Dissertação
{en_GB=Machine Learning Techniques using Key Performance Indicators for the Configuration Optimization of 4G Networks} {} EVALUATED
{pt=Realizar uma gestão eficiente de redes móveis tem-se tornado uma tarefa cada vez mais árdua, uma vez que estas redes têm crescido em termos de complexidade, o que resulta numa maior quantidade de dados para analisar. Esta tese foca-se na avaliação do desempenho de células numa rede LTE através da utilização de técnicas de aprendizagem não supervisionada. O objetivo principal é detetar grupos de células que apresentem desempenhos semelhantes e, consequentemente, identificar os grupos que apresentam um desempenho abaixo do desejado; adicionalmente, também se pretende identificar quais são as configurações das células que estão associadas a um melhor desempenho. Para atingir o primeiro objetivo, foi desenvolvida uma metodologia baseada na aplicação de algoritmos de clustering sobre dados extraídos a partir de Key Performance Indicators (KPIs). Relativamente ao segundo objetivo, foi utilizado um teste estatístico que avalia a independência entre as configurações das células e o seu nível de desempenho. Utilizando esta metodologia verificou-se que não existe uma diferença significativa nos resultados obtidos utilizando os diferentes algoritmos. Na maioria dos casos apresentados apenas foram identificados dois grupos de células: um grupo que é essencialmente constituído por células que apresentam o melhor desempenho e o outro grupo que é constituído pelas células com pior desempenho. No que diz respeito à ligação entre dados de configuração e dados de desempenho, apenas um caso, referente a um parâmetro associado à capacidade de subscrição das células, foi detetado., en=Performing an efficient management of mobile networks has become an increasingly difficult task, as these networks are becoming more complex, which results in more data to evaluate and optimize. This thesis is focused on the performance evaluation of a Long Term Evolution (LTE) network using unsupervised learning techniques. The main objective is to detect groups of cells that show similar performances and, consequently, to identify the groups that perform below the desired threshold; additionally, this work also aims to identify which cell configurations are associated with the best performance. In order to fulfill the first objective, a methodology based on the application of clustering algorithms to features extracted from Key Performance Indicators (KPIs) was developed. Regarding the second objective, statistical testing was applied to evaluate the dependence between the configuration and the respective cells performance. It was verified that there is not a significant difference in the obtained results using different clustering algorithms. In the majority of the cases, only two groups of cells were identified: one group consisting essentially of the cells with the best performance and the other group containing the worst performing cells. As far as the connection between configuration data and performance data is concerned, only one case, referring to a parameter associated with the cell subscription capacity, was detected.}
novembro 21, 2018, 11:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
António José Castelo Branco Rodrigues
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar
