Kablosuz hücresel ağlarda sinyal gücü fading, girişim ve kullanıcı hareketi nedeniyle sürekli değişir. Yalnız sabit RSS veya SINR eşiklerine dayanan handover sistemleri geçici sinyal düşüşlerini gerçek hücre değiştirme ihtiyacı olarak yorumlayabilir ve bunun sonucunda gereksiz handover ile iki hücre arasında tekrarlı geçiş anlamına gelen ping-pong olayları oluşabilir. Araştırmada bu soruna RBF kernel kullanan bir Support Vector Machine sınıflandırıcısıyla yaklaşılmıştır.

MATLAB/Simulink simülasyonu 1000 × 1000 m'lik iki boyutlu bir alanda beş baz istasyonu ve tek aktif hareketli kullanıcıyla gerçekleştirilmiştir. Kullanıcı random waypoint hareket modeline göre 3–60 km/saat arasında değişen hızlarla hareket etmiş; kanal log-distance path loss, log-normal shadowing ve Rayleigh fading ile temsil edilmiştir. SVM eğitiminde RSS, SINR, kullanıcı hızı ve normalize edilmiş baz istasyonu yükü kullanılmış; verinin %70'i eğitim, %30'u test için ayrılmıştır.

Kaynakta raporlanan ortalama sonuçlara göre toplam handover sayısı 76,89'dan 34,10'a düşerek %55,7 azalmış; ping-pong olayları 41,16'dan 17,56'ya düşerek %57,3 azalmıştır. Packet loss olasılığı 0,2648'den 0,2486'ya gerilemiştir; bu 0,0162 mutlak fark, 1,62 yüzde puan ve %6,1 göreli azalmaya karşılık gelir. Effective throughput ise 0,8486'dan 0,9022'ye yükselmiş; mutlak artış 0,0536, göreli artış %6,3 olmuştur.

Handover neden sorun oluşturabilir?

Hücresel ağlarda hareket eden terminal, mevcut baz istasyonunun kapsama alanından uzaklaştıkça başka bir istasyona geçirilir. Handover işlemi hizmetin devamını sağlamak için zorunludur; ancak zamanlaması hatalı olduğunda bağlantı kesintisi, sinyalleşme yükü, gecikme ve paket kaybı artabilir.

Klasik sistemlerin önemli bir bölümü anlık RSS veya SINR değerinin belirli eşiği geçmesine dayanır. Rayleigh fading gibi hızlı değişen kanal koşullarında bu yöntem kısa süreli sinyal dalgalanmalarını kalıcı bağlantı bozulmasıyla karıştırabilir.

SVM hangi girdileri kullanıyor?

SVM nasıl eğitilmiş?

Çalışma doğrusal olmayan özellik ilişkilerini yakalamak amacıyla Radial Basis Function (RBF) kernel kullanmaktadır. SVM regularization parametresi C ile kernel parametresinin seçimi grid search ve eğitim verisi üzerindeki k-fold cross-validation ile gerçekleştirilmiştir. Bütün giriş özellikleri eğitimden önce ortak ölçeğe normalize edilmiştir.

Dataset %70 eğitim ve %30 test olarak ayrılmıştır. Ancak kaynak, seçilen nihai C ve kernel parametresini, k değerini ve toplam örnek sayısını raporlamamaktadır.

Eğitim etiketleri nasıl oluşturulmuş?

Eğitim verileri simülasyon ortamında üretilmiştir. Her ağ durumu “handover” veya “non-handover” olarak etiketlenmiştir. Kaynağa göre serving link'in RSS ve SINR değerleri belirli eşiklerin altında birkaç ardışık zaman aralığı boyunca kalıyor ve aday baz istasyonunun bağlantısı daha iyi görünüyorsa handover etiketi verilmektedir.

Sinyal düşüşü yalnız geçiciyse veya serving bağlantısı kabul edilebilir düzeydeyse non-handover etiketi kullanılmaktadır. Bu referans kuralı yalnız supervised learning için etiket üretmektedir; test aşamasında karar doğrudan SVM sınıflandırıcısı tarafından oluşturulmaktadır.

Bununla birlikte kaynak kullanılan RSS/SINR eşiklerinin sayısal değerlerini veya “birkaç ardışık aralık” ifadesinin kesin uzunluğunu vermemektedir. Bu durum yöntemin tam yeniden üretimini sınırlandırmaktadır.

Kanal modeli

Kanal üç temel bileşenle modellenmiştir: mesafeye bağlı ortalama sinyal zayıflamasını temsil eden log-distance path loss, büyük ölçekli çevresel dalgalanmaları temsil eden log-normal shadowing ve doğrudan görüş olmayan çok yollu yayılımın hızlı genlik değişimlerini temsil eden Rayleigh fading.

Bu bileşenlerin birleşimi, hareketli kullanıcının her baz istasyonundan aldığı RSS ve SINR değerlerinin zamanla değişmesini sağlamaktadır. Ancak path-loss exponent, shadowing standart sapması ve benzeri sayısal kanal parametreleri yüklenen metinde belirtilmemektedir.

Mobilite modeli

Kullanıcı random waypoint modeline göre 1000 × 1000 m alan içinde rastgele hedef seçmekte, rastgele seçilmiş 3–60 km/saat hızla bu hedefe ilerlemekte ve hedefe vardığında yeni bir nokta seçmektedir. Böylece yaya hızından araç hareketine kadar farklı mobilite düzeyleri tek simülasyon çerçevesinde temsil edilmektedir.

Simülasyon kurulumu

Handover sayısı

Threshold yaklaşımında ortalama handover sayısı 76,89 iken SVM mekanizmasında 34,10'a düşmektedir. Bu %55,7 azalmadır. Kaynak bunu, SVM'nin kısa süreli sinyal değişimlerini kullanıcı hareketi ve baz istasyonu yükü gibi ek bağlamla değerlendirebilmesine bağlamaktadır.

Ping-pong olayları

Threshold sisteminde 41,16 olan ortalama ping-pong sayısı SVM ile 17,56'ya gerilemiştir. Göreli azalma %57,3'tür. Şekil 2'de AI yönteminin yalnız daha düşük medyan değil, daha dar dağılım verdiği de gösterilmektedir.

Packet loss

Packet loss olasılığı 0,2648'den 0,2486'ya düşmektedir. Kaynak bunun %6,1 göreli iyileşmeye karşılık geldiğini belirtmektedir. Mutlak fark 0,0162'dir; olasılık yüzde biçiminde ifade edildiğinde 1,62 yüzde puanlık düşüştür.

Effective throughput

Effective throughput 0,8486'dan 0,9022'ye yükselmektedir. Mutlak fark 0,0536, göreli yükseliş %6,3'tür. Araştırma bunu daha az gereksiz handover ve daha düşük paket kaybı sayesinde bağlantının daha uzun süre kararlı tutulmasıyla ilişkilendirmektedir.

Verianla Live: Görselleştirme yalnız görünür bilimsel veri tablosundaki değerlerden üretilir; yeni ara veri oluşturulmaz.

Türkiye açısından olası anlamı

Çalışma Türkiye'deki belirli bir operatör, baz istasyonu yerleşimi veya 5G ağı üzerinde yapılmamıştır. Bununla birlikte Türkiye'de yoğun kent mobilitesi, karayolu ulaşımı, tren hatları ve yeni nesil hücresel ağ çalışmaları açısından önemli olan handover karar problemine açıklayıcı bir makine öğrenmesi örneği sunmaktadır. Yerel gerçek ağlara aktarım için Türkiye'deki hücre yoğunlukları, frekans bantları, kullanıcı dağılımları, gerçek trafik yükleri ve operatör ölçümleriyle yeniden eğitim ve doğrulama gerekir.

Çalışma neyi gösteriyor?

• Kaynakta tanımlanan simülasyon koşullarında SVM yöntemi threshold yaklaşımından daha az handover üretmiştir.
• Ping-pong olayları yarıdan fazla azalmıştır.
• Packet loss olasılığı göreli olarak %6,1 düşmüştür.
• Effective throughput göreli olarak %6,3 yükselmiştir.
• RSS ve SINR'ye ek olarak mobilite ve baz istasyonu yükünün karar mekanizmasına dahil edilmesi yararlı görünmektedir.

Çalışma neyi kanıtlamıyor?

• Gerçek 5G veya 6G şebekesinde saha performansını.
• Çok kullanıcılı yoğun ağlarda aynı iyileşme oranlarının korunacağını.
• Binlerce hücreli gerçek operatör ağındaki hesaplama ve sinyalleşme maliyetini.
• SVM'nin deep learning veya reinforcement learning dahil bütün diğer ML yöntemlerinden üstün olduğunu.
• Belirtilmeyen SVM ve kanal parametreleri nedeniyle tam bağımsız yeniden üretilebilirliği.

Çalışmanın Yöntemi ve Bulguları

Araştırmanın temel karşılaştırması, aynı hareket ve kanal ortamında geleneksel threshold kararı ile dört girdili RBF-SVM sınıflandırıcısının performansıdır. SVM için özellik normalizasyonu, %70/%30 eğitim-test ayrımı, grid search ve k-fold cross-validation uygulanmıştır.

En güçlü sonuç handover ve ping-pong sıklığındaki azalmadır. Buna karşılık çalışma yalnız tek aktif kullanıcı ve beş baz istasyonu kullandığı için ağ yoğunluğu, kullanıcılar arası kaynak rekabeti ve hücreler arası karmaşık yük etkileşimlerini kapsamamaktadır.

Yazarlar gelecekte çok kullanıcılı senaryoları, online learning ve deep reinforcement learning entegrasyonunu araştırma yönü olarak önermektedir.

Kaynak ve Yöntem Notu

Özgün başlık: SIMULASI KEPUTUSAN HANDOVER CERDAS BERBASIS SUPPORT VECTOR MACHINE PADA JARINGAN NIRKABEL MENGGUNAKAN MATLAB

Yazarlar: Andicho Haryus Wirasapta; Tiara Deta Pamungkas

Sorumlu yazar: Andicho Haryus Wirasapta

Kurumlar: Universitas Jambi; Poltekkes Kemenkes Jambi

Dergi: Jurnal LITEK: Jurnal Listrik Telekomunikasi Elektronika

Cilt / sayı: 23 / 1

Sayfalar: 30–37

Yayın: 1 Mart 2026

DOI: 10.30811/litek.v23i1.104

pISSN / eISSN: 1693-8097 / 2549-8762

Finansman: İncelenen sürümde ayrı beyan bulunmamaktadır.

Veri erişilebilirliği: İncelenen sürümde ayrı beyan bulunmamaktadır.

Çıkar çatışması: İncelenen sürümde ayrı beyan bulunmamaktadır.

Yazar katkıları: İncelenen sürümde ayrı katkı beyanı bulunmamaktadır.

Resmî DOI: https://doi.org/10.30811/litek.v23i1.104

Bilimsel içerik kaynak çalışmanın kendisine dayanır. Kaynakta açıkça verilmeyen SVM hiperparametreleri, kanal model katsayıları, Monte Carlo tekrar sayısı veya etiketleme eşikleri uydurulmamıştır. Sonuçlar gerçek şebeke saha testi değil, MATLAB/Simulink simülasyonu olarak yorumlanmalıdır.