5G Relevant Technologies
A tantárgyleírás hatályossága
| Subject name (Hungarian, English) |
5G releváns technológiák
5G Relevant Technologies
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Subject code | BMEVIAUAV47 | ||||||||||||
| Subject type | — | ||||||||||||
| Training Level | — | ||||||||||||
| Course types and hours (weekly/semester) |
|
||||||||||||
| Assessment type | félévközi érdemjegy | ||||||||||||
| Credits | 2 | ||||||||||||
| Subject coordinator |
DR. Charaf Hassan
position: egyetemi tanár
contact:
charaf.hassan@vik.bme.hu
|
||||||||||||
| 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
|
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 |
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
Tanulástámogató anyagok
Not provided.
Recommended preliminary knowledge for completing the subject
General rules
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
Curriculum placement
No curriculum placements recorded for this subject version.