Artificial Intelligence Based Approach for Efficient Slice Selection in Next Generation Wireless Networks

Öz

With the advent of the fifth-generation wireless technology, now known as 5G, a new era in communications has begun. Customizing network services to meet the diverse and personalized demands of various users has become crucial. Network slicing is a key technology for achieving this customization. Cognitive radio technologies, which enable efficient spectrum utilization, play a crucial role in providing customized services, as do network slicing. Cognitive radio technology, a dynamic spectrum access technique, is one of the most widely used access techniques for opportunistically exploiting unoccupied spectrum channels. In cognitive radio networks that aim for efficient spectrum utilization, selecting the most suitable network slice for the service provided by secondary users is a crucial optimization problem. This study proposes an effective AI-based network slice selection approach for slice selection in 5G-based cognitive radio networks. The proposed approach successfully implemented network slice selection using fuzzy logic-based network slicing. The results demonstrate that this approach offers a low-complexity, computationally efficient, and effective solution for selecting the appropriate network slice in cognitive radio networks.

Anahtar Kelimeler

• Network slicing
• Slice selection
• Cognitive radio
• Fuzzy logic
• 5G

Yeni Nesil Kablosuz Ağlarda Etkin Dilim Seçimi için Yapay Zeka Tabanlı Yaklaşım

Öz

Günümüzde 5G olarak adlandırılan beşinci nesil kablosuz teknolojinin ortaya çıkışı ile birlikte, iletişimde yeni bir dönem başlamış oldu. Bu dönemde çeşitli kullanıcıların farklı ve kişisel taleplerini karşılamak için ağ hizmetlerinin özelleştirilmesi büyük bir önem kazanmıştır. Ağ dilimleme, bu özelleştirmeyi sağlamak için temel bir teknoloji olarak karşımıza çıkmaktadır. Özelleştirilmiş hizmetlerin sunulmasında ağ dilimleme kadar, spektrumun verimli kullanımını sağlayan bilişsel radyo teknolojileri de önemli bir rol üstlenmektedir. Dinamik spektrum erişim tekniklerinden olan bilişsel radyo teknolojisi, boş spektrum kanallarını fırsatçı bir şekilde kullanmak için en çok kullanılan erişim tekniklerinden biridir. Spektrumun etkin kullanımını hedefleyen bilişsel radyo ağlarda, ikincil kullanıcılar için hizmete en uygun ağ dilimini seçmek önemli bir optimizasyon problemidir. Bu çalışmada 5G tabanlı bilişsel radyo ağlarda dilim seçimi için yapay zeka tabanlı etkili bir ağ dilimle yaklaşımı önerilmiştir. Önerilen yaklaşım ile ağ dilim seçimi bulanık mantık tabanlı ağ dilimleme kullanılarak başarıyla gerçekleştirilmiştir. Elde edilen sonuçlar, bu yaklaşımın bilişsel radyo ağlarda uygun ağ dilim seçimi yapmada düşük karmaşıklıkta, hesaplama açısından verimli ve etkili bir çözüm sunduğunu göstermektedir

Anahtar Kelimeler

• Ağ dilimleme
• Dilim seçimi
• Bilişsel radyo
• Bulanık mantık
• 5G

Kaynakça

1. Abdelbaset, S. E., Kasem, H. M., Khalaf, A. A., Hussein, A. H., & Kabeel, A. A. (2024). Deep Learning-Based Spectrum Sensing for Cognitive Radio Applications. Sensors 2024, Vol. 24, Page 7907, 24(24), 7907. https://doi.org/10.3390/S24247907
2. Ampririt, P., Higashi, S., Liu, Y., Ikeda, M., Matsuo, K., & Barolli, L. (2025). A Fuzzy-Based System for Selection of Slice Service Type in 5G/B5G Wireless Networks: Effects of Slice Ability for Mobility Management Parameter. Lecture Notes on Data Engineering and Communications Technologies, 259, 165–178. https://doi.org/10.1007/978-3-031-96093-2_17
3. Bayrakdar, M., Bayrakdar, S., Yücedağ, İ., & Çalhan, A. (2015). Bilişsel Radyo Kullanıcıları için Bulanık Mantık Yardımıyla Kanal Kullanım Olasılığı Hesabında Farklı Bir Yaklaşım. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 3(1), 88–99. https://doaj.org/article/af225a248ae44a2094836502c227f1ff
4. Bayrakdar, M. E. (2020). Enhancing sensor network sustainability with fuzzy logic based node placement approach for agricultural monitoring. Computers and Electronics in Agriculture, 174. https://doi.org/10.1016/j.compag.2020.105461
5. Bayrakdar, M. E., & Calhan, A. (2015). Fuzzy logic based channel selection for mobile secondary users in cognitive radio networks. 2015 23rd Signal Processing and Communications Applications Conference, SIU 2015 - Proceedings, 331–334. https://doi.org/10.1109/SIU.2015.7129826
6. Bayrakdar, M. E. (2019). Yeraltı Kablosuz Algılayıcı Ağlar için Bulanık Mantık Tabanlı Toplayıcı İstasyon Karar Yaklaşımı Fuzzy Logic Based Collector Station Decision Approach for Underground Wireless Sensor Networks. https://doi.org/10.17714/gumusfenbil.548366
7. Escudero-Garzas, J. J., Bousono-Calzon, C., & Garcia, A. (2019). On the Feasibility of 5G Slice Resource Allocation with Spectral Efficiency: A Probabilistic Characterization. IEEE Access, 7, 151948–151961. https://doi.org/10.1109/ACCESS.2019.2947992
8. Güman, Z., & Gunay, F. B. (2024). Nesnelerin İnterneti Yardımıyla Akıllı Tarımda Yapay Zekâ Tabanlı Gübre ve Mahsul Tahmini. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 14(3), 958–973. https://doi.org/10.21597/JIST.1445970

9. Henry, S., Alsohaily, A., & Sousa, E. S. (2020). 5G is Real: Evaluating the Compliance of the 3GPP 5G New Radio System with the ITU IMT-2020 Requirements. IEEE Access, 8, 42828–42840. https://doi.org/10.1109/ACCESS.2020.2977406
10. Katsalis, K., Nikaein, N., Schiller, E., Ksentini, A., & Braun, T. (2017). Network Slices toward 5G Communications: Slicing the LTE Network. IEEE Communications Magazine, 55(8), 146–154. https://doi.org/10.1109/MCOM.2017.1600936
11. Kumar, R., Gokulakrishnan, S., Devi Kosuru, S. N. V. J., Praveen Kumar, R., & Rajesh, T. R. (2025). An efficient fuzzy logic and artificial intelligence based optimization strategy for bigdata healthcare system. Edelweiss Applied Science and Technology, 9(3), 1593–1620. https://doi.org/10.55214/25768484.V9I3.5645
12. Manzalini, A. (2019). Complex Deep Learning with Quantum Optics. Quantum Reports, 1(1), 107–118. https://doi.org/10.3390/QUANTUM1010011
13. Mumtaz, T., Muhammad, S., Aslam, M. I., & Ahmed, I. (2022). Inter-slice resource management for 5G radio access network using markov decision process. Telecommunication Systems, 79(4), 541–557. https://doi.org/10.1007/S11235-021-00877-9/FIGURES/21
14. Muñoz, P., Adamuz-Hinojosa, Ó., Navarro-Ortiz, J., Sallent, O., & Pérez-Romero, J. (2020). Radio Access Network Slicing Strategies at Spectrum Planning Level in 5G and Beyond. https://doi.org/10.1109/ACCESS.2020.2990802
15. Ordonez-Lucena, J., Adamuz-Hinojosa, O., Ameigeiras, P., Munoz, P., Ramos-Munoz, J. J., Chavarria, J. F., & Lopez, D. (2018). The Creation Phase in Network Slicing: From a Service Order to an Operative Network Slice. 2018 European Conference on Networks and Communications, EuCNC 2018, 31–36. https://doi.org/10.1109/EUCNC.2018.8443255
16. Palma, M. N. D. (2021). 5G Network Slicing for Wi-Fi Networks. 2021 IFIP/IEEE International Symposium on Integrated Network Management (IM), Bordeaux, France, 633–637.
17. Priyanka, A., Priyanka, A., & Chandrasekar, D. C. (2024). Efficient Slice Creation in Network Slicing using K-Prototype Clustering and Context-Aware Slice Selection for Service Provisioning. International Journal of Recent Technology and Engineering (IJRTE), 12(5), 12–20. https://doi.org/10.35940/ijrte.E7973.12050124
18. Rajavel, S. E., Devaraj, S. A., Roobert, A. A., Kumar, O. P., & Vincent, S. (2025). Energy efficient relay selection framework for 5G communication using cognitive radio networks. Scientific Reports, 15(1), 1–12. https://doi.org/10.1038/S41598-025-00068-5;SUBJMETA=166,639,987;KWRD=ELECTRICAL+AND+ELECTRONIC+ENGINEERING,ENGINEERING
19. Ramya, V., Panda, M. K., Singh, R. P., & Kumar, P. (2023). 5G Network Slice Prediction using Hybrid Neural Network and Random Forest Model. 2023 9th International Conference on Signal Processing and Communication, ICSC 2023, 356–361. https://doi.org/10.1109/ICSC60394.2023.10441349
20. Singh, S. K., Salim, M. M., Cha, J., Pan, Y., & Park, J. H. (2020). Machine learning-based network sub-slicing framework in a sustainable 5G environment. Sustainability (Switzerland), 12(15). https://doi.org/10.3390/SU12156250
21. Skondras, E., Michalas, A., Vergados, D. J., Michailidis, E. T., Miridakis, N. I., & Vergados, D. D. (2021). Network Slicing on 5G Vehicular Cloud Computing Systems. Electronics 2021, Vol. 10, Page 1474, 10(12), 1474. https://doi.org/10.3390/ELECTRONICS10121474
22. Yuan, S., Zhang, Y., Qie, W., Ma, T., & Li, S. (2021). Deep reinforcement learning for resource allocation with network slicing in cognitive radio network. Computer Science and Information Systems, 18(3), 979–999. https://doi.org/10.2298/CSIS200710055Y