K-INFO
HU
EN
Login

5G Relevant Technologies

5G releváns technológiák
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
Subject name (Hungarian, English)
5G releváns technológiák
5G Relevant Technologies
Subject code BMEVIAUAV47
Subject type
Training Level
Course types and hours (weekly/semester)
Course type lecture tutorial laboratory
hours (weekly) 2 0 0
type (linked/independent)
Assessment type félévközi érdemjegy
Credits 2
Subject coordinator
DR. Charaf Hassan
position: egyetemi tanár
Responsible department
Automatizálási és Alkalmazott Informatikai Tanszék
Faculty Villamosmérnöki és Informatikai Kar
Subject website
Primary curriculum type
Direct prerequisites – Strong prerequisite none
Direct prerequisites – Weak prerequisite none
Direct prerequisites – Parallel prerequisite none
Direct prerequisites – Milestone prerequisite none
Direct prerequisites – Exclusion none

Objectives

Programme

 

Hét

Előadás anyaga

1.

Bevezető: technológiák és szerepük az 5G-ben: Mesterséges intelligencia, Felhő technológiák, Szoftverizálás és programozható hálózatok, Open RAN.

2.

Mesterséges intelligencia 1/4 – áttekintés

Miért és hol van szükség MI alkalmazására a távközlésben (NF szinten; hálózat felügyeletre; hálózat managementre; closed-loop automation; cognitive hálózatok).

MI-vel szemben támasztott elvárások: latency, topológia (elosztott), folyamatos öntanulás.

Milyen adatforrások találhatók egy hálózatban (PM, FM, log, stb.).

Mi a különbség hálózati adatok és a klasszikus MI adati között, ennek jelentősége, adat és model management problémák (data collection, training, model LCM, ownership, multi-vendor interworking, stb.).

Klasszikus MI módszerek és alkalmazhatóságuk (supervised, unsupervised, RL, stb.).

3.

Mesterséges intelligencia 2/4 – alkalmazási területek és technológiák

Mi a különbség az OTT MI és a natív/beágyazott MI között?

Rádióba ágyazott MI: AI air interface, network as a sensor, RRM/scheduling

Core-ba ágyazott MI: NWDAF, NEF-es esetek

OTT MI: management és automatizációs célokra: állapot modellezés, CLA koncept

Native AI a 6G-ben

Network AI és OTT AI közötti együttműködés

4.

Mesterséges intelligencia 3/4 – autonóm hálózatok

Hálózat automatizálás és autonómia evolúciója (SON-tól cognitive hálózatokig)

Model management kérdésköre

Trustworthy AI kérdésköre

MI vezérlése és felügyelete mint kérdés

5.

Mesterséges intelligencia 4/4 – intent alapú hálózatok

Mesterséges intelligenciával automatizált rendszer irányítása

Intent alapú hálózat menedzsment

H2M/M2H interfész

Hálózat oldali intent technológiák

6.

Felhő technológiák mobil használatban 1/2

Miért és hol kell felhő – mobil specifikusan

Cloud continuum

Core cloud

7.

Felhő technológiák mobil használatban 2/2

Edge cloud szerepe a mobil hálózatokban

MEC (Mobile Edge Computing)

O-RAN (Open RAN)

8.

Szoftverizálás és programozható hálózatok 1/2 – általánosságban

Hálózati funkciók standard kiterjesztési módjai: új 5GC NF vagy trusted AF (SBA-n keresztül); NEF

Nem standard módok: U-plane csomag alapú megoldások; resource manager vagy domain controller fölé implementált custom adaptációs logika és interface-ek („becsomagolás”)

Management rendszeren (nem standard) keresztül

9.

Szoftverizálás és programozható hálózatok 2/2 – a BME-Nokia 5G Kutatási és Innovációs Hálózatban

A hálózat architektúrája

API-k, technológiák ismertetése (pl. DPDK)

VM-ek, account-ok, hozzáférés

Gyakorlati kurzusok ismertetése

10.

Gyakorlati kurzus 1/5

U-plane-be illesztett VM implementálása, UE Attach C-plane RTT mérésre, DPDK-val

11.

Gyakorlati kurzus 2/5

U-plane-be illesztett VM implementálása, TCP RTT mérésére, DPDK-val

12.

Gyakorlati kurzus 3/5

Szenzorok által generált adatsor begyűjtése, supervised MI modell tanítása, telepítése és futtatása, model életciklus menedzsmenttel

13.

Gyakorlati kurzus 4/5

Felügyelet nélküli (unsupervised) MI modell tanítása PM counter-eken

14.

Gyakorlati kurzus 5/5

Felügyelet nélküli (unsupervised) MI modell futtatása és kiértékelése PM counter-eken

Az 5G hálózatok implementációi számos, az információs és internetes tartalomszolgáltatásban kifejlesztett technológiát is felhasználnak, pl. felhő alapú szoftveres megoldásokat és mesterséges intelligenciát. A tárgy keretében a hallgatók megismerik, hogy ezek a meghatározó technológiák hogyan épülnek be az 5G hálózatokba, milyen új képességeket adnak a szolgáltatás minőség, kiszolgálási hatékonyság, hibatűrés és felügyelet terén, valamint hogyan járulnak hozzá, hogy az 5G egy egyesített kommunikációs és számítási platformként jelenjen meg az ipari, egészségügyi, jármű és drón kommunikációs vertikumok számára is. A tárgy elméleti tudáson kívül gyakorlati foglalkozásokat is nyújt a BME-Nokia 5G Kutatási és Innovációs Hálózaton. A gyakorlati kurzusok célja, hogy a hallgatók egy-egy konkrét tervezési és implementációs feladat mentén megértsék, mit jelent egy új képesség (többrétegű hálózat monitorozás) kifejlesztése és bevezetése egy 5G hálózatban, virtualizált környezetben. A gyakorlati kurzusokat közösen, az előadó vezetésével oldjuk meg, a feladat megoldásához szükséges elméleti és gyakorlati tudás átadása mellett.

Learning outcomes

Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:

Knowledge

No learning outcomes recorded.

Skills

No learning outcomes recorded.

Attitudes

No learning outcomes recorded.

Autonomy and responsibility

No learning outcomes recorded.

Oktatási módszertan

Gyakorlatias, alkalmazásközpontú előadások keretében. Kijelölt írásos anyag elsajátítása.

Tanulástámogató anyagok

Not provided.

Recommended preliminary knowledge for completing the subject

Knowledge type competencies
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
Objektumorientált programozási ismeretek, szoftverfejlesztési alapismeretek.
Skill type competencies
(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Recommended (non-compulsory) preliminary competencies
(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)
Objektumorientált programozási ismeretek, szoftverfejlesztési alapismeretek.
General rules
Követelmények: A szorgalmi időszakban egy zárthelyi dolgozat és szóbeli számonkérés a félév végén. A féléves értékelésbe a zárthelyi dolgozat 50%-ban és a szóbeli számonkérés 50%-ban számít. Pótlási lehetőségek:   A zárthelyi dolgozat és a szóbeli számonkérés pótlása a pótlási időszakban lehetséges.  
Assessment methods
In-term assessments

No detailed assessments provided.

Weight of in-term assessments

No weights provided.

Exam-period assessments

No detailed assessments provided.

Weight of exam elements

No weights provided.

Grade calculation

No grade thresholds provided.

Attendance requirements

No attendance requirements provided.

Rules for retake and resubmission

Not provided.

Short description

Not provided.

Detailed description

Not provided.

Recommended courses

Not provided.

Workload to complete the subject

No workload breakdown provided.

Validity of subject requirements
Requirements valid from:
Requirements valid until:
Curriculum placement

No curriculum placements recorded for this subject version.