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

Publikationer

Caroline Svahn, Oleg Sysoev, Mirsad Čirkić, Fredrik Gunnarsson and Joel Berglund, Inter-Frequency Radio Signal Quality Prediction for Handover, Evaluated in 3GPP LTE, 2019 IEEE 89th Vehicular Technology Conference.

Caroline Svahn and Oleg Sysoev (2022), Selective Imputation of Covariates in High Dimensional Censored Data, Journal of Computational and Graphical Statistics.

Forskning