Machine Learning Turunkan Konsumsi Energi dan Tingkatkan Akurasi Prediksi Trafik di Base Station

Skema tersebut tidak hanya mengurangi konsumsi energi, tetapi juga menunjukkan akurasi prediksi trafik lebih tinggi dibandingkan dengan skema benchmark. Studi ini terbit di jurnal IEEE Network Magazine Volume 35, Edisi 6.

"Kami menerapkan software defined network (SDN) dan Edge Computing ke jaringan seluler, sehingga setiap Base Station dilengkapi dengan sakelar SDN, dan pengontrol SDN dapat mematikan Base Station mana pun sesuai dengan hasil prediksi trafik," ujar Shinkuma.

Server di Edge Computing, kata Shinkuma, selanjutnya mengumpulkan log trafik melalui sakelar SDN dan memprediksi volume lalu lintas menggunakan Machine Learning.

Metode Machine Learning tersebut memutuskan Base Station mana yang dapat dimasukkan ke dalam "sleep mode" berdasarkan pentingnya log trafik mereka dalam meningkatkan akurasi prediksi. Dengan demikian, Base Station dengan kontribusi akurasi rendah untuk slot waktu sebelumnya ditidurkan di slot berikutnya guna menghemat energi.

Untuk memvalidasi skema mereka, para peneliti menggunakan data trafik seluler riil yang dikumpulkan selama dua bulan dan membandingkan kinerjanya dengan dua skema benchmark. Hasilnya, skema baru ini mengungguli skema benchmark dalam ketahanannya terhadap pengurangan jumlah Base Station aktif dan set Base Station yang berbeda.

"Dengan mengendalikan operasional Base Station secara cerdas, sumber energi terbarukan dapat digunakan untuk memberi daya pada jaringan masa depan dan, tergantung pada ketersediaan sumber daya energi terbarukan, jadwal Base Station dapat ditentukan," tutur Shinkuma.