durum

Tamamlandı

yıl

2026

tür

Literature review

Özet

Bu literature review, mobil ve kablosuz ağlarda horizontal handover optimizasyonu için kullanılan AI tabanlı teknikleri incelemektedir. Çalışma, mobil bir kullanıcının base station’lar arasında hareket ederken hizmet sürekliliğini korumada handover sürecinin rolünü açıklayarak başlar. İnceleme özellikle aynı kablosuz teknolojiyi kullanan base station’lar arasında gerçekleşen horizontal handover üzerine odaklanır; örneğin 4G-to-4G, 5G-to-5G veya Wi-Fi-to-Wi-Fi geçişleri. Geleneksel handover yaklaşımları çoğu zaman RSSI, RSRP veya RSRQ gibi signal strength göstergelerine dayanır; bu yöntemlerde cihaz, komşu base station sinyali mevcut bağlantıdan daha güçlü olduğunda geçiş yapabilir. Bu yöntem basit ve yaygın olsa da, inceleme signal strength değerinin tek başına güvenilir karar verme için yeterli olmadığını açıklar; çünkü bu değer hareket, interference, binalar, engeller, cell-border conditions ve geçici çevresel değişimler nedeniyle hızlı şekilde değişebilir. Bu sınırlamalar ping-pong handover, handover failure, interruption delay, packet loss, unnecessary handovers ve unstable quality of service gibi sorunlara yol açabilir; özellikle video calls, streaming, online gaming ve yüksek hareketlilik senaryolarında bu etkiler daha belirgin hâle gelir. Makale, handover kararlarını daha adaptive ve context-aware hâle getirmek için AI yöntemleri kullanan seçilmiş çalışmaları inceler. Machine learning yöntemleri; current base station RSSI, target base station RSSI, user speed, network load, delay, packet loss ve signal history gibi birden fazla input parameter kullanabilen pratik yaklaşımlar olarak ele alınır. Bu modeller, sabit signal-strength threshold değerlerine bağlı kalmak yerine network conditions üzerinden öğrenerek proactive handover decision-making ve self-optimization süreçlerini destekleyebilir. Reinforcement learning çalışmaları da incelenir çünkü handover, bir decision-making problem olarak ele alınabilir; sistem iyi handover davranışı için reward, ping-pong events veya handover failures gibi olumsuz sonuçlar için penalty alabilir. İnceleme ayrıca LSTM ve prediction-based yaklaşımları kapsar; çünkü handover davranışı zamanla ilişkilidir ve önceki signal ya da mobility değerleri, özellikle high-speed railway networks gibi hızlı hareket senaryolarında gelecekteki connection quality değerini tahmin etmeye yardımcı olabilir. Seçilen çalışmalar method, focus, simulation veya evaluation environment, key performance indicators ve limitations açısından karşılaştırılır. Yaygın metrikler arasında ping-pong rate, handover failure rate, handover delay, packet loss, throughput, radio link failure, load balancing ve unnecessary handovers yer alır. İnceleme, birçok çalışmanın simulation-based olduğunu gösterir ve bu durum semester project için Python-based simulation yönünü gerçekçi kılar. Literatüre dayanarak makale, traditional RSSI-based baseline ile Decision Tree veya Random Forest gibi basit bir AI-based method karşılaştıran uygulanabilir bir yön önerir. Önerilen simulation; user movement, signal changes, network load, delay ve packet loss gibi unsurları modelleyebilir, ardından iki yöntemi ortak KPI’lar üzerinden değerlendirebilir. Çalışma, AI-based handover optimization yaklaşımının uygun ve gerçekçi bir araştırma yönü olduğu sonucuna ulaşır; çünkü handover kararlarının yalnızca RSSI’a bağlı kalmadan daha fazla context kullanmasını sağlar ve aynı zamanda açık bir Python-based simulation planı üzerinden uygulanabilir kalır.