K-INFO
HU
EN
Belépés

5G releváns technológiák

5G Relevant Technologies
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
Tantárgy neve (magyarul, angolul)
5G releváns technológiák
5G Relevant Technologies
Tantárgykód BMEVIAUAV47
Tantárgyjelleg
Képzési szint
Kurzustípusok és óraszámok (heti/féléves)
Kurzustípus elmélet gyakorlat laboratóriumi gyakorlat
óraszám (heti) 2 0 0
jelleg (kapcsolt/önálló)
Tanulmányi teljesítmény/értékelés típusa félévközi érdemjegy
Tantárgy kreditértéke 2
Tantárgyfelelős
DR. Charaf Hassan
beosztás: egyetemi tanár
Tantárgyat gondozó oktatási szervezeti egység
Automatizálási és Alkalmazott Informatikai Tanszék
Kar Villamosmérnöki és Informatikai Kar
Tantárgy weboldala
Tantárgy elsődleges mintatantervi jellege
Közvetlen előkövetelmények – Erős előkövetelmény nincs
Közvetlen előkövetelmények – Gyenge előkövetelmény nincs
Közvetlen előkövetelmények – Párhuzamos előkövetelmény nincs
Közvetlen előkövetelmények – Mérföldkő előkövetelmény nincs
Közvetlen előkövetelmények – Kizáró feltétel nincs

Célkitűzés

Tantárgyprogram

 

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.

Tanulmányi eredmények

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

Tudás

Nincsenek rögzített tanulási eredmények.

Képességek

Nincsenek rögzített tanulási eredmények.

Attitűd

Nincsenek rögzített tanulási eredmények.

Autonómia és felelősség

Nincsenek rögzített tanulási eredmények.

Oktatási módszertan

Gyakorlatias, alkalmazásközpontú előadások keretében. Kijelölt írásos anyag elsajátítása.

Tanulástámogató anyagok

Online források
A tárgy weboldalán elhelyezett írásos; anyagok. 

A tantárgy teljesítéséhez ajánlott előzetes ismeretek

Tudás típusú kompetenciák
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
Objektumorientált programozási ismeretek, szoftverfejlesztési alapismeretek.
Képesség típusú kompetenciák
(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák
(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)
Objektumorientált programozási ismeretek, szoftverfejlesztési alapismeretek.
Általános szabályok
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.  
Teljesítményértékelési módszerek
Szorgalmi időszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Szorgalmi időszakban végzett teljesítményértékelések részaránya

Nincs megadva részarány.

Vizsgaidőszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Vizsgarészek részaránya

Nincs megadva részarány.

Érdemjegy megállapítása

Nincs megadva érdemjegy határ.

Jelenléti és részvételi követelmények

Nincs megadva jelenléti követelmény.

Javítás, ismétlés és pótlás különös szabályai

Nincs megadva.

Rövid leírás

Nincs megadva.

Részletes leírás

Nincs megadva.

Ajánlott tantárgyak

Nincs megadva.

A tantárgy elvégzéséhez szükséges tanulmányi munka

Nincs megadva munkaidő bontás.

Tantárgykövetelmények hatályossága
Tantárgykövetelmények hatályosságának kezdete:
Tantárgykövetelmények hatályosságának vége:
Tantervi elhelyezés

Nincsenek rögzített tantervi elhelyezések ehhez a tárgyverzióhoz.