Geri Dön

Machine learning-based traffic steering in an ns-3-based o-ran environment

Ns-3 tabanlı o-ran ortamında makine öğrenmesi tabanlı trafik yönlendirme

PDF İndir

  1. Tez No: 1024248
  2. Yazar: GÖKÇE ALPARSLAN ALTUN
  3. Danışmanlar: DOÇ. DR. GÖKHAN SEÇİNTİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Günümüz kablosuz ağlarının, çok sayıda kullanıcıyı ve yüksek miktarda veri gerektiren uygulamaları desteklemesi gerekmektedir. Kullanıcılar bir hücreden başka bir hücreye hareket ederken bağlantının sürdürülmesi, ağ operatörleri için önemli bir zorluk haline gelmektedir. Handover, bir kullanıcı cihazının bir baz istasyonundan başka bir baz istasyonuna geçerken bağlantısını sürdürmesini sağlayan süreçtir. Geleneksel handover mekanizmalarının çoğu reaktif olarak çalışır ve sinyal gücü eşiklerine dayanır. Bu nedenle, handover kararları genellikle ağ koşulları zaten kötüleştikten sonra alınır. Bu durum daha düşük veri hızlarına, gereksiz handover işlemlerine, ping-pong etkilerine ve kısa süreli hizmet kesintilerine yol açabilir. Son dönemde yapılan araştırmalar, radyo erişim ağlarının yönetimi için yeni yöntemler geliştirmeye odaklanmıştır. Açık Radyo Erişim Ağı (Open Radio Access Network, O-RAN) mimarisi; açık arayüzler, sanallaştırma ve programlanabilir ağ bileşenleri aracılığıyla ağ yönetiminde daha fazla esneklik sağlamak üzere tasarlanmıştır. O-RAN mimarisinin bir parçası olan RAN Intelligent Controller (RIC), xApp olarak bilinen yazılım uygulamalarının çalışabildiği bir platform görevi görür. Bu xApp'ler ağ verilerini analiz edebilir ve kontrol işlemleri gerçekleştirebilir. Bu nedenle, O-RAN mimarisi veri odaklı ağ optimizasyon yöntemlerinin geliştirilmesi için uygun bir ortam sağlar. Makine öğrenmesi destekli mobilite yönetimi ve O-RAN tabanlı kontrol mekanizmaları literatürde daha önce çalışılmıştır. Ancak bazı zorluklar hâlâ devam etmektedir. Mevcut çalışmaların birçoğu temel olarak tahmin doğruluğuna odaklanmakta, ancak tahmin modellerinin yakın gerçek zamanlı kapalı döngü kontrol sistemlerine nasıl entegre edilebileceğini tam olarak ele almamaktadır. Ayrıca, karmaşık bir tahmin modelinin her kullanıcıya uygulanması kontrolcünün işlem yükünü artırabilir ve bu durum Near-Real-Time RAN Intelligent Controller operasyonu için önemli bir kısıttır. Diğer bir sınırlama ise bazı çalışmaların çoğunlukla radyo seviyesi ölçümlere dayanması ve MAC katmanı kaynak tahsisi ile RLC tampon doluluğu gibi katmanlar arası bilgileri yeterince dikkate almamasıdır. Bu zorluklar, O-RAN tabanlı kontrol için uygun, hafif, seçici ve katmanlar arası bir proaktif handover çerçevesinin geliştirilmesini motive etmektedir. Bu tez, hücresel ağlar için proaktif bir mobilite yönetimi yaklaşımı sunmaktadır. Bu tezde, K-Means tabanlı kullanıcı gruplandırması ile LSTM tabanlı veri hızı tahminini birleştiren bir çerçeve geliştirilmektedir. Önerilen yöntemde K-Means, veri hızlarını doğrudan tahmin etmek veya nihai handover kararını vermek için kullanılmamaktadır. Bunun yerine, kullanıcıları mevcut radyo koşullarına ve trafikle ilişkili ölçümlere göre gruplandıran hafif bir kümeleme yöntemi olarak çalışmaktadır. Zayıf radyo ve/veya trafik koşullarını temsil eden kümelere atanan kullanıcılar LSTM tabanlı tahmin aşamasına aktarılmaktadır. Bu şekilde, tahmin analizi yalnızca performans düşüşü yaşayabilecek kullanıcılara uygulanmakta ve gereksiz tahmin işlemlerinin azaltılmasına yardımcı olmaktadır. Bu görev için Gaussian Mixture Models, DBSCAN, hiyerarşik kümeleme ve gözetimli sınıflandırma tabanlı kullanıcı seçimi gibi alternatif kümeleme yöntemleri de düşünülebilir. Ancak bu tezde K-Means tercih edilmiştir; çünkü basit, düşük karmaşıklığa sahip ve yorumlanabilir bir kümeleme mekanizması sunmaktadır. O-RAN bağlamındaki avantajı, tüm kümeleme algoritmalarından evrensel olarak üstün olması değil, yakın gerçek zamanlı xApp çalışması için daha uygun olmasıdır. Küme merkezleri SINR, veri hızı, PRB tahsisi ve RLC tampon doluluğu gibi ağla ilişkili özellikler kullanılarak yorumlanabilir. Bu nedenle K-Means, Near-RT RIC içinde seçici kullanıcı filtreleme için hesaplama verimliliği, yorumlanabilirlik ve uygunluk arasında pratik bir denge sağlamaktadır. LSTM modeli, ağ davranışıyla ilişkili geçmiş ölçüm verilerinden, özellikle veri hızı değişimlerinden, zamansal örüntüleri öğrenmektedir. Bu ölçüm verileri ns-3 tabanlı bir O-RAN simülasyon ortamında üretilmiştir. Simülasyon senaryosu 4 gNB ve 12 UE içermekte, simülasyon süresi 100 saniye ve raporlama aralığı 100 ms olarak belirlenmektedir. Ön işleme ve dizi oluşturma adımlarından sonra, nihai veri kümesi yaklaşık 5.000 ölçüm raporu dizisi içermektedir. Her dizi, 15 ardışık ölçümden ve bir sonraki zaman adımı için bir hedef veri hızı değerinden oluşmaktadır. LSTM giriş tensörü [N, 15, 19] biçimindedir; burada N parti boyutunu, 15 dizi uzunluğunu ve 19 giriş özelliği sayısını ifade etmektedir. Bu özellikler; radyo kalitesi, kaynak tahsisi, veri hızı geçmişi, gecikmeli veri hızı özellikleri ve RLC tampon kullanımı gibi katmanlar arası bilgileri içermektedir. Trafik veya veri hızı tahmini için ARIMA, destek vektör regresyonu, rastgele orman regresyonu, GRU, zamansal evrişimli ağlar ve transformer tabanlı modeller gibi alternatif tahmin modelleri de kullanılabilir. Ancak bu tezde LSTM seçilmiştir; çünkü veri hızı tahmini zamansal bir problemdir. Gelecekteki veri hızı yalnızca mevcut ölçüme değil, aynı zamanda önceki radyo koşullarına, zamanlama davranışına, tampon durumuna ve kısa dönemli trafik değişimlerine de bağlıdır. Daha basit istatistiksel modellerle karşılaştırıldığında LSTM, sıralı verilerdeki doğrusal olmayan zamansal ilişkileri yakalayabilir. Daha karmaşık transformer tabanlı modellerle karşılaştırıldığında ise Near-RT RIC xApp'i için tahmin doğruluğu ve dağıtım karmaşıklığı arasında daha pratik bir denge sağlar. Bir kullanıcının tahmin edilen veri hızı önceden tanımlanmış bir eşik değerinin altına düştüğünde, önerilen sistem RIC platformu üzerinden proaktif bir handover işlemi başlatır. Bu nedenle, önerilen proaktif handover yaklaşımının amacı, belirgin bir performans düşüşü meydana gelmeden önce karar verme sürecini desteklemektir. Önerilen proaktif handover stratejisi ns-3 tabanlı bir O-RAN simülasyon ortamında test edilmiştir. Simülasyon ortamı, radyo erişim ağı simülatörü ile RIC platformu arasındaki etkileşimi modellemektedir. Ayrıca, önerilen proaktif handover stratejisinin karar verme bileşeni için simülasyon tabanlı ölçüm verileri sağlamaktadır. Önerilen LSTM tahmin modeli ilk olarak, bir sonraki zaman adımı için tahmin olarak bir önceki veri hızı değerini kullanan naive bir temel algoritma ile karşılaştırılmıştır. Offline zaman tabanlı ayrımda, LSTM modeli 392,08 kbps Ortalama Mutlak Hata (Mean Absolute Error, MAE) ve 0,8495 R2 skoru elde etmiştir. Buna karşılık, naive tek gecikmeli temel model 969,83 kbps MAE ve 0,3256 R2 skoru elde etmiştir. Bu sonuç, temel modele kıyasla tahmin hatasında yaklaşık %60 azalmaya karşılık gelmektedir. Ayrıca, IMSI seviyesinde yapılan ayrım 510,65 kbps MAE ve 0,8659 R2 skoru üretirken, shuffle testi negatif bir R2 skoru üretmiştir. Bu durum, modelin veriyi basitçe ezberlemediğini veya veri sızıntısından faydalanmadığını göstermektedir. Online kapalı döngü çalışma sırasında ise LSTM modeli yaklaşık 1472,50 kbps MAE değerine ve sıfıra yakın bias değerine ulaşmıştır. Deneysel sonuçlar, önerilen stratejinin varsayılan reaktif 3GPP handover temel senaryosuna ve değerlendirilen diğer handover karar stratejilerine kıyasla veri hızı iyileştirmesi ile RLC tampon kullanımı arasında daha iyi bir denge sağladığını göstermiştir. Ortalama veri hızı değerlendirilmiş, ancak tek başarı ölçütü olarak kullanılmamıştır. Ağ kararlılığı göstergeleri, özellikle RLC tampon kullanımı, değerlendirme sırasında ayrıca dikkate alınmıştır. Ortalama veri hızı ve RLC tampon kullanımı birlikte değerlendirildiğinde, en iyi performans gösteren yapılandırma LSTM tabanlı veri hızı tahmininin yalnızca K-Means tabanlı gruplandırma aşaması tarafından düşük kaliteli küme üyeleri olarak belirlenen kullanıcılara uygulanmasıyla elde edilmiştir. Bu yapılandırma, varsayılan reaktif 3GPP handover temel senaryosuna kıyasla ortalama aşağı yönlü veri hızını yaklaşık %20–30 artırırken, RLC tampon doluluğundaki artışı sınırlı tutmuştur. Sonuçlar, K-Means tabanlı kullanıcı seçiminin LSTM tabanlı aşağı yönlü veri hızı tahmini ile birleştirilmesinin O-RAN tabanlı bir mimaride proaktif handover işlemleri için aday kullanıcıları etkili bir şekilde seçebileceğini göstermektedir. Genel olarak, önerilen karar verme yaklaşımı gelecekteki radyo erişim ağlarının esnekliğini artırmayı ve mobil kullanıcılar için daha güvenilir hizmet sürekliliğini desteklemeyi amaçlamaktadır. Gelecek çalışmalar, önerilen çerçevenin daha büyük ve daha yoğun ağ senaryolarına, daha çeşitli mobilite örüntülerine ve trafik profillerine genişletilmesine odaklanacaktır. Hizmet sürekliliğinin daha kapsamlı bir şekilde değerlendirilebilmesi için handover kesinti süresi, paket kaybı, gecikme ve ping-pong handover oranı gibi ek mobiliteyle ilişkili performans metrikleri de dahil edilmelidir. Ayrıca, GRU, dikkat tabanlı modeller ve transformer tabanlı mimariler gibi alternatif tahmin modelleri incelenebilir ve LSTM tabanlı yaklaşımla karşılaştırılabilir. Son olarak, önerilen çerçevenin gerçek bir O-RAN test ortamında doğrulanması, dağıtım kısıtları ve gerçek dünya performansı hakkında daha fazla içgörü sağlayacaktır.

Özet (Çeviri)

Today's wireless networks need to support many users and applications that require large amounts of data. Maintaining connectivity while users move from one cell to another is becoming an important challenge for network operators. Handover is the process that allows a user device to maintain its connection while moving from one base station to another. Most traditional handover schemes operate reactively and rely on signal strength thresholds. Therefore, handover decisions are usually made only after network conditions have already degraded. This may lead to lower data rates, unnecessary handovers, ping-pong effects, and short service disruptions. More recent research has focused on developing new methods for managing radio access networks. The Open Radio Access Network (O-RAN) architecture is designed to provide more flexibility in network management through open interfaces, virtualization, and programmable network elements. The RAN Intelligent Controller (RIC), which is part of the O-RAN architecture, serves as a platform where software applications known as xApps can run. These xApps can analyze network data and perform control actions. Therefore, the O-RAN architecture provides a suitable environment for developing data-driven network optimization methods. Machine learning-assisted mobility management and O-RAN-based control mechanisms have already been studied in the literature. However, several challenges still remain. Many existing studies mainly focus on prediction accuracy, but they do not fully consider how predictive models can be integrated into near-real-time closed-loop control systems. In addition, applying a complex prediction model to every user may increase the processing load of the controller, which is an important limitation for Near-Real-Time RAN Intelligent Controller operation. Another limitation is that several studies rely mostly on radio-level measurements and do not sufficiently consider cross-layer information such as MAC-layer resource allocation and RLC buffer occupancy. These challenges motivate the development of a lightweight, selective, and cross-layer proactive handover framework suitable for O-RAN-based control. This thesis presents a proactive mobility management scheme for cellular networks. This thesis develops a framework that combines K-Means-based user grouping with LSTM-based throughput prediction. In the proposed methodology, K-Means is not used to directly predict data rates or to make the final handover decision. Instead, it operates as a lightweight clustering method that groups users according to their current radio conditions and traffic-related measurements. Users assigned to clusters representing poor radio and/or traffic conditions are passed to the LSTM-based prediction stage. In this way, predictive analysis is applied only to users that may experience reduced performance, which helps reduce unnecessary prediction operations. Alternative clustering methods such as Gaussian Mixture Models, DBSCAN, hierarchical clustering, and supervised classification-based user selection could also be considered for this task. However, K-Means is preferred in this thesis because it provides a simple, low-complexity, and interpretable clustering mechanism. Its advantage in the O-RAN context is not that it is universally superior to all clustering algorithms, but that it is more suitable for near-real-time xApp operation. The cluster centroids can be interpreted using network-related features such as SINR, throughput, PRB allocation, and RLC buffer occupancy. Therefore, K-Means provides a practical balance between computational efficiency, interpretability, and suitability for selective user filtering in the Near-RT RIC. The LSTM model learns temporal patterns from historical measurement data related to network behavior, especially throughput variations. These measurement data are generated in an ns-3-based O-RAN simulation environment. The simulation scenario includes 4 gNBs and 12 UEs, with a simulation duration of 100 seconds and a reporting interval of 100 ms. After preprocessing and sequence construction, the final dataset contains approximately 5,000 measurement report sequences. Each sequence consists of 15 consecutive measurements and one target throughput value for the next time step. The LSTM input tensor has the form [N, 15, 19], where N is the batch size, 15 is the sequence length, and 19 is the number of input features. These features include cross-layer information such as radio quality, resource allocation, throughput history, lag-based throughput features, and RLC buffer usage. Alternative prediction models such as ARIMA, support vector regression, random forest regression, GRU, temporal convolutional networks, and transformer-based models can also be used for traffic or throughput prediction. However, LSTM is selected in this thesis because throughput prediction is a temporal problem. Future throughput depends not only on the current measurement, but also on previous radio conditions, scheduling behavior, buffer state, and short-term traffic variations. Compared with simpler statistical models, LSTM can capture nonlinear temporal relationships in sequential data. Compared with more complex transformer-based models, it provides a more practical balance between prediction accuracy and deployment complexity for a Near-RT RIC xApp. When a user's predicted throughput drops below a predefined threshold value, the proposed system initiates a proactive handover action through the RIC platform. Thus, the purpose of the proposed proactive handover scheme is to support decision making before significant performance degradation occurs. The proposed proactive handover strategy was tested in an ns-3-based O-RAN simulation environment. The simulation environment models the interaction between the radio access network simulator and the RIC platform. It also provides simulation-based measurement data for the decision-making component of the proposed proactive handover strategy. The proposed LSTM predictor was first compared with a naive baseline algorithm that uses the previous throughput value as the prediction for the next time step. In the offline time-based split, the LSTM model achieved a Mean Absolute Error (MAE) of 392.08 kbps and an R2 score of 0.8495. In contrast, the naive one-lag baseline achieved an MAE of 969.83 kbps and an R2 score of 0.3256. This corresponds to an approximately 60% reduction in prediction error compared with the baseline. In addition, the IMSI-level split produced an MAE of 510.65 kbps and an R2 score of 0.8659, while the shuffle test produced a negative R2 score, indicating that the model did not simply memorize the data or benefit from data leakage. During online closed-loop operation, the LSTM model obtained an MAE of approximately 1472.50 kbps with near-zero bias. The experimental results showed that the proposed strategy achieved a better balance between throughput improvement and RLC buffer usage compared with the default reactive 3GPP handover baseline and the other evaluated handover decision strategies. Average throughput was evaluated, but it was not used as the only success criterion. Network stability indicators, especially RLC buffer usage, were also considered during the evaluation. The best-performing configuration, considering both average throughput and RLC buffer usage, was obtained when LSTM-based throughput prediction was applied only to users identified as members of low-quality clusters by the K-Means-based grouping stage. This configuration increased the average downlink throughput by approximately 20–30% compared with the default reactive 3GPP handover baseline, while limiting the increase in RLC buffer occupancy. The results indicate that combining K-Means-based user selection with LSTM-based downlink throughput prediction can effectively select candidate users for proactive handovers in an O-RAN-based architecture. In general, the proposed decision-making approach aims to improve the flexibility of future radio access networks and support more reliable service continuity for mobile users. Future work will extend the proposed framework to larger and denser network scenarios with more diverse mobility patterns and traffic profiles. Additional mobility-related performance metrics, such as handover interruption time, packet loss, latency, and ping-pong handover ratio, should also be included to provide a more complete evaluation of service continuity. Moreover, alternative prediction models such as GRU, attention-based models, and transformer-based architectures can be investigated and compared with the LSTM-based approach. Finally, validating the proposed framework on a real O-RAN testbed would provide further insight into deployment constraints and real-world performance.

Benzer Tezler

  1. Tez No

    752892

    Human factor based advanced driver-assistance system (ADAS) design for electric vehicle

    Elektrikli araç için insan faktörü tabanlı gelişmiş sürücü yardım sistemi (ADAS) tasarımı

    DAĞHAN DOĞAN

    Doktora

    İngilizce

    İngilizce

    2022

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. OVSANNA SETA ESTRADA

  2. Tez No

    637200

    Sürücü postürünün tanımlanması ve makine öğrenmesi tabanlı tahmini

    Driver posture recognition and machine learning-based posture estimation

    CEYHUN IBOLAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Mekatronik MühendisliğiYıldız Teknik Üniversitesi

    Mekatronik Ana Bilim Dalı

    DOÇ. DR. ERHAN AKDOĞAN

    DR. A. EMRE ÇETİN

  3. Tez No

    924501

    Esnek üstyapılarda makine öğrenmesi yöntemleri ile pürüzlülük tahmini

    Roughness estimation in flexible pavements using machine learning methods

    HÜSEYİN ÇUHA

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULLAH HİLMİ LAV

  4. Tez No

    928032

    Yapay zeka yaklaşımlarıyla araç sürücülerinin beceri ve davranışlarının çok boyutlu modellenmesi

    Multi-dimensional modelling of the skills and behaviour of the vehicle driver using artificial intelligence approaches

    SÜLEYMAN ÇEVEN

    Doktora

    Türkçe

    Türkçe

    2024

    Mekatronik MühendisliğiKarabük Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. RAİF BAYIR

    DR. ÖĞR. ÜYESİ AHMET ALBAYRAK

  5. Tez No

    638083

    Automated lane change decision making for autonomous vehicles using machine learning techniques

    Makine öğrenmesi teknikleri ile otonom araçlarda şerit değişimine karar verme

    MEHDI NASIRI

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. GÜLAY ÖKE GÜNEL

Geri Dön