‌انگیز است، اما در عمل و در تجهیزات واقعی اپراتورها، پیاده‌سازی این مدل‌ها به دلیل پردازش سنگین هنوز جای کار دارد. به نظر من، برنده‌های واقعی در دهه آینده، رویکردهای هیبریدی (Hybrid) خواهند بود؛ رویکردهایی که از سرعت و پایداری الگوریتم‌های کلاسیک (مثل PF) استفاده می‌کنند، اما پارامترها و وزن‌های آن‌ها در پس‌زمینه توسط یک هوش مصنوعیِ ناظر بر اساس شرایط شبکه تنظیم می‌شود.

۹. نتیجه‌گیری

زمان‌بندی یا Scheduling قلب تپنده‌ی شبکه 5G است. ما از روزهایی که با راند رابین منابع را مساوی اما ناکارآمد تقسیم می‌کردیم، گذر کردیم. با الگوریتم Proportional Fair توانستیم اینترنت 4G را به بلوغ برسانیم. اما امروز، چالش‌های بی‌سابقه‌ی شبکه‌های 5G، به ویژه تضاد بین نیازمندی‌های eMBB و URLLC، ما را وادار کرده تا به دنبال راه‌حل‌های هوشمندتر، انعطاف‌پذیرتر و مبتنی بر داده (Data-driven) بگردیم.

مسیر پیش رو پر از چالش‌های جذاب مهندسی است؛ از پیاده‌سازی عملیاتی یادگیری تقویتی گرفته تا ادغام دقیق سخت‌افزار و نرم‌افزار در شبکه‌های Open RAN.

شما چه فکر می‌کنید؟ آیا فکر می‌کنید هوش مصنوعی روزی به صورت کامل جایگزین الگوریتم‌های ریاضی در لایه MAC می‌شود؟ یا ریسک‌های URLLC مانع از این کار خواهد شد؟ خیلی دوست دارم نظرات، تجربیات یا حتی چالش‌های تحقیقاتی شما در زمینه زمان‌بندی شبکه‌های سلولی را در بخش کامنت‌ها بخوانم. حتماً نظرتان را برایم بنویسید!

سوالات متداول (FAQ)

۱. الگوریتم Proportional Fair (PF) در 5G چیست؟ الگوریتم PF یک روش زمان‌بندی است که سعی می‌کند بین بالاترین سرعت ممکن در شبکه (Max Throughput) و تخصیص عادلانه منابع بین تمام کاربران تعادل ایجاد کند. این الگوریتم هم وضعیت لحظه‌ای سیگنال کاربر و هم میزان دیتای دریافتی قبلی او را برای تصمیم‌گیری در نظر می‌گیرد.

۲. چرا مدیریت URLLC و eMBB به طور همزمان دشوار است؟ سرویس eMBB به پهنای باند زیاد و بلوک‌های پیوسته نیاز دارد که ممکن است زمان تخصیص آن طولانی شود، در حالی که URLLC به ارسال فوری (زیر ۱ میلی‌ثانیه) نیاز دارد. اگر شبکه در حال سرویس‌دهی به eMBB باشد، قطع کردن آن برای راه دادن به ترافیک URLLC (Puncturing) مدیریت منابع را به شدت پیچیده می‌کند.

۳. آیا می‌توان از Round Robin در شبکه‌های 5G مدرن استفاده کرد؟ استفاده از راند رابین خالص در شبکه‌های تجاری 5G تقریباً منسوخ شده است زیرا باعث افت شدید ظرفیت شبکه می‌شود. با این حال، در سناریوهای خاصی که کاربران شرایط کانال کاملاً یکسان دارند یا در برخی معماری‌های اینترنت اشیا با محدودیت پردازشی، ممکن است از نسخه‌های اصلاح شده آن استفاده شود.

۴. یادگیری تقویتی (RL) چگونه به زمان‌بندی 5G کمک می‌کند؟ یادگیری تقویتی می‌تواند به جای تکیه بر فرمول‌های استاتیک، الگوهای پیچیده و متغیر ترافیکی را یاد بگیرد. عامل RL یاد می‌گیرد که در شرایط مختلف شلوغی شبکه، منابع را چگونه اختصاص دهد تا پاداش (مثلاً تاخیر کمتر یا سرعت بیشتر) ماکزیمم شود.

۵. RRM یا مدیریت منابع رادیویی چه تفاوتی با Scheduling دارد؟ RRM مفهوم گسترده‌تری است که شامل کنترل توان (Power Control)، مدیریت تداخل، کنترل پذیرش (Admission Control) و هندآف (Handoff) می‌شود. زمان‌بندی (Scheduling) در واقع یکی از زیربخش‌های اجرایی و بسیار سریعِ RRM در لایه MAC است.