Management of cellular broadband networks by means of machine learning techniques

Abstract

Cellular networks are one of the most impactful technologies of today’s ICT industry. They provide wireless access to internet and services with very high availability and effectiveness. The evolution of this technology comes with the maturity of the 3GPP-based network and their upcoming releases that promise to deliver even higher quality of service, additional capabilities, and solutions to previous drawbacks. To achieve this, vendors of these technologies must analyze the complexity of these networks and their different deployment options and provide intelligent management software. Variations of cellular networks can be found in literature as Heterogeneous Cellular Networks (HetNets) or Ultra-Dense networks which are improved design flavors of the same system with increased complexity and configurations. The added capabilities of these networks must be used as a toolbox to improve various operational aspects of the networks such as energy efficiency, network performance and system fault prevention. The scope of this Doctorate Thesis is to analyze different approaches of optimizing HetNets in order to suggest plausible suggestions for extensions that will optimize all high-level objectives. Static management and configuration will be used in conjunction with knowledge-building to improve the energy efficiency of key simulation scenarios of 3GPP networks. Dynamic Resource allocation schemes will be used as a real time management algorithm to improve quality of service in a micro-scale. Predictive models based on acquired historical data will be used to predict network operational KPIs, evaluate the probability of network congestion and identification of unknown network element groups based on their behavior. These generated insights will help the infrastructure providers to impose countermeasures to prevent quality deterioration and enforce the technological standards. They will also lead to the reduction of the OPEX and the energy footprint of the system making technology investments sustainable and profitable for network operators. The framework for developing and testing these algorithms is a custom-designed software platform for HetNet simulations and algorithm experimentation. This system is designed according to standards and specifications in order to provide realistic results that will establish the suggested algorithms as strong candidates to be included in future 3GPP-based wireless networks.

Τα κυψελωτά δίκτυα κινητών επικοινωνιών είναι μία από τις τεχνολογίες με την μεγαλύτερη επίδραση στην σημερινή βιομηχανία των τεχνολογιών επικοινωνιών και πληροφορικής. Παρέχουν ασύρματη πρόσβαση στο διαδίκτυο αλλά και μια πληθώρα άλλων υπηρεσιών με πάρα πολύ υψηλή διαθεσιμότητα και αποτελεσματικότητα. Η εξέλιξη αυτής της τεχνολογίας έρχεται με την ωρίμανση των δικτύων προδιαγραφών 3GPP, η πρόοδος των οποίων υπόσχεται να παρέχει ακόμα υψηλότερη ποιότητα υπηρεσιών, περισσότερες δυνατότητες αλλά και λύσεις σε προβλήματα των παλαιότερων γενεών. Για την επίτευξη αυτών των στόχων, οι κατασκευαστές αυτής της τεχνολογίας πρέπει να αναλύσουν προσεκτικά την πολυπλοκότητα αυτών των δικτύων αλλά και των δυνατοτήτων εγκατάστασης τους και να παρέχουν ευφυές λογισμικό διαχείρισης τους. Διαφοροποιήσεις σε κυψελωτά δίκτυα τύπου 3GPP όπως τα ετερογενή κυψελωτά δίκτυα αλλά και τα «υπερ-πυκνά» δίκτυα είναι εξελίξεις αυτών των δικτύων με αυξημένη πολυπλοκότητα και δυνατότητες που βρίσκεται στη βιβλιογραφία. Μέσω αυτών των δυνατοτήτων μπορούμε να βελτιώσουμε τους διάφορους λειτουργικούς στόχους της υποδομής όπως ενεργειακή αποδοτικότητα, δικτυακές επιδόσεις και αποφυγή σφαλμάτων. Αυτή η διδακτορική διατριβή έχει ως σκοπό να αναλύσει διαφορετικές προσεγγίσεις βελτιστοποίησης ετερογενών δικτύων καταλήγοντας έτσι σε προτάσεις για επέκταση τους επηρεάζοντας όσο το δυνατών περισσότερους στόχους-κλειδιά. Στατική διαχείριση και ρύθμιση σε συνδυασμό με συλλογή γνώσης θα χρησιμοποιηθεί για την βελτίωση ενεργειακή επίδοσης σεναρίων-κλειδιών για την 4η γενιάς κινητής τηλεφωνίας. Αλγόριθμοι δυναμικού διαμοιρασμού πόρων θα χρησιμοποιηθούν σαν μία μέθοδος διαχείρισης πραγματικού χρόνου με σκοπό την βελτίωση ποιότητας υπηρεσιών σε μικρό-κλίμακα. Τέλος, μοντέλα μηχανικής μάθησης θα εκπαιδευτούν σε ιστορικά δεδομένα με σκοπό την πρόβλεψη των λειτουργικών δεικτών του δικτύου, εκτίμηση της πιθανότητας δικτυακής υπερφόρτωσης και αναγνώριση άγνωστων ομάδων δικτυακών στοιχείων βασισμένα στην συμπεριφορά τους. Αυτές οι προβλέψεις θα βοηθήσουν την διαχείριση της υποδομής στην ενεργοποίηση αντίμετρων για την αποφυγή της υποβάθμισης της ποιότητας υπηρεσιών αλλά και την επικράτηση των προδιαγραφών της τεχνολογίας. Αυτές θα οδηγήσουν επίσης στην ελάττωση του OPEX αλλά και του ενεργειακού αποτυπώματος του συστήματος οδηγώντας έτσι σε βιώσιμες και επιτυχημένες επενδύσεις για τους παρόχους. Το πλαίσιο ανάπτυξης για αυτούς τους αλγορίθμους είναι ένα αυτοσχέδιο πρωτότυπο προσομοιωτή ετερογενών δικτύων και πλατφόρμα εκτέλεσης πειραματικών αλγορίθμων. Αυτό το σύστημα σχεδιάστηκε με βάση τις πρότυπες προδιαγραφές προσομοίωσης τέτοιων συστημάτων και τα ρεαλιστικά δεδομένα που θα εξαχθούν από αυτό θα βοηθήσουν στην υπεράσπιση της αποτελεσματικότητας των προτεινόμενων αλγορίθμων για την ένταξη τους στην τεχνολογία κυψελωτών επικοινωνιών 3GPP.