Geri Dön

Advanced mobility robustness optimization techniques in mobile heterogeneous networks with the inclusion of 5G

5G dahil mobil heterojen ağlarda gelişmiş mobilite sağlamlık optimizasyon tekniği

PDF İndir

  1. Tez No: 826338
  2. Yazar: WAHEEB SALIM ABDULRAB TASHAN
  3. Danışmanlar: DOÇ. DR. SULTAN ALDIRMAZ ÇOLAK
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, İletişim Bilimleri, Electrical and Electronics Engineering, Communication Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Kocaeli Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 138

Özet

Heterojen Ağlar (Heterogenous Network, HetNets), gelecek nesil mobil ağlar için oldukça umut verici bir çözümdür. Özellikle hücre kenarlarında yüksek kapasite, yüksek veri hızı ve geniş kapsama alanı sağlamaları ile öne çıkmaktadırlar. Gelecekteki HetNet'lerde, piko ve femto hücre gibi düşük güçlü Küçük Baz İstasyonlarının (Small Base Station, SBS), yüksek güçlü Makro Baz İstasyonlarının (Macro Base Station, MBS'ler) kapsama alanlarına entegre edilmesi ile birlikte, 5G standartları özellikle Deneyim Kalitesi (Quality of Experience, QoE) açısından düşük maliyetli ve enerji verimli olarak gerçeklenebilecektir. HetNet'ler, gelecekteki kablosuz iletişim ihtiyaçlarını karşılamak için çeşitli erişim teknolojilerini (Radio Access Technology, RAT) ve MBS'lerin olduğu hücre kapsama alanına yerleştirilen değişken sayıda SBS'leri yönetmekten sorumludur. SBS'lerin yoğun bir şekilde MBS alanında bulunması, kullanıcı hareketliliği sırasında El Değiştirme Olasılığında (Handover Probability, HOP) artışa neden olacaktır. Bu durum, yüksek hareketlilik senaryolarında daha da kötüleşecektir. Bu nedenle, mobil kullanıcılar ile baz istasyonları (Base Station, BS) arasındaki bağlantı kalitesini sağlamak için daha verimli ve sorunsuz El Değiştirme (Handover, HO) süreçleri gerekecektir. HO, önceki nesil hücresel sistemlerde de kullanılan ancak ilerleyen teknoloji ile güncellenmesi gereken bir süreçtir. Ağın performansı, özellikle mobil kullanıcılar için, HO'nun başarılı bir şekilde uygulanmasına bağlıdır. Kullanıcılar hem yürüyerek hem de çok hızlı araçlarla hareket edebileceğinden, HO süreci tüm bu kullanıcıları içerecek şekilde planlanmalıdır. HetNet sistemlerde hücreler farklı RAT'lar kullanarak haberleşmelerini sağlayabilmektedir. Eğer hizmet veren BS ile hedef BS aynı RAT'ı kullanıyorsa, HO süreci yatay HO olarak adlandırılır. Diğer durumda ise dikey HO olarak bilinir. Dikey HO, farklı RAT'ların kullanıldığı örtüşen kapsama alanı gibi durumlarda meydana gelebilir. Örneğin, hizmet veren bir MBS, kullanıcı ekipmanının (User Equipment, UE) veri hızını artırmak için hedef SBS'ye kullanıcıyı aktararak bir HO gerçekleştirebilir. Aynı zamanda, yüksek hızlı bir senaryoda gereksiz HO'ları önlemek için hizmet veren bir SBS'den hedef bir MBS'ye kullanıcı transferi yapabilir. Öte yandan, dikey HO, sistem için işlem karmaşıklığı açısından yatay HO'dan daha kritik olabilir, çünkü El Değiştirme Başarısızlıklarına (Handover Failure, HOF) yol açabilir. Farklı RAT'ların kullanıldığı dikey HO'da olumsuz etkisi nedeniyle sistem performansında ciddi bozulmalar da meydana gelebilir. Gelecek nesil HetNet'lerde HO oranının büyük ölçüde artacağı ve HO tarafından kaynaklanan sorunları tespit etmek ve düzeltmek için Hareketlilik Dayanıklılığı Optimizasyonu (Mobility Robustness Optimization, MRO) işlevi bu tez kapsamında incelenmiştir. MRO tekniği, Long-Term Evolution (Long-Term Evolution, LTE) ve LTE-Advanced (LTE-A) için HO yönetim işlevlerinden biri olarak tanıtılmıştır. Bu işlevin çalışması, insan müdahalesini en aza indirgeyerek, El Değiştirme Kontrol Parametrelerini (Handover Control Parameters, HCP) otomatik olarak optimize etmeyi amaçlar. MRO, kullanıcı hareketliliği sırasında UE ile LTE-A baz istasyonu (Evolved Node-B, eNB) arasındaki bağlantı kalitesini korumak için önerilen çeşitli kriterlere dayanarak HCP ayarlarını (yani, Tetikleme Zamanı (Time-To-Trigger, TTT) ve El Değiştirme Marjını (Handover Margin, HOM) otomatik olarak ayarlar. HOM değeri kullanıcının anlık aldığı güç seviyesi üzerine bir marj sağlar ve bu değerde HO işlevinin tetiklenmesini sağlar. TTT ise HO yapılmadan önceki güç seviyesinde yapılan gözlem süresidir. TTT ve HOM parametreleri, UE'lerin bağlantı kalitesinin korunmasına önemli katkıda bulunurlar. MRO algoritmasının etkinleştirilmesi, mobil kullanıcılar için yüksek QoE değeri garanti eder. MRO'nun temel hedefi, uygun TTT ve HOM değerlerinin seçimi ile geç El Değiştirme (too late HO), erken El Değiştirme (too early HO) ve yanlış hücreye El Değiştirme (HO to the wrong cell) gibi HO sorunlarını minimize etmektir. Ancak, genellikle uygun seçilmeyen HCP değerlerinden kaynaklanan çeşitli HO senaryoları meydana gelmektedir. Geç HO genellikle daha yüksek HCP değerlerinin kullanımından kaynaklanır. Bu durum sonrasında, yüksek hız senaryolarında Radyo Bağlantı Başarısızlığı (Radio Link Failure, RLF) artar ve durumu daha da ciddi bir hale getirir. Erken HO durumunda, HO çok erken tetiklenir, bu da düşük HCP değerlerinin kullanımından dolayı yüksek El Değiştirme Ping-Pong olasılığına (Handover Ping-Pong Probability, HOPP) ve azaltılmış RLF'ye neden olur. Bu sorun düşük hız ile yapılan hareket senaryolarında kritik hale gelir. Yanlış hücreye yapılan HO işleminde, bağlantı hedef hücreye ya da hali hazırda hizmet veren hücre tarafından değil, başka bir eNB tarafından yeniden kurulur. Literatürdeki çeşitli çalışmalarda, farklı BS yerleşim senaryoları ve farklı mobil hız senaryoları ele alınarak, çeşitli algoritmalar ile HCP değerleri optimize edilmiştir. Algoritmaların başarımı ise ağın Anahtar Performans Göstergeleri (Key Performance Indicator, KPI) cinsinden sunulmuştur. Kullanılan yöntemler çoğunlukla Alınan Sinyal Referans Gücü (Received Signal Reference Power, RSRP), hız-farkındalığı (velocity-aware) ve Bulanık Mantık Denetleyicisi (Fuzzy-Logic Controller, FLC) temellidir. Ayrıca, Makine Öğrenimi (Machine Learning, ML) ve ML'nin yaygın bilinen teknikleri kullanılarak MRO fonksiyonunun HCP değerleri optimize edilmiştir. Bu tezde özetlenen her bir algoritma, ele alınan farklı yerleşim senaryoları, ML türü öğrenme teknikleri, metodoloji, MRO fonksiyonunun kontrol parametreleri, ele alınan KPI değerleri, simülatör tipi açısından incelenmiş ve araştırmacılara MRO fonksiyonlarında daha fazla çalışma yapmalarına yardımcı olabilmesi için tablolar şeklinde sunulmuştur. TTT ve HOM değerlerinin uygun şekilde optimize edilememesi, operasyonel harcamalarda artışa yol açabileceği gibi ağı yönetmede zaman alıcı bir işlemdir ve bu, ağ operatörleri için büyük bir endişe kaynağıdır. Optimizasyon işlemi, ultra yoğun HetNet'lerde daha da kritik hale gelir, burada HOF'lerin, gereksiz HO'ların ve ping-pong etkilerinin gerçekleşme oranı yüksektir. Bu nedenle, MRO gibi optimize edici işlevlerin uygulanması, UE'nin hizmet veren BS'den hedef BS'ye geçişi sırasında bağlantı kalitesini korumak (RLF oranını azaltmak) ve ağ kaynaklarını verimli bir şekilde kullanmak (HOPP'yi azaltmak) için gereklidir. Literatürde birçok optimizasyon fonksiyonu bulunmasına rağmen, bu problemi çözen optimal bir fonksiyon yoktur. Ayrıca, 4G hücresel ağlarda kullanılan HO tetikleme algoritmaları, 5G hücresel ağlara uygulamak verimli değildir. Bu nedenle, HOM ve TTT için doğru ayarlara ulaşmak, gelecekteki HetNet'ler için önemli bir araştırma konusudur. Ancak bu tez, özellikle MRO üzerinde odaklanmıştır ve bu değerlerin öz-optimizasyon (self-optimization) ile elde edilmesi üzerine çalışılmıştır. MRO'da değerlendirilecek HCP'ler TTT ve HOM'dur. Tez üç temel bölümden oluşmaktadır. İlk bölüm, gelecekteki mobil HetNet'te HO kontrol parametrelerini ayarlamak için literatürdeki farklı MRO fonksiyonlarının başarımını sunmaktır. İkinci bölümde, gelecekteki mobil HetNet'te farklı kullanıcı hızlarıyla çeşitli MRO fonksiyonlarının başarımlarını incelemektir. MRO'nun optimizasyonunu analiz etmek ve gelecekteki mobil HetNet için bir öz-optimizasyon algoritması geliştirmek ise bu tezin amacıdır. Yöntem bölümünde tartışılan üç ana bölümde, sistem modeli, sabit HCP'ler (yani TTT ve HOM) üzerine optimizasyon ve son olarak HCP'lerin öz-optimizasyonu ele alınmaktadır. Bununla birlikte, benzetim aşaması, ağ parametrelerinin belirlenmesiyle başlar, ardından HetNet ortamının oluşturulması ve benzetimi yapılan ortamın hareketlilik modeliyle devam eder. Ayrıca, her benzetim döngüsünde (yani 40ms), her kullanıcının yönü ve konumu güncellenir. Dahası, her kullanıcının her benzetim döngüsünde BS'lere olan Öklit uzaklığı hesaplanır. Hesaplanan uzaklıklara ek olarak log-normal gölgelemeyle birlikte Yol Kaybı (Path Loss, PL) değerleri elde edilir. Benzetimlerde, 61 adet baz istasyonu MBS olarak modellenmiştir ve her MBS üç sektöre ayrılmıştır. Her sektörde ise bir adet SBS'nin hücre merkezinde bulunduğu varsayılmıştır. SBS'ler, MBS'lere göre daha küçük kapsama alanına sahiptir. Makro ve küçük hücre yarıçapları sırasıyla 200 m ve 500 m'dir. Ayrıca, SBS'lerde ve MBS'lerde farklı RAT'lar kullanılmaktadır. Benzetim ortamımızda iki tür HO senaryosu (yani dikey ve yatay HO) ele alınmıştır. Ayrıca, kullanıcıların 10 farklı hız ile sabit bir yönde hareket ettiği varsayılmıştır. Bu hız değerleri sırasıyla 20 km/sa, 40 km/sa, 60 km/sa, 80 km/sa, 100 km/sa, 120 km/sa, 140 km/sa, 160 km/sa, 180 km/sa ve 200 km/sa'dir. Kullanıcıların her bir benzetim adımında konum değiştirmesi nedeniyle, bağlı oldukları BS'lerden ve çevredeki diğer BS'lerden almış oldukları sinyal seviyeleri değişiklik göstermektedir. Kullanıcıların bağlı oldukları BS'ye ilettiği güç ölçüm raporlarına dayanarak, bağlı oldukları BS tarafından ağ kaynakları hedef BS'ye devredilmektedir. Bu tezde, HetNet sistemindeki 20 kullanıcının soldan sağa doğru hareket ettiği (θ = 0°) bir hareket modeli ele alınmıştır. Bildiğimiz kadarıyla, rastgele bir hareket modeli kullanmak yerine tek yönlü bir hareket modeli kullanmak, kullanıcıların birden fazla hücreden daha hızlı geçmelerini sağlar ve bu, benzetim sırasında HOP'nin daha sık gerçekleşmesine neden olur. Bu da ölçmek istediğimiz KPI değerlerinin daha sık alınmasını sağlar. Ayrıca, bu model ile gerçek ağ senaryolarının daha mantıklı bir şekilde benzetimi gerçeklenir. Ancak, rastgele hareket modelinde, kullanıcılar çoğunlukla aynı bölgede hareket etmeye devam edebilirler ve bu da HO olasılığının çok düşük olmasına neden olabilir. Rastgele hareket modelinde kullanıcılar diğer hücrelerin kapsama alanlarına geçiş yapabilirler, ancak daha düşük olasılıkla bu durum gerçekleşebilir. Bu nedenle, rasgele hareket modeli yerine sabit yöndeki hareket modeli tezde ele alınmıştır. Benzetim ortamında, HO sırasında HCP değerleri iki optimizasyon süreci kullanarak optimize edilmiştir. İlk optimizasyon sürecinde, TTT ve HOM için sabit değerler atanırken, ikinci optimizasyon sürecinde TTT ve HOM değerleri HO sırasında öz-optimizasyon ile elde edilmiştir. Bu tezde, farklı araç hızlarında hareket eden kullanıcı senaryoları da değişken olarak incelenmiştir. HetNet üzerinde altı farklı HCP değeri kullanan sistemler için analizler yapılmıştır. Sistem değerlendirmeleri için RSRP, HOPP, RLF, HOP, el değiştirme kesinti süresi (handover interruption time, HOIT) ve HOF gibi çeşitli performans metrikleri (KPI'lar) kullanılmıştır. Benzetim 40 ms ölçüm aralığı için 20 farklı kullanıcıya ait KPI değerleri kullanılarak gerçeklenmiştir. Sonuçlar, farklı HCP değerlerine sahip olan her bir sistemin HetNet'in performansı üzerinde farklı etkilere sahip olduğunu göstermektedir. Ayrıca, çeşitli HCP değerleri bazı KPI'lar için iyi bazıları için ise oldukça kötü sonuçlara neden olmaktadır. Örneğin, yüksek TTT ve HOM değerleri seçildiğinde, HOPP azalırken aynı anda çok geç HO nedeniyle RLF artacaktır. Düşük TTT ve HOM değerleri seçildiğinde ise RLF azalırken çok erken HO nedeniyle HOPP artacaktır. Ayrıca, HOPP'ler, sistemin performansı üzerinde olumsuz etkisi olan HO sayısını artırır. Ancak, farklı HCP ayar değerlerinin uygulandığı durumlarda sistem performansının davranışlarını görmek için farklı sistemleri değerlendirme amacıyla yapılan değerlendirmeler, önerilen HO öz-optimizasyon algoritmaları için bir rehber olacaktır. Bu tezde, TTT ve HOM'un otomatik olarak ayarlanması için kullanılan HO öz-optimizasyon algoritmaları ele alındı. Bu nedenle, MRO parametrelerinin (TTT ve HOM) alt-optimal ayarlarından kaçınmak için doğru ayar değeri elde edilmelidir. Bu nedenle, önerilen algoritmaların temel amacı, MRO sorunlarının (yani RLF, HOPP ve HOP) en düşük düzeyde olduğu optimal HO tetikleme sağlamaktır. Algoritmalar ağırlıklandırılmış fonksiyon (weighted function, WF), Bulanık Mantık Denetleyicisi (FLC)-WF ve Hız Farkındalığı-FLC-WF (VAW-FLC-WF) olarak adlandırılır. WF algoritması, gereksiz HO sayılarını azaltmak için tetikleyici zamanlayıcı ile birlikte kullanılırken, RLF, hizmet veren BS'nin RSRP'si belirli bir koşul altında tetikleyici zamanlayıcının ayarlanmasıyla minimize edilir. Optimum TTT ve HOM değerleri, üç giriş metriğine dayanarak (yani RSRP, UE'nin hızı ve trafik yükü) öz-optimizasyon sonucu elde edilir. Benzetimler sonucunda Sistem 4'ün HOPP ve RLF açısından en iyi sistem olduğu gözlenmiştir, burada ortalama olasılıklar HOPP ve RLF için sırasıyla 0 ve 0.036 idi. Bununla birlikte, bu sistem, önerilen WF algoritması ve FLC algoritmalarını kullanılarak karşılaştırılmış ve HCP'lerin otomatik olarak ayarlanmasının HOPP ve RLF üzerindeki gelişmeyi göstermek amaçlanmıştır. HetNet üzerinde farklı kullanıcı hızı senaryoları (yani 0 ila 200 km/sa arasında) uygulanmıştır. Bu nedenle, önerilen algoritma, Sistem 4 ve FLC algoritmasıyla karşılaştırıldığında HOPP, RLF, HOP ve HOF açısından önemli bir iyileşme gösterir. Önerilen algoritmanın RSRP'si kabul edilebilir bir aralıkta tutulmaktadır. Yapılan benzetimlerde düşük HOPP elde edilmesinin üç temel nedeni şu şekilde özetlenebilir. İlk olarak, KPI'ların değerlendirilmesi için kullanılan 1400 döngü olan benzetim süresi (56 saniye) HOPP seviyesini etkiler. Ancak, benzetim döngülerinin sayısının artırılması, kullanıcının birçok hücreden geçmesine olanak tanır ve bu da HO sayısını artırır. Ayrıca, kullanıcı hızının artması da kullanıcının daha fazla hücreden geçmesine neden olur. İkinci nokta, önerilen tetikleyici zamanlayıcının HOPP'leri azaltmada büyük etkisinin olmasıdır. Tetikleyici zamanlayıcının amacı, aynı sektörden veya aynı SBS'den HO'ları önlemektir. Bu, HOPP'leri azaltır ve dolayısıyla HOP düşürür. Üçüncü nokta, HCP'lerin (yani TTT ve HOM) ayar değerleri, HOPP'leri artırma ve azaltma üzerinde büyük etkiye sahip olabilir. FLC-WF algoritması, iki çıkış parametresinin (yani TTT ve HOM) öz-optimizasyon için yeni bir çözüm yöntemi olarak önerilmiştir. FLC, HOM parametresini otomatik olarak ayarlamak için kullanılırken, ağırlıklı fonksiyon TTT'yi optimize etmek için kullanılır. Ayrıca, FLC-WF önerilen algoritma, KPI'ları (yani HOPP, RLF ve RSRP) azaltmak için giriş parametreleri olarak RSRP, kullanıcı hızı ve hücre trafik yükünü içerir. Önerilen algoritmanın sonuçlarına göre, HOPP'yi 0'a düşürmek, hem RLF hem de RSRP üzerinde etkili olmuştur. Bu nedenle, önerilen algoritmadaki denge, RLF etkisini mümkün olduğunca düşük tutmak için HOPP için 0.002 olarak tutulmuştur. Ancak, HOPP'ler ağ kaynakları üzerinde etkisi vardır ve müşteri memnuniyetini etkilemeyebilir. Önerilen algoritma, WF algoritmasının 0.02 olan en yüksek ortalama RLF'ye sahip olduğunu gösterirken, önerilen algoritmanın 0.0084 olduğunu gösterir. Ancak, ağ operatörleri için büyük endişe, müşteriyi ağa bağlı tutmak için ağın RLF'lerini azaltmaktır. Ayrıca, önerilen algoritma, WF algoritmasına göre tüm hız senaryolarında daha düşük ortalama RLF olasılığına sahiptir. Ayrıca, önerilen algoritma, FLC'ye kıyasla 40 km/sa, 60 km/sa ve 140 km/sa gibi çeşitli kullanıcı hızı senaryolarında daha az RLF gösterir. Bu nedenle, HCP'lerin (yani TTT ve HOM) doğru yapılandırılması, önerilen algoritmanın çeşitli hızlarda düşük RLF'ler elde etmesiyle sonuçlanır. Yüksek ortalama HOPP, doğrudan RSRP düzeyini artırmada etkilidir çünkü HOPP'de kullanıcı, en yüksek RSRP değerine sahip olan hedef BS'yi tetikler ve bu da daha yüksek ortalama RSRP'sine yol açar. Ayrıca, WF, HOPP'ye sahip olduğu için ortalama hizmet RSRP'si en düşüktür. Ancak, önerilen FLC-WF'nin ortalama hizmet RSRP'si -57 dBm ile 49 dBm arasında tutulmuştur. RSRP değerinin artışı kullanıcının QoE değerini de artıracaktır. Bu algoritmadaki HOP ile ilgili olarak, hareket hızı senaryoları, düşük hız senaryolarına kıyasla kullanıcının daha fazla BS'yi geçmesine neden olurken HOP' de artışa yol açar. Önerilen hız farkındalıklı bulanık mantık denetleyici-ağırlıklı fonksiyon (VAW-FLC-WF) FLC-WF algoritmasının geliştirilmiş versiyonudur. VAW-FLC-WF algoritması, FLC-WF yöntemiyle karşılaştırıldığında, hareket hızı kategorizasyonlarında farklılık gösterir. Ayrıca, hareket hızı senaryoları 60 km/sa'ten düşük hız, 60 km/sa ile 120 km/sa arası hız, 120 km/sa ile 160 km/sa arası hız ve 160 km/sa ile 200 km/sa arası hız olmak üzere dört kategoriye ayrılmıştır. Bu nedenle, benzetim ortamında uygulanan her bir hareket hızı senaryosu, oluşturulan dört hız kategorisinden birine düşecektir. Hareket hızı senaryolarını kategorize etmenin amacı, doğru bir HOM değeri seçebilmektir. Ancak, hız üyelik fonksiyonu yavaş, orta, hızlı ve çok hızlı olmak üzere 4 farklı bulanık küme düzeyine sahiptir. Bu nedenle, hareket hızı senaryosu hangi bulanık kümenin seçileceğini belirleyecektir. Sonra, çıkış bulanık kümesi belirlenecektir. Ayrıca, benzetim döngüleri 3750 döngüye (150 saniye) kadar artırılmış ve kullanıcının kenar kesişimini önlemek için kullanıcı, benzetim ortamının son hücreye ulaştığında geri dönmektedir. Bu nedenle, incelenen kullanıcı sayısı 15 olmuştur. Ayrıca, TTT tetikleme değeri, önerilen ağırlıklı optimizasyon fonksiyonu ile elde edilmiştir. Ancak, bu HO tetikleme değerleri (yani TTT ve HOM değerleri), bu çalışmada uygulanan KPI'ları (HOPP, RLF ve HOP) azaltmada ve yüksek RSRP (dBm) elde etmede önemli bir etkiye sahiptir. Sonuç olarak, önerilen VAW-FLC-WF algoritmasının ortalama RLF olasılığı 0.006'ya düşürülmüş olup, diğer HO algoritmalarına göre en düşük değerdir. Ayrıca, RSRP'nin yanı sıra HOPP diğer HO algoritmalarına kıyasla dikkate değer bir iyileşme göstermiştir. Özetlemek gerekirse, yüksek RLF ile RSRP değeri ters orantılı değişmektedir çünkü kullanıcı alınan sinyal gücü belirtecinin (received signal strength indicator, RSSI) altına düşene kadar aynı BS'ye bağlı kalmaktadır. Bu durumda RSRP azaldığında RLF değeri yükselecektir. Ayrıca, yüksek HOPP'ler, kullanıcının yüksek RSRP'ye sahip BS'ler arasında dalgalanmasına neden olduğundan RSRP değeriyle doğrudan orantılıdır. Sonuç olarak, bu sefer de ortalama RSRP artacaktır. Bu nedenle, HCP'lerin (yani TTT ve HOM) RSRP seviyesine dayalı olarak uygun bir şekilde optimize edilmesi gereklidir. Örneğin, yüksek RSRP'de, mevcut bağlantıyı korumak için HCP değerleri düşük ayarlanmalıdır, düşük RSRP değerinde ise düzgün HO için HCP'ler düşük değerlere sahip olmalıdır. Ayrıca, RSRP, HOPP, RLF ve HOP, TTT ve HOM'un HO optimizasyonu uygulandığında birbirleriyle ilişkilidir. Örneğin, yüksek ortalama RSRP, yüksek HOPP'ye yol açar, bu da sonrasında HOP'yi artırır. Bu, TTT ve HOM'nin düşük değerlerinden kaynaklanır. Ayrıca, düşük ortalama RSRP, yüksek RLF'ye ve azalmış HOP'ye yol açar, bu da TTT ve HOM'nin yüksek değerlerinden kaynaklanır. Bu nedenle, VAW-FLC-WF diğer algoritmalarla kıyaslandığında 0.004'lük önemli bir iyileşme gösterir.

Özet (Çeviri)

Stable and reliable wireless connections during the user equipment's mobility are the critical issue in todays and future mobile communication networks especially during UE's high-speed scenarios over dense heterogeneous networks (HetNets). Thus, setting an accurate value for the handover control parameters (HCPs) (i.e., time-to-trigger (TTT) and handover margin (HOM)) at different speed scenarios is required for the desired system performance. This thesis proposes six different systems and each one employs different HCP settings using various mobile speed scenarios over a HetNet. Several performance metrics (i.e., received signal reference power (RSRP), handover ping-pong (HOPP), radio link failure (RLF), handover probability (HOP), handover interruption time (HOIT), and handover failure (HOF)) were used as key performance indicators (KPIs) for systems evaluations. Furthermore, 20 users were evaluated in this study using a 40 ms measurement interval. The results show a different impacts of each system on the performance of the deployed HetNet. Moreover, various settings may create numerous issues. For instance, if higher TTT and HOM settings are assigned, the HOPP will decrease. The RLF will simultaneously increase due to too late handover (HO). When lower TTT and HOM settings are assigned, the RLF will reduce and the HOPP will increase due to too early HO. Furthermore, HOPPs increase the number of HOs which negatively impact on system performance. However, the aims of evaluating several systems based on fixed HCPs over several mobile speed scenarios were to see the behaviors of the systems performance when different setting values are applied. Furthermore, this study proposes a HO self-optimization algorithm for auto-tuning the HCPs. Weighted function (WF) algorithm along with a trigger timer is used for reducing unnecessary HOs while RLF minimized by setting a trigger timer under a certain conditions when the RSRP of the serving base station (BS) goes below the received signal strength indicators (RSSI). The proposed algorithm shows a significant improvement in term of HOPP, RLF, HOP, and HOF compared to System 4 and FLC algorithm. The RSRP of the proposed algorithm is kept within acceptable range. Furthermore, fuzzy logic controller (FLC)-weighted function algorithm was proposed for self-optimizing the TTT and HOM for reducing the KPIs (i.e., HOPP, RLF, and RSRP). In addition, 10 mobile speed scenarios were applied in the proposed algorithm. Moreover, velocity-aware-fuzzy logic controller-weighted function (VAW-FLC-WF) was proposed for self-optimizing TTT and HOM. Besides, the average RLF probability of the proposed VAW-FLC-WF) was reduced to 0.006 which was the lowest probability compared to other HO algorithms. Besides RSRP, HOPP were shown a noticeable improvements compared to other HO algorithms.

Benzer Tezler

  1. Tez No

    895309

    Conflict avoidance algorithm between mobility robustness optimization and load balancing functions

    Hareketlilik optimizasyonu ve yük dengeleme fonksiyonları için çatışma önleme algoritması

    ÇAĞRI DEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ERGEN

  2. Tez No

    913485

    Mobil nesnelerin interneti için yeni nesil hücresel ağ tabanlı ağ dilimleme

    Next generation cellular network based network slicing for the mobile internet of things

    WAFA HAMDI

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HASAN BULUT

    PROF. DR. ORHAN DAĞDEVİREN

  3. Tez No

    669115

    Design of a climbing robot for corrosion inspection

    Otonom tırmanan korozyon denetleme robotu

    ÖZGÜR ACAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Mekatronik MühendisliğiYıldız Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CLAUDIA FERNANDA YAŞAR

  4. Tez No

    911381

    Object-aware interactive perception

    Nesne farkındalıklı etkileşimli algılama

    ÇAĞATAY KOÇ

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SANEM SARIEL UZER

    PROF. DR. SİNAN KALKAN

  5. Tez No

    863690

    A situational awareness framework for connected autonomous vehicles

    Bağlantılı otonom araçlar için durum farkındalık sistemi

    DERYANUR TEZCAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜLAY ÖKE GÜNEL

Geri Dön