Hücresel ağlarda hücre hizmet kesintisinin yeni nesil derin öğrenme algoritmaları ile tespiti
Detection of cell outages in cellular networks with new generation deep learning algorithms
- Tez No: 779112
- Danışmanlar: DR. ÖĞR. ÜYESİ AYKUT KALAYCIOĞLU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 66
Özet
Kendi kendini organize eden ağlar (Self Organizing Networks, SON) yeni nesil mobil iletişim sistemlerinin ağ yönetim otomasyonunda anahtar rolü üstlenmektedir. Devreye alınma aşamasına çok yaklaşmış olan 5. Nesil mobil ağlar (5G) ve ondan daha sonra gelecek olan yeni sistemlerin SON konsept ve mimarileri için yenilikçi çözümleri beraberinde getirmesi beklenmektedir. Yeni nesil mobil ağlardaki SON mimarisinin öne çıkan en önemli özelliği kendiliğinden iyileşme (self healing) kavramı hücresel servis kesintisi tespiti ve hücresel servis telafisi özelliklerini içermektedir. Öte yandan yeni nesil mobil hücresel ağların ultra yoğun baz istasyonlu yerleşime sahip olacağı beklentisi, ağ yönetim ve idamesi anlamında hücresel hizmet kesintisi tespit prosedürünü oldukça kritik ve zorlu bir hale getirmektedir. Bu çerçevede bu tez çalışması ultra yoğunluklu çok katmanlı yerleşimlerin olduğu mobil ağları simüle ederek Uzun Kısa-Dönemli Bellekler (Long Short-Term Memory, LSTM) ve 1 Boyutlu Evrişimsel Sinir Ağları (One Dimensional Convolutional Neural Networks, 1D CNN) derin öğrenme yöntemleri yardımıyla kullanıcı ekipmanlarında üretilen temel performans göstergelerini (Key Performance Indicators, KPI) kullanarak sistemdeki femto baz istasyonlarını hücresel hizmet kesintisi yönünden irdelemektedir. Önerilen her iki derin öğrenme yöntemi ile belirli bir uzunluktaki kullanıcı verileri kullanılarak femto baz istasyonlarda oluşabilecek anomalilerin tespit ve sınıflandırması yapılmaktadır. Ayrıca hücresel tespit alanı seviyesinde toplu karar yöntemleri de kullanılarak derin öğrenme yöntemlerinin sınıflandırma performansları önemli ölçüde artırılmaktadır. Hesaplanan sayısal bulgular çerçevesinde önerilen derin öğrenme yöntemleri, biri sağlam üçü farklı derecelerde anomali içeren toplamda dört kategorili femto baz istasyonu anomali sınıflandırmasında ortalamada %80'in üzerinde tahmin doğruluğu vererek geleneksel ileri beslemeli sinir ağları (feed forward neural networks, FFNN) yönteminden daha başarılı sonuçlar vermektedir.
Özet (Çeviri)
Self Organizing Networks (SON) are considered as one of the key features for automation of network management in new generation of mobile communications. The upcoming fifth generation (5G) mobile networks and beyond are likely to offer new advancements for SON solutions. In SON concept, self-healing is a prominent task which comes along with cell outage detection and cell outage compensation. Next generation cellular networks are supposed to have ultra-dense deployments which make cell outage detection critical and harder for network maintenance. Therefore, by imitating the ultra-dense multi-tiered scenarios, this study scrutinises femtocell outage detection with the help of Long Short-Term Memory (LSTM) and one-dimensional Convolutional Neural Networks (1D CNN) by using time sequences of Key Performance Indicator (KPI) parameters generated in user equipments. In both proposed schemes, probable outage related anomalies in femto Access points (FAP) are detected and classified within predetermined time sequence intervals. Moreover, aggregation decision methods are also incorporated into the proposed framework for boosting cell outage detection procedure on FAP level. Our findings show that proposed deep learning approaches outperform existing feed forward neural networks (FFNN) and on the average, in more than 80% of the cases the outage states of the femtocells are correctly predicted among healthy and three anomalous states.
Benzer Tezler
- Advanced mobility robustness optimization techniques in mobile heterogeneous networks with the inclusion of 5G
5G dahil mobil heterojen ağlarda gelişmiş mobilite sağlamlık optimizasyon tekniği
WAHEEB SALIM ABDULRAB TASHAN
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. SULTAN ALDIRMAZ ÇOLAK
- On the selection of interference temperatures
Hücresel ağlarda girişim sıcaklık seçimi üzerine
ALIREZA GHASEMIGHARAGOZ
Yüksek Lisans
İngilizce
2016
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. TANSAL GÜÇLÜOĞLU
- Gap free load balancing in wireless lan networks using cell breathing technique
Hücre soluma yöntemiyle kablosuz ağlarda boşluksuz yük dengelemesi
İLHAN DEMİRCİ
Yüksek Lisans
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Bölümü
YRD. DOÇ. DR. ÖMER KORÇAK
- Ultra yoğun ağlarda güvenli geçiş yönetimi
Secure handover managment in ultra dense network
YERDOS AMİRBEKOV
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF BOZKAYA
- 5G ötesi aşırı yoğun heterojen haberleşme ağlarında el değiştirmelere dayalı hücresel ağ iyileştirmesi
Handover-based cellular network healing in beyond 5G ultra dense heterogeneous communication networks
ABDUSSAMET HATİPOĞLU
Yüksek Lisans
Türkçe
2021
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA