Graph neural network based handover optimization framework
Grafik sinir ağları tabanlı aktarım optimizasyon sistemi
- Tez No: 882798
- Danışmanlar: PROF. DR. TUNA TUĞCU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 59
Özet
Bu tezde, mobil ağların gelişen yapısında, Açık Radyo Erişim Ağı (O-RAN) ortamlarında sonraki nesil ağlar için yenilikçi bir el değiştirme (handover) optimizasyon çerçevesi sunulmaktadır. Grafik Sinir Ağları (GNN) tabanlı bir çerçeve kullanılarak, araştırmada, el değiştirme kararlarında ağ dinamiklerini daha iyi yakalamak için Kullanıcı Ekipmanları (UE) ve Baz İstasyonları (BS) dahil olmak üzere mobil ağları gömme üzerine odaklanılmaktadır. Temel amaç, yük dengeleme, el değiştirme maliyeti, veri akışı kazancı ve kapsama alanı kazancı gibi kritik yönlerin optimize edilmesidir. GNN-HOF (Graph Neural Network Based Handover Optimization Framework - Grafik Sinir Ağları Tabanlı Aktarım Optimizasyon Çerçevesi) ismi verilen bu çerçeve, geleneksel yakınlık tabanlı yöntemlerden önemli bir ayrılık göstermekte, ağ dinamiklerini daha iyi anlamak ve öngörmek için ileri düzey makine öğrenimi tekniklerinden faydalanmaktadır. Yaklaşımın etkinliği, Stuttgart ve Monaco'daki gerçek dünya kentsel senaryolarında yanı sıra simüle edilmiş ortamlarda kapsamlı testlerle doğrulanmıştır ve Şehirsel Hareketlilik Simülasyonu (SUMO) aracı kullanılmıştır. Önerilen çerçevenin tüm anahtar metriklerde temel yöntemi tutarlı bir şekilde aştığı görülmektedir.
Özet (Çeviri)
In the evolving landscape of mobile networks, an innovative handover optimization framework for next-generation networks in Open Radio Access Network settings is presented in this thesis. The research, focusing on embedding mobile networks including user equipments and base stations to better capture the network dynamics in handover decisioning, is facilitated through the utilization of Graph Neural Network (GNN) based framework. The core objective is to optimize critical aspects such as load balancing, handover cost, throughput gain, and coverage gain. This framework, called GNN-HOF (Graph Neural Network Based Handover Optimization Framework), is a significant departure from traditional proximity-based methods, leveraging advanced machine learning techniques to better understand and predict network dynamics. The efficacy of the approach is validated through extensive testing in simulated environments as well as real-world urban scenarios in Stuttgart and Monaco using the Simulation of Urban Mobility (SUMO) tool. The results are compelling, demonstrating that the proposed framework consistently outperforms the baseline method across all key metrics.
Benzer Tezler
- Graph neural network-based multimodal emotion recognition
Grafik sinir ağı tabanlı çok modlu duygu tanıma
HUSSEIN FAROOQ TAYEB AL-SAADAAWI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. RESUL DAŞ
- Financial asset price prediction with graph neural network-based temporal deep learning models
Çizge sinir ağı tabanlı zamansal derin öğrenme modelleri ile finansal varlık fiyat tahmini
YASİN UYGUN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE SEFER
- Object and relation-centric reasoning of action effects in push manipulation tasks
İtme manipulasyonlu görevlerde aksiyon-efekt kuramının nesnel ve ilişkisel eksende muhakemesi
AHMET ERCAN TEKDEN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE UĞUR
- Novel deep learning approaches for functional MRI data analysis
Fonksiyonel MRG veri analizi için yenilikçi derin öğrenme yöntemleri
HASAN ATAKAN BEDEL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. TOLGA ÇUKUR
- Continuous sign language translation on the new educational Turkish sign language dataset (E-TSL) using neural machine translation methods
Yeni eğitimsel Türk işaret dili veri kümesi (E-TSL) kullanarak nöral makine dönüşümü yöntemleri ile sürekli işaret dili çevirisi
ŞÜKRÜ ÖZTÜRK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HACER YALIM KELEŞ