Dissertação

{en_GB=PCI Conflict and RSI Collision Detection in LTE Networks Using Supervised Learning Techniques} {} EVALUATED

{pt=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., en=Nowadays, mobile networks are rapidly changing, which makes it difficult to maintain good Physical Cell Identity (PCI) and Root Sequence Index (RSI) plans. These are essential for the Quality of Service (QoS) and mobility of Long Term Evolution (LTE) mobile networks, since bad PCI and RSI plans can introduce wireless network problems such as failed handovers, service drops and failed service establishments. Thereupon, it is possible in theory to identify PCI and RSI conflicting cells through the analysis of relevant Key Performance Indicators (KPI). This thesis aims to present Machine Learning (ML) approaches for classification using time series data from mobile network KPIs, detect the most relevant KPIs, construct ML models to classify PCI and RSI conflicting cells with a minimum False Positive rate and near real-time performance. To achieve these goals, three hypotheses were tested. Furthermore, bias was reduced by testing five different classification algorithms, namely Adaptive Boosting, Gradient Boost, Extremely Randomized Trees, Random Forest and Support Vector Machines. The obtained models were evaluated in accordance with their average Precision and peak Precision metrics. Lastly, the data was obtained from a real LTE network. The best performing models were obtained by using each KPI measurement as an individual feature. The highest average Precision obtained for PCI confusion detection was 31% and 26% for the 800 MHz and 1800 MHz frequency bands, respectively. The highest average Precision obtained for RSI collision detection was 61% and 60% for the 800 MHz and 1800 MHz frequency bands, respectively.}
{pt=Comunicações Móveis, LTE, Aprendizagem Automática, Classificação, Conflito de PCI, Colisão de RSI, en=Wireless Communications, LTE, Machine Learning, Classification, PCI Conflict, RSI Collision}

Novembro 15, 2017, 16:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Pedro Manuel de Almeida Carvalho Vieira

ISEL

Professor Adjunto

ORIENTADOR

Maria Paula Dos Santos Queluz Rodrigues

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar

ORIENTADOR

António José Castelo Branco Rodrigues

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar