Mobil kenar bilişim platformlarında kaynak modelleme ve çizelgeleme için fırsatlardan faydalanma

Bu tez çalışmasında, farklı türde uygulama kullanıcıları için minimum gecikme talepleri göz önüne alındığında, mevcut ağ yapısının bu talepleri karşılaması sorunu için optimum çözümünün nasıl yapılacağı incelenmiştir. Tez kapsamında, katmanlı bir ağ tasarımını ele almaktadır. Bu tasarım, ölçeklenebilir bir hücresiz ağın Mobil Kenar Bilişim (MEC) teknolojisiyle entegre edilerek 5G teknolojisini desteklemektedir. Hücresiz ağdaki kullanıcı taleplerinin MEC ağına erişimi ve MEC ağına iletilen taleplerin işlenmesi ve yönlendirilmesi süreçlerini birleştiren bir sistem tasarımı gerçekleştirilmiştir. Kullanıcıların talep ettikleri uygulama türlerini dikkate alan, kenar ağdaki sunucuların anlık yük miktarı ve yine kenar ağdaki sunucular arası bağlantı yoğunluğunu dikkate alan bir çözüm sunulması için çalışılmıştır. Bu bağlamda, derin öğrenme tabanlı bir hibrid algoritma tasarlanmıştır. Hibrit algoritmanın tasarlanan sisteme uygulanmasıyla, kenar ağ sunucularındaki hesaplama yükü ve backhaul bağlantılarının yükü dengelenmiştir ve kullanıcıların hizmet deneyimi iyileştirilmiştir. Ayrıca bu tasarım, cihaz yoğunluğunun yüksek olduğu sistemlerde, mevcut kaynakların öğrenme algoritmalarıyla akıllı bir şekilde yönetilmesine imkân sağlayacak ve ağdaki tüm kullanıcılar için iyileştirilmiş bir hizmet verilmesine yardımcı olacaktır.

This thesis investigates the optimal solution for addressing the challenge of meeting minimum latency requirements for users of different application types within the existing network infrastructure. The scope of the thesis focuses on a layered network design that integrates a scalable cellular network with Mobile Edge Computing (MEC) technology to support 5G capabilities. A system design is implemented that combines the access of user requests from the cell-free network to the MEC network and the processing and routing of these requests within the MEC network. The solution takes into account the application types requested by users and considers the real-time workload of edge servers and the connectivity density between them. To achieve this, a hybrid algorithm based on deep learning is designed. By applying the hybrid algorithm to the designed system, the computation workload of edge servers and the load on backhaul connections are balanced, resulting in an enhanced user experience. Furthermore, this design enables intelligent management of available resources using learning algorithms in high-density systems, leading to improved services for all users in the network.