Optimierung von Funknetzen

Mit der Einführung von Funknetzen zur mobilen Kommunikation wurde aufgrund einer stets steigenden Nachfrage ihre Optimierung ein zentrales Thema. Bei aktuellen Funknetzen wie 5G sind nicht nur die Datenrate und die Kapazität die Schlüsselparameter, sondern Anforderungen an die Energieeffizienz, das Latenzverhalten, die Abhörsicherheit und weitere drängen ebenfalls in den Fokus. Insofern können enorme Mengen an Daten anfallen, die vorteilhaft nur mit Mitteln des maschinellen Lernens verarbeitet werden können.

Der überwiegende Teil der Daten wird von den mobilen Endgeräten eingesammelt, die mittels ihrer Übertragungs- und zusätzlich aufgenommenen Umweltdaten versuchen, sich einen umfassenderen Überblick von der sie versorgenden Mobilfunkzelle zu verschaffen. Mithilfe dieses kognitiv erlangten Zusatzwissens soll es ermöglicht werden, sich vorausschauend zu verhalten. Weitere Informationen, z. B. aus dem Internet, können dabei unterstützend eingesetzt werden. Z. B. kann die automatische Auswertung eines Veranstaltungskalenders den Ort und die Zeit von Großereignissen liefern, was dann bei der Optimierung eines Funknetzes schon im Voraus berücksichtigt werden kann.

Auf lange Sicht hin soll nicht nur der einzelne Teilnehmer kognitive Fähigkeiten bzgl. seiner direkten Umgebung gewinnen, sondern dieses kognitive Wissen aller Teilnehmer soll derart zusammengefasst und weiterverarbeitet werden, dass ein kognitives Mobilfunk-Management entsteht, d. h., dass das Funknetz sich weitgehend autonom steuern kann.

Um dieses Ziel zu erreichen, werden in der Abteilung Drahtlose Kommunikation und Netze verschiedene Verfahren zur Optimierung von Funknetzen entwickelt, untersucht und getestet. Ein Ziel ist es z. B., möglichst detailgetreue Übersichtskarten (maps) des gesamten Funknetzes für verschiedene relevante Parameter zu erzeugen, mit deren Auswertung dann ein möglichst optimaler Zustand für das Funknetz erreicht werden kann. Relevante Parameter sind z. B. die Verkehrslast oder die Kapazität eines Netzwerkes, deren Zusammenhänge, inklusive der dazu benutzten Eingangsdaten, in der folgenden Abbildung beispielhaft gezeigt werden.

 

 

Beispiele von Themen dazu, die in der Abteilung Drahtlose Kommunikation und Netze bearbeitet werden, sind u. a.: die Vorhersage des Datenverkehrs aufgrund gemessener Daten unter Einbeziehung von kontextbezogenen Zusatzinformationen [1], das Lernen von sogenannten radio maps mithilfe gemessener Anwenderdaten [2], [3], sogenannte data driven Methoden zur Abschätzung der Verkehrslast [4], Protokollfragen bei sehr dichten und störbehafteten Netzwerken [5], verschiedene Ansätze zur Bestimmung der Verkehrslast- und Kapazitätsverteilung [6], [7], [8], [9], [10], Messung des Störverhaltens zur Detektion von Anomalitäten [11] und Fragen der Energieeffizienz [12], [13].

Referenzen

[1] R. L. G. Cavalcante, S. Stańczak, M. Schubert, A. Eisenblätter, and U. Türke, "Toward Energy-Efficient 5G Wireless Communication Technologies," IEEE Signal Processing Magazine, vol. 31, no. 6, pp. 24-34, Nov. 2014

[2] M. Kasparick, R. L. G. Cavalcante, S. Valentin, S. Stańczak, and M. Yukawa, "Kernel-Based Adaptive Online Reconstruction of Coverage Maps with Side Information," IEEE Transactions on Vehicular Technology, vol. 65, no. 7, pp. 5461-5473, July 2016

[3] K. Oltmann, R. L. G. Cavalcante, S. Stańczak, and M. Kasparick, "Interference Identification in Cellular Networks via Adaptive Projected Subgradient Methods," in Proc. IEEE Asilomar Conference on Signals, Systems, and Computers, Nov. 2013

[4] D. A. Awan, R. L. G. Cavalcante, and S. Stańczak, "A robust machine learning method for cell-load approximation in wireless networks," in Proc. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Apr. 2018

[5] N. Agrawal, M. Frey and S. Stanczak, A Scalable Max-Consensus Protocol For Noisy Ultra-Dense Networks. IEEE 20th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), July 2019

[6] R. L. G. Cavalcante and S. Stańczak, "The role of asymptotic functions in network optimization and feasibility studies," in Proc. IEEE Global Conference on Signal and Information Processing (GlobalSIP), Nov. 2017

[7] R. L. G. Cavalcante and S. Stańczak, "Peak load minimization in load coupled interference networks," in Proc. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Mar. 2017

[8] R. L. G. Cavalcante, M. Kasparick, and S. Stańczak, "Max-min utility optimization in load coupled interference networks," IEEE Trans. Wireless Comm., vol. 16, no. 2, pp. 705-716, Feb. 2017

[9] R. L. G. Cavalcante, S. Stańczak, J. Zhang, and H. Zhuang, "Low Complexity Iterative Algorithms for Power Estimation in Ultra-Dense Load Coupled Networks," IEEE Trans. Signal Processing, vol. 64, no. 22, pp. 6058-6070, Nov. 2016

[10] R. L. G. Cavalcante, Y. Shen, S. Stańczak, "Elementary Properties of Positive Concave Mappings with Applications to Network Planning and Optimization," IEEE Trans. Signal Processing, vol. 64, no. 7, pp. 1774-1783, April 2016

[11] K. Ralinovski, M. Goldenbaum and S. Stanczak, Energy-efficient Classification for Anomaly Detection: The Wireless Channel as a Helper, IEEE ICC, 2016

[12] E. Pollakis, R. L. G. Cavalcante, and S. Stańczak, "Base station selection for energy efficient network operation with the majorization-minimization algorithm," in SPAWC June 2012

[13] E. Pollakis, R. L. G. Cavalcante, and S. Stańczak, "Traffic Demand-Aware Topology Control for Enhanced Energy-Efficiency of Cellular Networks," EURASIP Journal on Wireless Communications and Networks, vol. 2016, no. 1, pp. 1-17, 2016