الحالة

مكتمل

السنة

2026

النوع

Literature review

الملخص

تتناول هذه المراجعة الأدبية التقنيات المعتمدة على الذكاء الاصطناعي لتحسين horizontal handover في شبكات الهاتف المحمول والشبكات اللاسلكية. تبدأ الدراسة بشرح دور handover في الحفاظ على استمرارية الخدمة عندما يتحرك المستخدم بين base stations مختلفة. وتركز بشكل خاص على horizontal handover، أي انتقال الاتصال بين محطات تستخدم التقنية اللاسلكية نفسها مثل 4G-to-4G أو 5G-to-5G أو Wi-Fi-to-Wi-Fi. تعتمد الطرق التقليدية في handover غالبًا على مؤشرات قوة الإشارة مثل RSSI أو RSRP أو RSRQ، حيث قد ينتقل الجهاز إلى base station مجاورة عندما تصبح إشارتها أقوى من إشارة المحطة الحالية. وعلى الرغم من أن هذه الطريقة بسيطة وشائعة، توضح المراجعة أن الاعتماد على signal strength وحده لا يكفي لاتخاذ قرار موثوق، لأن الإشارة قد تتغير بسرعة بسبب حركة المستخدم، أو interference، أو المباني، أو العوائق، أو ظروف حدود الخلايا، أو التغيرات المؤقتة في البيئة. يمكن أن تؤدي هذه القيود إلى مشكلات مثل ping-pong handover، وhandover failure، وinterruption delay، وpacket loss، وunnecessary handovers، وعدم استقرار quality of service، خصوصًا في تطبيقات real-time مثل video calls وstreaming وonline gaming وسيناريوهات الحركة السريعة. تستعرض الورقة دراسات مختارة استخدمت أساليب AI لجعل قرارات handover أكثر تكيفًا وارتباطًا بالسياق. تُناقش أساليب machine learning بوصفها طرقًا عملية قادرة على استخدام عدة input parameters مثل RSSI للمحطة الحالية، وRSSI للمحطة الهدف، وuser speed، وnetwork load، وdelay، وpacket loss، وsignal history. يمكن لهذه النماذج دعم proactive handover decision-making وself-optimization من خلال التعلم من network conditions بدل الاعتماد فقط على thresholds ثابتة لقوة الإشارة. كما تستعرض الورقة دراسات reinforcement learning لأن handover يمكن التعامل معه كمشكلة decision-making، حيث يحصل النظام على reward عند اتخاذ قرار جيد ويحصل على penalty عند حدوث نتائج سلبية مثل ping-pong events أو handover failures. وتغطي المراجعة أيضًا أساليب LSTM وprediction-based methods، وهي مهمة لأن سلوك handover مرتبط بالزمن، ويمكن للقيم السابقة للإشارة أو الحركة أن تساعد في توقع جودة الاتصال المستقبلية، خاصة في سيناريوهات الحركة السريعة مثل high-speed railway networks. تقارن الورقة الدراسات المختارة من حيث method، وfocus، وsimulation أو evaluation environment، وkey performance indicators، وlimitations. وتشمل المقاييس الشائعة ping-pong rate، وhandover failure rate، وhandover delay، وpacket loss، وthroughput، وradio link failure، وload balancing، وunnecessary handovers. توضح المراجعة أن كثيرًا من الدراسات تعتمد على simulation-based evaluation، وهذا يدعم اختيار Python-based simulation كاتجاه واقعي لمشروع فصل دراسي. بناءً على الأدبيات، تقترح الورقة اتجاهًا عمليًا يقارن بين traditional RSSI-based baseline وطريقة AI-based بسيطة مثل Decision Tree أو Random Forest. يمكن للمحاكاة المقترحة أن تمثل user movement، وsignal changes، وnetwork load، وdelay، وpacket loss، ثم تقيم الطريقتين باستخدام KPIs مشتركة. وتخلص الدراسة إلى أن AI-based handover optimization اتجاه مناسب وواقعي، لأنه يسمح باتخاذ قرارات handover اعتمادًا على سياق أوسع من RSSI وحده، مع البقاء قابلًا للتنفيذ من خلال خطة واضحة لمحاكاة مبنية باستخدام Python.