5G releváns technológiák
A tantárgyleírás hatályossága
| Tantárgy neve (magyarul, angolul) |
5G releváns technológiák
5G Relevant Technologies
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Tantárgykód | BMEVIAUAV47 | ||||||||||||
| Tantárgyjelleg | — | ||||||||||||
| Képzési szint | — | ||||||||||||
| Kurzustípusok és óraszámok (heti/féléves) |
|
||||||||||||
| Tanulmányi teljesítmény/értékelés típusa | félévközi érdemjegy | ||||||||||||
| Tantárgy kreditértéke | 2 | ||||||||||||
| Tantárgyfelelős |
DR. Charaf Hassan
beosztás: egyetemi tanár
elérhetőség:
charaf.hassan@vik.bme.hu
|
||||||||||||
| 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
|
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 |
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
Tanulástámogató anyagok
Online források
A tantárgy teljesítéséhez ajánlott előzetes ismeretek
Általános szabályok
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
Tantervi elhelyezés
Nincsenek rögzített tantervi elhelyezések ehhez a tárgyverzióhoz.