Network data analytics function in 5g networks
5g ağlarında ağ veri analitik işlevi
- Tez No: 731367
- Danışmanlar: PROF. TUNA TUĞCU, DOÇ. ALİ EMRE PUSANE, DR. ÖĞR. ÜYESİ AHMET TEOMAN NASKALİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 57
Özet
Dünyadaki kablosuz hücresel ağ, teknolojideki birçok ilerlemenin yardım için kendilerini sunma fırsatı bulduğu muazzam bir yapısal değişimden geçiyor. Şu anda uygulanmakta olan en yeni nesil kablosuz ağ olan 5G hücresel ağ, yeni ağ veri analitiği işlevi (NWDAF) ile yapay zekayı memnuniyetle karşılıyor. NWDAF, 5G'nin diğer bileşenlerinin kendi operasyonlarını iyileştirmek için bilgi talep edebileceği bir veri analizi mekanizmasıdır. Bu tezde, NWDAF'ın yapısı ve protokolleri anlatılmaktadır. 3. Nesil Ortaklık Projesi (3GPP) tarafından sağlanan teknik şartname dokümanlarından elde edilen alanlar kullanılarak 5G ağ veri seti oluşturulmuştur. Yapay veri setini gerçeğe yaklaştırmak için rastgele oluşturulmuş anomaliler eklenir. Birkaç makine öğrenimi (ML) algoritması, NWDAF'nin iki yönünü, yani ağ yükü tahmini ve anormallik algılamayı incelemek için eğitilmiştir. Doğrusal regresyon (LR), tekrarlayan sinir ağı (RNN) ve uzun kısa süreli bellek (LSTM) algoritmaları, ağ yükü tahmini için yapay veri seti ve gerçek bir kurumsal ağdan elde edilen bir veri seti kullanılarak uygulanmıştır ve eğitilmiştir [1, 2]. Ortalama mutlak hata ve yüzdesel ortalama mutlak hata performans ölçümleri, RNN ve LSTM'nin hem oluşturulan hem de gerçek hayattan toplanan veri setlerinde LR'den daha iyi performans gösterdiğini göstermiştir. LSTM, gerçek hayattan toplanan veri seti için en iyi performans gösteren algoritmadır. Lojistik regresyon ve ağaç tabanlı bir sınıflandırıcı olan XGBoost, anormallik tespiti için uygulanır ve alıcı işletim karakteristikleri eğrisi altındaki alanı en üst düzeye çıkarmak için yapay veri seti kullanılarak eğitilmiştir. Sonuçlar, ağaç tabanlı sınıflandırıcı XGBoost'un lojistik regresyondan daha iyi performans gösterdiğini ortaya çıkarmıştır. Bu tahminlerin, performansını artırmak için NWDAF aracılığıyla 5G hizmet tabanlı mimariye yardımcı olması bekleniyor.
Özet (Çeviri)
Wireless cellular networking in the world goes through a tremendous structural change where many advances in technology find an opportunity to present themselves for assistance. 5G cellular network, the most recent generation wireless network currently undergoing implementation, welcomes artificial intelligence with the novel network data analytics function (NWDAF). NWDAF is a data analytics mechanism where other components of 5G can request information from in order to utilize their operations. In this thesis, the structure and protocols of NWDAF are described. A 5G network data set is generated by using the fields obtained from the technical specification documents provided by 3rd Generation Partnership Project (3GPP). To bring the generated data set closer to reality, randomly created anomalies are added. Several machine learning (ML) algorithms are trained to study two aspects of NWDAF, namely network load prediction and anomaly detection. Linear regression (LR), recurrent neural network (RNN) and long-short term memory (LSTM) algorithms are implemented and trained using the generated data set and a data set obtained from a real enterprise network for network load prediction [1, 2]. Mean absolute error and mean absolute percentage error performance metrics indicate that RNN and LSTM outperform LR in both generated and real life data sets. LSTM is the best performing algorithm for the real life data set. Logistic regression and a tree-based classifier, XGBoost are implemented for anomaly detection, and trained using the generated data set to maximize the area under receiver operating characteristics curve. The results indicate that tree-based classifier XGBoost outperforms logistic regression. These predictions are expected to assist 5G service-based architecture through NWDAF to increase its performance.
Benzer Tezler
- Preserving privacy with homomorphic encryption in 5G Network Data Analytics Function
5G Şebeke Veri Analitiği Fonksiyonu'nda homomorfik şifreleme ile mahremiyetin korunması
BERKER ACIR
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERTAN ONUR
- A software defined network framework in 5G wireless systems
5G kablosuz sistemlerde yazılım temelli ağ iskeleti
GÖKHAN SEÇİNTİ
Doktora
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BERK CANBERK
- Traffic and mobility aware delay modeling for software-defined networks (SDN)
Yazılım tanımlı ağlar için trafik ve hareket duyarlı gecikme modeli
MÜGE ÖZÇEVİK
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BERK CANBERK
- Gelecek nesil haberleşme sistemlerinde insansız hava araçları için kaynak yönetim teknikleri
Resource management techniques for unmanned aerial vehicles in next generation communication systems
UYGAR DEMİR
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. CENK TOKER
- Physical layer design of terahertz band 5G wireless communications
Terahertz band 5G kablosuz iletişimin fiziksel katman tasarımı
NABIL KHALID
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR BARIŞ AKAN