Maskininlärning för 5G systemkontroll och automatisering

I jämförelse med 4G finns en uppsjö av nya applikationer för 5G, allt från traditionella effektiva bredbandskommunikationslänkar till mer strikt säkra kommunikationslänkar som är lämpliga för kritisk kommunikation i industriella applikationer eller massiv kommunikation som vanligtvis är förknippade med Internet of things.

Telecommunication mast TV antennas wireless technology with blue sky Foto iStock/12521104I detta projekt utvecklar vi lösningar för att öka autonomi av 5G näterk med syftet att förbättra nätverksprestanda, minska driftskomplexiteten och öka resiliens. Användning av probabilistiska maskininlärningsmodeller i projektet är en grund för ett optimalt beslutsfattande, särskilt för att uppfylla kraven på extrem pålitlighet där osäkerhetsinformation är avgörande.

Projektet syftar till att använda probabilistiska klassificerings- och regressionsmodeller för att garantera flexibilitet och autonomi av 5G-komponenter, och även använda spatiala och temporala modeller för att få in dynamiska aspekter såsom enhetshastighet, enhetsrörelseriktning eller dagliga / månatliga variationer av nätverkets arbetsbelastning. För att kunna autonomt anpassa sig till olika miljöförändringar och störningar syftar projektet till att integrera online learning komponenter i våra metoder.

Effektivitet och skalbarhet är utmaningar inom effektiv utveckling av autonoma 5G-miljöer, och utvecklingen av lämpliga Big Data metoder är ännu ett mål för projektet.


Forskare
Visa/dölj innehåll

Publikationer
Visa/dölj innehåll

Inter-frequency radio signal quality prediction for handover, evaluated in 3GPP LTE
Caroline Svahn, Oleg Sysoev, Mirsad Čirkić, Fredrik Gunnarsson, Joel Berglund
Accepted to VTC2019

Forskning
Visa/dölj innehåll