Die nächste Generation der Mobilfunknetze wird zu komplexeren und virtualisierten Systemen mit Maschinenlernfähigkeiten für eine verbesserte Optimierung und Nutzung höherer Frequenzbänder sowie dichterer Implementierungen, um den vielfältigen Dienstanforderungen gerecht zu werden. Diese Entwicklung bringt jedoch auch Herausforderungen mit sich, insbesondere bei der Mobilitätsverwaltung, da sie die Gesamtzahl der Handover aufgrund kleinerer Abdeckungsbereiche und höherer Signaldämpfung erhöht.
Um diese Herausforderungen anzugehen, schlagen wir einen Deep-Learning-basierten Algorithmus vor, der die zukünftige Serving-Zelle unter Verwendung sequenzieller Messungen des Benutzergeräts vorhersagt, um Handover-Ausfälle und Unterbrechungszeiten zu minimieren. Unser Algorithmus ermöglicht es Netzbetreibern, Handover-Triggerereignisse dynamisch anzupassen oder UAV-Basisstationen für eine verbesserte Abdeckung und Kapazität einzubinden, um Netzziele wie Lastausgleich und Energieeffizienz durch Transfer-Learning-Techniken zu optimieren.
Unser Framework entspricht den O-RAN-Spezifikationen und kann als xApp in einem Near-Real-Time RAN Intelligent Controller implementiert werden, wobei das E2SM-KPM-Servicemodell genutzt wird. Die Bewertungsergebnisse zeigen, dass unser Algorithmus eine Genauigkeit von 92% bei der Vorhersage zukünftiger Serving-Zellen mit hoher Wahrscheinlichkeit erreicht. Darüber hinaus reduziert unser Algorithmus durch den Einsatz von Transfer-Learning die Umschulungszeit um 91% und 77%, wenn neue Handover-Trigger-Entscheidungen oder UAV-Basisstationen dynamisch in das Netzwerk eingeführt werden.
To Another Language
from source content
arxiv.org
Thông tin chi tiết chính được chắt lọc từ
by Ioannis Pani... lúc arxiv.org 04-15-2024
https://arxiv.org/pdf/2404.08113.pdfYêu cầu sâu hơn