FenixEdu™

Dissertação

PCI Conflict and RSI Collision Detection in LTE Networks Using Supervised Learning Techniques EVALUATED

Detalhes: Atualmente, as redes móveis estão a ser modificadas rapidamente, o que dificulta a manutenção de bons planos de Physical Cell Identity (PCI) e de Root Sequence Index (RSI). Estes dois parâmetros são essenciais para uma boa Qualidade de Serviço de redes móveis Long Term Evolution (LTE), pois maus planos de PCI e de RSI poderão levar a problemas de redes móveis. Como tal, é possível identificar conflitos de PCI e colisões de RSI através da análise de Key Performance Indicators (KPI) relevantes. Esta Tese pretende apresentar abordagens de Aprendizagem Automática (ML) para classificação usando KPIs de redes móveis, obter os KPIs mais relevantes para a deteção de conflitos de PCI e de RSI, construir modelos de ML com um número mínimo de Falsos Positivos e desempenho em quase tempo real. Para alcançar estes objetivos, foram testadas três hipóteses, como também cinco algoritmos de classificação, nomeadamente Adaptive Boosting, Gradient Boost, Extremely Randomized Trees, Random Forest e Support Vector Machines. Os modelos obtidos foram avaliados de acordo com as Precisões médias e picos de Precisão. Por último, os dados foram obtidos de uma rede LTE real. Os melhores modelos foram obtidos ao utilizar cada medição de KPI como uma variável. A maior Precisão média obtida para confusões de PCI foi de 31% e de 26% para as bandas de 800 MHz a de 1800 MHz, respetivamente. A maior Precisão média obtida para colisões de RSI foi de 61% e de 60% para as bandas de 800 MHz e de 1800 MHz, respetivamente.
Keywords: Comunicações Móveis, LTE, Aprendizagem Automática, Classificação, Conflito de PCI, Colisão de RSI

Discussão: novembro 15, 2017, 16:0