28138

تعيين پروفايل تحرك كاربر بر اساس پارامترهاي واسط هوايي در شبكه‌هاي تلفن‌همراه با بكارگيري رويكرد يادگيري ماشين

كارشناسي ارشد

شبكه هاي كامپيوتري

1398

1401/08/28

جناب اقاي دكتر ابوالفضل ديانت

كامپيوتر

توانايي مكان‌يابي كاربران و تخمين ترافيك در شبكه‌هاي تلفن همراه هنوز يكي از چالش‌هاي اصلي در برنامه‌ريزي، بهينه‌سازي و مديريت شبكه‌ها است. از آنجايي كه مكان‌يابي داخلي هميشه ممكن يا دقيق نيست، داشتن توانايي تشخيص ترافيك Indoor نسبت به Outdoor مي‌تواند جايگزين ارزشمندي باشد. بهبود برنامه‌ريزي شبكه با تخمين تقاضاي ترافيك داخلي به استقرار شبكه كارآمدتر كمك مي كند. همچنين، اطلاعات در مورد محيطي كه در آن ارتباطات صورت مي‌گيرد، براي بهينه كردن عملكرد شبكه، انتقال سيگنال بي‌سيم و برنامه‌هاي كاربردي فردي مورد نياز است. يكي از انواع اطلاعات، تعيين فضاي باز يا بسته (IOD) است. IOD جنبه‌اي خاص از پروفايل تحرك كاربران كه منجر به آن مي‌شود كه بتوان درباره حضور مشتركين در فضاي باز(مكان بدون پوشش سقف) و فضاي بسته(مكان داري پوشش سقف) نتيجه‌گيري نمود. IOD را مي‌توان در شبكه‌هاي تلفن‌همراه يا در پايانه‌هاي كاربر انجام داد. اجراي اين روش در شبكه‌هاي تلفن‌همراه براي عملگر‌ها ارزشمند است. زيرا پيچيدگي كمي دارد، استقرار آن آسان‌تر و حداقل دخالت مشتركين را به همراه دارد. همچنين براي اين منظور از IOD مي‌توان در پيش بيني الگوي تحرك توسط شبكه استفاده كرد. موضوعي كه در مبحث رويه Handover به نوبه خود مورد توجه است. در اين پژوهش، يك الگوريتم يادگيري ماشين براي طبقه‌بندي محيط كاربر، چه در محيط داخلي و چه در فضاي باز، تنها با استفاده از پارامتر‌هاي يك شبكه LTE ارايه شده‌ است. با توجه به عدم وجود مجموعه دادگان در اين زمينه، يك برنامه اندرويدي به نام Sirius را توسعه داده‌ و با استفاده از آن به جمع آوري مجموعه داده برچسب‌دار در سمت كاربر پرداختيم. كمپين جمع‌آوري پارامتر‌ها در دو شهر مختلف، تهران و بوشهر، با شرايط محيطي مختلف انجام گرفت. در بيشتر تحقيقات موجود، بعد زماني مسئله و تغييرات ويژگي در طول زمان ناديده گرفته شده است. در اين پژوهش، ما مسئله IOD را به عنوان يك مسئله طبقه‌بندي سري زماني پيشنهاد و عملكرد الگوريتم يادگيري عميق مبتني بر LSTM را بررسي مي‌كنيم. كلمات كليدي: شبكه هاي‌ تلفن همراه، پروفايل تحرك پذيري، يادگيري ماشين، جمع آوري پارامترها

1402/01/19

Determining user-mobility profile based on air interface parameters in 5G mobile networks using machine learning approach

11/19/2023 12:00:00 AM

The ability to locate users and estimate traffic in mobile networks is still one of the main challenges in planning, optimizing and managing networks. Since indoor location is not always possible or accurate, having the ability to distinguish indoor from outdoor traffic can be a valuable alternative. Improving network planning by estimating internal traffic demand helps deploy a more efficient network. Also, information about the environment in which communication takes place is needed to optimize network performance, wireless signal transmission, and individual applications. One type of information is indoor or outdoor Detection (IOD). IOD is a specific aspect of the users' mobility profile that leads to the conclusion about the presence of subscribers in outdoor (location without roof cover) and indoor (with roof cover location). IOD can be performed on mobile networks or at user terminals. The implementation of this method in mobile phone networks is valuable for operators. Because it has little complexity, it is easier to deploy and involves minimal user involvement. Also, for this purpose, IOD can be used in predicting the mobility pattern by the network. An issue that is of interest in the subject of the handover procedure. In this study, a machine learning algorithm has been presented for classifying the user's environment, both indoors and outdoors, using only the data of an LTE network. Due to the lack of datasets in this field, we developed an Android application called Sirius and using it to collect the labeled datasets on the user side. The measurement campaign was carried out in two different cities, Tehran and Bushehr, with different environmental conditions. In most of the existing study, the temporal dimension of the problem and the changes of the feature over time have been neglected. In this method, we propose the IOD problem as a time series classification problem and investigate the performance of the deep learning algorithm based on LSTM. Keywords: Mobile networks, mobility profile, machine learning, measurement collection

شبكه هاي‌ تلفن همراه , پروفايل تحرك پذيري , ، يادگيري ماشين , جمع آوري پارامترها

Mobile networks , mobility profile , machine learning , measurement collection

Parvin Karami Barati

Dr. Abolfazl Diyanat