Дослідження методів управління мережами 5G з використанням засобів штучного інтелекту

Abstract

В результаті збільшення обсягів інформації, її циркуляції та нових амбіцій, пов'язаних з автоматизацією та покращенням різних життєвих сфер, таких як водіння, політ тощо, народилася проблема: як забезпечити якісний обмін інформацією, щоб позбутися затримок та перешкод? Отже, незважаючи на існуючу відносно молоду 4G-мережу мобільного зв'язку, народилося нове покоління мобільних мереж - 5G. Враховуючи той факт, що мережею користуватимуться не лише користувачі мобільних телефонів, а й багато інших сервісів, таких як розумні машини, смарт-камери тощо, навантаження на окремі базові станції 5G мережі у певний момент часу буде величезним, а якість та швидкість обміну інформацією прогнозовано низькою. В результаті ми отримуємо проблему розподілу ширини смуги частот, управління якою із використанням людських ресурсів є надто дорогим. Щоб позбутися або принаймні зменшити вплив цієї проблеми на якість послуг, ми пропонуємо аналіз та прогнозування навантаження на мережу за допомогою штучного інтелекту (ШІ) та машинного навчання (МН), а також обчислення ефективної ширини смуги частот на основі прогнозування ШІ. Логічним є питання: навіщо нам ШІ, якщо ми можемо аналізувати навантаження на комірки і вручну змінювати параметри? Відповідь проста: ШІ дозволяє проаналізувати навантаження для забезпечення автоматизованої зміни ширини смуги частот, вже передбачивши навантаження на комірки. Маючи прогнози навантаження, система повинна передавати прогнозовані параметри алгоритму розрахунку ширини смуги частот і змінювати параметри комірки. Останній по рахунку, але не по значенню аргумент: параметрами для кількох комірок можна керувати вручну, але як щодо сотень чи тисяч комірок? В роботі запропоновано модель машинного навчання для прогнозування навантаження на 5G комірки, алгоритм ефективного розрахунку смуги частот та демонстрацію зміни смуги частот стільникової мережі за допомогою користувальницького інтерфейсу, оскільки автоматизований процес працює в фоновому режимі та невидимий. У главі 2 наведено опис різних типів періодичних нейронних мереж, а також їх спільні та відмінні характеристики. Крім того, у розділі описуються принцип роботи LSTM та GRU моделей, їх переваги та недоліки. Це особливо важливий момент, оскільки на основі цієї інформації вбирається модель нейронної мережі (NN). Крім того, у цій главі пропонується математична модель алгоритму розрахунку ефективної смуги частот, яка використовує прогнозовані результати навантаження як параметри для розрахунку вищезазначеної ефективної ширини смуги частот. Алгоритм може бути реалізований на будь-якій мові програмування, але проблема полягає у великих наборах даних (сотнях та тисячах), що зменшує продуктивність алгоритму, оскільки складність алгоритму не є постійною, а O(?log?_n). Отже, найкращим рішенням буде Python, PHP, Perl тощо. У розділі 3 ми демонструємо навчання нейронної моделі та розрахунок прогнозу навантаження для п'яти клітин 5G протягом 24 годин. Дотримуючись найкращих практик ML, ми розділили набір даних на 80% та 20% відповідно. Результати прогнозу повторюють характеристики реальних даних, хоча і не повністю відповідають їм. Крім того, у цій главі представлено кожен крок обчислення ефективної ширини смуги частоти та представлено кожен із цих кроків відповідним графіком для всіх п’яти комірок. Результат розподілу смуги частот є дійсним і показує значення ширини смуги частот на часових інтервалах, коли навантаження комірки пікове, і мінімальне там, де навантаження низьке. Для спрощення розрахунку, графік швидкості, навантаження та частот, будуються для одного користувача, включаючи значення навантаження в кожну комірку, щоб показати, оптимальну ширину смуги частот для забезпечення якісного обслуговування. Висновком цієї глави є останні п'ять графічних зображень, на яких показано порівняння швидкості користувача без динамічного розподілу ширини смуги частот протягом дня, з параметрами швидкості які включають в себе динамічний розподіл ширини смуги частот. Це ще раз доводить, що динамічний розподіл ширини смуги частот покращує якість послуг, що надаються кінцевому користувачеві. У розділі 4 продемонстровано та порівняно загальні варіанти управління станцією 5G. Тут оглянуто концепції REST API та Event System, їх спільні та відмінні характеристики, а також переваги та недоліки. Для кожного варіанту управління, описано, як можна застосувати ту чи іншу концепцію до мережі 5G із супроводжуючими блок-схемами. В результаті було обрано підхід REST через специфічний зв’язок між ядром та модулями, та простоту впровадження. Для демонстрації управління мережею було обрано платформу ThingsBoard та Python REST аплікацію, яка здатна надсилати дані до інтерфейсу ThingsBoard. Це було зроблено, щоб показати, як буде виглядати автоматизація, якщо штучний інтелект з відповідною моделлю нейронної мережі та алгоритм розрахунку смуги частот буде застосовано до мережі 5G, оскільки автоматизований процес працює в фоновому режимі і є невидимим. Автоматизація повністю виключає втручання людини, окрім апаратного та програмного обслуговування.

In the results of information size growing, its circulation and new ambitions related to automatization of different life sphere, like driving, flying etc., was born a problem: How to provide a quality information exchange to get rid of delis and interferences? So, as the result, despite the existing relatively young 4G mobile network, there was born a new mobile network generation – 5G. Given the fact that the network will be used not only by mobile phone users but also by many other services, such as smart cars, smart cameras, etc. the load on individual cells of the 5G network at certain times will be enormous and service quality will be suffering as well. As a result, we obtain an effective frequency bandwidth distribution problem which management using a human’s resources is too expensive. To get rid or at least decrease influence of this problem on the services quality, we propose a network cell load analyze and prediction using Artificial Intelligence (AI) and Machine Learning (ML) and calculation of effective frequency bandwidth based on AI prediction. The reason question is: Why we need AI, if we can analyze cells load and change parameters explicitly? The answer is simple: The AI using let to automatize frequency bandwidth parameters changing having already predicted cells load for the feature. Having load predictions, system only should pass predicted parameters to an effective frequency bandwidth calculation algorithm and change cell’s parameters. The last but not the least argument that it’s possible to manage parameters for a few cells, but what about hundredths or thousandths? The thesis proposes ML model for prediction of 5G cells load, algorithm of effective frequency bandwidth calculation and demonstration of cell frequency bandwidth changing using user interface because automatized process works on the background and is invisible. The chapter 2 overviews a description of different Recurrent Neural Network types, and their common and different characteristics. In addition, chapter describes LSTM and GRU model’s working flows, their benefits, and disadvantages. This is especially important take look at these moments, as based on this information Neural Network (NN) model should be chosen. In addition, chapter propose effective frequency bandwidth calculation algorithm mathematic model which use predicted load results as parameters to calculate the above effective frequency bandwidth. The algorithm is able to be implemented on any programing language, but the problem is on a large data sets (hundredths and thousandths cells) an algorithm performance will decrease as algorithm complexity is not constant but O(?log?_n). So, the best solution would be Python, PHP, Perl, etc. In the Chapter 3 we demonstrate NN model studying and load prediction calculation for five 5G cells during the 24 hours. Following ML best practices, we divided the input dataset into 80% and 20%, respectively. The prediction results repeat characteristics of the real data, although not fully consistent with it. In addition, chapter provides each step of effective frequency bandwidth calculation and represent each of these steps by appropriate graphics for all five cells. The result of frequency bandwidth distribution is valid and shows peek frequency bandwidth value on the time intervals where the cell’s load is greatest and minimum where the load is low. To simplify the calculation, load speed and frequency graphic where build for one user including load value in each cell to show what frequency bandwidth is optimal to provide quality service. The conclusion of this chapter is the last five graphics which show comparing of user speed without dynamic frequency bandwidth distribution during the day, with speed parameters including the dynamic frequency bandwidth distribution. This proves once again that dynamic frequency bandwidth improves the quality of services provided to end user. The chapter 4 demonstrate and compare the common 5G station management options. Here overviewed REST API and Event System concepts, their commonality and difference, their benefits, and disadvantages. On each unit related to each management approach described how one or another concept is able to be applied for 5G network with accompanying block diagrams. As a result, REST approach was selected because of the specific module communication and ease of implementation. For demonstrating of network management were chosen ThingsBoard platform and Python REST service which is able to send data to ThingsBoard UI. It was made to show how automatization will looks like if Artificial Intelligence with appropriate Neural Network model, and frequency bandwidth calculation algorithm will be applied to 5G network as automatized process works like background process and is invisible. Automatization fully excludes human intervention except hardware and software service.