تصميم وتقييم شبكات قابلة للتعافي الذاتي باستخدام تعلم Q وتقنية التوأم الرقمي

القسم: Research Article
إصدار
مجلد 35 عدد 4 (2026): Volume 35, Issue 4
سجل المقالة
استُلمت: 2026-03-29
عُدّلت: 2026-05-24
قُبلت: 2026-06-02
نُشرت: 2026-10-01
الصفحات
85-104

الملخص

تتطلب شبكات الاتصال الحديثة ذات التعقيد المتزايد اليوم خصائص أساسية لا غنى عنها في البنى التحتية المستقبلية، مثل الاعتمادية، والمرونة، وسرعة استعادة الأعطال. إلا أن حلول إدارة الأعطال الحالية تعتمد بشكل كبير على الأساليب اليدوية أو الأنظمة الثابتة المعتمدة على قواعد مسبقة، مما يجعلها غير قادرة على التعامل بكفاءة مع الأعطال الديناميكية والواسعة النطاق في الشبكات الحديثة. لذلك، يهدف هذا البحث إلى تصميم واختبار إطار عمل لشبكات ذاتية الإصلاح تعتمد على دمج التعلم المعزز (Reinforcement Learning) والتوأم الرقمي (Digital Twin) لتحقيق إصلاح ذاتي مستقل، تكيفي، وآني. تعتمد الفكرة الأساسية للنظام المقترح على تصميم وكيل تعلم باستخدام خوارزمية Q-learning يتفاعل باستمرار مع بيئة شبكة محاكاة لتعلم أفضل استراتيجيات الإصلاح، بالتوازي مع استخدام التوأم الرقمي لمحاكاة الشبكة الفعلية والتنبؤ بالأعطال المحتملة اعتمادًا على البيانات التاريخية والبيانات اللحظية. يتكون الإطار المقترح من عدة وحدات معالجة، تشمل محاكي شبكة يدعم طوبولوجيات مختلفة مثل الشبكات صغيرة العالم، العشوائية، التكيفية، عديمة المقياس، الكاملة، النجمية، والشبكات الشبكية (Grid). كما يتضمن وحدة مراقبة وتنبؤ لحالة العقد والوصلات تعتمد على التوأم الرقمي، بالإضافة إلى خوارزمية Q-learning بأسلوب ε-greedy لاتخاذ قرارات تكيفية في عمليات الإصلاح، وآلية حساب درجة صحة مركبة تعتمد على حالة العقد والوصلات. كما يستخدم النظام نماذج للتنبؤ بالأعطال، وإدارة البيانات التاريخية، وتقنيات تحسين المكافأة لتعزيز تقارب التعلم وزيادة مرونة الشبكة. تشمل معايير التقييم: صحة الشبكة، متوسط زمن الإصلاح (MTTR)، دقة كشف الأعطال، معدل الإيجابيات الكاذبة، توافر الشبكة، ونسبة نجاح الإصلاح. أظهرت النتائج التجريبية أن إطار العمل المقترح (RL–Digital Twin) يتفوق بشكل ملحوظ على الطرق التقليدية مثل عدم القيام بأي إجراء، والإصلاح العشوائي، والإصلاح القائم على القواعد، حيث حقق متوسط صحة شبكة قدره 89.4%، ومتوسط زمن إصلاح يبلغ 3.1 خطوة، ودقة تنبؤ بالأعطال وصلت إلى 91.2%. كما تمكن الوكيل الذكي من التكيف مع مختلف طوبولوجيات الشبكات وتحقيق تقارب خلال 65 إلى 100 حلقة تدريبية. ورغم هذه النتائج الإيجابية، فإن الدراسة تقتصر على شبكات محاكاة لا تتجاوز 30 عقدة، وتركز بشكل أساسي على الأعطال التشغيلية وليس الهجمات السيبرانية. كما أن هناك تحديات تتعلق بقابلية التوسع في الشبكات الأكبر بسبب القيود المرتبطة بخوارزمية Q-learning التقليدية.

الكلمات المفتاحية:

الشبكات ذاتية الإصلاح، التعلم المعزز، التوأم الرقمي، التعلم Q، الذكاء الاصطناعي

المراجع

  1. [1] A. Agrawal, G. Dubey, M. Dubey, P. Narwaria, and D. Khatri, “NEXT GENERATION NETWORKS: ADVANCEMENTS, CHALLENGES, AND OPPORTUNITIES FOR SCALABLE AND SECURE INFRASTRUCTURE,” 2024, pp. 58–71. DOI:10.58532/V3BGNC2P2CH2
  2. [2] A. Kumar, M. Masud, M. H. Alsharif, N. Gaur, and A. Nanthaamornphong, “Integrating 6G technology in smart hospitals: challenges and opportunities for enhanced healthcare services.,” Front. Med., vol. 12, p. 1534551, 2025. doi: 10.3389/fmed.2025.1534551
  3. [3] S. Katragadda and G. D, “Self-Healing Networks: Implementing AI-Powered Mechanisms to Automatically Detect and Resolve Network Issues with Minimal Human Intervention,” Dec. 2023. https://doi.org/10.3390/computers15040231
  4. [4] N. Kumar, E. Groenewald, S. Kulkarni, and A. Kariveliparambil, “Self-Healing Networks AI-Based Approaches for Fault Detection and Recovery,” Power Syst. Technol., vol. 47, pp. 371–386, Dec. 2023. DOI:10.52783/pst.206
  5. [5] G. Shingade, “Applications of Artificial Intelligence and Machine Learning in Power System Operation and Control: A Comprehensive Review,” Commun. Appl. Nonlinear Anal., vol. 32, pp. 2007–2022, Mar. 2025. DOI:10.1109/TPWRS.2022.3220799
  6. [6] Y. Zahraoui et al., “AI Applications to Enhance Resilience in Power Systems and Microgrids—A Review,” Sustainability, vol. 16, no. 12, 2024. https://doi.org/10.3390/su16124959
  7. [7] A. Inamdar, W. D. van Driel, and G. Zhang, “Digital Twin Technology—A Review and Its Application Model for Prognostics and Health Management of Microelectronics,” Electronics, vol. 13, no. 16, 2024. https://doi.org/10.3390/electronics13163255
  8. [8] A. Khdoudi, T. Masrour, I. El Hassani, and C. El Mazgualdi, “A Deep-Reinforcement-Learning-Based Digital Twin for Manufacturing Process Optimization,” Systems, vol. 12, no. 2, 2024. https://doi.org/10.3390/systems12020038
  9. [9] P. Almasan et al., “Network Digital Twin : Context , Enabling Technologies and Opportunities,” no. Ml, pp. 1–7, 2022. DOI:10.1109/MCOM.001.2200012
  10. [10] F. B. Mismar and B. L. Evans, “Deep Q-Learning for Self-Organizing Networks Fault Management and Radio Performance Improvement,” 2019. DOI:10.1109/ACSSC.2018.8645083
  11. [11] D. Saxena, A. K. Singh, and S. Member, “A Self-Healing and Fault-Tolerant Cloud-based,” pp. 1–10, 2025. DOI:10.48550/arXiv.2505.01215
  12. [12] N. Cheng, S. Member, X. W. Id, S. Member, Z. L. Id, and S. Member, “Toward Enhanced Reinforcement Learning-Based Resource Management via Digital Twin : Opportunities , Applications , and Challenges,” pp. 1–7, 2024. DOI:10.48550/arXiv.2505.01215
  13. [13] N. Majid and O. Isreal, “AI-Driven Network Automation: A Systematic Review of Self-Organizing and Self- Healing Computer Networks,” Jan. 2026.
  14. [14] A. Hakiri, A. Gokhale, S. Ben Yahia, and N. Mellouli, “A comprehensive survey on digital twin for future networks and emerging Internet of Things industry,” Comput. Networks, vol. 244, p. 110350, 2024. DOI:10.1016/j.comnet.2024.110350
  15. [15] T. Ward, N. T. City, K. H. Province, T. Engineering, and I. Technology, “Self-Healing Networks AI-Based Approaches for Fault Detection and Recovery. *1,” vol. 47, no. 4, pp. 4–10, 2023. DOI:10.52783/pst.206
  16. [16] Z. Noun, M. Saied, H. Muhieddine, H. Shraim, C. Francis, and H. Noura, “Reinforcement learning in fault tolerance and diagnosis fields: A literature review,” Annu. Rev. Control, vol. 61, p. 101055, 2026. DOI:10.1016/j.arcontrol.2026.101055
  17. [17] R. van Dinter, B. Tekinerdogan, and C. Catal, “Predictive maintenance using digital twins: A systematic literature review,” Inf. Softw. Technol., vol. 151, p. 107008, 2022. https://doi.org/10.1016/j.infsof.2022.107008
  18. [18] Y. Yang, X. Chen, R. Tan, and Y. Xiao, “IoT Technologies and Applications,” in Intelligent IoT for the Digital World: Incorporating 5G Communications and Fog/Edge Computing Technologies, 2021, pp. 1–60. DOI: 10.1002/9781119593584.ch7
  19. [19] T. Omar, T. Ketseoglou, O. Naffaa, A. Marzvanyan, and C. Carr, “A Precoding Real-Time Buffer Based Self-Healing Solution for 5G Networks,” J. Comput. Commun., vol. 09, pp. 1–23, Jan. 2021. DOI:10.3390/fi15070244
  20. [20] S. A. Kauffman, A. Roli, A. Mater, and S. Università, “Beyond the Newtonian Paradigm : A Statistical Mechanics of Emergence,” pp. 1–20, 2021. DOI:10.1098/rsfs.2022.0063
  21. [21] A. Mujezinović, E. Turajlić, A. Alihodžić, M. M. Dedović, and N. Dautbašić, “Calculation of Magnetic Flux Density Harmonics in the Vicinity of Overhead Lines,” Electronics, vol. 11, no. 4, 2022. https://doi.org/10.3390/electronics11040512
  22. [22] K. Madala, H. Do, and D. Aceituna, “A Combinatorial Approach for Exposing Off-Nominal Behaviors,” in 2018 IEEE/ACM 40th International Conference on Software Engineering (ICSE), 2018, pp. 910–920. https://doi.org/10.1145/3180155.3180204

المؤلف

المعرفات

معرف الكائن الرقمي DOI: 10.33899/jes.v35i4.62252

تنزيل هذا الملف
PDF (الإنجليزية)

الإحصائيات

طريقة الاقتباس

[1]
"تصميم وتقييم شبكات قابلة للتعافي الذاتي باستخدام تعلم Q وتقنية التوأم الرقمي", JES, م 35, عدد 4, ص 85–104, أكتوبر 2026, doi: 10.33899/jes.v35i4.62252.
حقوق الطبع والنشر والتراخيص
Creative Commons Licenseهذا العمل مرخص بموجب رخصة المشاع الإبداعي نسب المصنف 4.0 رخصة دولية.

طريقة الاقتباس