Geri Dön

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

  1. Tez No: 779112
  2. Yazar: HASAN TAHSİN OĞUZ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ AYKUT KALAYCIOĞLU
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiKocaeli Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SULTAN ALDIRMAZ ÇOLAK

  2. On the selection of interference temperatures

    Hücresel ağlarda girişim sıcaklık seçimi üzerine

    ALIREZA GHASEMIGHARAGOZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. TANSAL GÜÇLÜOĞLU

  3. 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

    İngilizce

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Bilgisayar Mühendisliği Bölümü

    YRD. DOÇ. DR. ÖMER KORÇAK

  4. Ultra yoğun ağlarda güvenli geçiş yönetimi

    Secure handover managment in ultra dense network

    YERDOS AMİRBEKOV

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ELİF BOZKAYA

  5. 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

    Türkçe

    2021

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. LÜTFİYE DURAK ATA