21369

21369

مديريت وقفه در شبكه هاي سلولي ناهمگن مبتني بر يادگيري ماشين

كارشناسي ارشد

مخابرات - سيستم

98-99

1398/8/19

دكتر وحيد طباطباوكيلي

برق

اخيرا مساله مديريت وقفه مورد توجه محققين قرار گرفته است. عوامل مختلفي مانند نصب نادرست سلول‌ها در شبكه مخابرات بي سيم و بروز مشكل در منبع تغذيه سلول‌ها مي‌تواند سبب كاهش نسبت سيگنال به تداخل به علاوه نويز در يك ارتباط مخابراتي بين فرستنده و گيرنده شود؛ در صورتي كه SINR كمتر از مقدار آستانه مشخصي گردد، وقفه رخ مي‌دهد. در اين شرايط اولين گام، تشخيص وقفه و سپس جبران آن مي‌باشد. با گسترش شبكه‌هاي مخابراتي و افزايش پيچيدگي آنها لازم است فرايند مذكور با روش‌هاي خودكار انجام گيرد. از اين رو مي‌توان از روش‌هاي يادگيري ماشين استفاده كرد. براي تشخيص وقفه لازم است به گزارشات ارسالي متعدد كاربران به سلول‌ها توجه شود تا بتوان الگويي براي وقوع وقفه به دست آورد. دومين گام اساسي براي مقابله با وقفه جبران اثر وقفه در شبكه مي‌باشد كه بايد در فرايند تعاملي با محيط صورت پذيرد. روش‌هاي يادگيري تقويتي بيشترين موفقيت را در اين زمينه به دست آورده‌اند. در كارهاي پيشين براي تشخيص وقوع وقفه از روش هاي تشخيص ناهنجاري استفاده شده است. در اين روش يك بار شبكه در حالت عادي و سپس در وضعيت وقفه راه‌اندازي مي‌شود و كاربران پارامترهاي مورد نظر را اندازه‌گيري مي‌كنند. سپس روش k نزديك‌ترين همسايه به كمك اندازه‌هاي به دست آمده از وضعيت عادي شبكه، تشخيص وقفه را انجام مي‌دهد. اگر اندازه‌هاي آزمايشي در كلاس اندازه‌هاي وضعيت عادي شبكه قرار‌‌نگيرند، ناهنجاري رخ داده‌است. براي جبران وقفه نيز محققين از الگوريتم منتقد-بازيگر استفاده‌ كرده‌اند. در اين روش با استفاده از تنظيم توان سلول‌هاي اطراف سعي در افزايش SINRكاربران بوده ‌است. در اين پژوهش با توجه به ماهيت جرياني گزارشات توليدي در شبكه سلولي، از درخت تصميم بسيار سريع تطبيق پذير با مفهوم استفاده مي‌نماييم كه ناحيه تحت منحني مشخصه عملكرد سيستم را به ميزان 5.7 درصد نسبت به روش K-NNAD بهبود مي‌دهد كه نشانگر تشخيص سريعتر وقوع وقفه است . همچنين براي جبران وقفه با استفاده از يادگيري تقويتي، مدلي بر اساس شبكه عصبي عميق ارائه مي‌دهيم تا ضمن حفظ اتصالات سلول‌هاي فمتو و ماكرو با يكديگر، نرخ انتقال كاربران را بيشينه نماييم. با اين روش وقفه تمام كاربران را جبران مي‌كنيم و سطح SINR كاربران را به بيش از مقدار آستانه مي‌رسانيم. همچنين براي سلول‌هاي ماكرو 95.81 درصد اتصالات ممكن و براي سلول‌هاي فمتو 96.7 درصد اتصالات ممكن بين سلول ها حفظ مي‌شود درحال كه درصد اتصالات براي سلول‌هاي ماكرو در [2] 95 درصد مي‌باشد.

1398/09/11

Outage Management in Heterogeneous Cellular Networks Based on Machine Learning

12/2/2019 12:00:00 AM

Cell outage management, including outage detection and compensation, is one of the most prominent parts of Self-organizing Networks. An outage can be caused by different external elements such as local weather, which should be detected concerning various aspects of a network. Meanwhile, outage compensation entails models that are capable of interacting with the environment actively. Consequently, in recent years, researchers have focused on Cell Outage Management (COM) using machine learning approaches. Deep reinforcement learning models significantly outperformed other alternatives on COM problems. In this thesis, we will present a framework for both outage detection and compensation. In our detection scheme, we used CVFDT as a stream classifier to detect the occurrence of outages, with 91.7 AUC outperformed K-NNAD. Furthermore, we developed a Deep Q network to compensate outage in cellular networks based on optimizing cells' transmission rate alongside co-type cells' connectivity. Our COC method has been converged for different random initialization and increasingly improved reward values, which led to support 95.81% and 96.7% of target connectivity in macro and femtocells, respectively.