基于数据分析的移动网络规划工具

文摘

规划未来的移动网络需要多重挑战由于高网络管理的复杂性。除了4 g和5 g网络预计将以高致密化的节点和异质性的层,应用程序和无线接入技术(老鼠)。在这种背景下,网络规划工具能够处理这种复杂性是非常方便的。生产的目标是利用信息和网络中已有正确部署、配置和优化网络节点。这项工作提出了这样一个智能网络规划工具,利用机器学习(ML)技术。该方法能够预测的服务质量(QoS)经历了由用户基于网络测量的历史。我们选择物理资源块(复审委员会)每兆比特(Mb)作为我们的主要QoS指标优化,因为最小化这个指标允许为用户提供相同的服务通过使用更少的资源,因此,更划算。两种情况的研究被认为是为了评估该方案的性能,一个巧妙的计划小细胞部署在一个密集的室内场景和第二个及时面对一个宏单元网络检测到的故障。

1。介绍

如今,我们协助的定义5 g网络会是什么样子。3 gpp已经开始多个工作项将导致小说的定义5 g广播和架构(1]。主要供应商有出版众多白皮书提出他们的观点在5 g网络和体系结构。欧盟委员会已经到位5 g的一个重要基础设施公私伙伴关系(5 gppp)基金研究计划5 g网络(2]。从所有这些融合是明确的愿景,在超过4 g网络管理和未来的5 g网络面临着全新的挑战,由于()超密部署,异构节点、网络应用程序,和无线接入网络(跑)以及异构频谱访问通过新技术,如长期演进无照(LTE-U)和许可辅助访问(LAA),共同存在于相同的设置,(),需要管理的动态网络中部分节点是由用户直接控制(例如,家庭基站)、节能政策产生波动的节点数量,有源天线,等等,(),需要支持1000 x交通和10 x用户和提高能源利用效率,()需要改进用户的经验通过启用Gbps速度和高度降低延迟,或(需要管理新的虚拟化架构。

在这种情况下,它已经普遍认识到,网络需要建立新的程序变得更加聪明、自我意识和自适应。在这个方向的第一步已经介绍了4 g LTE网络,自发布8,通过引入自组织网络(儿子)。然而,这个愿景需要进一步发展在5 g考虑这些网络的巨大复杂性。我们已经观察到在3),生成大量的数据目前已经在正常操作期间4 g网络的控制和管理功能,和更多的数据预计将聚集在5 g网络由于致密化过程(4层和技术),异质性,额外的控制和管理的复杂性网络功能虚拟化(NFV)和软件定义网络(SDN)架构,增加相关性的机器对机器(M2M)和物联网(物联网)通信,增加各种各样的应用程序和服务,每个都有不同的交通模式和QoS /质量的经验(体验质量)需求,等等。

网络管理的主要目的然后让网络()更有自我意识,通过利用和分析数据已经生成的网络(这将推动网络管理从被动到预测)和()自适应利用智能控制决策工具,提供的ML,基于学习和体验。

本文在许多网络管理问题,我们专注于智能网络规划,特别强调对QoS提供用户和运营商提供所使用的资源。我们相信,智能网络规划工具的使用是至关重要的和不可避免的运营商运行multi-RAT,多厂商,多层网络,压倒性数量的参数需要配置优化网络性能。艺术的状态在网络规划,在文学,和市场提供了一个广泛的平台系统和应用程序提出的研究面向社区和/或行业。从行业的角度来看,商业计划的市场工具旨在提供一套完整的解决方案设计和分析网络(5- - - - - -8]。例如,在[9),作者展示了一个开源的网络规划工具,包括不同的规划算法来分析网络在不同故障和能源效率计划。然而,这些作品一般集中在几个配置场景,射频覆盖规划、网络恢复测试,流量负载分析,和预测流量,等等,而不是直接在QoS提供给最终用户和移动网络运营商需要提供的资源。QoS估计其他作品更有针对性,但不是在网络规划的面积。文献已经提供了不同的作品针对QoS的预测和验证的问题,如(10,11]。在我们的前期工作12),我们专注于复杂的多层异构网络预测QoS独立于物理位置的问题,也就是说,基于数据了解整个网络。初步结果表明,通过抽象的物理位置的测量,我们可以提供高的估计精度QoS在其他任意区域。此外,结果显示在13)显示,数据分析实现更好的性能在减少空间而不是在原来的一个。

本文提出一种智能网络规划工具,在两步工作。首先,它估计网络的QoS每一点基于user-collected测量,可能是在不同的时间瞬间和异构网络的任何地方。我们执行这个估计通过监督学习工具。这个结果在一个适当的调谐QoS预测模型,然后在下一步中集成。第二,我们调整网络参数以达到特定的网络目标通过评估不同的组合和基于模型计算得到的QoS的第一步。网络目标设置的复审委员会/ Mb。我们专注于这个特定的QoS指标,因为它结合了信息相关的操作符(PRBs)和其他相关的终端用户(Mb的数据)成一个单一的指标。因此,这个指标的最小化可以为用户提供一种改进的频谱效率和提供QoS。更具体地说,开展优化我们利用天然气,这是随机搜索算法实现学习有用的和优化的任务(14),因此是适合我们的目的。

为了评估该方案的性能,我们认为两个用例。第一个是在强化室内场景中,和第二个是更传统的宏单元的场景。在第一个用例中,我们关注的是如何计划一个密集的小细胞部署了在一个典型的3 gpp双条纹场景(15),参数调整小细胞的数量和他们的位置。在第二个用例,我们应对自我修复方面macrocellular场景。我们专注于调整参数周围细胞的快速解决停机问题通过自动调整天线倾斜参数。

我们评估拟议的计划工具的性能通过网络模拟运动进行了3 gpp兼容,完整协议栈ns-3莉娜模块。我们表明,该ML-based网络规划,不同于其他封闭的优化方法,是非常灵活的应用程序问题和场景中,从这个意义上说,它是通用的。不失一般性,特别注意都集中在如何计划一个密集的4 g小细胞部署和如何快速解决停机问题。可以看到,该方法同样有效,显示了良好的性能在这两个用例,研究的特点是非常不同的优化问题和场景。至于老鼠,我们都集中在4 g及其演化。同样的技术也可以应用到2 g和3 g技术。

本文组织如下。节中描述的一般方法2。它描述了ML-based网络规划工具,我们使用它的主要设计原则和算法来构建它。节3,我们将讨论具体的设计细节和调优的QoS预测模型,我们把所有的碎片(即。一起,预测和优化)。节4,我们介绍两个用例的细节的工具应用,仿真平台,模拟的结果。最后,部分5总结了纸。

2。ML-Based网络规划工具描述

我们建议设计一个网络规划工具,它在两个步骤。首先,我们建议模型的QoS通过分析数据从网络中提取的测量。这个阶段需要先准备数据,然后分析它。第二,我们继续调整参数和分析对QoS基于先前模型的影响。这样,网络的性能优化,以满足特定的操作目标。图1提出要求的不同阶段提出了网络规划。

(1)数据准备。这个过程的目的是将数据转化成有意义的格式估计。目标是整合和准备大量数据在网络上提供一个统一的信息基础进行分析。为此,我们遵循提取-转换-装载(ETL)过程中,负责获取数据的来源和将其放置到一个数据库中。它包括三个主要步骤:数据提取(E),其目的是收集来自不同数据源的数据;数据转换(T),准备的数据查询和分析的目的;数据加载(L),将数据加载到的主要目标,大多数情况下平面文件。这个过程中扮演一个重要的角色的设计和实现为未来的移动网络规划。目标是创建一个数据结构能够提供有意义的见解。一些例子的移动网络中可用的来源如表所示1(3]。这里的数据分类是基于网络中生成的目的。鉴于现在的使用网络也建议在最后一列。为目的的网络规划,我们计划提取数据报告的问题的网络形式的测量问题,在接收功率方面,获得质量和提供QoS。

一旦数据被收集,我们准备的数据存储、查询使用适当的结构。

(2)数据分析。这个过程的目的是发现数据中的模式,从而对未来的预测。这是通过寻找这些信息/相关无线电测量从网络中提取。我们通过应用毫升技术。

(3)优化网络规划。这个过程的目的是找到的配置参数优化网络规划的基础上,从前面的数据分析中提取信息的过程。在复杂的细胞环境中,我们需要处理一些网络引入高复杂性的特性,例如,大量的参数,跨越层的强干扰,快衰落,阴影,和移动的用户。为了处理这些问题,保证一个合适的网络规划,在这个工作中,我们建议使用天然气,它可以避免一些典型问题的关闭优化技术(例如,计算棘手)在这个复杂和动态的场景。更具体地说,他们的工作与染色体(即。,a given combination of values for the parameters to be tuned in the network). For each of the chromosomes, they calculate its fitness score based on a given objective function (in our case, the QoS predicted by the model) [17]。然后,他们选择最好的染色体健身得分和生成更好的孩子染色体结合所选的和他们继续迭代,直到目标函数产生的染色体达到性能目标。这样,气体从人口分执行并行搜索,代表不同的参数的值调的场景,会同其他技术,他们有能力避免局部最小值和使用概率搜索规则。

2.1。造型的QoS

我们估计网络的QoS每一点基于测量数据收集在不同的时刻在时间和来自其他地区的异构网络,也就是说,基于网络测量的历史。为此,我们考虑的数据准备和数据分析网络规划工具的过程。正如前面提到的,这两个过程的目的是提取,准备,和分析已有的信息网络提供的信息的分析。事实上,这种估计,毫升技术可以非常有效的预测基于观测。因此,我们利用毫升技术来创建一个模型,允许估算QoS通过学习PHY层测量和QoS测量之间的关系问题。我们建议使用SL,由于在许多应用程序提供工具来估计和预测行为。特别是,我们专注于一个回归的问题,因为我们想分析一个连续变量之间的关系(复审委员会/ Mb)和数据从网络中提取的形式问题测量。许多回归技术已经开发在SL文学,和标准来选择最合适的方法包括等方面的关系之间存在之间的输入和输出或考虑功能,复杂,数据集的维度,从噪声分离的信息的能力,训练速度、预测速度,预测的准确性,等等。我们专注于回归模型,选择最具代表性的方法。然后我们使用合奏业者进行训练样本的方法,如低优先级标准复杂性和精度高。

然后建立一个数据集的用户测量,基于相同的数据中包含的驱动测试的最小化(联合化疗)数据库。联合化疗是一个标准化的数据库用于不同的3 gpp的用例。数据集包含训练样本(行)和功能(列)和分成集,训练集训练模型和测试集,以确保预测是正确的。训练数据建立预测模型,评估预测的准确性,通过推断一个函数,返回预期的输出。输入空间的表示维输入向量。每个维度是一个输入变量。此外,一个训练集涉及训练样本。每个样本包含一个输入向量和相应的输出一个数据点。因此,输入变量的值吗在训练样本,通常是通过计算错误或与均方根误差。

除了回归分析时,我们利用无监督学习(UL)降维技术来过滤数据中的信息是感兴趣的(从而减少计算复杂度),同时保持了预测的准确性。我们将数据输出到一个方法组成的装袋/演算法来操纵训练样本。在那之后,然后SL评估以下技术应用。以下给出每一步的细节,和整个过程如图2。

(1)收集数据。我们考虑的数据来自于移动网络,产生数据的网络测量,控制和管理信息(表1)。正如我们前面所提到的,我们专注于联合化疗的功能,这使得运营商收集用户设备(UE)测量和位置信息,如果可用,用于网络管理,降低运营成本。该特性引入了自发布以来,3 gpp 10;目标中存在的标准化解决方案覆盖优化,流动性,容量优化,参数化的常见渠道,和QoS验证。在这种背景下,文学已经为这个特性提供了不同的解决方案。的一个例子,可以观察到,18,19]。自运营商也估计QoS性能感兴趣,在释放11中,联合化疗的功能得到了增强正确尺寸和计划通过收集测量吞吐量和网络连接问题(20.]。因此,我们为每个问题收集(参考信号接收功率(RSRP)和(参考信号接收质量(RSRQ)来自服务和邻国eNBs。输入空间的大小。的行数数量问题的情况下,列数对应的数量测量。输出空间的大小,这对应于QoS性能方面的审查委员每传播Mb。这些测量聚集在任意点的网络在整个使用寿命期间利用其他任意未来部署计划。

(2)预处理数据。为了获得一个良好的性能评估期间,不同的输入变量的测量必须在一个类似的规模和范围。因此,常见的做法是每个变量之间的规范化范围和替换与在最大和最小值之间的差异输入变量的数据集,在哪里输入变量的平均值吗在数据集。规范化数据然后被分成训练集和测试集,我们创建一个随机的分区集的输入。这个分区将观察划分为训练集样品和测试集样本。我们随机选择大约观察测试集。

(3)加载数据。这个过程差别很大。正如我们前面所提到的,根据运营商需求,数据可以更新或添加新的数据定期历史形式。对于我们的建议,在这个特定的工作,我们保持所有更改的历史数据加载的网络。

(4)减少了高维空间。移动运营商必须面对的问题之一,在这样的网络是我们大量的潜在特征作为输入。在特定情况下,网络致密特性将大幅增加。因此,处理大量的特性,我们提出应用回归技术减少了空间,而不是原来的。背后的想法来自我们的以前的工作12),我们观察到使用高维空间没有导致最佳的性能。因此,我们建议在降低空间应用回归分析。因此,我们利用降维技术来减少随机变量考虑。这些方法可以分为特征提取(FE)和特征选择(FS)的方法。这两种方法都试图减少数据集的特性。有限元方法通过创建新组合的特性(例如,主成分分析(PCA)),哪个项目的数据到一个低维子空间通过识别相关的数据分布特性。他们保留了主成分(pc)和最大方差和丢弃所有其他保存最大信息和保留最小冗余(21]。Correlation-based FS方法包括和排除功能在不改变他们的数据。稀疏主成分分析一个例子(SPCA),它扩展了经典PCA方法减少维数的数据通过添加稀疏约束的输入功能;即,通过调整权重的一组输入功能,它产生一个矩阵中大部分元素为零的解决方案。在FS-SPCA稀疏用于选择特性,提供最有用的信息;我们增加SPCA的重量,功能的数量减少。即通过增加稀疏约束的输入特性,我们推广解决方案,只有少量的输入特性获取大部分的方差。在这些功能提出了一些初步的工作(13]。

(5)构建机器学习模型。我们选择了一些有代表性的回归模型,优先考虑标准如低复杂性和精度高:()最近的邻国(神经网络),()神经网络(NN), (支持向量机(svm), (决策树(DT),我们进行实证对比分析他们的这些算法,观察对预测的影响问题不同种类和数量的测量。(1) 神经网络可用于分类和回归(22]。的神经网络方法的优点是易于理解和快速培训和参数调优是最小的。(2)神经网络是一个统计学习模型启发人类大脑的结构相互连接的节点代表神经元产生适当的反应。神经网络同时支持分类和回归算法。神经网络方法需要的参数或分布模型来自数据集,一般来说他们是容易过度拟合(23]。(3)支持向量机可用于分类和回归。该方法的估计精度取决于一个好的正则化参数的设置,和内核参数。这种方法通常显示在预测精度高,非线性问题,它也可以表现得很好当使用适当的内核方法(24]。(4)DT是一个流程图模型,支持分类和回归算法。决策树的数据不需要任何先验知识,是健壮的,工作在嘈杂的数据。然而,他们依赖于训练数据的报道,许多分类器一样,他们也容易受到过度拟合(25,26]。

为了提高学习算法的性能描述之前,不要使用相同的数据集进行训练,我们可以使用多个数据集通过构建一个方法。整体方法学习模型,结合多个学习者的意见。这种技术已经在一个巨大的各种各样的调查工作(27,28),最有用的技术已经发现装袋和演算法29日]。装袋操纵训练例子来生成多个假设。它运行的学习算法次,每一次都有不同的训练样本子集。演同样的工作,但它维护一组原始训练集和权重的调整这些权重通过增加体重和减少重量分类错误的样本正确分类的例子(30.]。

总之,一旦加工和提取的数据加载到一个文件,它是输入维数减少一步,随后进入一个步骤,操作的训练集装袋/演算法技术的应用。然后应用产生回归学习算法(参见算法1)。

(6)评估的准确性。评估模型的准确性,了解函数的性能测量的测试集,也就是说,我们使用的一组样本用于优化回归算法。我们为每一个测试值,预测的平均QoS并与实际值进行比较的根均方误差(RMSE)预测如下,在那里测试集的长度,表明预测值,一个数据点的测试值吗。为了比较不同尺度的RMSE,输入和输出变量值归一化如下:NRMSE =,在那里和表示在输出空间的最大和最小值的大小,分别。

2.2。优化网络规划

正如我们前面所提到的,这个过程的目的是关闭循环通过调整参数,网络性能,通过遗传算法。这个结果在GA组织成不同的阶段,如图3。

(1)创建 可行的解决方案。我们创建一个组可行的解决方案(也称为染色体或个人),从人口规模。我们表示一个人的配置参数向量,eNB表示参数的值例如,传输功率()、天线倾斜(),或者行动来打开或关闭()小细胞。

(2)评估网络部署性能。这个函数负责评估网络部署的性能。目标是计算每个人的目标函数(健身)。给定一个特定的配置参数向量,这个函数是负责返回平均提供QoS,也就是说,平均网络性能预测基于网络测量的历史。这个函数作为输入可行的解决方案和模型回归算法产生的在前一节中讨论。也就是说,算法的输出1。

这个模块的行为如下。在每个迭代中,我们收集测量任意分的场景。这些测量得到的结果有根据每个场景的参数配置。根据这些测量,预测的QoS的兴趣点是使用在步骤1中生成的模型(见evalNetPerformance函数算法2)。最后,对于一个给定的个人,平均预测QoS的点返回作为系统的性能的指标设置。

正如我们前面所提到的,我们感兴趣的指标是复审委员会/传播Mb,因为减少它允许改善用户的QoS,同时提高运营商的频谱效率。因此,健身功能旨在找到的配置参数的总复审委员会/传播Mb最小化。操作员可以为总目标所需的价值每传播Mb,,在此基础上,网络规划工具可以决定当目标已经实现了,中断操作。因此,在任何GA,我们试图提高参数的调优为每个通过下面描述的过程(即新一代。、选择、交叉和变异)。和我们的改进是平均预测QoS的值属于每一代的个体。

(3)选择。我们选择最适合个人基于他们的生殖健康,也就是说,这个函数生成一个新的个人从当前人口的人口。这种选择被称为精英的选择。精英主义最好的副本适当的候选人给下一代。

(4)交叉。这个函数相结合形成一个新的个体的遗传信息从他们的父母。交叉背后的想法是,新的个人可能比父母如果他把最好的从他们每个人的特点。我们使用一个算术交叉,这创造了新的个人(加权算术平均数的两个父母。如果和是父母,函数返回如下: 在哪里是一个随机权重因子选择在每个交叉操作。即算术交叉算子结合两个父染色体向量来产生新个体,在哪里是一个随机值之间。

(5)突变。这个函数随机选择一个参数基于统一的随机值之间的最小和最大价值。它维护多样性参数值的后代。也就是说,它可以避免过早收敛于局部最大值或最小值。为此,我们将突变的概率一个可行的解决方案。如果太高了,收敛缓慢或不发生。因此,大部分的时间往往是小的。最后,我们将最适合人口替换为新个体。整个遗传算法中描述的算法3。

3所示。网络规划工具的设计

本节提供了一个讨论如何调整模型之初考虑复杂的场景,然后解释这个模型是如何融入全球网络规划工具。

3.1。QoS造型组件的设计和评价

本节比较了不同的选项为每个组件定义我们的QoS模型,即降维,整体方法和回归方法。我们考虑为他们每个人不同的选择:)FE-PCA FS-SPCA降维;()装袋和演算法作为整体方法;和()神经网络、神经网络、SV和DT回归模型,预期的节2.1。

表2总结了每个学习算法的准确度。精度是衡量。根据这个表格,我们讨论潜在的设计决策:

(1)FS-SPCA是一个非常有用的方法,如果我们感兴趣的是不包括功能保留最小的信息冗余。这可以观察到在图4显示了NRMSE的函数不同数量的特性()选择SPCA,结果表明,功能得到NRMSE值最低。因此,我们选择特性,给我们最有用的信息。另一方面,FE-PCA方法中,我们观察到的数字5和6我们可以获得70如果我们考虑累计的方差个人电脑。也就是说,第一电脑我们已经捕获数据的主要变化。因此,一方面,FE-PCA将减少输入数据的SL一步处理链的前处理的功能。另一方面,FS-SPCA将简化初始特征处理,因为作为他们选择功能,但成本会越高所需的存储空间。的总体预测精度,通过实现FS-SPCA方法,我们可以降低数据的维数特性和仍然保持精度对FE-PCA几乎相同的方法。也就是说,如果我们认为92年的特性,我们只输了精度对FE-PCA(即。,92inputs versus 10 inputs to the SL step). Therefore, it will depend on the specific network and operator to select whether computing or storage should be reduced and to decide whether the price paid in terms of accuracy is acceptable.(2)当我们建立整体方法,支持向量机和神经网络回归模型时表现得更好比时提高了袋装。这是意料之中的,装袋结合许多弱预测(即。,the predictor is only slightly correlated with the true prediction) to produce a strong predictor (i.e., the predictor is well-correlated with the true prediction). This works well for algorithms where by changing the training set the output changes.相反的行为中可以找到神经网络和DT回归模型;也就是说,当这些算法提高了模型倾向于比袋装时提供更好的结果。就是为了提高演算法的性能,我们使用次优值,邻居们的数量()神经网络和树的数量(DT);也就是说,我们使用值不是很好,但至少比随机的。因此,我们通过调优参数,以避免使疲软的预测解释变量响应同样的情况(31日]。这不是支持向量机和神经网络。因为这些学习算法没有一个输入参数,我们可以调整获得弱预测而不影响模型的准确性,这些算法的概率时提供更好的性能比时提高袋装更低。一些初步结果如何可以使用支持向量机作为一种弱预测可以在找到32]。另一个选择可能是治疗这种算法是一个软弱的回归量通过使用较少的训练样本,按照规定在33]。(3)通过应用不同的回归模型,特别是袋装SVM回归模型时,我们改进的整体精度预测的神经网络模型。更具体地说,在NRMSE条款,神经网络展览的一个错误这个价值,而支持向量机部分。

结果表明,当所有的回归模型具有精度高,bagged-SVM学习模型是更好地满足我们的需要和展品更准确的预测。因此,在这项工作我们关注bagged-SVM建立最好的模型,该模型与数据的吻合程度。

3.2。把它在一起:ML-Based网络规划工具

总之,该工具利用这两个组件一起工作的力量,即ML-based QoS建模和基于遗传网络优化。前者是能够提取最相关的信息财富的运营数据以复杂的超密网络和运营商和终端用户进行有意义的预测。这导致强大的网络性能预测模型,被送入后者,探索和发现参数的最佳组合配置网络元素,在那里最好的意味着给的一个最好的QoS根据学习模型预测。整个网络规划过程在图中进行了描述7。

4所示。绩效评估的网络规划工具

为了评估该方案的性能,我们考虑两种情况的研究。

(一)案例研究 密集的小细胞场景:部署计划。在此用例中,我们利用经验在整个网络正确尺寸和部署(即。定位)小细胞在一个室内部署。目标是提高QoS提供给最终用户,同时增加频谱效率减少/ Mb传播使用的伪随机位序列。

(B)的案例研究 :自愈来弥补缺点。细胞中断补偿(COC)应用于缓解造成的停机损失的服务从一个错误的细胞。这个用例,一个适当的反应是至关重要的服务的连续性。因此,特定于供应商的电池故障检测(COD)计划也被设计(34- - - - - -36]。在这种情况下的研究假设故障已经被发现,而且我们关注调整网络规划(天线倾斜)来解决故障问题。

网络规划工具旨在保证满足运营商的需求。我们继续设计适当的规划工具通过定义以下方面:(1)数据:我们定义无线电测量,我们从网络中提取和分析。(2)参数:我们定义我们的目标是优化网络参数。(3)行动:我们定义可能采取的行动,以优化网络性能。(4)目的:我们定义系统级目标。表3给每个用例正在研究这些信息。

用例的结果中描述的应用程序的其余部分。我们第一次的模拟场景,然后每个用例的仿真结果。

(一)案例的研究 :部署室内小细胞。我们的目标是提供一个网络规划的一个小单元室内部署提高QoS提供给最终用户和提高资源效率(复审委员会/ Mb)的计划。

(1)模拟场景。我们建立了由的场景增强节点基站(eNB)部门。我们需要计划的部署小细胞网络定义为标准的基于双条纹场景块建筑(37]。这座建筑有地板,公寓,其结果公寓,如图8。我们考虑到小细胞位于每个公寓,规划将决定哪一个将被开启或关闭。使用的参数模拟和学习参数表中给出4。

(2)仿真结果。仿真具有初始部署,每个公寓大楼的随机部署的小细胞。信号干扰噪声比(SINR)每一点的场景中,通过这个初始部署,在图中进行了描述9。这个想法是为了确定最有效的数量和位置的小细胞通过评估每个单独的性能配置。配置表示为一个二进制字符串,尺寸。在二进制串表示如果每个元素th小细胞是打开或关闭的值意味着的电力传输小细胞将dBm,而意味着小细胞关闭。在每个迭代(即。一代的GA),过程评估不同的字符串,评估完成后,小细胞的过程提供了一个新的配置。因此,提出网络规划工具利用模型生成的数据准备和数据分析过程估计场景中的QoS在任何随机点了确定。然后,它通过在线学习优化网络规划工具的最佳配置小细胞部署通过改善与每一个新一代的配置(见图10)。这个过程被称为以后。

我们评估每个部署的系统性能,表示为一个二进制字符串的维度在ns-3莉娜模块。当我们得到一个新的配置系统中,我们实现模拟器和评估一遍,直到网络部署到网络性能目标设定的操作符。

数据11和12展示最好的个人的健身中发现每一代(最好)和健身价值的均值在整个人口(平均),复审委员会/ Mb和平均吞吐量而言,分别。图11描述了时间演化平均复审委员会Mb的场景。我们观察到,随着一代又一代的进行发展,审查委员/ Mb减少预期,所以计划的效率增加,因为增加和伪随机位序列平均消耗减少。也就是说,在th的一代,达到最好的频谱效率计划。图12显示的演变方案的整个网络的平均吞吐量。我们观察到每个新一代计划发现的数量和位置的小细胞,最大化吞吐量。图10地图显示了生成的SINR的部署。可以看出网络的代表地区的SINR也在全球范围内改善。

比较不同规划方案图所示13。这个图显示了三个部署:SINR性能(),所有的小细胞,有一个小的细胞在每个公寓(标记为初始部署),()提出的方法(标记为最终部署),结果在28日部署小细胞,()一个基准部署基于贪婪算法。贪婪算法搜索最佳部署测试一定数量字符串向量的配置,定义打开节点的数量和位置。对于每个配置,贪婪算法计算QoS,然后选择配置,它提供了最佳的QoS的结果。这个论点讨论了(38]。它提供了一个权衡大量的配置,这将导致高的计算工作,和低配置的数量,这可能会导致当地的最适条件。我们已经测试了不同的价值观对表演和我们最终选择了。而贪婪的搜索算法很少输出最优解,它通常提供了合理的非最优解决方案39]。这可以观察到在图13,小细胞的数量在初始部署,在贪婪的部署,当应用计划是。我们观察在这个图,一般来说,倾向于更有效地工作,因为它提供了改进的QoS,同时部署一个小细胞的数量减少。的原因是遗传算法方法使得一个更深的状态估计环境通过回归分析和计算更复杂的组合搜索方案,基于基因的方法,比贪婪的计划,执行有限的搜索和可能被困在当地的最适条件。

(B)的案例研究 :自愈来弥补缺点。正如我们已经提到的,在这种情况下的应用程序中,我们专注于调整网络规划快速解决停机问题通过调整天线倾斜参数。评价,我们生成一个部门的错在一个典型的macrocellular部署。也就是说,在一定时期内,一个部门不能为用户提供服务。因此,提出网络规划工具允许设置天线倾斜对每个补偿部门自动缓解造成的停机损失的服务从一个错误的部门(40]。

(1)模拟场景。我们考虑一个长期演进(LTE)蜂窝网络由一组组成eNBs。的eNBs形成正六边形网络布局与intersite距离并提供覆盖整个网络。我们假设一个行业的情况是(见图14)。的参数来优化天线倾斜细胞周边受影响的部门。特别是,周围细胞自动,不断调整天线倾斜,直到覆盖缺口填满。细胞获得部门的垂直辐射模式根据(41),获得在水平平面是由 在这里水平角相对于最大增益方向,的权力束宽度一半是水平面,然后呢是旁瓣水平水平面。同样,在垂直平面是由 场景中的所有eNBs天线模型相同垂直的角度相对于最大增益方向,倾斜的角度,是垂直权力束宽度一半,是垂直的旁瓣电平。最后,两个获得组件被添加 在哪里是一个整体和旁瓣楼层天线增益。我们考虑一个蜂窝网络的系统性能评估在3 gpp-compliant ns-3莉娜模块。模拟中使用的参数和学习参数表5。我们建立了由宏单元场景eNB与每一个行业,它的结果细胞,如图14。

因此,每一个可行解对应于一个向量的(即倾斜值。,each tilt value is associated with one of the surrounding cells that are trying to fill the outage gap).

(2)仿真结果。我们分析性能结果通过网络规划工具中所描述的部分2。数据15- - - - - -17展示最好的个人的健身中发现每一代(最好)和健身价值的均值在整个人口(的意思)。我们观察到,每一代的人口(即。,the possible combinations of antenna tilts) tends to get better as generations proceed. Figure15描述了时间演化提供的复审委员会每Mb的场景在进化。我们观察到的的发展,规划的效率增加。一代又一代进行,发现配置参数向量减少伪随机位序列/ Mb传播的价值。

为了分析故障及其演化的总体影响对于每个新一代,我们只描述相邻细胞的平均吞吐量(图16(图)和整个网络17)。

更具体地说,图16描述了时间演化的平均吞吐量补偿领域。也就是说,它显示了吞吐量的性能邻近细胞,调整天线倾斜为了弥补错误的部门。图17描述了整个网络的平均吞吐量。从这个图中,我们观察到计划达到的th代Mbps整个网络的平均吞吐量,在邻近的细胞(图16),实现吞吐量Mbps,这是合理的,因为在这一领域具有挑战性的服务条件。

最后,方案比较图18自我组织的强化学习(RL)方法为基础COC提出(42),为了设计自我修复解决方案(),调整天线倾斜。认为RL的方法是一个演员评论家算法,已被证明比COC可用在文学不同的解决方案(42]。因此,我们认为这是一个很好的基准进行比较。

图18描述了CDF实验组的SINR的网络。我们假设用户的停机时的SINR高于阈值−6 dB,解释(42]。因此,在这个图中,我们观察到能够恢复的问题,能够恢复所有的问题。我们观察在这个图,一般来说,往往有效,因为它保持了多样性的参数值在一代又一代,这让更深环境状况的估计比通过回归分析方法医院药学部计划,只考虑SINR和问题的反馈来确定环境和状态估计的一般行为网络。

从这些数据中,我们观察到使用规划工具来调整天线倾角参数,我们能够缓解造成的停机损失的服务从一个错误的行业。

5。结束语

在本文中,我们定义了一个方法,建立了一个智能、高效的网络规划工具,利用和学习操作历史反映在测量聚集在网络的任何地方,在任何时候。构建QoS预测模型基于这一历史数据,我们收集问题测量根据3 gpp联合化疗的功能和我们应用回归分析技术来评估物理资源块(复审委员会)传播Mb。然后使用这个模型作为遗传算法目标函数)。通过这样做,你会发现,每一个新的迭代增加网络中的资源使用效率的同时提高吞吐量提供给用户。

展示的灵活性提出智能ML-based计划工具,在本文中,我们决定把它应用到两种截然不同的用例和场景:()部署的室内小细胞()补偿部门错误在传统的宏单元的部署。为用例,结果证明该方案部署的能力小的细胞网络的平均吞吐量增加而PRBs每Mb传播减少消耗,因此提高频谱效率。关于用例结果表明该方案的能力,补偿中断用户的场景和为他们提供服务。相比我们有我们的方法的性能研究的背景下提出两例最先进的解决方案基于贪婪算法案例1和强化学习的第二种情况。我们计划在这两种情况下比最先进的解决方案。我们相信,同样的技术可以被成功地应用于许多其他规划对运营商的问题。

作为一个未来的工作,我们将分析场景大量设备的规划必须提供服务。这是预期受益的性能估计,由于数据基地将由许多丰富测量,这是情报的方法的基础。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

导致这些结果的研究已经收到了西班牙经济资助和竞争力FPI研究项目(bes - 2011 - 047309)在格兰特tec2010 - 21100。j . Moysen工作也由5 gnorm项目(tec2011 - 29700 - co2 - 01)。

引用

1. 3 gpp有望5克,http://www.3gpp.org/新闻事件/ 3 gpp-news / 1787 - 5 g在轨道上。
2. 5 gppp。5 g基础设施公私伙伴关系,https://5g-ppp.eu/。
3. n .鲍多、l . Giupponi和j . Mangues-Bafalluy“大数据授权的自组织网络,”《20欧洲无线会议(电子战的14)西班牙巴塞罗那,页181 - 188,,2014年5月。视图:谷歌学术搜索
4. b . Romanous:比塔伊姆兰,和h . Refai”网络致密化:挑战和机遇在5克,”IEEE 20学报》国际研讨会上计算机辅助造型设计的通信链接和网络(CAMAD 15)2015年9月,英国吉尔福德。视图:出版商的网站|谷歌学术搜索
5. 同时采用OPNET NetOne河床,https://support.riverbed.com/content/support/software/steelcentral-npm/net-planner.html。
6. Cariden交配设计,Adquired思科,http://www.cisco.com/c/dam/en/us/td/docs/net_mgmt/wae/6-1/design/user/guide/MATE_Design_User_Guide.pdf。
7. RSoft设计团队。Metrowand,https://optics.synopsys.com/rsoft/pdfs/RSoftProductCatalog.pdf。
8. CelPlan。CelTrace TM无线全球解决方案,http://www.celplan.com/products/indoor/celtrace.asp。
9. Net2Plan”,开源网络规划师,“http://www.net2plan.com/publications.php。视图:谷歌学术搜索
10. f . Chernogorov和t . Nihtila QoS验证驱动测试最小化的LTE网络,”IEEE 75车辆技术研讨会论文集(职业训练局的12)IEEE,页6 - 9,2012年5月,日本横滨。视图:出版商的网站|谷歌学术搜索
11. f . Chernogorov和j . Puttonen”用户满意度分类最小化的QoS驱动测试验证,”《IEEE 24日年度个人国际研讨会,室内,和移动无线电通信(PIMRC 13),页2165 - 2169,伦敦,英国,2013年9月。视图:出版商的网站|谷歌学术搜索
12. j . Moysen:鲍多、l . Giupponi和j . Mangues-Bafalluy”预测QoS在LTE HetNets基于独立于位置的寻测量问题,”诉讼20 IEEE国际计算机辅助车间通信链接和网络的建模和设计2015年,英国吉尔福德。视图:谷歌学术搜索
13. l . j . Moysen Giupponi, j . Mangues-Bafalluy”整体回归技术的潜在未来移动网络规划”《IEEE计算机和通信(ISCC研讨会上的16)IEEE,页477 - 483年,墨西拿,意大利,2016年6月。视图:出版商的网站|谷歌学术搜索
14. d·e·戈德堡遗传算法在搜索、优化和机器学习,addison - wesley朗文,波士顿,质量,美国,1989年。
15. 3 gpp,”无线电性能和协议方面(系统)射频参数和BS一致性,“技术。众议员次数跑WG4 r4 - 092042, 2009。视图:谷歌学术搜索
16. j . Moysen和l . Giupponi”基于强化学习的解决方案在LTE网络自愈,”第80届IEEE车辆技术研讨会论文集(职业训练局的14-Fall),2014年9月。视图:出版商的网站|谷歌学术搜索
17. m·米切尔介绍了遗传算法美国剑桥,麻省理工学院出版社,质量,1996年。
18. j . Turkka f . Chernogorov k . Brigatti t . Ristaniemi和j . Lempiainen”从驱动测试数据库网络故障检测的方法,”计算机网络和通讯》杂志上文章ID 163184卷,2012年,13页,2012。视图:出版商的网站|谷歌学术搜索
19. f . Chernogorov美国基诺夫、k . Brigatti和t . Ristaniemi数据挖掘的方法来检测随机存取沉睡的细胞在蜂窝移动网络故障、计算机科学、网络和网络架构,2015。
20. j·约翰逊,w·a . Hapsari s .凯利和g . Bodog”最小化驱动测试的3 gpp(11)发布,“IEEE通讯杂志,2012年。视图:谷歌学术搜索
21. s . t . RoweisPCA和SPCA EM算法,提出在神经信息处理系统中,麻省理工学院出版社,1998年。
22. n s奥特曼”,介绍内核和近邻非参数回归,”美国统计学家,46卷,不。3、175 - 185年,1992页。视图:出版商的网站|谷歌学术搜索|MathSciNet
23. m . c .主教模式识别和机器学习、商业Dia Llc。Springer科学,2006。
24. A . j . Smola和b . Scholkopf教程支持向量回归。”统计和计算,14卷,不。3、199 - 222年,2004页。视图:出版商的网站|谷歌学术搜索|MathSciNet
25. j·r·昆兰决策树归纳。机器学习,1986年Kluwer学术。
26. l . Rokach o·迈,与决策树数据挖掘:理论和应用程序,2008年世界科学。
27. d . Opitz和r . Maclin流行乐团方法:一个实证研究,“人工智能研究杂志》上11卷,第198 - 169页,1999年。视图:谷歌学术搜索
28. l . Rokach“Ensemble-based分类器”人工智能,1-39,2010页。视图:谷歌学术搜索
29. t . g . Dietterich”实验的比较三种方法的决策树构造集合体:装袋,提振,随机化,“机器学习,40卷,不。2、139 - 157年,2000页。视图:出版商的网站|谷歌学术搜索
30. t . g . Dietterich当前机器学习研究:四个方向,1997年美国人工智能协会。
31. 李x l . Wang和大肠唱,“演算法与基于组件分类器,”人工智能技术的工程应用,21卷,不。5,785 - 795年,2008页。视图:出版商的网站|谷歌学术搜索
32. e . Mayhua-Lopez诉Gomez-Verdejo, a . r . Figueiras-Vidal增加乐团与子样品LPSVM学习者卡洛斯三世,斯顿(UC3M), 2013年。
33. e·加西亚和f . Lozano”,提高支持向量机”第五届国际研讨会论文集在模式识别的机器学习和数据挖掘莱比锡,页153 - 167年,德国,2007年7月。视图:谷歌学术搜索
34. o . Onireti A . Zoha j . Moysen et al .,“细胞密集的异构网络中断管理框架,“IEEE车辆技术,卷65,不。4、2097 - 2113年,2016页。视图:出版商的网站|谷歌学术搜索
35. e . j .哈提卜r·巴·穆尼奥斯i d·拉杰和i Serrano”与大数据在移动网络自愈”,IEEE通讯杂志,54卷,不。1,第120 - 114页,2016。视图:出版商的网站|谷歌学术搜索
36. a . Gomez-Andrades·穆尼奥斯巴可公司和r . i Serrano”自动LTE网络的根本原因分析,基于无监督技术,”IEEE车辆技术,卷65,不。4、2369 - 2386年,2016页。视图:出版商的网站|谷歌学术搜索
37. 3 gpp,“技术规范集团无线接入网络;进化的通用陆地电台访问(进阶);进一步发展进阶物理层方面,“技术。众议员TR 36.814, 2010。视图:谷歌学术搜索
38. p . Romanski和l .可塑性”包FSelector。”https://cran.r-project.org/web/packages/FSelector/FSelector.pdf。视图:谷歌学术搜索
39. m . Hazewinkel“前言”,离散数学卷,227 - 228 1 - 4,2001页。视图:出版商的网站|谷歌学术搜索
40. l . j . Moysen Giupponi, j . Mangues-Bafalluy“机器学习使网络规划工具,”美国27日IEEE个人室内移动无线电通信(PIMRC 16)瓦伦西亚,西班牙,2016。视图:谷歌学术搜索
41. f, m·n·约翰逊a Furuskar et al .,“天线下倾角基站antennas-a仿真模型的建议和影响HSPA LTE的性能,”第68届IEEE车辆技术研讨会论文集(职业训练局秋天' 08)加拿大卡尔加里,页1 - 5,2008年9月。视图:谷歌学术搜索
42. j . Moysen和l . Giupponi”基于强化学习的解决方案在LTE网络自愈,”第80届IEEE车辆技术研讨会论文集(职业训练局下降14)IEEE,页1 - 6,温哥华,加拿大,2014年9月。视图:出版商的网站|谷歌学术搜索

版权

版权©2017杰西卡Moysen et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。