В Московском физико-техническом институте разработана новая методика на базе машинного обучения, которая способна существенно укрепить устойчивость беспроводных коммуникаций следующего поколения, в том числе в условиях стремительно изменяющейся среды передачи данных.
Ирина Петрова
Первый автор исследования, научный сотрудник лаборатории интеллектуальных систем связи МФТИ и лаборатории беспроводных сетей Института проблем передачи информации имени А.А.Харкевича Российской академии наук Кирилл Глинский. Источник: пресс-служба МФТИ
Благодаря этому решению пропускная способность систем возрастает на 30–40%, что напрямую ведет к росту числа абонентов, получающих стабильное соединение. Ожидается, что данная технология будет востребована в сетях 5 и более новых поколений, где особое значение имеют минимальные задержки и безошибочная доставка информации.
Ужесточение требований к надежности для сетей 5G
Развертывание сетей пятого поколения и последующих стандартов создает предпосылки не только для улучшения качества связи, но и для внедрения систем, в которых цена ошибки или промедления крайне высока.
Речь идет о таких областях, как дистанционная хирургия, управление автономным транспортом, интеллектуальные энергосети и автоматизированные промышленные процессы.
При этом ужесточаются требования к надежности: задержка не должна выходить за пределы нескольких миллисекунд, а вероятность утраты пакета — не превышать одной стотысячной доли процента.
Обеспечить столь жесткие показатели в реальных эксплуатационных условиях чрезвычайно сложно. Состояние беспроводного канала постоянно флуктуирует из-за перемещения пользователей, помех и отражений сигнала, поэтому параметры передачи нужно устанавливать заранее, еще до отправки данных.
Существующие методы, в том числе эвристические алгоритмы и классические нейросетевые подходы, либо неспособны точно предсказывать изменения канала, либо не учитывают неравнозначность последствий ошибок: завышенный прогноз способен привести к потере пакета и обрыву связи, а заниженный — к неоправданному расходованию ресурсов. Именно поиск компромисса между надежностью и эффективностью в нестабильной среде и стал предметом работы исследователя из МФТИ.
В основе исследования лежит использование нейросетевых моделей для решения одной из центральных проблем сетей URLLC — выбора оптимального режима передачи данных при быстрых изменениях характеристик канала.
Традиционные подходы не всегда справляются с жесткими ограничениями по задержке (миллисекунды) и надежности (вероятность потери пакета менее 10⁻⁵), особенно в условиях высокой подвижности абонентов, поэтому было решено изучить перспективы нейросетевых алгоритмов, — пояснил Кирилл Глинский, первый автор работы, научный сотрудник лаборатории интеллектуальных систем связи МФТИ и лаборатории беспроводных сетей Института проблем передачи информации имени А.А. Харкевича РАН.
Алгоритм ALPACA
Как сообщает пресс-служба МФТИ, в итоге появился алгоритм ALPACA (Asymmetric Loss Prediction Algorithm for Channel Adaptation). В отличие от аналогов, он принимает во внимание неравнозначность последствий ошибок предсказания и позволяет удерживать требуемый уровень связи даже в непростых мобильных сценариях. Прогнозирование качества канала строится на базе сверточно-рекуррентной нейронной сети.
Главная отличительная черта — применение асимметричной функции потерь: ALPACA намеренно «наказывается» за излишне оптимистичные оценки, которые могут спровоцировать сбои, что особенно важно для URLLC. Такой подход дает возможность сократить расход ресурсов канала до 40 процентов по сравнению с действующими решениями, а также увеличить пропускную способность сети для обслуживания URLLC-приложений.
Алгоритм был проверен на данных, собранных в ходе натурных испытаний в городской среде, а также на стандартизированных моделях каналов связи. Результаты продемонстрировали устойчивый рост эффективности в разнообразных условиях, при этом потребление ресурсов канала снизилось более чем на 30 процентов без потери надежности.
Помимо алгоритма выбора сигнально-кодовой конструкции, в диссертации предложены метод выбора прекодера и способ определения момента для дообучения моделей, что обеспечивает адаптацию системы к меняющейся обстановке и повышение качества связи, — добавил Евгений Хоров, соавтор работы, заведующий лабораторией интеллектуальных систем связи МФТИ и лаборатории беспроводных сетей Института проблем передачи информации имени А.А. Харкевича РАН.
Итоги исследования опубликованы в научном издании IEEE Access (первый квартиль), а также были представлены на авторитетной конференции IEEE INFOCOM, имеющей рейтинг CORE A*. В 2025 году автор стал лауреатом Всероссийского молодежного научного форума «Наука будущего — наука молодых». Работа легла в основу кандидатской диссертации основного автора, защищенной в 2026 году.
Значение и практическая ценность работы
Значение этой работы выходит далеко за пределы чисто академического интереса. Предложенный подход к асимметричному прогнозированию канала фактически решает фундаментальное противоречие, которое долгое время сдерживало развитие сверхнадежных сетей с малыми задержками.
Классические системы адаптации, как правило, исходят из симметричной цены ошибки, но в реальности переоценка качества канала ведет к катастрофическим потерям пакетов, в то время как недооценка — лишь к незначительному снижению эффективности.
ALPACA впервые формализует эту асимметрию на уровне функции потерь нейросети, что позволяет системе действовать не просто оптимально, а безопасно-оптимально. Это особенно важно для сценариев, где цена ошибки измеряется не в битах, а в человеческих жизнях — например, при управлении роботизированными хирургическими комплексами или в системах автономного вождения, где решение должно быть принято за миллисекунды и при этом быть гарантированно верным.
Практическая ценность разработки подтверждается впечатляющими результатами полевых испытаний. Снижение потребления ресурсов канала на 30–40 процентов при сохранении жестких требований к надежности — это не просто инженерное улучшение, а смена парадигмы.
В условиях, когда спектр является дефицитным ресурсом, а количество подключенных устройств растет экспоненциально, каждый процент сэкономленной полосы означает возможность обслужить больше абонентов или зарезервировать ресурс для критически важных приложений.
Особенно показательно, что алгоритм показал стабильную работу как на стандартизированных моделях канала, так и на реальных данных, собранных в городской среде с ее хаотичными помехами, отражениями и движущимися объектами. Это доказывает, что ALPACA не является лабораторным курьезом, а готов к внедрению в коммерческую инфраструктуру.
Отдельного внимания заслуживает архитектурная гибкость предложенного решения. Авторы не ограничились единственным алгоритмом, а создали целостную систему, включающую метод выбора прекодера и механизм определения оптимального момента для дообучения моделей.
Последний аспект особенно важен: в динамичной среде, где характеристики канала меняются под влиянием погоды, времени суток, плотности застройки и миграции абонентов, статичная модель быстро устаревает. Возможность адаптивно решать, когда именно нужно переобучить нейросеть, позволяет поддерживать высокое качество связи без избыточных вычислительных затрат. Это делает систему самодостаточной и способной к долгосрочной эксплуатации в реальных сетях, где условия работы никогда не остаются постоянными.
Перспективы внедрения
Перспективы внедрения ALPACA выглядят крайне широкими. Помимо очевидного применения в сетях 5G Advanced и 6G, технология может быть адаптирована для спутниковой связи, где задержки велики и ошибки прогнозирования особенно болезненны, а также для промышленного интернета вещей, где тысячи датчиков и исполнительных механизмов требуют синхронной и надежной передачи данных.
Кроме того, асимметричный подход к обучению нейросетей может быть перенесен на другие задачи, где цена ошибок неравнозначна — например, в системах кибербезопасности, финансовом трейдинге или медицинской диагностике. Сама методология, заложенная в ALPACA, оказывается универсальной, что открывает дорогу для целого семейства новых алгоритмов.
Наконец, нельзя не отметить научную значимость работы для российской школы связи. Публикация в IEEE Access первого квартиля и доклад на конференции IEEE INFOCOM с рейтингом CORE A* — это признание мирового уровня, а победа на форуме «Наука будущего — наука молодых» подчеркивает, что развитие кадрового потенциала в этой области идет успешно.
Учитывая темпы развития технологий беспроводной связи, можно с уверенностью предположить, что уже в ближайшие годы элементы ALPACA или его модификации станут частью стандартов 6G, а российская научная школа продолжит играть заметную роль в этом процессе.