• شماره ركورد
    34112
  • پديد آورنده

    عاطفه نادري

  • عنوان
    ارائه راهكاري نوين در مسئله بهينه سازي مكان يابي سلول هاي خدمت گزار با استفاده از RSRQ ، RSSIو رهيافت هوش مصنوعي
  • مقطع تحصيلي
    ارشد
  • رشته تحصيلي
    مهندسي كاميپوتر- گرايش شبكه هاي كامپيوتري
  • سال تحصيل
    1401
  • تاريخ دفاع
    1403/10/23
  • استاد راهنما
    الوالفضل ديانت
  • استاد مشاور
    ندارد
  • دانشكده
    كامپيوتر
  • چكيده
    اطلاعات مكاني سلول هاي خدمت گزار معمولا به عنوان داده اي رقابتي و مرتبط با حريم خصوصي، محرمانه نگه داشته مي شوند و به سادگي در اختيار عموم قرار نمي گيرند. زيرا دانستن موقعيت دقيق سلول هاي خدمت گزار، مي تواند در كشف سلول هاي جعلي يا مخرب، تشخيص پيكربندي هاي غيرمجاز در شبكه و تحليل اوپراتورهاي رقيب نيز بسيار ارزشمند باشد و نيز مي تواند در مسئله دوگان آن يعني يافتن مكان كاربران در شبكه بدون دسترسي به GPSنيز مفيد فايده باشد. روش هاي مكان يابي مبتني بر توان سيگنال دريافتي RSRPو RSRQبه دليل سادگي و عدم نياز به تجهيزات پيچيده، نقشي اساسي در مكان يابي اهداف دارند. در اين پژوهش، از اندازه گيري هاي RSRPو RSRQاستفاده شده است. روش هاي سنتي ً مكان يابي سلول ها و آنتن هاي فرستنده، معمولا به الگوريتم هاي هندسي متكي هستند و توانايي درك الگوهاي پيچيده شبكه را ندارند. علاوه بر اين، براي مدل كردن الگوهاي شبكه و تبديل سيگنال ها و ديگر پارامترها به اطلاعاتي مناسب براي مكان يابي، انتخاب يك مدل مناسب اهميت دارد زيرا كه برخي از مدل ها هم چون Two-ray ground-reflectionبه متغيرهاي ناشناخته زيادي مانند ارتفاع آنتن نياز دارند كه اغلب در دسترس نيست. با توجه به محدوديت دسترسي به داده هاي مكاني سلول ها، در مرحله اول، ابتدا به جمع آ وري داده هاي واقعي به جهت ارزيابي پرداختيم؛ با استفاده از محصول بومي ،Venusدر اطراف سلول هاي خدمت گزار و در نواحي متعددي از شهر تهران Drive Test انجام شد و داده هاي ،RSRQ ،RSRPمكان لحظه اي گيرنده در Drive Testو ديگر مقادير مهم جمع آوري گرديد. با بررسي انواع مدل ها، مدل افت مسير براي مدل سازي رفتار سيگنال ها انتخاب شده است و با استفاده از MLEو ايجاد يك مسئله بهينه سازي، يك روش جديد براي تخمين مكان سلول هاي خدمت گزار ارائه داديم. در روش پيشنهادي، ابتدا از بهينه سازهاي كلاسيك IPOPT و KNITROبراي حل مسئله استفاده مي شود و سپس با بهبود آن ها به نسخه MSC-IPOPTو ،MSC-KNITROدقت مكان يابي را افزايش مي دهيم. در ادامه با تركيب آن ها با الگوريتم هاي پيش پردازش داده ها، چالش هاي موجود نظير موانع محيطي و انتشار چندمسيره را كاهش مي دهيم. نتايج اين پژوهش حاكي از آن است كه تركيب الگوريتم هاي پيشرفته مانند IPOPTو KNITROبا تكنيك هاي پيش پردازش، مدل سازي بهينه و الگوريتم هاي هوش مصنوعي به ويژه خوشه بندي، توانايي حل مسائل مكان يابي در شبكه هاي LTEرا با دقت و كارايي بالا فراهم مي كند كه درمقايسه با روش هاي مبتني بر ،APIاين روش نه تنها هزينه هاي محاسباتي را كاهش مي دهد، بلكه فرصت هاي جديدي براي بهبود مديريت شبكه و شناسايي الگوهاي پيچيده فراهم مي سازد.
  • تاريخ ورود اطلاعات
    1404/09/08
  • عنوان به انگليسي
    Proposing a Novel Approach for Optimizing the Localization of Serving Cell Towers Using RSSI an‎d RSRQ with Artificial Intelligence
  • تاريخ بهره برداري
    11/28/2025 12:00:00 AM
  • دانشجوي وارد كننده اطلاعات

    عاطفه نادري

  • چكيده به لاتين
    The location info‎rmation of serving cells is generally considered competitive an‎d privacy-sensitive; therefo‎re, it is kept confidential an‎d not easily accessible to the public. Knowing the exact locations of serving cells can be highly valuable fo‎r detecting fake o‎r malicious cells, identifying unautho‎rized configurations, an‎d analyzing the perfo‎rmance of competing operato‎rs. Such info‎rmation is also useful fo‎r the dual problem of estimating user positions within the netwo‎rk without GPS access. Localization methods based on received signal strength—namely, the Reference Signal Received Power (RSRP) an‎d Reference Signal Received Quality (RSRQ)—are widely used due to their simplicity an‎d independence from complex equipment. However, traditional geometric localization algo‎rithms fail to capture complex netwo‎rk patterns, an‎d propagation models such as the Two-Ray Ground Reflection model depend on several unknown variables like antenna height, which are often unavailable. Given the limited accessibility of cell location data, real-wo‎rld measurements were collected using the indigenous Venus platfo‎rm. Multiple drive tests were conducted around serving cells in different regions of Tehran, reco‎rding RSRP, RSRQ, receiver positions, an‎d other parameters. After eva‎luating several propagation models, the path loss model was chosen to characterize signal behavio‎r. Serving cell locations were then estimated via a Maximum Likelihood Estimation (MLE)–based optimization framewo‎rk—a modeling approach not previously applied to this problem. Classical solvers such as IPOPT an‎d KNITRO were employed an‎d later enhanced to MSC-IPOPT an‎d MSCKNITRO to improve accuracy. Integrating these with data preprocessing techniques effectively mitigated challenges such as environmental obstacles an‎d multipath propagation. The results demonstrate that combining advanced solvers with preprocessing, optimized modeling, an‎d artificial intelligence—particularly clustering—enables accurate an‎d efficient serving-cell localization in LTE netwo‎rks. Compared with API-based methods, the proposed approach reduces computational cost while providing new oppo‎rtunities fo‎r improved netwo‎rk management an‎d pattern recognition
  • كليدواژه هاي فارسي
    مدل افت مسير , مكان يابي تركيبي , بهينه سازي , مكان يابي سلول هاي خدمت گزار , IPOPT , خوشه بندي
  • كليدواژه هاي لاتين
    Cell Tower Localization , Optimization , IPOPT , RSRQ , Hybrid Positioning , Clustering
  • Author
    Atefe Naderi
  • SuperVisor
    Abolfazl Diyanat
    • لينک به اين مدرک
    https://dl.iust.ac.ir/dl/search/default.aspx?Term=34112&Field=0&DTC=6